INGENIERIA Y CONTROL DE LA CALIDAD

CONTROL ESTADISTICO DEL PROCESO

GRAFICAS DE CONTROL PARA ATRIBUTOS

César A. Acosta-Mejía
 GRAFICAS DE CONTROL PARA ATRIBUTOS

Atributo: característica de calidad que el bien o servicio posee o no.

Ejemplos:
1. El Color de la carrocería de un automovil
2. El acabado superficial de una lámina

Un producto defectuoso puede tener uno o más defectos

 GRAFICOS DE CONTROL PARA ATRIBUTOS
CLASIFICACION

Gráficos de control para unidades defectuosas

• La gráfica p fracción defectuosa

• La gráfica np número de unidades defectuosas

Gráficos de control para defectos

• La gráfica c número de defectos.

• La gráfica u número de defectos por unidad.
 GRAFICOS DE CONTROL PARA ATRIBUTOS
CLASIFICACION

Gráficos de control para unidades defectuosas muestras de:

• La gráfica p fracción defectuosa

• La gráfica np número de unidades defectuosas (tamaño constante)

Gráficos de control para defectos

• La gráfica c número de defectos. (tamaño constante)

• La gráfica u número de defectos por unidad.
 GRAFICA DE CONTROL p

• Sea xi el número de unidades defectuosas observadas en muestras de

tamaño ni .
• Sea pi la fracción defectuosa de la muestra i (de tamaño ni)

pi = Número de defectuosos xi
Número de Artículos ni

• Se grafica los valores de pi y se verifica que

se encuentren entre los límites de control
no se observan patrones sistemáticos
• En caso de haber puntos fuera de control, los límites se recalculan
 GRAFICA DE CONTROL p

Si el proceso está estable con fracción defectuosa constante p; y si las

observaciones se pueden considerar independientes entonces:

X : # de defectuosos en una muestra de tamaño n  Binomial (n,p)

La distribución binomial se aproxima por la distribución normal si np > 5

X  Normal (  = np,  =  np(1-p) )

y los límites de control son: E [X/n]  3 DS [X/n]

p  3  p(1-p)/ n
 GRAFICA DE CONTROL p

• Esta gráfica controla si el parámetro p de la distribución binomial

permanece constante

• En un solo gráfico se puede controlar una, varias, o todas las

características de calidad del producto
 GRAFICA DE CONTROL p
Cálculo de los límites de control

Los Límites de control son: p±3 p (1  p )

(binomial  normal) n

m
Si p no se conoce, se le estima
a partir de m muestras previas, con
x
p m

n
 GRAFICA DE CONTROL p
Cálculo de los límites de control

Los Límites de control son: p±3 p (1  p )

(binomial  normal) n

m
Si p no se conoce, se le estima
a partir de m muestras previas, con
x
p m

n
Note que si n varía
los límites de control no seran constantes p±3 p(1  p)
ni
 GRAFICA DE CONTROL p
los datos siguen una distribución binomial

Estadístico (x/n)

Límite Superior de Control (LSC)

Línea Central

Límite Inferior de Control (LIC)

muestra
X es una v. a. binomial(n, p)
 GRAFICA DE CONTROL p
los datos siguen una distribución binomial

El proceso está estable o en control (estadístico) si la distribución binomial se

mantiene constante en el tiempo

X/n

tiempo

La distribucion binomial permanece constante si p no cambia

 GRAFICA DE CONTROL p
Selección del tamaño de muestra n

• La binomial se aproxima por la distribución normal si np > 5

por tanto n > 5 / p
 GRAFICA DE CONTROL p
Selección del tamaño de muestra n

• La binomial se aproxima por la distribución normal si np > 5

por tanto n > 5 / p
• Si se desea asegurar un LIC entonces p - 3  p(1-p)/ n > 0
por tanto n > 9 (1-p) / p
 GRAFICA DE CONTROL p
Selección del tamaño de muestra n

• La binomial se aproxima por la distribución normal si np > 5

por tanto n > 5 / p
• Si se desea asegurar un LIC entonces p - 3  p(1-p)/ n > 0
por tanto n > 9 (1-p) / p
• Si el proceso tiene fracción p0 y se desea detectar que la fracción ha
cambiado a p1 con un 50% de probabilidad entonces
x/n
LSC p1
p0 p0
 GRAFICA DE CONTROL p
Selección del tamaño de muestra n

• La binomial se aproxima por la distribución normal si np > 5

por tanto n > 5 / p
• Si se desea asegurar un LIC entonces p - 3  p(1-p)/ n > 0
por tanto n > 9 (1-p) / p
• Si el proceso tiene fracción p0 y se desea detectar que la fracción ha
cambiado a p1 con un 50% de probabilidad entonces
LSC = p1
p0 + 3  p0 (1-p0 )/ n = p1 p1
n = 3  p0 (1-p0 ) / (p1 - p0)
n = 9 p0 (1-p0 ) / (p1 - p0)2
 GRAFICA DE CONTROL p
Selección del tamaño de muestra n

• La binomial se aproxima por la distribución normal si np > 5

por tanto n > 5 / p
• Si se desea asegurar un LIC entonces p - 3  p(1-p)/ n > 0
por tanto n > 9 (1-p) / p
• Si el proceso tiene fracción p0 y se desea detectar que la fracción ha
cambiado a p1 con un 50% de probabilidad entonces
LSC  p1
p0 + 3  p0 (1-p0 )/ n  p1
n  3  p0 (1-p0 ) / (p1 - p0)
n  9 p0 (1-p0 ) / (p1 - p0)2
 GRAFICA DE CONTROL p
Ejemplo 1

La compañía ABC fabrica cortadoras de césped. La producción diaria es de

aproximadamente 200 cortadoras. Se ha decidido seleccionar cada día 40 cortadoras al
azar de la línea de proceso para realizar la prueba de calidad. La prueba consiste en
realizar dos ensayos tirando el cordón para ver si el motor arranca. El ingeniero de
producción desea realizar un diagrama p para esta prueba crítica de funcionamiento.
Los datos de mes de marzo con 22 días laborables se muestran en la tabla anexa.

a) Construya la gráfica p e identifique si el proceso está bajo control

b) Estime la fracción defectuosa del proceso suponiendo que se eliminan las causas
especiales de variabilidad

c) Cuántas cortadoras se requieren probar cada día ?

 Día Numero de artículos Fracción
defectuosos (x)
defectuosa (x/n) GRAFICA DE CONTROL p
1 2 2/40 = 0.050 Ejemplo 1
2 3 0.075
3 1 0.025
4 4 0.1
5 3 0.075
6 2 0.05

7 1 0.025
8 1 0.025
9 0 0
10 3 0.075
11 2 0.05
12 4 0.1
13 7 0.175
14 2 0.05
15 3 0.075
16 3 0.075
17 2 0.05
18 8 0.2
19 0 0
20 1 0.025
21 3 0.075
22 2 0.05
TOTAL 57
a) m = 22 número de muestras
n = 40 tamaño de cada muestra

x j
57
p
j 1
M   0.06477
n
j 1
j
22 (40)

0.06477 1  0.06477
LSC  0.06477  3  0.1816
40
LC  0.06477
LIC  0
 GRAFICA DE CONTROL p
Stat > Control Charts > P

P Chart

1
0.2
UCL=0.1815
Proportion

0.1

P=0.06477

0.0 LCL=0

0 10 20
Sample Number
b) El punto p18 cae fuera de los límites de control y el punto p13 está muy próximo. Al
determinar la causa que produjo su comportamiento se les elimina y se recalculan p y
los límites de control (para usarlos durante abril):

Día (i) Numero de artículos Fracción no

no conformantes en el grupo conformante
1 2 2/40 = 0.050
2 3 0.075
3 1 0.025
4 4 0.100
5 3 0.075
6 2 0.050
7 1 0.025
8 1 0.025
9 0 0.000
10 3 0.075
11 2 0.050
12 4 0.100
13 7 0.175
14 2 0.050
15 3 0.075
16 3 0.075
17 2 0.050
18 8 0.200
19 0 0
20 1 0.025
21 3 0.075
22 2 0.050
57
b) El punto p18 cae fuera de los límites de control y el punto p13 está muy próximo. Al
determinar la causa que produjo su comportamiento se les elimina y se recalculan p y
los límites de control (para usarlos durante abril):

pest = 42 = 0.0525
20(40)

0.0525 1  0.0525
LSC  0.0525  3  0.1583
40
LC  0.0525
LIC  0
 GRAFICA DE CONTROL p
P Chart > Estimate > Omit… > 13 18

P Chart con límites revisados

1
0.2
1

UCL=0.1583
Proportion

0.1

P=0.0525

0.0 LCL=0

0 10 20
Sample Number
 GRAFICA DE CONTROL p
Ejemplo 1

c) Para el próximo mes se utilizarán estos límites revisados para que conforme se
tomen las muestras de cortadoras inmediatamente se verifique si el proceso
permanece en control o no.

Las muestras deberán ser de tamaño n  (5 / 0.0525) = 95.24 para que los
límites sean válidos
 GRAFICA DE CONTROL p
Ejemplo 1

d) Suponga que la fracción defectuosa real del proceso aumenta a 0.11. Cuál es la
probabilidad de que la gráfica lo detecte en la siguiente muestra ?
 GRAFICA DE CONTROL p
Ejemplo 1

d) Suponga que la fracción defectuosa real del proceso aumenta a 0.11. Cuál es la
probabilidad de que la gráfica lo detecte en la siguiente muestra ?

Sea X  BIN (n = 40, p = 0.11)

P [x / n > LSC] = P [x / n > 0.1583]

= P [ x > 40 (0.1583)]

= P [ x > 6.332]

= 1 - 0.8555

= 0.145
 GRAFICA DE CONTROL p

ANALISIS DE PATRONES
El proceso es dado como
fuera de control si se viola
alguna de cuatro reglas:

Test 2 debe decir

“ Eight points in a row ”
 GRAFICA DE CONTROL p

ANALISIS DE PATRONES
El proceso es dado como
fuera de control si se viola
alguna de cuatro reglas:

Test 2 debe decir

“ Eight points in a row ”

(si el tamaño de las muestras es

variable, los límites de control
no son constantes y entonces
solo aplica la regla Test 1)
 GRAFICA DE CONTROL p
Ejemplo 2 – muestra variable
Rechazos Muestra
20 98
El ingeniero de calidad de una empresa toma muestras de 18 104

14 97
la producción diaria con el objeto de elaborar una gráfica
16 99

p. 13 97
29 102

La tabla anexa muestra los rechazos encontrados y la 21 104

14 101

cantidad de piezas revisadas cada día. Si la fracción 6 55

6 48
defectuosa de cierto día excede los límites de control el 7 50
7 53
ingeniero debe inspeccionar al 100% el lote producido. 9 56
5 49
a) Determine los límites de control y contruya la gráfica 8 56
9 53
b) Determine los límites de control futuros, suponiendo 9 52
10 51
que se identifican las causas especiales de los puntos fuera
9 52

de control. 10 47

240 1424
 GRAFICA DE CONTROL p
Ejemplo 2

a) Límites de control

p = xi = 240 = 0.16854

ni 1424

LSCi = 0.168 + 3(0.168)(1-0.168)/ni

LICi = 0.168 - 3(0.168)(1-0.168)/ni

 GRAFICA DE CONTROL p
Ejemplo 2

a) Límites de control

p = xi = 240 = 0.16854

ni 1424

LSCi = 0.168 + 3(0.168)(1-0.168)/ni

LICi = 0.168 - 3(0.168)(1-0.168)/ni

En este caso los límites de control son variables dependiendo del

tamaño ni de la muestra
 GRAFICA DE CONTROL p
Ejemplo 2

P Chart for C1

UCL=0.3324
0.3
Proportion

0.2
P=0.1685

0.1

0.0 LCL=0.004728

0 10 20
Sample Number
 GRAFICA DE CONTROL p
Ejemplo 2
Rechazos Muestra
20 98
18 104
b) Límites de control (después de eliminar punto p6) 14 97
16 99
13 97
pest = xi = 240 - 29 = 0.1596 29 102
ni 1424 - 102 21 104
14 101
6 55
6 48
LSC = 0.1596 + 3(0.1596)(1-0.1596)/ni 7 50
7 53
9 56
LSC = 0.1596 - 3(0.1596)(1-0.1596)/ni 5 49
8 56
9 53
9 52
10 51
9 52
10 47
 GRÁFICA DE CONTROL np

• Se grafica el número de unidades defectuosas en la muestra

• Es más fácilmente interpretado por el personal al no requerir de

cálculos

• Si el tamaño de muestra es constante, las gráficas p y np muestran el

mismo comportamiento pero a diferente escala
 GRÁFICA DE CONTROL np

• La gráfica se basa en la aproximación normal a la binomial

• Si X : # de defectuosos en la muestra de tamaño n es

una Variable Binomial (n,p)
entonces X ~ Normal ( np,np (1-p) ) aproximadamente si np 5

• Los límites de control son:

E[X]  3 D.S. [X]
np  3  np (1-p)

• Si el tamaño de muestra es variable, entonces los límites de control así

como la línea central varían de muestra a muestra
 GRÁFICA DE CONTROL np

• Si el tamaño de muestra no es constante la gráfica p tiene limites de

control variables
LSCi = p + 3p (1-p)/ni

LICi = p - 3p (1-p)/ ni

 GRÁFICA DE CONTROL np

• Si el tamaño de muestra no es constante la gráfica p tiene limites de

control variables
LSCi = p + 3p (1-p)/ni

LICi = p - 3p (1-p)/ ni

• Si el tamaño de muestra no es constante en la gráfica np, los límites de

control así como la línea central varían de muestra a muestra

LSCi = ni p  3  ni p (1-p)

LICi = ni p - 3  ni p (1-p)
 GRAFICA DE CONTROL np
Ejemplo 3 – muestra variable
Rechazos Muestra
20 98
El ingeniero de calidad de una empresa toma muestras de 18 104

14 97
la producción diaria con el objeto de elaborar una gráfica
16 99

np. 13 97
29 102

La tabla anexa muestra los rechazos encontrados y la 21 104

14 101

cantidad de piezas revisadas cada día. Si el número de 6 55

6 48
rechazos de cierto día excede los límites de control el 7 50
7 53
ingeniero debe inspeccionar al 100% el lote producido. 9 56
5 49
a) Determine los límites de control y contruya la gráfica 8 56
9 53
b) Determine los límites de control futuros, suponiendo 9 52
10 51
que se identifican las causas especiales de puntos fuera de
9 52

control. 10 47

240 1424
 GRAFICA DE CONTROL np
Ejemplo 3

a) Límites de control

p = xi = 240 = 0.16854

ni 1424

LSCi = 0.168ni + 3 ni (0.168)(1-0.168)

LCi = 0.168ni

LICi = 0.168ni - 3 ni (0.168)(1-0.168)

 GRAFICA DE CONTROL np
Ejemplo 3

a) Límites de control

p = xi = 240 = 0.16854

ni 1424

LSCi = 0.168ni + 3 ni (0.168)(1-0.168)

LCi = 0.168ni

LICi = 0.168ni - 3 ni (0.168)(1-0.168)

 GRAFICA DE CONTROL np
Ejemplo 3

30
Sample Count

20

UCL=15.62

10
NP=7.921

0 LCL=0.2222

0 10 20
Sample Number
 GRAFICA DE CONTROL p
Ejemplo 2

P Chart

UCL=0.3313
0.3
Proportion

0.2
P=0.1678

0.1

0.0 LCL=0.004279

0 10 20
Sample Number
 GRAFICA DE CONTROL p
Ejemplo 2

NP Chart P Chart

30 UCL=0.3313
0.3
Sample Count

20

Proportion
0.2
UCL=15.62 P=0.1678

10 0.1
NP=7.921

0.0 LCL=0.004279
0 LCL=0.2222

0 10 20
0 10 20
Sample Number
Sample Number
 GRAFICAS DE CONTROL PARA ATRIBUTOS
Inconvenientes

• Pueden no tener Límite Inferior de Control

• A medida que se mejora el proceso (p disminuye)

se requiere incrementar el tamaño de los subgrupos (n>5/p)

• Tienen desempeño sesgado

(no son muy sensibles para detectar mejoras en p )

• La práctica de identificar patrones sistemáticos ó no aleatorios debe

modificarse ya que la distribución binomial es muy sesgada si p es
pequeño
 GRAFICAS DE CONTROL PARA ATRIBUTOS

• Se utilizan con muestras grandes (a veces cientos ó miles)

Por ejemplo, si p = 0.01 se requieren muestras de tamaño n > 500

• El Costo / unidad de revisar un atributo es menor que el de medir una

característica variable

• Son útiles como medida del desempeño de un taller, departamento,

empresa, etc.

• Generalmente el desempeño mejora después de introducir una gráfica

para atributos pues la gráfica es una representación visual contínua del
desempeño
 OBJETIVOS DE LAS GRAFICAS DE ATRIBUTOS

• Estimar la fracción defectuosa de producto terminado

• Estimar el Costo estándar de retrabajo (Costos de Calidad)

• Determinar la eficacia de un programa de entrenamiento o de

mantenimiento

• Sugerir dónde utilizar gráficas de control para variables y / o las

gráficas c ó u .