Control de calidad Fermn Mallor y Javier Santos 32

DIAGRAMAS DE CONTROL PARA ATRIBUTOS

Muchas caractersticas de calidad no se pueden representar en forma conveniente por
n umeros. En tales casos, cada artculo inspeccionado suele clasicarse como conforme o
disconforme con las especicaciones para tal caracterstica de calidad, llamada atributo.
Gr aficos de control para el n umero de piezas disconformes
El objeto de este graco es controlar la proporcion de piezas defectuosas o disconformes
que genera el proceso con el n de que esta proporcion disminuya y, sobre todo, evitar
que aumente.
Supongamos que el proceso de produccion funciona de manera estable de modo que
la probabilidad de que cualquier artculo sea disconforme con las especicaciones es p, y
que los artculos producidos sucesivamente son independientes. Entonces cada artculo
producido es una variable aleatoria de Bernoulli con parametro p. Si se selecciona una
muestra aleatoria de n artculos del producto, y si D representa el n umero de artculos
disconformes, entonces D tiene una distribucion binomial con parametros n y p.
P{D = x} =
_
n
x
_
p
x
(1 p)
nx
x = 0, 1, . . . , n
E[D] = np
V ar[D] = np (1 p)
Supongamos que se conoce la verdadera fraccion disconforme p en el proceso de fa-
bricacion o que la administracion especica un valor estandar. Entonces, utilizando la
aproximacion a la normal de la distribucion binomial,
D N
_
np,
_
np (1 p)
_
la lnea central y los lmites de control de k sigmas del diagrama de control para el n umero
de piezas disconformes seran:
LSC = np + k
_
np (1 p)
Lnea central = np
LIC = np k
_
np (1 p)
Control de calidad Fermn Mallor y Javier Santos 33
Cuando se desconoce la fraccion disconforme p del proceso, esta es estimada a partir
de los datos observados. El procedimiento normal consiste en seleccionar m muestras
preliminares, cada una de tama no n, cuando se supone que el proceso se encuentra bajo
control. Entonces, si hay D
i
artculos disconformes en la muestra i, se calcula la fraccion
disconforme en la i-esima muestra como
p
i
=
D
i
n
i = 1, 2, . . . , m
y la media de estas fracciones disconformes muestrales individuales es
p =

m
i=1
D
i
mn
=

m
i=1
p
i
m
.
En este caso la lnea central y los lmites de control de k sigmas se calculan del modo
siguiente:
LSC = n p + k
_
n p (1 p)
Lnea central = n p
LIC = n p k
_
n p (1 p)
Como en los gracos de control de variables, en el graco np, una vez calculados
los lmites de control, se representan estas m primeras muestras en un graco. Si en
este primer graco no se observan se nales de fuera de control, se acepta que el proceso
funcionaba correctamente y los lmites de control calculados podran ser usados en los
gracos siguientes. Si, por el contrario, existe alguna se nal de fuera de control, se eliminan
las muestras que producen estas se nales y se recalculan unos nuevos lmites de control. Si
el n umero de n umero de muestras restantes fuera insuciente, se reinicia el procedimiento
volviendose a tomar m muestras cuando se supone que el proceso se encuentra bajo
control. Se repite este ciclo hasta obtener un graco que sirva de referencia para los
siguientes gracos de control.
Ejemplo. Una empresa de plasticos produce para la industria farmaceutica obturadores-
dosicadores. Esta pieza sirve de cierre y de dosicador en envases tambien de plastico
para gotas oftalmicas. Las prescripciones para las diferentes caractersticas de calidad
cualitativas (poros, grietas, etc.) se pueden comprobar visualmente con facilidad y para
Control de calidad Fermn Mallor y Javier Santos 34
las caractersticas cuantitativas, que solo son dimensiones, existen calibres pasa-no pasa.
En consecuencia, la clasicacion de cada pieza en correcta o defectuosa se realiza con
rapidez y facilidad.
Para realizar el graco np cuando el proceso estaba aparentemente bajo control, se
tomaron m = 50 muestras de tama no n = 40, contando en cada muestra el n umero de
piezas defectuosas. En la tabla 1 se recogen estos datos.
Los lmites de control obtenidos son
Lnea central = n p = 40
105
4050
= 2.1
LSC = n p + k
_
n p (1 p) = 2.1 + 3

40
2.1
40
_
1
2.1
40
_
= 6.33175
LIC = n p k
_
n p (1 p) = 2.1 3

40
2.1
40
_
1
2.1
40
_
= 2.13175
Minitab. Procedimiento Stat / Control Charts / NP . . .
Ejemplo. Fichero obtura.mtw
50 40 30 20 10 0
8
7
6
5
4
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
NP Chart for C1
1
NP=2,1
UCL=6,332
LCL=0
Figura 1: Graco np
Control de calidad Fermn Mallor y Javier Santos 35
N umero de D
i
n umero de N umero de D
i
n umero de N umero de D
i
n umero de
muestra disconformes muestra disconformes muestra disconformes
1 1 18 1 35 0
2 3 19 3 36 1
3 4 20 4 37 1
4 2 21 2 38 1
5 0 22 2 39 1
6 2 23 3 40 4
7 5 24 2 41 1
8 3 25 1 42 7
9 4 26 4 43 1
10 3 27 1 44 0
11 1 28 0 45 1
12 2 29 2 46 4
13 1 30 4 47 3
14 2 31 1 48 2
15 1 32 0 49 2
16 1 33 2 50 3
17 3 34 3
Tabla 1: Obturadores-dosicadores defectuosos en m = 50 muestras de tama no n = 40
Nuevos lmites de control eliminando la muestra 42:
Lnea central = 40
98
4049
= 2
LSC = 2 + 3

40
2
40
_
1
2
40
_
= 6.1352
LIC = 2 3

40
2
40
_
1
2
40
_
= 2.1352
Recordamos que el procedimiento utilizado para el calculo de los lmites de control ha
consistido en la suposicion de que la variable aleatoria D es una variable normal cuando
realmente es binomial. La asimetra de esta variable hace que las rachas a ambos lados
de la lnea central no sean un indicativo able de que la proporcion de defectuosas ha
disminuido.
Control de calidad Fermn Mallor y Javier Santos 36
50 40 30 20 10 0
7
6
5
4
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
NP Chart for C1
NP=2,021
UCL=6,176
LCL=0
Figura 2: Graco np omitiendo la muestra 42
Gr

aficos de control para la proporci

on de piezas disconformes
Al igual que el graco anterior, el graco p o graco para la proporcion de disconformes
sirve para controlar el porcentaje de piezas defectuosas que genera el proceso. El graco p
se diferencia del graco np en que no es necesario que todas las muestras tengan el mismo
tama no n y en que el estadstico a representar es la fraccion disconforme muestral p
i
, el
n umero de piezas disconformes en la muestra i-esima, D
i
, dividido por el tama no de la
muestra, n
i
.
Suponiendo que el n umero de disconformidades en la muestra i se distribuye normal-
mente,
D
i
N
_
n
i
p,
_
n
i
p (1 p)
_
,
la proporcion de piezas defectuosas en la muestra i, p
i
=
D
i
n
i
se distribuye tambien nor-
malmente
p
i
N
_
_
p,

p (1 p)
n
i
_
_
donde p es la proporcion de piezas defectuosas del proceso.
Si la proporcion de piezas defectuosas que genera el proceso cuando este se encuentra
bajo control p es conocida, los lmites de control del graco p son
Control de calidad Fermn Mallor y Javier Santos 37
LSC = p + k

p (1 p)
n
i
Lnea central = p
LIC = p k

p (1 p)
n
i
Cuando p no es conocido, este se estima mediante
p =

m
i=1
D
i

m
i=1
n
i
quedando los lmites de control
LSC = p + k

p (1 p)
n
i
Lnea central = p
LIC = p k

p (1 p)
n
i
Ejemplo. Se envasa zumo de naranja concentrado en botes de carton de 1 litro. Estos
envases son producidos por una maquina formando un tubo a partir de una pieza de
carton y aplicando luego un fondo metalico. Al inspeccionar un bote puede determinarse
al llenarlo si goteara por la junta lateral o del fondo. Tal bote disconforme tiene un sellado
inadecuado en la junta lateral o del fondo. Se desea elaborar un diagrama de control para
vigilar la fraccion de envases disconformes producidos por esta maquina.
Para denir el diagrama de control, se seleccionaron 25 muestras de tama nos mues-
trales diferentes cada media hora durante un periodo de tres turnos, en los cuales la
maquina opero continuamente. Los datos recogidos son los siguientes:
Control de calidad Fermn Mallor y Javier Santos 38
N umero de D
i
n umero de Tama no N umero de D
i
n umero de Tama no
muestra disconformes muestral muestra disconformes muestral
1 12 100 16 8 80
2 8 80 17 10 80
3 6 80 18 7 80
4 9 100 19 5 90
5 10 110 20 8 100
6 12 110 21 5 100
7 11 100 22 8 100
8 16 100 23 10 100
9 10 90 24 6 90
10 6 90 25 9 90
11 20 110
12 15 120
13 9 120
14 8 120
15 6 110
Tabla 2: N umero de disconformes
p =

m
i=1
D
i

m
i=1
n
i
=
234
2450
= 0.096
Usando p como estimacion para la fraccion disconforme real del proceso, es posible
calcular los lmites superior e inferior de control para la i-esima muestra como
p 3

p(1 p)
n
i
= 0.096 3
_
0.0960.904
n
i
Minitab. Procedimiento Stat / Control Charts / P . . .
Ejemplo. Fichero jugo.mtw
Control de calidad Fermn Mallor y Javier Santos 39
25 20 15 10 5 0
0,2
0,1
0,0
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for Defectuo
P=0,09551
UCL=0,1885
LCL=0,002565
Figura 3: Graco p
Gr

aficos de control para el n

umero de defectos
En el graco de control para el n umero de defectos o graco C, se toman muestras de
tama no n y se cuenta la cantidad de defectos en el conjunto de n piezas. Esta cantidad
C es el estadstico a representar en el graco de control.
En general, la variable C, n umero de defectos en una muestra, se ajusta bien a una
distribucion de Poisson, es decir
P{C = x} =
e
c
c
x
x!
E[C] = c
V ar[C] = c
donde c, el parametro de la distribucion de Poisson, es el n umero medio de defectos en
una muestra de tama no n cuando el proceso esta bajo control.
Suponiendo que se dispone de un valor estandar para c y utilizando la aproximaci on
a la normal de la distribucion de Poisson
C N
_
c,

c
_
obtenemos los lmites de control para el graco c
Control de calidad Fermn Mallor y Javier Santos 40
LSC = c + k

c
Lnea central = c
LIC = c k

c
En general, c es desconocido y por tanto debe estimarse a partir de la informacion que
suministran las muestras de tama no n mediante
c = c =

m
i=1
C
i
m
con lo que los lmites de control quedan
LSC = c + k

c
Lnea central = c
LIC = c k

c
Ejemplo. En la tabla 3 se presenta el n umero de defectos observados en 26 muestra de
tama no 100 de tarjetas de circuitos impresos.
Puesto que las 26 muestras contienen un total de 516 defectos, la estimacion de c es
c =
516
26
= 19.85
y los lmites de control son, con k = 3,
LSC = c +k

c = 19.85 + 3

19.85 = 33.21
Lnea central = c = 19.85
LIC = c k

c = 19.85 3

19.85 = 6.48
Control de calidad Fermn Mallor y Javier Santos 41
N umero de C
i
n umero de N umero de C
i
n umero de
muestra defectos muestra defectos
1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15
Tabla 3: N umero de defectos
Minitab. Procedimiento Stat / Control Charts / C . . .
Ejemplo. Fichero tarjetas.mtw
20 10 0
40
30
20
10
0
S
a
m
p
l
e

C
o
u
n
t
C Chart for C1
1
1
C=19,85
UCL=33,21
LCL=6,481
Figura 4: Graco C
Control de calidad Fermn Mallor y Javier Santos 42
Eliminando las muestras 6 y 20, obtenemos la nueva estimacion de c
c =
472
24
= 19.67
y los lmites de control son, con k = 3,
LSC = c +k

c = 19.67 + 3

19.67 = 32.97
Lnea central = c = 19.67
LIC = c k

c = 19.67 3

19.67 = 6.36
25 20 15 10 5 0
35
25
15
5
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for C1
C=19,67
UCL=32,97
LCL=6,363
Figura 5: Graco C omitiendo las muestras 6 y 20
Control de calidad Fermn Mallor y Javier Santos 43
Gr aficos de control para el n umero de defectos por unidad
El graco de control para el n umero de defectos por unidad de inspeccion o graco u
tambien es utilizado para controlar el n umero de defectos que genera el proceso. El graco
u se diferencia del graco c en que el tama no muestral no es necesariamente constante y
en que el estadstico a representar es el n umero de defectos por unidad muestreada u en
vez de la cantidad total de defectos en la muestra.
Utilizando la aproximacion a la normal de la variable de Poisson y que u
i
= C
i
/n
i
u
i
N
_
c
i
n
i
,

c
i
n
i
_
donde c
i
es el n umero medio de defectos en una muestra de tama no n
i
cuando el proceso
esta bajo control.
Si llamamos p al n umero de defectos por unidad inspeccionada que genera el proceso
cuando este esta bajo control, se tiene que c
i
= n
i
p, con lo que la ecuacion anterior puede
expresarse
u
i
N
_
p,
_
p
n
i
_
As, si p es conocido, el graco u tendra los siguientes lmites de control
LSC = p + k
_
p
n
i
Lnea central = p
LIC = p k
_
p
n
i
Si p es desconocido, la estimacion del n umero de defectos por unidad inspeccionada es
p = u =

m
i=1
C
i

m
i=1
n
i
y los lmites de control seran
LSC = u + k
_
u
n
i
Lnea central = u
LIC = u k
_
u
n
i
Control de calidad Fermn Mallor y Javier Santos 44
Ejemplo. En una fabrica de tejidos, se inspeccionan telas te nidas para detectar los
defectos en 50 metros cuadrados. Los datos para diez rollos de tela se presentan en la
tabla 4.
N umero de Metros N umero de unidades C
i
n umero de N umero de defectos
rollo cuadrados de inspeccion, n
i
defectos por unidad de inspeccion
1 500 10 14 1.40
2 400 8 12 1.50
3 650 13 20 1.54
4 500 10 11 1.10
5 475 9.5 7 0.74
6 500 10 10 1.00
7 600 12 21 1.75
8 525 10.5 16 1.52
9 600 12 19 1.58
10 625 12.5 23 1.84
Tabla 4: Defectos en telas
La lnea central del graco u debe ser el n umero de defectos por unidad de inspeccion,
es decir, el n umero de defectos por 50 metros cuadrados estimada mediante
u =

10
i=1
C
i

10
i=1
n
i
=
153
107.5
= 1.42
As, los lmites de control quedaran, con k = 3,
LSC = u + k
_
u
n
i
= 1.42 + 3
_
1.42
n
i
Lnea central = u = 1.42
LIC = u k
_
u
n
i
= 1.42 3
_
1.42
n
i
Control de calidad Fermn Mallor y Javier Santos 45
Minitab. Procedimiento Stat / Control Charts / U . . .
Ejemplo. Fichero telas.mtw
10 9 8 7 6 5 4 3 2 1 0
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
U Chart for Defectos
U=1,423
UCL=2,436
LCL=0,4110
Figura 6: Graco U