Gràfic de control

Els gràfics de control són gràfics utilitzats en el control de producció per determinar si la qualitat i els processos de fabricació es controlen en condicions estables. (ISO 7870-1)[1] L'estat horari s'organitza al gràfic i l'aparició d'anomalies es jutja en funció de la presència de dades que difereixen de la tendència convencional o es desvien de la línia límit de control. Els gràfics de control es classifiquen en gràfic de control individual de Shewhart (ISO 7870-2)[2] i CUSUM (CUsUM) (o gràfic de control de suma acumulada) (ISO 7870-4).[3]
Els gràfics de control, també coneguts com a gràfics de Shewhart (en honor a Walter A. Shewhart) o gràfics de comportament del procés, són una eina estadística de control de processos que s'utilitza per determinar si un procés de fabricació o empresarial està en un estat de control. És més apropiat dir que els gràfics de control són el dispositiu gràfic per a la monitorització estadística de processos (SPM). Els gràfics de control tradicionals estan dissenyats principalment per monitorar els paràmetres del procés quan es coneix la forma subjacent de les distribucions del procés. Tanmateix, al segle XXI hi ha tècniques més avançades disponibles on es pot monitorar el flux de dades entrants fins i tot sense cap coneixement de les distribucions del procés subjacent. Els gràfics de control sense distribució són cada cop més populars.
Visió general
Si l'anàlisi del gràfic de control indica que el procés està actualment sota control (és a dir, és estable, amb variacions que només provenen de fonts comunes al procés), aleshores no calen ni es desitgen correccions ni canvis en els paràmetres de control del procés. A més, les dades del procés es poden utilitzar per predir el rendiment futur del procés. Si el gràfic indica que el procés supervisat no està sota control, l'anàlisi del gràfic pot ajudar a determinar les fonts de variació, ja que això provocarà una degradació del rendiment del procés.[4] Un procés que és estable però que funciona fora dels límits desitjats (d'especificació) (per exemple, les taxes de rebuig poden estar sota control estadístic però per sobre dels límits desitjats) s'ha de millorar mitjançant un esforç deliberat per comprendre les causes del rendiment actual i millorar fonamentalment el procés.[5]
El gràfic de control és una de les set eines bàsiques del control de qualitat.[6] Normalment, els gràfics de control s'utilitzen per a dades de sèries temporals, també conegudes com a dades contínues o dades variables. Tot i que també es poden utilitzar per a dades que tenen comparabilitat lògica (és a dir, si es volen comparar mostres que es van prendre totes al mateix temps o el rendiment de diferents individus), cal tenir en compte el tipus de gràfic que s'utilitza per fer-ho.[7]
Història
El gràfic de control va ser inventat per Walter A. Shewhart, que treballava per a Bell Labs a la dècada del 1920.[8] Els enginyers de l'empresa havien estat buscant millorar la fiabilitat dels seus sistemes de transmissió de telefonia. Com que els amplificadors i altres equips s'havien d'enterrar sota terra, hi havia una necessitat empresarial més forta de reduir la freqüència d'avaries i reparacions. El 1920, els enginyers ja s'havien adonat de la importància de reduir la variació en un procés de fabricació. A més, s'havien adonat que l'ajust continu del procés en reacció a la no conformitat en realitat augmentava la variació i degradava la qualitat. Shewhart va emmarcar el problema en termes de causes comunes i especials de variació i, el 16 de maig de 1924, va escriure una nota interna que presentava el gràfic de control com a eina per distingir entre els dos. El cap de Shewhart, George Edwards, recordava: "El Dr. Shewhart va preparar un petit memoràndum de només una pàgina d'extensió. Aproximadament un terç d'aquesta pàgina estava dedicat a un diagrama senzill que avui tots reconeixeríem com un gràfic de control esquemàtic. Aquell diagrama, i el text breu que el precedia i el seguia, establien tots els principis i consideracions essencials que intervenen en el que avui coneixem com a control de qualitat del procés".[9] Shewhart va emfatitzar que portar un procés de producció a un estat de control estadístic, on només hi ha variació de causa comuna, i mantenir-la sota control, és necessari per predir la producció futura i gestionar un procés econòmicament.
Shewhart va crear la base del gràfic de control i del concepte d'un estat de control estadístic mitjançant experiments acuradament dissenyats. Tot i que Shewhart es basava en teories estadístiques matemàtiques pures, entenia que les dades dels processos físics solen produir una "corba de distribució normal" (una distribució gaussiana, també coneguda comunament com a "corba de campana"). Va descobrir que la variació observada en les dades de fabricació no sempre es comportava de la mateixa manera que les dades a la natura (moviment brownià de les partícules). Shewhart va concloure que, si bé tots els processos mostren variació, alguns processos mostren una variació controlada que és natural al procés, mentre que d'altres mostren una variació incontrolada que no està present en el sistema causal del procés en tot moment.[10]
El 1924 o 1925, la innovació de Shewhart va cridar l'atenció de W. Edwards Deming, que aleshores treballava a les instal·lacions de Hawthorne. Deming va treballar més tard al Departament d'Agricultura dels Estats Units i es va convertir en l'assessor matemàtic de l'Oficina del Cens dels Estats Units. Durant el següent mig segle, Deming es va convertir en el principal defensor i defensor del treball de Shewhart. Després de la derrota del Japó al final de la Segona Guerra Mundial, Deming va exercir com a consultor estadístic del Comandant Suprem de les Potències Aliades. La seva posterior implicació en la vida japonesa i la seva llarga carrera com a consultor industrial allà van difondre el pensament de Shewhart i l'ús del gràfic de control àmpliament a la indústria manufacturera japonesa durant les dècades del 1950 i del 1960.
Bonnie Small, una professora d'institut a Oconomowoc, Wisconsin, va llegir l'obra de Shewhart i es va inspirar a utilitzar gràfics de control mentre treballava al laboratori de fotografia del seu cosí a Chicago. El 1942, va començar a treballar per a Western Electric a la seva fàbrica de Hawthorne a Cicero, i la seva experiència a la planta la va portar a perfeccionar encara més l'ús de les idees de Shewhart. Quan General Electric va obrir una nova planta a Allentown, Pennsilvània, per fabricar el transistor recentment desenvolupat, es va demanar a Small que supervisés els sistemes de qualitat de la planta.[11] L'empresa li va demanar que formés un comitè amb l'objectiu de codificar el seu enfocament de la qualitat i, el 1956, el comitè va publicar la primera edició de The Western Electric Statistical Quality Control Handbook.[12]
Detalls del gràfic
Un gràfic de control consta de:
- Punts que representen una estadística (per exemple, una mitjana, un rang, una proporció) de mesures d'una característica de qualitat en mostres preses del procés en diferents moments (és a dir, les dades)
- Es calcula la mitjana d'aquesta estadística utilitzant totes les mostres (per exemple, la mitjana de les mitjanes, la mitjana dels rangs, la mitjana de les proporcions), o per a un període de referència contra el qual es pot avaluar el canvi. De la mateixa manera, es pot utilitzar una mediana.
- Es dibuixa una línia central al valor de la mitjana o mediana de l'estadística
- La desviació estàndard (per exemple, la variància de la mitjana) de l'estadística es calcula utilitzant totes les mostres, o també per a un període de referència contra el qual es pot avaluar el canvi. En el cas dels gràfics XmR, estrictament és una aproximació de la desviació estàndard, la no fa la suposició d'homogeneïtat del procés al llarg del temps que fa la desviació estàndard.
- Els límits de control superior i inferior (de vegades anomenats "límits del procés natural") indiquen el llindar en què la sortida del procés es considera estadísticament "improbable" i es dibuixen normalment a 3 desviacions estàndard de la línia central.
El gràfic pot tenir altres funcions opcionals, com ara:
- Límits d'advertència o control superior i inferior més restrictius, dibuixats com a línies separades, normalment dues desviacions estàndard per sobre i per sota de la línia central. Això s'utilitza regularment quan un procés necessita controls més estrictes sobre la variabilitat.
- Divisió en zones, amb l'addició de normes que regeixen les freqüències d'observacions a cada zona
- Anotació amb esdeveniments d'interès, tal com ho determina l'enginyer de qualitat responsable de la qualitat del procés
- Acció sobre causes especials
(nota: hi ha diversos conjunts de regles per a la detecció de senyals; aquest és només un conjunt. Cal especificar clarament el conjunt de regles.)
- Qualsevol punt fora dels límits de control
- Una sèrie de 7 punts tots per sobre o tots per sota de la línia central: atura la producció
- Quarantena i comprovació del 100%
- Ajustar el procés.
- Comprova 5 mostres consecutives
- Continua el procés.
- Una sèrie de 7 punts amunt o avall: instruccions com les anteriors
Constant del gràfic de control
La constant del gràfic de control o el factor de correcció del biaix són constants que s'utilitzen en els gràfics de control.[13] Les constants es basen en la mida del subgrup (n) i es deriven de les propietats estadístiques de les distribucions de mostreig.[14][15] Les primeres constants del gràfic de control proposades van ser d2 d3.
Ús del gràfic
Si el procés està sota control (i l'estadística del procés és normal), el 99,7300% de tots els punts es trobaran entre els límits de control. Qualsevol observació fora dels límits, o patrons sistemàtics dins, suggereix la introducció d'una nova (i probablement imprevista) font de variació, coneguda com a variació per causa especial. Com que una variació més gran significa un augment dels costos de qualitat, un gràfic de control que "senyalitza" la presència d'una causa especial requereix una investigació immediata.
Això fa que els límits de control siguin ajudes per a la presa de decisions molt importants. Els límits de control proporcionen informació sobre el comportament del procés i no tenen cap relació intrínseca amb cap objectiu d'especificació ni tolerància d'enginyeria. A la pràctica, la mitjana del procés (i, per tant, la línia central) pot no coincidir amb el valor especificat (o objectiu) de la característica de qualitat perquè el disseny del procés simplement no pot oferir la característica del procés al nivell desitjat.
Els gràfics de control limiten els límits o objectius d'especificació a causa de la tendència dels implicats en el procés (per exemple, els operadors de màquines) a centrar-se en el rendiment segons les especificacions quan, de fet, el curs d'acció menys costós és mantenir la variació del procés tan baixa com sigui possible. Intentar fer que un procés el centre natural del qual no és el mateix que l'objectiu funcioni segons les especificacions de l'objectiu augmenta la variabilitat del procés i augmenta els costos significativament, i és la causa de molta ineficiència en les operacions. Tanmateix, els estudis de capacitat del procés examinen la relació entre els límits naturals del procés (els límits de control) i les especificacions.
El propòsit dels gràfics de control és permetre una detecció senzilla d'esdeveniments que indiquen un augment de la variabilitat del procés.[16] Aquesta senzilla decisió pot ser difícil quan la característica del procés varia contínuament; el gràfic de control proporciona criteris de canvi estadísticament objectius. Quan es detecta un canvi i es considera bo, s'ha d'identificar la seva causa i possiblement convertir-se en la nova manera de treballar; quan el canvi és dolent, s'ha d'identificar i eliminar la seva causa.
L'objectiu d'afegir límits d'advertència o subdividir el gràfic de control en zones és proporcionar una notificació anticipada si alguna cosa no va bé. En lloc de llançar immediatament un esforç de millora del procés per determinar si hi ha causes especials, l'enginyer de qualitat pot augmentar temporalment la velocitat a la qual es prenen mostres de la sortida del procés fins que estigui clar que el procés està realment sota control. Tingueu en compte que amb els límits de tres sigma, les variacions de causa comuna donen lloc a senyals menys d'una vegada de cada vint-i-dos punts per a processos esbiaixats i aproximadament una vegada de cada tres-cents setanta (1/370,4) punts per a processos distribuïts normalment.[17] Els nivells d'advertència de dos sigma s'assoliran aproximadament una vegada per cada vint-i-dos (1/21,98) punts representats en dades distribuïdes normalment. (Per exemple, les mitjanes de mostres prou grans extretes de pràcticament qualsevol distribució subjacent la variància de la qual existeix tenen una distribució normal, segons el teorema del límit central.)
Elecció de límits
Shewhart va establir límits de 3 sigma (desviació estàndard de 3) sobre la base següent.
- El resultat aproximat de la desigualtat de Txebixev que, per a qualsevol distribució de probabilitat, la probabilitat d'un resultat superior a k desviacions estàndard de la mitjana és com a màxim 1/k².
- El resultat més precís de la desigualtat de Vysochanskii-Petunin, que per a qualsevol distribució de probabilitat unimodal, la probabilitat d'un resultat superior a k desviacions estàndard de la mitjana és com a màxim 4/(9k² ).
- En la distribució normal, una distribució de probabilitat molt comuna, el 99,7% de les observacions es produeixen dins de tres desviacions estàndard de la mitjana (vegeu Distribució normal).
Shewhart va resumir les conclusions dient:
... El fet que el criteri que fem servir tingui una bona ascendència en teoremes estadístics intel·lectuals no justifica el seu ús. Aquesta justificació ha de provenir de proves empíriques que funcionen. Com diria l'enginyer pràctic, la prova del púding està en menjar-lo.[18]
Tot i que inicialment va experimentar amb límits basats en distribucions de probabilitat, Shewhart finalment va escriure:
Alguns dels primers intents de caracteritzar un estat de control estadístic es van inspirar en la creença que existia una forma especial de funció de freqüència f i es va argumentar des del principi que la llei normal caracteritzava aquest estat. Quan es va descobrir que la llei normal era inadequada, es van provar formes funcionals generalitzades. Avui, però, totes les esperances de trobar una forma funcional única f s'han esvaït.[19]
El gràfic de control està pensat com una heurística. Deming va insistir que no és una prova d'hipòtesi i no està motivat pel lema de Neyman-Pearson. Va sostenir que la naturalesa disjunta de la població i el marc de mostreig en la majoria de situacions industrials comprometia l'ús de tècniques estadístiques convencionals. La intenció de Deming era buscar informació sobre el sistema de causes d'un procés... sota una àmplia gamma de circumstàncies desconegudes, futures i passades...Va afirmar que, en aquestes condicions, els límits de 3 sigma proporcionaven... una guia racional i econòmica per a una pèrdua econòmica mínima... a partir dels dos errors:
- Atribuir una variació o un error a una causa especial (causa assignable) quan en realitat la causa pertany al sistema (causa comuna). (També conegut com a error de tipus I o fals positiu)
- Atribuir una variació o un error al sistema (causes comunes) quan en realitat la causa era una causa especial (causa assignable). (També conegut com a error de tipus II o fals negatiu)
Càlcul de la desviació estàndard
Pel que fa al càlcul dels límits de control, la desviació estàndard (error) necessària és la de la variació de causa comuna en el procés. Per tant, no s'utilitza l'estimador habitual, en termes de variància mostral, ja que aquest estima la pèrdua total d'error quadràtic tant per causes comunes com especials de variació.
Un mètode alternatiu és utilitzar la relació entre el rang d'una mostra i la seva desviació estàndard derivada per Leonard HC Tippett, com a estimador que tendeix a estar menys influenciat per les observacions extremes que caracteritzen les causes especials.
Regles per a la detecció de senyals
Els conjunts més comuns són:
- Les regles de Western Electric
- Les regles de Wheeler (equivalents a les proves de zona de Western Electric[20])
- Les regles de Nelson
Hi ha hagut una controvèrsia particular sobre quant de temps hauria de comptar com a senyal una sèrie d'observacions, totes al mateix costat de la línia central, i diversos escriptors recomanen els valors 6, 7, 8 i 9.
El principi més important per triar un conjunt de regles és que l'elecció s'ha de fer abans d'inspeccionar les dades. Triar les regles un cop s'han vist les dades tendeix a augmentar la taxa d'error de tipus I a causa dels efectes de prova suggerits per les dades.
Bases alternatives
El 1935, la British Standards Institution, sota la influència d'Egon Pearson i en contra de l'esperit de Shewhart, va adoptar gràfics de control, substituint els límits de 3 sigma per límits basats en percentils de la distribució normal. Aquest moviment continua sent representat per John Oakland i altres, però ha estat àmpliament desaprovat pels escriptors de la tradició de Shewhart-Deming.
Rendiment dels gràfics de control
Quan un punt cau fora dels límits establerts per a un gràfic de control determinat, s'espera que els responsables del procés subjacent determinin si s'ha produït una causa especial. Si s'ha produït, és apropiat determinar si els resultats amb la causa especial són millors o pitjors que els resultats de les causes comunes soles. Si és pitjor, s'hauria d'eliminar aquesta causa si és possible. Si és millor, pot ser apropiat retenir intencionadament la causa especial dins del sistema que produeix els resultats.
Fins i tot quan un procés està sota control (és a dir, no hi ha causes especials presents al sistema), hi ha aproximadament una probabilitat del 0,27% que un punt superi els límits de control de 3 sigma. Per tant, fins i tot un procés sota control representat en un gràfic de control correctament construït finalment indicarà la possible presència d'una causa especial, tot i que potser no s'hagi produït realment. Per a un gràfic de control de Shewhart que utilitza límits de 3 sigma, aquesta falsa alarma es produeix de mitjana una vegada cada 1/0,0027 o 370,4 observacions. Per tant, la longitud mitjana d'execució sota control (o ARL sota control) d'un gràfic de Shewhart és de 370,4.
Mentrestant, si es produeix una causa especial, és possible que no sigui de magnitud suficient perquè el gràfic produeixi una condició d'alarma immediata. Si es produeix una causa especial, es pot descriure aquesta causa mesurant el canvi en la mitjana i/o la variància del procés en qüestió. Quan aquests canvis es quantifiquen, és possible determinar l'ARL fora de control per al gràfic.
Resulta que els gràfics de Shewhart són força bons per detectar grans canvis en la mitjana o la variància del procés, ja que els seus ARL fora de control són força curts en aquests casos. Tanmateix, per a canvis més petits (com ara un canvi d'1 o 2 sigma en la mitjana), el gràfic de Shewhart no detecta aquests canvis de manera eficient. S'han desenvolupat altres tipus de gràfics de control, com ara el gràfic EWMA, el gràfic CUSUM i el gràfic de contrastos en temps real, que detecten canvis més petits de manera més eficient mitjançant l'ús d'informació de les observacions recollides abans del punt de dades més recent.[21]
Molts gràfics de control funcionen millor per a dades numèriques amb supòsits gaussians. El gràfic de contrastos en temps real es va proposar per monitorar processos amb característiques complexes, p. ex., relacions d'alta dimensió, mixtes numèriques i categòriques, amb valors perduts, no gaussianes i no lineals.[22]
Crítiques
Diversos autors han criticat el gràfic de control perquè viola el principi de probabilitat. Tanmateix, el principi en si mateix és controvertit i els partidaris dels gràfics de control argumenten que, en general, és impossible especificar una funció de probabilitat per a un procés que no està sota control estadístic, especialment quan el coneixement sobre el sistema de causes del procés és feble.
Alguns autors han criticat l'ús de longituds d'execució mitjanes (ARL) per comparar el rendiment dels gràfics de control, perquè aquesta mitjana sol seguir una distribució geomètrica, que té una alta variabilitat i dificultats.
Alguns autors han criticat que la majoria de gràfics de control se centrin en dades numèriques. Avui dia, les dades de procés poden ser molt més complexes, per exemple, no gaussianes, barrejar numèriques i categòriques, o tenir valors faltants.[23]
Tipus de gràfics
| Gràfic | Observació del procés | Relacions d'observacions de processos | Tipus d'observacions del procés |
|---|---|---|---|
| i gràfic R | Mesura de les característiques de qualitat dins d'un subgrup | Independent | Variables |
| i gràfic s | Mesura de les característiques de qualitat dins d'un subgrup | Independent | Variables |
| Gràfic de control d'individus de Shewhart (gràfic ImR o gràfic XmR) | Mesura de la característica de qualitat per a una observació | Independent | Variables † |
| Gràfic de tres vies | Mesura de les característiques de qualitat dins d'un subgrup | Independent | Variables |
| gràfic p | Fracció no conforme dins d'un subgrup | Independent | Atributs † |
| gràfic np | Nombre de no conformes dins d'un subgrup | Independent | Atributs † |
| gràfic C | Nombre de no conformitats dins d'un subgrup | Independent | Atributs † |
| gràfic en U | No conformitats per unitat dins d'un subgrup | Independent | Atributs † |
| Gràfic EWMA | Mitjana mòbil ponderada exponencialment de la mesura de les característiques de qualitat dins d'un subgrup | Independent | Atributs o variables |
| Gràfic CUSUM | Suma acumulada de les mesures de les característiques de qualitat dins d'un subgrup | Independent | Atributs o variables |
| Model de sèries temporals | Mesura de les característiques de qualitat dins d'un subgrup | Autocorrelació | Atributs o variables |
| Gràfic de control de regressió | Mesura de les característiques de qualitat dins d'un subgrup | Depenent de les variables de control del procés | Variables |
† Alguns professionals també recomanen l'ús de gràfics d'individus per a dades d'atributs, especialment quan es violen les suposicions de dades distribuïdes binomialment (gràfics p i np) o dades distribuïdes per Poisson (gràfics u i c).[24] Es donen dues justificacions principals per a aquesta pràctica. En primer lloc, la normalitat no és necessària per al control estadístic, de manera que el gràfic d'individus es pot utilitzar amb dades no normals.[25] En segon lloc, els gràfics d'atributs deriven la mesura de dispersió directament de la proporció mitjana (assumint una distribució de probabilitat), mentre que els gràfics d'individus deriven la mesura de dispersió de les dades, independentment de la mitjana, fent que els gràfics d'individus siguin més robustos que els gràfics d'atributs a les violacions de les suposicions sobre la distribució de la població subjacent.[26] De vegades es nota que la substitució del gràfic d'individus funciona millor per a recomptes grans, quan les distribucions binomial i de Poisson s'aproximen a una distribució normal, és a dir, quan el nombre d'assajos n > 1000 per als gràfics p i np o λ > 500 per als gràfics u i c.
Els crítics d'aquest plantejament argumenten que els gràfics de control no s'haurien d'utilitzar quan es violen les seves suposicions subjacents, com ara quan les dades del procés no tenen una distribució normal ni binomial (o de Poisson). Aquests processos no estan sota control i s'haurien de millorar abans de l'aplicació dels gràfics de control. A més, l'aplicació dels gràfics en presència d'aquestes desviacions augmenta les taxes d'error de tipus I i tipus II dels gràfics de control, i pot fer que el gràfic tingui poca utilitat pràctica.
Referències
- ↑ «Control charts — Part 1: General guidelines» (en anglès). iso.org. [Consulta: 11 desembre 2022].
- ↑ «Control charts — Part 2: Shewhart control charts» (en anglès). iso.org. [Consulta: 11 desembre 2022].
- ↑ «Control charts — Part 4: Cumulative sum charts» (en anglès). iso.org. [Consulta: 11 desembre 2022].
- ↑ McNeese, William. «Over-controlling a Process: The Funnel Experiment» (en anglès). BPI Consulting, LLC, 01-07-2006. Arxivat de l'original el 2014-12-20. [Consulta: 17 març 2010].
- ↑ Wheeler, Donald J.. Understanding Variation (en anglès). Knoxville, Tennessee: SPC Press, 2000. ISBN 978-0-945320-53-1.
- ↑ Nancy R. Tague. «Seven Basic Quality Tools» (en anglès). The Quality Toolbox. American Society for Quality. [Consulta: 5 febrer 2010].
- ↑ A Poots, T Woodcock BMC Medical Informatics and Decision Making, 12, 2012. DOI: 10.1186/1472-6947-12-86. PMC: 3464151. PMID: 22867269 [Consulta: free].
- ↑ «Western Electric History» (en anglès). www.porticus.org. Arxivat de l'original el 2011-01-27. [Consulta: 26 març 2015].
- ↑ «Western Electric – A Brief History» (en anglès). Arxivat de l'original el 2008-05-11. [Consulta: 14 març 2008].
- ↑ "Why SPC?" British Deming Association SPC Press, Inc. 1992
- ↑ «Bonnie Small» (en anglès). www.managers-net.com. [Consulta: 19 febrer 2026].
- ↑ Best, M; Neuhauser, D Quality and Safety in Health Care, 15, 2, 01-04-2006, p. 142–143. DOI: 10.1136/qshc.2006.018093. PMC: 2464836. PMID: 16585117.
- ↑ Aft, Lawrence S. «Control Charts». A: Fundamentals of Industrial Quality Control (en anglès). CRC Press, 20 April 2018. ISBN 978-1-351-44651-8.
- ↑ Moore, David S. «Statistical Process Control». A: The Basic Practice of Statistics (en anglès). Palgrave Macmillan, 2010. ISBN 978-1-4292-2426-0.
- ↑ «Deriving Control Chart Constants». A: SAS/QC User's Guide Functions 2020.1.3 (en anglès). SAS, 2020, p. 2156.
- ↑ Statistical Process Controls for Variable Data. Lean Six sigma. (n.d.). Retrieved from https://theengineeringarchive.com/sigma/page-variable-control-charts.html.
- ↑ Wheeler, Donald J. «Are You Sure We Don't Need Normally Distributed Data?». Quality Digest, 01-11-2010. [Consulta: 7 desembre 2010].
- ↑ Shewhart, W A. Economic Control of Quality of Manufactured Product (en anglès). Van Nordstrom, 1931, p. 18.
- ↑ Shewart, Walter Andrew. Statistical Method from the Viewpoint of Quality Control (en anglès). University of California: Graduate School, The Department of Agriculture, 1939, p. 12. ISBN 9780877710325.
- ↑ Wheeler, Donald J. Understanding statistical process control (en anglès). 2a edició. Knoxville, Tennessee: SPC Press, 1992, p. 96. ISBN 978-0-945320-13-5. OCLC 27187772.
- ↑ Deng, H.; Runger, G.; Tuv, E. Journal of Quality Technology, 44, 1, 2012. DOI: 10.1080/00224065.2012.11917878.
- ↑ Deng, H.; Runger, G.; Tuv, E. Journal of Quality Technology, 44, 1, 2012. DOI: 10.1080/00224065.2012.11917878.
- ↑ Deng, H.; Runger, G.; Tuv, E. Journal of Quality Technology, 44, 1, 2012. DOI: 10.1080/00224065.2012.11917878.
- ↑ Wheeler, Donald J. Understanding Variation: the key to managing chaos (en anglès). SPC Press, 2000, p. 140. ISBN 978-0-945320-53-1.
- ↑ Staufer, Rip. «Some Problems with Attribute Charts». Quality Digest. [Consulta: 2 abril 2010].
- ↑ Wheeler, Donald J. «What About Charts for Count Data?» (en anglès). Quality Digest. [Consulta: 23 març 2010].