Captulo 9

Introduccin al control estadstico de procesos

1. Fundamentos de los grcos de control 2. Grco de control para la media 3. Grcos de control para la dispersin 4. Capacidad de un proceso. ndice de capacidad 5. Grcos P y NP 6. Muestreo de recepcin: Plan Military Standard

0 Apuntes

realizados por Ismael Snchez. Universidad Carlos III de Madrid.

Introduccin al control estadstico de procesos

9.1.
9.1.1.

Fundamentos de los grcos de control

Variabilidad de un proceso

Un proceso industrial, ya sea destinado a producir un artculo o prestar un servicio, es una sucesin de operaciones, en cada una de las cuales se va aadiendo valor al producto (o servicio) intermedio hasta lograr el producto nal. Estas operaciones intermedias tambin admiten, a su vez, la denominacin de procesos. Por ejemplo, desde que marcamos un nmero de telfono hasta que el destinatario recibe la llamada se produce una sucesin de procesos intermedios: la red ha de detectar que queremos realizar una llamada, se ha de traducir nuestra marcacin en un nmero de telfono concreto, se ha de localizar el destino en la red, se ha de buscar la ruta que seguir la seal, etc. A los efectos que nos interesan en este tema, denominaremos proceso a un determinado conjunto de operaciones que aaden valor a un producto o servicio y cuyo resultado estamos interesados en controlar. Nuestro inters est en controlar la calidad del valor aadido en un proceso. Para ello, usaremos una o varias magnitudes que sean indicadores de dicha calidad. Esas magnitudes dependern de cada caso concreto: tiempos, voltajes, resistencias de rotura, dimensiones, durezas, etc. Cualquier proceso est sujeto a la inuencia de muchos factores no controlados, y por tanto a variabilidad en el resultado nal. De esta forma, si repetimos el conjunto de operaciones que forman el proceso, el resultado ser en general diferente sin que ello implique que est sucediendo nada anmalo. As, si repetimos un proceso en condiciones de funcionamiento homogneas, las magnitudes que estemos utilizando para monitorizar el proceso no darn siempre el mismo valor. Si, por ejemplo, repetimos la accin de llamar a un mismo nmero de telfono, el tiempo transcurrido hasta que se establece la conexin ser en general diferente. Esta variabilidad en el resultado nal est presente en todos los procesos productivos y ha de tenerse en cuenta a la hora de controlar dicho proceso. Utilizando lxico estadstico, podemos interpretar un proceso como un experimento aleatorio, donde la variable respuesta es la magnitud que nos describe la calidad del proceso. Los factores que no controlamos y que hacen que las sucesivas repeticiones del proceso den resultados diferentes, sern lo que hemos venido denominando el azar. Entonces la magnitud que controlamos puede interpretarse como una variable aleatoria. El valor numrico concreto que obtenemos al ejecutar el proceso es slo una realizacin de dicha variable aleatoria. En este tema nos ocuparemos en monitorizar un proceso teniendo en cuenta dicha variabilidad inevitable. Para ello haremos el seguimiento en el tiempo de magnitudes que nos interesen y que estn relacionadas con la calidad. La idea principal que hay detrs de este seguimiento, es que si los factores que producen la variabilidad no se alteran, las magnitudes que monitorizemos sern variables aleatorias de distribucin estable y reconocible. De esta forma, si en algn momento se produce algn cambio no deseado, o algn desajuste, dicha variabilidad cambiar y podremos detectar el desajuste. Adems de la variabilidad intrnseca del proceso debida a factores no controlados (azar), el sistema de medida de las caractersticas de inters tambin estar sujeto a variabilidad, pues no existe el sistema de medicin perfecto. La variabilidad detectada es, as, la suma de la variabilidad real ms la variabilidad de la medicin. Un esquema til para resumir los distintos factores que

9.1 Fundamentos de los grcos de control

provocan variabilidad en un proceso es el siguiente (esquema de las 6 Ms): Materia prima Mtodos de produccin Mano de obra Mquinas = Variabilidad en el producto nal Medio ambiente Medicin

9.1.2.

Comportamiento esperado de un proceso en estado de control

Si consiguisemos controlar todos los factores que afectan a nuestro producto, ste sera siempre igual, y las magnitudes que ussemos para monitorizar la calidad tendran siempre el mismo valor constante. En la prctica siempre habr factores que no podremos controlar, por lo que el producto nal tendr una calidad variable. Por tanto, cuando se habla de controlar la calidad nos estamos reriendo a controlar la variabilidad de esa calidad. Aunque no se puede dar una relacin exhaustiva de las causas que provocan la variabilidad, es interesante hacer una clasicacin entre causas asignables a factores concretos (y controlables) y causas no asignables (y por tanto no controlables). No obstante, la frontera entre ambas no estar, en general, perfectamente denida. Causas asignables: sern aquellas producidas por factores importantes, los cuales queremos y podemos controlar para mantenerlos en un nivel aceptable e invariable. Como puede verse, la denicin tiene un alto grado de imprecisin, pues la declaracin de factor importante o de nivel de control aceptable depender forzosamente de cada caso concreto. La idea clave, sin embargo, es que sobre una causa asignable se tiene un control suciente, de manera que cuando sta cambia, el nivel de calidad del producto puede ser no aceptable. Por ejemplo, si la temperatura afecta al rendimiento de un proceso qumico, la variacin de la temperatura ser una causa de variabilidad asignable. Por contra, en una planta de embalaje, la temperatura ambiente no ser en general una causa asignable, pues al variar no tiene por qu alterarse la calidad del empaquetamiento. Causas no asignables: son aquellas producidas por factores secundarios cuyo efecto se considera poco relevante para el proceso. Tambin pueden venir provocadas por factores importantes que varian de forma poco signicativa. Una causa no asignable produce una variabilidad en la calidad que la organizacin est dispuesta a asumir, y por tanto no intentar actuar sobre ella. Si las causas no asignables son las que se asumen como inevitables, ellas sern las que determinan el carcter aleatorio de las magnitudes que se analizan en el control estadstico. La variabilidad debida a causas no asignables determina, por tanto, la calidad nal que la organizacin deseara para toda su produccin. A continuacin se muestra un esquema que resume las distintas caractersticas de estos dos tipos de causas de variabilidad.

Causas no asignables
Suelen ser muchas e incluso desconocidas Cada una produce p oca variabilidad Son parte p ermanente e inherente del proceso Su eliminacin es difcil y es responsabilidad de la direccin Afectan a todo el proceso

Causas asignables
Suelen ser p ocas y fciles de identi car Sus efectos son imp ortantes Aparecen esp ordicamente y se detectan fcilmente Son fciles de eliminar Actan en un punto concreto del proceso

Lo dicho hasta ahora puede resumirse de la siguiente manera:

Introduccin al control estadstico de procesos

1. Aunque un proceso se encuentre bajo condiciones ptimas de funcionamiento siempre tendr una produccin de calidad variable. 2. Si el proceso se encuentra realmente bajo condiciones ptimas de funcionamiento, la variabilidad ser debida slo a causas no asignables y ha de ser, por tanto, asumida por la organizacin. El control del proceso se har mediante el control de su variabilidad. Ms concretamente, consistir en controlar si la variabilidad observada es la que se espera si slo actuasen causas no asignables. El control de un proceso es por tanto una tarea que se resolver utilizando la estadstica. El control de un proceso a travs del control de su variabilidad es lo que se denomina control estadstico de procesos (o Statistical Process Control -SPC-). Si bien la aplicacin del SPC es una tarea estadstica su denicin es una decisin estratgica. Este carcter estratgico viene determinado precisamente por el conjunto de causas de variabilidad no asignables que se mencionaron anteriormente. Es tarea de la direccin de la organizacin determinar qu factores est dispuesta a controlar y cules no controlar. De los factores controlados, la direccin debe especicar qu niveles de variabilidad est dispuesta a aceptar. Al hacer esto, la direccin est deniendo la calidad nal que tendr su producto. La labor del SPC ser, en esencia, asegurar que el producto nal tenga esa calidad deseada. Se dene proceso en estado de control como aquel proceso en el que slamente acta un sistema estable de causas de variabilidad (causas no asignables) y cuya calidad nal es, en consecuencia, predecible estadsticamente (Shewart). La calidad del producto nal ser, entonces, inversamente proporcional a esta variabilidad. Esta variabilidad conseguida en estado de control es medida, usualmente, a travs de la varianza de la variable que se emplee para caracterizar la calidad. Supondremos en este captulo que dichas variables son cuantitativas, tales como longitudes, pesos, tiempos, etc. Si la variabilidad de estas variables slo procede de causas asignables, ser muy razonable esperar que su distribucin se aproximar en gran medida a la normal. Esta aproximacin a la normal puede justicarse mediante el teorema central del lmite. Las causas asignables sern muy numerosas y cada una de ellas tendr una aportacin muy pequea a la variabilidad nal, por lo que su superposicin se aproximar, en general, a la normal. Si la caracterstica considerada sigue una distribucin normal N (, 2 ) cuando el proceso est bajo control, el 99,73 % ( 99, 7 %) de los artculos se encontrar en un intervalo de amplitud 6 ( 3 ). Por tanto, en estado de control, slo una minora de los artculos (3 de cada mil, o ms exactamente 2.7 de cada mil) estar fuera de este intervalo. Este intervalo ( 3 ) constituye, por tanto, un intervalo de tolerancia natural o intrnseca del proceso al comprender prcticamente a la totalidad de los artculos fabricados en condiciones de control. Un artculo puede, por tanto, estar fuera de este intervalo 3 por dos razones: Porque haya ocurrido una causa asignable que ha modicado la caracterstica del artculo de forma signicativa. Diremos entoncs que el proceso est fuera de control. Por ejemplo, en el caso de los cilindros cuya longitud interesa controlar, puede ser que haya disminuido la temperatura de los cilindros por un error en el sistema que controla la temperatura. Esta menor temperatura aumenta la dureza del metal, lo que se traduce en unas peores propiedades

9.1 Fundamentos de los grcos de control

mecnicas para ser cortado y una mayor dispersin en las longitudes nales. Es necesario, entonces, reparar el sistema para recuperar el control del proceso. El proceso esta bajo control, pero el azar ha querido que la variabilidad no asignable sea alta. Por ejemplo, en el caso de los cilindros, puede ser que casualmente la vibracin en el momento del corte sea mayor de lo normal, y puede que justo ocurre en un cilindro en el que hay una composicin microscpica que le conere, por azar, una dureza algo mayor; y que por azar eso sucede cuando la mquina es manejada por un operario que est algo ms distrado de lo normal. En ningn momento se puede hablar de desajustes que sean necesario investigar y reparar. Como la probabilidad de que un artculo se encuentre fuera de dicho intervalo en estado de control es realmente baja (0.3 %, o tres de cada mil) ser ms prudente suponer que la razn de estar fuera del intervalo 3 se debe a la primera de las razones expuestas: la aparicin de una causa asignable, por lo que se dar la alarma y se pondrn en marcha los mecanismos para detectar las causas y devolver al proceso al estado de control. Con este procedimiento hay, por tanto, una probabilidad del 0.3 % de dar una falsa alarma (o ms exactamente, el 0.27 %).

9.1.3.

Grcos de control

Un grco de control es la representacin de la evolucin temporal de una caracterstica de la calidad del producto o servicio de inters. La gura siguiente muestra un ejemplo de este tipo de grcos.

Los elementos bsicos son la lnea central, que representa el nivel medio de dicha caracterstica, y los lmites de control: lmite de control superior o LCS y lmite de control inferior o LCI. La utilizacin del grco de control es, en principio, bastante simple: si el proceso est bajo control (slo actan causas de variabilidad no asignables), la prctica totalidad de las observaciones representadas estarn dentro de dichos lmites de control, mientras que si el proceso est fuera de control (est actuando alguna causa asignable) las observaciones caern, con mucha probabilidad, fuera de dichos lmites. Las observaciones suelen corresponder a mediciones realizadas sobre muestras de artculos: valores medios, desviaciones tpicas, rangos, etc; aunque tambin existen grcos realizados sobre observaciones individuales. Estas mediciones se realizan a lo largo

Introduccin al control estadstico de procesos

del tiempo, por lo que el grco de control es una evolucin temporal de la calidad. Los puntos representados se unen por lneas para visualizarlo mejor. A pesar de su aparente simplicidad, la interpretacin del grco de control ha de ser hecha con cierta cautela. Como veremos ms adelante, incluso si todos los puntos estn dentro de los lmites de control, es posible que el proceso est fuera de control. Sea el estadstico que se utiliza para medir la variable de inters (estadstico: funcin de los datos que no depende de las caractersticas de la poblacin, como la media muestral, varianza muestral, rango muestral...). Por ejemplo, supongamos una muestra de n clientes a los que se tarda en prestar un servicio unos tiempos t1 , t2 , ..., tn . La media aritmtica de dichos tiempos es un estadstico que se puede usar como indicador de la calidad de dicho servicio. Tendramos entonces que la magnitud que representaramos en el grco es = =t t1 + + tn , n

para sucesivas muestras de n individuos. Dicho estadstico ser una variable aleatoria, pues su valor depende de los n individuos concretos que analicemos. El grco de control ser, por tanto, la representacin de sucesivas realizaciones de la variable aleatoria . Sea el valor medio de dicho estadstico (es decir E ( ) = ) y sea su deviacin tpica (es decir, Var( ) = 2 ). La estructura de un grco de control es la siguiente Lmite de control superior (LCS) = + Ls Lnea central = Lmite de control inferior (LCI) = Li donde Ls y Li son las distancias de los lmites de control a la lnea central en trminos de la desviacin tpica del estadstico que se emplea. En general, se emplea la misma distancia para el lmite superior e inferior, es decir, Ls = Li = L. La idea es elegir L de tal manera que si el proceso est bajo control sea muy probable que la evolucin de se desarrolle dentro de los lmites, pero que si el proceso sale de control aumente la probabilidad de que se coloque fuera de dichos lmites y se pueda as dar una seal de alarma. Si L es muy alto, ser muy poco probable que, si el proceso est en estado de control, las observaciones estn fuera de los lmites; es decir, una falsa alarma ser muy poco probable. Sin embargo, si el proceso est fuera de control por poco margen, sera muy difcil detectarlo. Por el contrario, si L es muy bajo, ser muy probable detectar que el proceso est fuera de control, pero ser tambin muy probable dar falsas alarmas. Usualmente, se elige L = 3. La principal razn para justicar el valor L = 3 es que, en el caso en que el estadstico utilizado siga una distribucin normal, o razonablemente aproximada, el intervalo de 3 corresponder con el 99,7 % de la poblacin, como ya se vi en el tema anterior. Por tanto, bajo normalidad y si el proceso est bajo control, la prctica totalidad de las observaciones estarn dentro de dicho lmites. Existe, no obstante, una probabilidad de 0.003 (0.3 %) de que se est fuera de los lmites sin estar fuera de control. En ese caso se estara dando una falsa alarma. La utilizacin de L = 3 ha proporcionado muy buenos resultados en la vida real, por lo que su uso es bastante general. La forma ms general de grco de control es, por tanto, LCS = + 3 Lnea central = LCI = 3 (9.1)

De esta forma, si las causas de variabilidad se mantienen estables, la distribucin de no cambiar (la media ser siempre y la varianza 2 ). Los distintos valores observados de sern

9.2 Grco de control para la media

debidos slo a la variabilidad muestral y, en el caso de normal, estarn entre los lmites con probabilidad 0.997. Sin embargo, si se produce un desajuste en el proceso que haga cambiar la media y/o la varianza 2 la evolucin de ser diferente, y empezar a tomar valores fuera de los lmites con mucha mayor probabilidad.

9.2.

Grco de control para la media

, recoge la evolucin de la media El grco de control de la media, tambin llamado Grco X muestral, en muestras de tamao n, de la caracterstica de calidad de inters. Por ejemplo, el tiempo medio de atencin a un cliente tomando muestras de 10 clientes, o el radio medio de un cilindro, tomando muestras de 20 cilindros. Supondremos en este captulo que dicha media muestral X sigue una distribucin normal. Si la variable de inters X sigue una distribucin normal, la media ser tambin normal. Si la variable original no es normal, pero n es elevado, por el muestral X ser aproximadamente normal. Existen, adems, transformaciones teorema central del lmite X que permiten convertir una variable aleatoria contnua asimtrica en una variable que se aproxime razonablemente a la normal. Por otra parte, si el proceso est en estado de control, es muy razonable esperar que la variable de inters sea normal (por qu?). Por esta razn, la construccin de los se realiza suponiendo que la media muestral sigue una distribucin normal. Por tanto, grcos X las propiedades de nuestra media muestral sern: 2 N , , X n donde y 2 son la media y varianza, respectivamente, de la variable de inters X cuando la variabilidad procede slo de causas no asignables, es decir, cuando el proceso est bajo control. Bajo esta hiptesis, un intervalo que comprenda al 99.7 % de la probabilidad estar comprendido en 3/ n. El grco de control tendr las siguientes caractersticas: LCS = + 3 n Lnea central = LCI = 3 n (9.2)

Se ha de estimar, por tanto, los parmetros y . Para estimarlos se toman muestras de la produccin (o prestacin del servicio) durante un periodo prolongado de tiempo en el que se sepa que el proceso est bajo control. Una vez que se ha construido el grco, ste se utilizar en primer lugar para comprobar que realmente el proceso estuvo bajo control mientras se recoga esta informacin inicial. En caso contrario se ha de prescindir de aquellas muestras en las que el proceso no estuvo bajo control y se repetir el clculo del grco. En la utilizacin de los grcos de control hay que distinguir, entonces, dos etapas: 1. Contruccin de los grcos, utilizando la informacin contenida en un conjunto de muestras iniciales. 2. Una vez construido el grco, se representa la evolucin de las muestras obtenidas en tiempo real, y se controla as el proceso. El grco no se vuelve ya a modicar, salvo que haya transcurrido mucho tiempo y se quieran actualizar sus lmites

Introduccin al control estadstico de procesos

El periodo de tiempo en el que se tomen los datos iniciales para la etapa de construccin del grco debe ser lo sucientemente amplio para permitir que haya cambios de turno, variabilidad en la materia prima, horas punta del servicio y horas valle, etc. La estimacin de los parmetros ser, adems, una tarea que ha de someterse a revisin peridica. Veamos a continuacin cmo ha de hacerse la estimacin de y .

9.2.1.

Estimacin de los parmetros del grco X

Sea X la variable que mide la calidad de los artculos producidos, o uno de los aspectos de la calidad que nos interese. Supongamos que se recogen un total de k muestras a intervalos regulares de tiempo y en cada muestra hay n elementos. Sea xij el valor del elemento j-simo (j = 1, .., n) de la muestra i-sima (i = 1, ..., k ). El conjunto total de datos ser: (X11 , X12 , ..., X1j , ..., X1n ), ...,(Xi1 , Xi2 , ..., Xij , ..., X2n ), ...,(Xk1 , Xk2 , ..., Xkj , ..., Xkn ). {z } {z } {z } | | |
muestra 1 muestra i-sima muestra k

Si el proceso estuviese bajo control durante toda la recogida de estos nk datos, stos constituiran una muestra aleatoria simple (de tamao nk ) de una poblacin normal N (, 2 ). El grco se construye, entonces, de la siguiente manera: 1. Se calcula la media y varianza de cada muestra. Por ejemplo, para los n datos de la primera muestra: Pn X 1 = j =1 1j , X n Pn 2 j =1 X1j X1 2 , S1 = n 2 Pn j =1 X1j X1 2 1 = S . n1 Se tendrn, por tanto, k medias y k varianzas. 2. Se calcula la media total. La media total ser: Pk Xi X = i=1 . k Este estimador ser centrado si la media del proceso ha sido constante durante la recogi1 no son da de la informacin. Sin embargo, puede demostrase que los estimadores S1 y S 1 ) 6= ). estimadores insesgados de aun estando el proceso bajo control (E (S1 ) 6= ; E (S El sesgo depende, adems, del tamao de la muestra n. No obstante, el sesgo para poblaciones normales est tabulado (ver apndice). La desviacin tpica muestral s es una variable aleatoria que verica E (Sj ) = c2 , (9.3) donde los valores de c2 estn tabulados para distintos tamaos muestrales. Por tanto se tiene que E (Sj ) , = c2

9.2 Grco de control para la media

Podremos construir un estimador insesgado de promediando los estimadores Sj ( y as estimar E (Sj )) y dividiendo por c2 , obteniendo : = = S S , c2 Pk (9.4) Si . (9.5)

i=1

Otra posible opcin sera utilizar un estimador insesgado para la varianza de cada muestra. Por ejemplo, para la muestra 1: 1 = S sP
n j =1

(X1j X1 ) n1

en lugar de S1 . Este estimador verica que j ) = c4 , E (S 2 j ) = (1 c2 Var(S 4 ) , donde c4 est tabulado en funcion de n. Por tanto, = Un estimador insesgado de ser = T = S T S , c4 Pk (9.8) i S . (9.9) j ) E (S . c4 (9.6) (9.7)

i=1

El anlisis realizado con este procedimiento no es muy distinto al que se realice utilizando Sj j para medir la desviacin tpica de cada y el correspondiente coeciente c2 . Si utilizamos S muestra, el grco de control terico para la media ser LCS = + 3 Lnea central = E (Sj ) c2 n

(9.10)

E (Sj ) LCI = 3 c2 n y el estimado s LCS = x + 3 c2 n Lnea central = x s LCI = x 3 c2 n

(9.11)

10

Introduccin al control estadstico de procesos

Grfico para la media

24 LCS 22

20 media

18

LCI 16

14 0 2 4 6 8 10 tiempo 12 14 16 18 20

Figura 9.1: Grco de control para las medias. Datos de20 muestras de tamao 5. Por el contrario, si se utiliza el estimador s j se tendr el siguiente grco de control terico para la media j ) E (S LCS = + 3 c4 n Lnea central = (9.12) j ) E (S LCI = 3 c4 n y el estimado ser s T LCS = x + 3 c4 n Lnea central = x s T LCI = x 3 c4 n (9.13)

Recordemos que estamos an en la etapa de construccin del grco de control, y que para ello estamos suponiendo que los datos que se poseen son representativos del proceso en estado de control. Esta suposicin hemos de corroborarla con este grco inicial. Si algn punto saliese de los lmites de este grco concluiremos que el proceso estaba fuera de control y lo eliminaremos. A continuacin se recalcular x y s (o s T ) con las muestras restantes, dibujaremos un nuevo grco y repetiremos el proceso hasta que todas las muestras estn dentro de los lmites. La gura 9.1 es un ejemplo de este tipo de grcos donde se tienen 20 muestras de tamao 5 cada una. Puede observarse que todas las medias se encuentran entre los lmites de control. Otra opcin para realizar este grco es utilizar el rango como medida de variabilidad. El rango de una muestra es la diferencia entre los valores extremos. Por ejemplo, en la muestra 1: R1 = m ax(x11 , ..., x1n ) m n(x11 , ..., x1n ). El rango ser, por tanto, proporcional a la variabilidad de la variable. En muchas ocasiones se analiza la variabilidad a travs del rango, en lugar de la desviacin tpica muestral. La razn

9.2 Grco de control para la media

11

principal es su simplicidad de clculo. Adems, en muestras pequeas, es un estimador de la desviacin tpica casi tan ecaz, desde el punto de vista matemtico, como la desviacin tpica muestral. Supongamos que X N (, 2 ) y R es el rango de una muestra de tamao n de dicha variable aleatoria normal. El rango ser tambin una variable aleatoria. Esta variable aleatoria depende de y de n y fue tabulada por primera vez por Pearson en 1932. La distribucin que est tabulada es la de la variable aleatoria R W = , p para varios tamaos muestrales. Llamemos d2 E (W ) y d3 Var(W ), donde d2 y d3 estn tabulados. Entonces: R E (R) = E (W ) = d2 , p R Var(R) = d3 . = Por tanto un estimador de ser = donde = R E (R ) . d2 R , d2
i=1

(9.14) (9.15)

Por tanto, de la expresion (9.14) se obtiene que

. (9.16) k Por tanto, el grco de control terico para la media, utilizando el rango como medida de variabilidad es, E (R) LCS = + 3 d2 n Lnea central = (9.17) E (R) LCI = 3 d2 n y el estimado LCS = x + 3 Lnea central = x R d2 n

Pk

Ri

R LCI = x 3 d2 n

(9.18)

Las constantes d2 y d3 estn tabuladas considerando que la distribucin de referencia es normal. Sin embargo Burr demostr en 1967 que estas constantes varan muy poco para una amplia variedad de distribuciones, con tal que n 10. Ejemplo 1 Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especicaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin: = 5,40. = 30,11, R x

12

Introduccin al control estadstico de procesos

El grco de control de la media basado en medir las dispersiones con los rangos se muestra en (9.18). Para tamaos muestrales de n = 6 se tiene en las tablas que d2 = 2,534. Por tanto, LCS = 30,11 + 3 Lnea central = 30,11 5,40 = 32,72 2,534 6

5,40 = 27,50 LCI = 30,11 3 2,534 6

(9.19)

9.3.

Grcos de control para la dispersin

Estamos suponiendo que la variable X es normal. Por tanto su distribucin no depende slo de la media , sino de la varianza 2 . Por consiguiente, para comprobar que el proceso est bajo control no basta con demostrar que ha sido estable; es decir, que los puntos del grco de media estn entre sus lmites. Hemos de comprobar tambin que la varianza 2 de la variable de inters X permanece estable. Esto se puede llevar a cabo con un grco de control para las desviaciones tpicas. Veamos a continuacin grcos para controlar que la dispersin de la variabilidad es estable a lo largo de la produccin o la prestacin del servicio. Veremos dos tipos de grcos segn la dispersin se mida a travs de la desviacin tpica o del rango. Al igual que con el grco de las medias, primero habr que construir sus lmites con un conjunto de informacin inicial.

9.3.1.

Grco de control de la desviacin tpica

p p 2 donde B6 = c4 +3 1 c2 4 , B5 = c4 3 1 c4 estn tabulados en funcin del tamao muestral. Como es desconocido, se utilizar el estimador insesgado = s T . c4

El grco de control de la desviacin tpica (corregida por grados de libertad) o Grco S se utiliza para controlar que la desviacin tpica es estable, y por tanto representativa de la variabilidad debida a causas no asignables. Utilizando las propiedades (9.6) y (9.7) se tiene que, un grco de control terico para la desviacin tpica ser: q p ) = c4 + 3 1 c2 = B6 LCS = E (S ) + 3 Var(S 4 ) = c4 Lnea central = E (S q p ) 3 Var(S ) = c4 3 1 c2 = B5 LCI = E (S
4

Por tanto, el grco de control para las desviaciones tpicas es s T = B4 s T c4 s T Lnea central = c4 =s T c4 s T LCI = B5 = B3 s T c4 LCS = B6 donde B3 y B4 estn tabulados (ver apndice). La estimacin s T es la obtenida en la seccin anterior con las muestras iniciales. Si algn dato cae fuera de los lmites se considerar que el

9.3 Grcos de control para la dispersin

13

Grfico para la desviacin tpica 5 LCS 4.5

3.5

d.t.

2.5

1.5

0.5 LCI 0 2 4 6 8 10 tiempo 12 14 16 18 20

Figura 9.2: Grco de control para la desviacin tpica. Grco realizado con 20 muestras de tamao 5 proceso ha estado fuera de control en ese momento, por lo que ese datos no puede emplearse para la construccin de ningn grco de control. Por tanto, la muestra hay que eliminarla tanto para el clulo del grco de medias como de desviaciones tpicas. Hay que recalcular, por tanto, ambos grcos. La gura 9.2 es un ejemplo de grco de control para la desviacin tpica. Los datos con los que se ha realizado este grco y el de la media son los mismos, por lo que puede considerarse que el proceso ha estado bajo control durante la recogida de datos.

9.3.2.

Grco de control del rango

Utulizando las propiedades del rango muestral vistas en las expresiones (9.14) y (9.15) se tiene que un grco de control terico para el rango tendr las siguientes caractersticas: LCS = R + 3 R = d2 + 3d3 = D2 Lnea central = R = d2 LCI = R 3 R = d2 3d3 = D1 donde D1 = d2 3d3 ; D2 = d2 + 3d3 . Como ser, en general, desconocido, se emplear el estimador R = , d2 y el grco de control ser: R R + 3d3 = D4 R d2 d2 R =R Lnea central = d2 d2 R R = D3 R LCI = d2 3d3 d 2 d2 LCS = d2

14

Introduccin al control estadstico de procesos

Grfico de rangos

LCS

16

14

12

10

8 Rangos 6

LCI

10 tiempo

12

14

16

18

20

Figura 9.3: Grco de control de rangos. 20 muestras de tamao 5 donde D3 = (1 3d3 /d2 ) y D4 = (1 + 3d3 /d2 ) estn tabulados en funcin del tamao muestral. La gura 9.3 es un ejemplo de este grco. La interpretacin de este grco es como en los casos anteriores. Si el proceso ha estado bajo control todos los puntos estarn dentro de los lmites de control. En caso contrario no podremos usar ese dato para la construccin de grco y habr que eliminar dicha muestra y recalcular tanto este grco como el de las medias Una vez que hemos construido el grco para la media y para la dispersin con el conjunto de muestras iniciales, daremos por concluida la etapa de diseo de los grcos de control y los mantendremos ya jos. Pasaremos entonces a utilizarlos en tiempo real, analizando la estabilidad del proceso con nuevas muestras tomadas a intervalos regulares de tiempo. Si una muestra cae entonces fuera de los lmites de control habr que analizar rpidamente qu ocurri para recuperar el control del proceso. Cada cierto tiempo es conveniente actualizar los lmites de control con nuevas mediciones.

9.3.3.

Tamao de la muestra y frecuencia de muestreo

Cada punto de un grco de control corresponde al valor observado del estadstico de inters (por ejemplo la media muestral, rango,..) evaluado en una muestra de tamao n en cierto instante. Es necesario, por tanto, determinar dicho tamao muestral as como la frecuencia con que se computar. En la determinacin del tamao muestral intervienen factores econmicos y estadsticos, por lo que no se puede establecer un mtodo universal. En general, a mayor tamao muestral, menor ser la varianza del estadstico y ms fcil ser detectar desviaciones del estado de control. Por ejemplo, la desviacin tpica de la media muestral es / n, por lo que si n es alto la desviacin tpica es baja. Esto har que los lmites que contengan al 99.7 % de los valores en estado de control sern ms estrechos. Por tanto, si el proceso sale fuera de control ser ms fcil que slos puntos algan de los lmites y detectemos el desajuste, sin que aumente la probabilidad de falsa alarma que seguir siendo del 0.3 %.

9.4 Capacidad de un proceso. ndice de capacidad

15

Sin embargo, en algunos casos, las mediciones de la caracterstica de calidad pueden tener un coste alto, por lo que no ser factible tomar muestras grandes. Por otra parte, para poder tener una muestra grande ser necesario esperar mucho tiempo, por lo que se tardar ms en detectar fallos, con el consiguiente coste. Sea p la probabilidad de que un punto del grco est fuera de los lmites de control. El clculo de esta probabilidad es sencillo y depender del tamao muestral seleccionado y del estado del proceso (ver hoja de problemas). Por las propiedades de la distribucin geomtrica, se sabe que el nmero medio de sucesos hasta que un punto est fuera de los lmites (hasta que suceda el suceso de probabilidad p) es: 1 Nmero medio de muestras hasta la deteccin= . p De esta forma se puede saber el tiempo que se tardar en detectar desajustes. Esta informacin es de mucha utilidad para decidir tanto la frecuencia de muestreo como el tamao muestral, aunque la decisin nal puede estar inuida por ms factores. Al nmero medio de muestras hasta la deteccin del desajuste se le llama tambin ARL, que proviene de las siglas en ingls Average Run Length, (longitud media de la racha )

9.4.

Capacidad de un proceso. ndice de capacidad

Se dene capacidad de un proceso en el que la calidad se mide a travs de una variable cuantitativa X con Var(X ) = 2 como: Capacidad = 6, donde es la desviacin tpica de la variable cuando el proceso est bajo control. La capacidad del proceso es una medida de la calidad del proceso muy utilizada en la prctica. La capacidad es una cualidad negativa. A mayor capacidad mayor variabilidad. Estimar la capacidad se resume en estimar . Esta estimacin se hace a partir de los grcos elaborados anteriormente. Los pasos para estimar la capacidad se pueden resumir de la siguiente forma: 1. Se seleccionan k muestras de tamao n recogidas durante un intervalo amplio de tiempo. 2. Se construye, con los datos obtenidos de dichas muestras, un grco de control para X y otro para la dispersin (el de rangos o el de desviaciones tpicas). 3. Si alguna muestra est fuera de los lmites, se elimina y se recalculan ambos grcos (media y dispersin), repitindose este proceso hasta que todas las muestras estn entre los lmites de control. 4. Una vez asegurado que los datos proceden de un proceso en estado de control se ha de vericar la hiptesis de normalidad de los datos mediante algn procedimiento estadstico (contraste de normalidad, grco en papel probabilstico-normal, etc). 5. La estimacin de la capacidad ser, si se utiliza la desviacin tpica de cada muestra sin corregir por grados de libertad: Capacidad estimada=6 =6 s . c2

16

Introduccin al control estadstico de procesos

Si se utiliza la desviacin tpica corregida: Capacidad estimada=6 =6 s T . c4

Si se utiliza el rango para medir la variabilidad, se tendr la siguiente estimacin de la capacidad R Capacidad estimada=6 =6 . d2

No debe confundirse la capacidad de un proceso (o mquina o tarea concreta) con las tolerancias tcnicas del producto. Las tolerancias son los requerimientos tcnicos para que el producto sea admisible para su uso, mientras que la capacidad es una caracterstica estadstica del proceso que elabora dicho producto. Para comparar ambas caractersticas se dene el ndice de capacidad de un proceso Cp de la siguiente manera: Cp = Tolerancia LTS-LTI = , Capacidad 6

donde LTS es el lmite de tolerancia superior y LTI el inferior. Si Cp > 1 se dice que el proceso es capaz, pues prcticamente todos los artculos que produzca estarn dentro de las tolerancias requeridas. Si Cp < 1 se dice que el proceso no es capaz. Si Cp 1 habr que vigilar muy de cerca el proceso, pues cualquier pequeo desajuste provocar que los artculos no sean aceptables.

9.5.

Interpretacin de los grcos de control

La interpretacin de los grcos de control se basa en la siguiente idea general: si el proceso est en estado de control, los grcos deben mostrar un comportamiento aleatorio dentro de los lmites de control; por tanto una evolucin de los grcos que tenga un patrn no aleatorio o/y fuera de los lmites ser indicio de existencia de causas asignables. Se suele interpretar en primer lugar los grcos de la variabilidad (rango o desviacin tpica), pues un aumento de la variabilidad puede provocar un aumento de la media muestral, mientras que el fenmeno inverso no ocurre. Los aspectos a analizar son: puntos fuera de los lmites, tendencias o rachas, patrones no aleatorios.

9.5.1.

Puntos fuera de los lmites de control

Si uno o ms puntos de un grco de control est fuera de los lmites es indicio de que el proceso se ha desajustado y conviene analizar el proceso para encontrar la causa. Un punto fuera de los lmites puede ser debido a alguno de los siguientes motivos: El punto ha sido mal calculado. Los lmites han sido mal calculados o el grco mal dibujado.

9.5 Interpretacin de los grcos de control

17

Hay variaciones en el sistema de medicin del dato (nuevos calibres, distinto aparato de medida). Una variacin de la media pero no en la variabilidad puede venir provocada por un desajuste en la maquinaria o desgaste de alguno de sus elementos. Un aumento de la variabilidad pero no de la media puede venir provocada por envejecimiento de alguno de los componentes del proceso o por variaciones en la calidad de la materia prima. Una disminucin de la variabilidad (puntos por debajo del lmite inferior) implica una mejora del sistema, por lo que debe investigarse la causa.

9.5.2.

Tendencias o rachas

Cuando un conjunto de puntos consecutivos presentan una tendencia creciente o decreciente durante 7 puntos (regla del 7 ) es indicio de que algo est ocurriendo en el proceso, pues la probabilidad de que muchos puntos formen una tendencia slo por azar el prcticamente nula. Por tanto ha de investigarse la presencia de una causa asignable incluso si dichos puntos estn dentro de los lmites. Por ejemplo, un desajuste paulatino de una herramienta provocar un desajuste paulatino en la media del proceso. Es necesario detectar ese desajuste y no esperar a que produzcan valores fuera de los lmites de control. Un desgaste en la sujeccin de una herramienta de corte ir aumentando gradualmente la variabilidad en la longitud de corte. Ese desgaste puede detectarse sin necesidad de llegar a que el sistema produzca piezas defectuosas. Cuando un conjunto de 7 puntos sucesivos se encuentran consistentemente a un lado de la lnea central del grco (racha) es indicio de anomala incluso si se encuentran dentro de las lneas de control. De nuevo, la probabilidad de que slo por azar ms de 7 puntos se encuentren en un lado del grco es prcticamente nula, por lo que habr que investigar la presencia de causas asignables.

9.5.3.

Patrones no aleatorios

Adems de tendencias o rachas, pueden aparecer otros patrones en los datos que deben llevar al anlisis del sistema incluso si los datos evolucionan dentro de los lmites de control. Por ejemplo: Periodicidades en forma de ciclos, con sucesiones regulares de picos y valles. Inestabilidad: grandes uctuaciones de la media, producidos, posiblemente por sobreajustes del proceso, falta de entrenamiento de los operarios o heterogeneidad en la materia prima. Sobrestabilidad: Ocurre este fenmeno cuando la variabilidad observada es consistentemente menor que la esperada. Esto puede ser debido tanto a un clculo errneo de los lmites como a causas asignables que afecten positivamente al proceso.

9.5.4.

Tests de inestabilidad

Los tests de inestabilidad consisten en la deteccin de patrones en los grcos que sean muy poco probables si el proceso est bajo control. La mayora de los programas informticos los incluye. Para detectarlos se dividen las dos reas alrededor del lmite central en tres zonas iguales: A, B, C (ver grco). Cada lnea corresponder, entonces, a una desviacin tpica.

18

Introduccin al control estadstico de procesos

Grfico de control

24 LCS +3dt 22 +2dt +1dt 20 L. central Zona C -1dt 18 -2dt Zona A LCI 16 -3dt Zona B Zona C Zona A Zona B

14 0 2 4 6 8 10 tiempo 12 14 16 18 20

Figura 9.4: Existen un total de ocho patrones. Si se detecta la presencia de alguno de ellos se ha de considerar la posibilidad de que sea debido a alguna causa asignable. Estos patrones son los siguientes: Patrn 1: Un punto fuera de las lneas de control (fuera de la zona A). Patron 2: 2 puntos de 3 consecutivos dentro de la zona A o exteriores a ella. Patrn 3: 4 de 5 puntos consecutivos en la zona B o A. Patrn 4: 8 puntos consecutivos en la misma mitad del grco. Patrn 5: 15 puntos consecutivos en las zonas C. Patrn 6: 8 puntos seguidos sin caer en la zona C, aunque estn a ambos lados del grco. Patrn 7: 14 puntos seguidos alternativos (cada uno en una mitad diferente al anterior) Patrn 8: 7 puntos seguidos creciendo o decreciendo El uso de estos patrones se suele hacer con la ayuda de un ordenador.

9.6.
9.6.1.

Grcos P y NP
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

9.6 Grcos P y NP

19

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 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 defectusos de cada muestra, que denotaremos por p i = di /ni ser una variable aleatoria. En general se tendr 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 a la 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. 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: 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 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 Entonces, la proporcin de artculos defectuosos en un total de ni unidades puede escribirse como p i = di 1 + 0 + 1 + 0 + 0 + = ni ni X1 + X2 + + Xni = = X ni

20

Introduccin al control estadstico de procesos

y es, por tanto, una media muestral de variables de Bernoulli. Es fcil, entonces, deducir las siguientes propiedades: E ( pi ) = p Var( pi ) = p(1 p) ni

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 . Como en grcos anteriores, el grco P tiene los siguientes elementos p pi ) Lmite de Control Superior = E ( pi ) + 3 Var( 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 (9.20) 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 se necesita 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 (9.20). 3. Calcular la proporcin de artculos defectuosos en cada muestra: p i = nmero de defectuosos . ni

9.6 Grcos P y NP

21

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 9.1: Datos ejemplo 1 4. Colocar los valores p i ordenados en el tiempo en el grco e interpretarlo. 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 9.1 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 9.5. 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 s son lneas rectas. Para ello utilizan como tamao muestral en las frmulas (9.20) el promedio de los tamaos muestrales; es decir, usan, en lugar de ni Pk ni n = i=1 . k

22

Introduccin al control estadstico de procesos

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 9.5: Grco P para la proporcin de diodos defectuosos con p conocido: p = 0,08. 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). 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 promediar los diferentes valores de p i , es decir: p = Pk
i=1

p i

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,

9.6 Grcos P y NP

23

utilizando las propiedades de la distribucin normal, a poner los lmites en tres desviaciones 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 (9.21) 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. 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 (9.22) 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 9.6 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 en9.22 no es adecuada. Si eliminamos la muestra 9 del anlisis y rehacemos el grco se tiene la nueva estimacin: 192 20 = 0,076, p = 2370 114 p (1 p )/ni = 0,076 0,795/ ni . La gura 9.7 muestra el y los nuevos lmites sern p 3 p 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

24

Introduccin al control estadstico de procesos

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 9.6: 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 9.7: Grco P para el porcentaje de diodos defectuosos. La muestra 9 ha sido eliminada (aparece con el smbolo X).

9.6 Grcos P y NP

25

Prop. de diodos defect (estandarizado)

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

Muestra
Figura 9.8: 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 9.8 muestra el grco estandarizado correspondiente al ejemplo 1 con p estimado. (9.23)

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

9.6.2.

Grco NP

Se aplica al mismo tipo de procesos que en el caso anterior. La diferencia est en que, en lugar de contabilizar proporcin de artculos defectuosos en una muestra, se considera el nmero de artculos defectuosos. En general, es til si:

26

Introduccin al control estadstico de procesos

(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 este tipo de grcos se utiliza exclusivamente con 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, dicha distribucin puede aproximarse a la normal (ver apndice del Captulo 2). Por tanto, para n elevado, aproximadamente, i N (np, np(1 p)) . di = np 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 d i=1 di = np p = = 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. 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 )

9.7 Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

27

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 ),

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 9.2. El grco de control que resulta se encuentra en la gura 9.9. 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.

9.7.

Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

En las secciones anteriores se describe un connunto de tcnicas para controlar la calidad durante el proceso de produccin. Una vez que el producto est terminado, se agrupa en lotes y se vende. Durante la transaccin, es frecuente que se realice lo que se denomina un muestreo de recepcin o de aceptacin. El muestreo de recepcin consiste en tmar una muestra de artculos del lote que se quiere vender, se analizan los elementos de dicha muestra y en funcin del resultado se decide aceptar o rechazar todo el lote. El muestreo de aceptacin se realiza cuando no es factible, o es antieconmico, la inspeccin del 100 % de los artculos. Por ejemplo, los ensayos requeridos pueden ser muy caros o incluso pueden requerir la destruccin del artculo. En otras ocasiones, la inspeccin puede necesitar mucho tiempo. En productos de alta precisin suele ser habitual la inspeccin de todos los artculos. Existe todo un sector de la industria dedicado al diseo de instrumentos de medida que permitan una inspeccin rpida o incluso automatica. Al basar la decisin sobre el lote en el resultado de analizar una muestra, se corre el riesgo de tomar una decisin equivocada. Por ejemplo, puede que en el lote haya muchos artculos defectuosos, pero que por azar la muestra tenga todos los artculos aceptables. En este caso, el comprador

28

Introduccin al control estadstico de procesos

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 9.2: 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 9.9: Grco NP para el nmero de chips defectuosos en 25 lotes de 50 chips cada uno.

9.7 Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

29

puede adquirir un lote que no desea. El comprador corre entonces el riesgo de adquirir un lote inaceptable. El azar debido al muestreo puede producir tambin el caso contrario: un lote con muy pocos artculos defectuosos puede rechazarse si casualmente la muestra seleccionada tiene muchos artculos defectuosos. vemos entonces que tambin el vendedor corre riesgos en un muestreo de aceptacin: el riesgo de que le rechacen un lote aceptable. Llameremos Nivel de Calidad Aceptable (NCA, o pA , o en ings AQL: aceptable quality level) a la proporcin de artculos defectuosos del lote que el comprador est dispuesto a asumir. Llamemos p al porcentaje de artculos defectuosos que tiene realmente el lote. Entonces, si p pA el lote es aceptable, y si p > pA el lote es rechazable. El valor de p no es conocido, salvo que analicemos todo el lote en cuyo caso no tendramos problemas de muestreo. Lo nico que tendremos sr la estimacin de p que se realice a partir de una muestra. El problema del muetreo de recepcin consiste en decidir el tamao muestral n y el nmero mximo de artculos defectuosos c que estaremos dispuestos a admitir. Si el nmero de artculos defectusoso d que encontremos en la muestra es d > c rechazaremos el lote; mientas que si d c aceptaremos todo el lote. Los valores de n y c se tomarn de manera que los riesgos que corran tanto el vendedor como el comprador sea pequeos. El diseo de planes de muestreo de recepcin es, en general, complejo. En esta seccin sinmplemente nos opcuparemos de presentar un plan de muestreo denominado plan Military Standard, sin entrar en las justicaciones estadsticas en que se basa. La estandarizacin de los procedimientos de muestreo de aceptacin comenz a producirse durante la II gerra mundial por EEUU. Dicho estndar se denomin Mlitary Standard (MIL STD). Desde entonces, el plan Military Standard se ha convertido en el plan de recepcin. Este estndar cubre diferentes tipos de muestreo. En este tema nos ocuparemos slo de los planes simples, en los que la decisin sobre el lote se toma extrayendo una sola muestra. Para un mismo tamao de lote y un mismo nivel de calidad aceptable (NCA o AQL o valor pA ) se especican tres planes de inspeccin: 1. Normal: para aquellos casos en los que la calidad que se espera del proveedor es similar al NCA 2. Reducido: para aquellos casos en los que la calidad esperada sea muy alta (p < pA ). En este tipo de muestreo, el tamao muestral es inferior al plan normal. 3. Riguroso: implica un elevado tamao muestral. Se utiliza cuando se espera una calidad inferior a la AQL (p > pA ). Existen una serie de reglas que determinan el plan de muestreo anterior. Estas reglas pueden resumirse en los siguientes puntos: El plan de inspeccin normal se realizar al comienzo de la tarea de inspeccin. Cambio de plan normal a riguroso : se pasar de inspeccin normal a rigurosa si dos de cinco lotes consecutivos han sido rechazados. Cambio de plan riguroso a normal : se pasar de control riguroso a normal cuando se acepten cinco lotes consecutivos

30

Introduccin al control estadstico de procesos

Figura 9.10: Tabla de Cdigos en funcin del coste de inspeccin (Fuente: Montgomery, Introduction to Statistical Quality Control). Cambio de plan normal a reducido: se pasar de muestreo normal a reducido si no se rechaza ningn lote durante diez lotes seguidos. Cambio de plan reducido a normal: se pasar de muestreo reducido a normal si un lote es rechazado. Tambin puede volverse al plan normal cuando el nmero de defectuosos no lleva ni a aceptar ni a rechazar el lote. Si se est en el plan de inspeccin riguroso durante ms de diez lotes, la inspeccin debe concluir y se debe proponer el vendedor que aumente los niveles de calidad de su produccin. Este conjunto de reglas se resumen en la gura 9.11 El plan MIL STD 105E vara tambin en funcin del coste del muestreo, existiendo varios niveles segn el coste de inspeccin. Estos niveles son: Coste de inspeccin alto: Nivel I. Coste de inspeccin estndar: Nivel II. Coste de inspeccin bajo: Nivel III. Niveles especiales (por ejemplo, en ensayos destructivos): Niveles S-1 a S-4

Para aplicar el plan hay que seguir los siguientes pasos: 1. Decidir el AQL o pA .

9.7 Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

31

Figura 9.11: Plan MIL STD 105E. Reglas para el cambio de nivel de muestreo

32

Introduccin al control estadstico de procesos

2. Determinar el nivel de inspeccin en funcin de su coste (nivel I, II, III, o niveles especiales).

3. Con el tamao del lote y el nivel de inspeccin anterior ir a la tabla de cdigos (Tabla 9.10) y encontrar el cdigo de inspeccin.

4. Determinar el plan de inspeccin (normal, riguroso (o estricto) y reducido).

5. Con el cdigo de inspeccin y el plan de inspeccin, acudir a la tabla correspondiente: Inspeccin normal: Tabla 9.12, inspeccin reducida: Tabla 9.13, inspeccin estricta: Tabla 9.14) y encontar el plan de muestreo.

6. Tomar la muestra y ejecutar la inspeccin. Con el resultado evaluar un posible cambio de plan.

Veamos algunos ejemplos:

Ejemplo 2 Se desea disear un plan de muestreo MIL STD 105E con las siguientes caractersticas: pA = 0,004 (0.4 %) y lotes de 1000 unidades. Para disear el plan MIL STD supondremos un nivel II (coste estndar). En la Tabla 9.10 leemos el cdigo de inspeccin, que es J. Si utilizamos el plan de muestreo normal acudiremos a la tabla 9.12. En esa tabla, con el cdigo J y un valor de pA = 0,4 % nos encontramos con una echa. Por tanto utilizaremos el primer plan en la direccin de la echa. En este caso el plan pasar de cdigo J a cdigo K; se inspeccionan 125 artculos y se rechaza el lote si se encuentran c > 1 artculos defectuosos. Se acepta si se encuentra un artculo defectuoso o ninguno.

9.7 Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

33

Figura 9.12: Plan de muestreo para Inspeccin NORMAL.(Fuente: Montgomery, Introduction to Statistical Quality Control). Valores de pA > 10 representan nmero de defectos por 100 unidades.

34

Introduccin al control estadstico de procesos

Figura 9.13: Plan de muestreo para Inspeccin REDUCIDA.(Fuente: Montgomery, Introduction to Statistical Quality Control). Valores de pA > 10 representan nmero de defectos por 100 unidades.

9.7 Muestreo de recepcin: Plan Military Standard (I.T. Industrial)

35

Figura 9.14: Plan de muestreo para Inspeccin ESTRICTA.(Fuente: Montgomery, Introduction to Statistical Quality Control). Valores de pA > 10 representan nmero de defectos por 100 unidades.

36

Introduccin al control estadstico de procesos

.1.

Tablas para grcos de control

Grcos de medias con dispersin basada en Grcos para Rangos

Observaciones en la muestra,n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

0.5642 0.7236 0.7979 0.8407 0.8686 0.8882 0.9027 0.9139 0.9227 0.9300 0.9359 0.9410 0.9453 0.9490 0.9523 0.9551 0.9576 0.9599 0.9619 0.9638 0.9655 0.9670 0.9684 0.9696

s : c2

0.7979 0.8862 0.9213 0.9400 0.9515 0.9594 0.9650 0.9693 0.9727 0.9754 0.9776 0.9794 0.9810 0.9823 0.9835 0.9845 0.9854 0.9862 0.9869 0.9876 0.9882 0.9887 0.9892 0.9896

s T : c4

1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078 3.173 3.258 3.336 3.407 3.472 3.532 3.588 3.640 3.689 3.735 3.778 3.819 3.858 3.895 3.931

: R d2

Grcos para deviaciones tpicas (corregidas) 0 0 0 0 0.030 0.118 0.185 0.239 0.284 0.321 0.354 0.382 0.406 0.428 0.448 0.466 0.482 0.497 0.510 0.523 0.534 0.545 0.555 0.565

0 0 0 0 0 0.204 0.388 0.547 0.687 0.811 0.922 1.025 1.118 1.203 1.282 1.356 1.424 1.487 1.549 1.605 1.659 1.710 1.759 1.806

D1

3.686 4.358 4.698 4.918 5.078 5.204 5.306 5.393 5.469 5.535 5.594 5.647 5.696 5.741 5.782 5.820 5.856 5.891 5.921 5.951 5.979 6.006 6.031 6.056

D2

0 0 0 0 0 0.076 0.136 0.184 0.223 0.256 0.283 0.307 0.328 0.347 0.363 0.378 0.391 0.403 0.415 0.425 0.434 0.443 0.451 0.459

D3

3.267 2.575 2.282 2.115 2.004 1.924 1.864 1.816 1.777 1.744 1.717 1.693 1.672 1.653 1.637 1.622 1.608 1.597 1.585 1.575 1.566 1.557 1.548 1.541

D4

B3

3.267 2.568 2.266 2.089 1.970 1.882 1.815 1.761 1.716 1.679 1.646 1.618 1.594 1.572 1.552 1.534 1.518 1.503 1.490 1.477 1.466 1.455 1.445 1.435

B4

0 0 0 0 0.029 0.113 0.179 0.232 0.276 0.313 0.346 0.374 0.399 0.421 0.440 0.458 0.475 0.490 0.504 0.516 0.528 0.539 0.549 0.559

B5

2.606 2.276 2.088 1.964 1.874 1.806 1.751 1.707 1.669 1.637 1.610 1.585 1.563 1.544 1.526 1.511 1.496 1.483 1.470 1.459 1.448 1.438 1.429 1.420

B6