VOL. 10.N?2- 1990 INTRODUCCION El control estadistico de la calidad (C.E.C.) provee una serie de herramientas para la deteccion de causas asignables que influencian la calidad de un producto en los procesos productivos. Dentro de estas herramientas, podemos citar los gréficos de control para variables, los cuales son definidos como una técnica estadistica, que tiene por objeto dar un aviso de que existen anormalidades en la produccién, las que pueden dar origen a producto defectuoso'. Los graficos de control para variables ‘ms comunes son: a) Graficos X, R (promedio, intervalo) b) _X,o (promedio-desviacién estandar) ©) Me, R (mediana, intervalo) ch) CUSUM (sumas acumuladas) El primer paso en la construccién de gréficos de control es la seleccién de la variable o caracteristica de calidad cuyo comportamiento se desea observar en el tiempo y sobre la que se van a * MSc. Protesor en el Departamento de Ingenieria en Maderas y en el Departamento de Produccién Industrial Instituto Tecnolégico de Costa Rica. ‘TECNOLOGIA EN MARCHA GRAFICOS DE CONTROL PARA VARIABLES MULTIVARIADAS Federico Picado* elaborar conclusiones. Precisamente, ésta es una de las limitaciones de los gréficos de control para variables: consideran tnicamente una variable a la vvez. En algunas oportunidades, es necesario controlar dos o mas caracteristicas de calidad de un proceso productivo, relacionadas simultaneamente. Algunos ejemplos son: a. El didmetro interno X, y el diémetro externo X, ue en conjunto determinan el ajuste de un ‘componente b. _Elespesor de un producto (metal, plastico, papel) producido por una operacién de enro- llado, medido en tres localidades a través de! producto tal y como sale del rodillo X,, X, y X,. Si se preparan gratioos de control por separado de cada caracteristica, se desestima la relacién que existe entre ellos. En los ejemplos anteriormente mencionados podria suceder que a. Undiametto interno mayor X,, combinado con tun didmetro externo menor X, pueda dar pobre calidad atin si cada valor X,, X, por si mismos se encuentran bajo control b. _Sieleje de rodillo se inclina, esto podria reducir X, y aumentar X,, un defecto mas serio que si X, y X, se movieran conjuntamente, METODO APLICADO Con el objeto de evaluar problemas con variables muttivariadas como los ejemplos anteriores, la estadistica ha provisto una ‘metodologia para el andlisis de dichos casos.‘TECNOLOGIA EN MARCHA. Se hace necesario buscar un estadistico que tome en consideracién todas las variancias y covariancias de las variables que influyen sobre cierta caracteristica de calidad. Dicho estadistico se define en notacién matricial como: DP= mx -p) E* Ry) donde: E= matriz de variancias y covariancias de las k mediciones = tamatio de la muestra promedio de la muestra = promedio de la poblacién EMS Si los pardmetros pu y E son desconocidos, éstos son estimados de datos pasados. Asimismo, Walpole? define los siguientes términos: sea X una variable aleatoria con distribucién de probabilidad {(x). La media o valor esperado de X es. = E(x) = Exile), xes discreta y = E(x) = Txt(x) dx, x es continua La variancia de una variable aleatoria x esta dada por: o = Ele) = ie 1.35 | 28 405 098 1,20, Las medias muestrales para cada caracte- ristica de calidad 0 espesor para las 15 muestras de tamafo 10 son mostradas en el Cuadro 1. Se desea que cuando se utilice un gratico de control paraVOL. 10.'N*2- 1990 variables multivariadas la probabilidad de que un “punto muestra” (T*) esté fuera de control cuando el proceso esté en control sea de 0,01. ,Esté el proceso en control estadistico? {Estén los gréficos de control X individuales en control? ‘CUADRO 1. Promedios muestrales. Espesores de laminas en micras. Mucstra x, iz a 1 at a7 30 2 33 39 a4 3 26 30 24 4 28 30 26 5 3,0 35 28 6 40 48 35 7 38 42 30 8 30 33 27 9 24 3,0 22 10 20 26 18 " 32 39 30 12 37 40 30 18 4 a7 a2 14 38 40 29 18 32 36 28 SOLUCION La formula general =n (=p)! E &-p) 3.0 1,40 1,02 1,05 wa : >: fis 1.35 is 28 405 098 1,20 ee pw 40 cle on Se debe inventirla matriz de variancias y covariancias 5, donde: ‘TECNOLOGIA EN MARCHA = variancia (x,) = 1,40 2 = variancia (x,) = 1,35 ©, = variancia (x,) = 1,20 = covariancia = covariancia covariancia (KX) = 1,02 (KX) = 1,05 (%X) = 0.98 s 231 068-146 = |-068 2,02 -1,05 146 1,05 297 Como ejemplo se presentar tnicamente e! valor célculo de T,? para la muestra No. 1 3.1] [3.0] [3.1 -3,0] [2,91 0,68 -1,46 T,?= 10 13,7] -|3,5]*|3,7 -3,5]*|-0,68 2,02 -1,05 3,0} [2,8] |3,0-2,8) |-1,46 -1,05 2,97 0,1 2.31 0,68 .10,20,2)"/0.2| + | -0,68 2,02 02 1,46 -1,05 | 0.98] Tes [1 2 2] | o125) 0.237 i= 0527 T= 10 1 Cuadro 2 muestra los valores T? para todas las muestras. Calculo del limite superior de control (LSC) LSC = Z2pq5 y= 11,34 uc = 0 Observando la Figura 1 se puede afirmar que la muestra 13 esta fuera de control. Por tanto, el Proceso no estd en control estadistico, ANALISIS DE PROMEDIOS INDIVIDUALES Variable X, Limite superior de control = y+ Aa = 3,0 + (0,949) (1,183) Limite inferior de control = - Ac = 3,0 - (0,949) (1,183) w= 30 of = 140 ©, = 1.183 Limite superior de control = LSC = 4,122 ‘A’ = 0,949 Limite inferior de control = LIC = 1,877 Vatiable X, esta on control "