CDC Tema 1 SPC Variables
CDC Tema 1 SPC Variables
CDC Tema 1 SPC Variables
CdC_Tema_1_SPC_Variables Code
CONTROL DE CALIDAD
UC3m / Depto. Estadística / MAD
curso 2023-24
1 Introducción
2 Cartas de Control para Xbar y R
2.1 Fundamentos Estadísticos de las Cartas
2.2 Carta de Control R
2.3 Carta de Control Xbar
2.4 Desarrollo de las Ecuaciones
2.5 Límites de Control de Prueba
2.6 Desarrollo y uso de las cartas Xbar y R
2.7 Revisión de Límites de Control y Líneas Centrales
2.8 Subgrupos Racionales
2.9 Lineamientos para el Diseño de la Carta de Control
2.10 Cambio del Tamaño de la Muestra en las Cartas Xbar y R
2.11 Límites de Probabilidad en las Cartas Xbar y R
2.11.1 Límites de Probabilidad para la Carta Xbar
2.11.2 Límites de Probabilidad para la Carta R
2.12 Cartas Basadas en Valores Estándares
2.12.1 Parámetros de la Carta Xbar con Valores Estándares
2.12.2 Parámetros de la Carta R con Valores Estándares
2.12.3 Consideraciones
2.13 Interpretación de las Cartas Xbar y R
2.13.1 Patrones Comunes en Cartas Xbar y R
2.13.2 Consideraciones Finales
2.14 El Efecto del Incumplimiento de la Normalidad en las Cartas Xbar y R
2.14.1 Supuesto de Normalidad y Desviación
2.14.2 Investigación sobre el Efecto de la Desviación de la Normalidad
2.14.3 Diferencia en la Sensibilidad entre Carta Xbar y Carta R
2.15 La Función de Operación Característica en Cartas Xbar y R
2.15.1 Curva OC en Carta Xbar
2.15.2 Curva OC en Carta R
2.15.3 Estudio de Datos Pasados y Recomendación
2.16 La función de operación característica
2.17 La longitud promedio de la corrida para la carta Xbar
3 CARTAS DE CONTROL PARA XBAR Y S
3.1 Construcción y operación de las cartas Xbar y S
3.1.1 Tabla 5-3 Mediciones del diámetro interior (mm) de los anillos para pistones de automóvil
3.2 Las cartas de control Xbar y S con tamaño de la muestra variable
4 La carta de control S 2
5 La Carta de Control de Shewhart para Mediciones Individuales
5.1 Estableciendo la Carta de Control
5.1.1 Interpretación de las Cartas
5.1.2 Normalidad de los Datos
5.1.3 Estimación de σ (Desviación Estándar)
6 Resumen de Procedimientos para las Cartas Xbar, R y S
6.1 Tabla 5-9: Fórmulas para Cartas de Control (con Valores Estándar Dados)
6.2 Tabla 5-10: Fórmulas para Cartas de Control, Límites de Control Basados en Datos Pasados (Sin Valores Estándar)
7 Aplicaciones de las Cartas de Control para Variables
7.1 Ejemplo 5-7: Uso de Cartas de Control para Mejorar Procesos de Proveedores
7.2 Ejemplo 5-8: Uso del SPC para Adquirir una Máquina Herramienta
7.3 Ejemplo 5-9: Implementación del SPC en Talleres con Corridas de Producción Cortas
7.4 Ejemplo 5-10: Uso de Cartas Xbar y R en un Contexto no Manufacturero
8 APÉNDICE:
8.1 Tabla VI:
Este apartado ha sido tomado del capítulo 5 del libro recomendado en la bibliografía: “Control
Estadístico de la Calidad” Douglas C. Montgomery ISBN 968-18-6234-1
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 1/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
1 Introducción
En este capítulo se abordan las cartas de control de Shewhart para características de calidad que se pueden
medir en una escala numérica, denominadas variables. Estas cartas permiten monitorear tanto el valor
medio como la variabilidad de estas características.
Características Variables
Las características de calidad que pueden expresarse numéricamente, como dimensiones, pesos o
volúmenes, se denominan variables. Las cartas de control para variables son ampliamente utilizadas en el
control de calidad.
Importancia del Control
Cuando se trabaja con características de calidad como variables, es esencial monitorear tanto la media del
proceso como su variabilidad. Esto se logra mediante cartas de control específicas.
Cartas de Control Xbar y R
Las cartas de control Xbar y R se utilizan para monitorear la media y la variabilidad del proceso en variables.
Son técnicas estadísticas cruciales para el control y monitoreo de procesos en línea.
La carta Xbar se utiliza para controlar el promedio del proceso. Es esencial para mantener bajo control el
nivel de calidad medio.
La carta R se emplea para monitorear la variabilidad del proceso. Es una herramienta valiosa para
identificar cambios en la dispersión de las características de calidad.
Variaciones y Adaptaciones
En algunos casos, es necesario realizar adaptaciones a las cartas de control Xbar y R para ajustarse a
situaciones específicas. Se consideran variantes que se ajustan a mediciones individuales y se presentan
ejemplos de aplicaciones típicas.
Adaptación a Mediciones Individuales
Se describen procedimientos para adaptar las cartas Xbar y R cuando las mediciones se toman de forma
individual en lugar de en grupos.
En resumen:
Las cartas de control Xbar y R son herramientas esenciales en el control de calidad para características de
calidad medidas numéricamente. Estas cartas permiten monitorear tanto la media como la variabilidad del
proceso, garantizando que los productos cumplan con las especificaciones requeridas.
x1 + x2 + ⋯ + xn
x̄ =
n
σ
y se sabe que x̄ sigue una distribución normal con media µ y desviación estándar σx̄ = . Además, con
√n
σ
μ − Zα/2 σx̄ = μ − Zα/2 −
−
√n
donde Z α
es el valor crítico de la distribución normal estándar.
2
La variabilidad del proceso debe controlarse tanto en la media como en la desviación estándar.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 2/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Figura 5-1 La necesidad de controlar tanto la media como la variabilidad del proceso. a) La media y la
desviación estándar en sus valores nominales. b) La media del proceso μ1 > μ0 , . c) La desviación
estándar del proceso σ1 > σ0 .
Las cartas de control Xbar y R son herramientas efectivas para este propósito.
En la práctica, generalmente no se conocen los valores de μ y σ. Por lo tanto, deben estimarse a partir de
muestras o subgrupos preliminares tomados cuando se considera que el proceso está bajo control. En
general, estas estimaciones deberán basarse en al menos 20 o 25 muestras. Suponer que se cuenta con m
muestras, cada una de las cuales contiene n observaciones de la característica de la calidad. De manera
típica, n será pequeña, con frecuencia será 4, 5 o 6. Estos tamaños pequeños de la muestra suelen resultar
de la construcción de subgrupos racionales.
R = xmax − xmin
R1 + R2 + ⋯ + Rm
¯
R =
m
¯ ¯ ¯
UCL = D4 R Center line = R LCL = D3 R
¯ + A R¯
UCL = x̄ 2
Center line ¯
= x̄
¯ − A R¯
LCL = x̄ 2
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 3/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
¯
R
σ
^ =
d2
3
¯ + ¯
UCL = x̄ −R
−
d2 √n
Center line ¯
= x̄
3
¯ − ¯
LCL = x̄ −R
−
d2 √n
Si se define
3
A2 = −
−
d2 √n
entonces la ecuación para los límites de Xbar se reduce a la ecuación basada en la constante A2 :
¯ ¯
UCL = x̄ + A2 R Center line = x̄ LCL = x̄ − A2 R
R = Wσ
la desviación estándar de R es
σR = d3 σ
¯
R
σ
^R = d3
d2
Por consiguiente, los parámetros de la carta R con los límites de control tres sigma usuales son
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 4/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
¯
R
¯ ¯
UCL = R + 3σ
^R = R + 3d3
d2
¯
Center line = R
¯
R
¯ ¯
LCL = R − 3σ
^R = R − 3d3
d2
d3 d3
y si se hace D3 = 1 − 3
d2
y D4 = 1 + 3
d2
¯ ¯ ¯
UCL = D4 R Center line = R LCL = D3 R
(del ejemplo 5-1 del libro) Los anillos para pistones de un motor de automóvil se producen mediante un
proceso de fundición. Quiere establecerse el control estadístico del diámetro interior de los anillos fabricados
con este proceso utilizando cartas Xbar y R. Para ello se toman 25 muestras, cada una de tamaño cinco,
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 5/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
cuando se considera que el proceso está bajo control. En la tabla siguiente se muestran los datos de la
medición del diámetro interior de estas muestras.
Hide
library(qcc)
library(knitr)
library(kableExtra)
library(tidyverse)
data("pistonrings")
datos<-pistonrings[pistonrings$trial,1:2]
dato<-matrix(datos$diameter, ncol=5, byrow=T)
colnames(dato)<-c("X1","X2","X3","X4","X5")
df<-as.data.frame(dato)
df$Xbar<-round(rowSums(dato)/5,3)
max<-aggregate(datos$diameter, by=list(datos$sample), FUN=max)[,2]
min<-aggregate(datos$diameter, by=list(datos$sample), FUN=min)[,2]
df$Ri<-max-min
df$num<-1:25
df<-df[, c(8,1:7)]
#kable(df, "simple")%>%
# kable_styling(font_size = 6)
Cuando se establecen las cartas de control Xbar y R, es mejor empezar con la carta R. Debido a que los
límites de control de la carta Xbar dependen de la variabilidad del proceso, a menos que la variabilidad del
proceso esté bajo control, estos límites no tendrán mucho sentido.
Utilizando los datos de la tabla anterior, se encuentra que la línea central de la carta R es:
25
∑ Ri
i=1
¯
R = = 0.023
25
Para muestras con n = 5, en la Tabla VI del apéndice del libro se encuentra que D3 = 0 y D4 = 2.115 . Por
lo tanto, los límites de control para la carta R son:
En la figura se muestra la carta R. Cuando los 25 rangos muestrales se grafican en esta carta, no hay
indicios de una condición fuera de control.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 6/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
En R , para obtener este gráfico es necesario indicar el argumento type="R" en la función qcc() .
Puesto que la carta R indica que la variabilidad del proceso está bajo control, puede construirse ahora la
carta Xbar. La línea central es
25
∑ x
¯i 1850.028
i=1
¯ =
x̄ = = 74.001
25 25
Para encontrar los límites de control de la carta Xbar, se usa A2 = 0.577 de la Tabla VI del apéndice del
libro para muestras de tamaño n = 5 y las ecuaciones quedan así:
¯ + A R¯
U CL = x̄ 2 = 74.001 + (0.577)(0.023) = 74.014
¯ − A R¯
LCL = x̄ 2 = 74.001 − (0.577)(0.023) = 73.988
En R , para obtener este gráfico es necesario indicar el argumento type="xbar" en la función qcc() .
Cuando los promedios muestrales preliminares se grafican en esta carta, no se observa ningún indicio de
una condición fuera de control.
Por lo tanto, puesto que las cartas Xbar y R indican control, se concluiría que el proceso está bajo control
en los niveles establecidos y se adoptan los límites de control de prueba para usarlos en el control
estadístico del proceso en línea.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 7/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Estimación de la capacidad del proceso
Las cartas Xbar y R proporcionan información acerca del desempeño o capacidad del Proceso, A partir de
la carta Xbar el diámetro medio de los anillos para pistones puede estimarse como X
¯
= 74.001mm.
¯
R 0.023
σ
^ = = = 0.0099
d2 2.326
donde el valor de d2 para muestras de tamaño cinco se encuentra en la Tabla VI del apéndice del libro. Los
límites de la especificación para estos anillos para pistones son 74.000 ± 0.05mm.
Los datos de la carta de control pueden usarse para describir la capacidad del proceso para producir
anillos para pistones respecto de estas especificaciones.
Suponiendo que el diámetro de los anillos para pistones es una variable aleatoria con una distribución
normal, con media 74.001 y desviación estándar 0.0099, la fracción disconforme de los anillos para pistones
producidos puede estimarse como
= Φ(−5.15) + 1 − Φ(4.04)
≃ 0 + 1 − 0.99998
≃ 0.00002
Es decir, aproximadamente 0.002% [20 partes por millón (ppm)] de los anillos para pistones producidos
estarán fuera de las especificaciones.
Otra manera de expresar la capacidad del proceso es en términos del índice de capacidad del proceso
(PCR, por sus siglas en inglés) CP , que para una característica de la calidad con límites tanto superior como
inferior de la especificación (USL y LSL, respectivamente) es:
U SL − LSL
Cp =
6σ
la extensión 6σ del proceso es la definición básica de la capacidad del proceso. Puesto que por lo general σ
es desconocida, debe sustituirse con una estimación. Se usa con frecuencia σ ^ = R/d2 , como estimación
¯
de σ, de donde se obtiene la estimación C^P , de Cp . Para el proceso de los anillos para pistones, puesto
que R
¯
^ = 0.0099 , se encuentra que
/d2 = σ
74.05 − 73.95
^
Cp =
6(0.0099)
0.10
=
0.0594
= 1.68
Hide
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 8/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Hide
Esto implica que los límites de tolerancia “natural” en el proceso (tres sigma arriba UNTL y abajo LNTL de la
media) están muy adentro de los límites inferior y superior de la especificación. Por consiguiente, se
producirá un número relativamente pequeño de anillos para pistones disconformes.
Se producen gran
No se producen casi Se producen muy pocas
cantidad de unidades
unidades disconformes unidades disconformes
disconformes.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 9/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
1
P = ( )100%
CP
es simplemente el porcentaje de la banda de las especificaciones que utiliza el proceso. Para el proceso de
los anillos para pistones, una estimación de P es:
1 1
P = ( )100% = ( )100% = 59.5%
CP 1.68
proceso.
ya que esta combinación incorrecta de variabilidades entre y dentro de las muestras puede sobrestimar σ.
Para el caso del ejemplo de los anillos de pistones con m=25 muestras y n=5 observaciones, el valor de
la media global x̄
¯ = 74.00112 el valor de R̄/d = 0.0098 siendo el valor de s aplicando la fórmula
2
anterior s= 0.0101.
Los límites de control deben basarse únicamente en la variabilidad dentro de las muestras, y agrupar todos
los datos preliminares de manera inapropiada para estimar σ no es recomendable.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 10/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
En resumen, los subgrupos racionales se seleccionan cuidadosamente para asegurar que la carta Xbar
monitoree cambios en el promedio del proceso, mientras que la carta R mida solo la variabilidad dentro de
las muestras.
d2 (new)
¯ + A [ ¯
UCL = x̄ 2 ] Rold
d2 (old)
d2 (new)
¯ − A [
LCL = x̄ ¯
]R
2 old
d2 (old)
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 11/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Nuevos Parámetros para la Carta R: -
d2 (new)
¯
UCL = D4 [ ] Rold
d2 (old)
d2 (new)
¯ ¯
CL = Rnew = [ ] Rold
d2 (old)
d2 (new)
¯
LCL = max {0, D3 [ ] Rold }
d2 (old)
En ambos casos, los factores A2 , D3 y D4 se ajustan según el nuevo tamaño de la muestra. Estos cambios
permiten adaptar las cartas de control a diferentes escenarios de tamaño de muestra y cambios en el
proceso.
Los límites de probabilidad para la carta R se obtienen a partir de D0.001 = W0.001 (n)/d2 y
D0.999 = W0.999 (n)/d2 .
¯ ¯
Los límites de control para la carta R son UCL = D0.999 R y LCL = D0.001 R .
En situaciones prácticas, estos límites de probabilidad no diferirán significativamente de los límites
convencionales “3 sigma”. Sin embargo, para tamaños de muestra 3 < n < 6, los límites de probabilidad
generarán un límite de control inferior positivo en la carta R, a diferencia de los límites convencionales.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 12/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
−
−
Aquí, se denota como A, una constante determinada en la Tabla VI del apéndice.
3/√n
2.12.3 Consideraciones
Es importante tener cuidado cuando se utilizan valores estándares de μ y σ.
Los valores estándares podrían no ser aplicables al proceso real, lo que podría llevar a señales de
fuera de control en las cartas Xbar y R.
Los valores estándares de σ pueden causar más problemas que los de μ.
En procesos donde la media se controla mediante ajustes de la máquina, los valores estándares
pueden ser útiles para alcanzar objetivos de desempeño del proceso.
Patrones cíclicos en la carta Xbar pueden deberse a cambios ambientales sistemáticos (temperatura,
fatiga del operador, rotación de operadores, fluctuaciones en voltaje o presión, etc.).
Cartas R pueden mostrar ciclos debido a mantenimiento, fatiga del operador o desgaste de
herramientas.
2.13.1.2 Patrones Mezclados
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 13/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Un patrón mezclado se presenta cuando los puntos se encuentran cerca o ligeramente fuera de los
límites de control, con pocos puntos cerca de la línea central.
Resulta de la superposición de dos o más distribuciones en la salida del proceso.
Puede ser causado por sobrecontrol o mezcla de productos de diferentes fuentes.
2.13.1.3 Corrimientos en el Nivel del Proceso
Corrimientos en el nivel del proceso pueden deberse a introducción de nuevos trabajadores, métodos,
materias primas, máquinas, cambios en estándares o inspección, habilidades de operadores, etc.
A veces, la introducción de cartas de control puede mejorar el desempeño debido a factores
motivacionales.
2.13.1.4 Tendencias en el Nivel del Proceso
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 14/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
β = P {LCL ≤ x̄ ≤ U CL ∣ μ = μ1 = μ0 + kσ}
Puesto que:
2
σ
x̄ ∼ N (μ, )
n
donde Φ denota la función de distribución normal estándar acumulada. Esta expresión se reduce a:
−
− −
−
β = Φ(L − k√n ) − Φ(−L − k√n )
Para ilustrar la aplicación de la ecuación 5-19, suponer que se está usando una carta Xbar con L = 3 (los
límites tres sigma usuales), que el tamaño de la muestra n = 5 y que quiere determinarse la probabilidad de
detectar un corrimiento a μ1 = μ0 + 2σ en la primera muestra después del corrimiento. Entonces, puesto
que L = 3, k = 2 y n = 5 , se tiene:
– –
β = Φ[3 − 2√5] − Φ[−3 − 2√5] ≈ Φ(−1.47) − Φ(−7.37) ≈ 0.0708
Se trata del riesgo β, o la probabilidad de no detectar este corrimiento. La probabilidad de que este
corrimiento se detectará en la primera muestra subsecuente es 1 − β = 1 − 0.0708 = 0.9292.
Para construir la curva OC de la carta Xbar, se grafica el riesgo β contra la magnitud del corrimiento que
quiere detectarse expresado en unidades de desviación estándar para varios tamaños de la muestra n.
Estas probabilidades pueden evaluarse directamente con la ecuación 5-19. Esta curva OC se muestra en la
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 16/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
figura 5-15 para el caso de los límites tres sigma (L = 3 ).
Figura 5-15: Curvas de operación característica de la carta Xbar con límites tres sigma. β = Probabilidad
de no detectar un corrimiento de kσ en la media en la primera muestra después del corrimiento.
La figura 5-15 indica que para los tamaños de la muestra típicos de cuatro, cinco y seis, la carta Xbar no es
particularmente efectiva para detectar un corrimiento pequeño —por ejemplo, aquellos en el orden 1.5σ o
menos— en la primera muestra después del corrimiento. Por ejemplo, si el cambio es 1.0σ y n = 5 ,
entonces por la figura 5-15 se tiene β = 0.75, aproximadamente. Por tanto, la probabilidad de que el
corrimiento se detectará en la primera muestra es tan sólo 1 − β = 0.25. Sin embargo, la probabilidad de
que el corrimiento se detecte en la segunda muestra es β(1 − β) = 0.75(0.25) = 0.19, mientras que la
probabilidad de que el corrimiento se detecte en la tercera muestra es
β (1 − β) = (0.75) (0.25) = 0.14 . Por tanto, la probabilidad de que el corrimiento se detectará en la r-
2 2
1 1
ARL = = = 4
1 − β 0.25
En otras palabras, el número esperado de muestras tomadas para detectar un corrimiento de 1.0σ con
n = 5 es 4.
La discusión anterior proporciona un argumento en apoyo del uso de tamaños de la muestra pequeños en la
carta Xbar. Aun cuando los tamaños de la muestra pequeños resultan por lo general en un riesgo β
relativamente alto, debido a que las muestras se colectan y prueban de manera periódica, existe una buena
oportunidad de que el corrimiento se detectará con prontitud razonable, aun que quizá no en la primera
muestra después del corrimiento.
Para construir la curva OC de la carta R se emplea la distribución del rango relativo W = R/σ . Suponer
que el valor bajo control de la desviación estándar es σ0 . Entonces en la curva OC se grafica la probabilidad
de no detectar un corrimiento a un nuevo valor de σ —por ejemplo, σ1 > σ0 — en la primera muestra
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 17/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
después del corrimiento.
En la figura 5-16 se presenta la curva OC, en la que β se grafica contra λ = σ1 /σ0 , el cociente de la
desviación estándar nueva y la anterior del proceso, para varios valores de n.
Figura 5-16: Curvas de operación característica de la carta R con límites tres sigma. (Adaptación de A. J.
Duncan, “Operating Characteristics of R Charts”, en Industrial Quality Control, Vol. 7. No. 5, pp. 40-41, 1951,
con permiso de la American Society for Quality Control.)
Al examinar la figura 5-16, se observa que la carta R no es muy efectiva para detectar los corrimientos en el
proceso para tamaños de la muestra pequeños. Por ejemplo, si la desviación estándar del proceso se
duplica (λ = σ1 /σ0 = 2 ), que es un corrimiento bastante grande, entonces las muestras de tamaño cinco
solo tienen una oportunidad del 40% de detectar este corrimiento en cada muestra subsecuente. La mayoría
de los ingenieros de calidad sienten que la carta R no es sensible a los corrimientos de pequeños a
moderados para los tamaños usuales del subgrupo de n = 4 , 5 o 6. Si n > 10 o 12 , generalmente deberá
usarse la carta S, que se discute en el punto 3, en vez de la carta R.
En las curvas OC de las figuras 5-15 y 5-16 se supone que las cartas Xbar y R se usan para el control en
línea del proceso. En ocasiones es conveniente estudiar la curva OC de la carta usada para analizar datos
pasados. Esto puede dar cierto indicio de la manera en que el número de subgrupos preliminares usados
para establecer la carta de control afecta la habilidad de la carta para detectar las condiciones fuera de
control que existían cuando se colectaron los datos. Es a partir de estos estudios analíticos, así como de la
experiencia práctica, que ha evolucionado la recomendación de usar aproximadamente 20 o 25 subgrupos
preliminares para establecer las cartas Xbar y R.
1
ARL =
P (one point plots out of control)
1
ARL 0 =
α
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 18/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
1
ARL 1 =
1 − β
Estos resultados en realidad son muy intuitivos. Si las observaciones graficadas en la carta de control son
independientes, entonces el número de puntos que deben graficarse hasta que ocurra el primer punto que
exceda un límite de control es una variable aleatoria geométrica con parámetro p. La media de esta
distribución geométrica es simplemente 1/p, la longitud promedio de la corrida.
Puesto que es relativamente sencillo desarrollar una expresión general para β en la carta de control Xbar
para detectar un corrimiento en la media de kσ , entonces no es difícil construir un conjunto de curvas ARL
para la carta Xbar. En la figura 5-17 se presentan estas curvas ARL para la carta de control Xbar con los
tamaños de la muestra de n = 1, 2, 3, 4, 5, 7, 9 y 16 , donde la ARL está expresada en términos del
número esperado de muestras tomadas para detectar el corrimiento. Como ilustración del uso de la figura 5-
17, obsérvese que si quiere detectarse un corrimiento de 1.5σ utilizando un tamaño de la muestra de
n = 3 , entonces el número promedio de muestras requerido será ARL 1 = 3. Obsérvese asimismo que
podría reducirse la ARL a aproximadamente 1 si el tamaño de la muestra se incrementara a n = 16.
Figura 5-17: Longitud promedio de la corrida (muestras) en la carta Xbar con límites tres sigma, donde la
media del proceso se corre en kσ .
Recuérdese que ya se indicó que las ARL son objeto de ciertas críticas como medidas del desempeño de
cartas de control. Se señaló entonces (y arriba) que la distribución de la longitud de la corrida de una carta
de control de Shewhart es geométrica y que puede tratarse de una distribución con un sesgo muy
pronunciado, por lo que el promedio (es decir, la ARL) quizá no sea la mejor medida de la longitud “típica” de
la corrida.
Hay otra cuestión referente a la ARL relacionada con el hecho de que los cálculos para una carta de control
específica por lo general se basan en estimaciones de los parámetros del proceso. Esto resulta en valores
inflados de ARL0 y ARL1 .
Por ejemplo, suponer que la línea central de la carta se estima perfectamente, pero que la desviación
estándar del proceso está sobrestimada en un 10%. Esto resultaría en ARL0 = 517, valor que excede con
mucho el valor nominal o “teórico” de 370. Ahora bien, para un proceso que tiene una distribución normal es
igualmente posible que se subestime la desviación estándar del proceso en 10%, y esto resultaría en
ARL 0 = 268 , un valor considerablemente menor que 370. El promedio es (268 + 517)/2 = 392, el cual
sugiere que los errores al estimar la desviación estándar del proceso resultan en ARL que están
sobrestimadas.
En ocasiones son de interés otras dos medidas del desempeño basadas en la ARL. El ATS (Average Time
to Signal, tiempo promedio hasta la señal) es el número de periodos de tiempo que ocurren hasta que se
genera una señal en la carta de control. Si las muestras se toman en intervalos de tiempo h con el mismo
espaciamiento, entonces el ATS es:
ATS = ARL ⋅ h
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 19/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Figura 5-18: Longitud promedio de la corrida (unidades individuales) de la carta Xbar con límites tres sigma,
donde la media del proceso se corre en kσ .
Puede ser útil también expresar la ARL en términos del número esperado de unidades individuales
muestreadas —por ejemplo, l— en vez de usar el número de muestras tomadas para detectar un
corrimiento. Si el tamaño de la muestra es n, la relación entre l y ARL es:
l = n ⋅ ARL
En la figura 5-18 se presenta un conjunto de curvas en las que se grafica el número esperado de unidades
individuales l que deben muestrearse para que la carta Xbar detecte un corrimiento de kσ . Para ilustrar el
uso de la curva, obsérvese que para detectar un corrimiento de 1.5σ, una carta Xbar con n = 16 requerirá
el muestreo de aproximadamente 16 unidades, mientras que si el tamaño de la muestra es n = 3 , solo se
necesitarán aproximadamente 9 unidades, en promedio.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 20/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
3.1.1 Tabla 5-3 Mediciones del diámetro interior (mm) de los anillos para pistones
de automóvil
Número de muestra Observaciones Xbar_i S_i
… … … …
25 73.982 73.984 0.0162
∑ ∑ xij = 1850.028 | x̄
¯ = 74.001 | S
¯
= 0.0094
central de la carta es c4 σ. Los límites de control tres sigma para S son entonces:
−−−−−
2
U CL = c4 σ + 3σ√ 1 − c
4
−−−−−
2
LCL = c4 σ − 3σ√ 1 − c
4
Por consiguiente, los parámetros de la carta S con un valor estándar para σ dado, se vuelven:
En la Tabla VI del apéndice se tabulan los valores B5 y B6 para varios tamaños de la muestra.
Cuando no hay un valor estándar dado para σ, entonces debe estimarse analizando datos pasados.
Suponer que se cuenta con m muestras preliminares, cada una de tamaño n, y sea Si la desviación
estándar de la i-ésima muestra. El promedio de las m desviaciones estándar es:
m
1
s̄ = ∑ si
m
i=1
El estadístico s̄ /c4 , es un estimador insesgado de σ. Por lo tanto, los parámetros de la carta S serían:
s̄ −−−−−
2
U CL = s̄ + 3 √1 − c
4
c4
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 21/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
Centerline = s̄
s̄ −−−−−
2
LCL = s̄ − 3 √1 − c
4
c4
3 −−−−− 3 −−−−−
2 2
B3 = 1 − √1 − c y B4 = 1 + √1 − c
4 4
c4 c4
U CL = B4 s̄ Centerline = s̄ LCL = B3 s̄
¯ + 3/(c −
− ¯ ¯ − 3/(c −
−
U CL = x̄ 4 √n )s̄ Centerline = x̄ LCL = x̄ 4 √n )s̄
−
−
Sea la constante A3 = 3/(c4 √n ) . Entonces los parámetros de la carta Xbar se vuelven:
U CL = x̄ + A3 s̄ ¯
Centerline = x̄ LCL = x̄ − A3 s̄
En la Tabla VI del apéndice se enlistan las constantes B3 , B4 , y A3 , para construir cartas Xbar y S a partir
de datos pasados para varios tamaños de la muestra.
Obsérvese que se ha supuesto que la desviación estándar muestral se define como:
−−−−−−−−−−−−
n
2
∑ (xi − x̄)
i=1
s = √
n − 1
library(qcc)
data(pistonrings)
diameter <- qccGroups(data = pistonrings, diameter, sample)
qS <- qcc(diameter[1:25,], type = "S" )
plot(qS)
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 22/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
En R , para obtener este gráfico es necesario indicar el argumento type="S" en la función qcc()
Hide
m 1/2
2
∑ (ni − 1)s
i=1 i
s̄ = [ ]
m
∑ ni − m
i=1
Estas fórmulas se utilizan como las líneas centrales en las cartas de control Xbar y S, respectivamente. Los
límites de control se calcularían con las ecuaciones 5-27 y 5-28, respectivamente, pero las constantes A3 ,
B3 y B4 dependerán del tamaño de la muestra usado en cada subgrupo individual.
Una alternativa al uso de límites de control de anchura variable para las cartas de control Xbar y S, es basar
los cálculos de los límites de control en un tamaño promedio de la muestra n. Si los ni no difieren mucho,
este enfoque puede ser satisfactorio en algunas situaciones; es particularmente útil si las cartas van a ser
presentadas a la administración. Puesto que el tamaño promedio de la muestra n quizá no sea un número
entero, una alternativa útil es basar estos límites de control aproximados en el tamaño modal de la muestra
(el más común).
4 La carta de control S 2
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 24/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
La mayoría de los ingenieros de calidad emplean la carta R o la carta S para monitorear la variabilidad del
proceso, prefiriendo la carta S en lugar de la carta R para tamaños de muestra moderados a grandes. Sin
embargo, algunos en la práctica recomiendan una carta de control basada directamente en la varianza
muestral S 2 .
Los parámetros para la carta de control S 2 son los siguientes:
2
s̄
Límite Superior de Control (UCL): n−1
χ
2
α/2,n−1
Línea Central: s̄ 2
2
s̄
Límite Inferior de Control (LCL): n−1
χ
2
1−
α
,n−1
2
α
Donde χ
2
α/2,n−1
y χ
2
1−
α
,n−1
denotan los percentiles 2
superior e inferior de la distribución ji-cuadrada con
2
n − 1 grados de libertad, y s̄ 2 es la varianza muestral promedio obtenida del análisis de los datos
preliminares. Podría usarse un valor estándar σ 2 en la ecuación en lugar de s̄ 2 si se dispone de uno. Es
importante notar que esta carta de control se define con límites de probabilidad.
M Ri = |xi − xi−1 |
¯¯¯¯¯¯¯¯
MR
UCL = x̄ + 3
d2
Center line = x̄
¯¯¯¯¯¯¯¯
MR
LCL = x̄ − 3
d2
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 25/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
El límite inferior de control (LCL) generalmente se establece en 0, ya que los rangos móviles no pueden ser
negativos.
Hide
library(qcc)
library(kableExtra)
# batch 4 is out-of-control because of a process temperature controller
# failure; remove it and recompute
data(viscosity)
q = with(viscosity, qcc(viscosity[trial], type = "xbar.one"))
#knitr::kable(t(viscosity[,1:2]))
t(viscosity[1:20,1:2])%>%
kbl(caption = "Datos sobre Viscosidad",align="l") %>%
kable_classic(full_width = F, html_font = "Cambria", font_size = 12)
Hide
plot(q)
En R , para obtener este gráfico es necesario indicar el argumento type="xbar.one" en la función qcc() .
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 26/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
¯¯¯¯¯¯¯¯ s
donde σ
^1 = 0.8865MR siendo 0.8865 =
1
=
1
1.128
yσ
^2 =
c4
d 2 (n=2)
que son insesgados bajo ciertas condiciones suponiendo que no están presentes causas asignables en la
secuencia de las m observaciones individuales.
Sin embargo, es importante tener en cuenta el sesgo en la estimación de σ cuando hay causas asignables
presentes en el proceso.
En resumen, la Carta de Control de Shewhart para Mediciones Individuales es una herramienta valiosa en la
gestión de calidad para controlar procesos en los que el tamaño de la muestra es igual a 1. Sin embargo, se
deben tener en cuenta factores como la normalidad de los datos y el sesgo en la estimación de la desviación
estándar al aplicar esta herramienta de control de calidad.
x̄ (μ y σ dados) μ μ ± Aσ
x̄ (usando R) ¯
x̄ ¯ ± A R
x̄ 2
¯
x̄ (usando s) ¯
x̄ ¯ ± A S
x̄ 3
¯ ¯
R ¯
R UCL=D4 R , LCL=D3 R
s s̄ UCL=B4 s̄ , LCL=B3 s̄
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 27/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
7.2 Ejemplo 5-8: Uso del SPC para Adquirir una Máquina
Herramienta
La compañía John Deere utiliza métodos de Control Estadístico de Procesos (SPC) para seleccionar
equipos de producción. Antes del envío, las máquinas herramientas deben pasar una demostración de
capacidad para garantizar que cumplan o superen los criterios de desempeño establecidos. En un ejemplo,
se evaluó una sierra de cinta de control programable. El proveedor cortó 45 piezas que se analizaron
utilizando cartas Xbar y R para demostrar control estadístico y evaluar la capacidad del proceso. La sierra
demostró la capacidad deseada, y el proveedor obtuvo información valiosa sobre el rendimiento de su
equipo. Las pruebas de control y capacidad como esta se están convirtiendo en parte esencial del proceso
de selección y adquisición de equipos en muchas compañías.
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 28/30
30/12/23, 11:30 CdC_Tema_1_SPC_Variables
llevó a mejoras significativas. En nueve meses, se redujo drásticamente el porcentaje de facturas pagadas
con retraso, generando ahorros sustanciales.
8 APÉNDICE:
8.1 Tabla VI:
Hide
library(kableExtra)
library(SixSigma)
nmax<-25
n<-2:nmax
d2<-sapply(2:nmax, ss.cc.getd2)
d3<-sapply(2:nmax, ss.cc.getd3)
c4<-sapply(2:nmax, ss.cc.getc4)
A2<-3/(d2*sqrt(n))
A3<-3/(c4*sqrt(n))
D1<-d2-3+d3
D2<-d2+3+d3
D3<-sapply(1:(nmax-1),function(x){max(c(0,1-3*(d3[x]/d2[x])))})
D4<-(1+3*(d3/d2))
B3<-sapply(1:(nmax-1),function(x){max(0,1-3*(sqrt(1-c4[x]^2)/c4[x]))})
B4<-1+3*(sqrt(1-c4^2)/c4)
B5<-c4-3*(sqrt(1-c4^2))
B6<-c4+3*(sqrt(1-c4^2))
constdf<-data.frame(n, d2, d3, c4, A2, A3, B3, B4, B5, B6, D1, D2,D3,D4)
constdf<-round(constdf,3)
constdf %>%
kbl(caption = "TABLA VI Apéndice del Libro",align="l") %>%
kable_classic(full_width = F, html_font = "Cambria")
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 29/30