Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SPC 4
SPC 4
Lmite superior (LSC) Variable T 3 * T Lnea central Lmite inferior (LIC) Nmero de muestra o tiempo Este tipo de grficos se suele aplicar en situaciones en las que el proceso es una operacin de montaje complicada, y la calidad del producto se mide en trminos de la ocurrencia de disconformidades, del funcionamiento exitoso o fallido del producto, etc. Los diagramas de control por atributos tienen la ventaja de que hacen posible considerar varias caractersticas de calidad al mismo tiempo y clasificar los productos como disconformes si no satisfacen las especificaciones de cualquiera de las caractersticas. Tenemos dos opciones a la hora de realizar un grfico de control por atributos: 1. 2. Podemos comparar un producto con un estndar y clasificarlo como defectuoso o no (grficos P y NP) En el caso de productos complejos, la existencia de un defecto no necesariamente conlleva a que el producto sea defectuoso. En tales casos, puede resultar conveniente clasificar un producto segn el nmero de defectos que presenta (grficos C y U).
Es importante notar que los grficos P, NP, y U permiten trabajar con muestras de tamaos diferentes, mientras que los grficos C estn diseados para muestras de igual tamao. IV - 1
Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas especiales, las cuales debern investigarse. Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamao.
3 Zona A 2 Zona B 1
sigma
10
nmero de muestra
IV - 2
sigma
10
15
nmero de muestra
sigma
10
nmero de muestra
sigma
10
15
nmero de muestra
IV - 3
GRFICO P________________________________________________________
Un grfico P es un grfico de control del porcentaje o fraccin de unidades defectuosas (cociente entre el nmero de artculos defectuosos en una poblacin y el nmero total de artculos de dicha poblacin). Los principios estadsticos que sirven de base al diagrama de control P se basan en la distribucin Binomial: supngase que el proceso de produccin funciona de manera estable, de tal forma que la probabilidad de que cualquier artculo no est conforme con las especificaciones es p, y que los artculos producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artculos del producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra isima, tendremos que Xi B(n,p). Sabemos que:
xi = np
Xi = np(1 p )
Xi . Observar que n p (1 p ) n
i = Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p i seguir una distribucin Binomial con media y desviacin tpica: p i ]= E[ p E[X i ] =p n p(1 p ) n
y
i ]= Var [ p
Var [X i ] n
2
Por tanto,
i p N n p,
Si p es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
p=
1 k i p k i =1
En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), Si los ni no difieren mucho unos de otros, podramos tomar n =
2.
1 k ni . k i =1
IV - 4
IV. Grficos de Control por Atributos 3. Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
p=
n p
i =1 k i
n
i =1
Normalmente se usan lmites de control de tres sigmas en el diagrama de control P. Como ya comentamos en el captulo anterior, el uso de lmites de control ms estrechos hacen que el diagrama de control sea ms sensible a pequeos cambios en p, pero ello tambin hace aumentar la probabilidad de que se produzcan falsas alarmas de proceso fuera de control (error de tipo II). Debe advertirse que este diagrama de control se basa en el modelo probabilstico binomial, en el cual se supone que la probabilidad de ocurrencia de un artculo con disconformidad es constante, y que unidades sucesivas en la produccin son independientes. Por otra parte, hay que tener cuidado con la interpretacin de los puntos del diagrama de control que se hallan por debajo del lmite inferior de control. Tales puntos no representan a menudo una mejora real en la calidad del proceso. Frecuentemente son el resultado de errores en el mtodo de inspeccin o recogida de datos.
Ejemplo grfico P: Supongamos que trabajamos en una planta que produce tubos de imagen para televisores. De cada lote producido se extraen algunos tubos y se procede a inspeccionarlos, clasificndolos en defectuosos y no defectuosos. Si alguno de los lotes presenta demasiados tubos defectuosos, se realiza una inspeccin del 100% de las unidades que lo componen. Un grfico P nos permitir, entre otras cosas, saber cundo hemos de realizar una inspeccin completa. Usaremos los datos guardados en el archivo tubos.mtw : Seleccionar Stat > Control Charts > P... Rellenar los campos como se indica:
IV - 5
Proportion
0,0 0 10 20
-3,0SL=0,004728
Sample Number
Dado que la muestra 6 cae fuera de la zona de control, sera conveniente realizar una inspeccin del 100% de los componentes del lote.
IV - 6
GRFICO NP______________________________________________________
El diagrama NP est basado en el nmero de unidades defectuosas. Este tipo de grficos permite tanto analizar el nmero de artculos defectuosos como la posible existencia de causas especiales en el proceso productivo. Los principios estadsticos que sirven de base al diagrama de control NP se basan en la distribucin Binomial: Supngase que el proceso de produccin funciona de manera estable, de tal forma que la probabilidad de que cualquier artculo no est conforme con las especificaciones es p, y que los artculos producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artculos del producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra i-sima, tendremos que Xi B(n,p).
Sabemos que:
xi = np
Xi = np(1 p )
Xi . Observar que n
i = Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p i seguir una distribucin Binomial con media y desviacin tpica: p i ]= E[ p E[X i ] =p n
y
i ]= Var [ p
Var [X i ] p (1 p ) = n n2
Si p es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
p=
1 k i p k i =1
En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por:
IV - 7
1.
Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente),
2.
1 k ni . k i =1
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
p=
n p
i =1 k i
n
i =1
IV - 8
GRFICO C________________________________________________________
El diagrama C est basado en el nmero total de defectos (o no conformidades) en la produccin. Los principios estadsticos que sirven de base al diagrama de control C se basan en la distribucin de Poisson: Para construir el diagrama de control C empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las muestras. Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni . Si denotamos por ci al nmero de defectos totales en la muestra i-sima, es claro que c i =
u
j =1
ni
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =
1 ni
u
j =1
ni
ij
1 c i , i.e.: c i = u i ni . ni
Notar adems que E c i = E u i ni = ni E u i ni u . Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue una distribucin de Poisson. En este caso, supondremos que ci Po(niu).
[ ]
[ ]
N ni u , ni u Se cumplir que c i n
Segn el modelo de Shewart tendremos que:
Si u = E[ ui ] es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
= u
1 k ui k i =1
Como el tamao muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. 2. 3. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), Si los ni no difieren mucho unos de otros, podramos tomar n =
1 k ni . k i =1
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra. IV - 9
Control Estadstico de la Calidad con MINITAB Ejemplo grfico C: Supongamos que trabajamos en una planta que produce sbanas blancas. Cada una de las piezas de tela producidas, a partir de las cuales se obtendrn las sbanas, ser considerada como vlida siempre que no tenga ms de un nmero determinado de pequeas manchas. Pretendemos generar un grfico C que nos permita visualizar el nmero de manchas de cada pieza. Usaremos los datos guardados en el archivo sabanas.mtw : Seleccionar Stat > Control Charts > C... Rellenar los campos como se indica:
Sample Count
5 4 3 2 1 0 0 10 20 30 40 -3,0SL=0,00E+00 C=2,725
Sample Number
Dado que los puntos parecen seguir un patrn aleatorio y ninguno de ellos cae fuera de los lmites de control de 3 sigma, podemos concluir que el proceso est bajo control. IV - 10
GRFICO U________________________________________________________
El diagrama U est basado en el nmero de defectos por unidad de inspeccin producida. Los principios estadsticos que sirven de base al diagrama de control U se basan en la distribucin de Poisson: Para construir el diagrama de control U empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las muestras. Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni . Si denotamos por ci al nmero de defectos totales en la muestra i-sima, es claro que c i =
u
j =1
ni
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =
1 ni
u
j =1
ni
ij
1 c i , i.e.: c i = u i ni . ni
Notar adems que E c i = E u i ni = ni E u i ni u . Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue una distribucin de Poisson. En este caso, supondremos que ci Po(ni u). Se cumplir que c i N ni u , ni u n Segn el modelo de Shewart tendremos que:
[ ]
[ ]
y, por tanto,
u . N u i u , n n i
LSC = u + 3 u
ni
Si u = E[ ui ] es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
= u
1 k ui k i =1
Como el tamao muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. 2. 3. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), Si los ni no difieren mucho unos de otros, podramos tomar n =
1 k ni . k i =1
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra. IV - 11
EJEMPLOS DE APLICACIN_________________________________________
Ejemplo 1: Una compaa electrnica manufactura circuitos en lotes de 500 y quiere controlar la proporcin de circuitos con fallos. Con este fin examina 20 lotes, obteniendo en cada lote el nmero de circuitos defectuosos que se indican en el archivo circuitos.mtw . Pretendemos analizar si el proceso est bajo control estadstico a partir de un grfico P:
Proportion
0,03
0,02 0,01
P=0,02000
0,00 0 10 20
-3,0SL=0,001217
Sample Number
TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 2 Se observa que ha fallado el contraste 1 para causas especiales, lo cual indica que el proceso est fuera de control estadstico.
IV - 12
IV. Grficos de Control por Atributos Ejemplo 2: Una compaa textil utiliza un grfico del nmero de defectos por unidad para controlar el nmero de defectos por metro cuadrado de tejido. El tejido se presenta en rollos de un metro de anchura y longitud variable, definindose la unidad de inspeccin como un metro cuadrado de tejido. Tras la inspeccin de 25 rollos se obtuvieron los datos de superficie (en metros cuadrados) y nmero de defectos por rollo almacenados en el archivo textil.mtw . Se pretende analizar si el proceso est o no bajo control usando un grfico U.
Sample Count
0 ,5 0 ,4 0 ,3 0 ,2 0 ,1 0 ,0 0 5 10 15 20 25 -3 ,0 S L = 0 ,0 0 2 0 7 6 U =0 ,2 8 8 0
C C h a rt fo r d e fe c tu o
15 1 3 ,0 S L = 1 3 ,6 7
Sample Count
10
C = 6 ,2 0 0 5
0 0 10 20
-3 ,0 S L = 0 ,0 0 E + 0 0
S a m p le N u m b e r
A partir del grfico anterior, se observa que el proceso no parece estar bajo control estadstico. IV - 13