Control Estadístico de Procesos

FacpyaSchool of Business

Control Estadístico de Proceso � SPC

Dr. Jesús Cruz Álvarez

Universidad Autónoma de Nuevo León.

Dr. Jesus Cruz Alvarez

29/01/2017

Email: [email protected]

orcid.org/0000-0001-7027-5219 1


Control Estadístico de Proceso � SPCDr. Jesús Cruz Álvarez

2School of Business

Dr. Jesús Cruz Álvarez

3School of Business

Agenda

Fuentes de variación en procesos industriales

Estadística descriptiva

Análisis de la capacidad del proceso

Estableciendo límites de seguridad

Monitoreo de procesos industriales

4School of Business

Control Estadístico de Proceso

Control

Medir el desempeño real de un proceso, comparar con el estándar y actuar sobre la diferencia o el cambio.

Estadístico

Aplicar técnicas estadísticas para medir y analizar la

variación o cambios en los procesos a través del uso de hechos y datos.

Proceso

Cualquier combinación fuentes de variación industrial que

pueda afectar el desempeño y estabilidad del proceso.

5School of Business

Propiedades de un Proceso

Forma

Centrado

Dispersión

Estabilidad

6School of Business

5 ft

4 ft

3 ft

2 ft

1 ft

0 ft

¿Qué cambió?

4.0 3.0 2.0


Tiempo

Tiempo



29/01/2017


orcid.org/0000-0001-7027-5219 2

7School of Business

Tiempo

5 ft

4 ft

3 ft

2 ft

1 ft

0 ft

Tiempo


Manager: ¿Qué nos pegó?

- Siempre pasa los lunes !- Ve por Juanito y que le mueva

8School of Business


Módulo 1

Banco 1 Banco 2 Banco 3 Banco 3

Módulo 2

1er Turno

2do Turno

3er Turno

¿Se observa alguna

diferencia?

9School of Business

Proceso Fuera de Control

Primero, selecciona la media y

dispersión que será declarada como

“base de comportamiento”.

Es como si sonara una alarma siempre que un punto esté fuera de estos

“límites de control”

Después, determina los límites que

contengan virtualmente toda (digamos

99.73%) de la variación normal

10School of Business

Proceso Fuera de Control � Ex 1

Abril 2014

El Gerente está satisfecho de ver que el inventario en proceso cayó a 15.

Otorga un premio al Departamento en honor a su logro.

Ceremonia en la cafetería ¡pizza y refrescos para todos!

Inve

nta

rio

en

Pro

ce

so

E F M A

Premio otorgado



Julio 2014

Tres meses consecutivos de aumento de inventarios.

El Gerente desea nunca haber dado el premio.

“El reconocimiento fue contraproducente.”

El Gerente decide: “El buen trato no funciona”

20

30

Inve

nta

rio

en

Pro

ce

so

10

E F M A M J J

El Gerente se arrepiente



Noviembre de 2014

¡El inventario se elevó a un valor de 26!

El Gerente decide tomar decisiones radicales.

Llama a todos y exige que hagan algo para bajar los

inventarios.

20

30

Inve

nta

rio

en

Pro

ce

so

10

E F M A M J J A S O N

No más concesiones



29/01/2017


orcid.org/0000-0001-7027-5219 3



Junio 2015

Los niveles de inventario se han reducido desde finales del año pasado � “Las cosas mejoran”

Aprendizaje: “¡La mano dura da resultados!”

El Gerente concluye:

“¡La Mano Dura da resultados!”

20

30

Inve

nta

rio

en

Pro

ce

so

10

E F M A M J J A S O N D E F M A M J

2014 2015



Las Golondrinas no hacen verano ! ! !

20

30

Inve

nta

rio

en

Pro

ce

so

10

UCL

LCL

2014 2015

E F M A M J J A S O N D E F M A M J

Primero, selecciona la media y

dispersión que será declarada como

“base de comportamiento”.


“Los Errores en el uso de Gráficos de Control para analizar datos es la mejor

forma de incrementar costos, desperdiciar esfuerzos y bajar la motivación”

Dr. Donald J. Wheeler

2014 2015




Diámetro OD de Flecha en mm

Porc

en

taje

por

añ

o

17.0

17.5

18.0

18.5

19.0

19.5

Sep Oct

Sep 17.3

Oct 19.0



Mes Diámetro (OD mm)

Ene 18.8

Feb 19.6

Mar 18.7

Abr 18.6

May 18.1

Jun 18.9

Jul 19.2

Ago 18.2

Sep 17.3

Oct 19.0

¿Qué se puede concluir del maquinado de la Fecha?

1st Quartile 18.175Median 18.750

3rd Qu artile 19.050Maximum 19.600

18.179 19.101

18.166 19.068

0.444 1.177

A-Squared 0.26P-Value 0.627

Mean 18.640StDev 0.645Variance 0.416

Skew ness -0.78677Kurtosis 1.10448N 10

Minimum 17.300

An derson-Darling N ormality Test

95% C onf idence Interval for Mean

95% C onfid en ce In terval f or Median

95% Conf idence Interval fo r StD ev

19.51 9. 01 8.518. 017.5

Medi an

Mean

1 9. 219.018.81 8.618. 418.2

95% Confidence Intervals

Summary Report for OD (mm)

10987654321

19.5

19.0

18.5

18.0

17.5

17 .0

Number of runs about median: 5

Expected number of runs : 6 .0

Longes t run about median: 3

Approx P- Va lue for Clus tering: 0.251

Approx P- Va lue for Mixtures : 0 .749

Number of runs up or down: 5

Expected number of runs: 6 .3

Longes t run up or down: 3

Approx P-Value for T rends: 0 .1 35

Approx P-Value for Osci ll ation: 0.865

Observation

OD

(m

m)

Run Chart of OD (mm)

10987654321

21

20

19

18

17

Observation

Indiv

idual Valu

e

_

X=18.64

UCL=20.709

LCL=16.571

I-MR Chart of OD (mm)


Variación en Procesos Industriales

Variación es natural inherente a los procesos

industriales

Variación excesiva genera desperdicio

El Reto: Medir, Controlar y Analizar



29/01/2017


orcid.org/0000-0001-7027-5219 4



Enfoque a las 6 “M´s” del Proceso



CAUSAS COMUNES � Random

Existen en cada operación/proceso.

Son causadas por el proceso mismo y sus características.

Generalmente son controlables por la gerencia

CAUSAS ESPECIALES � Isolated

Normalmente se presentan esporádicamente

Generalmente son atribuibles a algo en particular

Eventos fortuitos


20

30

10

“Causa Común”

(Ruido)


No sabemos en dónde caerá el siguiente punto

Suponemos que caerá dentro de los límites

Parece un Proceso “Estable y Predecible”


20

30

10

“Causa Especial”

(Señal)


Hubo un cambio drástico de media

No lo esperábamos, todo estaba bien

Parece un proceso “Inestable e Impredecible”



Causas ComunesCambios esperados

dentro de límites

“Ruido”

Estado de control

estadístico

La salida predecible

Menor variación

mayor capacidad de

proceso

Causas EspecialesCambios drásticos

en la media del

proceso “Señal”

Afecta el proceso de

forma impredecible

No es un proceso

estable y no puede

estar en control


Límite Inferior Natural: LIN

Límite Superior Natural: LSN

3xσ

X

α/2

α/2

3xσ

Tiempo

3xσ

99.73% de los valores promedio caerán entre

estos límites

X

Estadística Descriptiva � Ex 3

n

Xn

i i∑=

=1

µ( )

1

1

2

2

−

−

=

∑=

n

XXn

ii

σ

R

XCV =

1

6ˆ

R=σ

σ

σ

3

3

−=

+=

XLIN

XLSN



29/01/2017


orcid.org/0000-0001-7027-5219 5



20000

18000

16000

14000

12000

10000

0.00025

0.00020

0.00015

0.00010

0.00005

0.00000

22500

20000

17500

15000

12500

10000

7500

5000

Mean 14276

StDev 2394

N 30

Horno 1

Mean 13412

StDev 3810

N 30

Horno 2

Horno 1

Density

Horno 2

Histogram of Horno 1, Horno 2Normal

¿Cuál de los dos procesos

es mejor?

i Horno 1 Horno 2 i Horno 1 Horno 2

1 11811.46 15323.6 16 12972.96 7110.404

2 13889.29 11295.95 17 14897.84 13011.44

3 8940.819 18629.81 18 16267.92 6208.184

4 14618.67 9528.057 19 13460.38 15101.69

5 13646.57 15362.37 20 16563.84 20269.85

6 12683.45 20556.9 21 18351.94 16832.21

7 13953.88 10738.02 22 18768.32 9396.385

8 16217.45 15865.32 23 11670.82 8253.243

9 13254.78 12098 24 17294.04 7268.095

10 14793.82 13979.15 25 12645.95 14504.15

11 13480.86 15742.02 26 12686.38 8857.264

12 15842.26 11168.84 27 8837.822 13947.35

13 11780.08 15548.73 28 16744 16893.36

14 14726.68 16599.58 29 14992.78 12157.32

15 16219.09 15235.62 30 16266.23 14871.29

n

Xn

i i∑=

=1

µ( )

1

1

2

2

−

−

=

∑=

n

XXn

i i

σ

σ

σ

3

3

−=

+=

XLIN

XLSN

Consumo energético

de dos hornos

(BTU/Hr)



Analysis of Variance � Anova

Source DF Adj SS Adj MS F-Value P-ValueFactor 1 11202745 11202745 1.11 0.297

Error 58 587088680 10122219

Total 59 598291426

2

00000.0

20000.0

40000.0

60000.0

80000.0

01000.0

21000.0

41000.0

61000.0

81000.0

0005 0057 00001 00521 00051 00571 00002 0052

14276 2394 30

13412 3810 30

Mean StDev N

D

ytisn

eD

ata

H

elbairaV

2 onroH

1 onro

H lamroN

2 onroH ,1 onroH fo margotsi

¿Cuál de los dos procesos es mejor?

ANOVA Ho: µi=µj• P-Valor < 5 % � Diferentes

• P-Valor > 5% � Iguales


Gráficas de Control � Control Charts

El Dr. Walter Shewhart (Laboratorios Bell ~1920)

fue el primero que distinguió entre variación

controlable e incontrolable, diferenciando lo que

hoy llamamos causas comunes y causas

especiales


Gráficas de Control � Control Charts

BeneficiosMonitoreo preventivo

Escuchar el el

proceso: Señal /

Ruido

Automático / Manual

Autonomía de

Procesos

Errores comunesUsar GC como

herramienta de

inspección

Usar GC para

determinar la

capacidad del

proceso

Reemplazar los

límites de control con

límites de

especificación


LSN/LIN Vs LSE/LIR � Límites

Habilidad de Proceso Controlado No Controlado

Cumple la especificación Caso 1 Caso 3

No cumple la

especificación

Caso 2 Caso 4

Caso ___ ? Caso ___ ?


Premisas Básicas para el CEP

Integridad de los Datos

Tener datos verídicos es vital para evitar malentendidos ycorrecciones dañinas.

CTQs Claramente conocidos

Las Características de Calidad que estén bajo el estudio delCEP deben estar claramente definidas, comprendidas y

haber sido acordadas por todas las personas involucradas.

La aplicación de los criterios debe ser consistente.

Subgrupos Racionales

reflejarán únicamente variación debida a causas comunes.



29/01/2017


orcid.org/0000-0001-7027-5219 6


Tipos de Datos

Atributos

Datos discretos. Son el resultado de usar instrumentos demedición “pasa/no pasa”, o de la inspección de defectos o

problemas visuales, partes omitidas, o de decisiones de

sí/no, aceptado/rechazado, etc.

Variables

Datos continuos (mediciones). Son el resultado de una

medición real de una característica tal como el tiempo deprocesado de una solicitud de crédito, la cantidad que

pagamos mensualmente de IVA, la resistencia a la tensión

del acero, el diámetro de un tubo, etc.

¿Tu proceso maneja variables o atributos?


Tipos de Gráficos de Control

PARA DATOS CONTINUOS (mediciones)

I-MR (Individuos y Rango Móvil)

X-R (Medias y Rangos)

X-S (Medias y Desviaciones Estándar)

PARA DATOS DISCRETOS (atributos)

P (proporción/fracción de productos no conformes)

NP (número/cantidad de productos no conformes)

C (número/cantidad de no conformidades/defectos pormuestra)

U (no conformidades/defectos por unidad)


Gráfico C o U Gráfico NP o PGráfico P I-MR MA, EWMA, CUSUM

Discretos (atributos) Continuos (mediciones)

Defe

ctivo

s

(ele

mento

s d

efe

ctu

osos)

Si

No

Defectos

No

Subgrupos

Racionales

(más de una

medición al mismo

tiempo)

NoSí

Si

Si

Individuales

(una medición al

mismo tiempo)

No

Inicio

Rango Móvil

PromedioMóvil

¿Qué se cuenta?

¿Tamaño desubgruposconstante?

Gráfico U

¿Tipo de Datos?

¿Medicionesindividuales osubgrupos?

Los datos tienden a estar normalmente distribuidos debido

al teorema del límite central

¿Se quierendetectar cambios

pequeños?

¿Datosnormales?

¿ Tamaño desubgruposconstante?

X-R o X-S

PromedioMóvil con

PonderaciónExponencial

SumasAcumuladas

¿n>10?

No

X-S

Sí

Selección de Gráficos de Control


¿Cómo Empezar el Control Estadístico?

Seleccionar los CTQs

Tipo de Gráfico apropiado

Plan de Muestreo

Check sheet � Recolección de datos

R&R del Sistema de Medición � MSA

Entrenamiento en toma de datos y captura

Escuchar el proceso e interpretar los datos

Medidas preventivas Ruido/Señal � Plan de

Control


Elaborando Gráficos � X-R, X-S


Elaborando GRÁFICOS I-MR



29/01/2017


orcid.org/0000-0001-7027-5219 7


Reglas del Control Estadístico

+3σX

+2σX

+1σX

-1σX

-2σX

-3σX

LSC

LIC

Zona A

Zona B

Zona C

Zona C

Zona B

Zona A

Media del

proceso

Zona A = Externa

Zona B = Media

Zona C = Interior

Para los gráficos de medias de Shewhart, los Límites de Control

se colocan a +3σx

de la media del proceso


Regla 1: Puntos extremos fuera de los límites de control

UCLx

LCLx

X

Un punto fuera de los LC � Proceso fuera de control (Esto aplica para X y R)


UCLx

LCLx

X

Regla 2. Corridas seguidas arriba o debajo de la línea central

Puede ser un indicativo de una condición especial

La media del proceso ha cambiado y posiblemente también la desviación

estándar


UCLx

LCLx

X

Regla 3. Tendencias positivas o negativas

Tendencias ascendentes o descendentes indican señales del proceso �

“Potencial Sobreajuste”


UCLx

LCLx

X

Regla 4. Patrones repetitivos y erráticos

Cuando 14 ó más puntos consecutivos oscilan alternando arriba y abajo de la

línea central en los gráficos X o R, se identifica una tendencia sistemática.


Regla 5. Existen 2 de 3 Puntos en la Zona A o más allá (>2σ)

UCLx

LCLx

X

A

B

C

C

B

A

2 de 3 puntos consecutivos caen en la zona A o más allá (>2σ), del mismo lado

de la línea central.

Es una primera señal de alarma de que el proceso se está desplazando.



29/01/2017


orcid.org/0000-0001-7027-5219 8


Regla 6. Existen 4 de 5 Puntos en la Zona B (>1σ)

A

B

C

C

B

A

UCLx

LCLx

X

4 de 5 puntos consecutivos caen en la zona B o más allá (>1σ), del mismo lado

de la línea central. También es señal de alarma de que el proceso se estádesplazando


Regla 7. Corrida de datos en Zona C (+/-1σ)

A

B

C

C

B

A

UCLx

LCLx

X

15 ó más puntos consecutivos caen en la zona C (en cualquier lado de la línea

central). El proceso muestra menos variación de la esperada normalmente.Esto se puede deber principalmente a un muestreo incorrecto, a un cambio

(decremento) de la variabilidad del proceso que no se ha considerado

correctamente en los límites de control o a la manipulación de los datos.


Regla 8. Errático en Zona A y/o B (+/- 2-3σ)

29/01/2017 45

A

B

C

C

B

A

UCLx

LCLx

X

8 ó más puntos consecutivos se encuentran en cualquier zona respecto de la

línea central sin caer en la zona C (a más de 1σ a partir de la línea central).Esto puede deberse a que más de un proceso está siendo graficado en el

mismo gráfico, a un sobrecontrol del proceso o a una técnica de muestreo

errónea.


Gráfico de Control X-R � Ex 4

Proveedor 1

Proveedor 2

Run # Input Diameter Input Roundness Speed (rpm) Feed Depth # of Passes Output Diameter Output Roundness Cycle Time

1 12.003 0.036 1000 2 0.01 1 11.981 0.0033 62.5

2 11.981 0.016 1000 2 0.01 1 11.981 0.0029 62.5

3 11.997 0.021 1000 2 0.01 1 11.98 0.0016 62.5

Inputs Machine Settings Outputs

Se tuvo un rechazo del proveedor 1, el cual

como acción correctiva quiere ajustar lamáquina para darle dos pases, con esto lograr

mayor estabilidad en el diámetro y redondez,

sin embargo esto aumenta el tiempo de ciclo y

posiblemente llevará a un aumento de precio

por pieza. ¿Usted que haría?



Definir CTQs � OD y Redondez

Análisis descriptivo � Dispersión del proceso

Gráfica de Control � IMR / X-S / X-R

Análisis de Capacidad

La especificación del Outter Diameter (OD) es

de 11.95 a 12.00 mm



1

0

02

04

06

08

001

021

041

061

081

569.11 079.11 579.11 089.11 589.11 099.11 599.1

11.98 0.006276 30

11.99 0.002437 30

Mean StDev N

O

ytisn

eD

retemaiD tuptu

1

muN

sesaP

2

H lamroN

retemaiD tuptuO fo margotsi

0

0

001

002

003

004

0000.0 6100.0 2300.0 8400.0 4600.

0.002557 0.001689 30

0.001783 0.001152 30

Mean StDev N

O

ytisn

eD

ssendnuoR tuptu

1

muN

sesaP

2

H lamroN

ssendnuoR tuptuO fo margotsi



29/01/2017


orcid.org/0000-0001-7027-5219 9



28252219161310741

12.00

11.99

11.98

11.97

Observation

Ind

ivid

ual V

alu

e

_X=11.98183

UCL=11.99752

LCL=11.96615

28252219161310741

0.020

0.015

0.010

0.005

0.000

Observation

Movin

g R

ange

__MR=0.00590

UCL=0.01927

LCL=0

1

I-MR Chart of OD (Prov 1)

28252219161310741

12.00

11.99

11.98

11.97

Observation

Indiv

idual Valu

e

_X=11.9863

UCL=11.99492

LCL=11.97768

28252219161310741

0.020

0.015

0.010

0.005

0.000

Observation

Movin

g R

ang

e

__MR=0.00324

UCL=0.01059

LCL=0

1

I-MR Chart of OD (Prov 2)

¿Cuántas reglas de SPC se

rompieron?



28252219161310741

0.008

0.004

0.000

Observation

Indiv

idu

al Valu

e

_X=0.00256

UCL=0.00791

LCL=-0.00280

28252219161310741

0.0060

0.0045

0.0030

0.0015

0.0000

Observation

Movin

g R

ang

e

__MR=0.002014

UCL=0.006580

LCL=0

I-MR Chart of Roundness (Prov 1)

28252219161310741

0.008

0.004

0.000

Observation

Ind

ivid

ual V

alu

e

_

X=0.00178

UCL=0.00536

LCL=-0.00179

28252219161310741

0.0060

0.0045

0.0030

0.0015

0.0000

Observation

Movin

g R

ange

__MR=0.001345

UCL=0.004394

LCL=0

I-MR Chart of Roundness (Prov 2)

¿Cuántas reglas de SPC se

rompieron?


Capacidad de Proceso � Ex 5

Capacidad del Proceso

Es la habilidad que el proceso tiene para cumplir lasespecificaciones

CP

Cpk

Cpm

PP



Cp vs Pp

Cp. Process Capability (Long term) �Aprox sigma

Pp. Process Performance (Initial studies “Short term”) � n-1



12.0000

11.9925

11.9850

11.9775

11.9700

11.9625

11.9550

LSL 11.95Target *USL 12Sample Mean 11.9818Sample N 30StDev(Overall) 0.00627575StDev(Within) 0.00522744

Process Data

Pp 1.33PPL 1.69PPU 0.96Ppk 0.96Cpm *

Cp 1.59CPL 2.03CPU 1.16Cpk 1.16

Potential (Within) Capability

Overall Capability

PPM < LSL 0.00 0.20 0.00PPM > USL 0.00 1897.37 255.19PPM Total 0.00 1897.56 255.19

Observed Expected Overall Expected WithinPerformance

LSL USL

OverallWithin

Process Capability Report for OD (Prov 1)

11.99811.99111.98411.97711.97011.96311.95611.949

LSL 11.95Target *USL 12Sample Mean 11.9863Sample N 30StDev(Overall) 0.00243749StDev(Within) 0.00287356

Process Data

Pp 3.42PPL 4.96PPU 1.87Ppk 1.87Cpm *

Cp 2.90CPL 4.21CPU 1.59Cpk 1.59

Potential (Within) Capability

Overall Capability

PPM < LSL 0.00 0.00 0.00PPM > USL 0.00 0.01 0.93PPM Total 0.00 0.01 0.93

Observed Expected Overall Expected WithinPerformance

LSL USL

OverallWithin

Process Capability Report for OD (Prov 2)


Gráficos de Control por Atributos � G/NG

Las características de calidad no pueden medirse

y expresarse con mediciones en una escala

continua de valores.

Decisión dicotómica: Pasa-No pasa, Conforme-No

conforme, Cumple-No cumple, Si-No, Presente-

Ausente, Aprobado-Rechazado, Adecuado-

Defectuoso, etc.

Se requieren muestras más grandes que para los

GC por variables continuas.

Los criterios de aceptación-rechazo deben ser

muy claros. Hacer pruebas (muestras,

instrumentos, inspectores, etc.).



29/01/2017


orcid.org/0000-0001-7027-5219 10


Características de las Gráficas por Atributos

Defecto

Defectuoso

Cantidad de Defectos

Fracción

defectuosa

Una sola característica que no cumple con el requerimiento. Un defecto

también es llamado no conformidad.

Es la razón del número de artículos defectuosos en una muestra “d” o

“np” y el total de artículos de la muestra “n”. La fracción defectiva de la

muestra “p”=d/n. También se le llama proporción o fracción no

conforme.

Una unidad que tiene uno o más defectos es una unidad defectuosa,

defectiva o no conforme

En una muestra de “n” artículos, “d” o “np” es la cantidad de artículos

defectuosos o no conformes en la muestra.

En una muestra de “n” artículos, “c” es la cantidad de defectos en la

muestra. Un artículo puede ser sujeto de muchos tipos de defectos

diferentes. La suma de todos los defectos en la muestra es “c”. También

se le llama cantidad de no conformidades en la muestra.


Características de las Gráficas por Atributos


Gráficas por Atributos � Ex 6

Gráfica (P)

Gráfica (U)


Gráficas por Atributos <Np> � Ex 6

i Tamaño de la muestra (P) Fracción Defectiva

1 10 1

2 10 1

3 10 0

4 10 1

5 10 0

6 10 0

7 10 0

8 10 0

9 10 0

10 10 1

11 10 1

12 10 1

14 10 0

15 10 2

16 10 0

17 10 0

18 10 1

19 10 1

20 10 0

Proportion

shifts and drifts, may be special causes.trends or cyclical patterns may also be common causes. Other patterns, such asexhibits only common causes has a constant rate of defectives. However, globalhelp you distinguish between common and special causes. Typically, a process that

Assess the stability of your process % defective and look for patterns that can

Look for these patterns:

Global Trend Cyclical

Shifts Drifts

Oscillation Mixture

of ControlExcessive Out

P Chart of (P) Fracción DefectivaStability Report


Gráficas por Atributos <U> � Ex 7

Number of subgroups: 19 Total units: 190 Defects per Unit (DPU): 0.32

Subgroup size: 10 Total defects: 61 PPM (DPMO): 321053

Yes No

0% > 5%

0 .0%

191715131197531

0.8

0.6

0.4

0.2

0.0

Subgroup

Defe

cts

per

Un

it

_

U=0.3211

UCL=0.8586

LCL=0

control.

The number of defects per unit is stable. No subgroups are out of

Comments

U Chart of (P) Fracción DefectivaSummary Report

Is the number of defects per unit stable?

Evaluate the % of out-of-control subgroups.

U ChartInvestigate any out-of-control subgroups.

Defe

cts

per

Unit

as shifts and drifts, may be special causes.

global trends or cyclical patterns may also be common causes. Other patterns, such

process that exhibits only common causes has a constant defect rate. However,

that can help you distinguish between common and special causes. Typically, a

Assess the stability of the defects per unit in your process and look for patterns

Look for these patterns:

Global Trend Cyclical

Shifts Drifts

Oscillation Mixture

of Control

Excessive Out

U Chart of (P) Fracción DefectivaStability Report


Dr. Jesús Cruz Álvarez - Gracias !!!

https://mx.linkedin.com/in/drjesuscruzalvarez

Email: [email protected]: orcid.org/0000-0001-7027-5219

UANLSchool of Business

Dr. Jesús Cruz Álvarez - Gracias !!!



ORCID: orcid.org/0000-0001-7027-5219


mailto:[email protected]