Minatitln Veracruz, mayo de 2013

ANALISIS DE DATOS EXPERIMENTALES

AL UMN OS
Edgar Felipe Lopez Villalobos Vilma Fernanda Zabalegui Espinoza

CONTROL ESTADSTICO DE DATOS. 5.1. CONCEPTOS Y PRINCIPIOS DEL CONTROL ESTADSTICO DEL PROCESO (CEP). 5.2. PLAN DEL CONTROL. 5.3. GRFICOS DE ATRIBUTOS.

Introduccin:
El Control Estadstico de Procesos naci a finales de los aos 20 en los Bell Laboratorios. Su creador fue W. A. Shewhart, quien en su libro Economic Control of Quality of Manufactured Products (1931) marc la pauta que seguiran otros discpulos distinguidos (Joseph Juran, W.E. Deming, etc.). Estos personajes analizaron y crearon un mtodo sistemtico para el control de procesos basados en el control de los datos el cul fue creado con la finalidad de comprender el comportamiento de un proceso y as reducir la variabilidad de la produccin lo que dio como resultado un mejoramiento de la calidad y a su vez una reduccin en los costos de produccin ya que el mejoramiento de la calidad basado en un control de procesos produce una menor proporcin de desechos. Su funcin principal es determinar si el desempeo de un proceso, se mantiene en un nivel aceptable de calidad presentado variabilidades naturales que no lleguen a afectar el proceso de manera directa con lo que se determinar si un proceso est o no fuera de control. Con dicha herramienta se tendr vigilado el proceso de manera continua y se establecern las medidas a tomar ya sea la realizacin de cambios o la continuidad del sistema empleado. Justificacin: Consideramos que es muy importante conocer el tema para saber la forma en que se tratarn los datos y podamos gozar de todos los beneficios, entre ellos estan econmicos adems, el control estadstico de datos es de suma importancia ya que nos permite conocer el comportamiento de un proceso, ayudndonos a reducir costos de produccin lo cual es esencial para cualquier empresa.

Objetivo:
Entender el concepto de control estadstico de datos aprender a aplicar herramientas para el control estadstico de procesos a situaciones reales de trabajo identificar las causas especiales de las variaciones que se producen en un proceso y suministrar informacin para tomar decisiones.

Control estadstico de datos.

Los grficos de control, basndose en tcnicas estadsticas, permiten usar criterios objetivos para distinguir variaciones de fondo de eventos de importancia. Casi toda su potencia est en la capacidad de monitorizar el centro del proceso y su variacin alrededor del centro. Recopilando datos de mediciones en diferentes sitios en el proceso, se pueden detectar y corregir variaciones en el proceso que puedan afectar a la calidad del producto o servicio final, reduciendo desechos y evitando que los problemas lleguen al cliente final. Con su nfasis en la deteccin precoz y prevencin de problemas, SPC tiene una clara ventaja frente a los mtodos de calidad como inspeccin, que aplican recursos para detectar y corregir problemas al final del producto o servicio, cuando ya es demasiado tarde. Adems de reducir desechos, SPC puede tener como consecuencia una reduccin del tiempo necesario para producir el producto o servicio. Esto es debido parcialmente a que la probabilidad de que el producto final se tenga que trabajar es menor, pero tambin puede ocurrir que al usar SPC, identifiquemos los cuellos de botella, paradas y otros tipos de esperas dentro del proceso. Reducciones del tiempo de ciclo del proceso relacionado con mejoras de rentabilidad han hecho del SPC una herramienta valiosa desde el punto de vista de la reduccin de costes y de la satisfaccin del cliente final.

Principios del control estadstico de proceso.

Las graficas de control se utilizan en la industria como tcnica de diagnsticos para supervisar procesos de produccin e identificar inestabilidad y circunstancias anormales. Las graficas de control constituyen un mecanismo para detectar situaciones donde las causas asignables pueden estar afectando de manera adversa la calidad de un producto. Cuando una grafica indica una situacin fuera de control, se puede iniciar una investigacin para identificar causas y tomar medidas correctivas. Nos permiten determinar cundo deben emprenderse acciones para ajustar un proceso que ha sido afectado por una causa especial. Nos dicen cuando dejar que un proceso trabaje por s mismo, y no malinterpretar las variaciones debidas a causas comunes. Las causas especiales se deben contrarrestar con acciones correctivas. Las causas comunes son el centro de atencin de las actividades permanentes para mejorar el proceso.

Naturaleza de los lmites de control.

Las ideas fundamentales en las que se basan las graficas de control son similares en su estructura a la prueba de hiptesis. Los lmites de control se establecen para controlar la probabilidad de cometer el error de concluir que el proceso est fuera de control, cuando de hecho no lo est (Error tipo I) si probramos la hiptesis nula de que el proceso est bajo control. Por otro lado, debemos estar atentos al error del segundo tipo, es decir, el de no encontrar el proceso fuera de control cuando de hecho si lo est (Error tipo II). De sta manera, la eleccin de los lmites de control es similar a la eleccin de la regin crtica.

Como en el caso de la prueba de hiptesis, el tamao de la muestra en cada punto es importante. La eleccin del tamao de la muestra depende en gran medida de la sensibilidad o potencia de deteccin del estado fuera de control. En esta aplicacin, el concepto de potencia es muy similar al de situacin de prueba de hiptesis. Queda clara que cunto ms grande sea la muestra de cada periodo, ms rpida ser la deteccin de un proceso fuera de control. En cierto sentido los lmites de control en realidad definen lo que el usuario considera como est bajo control. En otras palabras, la amplitud dada por los lmites de control debe depender en cierto sentido de la variabilidad del proceso. De esta forma, cualquier aplicacin del control de calidad debe comenzar con el clculo de una muestra o conjunto de muestras preliminar, que establecer tanto la lnea central como los lmites del control de calidad.

Plan de control.
El propsito de los planes de Control, es el de proveer un resumen documentado del sistema usado para minimizar la variacin del producto y del proceso. Es un resultado final de un proceso ms grande, el proceso del diseo del proceso. Los Planes de Control deben ser actualizados a medida que son mejorados los mtodos de control y los sistemas de medida.

Grficos de control por variables. (Que variables controla)

Los lmites para las graficas se basan en la desviacin estndar de la variable aleatoria . Sabemos, a partir de lo expuesto, que para el promedio de observaciones independientes en una muestra de tamao n.

Donde es la desviacin estndar de una observacin individual. Los lmites de control estn diseados para dar como resultado una pequea probabilidad de que un valor dado este fuera de los lmites. Si recurrimos al teorema del limite central, tendremos que, en las condiciones en las que el proceso est controlado. Aqu LCI y LCS representan el lmite de control inferior y el lmite de control superior respectivamente. Con frecuencia las graficas se basan en los limites denominados tres sigma, refirindonos por supuesto, a = 3 y a limites que se convierten en

La lnea central por lo general refleja el valor ideal de un parmetro importante. Los lmites de control se establecen a partir del conocimiento de las propiedades de muestreo del estadstico que estima el parmetro en cuestin. Con mucha frecuencia implican un mltiplo de la desviacin estndar del estadstico. Se ha generalizado el uso de los limites 3 . En el caso de la grafica , el teorema del imite central brinda al usuario una buena aproximacin de la probabilidad de determinar de forma errnea que el proceso est fuera de control. En general, sin embargo, es probable que el usuario no confe en la normalidad del estadstico sobre la lnea central. Lo anterior podra dar como resultado que no se conozca la probabilidad exacta de cometer un error tipo I. A pesar de esto se ha vuelto muy comn utilizar los limites k . Aunque los limites 3 se utilizan ampliamente, en ocasiones el usuario utilizara otro mtodo. Cuando es importante detectar de forma rpida una situacin fuera de control podra ser apropiado utilizar un mltiplo menor de . Si se toman en cuenta los costos de produccin, cabe sealar que permitir que un proceso contina funcionando fuera de control, incluso por periodos cortos, puede resultar ms costoso que invertir en la investigacin y correccin de las causas de la prdida del control en el proceso. En este caso es evidente que los lmites apropiados son los lmites de control que son ms estrictos que los limites 3 . SUBGRUPOS RACIONALES Los valores de la muestra que se utilizan para el control de calidad se dividen en subgrupos, en los que una muestra representa un subgrupo. Como antes indicamos, el orden en el tiempo de produccin es en realidad una base natural para la seleccin de los subgrupos. Podramos considerar el esfuerzo de control de calidad de manera muy simple como 1) muestreo, 2) deteccin del estado fuera de control, 3) bsqueda de las causas atribuibles que puedan ocurrir con el tiempo. Tal vez parezca que la seleccin de la base para estos grupos muestrales es muy sencilla, pero la eleccin de estos subgrupos de informacin muestral podra tener un efecto muy importante en el xito del programa de control de calidad. Estos subgrupos con frecuencia se denominan subgrupos racionales. En general, si el analista est interesado en detectar un cambio de ubicacin, se considera que los subgrupos se deben elegir de manera que la variabilidad dentro del subgrupo sea pequea, y de manera que haya mayores posibilidades de detectar causas atribuibles, si se presentaran. As, deseamos elegir subgrupos de forma que se maximice la variabilidad entre grupos. Por ejemplo, un mtodo razonable es elegir unidades en un subgrupo que se producen de forma cercana al tiempo.

Por otro lado, las graficas de control a menudo se utilizan para controlar la variabilidad, en cuyo caso el estadstico de desempeo es la variabilidad dentro de la muestra. Por consiguiente, es ms importante elegir los subgrupos racionales para maximizar la variabilidad dentro de la muestra. En este caso las observaciones en los subgrupos se deberan comportar mas como una muestra aleatoria y la variabilidad dentro de las muestras necesita ser una descripcin de la variabilidad del proceso. Es importante sealar que las graficas de control sobre la variabilidad se deben establecer antes de construir graficas sobre el centro de ubicacin (digamos, graficas ). Cualquier grafica de control sobre el centro de ubicacin en realidad depender de la variabilidad. Por ejemplo, vimos un ejemplo de la grafica de tendencia central y esta depende de . En las secciones que siguen se analizara de a partir de los datos. GRAFICA CON PARAMETROS ESTIMADOS En muchas situaciones prcticas no es razonable suponer que conocemos . Como resultado, se deben proporcionar estimados de los datos que se obtienen cuando el proceso est bajo control. Por lo general los estimados se determinan durante un periodo en el que se rene informacin antecedente o de inicio. Se elige una base para subgrupos racionales y se renen los datos con muestras de tamao n en cada subgrupo. Los tamaos de la muestra por lo general son pequeos, digamos, 4. 5 o 6 y se toman k muestras, con k al menos igual a 20. Una parte de la informacin muestral de estas k muestras toma la forma , donde la variable aleatoria es el promedio de los valores en la iesima muestra. Evidentemente, el promedio global es la variable aleatoria

Este es el estimador adecuado de la medida del proceso y, por consiguiente, es la lnea central en la grafica de control . En aplicaciones de control de calidad a menudo es conveniente estimar a partir de la informacin relacionada con los rangos en las muestras, en vez de las desviaciones estndar muestrales. Definamos

Como el rango para los datos de la i-esima muestra. Aqu y son, respectivamente, la observacin mas grande y la mas pequea en la muestra. El estimado apropiado de es una funcin de rango promedio

=
Un estimador de , digamos , se obtiene mediante

Donde d2 es una constante que depende del tamao de la muestra. El uso del rango para producir un estimado de tiene sus races en aplicaciones similares a la del control de calidad, en particular debido a que, en la poca en que aun era muy difcil lograr clculos precisos, el rango era muy fcil de calcular en comparacin con otros estimados de variabilidad. La suposicin de normalidad de las observaciones individuales est implcita en la grafica . Por supuesto, la existencia del teorema del lmite central es ciertamente til a este respecto bajo la suposicin normalidad, usamos una variable aleatoria llamada rango relativo dada por W= De la cual resulta que los momentos de W son funciones simples del tamao de la muestra n. el valor esperado de W a menudo se denomina d 2. As, al tomar el valor esperado de la w anterior = d2 La cual facilita la comprensin del fundamento para el estimado = /d2. Se sabe bien que el mtodo del rango produce un estimador eficiente de en muestras hasta cierto punto pequeas. Esto hace que el estimador sea particularmente atractivo en aplicaciones del control de la calidad, ya que los tamaos de la muestra en los subgrupos por lo general son pequeos. El uso del mtodo del rango para la estimacin de tiene como resultado las graficas de control con los siguientes parmetros: LCS = +

lnea central =

LCI = -

Al definir la cantidad A2 =

Grficos de Control para Atributos

Muchas aplicaciones industriales de control de calidad requieren que la caracterstica de la calidad indique solo que el artculo se ajusta. En otras palabras, no hay una medicin continua que sea crucial para el desempeo del artculo. Una ilustracin evidente de este tipo de muestreo, denominado muestreo por atributos, es el desempeo de una bombilla que funciona o no de manera satisfactoria. El articulo esta o no defectuoso. Las piezas metlicas fabricadas pueden tener deformaciones; los contenedores de una lnea de produccin pueden tener fugas. En ambos casos un artculo defectuoso impide su uso por parte del consumidor. La grfica de control estndar para esta situacin es la grfica, o grafica para la fraccin de defectuosos. Como se podra esperar, la distribucin de probabilidad que interviene es la distribucin binominal. GRAFICA P PARA LA FRACCIN DE ARTCULOS DEFECTUOSOS Cualquier artculo fabricado puede tener varias caractersticas que son importantes y deben ser examinadas por un inspector. Sin embargo, todo el procedimiento se enfoca aqu en una sola caracterstica. Suponga que para todos los artculos la probabilidad de encontrar uno defectuoso es P, y que todos los artculos se producen de forma independiente. Entonces, en una muestra aleatoria de n artculos producidos, con X como el nmero de artculos defectuosos, tenemos. ( ) Como se podra suponer, la media y varianza de la variable aleatoria binomial desempearan un papel importante en el desarrollo de la grafica de control. El lector debera recordar que:

Un estimador no sesgado de p es la fraccin de defectuosos o la proporcin de defectuosos, donde

 =numero de defectuosos en la muestra de tamao n n Como en el caso de las grficas de control de variables, las propiedades de distribucin de p son importantes para la creacin de la grafica de control. Sabemos que ( )

Aqu aplicamos los mismos principios 3 que utilizamos para las grficas de variables. Supongamos inicialmente que conocemos p. entonces, la estructura de las grficas de control implica utilizar lmites con De esta manera, los lmites son

LCI =

LCS =

de la muestra caen

Con el proceso considerado bajo control cuando los valores dentro de los limites de control.

En general, por supuesto, no se conoce el valor de p y se debe estimar a partir de un conjunto base de muestras de forma muy similar al caso de y en las grficas de variables. Suponga que hay m muestras preliminares de tamao n. para una muestra dada, cada una de las n observaciones se reporta como defectuosa o no defectuosa. El estimador no sesgado evidente para p que se utiliza en la grfica e control es Donde es la proporcin de artculos defectuosos en la sima muestra.

Como resultado, los lmites de control son

SELECCIN DEL TAMAO DE LA MUESTRA PARA LA GRAFICA P La eleccin del tamao de la muestra para la grafica p de atributos incluye los mismos tipos generales de consideraciones que los de la grafica para pariables.se requiere un tamao de la muestra tan grande como para tener una alta probabilidad de detectar una Condicin fuera de control cuando, de hecho, ha ocurrido un cambio especfico en p. No existe un mejor mtodo para elegir el tamao de la muestra. Sin embargo, Duncan sugiri una aproximacin razonable que consiste en elegir una n tal que haya 0.5 de probabilidades de detectar un cambio de una cantidad particular en p. La solucin resultante para n es bastante simple. Suponga que se aplica la aproximacin normal a la distribucin binomial. Deseamos, siempre que la condicin de p haya cambiado a, digamos, que ( ) Como P (Z>0)= 0.5, se establece

Al sustituir, Tenemos

Ahora podemos calcular n, el tamao de cada muestra:

Donde, desde luego, es el cambio en el valor de p, y p es la probabilidad de un artculo defectuoso sobre la que se basan los lmites de control. Sin embargo, si las graficas de control se basan en limites entonces

Aplicaciones
*Determina y analiza rpidamente las causas que pueden originar desviaciones para que no vuelvan a presentarse en el futuro. *Existen cuatro factores que deben ser considerados al aplicar el proceso de control. Cantidad, Tiempo, Costo y Calidad. *Su aplicacin incide directamente en la racionalizacin de la administracin y consecuentemente, en el logro de la productividad de todos los recursos de la empresa. *Este control estadstico de puede aplicar en todos los tipos de empresas donde se tiene un conjunto de operaciones materiales ejecutadas para la obtencin, transformacin o transporte de uno o varios productos.

Conclusin
El Control Estadstico de Procesos es un mtodo invariable para el control de procesos, el cual cumple con la finalidad de comprender el comportamiento de un proceso y reducir la inestabilidad de la fabricacin y nos ayuda a reflejar un mejoramiento de la calidad y a su vez un decrecimiento en los costos de produccin.

Referencias
Libro: Probabilidad y estadstica para Libro: Estadstica Elemental Ingeniera Autor: Mario F. Triola Autor: Ronald E. Walpole Sptima edicin 7 Edici Editor: Guillermo Trujano Mendoza Editorial: Prentice Hall/Pearson

Anexos
Tamao de la muestra n 2 3 4 5 6 7 8 9 10 Tabla de A2 1.880 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308 yR D3 0 0 0 0 0 0.076 0.136 0.184 0.223 D4 3.267 2.574 2.282 2.114 2.004 1.924 1.864 1.816 1.777 Tabla de A3 2.659 1.954 1.628 1.427 1.287 1.182 1.009 1.032 0.975 yS B3 0 0 0 0 0.030 0.118 0.185 0.239 0.284 B4 3.267 2.568 2.266 2.089 1.970 1.882 1.815 1.761 1.761 C4 * 0.7979 0.8862 0.9213 0.9400 0.9515 0.9594 0.9650 0.9693 0.9727

Tamao de la muestra n 2 3 4 5 6 7 8 9 10

Tabla de 2 --1.187 --0.691 --0.509 --0.412 ---

yR D3 0 0 0 0 0 0.076 0.136 0.184 0.223 D4 3.267 2.574 2.282 2.114 2.004 1.924 1.864 1.816 1.777

Tabla de E2 2.659 1.772 1.457 1.290 1.184 1.109 1.054 1.010 0.975

y Rm D3 0 0 0 0 0 0.076 0.136 0.184 0.223 D4 3.267 2.574 2.282 2.114 2.004 1.924 1.864 1.816 1.777 d2 * 1.128 1.639 2.059 2.326 2.534 2.704 2.847 2.970 3.078

til para el clculo de la desviacin estndar del proceso