Professional Documents
Culture Documents
Profesor:
GUSTAVO SILVA RODRIGUEZ
COLOMBIA 2016
CAPITULO 5
PRINCIPIOS DE LAS GRAFICAS DE CONTROL
H0 : 0
donde
Tambin existen los errores de tipo I y II donde I ocurre si un valor muestral cae
fuera de los limites de control cuando el proceso est todava dentro de control
y II cuando un valor muestral cae dentro de los lmites de control aun cuando el
proceso est fuera de control.
La curva CO indica la probabilidad de no detectar alteraciones en proceso en
diferentes rdenes de magnitud.
Ejemplo 1
El aluminio llega a una fbrica laminadora en una forma de lingote que pesa
aproximadamente 6.000 libras. El lingote pasa a travs de una serie de
grandes rodillos hasta que alcanza su espesor final, que se especifico como
0.125 pulgadas en el centro de la lmina (a partir de los lados). Se toman cinco
de estas mediciones, para lo que e usa un aparato lser, de cada rollo de
producto terminado. El proceso de laminado se puede controlar a 0.125
pulgadas, con una desviacin estndar conocida de 0.008 pulgadas. Se
elabora un grfica de control para este proceso. Las cinco mediciones tomadas
0.125
promedio del proceso
n5
0.008
0.008
0.00358 pu lg adas
5
normal (de acuerdo con el teorema del lmite central), el 100(1espesores medios mustrales debern caer dentro de 0.125
)% de los
Z a / 2 (0.00358) Z a / 2
se puede fijar en cualquier valor, pero es una prctica
Za / 2 3
comn escoger
Za / 2 3
As, para
, si se toma 10 muestras en lugar de 5, los lmites de control
son (0.11741, 0.13259).
H 0 : 0.125 pu lg
H i : 0.125 pu lg
0.008
Con
pulgadas. En la figura 5.3 aparece sombreada la regin del
rechazo, el rea de cada regin de rechazo es 0.0013, de manera que el
0.9974 de los casos caern dentro de la regin de aceptacin (no se pueden
rechazar) si la hiptesis nula es verdadera. Si la figura 5.3 se hace girar 90
grados, los lmites de control y la lnea central para la grfica de control de
aparecen en su perspectiva apropiada.
Var (c)
LSC=E(C) +
LC=E(C)
Var (C )
LIC=E(C)-
Var (c)
Es el modelo general, E(C) es la medida caracterstica de calidad y
la desviacin estndar.
es
Grfica
para medidas (tendencia central)
Grfica R para intervalos (dispersin)
Grfica S para desviaciones estndar (dispersin)
Grfica Suacum para medidas o para observaciones individuales
Estos son los 8 tipos de variaciones de las grficas ms importantes.
Montgomery (1985) explica la larga historia del uso de las grficas de
control, mediante cinco razones:
1. Las grficas de control constituyen una tcnica probada para el
mejoramiento de la productividad
2. Las grficas de control son efectivas para prevenir la disconformidad.
3. Con las grficas de control se evita hacer ajustes innecesarios del
proceso.
4. Las grficas de control proporcionan informacin de diagnstico.
5. Las grficas de control proporcionan informacin acerca de la
capacidad del proceso.
lmites de control a
desviaciones estndar de la medida de la
caracterstica de calidad que se mide, est bien demostrado que esta
prctica arroja buenos resultados.
5.2.4 Seleccin del tamao de la muestra
En el ejemplo 5.1 el tamao de la muestra fue 5, pero podra haber sido
otro valor como 10 o 15. Por lo general, conforme mayor es el tamao de
la muestra, aumenta la probabilidad de detectar un cambio en la medida
del proceso.
Conforme n aumenta, B disminuye
5.3 CONCEPTO DE SUBAGRUPAMIENTO RACIONAL
Shewart introdujo el concepto de subgrupo racional. Se deben escoger
muestras (subgrupos) de manera tal que si estn presentes causas
asignables, aumentaran las diferencias entre los subgrupos pero se
reducirn las diferencias dentro de los subgrupos.
El concepto de los subgrupos racionales es de suma importancia y
requiere un estudio muy cuidadoso.
Figura 5.4 Curva CO para el ejemplo 5.1 cuando n=5.
Considere la grfica de
que se muestra en la figura 5.5, aunque los 20
puntos estn dentro de los lmites de control, debe haber alguna
preocupacin ya que 14 de los 20 puntos estn debajo de la LC. Si los
puntos.
Duncan (1986) presenta un anlisis de estas carreras, junto con las
tablas que se necesitan para calcular su significado. En lugar de
presentar el anlisis estadstico de las carreras, se ofrecen los siguientes
criterios de alarma, dados por Grant y Leavenwort(1988):
i
con una probabilidad de error de tipo I dada por
probabilidad total de un
error de tipo I est dada por:
. Entonces, la
1 (1 ai )
i i
.
Por tanto, si se utilizan cuatro criterios independientes para declarar a
un proceso fuera de
control, con
valores
de 0.05, 0.01, 0.10 y 0.05, respectivamente, la probabilidad de un
verdadero error de tipo I est dada por
En esta figura, vemos un proceso con una variabilidad elevada que afecta la
capacidad del proceso. viendose afectada la produccin que no cumplir los
lmites de especificacin ser mucho mayor que cuando la variabilidad es
menor.
CAPITULO 6
GRAFICAS DE CONTROL DE ATRIBUTOS
En este captulo veremos los cuatro tipos de grficas de control de atributos:
Grfica P para la fraccin rechazada como disconforme
PARA
LA FRACCION
RECHAZADA
COMO
p( D X )
n x
p (1 p ) n x ,.x 0,1,.......n......
x
p ,
La fraccin muestral disconforme,
se define como la produccin entre
el nmero de defectos detectados en la muestra y el nmero total de la
muestra, o.
D
n
p
La distribucin de
p
binmica, la medida o valor esperado de
dada por:
( p )
que se describe E
, est
E ( p ) p
p
Y la varianza de
( p )
, que se describe Var
p (1 p )
Var ( p )
n
Var (c)
LSC=E(C) +
LC=E(C)
Var (C )
LIC=E(C)-
LSC P P 3
p (1 p)
n
LC P P
LIC P P 3
P(1 P)
n
p
calcular los valores de
p
valores de estn dentro de los lmites de control y los puntos son aleatorios,
puede decirse que el proceso est dentro de control del nivel p, si los puntos
queda fuera de los lmites de control est fuera de control.
P Desconocida Cuando no conocemos o no damos un valor estndar, se usa
p
en el valor observado
calcular:
p 1
m 30
Di
, i 1,2,......., m
n
Di
i 1
mn
p
i 1
p
Y
LSC P P 3
P (1 P )
n
LC P P
LIC P p 3
p (1 p )
n
TABLA 6.1 Datos de las fallas de arranque del primer mes con n= 40
En esta figura, todos los puntos caen dentro de los lmites de control revisados.
Los puntos parecen ser aleatorios, ya que no se aprecian carreras excesivas de
ningn tipo.
TABLA 6.2 Datos de las fallas de arranque del segundo mes con n= 40
En esta tabla tenemos nuevos lmites de control continuando otro mes y todos
los valores cayeron dentro de los lmites.
Duncan (1986) afirma que el tamao de la muestra debe ser lo suficientemente
grande para que la probabilidad de detectar un cambio especificado, 8 en la
muestra siguiente sea 0.50, mediante la aproximacin binmica a la
distribucin normal con lmites de 3 sigmas, el tamao de la muestra n, est
dada por:
9( p )(1 p )
2
LSC P (i ) p 3
LC p p
p(1 p )
ni
LIC P (i ) p 3
p(1 p )
ni
267
0.0601
4445
p p 0.0601
Los Limites de control se definen con la ecuacin 6.11 con
LSC P (i ) 0.0601 3
0.0601(0.9399)
ni
LC P 0.0601
Tabla 6.3 datos preliminares de la produccin de la PC en Julio
Graficas de control de atributos
LIC P (i ) 0.0601 3
0.0601(0.9399)
0.1057
245
0.0601(0.9399)
ni
como
0.0601(0.9399)
0.0145
245
En las dos ltimas columnas de la tabla 6.3 se muestran los valores de los
Control de procesos
La revisin de la figura 6.3 muestra que se presentaron situaciones fuera de
control los das 16 y 19.Se realizo una investigacin completa el da 19 pero no
se descubri causa asignable alguna.los limites de control se calcularon por
da, con base en el tamao de muestra de ese da.
Ejemplo 6.5 clculos para el da 1 de agosto
El da 1 de Agosto se produjeron 200 PC con 9 disconformes. Por tanto.
p 1
9
0.045
200
p 0 0.0601,
Con
(1) 0.0601 3
0.0601(0.9399)
0.1105
200
0.0601(0.9399)
0.0097
200
LSC
4445
222.25 220
20
n 220
p 0.0601
de la muestra y, adems que son aproximaciones. Con
LSC P 0.0601 3
0.0601(0.9399)
0.1082
220
LIC P 0.0601 3
0.0601(0.9399)
0.0120
220
se calcula
p i
En la figura 6.4 se muestra estos lmites de control con valores
para el mes
p i
atencin a los valores
p
Figura 6.4 Grafica
ni n; p i LSC p
Caso 1:
p i LIC p
o
ni n; p i LSC p
Caso 2:
p i LIC p
o
ni n; p LSC p
Caso 3:
p LIC p
o
ni n; p i LSC p
Caso 4:
p i LIC p
o
ni n
Caso 1: Puesto que
n
se determinan mediante
p12
D12
22
0.1078
n12 204
p 12
Por lo tanto la
ni n
Caso 2: Puesto que
n
determinan mediante
p 8
EL LIC
En el da 8.
D8
3
0.0130
n8 231
p 8 LIC p (8)
(8)
ni n
CASO 3: Dado que
p 3
D3
27
0.1093
n3 247
n 220 p 3
Porque
n3 247 220
estar fuera de control ya que
ni n
Caso 4: puesto que
p 16
D16
2
0.0105
n16 190
p 16 LIC P (16)
n 100,200,300
p 0.0601
con
son los
LIC p (n 100) 0
n2 200
Considere la observacin del da 2.si
p 12
no es necesario considerar
n2
que estar fuera de control. Para el da 2 si
p 2
D2
18
0.1146
n2 157
=157 entonces
ya
LSC p (n 2 157)0.1170
p 2
por tanto
p
Grafica de control estandarizada: El cambio en se deber interpretar en
relacin con el tamao de la muestra analizando los datos con el uso de
unidades de desviacin estndar calculadas por medio de
Zi
p(o p
Donde
p i p
p (1 p )
ni
p)
s se desconoce es
es la fraccin disconforme del proceso en el
estado de descontrol
Z1
Z2
0.0825 0.0601
1.5658
0.0601(0.9399)
276
0.0912 0.0601
0.2819
0.0601(0.9399)
124
p 1
Por tanto
p
promedio, mientras que
esta solo 0.28 unidades de deviacin estndar
arriba del promedio, no tendran algn sentido estudiar las carreras de las
graficas usando los tamaos mustrales varan considerablemente
p i
En lugar de graficarlos valores
, se grafican los valores Z de la ecuacin
6.12.laspruebas para carreras y reconocimiento de patrones s pueden aplicar
a una grafica de control esterilizada en esta grafica no se requiere calcular e
nuevo los valores cercanos a los limites
p
6.2.3 curva CO para la grfica de control
La curva CO para la grafica de control p es una grafica de la probabilidad e
aceptar incorrectamente la hiptesis de control estadstico. La curva Comide la
capacidad de la grafica de control para detectar un cambio en el valor nominal
de p.
P D 30(0.551) p P D 30(0.049) p
P D 16.53 p P D 1.47 p
P D 16 P P D 1P
( p 0)
El procedimiento es variar p desde algn valor
a cero.
p 0.45
CO Como ejemplo,cuando
hasta que
se acerque
16
P D 16 p 0.45 (
i 0
30
)
i (0.45) i (0.55) 30i 0.8644
p 0.10
P D 1 1.5 0.557
p
La cual est cercana a probabilidad binomica, para valores ms grandes de ,
se usa la distribucin normal como una distribucin a la distribucin
binomica .La probabilidad aproximada de aceptacin se calcula mediante.
0.551 0.45
(z )
0.45(0.55)
30
0.049 0.45
0.45(0.55)
30
(1.11) 0.8665
(0.2923)=0.1464.La probabilidad
3
de detectar el cambio dentro de las tres muestras est dada por 1-(0.7077)
=0.6456
np
6.3 GRAFICA DE
DISCONFORMES
CONTROL
PARA
NUMERO
DE
ARTICULOS
np
La grafica del nmero de disconformidades, o
, es ms fcil de entender, por
parte de los operarios que la grafica de la fraccin es disconforme
np
La grafica de control
LSC np nLSC p np 3 np (1 p)
LC np nLC P np
p p
p,
Si se desconoce
se usa
c
6.4 GRAFICAS DE CONTROL PARA DISCONFORMIDADES (GRAFICAS
GRAFICAS
Considere el caso de una unidad muestral puede tener muchas
disconformidades diferentes. La variable de inters es el nmero de
disconformidades por unidad.
Es muy posible que una unidad tenga una o ms disconformidades y no
obstante es una unidad conforme. Un automvil puede tener pequeos
defectos en su pintura pero un funcionamiento aceptable .La probabilidad p de
un defecto de pintura determinado lugar es muy baja mientras que el nmero
n de oportunidades de ese tipo es muy grande.
En general, se pueden elaborar graficas de control para el nuero total para el
nmero promedio de disconformidades en una unidad. Estas graficas de control
se basan en la distribucin de Poisson, en el supuesto de que el nmero de
oportunidades para una disconformidad es grande y que la probabilidad de
ocurrencia de una disconformidad es pequea y constante y se evidencia la
misma unidad de inspeccin para cada muestra.
En algunos casos, se cuenta el nmero de disconformidades de diferentes tipos
en una unidad. Si cada una de estas disconformidades
tiene muchas
oportunidades de suceder, pero la probabilidad de cada una de ellas es
pequea, el nmero total de disconformidades se puede aproximar con la
distribucin de Poisson.
En muchas aplicaciones se satisfacen completamente las condiciones. Sin
embargo si el nmero de oportunidades es pequeo o si la probabilidad de
ocurrencia no puede ser constante no se satisfacen completamente las
p ( x)
c x e e
x!
x 1,2...
LSC c c 3 c
LC C c
LIC C c 3 c
LIC c 0.
Si
Se demostrara por ejemplo, que el riesgo para lmites de 3
sigmas no se distribuye por igual arriba del LSC y abajo del LIC. En este caso
algunos autores recomiendan usar los lmites de probabilidad)
LSCC c 3 c
LC c c
LIC c 3 3 c
c
Cuando no se da el estndar, los lmites de control que se obtienen al usar se
deben considerar como limites de control tentativos.se debe analizar la falta de
control de la muestra preliminar.
Ejemplo 6.11 disconformidades en las tarjetas de adaptador grafico
mejorado (ega)
283
12.86
22
c
estas dos causas asignables, el nuevo valor de
253
12.65
20
c
Dado que el valor revisado de es muy cercano al valor tentativo, no es
necesario volver a calcular los lmites de control. Para el periodo siguiente, el
LSC c 23.62
LIC c 2.10
y el
compara la produccin.
P( X 2)
individuales. Primero,
(2 0.5) 12.86
( 2.89) 0.0019
3.59
P( X 24)
Enseguida
distribuciones
no son iguales, es decir, la distribucin de Poisson no es
simtrica en las colas.
n 0.5
7.1. INTRODUCCION
Cuando se utilizan grficas de control de variables hay dos medidas
importantes: la tendencia central y la dispersin: en una aplicacin por lo
general es necesario asegurarse de que la dispersin est dentro de control,
antes de analizar la tendencia central.
Para controlar la dispersin lo hacemos con la grfica (R) o con la grfica de
desviacin estndar (S).La tendencia central se puede controlar con la grfica
de la media (X). Se estudiaran otro tipos de grficas, pero las ms importantes
son las X y R o X y S los pares que se usan y se recomiendan.
0 y 0
FIGURA 7.1 FRACCION FUERA DE LOS LIMITES ESPECIFICADOS. a)
1
En niveles nominales, b)
7.2 GRAFICAS
>
1
c)
<
YR
normal
, y una desviacin estndar
muestra de tamao n se puede calcular
X
i 1
n
N ( , x )
n
/
. Tambin se sabe
P( Z / 2X X Z a / 2x ) 1
Es decir, la probabilidad de que una media maestral caiga entre el lmite
superior de control (LSC) dado por
LSC Z a / 2x
Z a / 2
n
LIC Z a / 2x
Es 1-
Z a / 2
n
Za/2
por lo general,
control de 3 sigmas. Si
fuera de control.
Xi
Se calcula la medida muestral
estimado de
x
i 1
X
=
Este estimado de
decir
, es
LC x x
,
Para lmites de control se requiere estimar la deviacin estndar,
se puede
estimar con base en la desviacin estndar muestral, S. o en los intervalos de
las muestras individuales, el intervalo de recorrido est dado por:
( R X mx X min )
La distribucin del recorrido relativo, W, se conoce bien el muestreo se hace a
partir de una distribucin normal. Entonces:
d2
est dado por
Esto est tabulado en la tabla A7, segn la ecuacin 7.2
R
W
E ( ) E (
R
E ( R) E ( R)
)
W
E (W )
d2
E ( R) R
Ahora
, donde
m
R
j 1
conforme
R
d2
S2
estimador cuadrtico de
X mx X min
muestras de tamao 10 o mayores, pues no toma los valores entre
R,4 n 8
de lo contrario cuando se construyen grficas
funciona bien.
X
Si se utiliza
R / d2
como un estimado de
Za/2
como un estimado de
LSC x X
y se fija
se escriben como:
3R Id 2
n
LC X X
LIC X X
3R Id 2
n
A2
3
d2 n
LSC x X A2 R
LC X X
LIC X X A2 R
-
A2
La constante
en la tabla A7.
Si vamos a graficar en R por lo general los lmites de control estn dados por:
LSC R R 3 R
LC R R
LIC R R 3 R
R
Se debe estimar
R /
, lo
R W
Ahora
Var(R)=Var (
2Var (W )
W)=
R w
w
Ahora
R d 3
Aunque se desconoce
R
obtener un estimado de
dado por:
R d3 (
R
)
d2
LSC R R 3 d 3 (
LC R R
R
)
d2
LSC R R 3 d 3 (
R
)
d2
Se establece
D3 1
3d 3
d2
D
Y
D4 1
3d 3
d2
LSC R R D4
LC R R
LIC R R D3
D3
D4
Estos valores
y de
YR
pero son mucho ms grandes y la superficie est cubierta con oxido negro en
lugar de acero inoxidable, para indicar que estn diseados especialmente
para herramientas de potencia.
y de R de las 22 muestras
22
R
j 1
22
0.597
0.027
22
D 4 =2,115
D3=0
se utiliza para
LSC x =+
3
n
LC x =
LIC x =
3
n
LSC R=R+ 3 R
LC R=R
LIC R =R3 R
Cuando se dan estndares, estos pueden resultar muy problemticos en la
prctica. Si los estndares son inadecuados ( demasiado baja o alta,
demasiado baja o alta, o ambas)
yR
X , la tendencia mueve
con
yR
conocida y
a las que se usan en el control, del proceso en marcha, no a las que se basan
en el anlisis de datos pasados.
La curva CO de la grfica
promedio de la carrera (APC) para detectar un cambio. La APC est dada por
x
APC = LP
L=1
P3= (1 ) , y as sucesivamente.
Para construir la curva CO de una grfica R con slo un lmite superior de
W =R / .
LSC x = X +
3R
d2
LC x = X
LIC x = X
3R
d2
yS
Hay varias razones para recurrir a una grfica de control S en lugar de grfica
R para analizar la dispersin. Primera, con las calculadoras denominadas
cientficas se calculan las desviaciones estndar. Segunda, si los tamaos de
las muestras son mayores que 10, la grfica R pierde su eficacia. Tercera, si los
tamaos de los subgrupos no son iguales, se puede elaborar con facilidad la
grfica de control S.
La varianza muestral
n
( x 1 x ) x 2i n x
S 2= i=1
= i=1
n1
n1
S=
(x 1 x )
i=1
n1
x 2i n x
i=1
n1
S RMS =
(x1 x )
i=1
x 2i n x
i=1