1

Práctica de CONTROL DE CALIDAD

Gráficos de control por atributos

1. Objetivo de la práctica
Utilización de herramientas estadísticas para el Control de Procesos. En
particular utilizaremos los gráficos de control por atributos: p-chart, np-chart,
c-chart y u-chart.

La realización de estos gráficos es muy similar, por lo tanto sólo se mostrará

detalladamente el análisis de datos con p-chart.

2. Datos
Las bujías son el elemento encargado de provocar el comienzo de la quema de
la mezcla, y lo hacen mediante la generación de un arco voltaico entre sus
electrodos.

Un operario va tomando aleatoriamente bujías de la cadena de producción y va

comprobando si son aceptables o defectuosas (si generan el arco voltaico
entre sus electrodos o no).

3. Estudio Inicial
El estudio inicial consiste en estimar los parámetros del proceso “bajo control”.
Para ello se toman K muestras del proceso y mediante un procedimiento
iterativo se eliminan las que son sospechosas de haber sido tomadas cuando el
proceso estaba “fuera de control”.

Procedimiento iterativo:
1. Se extraen K muestras
2. Se estiman los parámetros
3. Se grafican las muestras en el grafico de control correspondiente
4. Se eliminan las muestras fuera del gráfico.
5. Se vuelve al paso 2.
 2

Con el Statgraphics realizaremos este procedimiento iterativo de forma

automática.

En el archivo de datos:
o La variable NumBujias contiene el tamaño de las muestras recogidas.
o DefBujias el número de bujías que resultaron defectuosos.
o PropBujiasDef, la proporción de bujías defectuosas en la muestra.

3.1. Introducción de datos

Desde el menú principal se ha de seleccionar Special / Quality control /

Attributes control chart / p-chart.

Aparece la ventana

Se introduce la variable que contiene la

proporción de defectos

Se introduce la variable que contiene el

tamaño de la muestras. En el caso de que
todas las muestras tengan el mismo tamaño se
puede teclear ese número directamente

Es opcional, sirve para poner etiquetas a las

muestras
 3

3.2. Selección de Estudio Inicial

Con el botón derecho del ratón pulsamos Analisys Options. Marcamos la
opción Initial Study.

Observación:
o Avg. Subgroup Size indica si la media del tamaño de los grupos debe
ser utilizada para realizar los gráficos de control
o Normaliz indica si los gráficos de control se realizan con los datos
estandarizados

3.3. Construcción de Gráficos de Control y estimación de

parámetros
o Estimación de p (proporción de defectuosos).
En Tabular Options , Analysis Summary

Aparece la estimación de p:
 4

p - Initial Study for PropBujiasDef

Number of subgroups = 20
Average subgroup size = 948,0
0 subgroups excluded

p Chart
-------
UCL: +3,0 sigma = 0,0214267
Centerline = 0,0111814
LCL: -3,0 sigma = 0,000936147

1 beyond limits

Estimates
---------
Mean p = 0,0111814
Sigma = 0,0034151

La estimación de p ha sido calculada con la proporción de defectuosos

observados en las 20 muestras.

o Límites de control, gráfico p

Para el análisis gráfico se pulsa Graphics Options , p Chart

p Chart for PropBujiasDef

(X 0,001)
24
UCL = 0,02
20 CTR = 0,01
16 LCL = 0,00
p

12
8
4
0
0 4 8 12 16 20
Subgroup

Cálculo de los límites de control:

p (1 − p )
LCS = p + 3
ni
p (1 − p )
LCI = p − 3
ni

Como el tamaño de los grupos es distinto, los límites de control varían.

 5

3.4. Eliminación de las muestras “fuera de control”

Si queremos estimar los parámetros del proceso “bajo control” debemos
eliminar las muestras que han sido tomadas “fuera de control”. Cada vez que
se elimina una muestra deben volver a estimarse los parámetros, recalcular los
gráficos, y si alguna muestra se sale del grafico volver de nuevo a estimar los
parámetros, recalcular los gráficos…, así hasta que todas las muestras están
dentro de los límites.

El programa realiza este proceso iterativo de forma automática

o Pulsamos Analysis Options (botón derecho del ratón)

o Pulsando el botón Exclude, llegamos al siguiente menú:

o Opciones:
- Automatic, el programa realiza la operación eliminación/recálculo de
límites recursivamente hasta que todas las observaciones se
encuentren dentro de los límites de control. El programa actualizará
los gráficos y los análisis. Los subgrupos eliminados aparecen
marcados para poder identificarlos.
 6

- Manual, sirve para eliminar de forma manual las muestras fuera de

control.
o Abrimos el gráfico

o Seleccionamos la muestra (pulsando sobre la muestra con el

ratón, aparecerá en amarillo)

o Con el boton eliminamos o incorporamos la muestra

o Eliminamos las muestras fuera de los límites, una a una, hasta

que todas las muestras estén dentro de los límites de control

Observación: se puede comprobar como cada vez que eliminamos

una muestra, el Statgraphics recalcula los limites de los gráficos.

- Reset, sirve para incluir todos los grupos (solo útil si hubiéramos
eliminado alguno)
 7

3.5. Resultado

Una vez eliminadas todas las muestras que se salen fuera de los límites de
control, obtenemos la estimación de p.

En Tabular Options , Analysis Summary

p - Initial Study for PropBujiasDef

Number of subgroups = 19
Average subgroup size = 949,895
1 subgroups excluded

p Chart
-------
UCL: +3,0 sigma = 0,0205755
Centerline = 0,0106049
LCL: -3,0 sigma = 0,0006343

0 beyond limits

Estimates
---------
Mean p = 0,0106049
Sigma = 0,00332354

3.6 Conclusión
Se han observado 20 muestras, 1 ha sido eliminada por suponer que fue
tomada cuando el proceso estaba fuera de control. Con las 19 restantes se ha
estimado la proporción de defectuosos:

pˆ = 0.0106049

Así, la capacidad del proceso, cuando el proceso está bajo control, definida
como 1-p, se estima como:

1 − pˆ = 0.9893951
 8

4. Control en línea
Con el fin de monitorizar el proceso de fabricación de las bujías y así poder
detectar rápidamente la presencia de causas asignables en el proceso, se
decide establecer un control estadístico del proceso. Para ello se toma una
muestra de tamaño 100 cada 2 horas.

En la columna “Bujias_linea” del archivo de datos se encuentra la proporción de

defectuosos en cada muestra.

4.1. Introducción de datos

(idéntico a lo realizado en el estudio inicial)

Menu: Special / Quality control /Attributes control chart /p-chart.

4.2. Establecimiento del control en línea o control estándar.

- Establecemos el control estándar. Analysis Options (botón derecho

del ratón)

- Indicamos los parámetros del proceso:

 9

Calculado en el estudio inicial

4.3. Análisis del gráfico de control

No sólo los puntos fuera de las líneas de control 3 sigma (muestra 29 y 30) dan
la alarma de que el proceso esta fuera de control. Comportamientos poco
aleatorios de los puntos también indican situaciones de fuera de control. Si
queremos la razón de por qué la muestra 10,11, 12 y 13 indican situaciones
fuera de control, elegimos la opción Runs Test dentro de Tabular Options.

Obteniéndose el siguiente resultado:

 10

Runs Tests

Rules
-----
(A) runs above or below centerline of length 8 or greater.
(B) runs up or down of length 8 or greater.
(C) sets of at least 5 subgroups with at least 4 beyond 1,0 sigma.
(D) sets of at least 3 subgroups with at least 2 beyond 2,0 sigma.

Violations
----------
Observation p Chart
10 A
11 A
12 A
13 A
29 D
30 D

donde se indica la regla (rules) que se ha aplicado en cada uno de esos seis
puntos.

Si queremos modificar estas reglas, lo podemos hacer desde esa ventana de

resultados seleccionamos Pane Options, en el botón derecho del ratón.
Obtenemos entonces la siguiente ventana de opciones que nos permite
modificar los tests de aleatoriedad (o de rachas) como queramos

Podemos ver gráficamente el incumplimiento de estas reglas en los gráficos de

control, si graficamos no solo las líneas 3 sigma, sino también las 1 y 2 sigma.
Sobre el grafico, pulsamos Pane Options (botón derecho)
 11

Obteniendo los gráficos

5. Gráficos np
Produce gráficos de control basados en el número de artículos defectuosos.
Este análisis usa el número de defectuosos en la muestra, en lugar de la
proporción de defectuosos.

5.1. Introducción de datos:

Supongamos que fabricamos envases de cartón para el envasado de zumo de
naranja. Al inspeccionar un bote puede determinarse si al llenarlo goteará por
las juntas o no. Se desea estimar la capacidad del proceso.

Para ello se toman 25 muestras de tamaño 50. En el archivo de datos, la

variable DefEnvases, se ha recogido el número de envases defectuosos de
cada muestra.

Desde el menú principal se ha de seleccionar Special / Quality Control /

Attributes Control Chart / np-Chart.

Las opciones son básicamente iguales a las utilizadas para p chart.

 12

5.2 Resultado final

np - Initial Study for DefEnvases

Number of subgroups = 24
Subgroup size = 50,0
1 subgroups excluded

np Chart
--------
UCL: +3,0 sigma = 8,69709
Centerline = 3,375
LCL: -3,0 sigma = 0,0

0 beyond limits

Estimates
---------
Mean np = 3,375
Sigma = 1,77403

np = 3.375⎫
Como ⎬ ⇒ p = 0.0675
n = 50 ⎭

6. Gráficos C
Produce gráficos de control basados en el número de sucesos ocurridos en
cierto intervalo, como el número de defectos por unidad de medida, o el
número de clientes por unidad de tiempo.

6.1. Introducción de datos

En una fabricación de tarjetas de circuitos impresos se desea estimar el
número medio de defectos por tarjeta cuando el proceso esta bajo control
(capacidad del proceso). Para ello se observa el número de defectos de 12
tarjetas fabricadas en diferentes momentos. Los datos están en la variable
DefTarjetas del archivo de datos.

Desde el menú principal se ha de seleccionar Special / Quality Control /

Attributes Control Chart/ c-Chart.
 13

Las opciones son básicamente iguales a las utilizadas para p chart

6.2. Resultado
c - Initial Study for Def_tarjeta
c Chart for Def_tarjeta
15 Number of observations = 12
UCL = 13,21
12 CTR = 5,92 0 observations excluded
LCL = 0,00
9
c

6 c Chart
3
-------
UCL: +3,0 sigma = 13,2139
0
0 2 4 6 8 10 12 Centerline = 5,91667
Observation LCL: -3,0 sigma = 0,0

0 beyond limits

Estimates
---------
Mean c = 5,91667
Sigma = 2,43242

7. Gráficos U
Produce gráficos de control basados en el número de sucesos ocurridos por
unidad de medida, por ejemplo, número de defectos por metro de cable. Sin
embargo, a diferencia del grafico C, el tamaño de la muestra puede ser
variable.

7.1. Introducción de datos

Se fabrica cable de vidrio. Se desea estimar el número medio de defectos por
metro de cable (capacidad del proceso). Para ello se observan en diferentes
momentos el cable fabricado.
 14

En el archivo de datos puedes encontrar:

o MetrosCable. Contiene el número de metros de cable inspeccionado.
o DefCable, contiene el número los defectos encontrados.

Desde el menú principal se ha de seleccionar Special / Quality control /

Attributes control chart / c-chart.

Se introduce la media de defectos por metro:

Defectos totales / Metros inspeccionados

Se introduce la variable que contiene el nº de

metros inspeccionados

7.2. Resultado
u - Initial Study for DefCable/MetrosCable
u Chart for DefCable/MetrosCable
0,3
UCL = 0,24
0,25
Number of subgroups = 12
CTR = 0,09
0,2 LCL = 0,00
Average subgroup size = 37,5833
0 subgroups excluded
u

0,15
0,1
0,05
u Chart
0
0 2 4 6 8 10 12 -------
Subgroup UCL: +3,0 sigma = 0,242461
Centerline = 0,0931264
LCL: -3,0 sigma = 0,0

0 beyond limits

Estimates
---------
Mean u = 0,0931264
Sigma = 0,0497781