UNIDAD IV Control Estradisticos Proceso

Unidad No.
4
Gráficas de Control por
Atributo
Santo Domingo
2012
Santo Domingo
2012
INFOTEP VIRTUAL
CONTROL ESTADISTICO DE PROCESOS, UNIDAD IV
CONTENIDO
GRAFICOS DE CONTROL POR ATRIBUTOS ................................................ 3

Introducción ..........................................................................................................3
Tests Para Causas Especiales ...............................................................................6
Gráfica de control Para Fracción No Conforme - P ....................................................7
Gráfica de control np ............................................................................................ 14
Tamaño De Muestra Variable ................................................................................ 14
Cartas De Control Para No Conformidades (Defectos) – c y u .................................. 18
Gráfico C ............................................................................................................. 18
Tamaño de muestra constante - CARTA c .......................................................... 19
Selección del tamaño de muestra ....................................................................... 23
Gráfica de control de defectos por unidad U ........................................................... 24
Gráfica U ............................................................................................................. 24
ANÁLISIS DE CAPACIDAD DEL PROCESO ................................................ 31
Introducción ........................................................................................................ 31
ÍNDICES DE CAPACIDAD ...................................................................................... 35
Índice de capacidad potencial Cp........................................................................ 35
Índice de capacidad real Cpk .............................................................................. 38
Capacidad del proceso con cartas de control ....................................................... 40
GLOSARIO ................................................................................................ 43
Page 2
INFOTEP VIRTUAL
GRAFICOS DE CONTROL POR ATRIBUTOS
Introducción
Los diagramas de control por atributos constituyen la herramienta esencial utilizada

para controlar características de calidad cualitativas, esto es, características no
cuantificables numéricamente. Muchas características de calidad no pueden ser
representadas numéricamente, denominándose atributos. En tales casos cada artículo
completo se clasifica como conforme o no conforme a especificaciones y/o estándares,
es decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Ejemplos de tales características no medibles son la fracción o porcentaje de unidades

defectuosas en la producción (P), el número de unidades defectuosas en la producción
(NP), el número de defectos por unidad producida (U), y el número de defectos de
todas las unidades producidas (C).
Al igual que en los gráficos de control por variables, el diagrama de atributos representa
un estadístico T del proceso (como puede ser el número de defectos) frente al número
de la muestra o al tiempo. Una línea central representa el valor medio o esperado del
estadístico, mientras que los límites de control suelen definir una zona de control que
abarca 3σT por encima y por debajo de la línea central. Estos límites son escogidos de
manera que si el proceso está bajo control, casi la totalidad de los puntos muéstrales se
halle entre ellos. Así, un punto que se encuentra fuera de los límites de control se
interpreta como una evidencia de que el proceso está fuera de control. Además, incluso
si todos los puntos se hallan comprendidos entre los límites de control, pero se
comportan de manera sistemática o no aleatoria, también tendríamos un proceso
fuera de control.
Page 3
INFOTEP VIRTUAL
Este tipo de gráficos se suele aplicar en situaciones en las que el proceso es una
operación de montaje complicada, y la calidad del producto se mide en términos de la
ocurrencia de disconformidades, del funcionamiento exitoso o fallido del producto, etc.
Los diagramas de control por atributos tienen la ventaja de que hacen posible
considerar varias características de calidad al mismo tiempo y clasificar los productos
como disconformes si no satisfacen las especificaciones de cualquiera de las
características.
Tenemos dos opciones a la hora de realizar un gráfico de control por atributos:
1. Podemos comparar un producto con un estándar y clasificarlo como defectuoso o

no (gráficos P y NP)
2. En el caso de productos complejos, la existencia de un defecto no
necesariamente conlleva a que el producto sea defectuoso. En tales casos, puede
resultar conveniente clasificar un producto según el número de defectos que
presenta (gráficos C y U).
Page 4
INFOTEP VIRTUAL
Es importante notar que los gráficos P, NP, y U permiten trabajar con muestras de
tamaños diferentes, mientras que los gráficos C están diseñados para muestras de igual
tamaño.
Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser reparado
o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la gráfica de control p de

fracción defectiva o la np para el número de defectivos o de no conformes. Se aplica a
productos simples (tornillos, lápices, botellas, etc.)
Cuando más bien se controla el número de defectos o no conformidades que se

observan en un producto, se utiliza la gráfica de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante. Se
aplica a productos complejos (coches, TV, cámaras de video, escritorios, refrigeradores,
etc.). Un defecto o no conformidad es una discrepancia respecto a los estándares
establecidos o a las especificaciones.
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden ser
corregidas con retrabajo o no se pueden corregir y ser desperdicio.
Page 5
INFOTEP VIRTUAL
Tests Para Causas Especiales
En cualquiera de los gráficos de control por atributos descritos, es posible realizar

cuatro tests para determinar la posible existencia de causas especiales que influyan
sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):
Cada uno de los tests detecta un determinado comportamiento no aleatorio en los

datos. Cuando alguno de los tests resulta positivo entonces hay indicios de que la
variabilidad de las observaciones se debe a causas especiales, las cuales deberán
investigarse.
Es importante notar que para realizar estos tests todas las muestras han de ser del
mismo tamaño.
Page 6
INFOTEP VIRTUAL
Gráfica de control Para Fracción No Conforme - P
Un gráfico P es un gráfico de control del porcentaje o fracción de unidades defectuosas

(cociente entre el número de artículos defectuosos en una población y el número total
de artículos de dicha población).
La fracción no conforme es la relación entre el número de artículos discrepantes entre

el total de artículos, se expresa como fracción decimal, aunque también se puede
expresar en porcentaje. El artículo puede tener varias características de calidad que son
examinadas por un inspector, si el artículo no está de acuerdo a los estándares, se le
considera como defectuoso o no conforme.
La fracción defectiva o no conforme en la muestra se define como la relación entre el

número de unidades no conformes D al tamaño de muestra n, o sea:
Di
pi 
ni
La distribución de este estadístico sigue la distribución binomial por tanto:
__
p
p(1  p)
 2p 
n
Del modelo general para la gráfica de control de Shewhart, si w es un estadístico que

mide una característica de calidad, con media w y varianza  w2 , los límites de control
son:
Page 7
INFOTEP VIRTUAL
LSC = w + Lw
LC = w
LIC = w - Lw
Donde L es la distancia de la línea central hasta los límites de control, es común usar L
= 3.
Por tanto los límites de control de la gráfica p considerando L = 3 son:
__ __
__
p(1  p )
LSCp = p  3
n
__
LCp = p
__ __
__
p(1  p )
LICp = p  3
n
Durante la operación, se toman muestras de n unidades, se calcula la fracción defectiva

pi y se grafica, mientras no se observe ningún patrón anormal y pi se localice dentro
de límites de control, se puede concluir que el proceso está en control, de otra forma,
se concluirá que la fracción no conforme se ha desplazado de su valor original y el
proceso se encuentra fuera de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos

observados en m muestras iniciales, cada una de tamaño n, por lo general se toman 20
a 25 de estas. Así si Di son unidades no conformes en la muestra i, la fracción defectiva
de la muestra i - ésima estará dada como:
Page 8
INFOTEP VIRTUAL
pi = Di / n i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
m m
 Di p i
p i 1
 i 1
mn m
El estadístico p estima la fracción desconocida p, y los límites preliminares de control
son:
p(1  p)
LSC p  p  3
n
LC p  p
p(1  p)
LIC p  p  3
n
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa asignable o
especial, deben tomarse medidas correctivas para prevenir su recurrencia, los puntos
correspondientes a la situación fuera de control se eliminan y se calculan de nuevo los
límites de control preliminares.
Ejemplo 4.1
Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona

cada caja y se inspecciona el sello para evitar fugas, se lleva una gráfica de control para
tomar acciones y mejorar el desempeño de la maquina selladora.
Page 9
INFOTEP VIRTUAL
Para establecer la gráfica de control, se toman 30 muestras de 50 piezas cada una en

intervalos de una hora.
Hora Defectos Hora Defectos
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Como en total se encontraron 347 cajas no conformes, se estima p como sigue:
m m
 Di p i
347
p i 1
 i 1
= = 0.2313
mn m (30)(50)
Page
10
INFOTEP VIRTUAL
Los límites de control son: p(1  p)

LSC p  p  3
n
LSCp = 0.4102
LC p  p
LCp = 0.2313
p(1  p)
LICp = 0.0524 LIC p  p  3
n
P Chart of Defectos
0.5 1
0.4 UCL=0.4102
0.3
Proportion
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 4.1 Gráfica de control p fuera de control
De la gráfica de control se observa que las muestras 15 y 23 están fuera de los límites
de control, de tal forma que el proceso está fuera de control.
Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el

cambio de un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde
a un operador sin experiencia asignado temporalmente a la máquina.
Page
11
INFOTEP VIRTUAL
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y

calculando nuevos límites preliminares con los puntos 15 y 23 eliminados, se tiene:
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
0.3
Proportion
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 4.2 Gráfica de control p fuera de control en un punto
En la gráfica de límites revisados, se observa que la muestra 20 excede el límite

superior de control, sin embargo no se encontró una causa asignable, por tanto se
retiene este punto para el cálculo de los límites preliminares. Tampoco se observan
patrones de anormalidad, la mayor racha o corrida tiene 5 puntos sobre la línea central,
lo cual no representa una situación fuera de control.
Page
12
INFOTEP VIRTUAL
De esta forma se concluye que el proceso está en control a una p = 0.2150 adoptando
los límites preliminares para control futuro.
P Chart of Defectos
0.4
UCL=0.3804
0.3
Proportion
_
0.2 P=0.2081
0.1
LCL=0.0359
0.0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.3 Gráfica de control p en control estadístico
Se observa que a pesar de que el proceso está en control, no se tienen presentes

problemas controlables por el operador, por tanto las causas de variabilidad son
comunes y su reducción depende sólo del control de la administración, una vez que
interviene e Ingeniería realiza una serie de ajustes a la máquina, se monitorea la
mejora.
Page
13
INFOTEP VIRTUAL
Gráfica de control np
El diagrama NP está basado en el número de unidades defectuosas. Este tipo de

gráficos permite tanto analizar el número de artículos defectuosos como la posible
existencia de causas especiales en el proceso productivo. Los principios estadísticos
que sirven de base al diagrama de control NP se basan en la distribución Binomial.
En lugar de tener fracciones no conformes, si el tamaño de muestra es constante, se

pueden utilizar directamente el número de artículos defectivos o no conformes np, para
evitarle operaciones aritméticas al operador, los parámetros de esta gráfica son:
LSCnp  np  3 np(1  p)
LCnp  np
LICnp  np  3 np(1  p)
Si no se conoce el valor de p, se puede estimar con la p .
El número de defectivos o no conformes es un entero, por tanto es más fácil de graficar

e interpretar por los operadores que llevan el C.E.P.
Tamaño De Muestra Variable
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de

los lotes producidos en un periodo de tiempo, por tanto la muestra será variable. Se
tiene varios métodos para llevar una gráfica de control:
Page
14
INFOTEP VIRTUAL
Método 1. Límites variables
Se calculan límites de control para cada muestra en base en la fracción defectiva

promedio p y su tamaño de muestra con p  3 p(1  p) / ni . La amplitud de los límites
es inversamente proporcional a la raíz cuadrada del tamaño de muestra.
Ejemplo 4.2,
Se tomaron datos del resultado de la inspección diaria, registrando la producción total y
los defectivos del día.
n-var nodef Fra-def LSC LIC Des-est
100 12 0.12 0.183686 0.007335 0.0293918
80 8 0.1 0.194093 -0.00307 0.0328611
80 6 0.075 0.194093 -0.00307 0.0328611
100 9 0.09 0.183686 0.007335 0.0293918
110 10 0.090909 0.179582 0.011438 0.028024
110 12 0.109091 0.179582 0.011438 0.028024
100 11 0.11 0.183686 0.007335 0.0293918
100 16 0.16 0.183686 0.007335 0.0293918
90 10 0.111111 0.188455 0.002565 0.0309817
90 6 0.066667 0.188455 0.002565 0.0309817
110 20 0.181818 0.179582 0.011438 0.028024
120 15 0.125 0.176003 0.015017 0.026831
120 9 0.075 0.176003 0.015017 0.026831
120 8 0.066667 0.176003 0.015017 0.026831
110 6 0.054545 0.179582 0.011438 0.028024
Page
15
INFOTEP VIRTUAL
n-var nodef Fra-def LSC LIC Des-est
80 8 0.1 0.194093 -0.00307 0.0328611
80 10 0.125 0.194093 -0.00307 0.0328611
80 7 0.0875 0.194093 -0.00307 0.0328611
90 5 0.055556 0.188455 0.002565 0.0309817
100 8 0.08 0.183686 0.007335 0.0293918
100 5 0.05 0.183686 0.007335 0.0293918
100 8 0.08 0.183686 0.007335 0.0293918
100 10 0.1 0.183686 0.007335 0.0293918
90 6 0.066667 0.188455 0.002565 0.0309817
La fracción defectiva media se calcula como sigue:

25
D i
234
p i 1
25
  0.096
n
2450
i
i 1
Y los límites de control se calculan como sigue:

(0.096)(0.904)
LSCp= p  3 p  0.096  3
ni
LC = 0.096
(0.096)(0.904)
LICp= p  3 p  0.096  3
ni
Page
16
INFOTEP VIRTUAL
NP Chart of nodef
1
20
UCL=16.94
15
Sample Count
10 __
NP=8.58
0 LCL=0.22
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Tests performed with unequal sample sizes
Figura 4.5 Gráfica de control np en control estadístico con límites de control variables
Se observa que la muestra 11 está fuera de control.
Cuando se toman límites de control variables, el análisis de patrones de anormalidad no

tiene sentido ya que la desviación estándar en cada muestra esta variando y no es
posible visualizar corridas o rachas.
Método 2. Tamaño de muestra promedio
En este caso, se toma el promedio de los tamaños de muestra para calcular los límites
de control aproximados, se asume que los tamaños de muestra no diferirán en forma
apreciable de los observados, aquí los límites de control son constantes. Si existen
grandes diferencias mayores al promedio más o menos 25%, este método no es
adecuado.
Page
17
INFOTEP VIRTUAL
n i
2450
n i 1
  98
m 25
Con límites de control basados en n  98 :
(0.096)(0.904)
LSCp= p  3 p  0.096  3  0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p  3 p  0.096  3  0.007
98
Otra vez de la gráfica se observa que el punto 11 está fuera de control.
Cartas De Control Para No Conformidades (Defectos) – c y u
Gráfico C
El diagrama C está basado en el número total de defectos (o no conformidades) en la

producción.
Una no conformidad o defecto es una característica específica que no cumple con la

especificación del producto. Las no conformidades pueden tener una gravedad diferente
desde menores hasta críticas. Se pueden desarrollar cartas de control para el número
total de no conformidades en una unidad o el número promedio de no conformidades
por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamaño

constante son modeladas bien por la distribución de Poisson, es decir implica que las
oportunidades o localizaciones potenciales para las no conformidades sea muy
Page
18
INFOTEP VIRTUAL
infinitamente grande y que la probabilidad de ocurrencia de una no conformidad en

cualquier localización sea pequeña y constante. Además cada unidad de inspección
debe representar una “área de oportunidad” idéntica para la ocurrencia de no
conformidades. Si estas condiciones no se cumplen, el modelo de Poisson no es
apropiado.
Tamaño de muestra constante - CARTA c
Una unidad de inspección es simplemente una entidad para la cual es conveniente

registrar el número de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades ocurren en
la unidad de inspección de acuerdo a la distribución de Poisson, o sea:
e c c x
p( x ) 
x!
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los límites de control para la carta de no
conformidades son:
LSCc = c + 3 c
LCc = c
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
Si no hay estándar definido c se estima con el promedio de no conformidades

observadas en una muestra preliminar inspeccionada, o sea con c , en este caso los
parámetros de la carta son:
LSCc = c + 3 c
LCc = c
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Page
19
INFOTEP VIRTUAL
Cuando no hay datos históricos, se calculan límites de control preliminares.
Ejemplo 4.3
Para el número de no conformidades observadas en 26 unidades de inspección
sucesivas de 100 muestras de circuitos impresos, se obtuvieron los datos siguientes:
No Conformidades 1
21 19
24 10
16 17
12 13
15 22
5 18
28 39
20 30
31 24
25 16
20 19
24 17
16 15
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
LIC = 6.48
Page
20
INFOTEP VIRTUAL
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y

el 20.
C Chart of NoConform
40 1
UCL=33.21
30
Sample Count
_
20 C=19.85
10
LCL=6.48
1
0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.6 Carta de control C fuera de control estadístico
Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los
circuitos impresos pero no tenía la suficiente experiencia, fue entrenado. El punto 20
fue causado por una falla en el control de temperatura de la soldadora de ola, lo cual
fue reparado. Por lo anterior se toman acciones para evitar recurrencia, se eliminan y
se recalculan los límites de control.
Page
21
INFOTEP VIRTUAL
C Chart of NoConform
35
UCL=32.97
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Figura 4.7 Carta de control C dentro de control estadístico
Como el proceso ya se encuentra en control estadístico, estos límites se tomarán como

base para el siguiente periodo, donde se tomaron 20 unidades de inspección
adicionales.
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Page
22
INFOTEP VIRTUAL
Se observa en la gráfica que no se tienen puntos fuera de control, sin embargo el

promedio de defectos es alto, requiere la acción de la administración.
C Chart of C4
35
UCL=32.98
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.8 Carta de control C dentro de control estadístico para otras 20 muestras – muy alta c
Puede ser necesario estratificar el problema identificando en qué modelo de circuito

impreso se presentan los defectos principalmente.
Selección del tamaño de muestra
Aumentando el tamaño de muestra se tiene más oportunidad de encontrar no

conformidades o defectos, sin embargo esto también depende de consideraciones
económicas y del proceso, si en lugar de tomar 1 unidad de inspección, se toman n
unidades de inspección, entonces los nuevos límites de control se pueden calcular por
los siguientes métodos:
Page
23
INFOTEP VIRTUAL
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el factor
n, quedando como sigue ( c es la media de las no conformidades observada en la
unidad de inspección anterior):
LSCnc  nc  3 nc
LCnc  nc
LICnc  nc  3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspección para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSCnc  nc  3 nc = (2.5)(19.67) + 3 (2.5)(19.67)  70.22
LCnc  nc = (2.5)(19.67) = 49.18
LICnc  nc  3 nc = (2.5)(19.67) - 3 (2.5)(19.67)  28.14
Gráfica de control de defectos por unidad U
Gráfica U
El diagrama U está basado en el número de defectos por unidad de inspección

producida.
Si se encuentra un total de c no conformidades en la muestra de n unidades de

inspección, entonces el promedio de no conformidades por unidad de inspección u es:
c
u
n
Como c es una variable aleatoria que sigue la distribución de Poisson, los parámetros de
la carta u de número de no conformidades o defectos por unidad son:
Page
24
INFOTEP VIRTUAL
u
LSCu  u  3
n
LCu  u
u
LSCu  u  3
n
Donde u representa el número promedio de no conformidades por unidad en un
conjunto de datos preliminar. Los límites anteriores se consideran límites preliminares.
Ejemplo 4.4 Para un fabricante de computadoras registrando los defectos en su línea

de ensamble final. La unidad de inspección es una computadora y se toman 5 unidades
de inspección a un tiempo.
No conformidades en cada 5 unidades – carta u

10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
Page
25
INFOTEP VIRTUAL
Se calculan los límites de control con:
__
Suma.de.no.conformidades
u
Suma.de.unidades .inspeccion adas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
U Chart of C6
4
UCL=3.794
3
Sample Count Per Unit
_
2 U=1.93
0 LCL=0.066
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.9 Carta de control de defectos por unidad U con tamaño de muestra constante en control
estadístico
Page
26
INFOTEP VIRTUAL
En la carta de control no se observa falta de control estadístico, por tanto los límites
preliminares se pueden utilizar en corridas futuras.
MUESTRA VARIABLE – CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la

inspección 100% de la producción o lotes de producto, por tanto las unidades de
inspección no son constantes. En esta carta se tiene una línea central constante y los
límites de control varían inversamente con la raíz cuadrada del tamaño de muestra n.
La línea central y los límites individuales de control se calculan como sigue:
u
LSCui  u  3
ni
LCu  u
u
LSCui  u  3
ni
Ejemplo 4.5 En una planta textil, se inspeccionan defectos por cada 50m2 los datos se
muestran a continuación.
Unidades No conformes
10 14
8 12
13 20
10 11
Page
27
INFOTEP VIRTUAL
Unidades No conformes
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
153
La línea central es u   1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspección
De la gráfica no se observan puntos fuera de control.
U Chart of No conform
3.0
2.5 UCL=2.436
Sample Count Per Unit
2.0
_
1.5
U=1.423
1.0
0.5
LCL=0.411
0.0
1 2 3 4 5 6 7 8 9 10
Sample
Tests performed with unequal sample sizes
Figura 4.10 Carta de control para defectos por unidad con tamaño de muestra variable
Page
28
INFOTEP VIRTUAL
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaños de muestra.

m
ni
n
i 1 m
2. Usando una de control estandarizada (opción preferida). Se grafica Zi con límites

de control en +3 y –3, línea central cero.
ui  u
Zi 
u
ni
Ejemplo 4.6 (Cont...) Estandarizando la carta se tiene:
Unidades NoConf SigmaU Ui-Uprom Zu
10 14 0.377261 -0.02325581 -0.06164
8 12 0.42179 0.07674419 0.181949
13 20 0.330879 0.11520572 0.34818
10 11 0.377261 -0.32325581 -0.85685
9.5 7 0.387061 -0.68641371 -1.7734
10 10 0.377261 -0.42325581 -1.12192
12 21 0.34439 0.32674419 0.948761
10.5 16 0.368169 0.10055371 0.273119
12 19 0.34439 0.16007752 0.464814
12.5 23 0.337432 0.41674419 1.235046
U prom 1.423256
Page
29
INFOTEP VIRTUAL
La carta de control estandarizada para U, se encuentra en control estadístico como se

muestra abajo.
I Chart of Zu
3 UCL=3
1
Individual Value
_
0 X=0
-1
-2
-3 LCL=-3
1 2 3 4 5 6 7 8 9 10
Observation
Figura 4.11 Carta de control U estandarizada
Page
30
INFOTEP VIRTUAL
ANÁLISIS DE CAPACIDAD DEL PROCESO
Introducción
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad y
a mejorar la capacidad de los procesos.
Teoría del camión y el túnel

El túnel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es perfecto
(variación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es mayor
que la especificación.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
el chofer puede mantener el centro del camión en el centro del túnel. De otra forma
chocará con las paredes del túnel y no pasará a pesar de ser más angosto.
Ancho 9´
Nigel´s Trucking Co.
Page
31
INFOTEP VIRTUAL
La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:
1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.

2. Apoyar a los diseñadores en la selección o modificación de un proceso.
3. Soportar la determinación de intervalos de muestreo para monitoreo del proceso.
4. Determinar el desempeño de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo de
procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad

de los procesos medida como la variabilidad del producto, hay dos formas de pensar en
esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantánea).

2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la población  como la dispersión en la distribución de la

característica de calidad del producto como medida de la capacidad del proceso.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI), se
encuentran en   3 , o sea:
LTNS =  + 3 
LTNI =  - 3 
Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la

variable, sólo el 0.27% (2700 ppm) de la salida del proceso se encontrará fuera de
estos límites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Page
32
INFOTEP VIRTUAL
.00135 LTNI  LTNS .00135
Localización de los límites de tolerancia natural
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y experimentos
diseñados.
LIE LSE
s _
xi
p X
Fig. Fracción defectiva fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.
En el área sombrada observamos medidas fuera de los límites de especificación.
Page
33
INFOTEP VIRTUAL
Para solucionar este problema, podemos reducir la desviación estándar.
También podríamos cambiar la media.
Lo ideal sería, por supuesto cambiar ambas.
Figura. Algunas alternativas para mejorar la capacidad
Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos:
 El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas

externas o cambios repentinos. Si el proceso está fuera de control la media y/o la
desviación estándar del proceso no son estables y, en consecuencia, su variabilidad
será mayor que la natural y la capacidad potencial estará infravalorada, en este caso
no es conveniente hacer un estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para minimizar el
error de muestreo para los índices de habilidad. Si los datos se componen de menos
de 100 valores, entonces deben calcularse los límites de confianza inferiores.
Page
34
INFOTEP VIRTUAL
 Los datos se recolectan durante un periodo suficientemente largo para asegurar que
las condiciones del proceso presentes durante el estudio sean representativos de las
condiciones actuales y futuras.
 El parámetro analizado en el estudio sigue una distribución de probabilidad normal,
de otra manera, los porcentajes de los productos asociados con los índices de
capacidad son incorrectos.
ÍNDICES DE CAPACIDAD
Índice de capacidad potencial Cp
El índice de capacidad potencial Cp = PCR compara la amplitud de variación permitida

por las especificaciones entre la amplitud de variación entre los límites de tolerancia
naturales del proceso.
LSE  LIE
Cp  PCR 
6
Ejemplo 4.7
Para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de
R
la gráfica R se estimó    0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE – LIE) / 6

= (74.05 – 73.95) / 6 (0.0099) = 1.68
La función P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por

el proceso.
Page
35
INFOTEP VIRTUAL
 1 
P   100
 Cp 
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Cuando sólo existe un límite de especificaciones, el índice de capacidad potencial Cp o

PCR se define como:
LSE  
Cps  PCR S  para el límite superior
3
  LIE
Cpi  PCR I  para el límite inferior
3
Ejemplo 4.8
Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
264  200 64
Cp  PCR I    0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:
LIE   200  264

ZI    2
 32
P(x <= ZI) = 0.0228 o 2.28% por debajo del límite inferior de especificaciones
Page
36
INFOTEP VIRTUAL
Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes por
millón (ppm) que están fuera de especificaciones se muestran a continuación:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.5 66,807 133,614
0.6 35,931 71,861
0.7 17,865 35,729
0.8 8,198 16,395
1 1,350 2,700
1.1 484 967
1.2 159 318
1.3 48 96
1.4 14 27
1.5 4 7
1.6 1 2
1.7 0.17 0.34
2 0.0009 0.0018
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67 para
procesos críticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en
su programa 6-sigma.
Este índice no toma en cuenta la localización relativa de la media del proceso respecto a
los límites de especificaciones. Por lo que es necesario otro índice adicional.
Page
37
INFOTEP VIRTUAL
Índice de capacidad real Cpk
Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones,
en este caso se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s
correspondientes a cada lado de la media, como sigue,
Cpk  PCRk  min( PCRS , PCR I ) debe ser mayor a 1
donde,
LSE  
Cps  PCR S  para el límite superior
3
  LIE
Cpi  PCR I  para el límite inferior
3
Ejemplo 4.9
Para un proceso donde los límites de especificación sean LSE=62, LIE=38, la media del
proceso sea =53 y su desviación estándar =2, se tiene:
62  53
Cps  PCR S   1.5 para el límite superior
32
53  38
Cpi  PCR I   2.5 para el límite inferior
32
Por tanto, el índice de capacidad real es:

Cpk  PCRk  min( PCRS , PCRI )  min(1.5,2.5)  1.5
Note que el PCR a considerar corresponde al límite de especificación más cercano a la

media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no está centrado
Page
38
INFOTEP VIRTUAL
NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposición que el proceso tiene un

comportamiento normal, si no es así, puede ser necesario transformar los datos con
alguna función matemática para dar la apariencia de normalidad, por ejemplo la
distribución siguiente de acabado superficial en una parte maquinada no es normal:
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribución transformada es la siguiente:
Frec.
b)
Y=1/x
Figura. Transformación de datos para normalizarlos
Lo cual representa una distribución normal.
Page
39
INFOTEP VIRTUAL
Capacidad del proceso con cartas de control
La gráfica de control es un mejor instrumento para evaluar la capacidad del proceso

porque se puede observar que el proceso esté en control ya sea en forma instantánea o
durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso está en control, no existen causas asignables
que puedan ser corregidas, y la única alternativa para reducir la variabilidad es con la
intervención de la administración.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La
distribución será “predecible” en el tiempo.
Predicción
Tiempo
Comportamiento de un proceso dentro de control
Page
40
INFOTEP VIRTUAL
Calculo de la desviación estándar del proceso
R S
 ó   (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
El factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan los índices
de desempeño Pp y Ppk.
S = Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la gráfica de control X - R
C4 = Ídem al anterior para una gráfica X - S
En una gráfica por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos /
(n -1)
Ejemplo 4.10
(Gráfica X - R)
De una gráfica de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después
de que el proceso se estabilizó quedando sólo con causas comunes: x = 64.06 , R =

77.3
Por tanto estimando los parámetros del proceso se tiene:
  x media de medias 
R 77.3
   33.23
d 2 2.326
Si el límite de especificación es: LIE = 200.
Page
41
INFOTEP VIRTUAL
El C pk 
200  264.06 = 0.64 por tanto el proceso no cumple con las especificaciones.
3  33.23
Ejemplo 4.11
(Gráfica X - S)
De una gráfica de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después

de que el proceso se estabilizó quedando sólo con causas comunes:
x  100, s  1.05
Por tanto estimando los parámetros del proceso se tiene:
  x  100
s 1.05
 =  1.117
C4 .094
C4 para n = 5 tiene el valor 0.94
Si el límite de especificación es: LIE = 85 y el LSE = 105.
El C pk 
105  100  1.492
3  1.117
El C p 
105  85  2.984
6  1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
Page
42
INFOTEP VIRTUAL
GLOSARIO
 Proceso: Éste se refiere a alguna combinación única de máquinas,

herramientas, métodos, materiales y personas involucradas en la producción.
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeño probado, para lograr resultados que se puedan medir.
 Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los límites de especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se
cuantifica a partir de datos que, a su vez, son el resultado de la medición del
trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que resulta de
un proceso que se encuentra en estado de control estadístico, es decir, en
ausencia de causas especiales o atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo actúan las
causas comunes de variación en las características de calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal óptimo que
es el que desearíamos que tuvieran todas las unidades fabricadas pero que no se
obtiene, aunque todo funcione correctamente, debido a la existencia de la
variabilidad natural.
Page
43

UNIDAD IV Control Estradisticos Proceso

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

UNIDAD IV Control Estradisticos Proceso

Cargado por

Copyright:

Formatos disponibles

Unidad No.

GRAFICOS DE CONTROL POR ATRIBUTOS ................................................ 3

GRAFICOS DE CONTROL POR ATRIBUTOS

Los diagramas de control por atributos constituyen la herramienta esencial utilizada

Ejemplos de tales características no medibles son la fracción o porcentaje de unidades

Tenemos dos opciones a la hora de realizar un gráfico de control por atributos:

1. Podemos comparar un producto con un estándar y clasificarlo como defectuoso o

Para controlar productos defectivos o no conformes, se utiliza la gráfica de control p de

Cuando más bien se controla el número de defectos o no conformidades que se

Tests Para Causas Especiales

En cualquiera de los gráficos de control por atributos descritos, es posible realizar

Cada uno de los tests detecta un determinado comportamiento no aleatorio en los

Gráfica de control Para Fracción No Conforme - P

Un gráfico P es un gráfico de control del porcentaje o fracción de unidades defectuosas

La fracción no conforme es la relación entre el número de artículos discrepantes entre

La fracción defectiva o no conforme en la muestra se define como la relación entre el

La distribución de este estadístico sigue la distribución binomial por tanto:

Del modelo general para la gráfica de control de Shewhart, si w es un estadístico que

Por tanto los límites de control de la gráfica p considerando L = 3 son:

Durante la operación, se toman muestras de n unidades, se calcula la fracción defectiva

Cuando la fracción defectiva del proceso es desconocida, se estima de los datos

y el promedio de las fracciones individuales no conformes cuando p es desconocida es:

El estadístico p estima la fracción desconocida p, y los límites preliminares de control

Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona

Para establecer la gráfica de control, se toman 30 muestras de 50 piezas cada una en

Hora Defectos Hora Defectos

Como en total se encontraron 347 cajas no conformes, se estima p como sigue:

Los límites de control son: p(1  p)

Figura 4.1 Gráfica de control p fuera de control

Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el

Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y

Figura 4.2 Gráfica de control p fuera de control en un punto

En la gráfica de límites revisados, se observa que la muestra 20 excede el límite

Figura 4.3 Gráfica de control p en control estadístico

Se observa que a pesar de que el proceso está en control, no se tienen presentes

El diagrama NP está basado en el número de unidades defectuosas. Este tipo de

En lugar de tener fracciones no conformes, si el tamaño de muestra es constante, se

Si no se conoce el valor de p, se puede estimar con la p .

El número de defectivos o no conformes es un entero, por tanto es más fácil de graficar

Tamaño De Muestra Variable

En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de

Método 1. Límites variables

Se calculan límites de control para cada muestra en base en la fracción defectiva

es inversamente proporcional a la raíz cuadrada del tamaño de muestra.

100 12 0.12 0.183686 0.007335 0.0293918

80 8 0.1 0.194093 -0.00307 0.0328611

80 6 0.075 0.194093 -0.00307 0.0328611

100 9 0.09 0.183686 0.007335 0.0293918

110 10 0.090909 0.179582 0.011438 0.028024

110 12 0.109091 0.179582 0.011438 0.028024

100 11 0.11 0.183686 0.007335 0.0293918

100 16 0.16 0.183686 0.007335 0.0293918

90 10 0.111111 0.188455 0.002565 0.0309817

90 6 0.066667 0.188455 0.002565 0.0309817

110 20 0.181818 0.179582 0.011438 0.028024

120 15 0.125 0.176003 0.015017 0.026831

120 9 0.075 0.176003 0.015017 0.026831

120 8 0.066667 0.176003 0.015017 0.026831

110 6 0.054545 0.179582 0.011438 0.028024

n-var nodef Fra-def LSC LIC Des-est

80 8 0.1 0.194093 -0.00307 0.0328611

80 10 0.125 0.194093 -0.00307 0.0328611

80 7 0.0875 0.194093 -0.00307 0.0328611