Control Estadístico de procesos

La estadística y los métodos estadísticos siguen haciendo grandes progresos, pero no es necesario saberlo todo para promover el Control de calidad y la Gestión Empresarial, por el contrario, de hecho, puede ser perjudicial enseñar demasiadas cosas, por ello la enseñanza de los métodos estadísticos debe realizarse según el nivel de los usuarios, teniendo en cuenta las condiciones reales de los puesto de trabajo donde se vayan a utilizar. Control estadístico de procesos puede considerarse un método efectivo para monitorizar un proceso a través del uso de gráficos de control. Los gráficos de control, basándose en técnicas estadísticas, permiten usar criterios objetivos para distinguir variaciones de fondo de eventos de importancia. Casi toda su potencia está en la capacidad de monitorizar el centro del proceso y su variación alrededor del centro. Recopilando datos de mediciones en diferentes sitios en el proceso, se pueden detectar y corregir variaciones en el proceso que puedan afectar a la calidad del producto o servicio final, reduciendo desechos y evitando que los problemas lleguen al cliente final. Con su énfasis en la detección precoz y prevención de problemas, SPC tiene una clara ventaja frente a los métodos de calidad como inspección, que aplican recursos para detectar y corregir problemas al final del producto o servicio, cuando ya es demasiado tarde. Además de reducir desechos, SPC puede tener como consecuencia una reducción del tiempo necesario para producir el producto o servicio. Esto es debido parcialmente a que la probabilidad de que el producto final se tenga que re trabajar es menor, pero también puede ocurrir que al usar SPC, identifiquemos los cuellos de botella, paradas y otros tipos de esperas dentro del proceso. Reducciones del tiempo de ciclo del proceso relacionado con mejoras de rentabilidad han hecho del SPC una herramienta valiosa desde el punto de vista de la reducción de costes y de la satisfacción del cliente final.

En resumen puede decirse que es una herramienta objetiva que ayuda en la toma de decisiones y facilita el proceso de constante mejora en una empresa. Se trata de un lenguaje matemático con el cual los administradores y operadores pueden entender las herramientas básicas

Cada herramienta es simple poner en ejecución. Estas herramientas se utilizan generalmente para complementarse, más bien que se emplean como técnicas independientes

ORGANIGRAMAS · · · · son las herramientas excelentes de la visualización Demostración de los organigramas El progreso del trabajo El flujo del material o de la información con una secuencia de

operaciones · · Los organigramas son útiles en un análisis de proceso inicial Los organigramas se deben complementar por los organigramas de

proceso o los organigramas de proceso (detallados) si están disponibles · Cada uno implicado en el proyecto debe dibujar un organigrama del

proceso que es estudiado para revelar las diversas opiniones de cómo el proceso funciona.

Organigrama del ejemplo de un procedimiento para asegurar calidad de los datos

Las Gráficas de funcionamiento Las gráficas de funcionamiento son simplemente diagramas de características de proceso contra tiempo o en secuencia cronológica. No tienen base estadística, sino son útiles en revelar • • tendencias relaciones entre las variables

Las gráficas de funcionamiento se pueden utilizar para estudiar relaciones entre las variables. Por ejemplo, en la carta antedicha, la relación entre las 2 variables es difícil de discernir. Para facilitar esto, los escalamientos apropiados para los diagramas deben ser elegidos. Si cada uno trazó la variable tiene su propia escala del y-axis, la gráfica de funcionamiento antedicha entonces se convierte,

Ahora, la relación entre los dos se convierte en mucho clarificante. Este método fallará obviamente cuando hay más de dos variables. Sin embargo, si las variables se estandarizan antes de trazar, sólo un solo eje común es necesario, y los resultados son justos tan claramente como los anteriores.

Vilfredo Pareto (1848-1923) descubrió eso: • • • el 80% de la abundancia en Italia fueron llevados a cabo por el 20% de la población; el 20% de clientes consideraron el 80% de ventas; el 20% de piezas consideraron el 80% coste, etc.

Estas observaciones fueron confirmadas por Juran (1960) y dadas lugar a qué se conoce como el principio de Pareto.

Diagrama de Pareto El Diagrama de pareto es una gráfica en donde se organizan diversas clasificaciones de datos por orden descendente, de izquierda a derecha por

medio de barras sencillas después de haber reunido los datos para calificar las causas. De modo que se pueda asignar un orden de prioridades. Mediante el Diagrama de pareto se pueden detectar los problemas que tienen más relevancia mediante la aplicación del principio de Pareto (pocos vitales, muchos triviales) que dice que hay muchos problemas sin importancia frente a solo unos graves. Ya que por lo general, el 80% de los resultados totales se originan en el 20% de los elementos. La minoría vital aparece a la izquierda de la grafica y la mayoría útil a la derecha. Hay veces que es necesario combinar elementos de la mayoría útil en una sola clasificación denominada otros, la cual siempre deberá ser colocada en el extremo derecho. La escala vertical es para el costo en unidades monetarias, frecuencia o porcentaje. La gráfica es muy útil al permitir identificar visualmente en una sola revisión tales minorías de características vitales a las que es importante prestar atención y de esta manera utilizar todos los recursos necesarios para llevar a cabo una acción correctiva sin malgastar esfuerzos. Algunos ejemplos de tales minorías vitales serían: • • • La minoría de clientes que representen la mayoría de las ventas. La minoría de productos, procesos, o características de la calidad causantes del grueso de desperdicio o de los costos de reelaboración. La minoría de rechazos que representa la mayoría de quejas de la clientela.

• • •

La minoría de vendedores que está vinculada a la mayoría de partes rechazadas. La minoría de problemas causantes del grueso del retraso de un proceso. La minoría de productos que representan la mayoría de las ganancias obtenidas.

La minoría de elementos que representan al grueso del costo de un inventario.

El principio de Pareto indica: “no todas las causas de un fenómeno particular ocurren con la misma frecuencia o con el mismo impacto " Tales características se pueden destacar usando las Gráficas de Pareto Cartas y análisis de Pareto • • Las gráficas de Pareto demuestran los factores con la más frecuencia posible que ocurren El análisis de las gráficas de Pareto ayuda a hacer el mejor uso de recursos limitados apuntando los problemas más importantes para abordar Por ejemplo: • Los productos pueden sufrir de diversos defectos, pero ○ los defectos ocurren en diversa frecuencia ○ solamente algunos explican la mayoría de los defectos presentes ○ diversos defectos incurren en diversos costes Una línea de productos puede experimentar tan una gama de los defectos (A, B, C... J). Trazando la contribución del porcentaje de cada tipo para sumar el número de averías, da barra-traza en el diagrama siguiente. Después si, cada uno de estas contribuciones se suma secuencialmente, se obtiene un diagrama de línea acumulativa Estos dos diagramas juntos hacen para arriba la gráfica de Pareto.

Ejemplo de la carta de Pareto De la información sobre la gráfica, el fabricante podría por ejemplo, • • concéntrese en la reducción de los defectos A, B y C puesto que hacen para arriba el 75% de todos los defectos céntrese en la eliminación del defecto E, si el defecto E causa el 40% de pérdida monetaria.

Los diagramas del Causar-y-efecto: También se llaman: ➢ Diagramas de Ishikawa ( Dr. Kaoru Ishikawa, 1943) ➢ diagramas del fishbone
➢ Los diagramas de causa - efecto no tienen una base estadística, sino son

ayudas excelentes para solucionar de problema y el trouble-shooting ➢ los diagramas del Causar-y-efecto pueden revelar las relaciones importantes entre varias variables y causas posibles ➢ proporcionar la penetración adicional en comportamiento de proceso

Se le conoce también como diagrama de las cuatro M: • Máquina (machine)


Material (material) Mano de obra (manpower) Método (meted)

Los Diagramas de Causa Efecto ilustran la relación entre las características (los resultados de un proceso) y aquellas causas que, por razones técnicas, se considere que ejercen un efecto sobre el proceso. Casi siempre por cada efecto hay muchas causas que contribuyen a producirlo. El Efecto es la característica de la calidad que es necesario mejorar. Las causas por lo general se dividen en las causas principales de métodos de trabajo, materiales, mediciones, personal y entorno. A veces la administración y el mantenimiento forman parte también de las causas principales. A su vez, cada causa principal se subdivide en causas menores. Por ejemplo, bajo el rubro de métodos de trabajo podrían incorporarse la capacitación, el conocimiento, la habilidad, las características físicas, etc. El uso de este diagrama facilita en forma notables el entendimiento y comprensión del proceso y a su vez elimina la dificultad del control de calidad en el mismo, aun en caso de relaciones demasiado complicadas y promueven el trabajo en grupo, ya que es necesaria la participación de gente involucrada para su elaboración y uso.

Ejemplo de un diagrama del Causa-efecto

Histograma de la frecuencia El histograma de la frecuencia es un método gráfico y fácilmente interpretado muy eficaz para resumir datos El histograma de la frecuencia es una herramienta estadística fundamental del proceso estadístico Proporciona la información alrededor: • • • • el promedio (medio) de los datos la variación presente en los datos el patrón de la variación si el proceso está dentro de lo especificado

Presentación de datos en forma ordenada con el fin de determinar la frecuencia con que algo ocurre.

El Histograma muestra gráficamente la capacidad de un proceso, y si así se desea, la relación que guarda tal proceso con las especificaciones y las normas. También da una idea de la magnitud de la población y muestra las discontinuidades que se producen en los datos.

Histogramas De Dibujo De la Frecuencia En histogramas de dibujo de la frecuencia, considere las reglas siguientes: • • • • Los intervalos deben ser espaciados igualmente Seleccione los intervalos para tener valores convenientes El número de intervalos está generalmente entre 6 a 20 Las cantidades pequeñas de datos requieren pocos intervalos

10 intervalos son suficientes para 50 a 200 lecturas Procesos que no están en un estado del control estadístico: • • demuestra las variaciones excesivas exhiba las variaciones que cambian con tiempo

Gráficas de Control Se utilizan para detectar si un proceso es estadístico estable. Las gráficas del control distinguen entre las variaciones, eso espera normalmente de las causas debidas de proceso de la ocasión o del campo común. En un cierto plazo el cambio debido a las causas asignables o especiales Variaciones debido a las causas comunes ➢ tenga efecto pequeño en el proceso ➢ sea inherente al proceso debido a: la naturaleza del sistema – – se maneja la manera el sistema se organiza y se funciona la manera el proceso

➢ la lata solamente se quite cerca – fabricación de modificaciones al proceso

cambiar el proceso

➢ es la responsabilidad de una gerencia más alta

Las variaciones debido a las causas especiales son: ➢ localizado en naturaleza ➢ excepciones al sistema ➢ anormalidades consideradas ➢ a menudo específico a : – – – cierto operador cierta máquina cierta hornada del material, del etc.

La investigación y el retiro de las variaciones debido a las causas especiales son dominantes a la mejora de proceso. Nota: A veces la delineación entre las causas comunes y especiales puede no estar muy clara Los principios detrás del uso de las gráficas de control son muy simples y se basan en el uso combinado de ➢ gráficas de funcionamiento ➢ prueba de la hipótesis El procedimiento es: ➢ muestree el proceso en los intervalos regulares
➢ trace la estadística (o una cierta medida del funcionamiento)

medio

– – –

gama variable número de defectos, del etc.

➢ compruebe (gráficamente) si el proceso está bajo control estadístico

➢ si el proceso no está bajo control estadístico, haga algo sobre él Diversas gráficas se utilizan dependiendo de la naturaleza de las cartas comúnmente usadas planeadas de los datos son:
➢ para los datos continuos (de las variables): – – –

Medio de la muestra de Shewhart ( - gráfica) Gama de la muestra de Shewhart ( R - gráfica) Muestra de Shewhart ( X - gráfica) Suma acumulativa (CUSUM) Gráfica exponencial cargada del promedio móvil (EWMA) Gráficas Mover-medias y de la gama

– – –

➢ para ( cualidades y contable) los datos descritos : – – – –

proporción de la muestra defectuosa ( p - gráfica) número de la muestra de los defectivos ( np - gráfica) número de la muestra de los defectos ( c - gráfica) número de la muestra de defectos por la unidad ( u - gráfica  gráfica)

Las gráficas de control hacen asunciones sobre la estadística trazada, a saber
➢ es independiente, es decir. un valor no es influenciado por su último

valor y no afectará los valores futuros
➢ se distribuye normalmente, es decir los datos tienen una función normal

de la densidad de la probabilidad

Función Normal De la Densidad De la Probabilidad

Las asunciones de la normalidad y de la independencia permiten a predicciones ser hechas sobre los datos. La distribución normal N (  ,  2) tiene varias características distintas:

➢ La distribución normal es acampanada y es simétrica
➢ El medio,  , está situado en el centro

➢ Las probabilidades que un punto, x, mentiras cierta distancia más allá del medio es:
– –

Banda (x >  + 1,96  ) = banda ( x >  - 1,96 ) = 0,025 Banda (x >  + 3,09  ) = banda ( x >  3,09 ) = 0,001

 es la desviación de estándar de los datos

Gráficas de control: interpretación

➢ Las gráficas del control son distribuciones normales con una dimensión
agregada del tiempo

➢ Las gráficas del control son cartas de funcionamiento con distribuciones

normales sobrepuestas

Gráficos para probar hipótesis Las gráficas del control proporcionan los medios gráficos para probar hipótesis sobre los datos que son supervisados.

Considere la gráfica comúnmente usada de Shewhart como ejemplo.

La gráfica X de Shewhart con límites del control y de la advertencia La probabilidad de una muestra que tiene un valor particular es dada por su localización en la gráfica. Si se asume que la estadística trazada está distribuida normalmente, la probabilidad de un valor que miente más allá de:
➢ los límites amonestadores son la aproximadamente ocasión 0,025 o

2,5%
➢ los límites de control son aproximadamente 0,001 o 0,1% ocasiones,

éste es raro e indica eso –

la variación es debido a una causa asignable el proceso esta fuera del control estadístico

Las reglas del funcionamiento Son las reglas que se utilizan para indicar situaciones fuera del control estadístico. Las reglas típicas del funcionamiento para las gráficas X de Shewhart con límites del control y advertencia son: ➢ un punto que miente más allá de los límites de control

➢ 2 puntos consecutivos que mienten más allá de los límites de advertencia (0.025x0.025x100 = 0,06% oportunidades de ocurrir)
➢ 7 puntos o más consecutivos que mienten en un lado del medio (0,5
7

x100 = 0,8% oportunidades de ocurrir e indica un cambio en el medio del proceso) ➢ 5 o 6 puntos consecutivos que entran en la misma dirección (indica una tendencia) ➢ Otras reglas del funcionamiento se pueden formular usando principios similares Las gráficas de CUSUM: Son excelentes para detectar cambios en medios. Una gráfica de CUSUM es simplemente un diagrama de la suma de un cierto proceso característico contra tiempo. Ejemplos de gráficas de control:

En resumen puede decirse que las graficas de control Es una herramienta estadística que detecta la variabilidad, consistencia, control y mejora de un proceso. La gráfica de control se usa como una forma de observar, detectar y prevenir el comportamiento del proceso a través de sus pasos vitales. Así mismo nos muestra datos en un forma estática, tienen por supuesto sus aplicaciones, y es necesario saber sobre los cambios en los procesos de producción, la naturaleza de estos cambios en determinado período de tiempo y en forma dinámica, es por esto que las gráficas de control son ampliamente probadas en la práctica. Características Generales de las Gráficas de Control El termino consistencia se refiere a la uniformidad en la salida del proceso; es preferible tener un producto de un proceso consistente, que tener uno con calidad superior, pero de un proceso intermitente. Una gráfica de control se inicia con las mediciones considerando, sin embargo que las mediciones dependen tanto de los instrumentos, como de las personas que miden y de las circunstancias del medio ambiente , es conveniente anotar

en las gráficas de control observaciones tales como cambio de turno, temperatura ambiente. Tipos de Gráfica y Características Principales Para construir una gráfica de control, es importante distinguir el tipo de datos a graficar pueden ser. Datos continuos, datos discretos, dicha gráfica dependerá del tipo de datos. Para la utilización de las gráficas se requiere un procedimiento específico: Decidir la gráfica de control a emplear Construir gráficas de control para el control estadístico del proceso Controlar el proceso, si aparece una anormalidad sobre la gráfica de control, investigar inmediatamente las causas y tomar acciones apropiadas. Gráficas de variables Una gráfica de control X-R, en realidad son dos gráficas en una, una representa los promedios de las muestras de la (gráfica X) y la otra representa los rangos (gráfica R), deben construirse juntas, ya que la gráfica X, nos muestra cualquier cambio en la media del proceso y la gráfica R nos muestra cualquier cambio en la dispersión 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 dispersión del proceso al mismo tiempo, además es una herramienta efectiva para verificar anormalidades en un proceso dinámicamente. Algunos puntos importantes a considerar previo a la elaboración de esta gráfica son: • • • Variable a considerar Tamaño de la muestra Tener un criterio para decidir si conviene investigar causas de variación del proceso de producción.

Familiarizar a l personal con el uso de esta gráfica.

El proceso que se debe seguir para construir una grafica es: La construcción de una gráfica de rangos y promedio resulta de formar una unidad, tanto de la gráfica de promedios como de la de rangos, consta de dos secciones, Parte superior se dedica a los promedios, Parte inferior a los rangos, en el eje vertical se establece la escala, a lo largo del eje horizontal se numeran las muestras. Mediante este proceso está bajo control cuando no muestra ninguna tendencia y además ningún punto sale de los límites. Gráfica de medidas y desviaciones estándar Esta gráfica es el instrumento estadístico que sirve para estudiar el comportamiento de un proceso de manufactura, considerando como indicador la desviación estándar. La estructura general, está constituida por dos porciones, una se destina al registro de los promedios de la característica de calidad en consideración y otra para controlar la variabilidad del proceso. La ventaja de usar esta gráfica es que para estos valores de n la desviación estándar es más sensible a cambios pequeños que el rango. Dentro del procedimiento de construcción para dicha grafica incluye cálculos de límites de control para las dos partes que constituyen la gráfica y la graficación de los promedios y desviaciones estándar obtenidos en cada subgrupo. Es importante la variabilidad del proceso de control, al iniciar la construcción de la gráfica, si el proceso no muestra estabilidad estadística, entonces la parte correspondiente a los promedios no será confiable dado que los límites de control de X dependen del valor medio de s.

Gráficas de medianas y rangos

Es la herramienta estadística que permite evaluar el comportamiento del proceso a partir de la mediana y del rango. La estructura es la común a todas las gráficas de control para variables. La parte superior registra el valor medio de las características de calidad en estudio, y la parte inferior indica la variabilidad de la misma. El cálculo de la mediana, es muy sencillo, de modo que utilizar esta gráfica par monitorear el proceso es atractivo para el usuario. El uso de esta gráfica en procesos que actualmente muestren estabilidad estadística. Como toda gráfica de control, el usuario obtendrá, de una manera continua, información rápida y eficiente del proceso en estudio; para verificar que el proceso continua en control o bien para reconocer la aparición de causas especiales de variación. Para el procedimiento de construcción de esta gráfica es muy similar al de la gráfica de medias y rangos; estos es calculando los límites de control, luego se grafican los puntos y se integran los límites de control y líneas centrales, por último se efectúa la lectura de la gráfica, a fin de ver si el proceso continua estable o bien percibir alguna situación de anormalidad.

Diagrama de Dispersión Un Diagrama de Dispersión es la forma más sencilla de definir si existe o no una relación causa efecto entre dos variables y que tan firme es esta relación, como estatura y peso. Una aumenta al mismo tiempo con la otra. El Diagrama de Dispersión es de gran utilidad para la solución de problemas de la calidad en un proceso y producto, ya que nos sirve para comprobar que causas (factores) están influyendo o perturbando la dispersión de una característica de calidad o variable del proceso a controlar.

Los motivos más comunes de este tipo de diagrama son analizar: • La relación entre una causa y un efecto.

• • •

La relación entre una causa y otra. La relación entre una causa y otras dos causas. Un efecto y otro efecto.

Estratificación Es un método que permite hallar el origen de un problema estudiando por separado cada uno de los componentes de un conjunto. Es la aplicación a esta técnica del principio romano "divide y vencerás" y del principio de Management que dice: "Un gran problema no es nunca un problema único, sino la suma de varios pequeños problemas". A veces, al analizar separado las partes del problema, se observa que la causa u origen está en un problema pequeño. En la Estratificación se clasifican los datos tales como defectivos, causas, fenómenos, tipos de defectos (críticos, mayores, menores), en una serie de grupos con características similares con el propósito de comprender mejor la situación y encontrar la causa mayor mas fácilmente, y así analizarla y confirmar su efecto sobre las características de calidad a mejorar o problema a resolver. Hojas de Verificación o Comprobación Es un formato especial constituido para colectar datos fácilmente, en la que todos los artículos o factores necesarios son previamente establecidos y en la que los records de pruebas, resultados de inspección o resultados de operaciones son fácilmente descritos con marcas utilizadas para verificar. Para propósitos de control de procesos por medio de métodos estadísticos es necesaria la obtención de datos. El control depende de ellos y, por supuesto,

deben ser correctos y colectados debidamente. Además de la necesidad de establecer relaciones entre causas y efectos dentro de un proceso de producción, con propósito de control de calidad de productividad, las Hojas de Verificación se usan para: • • • Verificar o examinar artículos defectivos. Examinar o analizar la localización de defectos. Verificar las causas de defectivos.

Verificación y análisis de operaciones (A esta última puede llamársele lista de verificación)

Las Hojas de Verificación se utilizan con mayor frecuencia: • • Para obtener datos. Para propósitos de inspección.

La Hoja de Verificación para la obtención de datos se clasifica de acuerdo con diferentes características (calidad o cantidad) y se utilizan para observar su frecuencia para construir gráficas o diagramas. También se utilizan para reportar diariamente el estado de las operaciones y poder evaluar la tendencia y/o dispersión de la producción. Las Hojas de Verificación para propósitos de inspección se utilizan para checar ciertas características de calidad que son necesarias de evaluar, ya sean en el proceso o producto terminado.

GRAFICOS DEL CONTROL PARA ATRIBUTOS
Las características de calidad que no pueden ser medidas con una escala numérica, se juzga a través de un criterio más o menos subjetivo. En tales casos, cada artículo inspeccionado por lo general se clasifica como conforme o disconforme respecto de las especificaciones para esas características de la calidad. A las características de la calidad de este tipo se les llama atributos. El término atributos se utiliza en literatura sobre control de calidad para describir dos situaciones: 1. Cada pieza producida es defectuosa o no defectuosa (cumple las especificaciones o no). 2. Una sola pieza puede tener uno o más defectos y el numero de estos es determinado.

En el primer caso, una grafica de control está basada en la distribución binomial; en el último, la distribución de Poisson es la base para la grafica. Se presentan dos cartas de control de atributos: 1. Gráfica de control para la fracción disconforme o gráfica p 2. Gráfica de control de disconformidades o gráfica c Grafica p.- Se clasifica la unidad de observación en una de dos categorías alternas, por ejemplo pasa o no pasa, cumple con las especificaciones y no cumple con las especificaciones; Se puede rastrear la producción de unidades defectuosas en la muestra de observación. Grafica C.- Cuando una observación consiste en la cantidad de defectos por unidad de observación, se rastrean la cantidad de los defectos.

Los datos se presentan con periodicidad a la gerencia y con ellos se integran números índices, que son muy importantes en el desarrollo de una empresa, estos pueden referirse al producto, desperdicio rechazo de materiales. Dentro de la clasificación de las características calidad por atributos se requiere: De un criterio De una prueba De una decisión El criterio se establece de acuerdo con las especificaciones. La prueba consiste en la operación que se realiza para averiguar la existencia o no del criterio establecido. La decisión determina qué título debe darse al producto, es decir si pasó o no pasa.

Características principales

A continuación se comentan una serie de características que ayudan a Comprender la naturaleza de la herramienta. Comunicación Simplifican el análisis de situaciones numéricas complejas. Impacto visual Muestran de forma clara y de un "vistazo" la variabilidad del resultado de un Proceso, respecto a una determinada característica, con el tiempo. Sencillez La naturaleza de los datos necesitados permite recogerlos y tratarlos de forma Simple y rápida. Aplicabilidad Los Gráficos de Control por Atributos se pueden utilizar para cualquier tipo de proceso, producto o servicio y característica de los mismos, sea esa medible o no.

Los cuatro tipos de gráficos de control por atributos son:

➢ Gráfico “p” para porcentajes defectuosos
➢ Gráfico “np” para el número de unidades defectuosas

➢ Gráfico “c” para el número de defectos ➢ Gráfico “u” para el número de defectos por unidad inspeccionada

Gráfico “p” para porcentajes defectuosos

"p" es el porcentaje de las unidades no conformes encontradas en la muestra controlada.
La fracción no conforme de un colectivo se define como el cociente entre el número de unidades defectuosas y el número total de unidades en dicho

colectivo. Cada unidad de producto puede ser examinada por el inspector respecto de una o varias características cualitativas. Si la unidad inspeccionada no es conforme respecto a la especificación en una o más características, se clasifica como no conforme. Habitualmente, la fracción no conforme se expresa en forma decimal aunque puede también indicarse en tanto por ciento. La distribución binomial es la base estadística del gráfico de control por atributos. Supondremos que el proceso está operando de forma estable y que la posibilidad de que una unidad de producto sea defectuosa es constante y de valor p. También, supondremos que las unidades producidas sucesivamente son independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x al número de unidades no conformes, la probabilidad de que x tome los valores 0, 1, 2.... n vendrá determinada por la distribución binomial con parámetros n, p:

El valor medio y la varianza de esta distribución son :

La fracción muestral no conforme se define como el cociente entre el número de unidades no conformes en la muestra x y el tamaño de la misma p = x/n. El valor medio y la varianza de p serán respectivamente :

Como consecuencia de la relación p = x/n Operativa del gráfico de control “p” La base estadística para definir los límites de control es común con los restantes gráficos de Shewhart: Si W es un estadístico que describe una determinada característica de calidad siendo mw y sw2 su media y su varianza, los límites de control se definen como :

K es la distancia de los límites de control a la línea central expresada como un múltiplo de sw. Habitualmente escogeremos K = 3.

Supongamos que conocemos o se especifica la fracción p no conforme de un proceso de producción. Entonces los limites de control resultan:

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

permanezca dentro de los límites

de control y la secuencia de puntos no señale ninguna pauta distinta a la que puede surgir por mero azar, diremos que el proceso está bajo control al nivel p de fracción no conforme. Si por el contrario, observamos algún punto fuera de

control o un patrón inusual diremos que la fracción defectuosa ha cambiado a un nivel diferente y que el proceso está 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 tamaño n. Como norma general, m estará comprendido entre 20 y 25. Si Di es el número de unidades defectuosas en la muestra i, calcularemos la fracción defectuosa en

la muestra cómo

; i = 1, 2... .n y la media de estas fracciones,

estimará la media p del proceso siendo los límites de control:

Frecuentemente se utiliza solo el límite superior.

Estos límites 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 límites 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 límites de prueba serán validos para controlar la producción actual y la futura. Los límites de control para la producción actual deben basarse en datos obtenidos de una situación estable. Por ello, cuando alguno de los puntos

iniciales está fuera de control se hace necesario revisar los límites 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 límites 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 límites ya que estos serán, normalmente, más 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 límites hasta entonces provisionales como límites definitivos. Si el gráfico de control se basa en un valor estándar conocido (un objetivo) para la fracción no conforme p, entonces el cálculo de límites de prueba es, generalmente, innecesario aunque deben tomarse ciertas precauciones en el sentido de comprobar si el proceso está bajo control a un valor de p diferente de i indicado en el objetivo. Por ejemplo, supongamos que la Dirección señala como valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a p = 0,05. Utilizando el gráfico correspondiente a p = 0,01 encontraremos muchos puntos fuera de control sin que aparezca causa asignable. No obstante, suele ser útil esta opción para mejorar el nivel de calidad llevando el proceso al nivel adecuado, sobre todo en procesos donde la fracción no conforme puede ser controlada mediante un proceso sencillo de ajuste.

Diseño del gráfico p El gráfico p tiene tres parámetros a especificar: Tamaño y frecuencia del des muestre y distancia entre límites de control. Es frecuente calcular el gráfico de control a partir de la inspección realizada a lo largo de un periodo de tiempo determinado. Un día, un turno, etc. En este caso, la frecuencia y el tamaño de la muestra están relacionados. Generalmente, se

selecciona inicialmente la frecuencia del des muestre apropiada para la producción a inspeccionar y de ahí resulta el tamaño de la muestra, Los subgrupos racionales pueden jugar también un papel importante en determinar la frecuencia del des muestre. 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 fracción diaria no conforme. Si p es pequeño n deberá ser suficientemente grande para encontrar, al menos una unidad defectuosa en la muestra. Se ha sugerido que el tamaño 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 distribución binomial respecto de la normal, escogeremos de tal forma que el límite de Control Superior coincide con la fracción no conforme en la situación de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces n debe satisfacer

En nuestro ejemplo, p = 0,01, d = 0,05-0,01 = 0,04 y con K=3

n = 56

Los límites 3s son los que se usan con más frecuencia aunque pueden

adaptarse otros más sensibles a costa de exponerse a situaciones más frecuentes de falsa alarma. A veces, suelen usarse límites más estrechos (por ejemplo 2s) dentro de una situación de urgencia para mejorar la calidad de un proceso. Estos límites deben utilizarse con precaución porque las falsas alarmas destruyen la confianza de los operadores en los gráficos de control. Hay que tener en cuenta que los límites de control estudiados se basan en la distribución binomial que considera constante la proporción defectuosa “p’ y que los valores sucesivos son independientes. En procesos en los que las unidades no conformes están 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 gráficos. Deben examinarse con cuidado aquellos puntos situados por debajo del límite de control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una mejora en la calidad del proceso por disminución de a sino que suelen originarse por errores en la inspección o por causa de aparatos de medida mal calibrados. También puede deberse a que los operadores hayan registrado datos ficticios para cubrir su responsabilidad.

Calculando los límites de control para gráficos p

Las finalidades principales de conocer los límites de control de la gráfica p, son:

➢ Poner a la atención de la dirección cualesquiera cambios en el grado promedio de calidad.

➢ Descubrir los puntos altos fuera de control que requieren actuar

➢ Descubrir los puntos bajos fuera de control que indiquen normas menos estrictas para inspección o causas erráticas de mejoramiento de calidad

Las fórmulas que nos permiten encontrar los valores de los límites cuando el tamaño de la muestra es igual son: _________ *LCL = p - 3 √ _p (1-p) n _________ *Sp = √ _p (1-p) n Cuando el tamaño de la muestra es diferente, la n se encuentra con la fórmula n- = Número total de elementos en consideración (conocido como Error estándar de la proporción) _________ *UCL = p + 3 √ _p (1-p)_ n

Número total de subgrupos

A continuación se aplicarán estas fórmulas en el desarrollo del gráfico p.

Creando un gráfico p En base al ejemplo anterior de las muestras de gasas, se creará un nuevo gráfico siguiendo los pasos para un gráfico p. Para este tipo de gráfico de disconformidad, la diferencia radica que en lugar de tomar el número de elementos disconformes como Y, se utiliza la proporción disconforme de la tabla en cada observación. Los límites se obtienen con las fórmulas correspondientes, obteniendo LCL = -0.015 UCL = 0.062 De este modo la gráfica obtenía es Sp = 0.0078

Hay algunos casos en los que el tamaño de las muestras es distinto cada vez. En esos casos se utiliza la fórmula de n- (mencionada anteriormente) para sacar un promedio del tamaño muestral, y posteriormente se hace la sustitución en las fórmulas.

Gráfico np para unidades defectuosas

Es equivalente al gráfico anterior, pero aplicable solamente si todas las muestras son del mismo tamaño "n". "np" = Nº de unidades no conformes.

Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sería probarlo con una rosca calibrada. El resultado de este ensayo sólo tiene dos posibles resultados: Defectuoso - No Defectuoso (ó 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 número de defectuosos presentes en la muestra.

La variable aleatoria número de defectuosos es una variable aleatoria discreta, porque puede tomar un número finito de valores, o infinito numerable. Los gráficos np se utilizan para controlar el número de defectuosos en una muestra. Para controlar este proceso, un inspector se coloca al final de la línea de producción y cada hora retira una muestra de n=50 tornillos (por ejemplo),

Comprueba cada uno con la rosca y anota el número de defectuosos.

Este resultado se anota en un gráfico hora por hora denominado gráfico np.

Si se tomara del proceso un sólo tornillo ¿Cuál es la probabilidad de que sea defectuoso? Imaginando la población de tornillos que podría fabricar el proceso trabajando siempre en las mismas condiciones, una cierta proporción p de estos serían 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 Está dada por una distribución binomial con parámetros n y p. Como sabemos, el promedio de la población es p y la varianza es n.p.(1-p). Para construir los gráficos de control np, en una primera etapa se toman N muestras (más de 20 ó 25) a intervalos regulares, cada una con n tornillos. Se cuenta en cada muestra el Número de Defectuosos y se registra. Se obtendría una Tabla como la siguiente:

En cada muestra, la fracción de defectuosos es Di/n, siendo Di el número de elementos defectuosos en la muestra i, y n el número 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 número de muestras, y luego la Desviación Standard s:

Con esto podemos calcular los Límites de Control para el gráfico np:

Construimos entonces un Gráfico np de prueba y representamos el número de defectuosos en las muestras. Si no hay puntos fuera de los límites de control y no se encuentran patrones no aleatorios, se adoptan los límites calculados para controlar la producción futura. Para las personas con poco entrenamiento estadístico, este gráfico suele ser Más fácil de interpretar que el gráfico p. Frecuentemente se utiliza solo el límite superior.

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que se están fabricando. Por ejemplo, se fabrican teléfonos celulares y entonces se toma uno de ellos y se cuenta el número total de defectos. Estos podrían ser: • • • • • Rayas en la superficie. grietas en el plástico Antena defectuosa Botón 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

Número de Defectos por unidad de inspección. A medida que el proceso genera las unidades (Teléfonos móviles), retiramos una unidad a intervalos regulares y contamos el número total de defectos. En cada unidad podemos encontrar: 0 defectos

• • • •

1 defecto 2 defectos ... n defectos

Los resultados obtenidos al contar el Número de Defectos en unidades de inspección tomadas a intervalos regulares constituyen una variable aleatoria discreta, porque puede tomar los valores discretos 0, 1, 2, ... n.

Esta variable aleatoria tiene una distribución de Poisson:

Los gráficos C se utilizan para controlar el número de defectos en una muestra del producto o unidad de inspección. Para controlar este proceso, un inspector se coloca al final de la línea de producción y cada cierto intervalo retira una unidad de inspección, verifica y anota el número total de defectos. Este resultado se anota en un gráfico denominado gráfico C. De acuerdo a la Distribución de Poisson, si denominamos C al parámetro de la función de distribución, el promedio de la población es C y la varianza también es C. Una unidad defectuosa puede tener uno o más 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 práctica muchas situaciones en las que es preferible trabajar con el número de defectos que con el porcentaje o el número de unidades defectuosas. Por ejemplo, el número de soldaduras defectuosas en un tubo de conducción de gas, el número de defectos funcionales es un dispositivo electrónico, etc.

Se pueden efectuar gráficos de control para el número total de defectos por unidad de producto o para el número de defectos en la muestra. Estos gráficos de control se basan en la distribución de Poisson que exige un número de puntos donde potencialmente podría producirse el defecto infinitamente grande, así como que la probabilidad de que el defecto aparezca en un determinado punto sea muy pequeña y constante. La unidad de inspección debe ser la misma en cada muestra. Es decir cada unidad de inspección debe representar siempre una probabilidad igual de que se produzcan los defectos. En la mayor parte de las situaciones prácticas, estas condiciones no se satisfacen exactamente. El número de oportunidades (puntos) para los defectos suele ser finito y la probabilidad de aparición de defectos puede no ser constante. Si las desviaciones respecto de la situación 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 utilización de la distribución de Poisson es inadecuada.

Calculando los límites de control para gráficos np Se deberá estimar la probabilidad, p, de que el proceso produzca un elemento disconforme. Para obtener una buena estimación, se necesita evaluar al menos de 20 a 25 muestras o subgrupos y contar el número de elementos disconformes en cada uno. La mejor estimación para p será p-, la media proporcional de elementos disconformes. Las fórmulas para calcular los límites de control, la media proporcional y la línea central del gráfico son las siguientes:

* p- = Número total de elementos disconformes en todos los grupos Número total de elementos en todos los grupos * Línea central = np- , donde n = el tamaño del subgrupo común

_________ * UCL = np- + 3√ np- (1 – p-)

___________ * LCL = np- - 3√ np- (1 – p-) A continuación, se verá un ejemplo para comprender con más detalle el funcionamiento de las fórmulas y el desarrollo de los histogramas np.

Creando un gráfico np

Para realizar un gráfico de este tipo, se siguen principalmente 4 pasos básicos: 1) Captura de datos en Excel 2) Cálculo de la proporción disconforme 3) Sustitución en las fórmulas 4) Creación del gráfico en Excel

Los datos se capturan primeramente en Excel, creando las columnas necesarias. Es importante aclarar que los gráficos np se utilizan cuando el tamaño de las muestras es el mismo cada vez que se toman; de ahí que el tamaño de la muestra, n, es constante. Para aplicar estos conocimientos se utilizará el siguiente ejemplo.

Una manufacturera de esponjas de gasa toma una muestra de 600 esponjas diariamente, las inspecciona y registra el número de esponjas defectuosas. En total hay 9 muestras de esponjas, representados en la siguiente tabla:

NUMERO DE ESPONJAS DE GASA DISCONFORMES EN 32 MUESTRAS DE TAMAÑO n =32 Elementos disconformes 21 22 20 21 23 39 18 24 20 Proporción n disconforme p- = (x/n) 600 600 600 600 600 600 600 600 600 0.035 0.037 0.036 0.035 0.038 0.065 0.030 0.040 0.033

Día

1 2 3 4 5 6 7 8 9

=21/600 =22/600 =20/600 . . . .

Y así sucesivamente. La proporción disconforme es el resultado de la división de los elementos disconformes entre el tamaño de la muestra, en este caso, 600. A continuación, se sustituyen los valores en las fórmulas para calcular los valores de los límites. Así, se tiene que

p- = Número total de elementos disconformes en todos los grupos Número total de elementos en todos los grupos

p- = 208

(suma de la columna ‘Elementos disconformes’)

9(600) (suma de los elementos muestreados) p- = 0.0385

Línea central = np- , donde n = el tamaño del subgrupo común Línea central = (600)(0.0385) = 23.1*

_________ UCL = np- + 3√ np- (1 – p-)

UCL = 23.1 + 3√ 23.1 (1 – 0.0385) = 37.8* = ___________ LCL = np- - 3√ np- (1 – p-) LCL = 23.1 - 3√ 23.1 (1 – 0.0385) = 8.96 *

* Estos valores se usarán en la creación del gráfico np. Para realizar el histograma, siga los pasos del subtema “4.3 GRÁFICAS X Y R”, en la sección ‘Crear el gráfico R’. Los pasos son básicamente los mismos, sólo basta sustituir el valor de los elementos disconformes en lugar de los valores de R como eje x, y los valores de los límites nuevos.

La gráfica resultante es

Gráficos “c” para tamaño de muestra constante Es equivalente al gráfico anterior, pero aplicable solamente si todas las muestras son del mismo tamaño n. Este Gráfico es utilizado, además, cuando las disconformidades se hallan dispersas en un flujo más o menos continuo de producto. "c" = Nº de disconformidades En el gráfico ‘c’ se representan el número de defectos existentes en cada unidad de inspección. En la mayor parte de los casos, la unidad de inspección será una unidad de producto aunque esto no es absolutamente necesario ya

que la unidad de inspección constituye simplemente una porción de producción sobre la que es conveniente registrar el número 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 inspección de acuerdo con la Distribución de Poisson

Donde x es el número de defectos en la unidad de inspección y C es el parámetro de la distribución, Sabemos que la media y la varianza de la distribución de Poisson son ambas iguales a C. En consecuencia, los límites de control 3 sigma para el número de defectos serán:

Hay que tener en cuenta que la probabilidad de producir una falsa alarma por situarse el punto por encima del límite de control superior es diferente que la de situarse por debajo del límite inferior (colas superior e inferior diferentes). Si no se conoce el parámetro c, debe estimarse a partir de una muestra preliminar de unidades de inspección. El valor obtenido en la estimación, O sustituirá al valor O en los límites arriba indicados. Análisis de defectos Los datos sobre defectos aportan siempre mayor información 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 están acordes con la distribución de PARETO y que un pequeño número 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 drástica mejora en la calidad.

Gráfico “u” Se emplea cuando pueden aparecer varias disconformidades independientes (Defectos) en una misma unidad de producto o servicio. (Ejemplos: Montaje de componentes complejas como televisores, ordenadores, o prestación de servicios con múltiples puntos de contacto con el cliente). "u" = Nº de disconformidades de una unidad Supongamos que se está controlando el número de defectos en un proceso de ensamblado de licuadoras y se define una unidad de inspección de 5 licuadoras. En este caso es posible trabajar con un gráfico C, como ya hemos visto. Pero tal vez se desea controlar el promedio de defectos por cada licuadora (unidad de producción) en lugar del total de defectos para las 5 licuadoras (unidad de inspección):

Siendo ni la cantidad de Defectos por Unidad de Inspección y m el número de

Unidades de Producción en la Unidad de Inspección. En nuestro ejemplo, si encontramos ni defectos en la unidad de inspección (5 licuadoras), la cantidad promedio de defectos por licuadora será Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0, 1/m, 2/m,…etc., y cuya distribución de probabilidades se puede calcular a partir de la Distribución de Poisson. Como en el caso de los gráficos C, en una primera etapa se toman N unidades de inspección (más de 25 ó 30) a intervalos regulares. Se cuenta en cada unidad de inspección el Número de Defectos y se registra. Luego se divide el Número de Defectos de cada unidad de inspección por m (Número de unidades de producción en cada unidad de inspección).

En nuestro ejemplo (m = 5) la Tabla quedaría así:

Entonces, a partir de la tabla podemos calcular el parámetro U, como promedio del Número de Defectos por licuadora, y la Desviación Standard:

;

siendo: ni la cantidad de Defectos por Unidad de Inspección, m el Número de Unidades de Producción en la Unidad de Inspección y N el Número de Unidades de Inspección Con esto podemos calcular los Límites de Control para el gráfico U:

Utilización de las graficas de control Los Gráficos de Control se pueden utilizar para cualquier tipo de proceso, sea de producción o no. Para utilizarlos de esta forma es necesario, una vez construidos los Gráficos básicos, preparar nuevos Gráficos, en los que se incluirán las medias y los límites de control aceptados en el paso 11 del proceso de construcción. Se continuará con la recogida de muestras según el plan de muestreo establecido en el paso 4, y se representarán los datos correspondientes en dichos Gráficos. Una vez identificado un cambio en el proceso se investigará su causa y se adoptarán las medidas necesarias para su eliminación y, si es posible, para la prevención de su aparición. Utilización en las fases de un proceso de solución de problemas - Pueden identificar posibles oportunidades de mejora. - Es una herramienta útil en la comprobación de teorías sobre las causas de un problema. - Puede utilizarse para el diseño y prueba de soluciones. - Está especialmente indicada para controlar el comportamiento de las mejoras introducidas en los procesos y mantener las ganancias derivadas de las mismas. GRAFICOS DE CONTROL POR VARIABLES Gráficos de control ( • • • • • •

, R)

Gráfico basado en estudio inicial Gráficos basados en valores estándar Gráficos de control para valores individuales Gráficos de control de media móvil (desgaste de herramientas) Recogida de datos e interpretación Establecimiento de límites del Proceso Líneas generales para el diseño del grafico ( , R)

• •

Interpretación de los gráficos ( Eficacia de los gráficos ( , S) , R)

, R)

Gráficos de control (

Gráficos de control de sumas acumuladas (CUSUM) Gráfico basado en estudio inicial Muchas características de calidad pueden expresarse en términos de medida numérica. Por ejemplo, el diámetro de una pieza puede medirse con un micrómetro y expresarse en milímetros. Una característica cualitativa que sea medible tal como un volumen, un peso, o cualquier dimensión, en general, es una variable. Cuando nos referimos a una variable, es una práctica normal el controlar tanto el valor medio como la dispersión. El control del valor medio se realiza, habitualmente, con el gráfico de control para medias, o gráfico .

El control de la dispersión puede efectuarse bien con el gráfico de control de la desviación típica (gráfico S) o con el gráfico de control de rangos (gráfico R). El uso del gráfico R está más extendido que el del gráfico S. Debemos señalar que es necesario mantener el control sobre ambos: Media y dispersión del proceso. La figura 2 representa la situación de un proceso. En a) tanto la media m como la desviación típica s están bajo control a sus valores nominales (m o, so) y en consecuencia la mayor parte de la producción del proceso cae dentro de los límites de especificación. En la figura b) la media se ha trasladado m 1 > mo dando como resultado una cierta fracción de la producción fuera de especificación. En la figura c) la desviación típica ha

Cambiado s 1 > so lo que origina también que un parte de la producción esté fuera de norma.

Los gráficos X-R se utilizan cuando la característica de calidad que se desea controlar es una variable continua. A.- Gráfico de la media Supongamos que una variable está normalmente distribuida con media m y desviación típica s y que ambas son conocidas. Si X1, X2, ... son mediciones de una muestra de tamaño n, la media muestral, dada por :

está normalmente distribuida con media m y desviación típica

.

Además, la probabilidad de que cualquier media muestral caiga en el intervalo

es 1 - a, siendo a el error tipo I o Nivel de significación (probabilidad de decir que el proceso se ha descorregido cuando en realidad el proceso sigue la distribución N (m, s)),

Por consiguiente, si m y s son conocidos la expresión anterior puede utilizarse para determinar los límites de control de la media muestral. Habitualmente usaremos los límites 3s reemplazando Za/2 por 3. Si la media muestral cae fuera de estos límites, esto indicará que la media del proceso no permanece en m. Hemos supuesto que la distribución original era normal. Si no lo fuera, los anteriores resultados serían también aproximadamente válidos por aplicación del teorema central del límite. En la práctica no conocemos m ni s, por consiguiente, debemos estimarlas a partir de muestras previas obtenidas del proceso cuando se cree que éste está bajo control. Esta estimación debe basase como mínimo en 20 o 25 muestras. Supongamos que disponemos de (m) muestras, cada una de ellas con (n) observaciones. Típicamente, n será pequeño 4 ó 5. En esa situación, el mejor estimador de la media del proceso será

se utilizará como valor de la línea central del gráfico. Para construir los límites de control, necesitamos un estimador de la desviación típica s. Podemos estimar s a partir de los rangos o de las desviaciones típicas de las (m) muestras. De momento, haremos la estimación a partir de los

Rangos. Si X1, X2,..., Xn, son mediciones de una muestra de tamaño n, el rango de la muestra es R =Xmax - Xmin. La variable aleatoria W = R/s sigue una distribución conocida denominada distribución del rango relativo. Los parámetros de esta distribución son función del tamaño de muestra (n). La media de W es (d2) y la desviación típica (d3). En consecuencia, un estimador de s es R/d2. Los valores de d2 están tabulados (Tablas II y III). Si

la mejor estima de s será Cuando el tamaño de la muestra es pequeño: n = 4 ó 5 el método de estimar a partir del rango da casi tan buen resultado como estimarla a partir de la varianza muestral. Sin embargo, para valores de n, digamos no mayores de 10, pierde rápidamente eficiencia ya que ignora toda la información comprendida entre Xmax y Xmin.

Si usamos

como estimador de m y

como estimador de s entonces los

límites de control del gráfico de medias quedarían:

Za/2 lo obtendríamos de las tablas de Distribución Normal (Tabla I), una vez elegido a (error tipo I).

Normalmente Za/2 = 3 (a = 0,0027), en este caso la cantidad tabulada y el cálculo de los límites de control da:

esta

Gráficos basados en valores estándar Cuando es posible especificar valores desviación típica del proceso, usaremos límites de control del gráfico , R, sin Supongamos que los estándar dados son

m y s. Entonces los parámetros del gráfico son:

Donde a es el error tipo I elegido.

Normalmente Za/2 = 3 (a = 0,0027), la cantidad

, que solo depende de

n, esta tabulada en la tabla I, por lo que los parámetros quedarán:

Para construir el gráfico R con un valor estándar s, tendremos en cuenta los valores tabulados d2 y d3 que son, respectivamente, el valor central y la desviación típica de la distribución del rango relativo W = R/s. Por consiguiente, (utilizando el criterio 3 sR) los parámetros serán:

También están tabulados los valores:

Con lo que los límites de control serán

Si definimos un error tipo I determinado, utilizamos las tablas de la distribución del rango relativo para calcular los límites. La utilización de los gráficos basados en valores estándar debe ejercerse con cuidado ya que puede ser que estos valores no sean realmente aplicables al

Proceso y que, en consecuencia, resulten muchos puntos fuera de control. Si el proceso está en realidad bajo control para una media y unas desviaciones típicas diferentes podemos gastar un esfuerzo considerable en buscar causas asignables inexistentes. En aquellos procesos en los que la característica cualitativa se controle mediante ajustes de la máquina este tipo de gráficos suele dar buenos resultados para conseguir los objetivos propuestos. Ejemplo.- Supongamos que una especificación señala que debemos fabricar un material granular de diámetro exterior 10,8 ± 0,2 mm y que nos aceptan alrededor de 5.5% de granos defectuosos. El colectivo debe seguir una Distribución Normal de media 10,8 y s = 0,1 (si queremos dejar cuando el proceso está centrado un 4% (<5,5) de granos defectuosos. Para elegir el gráfico de control de medias muestrales: Elijo a (Probabilidad de detectar un cambio en el proceso cuando en realidad no se ha producido, error tipo 1).a = 2. 7 o/oo (criterio 3s). Elijo n (tamaño de la muestra). Con el tamaño de la muestra controlo el error tipo II (Probabilidad de no detectar cambios en el proceso cuando los hay). Ver curvas características y ARL en el punto. 2.2.2. Normalmente n = 5. Para elegir el gráfico de control del recorrido: Elijo el error tipo I, por ejemplo a = 2. 7o/oo. Luego 1-a = 0,9975. En la tabla de la distribución del rango relativo (tablas II y III), para n = 5 obtengo y = 5,25, luego LSC = 5,25 x 0,1 = 0,52

Gráficos de control para valores individuales Existen muchas situaciones en las que el tamaño de muestra utilizado para el control del proceso es n = 1. Esto ocurre con frecuencia cuando la inspección está automatizada y se mide cada unidad producida. También se utiliza cuando el ratio de producción es demasiado bajo para esperar a tomar una decisión hasta tener muestras de tamaño n > 1. También, por ejemplo, en procesos químicos en los que las medidas sucesivas que pudieran hacerse sobre muestras tomadas en un corto intervalo de tiempo solo difieren por razón del error experimental del análisis. Para estimar la variabilidad del proceso se puede utilizar el recorrido entre dos observaciones sucesivas. También es posible establecer un gráfico de control para el recorrido móvil de dos observaciones sucesivas. Gráficos de control de media móvil (desgaste de herramientas) Si durante el proceso de investigación se presentan ciertas causas de variación que, aunque identificadas por los gráficos de control como causas especiales, y en calidad de tales son “asignables”, son consideradas una característica integral del proceso (por ejemplo herramientas que se desgastan en el transcurso del tiempo sin ser reemplazadas para conseguir máxima productividad, o una solución química cuyos elementos constituyentes son, dejados que cambien progresivamente de nivel antes de reemplazar la solución completa). Tal vez no resulte práctico eliminar estos cambios de nivel completamente, por lo que habrá de tenerse esto en cuenta en el trazado del gráfico de control para un proceso que demuestre dicha tendencia.

Recogida de datos e interpretación

Los datos deben ser recogidos en el gráfico de control de la forma acostumbrada, mientras el proceso marcha bajo condiciones normales de producción, anotando cualesquiera acontecimientos o cambios que puedan afectar al proceso. Una vez recogidos suficientes datos que abarquen por lo menos un ciclo completo del proceso (es decir el período entre cambios de herramienta o solución), será necesario identificar cualesquiera causas especiales de cambios en el proceso, aparte de la tendencia prevista, mediante la búsqueda

De pautas inusuales en el gráfico con los límites diagonales situados a una

distancia

encima de la línea de tendencia y

debajo de la línea de

tendencia (línea de regresión). Establecimiento de límites del Proceso Para poder utilizar el gráfico de control como indicador de cuándo deben hacerse los cambios del proceso, ahora es necesario calcular el movimiento promedio de la media observada. El proceso debe marchar en condiciones de trabajo normales durante varios ciclos del proceso. El movimiento de la media correspondiente a cada ciclo, se calcula de la siguiente forma: Movimiento de media = observado observado

Entonces se calcula el Movimiento Promedio de la Media como promedio de estos valores. Posteriormente se pueden trazar los límites sobre el gráfico de control de la siguiente manera: = +(0,5) x Movimiento promedio de media +

= estándar.

- (0,5) x Movimiento promedio de media -

LCI y LCS son establecidos como para un gráfico de control basado en valores

Gráfico de control de media móvil Los gráficos de control de media móvil son también muy efectivos para detectar pequeños cambios en el proceso, Como los CUSUM, estos gráficos son muy adecuados para implantar en procesos automatizados.

Supongamos que se han tomado muestras de tamaño n y que indiquen las correspondientes medias muestrales. La media móvil de amplitud W en el momento t se define como

Es decir, en cada momento t se elimina la muestra vieja y se sustituye por la más reciente. La varianza de Mt, es:

Y los límites de control con criterio “3s” serán:

El procedimiento de control consistirá en calcular con cada nuevo valor de nueva Mt y llevarla al gráfico con límites de control dados por (II) concluyendo que el proceso está fuera de control si se exceden los puntos del gráfico. En general, la magnitud del cambio a detectar y la amplitud de W están inversamente relacionados: La detección de un cambio pequeño se garantiza mejor con una muestra de tamaño elevado.

la

El uso simultaneo de

y Mt puede dar buenos resultados. En este caso, , Mt, o ambos caigan fuera de los

habrá situación de fuera de control cuando usar cuando el tamaño de muestra es n = 1.

límites de control respectivos. La media móvil es también muy adecuada para

Gráficos de Control Multidimensional Existen muchas situaciones en las que es necesario el control simultáneo de dos o más características de calidad. Por ejemplo supongamos una pieza con un diámetro interior y otro exterior que juntos determinen la conformidad de la pieza. Podríamos aplicar los gráficos de control habituales a las características y considerar que el proceso está bajo control solamente cuando ambas medias

estuvieran dentro de los respectivos límites de control, esto es

equivalente a que el punto

caiga dentro del área rayada en la figura.

Controlar ambas características independientemente puede ser engañoso. La

probabilidad de que

excedan sus límites de control “3s” es 0,0027, sin

embargo la probabilidad de que ambas variables excedan los limites cuando el proceso está bajo control es (0,0027)x(0,0027) = 0,00000729 que es muy inferior a 0,0027. Es decir, el error de tipo I es muy diferente de los de los gráficos individuales. Esta distorsión se incrementa cuando aumenta el número de variables.

Si existen P características independientes y se elabora un gráfico X para cada una con error de tipo I = a, el error de tipo I conjunto es s’ = 1- (1- a)p y la probabilidad de que las P medias caigan dentro de sus respectivos límites (1a)p. El problema se complica más todavía si existe correlación entre las diferentes características (caso frecuente). Problemas como estos constituyen el llamado control de calidad multidimensional y fueron estudiados inicialmente por Hotelling. Supongamos que existen dos característica cualitativas X1 y X2 que se distribuyen de acuerdo con una distribución normal bivariada siendo X1 y X2 sus valores nominales, S12 y S22 sus varianzas y S12 su covarianza (la covarianza

mide el grado de dependencia entre X1 y X2). Si calculada para un subgrupo de tamaño n, el estadístico:

es la media muestral

se distribuye según una distribución T2 de Hotelling con 2 y (n-1) grados de libertad.

Si

al menos de una de las dos características está fuera de control.

T2a/2, n-1 es el percentil de la distribución de Hotelling que deja una cola a la derecha de valor a. Representando en secuencia los valores resultantes de la ecuación anterior para cada muestra, como si se tratase de un gráfico de control, podemos investigar pautas y otras tendencias no aleatorias del gráfico.

La mayoría de los paquetes de software de control de Calidad permiten analizar con facilidad estos gráficos multidimensionales referidos a dos ó más variables.

Eficacia de los gráficos

,R

La eficacia de estos gráficos se describe a través de las curvas ARL (Longitud de racha media) y curva característica. A) cálculo de las curvas características y ARL del gráfico - Curva característica Suponemos la desviación típica conocida y constante. Si la medía cambia desde el valor objetivo mo hasta otro m1 = mo + K. s ,la probabilidad de no detectar el cambio en la primera muestra que se tome será:

Con:

por lo cual:

Normalmente se elige a = 0,0027 (Error tipo I) Z a/2 = 3. Esta curva (Probabilidad de que el siguiente punto caiga dentro de los límites de control en función del Descentrado del proceso) viene representada (con a = 0,0027), para distintos tamaños de muestra (n) en la figura C.

Curva ARL La probabilidad de no detectar el cambio en la 1ª muestra es 1- b. La de no detectarlo en la 2ª es b (1- b). La probabilidad de no detectarlo en la muestra K será: bk-1 (1- b). Esta es una distribución geométrica de media 1/(1- b).

Conocida la curva característica, la construcción de la ARL es inmediata ya que:

B) Cálculo de las curvas características y ARL del gráfico R Curva característica. Hay que utilizar la distribución del rango relativo. La probabilidad de que una muestra caiga dentro de los límites de control será:

Para un a determinado (error tipo 1) y dando valores a a (variación en la dispersión del proceso) obtenemos tos valores de b. La curva ARL la obtenemos mediante la fórmula 1/(1- b)

Gráficos de control (

, S)

Cuando crece el tamaño de muestra (n = 10 a12) el método del rango para estimar s pierde eficiencia. En este caso es mejor reemplazar los gráficos ( R) por los ( S. Aunque, ,

, S) y calcular para cada subgrupo la media y la desviación típica

Es un estimador centrado de s 2 S no lo es respecto de s, ya que realmente estima C4s ya que E(s) = C4s; C4 es una constante que depende del tamaño de muestra.

Por otra parte la desviación típica de S es

Con esta información ya podemos establecer los límites de control con criterio “3s ”:

Y poniendo:

Tendremos:

Los parámetros B5, B6 están en la tabla IV Si no se conoce s, lo estimaremos de los datos pasados. A partir de (m) subgrupos obtenemos:

Siendo

un estimador centrado de s.

Los límites de control, resultarán:

Y poniendo:

Tendremos:

En cuanto al gráfico

, cuando utilizamos como estimador de s a

, los

límites de control “3s” resultarán:

Y poniendo:

Tendremos:

Gráficos de control de sumas acumuladas (CUSUM) Los gráficos de control que hemos visto hasta ahora se conocen como gráficos de Shewhart. Un punto débil de los gráficos de Shewhart es que solo se utiliza la información contenida en la última muestra representada e ignora la información dada por el conjunto de muestras. Es cierto que la incorporación de límites de atención y el estudio de pautas trata de mejorar la sensibilidad del

gráfico Shewhart utilizando más el conjunto de la información pero a costa de complicar algo el gráfico reduciendo la sencillez de la Interpretación El gráfico de sumas acumuladas (CUSUM) se presenta como una alternativa al grafico de Shewhart. Incorpora directamente toda la información representando las sumas acumuladas de las desviaciones de los valores muestrales respecto de un valor objetivo. Por ejemplo, supongamos que se toman muestras de tamaño igual o mayor que 1, siendo la media muestral de la muestra i.

Si suponemos que  o es el objetivo para la media del proceso, el gráfico de

sumas acumuladas se formará representando la cantidad respecto al número de orden (m) de la muestra. Por combinar la información de varias muestras, los gráficos de sumas acumuladas son más efectivos que los gráficos de Shewhart para detectar pequeños cambios. Son particularmente eficaces cuando el tamaño de muestra es n = 1 y, por consiguiente, adecuados para su utilización cuando la tecnología permite inspeccionar y medir cada unidad producida usando a la vez un microordenador en el puesto de trabajo. Si el proceso se mantiene bajo control en el objetivo  o , la suma acumulable

variará aleatoriamente respecto del valor cero. Sin embargo, si la media asciende a  1 >  o se apreciará una tendencia ascendente en la suma acumulada Sm. Por el contrario, si la media se desplaza a  2 <  o se

Apreciara una tendencia decreciente en Sm. Por consiguiente, una tendencia determinada (positiva o negativa) se considerará como una evidencia de que la media del proceso se ha desplazado debido a la presencia de alguna causa asignable que hay que investigar y eliminar.

Existen dos criterios para establecer formalmente que el proceso está fuera de control. Uno de ellos es un procedimiento gráfico: La máscara V propuesta por Barnhard en 1959 y otro es un procedimiento numérico muy adecuado para establecer en conjunción con un microordenador. Aquí veremos este segundo procedimiento. En cada toma de muestra hay que calcular los 2 valores siguientes :

Donde: Es la media muestral en la toma i-ésima.  o es el valor objetivo (media centrada) F es un parámetro de la carta de control que normalmente vale  o/2 siendo  o el cambio que queremos detectar con prontitud. , siendo normalmente f = 0,5 ya que queremos detectar

normalmente cambios del orden de cartas ARL.

(n es el tamaño muestral).Como

veremos más adelante, F se puede seleccionar también en algún juego de

Cuando algún valor Si ó Ti cumple que Si > H ó Ti < -H (H elegido de acuerdo a

la curva ARL que nos interese si Ti se hace positivo o se pone a 0.

siendo h normalmente 5) el proceso se

considera fuera de control. Si Si se hace negativo o se pone a 0, de igual forma

Una vez corregido el proceso los contadores Si y Ti se pondrían a 0. Las curvas ARL de los gráficos CUSUM, se calculan a partir de los parámetros del grafico, h y f (y del tamaño de la muestra, que está implícito en el desplazamiento) utilizando cadenas de Markov.

En la tabla 2.3 se dan valores de h y f más comunes en función del desplazamiento de la media a detectar y sus curvas ARL. Ejemplo CUSUM Consideremos el peso de cartuchos de cierta fabricación sigue siendo una distribución Normal (ver ejemplo anterior) de media 1,3917 y desviación típica 0,005. Valores que resultaban cuando el proceso estaba bajo control.

Si utilizamos las muestras de tamaño 5 del ejemplo anterior y queremos

detectar desplazamientos de la medía del orden de elegimos h = 5 y f = 0,5 con lo que obtenemos F = 0,5 x 0,0022 = 0,0011; H = 5 x 0,0022 = 0,01

,

En el sexto subgrupo Ti <-0,01 por lo tanto es un punto fuera de control y deberíamos corregir el proceso.

Para controlar la variabilidad dentro de las muestras se pueden utilizar los gráficos de Shewart del recorrido o de la desviación típica, en conjunción con el CUSUM de medias. No obstante también es posible diseñar una carta de control CUSUM específicamente por los gráficos de recorridos o de desviaciones típicas. La forma de realizarlos es muy similar al CUSUM de medias. Los parámetros h y f con sus curvas ARL del CUSUM para recorridos o desviaciones típicas están recogidos en la norma británica BS 5703.

TABLA 2.3 Valores de h y f recomendados para detectar un desplazamiento de la media

de magnitud

(*)

TABLAS PARA LA ELABORACIÓN DE GRÁFICOS

TABLA 1.- DISTRIBUCION NORMAL Probabilidades acumulativas de la distribución de probabilidad normal (áreas bajo la curva desde - infinito hasta z)

TABLAS II y III.- DISTRIBUCION RANGO RELATIVO

Puntos de porcentaje de la distribución de la amplitud relativa w = R/s’, universo normal

Obsérvese que en contraste con la tabla C estas probabilidades están acumuladas desde el extremo inferior de la distribución.

n = Tamaño de la muestra

TABLA IV - GRAFICOS POR VARIABLES FACTORES PARA CONSTRUIR LIMITES DE CONTROL

ESTUDIO INICIAL - RESUMEN DE FORMULAS

CONTROL RESPECTO A ESTANDAR - RESUMEN DE FORMULAS

Sign up to vote on this title
UsefulNot useful