Unidad 3 Graficas de Control para Atributos

Grficas de Control para Atributos
INSTITUTO TECNOLGICO DE CERRO AZUL

Grficas de Control para Atributos Guillermo Garca Gonzlez
2

2
2014

INSTITUTO TECNOLGICO DE CERRO AZUL
INGENIERA INDUSTRIAL (Sistema Abierto)
Control Estadstico de la Calidad

Catedrtico:
Ing. Sandra Martnez Lugo

Grficas de Control para Atributos

3

3
2014
Contenido
Introduccin
4
Unidad 3 Grficos de Control para Variables ........................................................................ 6
3.1 Conceptos Generales para Atributos ............................................................................. 6
3.2 Elaboracin e Interpretacin de Grficas para Atributos ................................... 7
3.2.1 Grfico p ........................................................................................................................... 11
3.2.1 Grfico np ......................................................................................................................... 12
3.2.1 Grfico c ................................................................ Error! Bookmark not defined.
3.2.1 Grfico u ........................................................................................................................... 14
3.3 Capacidad de proceso ........................................................................................................ 15
Conclusin ....................................................................................................................................... 31
Bibliografa ..................................................................................................................................... 32

4

4
2014
INTRODUCCIN

Los diagramas de control por atributos constituyen la herramienta esencial
utilizada para controlar caractersticas de calidad cualitativas, esto es,
caractersticas no cuantificables numricamente. Ejemplos de tales caractersticas
no medibles son la fraccin o porcentaje de unidades defectuosas en la produccin
(P), el nmero de unidades defectuosas en la produccin (NP), el nmero de
defectos por unidad producida (U), y el nmero de defectos de todas las unidades
producidas (C).

Al igual que en los grficos de control por variables, el diagrama de atributos
representa un estadstico T del proceso (como puede ser el nmero de defectos)
frente al nmero de la muestra o al tiempo. Una lnea central representa el valor
medio o esperado del estadstico, mientras que los lmites de control suelen definir
una zona de control que abarca 3s por encima y por debajo de la lnea central.
Estos lmites son escogidos de manera que si el proceso est bajo control, casi la
totalidad de los puntos muestrales se halle entre ellos.

As, un punto que se encuentra fuera de los lmites de control se interpreta como
una evidencia de que el proceso est fuera de control. Adems, incluso si todos los
puntos se hallan comprendidos entre los lmites de control, pero se comportan de
manera sistemtica o no aleatoria, tambin tendramos un proceso fuera de
control (veremos cmo estudiar la existencia de tales patrones no aleatorios
mediante los llamados tests para causas especiales).

Este tipo de grficos se suele aplicar en situaciones en las que el proceso es una
operacin de montaje complicada, y la calidad del producto se mide en trminos 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 caractersticas de calidad al mismo tiempo y clasificar los
productos como disconformes si no satisfacen las especificaciones de cualquiera
de las caractersticas.

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

5

5
2014
1. Podemos comparar un producto con un estndar y clasificarlo como defectuoso
o no (grficos 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 segn el nmero de defectos que
presenta (grficos C y U).

Es importante notar que los grficos P, NP, y U permiten trabajar con muestras de
tamaos diferentes, mientras que los grficos C estn diseados para muestras de
igual tamao.

6

6
2014
UNIDAD 3 GRFICAS DECONTROL PARA ATRIBUTOS

3.1 Conceptos Generales para Atributos

Cuando no es fcil medir un producto o una parte, o cuando la calidad se puede
obtener como un atributo conforme o no con unas especificaciones de calidad, se
puede usar una grfica de control de caractersticas. Estas tcnicas analizan tanto
las caractersticas buenas como malas, sin hacer referencia al grado. Entonces, se
acepta o se rechaza contando cuntas unidades tienen o no el defecto, o
comprobando el nmero de tales eventos que ocurren en la unidad, grupo o rea, y
comparando con el criterio de aceptacin establecido. Se acepta o rechaza la pieza
o el lote sin asociar un valor concreto. El atributo a controlar se suele elegir de
forma que sea fcilmente observable y por tanto econmico de controlar y
clasificar..
Antes de seguir conviene definir los trminos siguientes:
a. Defecto: cualquier caracterstica individual que no est de acuerdo con los
requisitos de calidad establecidos.
b. Defectuoso: cualquier unidad que tiene uno o ms defectos.
Los tipos de grficos de control por atributos que se estudian son:
a. Grfico p o de fraccin de unidades defectuosas.
b. Grfico np o de nmero de unidades defectuosas por muestra.
c. Grfico c o de nmero de defectos por muestra.
d. Grfico U o de nmero de defectos por unidad.

Algunos conceptos utilizados en grficos de control y que se utilizaran en el
presente trabajo son los siguientes:

- Cota nominal = medida deseada

- Lmite de tolerancia superior (LTS)

- Lmite de tolerancia inferior (LTI)

- Lmite de variacin superior (LVS)

- Lmite de variacin inferior (LVI)

Condiciones a cumplir por un proceso:

- Condicin de idoneidad:

LTS > LVS > LVI > LTI

7

7
2014

- Condicin de precisin:

ndice Relativo de Precisin = IRP = (LTS-LTI)/R

La funcin primaria de una Grfica de Control es mostrar el comportamiento de un
proceso:
- Identificar la existencia de causas de variacin especiales (proceso fuera de
control).
- Monitorear las variables claves en un proceso de manera preventiva.
- Indicar cambios fundamentales en el proceso.

3.2 Elaboracin e Interpretacin de Grficas para Atributos

Ventajas

- Resume varios aspectos de la calidad del producto; es decir si es aceptable o
no.
- Son fciles de entender.
- Provee evidencia de problemas de calidad.

Desventajas

- Interpretacin errnea por errores de los datos o los clculos utilizados
- El hecho de que un proceso se mantega bajo control no significa que sea un
buen proceso, puede estar produciendo constantemente un gran nmero de
no conformidades.
- Controlar una caracterstica de un proceso no significa necesariamente
controlar el proceso. Si no se define bien la informacin necesaria y las
caractersticas del proceso que deben ser controladas, tendremos
interpretaciones errneas debido a informaciones incompletas.

Eleccin del tipo de grfica

Paso 1: Establecer los objetivos del control estadstico del proceso

- La finalidad es establecer qu se desea conseguir con el mismo.

Paso 2: Identificar la caracterstica a controlar

- Es necesario determinar qu caracterstica o atributo del producto/servicio
o proceso se van a controlar para conseguir satisfacer las necesidades de
informacin establecidas en el paso anterior.
8

8
2014

Paso 3: Determinar el tipo de Grfica de Control que es conveniente utilizar.

- Conjugando aspectos como:
- Tipo de informacin requerida.
- Caractersticas del proceso.
- Caractersticas del producto.
- Nivel de frecuencia de las unidades no conformes o disconformidades.

Paso 4: Elaborar el plan de muestreo (Tamao de muestra, frecuencia de
maestreo y nmero de muestras)

- Las Grficas de Control por Atributos requieren generalmente tamaos de
muestras grandes para poder detectar cambios en los resultados.
- Para que el grfico pueda mostrar pautas analizables, el tamao de muestra,
ser lo suficientemente grande (entre 50 y 200 unidades e incluso superior)
para tener varias unidades no conformes por muestra, de forma que puedan
evidenciarse cambios significativamente favorables (por ejemplo, aparicin
de muestras con cero unidades no conformes).
- El tamao de cada muestra oscilar entre +/- 20% respecto al tamao
medio de las muestras
- n = (n^ + n2 + ... + nN) / N N = Nmero de muestras
- La frecuencia de muestreo ser la adecuada para detectar rpidamente los
cambios y permitir una realimentacin eficaz.
- El periodo de recogida de muestras debe ser lo suficientemente largo como
para recoger todas las posibles causas internas de variacin del proceso.
- Se recogern al menos 20 muestras para proporcionar una prueba fiable de
estabilidad en el proceso.

Paso 5: Recoger los datos segn el plan establecido

- Se tendr un especial cuidado de que la muestra sea aleatoria y
representativa de todo el periodo de produccin o lote del que se extrae.
- Cada unidad de la muestra se tomar de forma que todas las unidades del
periodo de produccin o lote tengan la misma probabilidad de ser extradas.
(Toma de muestras al azar).
- Se indicarn en las hojas de recogida de datos todas las informaciones y
circunstancias que sean relevantes en la toma de los mismos.

Paso 6: Calcular la fraccin de unidades

- Para cada muestra se registran los siguientes datos:

1. El nmero de unidades inspeccionadas "n".
2. El nmero de unidades no conformes.
3. La fraccin de unidades no conformes
4. El nmero de defectos en una pieza
5. La fraccin de defectos por pieza
9

9
2014

Paso 7: Calcular los Lmites de Control

Grficas de Control por Atributo
Tipo Data
Tamao
de
Muestra
Formula CL UCL LCL
p
Piezas
defectuosas
Varia p=np/n p=np/n
p+3p(1-
P)/n
p-3p(1-
P)/n

n=n/k

np
Piezas
defectuosas
Constante p=np/n np=np/k
np+3np(1-
P)
np-
3np(1-P)

c
Defectos
por Pieza
Constante c c=c/k c+3c c-3c

u
Defectos
por Pieza
Varia u=c/n u=c/n u+3u/n u-3u/n

Paso 8: Definir las escalas de la grfica.

- El eje horizontal representa el nmero de la muestra en el orden en que ha
sido tomada.
- El eje vertical representa los valores de la fraccin de unidades
- La escala de este eje ir desde cero hasta dos veces la fraccin de unidades
no conformes mxima.

Paso 9: Representar en el grfico la Lnea Central y los Lmites de Control.

- Lnea Central
- Marcar en el eje vertical, correspondiente al valor de la fraccin

- Lnea de Control Superior
- Marcar en el eje vertical el valor de UCL. A partir de este punto trazar una
recta horizontal discontinua (a trazos). Identificarla con UCL.
- Lmite de Control Inferior
- Marcar en el eje vertical el valor de LCL. A partir de este punto trazar una
recta horizontal discontinua (a trazos). Identificarla con LCL.
10

10
2014

Nota: Usualmente la lnea que representa el valor central se dibuja de color azul y
las lneas correspondientes a los lmites de control de color rojo. Cuando LCL es
cero, no se suele representar en la grfica.

Paso 10: Incluir los datos pertenecientes a las muestras en la grfica.

- Representar cada muestra con un punto, buscando la interseccin entre el
nmero de la muestra (eje horizontal) y el valor de su fraccin de unidades
no conformes (eje vertical).
- Unir los puntos representados por medio de trazos rectos.

Paso 11: Comprobacin de los datos de construccin de la Grfica de Control.

- Se comprobar que todos los valores de la fraccin de unidades de las
muestras utilizadas para la construccin de la grfica correspondiente estn
dentro de sus Lmites de Control.
- LCL < grfica < UCL
- Si esta condicin no se cumple para alguna muestra, esta deber ser
desechada para el clculo de los Lmites de Control.
- Se repetirn todos los clculos realizados hasta el momento, sin tener en
cuenta los valores de las muestras anteriormente sealadas.
- Este proceso se repetir hasta que todas las muestras utilizadas para el
clculo de los Lmites de Control muestren un proceso dentro de control.
- Los Lmites, finalmente as obtenidos, son los definitivos que se utilizarn
para la construccin de las Grficas de Control.

Paso 12: Anlisis y resultados.

- La Grfica de Control, resultado de este proceso de construccin, se utilizar
para el control habitual del proceso.

Interpretacin de la grfica e Identificacin de causas especiales o asignables.

Pautas de comportamiento que representan cambios en el proceso:

- Un punto exterior a los lmites de control.
- Se estudiar la causa de una desviacin del comportamiento tan fuerte.

- Dos puntos consecutivos muy prximos al lmite de control.
- La situacin es anmala, estudiar las causas de variacin.

- Cinco puntos consecutivos por encima o por debajo de la lnea central.
- Investigar las causas de variacin pues la media de los cinco puntos indica
una desviacin del nivel de funcionamiento del proceso.
- Fuerte tendencia ascendente o descendente marcada por cinco puntos
consecutivos.
- Investigar las causas de estos cambios progresivos.
11

11
2014

- Cambios bruscos de puntos prximos a un lmite de control hacia el otro
lmite.
- Examinar esta conducta errtica.

3.2.1 Grfico p

Un grfico P es un grfico de control del porcentaje o fraccin de unidades
defectuosas (cociente entre el nmero de artculos defectuosos en una poblacin y
el nmero total de artculos de dicha poblacin).

Los principios estadsticos que sirven de base al diagrama de control P se basan en
la distribucin Binomial: supngase que el proceso de produccin funciona de
manera estable, de tal forma que la probabilidad de que cualquier artculo no est
conforme con las especificaciones es p, y que los artculos producidos
sucesivamente son independientes; entonces, si seleccionamos k muestras
aleatorias de n artculos del producto cada una, y representando por al nmero
de artculos defectuosos en la muestra isima, tendremos que

12

12
2014

Normalmente se usan lmites de control de tres sigmas en el diagrama de control P.
Como ya comentamos en el captulo anterior, el uso de lmites de control ms
estrechos hacen que el diagrama de control sea ms sensible a pequeos cambios
en p, pero ello tambin hace aumentar la probabilidad de que se produzcan falsas
alarmas de proceso fuera de control (error de tipo II).

Debe advertirse que este diagrama de control se basa en el modelo probabilstico
binomial, en el cual se supone que la probabilidad de ocurrencia de un artculo con
disconformidad es constante, y que unidades sucesivas en la produccin son
independientes. Por otra parte, hay que tener cuidado con la interpretacin de los
puntos del diagrama de control que se hallan por debajo del lmite inferior de
control. Tales puntos no representan a menudo una mejora real en la calidad del
proceso. Frecuentemente son el resultado de errores en el mtodo de inspeccin o
recogida de datos.

3.2.2 Grfico np

El diagrama NP est basado en el nmero de unidades defectuosas. Este tipo de
grficos permite tanto analizar el nmero de artculos defectuosos como la posible
existencia de causas especiales en el proceso productivo. Los principios
estadsticos que sirven de base al diagrama de control NP se basan en la
distribucin Binomial:

Supngase que el proceso de produccin funciona de manera estable, de tal forma
que la probabilidad de que cualquier artculo no est conforme con las
especificaciones es p, y que los artculos producidos sucesivamente son
independientes; entonces, si seleccionamos k muestras aleatorias de n artculos
del producto cada una, y representando por al nmero de artculos defectuosos
en la muestra i-sima, tendremos que .

13

13
2014

3.2.3 Grfico c

El diagrama C est basado en el nmero total de defectos (o no conformidades) en
la produccin. Los principios estadsticos que sirven de base al diagrama de
control C se basan en la distribucin de Poisson:
14

14
2014

Para construir el diagrama de control C empezamos por tomar k muestras
de unidades cada una, .e.: . Sea u el nmero
esperado de unidades defectuosas en cada una de las muestras.

3.2.4 Grfico u

El diagrama U est basado en el nmero de defectos por unidad de inspeccin
producida. Los principios estadsticos que sirven de base al diagrama de control U
se basan en la distribucin de Poisson:

15

15
2014
Para construir el diagrama de control U empezamos por tomar k muestras
de unidades cada una, i.e.: . Sea u el nmero
esperado de unidades defectuosas en cada una de las muestras.

3.3 Capacidad de proceso

Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.

16

16
2014
Definiciones bsicas.
- Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
- Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
- Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites 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 medicin
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 estadstico, es decir, en
ausencia de causas especiales o atribuibles de variacin.
- Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
- Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.

La aplicacin del anlisis de capacidad de los procesos tiene los objetivos
siguientes:

1. Predecir que tanto cumplir las tolerancias especificadas el proceso.
2. Apoyar a los diseadores en la seleccin o modificacin de un proceso.
3. Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeo 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 instantnea).
2. La variabilidad en el tiempo.

Es usual tomar 6-sigma de la poblacin o como la dispersin en la distribucin de
la caracterstica de calidad del producto como medida de la capacidad del proceso.

Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 o, o sea:

17

17
2014
LTNS = + 3 o (6.1)
LTNI = - 3 o

Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la
variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos lmites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:

.00135 LTNI LTNS .00135

Fig. 6.1 Localizacin de los lmites de tolerancia natural

Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.

Fig. 6.2 Fraccin defectiva fuera de especificaciones

p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.

En el rea sombrada observamos medidas fuera de los lmites de especificacin.

Para solucionar este problema, podemos reducir la desviacin estndar.

_
X
xi
s
Z
LIE
LSE
p

18

18
2014
Tambin podramos cambiar la media.

Lo ideal sera, por supuesto cambiar ambas.

Fig. 6.3 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
1
:

- El proceso se encuentre bajo control estadstico, es decir sin la influencia de
fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar 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 ndices de habilidad. Si los datos se componen de
menos de 100 valores, entonces deben calcularse los lmites de confianza
inferiores.
- 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 parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.

Tambin es importante al realizar un estudio de capacidad, asegurarnos que la
variacin en el sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo
Existen dos maneras de expresar la variabilidad:

Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.

19

19
2014
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.

Fig. 6.4 Variabilidad a corto plazo

Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de
tiempo suficientemente largo y en condiciones suficientemente diversas para que
sea probable que contenga algunos cambios de proceso y otras causas especiales.
Aqu todas las familias de variacin exhiben su contribucin en la variacin del
proceso general.

Fig. 6.5 Variabilidad a largo plazo

Para el clculo de Z utilizamos las siguientes formulas:
( )
ST
st
std desv
nom especif lmite
Z
.
. .
=
LT
LT
std desv
media especif lmite
Z
.
.
=
dnde:

Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.

Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.

Zlt = Zst-1.5shift

ndice de capacidad potencial Cp

El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin
permitida por las especificaciones entre la amplitud de variacin entre los lmites
de tolerancia naturales del proceso.

20

20
2014
o 6
LIE LSE
PCR Cp

= = (6.2)

Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE=
73.95mm y de la carta R se estim 0099 . 0
2
= =
d
R
o por tanto se tiene:
Cp = PCR = (LSE LIE) / 6o
= (74.05 73.95) / 6 (0.0099) = 1.68

La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones usada
por el proceso.

100
1
|
|
.
|
\
|
=
Cp
P (6.3)

Para el caso del ejemplo se tiene:

P = [(1/1.68)] 100 = 59.5%

Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial
Cp o PCR se define como:

o

3

= =
LSE
PCR Cps
S
para el lmite superior (6.4)

o
3
LIE
PCR Cpi
I

= = para el lmite inferior

Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE =
200psi,

67 . 0
96
64
) 32 ( 3
200 264
= =
= =
I
PCR Cp

Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:

2
32
264 200
=
=
o
LIE
Z
I

P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones

Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en partes
por milln (ppm) que estn fuera de especificaciones se muestran a continuacin:

Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
21

21
2014
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
1.10 484 967
1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018

Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67
para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.

Este ndice no toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.

Indice de capacidad real Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cps correspondientes a cada lado de la media, como sigue,

) , (
I S
PCR PCR min PCRk Cpk = = debe ser mayor a 1
(6.5)
donde,

o

3

= =
LSE
PCR Cps
S
para el lmite superior (6.6)

o
3
LIE
PCR Cpi
I

= = para el lmite inferior

Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar o=2, se tiene:

5 . 1
32
53 62
=
= =
S
PCR Cps para el lmite superior

5 . 2
32
38 53
=
= =
I
PCR Cpi para el lmite inferior

Por tanto, el ndice de capacidad real es:
5 . 1 ) 5 . 2 , 5 . 1 ( ) , ( = = = = min PCR PCR min PCRk Cpk
I S

22

22
2014
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano a
la media del proceso. Siempre se cumple que,
Cpk <= Cp

Siendo el Cpk menor cuando el proceso no est centrado

Normalidad y capacidad del proceso

Las consideraciones anteriores se basan en la suposicin que el proceso tiene un
comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin 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
distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):

Frec.

b)

Y = 1 / x

Fig. 6.6 Transformacin de datos para normalizarlos

Lo cual representa una distribucin normal.

6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm PCRkm

Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no
necesariamente estn centrados respecto a la media de las especificaciones como
se muestra a continuacin:

LIE LSE LIE LSE

23

23
2014
PROCESO A: Cpk = 1 PROCESO B: Cpk =1

Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente
Un nuevo ndice que toma en cuenta el centrado es el siguiente:

Si ) (
2
1
LIE LSE T + = (6.7)

2 2
) ( T + = o t (6.8)

o

=
T
(6.9)
Se tiene,

2 2 2
1 ) ( 6
6
o
t
+
=
+
= =
LIE LSE
T
LIE LSE LIE LSE
PCR Cp
km km
(6.10)

Una condicin necesaria para que Cpkm sea mayor de uno es:

) (
6
1
LIE LSE T <

Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:

Lmites de especificacin: LIE = 38, LSE = 62, T = 50
Proceso A: Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5

Entonces Cpkm (A) = 0 . 1
0 1
1
=
+

Cpkm (B) = 63 . 0
) 3 ( 1
2
2
=
+

Por tanto es mejor el proceso A, centrado en la media.

En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),
que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:

2
1 +
= =
Cpk
PCR Cp
pmk pmk
(6.11)
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn
resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los mtodos de Pearson, transformar los datos por Box Cox o usar Weibull.

Capacidad del proceso con Cartas de Control

24

24
2014
La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.

Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.

En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.

Fig. 6.10 Comportamiento de un proceso fuera de control

Si las variaciones presentes son iguales, se dice que se tiene un proceso estable.
La distribucin ser predecible en el tiempo.

Fig. 6.11 Comportamiento de un proceso dentro de control

Clculo de la desviacin estndar del proceso

2
d
R
= o
4
C
S
= o (Para cartas de control X-R y X-S respectivamente)
Donde,

S = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X - R
?
? ?
? ?
? ?
Prediccin
Tiempo
25

25
2014
C
4
= dem al anterior para una carta X - S

En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos
/ (n -1)

Ejemplo 6.7 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, despus
de que el proceso se estabiliz quedando slo con causas comunes:
x
= 64.06 , R
= 77.3

Por tanto estimando los parmetros del proceso se tiene:

( ) medias de media x =

23 . 33
326 . 2
3 . 77
2
= = =
d
R
o

Si el lmite de especificacin es: LIE = 200.

El
( )
23 . 33 3
06 . 264 200
=
pk
C = 0.64 por tanto el proceso no cumple con las
especificaciones.

Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, despus
de que el proceso se estabiliz quedando slo con causas comunes:
05 . 1 , 100 = = s x

Por tanto estimando los parmetros del proceso se tiene:

100 = = x

4
C
s
= o = 117 . 1
094 .
05 . 1
=

C
4
para n = 5 tiene el valor 0.94

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.

El
( )
492 . 1
117 . 1 3
100 105
=

=
pk
C

El
( )
984 . 2
117 . 1 6
85 105
=

=
p
C

Por lo tanto el proceso es capaz de cumplir con especificaciones.
26

26
2014

Capacidad de procesos con minitab normales y no normales

Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con

1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estndar deviation
32.02 OK

Considerando Lmites de especificaciones LIE = 200 y LSE = 330

Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:

3. Stat > Basic statistics > Normalita Test
4. Variable C1 Seleccionar Ryan Joiner test OK

El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente

Otra opcin por medio de una grfica de probabilidad normal, se tiene:

5. Graph > Probability plot > Normal
6. Graph Variable C1
7. Distribution Normal OK

Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.

Datos
P
e
r
c
e
n
t
350 300 250 200 150
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
>0.100
269.3
StDev 30.72
N 100
RJ 0.994
P-Value
Probability Plot of Datos
Normal
27

27
2014

Determinacin de la capacidad del proceso

Una vez comprobada la normalidad de los datos, determinar la capacidad con:

1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK

Los resultados se muestran a continuacin:

Datos
P
e
r
c
e
n
t
400 350 300 250 200 150
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
0.533
269.3
StDev 30.72
N 100
AD 0.317
P-Value
Probability Plot of Datos
Normal - 95% CI
360 330 300 270 240 210
LSL USL
Process Data
SampleN 100
StDev (Within) 30.83472
StDev (Ov erall) 30.80011
LSL 200.00000
Target *
USL 330.00000
Sample Mean 269.25354
Potential (Within) Capability
CCpk 0.70
Ov erall Capability
Pp 0.70
PPL 0.75
PPU 0.66
Ppk
Cp
0.66
Cpm *
0.70
CPL 0.75
CPU 0.66
Cpk 0.66
Observ ed Performance
PPM<LSL 10000.00
PPM>USL 30000.00
PPMTotal 40000.00
Exp. Within Performance
PPM<LSL 12353.30
PPM>USL 24415.36
PPMTotal 36768.66
Exp. Ov erall Performance
PPM<LSL 12272.69
PPM>USL 24288.79
PPMTotal 36561.48
Within
Overall
Process Capability of Datos
28

28
2014
Interpretacin:

La desviacin estndar Within se determina en base al Rango medio y d2 (1.128
para n = 2), con esta se determinan los ndices de capacidad potencial Cp y real
Cpk, lo cual es adecuado para un proceso en control o normal.

La desviacin estndar Overall se determina con la desviacin estndar de todos
los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as como
el desempeo Overall, no importando si el proceso est en control o no, en este
ltimo caso los valores no tienen significado prctico.

Opcin Six Pack
Para mostrar toda la informacin relevante:

Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330


En este caso de la grfica de probabilidad normal, los datos siguen una distribucin
normal.

Capacidad de procesos no normales.

I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
100 90 80 70 60 50 40 30 20 10 1
320
240
160
_
X=269.3
UCL=361.8
LCL=176.7
M
o
v
i
n
g

R
a
n
g
e
100 90 80 70 60 50 40 30 20 10 1
100
50
0
__
MR=34.8
UCL=113.6
LCL=0
Observation
V
a
l
u
e
s
100 95 90 85 80
300
250
200
360 330 300 270 240 210
400 300 200
Within
Overall
Specs
Within
StDev 30.83472
Cp 0.70
Cpk 0.66
CCpk 0.70
Ov erall
StDev 30.80011
Pp 0.70
Ppk 0.66
Cpm *
1
1
Process Capability Sixpack of Datos
I Chart
Moving Range Chart
Last 25 Observations
Capability Histogram
Normal Prob Plot
AD: 0.317, P: 0.533
Capability Plot
29

29
2014
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.

Ejemplo en Minitab

En una compaa se manufacturan losetas para piso, el problema que se tiene es
referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.

Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con

8. Calc > Random data > Weibull
9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter
1 Threshold parameter 0 OK

Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5

Determinar la capacidad con:

7. Stat > Quality tools > Capability anlisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5


3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0
USL
Process Data
SampleN 100
Shape 1.24929
Scale 0.88470
LSL *
Target *
USL 3.50000
Sample Mean 0.82279
Ov erall Capability
Pp *
PPL *
PPU 0.85
Ppk 0.85
Observ ed Performance
PPM<LSL *
PPM>USL 10000
PPMTotal 10000
Exp. Ov erall Performance
PPM<LSL *
PPM>USL 3795.26
PPMTotal 3795.26
Process Capability of Datos1
Calculations Based on Weibull Distribution Model
30

30
2014
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y
los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.

El ndice Ppk y Ppu
2
= 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33

Tambin observamos que PPM > USL 3,795 lo cual significa que aproximadamente
3,795 PPM estarn fuera de los lmites de especificaciones.

Tambin se cuenta con la opcin Six Pack para esta opcin.

31

31
2014
Grfica de
Control
de Atributos
Piezas
Defectuosas
Grfica p Grfica np
Defectos por
pieza
Grfica u
Grfica c

CONCLUSIN
Del desarrollo de los conceptos y ejemplos se puede observar el enorme potencial
que posee la utilizacin del Control Estadstico de la calidad como instrumento y
herramienta destinada a un mejor control, una forma ms eficaz de tomar
decisiones en cuanto a ajustes, un mtodo muy eficiente de fijar metas y un
excepcional medio de verificar el comportamiento de los procesos.

32

32
2014

BIBLIOGRAFA

http://www.prograweb.com.mx/CEC/
Grficos de Control por Atributos unidad IV
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r5730
5.DOC
www.slideshare.net/.../graficas-de-control-por-atributo-

www.fundibeq.org/opencms/.../graficos_de_control_por_atributospdf

www1.uprh.edu/.../para%20el%20curso/Graficasdecontrol
p

www.monografias.com

SIP I Methodology & tools training

www.gestiopoly.com

Goetsch, D. L. & Davis, S. B.; 2003. Quality Management. 4t Edition.
Prentice Hall.

http://ingenieriaindustrialupvmtareasytrabajos.files.wordpress.com/
2012/08/cartas-de-control-por-atributos1.pdf

uiesepifanioCCetigtpdf

Unidad 3 Graficas de Control para Atributos

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 3 Graficas de Control para Atributos

Caricato da

Copyright:

Formati disponibili

Grficas de Control para Atributos

INSTITUTO TECNOLGICO DE CERRO AZUL

Potrebbero piacerti anche