Professional Documents
Culture Documents
INDICE
1. INTRODUCCIN
(a) INTRODUCCIN
i. TOLERANCIA E INDICE DE CAPACIDAD
ii. PRESENCIA DE CAUSAS ASIGNABLES
iii. GRFICO DE MEDIAS Y RANGOS
(b) GRFICO DE X y R ( S)( , conocidas)
i. GRAFICO DE MEDIAS
ii. GRAFICO DE RANGOS
iii. GRAFICO DE DESVIACIONES
iv. SENSIBILIDAD DEL GRFICO DE MEDIAS
v. TAMAO DE LA MUESTRA
(c) GRFICO DE X y R ( S)( , desconocidas)
(d) ESTUDIO INICIAL (Capacidad del proceso)
(e) INTERPRETACIN DE GRFICOS DE CONTROL.
(f) GRFICO DE MEDIAS MOVILES
1
1 Introduccin
En el capitulo anterior (control de recepcin o control de producto terminado) hemos
visto herramientas estadsticas utilizadas para el control de la calidad de producto
terminado. Este captulo esta destinado a presentar tcnicas estadsticas utilizadas
para realizar un seguimiento en tiempo real, de la calidad de un proceso productivo.
Estas tcnicas son conocidas como Control Estadstico de Procesos, o control de
proceso en linea.
El control de calidad en linea o control estadstico de procesos produce mayores
beneficios:
Uno de los axiomas fundamentales de fabricacin es que nunca dos objetos pueden
fabricarse exactamente iguales, producimos con cierta variabilidad.
Cada proceso est sujeto a la influencia de muchos factores (muchos de los cuales
no podemos controlara) y por lo tanto, hay variabilidad en el resultado final del
proceso.
Ejemplo 1:
Medicin de la longitud de un cilindro de un modelo concreto, llammosle C,
producido por una mquina determinada, digamos M. Cada vez que midamos un
cilindro del mismo modelo y procedente de esa mquina estaremos repitiendo este
experimento. En el experimento definido en este ejemplo son dos los factores cuya
influencia mantenemos constante: modelo de cilindro y mquina. Hay, por contra,
infinidad de factores que en dicho experimento no controlamos. Por ejemplo, la
2
presin con que dicha mquina corta el cilindro no ser siempre exactamente igual.
La estructura microscpica de la aleaccin metlica no ser la misma. Las vibra-
ciones que se produzcan durante el proceso sern tambin irrepetibles. La persona
que se encargue de la manipulacin de dicho proceso puede cambiar. El desgaste
de las piezas de la mquina que intervienen en el corte ser un factor que tendr
una influencia en la longitud final. En este ejemplo, aunque los cilindros sean apa-
rentemente idnticos las repeticiones del experimento proporcionarn, con mucha
probabilidad, longitudes diferentes. Las diferencias observadas en cada repeticin
son debidas al resto de los factores que no se controlan.
Ejemplo 2:
Resultado de un juego de azar, como el resultado del lanzamiento de un dado,
lanzamiento de una moneda, giro de una ruleta o la extraccin de una carta. Cada
vez que repitamos el experimento puede salir un resultado diferente, aunque el factor
que se controla se mantenga constante: mismo dado, moneda, mesa de juego, baraja
e incluso misma persona que participa en la accin. Los factores que no se controlan
son, en realidad, muy pocos: el movimiento de la mano de la persona que ejecuta
el experimento; pero el movimiento es tan complejo que es prcticamente imposible
repetirlo ni hacerlo de manera premeditada para conseguir un resultado prefijado.
Un esquema util para resumir los diferentes factores que afectan a un proceso es
el de las 6M.
Materia prima
Metodos de produccin
Mano de obra
Producto Final
Mquinas
Medio Ambiente
Mediccin
3
Materiales: cambios de materia prima, espesor, resistencia,...
Ambiente: diferencias en las condiciones atmosfricas, limpieza, ilumina-
cin,...
Personas: diferencia en el estado fsico, experiencia, motivacin,...
...
desajuste de la mquina
defecto de la materia prima
operario no cualificado
...
4
2 Grficos de Control por variables
2.1 Introduccin
X ; N(, )
Suele ser definido por el cliente o en ocasiones por el diseador del producto
(suele representase por un valor objetivo y un error aceptable L; L.)
Ejemplo:
Supongamos que producimos piezas metalicas y una variable de calidad es el
dimetro de las piezas. Cuando el proceso est bajo control el dimetro de las
piezas se distribuye
X ; N(4.9, 0.1)
400
frecuencia
300
200
100
0
4,5 4,7 4,9 5,1 5,3
5
Cuando la media de la produccin est centrada en el centro del intervalo de
tolerancia ( = ), el indice de capacidad indica la adecuacin de la fabricacin de
productos.
LT2 LT1
Cp =
6
observacin:
6
Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 20,2
density
0.12
0.08
0.04
0
0 5 10 15 20 25 30
x
Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 17,5
density
0.12
0.08
0.04
0
-8 2 12 22 32 42
x
Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 20,5
density
0.12
0.08
0.04
0
-5 5 15 25 35 45
x
7
2.1.3 Grficos de Medias y Rangos (o desviaciones)
El objetivo de los grficos de control por variables es controlar el proceso para que no
se vaya de control, es decir, controlar el proceso para detectar la presencia de causas
asignables. Para ello se toman muestras del proceso peridicamente y se representa,
en dos diferentes grficos:
la media muestral .
Grfico de medias
74.02
LCS=74.0134
LC= 74.00
74.01
LCI=73.9866
74
73.99
73.98
0 5 10 15 20 25
N de muestra
grfico de rangos
0.05
LCS=0.04918
0.04 LC=0.02326
LCI=0
0.03
0.02
0.01
0
0 5 10 15 20 25
N de muestra
8
2.2 Grficos de X y R ( S) (, conocidas)
2.2.1 Grfico de medias
Supongamos que cuando el proceso esta bajo control
X ; N(, )
Entonces
X ; N(, )
n
As
p( 3 X + 3 ) = 0.997
n n
Si observamos una media y no est dentro de ese intervalo puede deberse a:
El proceso est bajo control y hallamos extraido una muestra cuya media est
fuera de ese intervalo.
El proceso est fuera de control.
La primera razn es poco probable, slo el 3 por mil de las muestras tienen
media muestral fuera de ese intervalo, luego suponemos que el proceso est fuera de
control, es decir, ha cambiado la media o la varianza, o ambas.
Si para una muestra su media no pertenece al intervalo ( 3 n , + 3 n )
tenemos evidencia estadstica de que el proceso est fuera de control.
X ; N(, )
E(R) = d2
V ar(R) = d23 2
9
donde d2 y d3 son constantes que dependen del tamao de la muestra y su valor
est tabulado (ANEXO 2)
Y su distribucin es aproximadamente normal, luego si el rango muestral est
fuera del intervalo
X ; N(, )
b
S=desviacin tipica corregida muestrales un estimador sesgado de la desviacin
tpica
b = c4
E(S)
b = 2 (1 c2 )
V ar(S) 4
10
Ejemplo:
Se fabrican anillos de pistn para motor de automovil mediante u proceso de
forjado. Se desea controlar el diametro de stos por medio de grficos de medias y
rangos. Se toman muestras de tamao 5 cada media hora, los datos aparecen en la
siguiente tabla. Cuando el proceso est bajo control el dimetro de los anillos se
distribuye
X ; N (74, 0.01)
11
X-bar Chart for medias
74.02
UCL = 74.01
Centerline = 74.00
74.01
LCL = 73.99
X-bar
74
73.99
73.98
0 5 10 15 20 25
Subgroup
0.03
0.02
0.01
0
0 5 10 15 20 25
Subgroup
Como podemos observar ningn punto se sale de los grficos por lo que supone-
mos que el proceso se encuentra bajo control.
12
2.2.4 Sensibilidad del grfico X
Hemos definido, en el apartado anterior, el grfico de control para las medias (su-
puesto conocido la media y la varianza del proceso en estado de control)
LCS = + 3
n
LC =
LCI = 3
n
Esta regla se denomina de los 3 sigma y es comn a todos los grficos de control
estndares.
Con el grfico de medias as definido podemos cometer dos errores, representados
en la siguiente tabla
decisin
bajo control fuera de control
bajo control - Error I
fuera de control Error II -
Error I: decimos que los parmetros del proceso han cambiado cuando en realidad
no se han modificado, falsa alarma.
Error II: decimos que el proceso no ha cambiado cuando en realidad si se ha
modificado.
Al establecer los limites 3 sigma podemos calcular la probabilidad de falsa alarma,
es decir la probabilidad del error I
p(errorI) = p(decir que esta fuera de control / esta bajo control)=
= 1 p( 3 X + 3 / X ; N(, ) =
n n
= 0.003
Si se quiere reducir la probabilidad de falsa alarma se puede aumentar el intervalo
ms all de 3 sigma, dando un valor K>3, los lmites se establecen en
K
n
Lgicamente esto presenta un inconveniente, que es: si el proceso cambia y sale
fuera de su estado de control, la probabilidad de que los puntos caigan dentro de los
limites, y por tanto, equivocarse aceptando que el proceso est bajo control, tambin
es mayor.
ejercicio:
Calcular la probabilidad de detectar un cambio de dos unidades en la media
utilizando grficos de control 3 sigma y 2 sigmas. Supn que el tamao muestral es
4
13
2.2.5 Tamao muestral
Habitualmente el tamao muestral est entre 4 y 10, siendo muy habitual en la
industria tomar muestras de tamao 4 o 5. Cuanto mayor sea el tamao muestral
ms probabilidad de detectar cambios pequeos en el proceso.
Ejercicio
Calcular, la probabilidad de detectar un cambio en la media del proceso de 2
desviaciones tpicas ( = + 2) cuando el tamao muestral es 2 y 4
14
2.3 Grficos de X y R ( S) (, desconocidas)
Cuando el proceso lleva funcionando un periodo largo (aos) es aceptable suponer
conocidos los valores de , , en otras ocasiones esto no es as y los valores de
los parmetros del proceso en situacin de control deben estimarse con los datos
disponibles. Vamos a suponer que se dispone de K muestras, cada una de tamao
n, que se han tomado todas ellas con el proceso bajo control y durante un periodo
suficientemente largo en el cual han intervenido todas las fuentes de variabilidad
natural.
N muestra observaciones media rango desviacin
1 x11 , ...., x1n x1 R1 Sb1
2 x21 , ...., x2n x2 R2 Sb2
.. .. .. .. ..
. . . . .
k xk1 , ...., xkn xk Rk Sbk
1. Estimacin
x1 + ... + xk
b = x=
k
R R1 + R2 + ... + Rk
b =
= (utilizando los rangos)
d2 k d2
cT
S Sb1 + Sb2 + ... + S
ck
b =
= (utilizando los desviaciones corregidas)
c4 k c4
2. Grficos de control, utilizando las estimaciones
Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de y conocidos obtenemos:
Si utilizo rangos
grfico de medias grfico de rangos
LCS = x + 3 d2Rn LCS = R + 3d3 dR2 = R(1 + 3 dd32 ) = D4 R
LC = x LC = R
LCI = x 3 d2Rn LCI = R 3d3 dR2 = R(1 3 dd32 ) = D3 R
Si utilizo desviaciones
grfico de medias grfico de desviaciones
p 2
c c 1c
LCS = x + 3 c4ST n LCS = S cT + 3 ST 2 cT = B4 S
1 c4 = (1 + 3 c4 4 )S cT
c4
LC = x LC = ScT
p 2
c Sc 1c4
LCI = x 3 c4ST n c
LCI = ST 3 T 2
1 c4 = (1 3 cT = B3 S
)S cT
c4 c4
15
2.4 ESTUDIO INICIAL (determinacin de la capacidad del
proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:
ejemplo:
Supongamos que fabricamos anillos de pistn. Queremos determinar la capaci-
dad de nuestro proceso. Se toman 40 muestras de tamao 5 obteniendo los datos
presentados en la siguiente tabla.
16
N muestra Media Rango N muestra Media Rango
1 74.01 0.038 21 74 0.033
2 74.001 0.019 22 74.002 0.019
3 74.008 0.036 23 74.002 0.025
4 74.003 0.022 24 74.005 0.022
5 74.003 0.026 25 73.998 0.035
6 73.996 0.024 26 74.009 0.044
7 74 0.012 27 74.002 0.025
8 73.997 0.03 28 73.992 0.015
9 74.004 0.014 29 74.004 0.019
10 73.998 0.017 30 73.997 0.017
11 73.994 0.008 31 74.007 0.026
12 74.001 0.011 32 74.006 0.023
13 73.998 0.029 33 73.998 0.014
14 73.99 0.039 34 74.011 0.025
15 74.006 0.016 35 74.013 0.03
16 73.997 0.021 36 74.004 0.034
17 74.001 0.026 37 74.017 0.019
18 74.007 0.018 38 74.02 0.025
19 73.998 0.021 39 74.023 0.023
20 74.009 0.02 40 74.015 0.029
1. Estimacin de parmetros
b = x = 74.0037
R
b =
= 0.0101999
d2
2. Graficos de control
17
Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00
Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup
74.01
74
73.99
73.98
0 10 20 30 40
Subgroup
b = x = 74.0027
R
b =
= 0.0101937
d2
18
Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00
Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup
74.01
74
73.99
73.98
0 10 20 30 40
Subgroup
b = x = 74.0023
R
b =
= 0.0102484
d2
19
Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00
Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup
74.01
74
73.99
73.98
0 10 20 30 40
Subgroup
Ahora no hay ningn punto fuera del grfico entonces las estimaciones de los
parmetros del proceso en situacin de control son las obtenidas en ltimo
lugar.
20
2.5 Interpretacin de los grficos de control
Lo que se debe esperar en un grfico de control es una distribucin de puntos alea-
toria alrededor de la linea central.(patrn no aleatorio o natural) , por ejemplo:
X-bar Chart for medias
74.02
UCL = 74.01
Centerline = 74.00
74.01
LCL = 73.99
X-bar
74
73.99
73.98
0 5 10 15 20 25
Subgroup
73.99
73.98
0 5 10 15 20 25
N de muestra
21
2.6 GRFICOS DE MEDIAS MOVILES
El grfico de control es relativamente insensible a pequeos cambios en la media del
proceso. Se ha sugerido diversas modificaciones y criterios suplementarios con el fin
de mejorar su capacidad para detectar cambios pequeos.
Supongamos que se obtienen muestras de tamao n, y sean (x1 , ...., xt , ...) sus
medias muestrales correspondientes. La media movil de alcance w en el momento t
se define como
xt + xt1 + .... + xtw+1
Mt =
w
(es decir, en el momento t se suprime la media muestral ms antigua y se aade
la ms reciente. Como utilizamos mas observaciones es ms facil detectar pequeos
cambios en el sistema)
Como
E(Mt ) =
1 2
V ar(Mt ) =
w n
el grfico de control de medias moviles tiene limites de control
LCS = + 3
wn
LC =
LCI = 3
wn
74
73.99
73.98
0 5 10 15 20 25
n de muestra
22
3 Grficos de control por atributos
Muchas caractersticas de callidad no se pueden representar en forma conveniente
por nmeros. En tales ocasiones, cada artculo o producto es inspeccionado y suele
clasificarse como conforme o disconforme con las especificaciones para tal caracte-
rstica de calidad (defectuoso o no defectuoso).
X ; bernoulli(p)
Luego
p p
p(np 3 np(1 p) r np + 3 np(1 p)) = 0.997 si el proceso est bajo control
as
23
grfico de control por
p atributos NP
LCS = np + 3 np(1 p)
LC =p np
LCI = np 3 np(1 p)
ejemplo
Se envasa jugo de naranja en botes de cartn. Se considera que el bote es
disconforme si al llenarlo gotea. Se sabe que la proporcin de botes defectuosos es
0.23.
Para controlar el proceso se establece un control por atributos, tomando muestras
de tamao 50 cada hora.
Las muestra observadas en las ltimas 30 horas presentan los siguientes resulta-
dos.
n muestra n defectuosos n muestra n defectuosos
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
El grfico de control por nmero de defectos
p
LCS = np + 3 np(1 p) = 50 0.23 + 3 50 0.23 0.77 = 20.43
LC = np = 50 0.23 = 11.5
p
LCI = np 3 np(1 p) = 50 0.23 3 50 0.23 0.77 = 2.57
24
Grfico de control por n de atributos
24
UCL = 20.43
20 Centerline = 11
16 LCL = 2.57
np
12
8
4
0
0 5 10 15 20 25 30
n muestra
2. Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de p conocida obtenemos:
grfico de control
p por atributos NP
LCS = nb p(1 pb)
p + 3 nb
LC = nbp p
LCI = nb p(1 pb)
p 3 nb
25
2. Se estiman los parmetros
r1 + r2 + ... + rk
pb =
kn
3. Se construyen el grfico de control
4. Representar en el grfico el nmero de defectuosos en cada muestra
Si algn punto se encuentra fuera de los limites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones de
los parmetros con el conjunto modificado de muestras. Si todos los puntos
estn dentro del grfico de control ir al paso siguiente
5. Al encontrarse todas las muestras dentro del grfico suponemos que todas han
sido tomadas cuando el proceso estaba bajo control. De esta forma estimamos
la capacidad del proceso como 1 pb
1 iteracin
2. Estimacin
P
ri 347
pb = = = 0.2313
nk 50 30
3. Grfico de control para el no de defectos
p
LCS = nb
p + 3 nbp(1 pb) = 50 0.2313 + 3 50 0.2313 0.7687 = 20.51
LC = nb
p = 11.57
p
p 3 nb
LCI = nb p(1 pb) = 50 0.2313 3 50 0.2313 0.7687 = 2.62
26
grafico np
24
UCL = 20.51
20 Centerline = 11.57
16 LCL = 2.62
np
12
8
4
0
0 5 10 15 20 25 30
Subgroup
2 Iteracin
1. Se vuelve a estimar p
301
pb = = 0.215
50 28
2. Nuevo grfico
p
LCS = nb
p + 3 nb p(1 pb) = 50 0.215 + 3 50 0.215 0.785 = 19.46
LC = nb
p = 10.5
p
p 3 nb
LCI = nb p(1 pb) = 50 0.215 3 50 0.215 0.785 = 2.04
3. grfico
grafico np
24
UCL = 19.46
20 Centerline = 10.75
16 LCL = 2.04
np
12
8
4
0
0 5 10 15 20 25 30
Subgroup
27
4. Se sale la muestra 21. La eliminamos.
3 iteracin
1. Nueva estimacin
281
pb = = 0.208
50 27
2. grfico
p
p + 3 nb
LCS = nb p(1 pb) = 50 0.208 + 3 50 0.208 0.792 = 19.02
LC = nb
p = 10.41
p
p 3 nb
LCI = nb p(1 pb) = 50 0.208 3 50 0.208 0.792 = 1.20
3. grfico
grafico np
24
UCL = 19.02
20 Centerline = 10.41
16 LCL = 1.80
np
12
8
4
0
0 5 10 15 20 25 30
Subgroup
4. Todas las muestras estn dentro del grfico por lo que suponemos que todas
han sido tomadas cuando el proceso estaba bajo control
3.2 Grfico P
Grafico de control por atributos utilizando la proporcin de defectuosos en la muestra
Sea pb el nmero de defectuosos en la muestra
r
p(1 p)
pb;N(p, cuando el proceso est bajo control y n es grande
n
28
Luego
r r
p(1 p) p(1 p)
p(p 3 pb p + 3 ) = 0.997 si el proceso est bajo control
n n
as
29
4 Graficos de control por nmero de defectos
4.1 Grafico C
A veces el inters no reside en el nmero de articulos defectuosos sino en el nmero
de defectos en un articulo o unidad de medida o, en general, el nmero de sucesos o
atributos observados por unidad de medida. Por ejemplo, en una pelicula fotogrfica
interesa controlar el nmero de defectos por centimetro cuadrado. En una centralita
interesa controlar el nmero de llamadas por hora o minuto.
Sea D el nmero de defectuosos por unidad de medida. Suponemos que
D;N(, )
Luego
p( 3 D + 3 ) = 0.997 si el proceso est bajo control
as
grfico C
LCS = + 3
LC = p
LCI = 3
b = d1 + d2 + ... + dk
k
2. Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de conocida obtenemos:
grfico de control
p por atributos NP
LCS = b+3 b
LC = b
p
LCI = b3 b
30
4.1.2 Estudio inicial (capacidad del proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:
b = d1 + d2 + ... + dk
k
5. Al encontrarse todas las muestras dentro del grfico suponemos que todas han
sido tomadas cuando el proceso estaba bajo control. De esta forma estimamos
la capacidad del proceso como b
31
2. Estimacin
P
b= di 516
= = 19.85
k 26
p
b+3
LCS = b = 19.85 + 3 19.85 = 33.22
LC = b
= 19.85
p
LCI = b
+3 b = 19.85 3 19.85 = 6.48
20
10
0
0 5 10 15 20 25 30
Observation
2 Iteracin
1. Se vuelve a estimar
P
b= di 472
= = 19.67
k 24
2. Nuevo grfico
p
b
LCS = + 3 b = 19.67 + 3 19.67 = 32.97
LC = b
= 19.67
p
LCI = b
+3 b = 19.67 3 19.67 = 6.37
32
3. grfico
10
0
0 5 10 15 20 25 30
Observation
4.2 Grfico U
El caso anterior (grafico C) es utilizado cuando se estudia el nmero de sucesos por
unidad de inspeccin. Sin embargo no hay razn para restringir el tamao muestral
a una unidad de inspeccin. En realidad prefeririamos muchas veces utilizar varias
unidades de inspeccin en la muestra.
Si llamamos ci al nmero de defectos (u ocurrencias de cierto suceso) en la
muestra i-sima y ni al tamao de dicha muestra (nmero de metros de cable,
nmero de unidades de tiempo, nmero de cm2 de superficie analizada...). El nmero
de defectos por unidad de medida ser
ci nmero de defectos en ni unidades
ui = =
ni nmero de unidades de la muestra
Suponemos que cuando el proceso esta bajo control
si ni es suficientemente grande
r
ui ;N(, )
ni
33
Luego
r r
p( 3 ui + 3 ) = 0.997 si el proceso est bajo control
ni ni
grfico Uq
LCS = + 3 ni
LC = q
LCI = 3 ni
la estimacin de
P
b ci 153
= P =
ni 107.5
El grafico U
u Chart for Col_5
3
UCL = 2,51
2,5 Centerline = 1,42
2 LCL = 0,33
u
1,5
1
0,5
0
0 2 4 6 8 10
Subgroup
34
Apendice A: Resumen de graficos de control
1.1 , CONOCIDAS
LCS = + 3
n
LC =
LCI = 3
n
DESVIACIONES CORREGIDAS
LCS = B6
LC = c4
LCI = B5
RANGOS
LCS = d2 + 3d3 = D2
LC = d2
LCI = d2 3d3 = D1
1
1.2 , DESCONOCIDAS
Sc
T
LCS = x+3
c4 n
LC = x
Sc
T
LCI = x3
c4 n
R
LCS = x+3
d2 n
LC = x
R
LCI = x3
d2 n
DESVIACIONES
q p
c Sc 1 c24 c
)ST = B4 Sc
T 2
LCS = ST + 3 1 c4 = (1 + 3 T
c4 c4
LC = Sc
T
p
Sc 1 c24 c
= Sc )ST = B3 Sc
T
LCI T 3 = (1 3 T
c4 c4
RANGOS
d3
LCS = R+3 R = D4 R
d2
LC = R
d3
LCI = R3 R = D3 R
d2
2
2. Graficos de control por atributos
p
LCS = np + 3 np(1 p)
LC = np
p
LCI = np 3 np(1 p)
r
p(1 p
LCS = p+3 )
n
LC = p
r
p(1 p)
LCI = p3
n
Observacin:
si p es desconocida entonces la estimamos, utilizando k muestras de tamao n
r1 + r2 + ... + rk
pb =
nk
donde ri es el nmero de defectuosos de la i-sima muestra
3
3. Grficos de control por nmero de defectos
4
ANEXO : INDICES DE CAPACIDAD
Los indices de capacidad comparan la capacidad del procesos con las especificaciones
tcnicas requeridas. La capacidad del proceso (6) es una medida de la dispersin natural
de la variable que mide la calidad del producto o servicio, pero no dice nada de si dicha
calidad se ajusta o no a las especificaciones. Existen algunos analistas que desrecomiendan
la utilizacin de estos ndices. Su principal argumento es que resulta un resumen demasi-
ado simplista de la evolucin del proceso. A continuacin se muestran los ndices ms
utilizados.
1. ndice de Capacidad, Cp
LT S LT I
Cp =
6
Si Cp < 1 Se producen ms del 3 por mil de artculos defectuosos.
Si Cp > 1 Se producen menos del 3 por mil de artculos defectuosos.
Cuando el Cp < 1 se dice que el proceso no es capaz de cumplir las especificaciones.
Actualmente, sin embargo, un ndice de capacidad cercano a uno se considera insuficiente.
Es frecuente utilizar el valor Cp = 4/3 1, 33 como lmite inferior de la calidad que debe
tenerse en la prctica. Esto implica que
LT S LT I 4
= LT S LT I = 8
6 3
por tanto, seran defectuosos aquellos artculos que estn a ms de 4 de la meda; esto
es aproximadamente , 64 piezas por millon (bajo normalidad). Por esta razn se dice que:
Si Cp < 1 el proceso no es capaz.
Si Cp > 1.33 el proceso es capaz
Si 1 Cp 1.33 el proceso es capaz pero requiere un seguimiento muy estricto
N LT I
CpL =
3
1
LT I N
CpU =
3
Cuando cualquiera de estos dos ndices es menor que 1, el proceso no cumplir las
especificaciones.
Cuando no se conozca el valor nominal del proceso N , se sustituir por la media mues-
tral x.
4. Coeficiente K
Este coeficiente es una medida de descentrlizacin del proceso. Se define como
x N
K= 1
2 (LT S LT I)
Si K > 0 el proceso tiene un sesgo hacia valores superiores al nominal (sesgo positivo)
Si K < 0 el proceso tiene un sesgo hacia valores inferiores al nominal (sesgo negativo)
5. Coeficiente n-sigma
Este coeficiente consiste en la expresin de los lmites de tolerancia en funcin de la
desviacin tpica del proceso de forma LT S LT I = 2n. Esta definicin equivale
a
LT S = + n
LT I = n
Por tanto, un ndice de capacidad Cp = 1 equivale a 3 sigma y Cp = 2 equivale a
6 sigma.
Es frecuente interpretar el nivel de calidad n-sigma en terminos de nmero de artculos
defectuosos por millon. Para ello hay dos posibles alternativas:
1. Consiste en emplear estrictamente su significado (suponiendo normalidad). Es decir,
interpretarlo como el no de defectuosos que se producen por milln de oportunidades.
2. Otra interpretacin popularizada por la empresa motorola, consiste en interpretarlo como
el no de DPMO cuando se produce un desajuste ne la media de 1, 5
2
1 Interpretacin 2 Interpretacin
Defectos por milln de oportunidades,
Defectos por milln de oportunidades
cuando se produce un cambio en la
media de 1,5
Normal Distribution Normal Distribution
0,4 0,4 1.5
0,3 0,3
0.001 DPMO 0.001 DPMO 3.4 DPMO
density
density
0,2 0,2
0,1 0,1
0 0
12 14
LTI 16
18 20
LTS 22 12 14 16
18
+1.5
20 22 24
x x
LTI LTS
6 6
6 6