Documentos de Académico
Documentos de Profesional
Documentos de Cultura
119
Captulo 9
120
Tipo de Grfico
Lnea central
Lmites de Control
Nmero de defectos, np
np
n p 3 n p(1 p)
Fraccin defectuosa, p
p
p 3
p(1 p)
n
u
u 3
u
n
Nmero de Defectos, c
Muestras del mismo tamao
c 3 c
nu
n u 3 nu
Cuadro 9.1. Grficos de control para atributos, sin un valor de referencia dado. Los valores se
obtienen a partir de datos muestrales.
121
Captulo 9
Lnea central Lmites de Control
Nmero de defectos, np
np
Fraccin defectuosa, p
np 3 np '(1 p ')
p 3
p '(1 p ')
n
u 3
u'
n
Nmero de Defectos, c
Muestras del mismo tamao, (dado c).
c 3 c'
nu
nu 3 nu'
Cuadro 9.2. Grficos de control para atributos, con un valor de referencia dado. Los valores de
referencia se definen de antemano.
1.- Cada unidad de produccin tiene slo dos posibles resultados: defectuosa o no
defectuosa y las probabilidades de estos resultados suman a 1.
2.- Al seleccionar la muestra se debe realizar un muestreo con reemplazo. Lo que
asegura que la fraccin defectuosa p sea constante de ensayo a ensayo.
122
3.- Debe existir independencia en ensayos sucesivos. Cuidando que los resultados de
un ensayo no alteren los resultados de ensayos posteriores.
d
, cuya distribucin es
n
Para p:
Media = p =p
Varianza = S2 = p (1 p ) = p2
n
S =
(1 p)
n
Para np:
Media = np = np=d
2
S2 = np(1-p) = np
=d
S =
np(1 p)
Captulo 9
di
ni
i =1
k p
i
i =1
p(1 p)
n
LCInferior = p 3
p(1 p)
n
Los lmites, cuando n cambia de muestra a muestra, requieren de algunos ajustes para
asegurar que se realice una adecuada interpretacin de los grficos, de manera que:
3.i) Se pueden calcular lmites para cada subgrupo, cada uno de ellos con su
propia desviacin estndar. Esta aproximacin (la ms utilizada en la
paquetera computacional) requiere del clculos continuo de los lmites de
control y le da un aspecto poco comn a los grficos. Los lmites se obtiene a
travs de las frmulas:
LCSuperior = p + 3
p(1 p)
ni
LCInferior = p 3
p(1 p)
ni
124
de control para este valor. Si la variacin es mayor del 20% se pueden tener
interpretaciones incorrectas o errneas.
3.iii) Una tercera opcin consiste en expresar la fraccin defectuosa, p, en
unidades de desviacin estndar, es decir en unidades Z =
p p
, valores que
$p
NOTA: Los valores de p no siguen una distribucin normal, por lo que se recomienda
no aplicar las reglas que se basan en las 3 zonas especficas entre la lnea central y las
lneas de los lmites de control.
125
Captulo 9
Como ya se dijo, la lnea central y los lmites de control de este tipo de grficos se
basan en una distribucin binomial. De manera que el nmero promedio de productos
defectuosos esperados en una muestra de tamao n es np y la desviacin estndar
d = np(1 p) , de aqu que los lmites de control estn dados por n p 3 n p(1 p) .
9.1.2.1. Interpretacin de los Grficos de Control np
126
Volviendo a los grficos p, estos tienen como objecin frecuente el tamao de muestra,
n, requerido para tener informacin realista de si un proceso est o no dentro de
control. Una regla prctica indica que el tamao de muestra debe ser tal que np=d > 4
(encontrar ms de 4 productos defectuosos).
Tamao de muestra
5
% de desechos
tolerados
0.5%
L.P
L.A
10
20
30
40
50
60
0
1
0
1
0
1
1
2
127
Captulo 9
1%
2%
3%
4%
5%
L.P
L.A
L.P
L.A
L.P
L.A
L.P
L.A
L.P
L.A
0
2
1
2
1
2
1
2
1
2
1
3
2
3
1
2
1
3
2
3
2
4
3
4
1
2
2
3
2
4
3
5
4
6
1
3
2
4
3
5
4
6
4
7
1
3
3
4
4
6
4
7
5
8
2
3
3
5
4
7
5
8
7
10
Cuadro 9.3. Tamaos de muestra para el mtodo de Wharton. Con L.P=lnea de prevencin y
L.A=lnea de atencin (Schassfsma y Willmze, en Becerrril, 1997, pg. 129).
128
c=
cada muestra consta de varias unidades de produccin, como pueden ser cpsulas,
ampolletas o comprimidos.
Cuando el tamao cambia de una muestra a otra, se requiere un grfico que supere
este problema, en cuyo caso se aplican grficos para el nmero promedio de defectos
por cada unidad, artculo o producto elaborado, es decir:
u=
di
u = i =k1
ni
i =1
129
Captulo 9
P (Y = c ) =
c e
c!
; c = 0,1,2,...
donde representa a la media de Y, de tal forma que basta conocer para encontrar la
probabilidad de cualquier valor de Y, desde cero hasta infinito.
2) La media de la distribucin es igual a la varianza esto es: media = = varianza.
3) La media de una variable Poisson es proporcional al tamao de la unidad de
muestreo. Por ejemplo, si se sabe que el nmero promedio de defectos por unidad de
produccin es 5, entonces hay en promedio 20 defectos en 4 unidades (ampolletas,
tabletas, etc.).
Las condiciones prcticas para usar la distribucin de Poisson como una aproximacin
a la Binomial son: n 2 y np 5. Pero si n 10, la aproximacin es excelente si np 10.
Media = c
Varianza = c
y si el valor estimado de c viene dado por c entonces, lmites de control = c 3 c .
Para u:
Media = c
Varianza =
c
n
k
di
ni
i =1
dados por u 3
u
.
ni
u
ni
c 3 c.
5. Representar de manera grfica los lmites de control, mostrando los valores de las
muestras estudiadas.
131
Captulo 9
132
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Defectuosos
Proporcin
(p)
0.01
0.06
0.03
0.01
0.03
0.02
0
0.02
0.04
0.01
0.05
0.04
0.05
0.04
0.03
0.03
0.02
0.04
0.04
0.04
0.02
0.05
0.02
0.06
0.03
1
6
3
1
3
2
0
2
4
1
5
4
5
4
3
3
2
4
4
4
2
5
2
6
2
Total = 79
Total = 0.79
2.
Calcular
p,
dividiendo
el
total
11 13 15 17 19 21 23 25
de
133
Captulo 9
d
11
18
17
15
11
15
19
20
35
14
7
42
14
15
20
9
23
11
21
37
16
18
20
16
34
22
9
40
18
15
p
0.0462
0.0735
0.0630
0.0725
0.0438
0.0591
0.0805
0.0816
0.1423
0.0520
0.0314
0.1707
0.0534
0.0581
0.0862
0.0411
0.0875
0.0451
0.0766
0.1510
0.0687
0.0674
0.0787
0.0606
0.1344
0.0759
0.0390
0.1762
0.0769
0.0593
LC
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
LSC
0.1305
0.1298
0.1273
0.1343
0.1292
0.1289
0.1308
0.1298
0.1297
0.1274
0.1323
0.1297
0.1281
0.1285
0.1312
0.1328
0.1280
0.1299
0.1270
0.1298
0.1311
0.1276
0.1289
0.1279
0.1290
0.1256
0.1313
0.1318
0.1310
0.1290
LIC
0.0261
0.0268
0.0293
0.0223
0.0274
0.0277
0.0258
0.0268
0.0269
0.0292
0.0243
0.0269
0.0285
0.0281
0.0254
0.0238
0.0286
0.0267
0.0296
0.0268
0.0255
0.0290
0.0277
0.0287
0.0276
0.0310
0.0253
0.0248
0.0256
0.0276
OPCIN I
1. Lo primero que debe de hacer es calcular la
suma
de
entidades
objetos
30
muestreados, ni =7433,
i =1
la
suma
de
30
di =582.
i =1
582
= 0.0783, el valor de la
7433
En la figura 9.2 se aprecian algunos puntos fuera de control, los cuales, en la prctica,
se deben revisar a detalle para encontrar las causas de este comportamiento y aplicar
las medidas correctivas adecuadas.
134
0.1800
0.1600
0.1400
0.1200
0.1000
0.0800
0.0600
0.0400
0.0200
0.0000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
7433
= 247.7667.
30
2. Calcular los lmites de control con este tamao de muestra promedio. De manera
que p =0.783 y los lmites son: LSC = 0.1295 y LIC = 0.0271.
3. Realizar el grfico de control, con ayuda del asistente para grficos, figura 9.3.
135
Captulo 9
0.1800
0.1600
0.1400
0.1200
0.1000
0.0800
0.0600
0.0400
0.0200
0.0000
1
10
13
16
19
22
25
28
d
11
18
17
15
11
15
19
20
35
14
7
42
14
15
20
9
23
11
21
37
16
18
20
16
34
22
9
40
18
15
p
0.0462
0.0735
0.0630
0.0725
0.0438
0.0591
0.0805
0.0816
0.1423
0.0520
0.0314
0.1707
0.0534
0.0581
0.0862
0.0411
0.0875
0.0451
0.0766
0.1510
0.0687
0.0674
0.0787
0.0606
0.1344
0.0759
0.0390
0.1762
0.0769
0.0593
pi- p
-0.0321
-0.0048
-0.0153
-0.0058
-0.0345
-0.0192
0.0022
0.0033
0.0640
-0.0263
-0.0469
0.0924
-0.0249
-0.0202
0.0079
-0.0372
0.0092
-0.0332
-0.0017
0.0727
-0.0096
-0.0109
0.0004
-0.0177
0.0561
-0.0024
-0.0393
0.0979
-0.0014
-0.0190
desviacin
0.0174
0.0172
0.0163
0.0187
0.0170
0.0169
0.0175
0.0172
0.0171
0.0164
0.0180
0.0171
0.0166
0.0167
0.0176
0.0182
0.0166
0.0172
0.0162
0.0172
0.0176
0.0164
0.0169
0.0165
0.0169
0.0158
0.0177
0.0178
0.0176
0.0169
variacin
del
tamao
de
muestra.
OPCIN
III.
Esto
implica
que
es
esto
no
se
preocupe, en el ejemplo se
aclara, cuadro 9.4.
136
pi p
, ltimas 3
p (1 p )
ni
columnas del cuadro 9.4, donde la raz cuadrada del cociente anterior calcula el valor
de la desviacin estndar de cada muestra.
4
3
1
0
-1 1
9 11 13 15 17 19 21 23 25 27 29
-2
-3
Otra opcin, para manejar este tipo de grficos, implica calcular lmites de confianza
para el tamao de muestra mnimo, n mximo y n promedio.
Independientemente de la opcin de clculo, una vez que se tiene la grfica hay que
interpretar, buscando puntos fuera de control, tendencias, rachas o ciclos, con el fin de
detectar causas asignables de variacin.
Captulo 9
La ficha de datos se presenta en la figura 9.5 (modificados del ejemplo 7.4 de Becerril
1997, pg 139). Para su interpretacin se debe considerar el cuadro 9.3, donde se
definen los valores de las lneas de prevencin y de atencin, en base a las cuales se
pueden resaltar los siguientes aspectos:
138
Defectos
Total
Serigrafa extraa
Serigrafa ausente
Vidrio, astillas
Vidrio, polvo
Fibras
Materias extraas
Partculas carbonizadas
Fisuras
Cierre defectuoso
Roturas
Muestra
Frecuencia
10
20
20 min
9
8
Nmero de
7
6
Ampollas defectuosas
5
4
3
2
1
0
No. de Muestreo
X
1
X
2
X
X
X
X
10
141
Defecto 1
3
5
2
3
4
4
4
6
7
4
5
5
6
4
8
7
6
4
5
5
Defecto 2
7
7
7
9
9
10
5
8
6
7
17
6
7
7
6
7
7
7
4
6
Defecto 3
5
6
7
5
7
8
6
7
11
9
7
5
9
4
10
9
10
5
8
4
Defecto 4
6
5
2
5
6
3
2
3
6
7
3
5
6
6
6
6
5
4
6
6
Total
21
23
18
22
26
25
17
24
30
27
32
21
28
21
30
29
28
20
23
21
Para elaborar un
grfico de control
c, se requiere:
1. El promedio de
defectos
por
muestra, que se
obtiene al dividir el
total de defectos,
486,
entre
el
nmero
de
muestras, 20.
486/20=24.3
Cuya grfica se muestra en la figura 9.6, donde se puede apreciar que no hay punto
fuera de control, ni tendencias o rachas. Por lo que este grfico representa a un
proceso dentro de control.
142
20
15
10
5
0
1
11
13
15
17
19
di
, y los
ni
i =1
lmites de control u 3
u =
u
.
ni
486
= 2.43, donde 486 es el total de defectos y 200 es el nmero total de
10(20)
2.43
= 0.49, donde 10 es el
10
LIC=2.43-3(0.49) = 0.95
143
Captulo 9
Cuya grfica se muestra en la figura 9.7, donde los valores de la ltima columna del
cuadro 9.5 se dividen entre 10 para tenerlos en trminos de u en esta grfica. La
interpretacin de este grfico es totalmente anloga a la de la figura 9.6.
Grfico u.
4
3.5
3
2.5
2
1.5
1
0.5
1
11
13
15
17
19
La estructura de los datos del cuadro 9.5, permite notar la aplicacin de los Diagramas
de Pareto para analizar la importancia relativa de los diferentes tipos de defectos, lo
que es muy comn en la prctica, ya que el combinar las herramientas bsicas del
Control de Calidad permite obtener mayor informacin al momento de analizar un
problema real.
BIBLIOGRAFIA
144
3. Devor, Richard E., Chang, Tsong-how and Sutherland John W., Statistical Quality
Design And Control. Contemporary Concepts and Methods, MacMillan Publishing
Co., USA., 1992.
Dedica el captulo 5, pginas 138-152, a establecer las bases estadsticas de las carta
de control como una prueba de hiptesis. En el captulo 13, pgs. 426-480, explica a
detalle las cartas para atributos y mediante ejemplos muestra como se construyen e
interpretan.
145
Captulo 9
7. Miller Irwin and Miller Maryless, Statistical Method for Quality. With Applications
to Engineering and Management, Prentice Hall, U.S.A., 1995.
En el captulo 8, Statistical Process Control, analiza las cartas de control para variables,
para atributos, las cartas Cusum y las Capacidades de Proceso. Todo esto de la pgina
189 a la 224.
146