Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Control de Calidad
Tema 8
1. 2. 3. 4. 5. 6.
Introduccin, grficos de control Grfico de control para la media Grficos de control para la dispersin Capacidad de un proceso. ndice de capacidad Grficos P y NP (atributos) Muestreo de recepcin: Plan Military Standard
Depto. Estadstica, Universidad Carlos III 2
Ignacio Cascos
Ignacio Cascos
Objetivos
Entender el control de calidad como un estudio de la variabilidad. Discriminar entre las distintas causas de la variabilidad. Comprender cundo un proceso est bajo control. Construir y aplicar grficos de control. Calcular la capacidad de un proceso.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 3
Ignacio Cascos
Introduccin
Un proceso industrial es una sucesin de operaciones que aaden valor y variabilidad al resultado final. Entendemos que un producto es de calidad si satisface las necesidades impuestas por los usuarios. Por otro lado, la calidad de un producto es inversamente proporcional a su variabilidad.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 5
Introduccin
Vamos a fijarnos en una cierta caracterstica del producto que queremos controlar y analizaremos su variabilidad. La variabilidad de un producto es provocada por:
Ignacio Cascos
Materia prima Mtodos de produccin Mano de obra Mquinas Medio ambiente Medicin
Depto. Estadstica, Universidad Carlos III 6
Causas asignables. Son producidas por factores importantes que queremos y podemos controlar.
Causas no asignables. Son producidas por factores secundarios cuyo efecto es poco relevante para el proceso.
Pocas y fciles de identificar. Efectos importantes. Aparecen espordicamente. Fciles de eliminar. Actan en un punto concreto del proceso.
Depto. Estadstica, Universidad Carlos III 7
Muchas e incluso desconocidas. Cada una produce poca variabilidad. Son parte permanente e inherentes al proceso. Difciles de eliminar. Afectan a todo el proceso.
Depto. Estadstica, Universidad Carlos III 8
Ignacio Cascos
Ignacio Cascos
Introduccin
Introduccin
Aunque un proceso se encuentre bajo condiciones ptimas de funcionamiento, siempre tendr una produccin de calidad variable. Si el proceso se encuentra realmente bajo condiciones ptimas de funcionamiento la variabilidad slo se debe a causas no asignables y ha de ser asumida por la organizacin.
Depto. Estadstica, Universidad Carlos III 9
Un proceso est en estado de control si slo actan sobre l un sistema estable de causas de variabilidad (no asignables) y cuya calidad final es predecible estadsticamente. Las causas no asignables son muy numerosas y cada una tiene poca aportacin a la variabilidad final, por lo que su superposicin se aproxima a una normal.
Depto. Estadstica, Universidad Carlos III 10
Ignacio Cascos
Ignacio Cascos
Introduccin
La caracterstica considerada sigue habitualmente distribucin normal N(,). As, cuando el proceso est bajo control, el 9973% de los artculos se encuentra en un intervalo de amplitud 6 correspondiente a ( 3).
0.4 0.3
Introduccin
Fuera de control. El proceso est fuera de control si ha ocurrido una causa asignable que haya modificado la caracterstica del artculo de forma significativa. Bajo control. Incluso con el proceso bajo control, pueden ocurrir (por azar) causas no asignables que hacen que la variabilidad de la caracterstica sea alta.
Depto. Estadstica, Universidad Carlos III 12
0.0
0.1
0.2
-4
-2
0 r
Ignacio Cascos
11
Ignacio Cascos
Grficos de control
Representacin de la evolucin temporal de la caracterstica
Grfico de control
58 55 LCS
Grficos de control
Fuera de control.
Grfico de control
60 57 LCS
Media
Media
42
Tiempo
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 13 Ignacio Cascos
Tiempo
Depto. Estadstica, Universidad Carlos III 14
Grficos de control
Elementos bsicos de un grfico de control: Lnea central. Representa el nivel medio de la caracterstica. Lmite de Control Superior (LCS). Lmite de Control Inferior (LCI).
Grficos de control
Habitualmente:
LCS = + 3 Lnea central = LCI = 3
Ignacio Cascos
15
Ignacio Cascos
16
n
18
Ignacio Cascos
Ignacio Cascos
Media total.
X=
i =1
Xi
Xi
X ij
; S
2 i
n j =1
( X ij X i ) 2 n
; S
2 i
n j =1
( X ij X i ) 2 n 1
19
La media total es un estimador insesgado de la media del proceso, pero E[Si]=c2. Debemos transformar Si para obtener un estimador insesgado k de , S S
= c2 donde S =
i =1
k
20
Ignacio Cascos
Ignacio Cascos
Construimos grficos a partir de un conjunto de muestras iniciales. Si algn punto correspondiente a las muestras iniciales se saliese de los lmites del grfico, (proceso fuera de control), lo eliminamos y recalculamos parmetros. Se utiliza el grfico de control para representar nuevas muestras y no se modifica (salvo actualizacin).
Depto. Estadstica, Universidad Carlos III 22
Ignacio Cascos
21
Ignacio Cascos
Media
Media
27 24 21 18 15 0 3 6 9 12 15
Lnea central
LCI
Tiempo
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 23 Ignacio Cascos
Tiempo
Depto. Estadstica, Universidad Carlos III 24
n j =1
( X ij X i ) 2 n 1
LCS = x + 3 Lnea central = x LCI = x 3 T s c4 n T s c4 n
La media total es un estimador insesgado de la ] = c . Debemos media del proceso, pero E[ S i 4 para obtener un estimador insesgado transformar S i k S S de , =1 i i T = donde S =
c4
T
Ignacio Cascos
25
Ignacio Cascos
26
k i =1
Ri
k
28
4 5 6 7 8 9 10
LCI = x 3
Ignacio Cascos
29
Ignacio Cascos
Ignacio Cascos
Ignacio Cascos
S T c4
E[ R ] = d 2
Var[ R] = d 32 2
donde D1 = d 2 3d 3 ; D2 = d 2 + 3d 3
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 36
R = d2
Ignacio Cascos
Capacidad de un proceso
La capacidad de un proceso en el que la calidad se mide a travs de una variable cuantitativa X con Var[X] = 2 se define como Capacidad = 6 , Donde es la desviacin tpica de la variable cuando el proceso est bajo control. A mayor capacidad, mayor variabilidad.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 40
Ignacio Cascos
Capacidad de un proceso
Capacidad de un proceso
Utilizando la (cuasi)desviacin tpica : s s =6 =6 T . Capacidad estimada = 6 c2 c4 Utilizando el rango : =6 Capacidad estimada = 6 R . d2
42
Seleccin de k muestras de tamao n Construccin de un grfico de control para la media y otro para la dispersin Eliminacin de las muestras fuera de control y recalcular hasta todas las muestras bajo control (Verificacin de la hiptesis de normalidad) Segn el estimador que tomemos para la desviacin tpica, obtenemos diferentes expresiones para la capacidad estimada.
Depto. Estadstica, Universidad Carlos III 41
Ignacio Cascos
Ignacio Cascos
ndice de Capacidad
El ndice de capacidad compara la capacidad de un proceso con las tolerancias de un producto
Tolerancia LTS-LTI = Capacidad 6 Donde el LTS (Lmite de Tolerancia Superior) y el LTI (Lmite de Tolerancia Inferior) son los requerimientos tcnicos para que un producto sea admisible. IC > 1 proceso capaz ; IC < 1 proceso no capaz ; IC 1 vigilar! C p = IC =
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 43
Range
Subgroup
Depto. Estadstica, Universidad Carlos III 46
Ignacio Cascos
Proporcin de artculos defectuosos Proporcin de llamadas que quedaron bloqueadas Proporcin de clientes que presentan reclamacin
Depto. Estadstica, Universidad Carlos III 48
Ignacio Cascos
Grfico P
Objetivo del grfico P: comprobar si la evolucin de las proporciones muestrales observadas son compatibles con un mismo valor poblacional p. Asociado a cada artculo tenemos una variable aleatoria X de Bernoulli con parmetro p que nos indica si es defectuoso o no.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 49
Grfico P
La muestra i-sima es de tamao ni El nmero de artculos defectuosos en ella es di=Xi1+Xi2++Xini sigue distribucin Binomial de parmetros ni y p.
ni r ni r P(d i = r ) = si r = 0,1,2, K, ni r p (1 p )
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 50
Grfico P
i = como tenemos que la proporcin muestral p
Grfico P
di ni
Los grficos de control por variables eran dos, uno para la media y otro para la dispersin. En el control por atributos, tanto la media como la variabilidad de la proporcin muestral, dependen de un nico parmetro, por eso construimos slo un grfico de control.
51 Ignacio Cascos Depto. Estadstica, Universidad Carlos III 52
i ] = p E[ p
i ] = Var[ p p (1 p ) ni
p (1 p ) ni
Grfico P
Grfico P
Grfico P
LCS = p + 3 Lnea central = p p (1 p ) ni
0,024 0,02 0,016 0,012 0,008 0,004 0 0 4 8 12 16 20
p (1 p ) LCI = p 3 ni
k i =1 k
donde
Ignacio Cascos
p=
di n
i =1 i
53 Ignacio Cascos
Muestra
Depto. Estadstica, Universidad Carlos III 54
Grfico P
Si en lugar del tamao muestral ni, utilizamos su promedio, obtenemos lmites de control que son rectas
LCS = p + 3 Lnea central = p p (1 p ) LCI = p 3 n
Ignacio Cascos
Grfico P
Grfico P
0,024 0,02 0,016 0,012 0,008 0,004 0 0 4 8 12 16 20
p (1 p ) n
donde
n=
k i =1 i
Muestra
55 Ignacio Cascos Depto. Estadstica, Universidad Carlos III 56
Grfico P
Para construir un grfico P:
Ignacio Cascos
Grfico P
Tomamos k muestras (al menos 20) de tamao muestral ni (habitualmente al menos 30) Se calcula la proporcin de artculos defectuosos en cada muestra Se calcula la estimacin global de p Se calculan los lmites de control Se dibuja el grfico y si hay puntos fuera de los lmites de control se eliminan y recalcula
Depto. Estadstica, Universidad Carlos III 57
Valores estandarizados. Al no tener los lmites constantes, los grficos P son difciles de interpretar (localizar tendencias y rachas).
p (1 p ) ni
58
Ignacio Cascos
Grfico P
Grfico P
Grfico P
5 3
1 -1 -3 0 4 8 12 16 20
Muestra
Depto. Estadstica, Universidad Carlos III 60
Grfico P
Grfico P
Una vez construido el grfico y fijada la estrategia de muestreo, para controlar el proceso:
Tomamos una muestra de tamao ni Calculamos LCS y LCI para ni y los dibujamos Calculamos la proporcin muestral de piezas defectuosas Colocamos el nuevo punto en el grfico
Depto. Estadstica, Universidad Carlos III 61 Ignacio Cascos
Capacidad = 1 p
Capacidad estimada = 1 p
Ignacio Cascos
62
Grfico NP
Es idntico al grfico P salvo que en lugar de contabilizar la proporcin de artculos defectuosos en una muestra, consideramos el nmero de artculos defectuosos di. Es til si: Nmero ms relevante que proporcin. Tamao muestral constante.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 63
Grfico NP
Ignacio Cascos
64
Grfico NP
Capacidad. Al igual que en el grfico P, la capacidad es la proporcin de elementos aceptables fabricados en condiciones de control
Capacidad = 1 p
Capacidad estimada = 1 p
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 65
Ignacio Cascos
Muestreo de recepcin
Hasta ahora hemos visto tcnicas para controlar la calidad durante el proceso de produccin. El muestreo en recepcin o de aceptacin se efecta sobre lotes de productos terminados. Se realiza cuando no es viable la inspeccin de todo el lote y a partir de una muestra se decide aceptar o rechazar todo el lote.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 67
Muestreo de recepcin
En el muestreo de recepcin el azar del muestreo puede llevarnos a tomar dos decisiones equivocadas:
Aceptar un lote inaceptable con muchos productos defectuosos (en la muestra haba pocos defectuosos). Rechazar un lote con muy pocos productos defectuosos (en la muestra estaban muchos de esos pocos defectuosos).
Depto. Estadstica, Universidad Carlos III 68
Ignacio Cascos
Muestreo de recepcin
Existe control de recepcin por variables, atributos y por nmero de defectos. Estudiaremos el control de recepcin por atributos Llamamos AQL (nivel de calidad aceptable, NCA, pA) a la mayor proporcin de elementos defectuosos de un lote que es aceptable segn el comprador.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 69
Muestreo de recepcin
Dado un lote con una proporcin p de elementos defectuosos: Si p > pA, el lote debe rechazarse ; Si p pA, el lote debe aceptarse . El problema es ahora decidir el tamao muestral n y el nmero de elementos defectuosos que se est dispuesto a asumir.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 70
Military Standard
El Military Standard (MIL STD) fue diseado en EEUU para su utilizacin en la II Guerra Mundial (MIL-STD-105D ; ISO 2859 ; UNE 66020) Se trata del control de recepcin ms utilizado en la actualidad. Consiste en seguir una serie de normas (estndares) que iremos buscando en tablas.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 71
Military Standard
Niveles de inspeccin:
Nivel I: Coste bajo Nivel II: Coste estndar Nivel III: Coste Alto Niveles S-1 a S-4: Ensayos destructivos
Ignacio Cascos
72
Military Standard
Military Standard
Planes de inspeccin:
Inspeccin rigurosa: se espera una calidad inferior al AQL (p > pA). El tamao muestral es elevado. Inspeccin normal: la calidad que se espera del proveedor es similar al AQL. Inspeccin reducida: la calidad que se espera es muy alta (p < pA). El tamao muestral es inferior al plan normal.
Depto. Estadstica, Universidad Carlos III 73
Al comienzo de la tarea de inspeccin se toma el plan normal. Se pasa de inspeccin normal a rigurosa si 2 de 5 lotes consecutivos han sido rechazados. Se pasa del plan riguroso al normal cuando han sido aceptados 5 lotes consecutivos.
Ignacio Cascos
Ignacio Cascos
74
Military Standard
Military Standard
Planes de inspeccin:
2 de 5 lotes consecutivos rechazados 5 lotes consecutivos aceptados 1 lote rechazado 10 lotes consecutivos aceptados Rigurosa
Se pasa del plan normal al reducido si se aceptan 10 lotes consecutivos. Se pasa del plan reducido al normal cuando se rechaza 1 lote. Si tras ms de 10 lotes seguimos con el plan riguroso, concluye la inspeccin y se le pide al proveedor que aumente la calidad.
Depto. Estadstica, Universidad Carlos III 75 Ignacio Cascos
Normal
Reducida
76
Ignacio Cascos
Military Standard
Military Standard
Tamao del lote 2-8 9-15 16-25 26-50 51-90 91-150 151-280 281-500 501-1200 1201-3200 3201-10000 10001-35000 35001-150000 150001-500000 500001 o ms
Ignacio Cascos
Pasos a seguir:
Nivel S-1 A A A A B B B B C C C C D D D
Nivel S-2 A A A B B B C C C D D D E E E
Nivel S3 A A B B C C D D E E F F G G H
Nivel S-4 A A B C C D E E F G G H J J K
Nivel I A A B C C D E F G H J K L M N
Nivel II A B C D E F G H J K L M N P Q
Nivel III B C D E F G H J K L M N P Q R
78
Decidir el AQL Determinar el nivel de inspeccin (I, II III) Determinar el plan de inspeccin (vara) Conocido el tamao del lote y el nivel de inspeccin, busco la letra de cdigo de inspeccin Con la letra y el plan de inspeccin, busco en las tablas el nmero de elementos defectuosos para aceptar o no el lote
Depto. Estadstica, Universidad Carlos III 77
Ignacio Cascos