Está en la página 1de 70

Capítulo 4:

Control estadístico

Gráficos de control ATRIBUTOS

4.1. Atributos

Muchas características de la calidad no pueden representarse

convenientemente con valores numéricos.

En estos casos los artículos inspeccionados se clasifican como

conforme o disconforme (defectuoso o no defectuoso)

respecto de las especificaciones para esas características de la

calidad (puede ser una característica o mas).

Ejemplos:

Ocurrencia de bielas torcidas para motores de automóvil en al producción de un día.

Proporción de chips de semiconductores no funcionales en una corrida de producción.

4.1. Atributos

Comparación:

Las

cartas para variables

son mas informativas ya que una

medición numérica contiene mas información.

Las

cartas para atributos

cartas para variables.

no son tan informativas como las

Son particularmente útiles en las industrias de servicios,

donde no es sencillo medir en una escala numérica gran numero de las características de la calidad que se encuentran en estos escenarios.

4.2. Distribuciones de Probabilidad

Variable Aleatoria

4.2. Distribuciones de Probabilidad Variable Aleatoria Discreta Continua Solo puede tomar una cantidad Puede tomar
4.2. Distribuciones de Probabilidad Variable Aleatoria Discreta Continua Solo puede tomar una cantidad Puede tomar

Discreta

Continua

Solo puede tomar una cantidad

Puede tomar todos los valores

numerable

de un

de valores

intervalo

¿VA discretas o continuas?

Decida si una VA discreta o continua es el mejor modelo

para cada una de las variables siguientes:

El tiempo hasta que un proyectil regresa a la tierra.

El número de veces que un transistor en una memoria de

computadora cambia de estado en una operación.

El volumen de gasolina que se pierde por evaporación durante el llenado de un tanque de combustible.

El diámetro exterior de una flecha maquinada.

El número de grietas que exceden media pulgada en 10 millas de una

carretera interestatal.

media pulgada en 10 millas de una carretera interestatal. • El peso de una pieza de

El peso de una pieza de plástico moldeada por inyección.

EL número de moléculas en una muestra de gas.

La concentración de la salida de un reactor.

La corriente en un circuito electrónico.

4.2. Distribuciones de Probabilidad

Función de probabilidad:

Si X es una v.a. discreta, la función de probabilidad de X es:

P (x)

x

P(X

x)

que va de los valores posibles de la v.a. discreta X al intervalo [ 0,1]

Por lo tanto , si:

xR

x

que va de los valores posibles de la v.a. discreta X al intervalo [ 0,1] Por

P (x) 0

x

4.2. Distribuciones de Probabilidad

Función de Densidad:

Si X es una v.a. continua , la función de densidad de X es una aplicación f x tal que:

f

x

(x) 0





f

x

(

P a

(x)dx 1

x

b

)

b

a

f

x

(

x dx

)

Nota: f x no es una probabilidad.

4.2. Distribuciones de Probabilidad

Función de distribución:

La función de distribución de una v.a. X viene dada por:

F (x)

x

P(X

Si X es una v.a. discreta

dada por: F ( x ) x  P ( X Si X es una v.a.

Si X es una v.a. continua

P ( X Si X es una v.a. discreta Si X es una v.a. continua 

x)

F (x)

x

F (x)

x

P (u),

x

u

x

x

f (u)du

x



uR

x

4.2. Distribuciones de Probabilidad

Variables aleatorias discretas

Valor esperado

Varianza

Desviación estándar

 

x

2

x

x

n

E

(

x

)

 

x

i

.

p

i

 
 

i 1

 

n

(

x

 

x

)

2

p

i

 

i

 

.

i 1

 
 

n

(

x

 

 

)

2

p

 

i

x

.

i

i 1

4.2. Distribuciones de Probabilidad

Variables aleatorias continuas

Valor esperado

Varianza

Desviación estándar



 E   xf ( x dx )  x ( x ) 
 E
 xf
(
x dx
)
 x
(
x
)


2
2
( x 
)
.
f
(
x dx
)
x


2
(
x 
)
.
f
(
x dx
)
x


4.2.1 Distribución Binomial

Distribución Binomial:

Debemos verificar las siguientes condiciones:

n ensayos independientes

Cada ensayo tiene solo dos resultados posibles (éxito , fracaso)

La probabilidad de éxito, p, es constante.

Éxitos =Defectuosos!
Éxitos =Defectuosos!

Entonces: el número de éxitos, X, sigue una distribución Binomial.

n !

(

P X

x

)

p

x (1

p

)

n

x

 

x

!(

n

x

)!

para x =1, 2, …, n

 p ) n  x   x !( n  x )! para x =1,
 p ) n  x   x !( n  x )! para x =1,
E(x) = µ = n.p σ 2 = n.p(1-p)
E(x) = µ = n.p
σ 2 = n.p(1-p)

4.2.1 Distribución Binomial

Ejemplos:

Lanzar una moneda 10 veces. Sea X = número de caras obtenidas

En los siguientes 20 nacimientos en un hospital, sea X = número de nacimientos de niñas.

Una máquina-herramienta desgastada produce 1% de piezas

defectuosas. Sea X = número de piezas defectuosas en las siguientes 25 piezas producidas.

De todos los bits transmitidos a través de un canal de transmisión digital, 10% se reciben con error. Sea X = número de bits con error en los siguientes 5 bits transmitidos.

Cada muestra de aire contiene 10% de posibilidades de contener una molécula rara particular. Sea X = número de muestras de aire que contiene la molécula rara en las siguientes 18 muestras analizadas.

4.2.1 Distribución Binomial

Ejemplo:

Un lote contiene varios miles de componentes, de estos 10% están

defectuosos. Se extraen siete componentes de la población.

¿Cuál es la probabilidad de que se encuentren dos defectuosos en la muestra?

7!

P

(

X

2)

(0.1) (1

0.1)

0.124

2!(7

2)!

2

7

2

4.2.2 Distribución Poisson

Distribución Poisson

Se define como el número de ocurrencias de cierto suceso

por unidad” (de área , de volumen , de tiempo……).

Ejemplos:

El número de llamadas telefónicas que se reciben en un día en

la central de una empresa durante los quince minutos anteriores al mediodía.

El número de ordenes de devolución de piezas que recibe una

empresa en una semana.

El número de veces que falla una pieza de un equipo durante un periodo de tres meses.

4.2.2 Distribución Poisson

Distribución Poisson

Parámetro de la distribución: λ

x

e

(

P X

x

)

x !

La media:

La varianza:

   x e ( P X  x )  x ! La media:

2

x = 0, 1, 2,…

4.2.2 Distribución Poisson

Ejemplo:

El número de imperfecciones en una lámina de aluminio fabricada por

determinado proceso sigue una distribución Poisson. En una muestra de 100 m 2 de aluminio, se encuentran 200 imperfecciones. Estime la probabilidad de que 1 metro cuadrado de aluminio no tenga

imperfecciones

Solución:

Sea X = número de imperfecciones en una lamina de aluminio de 1 m 2

Entonces X ~ P(λ= 2)

2

(2)

0

e

P (

X

0)

0!

0.1353

4.2.2 Distribución Poisson

Ejemplo:

Las fallas en una placa rectangular se presentan en forma aleatoria y siguen un proceso de Poisson. Si el número promedio de fallas por m 2 es 3 , hallar la probabilidad de que exista a los mas 1 falla en una placa de 1 m 2 .

Solución:

Sea X = número de fallas en una placa rectangular de 1 m 2

X ~ P(λ= 3)

4.2.3 Distribución Hipergeométrica

Distribución Hipergeométrica

Si se tiene una población N elementos de los cuales M se clasifican

como éxitos y se extrae una muestra de tamaño n sin reposición.

M N – M x n – x Éxitos Fracasos
M
N – M
x n – x
Éxitos
Fracasos

Definimos:

X = Numero de éxitos en la muestra tamaño n

x Éxitos Fracasos Definimos: X = Numero de éxitos en la muestra tamaño n X ~

X ~ H(N,M,n) Distribución

Hipergeométrica

4.2.3 Distribución Hipergeométrica

Distribución Hipergeométrica

Parámetros de la distribución: N, M y n

 N M     M   P(X  x)  
 N
M
 
 M
P(X
x)
 
N 
n 

     n

x

 

x

Sea p =

M/N np

 x   Sea p = M / N   np La media: x

La media:

x = 0, 1, …, min(M,n)

La varianza:

N

n

2

np

(1

p

)

 

N 1

Aproximación Normal de la distribución Binomial

Sea n ensayos Bernoulli, cada uno con probabilidad de éxito p.

Si n es grande, por el TLC se puede aproximar con la distribución normal

con media np y varianza np(1-p)

X ~ B(n, p)

normal con media np y varianza np(1-p) X ~ B ( n , p ) 
  X ~ N np , np (1  p )  p (1
X
~
N np
,
np
(1
p
)
p
(1
p
)
X
~
N
p
,
n

Corrección de continuidad en la aproximación:

 b  0.5  np    a  0.5  np 
b
0.5
np
a
0.5
np
P a
x
b


np
(1
p
)
np
(1
p
)

La aproximación es satisfactoria para p de aproximadamente 0.5 y n>10.

Si p=0.5 y n>10, entonces np>5

Nota: La aproximación no es adecuada para:

p<1/(n+1) o p>n/(n+1)

Valores de la variable aleatoria mayores a 6σ, con centro en la media.

Aproximación de Poisson de la distribución Binomial

Cuando p tiende a cero y n tiende a infinito:

X ~ B(n, p)

p tiende a cero y n tiende a infinito: X ~ B ( n , p

X ~ Pnp

La aproximacion generalmente es buena para:

p < 0.1 y n grande

Nota.- para algunos autores es suficiente n>100

Aproximación Normal de la distribución Poisson

X ~ Pnp

de la distribución Poisson X ~ P    np  X ~ N 

X ~ N,

X ~ N   ,  

La aproximación generalmente es buena para: lamda>15

Gráficas de control - atributos

Gráfica de proporción de artículos defectuosos (p)

Gráfica de número de artículos defectuosos (np)

Gráfica de número de defectos o disconformidades (c)

Gráfica de número de defectos por unidad (u)

de número de defectos o disconformidades (c) • Gráfica de número de defectos por unidad (u)
de número de defectos o disconformidades (c) • Gráfica de número de defectos por unidad (u)

Binomial

Poisson

Gráficas para atributos

Algunas características de calidad recolectadas como datos de atributos sólo toman dos

valores:

Conforme, no conforme

Pasa, no pasa

Presencia, ausencia de algo

Gráficas para atributos

Tales disconformidades o defectos se observan frecuentemente de manera visual y ocasionan

que un producto o una parte de un producto sea

considerado como defectuoso.

En estos casos, la calidad se evalúa por atributos.

Importancia

Se

pueden

aplicar

tanto

en

procesos

técnicos

como administrativos.

 

En muchas ocasiones se dispone de datos que son

de atributos y no se requiere incurrir en gastos

adicionales.

 

Si no existe información disponible, se recolecta rápidamente y a un bajo costo.

Importancia

Muchos

reportes,

resúmenes

que

maneja

la

administración son atributos y se pueden aprovechar

más si se analizan como gráficas de control.

El uso de las gráficas de control de atributos en

medidas de calidad globales claves, frecuentemente

puede indicar a áreas específicas del proceso que pueden requerir un análisis más detallado.

Definiciones importantes

•
Definiciones importantes • Defecto: falla o no conformidad que ocasiona que un artículo no satisfaga los

Defecto: falla o no conformidad que ocasiona que un

artículo no satisfaga los requerimientos especificados.

•
Artículo defectuoso:
Artículo
defectuoso:

defectos.

artículo

que tiene uno o más

defectuoso: defectos. artículo que tiene uno o más • Fracción defectuosa: es la razón del número
defectuoso: defectos. artículo que tiene uno o más • Fracción defectuosa: es la razón del número

Fracción defectuosa: es la razón del número de artículos defectuoso en la muestra (d), respecto al total de los artículos de la muestra (n)

4.3.1 Graficas de control p

También llamada la carta de control para la fracción disconforme.

llamada la carta de control para la fracción disconforme. • Fracción disconforme: Fracción disconforme = p

Fracción disconforme:

Fracción

disconforme

=

p

=

número de artículos disconformes de la población

número de artículos disconformes de la población

numero de artículos en la población

Se expresa generalmente con un decimal.

A veces se presenta la carta de control con el porcentaje disconforme.

Los principios estadísticos fundamentales de las gráficas p se basan en la distribución binomial.

4.3.1 Graficas de control p

Los principios estadísticos fundamentales de las gráficas p se basan en la distribución binomial:

Para un proceso de producción cualquiera

Suponga que esta operando en una manera estable. Entonces:

La probabilidad de que cualquier unidad deje de cumplir con las especificaciones es p

Las unidades sucesivas producidas son independientes

Cada unidad producida es una realización de una variable aleatoria de Bernoulli con parámetro p.

Sea D el numero de unidades del producto que son disconformes en

una muestra aleatoria de n unidades.

D sigue una distribucion binomial con parametros p y n:

x

!(

n !

n

x

)!

(

P D

x

)

p

x (1

p

)

n

x

para x =1, 2, …, n

4.3.1 Graficas de control p

La

gráfica

de

control

p

o

gráfica

para

la

proporción de piezas defectuosas:

 

mide la

 

proporción de piezas disconformes

en un

 

grupo de artículos que se inspeccionan.

 

Las muestras pueden ser constantes o variables.

 

4.3.1 Gráficas de control p

Recuerde el modelo general:

Sea w un estadístico que mide una característica de la calidad, con media μ w y varianza de w es σ 2 w

LCS LC

w

L

w

w

LCI

w

L

w

L es la distancia de los límites de control a la línea central.

4.3.1 Graficas de control p

La fracción disconforme muestral:

pˆ

D

n

Recuerde:

Sea D el numero de unidades del producto que son disconformes en una muestra

aleatoria de n unidades.

La variable aleatoria

pˆ

varianza:

de n unidades. La variable aleatoria p ˆ varianza: puede obtenerse a partir de la distribución

puede obtenerse a partir de la distribución binomial con media y

2

p ˆ

p

(1

p

)

n

Límites de control (para muestras constantes):

p (1  p ) n p (1  p ) n
p
(1
p
)
n
p
(1
p
)
n
LSC  p  3 LC  p
LSC
 p
 3
LC  p

LIC

p (1  p ) n p (1  p ) n LSC  p 

3

p

m m  i D  p ˆ i i  1 i  1
m m
 i
D
p ˆ
i
i 
1
i 
1
p 
mn
m
m  i D  p ˆ i i  1 i  1 p 

Estimación de la fracción disconforme p desconocida.

4.3.1 Graficas de control p

Límites de control (para muestras variables):

LCS

p

LC

p

LCI

p

p (1  p )  3 n i m  D i i 
p
(1
p
)
 3
n
i
m
D
i
i  1
m
n
i
i  1
p
(1
p
)
 3
n
i

4.3.1 Graficas de control p

Interpretación de la gráfica p:

Para interpretar la gráfica p, se hace de la misma manera que

las otras gráficas, se debe:

Verificar que los puntos no excedan los límites de control.

Los puntos se deben distribuir aleatoriamente dentro de los

límites de control.

No deben mostrar tendencias

Los puntos deben aparecer en orden aleatorio en el tiempo.

4.3.1 Ejemplo

El procedimiento de la producción de un nuevo artículo en la fabrica

de componentes eléctricos requirió la inspección al 100% durante los

primeros cuatro meses hasta que se estableció el control del proceso

con una cuantía aceptable de productos no conformes.

Una vez que el proceso estuvo estable, se llevó acabo un registro de la inspección al 100%. El registro muestra que 9,600 artículos no cumplían con las especificaciones; el número de artículos producidos durante ese tiempo fue 320,000.

Determinar los límites de control del correspondiente gráfico de

control, para un tamaño de muestra de 15 lotes de 100 unidades cada

uno.

Gráfica P de defectos

Informe de estabilidad

Gráfica p

¿Es estable la proporción de elementos defectuosos?

Investigue los subgrupos fuera de control. Busque patrones y tendencias.

0.030 0.025 0.020 0.015 0.010 0.005 1 2 3 4 5 6 7 8 9
0.030
0.025
0.020
0.015
0.010
0.005
1
2
3
4
5
6
7
8
9
10
Proporción

Razón

Subgrupo

Subgrupos fuera de control

LCS=0.02602

_

P=0.01507

LCI=0.00413

Proporción inusualmente baja de elementos defectuosos

3

Proporción inusualmente alta de elementos defectuosos

8

Proporción

Gráfica P de defectos

Informe de resumen

Gráfica p

> 5%

No

20.0%

Comentarios

¿Es estable la proporción de elementos defectuosos?

0%

La proporción de elementos defectuosos pudiera no ser

estable. 2 subgrupos (20.0%) están fuera de control.

Tenga en cuenta que usted puede ver un 0.7% de

subgrupos fuera de control en virtud de las

probabilidades, aunque el proceso sea estable.

Evalúe el % de subgrupos fuera de control.

sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera
sea estable. Evalúe el % de subgrupos fuera de control. Gráfica P Investigue los subgrupos fuera

Gráfica P

Investigue los subgrupos fuera de control

0.03

0.02

0.01

0.00

los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7
los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7
los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7
los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7
los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7
los subgrupos fuera de control 0.03 0.02 0.01 0.00 1 2 3 4 5 6 7

1

2

3

4

5

6

7

8

9

10

Subgrupo

LCS=0.02602

_

P=0.01507

LCI=0.00413

4.3.2 Gráficas de control np

Basada en el

número de unidades disconformes

la fracción disconforme

Otros nombres:

en lugar de

Gráfica para el número de piezas defectuosas

La carta de control np

4.3.2 Gráficas de control np

Límites de control:

LSC np 3

LSC  np  3 np (1  p ) LC  np LIC  np

np(1p)

LC np

LIC np 3

LSC  np  3 np (1  p ) LC  np LIC  np

np(1p)

Con:

m m

 i D  p ˆ i i  1 i  1 p 
 i
D
p ˆ
i
i 
1
i 
1
p 
mn
m

4.3.2 Gráficas de control np

Gráfica para el número de piezas defectuosas:

En algunas ocasiones es conveniente hacer una gráfica

de control, en la que se grafique el número de

defectuosos en la muestra en lugar de la proporción de

defectuosos. Para hacer esto se requiere que el

tamaño de la muestra sea constante.

En esencia proporciona la misma información que una

gráfica p.

4.3.2 Gráficas de control np

Para muchas personas este tipo de gráficas es más

fácil de interpretar que la p. La desventaja que

presenta la gráfica np es que no es fácil manejar e

interpretar el número de defectuosos si se desconoce el tamaño de la muestra.

Tanto la gráfica p y np, tienen fundamento en la distribución binomial, la interpretación es la misma

que la gráfica p.

4.3.2 Gráficas de control np

Nota!

Cuando se tienen diferentes tamaños de

usar una gráfica de

proporciones.

muestras

debe

se

4.3.2 Gráficas de control np

Ejercicio:

En la manufactura de ciertos transformadores para un servicio especial, se requiere

que cumplan con cierto número de especificaciones relacionadas con el aumento de

temperatura, voltajes de salida, fluctuaciones de voltaje y corriente, tiempos de

recuperación al desconectar y conectar el articulo, etc.

Se producen cada día alrededor de 2000 aparatos y se les somete a una inspección

final utilizando un tamaño de muestra constante de 200 unidades. Luego de 20 días

hábiles de trabajo, se habían rechazado 190 transformadores, de un total de 4000 inspeccionados.

a) Determinar los límites de control basado en una inspección diaria de 200 aparatos.

b) Al graficar las 20 muestras se encuentra que uno de los puntos queda fuera de los

limites. Ese día se encontraron 30 unidades no conformes. Al investigar se encontró que una graduación del potenciómetro de voltaje estaba incorrecta (causa asignable) ¿Cuáles serian los limites de control correctos?

4.3.2 Gráficas de control np

Ejercicio: En la tabla

adjunta se observa el

número de unidades defectuosas halladas en

la inspección de 10 muestras, cada una de

las cuales contiene

1000 unidades del

producto de interés.

Halle los límites de control y presente le

gráfico.

 

n

np

1

1000

2

2

1000

5

3

1000

3

4

1000

5

5

1000

1

6

1000

1

7

1000

0

8

1000

5

9

1000

3

10

1000

2

 

10000

27

Conteo de muestras

8

7

6

5

4

3

2

1

0

Gráfica NP de defectos

Conteo de muestras 8 7 6 5 4 3 2 1 0 Gráfica NP de defectos
Conteo de muestras 8 7 6 5 4 3 2 1 0 Gráfica NP de defectos

1

2

3

4

5

6

7

8

9

10

Muestra

LCS=7.623

NP=2.7

LCI=0

4 Gráficas de control c

Es la carta de control para:

el número total de disconformidades en una unidad

Recuerde:

Un artículo disconforme es una unidad del producto que no satisface una o más de las especificaciones para este producto.

Cada punto específico en el que no se satisface una especificación resulta en un defecto o disconformidad.

Un artículo disconforme contendrá al menos una disconformidad.

Otros nombres:

Gráfica de número de defectos en la muestra

Carta de control para disconformidades

4 Gráficas de control c

Ejemplos:

Número

de

imperfecciones

en

la

cubierta

de

una

computadora personal

 

Número

de

soldaduras

defectuosas

en

100

m

de

oleoductos

Número de remaches rotos en el ala de un avión

Número de defectos funcionales en un dispositivo lógico

electrónico

etc.

4 Gráficas de control c

Se supone que los defectos o disconformidades C i en la unidad de inspección ocurren de acuerdo a una distribución Poisson:

c x

e

c

x !

P

(

X

x

)

x es el número de disconformidades

c>0 es el parámetro de distribución de Poisson. Con:

media= c varianza = c

Requerimientos del supuesto:

el

número

de

oportunidades

o

lugares

potenciales

para

las

disconformidades sea infinitamente grande

 

La probabilidad de ocurrencia de una disconformidad en cualquier lugar debe ser pequeña y constante

La

unidad

de

inspección

debe

ser

la

misma

en

cada

muestra

(TAMANO DE MUESTRA CONSTANTE)

4 Gráficas de control c

Si no se cuenta con un valor estándar para c, se estima (c barra) como el número

promedio de disconformidades observadas en una muestra preliminar de unidades

de inspección

Si

c

i

# de defectos en la muestra i (i

1,2,

,k)

LSC  c 3 c LC   c k LIC  c 3 c
LSC  c 3 c
LC 
 c
k
LIC  c 3
c

c

i

Ejemplo En la tabla adjunta se observa el número de disconformidades (C) halladas en la

Ejemplo

En la tabla adjunta se observa el número de disconformidades (C) halladas en la

inspección de 10 artículos, la unidad de inspección se define como un artículo.

Halle los límites de control y presente le gráfico.

Nro. de artículo

C

1

3

2

8

3

4

4

7

5

5

6

3

7

4

8

12

9

4

10

7

 

57

Conteo de muestras

14

12

10

8

6

4

2

0

Gráfica C de defectos

Conteo de muestras 14 12 10 8 6 4 2 0 Gráfica C de defectos 1
Conteo de muestras 14 12 10 8 6 4 2 0 Gráfica C de defectos 1

1

2

3

4

5

6

7

8

9

10

Muestra

LCS=12.86

_

C=5.7

LCI=0

4.3.3 Gráficas de control u

Esta

gráfica

se

basa

en

el

número

promedio

de

no

conformidades por unidad inspeccionada.

 

Si encontramos x cantidad de no conformidades en la

muestra de n unidades inspeccionadas, entonces podemos

obtener el número promedio de no conformidades por

unidad inspeccionada de la siguiente manera:

 
   

x

 

u

n

Otros nombres:

 

Gráfica de número de defectos por unidad

4.3.3 Gráficas de control u

Se utiliza para unidades de longitud, área,

volumen, etc.

n puede ser constante o variable.

Cuando n es variable las graficas de control

pueden ser con:

n promedio

Límites para cada n

Límites para ciertas n

Límites estandarizados

4.3.3 Gráficas de control u

Límites de control:

LSC u 3

LC u

LIC u 3

u n i
u
n
i
u n i
u
n
i

u

m

m

 

u i

c

i

i

1

i

1

 

m

m

n

i

i 1

c u i  i n i
c
u i 
i
n
i

Estas gráficas de control usualmente asumen que la ocurrencia de una no conformidad en una muestra es bien

modelada por una

distribución Poisson.

dónde :

i

12

,

,k

c # defectos
i

n tamaño de la muestra
i

m # de muestras

Ejemplo En la tabla adjunta se observa el número de disconformidades (C) halladas en la

Ejemplo

En la tabla adjunta se observa el número de disconformidades (C) halladas en la inspección de 10 muestras de tamaño n i . Halle los límites de control y presente le gráfico.

 

n

i

C

1

9

25

2

8

13

3

7

28

4

10

35

5

9

27

6

6

25

7

10

20

8

8

32

9

10

16

10

9

20

 

86

241

Número de defectuosos por unidad

Gráfica U de defectos

Informe de estabilidad

¿Es estable el número de defectuosos por unidad?

Investigue los subgrupos fuera de control. Busque patrones y tendencias.

5

4

3

2

1

fuera de control. Busque patrones y tendencias. 5 4 3 2 1 1 2 3 4
fuera de control. Busque patrones y tendencias. 5 4 3 2 1 1 2 3 4
fuera de control. Busque patrones y tendencias. 5 4 3 2 1 1 2 3 4
fuera de control. Busque patrones y tendencias. 5 4 3 2 1 1 2 3 4

1

2

3

4

5

6

7

8

9

10

Subgrupo

LCS=4.476

_

U=2.802

LCI=1.128

Número de defectuosos por unidad

Gráfica U de defectos

Informe de resumen

¿Es estable el número de defectuosos por unidad?

Evalúe el % de subgrupos fuera de control.

0% > 5% No
0%
> 5%
No

0.0%

Comentarios

El número de defectuosos por unidad es estable. Ningún

subgrupo está fuera de control.

Gráfica U

Investigue los subgrupos fuera de control

5

3

1

Gráfica U Investigue los subgrupos fuera de control 5 3 1 1 2 3 4 5
Gráfica U Investigue los subgrupos fuera de control 5 3 1 1 2 3 4 5
Gráfica U Investigue los subgrupos fuera de control 5 3 1 1 2 3 4 5
Gráfica U Investigue los subgrupos fuera de control 5 3 1 1 2 3 4 5

1

2

3

4

5

6

7

8

9

10

Subgrupo

LCS=4.476

_

U=2.802

LCI=1.128

4.4 Curva OC y ARL

Prueba de hipótesis:

Ho: El proceso está bajo control vs

Ha: El proceso no está bajo control

Error tipo I: Rechazar Ho cuando Ho es verdadero. Se

concluye que “el proceso no está bajo control, cuando realmente si lo está”.

P(Error tipo I)=

4.4 Curva OC y ARL

Error tipo II: Aceptar Ho cuando Ho es falsa. Se

concluye que “el proceso está bajo control, cuando

realmente no lo está”.

P(Error tipo II)=

Para fines de cálculo de y , suponga que el proceso no está bajo control si hay un cambio

en la media del mismo.

4.4 Curva OC y ARL

La media cambia
La media cambia

LSC

LIC

El error tipo II se calcula con la nueva media

4.4.1. Curva característica de operación (OC) Gráfica p

La función de operación característica(OC) de la carta de control p es:

β
β

P= fraccion disconforme del proceso

Β=Error tipo II = Probabilidad de aceptar incorrectamente la hipótesis del control estadístico

4.4.1. Curva característica de operación (OC) Gráfica p

• La curva OC proporciona una medida de la habilidad de la carta de control
La curva OC proporciona una medida de la habilidad de la carta
de control para detectar un corrimiento en la fracción
disconforme del proceso (p).
La probabilidad del error II para la grafica p se calcula con:
O
  Ppˆ  LCS| p Ppˆ  LCI | p
  PD  nLCS| p PD  nLCI | p
β
P
D
es una v.a. bimonial (n,p)

Β=Error tipo II = Probabilidad de aceptar incorrectamente la hipótesis del control estadístico

4.4.1. Curva característica de operación (OC) Gráfica c

• La probabilidad del error II para la grafica c se calcula con: β 
• La probabilidad del error II para la grafica c se calcula con:
β
 Px  LCS| c Px  LCI | c
c
• x es una variable aleatoria de Poisson con parametro c

4.4.1. Curva característica de operación (OC) Gráfica u

β

Curva característica de operación (OC) – Gráfica u β • La probabilidad del error II para

La probabilidad del error II para la grafica u se calcula con:

Px LCS|uPx LCI |uPc nLCS|uPx nLCI |u

x es una variable aleatoria de Poisson con parametro λ=nu

c

4.4.2 Longitud promedio de corrida

(ARL) Gráfica p

El numero esperado de muestras antes de que se

detecte el corrimiento en la calidad del proceso.

ARL (Average run length)

Si el proceso está bajo control:

ARL

0

1

La probabilidad alfa puede calcularse de la distribución binomial o leerse

en una curva OC

4.4.2 Longitud promedio de corrida

(ARL) Gráfica p

Si el proceso no está bajo control:

ARL

1

1

1

La probabilidad beta puede calcularse de la distribución binomial o leerse en una curva OC

Si n se incrementa, β tiene un valor menor y ARL 1 mas corta

4.4.2 Longitud promedio de corrida

(ARL) Gráfica p

Ejemplo:

ARL 0 = 370

“Si el proceso se encuentra bajo control se

experimentara una falsa alarma de una

senal de fuera de control

aproximadamente cada 370 muestras

Ejemplo:

ARL 1 = 7

“Si el proceso esta fuera de control se necesitara aproximadamente 7 muestras

para detectar este corrimiento con un

punto fuera de los limites de control”

1

1

ARL

0

ARL

1

1

Efectos de los límites de control sobre

y

a)

si los límites de control son más anchos:

se reduce

se incrementa

b)

si los límites de control son más angostos:

se incrementa

se reduce

c)

si se toman muestras más grandes:

se reduce

se reduce

Bibliografía

Capítulo 6 Montgomery, Ejercicios 1 al 6

Capítulo 4 Besterfield, Ejercicios 1 al 6