Métodos Cuantitativos
Control estadístico de procesos
Control estadístico de procesos
(CEP)
Mide el funcionamiento de un proceso.
Se utilizan las matemáticas (estadística).
Es necesario una recolección, organización e
interpretación de los datos.
Objetivo: proporcionar una señal estadística
cuando aparezcan causas de variación imputables.
Se usa para:
controlar el proceso de producción y
examinar las muestras de los productos finalizados.
Tipos de control estadístico de
procesos
Control estadístico
de calidad
Proceso de Muestreo de
control aceptación
Gráficos para Gráficos para
Variables Atributos
variables atributos
Características de calidad
Variables Atributos
Características que se Características centradas en
pueden medir (por los defectos.
ejemplo, el peso o la Los productos se clasifican en
longitud). productos “buenos” o
Pueden ser números “malos”, o se cuentan los
enteros o fracciones. defectos que tengan.
Muchas variables Por ejemplo, una radio funciona o
no.
aleatorias.
Variables aleatorias
categóricas o discretas.
Control estadístico de procesos
(CEP)
Es una técnica estadística que se usa para asegurar
que los procesos cumplen con los estándares.
Todos los procesos están sujetos a ciertos grados
de variabilidad.
Causas naturales: Variaciones aleatorias.
Causas imputables: Problemas corregibles.
Maquinaria de desgaste, trabajadores no cualificados, material de
baja calidad.
Objetivo: Identificar las causas imputables.
Se usan los gráficos de control de procesos.
Control de procesos: tres tipos de
resultados
(a) Bajo control y capaz.
Proceso con sólo causas
naturales de variación y
capaz de producir dentro de
Frecuencia los límites de control
establecidos.
Límite inferior de control Límite superior de control
(b) Bajo control pero incapaz.
Proceso bajo control (sólo están
presentes causas naturales de
variación), pero incapaz de producir
dentro de los límites de control
establecidos.
(c) Fuera de control.
Proceso fuera de control, con
Tamaño causas imputables de variación.
(peso, longitud, velocidad, etc.)
Relación entre la distribución de la
población y la distribución de las
muestras
Tres distribuciones de población Distribución de las medias de las muestras
Beta
Media de las medias de las muestras x
Desviación estándar x
Normal x
de las medias de las n
muestras
Uniforme
3 x 2 x 1 x x x 2 x 3 x
(media)
95,5% permanece dentro de x
99,73% de todo x permanece dentro de x
La distribución de las medias en el
muestreo y la distribución del proceso
Distribución de las
medias en el muestreo
Distribución de
las medias en el
proceso
x
(media)
Gráficos del proceso de control
Representación de la muestra de datos en el tiempo
80
Valor de muestra
Valor
60 de muestra
UCL
40
Media
20
LCL
0
1 5 9 13 17 21
Tiempo
Objetivos de los gráficos de
control
Mostrar los cambios que se han producido en los
datos.
Por ejemplo, las tendencias.
Realizar las correcciones antes de que el proceso esté fuera de
control.
Mostrar las causas de las variaciones en los datos.
Causas imputables.
Los datos situados fuera de los límites de control o la tendencia en
los datos.
Causas naturales.
Variaciones aleatorias alrededor de la media.
Fundamento teórico de los
gráficos de control
Teorema central del límite
A medida que la distribución tenderá
aumente el a seguir una curva de
tamaño de las distribución normal,
muestras, sin tener en cuenta la
distribución de la
población.
X
X
Fundamento teórico de los
gráficos de control
Teorema central del límite
Media Desviación estándar
x
X x
n
X
X
Tipos de gráficos de control
Varios datos Datos numéricos
numéricos Gráficos categóricos o discretos
de control
Gráfico de Gráfico de
variables atributos
Gráfico Gráfico Gráfico Gráfico
I X P C
Pasos del control estadístico de
procesos
Producir un bien No
Salida Proporcionar un servicio
¿Causas
Tomar una muestra imputables?
Sí
Examinar la muestra Detener el proceso
Crear
Descubrir el porqué
gráfico de control
Gráfico X
Es un gráfico de control de variables.
Intervalo o información numérica en escala.
Muestra la media de las muestras a lo largo del
tiempo.
Muestra la media del proceso.
Ejemplo: Pesar muestras de café, calcular la
media de las muestras y representarlo en un
gráfico.
Límites de control del gráfico X
UCL x x A I De la Tabla
S6.1
Intervalo
LCL x x A I
de la
Media de la muestra en
n muestra en el tiempo i
xi el tiempo i n
I i
x i
I i 1
n n
Número de
muestras
Factores para calcular los límites
de los gráficos de control
Tamaño de la Factor de la Intervalo Intervalo
muestra, n media, A2 superior, D4 inferior, D3
2 1,880 3,268 0
3 1,023 2,574 0
4 0,729 2,282 0
5 0,577 2,115 0
6 0,483 2,004 0
7 0,419 1,924 0,076
8 0,373 1,864 0,136
9 0,337 1,816 0,184
10 0,308 1,777 0,223
0.184
Gráfico I
Es un gráfico de control de variables.
Intervalo o información numérica en escala.
Muestra el intervalo de las muestras a lo
largo del tiempo.
Diferencia entre el valor más grande y el más
pequeño de la muestra que se haya examinado.
Controla la variabilidad del proceso.
Ejemplo: Pesar muestras de café, calcular el
intervalo de las muestras y representarlo en
un gráfico.
Límites de control del gráfico I
UCLI D 4I
De la Tabla S6.1
LCLI D 3I
n Intervalo de
I i muestras en el
I i 1 tiempo i
n Número de
muestras
Pasos que se deben seguir cuando
se utilicen los gráficos de control
Tomar de 20 a 25 muestras de n = 4 o n =5 de un
proceso estable y calcular la media.
Calcular las medias totales, fijar de forma
aproximada los límites de control y calcular los
límites de control superior e inferior. Si el proceso
aún no es estable, utilícese la media deseada en
lugar de la media total para calcular los límites.
Representar las medias y los intervalos de las
muestras en sus respectivos gráficos de control y
determinar si permanecerán fuera de los límites
aceptables.
Pasos que se deben seguir cuando
se utilicen los gráficos de control
Examinar los puntos o trazados que indican que el
proceso está fuera de control. Determinar las causas
de las variaciones.
Recoger más muestras y volver a comprobar los
límites de control.
Gráfico p
Es un gráfico de control de atributos.
Datos categóricos en escala.
Por ejemplo, bueno-malo.
Muestra el tanto por ciento de los artículos
defectuosos.
Ejemplo: Contar el número de sillas
defectuosas, dividirlo entre el total de las sillas
que se han examinado y representarlo en un
gráfico.
Una silla puede ser defectuosa o no defectuosa.
Límites de control del gráfico p
p( p)
UCL p p z z = 2 para límites del 95,5%;
n z = 3 para límites del 99,7%
p( p)
LCL p p z
n
Número de artículos
defectuosos en la
k k
ni xi muestra i
n i y p i k1
k Tamaño de la
ni
i 1 muestra i
Control Limits for p-Charts
Population will be a binomial distribution,
but applying the Central Limit Theorem
allows us to assume a normal distribution
for the sample statistics
UCLp = p + z^p p(1 - p)
p =
^
n
LCLp = p - z^p
p =mean fraction defective in the sample
z =number of standard deviations
p =standard
^ deviation of the sampling distribution
n =sample size
p-Chart for Data Entry
Sample Number Fraction Sample Number Fraction
Number of Errors Defective Number of Errors Defective
1 6 .06 11 6 .06
2 5 .05 12 1 .01
3 0 .00 13 8 .08
4 1 .01 14 7 .07
5 4 .04 15 5 .05
6 2 .02 16 4 .04
7 5 .05 17 11 .11
8 3 .03 18 3 .03
9 3 .03 19 0 .00
10 2 .02 20 4 .04
Total = 80
80 (.04)(1 - .04)
p= (100)(20)
= .04 p =
^ = .02
100
p-Chart for Data Entry
UCLp = p + zp^ = .04 + 3(.02) = .10
LCLp = p - zp^ = .04 - 3(.02) = 0
.11 –
.10 – UCLp = 0.10
.09 –
Fraction defective
.08 –
.07 –
.06 –
.05 –
.04 – p = 0.04
.03 –
.02 –
.01 – LCLp = 0.00
.00 – | | | | | | | | | |
2 4 6 8 10 12 14 16 18 20
Sample number
p-Chart for Data Entry
UCLp = p + zp^ = .04 + 3(.02) = .10
Possible
LCLp = p - zp^ = .04 - 3(.02) assignable
=0
causes present
.11 –
.10 – UCLp = 0.10
.09 –
Fraction defective
.08 –
.07 –
.06 –
.05 –
.04 – p = 0.04
.03 –
.02 –
.01 – LCLp = 0.00
.00 – | | | | | | | | | |
2 4 6 8 10 12 14 16 18 20
Sample number
Gráfico c
Es un gráfico de control de atributos.
Datos cuantitativos escasos.
Muestra el número de registros defectuosos
que hay en una unidad.
Una unidad puede ser una silla, una lámina de
acero, un automóvil, etc.
El tamaño de la unidad tiene que ser constante.
Ejemplo: Contar el número de registros
defectuosos (rasguños, astillas, etc.) en
cada silla de una muestra de 100 sillas y
representarlo en un gráfico.
Límites de control del gráfico c
UCLc c c Utiliza 3 para
límites del 99,7%
LCLc c c
Número de registros
k defectuosos en la
ci unidad i
c i1 Número de unidades
k de la muestra
Capacidad del proceso Cpk
Límite de especificación superior x
C pk ,o
x Límite de especificación inferior
donde x media del proceso
desviación estándar de la población del proceso
Supone que el proceso:
•está bajo control.
•tiene una distribución normal.
Significados de las medidas Cpk
Cpk = número negativo
Cpk = cero
Cpk = entre cero y 1
Cpk = 1
Cpk mayor de 1
¿Qué es el muestreo de
aceptación?
Es un tipo de test de calidad utilizado para los
materiales comprados al exterior o los
productos acabados.
Por ejemplo, componentes y materiales comprados.
Procedimiento:
Tomar una o más muestras de forma aleatoria de un
lote (cargamento) de productos.
Examinar cada uno de los productos de la muestra.
Decidir si se rechaza todo el lote basándose en los
resultados de la inspección.
¿Qué es un plan de aceptación?
Es un conjunto de procedimientos para
inspeccionar los materiales comprados al
exterior o los productos acabados.
Identifica:
el tipo de muestra,
el tamaño de la muestra (n) y
el criterio (c) utilizado para rechazar o aceptar un
lote.
El productor (proveedor) y el consumidor
(comprador) deben negociar.
Curva de característica operativa
Representa la capacidad de un plan de
aceptación para discriminar entre lotes
buenos y lotes malos.
Muestra la probabilidad de que el plan
acepte lotes de diferentes niveles de calidad.
Curva OC
Inspección 100%
P(Aceptar todo el lote)
100%
Quedarse con Devolver todo
todo el lote el lote
0%
0 1 2 3 4 5 6 7 8 9 10
Límite % de defectos en el lote
Curva OC con menos de un
muestreo del 100%
P(Aceptar todo el lote)
La probabilidad no es del 100%:
100% riesgo de quedarse con
productos defectuosos o
Quedarse devolver productos de buena
con todo el calidad.
lote Devolver todo el
lote
0%
0 1 2 3 4 5 6 7 8 9 10
Límite % de defectos en el lote
AQL y LTPD
Nivel de calidad aceptable (AQL):
Nivel de calidad de un lote de buena calidad.
El productor (proveedor) no quiere los lotes con
menos registros defectuosos de los que haya
rechazado el AQL.
Porcentaje de defectuosos para la tolerancia
de un lote (LTPD):
Nivel de calidad de un lote que consideramos
malo.
El consumidor (comprador) no quiere lotes con
más registros defectuosos de los que acepta el
LTPD.
Riesgo del productor y del
consumidor
Riesgo del productor ():
Probabilidad de que un “buen” lote sea rechazado.
Probabilidad de rechazar un lote cuando la parte
defectuosa sea AQL.
Riesgo del consumidor (ß):
Probabilidad de que se acepte un “mal” lote.
Probabilidad de aceptar un lote cuando la parte
defectuosa sea LTPD.
Curva de característica operativa
(OC) que muestra los riesgos
100
= 0,05 riesgo del productor en AQL
95
75
Probabilidad
de aceptación
50
25
10
= 0,10 Porcentaje
Riesgo del 0 1 2 3 4 5 6 7 8 de defectos
consumidor
en la LTPD AQL LTPD
Lotes
Zona de indiferencia Lotes malos
buenos
Curvas OC para distintos planes
de muestras
P(Aceptar todo el lote)
100% n = 50, c = 1
n = 100, c = 2
0%
0 1 2 3 4 5 6 7 8 9 10
AQL LTPD
% de defectos en el lote
Calidad media de salida
( Pd )( Pa )( N n )
AOQ
N
Donde: Pd = porcentaje real de unidades defectuosas del lote
Pa = probabilidad de aceptar el lote
N = número de elementos del lote
n = número de elementos de la muestra
Desarrollo de un plan de muestras
Negociar con el productor (proveedor) y el
consumidor (comprador).
Ambas partes tratan de minimizar los
riesgos.
Afecta al tamaño de la muestra y al criterio del
límite.
Métodos:
Tablas MIL-STD-105D.
Tablas Dodge-Romig.
Ecuaciones estadísticas.
Control estadístico de procesos: identificación y
reducción de la variabilidad del proceso
Límite inferior Límite superior
de de
especificación especificación
(a) Muestreo de
aceptación
(b) Control
estadístico de
control
(c) cpk >1
Samples
To measure the process, we take samples
and analyze the sample statistics
following these steps
Each of these
represents one
(a) Samples of the sample of five
product, say five boxes of cereal
boxes of cereal
taken off the filling Frequency # #
machine line, vary # # #
from each other in # # # #
weight # # # # # # #
# # # # # # # # # #
Figure S6.1 Weight
Samples
To measure the process, we take samples
and analyze the sample statistics
following these steps
The solid line
represents the
(b) After enough distribution
samples are
taken from a
stable process, Frequency
they form a
pattern called a
distribution
Figure S6.1 Weight
Samples
To measure the process, we take samples
and analyze the sample statistics
following these steps
(c) There are many types of distributions,
including the normal (bell-shaped) distribution,
but distributions do differ in terms of central
tendency (mean), standard deviation or
variance, and shape Figure S6.1
Frequency
Central tendency Variation Shape
Weight Weight Weight
Samples
To measure the process, we take samples
and analyze the sample statistics
following these steps
(d) If only natural
causes of
variation are Frequency
present, the Prediction
output of a
process forms a
distribution that Tim
e
is stable over Weight
time and is Figure S6.1
predictable
Samples
To measure the process, we take samples
and analyze the sample statistics
following these steps
?
?? ??
(e) If assignable ?
? ?
?
causes are ?
?
? ?
?
??
present, the Frequency ?? ?
process output is Prediction
not stable over
time and is not
predicable Tim
e
Weight
Figure S6.1
Mean and Range Charts
(a)
These (Sampling mean is
sampling shifting upward but
distributions range is consistent)
result in the
charts below
UCL
(x-chart detects
x-chart shift in central
tendency)
LCL
UCL
(R-chart does not
R-chart detect change in
mean)
LCL
Figure S6.5
Mean and Range Charts
(b)
These
sampling (Sampling mean
distributions is constant but
result in the dispersion is
charts below increasing)
UCL
(x-chart does not
x-chart detect the increase
in dispersion)
LCL
UCL
(R-chart detects
R-chart increase in
dispersion)
LCL
Figure S6.5
Setting Chart Limits
For x-Charts when we know
Upper control limit (UCL) = x + zx
Lower control limit (LCL) = x - zx
where x =mean of the sample means
or a target value set for the process
z =number of normal standard
deviations
x =standard deviation of the
sample means
=/ n
=population standard
Setting Control Limits
Hour 1 Hour Mean Hour Mean
Sample Weight of 1 16.1 7 15.2
Number Oat Flakes 2 16.8 8 16.4
1 17 3 15.5 9 16.3
2 13 4 16.5 10 14.8
3 16 5 16.5 11 14.2
4 18 6 16.4 12 17.3
n=9 5 17
6 16 For 99.73% control limits, z = 3
7 15
8 17
UCLx = x + zx = 16 + 3(1/3) = 17 ozs
9 16
Mean 16.1 LCLx = x - zx = 16 - 3(1/3) = 15 ozs
= 1
Setting Control Limits
Control Chart
for sample of Variation due
Out of to assignable
9 boxes control causes
17 = UCL
Variation due to
16 = Mean natural causes
15 = LCL
Variation due
| | | | | | | | | | | | to assignable
1 2 3 4 5 6 7 8 9 10 11 12 Out of causes
Sample number control
Setting Chart Limits
For x-Charts when we don’t know
Upper control limit (UCL) = x + A2R
Lower control limit (LCL) = x - A2R
where R =average range of the
samples
A2 =control chart factor found in
Table S6.1
x =mean of the sample means
Control Chart Factors
Sample Size Mean Factor Upper Range Lower
Range
n A2 D4 D3
2 1.880 3.268 0
3 1.023 2.574 0
4 .729 2.282 0
5 .577 2.115 0
6 .483 2.004 0
7 .419 1.924 0.076
8 .373 1.864 0.136
9 .337 1.816 0.184
10 .308 1.777 0.223
12 .266 1.716 0.284
Table S6.1
Setting Control Limits
Process average x = 12 ounces
Average range R = .25
Sample size n = 5
Setting Control Limits
Process average x = 12 ounces
Average range R = .25
Sample size n = 5
UCLx = x + A2R
= 12 + (.577)(.25)
= 12 + .144
= 12.144 ounces
From
Table
S6.1
Setting Control Limits
Process average x = 12 ounces
Average range R = .25
Sample size n = 5
UCLx = x + A2R UCL = 12.144
= 12 + (.577)(.25)
= 12 + .144 Mean = 12
= 12.144 ounces
LCLx = x - A2R LCL = 11.857
= 12 - .144
= 11.857 ounces
R – Chart
Type of variables control chart
Shows sample ranges over time
Difference between smallest and
largest values in sample
Monitors process variability
Independent from process mean
Setting Chart Limits
For R-Charts
Upper control limit (UCLR) = D4R
Lower control limit (LCLR) = D3R
where
R =average range of the
samples
D3 and D4=control chart factors from
Table S6.1
Setting Control Limits
Average range R = 5.3 pounds
Sample size n = 5
From Table S6.1 D4 = 2.115, D3 = 0
UCLR = D4R UCL = 11.2
= (2.115)(5.3)
= 11.2 pounds Mean = 5.3
LCLR = D3R LCL = 0
= (0)(5.3)
= 0 pounds
