¿Qué tipo de datos tengo?

La gráfica de control que usted utiliza depende de si recopila datos continuos o datos de atributos. Si tiene múltiples variables continuas, considere si tiene datos multivariados. Los datos de atributos tienen dos subtipos: binomiales y de Poisson.

Las variables continuas pueden tener un número infinito de valores, tales como 234.8 o 0.01. Los valores para las variables de atributos están restringidos a categorías especificadas o valores discretos. Por ejemplo, los valores de atributos pueden incluir las categorías "pasa" y "no pasa". El número de defectos en una muestra también puede ser una variable de atributos.

Las mediciones continuas normalmente proporcionan más información que los datos de atributos. Sin embargo, los datos de atributos, por lo general, son más fáciles de recopilar. Por lo tanto, los datos de atributos con frecuencia se recopilan cuando las mediciones continuas son difíciles de obtener. Frecuentemente, los datos de atributos son calificaciones subjetivas asignadas por los operadores o el personal de control de calidad.

Datos de proceso continuos

Los datos continuos miden una característica de una parte o proceso, como por ejemplo la longitud, el peso o la temperatura. Los datos suelen incluir valores fraccionados (o decimales).

Por ejemplo, un fabricante de alimentos quiere investigar si el peso de un producto de cereal es constante en el tiempo. Para recolectar los datos, un analista de calidad registra los pesos de una muestra de cajas de cereal.

Si ha recopilado datos continuos en subgrupos, utilice una de las gráficas de control en Estadísticas > Gráficas de control > Gráficas de variables para subgrupos.

Si ha recopilado datos continuos como observaciones individuales, utilice una de las gráficas de control en Estadísticas > Gráficas de control > Gráficas de variables para valores individuales.

Datos de proceso multivariados

Usted tiene datos multivariados si recoge más de una variable continua del mismo proceso. Puede monitorear múltiples variables en una gráfica de control multivariada cuando las variables están correlacionadas. Por ejemplo, puede monitorear la temperatura y la presión para un proceso que produce partes plásticas moldeadas por inyección.

Para determinar si debe utilizar una gráfica de control univariada o multivariada, cree una matriz de correlación de sus variables. Si las variables se correlacionan, considere la creación de una gráfica de control multivariada.

Si los datos incluyen variables correlacionadas, entonces crear gráficas de control separadas para cada variable podría conducir a una interpretación errónea, debido a que las variables en conjunto afectan el proceso. Si utiliza gráficas de control univariadas separadas en una situación multivariada, entonces los siguientes no son iguales a sus valores esperados:
  • Error Tipo I
  • La probabilidad de que un punto caiga correctamente dentro de los límites de control

La distorsión de estos valores aumenta con el número de variables de medición.

Si tiene datos multivariados, entonces las gráficas de control multivariadas ofrecen las siguientes ventajas:
  • Representan la región de control real de las variables relacionadas (elíptico para casos bivariados).
  • Le permiten mantener la tasa especificada de error tipo I.
  • Le permiten monitorear todas las variables del proceso correlacionadas en una sola gráfica, frecuentemente con un solo límite de control.

Sin embargo, las gráficas de control multivariadas son más difíciles de interpretar que las gráficas de control clásicas de Shewhart. Por ejemplo, la escala de las gráficas de control multivariadas no está relacionada con la escala de ninguna de las variables. Además, las señales de fuera de control en gráficas de control multivariadas no revelan cuál variable (o combinación de variables) causó la señal.

Si recogió datos continuos de dos o más variables correlacionadas, utilice una de las gráficas de control en Estadísticas > Gráficas de control > Gráficas multivariadas.

Datos del proceso sobre atributos

Para las gráficas de control, los datos de atributos normalmente son conteos de no conformidades (también llamadas defectos) o unidades no conformes (también llamadas defectuosas). Una no conformidad se refiere a una característica de calidad y las unidades no conformes al producto general. Una unidad puede tener muchas no conformidades, pero la unidad misma puede ser conforme o no conforme. Por ejemplo, un rasguño sobre un panel de metal es una no conformidad. Si existen varios rasguños, se puede considerar que todo el panel es no conforme.

Datos de Poisson
Los valores para los datos de Poisson frecuentemente son conteos de defectos o eventos. Los datos de Poisson a menudo se utilizan para modelar una tasa de ocurrencia, tal como defectos por unidad.
Por ejemplo, los inspectores toman una muestra de 5 toallas de playa cada hora y las examinan para detectar decoloraciones, tirones y fallas en el tejido. Registran el número total de defectos de la muestra. Cada toalla puede tener más de un defecto, por ejemplo 1 descoloración y 2 tirones (3 defectos).
Datos binomiales
Los valores para los datos binomiales se clasifican en una de dos categorías, tales como pasa/no pasa. Los datos binomiales a menudo se utilizan para calcular una proporción o un porcentaje, tal como el porcentaje de partes tomadas como muestra que están defectuosas.
Por ejemplo, un proceso de inspección automatizado examina muestras de pernos para detectar fracturas severas que ocasionen que los pernos no se puedan utilizar. Para cada muestra, los analistas registran el número de pernos inspeccionados y el número de pernos rechazados.

Si tiene datos de atributos, utilice una de las gráficas de control en Estadísticas > Gráficas de control > Gráficas de atributos.

Datos de proceso de eventos poco comunes

Las gráficas de control para eventos poco comunes muestran la cantidad de tiempo o el número de oportunidades entre eventos. Los puntos graficados que son mayores en una gráfica de control para eventos poco comunes indican un tiempo más largo entre eventos. Los puntos graficados que son más bajos en la gráfica indican un tiempo más corto entre eventos.

Algunos eventos ocurren con tan poca frecuencia que usted no puede utilizar una gráfica de control tradicional, por ejemplo, una gráfica Xbarra-R o P, para monitorear sus datos. Ejemplos de eventos poco comunes incluyen infecciones intrahospitalarias, errores de medicación o procesos de manufactura que tienen una baja tasa de defectos.

Si tiene datos sobre eventos poco comunes, entonces utilice una de las gráficas de control en Estadísticas > Gráficas de control > Gráficas de eventos poco frecuentes.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política