RESUMEN CAPITULOS 5,6 Y 7

MONICA ANYELA DIAZ VELOZA

Profesor:
GUSTAVO SILVA RODRIGUEZ

UNIVERSIDAD COOPERATIVA DE COLOMBIA

FACULTAD DE INGENIERIA INDUSTRIAL
CALIDAD
BOGOTA

COLOMBIA 2016

CAPITULO 5
PRINCIPIOS DE LAS GRAFICAS DE CONTROL

5.1 CAUSAS DE LA VARIACIN

En todo proceso de produccin existir siempre una cierta cantidad de
variacin natural, independientemente el proceso. Estas variaciones se llaman
sistema estable de causas aleatorias y cuando son pequeas se dice que estn
dentro del control estadstico.
Loa procesos que estn fuera de control operan en presencia de causas de
variacin asignable. Los procesos de produccin operan dentro de control la
mayor parte del tiempo. Sin embargo, puede aparecer una de las causas
asignables y altera las condiciones de un proceso de modo que quede fuera de
control.
5.2 ASPECTOS ESTADISTICOS DE LA ELABORACION DE GRAFICAS DE
CONTROL
5.2.1 Principios
En la grfica 5.1 veremos una grfica de control tpica, es decir valores lmites
llamados Lmite de control superior (LCS) y lmite inferior de control (LIC) para
una caracterstica muestral de calidad, entre el uno y el otro hay una central
(LC), que representa a la no desviacin de la caracterstica muestral.
GRAFICA 5.1 DIAGRAMA DE CONTROL CARACTERISTICO
Si un punto cae fuera de los lmites de control, esto significa que el proceso
est fuera de control.
Aun cuando los puntos se encuentren dentro de los lmites de control, el
proceso puede estar fuera de control.
Una grfica de control es una prueba visual de hiptesis, si la hiptesis nula es

H0 : 0
donde

es la caracterstica de la calidad que interesa.

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

de cada rollo se promedian para obtener

marca en la grfica de control.

y esta caracterstica de calidad se

En la tabla 5.1 veremos los espesores promedio de los ltimos 10 rollos y

aparecen graficados en
La figura 5.2. Se observa que todos los puntos caen dentro de los lmites de
control, lo que indica que el proceso est dentro del control estadstico.
Se construy la grfica de control con el conocimiento de que el espesor

0.125
promedio del proceso

pulgadas, la desviacin estndar

pulgadas y el tamao de la muestra

muestral

n5

0.008

la desviacin estndar de la medida

que se estudi en la seccin 4.2 est dada por

TABLA 5.1 ESPESOR PROMEDIO DE ALUMINIO LAMINADO

Para este ejemplo

0.008
0.00358 pu lg adas
5

Si el proceso est dentro de control, con un espesor medio de 0.125 pulgadas,

entonces en el supuesto, de que

tiene una distribucin aproximadamente

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

Los valores de la grfica de control se pueden establecer como

LSC=0.125+3(0.00358)=0.13574 pulgadas
LC = 0.125
LIC=0.125 -3(0.00358)=0.11426 pulgadas

GRAFICA 5.2 DIAGRAMA DE CONTROL DEL ESPESOR DE ALUMINIO

Figura 5.3 Distribucin normal de las mediciones del espesor de
aluminio.
Si el tamao de la muestra es ms grande, los lmites de control son ms
pequeos.

Za / 2 3
As, para
, si se toma 10 muestras en lugar de 5, los lmites de control
son (0.11741, 0.13259).

Como se menciono antes, la grfica de control est muy relacionada con la

prueba de hiptesis. Considere las hiptesis

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.

Hay muchas variaciones al tema que se present en el ejemplo 5.1. Todas

estas graficas de control siguen el modelo

Var (c)
LSC=E(C) +
LC=E(C)

Var (C )
LIC=E(C)-

Donde k es el nmero de desviaciones estndar que los lmites de control se

alejan de la LC.

Var (c)
Es el modelo general, E(C) es la medida caracterstica de calidad y
la desviacin estndar.

es

5.2.2 Usos de las grficas de control

La grfica de control es un procedimiento muy til, que tiene numerosas
aplicaciones como las siguientes:
1. Control de proceso en marcha: Se renen datos mustrales y se
registran en la grfica de control, si los datos caen dentro de los lmites y
no muestran un comportamiento sistemtico, se dice que el proceso
est dentro de control.
2. Valores estndar dados: La importancia de la grfica consiste en
determinar si un proceso se apega a los valores estndar que especfico
la administracin.
3. Capacidad del proceso: Si el proceso presenta control estadstico se
puede usar la media y la desviacin estndar del proceso para
determinar su capacidad para producir conforme a las especificaciones.
Grficas de control de atributos:
Grfica P para la fraccin disconforme
Grfica NP para el nmero de artculos disconformes
Grfica C para el nmero de disconformidades
Grfica u para disconformidades por unidad
Grficas de control de variables:

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.

5.2.3 Seleccin de los lmites de control

En los estados unidos la mayora de las aplicaciones se establece los

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.

5.4 DETECCION DE PATRONES EN LA GRFICA DE CONTROL

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):

Siempre que en la grafica de control haya 7 puntos sucesivos

ubicados en el mismo lado de la LC.
Siempre que en la grafica de control, en sucesin de 11 puntos al
menos 10 se encuentran del mismo lado de la LC.

Siempre que en la grafica de control, en una serie de 14 puntos al

menos 12 estn del mismo lado de la LC.
Siempre que en la grafica de control, en una sucesin de 17
puntos al menos 14 estn del mismo lado de la LC.
Siempre que en la grafica de control, en una serie de 20 puntos al
menos 16 estn del mismo lado de la LC.

Suponiendo que la funcin de control de calidad es usar criterios

independientes, cada uno

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

1 (0.95)(0.99)( 0.90)(0.95) 0.196

Figura 5.6 Grafica de

un operario.

que muestra el exceso de control por parte de

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

Grfica NP para el nmero de artculos disconformes

Grfica C para el nmero de disconformidades
Grfica u para disconformidades por unidad
Las grficas de control de atributos proporcionan registros muy valiosos
de los antecedentes de calidad.
6.1 INTRODUCCION
Un atributo, segn se usa en control de calidad, se refiere a una
caracterstica de la calidad que se apega a las especificaciones o no. En
el pasado se usaron estas dos palabras bueno y defectuoso para
representar estas dos posibilidades y actualmente utilizamos conforme y
disconforme. Si estos dos tipos de mediciones se hicieran
mecnicamente, los datos de los atributos se obtendran con mayor
rapidez, aunque proporcionaran menos informacin.
6.2 GRAFICA
DISCONFORME

PARA

LA FRACCION

RECHAZADA

COMO

La grfica para control de atributos que ms se usa es p, se puede

aplicar a cualquier caracterstica de calidad que se considere un atributo.
La caracterstica se mide como una variable, pero el resultado es una
decisin del tipo pasa o no pasa.
La base de la grfica p es la distribucin binmica. Esta distribucin
supone una probabilidad constante de ocurrencia de fenmeno que se
estudia, es decir, de rechazo de un artculo.
Si se selecciona una muestra al azar de n unidades de producto y si D es
el nmero de unidades de producto disconformes, entonces D tiene una
distribucin binomica, con parmetros n y p, dada por:

p( D X )

n x
p (1 p ) n x ,.x 0,1,.......n......
x

La media y la varianza de la variable aleatoria D estn dadas por np y np

(1-p), respectivamente, como se mostro en la seccin 3.2.

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

se puede obtener a partir de la distribucin

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

est dada por:

6.2.1 ELABORACION Y MANEJO DE LA GRAFICA

En el captulo 5 ya habamos visto los lmites de control como:

Var (c)
LSC=E(C) +
LC=E(C)

Var (C )
LIC=E(C)-

Tambin se indico que usualmente k=3

Pconocida, suponga que se conoce el valor verdadero de p o que fue
proporcionado por la administracin como un valor estndar. Entonces, a partir
de la ecuacin 6.4 se puede escribir

LSC P P 3

p (1 p)
n

LC P P
LIC P P 3

P(1 P)
n

El procedimiento de operacin consiste en tomar una serie de muestras,

p
calcular los valores de

para cada una y registrarlos en la grfica de p, si estos

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:

.El procedimiento es tomar m muestras, 20

p 1

m 30

Di
, i 1,2,......., m
n

Para cada muestra. El promedio de estas fracciones disconformes de las

muestras
Individuales se calcula a partir de

Di
i 1

mn

p
i 1

p
Y

se usa como un estimado para el valor desconocido de p.las ecuaciones

anlogas a la ecuacin 6.5 son:

LSC P P 3

P (1 P )
n

LC P P
LIC P p 3

p (1 p )
n

Para determinar si las m muestras anteriores presentan control, se registran los

resultados en la grfica p.Si todos los valores caen dentro de los lmites de
control, se concluye que en el pasado el proceso estuvo dentro de control y en
lo sucesivo se usan los lmites de control tentativo.

Grant y Leavenwort (1988) recomiendan revisar los lmites de control a

intervalos regulares siempre que haya evidencia suficiente que justifique un
cambio.
Es posible que no se encuentren causas de algunos puntos. En este caso hay
dos opciones:
1. Eliminar el punto o los puntos como si existiera una causa, pero que no
se pudo descubrir.
2. Retener el punto o los puntos, y aceptar, en consecuencia, los lmites de
control tentativo para uso cotidiano.

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

6.2.2 TAMAO VARIABLE DEL SUBGRUPO

Si es posible, la grafica p se debe elaborar y utilizar con un tamao
constante de muestra

LSC P (i ) p 3

LC p p

p(1 p )
ni

LIC P (i ) p 3

p(1 p )
ni

Ejemplo 6.4 produccin de PC con limites de control variables

La PC Unlimited Corporation recibi datos acerca de la produccin

disconforme del mes de julio.El procedimiento de prueba consiste en colocar a
la computadora personal (PC) en una mesa de prueba automatizada .La
produccin varia diariamente como se muestra en la tabla 6.3.Se determinaran
los limites tentativos de control para el primer mes de operacin.la LC se
acumula mediante la ecuacin 6.7 como.

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

LSC P (1) 0.0601 3

0.0601(0.9399)
0.1057
245

0.0601(0.9399)
ni

como

0.0601(0.9399)
0.0145
245

LIC P (1) 0.0601 3

En las dos ltimas columnas de la tabla 6.3 se muestran los valores de los

lmites de control para los 20 das y en la figura 6.3 se muestra la grafica

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

se calcula el LSC del da 1 de Agosto como

(1) 0.0601 3

0.0601(0.9399)
0.1105
200

LIC p (1) 0.0601 3

0.0601(0.9399)
0.0097
200

LSC

Limites de control con base en el tamao promedio de la muestra

Es difcil explicar al personal del taller los lmites de control que varan cada
da. Para crear una grfica de control ms atractiva y comprensible se puede
usar en la ecuacin 6.5 numero promedio que se reviso
Ejemplo 6.6 uso del tamao promedio de la muestra de Agosto

El tamao promedio de la muestra durante el mes de Julio esta dado por

4445
222.25 220
20

n 220

Se intenta mostrar que

en lugar de 222 o 223 para indicar que los
lmites de control no son muy sensibles a los cambios pequeos en el tamao

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

de Agosto. Cuando se usa un valor promedio para

para el mes

se debe dar especial

p i
atencin a los valores

que caen en el punto de control o cerca de l.

p
Figura 6.4 Grafica

correspondiente al mes de agosto

Besterfield (1986) describe cuatro casos que se deben analizar

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

los lmites de control son ms amplios que los que

n
se determinan mediante

.No se necesita el clculo de los lmites de control

individuales. En el Da 12

p12

D12
22

0.1078
n12 204

n12 204 220 n

Pero

p 12

por lo que no es necesario revisar

observacin esta fuera de control

Por lo tanto la

ni n
Caso 2: Puesto que

los lmites de control son ms estrechos que se

n
determinan mediante

p 8

EL LIC

En el da 8.

D8
3

0.0130
n8 231
p 8 LIC p (8)

(8)

exacto es 0.0132.Dado que

de control.

la observacin esta fuera

ni n
CASO 3: Dado que

los lmites de control se presencian estrechos. En el

da 3

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

los lmites de control se encuentran amplios .Para el

Da 16

p 16

D16
2

0.0105
n16 190
p 16 LIC P (16)

EL LIC (16) exacto es 0.0084.Dado que

La observacin esta
fuera de control. Por lo tanto la observacin de la grafica de control no es
suficiente para tomar una determinacin.

Limites Mltiples De Control: Una variante de la tcnica anterior

consiste en en le limite de varios limites de control. Con el ejemplo
siguiente se ilustra la manera de aplicar esta tcnica.
Ejemplo 6.7 Uso de los lmites mltiples de control para
septiembre:
El nmero de unidades que se producen mensualmente vara entre 100
y 300

n 100,200,300

Los limites de control para

siguientes

p 0.0601

con

LSC P ( n 100) 0.1314

son los

LIC p (n 100) 0

LSC p (n 200) 0.1105

LIC p (n 200) 0.0097

LSC P (n 300) 0.1013

LIC p (n 300) 0.0189

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

Esta es una aplicacin del caso IV que se mencion antes. El

LSC p (n 2 157)0.1170

p 2
por tanto

no est fuera de control.

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

esta 1.57 unidades de desviacin estndar por arriba del

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

Sin embargo desde el punto de vista conceptual, es ms difcil entender la

grafica de control estandarizado de la grfica

con la fraccin disconforme

real. Es conveniente elaborar una grfica de control

para los operarios y una
grafica de control estandarizada para el ingeniero de control de calidad

Ejemplo 6.8 uso de una grafica de control estandarizada para julio:

En este ejemplo se utilizan otra vez los datos de julio que se dan en la tabla 6.3
En la tabla 6.4 se muestran los clculos para la grafica de control esterilizada
en las que se repiten las primeras cuatro columnas de la tabla 6.3.Los valores
de la ltima columna de la tabla 6.3 se grafica en la tabla 6.6

Tabla 6.4 clculo de la grfica de control estandarizada

correspondiente a Julio

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

Puesto que D debe ser un entero

est dada por

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

Para valores pequeos de

digamos
se utiliza la distribucin de
Poisson para aproximar la distribucin binomica.

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

Y La cual est muy cercana a la probabilidad que se obtiene cuando se usa la

distribucin binomica. Esta probabilidad es aproximada ya que se supuso que
una variable aleatoria distribuida binomicamente era continua cuando se
establecieron los lmites de control
La curva CO permite hacer inferencias relacionadas con la sensibilidad de la
grfica de control para detectar cambios en la fraccin disconforme.
Si el valor cambia a 0.50 la probabilidad de detectarlo en la tercera muestra
2

despus del cambio est dada por (0.7077)

(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

se obtiene al multiplicar los lmites de control y la LC

por, Asi.

LSC np nLSC p np 3 np (1 p)
LC np nLC P np

LIC np nLIC P np 3 np(1 p)

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

condiciones. Sin embargo, las desviaciones serias en relacin con las

condiciones requieren otros procedimientos.

6.4.1 GRAFICA C PARA EL NUMERO DE DISCONFORMIDADES; TAMAO

CONSTANTE DE LA MUESTRA
El nmero de disconformidades, x, sigue la distribucin de Poisson con

p ( x)

c x e e
x!

x 1,2...

Y c >0. La unidad de inspeccin pude ser un solo producto o un grupo de

unidades
Por tanto, una grfica de control para disconformidades, con limites de tres
sigmas, dado un valor estndar de c, est determinada por

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)

En la tabla 6.6 se muestra el nmero de disconformidades en 22 muestras de

50 tarjetas EGA. Se construy una grfica con el uso de

283
12.86
22

A partir de la ecuacin 6.16 se obtuvieron los limites de control tentativos

como

LSCc 12.86 3 12.86 23.62

LCc 12.86
LIC c 12.86 3 12.86 2.10

TABLA 6.6 DISCONFORMIDADES EN MUESTRAS DE 50 TARJETAS EGA

El anlisis de los registros revelo que las tarjetas de la muestra 12 se fabricaron
con un flujo elevado de cido lo que provoc que se presentaran problemas de
contacto. Este substituto del inspector no estaba totalmente enterado de la
variedad de disconformidades que poda tener una tarjeta. Una vez eliminadas

c
estas dos causas asignables, el nuevo valor de

esta dado por

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.

sern los limites estndar contra los que se

Ejemplo 6.12 clculo del error de tipo 1

El error de tipo 1 para l ejemplo 6.11 se determina mediante

P( X 2.10) P( X 23.62) P( X 2) P( X 24)

Se puede usar la aproximacin normal para determinar estas probabilidades

P( X 2)
individuales. Primero,

est dada por

(2 0.5) 12.86
( 2.89) 0.0019
3.59

P( X 24)
Enseguida

est dada por

(24 0.5) 12.86

1 (2.96) 1 0.9985 0.0015
3.59

Por tanto es la suma de probabilidades o 0.0019+0.0015=0.0034, la cual es

mayor que el valor determinado de 0.0026.observa tambin que las

distribuciones
no son iguales, es decir, la distribucin de Poisson no es
simtrica en las colas.

6.4.2 curva CO para la grafica c con tamao constante de muestra

La curva CO para la grafica c da la probabilidad de que una observacin caiga
en o dentro de control conforme vara el promedio c del proceso. Estas
probabilidades se estiman mediante la distribucin de Poisson, como se
muestra en la tabla 6.7.

6.4.3 Grafica u para el numero de disconformidades por unidad

La unidad de inspeccin pudo haber sido fcilmente 40 o 60 tarjetas. Adems
algunas muestras podran constar de 40 tarjetas, otras de 50 tarjetas 60 etc.
Las consideraciones estadsticas son importantes. En 4l ejemplo 6.10 se podra

n 0.5

especificar una unidad de inspeccin

entonces el tamao de la muestra
se convertir en 25 tarjetas EGA es decir que n no tiene que ser un entero.

CAPITULO 7 GRAFICAS DE CONTROL DE VARIABLES

En el captulo 6 se estudiaron las grficas de control de atributos; se determin
que una parte era conforme o disconforme, hay muchas caractersticas de la
calidad que se pueden expresar como medidas numricas, veremos varios
ejemplos, las caractersticas de la calidad de este tipo se llaman variables.

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

7.2.1 BASE ESTADISTICA

Al suponer que tenemos una caracterstica de calidad con una distribucin

normal
, y una desviacin estndar
muestra de tamao n se puede calcular

que vamos a medir. Si se toma una

X
i 1

n
N ( , x )

Como ya sabemos que X se distribuye cmo

normal, con una medida

y una desviacin estndar

que:

es decir una distribucin

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

La probabilidad de que una media muestral caiga entre el lmite superior de

control (LSC) dado por:

LIC Z a / 2x

Es 1-

Z a / 2
n

Za/2
por lo general,

control de 3 sigmas. Si
fuera de control.

se establece igual a 3 para obtener lmites de

est arriba del LSC o abajo del LIC, la medida est

Xi
Se calcula la medida muestral

estimado de

, de cada muestra. Luego se determina un

con base en el gran promedio o.

m

x
i 1

X
=

Este estimado de
decir

se usa como la lnea central (LC ) de la grfica

, 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:

Yes una funcin de n, el tamao de la muestra. La media o valor esperado de W

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

Podemos obtener un estimado de

R
j 1

conforme

R
d2

Si el tamao de la muestra, n, es igual a 2, el mtodo del recorrido y el del

S2
estimador cuadrtico de

dan el mismo resultado. Este pierde eficacia para

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.

, as que dicho mtodo

X
Si se utiliza

R / d2

como un estimado de

Za/2

como un estimado de

igual a 3, los lmites para la grfica

LSC x X

y se fija

se escriben como:

3R Id 2
n

LC X X

LIC X X

3R Id 2
n

Observe que la cantidad

A2

3
d2 n

Por lo que la ecuacin 7.4 se describe como

LSC x X A2 R

LC X X

LIC X X A2 R
-

A2
La constante
en la tabla A7.

y muchos otros factores de grficas de control estn tabulados

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

puesto que no se conoce. si la medida es normal

podramos estimar a partir de la distribucin del recorrido relativo W=

que se reformula como:

R /

, lo

R W
Ahora
Var(R)=Var (

2Var (W )
W)=

Si se toma la raz cuadrada de ambos miembros, se obtiene

R w

w
Ahora

se da en la tabla A7, como por tanto,

R d 3

Aunque se desconoce

, se puede estimar por medio de la ecuacin 7.3 para

R
obtener un estimado de

dado por:

R d3 (

R
)
d2

Ahora los lmites de control de la grfica R se pueden escribir como:

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

La ecuacin 7.6 se puede escribir como

LSC R R D4
LC R R
LIC R R D3

D3

D4
Estos valores

y de

tambin se dan en la tabla a7

7.2.2 CONSTRUCCIN Y MANEJO DE LAS GRFICAS

YR

Ya teniendo los antecedentes estadsticos, el procedimiento general para la

construccin y el manejo de las grficas
ejemplo:

y R se explica por medio de este

Ejemplo 7.1 Fabricacin de enchufes de potencia

Una fbrica produce enchufes de potencia que se utilizan en la refinacin de
petrleo. Estos enchufes se parecen a los que usan en mecnica automotriz,

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.

El ingeniero de control de calidad decidi preparar grficas

Y R para este
proceso, en lugar de medir cada diagonal del enchufe, se eligi una diagonal
de cada enchufe y se registr, se realiz una muestra de 5 enchufes diarios y
se midieron. Luego se calcul el promedio de estas medidas, el cual se

convirti en una observacin para la grfica

se reunieron datos durante un
mes, es decir 22 observaciones, y determinar lmites de control tentativos, La

tabla 7.1 contiene los valores de

y de R de las 22 muestras

22

R
j 1

22

0.597
0.027
22

Figura 7.2 Grfica R de las dimensiones de los enchufes.

Figura 7.3 Grfica X de las dimensiones de los enchufes.
Figura 7.4 Determinacin de la fraccin que satisface las especificaciones.

Para muestras de n = 5, se encontr que

D 4 =2,115

D3=0

LSC R=( 0,027 )( 2,115 )=0,057

LC R=0,027
LIC R =( 0,027 ) ( 0 )=0
Se concluye que el proceso est dentro de control en los niveles determinados
y que los lmites de control tentativos de adoptan para periodos futuros.
7.2.3 Grficas

y R con el uso delimites de probabilidad

Es posible establecer lmites de control que especifiquen el error de tipo 1.

Estos se conocen como lmites de probabilidad.

7.2.4 Diseo de la obtencin de datos

Para elaborar grficas de control se toman por lo general muestras pequeas o
subgrupos de tamao cuatro, seis y siete. El tamao de subgrupo ms
utilizados es n=5. Con base en la muestra, se calculan y grafican los
estadsticos.
A menudo los subgrupos se forman con base en el orden de la produccin.
Al disear las grficas

y R, lo ms importante del subagrupamiento

racional es comprender el uso de las grficas. La grfica

se utiliza para

controlar la respuesta promedio de un proceso. La grfica R mide la dispersin

dentro de una muestra.
Para la grfica R, cada muestra debe ser lo ms homognea posible.
7.2.5 Grficas

y R cuando se dan estndares

Si se conocen la media y la desviacin estndar de un proceso, o si son

especificadas por la administracin quizs como metas por alcanzar, se pueden
construir las grficas

y R sin analizar los datos pasados. Para lmites de 3

sigmas, los lmites de control para

LSC x =+

estn dados por

3
n

LC x =
LIC x =

3
n

Para la grfica R, los lmites de control estn dados por

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)

7.2.6 Deteccin de patrones en las grficas

yR

Se estudiaron las situaciones fuera de control que se presentan aun cuando no

haya puntos arriba o debajo de los lmites de control. Cuando aparece una
carrera larga arriba o debajo de la LC, o cuando se presenta una carrera larga
de puntos crecientes o decrecientes, se declara que el proceso est fuera de
control.
Se entiende que cualquier patrn que se describa para las grficas

aparece despus de que las grficas R estn dentro de control.

Ciclos: Los ciclos son tendencias cortas en los datos, que se presentan en
patrones repetidos.
Cambios graduales de nivel. En este caso, a travs del tiempo se presenta
un cambio en la grfica de control y el proceso alcanza un estado de equilibrio
en otro nivel.
Mezclas. En un patrn mixto, los puntos tienden a caer cerca del LSC y del
LIC, sin fluctuaciones cerca del medio. Un patrn mixto es una combinacin de
los patrones diferentes, uno en el nivel y otro en el nivel bajo, en la misma
grfica.
Estratificacin: Se caracteriza por la constancia artificial. En lugar de fluctuar
naturalmente dentro de los lmites, los puntos estn muy cercanos a la LC.
En una grfica X, la estratificacin puede ser provocada por clculos
incorrectos de los lmites de control.
Cambio repentino. Un cambio repentino de nivel aparece como un cambio
instantneo en una u otra direccin. Si las dos distribuciones bsicas se
grafican por separado, sern muy diferentes.
Variacin sistemtica. Se espera que las fluctuaciones sean aleatorias
alrededor de la LC (con ms puntos cercanos a la LC), pero los puntos
predecibles sealan una variacin sistemtica. Las ocurrencias sistemticas no
son naturales.
Tendencias. Se define como un movimiento continuo hacia arriba o hacia
debajo de las observaciones. Las tendencias son provocadas por cualquier
causa que no tenga un efecto gradual. En la grfica

X , la tendencia mueve

el centro de la distribucin bsica hacia una u otra direccin. En la grfica R,

las tendencias pueden ser provocadas por cambios en las tcnicas del operario.
7.2.7 Funciones de la caracterstica operativa para grficas
Primero se realiza la curva CO para una grfica

con

yR

conocida y

constante. Las curvas CO que se elaboran en esta seccin pertenecen ms bien

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

guarda una estrecha relacin con la amplitud

promedio de la carrera (APC) para detectar un cambio. La APC est dada por
x

APC = LP
L=1

Donde L es la longitud de una carrera o el nmero de muestras hasta que se

detecta un cambio y

PL es la probabilidad de que la deteccin ocurra en la

P1=1 , para L=2

muestra L-sima. Para L=1,

P2= (1 ) , para L=3,

P3= (1 ) , y as sucesivamente.
Para construir la curva CO de una grfica R con slo un lmite superior de

3 R ,(2 n 6) , se usa la distribucin del recorrido relativo

W =R / .

7.3 OTROS TIPOS DE GRFICAS DE CONTROL

7.3.1 Grficas de control para unidades individuales
Hay muchas situaciones donde el tamao de la muestra es n=1. Esto es cierto
cada vez ms debido a que los dispositivos para la obtencin automatizada de
datos miden cada unidad que se produce. Este caso se presente tambin
cuando la produccin es muy baja, demasiado baja para formar muestras
mayores que 1 en un tiempo considerable, por lo que se inspecciona cada
unidad. En estos casos se usa la grfica de control por unidades individuales.
Los lmites de control son

LSC x = X +

3R
d2

LC x = X

LIC x = X

3R
d2

7.3.2 Grficas de control

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

La desviacin estndar muestral

S=

(x 1 x )
i=1

n1

x 2i n x

i=1

n1

Desviacin media cuadrtica

S RMS =

(x1 x )
i=1

x 2i n x
i=1