controlestadisticoprocesos-101104081024-phpapp02.ppt
TRANSCRIPT
-
Control Estadstico de Procesos
* de 116
Temas a tratar
Introduccin a los Grficos de Control.Conceptos Generales.Variacin controlada vs no controlada.Objetivos y usos del Control Estadstico de ProcesosComponentes de los Grficos de Control.Tipos de Grficos de Control.Anlisis de Grficos de Control.Grficos de VariablesI;Mr, Xbar;RGrficos de AtributoGrficos P, nP, C, UPre-Control.Ejercicios en clase.Ejemplos.Resumen.Bibliografa.* de 116
Introduccin a los Grficos de Control
Su objetivo es hacer hablar al proceso y ayudar a identificar oportunidades para reducciones de variabilidad.Ayuda a identificar causas especiales de variacin y a tomar acciones para evitar re-ocurrencia del problema y reducir, as, desperdicios, reprocesos y rechequeos.Se usa para monitorear la variabilidad natural del proceso y para verificar el xito de un cambio de proceso.Ayuda a identificar cules son las causas principales de la variabilidad.* de 116
Conceptos Generales del CEP
El principal objetivo es el de detectar rpidamente la presencia de causas especiales a fin de poder investigar y tomar las acciones correctivas.Los Grficos de Control es una tcnica de control de procesos en lnea, que se utiliza ampliamente con este propsito. Se pueden utilizar tambin con el fin de estimar los parmetros del proceso de produccin y a partir de esa informacin determinar la capacidad del proceso.El Grfico de Control es tambin una herramienta efectiva para lograr el objetivo de la reduccin de la variabilidad del proceso.* de 116
La Variacin No Controlada es afectada por Causas Especiales y es la que cambia a travs del tiempo. El proceso muestra Variacin No Controlada.
La Variacin Controlada es afectada por Causas Comunes y se caracteriza por un patrn consistente y estable de variacin a travs del tiempo.
Variacin Controlada y No Controlada
Todo proceso muestra Variacin; algunos procesos muestran variacin controlada, y otros muestran variacin no controlada (Walter Shewhart)Causas Especiales
* de 116
Variacin de Causa Comn (1)
Definicin
La variacin de causa Comn son entradas de proceso y condiciones que contribuyen a la variacin regular de todos los das en un proceso.Causas Comunes son parte del proceso.Contribuyen a la variacin de las salidas por que ellas mismas varan.Cada causa Comn contribuye una pequea parte de la variacin total.Mirando el proceso a travs del tiempo, podemos saber cuanta variacin esperar de causas Comunes.El proceso es estable, o predecible, cuando toda la variacin se debe a causas Comunes.* de 116
Variacin de Causa Comn (2)
Ejemplos de variacin de causa Comn al conducir el auto para ir al trabajo.La variacin de causa Comn es una parte normal del proceso.Puede generar la variacin que esperamos encontrar. El tiempo que toma manejar al trabajo, por ejemplo, depende de:Que los semforos estn en verde o rojo.Cantidad de trfico.Peatones cruzando la calle.* de 116
Variacin de Causa Asignable (1)
DefinicinCausas Asignables o Especiales son factores que no estn siempre presentes en el proceso, pero aparecen por alguna circunstancia especfica.Causas Asignables no estn siempre presentes.Pueden llegar e irse espordicamente; pueden ser temporales o termino ms largo.Una causa Asignable, es algo especial o especfico que tiene un efecto pronunciado en el proceso.No podemos predecir cuando una causa Especial ocurrir o como afectar al proceso.El proceso es inestable, o impredecible, cuando las causas asignables contribuyen a la variacin.* de 116
Variacin de Causa Asignable (2)
Comnmente son resultado de un cambio en el proceso. Frecuentemente ocasionan cambios en la variacin superiores a lo que normalmente se espera.Ejemplos de variacin de causa Asignable al conducir el auto para ir al trabajo.Algunas Causas Asignables que pueden resultar en cambios o nuevas tendencias en el tiempo de conduccin son:Verse obligado a tomar un desvo por varios das.Llevar a los nios a clases de natacin camino al trabajo.* de 116
Variacin de Causa Asignable (3)
Algunas causas Asignables que pueden resultar en puntos espordicos superiores o inferiores en el tiempo de conduccin son:Un accidente.Un desvo de un da.Una cubierta pinchada.Trafico liviano por que hay un gran numero de gente con el da libre.* de 116
Pruebas para identificar Causas Especiales (1)
Uno o ms puntos fuera de los lmites de Control indica que algo es diferente en esos puntos.6 puntos continuamente creciendo o decreciendo, o ms, indican una tendencia.(Empiece contando en el punto en que cambia la direccin)
MEASUREMENT
* de 116
Pruebas para identificar Causas Especiales (2)
8 puntos seguidos, o ms, a un mismo lado de la lnea central indican cambios en el proceso.14 puntos continuos alternando arriba y abajo indica sesgo o problemas de muestreo.* de 116
Pruebas para identificar Causas Especiales (3)
Minitab
hace
todo esto!!A
B
C
C
B
A
1
Test 1 One point beyond zone A
A
B
C
C
B
A
2
Test 2 Nine points in a row on same side of center line
A
B
C
C
B
A
3
Test 3 Six points in a row, all increasing or decreasing
A
B
C
C
B
A
5
5
Test 5 Two out of three points in a row in zone A (one side of center line)
A
B
C
C
B
A
6
6
Test 6 Four out of five points in zone B or beyond (one side of center line)
A
B
C
C
B
A
4
Test 4 Fourteen points in a row, alternating up and down
A
B
C
C
B
A
7
Test 7 Fifteen points in a row in zone C (both sides of center line)
A
B
C
C
B
A
8
Test 8 Eight points in a row beyond zone C (both sides of center line)
93
93
93
93
* de 116
Componentes de un grfico
Un Grfico de Control es la representacin grfica de una caracterstica de calidad medida o calculada a partir de una muestra, como funcin del nmero de muestra o tiempo.Limites de control superior (LES) e inferior (LEI)
Se eligen estos lmites de manera que si el proceso est bajo control, casi la totalidad de los puntos se encontrar entre ellos.
Lnea central (Promedio)
Puntos que representan la caracterstica de calidad medida
* de 116
Inestable
(Fuera
de control)
Estable
(En control)
Entre lmites
de Especificacin
Fuera de lmites
de especificacin
Lmites de Control y de Especificacin
Upper Spec
Lower Spec
Upper Spec
Lower Spec
UCL
LCL
UCL
LCL
Upper Spec
Lower Spec
Upper Spec
Lower Spec
UCL
LCL
UCL
LCL
* de 116
Tipos de Grficos de Control
Grficos de Control de variables.Si la caracterstica de calidad es posible de ser medida y expresada numricamente, se le llama variable.En este caso conviene describir la caracterstica de calidad mediante una medida de tendencia central y una de variabilidad.Grficos de Control de atributos.Muchas caractersticas de calidad no se miden en una escala cuantitativa.En estos casos cada unidad del producto puede ser clasificada como conforme o disconforme segn posea o no ciertos atributos.Tambin se puede contar el nmero de disconformidades que aparecen en una unidad de producto.* de 116
Variable
o
Atributo?
Atributo
# Defectos o % defectuosos?
% Defectuoso
# Defectos
Tamao de lote constante?
Tamao de lote constante?
C
U
Si
No
NP
NP
Si
No
i & mr
xbar & r
Existen subgrupos?
Variable
Si
No
Tipos de Grficos de Control - Seleccin
-
DMAIC - Fase I -
Grficos para Variables:
I & mR, Xbar & R* de 116
Grficos de Control para Variables (1)
Muchas caractersticas de calidad se pueden expresar en trminos de una medida numrica. Una caracterstica de este tipo se llama variable.Los Grficos de control para Variables o datos Continuos, son ampliamente usados.Suelen permitir el uso de procedimientos de control ms eficientes y proporcionan ms informacin respecto al rendimiento del proceso que los diagramas de control de atributos.Cuando se trata de una variable, es una prctica estndar controlar el valor medio y su variabilidad.* de 116
Grficos de Control para Variables (2)
Comprenden dos tipos de grficos, que se complementan entre si.Grfico del dato puntual.Grfico de la variacin.No se debe controlar ninguno en forma individual. Por facilidad, no se toma el dato puntual del desvo estndar, sino aproximaciones a este dato.* de 116
Grficos de Control para Variables (3)
Existen 4 Tipos de Grficos de Control de Variables:Datos sin Subgrupos DefinidosI & mRZ & mRDatos con subgruposXbar & RXbar & SUn subgrupo es una coleccin pequea de mediciones que usted cree son similares.
* de 116
Grficos I;mR - Individuales (1)
Ayudan a comprender los datos variables cuando el tamao del subgrupo es uno.Una herramienta extremadamente simple para que utilicen los operadores.Situacin Apropiada de Uso:Cuando slo existe la oportunidad de tomar una muestra.Cuando la variacin dentro de un subgrupo natural es de poca preocupacin (la variacin Dentro es mucho menor que la variacin Entre)Cuando los datos siguen una distribucin normal* de 116
9
Grficos I;mR - Individuales (2)
Promedio
Proceso
Limite
Superior
Control
Limite
Inferior
Control
Nmero de la muestra
Regin de variacin no aleatoria
Regin de variacin no aleatoria
Regin de variacin aleatoria
y
y
* de 116
Grficos I;mR - Individuales (3)
X: una medicin individualX: el promedio de una medicin individualmR: diferencia absoluta entre medicionesmR: el promedio de los rangos mvilesd2: constante predefinida usada en tcnicas de Grficos de Control (ver tabla en apndice N 1)* de 116
Grficos I;mR - Rango mvil
mR: diferencia absoluta entre mediciones.mR: el promedio de los rangos mviles.* de 116
Grficos I;mR - Individuales - Ejercicio
Use los datos de tiempos Promedio para elaborar y analizar un grfico I mR.Columna 28 Ejercicios Medir
6.unknown* de 116
Grficos I;mR - Ejemplo (1)
Una compaa que vende equipo mdico necesita decidir como asignar recursos para el prximo ao.El ao anterior, las ventas en el departamento de repuestos crecieron de $43 millones a $52 millones, mostrando as casi un 25% de crecimiento en un solo ao. Parece que despus de unos aos de austeridad, las ventas finalmente han despegado. La gerencia de la compaa quiere saber si debera asignarle ms recursos al rea de repuestos para el ao entrante.En qu sentido ayudara un grfico de Individuales en este caso?Qu datos recolectara y con que frecuencia?Qu espera aprender de la recoleccin de los datos y el grfico de Individuales?* de 116
Grficos I;mR - Ejemplo (2)
En que sentido ayudara un grfico de Individuales en este caso?Un grfico de Individuales podra mostrar si el incremento en las ventas es el resultado de una tendencia al alza, o simplemente una causas asignable especfica.Los lmites de control mostraran el rango de ventas que se espera en el corto plazo si no se hacen ms cambios en el proceso de ventas.* de 116
Grficos I;mR - Ejemplo (3)
Qu datos recolectara?Podra recolectar datos sobre las ventas mensuales en dlares durante los ltimos dos aos. Esto dara 24 datos y podra indicar si las ventas fueron afectadas por causas especiales o si toda la variacin se ha dado por causas comunes.R
0
2
4
6
8
10
12
X
= 3.98
January
February
March
April
May
June
July
August
September
October
November
December
January
February
March
April
May
June
July
August
September
October
November
December
Mes
Individuals Chart of Ventas de Repuestos
ltimos 2 aos
Ventas
(millones)
UCL = 7.10
LCL = 0.85
* de 116
Grficos I;mR - Ejemplo (4)
Que se aprendi?El grfico de la diapositiva anterior muestra las ventas por cada mes.El lmite de control superior es $7,1 millones.El lmite de control inferior es $0,85 millones.Cualquier punto fuera de los lmites de control probablemente se deba a una causa Asignable.* de 116
Grficos I;mR - Ejemplo (5)
El grfico completo de Individuales muestra que no se debera asignar ms recursos al departamento de repuestos.Las ventas en septiembre y octubre de este ao seguramente fueron afectadas por causas Asignables.Excepto para septiembre de este ao, las ventas se han mantenido estables.Encontrar por que septiembre y octubre fueron diferentes.Si es poco probable que las ventas de septiembre y octubre se este ao se repitan, los pronsticos para el prximo ao no deberan incluir los datos de esos meses.El nuevo rango para las ventas debe estar entre $1,7 y $5,4 millones.El promedio de ventas estar al rededor de $3,5 millones.* de 116
Grficos I;mR - Ejemplo (6)
January
February
March
April
May
June
July
August
September
October
November
December
January
February
March
April
May
June
July
August
September
October
November
December
Mes
Individuals Chart of VEntas de Respuestos
Ultimos 2 aos
(Special causes omitted from calculations)
Ventas
(millones)
New LCL = 1.73
New UCL = 5.42
New X
= 3.52
0
2
4
6
8
10
12
(Orig UCL = 7.10)
(Orig LCL = 0.85)
* de 116
Grficos I;mR - omitiendo Causas Asignables (1)
Los lmites de control deben ser calculados con base en la variacin de causa Comn para maximizar la probabilidad de detectar causas Asignables.Omite las causas Asignables de los clculos de los lmites de control y el promedio cuando:Se pueda identificar la causa.No es probable que ocurran otra vez. Esto quiere decir que muchos lmites de control son calculados dos veces.Una vez con un conjunto completo de los datos originales, para detectar la(s) causa(s) Asignable(s).Una vez las causas Asignables han sido omitidas (de tal forma que los lmites representen solo la variacin de causa Comn).* de 116
Grficos I;mR - omitiendo Causas Asignables (2)
De igual forma se recomienda graficar los puntos de causa asignables en el grfico, pero marcando o especificando aquellos que se omiten de los clculos.Nota: Si tiene pocos datos (menos de 40), omitir las causas Asignables de los clculos de los lmites de control puede cambiar drsticamente la ubicacin de los lmites; cuantos ms puntos tenga, menos cambio se ver al omitir las causas Asignables.
* de 116
Grficos I;mR - Ejercicio 1 (1)
El director de Recursos Humanos estaba revisando sus gastos en entrenamiento para los pasados dos aos. Basndose en los ltimos 12 meses, su presupuesto supona un costo promedio de $98.000 por mes, pero los gastos del mes anterior fueron $105.000. Quera saber que fue diferente el mes pasado y le pregunt, y pide a su equipo, encontrar la razn para as evitar que esto se repitiera en el futuro.Son los datos del mes anterior un resultado de causas comunes o asignables? Por qu?
Tom el director de Recursos Humanos el tipo de accin correcto?
Cul debera esperar que fueran sus costos mensuales en entrenamiento?
85000
90000
95000
100000
105000
110000
Gasto ($$)
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Nov
Dec
Mes
Individuals Chart of Gastos de Entrenamiento
Ultimos 2 aos
Ave = 97700
UCL = 107400
LCL = 88000
* de 116
Grficos I;mR - Ejercicio 1 (2)
La variacin se debe a causas comunes. Todos los puntos de control estn dentro de los lmites y no hay ninguna de las otras causas que indiquen causa especial.
La directora no tom ninguna accin apropiada. Pedir a su equipo que investigara la razn de la variacin de causa asignable fue una accin que desperdici el tiempo de la gente. Las causas de variacin para el ltimo punto no es diferente a las causas en los toros puntos.
El promedio de gasto en cada mes en entrenamiento es al rededor de $98.000. De todas formas, es normal que algunos meses individuales varen en cualquier punto entre $88.000 y $107.000.
Si es importante para esta compaa disminuir los costos promedio, o reducir la variacin, el director necesita tomar acciones para reducir la variacin de causa comn y as mejorar el proceso.* de 116
Grficos I;mR - Ejercicio 2 (1)
Una lnea de empaque viene promediando 4 horas de tiempos perdidos por semana desde marzo 8 hasta agosto 23. Como muchos de los problemas estaban relacionado a cadas en los circuitos de energa, los tcnicos suponen que el protector de la fuente de energa no est funcionando correctamente. Lo remplazaron el 23 de agosto y continuaron la recoleccin de datos por 8 semanas ms*Ayud el nuevo equipo de proteccin?
Si es as, en que semana encontraron su primera seas? Hay ms seales de cambios en el proceso?
0
1
2
3
4
5
6
7
Tiempos Perdidos
(Horas)
8-Mar
22-Mar
5-Apr
19-Apr
3-May
17-May
31-May
14-Jun
28-Jun
12-Jul
26-Jul
9-Aug
23-Aug
6-Sep
20-Sep
4-Oct
18-Oct
Date
Individuals Chart of Tiempos Caidos
(Marzo Octubre)
UCL = 6.1
Ave = 4.2
LCL = 2.2
Reemplazo de equipo p.s.
* Limits on this chart are based only on the data from March 8 to Aug 23.
* de 116
Grficos I;mR - Ejercicio 2 (2)
Si, el equipo nuevo ha sido de gran ayuda. El Grfico de control muestra una disminucin en el nmero de horas de tiempos cados.
La primera seal es la semana del 6 de septiembre cuando el valor de los datos cae por debajo del lmite inferior de control. El dato para el 30 de agosto es menor que es resto de los valores, pero sigue dentro de los lmites de control. Tambin se encuentran 8 puntos por debajo de la lnea central para el 18 de octubre. Esto tambin seala un cambio en el proceso, pero el punto inicial por fuera es una seal ms efectiva en este caso.
* de 116
Grficos I;mR - Ejercicio 3 (1)
Un proveedor de bienes de consumo lleva un control de las ordenes que entran va Correo Electrnico. Quiere usar estos datos para ayudar el presupuesto del prximo ao. Si el proceso es estable, los gerentes podrn estimar en promedio cuantas ordenes se recibirn cada da. Primero deben averiguar si existen indicios de causas especiales en el proceso.Indican los datos presencia de causas asignables, o es la variacin el resultado de causas comunes? Por qu?
Cul es el promedio de ordenes que deberan esperar cada da?
Cul es el mximo nmero de ordenes que deberan esperar recibir cada da?
0
100
200
300
400
# orders
30-Jan
31-Jan
1-Feb
2-Feb
3-Feb
4-Feb
5-Feb
6-Feb
7-Feb
8-Feb
9-Feb
10-Feb
11-Feb
12-Feb
13-Feb
14-Feb
15-Feb
16-Feb
17-Feb
18-Feb
19-Feb
20-Feb
21-Feb
22-Feb
Individuals Chart of
Orders Received via EDI
Jan 30-Feb 22
UCL = 369.1
X = 208.7
LCL = 48.3
* de 116
Grficos I;mR - Ejercicio 3 (2)
La variacin se debe a causas comunes. Todos los puntos estn entre los lmites de control y ninguno de las otras pruebas indican causa asignable.
El promedio de ordenes recibidas por da es 209. Mientras el proceso se mantenga estable, la compaa puede usar este nmero en todos sus presupuestos.
Es normal que las rdenes varen aproximadamente entre 48 y 370 cada da. Deberan esperar recibir un mximo de 370 y un mnimo de 48 rdenes va correo electrnico cada da.
* de 116
Un equipo para produccin de tarjetas plsticas (tarjetas de crdito, tarjetas de seguros mdicos, marcas para equipaje, etc.) usa agua de un arroyo cercano para enfriar el equipo usado en el proceso de calentamiento. Les es permitido reciclar el agua de nuevo al arroyo mientras esta no supere 50 mg en impurezas. Un tcnico monitorea la cantidad de impurezas en una muestra tomada cada da.Acaso los datos indican la presencia de causas asignables o es la variacin resultado de causas comunes?
SI hay causas especiales, qu muestra los evidencia primero?
Qu acciones recomendara?
Grficos I;mR - Ejercicio 4 (1)
Individuals Chart of Impurezas
5/1 6/23
0
10
20
30
40
50
Impurezas
(miligramos)
1
3
5
7
9
11
13
15
17
19
21
23
25
Muestra #
UCL = 39.8
X = 19.8
L
CL = none
* de 116
Grficos I;mR - Ejercicio 4 (2)
Los ltimos 8 puntos indican una causa asignable. La muestra 26 tambin es encuentra por fuera de los lmites de control.
La regla de 6 puntos o ms creciendo o decreciendo seala un problema de causa asignable en la muestra 24. Tom 2 muestras adicionales para ver un punto fuera de los lmites de control.
Una accin apropiada sera suspender inmediatamente la descarga de agua mientras la impurezas se mantengan altas. Despus atacar al causa asignable: Ver que ha cambiado en el proceso que es diferente y encontrar una solucin de largo plazo.
Esta es una situacin en la que el punto por fuera del lmite de control no fue la sea rpida de una causa asignable.No hay un lmite de control inferior en esta carta por que estara por debajo de 0 mg y no es posible tener datos por debajo de 0 mg.* de 116
Grficos I;mR - Cundo recalcular los lmites (1)
Se deben calcular nuevos lmites de control cuando
Se sabe que hubo un cambio en el proceso, basndose enEvidencia estadstica, tal como 8 puntos por encima o por debajo de la lnea de centroSe ha determinado por que ocurri el cambio (basndose en el conocimiento del proceso)Confa en que el proceso se mantendr modificadoEl cambio no fue temporalEl cambio se a convertido en una parte estndar del proceso.Calcule nuevos lmites de control cuando tiene suficientes datos para ver un cambio. Defina los nuevos lmites como temporales hasta que obtenga al menos 24 datos nuevos.Note: You can recalculate limits periodically as you collect new data, even if no change occurs. Just dont do it too often (e.g., after every new data point)that can mask a gradual trend.
* de 116
Grficos I;mR - Cundo recalcular los lmites (2)
Debi la aerolnea recalcular los lmites de control cuando detectaron un incremento en el equipaje perdido en el momento en que contrataron un nuevo empleado para organizar el equipaje?0
2
5
8
10
12
# faltantes
7-Feb
9-Feb
11-Feb
13-Feb
15-Feb
17-Feb
19-Feb
21-Feb
23-Feb
25-Feb
27-Feb
1-Mar
3-Mar
5-Mar
7-Mar
9-Mar
11-Mar
13-Mar
Fecha
Individuals Chart of Equipaje Perdido
En vuelos a Springfield
7 Feb13 Mar
Tormenta Nieve
UCL = 9.5
Average = 3.2
LCL= none
Contratacin
en 2/11
* de 116
Grficos I;mR - Cundo recalcular los lmites (3)
Respuesta
Se sabe que hubo un cambio en el proceso alrededor de Feb 11, gracias a evidencia estadstica (8 puntos por encima de la lnea de centro) y a conocimiento del proceso (un nuevo empleado encargado de manejar el equipaje).Se esperaba que el cambio fuera temporal y no que se convirtiera en parte estndar del proceso.En lugar de recalcular lo lmites de control, tomaron acciones para evitar que la causa especial ocurriera.* de 116
Grficos I;mR - Cundo recalcular los lmites (4)
Con los lmites de control existentes, una clnica cambi a un nuevo laboratorio para probar las muestras de sangre.20
30
40
50
60
Tiempo de Ciclo (hrs)
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
Individuals Chart for Tiempo de Ciclo de la Muestras de Sangre
May 16 May 27
Muestra #
UCL = 56.3
Average = 42.3
LCL = 28.3
Cambio
labs
Note: The control limits shown on this chart were calculated from all the data. But a more typical situation is to imagine the control limits were calculated from, say, samples 200 to 253, and extended into the future for this chart.
* de 116
Grficos I;mR - Cundo recalcular los lmites (5)
Hay evidencia de cambio en el proceso.10 puntos continuos debajo del promedio.El conocimiento del proceso explica que origin este cambio.Hay buenos indicios que nos llevan a pensar que el cambio se ha vuelto regular y se mantendr.* de 116
Grficos I;mR - Cundo recalcular los lmites (6)
Los nuevos lmites de control temporales se basan slo en los datos despus de cambiar los laboratorios (muestras 275-284). (Mientras 24 muestras sean recolectadas, los lmites deben ser considerados temporales)20
30
40
50
60
Cycle Time (hrs)
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
Individuals Chart for Tiempo de Ciclo de la Muestras de Sangre
May 16 May 27
Sample #
Temp UCL = 45.8
Temp
Avg
= 35.8
Temp LCL = 25.8
UCL = 61.2
LCL = 29.6
X
= 45.4
Switched
labs
The first set of control limits were recalculated without the special cause shift (so they are slightly different from those shown on the previous page).
* de 116
Grficos I;mR - Ejercicio 5 (1)
Decida si se deben o no cambiar lo lmites de control.Tiempos Caidos
0
1
2
3
4
5
6
7
(horas)
8-Mar
22-Mar
5-Apr
19-Apr
3-May
17-May
31-May
14-Jun
28-Jun
12-Jul
26-Jul
9-Aug
23-Aug
6-Sep
20-Sep
4-Oct
18-Oct
Fecha
Individuals Chart of Tiempos Cados
(Marzo Octubre)
UCL = 6.1
Ave = 4.2
LCL = 2.2
Cambio en el equipo p.s.
Note: The limits were calculated based on data before the equipment was replaced.
* de 116
Grficos I;mR - Ejercicio 5 (2)
S. La compaa sabe que caus el cambio y pueden estar seguros que el cambio es relativamente permanente. Es apropiado calcular nuevos lmites (sern considerados como temporales mientras se tienen al menos 24 puntos con el nuevo equipo).0
1
2
3
4
5
6
7
Tiempo Cado
(horas)
8-Mar
22-Mar
5-Apr
19-Apr
3-May
17-May
31-May
14-Jun
28-Jun
12-Jul
26-Jul
9-Aug
23-Aug
6-Sep
20-Sep
4-Oct
18-Oct
Date
Individuals Chart of Tiempos Cados
(Marzo Octubre)
Temp Ave = 2.0
Temp LCL = 0
Reemplazo del Equipo
Temp UCL = 4.5
* de 116
Grficos de Control en Minitab
Stat > Control Charts > Variable Charts.Columnas 110 a 112 Ejercicios Medir
* de 116
Grficos de Control en Minitab - I;mR (1)
Stat > Control Charts > I;mRSon realmente estos los limites del proceso?
7.unknown* de 116
Grficos de Control en Minitab - I;mR (2)
* de 116
Grficos de Control en Minitab - I;mR (2)
8.unknown* de 116
Grficos de Control en Minitab - I;mR (3)
Mostrando ambos casos: antes y despus.* de 116
Grficos de Control en Minitab - I;mR (4)
Mostrando el Cambio9.unknown* de 116
Grficos de Control en Minitab - I;mR (5)
Agregando datos:* de 116
Grficos de Control en Minitab - I;mR (6)
Agregando fechas:10.unknown* de 116
Grficos I;mR - Ejercicio 6 (1)
Deberan calcularse nuevos lmites de control?Individuals Chart of Impurezas
5/1 6/23
0
10
20
30
40
50
Impurezas
(miligramos)
1
3
5
7
9
11
13
15
17
19
21
23
25
Muestra #
UCL = 39.8
X = 19.8
L
CL = none
* de 116
Grficos I;mR - Ejercicio 6 (2)
No. La compaa debera encontrar la causa del incremento en las impurezas en el agua y corregir el problema. Deberan continuar monitoreando los datos con los lmites originales para verificar que realmente se ha solucionado el problema.* de 116
Grficos Xbar;R
til para medir la variacin en el promedio de las muestras y el rango de variacin dentro de ellas.Introduce el concepto de Subgrupos.Situacin Apropiada de Uso:Cuando existe la oportunidad de tomar ms de una muestra (subgrupos).Sirve para analizar y comparar la variacin Dentro de las muestras y la variacion Entre ellas.Un subgrupo es una coleccin pequea de mediciones que usted cree son similares.
* de 116
Grficos Xbar;R - concepto de subgrupo
El concepto de subgrupo es uno de los elementos ms importantes de la metodologa de Grficos de Control.El principio consiste en organizar (clasificar, estratificar, agrupar, etc.) los datos del proceso en un forma tal que asegure la mayor similitud entre los datos de cada subgrupo, y la mayor diferencia entre los datos de los subgrupos diferentes.La intencin de la subagrupacin racional es incluir slo causas comunes de variacin dentro de los subgrupos, y que todas las causas especiales de variacin ocurran entre subgrupos distintos.1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1.232
1.234
1.236
1.238
1.240
1.242
1.244
1.246
1.248
UCL
LCL
s
* de 116
Grficos Xbar;R - muestreo de subgrupos
Crculos slidos
representan el
promedio del
subgrupo
10
XXXXXX
XXXXXX XXXXXX XXX
. . .
9:00
Subgrupos
9:00a.m.
10:00
11:00
12:00
1:00
Proceso
Datos
9:30
10:00
:30
* de 116
Grficos Xbar;R - corto plazo vs. largo plazo.
Datos a corto plazo tienen mayor probabilidad de reflejar slo variacin de causas comunes en un proceso; datos a largo plazo son ms influenciados por causas especiales. Idealmente, de debe de incluir variacin corto plazo (causas comunes) en los subgrupos, ya que los lmites de control son clculos con esa variacin.Datos Corto Plazo
Datos Largo plazo
-
Tiempo
Y
Distribuciones
Datos Largo
Plazo
Datos
Corto Plazo
* de 116
Grficos Xbar;R - seleccin optima del subgrupo
Para minimizar la probabilidad de causas especiales dentro de los subgrupos:Mantenga el tamao del subgrupo pequeo (normalmente 5 o menos datos)Use datos adyacentes en los subgrupos; hacerlo secuencial.Datos o elementos hechos o procesados secuenciales en tiempo, tiene mayor probabilidad de obtener variacin por causas comunes.Son estas situaciones en su proceso donde el muestreo por subgrupos tiene sentido?* de 116
Grficos Xbar;R - procesos administrativos de alto volumen (1)
El muestreo por Subgrupos es poco utilizado en procesos administrativos; slo se utiliza en casos donde el volumen es alto.En Manufactura, es fcil de definir subgrupos racionales, normalmente relacionados con el tiempo. (elementos procesados cercanos en el tiempo puede estn influenciados por condiciones similares de proceso. En situaciones administrativas, el tiempo no es un buen factor para seleccionar subgrupos, debido a que en un corto plazo, los datos son originados por diferentes circunstancias (legibilidad en la escritura, complejidad de los requerimientos, actitud del personal, etc.)* de 116
Grficos Xbar;R - procesos administrativos de alto volumen (2)
Es mejor utilizar muestreos sistemticos, como tomar muestras cada 10 unidades (llamadas, pagos, aplicaciones) y utilizar los datos para construir Grficos I;mR.Los grficos Individuales (I;mR) son fciles de interpretar y explicar a otros.Cambios en la variabilidad del proceso (basado en subgrupos) son mas importantes cuando las muestras en un subgrupo estn relacionas con el tiempo. Si usted decide usar subgrupos y construir un grfico Xbar;R, asegrese tener una razn para la necesidad de agrupamiento (usualmente relacionada con el tiempo)* de 116
Grficos Xbar;R (1)
Tener variacin dentro de un subgrupo produce: Promedio del Subgrupo (X)Rango dentro del subgrupo (R)Tener variacin entre subgrupos produce: Promedio de los promedios de los subgrupos (X)X
denotado por X
1
2
3
sum
R
1
12.80
13.80
11.80
38.40
12.8
2.0
3
12.40
11.40
11.45
35.25
11.75
1.0
4
12.60
10.60
10.40
33.60
11.2
2.2
6
9.40
11.10
11.60
32.10
10.7
2.2
7
10.80
12.80
10.90
34.50
11.5
2.0
22
10.40
9.40
10.20
30.00
10.0
1.0
2
13.50
11.40
13.20
38.10
2.1
12.7
11.00
9.60
11.80
32.40
10.8
2.2
5
Datos
Datos de los Subgrupos
Promedio de los
subgrupos esta
Rango dentro
del subgrupo, R
Promedio de los promedios
De los subgrupos es denotado
Por X-doble-bar, X
11.2
* de 116
Grficos Xbar;R (2)
X = 11.2
X,R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
R = 2.6
8
10
12
14
UCL =13.1
LCL = 9.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Puntos de datos = Xs
Lnea central = promedio de las Xs
0
2
4
6
UCL = 5.9
Puntos de datos =
Rango de los subgrupos
Lnea central = promedio de
Los rangos de los subgrupos
Grfico de los promedios de los subgrupos (Xs);
Grfico de los rangos de los subgrupos (Abajo)
The top chart here is a plot of the averages of a subgroup. The lower plot shows how much variation was present in each subgroup. For example:
The first subgroup had an average of about 13 (upper chart). The difference between the lowest and highest point in the subgroup was 2 units (lower chart).
The 8th data point had an average of about 11.2, and the range between lowest and highest points was 5 units.
* de 116
Grficos Xbar;R (3)
Grfico de Medias o Promedios:
El grfico de Medias muestra los cambios en el valor promedio del proceso.Pregunta: Es la variacin entre los promedios de los subgrupos ms que la variacin dentro de los subgrupos? Si el grfico de Medias est en control, la variacin entre es menor que la variacin dentro.Si el grfico de Medias no est en control, la variacin entre es mayor que la variacin dentro.* de 116
Grficos Xbar;R (4)
X: una medicin individual.n: el nmero de mediciones dentro de un subgrupo.X: el promedio del subgrupo de n muestras.X: el promedio de los promedios (promedio de x-barras).R: el rango es la diferencia los valores ms alto y ms bajo de un subgrupo de n muestras.R: el promedio de los rangos (promedio de rangos).A2, d2, D4: (ver tabla).* de 116
Grficos Xbar;R (5)
Grficos Rangos:
El grfico R muestra el cambio en la dispersin dentro del subgrupo del proceso.Pregunta: Es consistente la variacin en la medicin dentro de los subgrupos?Las mediciones dentro de un subgrupo son consistentes cuando el grfico R est en control.El grfico R debe estar en control para poder dibujar el grfico de Medias.* de 116
Grficos Xbar;R (6)
X: una medicin individualn: el nmero de mediciones dentro de un subgrupoX: el promedio del subgrupo de n muestras X: el promedio de los promedios (promedio de x-barras)R: el rango es la diferencia los valores ms alto y ms bajo de un subgrupo de n muestrasR: el promedio de los rangos (promedio de rangos)A2,d2,D4: (ver tabla)* de 116
Columnas 151 a 155 Ejercicio Medir
Grficos Xbar;R - Ejercicio 1 (1)
Considere la siguiente tabla sobre tiempos de atencin de clientes en un centro de atencin. Se recopil informacin cada hora de cinco clientes escogidos al azar.Realice los clculos, construya los grficos de Rangos.Analice los resultados.Tiempo de Atencin de Clientes Cliente 1Cliente2Cliente3Cliente4Cliente521.0620.8220.2020.7020.0120.2019.8019.8020.2018.8020.8019.8018.9020.1020.7021.5020.8820.6121.4021.7519.9120.1020.4720.4419.5720.4019.9019.5019.8020.2020.5820.1219.4219.6420.9420.6220.3820.2020.0419.4320.2020.5520.1019.9019.3019.8020.0020.3020.7020.9020.3020.4620.7520.6220.2019.2320.3721.0820.5620.2519.2320.4021.1219.7020.5419.9020.1220.4720.6019.1020.0620.9021.1920.1520.7020.2320.3720.8919.4919.3319.9220.2520.4219.2118.9720.4220.6020.8619.4020.1721.4520.6220.8520.8718.1420.8020.3020.5019.9020.10* de 116
Grficos Xbar;R - Ejercicio 1 (2)
Cada dato en el grfico de Medias representa el promedio del subgrupo.
Cada dato del grfico de Rangos representa el rango dentro del subgrupo.
15.unknown -
DMAIC - Fase I -
Control Estadstico de ProcesosGrficos para Atributos:
p, np, c y u* de 116
Grficos de Control para Atributos (1)
Muchas caractersticas de calidad no se pueden representar en forma conveniente por nmeros. En estos casos, cada artculo o producto inspeccionado suele clasificarse como conforme o disconforme. Las caractersticas de calidad de este tipo se llaman atributos.Existen cuatro Grficos de Control para Atributos:Proporcin de unidades no satisfactorias: grficos pNmero de unidades no satisfactorias: grficos npNmero de disconformidades o defectos observados: grficos cDisconformidades por unidad: grficos u* de 116
Tipo de Grfico
Tipo de Datos
Grfico I;mR
Continuos o Discretos
Grfico p - np
Discretos - atributos
Grfico c - u
Discretos - conteo
Grfico X;R
Continuos
Grfico EWMA
Continuos
Grficos de Control para Atributos (2)
X = promedio
R = Rango
p = proporcin
c = conteo
E
xponentially
W
eighted
M
oving
A
verage
While the individuals chart can be used with any type of data in time order, the other charts are more powerful for detecting special causes for certain circumstances.
* de 116
Tipo de datos
Atributos - DefectosConteo - No conformidadesTamao de muestraConstantepcVariablenpu* de 116
Tipo de datos - Ejercicio 1 (1)
Objetivo: Verificar comprensin del tipo de datos.Tiempo: 10Instrucciones: Hgalo de manera individualDe 3 ejemplos de cada tipo de datos
ContinuosDiscretos - AtributosDiscretos - ConteoQu guas le ayudan a distinguir entre datos continuos y discretos?
Qu guas le ayudan a distinguir entre datos discretos - Atributos y discretos - conteo?
* de 116
Tipo de datos - Ejercicio 2 (2)
Pregunta 1 Algunas posibles respuestas:Pregunta 2Datos continuos son medidos, usualmente en una escala continua, as como el tiempo, velocidad, humedad, temperatura.Datos discretos son contados en una escala de enteros, ej, tems con una caracterstica (atributo) o nmero de ocurrencias.Continuos
Discretos-Atributos
Discretos-Conteo
Tiempo Ciclo
Costo
Volumen
Entregas Tardes
Satisfaccin Cliente
Partes Defectivas
Quejas
Errores
Accidentes
* de 116
Tipo de datos - Ejercicio 2 (3)
Datos Continuos. Si la caracterstica de calidad es posible de ser medida y expresada numricamente, se le llama Variable Continua. En este se describe la caracterstica de calidad mediante una medida de tendencia central y una de variabilidad. Datos Atributos: Cada unidad del producto puede ser clasificada como conforme o disconforme segn posea o no ciertos atributos. Tambin se puede contar el nmero de disconformidades que aparecen en una unidad de producto.3,14152,711,42
1 2 3 4 5
* de 116
Tipo de datos - Ejercicio 2 (4)
Pregunta 3Discretos-Atributos
Discretos-Conteo
Cuando se esta interesado en
Contar tems con un atributo
(Ex: ordenes entregadas tarde)
Tambien se puede contar items
sin el atributo
(Ex: ordenes entregadas
no-tarde = a tiempo)
Se puede determinar la
proporcin de tems con el
atributo (Ex: % entregas tarde)
Cuando se esta interesado en contar
Ocurrencias para una oportunidad
dada (Ej: reclamos por semana)
No se puede contar una
No-ocurrencia (Ej: imposible de
contar los no-reclamos)
No hay una limitante fisica para
El numero de ocurrencias (no hay
limite para el numero de reclamos
posibles; esto es llamado tambin
como conteo al infinito)
* de 116
Tamao de muestras es igual
Grfico np se grafica con esta columna
Grfico p se grafica con esta columna
Grficos para Defectos - muestra constante
Situacin 1: Tamao de muestra constante.1
2
3
24
Da
100
100
100
100
Unidades
Muestreadas/Da
(n)
20
30
10
20
# Unidades
Defectuosas
(np)
.20
.30
.10
.20
Proporcin de
Unidades Defectuosas
(p)
Note: n column p column = np column.
* de 116
Grficos para Defectos - muestra no constante
Situacin 1: Tamao de muestra no constante.Tamao de muestras No es igual
No es apropiado comparar o graficar estos nmeros
p se grafica con estos datos: lmites cambian dependiendo de n
1
2
3
24
Da
200
100
300
100
Unidades
Muestreadas/Da
(n)
20
30
10
20
# Unidades
Defectuosas
(np)
.10
.30
.03
.20
Proporcin de
Unidades Defectuosas
(p)
Note: n column p column = np column.
* de 116
Grficos para Conteo - muestra constante
Situacin 1: Igual de oportunidadesGrfico c muestra estos datos
Puede haber ms de un error en cada unidad, y no se puede contar el numero de no errores (esto son datos discetos-conteo)
1
2
3
24
15
4
3
5
Semana
(c)
# Errores por 100
Unidades Muestreadas
Cada SemanaPuedo contar los defectos pero no se cuantas son las no defectuosas
* de 116
Grficos para Conteo - muestra no constante
Situacin 2: No igualdad en oportunidades. Cada unidad es inspeccionada para buscar errores, y muchas de las unidades son procesadas la primera semana de cada mes. El rea de oportunidad no es la misma cada semana.(u)
(a)
(c)
Grfico u muestra esta columna;(u) = (c/a) los lmites cambian dependiendo de (a)
No es apropiado comparar o graficar estos nmeros (c) debido a que las oportunidades no son iguales
(a) = rea de oportunidad, no es igual debido a que estamos examinando cada una de las unidades procesadas, las cuales cambian de semana en semana
1
2
3
24
Semana
104
21
18
25
Unidades
Procesadas/semana
15
4
3
5
#
Errores
.14
.19
.17
.20
# Errores
Por unidad
* de 116
Ejercicio 1 (1)
Grfico
Predecir la Ocu-
pacin del hotel
Monitorear la
Seguridad de
Planta
Predecir
Rendimiento
Del proceso
A) Porcentaje de Ocupacin
B) Nmero de cuartos
ocupados
A) Nmero de
accidentes
graves
A) Porcentaje
De buen producto
B) Nmero de buenos
Productos por 100
Unidades muestreadas
Diaria
Diaria
Mensual
Mensual
Semanal
Semanal
Situacin
Datos Recolectados
Frecuencia
1.
2.
3.
B) Nmero de accidentes
Graves cada 1000 horas
trabajadas
* de 116
Ejercicio 1 (2)Grfico
Predecir la Ocu-
pacin del hotel
Monitorear la
Seguridad de
Planta
Predecir
Rendimiento
Del proceso
A) Porcentaje de Ocupacin
B) Nmero de cuartos
ocupados
A) Nmero de
accidentes
graves
A) Porcentaje
De buen producto
B) Nmero de buenos
Productos por 100
Unidades muestreadas
Diaria
Diaria
Mensual
Mensual
Semanal
Semanal
Situacin
Datos Recolectados
Frecuencia
1.
2.
3.
B) Nmero de accidentes
Graves cada 1000 horas
trabajadas
p
np
c
u
p
np
* de 116
Grficos P y nP (1)Grficos P
Grficos simples utilizados para dar seguimiento al nmero de unidades no satisfactorias (porcentaje de partes defectuosas) asumiendo que el tamao de la muestra NO es necesariamente constante.Suma de los defectos
Total de unidades
p =
* de 116
Grficos P y nP (2)Grficos nP
Grficos simples utilizados para dar seguimiento al nmero de unidades no satisfactorias asumiendo que el tamao de la muestra es constante.Suma de los defectos
Total de unidades
p =
* de 116
Grfica P y nP: Ejemplo
Problema: La oficina recibe diariamente tems de oficina. ltimamente, el personal de recepcin pasa el 50% del tiempo verificando tems con errores. Podemos utilizar SPC para analizar el problema? La variable de respuesta: fraccin de tems falladosEstablecer un subgrupo racional: debido a que los tems se reciben diariamente, el subgrupo racional es de un da. Seleccionar el cuadro de control apropiado. Un tem = una unidad. La variable de respuesta que nos interesa es numero de tems fallados y no el numero de problemas de un tem La grfica a utilizarse es un P o nP . Para este ejemplo escogeremos el cuadro P.* de 116
Ejemplo Grfica P Utilizando Minitab
STAT> CONTROL CHARTS > Atributtes> P
Columnas 5 y 6 Ejercicio Medir
20.unknown* de 116
CUIDADO! No todos los porcentajes deben ser graficados con una grfico p
Dado que p quiere decir proporcin o porcentaje, algunas personas asumen erradamente que cualquier proporcin o porcentaje debe ser graficado en un grfico p.Sin embargo, un grfico p es usado solo para datos de atributos donde tanto el numerados como el denominador se pueden contar.Para proporciones que provienen de datos continuos tanto en el numerador como en el denominador, use grficos de individuales.* de 116
CUIDADO! No todos los porcentajes deben ser graficados con una grfico p
Ejemplos de Datos Porcentuales
Grfico Apropiado
%
Tiempo que es computador se cae
%
Producto que es desperdicio
(
(donde
Tanto el producto como el desperdicio
Es pesado o medido: e.g., tons de acero,
Metros de papel)
Porcentaje de contabilidad tal como
%
eficiencia, % ganancia, % productividad,
etc. (donde las proporciones son basadas
En dlares, tiempo, etc.)
Individuales
Individuales
Individuales
* de 116
De nuestro ejemplo:
21.unknown22.unknown* de 116
Grficas C : Simples grficas utilizadas para dar seguimiento al nmero de defectos por unidad producida (no el % defectuoso) asumiendo que el tamao de la muestra es constante.Grficas C y U
* de 116
Grficas U: Simples grficas utilizadas para dar seguimiento al nmero de defectos por unidad producida (no el % defectuoso) asumiendo que el tamao de la muestra No es necesariamente constante.Grficas C y U
* de 116
Ejercicio 9
Una empresa de equipos mdicos que se enfoca en proveer a grandes hospitales descubre que el nmero de revisiones por contrato tuvo un impacto significativo en el costo de la produccin. Dado esto revisaron los ltimos 80 contratos y determinaron el nmero de veces que cada contrato fue revisado.Cul es el nmero promedio de revisiones por contrato?Cul es el rango de variacin natural en el nmero de revisiones por contrato?Existe alguna seal de causa especial?Qu acciones recomienda tomar?Cmo usara este Grfico en el futuro?* de 116
Ejercicio 9: Respuesta
0
10
20
30
40
50
60
70
80
0
5
10
Sample Number
Sample Count
C Chart for Revision
1
1
1
2
C=3.938
3.0SL=9.890
-3.0SL=0.000
Limite inferior
0
* de 116
a.Promedio = 3.9 revisiones por contrato.
b.Se pueden esperar entre 0 y 9 revisiones por contrato.
c.Nueve puntos continuos por encima de la lnea de centro; tres de ellos por encima de los lmites de control.
d. Acciones: Encuentre que fue diferente de los contratos procesados (37-45) o ese espacio de tiempo. Como las figuras altas son indeseables, encuentre como prevenir las causas especiales de reaparecer.
e.Futuro: Espere de 0 a 9 revisiones por contrato. Contine graficando los datos para confirmar que el proceso se mantenga estable o para verificar los efectos del cambio en los procesos realizado para reducir las revisiones.
Ejercicio 9: Respuesta
* de 116
Ejercicio 10
Un productor de bienes muestrea las embarcos recibidos cada da y cuenta el nmero de defectos.Date
Defectos
Embarcos inspeccionados
1/10
3
10
1/11
9
10
1/12
5
5
.
.
.
2/3
8
12
a.Cual es promedio de defectos por embarco?
b.Que representan los lmites de control?
c.Existen Causas Especiales?
d.Que acciones recomienda?
e.Como usara este grfico en el futuro?
* de 116
Ejercicio 10: Respuesta
1
Subgroup
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0
1
2
3
Sample Count
1/10
1/11
1/12
1/13
1/14
1/15
1/16
1/17
1/18
1/19
1/20
1/21
1/22
1/23
1/24
1/25
1/26
1/27
1/28
1/29
1/30
1/31
2/1
2/2
2/3
Fecha
U Chart for Defectos
U=1.063
3.0SL=1.956
-3.0SL=0.1702
Puntos
Fuera de
limites
Los lmites se apartan cuando n es ms pequea, y se acercan cuando n es grande.
* de 116
a.Promedio = 1.1 defectos por embarco
b.Puede esperar entre 0.2 y 2.0 defectos por embarco, dependiendo de cuantos embarcos sean inspeccionados.
c.Causas Asignables = Hay dos puntos debajo de LCI.
d.Acciones: Investigue por que estos puntos son diferentes. Dado que nmeros bajos son buenos, encuentre como preserva las acciones que llevaron a pocos defectos.
e.Futuro: Contine actualizando la grafica de tal forma que se pueda verificar si las acciones tomadas en respuesta a las causas especiales disminuyen el nmero de defectos general.
Ejercicio 10: Respuesta
-
Ejercicios
* de 116
Ejercicio 1
Complete la columna de la Derecha.Que se est midiendo?Grfico ApropiadoTiempo de Ciclo de Orden a entregaGastos MensualesNivel de Azucar en el PacienteTiempo de EnsambleTasa de ausentismo de empleadosRazn de productividadNumero de timbres antes de contestar el telfonoRazn de desperdicioNumero de DevolucionesDas de inventarioVentas en dlaresVentas (unidades)Pureza del agua muestreada 4 veces al daNumero de caidas de maquinaria (semanal)Utilizacin por lnea (porcentaje)Objective: Practice deciding which type of chart to try first for various situations.
Time: 20 mins.
Instructions: Work in small groups and fill in the right column.
* de 116
Ejercicio 2
El rea de compras ha estado monitoreando el nivel de errores detectados en muestras de 100 ordenes de compras emitidas en el mes.Columna 32 Ejercicio Medir
* de 116
Ejercicio 3
El rea de compras ha estado monitoreando el nivel de errores detectados en muestras de las ordenes de compras emitidas en el mes.Columna 31 y 32 Ejercicio Medir
* de 116
Resumen
La eleccin del tipo de grfico debe hacerse de acuerdo al tipo de datos, de proceso, de muestreo, etc... Los lmites de control se calculan a partir de una serie temporal de la medicin.Los lmites de control no necesitan ser recalculados cada vez que se colecta un dato.La variacin debido a causas especiales es normalmente la mas fcil de reducirLos lmites de control son una medicin de qu es o ha sido el proceso. Basado en esta foto del presente o del pasado del proceso, los lmites de control identifican el grado de variacin que existe, de tal forma que no reaccionemos a variaciones naturales del proceso.* de 116
Resumen : Mtodo de Anlisis
Paso 1: Seleccione las variable de respuesta apropiada que va a graficar. Paso 2: Establezca un subgrupo racional (frecuencia) y un tamao de muestra apropiado. Paso 3: Seleccione el Grfico de control apropiado que va a usar. Paso 4: Implemente un sistema de recoleccin de datos. Paso 5: Calcular las lneas centrales y los limites de controlPaso 6: Grafique los datosPaso 7: Verifique para condiciones FDC (ver condiciones fuera de control) :Paso 8: Interprete los hallazgos, investigue para causas especiales de variacin y haga recomendaciones.* de 116
Los test de fuera de control
El MiniTab te
hace todo esto!!
A
B
C
C
B
A
1
Test 1 One point beyond zone A
A
B
C
C
B
A
2
Test 2 Nine points in a row on same side of center line
A
B
C
C
B
A
3
Test 3 Six points in a row, all increasing or decreasing
A
B
C
C
B
A
5
5
Test 5 Two out of three points in a row in zone A (one side of center line)
A
B
C
C
B
A
6
6
Test 6 Four out of five points in zone B or beyond (one side of center line)
A
B
C
C
B
A
4
Test 4 Fourteen points in a row, alternating up and down
A
B
C
C
B
A
7
Test 7 Fifteen points in a row in zone C (both sides of center line)
A
B
C
C
B
A
8
Test 8 Eight points in a row beyond zone C (both sides of center line)
93
93
93
93
*
3
-
x
LCL
x
CL
*
3
x
UCL
x
x
x
:
I
Grficos
=
=
+
=
2
=
n
para
1.128
d
Donde
d
mR
*
3
-
x
LCL
x
CL
d
mR
*
3
x
UCL
2
2
x
x
2
x
:
I
Grficos
=
=
=
+
=
*
3
mR
UCL
mR
CL
*
3
mR
UCL
:
mR
R
R
R
:
mR
Grficos
-
=
=
+
=
mR
CL
mR
*
3.268
UCL
:
mR
R
R
:
mR
Grficos
=
=
4
6
4
1
3
6
3
1
2
6
2
1
1
6
1
1
6
1
4
2
4
1
4
0
3
9
3
8
O
b
s
e
r
v
a
t
i
o
n
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
4
0
,
0
0
0
U
C
L
=
4
2
,
2
5
9
L
C
L
=
3
7
,
7
4
1
4
6
4
1
3
6
3
1
2
6
2
1
1
6
1
1
6
1
3
2
1
0
O
b
s
e
r
v
a
t
i
o
n
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
8
4
9
U
C
L
=
2
,
7
7
5
L
C
L
=
0
I
-
M
R
C
h
a
r
t
o
f
P
r
o
m
e
d
i
o
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
6
5
4
3
2
O
b
s
e
r
v
a
t
i
o
n
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
3
,
7
4
1
U
C
L
=
5
,
7
9
1
L
C
L
=
1
,
6
9
0
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
2
,
4
1
,
8
1
,
2
0
,
6
0
,
0
O
b
s
e
r
v
a
t
i
o
n
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
7
7
1
U
C
L
=
2
,
5
1
9
L
C
L
=
0
5
1
6
5
6
6
6
I
-
M
R
C
h
a
r
t
o
f
T
i
e
m
p
o
d
e
p
a
r
a
d
a
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
6
5
4
3
2
O
b
s
e
r
v
a
t
i
o
n
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
4
,
1
7
2
U
C
L
=
6
,
1
4
5
L
C
L
=
2
,
1
9
9
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
2
,
4
1
,
8
1
,
2
0
,
6
0
,
0
O
b
s
e
r
v
a
t
i
o
n
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
7
4
2
U
C
L
=
2
,
4
2
3
L
C
L
=
0
5
1
5
1
5
1
I
-
M
R
C
h
a
r
t
o
f
T
i
e
m
p
o
d
e
p
a
r
a
d
a
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
6
,
0
4
,
5
3
,
0
1
,
5
0
,
0
O
b
s
e
r
v
a
t
i
o
n
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
2
,
2
U
C
L
=
4
,
0
6
2
L
C
L
=
0
,
3
3
8
A
n
t
e
s
D
e
s
p
u
s
3
1
2
8
2
5
2
2
1
9
1
6
1
3
1
0
7
4
1
2
,
4
1
,
8
1
,
2
0
,
6
0
,
0
O
b
s
e
r
v
a
t
i
o
n
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
7
U
C
L
=
2
,
2
8
7
L
C
L
=
0
A
n
t
e
s
D
e
s
p
u
s
I
-
M
R
C
h
a
r
t
o
f
T
i
e
m
p
o
d
e
p
a
r
a
d
a
b
y
M
a
n
t
e
n
i
m
i
e
n
t
o
O
c
t
-
4
S
e
p
-
1
3
A
g
o
-
2
3
A
g
o
-
2
J
u
l
-
1
2
J
u
n
-
2
1
M
a
y
-
3
1
M
a
y
-
1
0
A
b
r
-
1
9
M
a
r
-
2
9
M
a
r
-
8
6
,
0
4
,
5
3
,
0
1
,
5
0
,
0
F
e
c
h
a
_
2
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
2
,
2
U
C
L
=
4
,
0
6
2
L
C
L
=
0
,
3
3
8
A
n
t
e
s
D
e
s
p
u
s
O
c
t
-
4
S
e
p
-
1
3
A
g
o
-
2
3
A
g
o
-
2
J
u
l
-
1
2
J
u
n
-
2
1
M
a
y
-
3
1
M
a
y
-
1
0
A
b
r
-
1
9
M
a
r
-
2
9
M
a
r
-
8
2
,
4
1
,
8
1
,
2
0
,
6
0
,
0
F
e
c
h
a
_
2
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
7
U
C
L
=
2
,
2
8
7
L
C
L
=
0
A
n
t
e
s
D
e
s
p
u
s
I
-
M
R
C
h
a
r
t
o
f
T
i
e
m
p
o
d
e
p
a
r
a
d
a
b
y
M
a
n
t
e
n
i
m
i
e
n
t
o
n
de
depende
A
:
R
A
-
x
LCL
x
CL
R
A
x
UCL
2
2
xbarra
xbarra
2
xbarra
:
Xbarra
Grficos
Donde
=
=
+
=
s
s
*
3
-
x
LCL
x
CL
*
3
x
UCL
xbarra
xbarra
xbarra
:
Xbarra
Grficos
=
=
+
=
s
s
*
3
R
LCL
R
CL
*
3
R
CL
U
R
R
R
:
R
Cuadros
+
=
=
+
=
n
de
dependen
D
,
D
:
R
D
LCL
R
CL
R
D
CL
U
4
3
3
R
R
4
R
:
R
Cuadros
Donde
=
=
=
S
a
m
p
l
e
S
a
m
p
l
e
M
e
a
n
2
0
1
8
1
6
1
4
1
2
1
0
8
6
4
2
2
1
.
0
2
0
.
5
2
0
.
0
1
9
.
5
_
_
X
=
2
0
.
2
3
5
U
C
L
=
2
1
.
0
4
2
L
C
L
=
1
9
.
4
2
8
S
a
m
p
l
e
S
a
m
p
l
e
R
a
n
g
e
2
0
1
8
1
6
1
4
1
2
1
0
8
6
4
2
3
2
1
0
_
R
=
1
.
4
0
0
U
C
L
=
2
.
9
6
0
L
C
L
=
0
1
1
X
b
a
r
-
R
C
h
a
r
t
o
f
C
l
i
e
n
t
e
1
,
.
.
.
,
C
l
i
e
n
t
e
5
i
p
p
i
p
n
)
p
(1
p
3
p
LCL
p
CL
n
)
p
(1
p
3
p
UCL
:
P
Grfico
-
-
=
=
-
+
=
s
s
*
3
p
LCL
p
CL
*
3
p
UCL
p
p
p
:
P
Grfico
-
=
=
+
=
)
p
(1
p
n
3
p
n
LCL
p
n
CL
)
p
(1
p
n
3
p
n
UCL
p
p
p
:
nP
Grfico
-
-
=
=
-
+
=
s
s
*
3
p
n
LCL
p
n
CL
*
3
p
n
UCL
p
p
p
:
nP
Grfico
-
=
=
+
=
1
2
1
1
1
0
9
8
7
6
5
4
3
2
1
0
,
1
2
0
,
1
1
0
,
1
0
0
,
0
9
0
,
0
8
0
,
0
7
S
a
m
p
l
e
P
r
o
p
o
r
t
i
o
n
_
P
=
0
,
0
9
9
1
6
U
C
L
=
0
,
1
0
8
8
5
L
C
L
=
0
,
0
8
9
4
8
1
1
1
1
1
1
P
C
h
a
r
t
o
f
I
t
e
m
s
f
a
l
l
a
d
o
s
T
e
s
t
s
p
e
r
f
o
r
m
e
d
w
i
t
h
u
n
e
q
u
a
l
s
a
m
p
l
e
s
i
z
e
s
1
2
1
1
1
0
9
8
7
6
5
4
3
2
1
0
,
1
4
0
,
1
2
0
,
1
0
0
,
0
8
0
,
0
6
O
b
s
e
r
v
a
t
i
o
n
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
_
X
=
0
,
0
9
8
9
5
U
C
L
=
0
,
1
3
1
3
6
L
C
L
=
0
,
0
6
6
5
4
1
2
1
1
1
0
9
8
7
6
5
4
3
2
1
0
,
0
4
0
,
0
3
0
,
0
2
0
,
0
1
0
,
0
0
O
b
s
e
r
v
a
t
i
o
n
M
o
v
i
n
g
R
a
n
g
e
_
_
M
R
=
0
,
0
1
2
1
9
U
C
L
=
0
,
0
3
9
8
2
L
C
L
=
0
I
-
M
R
C
h
a
r
t
o
f
p
r
o
p
o
r
c
i
o
n
muestras
de
total
k
k)
/
(
c
muestra
la
en
defectos
de
#
c
:
c
3
c
LCL
c
CL
c
3
c
UCL
c
c
c
:
C
Cuadro
=
=
=
-
=
=
+
=
Donde
muestras
de
total
k
k)
/
(
c
muestra
la
en
defectos
de
#
c
:
*
3
c
LCL
c
CL
*
3
c
UCL
c
c
c
:
C
Cuadro
=
=
=
-
=
=
+
=
Donde
s
s
muestras
las
todas
de
ai
las
de
Sumatoria
A
)
A
/
(
u
muestra
cada
en
datos
de
numero
ai
a
u
3
u
LCL
u
CL
a
u
3
u
UCL
i
u
u
i
u
:
U
Cuadro
=
=
=
-
=
=
+
=
Donde
muestras
las
todas
de
ai
las
de
Sumatoria
A
)
A
/
(
u
*
3
u
LCL
u
CL
*
3
u
UCL
u
u
u
:
U
Cuadro
=
=
-
=
=
+
=
Donde
s
s
2
5
2
0
1
5
1
0
5
0
7
5
7
0
6
5
S
a
m
p
l
e
N
u
m
b
e
r
S
a
m
p
l
e
M
e
a
n
X
-
B
a
r
C
h
a
r
t
f
o
r
P
r
o
c
e
s
s
A
X
=
7
0
.
9
1
U
C
L
=
7
7
.
2
0
L
C
L
=
6
4
.
6
2
2
5
2
0
1
5
1
0
5
0
8
0
7
0
6
0
5
0
S
a
m
p
l
e
N
u
m
b
e
r
S
a
m
p
l
e
M
e
a
n
X
-
B
a
r
C
h
a
r
t
f
o
r
P
r
o
c
e
s
s
B
X
=
7
0
.
9
8
U
C
L
=
7
7
.
2
7
L
C
L
=
6
4
.
7
0
MEASUREMENT
Upward Trend
Downward Trend
MEASUREMENT
Median
MEASUREMENT
Contract
Revisions
1
4
2
2
3
1
.
.
80
3
Type of Chart
Predicting hotel
occupancy
Monitoring
plant safety
Predicting
Process
Yield
A) Percent occupancy
B) Number of rooms
occupied
A) Number of
recordable
injuries
A) Percentage
of good product
B) Number of good
units per 100 units
sampled
Daily
Daily
Monthly
Monthly
Weekly
Weekly
Situation
Data Collected
Frequency
1.
2.
3.
B) Number of
recordable
injuries per 1000 hours
worked
p
np
c
u
p
np
What You Are Measuring
Appropriate Chart(s)
and Possible Considerations
1. Cycle time from order until
customer delivery
2. Monthly utility expenses
3. Patients blood sugar level
4. Assembly time
5. Daily employee absenteeism rate
6. Productivity ratio
7. Number of rings before phone is
answered
8. Scrap rate
9. Number of product returns
10. Days inventory on hand
11. Sales dollars (monthly or weekly)
12. Sales (units)
13. Water purity sampled 4 times each
day
14. Yield
15. Number of machine
breakdowns(weekly)
16. Capacity utilization by
line (percentage)