Control de Calidad

Control Estadstico de Procesos
CURSO DE CONTROL DE CALIDAD

Roberto Jos Herrera Acosta
CONTROL DE LA CALIDAD
Universidad del Atlntico
Facultad de Ingeniera
Barranquilla
Roberto Jos Herrera Acosta () Control Estadstico de Procesos Marzo 01 de 2013 1 / 246
Contenido
1 Herramientas bsicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadstico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y

X
Longitud de corridas
Cartas de control x y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fraccin de no conforme p y de la cantidad
de no conformes np
Carta de control para el nmero de no conformidades c y el
nmero de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Contenido

X
de no conformes np
Herramientas bsicas para estudio y mejora de la Calidad
Seccin 1 Herramientas bsicas para estudio y mejora de
la Calidad
Diagrama de Pareto
Mejoramiento
Tambin conocido como el anlisis de PARETO. Su objetivo principal
es separar los problemas de calidad en: pocos defectos vitales que
generan el ochenta por ciento (80 %) de los problemas de calidad y los
muchos defectos triviales que causan el 20 % de la variabilidad.
Figura 1: Diagrama de Pareto
Diagrama de Pareto
Elaboracin del diagrama de Pareto
Identicar el problema de calidad.
Estraticar los datos.
Metodologa y tiempo de recoleccin de los datos.
Disee una tabla de registro de los tipos de defectos existente
(tems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composicin porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como tems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
acumulado.
acumulada.
Diagrama de Pareto
Tipos de diagrama de Pareto
Calidad del proceso: defectos, reparaciones.
Costo: magnitud de la perdida.
Entrega: inventarios, demoras.
Seguridad: accidentes, interrupciones.
Diagrama de Pareto
Diagrama de Pareto
Diagrama de Pareto
Ejemplo diagrama de Pareto
En una empresa textil se desea analizar el nmero de defectos en los
tejidos que fabrica. En la tabla siguiente se muestran los factores que se
han identicado como causantes de los mismos as como el nmero de
defectos asociado a ellos:
Caracter. Defectos Frec. porcen. porcen. acum.
Algodon 171 171 49.71 49.71
Tul 105 276 30.52 80.23
Seda 13 289 3.78 80.23
Saten 11 300 3.20 87.21
Lino 9 309 2.62 89.83
Viscosa 9 318 2.62 89.83
Encaje 8 326 2.33 94.77
Tafetan 7 333 2.03 96.80
Raso 7 340 2.03 98.84
Lana 4 344 1.16 100.00
Total 344 100.00
Figura 2: Diagrama de Pareto
Diagrama de Pareto
Ejercicio en clase
Construya un diagrama de Pareto que represente el reemplazo de piezas
de una estufa elctrica. Los datos correspondientes a un periodo de seis
meses son los siguientes: puerta del horno 193; reloj 53; quemadores de
atrs 290; control de quemador 135; carretillas de cajonera 46; otros 84
y reguladores del horno 265.
Figura 3: Taller Uno
Diagrama de Causa y Efecto
Elaboracin del diagrama de Causa y Efecto
Tambin llamado diagrama de espina de pescado, consiste en
determinar todos los factores que inuyen en el resultado de un
proceso.
Determine el problema de calidad
Encierre la caracterstica de calidad en un cuadro y escrbalo al
lado derecho. prolongando una lnea horizontal a la izquierda de
dicho cuadro.
Escriba las causas primarias y secundarias que afectan dicho
problema de calidad conectndolas en la lnea horizontal.
Identique en forma amplia las causas que generan este problema.
proceso.
dicho cuadro.
proceso.
dicho cuadro.
Figura 4: Diagrama de Causa y Efecto
Ejemplo
Proceso de ordenes de compra
En la empresa Monomeros Colombovenezolano se responsabilizo a un
equipo para mejorar el servicio de los retrasos en el proceso de rdenes
de compra. El grupo de calidad identic las etapas ms signicativas
del proceso utilizando un diagrama de ujo y posteriormente se elaboro
un diagrama de causa y efecto para determinar las posibles causas del
retraso.
Figura 5: Diagrama de Causa y Efecto
Figura 6: Primer Taller
Uso de la distribuciones de probabilidad aplicadas en control estadstico de procesos
Seccin 2 Uso de la distribuciones de probabilidad
aplicadas en control estadstico de procesos
Distribucin de Probabilidad
Distribucin discretas de probabilidad
Las distribuciones de probabilidad ms aplicadas tenemos:
Distribuicin Binomial y la Distribucin Poisson. En la siguiente tabla
se muestra las caractersticas de cada uno de estos modelos.
Nombre Modelo E(X) V (X) Aplicaciones
Binomial b(X, n, p) =
n!
(nx)!x!
p
x
(1 p)
(nx)
np np(1 p)1. Dos categoras. 2.Eventos indepen-
dientes 3. p constante
Poisson p(X, ) =
e
x
x!
1. es el promedio del evento de
interes. 2. Eventos independientes.
Geometrica g(X, p) = p(1 p)
(x1) 1
p
(1p)
p
2
1. x ensayos hasta obtener el exito 2.
Eventos independientes.
Distribucin de probabilidad discreta
Distribucin Binomial
Se selecciona 200 unidades de un proceso cuyo porcentaje de no
conformes es del p = 0,10. Cul es la probabilidad de que ms de dos
de estas unidades sean no conformes?
Distribucin Binomial
n = 200 p = 0,10
P(X > 2) = 1
2
0
n!
(nx)!x!
p
x
(1 p)
(nx)
P(X > 2) = 1 {P(X = 0) +P(X = 1) +P(X = 2)}
P(X > 2) = 1 {
200!
(2000)!0!
0,1
0
(1 0,1)
(2000)
+
200!
(2001)!1!
0,1(1
0,1)
(2001)
+
200!
(2002)!2!
0,1
2
(1 0,1)
(2002)
}
Distribucin Poisson
El promedio de personas que entran a un banco por minutos es de 3.5.
Si las llegadas a esta entidad sigue una distribucin de Poisson, Cul
es la probabilidad de que en un minuto cualesquiera no se presenten
clientes? En dos minutos consecutivos no se presenten clientes?
Distribucin Poisson
= 3,5
P(X = 0) =
e
3,5
3,5
0
0!
= 0,030
P(X = 0)P(X = 0) = [
e
3,5
3,5
0
0!
][
e
3,5
3,5
0
0!
] = 0,009
Nombre Modelo E(X)V (X)Aplicaciones
Normal N(x, , ) =
1
2
e
1
2
{
x
}
2

2
Evalua medidas fsicas
Normal Estndar N(z, 0, 1) =
1
2
e
1
2
{Z}
2
0 1
Distribucin de probabilidad continua
Distribucin Normal
El dimetro de una pieza metlica en proceso metalmecnico sigue una
distribucin normal con = 2,5 y desviacin estndar = 0,8, las
especicaciones para este dimetro se encuentran denidas entre
2,2 0,3. Determine la probababilidad de que el diametro de la pieza
metlica:
Se encuentre por encima de 2,7
Cumpla con las epecicaciones de diseo
Figura 7: Distribucin Normal
Distribucin Normal
La informacin suministrada son los siguientes parmetros = 2,5,
= 0,8.
P(X > 2,7) = 1 P(X 2,7)
P(X > 2,7) = 1 P
_
Z
2,72,5
0,8
_
= 1 P(Z 0,25) =
1 0,598 = 0,401
P(1,9 X 2,5)=
P
_
X 2,5
_
P
_
X 1,9
_
= P
_
Z
2,52,5
0,8
_
P
_
Z
1,92,5
0,8
_
=
P
_
Z 0
_
P
_
Z 0,75
_
= 0,500 0,226 = 0,274
Prueba de Normalidad
Denicin
Es indispensable conocer que cuando se aplica una herramienta
estadstica en donde se involucra variables continuas o cuantitativas es
fundamental determinar si la informacin obtenida en el proceso, tiene
un comportamiento mediante una distribucin normal.
Prueba de Normalidad
Denicin
Para ello la estadstica posee algunas pruebas, entre ellas encontramos
la prueba de Ji-cuadrado , Kolmogorov-Smirnov Lilliefors, Shapiro y
Wilks o la prueba de Anderson Darling; pero una manera muy sencilla
de realizar la prueba de normalidad es construyendo un Histograma de
Frecuencia.
Figura 8: Distribucin Normal mediante un histograma de frecuencia
Prueba de Kolmogorov Smirnov
Hiptesis
1. H
0
=La informacin posee una distribucin normal
2. H
1
=La informacin no posee una distribucin normal
3.
4. Regin de rechazo: D
n
max = {D
n
, D
+
n
} D
n,
5. Calculos D
n
= |Frec.Emp
i1
Frec.Teor.| y
D
+
n
= |Frec.Emp
i
Frec.Teor.|
donde Frec. Emp =
i
n
y la Frec. Terica = P(Z z)
6. Decisin
Orden valor Frec.Emp Fre.Teo D
n
D
+
n
D
n
max
1 485 0.111 0.080 0.080 0.030
2 489 0.222 0.161 0.050 0.060
3 490 0.333 0.187 0.034 0.145
4 495 0.444 0.353 0.020 0.090
5 499 0.555 0.509 0.065 0.045
6 500 0.666 0.554 0.0007 0.112
7 508 0.777 0.830 0.164 0.052 0.164
8 510 0.888 0.876 0.099 0.011
9 512 1.000 0.913 0.025 0.086
Prueba de Kolmogorov Smirnov Lilliefors
Calculo de las frecuencias tericas
Se determinan los estadsticos de la muestra, basado en esta
informacin se estiman los parmetros = 498,66 y = 9,77.
P(X 485)
P(X 485) = P
_
Z
485498,66
9,77
_
= P(Z 1,398) = 0,080
P(X 512)
P(X 512) = P
_
Z
512498,66
9,77
_
= P(Z 1,366) = 0,913
Distribucin Normal
En la tabla de KSL se obtiene con n = 9 : D(0,05, 9) = 0,27 , por lo
que no se rechaza la hiptesis nula de que la muestra se distribuye
normalmente.
Figura 9: Taller tres
Figura 10: Tabla de Kolmogorov
Generalidades de las Cartas de Control
Seccin 3 Generalidades de las Cartas de Control
Qu es una carta de control?
Denicin
Es un diagrama en donde se realiza el seguimiento a travs del tiempo a
una caracterstica de calidad univariada o multivariada; con el objetivo
de detectar la existencia de comportamientos no aleatorios, sus causas y
posibles soluciones.
Qu es una carta de control?
Denicin
Es una grca propuesta por el ing. W. A. Sewhart de los laboratorios
de la Bell Telephone en los aos veinte. est constituida por una lnea
central (determinada por una medida de localizacin o una medida de
variabilidad promedio) y una o ms lneas a ciertas desviaciones de la
lnea central, llamadas comnmente limites de control; que representan
el estado de un proceso.
Tipos de variabilidad
Variabilidad
Este tipo de mtodo estadstico permite diferenciar las diversas causas
de variabilidad en un proceso: las aleatorias o fortuitas (comunes) y las
asignables o especiales.
1. Variabilidad Aleatoria: Se deben a causas no asignables.
2. Variabilidad Asignable: Es causada por factores ajenos a las
condiciones naturales de un proceso.
Tipos de variacin
Variabilidad
La variacin ocurre en todos los procesos, ya sean fenmenos naturales
o invenciones humanas. Se dan dos clases de variacin, la variacin
aleatoria (que es natural en el proceso) y la no aleatoria o asignable
(resultado de una causa atribuible especca). La primera es predecible
(proceso bajo control), sin embargo la segunda causa que el proceso se
encuentre en estado fuera de control.
Tipos de variacin
Variabilidad
Un grco de control muestra la variacin total de un proceso (la
variabilidad aleatoria y no aleatoria) y se utiliza para monitorizar un
estadstico y mantenerlo en estabilidad estadstica, es decir bajo control.
Interpretacin
Carta de Control
Cmo interpretar las cartas de control: Inicialmente las cartas de
control permiten identicar variaciones no aleatorias. Una variacin no
aleatoria se indica normalmente con un punto del grco que queda
fuera de los lmites del control o posee un comportamiento no natural
dentro de estos lmites de control.
Interpretacin
Carta de Control
Los casos o situaciones que pueden indicar un estado no aleatorio o
fuera de control estando dentro de los lmites de control establecidos
son: Cambios repentinos de la medida de localizacin, tendencias del
estadstico u oscilaciones alternadas muy amplias. Cuando se presenta
un hecho no aleatorio, fuera de control, los responsables del proceso
deben encontrar una causa atribuible, respondiendo a la pregunta qu
ha cambiado en el proceso para producir este hecho?
Interpretacin
Carta de Control
Cuando se presenta un hecho no aleatorio o asignable,es decir un estado
fuera de control, los responsables del proceso deben encontrar una
causa atribuible, realizando las correcciones pertinentes para que este
hecho no se replique.
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Mtodo
Medio Ambiente
Metrologa
Maquinas
Materiales
Mano de obra
Mtodo
Medio Ambiente
Metrologa
Maquinas
Materiales
Mano de obra
Mtodo
Medio Ambiente
Metrologa
Maquinas
Materiales
Mano de obra
Mtodo
Medio Ambiente
Metrologa
Maquinas
Materiales
Mano de obra
Mtodo
Medio Ambiente
Metrologa
Elementos de una carta de control
Elementos
Una carta de control consta de los siguientes elementos:
1. UCL : Limite Superior de Control
2. CL : Lmite Central
3. LCL : Limite Inferior de Control
Los limites superior e inferior se encuentra a una distancia de 3 que
representan como medida de probabilidad el 0,9973 0 99,73 % de que un
subgrupo se encuentre en control.
Elementos
La conabilidad de los lmites de control es medida de la siguiente
forma:
P(3 Z 3) = P(Z 3)P(Z 3) = 0, 9986500, 00134 = 0, 9973
Elementos
Un lmite de control es un intervalo de conanza de la forma:
CL =

X +L

n
donde L = 3 garantiza una conabilidad del 99,73 %
Caracterstica de un subgrupo
Subgrupo
Un subgrupo lo forma una muestra racional de observaciones cuya
condicin es que dentro del subgrupo se debe tener la menor
variabilidad y entre subgrupos la mayor. Un proceso que se encuentra
en control es aquel que posea variabilidades aleatorias o naturales.
Pasos para contruir una carta de control
FASE I Determinacin de los parmetros del proceso
1. Escojer la caracterstica de calidad del producto o servicio
2. Denir el subgrupo o tamao de la muestra, de manera que el
estadstico calculado cumpla con la suposicin de normalidad se cumpla,
algunos autores recomiendan que al tomar 4 o mas observaciones por
subgrupo garantizan este supuesto (teorema del lmite central)
3. Calcular los lmites de ensayos o naturales evaluados con los datos e
informacin preliminar (mnimo 6 meses de toma de informacin) que
nos permite identicar los parametros del proceso y .
FASE II control de procesos
4. Calcular los lmites estndar del proceso basado en los parmetros de
la FASE I: Despus de que se identique los parmetros del proceso en
estado de estabilidad estadstica, se realiza control tomando como
referente estos lmites estandarizados, y se realiza control con la
informacin de la caracterstica seleccionada posteriormente.
5. Los objetivos que se obtiene en estas FASES:
Mejoramiento continuo del proceso
Identicacin de parmetros del proceso y ajuste posterior del
proceso
Capacidad del proceso para cumplir con las especicaciones de
diseo
proceso
diseo
proceso
diseo
Ejemplo
Generalidad de las cartas de control
A continuacin se presenta la informacin del peso de un producto a
granel en trenes de empaque en la empresa ARGOS, para la cual utiliz
las carta de control X. Ahora desean monitorear la actividad respectiva
utilizando las carta de control de la media X.
Nmero del subgrupo x
1
x
2
x
3
1 60 58 61
2 52 64 69
3 55 58 52
4 50 57 65
5 67 65 55
6 58 52 50
7 56 51 52
8 60 58 60
9 55 49 57
Carta de control
Generalidad de las cartas de control
En la carta de control se presenta el seguimiento a travs del tiempo de
una medida de localizacin o una medida de variabilidad; ya sea en el
campo univariado como en el multivariado. Un proceso se considera
estadsticamente estable (bajo control), tanto en la medida de
localizacin como la de la variabilidad, cuando los puntos (subgrupos)
representados por algunos de los estadisticos se ubican entre los lmites
de control o no se presente un comportamiento no aleatorio.
Figura 11: Comportamiento del estadstico en una carta de control
Cartas de control por variables
Seccin 4 Cartas de control por variables

X

X
Clculo del estadistico R
Montgomery(2001) muestra en las cartas R, el estadstico de control
como
R =
m
i=1
R
i
m
donde m es el nmero de subgrupos que se toma en el proceso
seleccionado en la fase I.

X

X
Clculo del estadistico

X
El estadstico

X, para la carta

X
X =
m
i=1
X
i
m
seleccionado en la fase I.

X

X
Cartas de Control R
Montgomery(2001) muestra en las cartas R, el estadstico de control
como R. Los lmites de control de la carta R estn denidos por,
UCL =

R + 3
R
=

R + 3
_
V
_
R)
_
E
_
R)
_

R
LCL =

R 3
R
=

R 3
_
V
_
R
_
E
_
R)
_

R

X

X
Cartas de Control R
Utilizando las contantes se tiene que los lmites de control en la FASE I:
UCL = D
4

R
CL =

R
LCL = D
3

R

X

X
Lmites de control para

X
Los lmites de control en la FASE I estn denida por las siguientes
ecuaciones:
UCL =

X + 3
X
=

X + 3
_
V
_
R
_
E
_
R/N(0, 1)
_

R
LCL =

X 3
X
=

X 3
_
V
_
R
_
E
_
R/N(0, 1)
_

R

X

X

X
Utilizando los coecientes para el calculo de los lmites de control en la
FASE I se tiene:
UCL =

X +A
2

R
CL =

X
LCL =

X A
2

R

X
Figura 12: Coecientes de las cartas de control

X
Ejemplo

X
1
x
2
x
3
x R
1 60 52 55 55.66 8.0
2 50 67 58 58.33 17.0
3 56 60 55 57.00 5.0
4 58 64 58 60.00 6.0
5 57 65 52 58.00 13.0
6 51 58 49 52.66 9.0
7 61 69 52 60.66 17.0
8 65 55 50 56.66 15.0
9 52 60 57 56.33 8.0

X

X
Recomendacin
En el ejercicio anterior se obtuvo los lmites de control inicial o
histricos, (se recomienda obtener la informacin durante los seis
primeros meses) para posteriormente identicar los lmites naturales o
estndar del proceso, estos valores naturales se obtienen una vez
identicado los puntos por fuera de los lmites de control o si existen
tendencias en el proceso.

X

X
Clculo del estadistico R
R =
9
i=1
R
i
9
=
98
9
= 10,8889

X

X
Calculo de los lmites de control para R
Los lmites de control en la FASE I estn denida por las siguientes
ecuaciones:
UCL
R
= (2, 575)10, 8889 = 28, 0307
CL
R
= 10, 8889
LCL
R
= (0, 0)10, 8889 = 0, 0

X

X

X
X =
9
i=1
X
i
9
=
515,3337
9
= 57,2593

X

X
Clculo de los lmites historicos de control para

X
Los lmites de control en la Fase I estn denida por las siguientes
ecuaciones:
UCL = 57, 2593 + 3(6, 4317) = 68, 3993
CL = 57, 2593
LCL = 57, 2593 3(6, 4317) = 46, 1192
Aplicando la formulacin con la constante A
2
UCL = 57, 2593 + 1,023(10,8889) = 68, 3993
LC = 57, 2593
LCL = 57, 2593 1,023(10,8889) = 46, 1192

X

X
Clculo de los lmites historicos de control para

X

X
Cartas de Control R y

X
Recalcular los lmites de control para R y

X
Por supuesto si la informacin histrica no presenta estas dos
condiciones de fuera de control los lmites iniciales o histricos sern
considerados como limites naturales o estndar para el proceso. Cuando
se evala si un proceso se encuentra fuera de control la primera carta de
control que se debe analizar con mucho cuidado es la medida de
variabilidad en este caso la carta de control R, para observar si existe
homogeneidad en la informacin.

X

X

X
Porque si llega a suceder lo contrario (alta variabilidad en la
informacin) no se puede realizar un buen anlisis en la carta de control
de la medida de localizacin, la carta

X , si no se estabiliza la
variabilidad en el proceso (observe que los lmites de control de la carta
de la medida localizacin depende de la variabilidad en el proceso que
en el ejemplo lo representa el rango R o recorrido).

X

X

X
Cuando existen puntos fuera de control se debe recalcular la media y el
rango utilizando la siguiente frmula:
X
0
=
m
i=1
X
i

X
d
mm
d
R
0
=
m
i=1
R
i

R
d
mm
d
seleccionado en la FASE I. Se determinan los lmites de control
histricos basado en el rango y promedio recalalculado.

X

X
Parmetros del proceso
Los parmetros del proceso se estiman mediante las siguiente
formulaciones:
=
E(

R)
d
2
= E(

X)
donde d
2
es una constante que depende del tamao del subgrupo.

X

X
En el ejemplo los parmetros son los siguientes:
=
E(

R)
d
2
=
10, 88
1, 693
= 6, 43171
= E(

X) = 57, 2593
donde d
2
= para un tamao de subgrupo n = 3.

X

X
Lmites estndar de las Cartas de Control R
La formulacin para los lmites de control en la Fase II.
UCL = (d
2
+ 3d
3
) = D
2
LCL = (d
2
3d
3
) = D
1
Los valores D
2
y D
1
son constantes que dependen del tamao de la
muestra n del subgrupo y =

R
d
2
.

X

X
La formulacin para los lmites de control en la Fase II.
UCL = D
2
CL = R
0
LCL = D
1
Los valores D
2
y D
1
son constantes que dependen del tamao de la
muestra n del subgrupo y =

R
d
2
.

X

X
Los lmites estndar para el rango R son:
UCL = D
2
= (4,358)(6,43) = 28,02
CL = R
0
= 10,88
LCL = D
1
= (0,0)(6,43) = 0,0
D
2
= 4,0358 y D
1
= 0,0

X

X
Lmites de control estndar para

X
La formulacin para los lmites de control en la Fase II:
UCL = +A
CL =
LCL = A

X

X

X
UCL = 57,2593 + 1,732(6,431) = 68,39
Cl = 57,2593
LCL = 57,2593 1,732(6,431) = 46,12

X
Datos para control

X
1
x
2
x
3

X R
1 55 50 48 51.0 7.0
2 51 52 53 52.0 2.0
3 58 57 60 58.3 3.0
4 54 61 65 60.0 11.0
5 54 55 50 53.0 5.0
Cuando el proceso esta monitoreando en linea, es decir se encuentra en
la fase II, el nmero de puntos gracados en la carta hasta que aparezca
una seal fuera de control se conoce como longitud de corridas y se
donata pro RL
Cuando el proceso esta monitoreando en linea, es decir se encuentra en
la fase II, el nmero de puntos gracados en la carta hasta que aparezca
una seal fuera de control se conoce como longitud de corridas y se
donata por RL
RL =
1
p
donde p es la probabilidad de que un subgrupo este fuera de control, es
decir si p = 0, 0027 el nmero de corridas generada antes de que un
punto se encuentre fuera de control es de 370, 037
Cartas de Control S
Denicin
La carta S, permite realizar el seguimiento a la desviacin estandar del
proceso. Es una carta en donde el criterio de normalidad no se cumple.
Cartas de Control S
Lmites de control naturales de la carta S
En la cartas S, se realiza el mismo procedimiento aplicado en la carta
R. Los lmites de control para la Fase I en esta carta estn dados por:
UCL = E(S) + 3
s
CL =

S
LCL = E(S) + 3
s
Cartas de Control S
Lmites de control naturales de la carta S
Los lmites de control para S con las constantes en la Fase I estn dado
por:
UCL = B
4

S
CL =

S
LCL = B
3

S
Cartas de control para S y

X

X
Los lmites de control para el

X son:
UCL =

X +
3 s
C
4
n
LC =

X
LCL =

X
3 s
C
4
n

X

X
Utilizando los coecientes para el clculo de los lmites de control en la
FASE I se tiene:
UCL =

X +A
3

S
LC =

X
LCL =

X A
3

S
Ejemplo

X
1
x
2
x
3
x
4
x S
1 51.10 60.70 46.43 64.59 55,7108 8,38867
2 47.83 47.43 66.93 63.57 56,4462 10,2688
3 60.48 56.41 52.18 68.60 59,4228 6,99779
4 53.64 62.79 58.75 54.30 57,3759 4,26716
5 57.79 60.89 57.67 56.83 58,3029 1,783
6 62.25 53.51 59.08 50.85 56,4277 5,18139
7 49.50 50.16 62.34 58.02 55,0094 6,23457
8 64.51 56.53 56.29 63.61 60,2416 4,43251
9 50.43 65.32 52.27 55.59 55,90 6,63299
10 60.72 50.42 56.86 68.34 59,0995 7,49286

X

S
S =
10
i=1
S
i
10
=
61,67
10
= 6,167

X
Lmites estndar de las Cartas de Control S
Los lmites estndar para el rango R son:
UCL = B
4

S = (2, 26)(6,167) = 13, 98
CL =

S = 6,167
LCL = B
3

S = (0,0)(6,167) = 0,0
B
4
= 2,26 y B
3
= 0,0

X

X
X =
9
i=1
X
i
10
=
573,8
9
= 57,38

X

X
Utilizando los coecientes para el calculo de los lmites de control en la
FASE I se tiene:
UCL = 57,389 + 1,628(6,167) = 67,44
LC = 57,389
LCL = 57,389 1,628(6,167) = 47,35

X

X

X
Los parmetros del proceso se estiman mediante las siguiente
formulaciones:
=
E(
S)
c
4
= E(

X)
donde c
4
es una constante que depende del tamao del subgrupo.

X
En el ejemplo los parmetros son los siguientes:
=
E(
S)
c
4
=
6,167
0,921
= 6, 696
= E(

X) = 57,389
donde c
4
= 0,921 para un tamao de subgrupo n = 4.
Cartas de Control S
lmites de control estndar
En la Fase II la formulacin de en esta carta esta denida,
UCL = c
4
+ 3
S
= c
4
+ 3
_
1 c
2
4
=
_
c
4
+
_
1 c
2
4
_
CL = c
4
LCL = c
4
3
S
= c
4
3
_
1 c
2
4
=
_
c
4
_
1 c
2
4
_
Cartas de Control S
Induce a los siguientes lmites de control en la Fase II.
UCL = B
6
CL = S
0
LCL = B
5
Cartas de Control S
Determinacin en el ejemplo de los lmites de control.
UCL = 2,088(6,696) = 13,98
CL = 6,696
LCL = 0,00(6,696) = 0,00

X

X
UCL = +A
CL =
LCL = A
Roberto Jos Herrera Acosta () Control Estadstico de Procesos
Marzo 01 de 2013 100 /
246

X

X
Para el ejemplo los La formulacin para los lmites de control en la Fase
II:
UCL = 57,38 + 1,500(6,696) = 67,42
CL = 57,38
LCL = 57,38 1,500(6,696) = 47,33
Marzo 01 de 2013 101 /
246
Ejemplo

X
1
x
2
x
3
x
4
x S
1 53.10 62.50 56.33 64.59 59.13 5,334
2 57.83 57.73 65.13 62.77 60.865 3.6908
3 62.58 57.11 55.88 62.40 59,4925 3.498
4 51.54 63.59 52.45 52.50 55.02 5.7303
5 52.49 63.69 55.87 54.23 57.32 5.028
Marzo 01 de 2013 102 /
246
Estados fuera de control
Existen diversos comportamientos que nos indican un estado fuera de
control. Entre estos encontramos:
Marzo 01 de 2013 103 /
246
Mezcla
Es la sospecha de que en el proceso existen dos o mas poblaciones de un
mismo factor, cuyo comportamiento es totalmente diferente uno de
otro.
Materia prima.
Operario.
Equipo.
Marzo 01 de 2013 104 /
246
Mezcla
otro.
Materia prima.
Operario.
Equipo.
Marzo 01 de 2013 104 /
246
Mezcla
otro.
Materia prima.
Operario.
Equipo.
Marzo 01 de 2013 104 /
246
Tendencia
Es una secuencia continua en forma ascendente o descendente del
comportamiento de los subgrupos del proceso y es debido a:
Desajuste de equipo.
Desgaste de una pieza.
Descuido del operario.
Marzo 01 de 2013 105 /
246
Tendencia
Marzo 01 de 2013 105 /
246
Tendencia
Marzo 01 de 2013 105 /
246
Cambio de nivel
Cambio repentino de las condiciones del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Marzo 01 de 2013 106 /
246
Cambio de nivel
Materia prima.
Marzo 01 de 2013 106 /
246
Cambio de nivel
Materia prima.
Marzo 01 de 2013 106 /
246
Cambio de nivel
Materia prima.
Marzo 01 de 2013 106 /
246
Ciclo
Esto se debe a rotacin de factores del proceso tales como:
Equipo.
Operario.
Materia prima.
Marzo 01 de 2013 107 /
246
Ciclo
Equipo.
Operario.
Materia prima.
Marzo 01 de 2013 107 /
246
Ciclo
Equipo.
Operario.
Materia prima.
Marzo 01 de 2013 107 /
246
Figura 13: Taller cuatro
Marzo 01 de 2013 108 /
246
Indice de capacidad univariado
Cuando un proceso cumple con las especicaciones establecidas en el
diseo, se dice que este es un proceso capaz.
Marzo 01 de 2013 109 /
246
Figura 14: Indice de Capacidad
Marzo 01 de 2013 110 /
246
Primera situacin 6 (les lei)
La capacidad del proceso sea mayor que las especicaciones. Es la
situacin ms indeseable dentro de un proceso.Aunque el proceso se
encuentre dentro de control, este pueda que no cumpla con las
especicaciones exigidas por el cliente.En este caso el ingeniero de
control de calidad debe aumentar las especicaciones del producto,
siempre y cuando sea informado a los clientes de este cambio.
Marzo 01 de 2013 111 /
246
Primera situacin 6 (les lei)
Otra posible solucin sera desplazar el promedio del proceso ya sea de
izquierda o derecha, logrando producir todo el rechazo por defecto o
por exceso. Disminuyendo la variabilidad del proceso, de tal manera
que la distribucin sea en forma de punta (esto signica que la mayor
parte de la informacin se encuentra en la parte central de los datos)
esto logra con cambios sustanciales en el proceso.
Marzo 01 de 2013 112 /
246
Segunda situacin 6 = (les lei)
La capacidad del proceso es igual a las especicaciones: a pesar que en
esta situacin el proceso esta cumpliendo con las especicaciones, es
indeseable tenerla porque en cualquier momento algunas informaciones
del proceso pueden no ajustarse a las especicaciones
Marzo 01 de 2013 113 /
246
Tercera situacin 6 (les lei)
La capacidad del proceso es menor que las especicaciones: es el caso
ideal. Esto signica que la especicacin al ser mayor que la capacidad
del proceso, este puede encontrarse fuera de control, pero no ocurre
producto de rechazo.La capacidad de un proceso debe ser menor que las
diferencias de las especicaciones para determinar que el proceso es
capaz.
Marzo 01 de 2013 114 /
246
Tercera situacin 6 (les lei)
Para medir esta capacidad es utilizado el ndice de capacidad denido
como:
C
p
=
les lei
6
donde les y lei son los lmites de especicacin superior en inferior.
Marzo 01 de 2013 115 /
246
Ejemplo
Un proceso cuya

30
i=1
S = 890 para 30 subgrupos de tamao cuatro
posee de especicacin les = 780 y lei = 620 y se encuentra bajo
control estadstico cuyo promedio es = 720. Determine el ndice de
capacidad del proceso.
S
0
=
890
30
= 29,66
=
S
0
C
4
)
= 32,2
Donde C
4
= 0,9213
C
p
=
780 620
6(32,2)
= 0,828
Marzo 01 de 2013 116 /
246
Indice de capacidad promedio
Determina hacia donde se ubica el desplazamiento del proceso con
respecto a las especicaciones.
C
pk
= min{C
pu
=
les
3
, C
pl
=
lei
3
}
Marzo 01 de 2013 117 /
246
1. C
pk
C
p
2. C
pk
= 0 El promedio del proceso coincide con una de las
especicaciones.
3. C
pk
0 Casi todo el proceso esta desplazado por fuera de las
especicaciones.
Marzo 01 de 2013 118 /
246
En el ejemplo anterior se tiene que el indice de capacidad promedio esta
denido:
C
pk
= min{C
pu
=
780 720
3(32, 2)
, C
pl
=
720 620
3(32, 2)
}
C
pk
= min{C
pu
= 0,62, C
pl
= 1,035}
Marzo 01 de 2013 119 /
246
Capacidad e Indice de Capacidad Univariado con valor
objetivo o nominal T
Indice de capacidad
Con frecuencia se indican valores nominales u objetivos del proceso,
representado por T. En donde es modicada las formulaciones
utilizadas para medir el indice de capacidad tradicional, agrgando un
valor objetivo o nominal del proceso.
C
pm
=
les lei
6
_
2
+ ( T)
2
El indice de capacidad promedio es denido mediante,
C
pmk
= min{C
pu
=
les
3
_
2
+ ( T)
2
, C
pl
=
lei
3
_
2
+ ( T)
2
}
Marzo 01 de 2013 120 /
246
Indice de capacidad univariado no paramtrico
Propuesta de Chen y Pearn
Sea un conjunto de observaciones que representa la medida de una
caracterstica de calidad de un proceso productivo se realiza una prueba
de normalidad y se encontr que las observaciones no poseen dicha
distribucin. Se hace necesario aplicar un mtodo no paramtrico.
C
Np
=
les lei
F
99,865
F
0,135
C
Npk
= min{
les M
F
99,865
F
0,135
2
,
M lei
F
99,865
F
0,135
2
}
Marzo 01 de 2013 121 /
246
R
1
=
99,865n + 0,135
100
R
2
=
0,135n + 99,865
100
R
3
=
n + 1
2
Marzo 01 de 2013 122 /
246
Sea un conjunto de observaciones que representa la medida de una
caracterstica de calidad de un proceso productivo se realiza una prueba
de normalidad y se encontr que las observaciones no poseen dicha
distribucin. Se hace necesario aplicar un mtodo no paramtrico.
F
99,865
= X
R(1)
+
_
99,865n + 0,135
100
R
1
__
X
(R
1
+1)
X
(R
1
)
_
F
0,135
= X
R(2)
+
_
0,135n + 99,865
100
R
2
__
X
(R
2
+1)
X
(R
2
)
_
Mediana = M = X
R(3)
+
_
n + 1
2
R
3
__
X
(R
3
+1)
X
(R
3
)
_
Marzo 01 de 2013 123 /
246
266,597 268,431
266,709 268,56
266,828 268,63
267,008 268,691
267,047 269,075
267,172 269,339
267,267 269,539
267,299 269,931
267,327 270,885
267,419 272,329
267,495 273,365
267,594 275,368
268,135 276,489
268,219 278,775
268,333 278,813
268,417 280,89
Marzo 01 de 2013 124 /
246
R
1
=
99,865(32) + 0,135
100
= 31, 889 31
R
2
=
0,135(32) + 99,865
100
= 1, 04185 1
R
3
=
32 + 1
2
= 16, 5 16
Marzo 01 de 2013 125 /
246
F
99,865
= X
R(1)
+
_
99,865(32) + 0,135
100
R
1
__
X
(R
1
+1)
X
(R
1
)
_
= 278, 813 + 0, 889(280, 89 278, 813) = 282, 736
Marzo 01 de 2013 126 /
246
F
0,135
= X
R(2)
+
_
0,135(32) + 99,865
100
R
2
__
X
(R
2
+1)
X
(R
2
)
_
= 266, 597 + 0, 04185(266, 709 266, 597) = 266, 601
Marzo 01 de 2013 127 /
246
Mediana(M) = X
R(3)
+
_
32 + 1
2
R
3
__
X
(R
3
+1)
X
(R
3
)
_
= 268, 417 + 0, 5(268, 431 268, 417) = 268, 424
Marzo 01 de 2013 128 /
246
C
Np
=
les lei
F
99,865
F
0,135
=
280 250
282, 736 266, 6016
= 1, 8593
Marzo 01 de 2013 129 /
246
C
Npk
= min{
les M
F
99,865
F
0,135
2
,
M lei
F
99,865
F
0,135
2
}
= min{
280 268, 424
282,736266,6016
2
,
268, 424 250
282,736266,6016
2
}
= (3,718, 1,397) =
Marzo 01 de 2013 130 /
246
Cartas de control por atributos
Seccin 5 Cartas de control por atributos
Marzo 01 de 2013 131 /
246
Cualquier caracterstica de calidad que pueda ser clasicada en forma
de conteo: umple o no cumple", "funciona o no funciona", "pasa o no
pasa", nmero de fallas, nmero de no conformidades etc., a los efectos
de control del proceso, ser considerado como un atributo y para su
control se utilizar un Grco de Control por Atributos.
Marzo 01 de 2013 132 /
246
Los criterios de aceptacin al utilizar cartas de control por atributos
deben estar claramente denidos y el procedimiento para decidir si esos
criterios se estn alcanzando es producir resultados consistentes a
travs del tiempo. Este procedimiento consiste en denir
operacionalmente lo que se desea medir.
Marzo 01 de 2013 133 /
246
Carta de control Descripcin Campo de aplicacin
p Proporciones de unidades no conformes Control de la fraccin global de defectuosos de un proceso.
np Nmero o cantidad de no conformes Control del nmero de piezas defectuosas
c Nmero de no conformidades Control de nmero global de defectos por unidad
u Numero de no conformidades por unidad Control del promedio de defectos por unidad
Marzo 01 de 2013 134 /
246
Establezca la frecuencia con la cual los datos sern tomados (horaria,
diaria, semanal). Los intervalos cortos entre tomas de muestras
permitirn una rpida retroalimentacin al proceso ante la presencia de
problemas. Los tamaos de muestra grandes permiten evaluaciones ms
estables del desarrollo del proceso y son ms sensibles a pequeos
cambios en el promedio del mismo
Marzo 01 de 2013 135 /
246
Cartas de control por fraccin de no conforme p y de la cantidad de no conformes np
Cartas de control por fraccin de no conforme
Un diagrama p muestra la variacin existe en la fraccin defectuosa en
un proceso, en donde se conoce como la fraccin defectuosa, entonces ,
es la desviacin de la fraccin defectuosa.La grca p mide la fraccin
defectuosa o sea las piezas defectuosas en el proceso. Se puede referir a
muestras de 75 piezas, tomada dos veces por da; 100 % de la
produccin durante una hora, etc. Se basa en la evaluacin de una
caracterstica (se instalo la pieza requerida?) o de muchas
caractersticas (se encontr algo mal al vericar la instalacin
elctrica?). Es importante que cada componente o producto vericado
se registre como aceptable o defectuoso (aunque una pieza tenga varios
defectos especcos se registrar slo una vez como defectuosa).
Marzo 01 de 2013 136 /
246
1. Trazamos un diagrama preliminar para determinar si el proceso se
encuentra en control, calculando inicialmente el promedio de defectuoso
durante el periodo en que se tomo la informacin histrica.
2. Para ello, tomamos el nmero total de partes defectuosas sobre el
nmero total de inspecciones realizadas.
3. Posteriormente calculamos la desviacin estndar del proceso .
4. Determinamos los limites de control superior e inferior de control.
5. Se analizan si existen subgrupos fuera de control y se determina si
existen causas asignables o no.
6. Se analizan nuevamente los datos para obtener la base, en cuanto a
los lmites de control, que se utilice para producciones futuras.
7. Estos nuevos puntos son p , con su respectiva desviacin estndar.
Marzo 01 de 2013 137 /
246
El estadstico calculado es la fraccin de unidades no conformes para
cada subgrupo es,
p =
np
n
la fraccin promedio es,
p =
m
i=1
np
m
i=1
n
Marzo 01 de 2013 138 /
246
En la Fase I la formulacin de en esta carta esta denida,
UCL = p + 3
p
= p + 3
_
p(1 p)
n
CL = p
LCL = p 3
p
= p 3
_
p(1 p)
n
Marzo 01 de 2013 139 /
246
Ejemplo
Utilizando los datos siguientes, trcese un diagrama p para la
produccin. Supngase que las causas atribuibles han sido encontradas
en el caso de todos los puntos situados fuera de los lmites del diagrama
de control. El tamao de muestra utilizado es de 200 unidades por
subgrupo.
Marzo 01 de 2013 140 /
246
Da del mes Nmero de unidades no conformes np Fraccin de no conformes p
1 6 0.03
2 6 0.03
3 6 0.03
4 5 0.025
5 0 0.00
6 0 0.00
7 6 0.03
8 14 0.07
9 4 0.02
10 0 0.00
11 1 0.005
12 8 0.04
13 2 0.01
14 4 0.02
15 7 0.035
Marzo 01 de 2013 141 /
246
El estadstico calculado es la fraccin de unidades para el
primer,segundo y tercer subgrupo es,
p =
6
200
= 0,03
p =
69
3000
= 0,023
Marzo 01 de 2013 142 /
246
Carta de control de fraccin de no conforme
Lmites histricos
Los lmites histricos en el ejemplo son,
UCL = 0,023 + 3
_
0,023(1 0,023)
200
= 0,0547993
CL = 0,023
LCL = 0,023 3
_
0,023(1 0,023)
200
= 0,00
Marzo 01 de 2013 143 /
246
Figura 15: Cartas de control por fraccin de no conformes
Marzo 01 de 2013 144 /
246
Recalcular los lmites
Recalculamos el estadstico,
p
0
=
m
i=1
np np
d
m
i=1
n n
d
p
0
=
69 14
3000 200
= 0,0196
Marzo 01 de 2013 145 /
246
Lmites histricos recalculados
Lmites recalculados
La formulacin es de la siguiente forma,
UCL = p
0
+ 3
p
= p
0
+ 3
_
p
0
(1 p
0
)
n
CL = p
0
LCL = p
0
3
p
= p
0
3
_
p
0
(1 p
0
)
n
Marzo 01 de 2013 146 /
246
Lmites histricos recalculados
Lmites recalculados
Los lmites recalculados en el ejemplo son,
UCL = 0,0196 + 3
_
0,0196(1 0,0196)
200
= 0,0490
CL = 0,0196
LCL = 0,0196 3
_
0,0196(1 0,0196)
200
= 0,00
Marzo 01 de 2013 147 /
246
Figura 16: Cartas recalculada de control por fraccin de no conformes
Marzo 01 de 2013 148 /
246
Parmetro de la carta de control p
El parmetro p se estima mediante:
E( p) = p
Marzo 01 de 2013 149 /
246
Parmetro de la carta de control p
En el ejemplo el parmetro p se estima mediante:
E( p) = p = 0,0196
Marzo 01 de 2013 150 /
246
Datos para control
1 1 0.005
2 3 0.015
3 1 0.005
4 4 0.02
5 0 0.00
6 4 0.02
7 15 0.075
el parmetro esta denido como,
p = 0,0196
Marzo 01 de 2013 151 /
246
Lmites estndar de la carta de la fraccin de no
conformes
Lmites estndar
La formulacin es de la siguiente forma,
UCL = p + 3
p
= p + 3
_
p(1 p)
n
CL = p
LCL = p 3
p
= p 3
_
p(1 p)
n
Marzo 01 de 2013 152 /
246
Fase II de Control
Lmites estndar
Los lmites estndar son los siguientes,
UCL = 0,0196 + 3
_
0,0196(1 0,0196)
200
= 0,049
CL = 0,0196
LCL = 0,0196 3
_
0,0196(1 0,0196)
200
= 0,0098 = 0,00
Marzo 01 de 2013 153 /
246
Figura 17: Cartas de control por fraccin de no conformes
Marzo 01 de 2013 154 /
246
Cartas de control para la cantidad de no conforme np
El diagrama np muestra la variacin existe en la cantidad de unidades
no conformes de un proceso, donde el parmetro p se conoce como la
fraccin de no conformes. El tamao del subgrupo n para esta carta de
control se debe ser constante.
Marzo 01 de 2013 155 /
246
El estadstico calculado es la fraccin de unidades no conformes para
cada subgrupo es,
np =
m
i=1
np
m
p =
m
i=1
np
m
i=1
n
Marzo 01 de 2013 156 /
246
En la Fase I la formulacin de en esta carta esta denida,
UCL = np + 3
np
= np + 3
_
np(1 p)
CL = np
LCL = np 3
np
= np 3
_
np(1 p)
Marzo 01 de 2013 157 /
246
Del ejemplo anterior se tiene lo siguiente:
1 6 0.03
2 6 0.03
3 6 0.03
4 5 0.025
5 0 0.00
6 0 0.00
7 6 0.03
8 14 0.07
9 4 0.02
10 0 0.00
11 1 0.005
12 8 0.04
13 2 0.01
14 4 0.02
15 7 0.035
p =
69
3000
= 0,023
Marzo 01 de 2013 158 /
246
El estadstico calculado es la fraccin de unidades para el
primer,segundo y tercer subgrupo es,
np =
m
i=1
np
m
=
69
15
= 4,6
p =
69
3000
= 0,023
Marzo 01 de 2013 159 /
246
Lmites histricos
Los lmites estndar en el ejemplo son,
UCL = 4,6 + 3
_
4,6(1 0,023) = 10, 9599
CL = 4,6
LCL = 4,6 3
_
4,6(1 0,023) = 1,75 = 0,00
Marzo 01 de 2013 160 /
246
Figura 18: Cartas de control para la cantidad de no conforme np
Marzo 01 de 2013 161 /
246
np
0
=
m
i=1
np np
d
mm
d
np
0
=
69 14
15 1
= 3,92857
p
0
=
69 14
3000 200
= 0,0196
Marzo 01 de 2013 162 /
246
Lmites estndar
La formulacin para los lmites recalculados es,
UCL = np
0
+ 3
np
= np
0
+ 3
_
np
0
(1 p
0
)
CL = np
0
LCL = np
0
3
np
= np
0
3
_
np
0
(1 p
0
)
Marzo 01 de 2013 163 /
246
Los lmites recalculados en el ejemplo son,
UCL = 3,92 + 3
_
3,92(1 0,0196) = 9,81607
CL = 3,92857
LCL = 3,92 3
_
3,92(1 0,0196) = 1,96 = 0,00
Marzo 01 de 2013 164 /
246
Figura 19: Recalculo de la Carta de control de la cantidad de no conformes
Marzo 01 de 2013 165 /
246
Parmetro de la carta de control np
El parmetro np se estima mediante:
E( np) = np
E(p
0
) = p
Marzo 01 de 2013 166 /
246
Parmetro de la carta de control np
En el ejemplo el parmetro np se estima mediante:
np = 3,92
p = 0,0196
Marzo 01 de 2013 167 /
246
Fase II de Control
Lmites estndar
En la Fase II,fase de control, la formulacin es de la siguiente forma,
UCL = np + 3
np
= np + 3
_
np(1 p)
CL = np
LCL = np 3
np
= np 3
_
np(1 p)
Marzo 01 de 2013 168 /
246
Datos para control
Da del mes Nmero de unidades no conformes np
1 1
2 3
3 1
4 4
5 0
6 4
7 15
np = 3,92
p = 0,0196
Marzo 01 de 2013 169 /
246
Fase II de Control
Lmites estndar de la carta np
Los lmites estndar son,
UCL = 3,92 + 3
_
3,92(1 0,0196) = 9,80
CL = 3,92
LCL = 3,92 3
_
3,92(1 0,0196) = 1,96 = 0,00
Marzo 01 de 2013 170 /
246
Figura 20: Control cantidad de no conformes
Marzo 01 de 2013 171 /
246
Carta de control para el nmero de no conformidades c y el nmero de no conformidades
por unidad u
Carta de control para el nmero de no conformidades c
En algunos procesos interesa medir la cantidad de defectos que
presentan las unidades de producto que se estn fabricando. Por
ejemplo, se fabrican telfonos celulares y entonces se toma uno de ellos
y se cuenta el nmero total de fallas. Estos podran ser:
Ralladuras en la supercie.
Rajaduras en el plstico.
Antena defectuosa.
Botn defectuoso.
Marzo 01 de 2013 172 /
246
por unidad u
Antena defectuosa.
Botn defectuoso.
Marzo 01 de 2013 172 /
246
por unidad u
Antena defectuosa.
Botn defectuoso.
Marzo 01 de 2013 172 /
246
por unidad u
Antena defectuosa.
Botn defectuoso.
Marzo 01 de 2013 172 /
246
por unidad u
Las no coformidades pueden ser de diferentes tipos y se cuenta el total
de todos estos defectos en la unidad inspeccionada. Obtenemos un
resultado que es el nmero de no coformidades por unidad de
inspeccin.
Marzo 01 de 2013 173 /
246
por unidad u
La carta de control para el nmero de piezas defectuosas esta basada en
la distribucin de probabilidad de Poisson. Los objetivos de la grca c
son:
Reducir el costo relativo al proceso.
Informar a los supervisores de produccin y a la administracin
acerca del nivel de calidad.
Determinar que tipo de defectos no son permisibles en un producto
informar de la probabilidad de ocurrencia de los defectos en una
unidad.
Marzo 01 de 2013 174 /
246
por unidad u
son:
unidad.
Marzo 01 de 2013 174 /
246
por unidad u
son:
unidad.
Marzo 01 de 2013 174 /
246
por unidad u
La aplicacin de la carta de control es til para controlar el nmero de
defectos presentes en una unidad predeterminada. En este grco, el
tamao de la muestra debe ser jo.
Marzo 01 de 2013 175 /
246
por unidad u
El estadstico calculado del promedio de nmero de no conformidades
es,
c =
m
i=1
c
m
Marzo 01 de 2013 176 /
246
por unidad u
El uso de la carta de control c es especialmente conveniente cuando no
existe una unidad natural de producto y se requiere controlar la
cantidad de defectos sobre una supercie o a lo largo de una longitud
constante. Si el nmero de defectos promedio es c , entonces los lmites
de control para esta carta son:
Marzo 01 de 2013 177 /
246
por unidad u
Lmites de control histricos de la carta de control c
En la Fase I, la formulacin es de la siguiente forma,
UCL = c + 3
c
= c + 3
c
CL = c
LCL = c 3
c
= c 3
c
Marzo 01 de 2013 178 /
246
por unidad u
Del ejemplo anterior se tiene lo siguiente:
Nmero del subgrupo Nmero de no conformidades c
1 77
2 64
3 75
4 93
5 45
6 61
7 49
8 65
9 45
10 77
11 59
12 54
13 41
14 87
15 40
16 22
17 92
c =
1046
17
= 61, 5294
Marzo 01 de 2013 179 /
246
por unidad u
Lmites de control histricos de la carta de control c
UCL = 61,5294 + 3
_
61,5294 = 85, 0616
CL = 61,5294
LCL = 61,5294 3
_
61,5294 = 37,9972
Marzo 01 de 2013 180 /
246
por unidad u
Figura 21: Carta del nmero de no conformidades
Marzo 01 de 2013 181 /
246
por unidad u
c
0
=
m
i=1
c c
d
mm
d
Marzo 01 de 2013 182 /
246
por unidad u
c
0
=
m
i=1
1046 (93 + 87 + 92)
17 3
= 55,29
Marzo 01 de 2013 183 /
246
por unidad u
Lmites de control histricos recalculados de la carta de control c
Los calculos de los lmites de control recalculados en el ejemplo se tiene:
UCL = 55,29 + 3
_
55,29 = 77,59
CL = 55,29
LCL = 55,29 3
_
55,29 = 32,98
Marzo 01 de 2013 184 /
246
por unidad u
Figura 22: Recalculo de la Carta de control del nmero de no conformidades
Marzo 01 de 2013 185 /
246
por unidad u
Parmetro de la carta de control c
El parmetro se estima mediante:
E(c
0
) =
Marzo 01 de 2013 186 /
246
por unidad u
Lmites de control estndar de la carta de control c
En la Fase II, los lmites de control son los siguientes,
UCL = + 3
CL =
LCL = 3

Marzo 01 de 2013 187 /
246
por unidad u
Datos para control para la carta del nmero de no conformidades c
1 26
2 234
3 9
4 15
5 63
6 39
7 58
8 61
9 59
10 51
11 33
12 40
= 55,29
Marzo 01 de 2013 188 /
246
por unidad u
Clculo del los lmites de control estndar
UCL = 55,29 + 3
_
55,29 = 77,59
CL = 55,29
LCL = 55,29 3
_
55,29 = 32,98
Marzo 01 de 2013 189 /
246
por unidad u
Figura 23: Carta Control para el nmero de no conformidades
Marzo 01 de 2013 190 /
246
por unidad u
Indice de capacidad univariado para la proporcin de no
conformes
Indice de capacidad de atributos
Para medir esta capacidad de proporciones se propone la siguiente
ecuacin:
C
p
=
p p
0,027
donde p y p son: el parmetro de proporcin y la proporcin promedio
de los nuevos datos.
Marzo 01 de 2013 191 /
246
por unidad u
Indice de capacidad univariado para el nmero de no
conformidades
Se propone la siguiente ecuacin:
C
p
=
c
0,027
donde y c son: el parmetro del promedio de no conformidad y no
conformidad promedio de los nuevos datos.
Marzo 01 de 2013 192 /
246
por unidad u
Figura 24: SEXTO TALLER
Marzo 01 de 2013 193 /
246
por unidad u
Lmites de control histricos de la carta de control u
UCL = u + 3
u
= u + 3
_
u
n
CL = u
LCL = c 3
u
= u 3
_
u
n
Marzo 01 de 2013 194 /
246
por unidad u
Carta de control para el nmero de no conformidades por unidad u
En una empresa textilera se toma la siguiente informacin del nmero
de no conformidades encontradas en muestras de telas
Nmero del subgrupo tamao del subgrupo Nmero de no conformidades c
1 40 2
2 25 6
3 20 3
4 15 1
5 25 3
6 10 6
7 35 5
8 25 6
9 20 2
10 10 4
11 25 5
12 35 3
13 40 1
14 45 2
15 45 4
16 25 2
17 50 3
u =
58
490
= 0, 1183
Marzo 01 de 2013 195 /
246
por unidad u
Lmites de control histricos de la carta de control u
UCL = 0, 1183 + 3
_
0, 1183
n
=
CL = 0, 1183
LCL = 0, 1183 3
_
0, 1183
n
=
Marzo 01 de 2013 196 /
246
por unidad u
Figura 25: Carta del nmero de no conformidades
Marzo 01 de 2013 197 /
246
por unidad u
c
0
=
m
i=1
c c
d
mm
d
Marzo 01 de 2013 198 /
246
por unidad u
c
0
=
m
i=1
1046 (93 + 87 + 92)
17 3
= 55,29
Marzo 01 de 2013 199 /
246
por unidad u
Lmites de control histricos recalculados de la carta de control c
Los calculos de los lmites de control recalculados en el ejemplo se tiene:
UCL = 55,29 + 3
_
55,29 = 77,59
CL = 55,29
LCL = 55,29 3
_
55,29 = 32,98
Marzo 01 de 2013 200 /
246
por unidad u
Figura 26: Recalculo de la Carta de control del nmero de no conformidades
Marzo 01 de 2013 201 /
246
por unidad u
Parmetro de la carta de control c
El parmetro se estima mediante:
E(c
0
) =
Marzo 01 de 2013 202 /
246
por unidad u
Lmites de control estndar de la carta de control c
UCL = + 3
CL =
LCL = 3

Marzo 01 de 2013 203 /
246
por unidad u
Datos para control para la carta del nmero de no conformidades c
1 26
2 234
3 9
4 15
5 63
6 39
7 58
8 61
9 59
10 51
11 33
12 40
= 55,29
Marzo 01 de 2013 204 /
246
por unidad u
Clculo del los lmites de control estndar
UCL = 55,29 + 3
_
55,29 = 77,59
CL = 55,29
LCL = 55,29 3
_
55,29 = 32,98
Marzo 01 de 2013 205 /
246
por unidad u
Figura 27: Carta Control para el nmero de no conformidades
Marzo 01 de 2013 206 /
246
por unidad u
Indice de capacidad univariado para la proporcin de no
conformes
Para medir esta capacidad de proporciones se propone la siguiente
ecuacin:
C
p
=
p p
0,027
donde p y p son: el parmetro de proporcin y la proporcin promedio
de los nuevos datos.
Marzo 01 de 2013 207 /
246
por unidad u
Indice de capacidad univariado para el nmero de no
conformidades
Se propone la siguiente ecuacin:
C
p
=
c
0,027
donde y c son: el parmetro del promedio de no conformidad y no
conformidad promedio de los nuevos datos.
Marzo 01 de 2013 208 /
246
por unidad u
Figura 28: SEXTO TALLER
Marzo 01 de 2013 209 /
246
Cartas de control EWMA
Seccin 6 Cartas de control EWMA
Marzo 01 de 2013 210 /
246
Cartas de control Ewma
Estadstica de control Ewma
Roberts (1954) proponen obtener la estadstica EWMA para
monitorear la medida de localizacin aplicando la variable T = X para
observaciones individuales y T =

X cuando seleccionan subgrupos. Por
lo que el estadstico EWMA es,
Marzo 01 de 2013 211 /
246
Estadstico Ewma
El estadstico de control para Ewma,
Ewma = (1 )Ewma
t1
+X
Marzo 01 de 2013 212 /
246
Lmites de control de la carta Ewma
Los lmites de control para la carta Ewma son los siguientes,
UCL = E(X) +L
_

2
_1
2
Ewma
CL = E(X)
LCL = E(X) L
_

2
_1
2
Ewma
Marzo 01 de 2013 213 /
246
Como el objetivo generalmente es controlar los incrementos de la
medida de localizacin del proceso, se toma el lmite superior,
UCL = E(

X) +L
_

2
_1
2
Ewma
Donde los valores de K y estn sujetos a las propiedades que se
desean del valor de ARL jado, tanto para estados bajo control como
estados fuera de control.
Marzo 01 de 2013 214 /
246
De tal manera que es una constante positiva, que puede tomar por
ejemplo el valor de . Estos lmites a pesar de que son fciles de calcular,
son menos visibles a los cambios en las observaciones iniciales. Para
solucionar este inconveniente algunos autores como Montgomery (2001)
y Ryon (2000) sugieren los lmites correctos,
Marzo 01 de 2013 215 /
246
Lmites correctos de control en la carta Ewma
El esquema del estadstico de control Ewma tiene la forma,
UCL = E(T
k
) +L
_
{1 (1 )
2k
}
2
_1
2
T
k
CL = E(T
k
)
LCL = E(T
k
) L
_
{1 (1 )
2k
}
2
_1
2
T
k
Marzo 01 de 2013 216 /
246
Ejemplo
Tomar la siguiente informacin y aplicar la Carta de control Ewma con
el valor del coeciente = 0,2 , donde la media = 147,0,082 y la
desviacin estndar es de = 5,316.
Marzo 01 de 2013 217 /
246
Datos para observaciones individuales
Nitrgeno Ewma
146,116 146,889
148,443 147,200
141,500 146,060
152,383 147,324
143,040 146,468
149,958 147,166
145,151 146,763
147,225 146,855
144,366 146,357
152,640 147,614
x = 14,7083
S = 0,37804
Marzo 01 de 2013 218 /
246
Los clculos de los lmites de control son los siguientes,
UCL = 147,082 + 3
_
0,2
2 0,2
_1
2
5,316 = 149,459
CL = 147,082
LCL = 147,082 3
_
0,2
2 0,2
_1
2
5,316 = 144,704
Marzo 01 de 2013 219 /
246
Estadsticos Ewma
El calculo de los estadsticos de control son los siguientes,
Ewma
1
= (1 0,2)147,082 + 0,2146,116 = 146,889
Ewma
2
= (1 0,2)146,889 + 0,2148,443 = 147,200
Ewma
3
= (1 0,2)147,200 + 0,2141,500 = 146,060
Ewma
4
= (1 0,2)146,060 + 0,2152,383 = 147,324
Ewma
5
= (1 0,2)147,324 + 0,2143,040 = 146,468
Marzo 01 de 2013 220 /
246
Estadsticos Ewma
El calculo de los estadsticos de control son los siguientes,
Ewma
6
= (1 0,2)146,468 + 0,2149,958 = 147,166
Ewma
7
= (1 0,2)147,166 + 0,2145,151 = 146,763
Ewma
8
= (1 0,2)146,763 + 0,2147,225 = 146,855
Ewma
9
= (1 0,2)146,855 + 0,2144,366 = 146,357
Ewma
1
0 = (1 0,2)146,357 + 0,2152,640 = 147,614
Marzo 01 de 2013 221 /
246
Figura 29: Carta de control Ewma
Marzo 01 de 2013 222 /
246
Cartas de control CUSUM
Seccin 7 Cartas de control CUSUM
Marzo 01 de 2013 223 /
246
Cartas de control Cusum
Carta Cusum
Las carta de control Cusum, Acosta (1998), permiten monitorear la
media de un proceso bajo condiciones normales de diferentes maneras.
Por lo general se toma el procedimiento Cusum en donde el seguimiento
de la caracterstica de calidad se realiza en forma bilateral, que consiste
en tomar valores de la media
0
y la desviacin estndar
0
de un
proceso donde n es el tamao de la muestra o subgrupo. Se tiene que
Z
t
=
x
0
n
donde x representa la media estimada en el subgrupo. Los
estadsticos Cusum para t subgrupo es,
Marzo 01 de 2013 224 /
246
Cartas de control Cusum para la dispersin
Lmites de control de para la carta Cusum
El esquema del estadstico de control Cusum tiene la forma,
C
+
t
= max[0, T k +C
+
t1
]
C
t
= min[0, T +k +C
t1
]
C
+
0
y C
0
0, siendo T el estadstico establecido en la carta de
dispersin.
Marzo 01 de 2013 225 /
246
Cartas de control Cusum para el promedio
Lmites de control de para el promedio en la carta Cusum
C
+
t
= max[0, Z
t
k +C
+
t1
]
C
t
= min[0, Z
t
+k +C
t1
]
el valor de k = 0,5. C
+
0
, C
0
0, los valores C
+
son usados para
detectar incrementos en la media, mientras C
permite detectar
disminuciones.
Marzo 01 de 2013 226 /
246
Lmites de control cusum para la desviacin estndar S
El estadstico T, para el caso de la Cusum S segn Acosta y Meja es
S
n
0
y la estadstica de la suma acumulada se dene como,
C
+
t
= max
_
0,
S
0
k +C
+
t1
_
(1)
C
t
= min
_
0,
S
0
+k +C
t1
_
(2)
donde k =
1,064
2
(1 +

a
0
).
Marzo 01 de 2013 227 /
246
Lmites de control cusum para el rango R
En el caso de la carta Cusum R es
R
n
0
y la estadstica de control de la
suma acumulada es,
C
+
t
= max
_
0,
R
0
k +C
+
t1
_
(3)
C
t
= min
_
0,
R
0
+k +C
t1
_
(4)
donde k =
2,326
2
(1 +

a
0
).
Marzo 01 de 2013 228 /
246
Cartas de control Cusum
Nitrgeno z s
+
s
146,116 -0.181 0 0
148,443 0.256 0 0
141,500 -1.050 0 -0.55
152,383 0.997 0.497 0
143,040 -0.760 0 0
149,958 0.541 0.041 0
145,151 -0.36 0 0
147,225 0.026 0 0
144,366 -0.510 0 -0.01
152,640 1.045 0.545 0
x = 14,7083
S = 0,37804
Marzo 01 de 2013 229 /
246
C
+
1
= max[0, 0,181 0,5 + 0] = max[0, 0,681] = 0
C
1
= min[0, 0,181 + 0,5 + 0] = mn[0, 0,319] = 0
C
+
2
= max[0, 0,256 0,5 + 0] = max[0, 0,244] = 0
C
2
= min[0, 0,256 + 0,5 + 0] = mn[0, 0,319] = 0
Marzo 01 de 2013 230 /
246
C
+
9
= max[0, 1,045 0,5 + 0] = max[0, 0,545] = 0,545
C
9
= min[0, 1,045 + 0,5 + 0] = mn[0, 1,535] = 0
C
+
1
0 = max[0, 0,026 0,5 + 0] = max[0, 0,0474] = 0
C
1
0 = min[0, 0,026 + 0,5 + 0] = mn[0, 0,526] = 0
Marzo 01 de 2013 231 /
246
Figura 30: Carta de control Cusum
Marzo 01 de 2013 232 /
246
Figura 31: Taller
Marzo 01 de 2013 233 /
246
Cartas de control Multivariado de Shewhart
Seccin 8 Cartas de control Multivariado de Shewhart
Marzo 01 de 2013 234 /
246
Introduccin
Durante la Segunda Guerra Mundial la tcnica estadstica de CARTA
DE CONTROL univariadas fue la ms utilizada a pesar de que los
procesos y productos que se analizaban posean en su gran mayora dos
o ms caractersticas de calidad. Por lo que se hizo necesario aplicar
herramientas estadsticas multivariadas para su control.
Marzo 01 de 2013 235 /
246
Introduccin
Sin embargo las tcnicas multivariadas de control son tcnicas muy
complejas de utilizar, por los conceptos matemticos que se manejan.
Dicultad que se supero con el avance de los de los programas de
control estadstico, por lo que en estos momentos el inters de las
tcnicas de control multivariado a crecido vertiginosamente.
Marzo 01 de 2013 236 /
246
Importancia
La tcnica de la grca de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de signicancia .
Con este tipo de herramienta se puede determinar el tipo de
relacin existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"cul es la variable que causo
dicho inconveniente?
Marzo 01 de 2013 237 /
246
Importancia
Marzo 01 de 2013 237 /
246
Importancia
Marzo 01 de 2013 237 /
246
Importancia
Marzo 01 de 2013 237 /
246
Importancia
Marzo 01 de 2013 237 /
246
Importancia
Se tomara como supuesto estadstico de que el proceso esta bajo control
y cada una de las variables se encuentran normalmente distribuidas y
en forma independiente, en donde el error tipo I o nivel de signicancia
, es el establecido en forma diferente al carta de control univariado.
Por ejemplo si se tomo el nivel de signicancia de 0.05 para una grca
de control univariado, en el caso multivariado se establecera de la
siguiente manera: tomando como ejemplo dos variables
1 0,95
2
= 0,0975 = 0,1.Para la elaboracin de las carta de control
multivariadas la tcnica ms aplicada es la propuesta por Hotelling
conocida como la . Esta es una generalizacin de la estadstica T
2
de
Students y toma la forma de:
Marzo 01 de 2013 238 /
246
Estadstico de control
El esquema del estadstico de control es,
T
2
= ( x
j
M)
T
V
1
( x
j
M)
Marzo 01 de 2013 239 /
246
Figura 32: Carta Multivariada
Marzo 01 de 2013 240 /
246
Donde x
j
es la columna de vectores que representan las variables y, v es
la matriz de covarianzas. La distribucin T
2
fue propuesta por
Hotelling en 1931 y es una funcin del nmero de variables p , el
tamao de los subgrupos n , M son los valores de las medias de
referencia para cada variable M = m
1
, m
2
, ...m
p
y la cantidad de
subgrupos g , usadas en la estimacin de la covarianza.
Marzo 01 de 2013 241 /
246
La distribucin est relacionada con la conocida distribucin mediante
las siguientes formulaciones: Para tamaos de subgrupos
T
2
p,n,
=
p(g + 1)(n + 1)
(gn g p + 1)
F
,(g,gpgp+1)
Cuando son observaciones individuales, es decir n = 1 las formulas
aplicadas son las siguientes:
T
2
p,g,
=
gp
(g p + 1)
F
,(p,gp+1)
Propuesta por Edgar Jackson, 1985
Marzo 01 de 2013 242 /
246
formula aplicada por T.P. Ryan, 1988
T
2
p,g,
=
p(g + 1)(g 1)
g(g p)
F
,(g,gp)
Marzo 01 de 2013 243 /
246
Lo cual implica que este valor T
2
p,g,
, se toma como el lmite de control
superior para la media en la CARTA DE CONTROL de control
multivariado.
Marzo 01 de 2013 244 /
246
Ejemplo
Un ejemplo en donde se establece dos variables, en este caso un
fertilizante compuesto, y un tamao de muestra n = 1 . Para ello se
utilizo la formula de T.P. Ryan para evaluar el limite superior de
control. A continuacin presentamos la informacin obtenida de 10
subgrupos:
Marzo 01 de 2013 245 /
246
Cartas de control Multivariado
Nitrgeno Fsforo
14.6116 14.7818
14.8443 14.9808
14.1500 15.1454
15.2383 15.0983
14.3040 14.5420
14.9958 15.0166
14.5151 14.3225
14.7225 14.5275
14.4366 14.3992
15.2640 15.5858
Marzo 01 de 2013 246 /
246

Control de Calidad

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Control de Calidad

Enviado por

Direitos autorais:

Formatos disponíveis

Control Estadstico de Procesos

CURSO DE CONTROL DE CALIDAD

Roberto Jos Herrera Acosta () Control Estadstico de Procesos

Roberto Jos Herrera Acosta () Control Estadstico de Procesos

Você também pode gostar