Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SPC 4
SPC 4
= =
Por tanto,
n
p p
p N p
n
i
) 1 (
,
Segn el modelo de Shewart tendremos que:
n
p p
p LIC
p
n
p p
p LSC
) 1 (
3
central Lnea
) 1 (
3
=
=
+ =
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):
=
=
k
i
i
p
k
p
1
1
En caso de que el tamao muestral (n
i
) 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 n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),
2. Si los n
i
no difieren mucho unos de otros, podramos tomar
=
=
k
i
i
n
k
n
1
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 n
i
, 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.
En esta situacin de tamaos muestrales diferentes, el estimador para p sera:
=
=
=
k
i
i
k
i
i i
n
p n
p
1
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
Control Estadstico de la Calidad con MINITAB
0 10 20
0,0
0,1
0,2
0,3
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for Defectuo
P=0,1685
3,0SL=0,3324
-3,0SL=0,004728
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
IV. Grficos de Control por Atributos
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 X
i
al nmero de artculos defectuosos en la muestra i-sima,
tendremos que X
i
B(n,p).
Sabemos que: y np
xi
= ) 1 ( p np
Xi
=
Para cada muestra, definimos la v.a. fraccin disconforme muestral como:
n
X
p
i
i
= . Observar que
seguir una distribucin Binomial con media y desviacin tpica:
i
p
[ ]
[ ]
p
n
X E
p E
i
i
= = y [ ]
[ ]
n
p p
n
X Var
p Var
i
i
) 1 (
= =
Por tanto, ( ) ) 1 ( , p np np N p n
n
i
Segn el modelo de Shewart tendremos que:
) 1 ( 3
central Lnea
) 1 ( 3
p np np LIC
np
p np np LSC
=
=
+ =
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):
=
=
k
i
i
p
k
p
1
1
En caso de que el tamao muestral (n
i
) sea diferente para cada subgrupo, a la hora de calcular los lmites
segn el modelo de Shewart, podemos optar por:
IV - 7
Control Estadstico de la Calidad con MINITAB
1. Obtener los lmites usando el n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),
2. Si los n
i
no difieren mucho unos de otros, podramos tomar
=
=
k
i
i
n
k
n
1
1
.
3. Tambin se puede optar por tomar un n comn e igual al mayor de los n
i
, 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.
En esta situacin de tamaos muestrales diferentes, el estimador para p sera:
=
=
=
k
i
i
k
i
i i
n
p n
p
1
1
IV - 8
IV. Grficos de Control por Atributos
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 X
1
, X
2
, ...,X
K
, de n
i
unidades
cada una, i.e.: X
i
= (X
i1
, ..., X
i ni
). Sea u el nmero esperado de unidades defectuosas en cada una de las
muestras.
Para cada muestra se calcula el nmero u
ij
de defectos de la unidad X
ij
, j = 1,...,n
i
.
Si denotamos por c
i
al nmero de defectos totales en la muestra i-sima, es claro que .
=
=
i
n
j
ij i
u c
1
Por otro lado, si denotamos por u
i
al valor esperado de defectos en la muestra i-sima, tendremos que
=
=
i
n
j
ij
i
i
u
n
u
1
1
. Observar pues que
i
i
i
c
n
1
= u , i.e.: .
i i i
n u c =
Notar adems que . [ ] [ ] [ ] u n u E n n u E c E
i i i i i i
= =
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 c
i
Po(n
i
u).
Se cumplir que ( ) u n u n N
i i n i
, c
Segn el modelo de Shewart tendremos que:
u n u n LIC
u n
u n u n LSC
i i
i
i i
=
=
+ =
3
central Lnea
3
Si u = E[ u
i
] 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):
=
=
k
i
i
u
k
u
1
1
Como el tamao muestral (n
i
) es 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 n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),
2. Si los n
i
no difieren mucho unos de otros, podramos tomar
=
=
k
i
i
n
k
n
1
1
.
3. Tambin se puede optar por tomar un n comn e igual al mayor de los n
i
, 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:
0 10 20 30 40
0
1
2
3
4
5
6
7
8
Sample Number
S
a
m
p
l
e
C
o
u
n
t
C Chart for Manchas
C=2,725
3,0SL=7,677
-3,0SL=0,00E+00
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
IV. Grficos de Control por Atributos
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 X
1
, X
2
, ...,X
K
, de n
i
unidades
cada una, i.e.: X
i
= (X
i1
, ..., X
i ni
). Sea u el nmero esperado de unidades defectuosas en cada una de las
muestras.
Para cada muestra se calcula el nmero u
ij
de defectos de la unidad X
ij
, j = 1,...,n
i
.
Si denotamos por c
i
al nmero de defectos totales en la muestra i-sima, es claro que .
=
=
i
n
j
ij i
u c
1
Por otro lado, si denotamos por u
i
al valor esperado de defectos en la muestra i-sima, tendremos que
=
=
i
n
j
ij
i
i
u
n
u
1
1
. Observar pues que
i
i
i
c
n
1
= u , i.e.: .
i i i
n u c =
Notar adems que . [ ] [ ] [ ] u n u E n n u E c E
i i i i i i
= =
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 c
i
Po(n
i
u).
Se cumplir que ( ) u n u n N
i i n i
, c y, por tanto,
i
n
i
n
u
u N , u .
Segn el modelo de Shewart tendremos que:
i
i
n
u
u LIC
u
n
u
u LSC
3
central Lnea
3
=
=
+ =
Si u = E[ u
i
] 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):
=
=
k
i
i
u
k
u
1
1
Como el tamao muestral (n
i
) es 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 n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),
2. Si los n
i
no difieren mucho unos de otros, podramos tomar
=
=
k
i
i
n
k
n
1
1
.
3. Tambin se puede optar por tomar un n comn e igual al mayor de los n
i
, 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
Control Estadstico de la Calidad con MINITAB
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:
20 10 0
0,04
0,03
0,02
0,01
0,00
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for defectuo
P=0,02000
3,0SL=0,03878
-3,0SL=0,001217
1
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.
25 20 15 10 5 0
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
Sample Number
S
a
m
p
l
e
C
o
u
n
t
U Chart for defectos
U=0,2880
3,0SL=0,5740
-3,0SL=0,002076
A partir del grfico anterior se concluye que el proceso parece estar bajo control estadstico, ya que no se
observan problemas de puntos fuera de control, tendencias, ciclos, etc.
Ejemplo 3: Se utiliza un grfico del nmero de defectos C para controlar el nmero de automviles con
pintura defectuosa en nuevas series fabricadas recientemente. 20 series del mismo modelo son inspeccionadas
y el nmero de automviles con pintura defectuosa se ha registrado en el archivo autos.mtw . Estudiar si el
proceso est o no bajo control.
0 1 0 2 0
0
5
1 0
1 5
Sam ple Num ber
S
a
m
p
l
e
C
o
u
n
t
C Chart for defectuo
C =6 ,2 0 0
3 ,0 SL =1 3 ,6 7
-3 ,0 SL =0 ,0 0 E+0 0
1
A partir del grfico anterior, se observa que el proceso no parece estar bajo control estadstico.
IV - 13