GRAFICOS DE CONTROL ESTADISTICO Diferencia entre grafico X-R y X-S Si se compara una grafica R con una grafica S, la primera

se calcula con mayor facilidad y tambin su explicacin es ms sencilla. Por otra parte la desviacin estndar de la muestra del subgrupo en el casi de la desviacin de la grafica S se calcula empleando todos los datos, no solo los valores superior e inferior, como en el caso de la grafica R. Por consiguiente, una grafica S es mas precisa que una R. Si el tamao de los subgrupos es de menos de 10, ambas graficas mostraran la misma variacin; sin embargo, conforme el tamao de los subgrupos sea de 10 o mas, los valores extremos tendrn una injustificada influencia en la grafica R. por lo tanto, con tamaos de subgrupos mayores, deber emplearse la grafica S. Grafica X-R GRAFICA X-R. Para obtener la grfica de medias y rangos es necesario que la caracterstica del producto se haya definido con tipo de anlisis Variable y tamao de subgrupo igual o mayor a 2. Cada punto de la grfica de Medias es el promedio de las muestras de un subgrupo. Cada punto de la grfica de Rangos es la diferencia entre el valor mximo y el mnimo de cada subgrupo. Los lmites de control se calculan a partir del Rango promedio y delimitan una zona de 3 desviaciones estndar de cada lado de la media.

Grfica X-S GRAFICA X-S. Para obtener la grfica de medias y desviaciones estndar es necesario que la caracterstica del producto se haya definido con tipo de anlisis Variable y tamao de

subgrupo igual o mayor a 2. Cada punto de la grfica de Medias es el promedio de las muestras de un subgrupo. Cada punto de la grfica de Desviaciones es la desviacin estndar interna de cada subgrupo. Los lmites de control se calculan a partir de la Desviacin estndar promedio y delimitan una zona de 3 desviaciones estndar de cada lado de la media.

Los pasos necesarios para obtener el control de intento y los limites de control revisados de X testada y S son los mismos que en el caso de las graficas de X testada y R, excepto que se usan formulas distintas. Para entender los grficos X-R, es necesario conocer el concepto de Subgrupos (o Subgrupos racionales). Trabajar con subgrupos significa agrupar las mediciones que se obtienen de un proceso, de acuerdo a algn criterio. Los subgrupos se realizan agrupando las mediciones de tal modo que haya la mxima variabilidad entre subgrupos y la mnima variabilidad dentro de cada subgrupo. Por ejemplo, si hay cuatro turnos de trabajo en un da, las mediciones de cada turno podran constituir un subgrupo. Supongamos una fbrica que produce piezas cilndricas para la industria automotriz. La caracterstica de calidad que se desea controlar es el dimetro de las piezas.

GRAFICOS DE CONTROL POR ATRIBUTOS Introduccin.- Grfico p Grfico np para unidades defectuosas Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sera probarlo con una rosca calibrada. El resultado de este ensayo slo tiene dos posibles resultados: Defectuoso - No Defectuoso ( 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 nmero de defectuosos presentes en la muestra. 0 defectuosos ; 1 defectuoso ; 2 defectuosos ; ... ; n defectuosos est dada por una distribucin binomial con parmetros n y p. Como sabemos, el promedio de la poblacin es p y la varianza es n.p.(1-p). Para construir los grficos de control np, en una primera etapa se toman N muestras (ms de 20 25) a intervalos regulares, cada una con n tornillos. Se cuenta en cada muestra el Nmero de Defectuosos y se registra. Se obtendra una Tabla como la siguiente:

En cada muestra, la fraccin de defectuosos es Di/n, siendo Di el nmero de elementos defectuosos en la muestra i, y n el nmero de elementos en la muestra i A partir de la tabla podemos calcular p como promedio de las fracciones de defectuosos en las muestras:

Rayas en la superficie. grietas en el plstico Antena defectuosa Botn defectuoso. Etc.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos defectos en la unidad inspeccionada. Obtenemos un resultado que es el Nmero de Defectos por unidad de inspeccin. A medida que el proceso genera las unidades (Telfonos mviles), retiramos una unidad a

intervalos regulares y contamos el nmero total de defectos. En cada unidad podemos encontrar:? 0 defectos

1 defecto 2 defectos ... n defectos

Los resultados obtenidos al contar el Nmero de Defectos en unidades de inspeccin tomadas a intervalos regulares constituyen una variable aleatoria discreta, porque puede tomar los valores discretos 0, 1, 2, ... n. Esta variable aleatoria tiene una distribucin de Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una muestra del producto o unidad de inspeccin. Para controlar este proceso, un inspector se coloca al final de la lnea de produccin y cada cierto intervalo retira una unidad de inspeccin , verifica y anota el nmero total de defectos. Este resultado se anota en un grfico denominado grfico C. De acuerdo a la Distribucin de Poisson, si denominamos C al parmetro de la funcin de distribucin, el promedio de la poblacin es C y la varianza tambin es C. Una unidad defectuosa puede tener uno o ms defectos. Sin embargo, 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. Existen en la prctica muchas situaciones en las que es preferible trabajar con el nmero de defectos que con el porcentaje o el nmero de unidades defectuosas. Por ejemplo, el nmero de soldaduras defectuosas en un tubo de conduccin de gas, el nmero de defectos funcionales es un dispositivo electrnico, etc. Se pueden efectuar grficos de control para el nmero total de defectos por unidad de producto o para el nmero de defectos en la muestra. Estos grficos de control se basan en la distribucin de Posson que exige un nmero de puntos donde potencialmente podra producirse el defecto infinitamente grande, as como que la probabilidad de que el defecto aparezca en un determinado punto sea muy pequea y constante. La unidad de inspeccin debe ser la misma en cada muestra. Es decir cada unidad de inspeccin debe representar siempre una probabilidad igual de que se produzcan los defectos. En la mayor parte de las situaciones prcticas, estas condiciones no se satisfacen exactamente. El nmero de oportunidades (puntos) para los defectos suele ser finito y la probabilidad de aparicin de defectos puede no ser constante. Si las desviaciones respecto de la situacin ideal no son importantes, puede usarse el modelo de Poisson. Existen, sin embargo, casos en los que las desviaciones respecto de las condiciones del modelo son considerables y en los que la utilizacin de la distribucin de Poisson es inadecuada. Grficos c para tamao de muestra constante

En el grfico c se representan el nmero de defectos existentes en cada unidad de inspeccin. En la mayor parte de los casos, la unidad de inspeccin ser una unidad de producto aunque esto no es absolutamente necesario ya que la unidad de inspeccin constituye simplemente una porcin de produccin sobre la que es conveniente registrar el nmero de defectos encontrados. Puede ser un grupo de 1,5 6 10 unidades de producto. Supongamos que los defectos tienen lugar en esta unidad de inspeccin de acuerdo con la distribucin de Poisson

donde x es el nmero de defectos en la unidad de inspeccin y C es el parmetro de la distribucin, Sabemos que la media y la varianza de la distribucin de Poisson son ambas iguales a C. En consecuencia, los lmites de control 3 sigma para el nmero de defectos sern:

Hay que tener en cuenta que la probabilidad de producir una falsa alarma por situarse el punto por encima del lmite de control superior es diferente que la de situarse por debajo del lmite inferior (colas superior e inferior diferentes). Si no se conoce el parmetro c, debe estimarse a partir de una muestra preliminar de unidades de inspeccin. El valor obtenido en la estimacin, O sustituir al valor O en los lmites arriba indicados. Anlisis de defectos Los datos sobre defectos aportan siempre mayor informacin que los relativos a unidades defectuosas ya que habitualmente existen diversos tipos de defectos. Al analizar por conteo la frecuencia de cada tipo de defecto observamos que, en muchas ocasiones, los resultados estn acordes con la distribucin de PARETO y que un pequeo nmero de defectos es causa de la mayor parte de los problemas. Si somos capaces de eliminar las causas de unos pocos tipos de defectos, habremos conseguido una drstica mejora en la calidad. Grfico u Supongamos que se est controlando el nmero de defectos en un proceso de ensamblado de licuadoras y se define una unidad de inspeccin de 5 licuadoras. En este caso es posible trabajar con un grfico C, como ya hemos visto. Pero tal vez se desea controlar el promedio de defectos por cada licuadora (unidad de produccin) en lugar del total de defectos para las 5 licuadoras (unidad de inspeccin):

siendo ni la cantidad de Defectos por Unidad de Inspeccin y m el nmero de Unidades de Produccin en la Unidad de Inspeccin. En nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin (5 licuadoras), la

cantidad promedio de defectos por licuadora ser Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0, 1/m, 2/m, etc., y cuya distribucin de probabilidades se puede calcular a partir de la Distribucin de Poisson. Como en el caso de los grficos C, en una primera etapa se toman N unidades de inspeccin (ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el Nmero de Defectos y se registra. Luego se divide el Nmero de Defectos de cada unidad de inspeccin por m (Nmero de unidades de produccin en cada unidad de inspeccin). En nuestro ejemplo (m = 5) la Tabla quedara as:

Entonces, a partir de la tabla podemos calcular el parmetro U, como promedio del Nmero de Defectos por licuadora, y la Desviacin Standard:

; siendo : ni la cantidad de Defectos por Unidad de Inspeccin, m el Nmero de Unidades de Produccin en la Unidad de Inspeccin y N el Nmero de Unidades de Inspeccin Con esto podemos calcular los Lmites de Control para el grfico U:

DISTRIBUCIN BINOMIAL Probabilidad de r o menos sucesos en n intentos, donde p es la ocurrencia de cada intento.

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

Este resultado se anota en un grfico hora por hora denominado grfico np. Si se tomara del proceso un slo tornillo Cul es la probabilidad de que sea defectuoso? Imaginando la poblacin de tornillos que podra fabricar el proceso trabajando siempre en las mismas condiciones, una cierta proporcin p de estos seran defectuosos. Entonces, la probabilidad de tomar un tornillo y que sea defectuoso es p. En una muestra de n tornillos, la probabilidad de encontrar:

siendo N el nmero de muestras, y luego la Desviacin Standard s:

Con esto podemos calcular los Lmites de Control para el grfico np:

Construimos entonces un Grfico np de prueba y representamos el nmero de defectuosos en las muestras. Si no hay puntos fuera de los lmites de control y no se encuentran patrones no aleatorios, se adoptan los lmites calculados para controlar la produccin futura. Para las personas con poco entrenamiento estadstico, este grfico suele ser ms fcil de interpretar que el grfico p. Frecuentemente se utiliza solo el lmite superior.

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que se estn fabricando. Por ejemplo, se fabrican telfonos celulares y entonces se toma uno de ellos y se cuenta el nmero total de defectos. Estos podran ser:

Capacidad de proceso, Cp, Cpk, y Cpm Hay tres fases principales en la manufactura de cualquier producto: diseo, produccin e inspeccin. Las especificaciones generalmente son establecidas en la fase de diseo, y durante la produccin se intenta cumplir esas especificaciones. Finalmente, durante la inspeccin se determina el grado con el cual las unidades producidas cumplen las especificaciones. La tolerancia se refiere a las medidas fsicas de un producto, mientras que las especificaciones se refieren a todas las caractersticas del producto o proceso, incluyendo las medidas fsicas, es decir, las tolerancias estn incluidas dentro de las especificaciones. Se denotan: lmite inferior de especificacin (tolerancia) por LIE y lmite superior de especificacin (tolerancia) por LSE. Hay que recordar que estos lmites los determinan los diseadores o bien el cliente. La necesidad de poseer un mtodo para determinar la habilidad que tiene un proceso de cumplir con las especificaciones es la razn de utilizar lo que se conoce como ndices de capacidad de proceso. Capacidad de proceso cp Un proceso es capaz en la medida en que tenga la habilidad de producir en forma predecible (el proceso debe estar en control estadstico) dentro de especificaciones. En este sentido la capacidad de proceso es un ndice relativo, si para un producto se tienen varios clientes, y las especificaciones para cada uno de ellos son diferentes, entonces la capacidad de nuestro proceso tendr un valor diferente para cada uno de los clientes La capacidad potencial del proceso se define como Cp = (LSE - LSI)/6 Es decir, la capacidad del proceso nos indica cuantas veces cabe la variacin natural del proceso en el intervalo de especificacin. Generalmente se desconoce la desviacin estnd ar del proceso , as que para calcular Cp se usa una estimacin de este parmetro, comnmente la desviacin estndar muestral s.