Captulo 5

Control de procesos por atributos

1. Introduccin 2. Grco P 3. Grco NP 4. Grco C 5. Grco U Apndice: Curva Caracterstica de Operaciones

1 Apuntes realzados por el Profesor Ismael Snchez para la asignatura: Mtodos Estadsticos para la Mejora de la Calidad, de la titulacin de Ingeniera de Telecomunicaciones. Universidad Carlos III de Madrid

Control de procesos por atributos

5.1.

Introduccin

En el captulo anterior se estudi la construccin de grcos de control para analizar la evolucin de una variable cuantitativa continua que fuese el resultado de una medicin: longitud, peso, tiempo, etc. relacionada con la calidad. Sin embargo, a veces no se desea controlar el valor de una magnitud medible sino simplemente si el producto es adecuado o no lo es; o, en general, si se posee o no cierto atributo. Ejemplos de este tipo de variables son abundantes en telecomunicaciones. Algunos ejemplos son: Nmero de llamadas en un intervalo de tiempo. Proporcin de fallos en cada milln de llamadas. Nmero de averas en un cable de bra ptica al mes. Este tipo de medicin, a travs de presencia o ausencia de atributos, tiene ciertas ventajas sobre el control por variables del tema anterior: Suele ser ms sencillo y rpido. Por tanto, es ms econmico. Por ejemplo, es ms rpido comprobar si una pieza pasa por cierto calibre que medir su longitud exacta Permite resumir las caractersticas de varias variables. Un artculo o servicio puede ser defectuoso o no dependiendo de un conjunto de variables y no de una sola. No se controla una caracterstica medible sino la ausencia o presencia de un atributo (rechazo/no rechazo). La informacin de si el artculo es o no defectuoso contiene, implcitamente, la informacin de la capacidad del proceso (variabilidad del proceso productivo bajo control) y las tolerancias La monitorizacin de un proceso a travs de este tipo de mediciones de denomina control por atributos. Existen varios grcos que permiten monitorizar la evolucin de este tipo de informacin. En unos se observa la evolucin de la proporcin de artculos defectuosos en sucesivas muestras de tamao n (cada elemento observado es/no es defectuoso, o tiene/no tiene cierto atributo; por ejemplo, una llamada es o no es fallida), mientras que en otros se observa la evolucin del nmero de defectos que aparecen en cada unidad de medida (cada unidad de medida puede tener ms de un defecto o ms de un atributo, por ejemplo, en cada minuto se puede recibir ms de una llamada).

5.2.

Grco P

En este grco se muestra la evolucin de la proporcin de individuos que tienen cierto atributo. Por ejemplo, la proporcin de artculos defectuosos, la proporcin de llamadas telefnicas que quedaron bloqueadas, la proporcin de clientes que presentan una reclamacin, etc. Llamaremos p a esta proporcin. Veamos primeramente el contexto estadstico en el que nos encontramos. Supongamos un proceso que opera de manera estable (bajo control) y cuyo resultado es un artculo o un servicio. Supongamos que en ese estado la probabilidad de que un artculo sea defectuoso sea p. Supongamos que en un instante ti analizamos un tamao muestral ni (nmero de piezas producidas o nmero de clientes a los que se ha prestado el servicio), el nmero de artculos (o servicios) defectuosos ser

5.2 Grco P

di , que ser una variable aleatoria al depender de los elementos ni concretos que hayan cado en nuestras manos en ese instante. Por tanto, la proporcin de artculos defectuosos de cada muestra, que denotaremos por p i = di /ni ser una variable aleatoria. Por tanto, aunque el proceso est bajo control, tendremos en general que p i 6= p. El valor p es un valor poblacional, mientras que p i es slo una estimacin de p obteniada con ni observaciones. El objetivo del grco P ser comprobar si la evolucin de los valores p i observados son compatibles con un mismo valor poblacional p, y por tanto la diferencia entre el valor observado p i y el poblacoinal p se debe slo al azar de la muestra (variabilidad muestral). Supongamos, adems, que en esta situacin de estabilidad el proceso evoluciona de manera independiente; es decir, la probabilidad de que se produzca un artculo o servicio defectuoso es independiente de si el anterior artculo o servicio fue o no defectuoso. Esta suposicin tambin puede interpretarse como ausencia de memoria. El proceso no recuerda si el ltimo artculo producido fue o no fue defectuoso. Bajo estos supuestos de estabilidad e independencia, la probabilidad de que cada artculo sea defectuoso es siempre la misma e igual a p. Cada artculo producido puede entonces asociarse a una variable aleatoria de Bernoulli que tome valor xi = 1 si el artculo es defectuoso (P (xi = 1) = p)) o xi = 0 si es aceptable (P (xi = 0) = 1 p). Por tanto, el nmero de unidades defectuosas di de un total de ni unidades es una variable aleatoria Binomial con funcin de probabilidad ni r P (di = r) = p (1 p)ni r ; r = 0, 1, 2, ..., ni . r La media y varianza sern (ver Apndice del Captulo 5): E (di ) = pni , Var(di ) = ni p(1 p). Como puede verse, ambos parmetros, media y varianza, dependen slo de p, por lo que para analizar la evolucin del nmero de artculos defectuosos no es necesario construir un grco de control para la media y otro diferente para la variabilidad, como ocurra en el control por variables, sino que con un grco de control del parmetro p es suciente. El grco se realiza tomando muestras de tamao ni (no tienen por qu ser todas de igual tamao) y contando el nmero de artculos defectuosos di . Nuestro inters est en la evolucin de la proporcin de artculos defectuoso, es decir, di nmero de defectuosos en la muestra i-sima p i = = . ni tamao muestral de la muestra i-sima El nmero de artculos defectuosos di puede escribirse como la suma de las variables Bernoulli xi de cada artculo, que tendrn valor 1 0. Entonces, la proporcin de artculos defectuosos en un total de ni unidades puede escribirse como di 1 + 0 + 1 + 0 + 0 + = ni ni x1 + x2 + + xni = = x ni y es, por tanto, una media muestral de variables de Bernoulli independientes entre si. Es fcil, entonces, deducir las siguientes propiedades: p i = E ( pi ) = p, Var( pi ) = p(1 p) ; ni

Control de procesos por atributos

y, si ni es sucientemente grande, podremos aplicar el Teorema Central del Lmite y utilizar que, aproximadamente, p(1 p) p i N p, . ni El grco de control P sirve para ver la evolucin de este estadstico p i a medida que se van recogiendo muestras consecutivas de tamao ni . Supondremos que el tamao muestral ni es sucientemnete grande como para utilizar la aproximacin a la normal. Como en grcos anteriores, el grco P tiene los siguientes elementos p Lmite de Control Superior = E ( pi ) + 3 Var( pi ) Lnea Central = E ( pi ) p Lmite de Control Inferior = E ( pi ) 3 Var( pi )

tomndose como lmite inferior el cero si resultase un valor negativo. Si la proporcin de unidades defectuosas p es conocida, el grco de control ser s p(1 p) Lmite de Control Superior = p + 3 ni Lnea Central = p s (5.1) p(1 p) ni

Lmite de Control Inferior = p 3

Puede verse que los lmites de control no son, en general, dos lneas rectas, sino que variarn con el tamao muestral ni . Esta variacin es necesaria para asegurar que en cada momento existe una probabilidad del 99.7 % de estar entre los lmites si el proceso est bajo control. En el caso de p conocido, los pasos a seguir para la construccin del grco son: 1. Tomar muestras de tamao muestral ni . El tamao muestral se decide segn las caractersticas de cada caso. El tamao muestral debe ser elevado, tanto para que la aproximacin a la normal sea buena, como para dar oportunidad a que aparezcan piezas defectuosas. De esta forma, el 99,7 % de los valores estarn dentro de los lmites de control cuando el proceso est en estado de control. Las muestras suelen tomarse a intervalos regulares de tiempo, aunque el tamao muestral no necesita ser el mismo. 2. Dibujar el grco con las especicaciones mostradas en (5.1). 3. Calcular la proporcin de artculos defectuosos en cada muestra: p i = nmero de defectuosos . ni

4. Colocar los valores p i ordenados en el tiempo en el grco e interpretarlo. Ejemplo 1:

5.2 Grco P

M uestra : 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 T otal :

N o de diodos insp eccionados

Diodos defectuosos

126 118 122 129 124 136 119 127 114 127 119 115 110 103 108 116 119 118 107 113 2370

8 10 10 9 10 10 9 9 20 11 12 5 11 6 10 4 7 8 10 13 192

p i 0,063 0,085 0,082 0,070 0,081 0,074 0,076 0,071 0,175 0,087 0,101 0,043 0,100 0,058 0,093 0,034 0,059 0,068 0,093 0,115

Cuadro 5.1: Datos ejemplo 1 Los diodos para un circuito impreso son producidos de forma continua en cierto proceso industrial. Un operario va tomando aleatoriamente diodos de la cadena de produccin y va comprobando si son defectuosos o aceptables. Como la cadena no tiene un ritmo de produccin constante (sigue un ritmo de produccin denominado just in time, donde el ritmo de la cadena se va determinando segn el nivel de stock nal e intermedio), el ritmo de inspeccin no es tampoco constante. El operario, por tanto, no toma siempre la misma cantidad de diodos para realizar la inspeccin. La Tabla 5.1 muestra el tamao de las muestras recogidas y el nmero de diodos que resultaron defectuosos.

Se sabe por la informacin histrica del proceso, que si slo actan causas no asignables (azar), se espera que el 8 % de los diodos sean defectuosos. Se quiere construir un grco de control para la proporcin de diodos defectuosos. El grco se muestra en la gura 5.1. En dicho grco puede verse cmo los lmites de control, aunque estn usando el mismo valor p = 0,08 tienen distinto ancho, debido a que las muestras son de distinto tamao. Existe un punto fuera de control que habr que investigar. Algunas aplicaciones informticas permiten realizar un grco con lmites de control que son lneas rectas. Para ello utilizan como tamao muestral en las frmulas (5.1) el promedio de los tamaos muestrales; es decir, usan, en lugar de ni Pk ni n = i=1 . k Cuando no hay un valor de p conocido es necesario estimarlo con unas muestras iniciales. Estas muestras deben estar recogidas cuando el proceso se encuentra en estado de control. Los pasos a seguir para la construccin del grco en este caso son: 1. Tomar k muestras (al menos 20) de tamao muestral ni (i = 1, ..., k ).

Control de procesos por atributos

Prop. de diodos defectuosos

0,18 0,15 0,12 0,09 0,06 0,03 0 0 2 4 6 8 10 12 14 16 18 20 L. Central=0.08

Muestra
Figura 5.1: Grco P para la proporcin de diodos defectuosos con p conocido: p = 0,08.

2. Calcular la proporcin de artculos defectuosos en cada muestra p i = nmero de defectuosos . ni

3. Calcular una estimacin del valor poblacional p a travs de la proporcin total de defectuosos: Pk i=1 di p = Pk . i=1 ni

Este valor de p constituir la lnea central del grco de control. Si durante este periodo de recogida de informacin el proceso ha estado bajo control, este estimador ser un buen estimador de p. Este estimador es mejor que el promedio de los diferentes valores de p i , es decir, Pk p i p = i=1 , k pues en este promedio no estamos teniendo en cuenta que cada muestra tiene tamao muestral distinto y, por tanto, precisin distinta. 4. Calcular los lmites de control de manera que si el proceso est bajo control, y basndonos en la normalidad, slo 3 de cada mil muestras estn fuera de los lmites. Esto es equivalente, utilizando las propiedades de la distribucin normal, a poner los lmites en tres desviaciones

5.2 Grco P

tpicas. Por tanto, el grco de control tiene las caractersticas siguientes: s p (1 p ) Lmite de Control Superior = p + 3 ni Lnea Central = p s (5.2) p (1 p ) ni

Lmite de Control Inferior = p 3

5. Dibujar el grco con la lnea central y los lmites de control y colocar los valores p i ordenados en el tiempo. Si algn valor estuviese fuera de los lmites habra que rechazar dicha muestra y repetir el proceso con las restantes. Se ha de recalcular entonjces p con las muestras restantes. Una vez que se tiene un grco con todos los valores dentro de los lmites pueden considerarse stos vlidos y puede utilizarse el valor estimado p para posteriores muestras.

Ejemplo 1 (continuacin): Con los datos del ejemplo 1 y sin utilizar el valor de p = 0,08, se obtendra un valor estimado de 192 = 0,081 (5.3) 2370 p (1 p )/ni = 0,081 0,819/ ni (se usa el lmite inferior 0 si resulta Los lmites sern p 3 p un nmero negativo). La gura 5.2 muestra el nuevo grco de control p =

En este grco se vuelve a apreciar que hay un punto fuera de control. Por tanto la estimacin de p hecha en 5.3 no es adecuada. Si eliminamos la muestra 9 del anlisis y rehacemos el grco se tiene la nueva estimacin: 192 20 p = = 0,076, 2370 114 p y los nuevos lmites sern p 3 p (1 p )/ni = 0,076 0,795/ ni . La gura 5.3 muestra el nuevo grco. En esta ocasin todos los puntos se encuentran dentro de los lmites, por lo que la estimacin de p puede utilizarse para controlar el proceso en posteriores muestras.

Al no ser los lmites constantes se ha de tener cuidado para interpretar tendencias y rachas en estos grcos. Un procedimiento para simplicar la interpretacin de las grcos P es el uso de valores estandarizados. En este caso los valores representados en el grco son zi = r p i p , p(1 p) ni

donde p es utilizado en lugar de p si este valor no es conocido. Con estos datos se tiene que E (zi ) = 0 Var(zi ) = 1

Control de procesos por atributos

Prop. de diodos defectuosos

0,18 0,15 0,12 0,09 0,06 0,03 0 0 4 8 12 16 20 L. Central=0.08

Muestra
Figura 5.2: Grco P para el porcentaje de diodos defectuosos. El valor de p est estimado con los datos.

Prop. de diodos defectuosos

0,18 0,15 0,12 0,09 0,06 0,03 0 0 4 8 12 16 20 L. Central=0.07

Muestra
Figura 5.3: Grco P para el porcentaje de diodos defectuosos. La muestra 9 ha sido eliminada (aparece con el smbolo X).

5.3 Grco NP

Prop. de diodos defect (estandarizado)

5 3 1 -1 -3 0 4 8 12 16 20

Muestra
Figura 5.4: Grco P estandarizado para el porcentaje de diodos defectuosos. La muestra 9 ha sido eliminada (aparece con el smbolo X). y por tanto el grco estandarizado tendr las siguientes caractersticas Lmite de Control Superior = 3 Lnea Central = 0 Lmite de Control Inferior = 3 La gura 5.4 muestra el grco estandarizado correspondiente al ejemplo 1 con p estimado. (5.4)

Como puede observarse, la construccin del grco se resume a la obtencin de una buena estimacin de p. A partir de entonces, y una vez jada la estrategia de muestreo (tamaos muestrales, frecuencia, criterios para determinar que una pieza es defectuosa), lo que hay que hacer para controlar estadsticamente el proceso es: 1. Tomar una muestra de tamao ni 2. Calcular los LCS y LCI con ese valor ni y colocarlos en el grco 3. Contar el nmero de piezas defectuosas di y calcular la proporcin sobre el total de la muestra p i . 4. Colocar este valor p i en el grco y vericar si el proceso est bajo control

5.3.

Grco NP

Se aplica al mismo tipo de procesos que en el caso anterior. La diferencia est en que, en lugar de monitorizar la proporcin de artculos defectuosos en una muestra, se monitoriza el nmero

10

Control de procesos por atributos

de artculos defectuosos. En general, es til si: (a) el nmero es ms relevante que la proporcin, (b) el tamao muestral es constante. Aunque matemticamente sera posible construir un grco N P con tamao muestral variable, su interpretacin sera complicada, por lo que supondremos que se utilizan muestras de tamao constante ni = n, i = 1, 2, ... Llamemos di al nmero de artculos defectuosos en una muestra de tamao n. El grco de control ser: p Lmite de Control Superior = E (di ) + 3 Var(di ) Lnea Central = E (di ) p Lmite de Control Inferior = E (di ) 3 Var(di )

Sea p la proporcin total de defectuosos que produce el proceso. Entonces di sigue una distribucin binomial de media np y varianza np(1 p). Si n es grande ( y np(1 p) > 5), dicha distribucin puede aproximarse a la normal (ver apndice del Captulo 5). Por tanto, para n elevado, aproximadamente, di = np i N (np, np(1 p)) . Por tanto el grco de control N P ser: p Lmite de Control Superior = np + 3 np(1 p) Lnea Central = np p Lmite de Control Inferior = np 3 np(1 p)

y si la aproximacin a al normal es buena, contendr al 99.7 % de los datos si el proceso est bajo control. De nuevo, si el lmite de control resultase negativo se usara al valor cero. Para construir el grco de control es necesario estimar p, salvo que se conozca ya su valor. Al igual que en el caso anterior, tanto el nivel medio como la variabilidad dependen slo del parmetro p, por lo que un solo graco ser suciente para controlar el proceso. Para construir el grco se siguen los siguientes pasos: 1. Se toman k muestras de tamao n. El nmero de muestras k debe ser elevado (ms de 20). tambin el tamao muestral n debe ser grande (mayor de 50) y han de tomarse consecutivamente y a intervalos iguales 2. Contar el nmero de artculos defectuosos en cada muestra di 3. Contar el nmero total de defectuosos d1 +d2 + +dk y hallar el nmero medio de defectuosos por muestra: Pk Pk di di d = np p = i=1 = i=1 = d . nk k n ser un buen estimador de np, media del proceso, si el proceso ha estado bajo Este valor d = np control durante esta etapa de recogida de informacin. Este valor medio d ser la lnea central del grco de control.

5.4 Grco C

11

5. Se dibuja el grco trazando la lnea central en np y los lmites de control. Los lmites de control sern ahora constantes, al ser constante el tamao muestral n. 6. Colocar los valores di de forma secuencial. Si alguno se encuentra fuera de los lmites de control habr que eliminarlo y volver a reconstruir el grco con las muestras restantes. La capacidad se sigue deniendo de la misma manera que en los grcos P, es decir (1-p). Por tanto la estimacin de la capacidad es Estimacin de la capacidad=(1 p ),

4. Se calculan los lmites de control a tres desviaciones tpica, obtenindose: p Lmite de Control Superior = np + 3 np (1 p ) Lnea Central = np p Lmite de Control Inferior = np 3 np (1 p )

Ejemplo 2: Se desea construir un grco de control N P para controlar un proceso que fabrica un chip que se insertar en una tarjeta de telefona. Se tienen 25 muestras, cada una formada por 50 chips. El nmero de chips defectuosos en cada una de las muestras se muestra en la Tabla 5.2. El grco de control que resulta se encuentra en la gura 5.5. En l puede apreciarse que hay una observacin fuera de control por lo que habr que eliminarla antes de considerar que la estimacin de p es denitiva y pueda ser utilizada para analizar posteriores muestras. En este grco el LCI es cero, pues el valor que se obtiene aplicando la frmula correspondiente es negativo: LCI=-1.87.

5.4.

Grco C

A veces, el inters no reside en el nmero de artculos defectuosos sino en el nmero de defectos en un artculo o unidad de medida o, en general, el nmero de sucesos o atributos observados por unidad de medida. Por ejemplo, en una pelcula fotogrca interesa controlar el nmero de defectos por centmetro cuadrado. En un cable de bra ptica interesa el nmero de defectos por metro o kilmetro, o el nmero de averas detectadas por kilmetro una vez enterrado. En una centralita interesar controlar el nmero de llamadas por hora o minuto. En un puesto de atencin a clientes, interesa el nmero de clientes que llegan por unidad de tiempo. La diferencia respecto al caso de control del nmero de artculos con cierto atributo es el soporte en el que se observan los sucesos. Mientras que antes el soporte es discreto: muestra de n elementos, ahora el soporte es contnuo: tiempo, longitud, supercie. Este tipo de control tiene inters cuando:

12

Control de procesos por atributos

M uestra :

Tamao de la muestra

Nmero de articulos defectuosos

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 T otal :

50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 1250

3
5 5 1 10 4 2 5 6 4 1 0 4 6 2 2 3 4 2 5 4 5 2 4 2

p i 0.06 0.10 0.10 0.02 0.20 0.08 0.04 0.10 0.12 0.08 0.02 0.00 0.08 0.12 0.04 0.04 0.06 0.08 0.04 0.10 0.08 0.10 0.04 0.08 0.04

91

Cuadro 5.2: Datos ejemplo 2

Nmero de chips defectuosos

10 8 LCS=9.15 L. Central=3.64 LCI=0.00

np

6 4 2 0 0 5 10 15 20 25

Muestra
Figura 5.5: Grco NP para el nmero de chips defectuosos en 25 lotes de 50 chips cada uno.

5.4 Grco C

13

Las disconformidades aparecen de forma contnua (burbujas en vidrio, defectos en una placa, araazos en plsticos, cortes en cables, llegada de clientes a un puesto de servicio...) Los defectos pueden encontrarse por simple inspeccin a pesar de ser debidas a causas muy diversas Este tipo de control es muy frecuente cuando el proceso es un servicio. Por ejemplo, interesa controlar el nmero de clientes atendido por unidad de tiempo, nmero de quejas por da, nmero de llamadas recibidas en cierto servicio telefnico, nmero de llamadas bloqueadas en un da, nmero de llamadas atendidas por una centralita en una unidad de tiempo, nmero de fallos diarios en un equipo de intercomunicacin, nmero de altas diarias en un servicio, etc. Esta variable que se quiere controlar puede denirse como: nmero de sucesos en un intervalo de longitud ja. Si el proceso es estable y los sucesos ocurren de forma independiente (la llegada de un cliente a un servicio no depende de cuntos clientes han solicitado ese servicio en esa unidad de tiempo, la rotura de un cable en un punto dado es independiente de si el cable se ha roto en otro punto) entonces el nmero de sucesos en un intervalo de longitud ja seguir una distribucin de Poisson (ver apndice del Captulo 5). La hiptesis de independencia puede tambin interpretarse como ausencia de memoria: el proceso no recuerda cuntos sucesos se registraron en la unidad de tiempo anterior. Si x es una variable con distribucin de Poisson de parmetro , el valor medio de dicha distribucin es tambin . Por ejemplo, ser el nmero medio de defectos por cm2 en una placa metlica, o nmero medio de clientes por da. La varianza de esta distribucin es tambin . Una propiedad interesante de la distribucin de Poisson es la de aditividad; es decir, si el nmero de sucesos en un intervalo es una distribucin de Poisson de parmetro , el nmero de sucesos en n intervalos es una Poisson de parmetro n. Si es elevado ( > 5), la distribucin de Poisson se aproxima bastante a la normal. Por tanto, utilizando la mencionada propiedad de aditividad tenemos que si tomamos una unidad de medida sucientemente grande, podremos utilizar la distribucin normal como referencia. Entonces, el nmero de defectos D por unidad de medida (o no-conformidades) ser, si la unidad de medida es sucientemente grande, D N (, ). (5.5)

De nuevo, conociendo un parmetro, , se tiene control sobre la media y la variabilidad del proceso. Bastar, entonces, con un solo grco de control. Sea Di el nmero de sucesos observado en un intervalo de longitud ja. Un grco de control para controlar la evolucin de esta variable ser: p Lmite de Control Superior = E (Di ) + 3 Var(Di ) Lnea Central = E (Di ) p Lmite de Control Inferior = E (Di ) 3 Var(Di ) y, aplicando (5.5) se tiene que Lmite de Control Superior = + 3 Lnea Central = Lmite de Control Inferior = 3

14

Control de procesos por atributos

Hectmetro Nmero de defectos

1 5

2 2

3 7

4 12

5 10

6 3

7 6

8 4

9 3

10 7

11 2

12 10

Cuadro 5.3: Datos ejemplo 3 Si el LCI resultase negativo se usara el valor cero. Si no fuese conocido habra que estimarlo con un conjunto de datos preliminares, procedentes del proceso en estado de control. En este caso, el grco se construira de la siguiente forma: 1. Seleccionar la unidad de medida, de manera que en tal unidad se detecten por trmino medio al menos cinco ocurrencias (averas, defectos, clientes,...), para que la aproximacin a la normal sea buena. De esta forma los lmites de control tendran al 99.7 % de las observaciones en estado de control. 2. Tomar k muestras (al menos 20) a intervalos regulares de tiempo y contar el nmero de ocurrencias en cada muestra Di 3. Estimar con el nmero medio de ocurrencias observadas Pk Di = i=1 . k ser un buen estimador de Si el proceso ha estado bajo control durante esta etapa, el valor =nmero medio de ocurrencias. Este valor se usar entonces como lnea central del grco 4. Calcular los lmites de control a tres desviaciones tpicas. El grco resultante ser: p +3 Lmite de Control Superior = Lnea Central = p 3 Lmite de Control Inferior = Si el lmite inferior es negativo se sustituye por el valor cero.

(5.6)

5. Dibujar el grco y colocar los valores Di de forma secuencial. Si alguno est fuera de control se elimina y se recalcula el grco. por La capacidad del proceso se dene por : nmero medio de defectos y se estima con . tanto Estimacin de la capacidad= Ejemplo 3: Un fabricante de cable de bra ptica desea controlar la calidad del cable mediante un grco de control C. Para ello toma como unidad de medida los 100 metros e inspecciona el nmero de defectos que encuentra: microsuras, araazos externos, poros, etc. La inspeccin est altamente automatizada, inspeccionndose el 100 % del cable. La tabla 5.3 muestra el resultado de 12 unidades (1200 metros).

5.5 Grco U

15

Nmero de defectos en un hectmetro

15 12 9 LCS=13.21 L. Central=5.92 LCI=0.00

c
6 3 0 0 2 4 6 8 10 12

Hectmetro
Figura 5.6: Grco C para el nmero de defectos de un hectmetro de cable. El nmero medio de defectos es = 71 = 5,92 12 que ser la lnea central del grco. Como esta media es superior a 5 tendremos que la aproximacin a la normal ser buena, y el grco basado en (5.6) es correcto. El lmite de control superior es p = 13,21 +3 LCS= y el inferior por tanto se usar p 3 = 1,38 LCS= LCI = 0. La gura 5.6 muestra el grco de control donde estn representadas las observaciones de la Tabla.5.3.

5.5.

Grco U

El grco U se utiliza cuando no es posible tener siempre la misma unidad de medida para contar el nmero de defectos (o no-conformidades, o clientes, etc...). Entonces, se controla el nmero medio de defectos por unidad de medida. Por ejemplo: Los elementos a analizar pueden contener un nmero variable de unidades: por ejemplo dos rollos de pelcula fotogrca no tendrn exctamente la misma longitud, diferentes lminas de vidrio tendrn distinta supercie.

16

Control de procesos por atributos

Es difcil tomar mediciones a intervalos iguales de tiempo: el inspector puede estar dedicado a varias tareas, por lo que es necesario un esquema de muestreo ms exible. Llamaremos ci al nmero de defectos (u ocurrencias de cierto suceso) en la muestra i-sima y ni al nmero de unidades de medida analizadas (nmero de metros del cable, nmero de unidades de tiempo, nmero de cm2 de supercie analizada...). El nmero de defectos por unidad de medida ser ci nmero de defectos en ni unidades = ui = (5.7) ni nmero de unidades de la muestra La variable ci es una variable Poisson de parmetro i = ni , donde es el nmero medio de sucesos por unidad. Por tanto: E (ci ) = i = ni , Var(ci ) = i = ni . Esta variable ui es, entonces, un promedio de variables tipo Poisson, donde los sucesos se observan en intervalos de longitud distinta. Si el valor de ni es sucientemente grande, la variable aleatoria ui ser, por el Teorema Central del Lmite, aproximadamente normal. El grco de control de la variable ui ser: p Lmite de Control Superior = E (ui ) + 3 Var(ui ) Lnea Central = E (ui ) p Lmite de Control Inferior = E (ui ) 3 Var(ui )

y si la aproximacin a al normal es buena, contendr al 99.7 % de las observaciones. De (5.7) se obtiene que E (ci ) ni = = . ni ni Var(ci ) ni Var(ui ) = = 2 = . 2 ni ni ni E (ui ) =

El grco de control ser, entonces, Lmite de Control Superior = + 3 Lnea Central = r ni ni

Lmite de Control Inferior = 3

Si la media es desconocida se puede estimar con valores preliminares de ui . La media de la distribucin del nmero medio de defectos se estimar con Pk nmero total de defectos i=1 ci u = . = Pk nmero total de unidades i=1 ni

5.5 Grco U

17

Entonces

Y el grco de control U ser:

d (ui ) = u Var . ni

r u Lmite de Control Superior = u +3 ni Lnea Central = u r u Lmite de Control Inferior = u 3 ni El LCI ser cero si la frmula anterior diese un valor negativo. En resumen, el grco se construir de la siguiente manera: 1. Se toman k muestras de tamaos ni , i=1,...,k y se cuenta el nmero de defectos ci de cada muestra y el nmero medio por unidad de medida de cada muestra ui = ci /ni . 2. Se calcula la media del nmero medio de defectos por unidad de medida u . Si el proceso ha estado bajo control, este estimador u ser un buen estimador de y ser la lnea central del grco. 3. Se calculan los lmites de control a tres desviaciones tpicas de la lnea central r u LCS = u +3 , ni r u . LCI = u 3 ni

Estos lmites varan con el tamao muestral. Al igual que ocurra con los grco P, dado que los lmites de control no son constantes, la interpretacin de rachas y tendencias se ha de hacer con cautela. Una posible opcin sera representar el grco normalizado; es decir, representar los valores ui u , zi = r u ni en un grco donde la lnea central es cero y los lmites LCS=3 y LCI=-3. La capacidad del proceso se dene como u , por tanto Estimacin de la capacidad=u . Ejemplo 4: Un operario inspecciona la calidad de unos circuitos impresos (araazos, bandas incorrectas, grosor no uniforme, etc.). Los circuitos que inspecciona son muy diversos. Segn el tipo de circuito se apunta su supercie y el nmero de defectos. Tras inspeccionar 12 placas obtiene los datos de la Tabla 5.4.

18

Control de procesos por atributos

2 Sup er cie (cm ) nmero de defectos

50 4

50 3

34 4

38 4

54 4

22 3

22 5

25 3

50 4

34 2

34 2

38 4

Cuadro 5.4: Datos ejemplo 4

Nmero medio de defectos por unidad de sup.

0,3 0,25 0,2 0,15 0,1 0,05 0 0 2 4 6 8 10 12

Placa
Figura 5.7: Grco U para el nmero medio (por cm2 ) de defectos en placas de circuitos impresos.

El nmero total de defectos es 42 y la supercie total 451. Por tanto u = 42 = 0,093 451

Los lmites de control dependen de cada placa, al tener supercies distintas. La gura 5.7 muestra el grco de control donde se representan los valores de ui ( u1 = 4/50, ..., u12 = 4/38) del nmero de defectos por cm 2 . La gura 5.8 muestra el grco de control estandarizado. En ambos grcos se observa que el proceso est en estado de control.

Apndice: Curva Caracterstica de Operaciones

La curva caracterstica de operaciones o curva OC (del ingls Operating-Characteristic curve) es una funcin que proporciona, para un grco de control dado, la probabilidad de aceptar incorrectamente la hiptesis de estado de control. Es decir: Curva OC=Probabilidad de NO detectar un estado fuera de control.

5.5 Grco U

19

Nmero medio de defectos por unidad de sup.

3 2 1 0 -1 -2 -3 0 2 4 6 8 10 12

Placa
Figura 5.8: Grco U para el nmero medio (por cm2 ) de defectos en placas de circuitos impresos. Grco estandarizado. Esta curva aparece en muchas aplicaciones informticas, por lo que es importante entender su signicacdo. La curva OC es, entonces, una medida de la sensibilidad del grco de control. Supongamos que el grco de control representa la evolucin del estadstico yi , por ejemplo, una media muestral , varianza muestral, proporcin muestral, etc. Los lmites de control sern, en general, p Lmite de Control Superior = E (yi ) + 3 Var(yi ) p Lmite de Control Inferior = E (yi ) 3 Var(yi ) OC () = P (LCI yi LCS|E (yi ) = 6= c ). Vemos a continuacin cmo es esta curva segn el tipo de grco.

Si llamamos c a la media de yi cuando el proceso est bajo control, la curva OC ser

Grco P
Cuando el estadstico de inters es la proporcin de artculos defectuosos p i se tiene que p(1 p) p i N p, , ni donde, si p es desconocido se estima con los datos. Con los datos del ejemplo 1, y construyendo los lmites con un tamao muestral promedio, se obtiene, usando el Statgraphics, el siguiente grco de control y la respectiva curva OC:

20

Control de procesos por atributos

p Chart for Diodef/Numdiodos

0,18 0,15 0,12 0,09 0,06 0,03 0 0 4 8 12 16 20 LCS=0.149 L. central=0.07 LCI=0.0032

Subgroup
Grco de control para los datos del ejemplo 1.

OC Curve for p
1 0,8 0,6 0,4 0,2 0 0 0,04 0,08 0,12 0,16 0,2 0,24

Pr(accept)

Process proportion
Curva OC para el grco de control correspondiente a los datos del ejemplo 1. Si p = 0,076 es la estimacin de p (lnea central del grco) cuando el proceso est bajo control, la curva OC ser: OC (p) = P (0 p i 0,15|E ( pi ) = p 6= 0,076). p i = se puede escribir que OC (p) = P (nLCI di nLCS |p) = P (di nLCS |p) p(di < nLCI |p) y se puede usar la distribucin binomial acumulada para calcular esas probabilidades con mayor precisin que usando la distribucin normal. Por ejmplo, si la proporcin disminuye a p = 0,04 la proporcin muestral ser, aproximadamente, 0,04 0,96 p i N 0,02, , n mientras que el nmero de artculos defectuosos ser di B ( n, 0,04) nmero de defectos di = tamao (medio) de la muestra n

Como

5.5 Grco U

21

donde n es el promedio de los tamaos muestrales ni igual a n = 118,7. La probabilidad de no detectar este cambio ser: OC (0,02) = P (118,7 0,00318 di 118,7 0,1493) = P (0,378 di 17,72). El resultado nal variar segn se haga la aproximacin a valores enteros para utilizar la binomial. Por eso, pueden encontrarse a veces diferencias segn el software empleado. Por ejemplo, si aproximamos a los enteros que produzcan un intervalo ms estrecho se obtiene (clculos realizados con el Statgraphics): P (di 17) P (di 1) = 1 0,05 = 0,95, mientras que si aproximamos para obtener un intervalo ms amplio: P (di 18) P (di = 0) = 1 0,008 = 0,99. Otra posibilidad es utilizar el promedio de estos valores. Si promediamos ambos resultados se obtiene OC (0,02) 0,97

Grco NP
Los grcos siguientes muestran el grco de control y OC del ejemplo 2, sobre el nmero de chips defectuosos en lotes de 50.

np Chart for Defchip

10 8 LCS=8.70 L. central=3.38 LCI=0.00

np

6 4 2 0 0 5 10 15 20 25

Subgroup OC Curve for np

1 0,8 0,6 0,4 0,2 0 0 3 6 9 12 15

Pr(accept)

Process mean count

22

Control de procesos por atributos

La curva OC(p) es la probabilidad de que una muestra tenga un valor np i que est dentro de los lmites de control pero que p 6= p = 3,38. Sea di = np i el nmero de arrculos defectuosos en un lote. Entonces, la curva OC(p) es

OC (p) = P (LCI di LCS |p) = P (0,00 di 8,79), donde di B (n, p) Por ejemplo, si el dmero de artculos defectusos aumenta a np = 6 (n = 50, p = 0,12) la probabilidad de no detectarlo es P (0,00 di 8,79|di B (50, 0,12)). Al igual que con el grco P, la solucin nal depender de cmo tratemos los nmeros no enteros de los lmites de control. Una posible opcin es promediar las dos siguientes probabilidades:

P (0,00 di 8|di B (50, 0,12)) = 0,86 P (0,00 di 9|di B (50, 0,12)) = 0,93 Por tanto 0,86 + 0,93 = 0,895, 2

OC (p = 0,12) =

que es, aproximadamente, el valor que puede verse en la curva OC del Statgraphics.

Grco C
Los grcos siguientes muestran el grco de control y curva OC del ejemplo 3: defectos por hectmetro de cable:

5.5 Grco U

23

c Chart for Defcable

15 12 9 UCL = 13,21 Centerline = 5,9 LCL = 0,00

c
6 3 0 0 2 4 6 8 10 12

Observation OC Curve for c

1 0,8 0,6 0,4 0,2 0 0 4 8 12 16 20 24

Pr(accept)

Process mean count

Ahora la distribucin exacta del nmero de defectos es la Poisson. Si llamamos ci al nmero de al parmetro de la Poisson en estado de cobntrol, la curva OC ser defectos por hectmetro, y )). OC () = P (LCI ci LCS |ci P ( 6= Por ejemplo, si el nmero medio aumenta hasta =12 defectos/hectmetro, el valor de la curva OC ser: OC (12) = P (0,0 ci 13,21|ci P (12)). Usando la distribucin de Poisson acumulada (operaciones que se pueden hacer fcilmente con el Statgraphics) se obtienen los siguientes resultados OC (12) = P (0,0 ci 13|ci P (12)) = 0,68, OC (12) = P (0,0 ci 14|ci P (12)) = 0,77, y el promedio es OC (12) = 0,68 + 0,77 = 0,725. 2

Grco U
Los grcos para el ejemplo 4 sobre defectos en placas de circuitos impresos son:

24

Control de procesos por atributos

u Chart for Defplaca/Suplaca

0,25 0,2 0,15 UCL = 0,24 Centerline = 0,0 LCL = 0,00

u
0,1 0,05 0 0 2 4 6 8 10 12

Subgroup OC Curve for u

1 0,8 0,6 0,4 0,2 0 0 0,1 0,2 0,3 0,4

Pr(accept)

Process frequency
donde se ha usado como tamao muestral (nmero de unidades en cada muestra) un promedio (n = 37,58). La curva OC es OC () = P (LCI ui LCS ) Si el nmero medio de defectos aumtenta hasta = 0,2, se tiene que, aproximadamente, 0,2 ui N 0,2, N 0,2, 0,0732 . 37,58

El valor de la curva OC usando esta aproximacin a la normal ser: 0,0 0,2 0,24 0,2 OC (0,2) = P z 0,073 0,073 = P (2,74 z 0,548|z N (0, 1)) = 0,71.

Otra forma de resolverlo es utilizando la distribucin de Poisson. Si = 0,2 y n = 37,58, se tiene que el nmero de defectos por muestra promedio sera ci P ( n) = P (7,52). Por tanto, como ui = ci /n , se tiene que OC (0,2) = P (0,0 n ci 0,24 n|ci P (7,52)) = P (0 ci 9,019|ci P (7,52)) 0,77 que est ms prximo al valor que proporciona el grco del Statgraphics