1)

Concepto y frmula para graficar por atributos

Son Grficos de Control basados en la observacin de la presencia o ausencia de una determinada caracterstica, o de cualquier tipo de defecto en el producto, servicio o proceso en estudio. Cuando la variable que se analiza solo puede tomar dos valores, no o s, correcto o incorrecto, adecuado o inadecuado, se habla de control por atributos. Ahora las muestras han de ser necesariamente mayores que cuando se analizan variables medibles, y habitualmente se utilizar un grfico de proporciones, en el que la variable a representar en el eje de las Y es la proporcin de veces en que el resultado no es adecuado. Tambin aqu se recogern de 20 a 30 muestras de tamao suficiente para que se observe en cada una alguno de los resultados defectuosos, lo que hace que el tamao de muestra necesario sea tanto mayor cuanto menor sea dicha proporcin. Si el tamao n de todas las muestras es el mismo y llamamos P a la media de todas las proporciones, sabemos que se puede estimar la desviacin tpica mediante la siguiente frmula

De tal manera que los lmites de control vienen dados ahora por las siguientes frmulas LCSP=P+3sp LCIP=P-3sp En el caso de que los tamaos de cada muestra difieran, tambin lo hace el valor de la desviacin tpica, de tal manera que para cada porcentaje representado en la grfica varan los lmites de control, los cuales no sern ya una lnea horizontal sino una lnea escalonada.

2)

Elaboracin de graficas por atributos:

Grfico p para porcentajes defectuosos

La fraccin no

conforme de un colectivo se define como el cociente entre el

nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo. Cada unidad de producto puede ser examinada por el inspector respecto de una o varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme respecto a la especificacin en una o ms caractersticas, se clasifica como no conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal aunque puede tambin indicarse en tanto por ciento. La distribucin binomial es la base estadstica del grfico de control por atributos. Supondremos que el proceso est operando de forma estable y que la posibilidad de que una unidad de producto sea defectuosa es constante y de valor p. Tambin, supondremos que las unidades producidas sucesivamente son independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x al nmero de unidades no conformes, la probabilidad de que x tome los valores 0, 1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de unidades no conformes en la muestra x y el tamao de la misma p = x/n

El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n Operativa del grfico de control p

La base estadstica para definir los lmites de control es comn con los restantes grficos de Shewhart: Si W es un estadstico que describe una determinada caracterstica de calidad siendow y w2 su media y su varianza, los lmites de control se definen como :

K es la distancia de los lmites de control a la lnea central expresada como un mltiplo de sw. Habitualmente escogeremos K = 3. Supongamos que conocemos o se especifica la fraccin p no conforme de un proceso de produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro de cada muestra el nmero de unidades no conformes y calcular al grfico. En tanto = D/n llevando este valor

permanezca dentro de los lmites de control y la secuencia de puntos

no seale ninguna pauta distinta a la que puede surgir por mero azar, diremos que el proceso est bajo control al nivel p de fraccin no conforme. Si por el contrario, observamos algn punto fuera de control o un patrn inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que el proceso est fuera de control. Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a seguir es seleccionar m muestras preliminares, cada una de tamao n. Como norma general, m estar comprendido entre 20 y 25. Si Di es el nmero de unidades defectuosas en la muestra i, calcularemos la fraccin defectuosa en la muestra como ; i = 1,

2... .n y la media de estas fracciones, siendo los lmites de control:

, estimar la media p del proceso

Frecuentemente se utiliza solo el lmite superior. Estos lmites de control se consideran como limites de prueba y sirven para determinar si el proceso estaba bajo control cuando las m muestras iniciales fueron seleccionadas. Si todos los puntos caen dentro de los lmites de control y no se observa ninguna pauta anormal dictaminaremos que el proceso estaba bajo control a la toma de las m muestras y los lmites de prueba sern validos para controlar la produccin actual y la futura. Los lmites de control para la produccin actual deben basarse en datos obtenidos de una situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera de control se hace necesario revisar los lmites de control. Esto se realiza examinando cada punto fuera de control y buscando las causas asignables. Si se localiza la causa asignable se descarta el punto correspondiente y se vuelven a calcular los lmites de control con los puntos restantes. Puede darse el caso que alguno de estos restantes puntos se encuentre ahora fuera de control respecto de los nuevos lmites ya que estos sern, normalmente, ms estrechos que los iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que todos los puntos se encuentren dentro de control con lo que ya podremos adoptar los lmites hasta entonces provisionales como lmites definitivos. Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la fraccin no conforme p, entonces el clculo de lmites de prueba es, generalmente, innecesario aunque deben tomarse ciertas precauciones en el sentido de comprobar si el proceso est bajo control a un valor de p diferente dei indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a p = 0,05. Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado, sobre todo en

procesos donde la fraccin no conforme puede ser controlada mediante un proceso sencillo de ajuste.

Diseo del grfico p

El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del demuestre y distancia entre lmites de control. Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la frecuencia y el tamao de la muestra estn relacionados. Generalmente, se selecciona inicialmente la frecuencia del desmuestre apropiada para la produccin a inspeccionar y de ah resulta el tamao de la muestra, Los subgrupos racionales pueden jugar tambin un papel importante en determinar la frecuencia del demuestre. Por ejemplo, si hay tres turnos y sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al menos una unidad defectuosa en la muestra. Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener una probabilidad de aprox. 50% de detectar un cambio de una determinada magnitud. Por ejemplo, supongamos que p = 0,01 y que queremos que la probabilidad de detectar un cambio a p = 0,05 sea del 50%. Suponiendo que aproximamos la distribucin binomial respecto de la normal, escogeremos de tal forma que el lmite de Control Superior coincide con la fraccin no conforme en la situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces n debe satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3 n = 56.. Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa alarma.A veces,

suelen usarse limites ms estrechos (por ejemplo 2) dentro de una situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los operadores en los grficos de control. Hay que tener en cuenta que los lmites de control estudiados se basan en la distribucin binomial que considera constante la proporcin defectuosa p y que los valores sucesivos son independientes. En procesos en los que las unidades no conformes estn agrupadas o en los que la probabilidad de producir una unidad defectuosa depende de que la anterior unidad producida haya sido no defectuosa, no son aplicables este tipo de grficos. Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una mejora en la calidad del proceso por disminucin de a sino que suelen originarse por errores en la inspeccin o por causa de aparatos de medida mal calibrados. Tambin puede deberse a que los operadores hayan registrado datos ficticios para cubrir su responsabilidad. 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.

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: 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:

siendo

N el

nmero

de

muestras,

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:

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 porm (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 de 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.

3) Concepto y frmulas para grafica de variable Una grafica de control X-R, en realidad son dos grficas en una, una representa los promedios de las muestras de la (grfica X) y la otra representa los rangos (grfica R), deben construirse juntas, ya que la grfica X, nos muestra cualquier cambio en la media del proceso y la grfica R nos muestra cualquier cambio en la dispersin del proceso, para determinar las X y R de las muestras, se basan en los mismos datos. El uso particular de la grafica X-R es que nos muestra los cambios en el valor medio y en la dispersin del proceso al mismo tiempo, adems es una herramienta efectiva para verificar anormalidades en un proceso dinmicamente. Algunos puntos importantes a considerar previo a la elaboracin de esta grfica son:

Propsito de la grfica Variable a considerar Tamao de la muestra

Tener un criterio para decidir si conviene investigar causas de variacin del proceso de produccin.

Familiarizar a l personal con el uso de esta grfica. El proceso que se debe seguir para construir una grafica es: La construccin de una grfica de rangos y promedio resulta de formar una unidad, tanto de la grfica de promedios como de la de rangos. Consta de dos secciones, parte superior se dedica a los promedios, y la parte inferior a los rangos. En el eje vertical se establece la escala, a lo largo del eje horizontal se numeran las muestras.

En la grfica se relacionan estos promedios con los intervalos durante los cuales se tomaron la muestras. En el eje vertical se indican los valores correspondientes a los valores de muestras. En el eje horizontal se sealan los periodos de tiempo en los que se toman las muestras a semejanza que la de promedios. La interpretacin de esta grafica de promedio y rango seria que a partir de los datos de la grafica de promedios y rangos, podemos determinar el valor central del proceso y su aplicacin. Mediante este proceso esta bajo control cuando no muestra ninguna tendencia y adems ningn punto sale de los limites. Se describen los distintos tipos de tendencia, que son patrones de comportamiento anormal de los puntos (inestabilidad o proceso fuera de control estadstico)

INTRODUCCION Una de las reas de la actividad humana en la que la aplicacin de tcnicas estadsticas ha tenido gran difusin y al mismo tiempo un enorme xito, es en la de aquellos aspectos que se relacionan con el control de calidad de produccin de bienes y suministro de servicios. En los aos 80 la aplicacin de la filosofa y tcnicas del control de calidad en la produccin supuso un enfoque revolucionario y tremendamente competitivo, que fue aprovechado sobre todo por la industria japonesa para colocarse a la cabeza del mercado mundial, lo que resulta curioso, siendo americanos los "padres" del control de calidad, puesto que la industria americana slo se subi al carro del control de calidad una vez que la presin ejercida en el mercado por la superioridad de los productos japoneses les oblig a considerar las bondades de la nueva filosofa, en la que la calidad constituye un concepto global que no slo se aplica al producto sino a todo el proceso de fabricacin, incluyendo el control de costes, precios y beneficios, gestin de los suministros y plazos de entrega. Aunque inicialmente el control de calidad se aplic solo a la fabricacin industrial, enseguida se extendi su radio de accin a la prestacin de servicios, donde tambin podemos incluir el rea de salud, aunque dentro del entorno mdico hay sectores que por sus caractersticas, ms asimilables a la industria, tienen una mayor tradicin en el empleo del control de calidad; como son los laboratorios de anlisis clnicos (hematologa, bioqumica o microbiologa), o los bancos de sangre. Sin embargo las tcnicas han sido utilizadas tambin en otros entornos, como puede ser por ejemplo en la monitorizacin de fallos en operaciones quirrgicas, y su campo de aplicacin est limitado tan slo por nuestra imaginacin, ya que cualquier actividad humana es susceptible de ser cuantificada y por tanto monitorizada para mejorar su calidad, desde el tiempo de espera de un paciente que acude a consulta, hasta el porcentaje de pacientes que cumplen adecuadamente el tratamiento prescrito, o el mismo registro de datos en la historia clnica del paciente.

CONCLUSION

Una grfica de control X-R, en realidad son dos grficas en una, una representa los promedios de las muestras de la (grfica X) y la otra representa los rangos (grfica R), deben construirse juntas, ya que la grfica X, nos muestra cualquier cambio en la media del proceso y la grfica R nos muestra cualquier cambio en la dispersin del proceso, para determinar las X y R de las muestras, se basan en los mismos datos.El uso particular de la grfica X-R es que nos muestra los cambios en el valor medio y en la dispersin del proceso al mismo tiempo, adems es una herramienta efectiva para verificar anormalidades en un proceso dinmicamente. La fraccin no conforme de un colectivo se define como el cociente entre el nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo. Cada unidad de producto puede ser examinada por el inspector respecto de una o varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme respecto a la especificacin en una o ms caractersticas, se clasifica como no conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal aunque puede tambin indicarse en tanto por ciento.

BIBLIOGRAFA

http://www.seh-lelha.org/calidad.htm http://html.rincondelvago.com/graficas-estadisticas.html http://www.fundibeq.org/opencms/export/sites/default/PWF/downloads/gallery/meth odology/tools/graficos_de_control_por_atributos.pdf http://html.rincondelvago.com/control-por-variables-y-por-atributos.html http://www.matematicasypoesia.com.es/Estadist/ManualCPE09.htm http://www.fundibeq.org/opencms/export/sites/default/PWF/downloads/gallery/meth odology/tools/graficos_de_control_por_variables.pdf

REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACION I.U.P SANTIAGO MARIO MATURIN EDO- MONAGAS

Control De Calidad

PROFESOR: ALEXIS BEJARAN ALUMNO: JUAN GOMEZ CI: 20159900

MATURIN, OCTUBRE DE 2011