S GRAFICOS DE CONTROL POR ATRIBUTOS

Introduccin

Algunas caractersticas de calidad no pueden ser representadas

convenientemente por medio de variables cuantitativas. En estos casos, las
unidades de producto se clasifican en conformes o en no conformes segn la
caracterstica o caractersticas cualitativas sean o no conformes con las
especificaciones. Las caractersticas de calidad de este tipo se denominan
atributos. Los datos de tipo atributo tienen solamente dos valores: Conforme / no
conforme, pasa/no pasa, funciona / no funciona, presente / ausente. Tambin se
consideran atributos aquellas caractersticas cuantitativas que se registran en
trminos de sino como por ejemplo, el dimetro de un eje cuya conformidad solo la
medimos en trminos de aceptable/no aceptable, las imperfecciones de pintura en
una puerta de un automvil, las burbujas en la laca de un detonador, la
presencia/ausencia de un percutor, etc.

Vamos a analizar cuatro tipos de grficos de control por atributos:

Grfico p para porcentajes defectuosos
Grfico np para el nmero de unidades defectuosas
Grfico c para el nmero de defectos
Grfico u para el nmero de defectos por unidad inspeccionada

Grfico p para porcentajes defectuosos

La fraccin no conforme de un colectivo se define como el cociente entre el

nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo.
Cada unidad de producto puede ser examinada por el inspector respecto de una o
varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme
respecto a la especificacin en una o ms caractersticas, se clasifica como no
conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal
aunque puede tambin indicarse en tanto por ciento.

La distribucin binomial es la base estadstica del grfico de control por atributos.

Supondremos que el proceso est operando de forma estable y que la posibilidad
de que una unidad de producto sea defectuosa es constante y de valor p.
Tambin, supondremos que las unidades producidas sucesivamente son
independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x
al nmero de unidades no conformes, la probabilidad de que x tome los valores 0,
1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de
unidades no conformes en la muestra x y el tamao de la misma p = x/n.

El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n

Operativa del grfico de control p

La base estadstica para definir los lmites de control es comn con los restantes
grficos de Shewhart: Si W es un estadstico que describe una determinada
caracterstica de calidad siendo w y w2 su media y su varianza, los lmites de
control se definen como :

K es la distancia de los lmites de control a la lnea central expresada como un

mltiplo de sw. Habitualmente escogeremos K = 3.

Supongamos que conocemos o se especifica la fraccin p no conforme de un

proceso de produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro

de cada muestra el nmero de unidades no conformes y calcular = D/n llevando
este valor al grfico. En tanto permanezca dentro de los lmites de control y la
secuencia de puntos no seale ninguna pauta distinta a la que puede surgir por
mero azar, diremos que el proceso est bajo control al nivel p de fraccin no
conforme. Si por el contrario, observamos algn punto fuera de control o un patrn
inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que
el proceso est fuera de control.

Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a

seguir es seleccionar m muestras preliminares, cada una de tamao n. Como
norma general, m estar comprendido entre 20 y 25. Si D i es el nmero de
unidades defectuosas en la muestra i, calcularemos la fraccin defectuosa en la
muestra como ; i = 1, 2... .n y la media de estas fracciones,
, estimar la media p del proceso siendo los lmites de control:
Frecuentemente se utiliza solo el lmite superior.

Estos lmites de control se consideran como limites de prueba y sirven para

determinar si el proceso estaba bajo control cuando las m muestras iniciales
fueron seleccionadas. Si todos los puntos caen dentro de los lmites de control y
no se observa ninguna pauta anormal dictaminaremos que el proceso estaba bajo
control a la toma de las m muestras y los lmites de prueba sern validos para
controlar la produccin actual y la futura.

Los lmites de control para la produccin actual deben basarse en datos obtenidos
de una situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera
de control se hace necesario revisar los lmites de control. Esto se realiza
examinando cada punto fuera de control y buscando las causas asignables. Si se
localiza la causa asignable se descarta el punto correspondiente y se vuelven a
calcular los lmites de control con los puntos restantes. Puede darse el caso que
alguno de estos restantes puntos se encuentre ahora fuera de control respecto de
los nuevos lmites ya que estos sern, normalmente, ms estrechos que los
iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que
todos los puntos se encuentren dentro de control con lo que ya podremos adoptar
los lmites hasta entonces provisionales como lmites definitivos.

Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la

fraccin no conforme p, entonces el clculo de lmites de prueba es,
generalmente, innecesario aunque deben tomarse ciertas precauciones en el
sentido de comprobar si el proceso est bajo control a un valor de p diferente dei
indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como
valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a
p = 0,05.

Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos

fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta
opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado,
sobre todo en procesos donde la fraccin no conforme puede ser controlada
mediante un proceso sencillo de ajuste.

Diseo del grfico p

El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del

desmuestre y distancia entre lmites de control.

Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo

largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la
frecuencia y el tamao de la muestra estn relacionados. Generalmente, se
selecciona inicialmente la frecuencia del desmuestre apropiada para la produccin
a inspeccionar y de ah resulta el tamao de la muestra.

Los subgrupos racionales pueden jugar tambin un papel importante en

determinar la frecuencia del desmuestre. Por ejemplo, si hay tres turnos y
sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada
turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no
conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al
menos una unidad defectuosa en la muestra.

Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener
una probabilidad de aprox. 50% de detectar un cambio de una determinada
magnitud. Por ejemplo, supongamos que p = 0,01 y que queremos que la
probabilidad de detectar un cambio a p = 0,05 sea del 50%. Suponiendo que
aproximamos la distribucin binomial respecto de la normal, escogeremos de tal
forma que el lmite de Control Superior coincide con la fraccin no conforme en la
situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces
n debe satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3 n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse
otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa
alarma.

A veces, suelen usarse limites ms estrechos (por ejemplo 2 ) dentro de una

situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben
utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los
operadores en los grficos de control.

Hay que tener en cuenta que los lmites de control estudiados se basan en la
distribucin binomial que considera constante la proporcin defectuosa p y que
los valores sucesivos son independientes. En procesos en los que las unidades no
conformes estn agrupadas o en los que la probabilidad de producir una unidad
defectuosa depende de que la anterior unidad producida haya sido no defectuosa,
no son aplicables este tipo de grficos.

Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de
control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una
mejora en la calidad del proceso por disminucin de a sino que suelen originarse
por errores en la inspeccin o por causa de aparatos de medida mal calibrados.
Tambin puede deberse a que los operadores hayan registrado datos ficticios para
cubrir su responsabilidad.

Grfico np para unidades defectuosas

Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sera
probarlo con una rosca calibrada.
El resultado de este ensayo slo tiene dos posibles resultados:
Defectuoso - No Defectuoso ( Conforme-No Conforme )
. Si el tornillo no entra en la rosca, se lo considera defectuoso o no
conforme.

Para controlar este proceso, se puede tomar una muestra de tornillos y contar el
nmero de defectuosos presentes en la muestra.

La variable aleatoria nmero de defectuosos es una variable aleatoria discreta,

porque puede tomar un nmero finito de valores, o infinito numerable. Los grficos
np se utilizan para controlar el nmero de defectuosos en una muestra.

Para controlar este proceso, un inspector se coloca al final de la lnea de

produccin y cada hora retira una muestra de n=50 tornillos (por ejemplo),
comprueba cada uno con la rosca y anota el nmero de defectuosos.

Este resultado se anota en un grfico hora por hora denominado grfico np.

Si se tomara del proceso un slo tornillo Cul es la probabilidad de que sea

defectuoso? Imaginando la poblacin de tornillos que podra fabricar el proceso
trabajando siempre en las mismas condiciones, una cierta proporcin p de estos
seran defectuosos. Entonces, la probabilidad de tomar un tornillo y que sea
defectuoso es p.

En una muestra de n tornillos, la probabilidad de encontrar:

0 defectuosos ; 1 defectuoso ; 2 defectuosos ; ... ; n defectuosos
est dada por una distribucin binomial con parmetros n y p.
Como sabemos, el promedio de la poblacin es p y la varianza es n.p.(1-p).

Para construir los grficos de control np, en una primera etapa se toman N
muestras (ms de 20 25) a intervalos regulares, cada una con n tornillos. Se
cuenta en cada muestra el Nmero de Defectuosos y se registra. Se obtendra una
Tabla como la siguiente:

En cada muestra, la fraccin de defectuosos es D i/n, siendo Di el nmero de

elementos defectuosos en la muestra i, y n el nmero de elementos en la muestra
i

A partir de la tabla podemos calcular p como promedio de las fracciones de

defectuosos en las muestras:

siendo N el nmero de muestras, y luego la Desviacin Standard s:

Con esto podemos calcular los Lmites de Control para el grfico np:

Construimos entonces un Grfico np de prueba y representamos el nmero de

defectuosos en las muestras.
Si no hay puntos fuera de los lmites de control y no se encuentran patrones no
aleatorios, se adoptan los lmites calculados para controlar la produccin futura.

Para las personas con poco entrenamiento estadstico, este grfico suele ser ms fcil de
interpretar que el grfico p. Frecuentemente se utiliza solo el lmite superior.

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de
producto que se estn fabricando. Por ejemplo, se fabrican telfonos celulares y entonces se
toma uno de ellos y se cuenta el nmero total de defectos. Estos podran ser:
Rayas en la superficie.

grietas en el plstico

Antena defectuosa

Botn defectuoso.

Etc.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos
defectos en la unidad inspeccionada. Obtenemos un resultado que es el Nmero
de Defectos por unidad de inspeccin.

A medida que el proceso genera las unidades (Telfonos mviles), retiramos una
unidad a intervalos regulares y contamos el nmero total de defectos. En cada
unidad podemos encontrar:?

0 defectos
 1 defecto

2 defectos

...

n defectos

Los resultados obtenidos al contar el Nmero de Defectos en unidades de

inspeccin tomadas a intervalos regulares constituyen una variable aleatoria
discreta, porque puede tomar los valores discretos 0, 1, 2, ... n. Esta variable
aleatoria tiene una distribucin de Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una muestra del
producto o unidad de inspeccin. Para controlar este proceso, un inspector se
coloca al final de la lnea de produccin y cada cierto intervalo retira una unidad de
inspeccin, verifica y anota el nmero total de defectos.

Este resultado se anota en un grfico denominado grfico C. De acuerdo a la

Distribucin de Poisson, si denominamos C al parmetro de la funcin de
distribucin, el promedio de la poblacin es C y la varianza tambin es C.

Una unidad defectuosa puede tener uno o ms defectos. Sin embargo, es posible
que una unidad de producto tenga varios defectos y que no sea clasificada como
defectuosa debido a la naturaleza poco importante del defecto. Existen en la
prctica muchas situaciones en las que es preferible trabajar con el nmero de
defectos que con el porcentaje o el nmero de unidades defectuosas. Por ejemplo,
el nmero de soldaduras defectuosas en un tubo de conduccin de gas, el nmero
de defectos funcionales es un dispositivo electrnico, etc.

Se pueden efectuar grficos de control para el nmero total de defectos por unidad
de producto o para el nmero de defectos en la muestra. Estos grficos de control
se basan en la distribucin de Posson que exige un nmero de puntos donde
potencialmente podra producirse el defecto infinitamente grande, as como que la
probabilidad de que el defecto aparezca en un determinado punto sea muy
pequea y constante.
La unidad de inspeccin debe ser la misma en cada muestra. Es decir cada
unidad de inspeccin debe representar siempre una probabilidad igual de que se
produzcan los defectos. En la mayor parte de las situaciones prcticas, estas
condiciones no se satisfacen exactamente. El nmero de oportunidades (puntos)
para los defectos suele ser finito y la probabilidad de aparicin de defectos puede
no ser constante. Si las desviaciones respecto de la situacin ideal no son
importantes, puede usarse el modelo de Poisson. Existen, sin embargo, casos en
los que las desviaciones respecto de las condiciones del modelo son
considerables y en los que la utilizacin de la distribucin de Poisson es
inadecuada.

Grficos c para tamao de muestra constante

En el grfico c se representan el nmero de defectos existentes en cada unidad

de inspeccin. En la mayor parte de los casos, la unidad de inspeccin ser una
unidad de producto aunque esto no es absolutamente necesario ya que la unidad
de inspeccin constituye simplemente una porcin de produccin sobre la que es
conveniente registrar el nmero de defectos encontrados. Puede ser un grupo de
1,5 6 10 unidades de producto. Supongamos que los defectos tienen lugar en esta
unidad de inspeccin de acuerdo con la distribucin de Poisson

donde x es el nmero de defectos en la unidad de inspeccin y C es el parmetro

de la distribucin, Sabemos que la media y la varianza de la distribucin de
Poisson son ambas iguales a C. En consecuencia, los lmites de control 3 sigma
para el nmero de defectos sern:

Hay que tener en cuenta que la probabilidad de producir una falsa alarma por
situarse el punto por encima del lmite de control superior es diferente que la de
situarse por debajo del lmite inferior (colas superior e inferior diferentes). Si no se
conoce el parmetro c, debe estimarse a partir de una muestra preliminar de
unidades de inspeccin. El valor obtenido en la estimacin, O sustituir al valor O
en los lmites arriba indicados.

Anlisis de defectos

Los datos sobre defectos aportan siempre mayor informacin que los relativos a
unidades defectuosas ya que habitualmente existen diversos tipos de defectos.
Al analizar por conteo la frecuencia de cada tipo de defecto observamos que, en
muchas ocasiones, los resultados estn acordes con la distribucin de PARETO y
que un pequeo nmero de defectos es causa de la mayor parte de los
problemas. Si somos capaces de eliminar las causas de unos pocos tipos de
defectos, habremos conseguido una drstica mejora en la calidad.

Grfico u

Supongamos que se est controlando el nmero de defectos en un proceso de

ensamblado de licuadoras y se define una unidad de inspeccin de 5 licuadoras.
En este caso es posible trabajar con un grfico C, como ya hemos visto. Pero tal
vez se desea controlar el promedio de defectos por cada licuadora (unidad de
produccin) en lugar del total de defectos para las 5 licuadoras (unidad de
inspeccin):

siendo ni la cantidad de Defectos por Unidad de Inspeccin y m el nmero de

Unidades de Produccin en la Unidad de Inspeccin.

En nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin (5

licuadoras), la cantidad promedio de defectos por licuadora ser

Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma
valores 0, 1/m, 2/m, etc., y cuya distribucin de probabilidades se puede
calcular a partir de la Distribucin de Poisson.

Como en el caso de los grficos C, en una primera etapa se toman N unidades de

inspeccin (ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de
inspeccin el Nmero de Defectos y se registra. Luego se divide el Nmero de
Defectos de cada unidad de inspeccin por m (Nmero de unidades de produccin
en cada unidad de inspeccin).

En nuestro ejemplo (m = 5) la Tabla quedara as:

Entonces, a partir de la tabla podemos calcular el parmetro U, como promedio del

Nmero de Defectos por licuadora, y la Desviacin Standard:
 ;

siendo : ni la cantidad de Defectos por Unidad de Inspeccin, m el Nmero de

Unidades de Produccin en la Unidad de Inspeccin y N el Nmero de Unidades
de Inspeccin

Con esto podemos calcular los Lmites de Control para el grfico U:

DISTRIBUCIN BINOMIAL

Probabilidad de r o menos sucesos en n intentos, donde p es la ocurrencia de

cada intento.