Documente Academic
Documente Profesional
Documente Cultură
INTRODUCCIÓN____________________________________________________
En cualquier proceso productivo resulta conveniente conocer en todo momento hasta qué punto nuestros
productos cumplen con las especificaciones preestablecidas. Como ya comentamos en el capítulo anterior,
podemos decir que la calidad de un producto tiene dos grandes “enemigos”: (1) las desviaciones con respecto
al objetivo especificado (falta de exactitud), y (2) una excesiva variabilidad respecto a los valores deseables
(falta de precisión).
La idea consiste en extraer muestras de un proceso productivo que se encuentra activo y, a partir de las
mismas, generar gráficos que nos permitan tanto estudiar la variabilidad del mismo como comprobar si los
productos obtenidos cumplen o no con las especificaciones preestablecidas. En caso de apreciar en tales
gráficos tendencias no aleatorias o bien muestras que se sitúen más allá de los límites de control
consideraremos que el proceso está fuera de control. Si así ocurre, estaremos interesados en averiguar las
causas especiales que afectan al proceso.
Línea central
Observar que, como el intervalo anterior depende de n, si trabajamos con muestras de distintos tamaños
los límites de control no formarán una línea recta, pues la distancia que les separa de la línea central
aumentará conforme n disminuya (serán límites “escalonados”).
III - 1
Control Estadístico de la Calidad con MINITAB
Observar que la selección de los límites de control equivale pues a determinar la región crítica para
probar la hipótesis nula Ho de que el proceso está bajo control estadístico: alejando dichos límites de la línea
central se reduce α (o probabilidad de cometer un error de tipo I, i.e.: que un punto caiga fuera de los límites
de control sin que haya una causa especial), si bien también se eleva con ello β (o riesgo de cometer un error
tipo II, i.e.: que un punto caiga entre dichos límites cuando el proceso se encuentra en realidad fuera de
control).
En general, para un α determinado, cuanto más grande sea el tamaño muestral n, tanto más “sensible”
será el gráfico a la hora de detectar pequeños cambios en el proceso (i.e., para α fijo, a mayor n mayor será la
potencia del contraste 1-β).
Podemos distinguir dos grandes clases de gráficos de control: los gráficos de control por variables hacen
uso de estadísticos obtenidos a partir de datos tales como la longitud o grosor de un elemento, mientras que
los gráficos de control por atributos se basan en frecuencias tales como el número de unidades defectuosas.
Así, en los gráficos de control por variables es posible medir la característica de calidad a estudiar. En estos
casos conviene describir la característica de calidad mediante una medida de tendencia central (usualmente la
media muestral) y una medida de su variabilidad (usualmente el rango o la desviación estándar).
Los gráficos de control por variables son más “sensibles” que los gráficos de control por atributos, razón
por la cual son capaces de “avisarnos” de posibles problemas de calidad incluso antes de que éstos sean ya
relevantes. Por su parte, los gráficos de control por atributos tienen la ventaja de sintetizar de forma rápida
toda la información referida a diferentes aspectos de calidad de un producto, ya que permiten clasificar éste
como aceptable o inaceptable; además, no suelen necesitar de sistemas de medición muy complejos y son más
fácilmente entendibles por los no especialistas.
A continuación se agrupan los gráficos de control por variables según el tipo de datos de que
dispongamos:
III - 2
III. Gráficos de Control por Variables (1)
A fin de poder interpretar correctamente los gráficos, resulta imprescindible que las observaciones
provengan de una distribución aproximadamente normal. Si nuestros datos provienen de una distribución
notablemente asimétrica, podemos aplicarles la transformación Box-Cox para inducir normalidad.
Dada una variable aleatoria Y asociada a una distribución asimétrica, pretendemos transformarla en otra
variable Y’, donde Y’ = Y λ ó Y’ = Ln Y. El método de Box-Cox estima aquel valor para λ el cual minimiza
la desviación estándar de Y’ . Si λ ≠ 0, entonces Y’ = Y λ ; en caso contrario, Y’ = Ln Y . Observar que si el
valor obtenido para λ es próximo a la unidad el transformar la variable no nos supondrá una gran ventaja.
Ejemplo Box-Cox: Los datos contenidos en el archivo BoxCox.mtw provienen de una distribución
sensiblemente sesgada a la derecha. Consisten en 50 subgrupos de tamaño 5. Los datos se encuentran en
la columna C1.
III - 3
Control Estadístico de la Calidad con MINITAB
7
6
5
4
3
2
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0
Lambda
Las dos líneas rojas del gráfico determinan un intervalo de confianza a nivel del 95% para el verdadero
valor de λ. Dicho intervalo contiene a todos los posibles valores de λ cuya desviación estándar es menor
o igual a la indicada por la línea horizontal discontinua, en este caso sería el intervalo de extremos –0,3 y
0,4.
Dado que el mejor estimador para λ es el cero, la transformación que tomaríamos sería Y’ = Ln Y .
Sea T un estadístico muestral que mide alguna característica de calidad, y supongamos que T se
distribuye de forma aproximadamente normal, con media µT y desviación estándar σT . Entonces, la línea
central y los límites superior e inferior del gráfico de control vendrán dados, según el modelo de Shewart, por:
LSC = µ T + 3σ T
Línea central = µ T
LIC = µ T − 3σ T
Un método alternativo al de Shewart sería el modelo probabilístico: en vez de especificar los límites de
control como un múltiplo de la desviación estándar, se hubiera podido escoger directamente la probabilidad
de un error de tipo I y calcular el límite (probabilístico) de control correspondiente. Por ejemplo, si se hubiera
tomado α = 0,001, entonces el múltiplo adecuado de la desviación estándar habría sido 3,09. Observar que si
la distribución de T es aproximadamente normal, habrá poca diferencia entre los límites de tres sigma y los
probabilísticos de 0,001.
III - 4
III. Gráficos de Control por Variables (1)
Como dijimos en la introducción, cuando alguno de los estadísticos muestrales cae fuera de los límites
de control, hay razones para pensar que el proceso está fuera de control. Además, también es importante
estudiar la posible existencia de patrones no aleatorios en la representación de dichos estadísticos muestrales,
ya que tales patrones suelen ser un síntoma de que la los parámetros del proceso están cambiando. A tal efecto
se utilizan los tests para causas especiales o asignables, término que se contrapone al de causas comunes o
aleatorias (inherentes a todo proceso).
Al igual que los límites de control, los tests para causas especiales tienen un fundamento estadístico. Así,
por ejemplo, la probabilidad de que un estadístico muestral caiga por encima de la línea central será de 0,5
bajo los siguientes supuestos: (1) que el proceso esté bajo control, (2) que estadísticos muestrales
consecutivos sean independientes, y (3) que la distribución de los estadísticos muestrales sea
aproximadamente normal. Por tanto, en tales condiciones, la probabilidad de que dos estadísticos
consecutivos caigan por encima de la línea central será de 0,5*0,5 = 0,25 , y la probabilidad de que 9
estadísticos consecutivos caigan en el mismo lado de la línea central será de 0,5^9 = 0,00195. Este último
valor se aproxima mucho a la probabilidad de un estadístico muestral caiga más allá de los límites de control
de 3 sigma (suponiendo una distribución normal y un proceso bajo control), por lo que la existencia de estos 9
estadísticos podría interpretarse como otro indicativo de que el proceso está fuera de control.
La franja comprendida entre dos y tres sigmas respecto a la línea central se denomina zona A, la
comprendida entre 1 y 2 sigmas se llama zona B, y la franja situada a menos de 1 sigma se denomina zona C.
El programa Minitab permite realizar varios tests para determinar la posible existencia de causas
especiales que influyan sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):
Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno
de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas
especiales, las cuales deberán investigarse.
Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamaño.
III - 5
Control Estadístico de la Calidad con MINITAB
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 1 2 3 4 5 6 7 8 9 10
número de muestra
Test 2: nueve puntos consecutivos en el mismo lado
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 5 10 15
muestra
Test 3: seis puntos consecutivos ascendentes o
descendentes
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 1 2 3 4 5 6 7 8 9 10
número de muestra
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 5 10 15
muestra
III - 6
III. Gráficos de Control por Variables (1)
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 1 2 3 4 5 6 7 8 9 10
número de muestra
Test 6: cuatro de cinco puntos consecutivos situados a
más de un sigma (mismo lado)
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 1 2 3 4 5 6 7 8 9 10
número de muestra
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 5 10 15
muestra
Test 8: ocho puntos consecutivos situados a más de
un sigma (ambos lados)
3
Zona A
2
Zona B
1
Zona C
sigma
0
Zona C
1
Zona B
2
Zona A
3
0 5 10 15
muestra
III - 7
Control Estadístico de la Calidad con MINITAB
En la introducción comentamos que los gráficos por variables se utilizan para “controlar” una
característica mesurable del producto, como puede ser la longitud, el peso, la altura, etc. Un gráfico X-barra
contiene las medias muestrales de la característica que se pretende estudiar, por lo que mediante él podremos
detectar posibles variaciones en el valor medio de dicha característica durante el proceso (desviaciones con
respecto al objetivo). Un gráfico R es un gráfico de control para rangos muestrales. Se utiliza para medir la
variación del proceso y detectar la posible existencia de causas especiales. Es habitual usar los gráficos R para
estudiar la variación en muestras de tamaño no superior a 10, recurriendo a los gráficos S para muestras
mayores.
Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Tomaremos k muestras,
cada una de ellas de tamaño n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la
muestra i-ésima, donde i = 1,2,...,k. Veamos cómo construir un gráfico X-barra:
σ
• Por el Teorema de Distribución Muestra, sabemos que: µx = µ y σx =
n
σ
• Por el Teorema Central del Límite, X → N µ ,
n →∞
n
σ
LSC = µ + 3
n
Línea central = µ
σ
LIC = µ − 3
n
• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):
1 k 1 n
µ̂ = X = ∑ X i donde Xi = ∑ X ij
k i =1 n j =1
• Si σ es desconocida, la podemos estimar a partir de los rangos Ri (observar que tal estimación se
realizará a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está
bajo control):
R E [Ri ] d 2 (n) ⋅ σ
E i = = =σ
d 2 ( n) d 2 ( n) d 2 ( n)
III - 8
III. Gráficos de Control por Variables (1)
1 k Ri R
σˆ = ∑ =
k i =1 d 2 (n) d 2 (n)
( σ̂ es estimador insesgado de σ)
• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:
1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),
1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1
∑n X 1 Ri
∑
i i
µ̂ = y σˆ =
∑n i k d 2 (ni )
Ejemplo gráfico X-barra: Supongamos que trabajamos en una planta de montaje de coches. A la hora
de montar los motores, partes de la cadena de montaje se mueven verticalmente arriba y abajo a cierta
distancia del nivel horizontal de referencia. A fin de asegurar la calidad de la producción, realizamos
cinco mediciones cada día laborable desde el 28 de septiembre hasta el 15 de octubre, y diez mediciones
diarias desde el 18 hasta el 25 de octubre. Los datos están contenidos en el archivo Motores.mtw .
III - 9
Control Estadístico de la Calidad con MINITAB
2 1,0SL=1,861
Sample Mean
1
X=0,4417
0
-1 -1,0SL=-0,9778
-2
-2,0SL=-2,397
-3
-4 -3,0SL=-3,817
-5
0 5 10 15 20 25
Sam ple Num ber
Observamos que el subgrupo 5 no ha superado el Test 6 ya que es el cuarto punto situado en la zona B
(entre 1 y 2 desviaciones estándar de la línea central), lo cual sugiere la existencia de causas especiales
en el proceso.
III - 10
III. Gráficos de Control por Variables (1)
Veamos ahora cómo construir un gráfico R. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban
la muestra i-ésima, donde i = 1,2,...,k.
• Si σ es desconocida, la podemos estimar a partir de los rangos Ri como vimos para el gráfico X-barra.
• Asimismo, la observación que vimos en los diagramas X-barra para el caso en que el tamaño muestral
(ni ) sea diferente para cada muestra es igualmente aplicable aquí.
Ejemplo gráfico R: A fin de estudiar la variación en el proceso, realizaremos ahora el gráfico R de los
datos del ejemplo anterior (archivo Motores.mtw):
III - 11
Control Estadístico de la Calidad con MINITAB
3,0SL=15,98
15
Sample Range
10
R=7,559
0 -3,0SL=0,00E+00
0 5 10 15 20 25
Sample Number
Vemos en el gráfico anterior que los puntos se encuentran aleatoriamente distribuidos en la zona
comprendida por los límites de control, lo que significa que el proceso es estable. Resulta también
importante comparar los puntos del gráfico R con los del gráfico X-barra para ver si siguen las
mismas tendencias.
En la práctica se suelen considerar los diagramas Xbarra-R, que no son otra cosa sino la presentación
conjunta de un diagrama X-barra y otro R. La razón de usar dicho diagrama conjunto es la siguiente:
Si la distribución de la v.a. X es normal (como hemos supuesto), entonces las v.a. X-barra y R son
independientes (Teorema de Cochran). Por tanto, si existiese una correlación entre los valores de X-barra y R
(es decir, si los puntos en ambas gráficas presentasen gráficos paralelos), ello indicaría que la distribución
subyacente sería sesgada (no normal), con lo que los análisis posteriores podrían estar equivocados.
III - 12
III. Gráficos de Control por Variables (1)
Ejemplo gráfico Xbarra-R: En nuestra planta de montaje de vehículos, sabemos que una de las piezas
del motor debe tener una longitud de 600 ± 2 mm a fin de satisfacer las especificaciones técnicas.
Durante un mes hemos efectuado un total de 100 mediciones (20 muestras de 5 piezas cada una) de
piezas usadas en la planta, y otras 100 por cada uno de nuestros dos proveedores. Las observaciones están
contenidas en el archivo Motores2.mtw. Queremos analizar las piezas que nos ha suministrado el
segundo de los proveedores:
603 1 1
3,0SL=602,4
Sample Mean
602
601
600 X=600,2
599
598 6 -3,0SL=598,1
Subgroup 0 10 20
9
8 3,0SL=7,866
Sample Range
7
6
5
4 R=3,720
3
2
1
0 -3,0SL=0,00E+0
III - 13
Control Estadístico de la Calidad con MINITAB
La línea central del gráfico X-barra está situada al nivel 600,2 , lo que significa que nuestro proceso está
situado dentro de los límites establecidos, pero dos de los puntos caen fuera de los límites de control, por
lo que el proceso es inestable.
Por su parte, la línea central en el gráfico R está situada en el nivel 3,720 , valor que parece excesivo si
tenemos en cuenta que la máxima variación permitida era de ± 2 mm, por lo que es muy probable que
nuestro proceso sufra de una variación excesiva.
Ya sabemos que siempre que se intente controlar una característica de calidad cuantitativa, es una
práctica habitual controlar el valor medio de la característica de calidad y su variabilidad. Esta última se
estudia mediante un gráfico R (como ya vimos), o mediante un gráfico S, el cual es un gráfico de control para
desviaciones estándar muestrales. Por tanto, podemos usar los gráficos S para estudiar la variabilidad del
proceso y detectar la posible existencia de causas especiales. Resulta habitual utilizar los gráficos S para
muestras de tamaño superior a 10, utilizando los gráficos R en caso contrario.
Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Tomaremos k muestras,
cada una de ellas de tamaño n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la
muestra i-ésima, donde i = 1,2,...,k. Ya vimos cómo construir un gráfico X-barra:
σ
• Por el Teorema de Distribución Muestra, sabemos que: µx = µ y σx =
n
σ
• Por el Teorema Central del Límite, X → N µ ,
n →∞
n
σ
LSC = µ + 3
n
Línea central = µ
σ
LIC = µ − 3
n
• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):
1 k 1 n
µ̂ = X = ∑ Xi
k i =1
donde Xi = ∑ X ij
n j =1
Observar que µ̂ []
es estimador insesgado de µ ya que E X =
1 k
k i =11
[ ]
∑ E Xi = µx = µ .
• Si σ es desconocida, la podemos estimar a partir de las desviaciones estándar Si (observar que tal
estimación se realizará a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el
proceso está bajo control):
III - 14
III. Gráficos de Control por Variables (1)
- ∀ i = 1,2,...,k , sea S i =
1 n
∑ (X ij − X i )2 . Se cumple que µ Si = c 4 (n) ⋅ σ , donde
n − 1 j =1
c4(n) es un valor tabulado que depende de n .
S E [S i ] c 4 (n) ⋅ σ
E i = = =σ
c 4 ( n) c 4 ( n ) c 4 ( n)
1 k Si S
σˆ = ∑ =
k i =1 c 4 (n) c 4 (n)
( σ̂ es estimador insesgado de σ)
• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:
1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),
1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1
∑n X 1 Si
∑
i i
µ̂ = y σˆ =
∑n i k c 4 (ni )
Veamos ahora cómo construir un gráfico S. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban
la muestra i-ésima, donde i = 1,2,...,k.
→ N c 4 (n) ⋅ σ , σ 1 − (c 4 (n) )
2
• Se cumple que: S i
n→∞
• Si σ es desconocida, la podemos estimar a partir de las desviaciones estándar Si como vimos para el
gráfico X-barra.
• Asimismo, la observación que vimos en los diagramas X-barra para el caso en que el tamaño muestral
(ni ) sea diferente para cada muestra es igualmente aplicable aquí.
III - 15
Control Estadístico de la Calidad con MINITAB
Los gráficos de control por variables pueden también construirse para observaciones individuales
procedentes de la línea de producción. Esto puede resultar necesario cuando el considerar muestras de tamaño
mayor que 1 resulte demasiado caro, inconveniente, o imposible. En este procedimiento de control se emplea
el rango móvil de dos observaciones sucesivas para estimar la variabilidad del proceso.
Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Denotaremos por X1 , X2 ,
..., XK a las k observaciones. Veamos cómo construir un gráfico Individual:
LSC = µ + 3σ
Línea central = µ
LIC = µ − 3σ
• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):
1 k
µ̂ = X = ∑ Xi
k i =1
• Si σ es desconocida, la podemos estimar a partir del rango móvil MRi (observar que tal estimación se
realizará a partir de las k observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso
está bajo control):
Así, es buena idea tomar como estimador de σ el promedio de los MRi / d2(1) :
1 k MRi MR
σˆ = ∑ =
k − 1 i = 2 d 2 (1) d 2 (1)
( σ̂ es estimador insesgado de σ)
III - 16
III. Gráficos de Control por Variables (1)
Como hemos comentado, junto a los gráficos de control individuales podemos considerar también los
gráficos de control para los rangos móviles asociados, gráficos que nos ayudarán a controlar la variabilidad de
las observaciones registradas.
Veamos cómo construir un gráfico MR-barra. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por X1 , X2 , ..., Xn a las k observaciones.
• Si σ es desconocida, la podemos estimar a partir de los rangos móviles MRi según ya vimos.
Ejemplo gráfico I: Hemos registrado en la columna C1 del archivo Mat_Prima.mtw el peso de cada
lote de una determinada materia prima.
III - 17
Control Estadístico de la Calidad con MINITAB
22
950 22
X=936,9
2 22 2
2222 2
6 2 2
66 2
5 -3,0SL=862,8
850 1 1
0 10 20 30 40 50
Observation Number
TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 14 23 30 31 44 45
El gráfico nos muestra 6 puntos situados fuera de los límites de control, así como 17 puntos localizados
dentro de los mismos pero que no han cumplido el segundo de los tests, lo que sugiere la existencia de
causas especiales de variación.
III - 18
III. Gráficos de Control por Variables (1)
EJEMPLOS DE APLICACIÓN_________________________________________
Ejemplo 1: En un proceso de manufactura se miden las presiones de rotura del alambre metálico en
muestras de tamaño variable tomadas en 25 días consecutivos. Los datos están contenidos en el archivo
presiones.mtw. Para analizar si el proceso está bajo control usaremos gráficos X-barra y R.
60,5
X=59,98
59,5
58,5
57,5
-3,0SL=57,06
56,5
55,5
0 5 10 15 20 25
Sample Number
El gráfico anterior indica la existencia de control estadístico (no hay puntos fuera de los límites de
control, ni tendencias, ni ciclos, ni patrones en los datos, etc.).
64
63 3,0SL=62,81
Sample Mean
62
61
60 X=59,98
59
58
57 -3,0SL=57,14
56
Subgroup 0 5 10 15 20 25
10 3,0SL=10,39
Sample Range
5 R=4,913
0 -3,0SL=0,00E+0
III - 19
Control Estadístico de la Calidad con MINITAB
En los gráficos anteriores se observa la presencia de control estadístico en el proceso. Tanto la media
como la desviación típica varían dentro de los límites de control y no se observan problemas de tendencias, ni
de patrones en los datos, ni de ciclos, ni de estratificación, ni de cambios bruscos en el proceso, etc.
Dada la situación clara de proceso bajo control, forzaremos a que el programa considere tamaños de
subgrupos iguales a su valor medio 5. Así podremos comprobar la existencia de control a través de los tests
para causas especiales:
63 3,0SL=62,71
62
Sample Mean
61
60 X=59,98
59
58
57 -3,0SL=57,24
Subgroup 0 5 10 15 20 25
10 3,0SL=10,03
Sample Range
5 R=4,745
0 -3,0SL=0,00E+0
Observamos que ninguno de los tests ha dado positivo, y que los gráficos muestran un proceso
aparentemente bajo control.
III - 20
III. Gráficos de Control por Variables (1)
Dado que estamos ante un proceso en el que disponemos de una única muestra de observaciones
individuales, usaremos el gráfico I-MR.
1300 1
1290 3,0SL=1289
Individual Value
1280
1270
1260
X=1256
1250
1240
1230
1220 -3,0SL=1223
Subgroup 0 5 10 15 20 25
50 1
40 3,0SL=40,16
Moving Range
30
20
10 R=12,29
0 -3,0SL=0,00E+0
III - 21
Control Estadístico de la Calidad con MINITAB
1300 1
1290
Individual Value
1280 3,0SL=1282
1270
1260
1250 X=1254
1240
1230
-3,0SL=1227
1220
Subgroup 0 5 10 15 20 25
50 1
40
Moving Range
3,0SL=33,71
30
20
10 R=10,32
0 -3,0SL=0,00E+0
Vemos que seguimos teniendo un problema de falta de control, por lo que deberemos analizar a fondo
las causas atribuibles y realizar un estudio exhaustivo de materiales, mano de obra y circunstancias que
pudieran incidir en el proceso de fabricación.
III - 22