Está en la página 1de 11

GRÁFICA np NUMERO DE UIDADES DEFECTIVAS POR MUESTRA

Esta gráfica es el instrumento estadístico que se utiliza cuando se desea graficar precisamente las unidades disconformes, y no el porcentaje que éstas representan, siendo constante el tamaño de la muestra. Es necesario establecer la frecuencia para la toma de datos, teniendo en cuenta que los intervalos cortos permiten una rápida retroalimentación del proceso. Los principales objetivos de la gráfica np son: Conocer las causas que contribuyen al proceso Obtener el registro histórico de una o varias características de una operación con el proceso productivo Gráfico np para unidades defectuosas Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sería probarlo con una rosca calibrada. El resultado de este ensayo sólo tiene dos posibles resultados: Defectuoso - No Defectuoso (ó 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 número de defectuosos presentes en la muestra.

La variable aleatoria número de defectuosos es una variable aleatoria discreta, porque puede tomar un número finito de valores, o infinito numerable. Los gráficos np se utilizan para controlar el número de defectuosos en una muestra. Para controlar este proceso, un inspector se coloca al final de la línea de producción y cada hora retira una muestra de n=50 tornillos (por ejemplo), comprueba cada uno con la rosca y anota el número de defectuosos.

1 defectuoso . el promedio de la población es p y la varianza es n. la probabilidad de encontrar: 0 defectuosos .p. una cierta proporción p de estos serían defectuosos.. la probabilidad de tomar un tornillo y que sea defectuoso es p. Para construir los gráficos de control np. . y n el número de elementos en la muestra i. Si se tomara del proceso un sólo tornillo ¿Cuál es la probabilidad de que sea defectuoso? Imaginando la población de tornillos que podría fabricar el proceso trabajando siempre en las mismas condiciones. n defectuosos está dada por una distribución binomial con parámetros n y p. A partir de la tabla podemos calcular p como promedio de las fracciones de defectuosos en las muestras: . 2 defectuosos . la fracción de defectuosos es Di/n..(1-p). . cada una con n tornillos. Se cuenta en cada muestra el Número de Defectuosos y se registra. En una muestra de n tornillos. Entonces. en una primera etapa se toman N muestras (más de 20 ó 25) a intervalos regulares. Como sabemos. Se obtendría una Tabla como la siguiente: En cada muestra.Este resultado se anota en un gráfico hora por hora denominado gráfico np. siendo Di el número de elementos defectuosos en la muestra i.

Frecuentemente se utiliza solo el límite superior. Por ejemplo. En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que se están fabricando. Para las personas con poco entrenamiento estadístico. Estos podrían ser: . se fabrican teléfonos celulares y entonces se toma uno de ellos y se cuenta el número total de defectos. Si no hay puntos fuera de los límites de control y no se encuentran patrones no aleatorios. este gráfico suele ser más fácil de interpretar que el gráfico p. y luego la Desviación Standard s: Con esto podemos calcular los Límites de Control para el gráfico np: Construimos entonces un Gráfico np de prueba y representamos el número de defectuosos en las muestras.siendo N el número de muestras. se adoptan los límites calculados para controlar la producción futura.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos defectos en la unidad inspeccionada. Para controlar este proceso. verifica y anota el número total de defectos. si denominamos C al parámetro de la función de distribución. grietas en el plástico Antena defectuosa Botón defectuoso..     Rayas en la superficie. . Obtenemos un resultado que es el Número de Defectos por unidad de inspección. 1. Etc. retiramos una unidad a intervalos regulares y contamos el número total de defectos. . el promedio de la población es C y la varianza también es C.. 2. porque puede tomar los valores discretos 0. Este resultado se anota en un gráfico denominado gráfico C. un inspector se coloca al final de la línea de producción y cada cierto intervalo retira una unidad de inspección . A medida que el proceso genera las unidades (Teléfonos móviles).. Esta variable aleatoria tiene una distribución de Poisson: Los gráficos C se utilizan para controlar el número de defectos en una muestra del producto o unidad de inspección. De acuerdo a la Distribución de Poisson. En cada unidad podemos encontrar:? 0 defectos     1 defecto 2 defectos . n. n defectos Los resultados obtenidos al contar el Número de Defectos en unidades de inspección tomadas a intervalos regulares constituyen una variable aleatoria discreta..

etc. Supongamos que los defectos tienen lugar en esta unidad de inspección de acuerdo con la distribución de Poisson donde x es el número de defectos en la unidad de inspección y C es el parámetro . Existen en la práctica muchas situaciones en las que es preferible trabajar con el número de defectos que con el porcentaje o el número de unidades defectuosas. Si las desviaciones respecto de la situación ideal no son importantes. El número de oportunidades (puntos) para los defectos suele ser finito y la probabilidad de aparición de defectos puede no ser constante. sin embargo. Por ejemplo.5 6 10 unidades de producto. así como que la probabilidad de que el defecto aparezca en un determinado punto sea muy pequeña y constante. gráficos “c” para tamaño de muestra constante En el gráfico ‘c’ se representan el número de defectos existentes en cada unidad de inspección. el número de soldaduras defectuosas en un tubo de conducción de gas. Se pueden efectuar gráficos de control para el número total de defectos por unidad de producto o para el número de defectos en la muestra. Sin embargo. Es decir cada unidad de inspección debe representar siempre una probabilidad igual de que se produzcan los defectos. La unidad de inspección debe ser la misma en cada muestra. Estos gráficos de control se basan en la distribución de Poísson que exige un número de puntos donde potencialmente podría producirse el defecto infinitamente grande. Existen. puede usarse el modelo de Poisson. En la mayor parte de los casos.Una unidad defectuosa puede tener uno o más defectos. 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. casos en los que las desviaciones respecto de las condiciones del modelo son considerables y en los que la utilización de la distribución de Poisson es inadecuada. Puede ser un grupo de 1. estas condiciones no se satisfacen exactamente. la unidad de inspección será una unidad de producto aunque esto no es absolutamente necesario ya que la unidad de inspección constituye simplemente una porción de producción sobre la que es conveniente registrar el número de defectos encontrados. el número de defectos funcionales es un dispositivo electrónico. En la mayor parte de las situaciones prácticas.

de la distribución. Si somos capaces de eliminar las causas de unos pocos tipos de defectos. la cantidad promedio de defectos por licuadora será . habremos conseguido una drástica mejora en la calidad. O sustituirá al valor O en los límites arriba indicados. En consecuencia. en muchas ocasiones. los resultados están acordes con la distribución de PARETO y que un pequeño número de defectos es causa de la mayor parte de los problemas. si encontramos ni defectos en la unidad de inspección (5 licuadoras). Al analizar por conteo la frecuencia de cada tipo de defecto observamos que. gráfico “u” Supongamos que se está controlando el número de defectos en un proceso de ensamblado de licuadoras y se define una unidad de inspección de 5 licuadoras. El valor obtenido en la estimación. como ya hemos visto. Pero tal vez se desea controlar el promedio de defectos por cada licuadora (unidad de producción) en lugar del total de defectos para las 5 licuadoras (unidad de inspección): siendo ni la cantidad de Defectos por Unidad de Inspección y m el número de Unidades de Producción en la Unidad de Inspección. debe estimarse a partir de una muestra preliminar de unidades de inspección. Si no se conoce el parámetro c. Análisis de defectos Los datos sobre defectos aportan siempre mayor información que los relativos a unidades defectuosas ya que habitualmente existen diversos tipos de defectos. En nuestro ejemplo. Sabemos que la media y la varianza de la distribución de Poisson son ambas iguales a C. En este caso es posible trabajar con un gráfico C. los límites de control 3 sigma para el número de defectos serán: Hay que tener en cuenta que la probabilidad de producir una falsa alarma por situarse el punto por encima del límite de control superior es diferente que la de situarse por debajo del límite inferior (colas superior e inferior diferentes).

1/m. y la Desviación Standard: . y cuya distribución de probabilidades se puede calcular a partir de la Distribución de Poisson. Como en el caso de los gráficos C.. Luego se divide el Número de Defectos de cada unidad de inspección por m (Número de unidades de producción en cada unidad de inspección). m el Número de Unidades de Producción en la Unidad de Inspección y N el Número de Unidades de Inspección Con esto podemos calcular los Límites de Control para el gráfico U: .Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0. En nuestro ejemplo (m = 5) la Tabla quedaría así: Entonces. como promedio del Número de Defectos por licuadora. a partir de la tabla podemos calcular el parámetro U. siendo: ni la cantidad de Defectos por Unidad de Inspección. 2/m. en una primera etapa se toman N unidades de inspección (más de 25 ó 30) a intervalos regulares. Se cuenta en cada unidad de inspección el Número de Defectos y se registra.

la fracción defectuosa de un turno se calcula dividiendo el número de . nótese que por cada turno el número de defectos es mayor o igual que el número de defectuosos. ya que un artículo defectuoso puede tener uno o más defectos. Finalmente tenemos la columna de Fracción Defectuosa. En la columna producción tenemos el total de producto fabricado por turno. En la siguiente figura tenemos los datos de 24 muestras de producto producido por turno. La columna Producto Defectuoso nos indica el número de artículos defectuosos por turno.ejemplo: Veremos un ejemplo de este tipo de gráfico de control. la columna Número de Defectos nos indica el número de defectos encontrados en la producción de cada turno.

se calcula con la siguiente fórmula: . es decir. Figura 1 Como recordaremos de un post anterior.productos defectuosos por la producción de ese turno. los límites de control de un gráfico de fracción defectuosa con tamaño de muestra variable vienen dado por la siguiente fórmula: Figura 2 Mientras que la fracción defectuosa p barra. los valores de la columna D divididos por los valores de la columna C.

cuyos valores se muestran en la columna C de la Figura 1. tendremos límites de control de diferentes tamaños. los cuales son los artículos producidos en cada turno (tamaño de muestra). calculamos los límites de control con las fórmulas de la Figura 2. vemos que para calcular estos límites necesitamos el valor p barra.Figura 3 Ahora bien de las ecuaciones de la Figura 2. Es decir. Los valores se muestran en las columnas I. J y K de la siguiente figura. que es una estimación de la fracción defectuosa y ni. debido a que los tamaños de muestra son variables. que es el tamaño de muestra de cada turno. El valor de p barra es entonces: Entonces tenemos ya el valor de p barra y los valores de ni. Ya con esto. .

Con los valores de las cuatro columnas de la Figura 5. tenemos la fracción defectuosa de cada muestra o turno. se muestra como se puede hacer este gráfico de control similar. está se calcula para cada turno.Por otra parte. dividiendo el número de defectuosos del turno por el total de artículos producidos. el gráfico de control nos quedaría así: . en la columna H de la figura anterior. Reitero que en un post anterior que se encuentra aquí. Con los datos de la Figura 5. podemos construir el gráfico de control.

:.43.O3/00809:734 08/0..0303/.4708/0.//4854748./.O3/010.4:23.439.8:0390 1O72:.. ..2..  :7..86:0.9:4848547.948/010.70248 /0 :3 5489 .43974 /0 :3 7E1... 80.47/. :7.8:03901O72:..5-.N4/02:0897.O3/010.17. 424 70..-0.77.. .. 0397.9:48.7 48.574/:.574/:.4 /0 17.4:23.7.../4547..390747  48 J2908 /0 .4708/0.9:48.

O3/0.08  3943..7.:. .   ..43974 /0/107039089.N48 /0-/4.089. 47.7 903/70248J2908/0. 6:008:3..2480../0../0.N4 /0 2:0897.77.475-.47/05-.43.:7.:48 .80. ./48 03 .77.81O72:. 48.3  6:00809. 9:734 9.4:23...843.43974./.303.0892..4708 /0 3  48 .4308/0.4:23.-08  ...8:03901:7.430894 .9:48.17.6:0489..2.N4/02:0897.9:734 8/0.N48/02:0897.-03/0.4708802:0897.24848J2908/0 . 0 .708948J2908 30..7.303.02486:05.:.:7.....  48 ..:.:7..08 843 48 .8  /0.2.47 /0 5 -.79J.0803943../.O3/010.2..4708 80 2:0897.2.08 9030248 .8/0.77. :7.8.:.:48 574/:.  .

 5. .974 .0708907E1.4397482..9:48.. 1:7.8J   ..9:734 /.390747  9030248 .790  03 .4 /0 ..4:23..43974  #09074 6:0 03 :3 5489 .79J..:. :7.43897:7 0 7E1.9:4848/09:7345470949./48  43 48 .7J.O3 /010.   54/0248 ../. .  /0 ..4708 /0 .4/0.5.:0397./.:.!47 497.390747 6:0 80 03./0. 07E1..7  4348/.4/0.948/0.:48574/:.7.439743486:0/..2:0897.424805:0/0.8 /0 ./0. . 17./03/40 32074/0/010.4:23.:7.49:734 089E80..8 .6:J  80 2:0897.