You are on page 1of 10

5.

METODOS PARA EL CONTROL DE CALIDAD Existe en la actualidad un inters creciente en tener un diseo para lograr la calidad de los productos y para identificar problemas que puedan surgir en cada etapa del proceso de produccin. Esto tiende a elevar los niveles de calidad logrando as la mayor satisfaccin de los clientes conjuntamente con reduccin de costos. Para cumplir estos objetivos se necesitan tcnicas especficas relacionadas con procedimientos estadsticos. Es importante detectar en todo proceso si las variaciones que se producen provienen de causas asignables o son simplemente variaciones naturales asociadas con cualquier caracterstica o atributo observados en diferentes individuos. Entre las causas asignables estn las diferencias entre mquinas, entre operadores, entre materiales; tambin en las variaciones que estos elementos tienen a travs del tiempo y diferencias que existen en la forma de relacionarse cada uno de estos elementos con los dems. El muestreo para la aceptacin tiene que ver con otro tipo de control y, de hecho, es una forma de evaluar lo ya producido. Por lo tanto, esta forma de control siempre debe ser complementaria a la de las grficas o cartas de control y no ser utilizada en reemplazo de aquellas. Grficas de control Las variaciones casuales, en general observadas a travs del tiempo, no suelen mostrar tendencias, ni ciclos, ni aparecer en tandas, sino que no siguen ningn patrn definido de comportamiento. El fundamento de los diagramas de control es que, si se estudia un conjunto de datos, sus variaciones seguirn lo que estadsticamente se espera de ellos, siguiendo las distribuciones esperables estadsticamente. En este sentido, el proceso estar bajo control ya que no habr causas atribuibles de variacin. Si esto no sucede as, se puede concluir que estn actuando una o ms causas asignables y que las condiciones que producen la variacin estn fuera de control. Por lo tanto, un diagrama de control es un mtodo til para describir el estado de control estadstico; sirve para alcanzar ese control y tambin es una herramienta para determinar si se alcanz el control. Un modelo general de una grfica de control tiene: los puntos, una lnea central y dos lmites de control. La lnea central puede ser una especificacin, un valor deseado o un valor estimado a partir de los datos. El proceso est controlado cuando todos los puntos estn dentro de los lmites de control. O sea, se perciben las variaciones naturales del proceso. Cuando aparece un punto fuera de los lmites, debe haber algn anlisis de causas. Los lmites deben ponerse de tal manera que genere pocas falsas alarmas. Estar bajo control y cumplir una especificacin no son sinnimos, ya que las variaciones naturales podran ser tales de producir datos fuera de los lmites, cosa que se mejorar revisando cules elementos del sistema pueden ser mejorados, sin que ello signifique que hay una causa que sac el proceso de un control que antes exista.

Control de la tendencia central de un proceso Grficas X La caracterstica que estamos observando estar representada por una variable aleatoria X . Si para un proceso actuando dentro de control, X tiene media y desvo estndar , entonces sabemos que la media muestral X para una muestra aleatoria de tamao n seleccionada en un momento dado tendr . Por el n teorema central del lmite X tiene distribucin normal. Entonces sabemos que p 3 x X + 3 X = p {3 Z 3} = 0.9974 . De esto se deduce que la como valor medio esperado el mismo valor , y como desvo estndar

probabilidad de que la media muestral est entre 3 desviaciones estndar de la media del proceso es muy alta. Es muy usual tomar los lmites de control como mltiplos del desvo estndar, tanto si la distribucin es normal como si no lo es. En el caso anterior, los lmites se llaman 3 . Esto significa que la probabilidad de que un valor sea ms grande que el lmite superior o ms pequeo que el lmite inferior es muy escasa. Obtener un punto fuera de los lmites es entonces un elemento suficiente para inducir un anlisis de causas. Lo que debe notarse que los lmites as establecidos dependen del tamao de la muestra. Si uno conoce los valores de y de , entonces podr realizarse lo que se denomina un grfico X con lmites LSC (lmite superior de control)= + 3

. Si cada vez que se realiza un control se n efectan 3 observaciones, por ejemplo, entonces n = 3 y y son los valores poblacionales conocidos. Casi siempre sucede que estos valores no son conocidos y, por lo tanto, hay que estimarlos desde las muestras. Supongamos que tomamos k muestras con n observaciones cada una de ellas. No es recomendable que n < 3 , ya que los lmite van estrechndose a medida que n crece, lo cual da una mayor proteccin. Tambin hay que considerar el valor adecuado de k , que nos da la frecuencia del muestreo. Muestras grandes tomadas seguido dan la mejor proteccin al proceso. Pero esto depende de los costos. Hay procedimientos tericos que permiten evaluar los riesgos que se toman al ir variando n y k . En cada caso se evaluar la relacin costo beneficio con respecto a las decisiones que se tomen. Para estimar desde las muestras, se hace lo siguiente: Calcular x1 x k , las cuales constituyen las medias muestrales calculadas en las k observaciones (con las n repeticiones en cada caso). La mejor estimacin de

LIC (lmite inferior de control)= 3

es u = x =

x
i =1

Con respecto a la estimacin del desvo estndar, se requiere una correccin, ya que la desviacin estndar muestral tiene un corrimiento respecto de . Esto se soluciona multiplicando el desvo estndar muestral por un factor, que se encuentra tabulado, y que depende del tamao de las muestras que se estn tomando. Si llamamos a estos factores an donde n es el tamao de las

S donde k an los Si representan los desvos estndar sacados de cada una de las muestras tomadas. Con estas consideraciones resulta que los lmites de control se calculan de la siguiente manera: s LSC = x + 3 an n
muestras, entonces resulta que si S =
i =1

entonces E ( S ) = an . =

an n Ponemos aqui algunos valores de an para distintos valores de n . Los libros sobre control de calidad traen tablas ms completas y los softwares para este propsito lo calculan automticamente.

LIC = x 3

n an

3 0.886

4 0.921

5 0.940

6 0.952

7 0.959

8 0.965

El siguiente ejemplo est procesado con el programa Statistix y fue tomado del libro Probabilidad y estadstica para ingeniera y ciencias (Devore, J. Thompson Learning 2001). Los datos corresponden a viscosidades. Dia 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 Observacin 1 10.37 10.48 10.77 10.47 10.84 10.48 10.41 10.40 10.33 10.73 10.41 10 10.37 10.47 10.46 10.44 10.65 10.73 10.39 10.59 10.47 10.4 10.24 10.37 10.46 Observacin 2 10.19 10.24 10.22 10.26 10.75 10.53 10.52 10.38 10.35 10.45 10.68 10.6 10.5 10.6 10.46 10.68 10.42 10.72 10.75 10.23 10.67 10.55 10.71 10.69 10.35 Observacin 3 10.36 10.58 10.54 10.31 10.53 10.50 10.46 10.69 10.49 10.3 10.25 10.71 10.34 10.75 10.56 10.32 10.26 10.83 10.27 10.35 10.64 10.38 10.27 10.40 10.37

Puede observarse en el grfico siguiente que el valor de E ( S ) que figura al pie difiere del valor de , ya que ste se encuentra corregido por an = 0.886 que corresponde a n = 3 . Se ve que ningn da el proceso produjo valores fuera de control. En este caso, la lnea central se tom utilizando todos los valores disponibles ( o sea, los de los 25 das). Pero uno puede resolver encontrar la lnea central y, por consiguiente, los lmites de control utilizando solamente algunos valores.

En muchas aplicaciones es usual poner tambin un lmite de alerta en 2 como para no llegar a obtener puntos fuera de control y evaluar la situacin antes. Esta metodologa da cuenta de un problema cuando ya est el proceso completamente fuera de control. Es por ello que se han generado algunas formas de alerta para poder tomar acciones correctivas cuando hay algunos desplazamientos de la media que merecen atencin. Algunas de ellas son: 1. Dos de tres puntos sucesivos caen fuera de la lnea 2 del mismo lado de la lnea central. 2. Cuatro de cinco puntos sucesivos caen fuera de la lnea de 1 del mismo lado de la lnea central. 3. Ocho puntos sucesivos caen del mismo lado de la lnea central. Grficas R Los diagramas X se suelen completar con diagramas R . Este tipo de diagramas muestra variaciones en las amplitudes (o rangos) de las muestras. Tambin estn conformados por una lnea central y lmites superior e inferior. Si el propsito es analizar datos anteriores, la lnea central se establece en el promedio de las amplitudes de las muestras R . En el caso de querer controlar la

( )

produccin actual, la lnea central se podr tomar de datos anteriores o estableciendo algn parmetro adoptado por la empresa para cumplir con determinados requisitos. Los lmites de control son usualmente lmites 3 R . Este

ltimo dato se estima de los datos o se calcular en base a un valor requerido para la desviacin estndar del proceso. Tomamos, como antes, k muestras. Tomamos los rangos (diferencia entre el valor mximo y el valor mnimo) en cada muestra. Obtenemos as k rangos . k Para evaluar los lmites de control se necesita estimar R , siendo entonces R una variable aleatoria que representa del rango de una muestra aleatoria de tamao n con una distribucin normal, con valor medio y desvo estndar . Se puede demostrar que R = .cn , donde cn es un factor que representa el desvo estndar del rango de una muestra aleatoria de tamao n con una distribucin normal estndar. Los valores de cn tambin se encuentran tabulados. Algunos valores pueden verse en la tabla siguiente:

r1 , r2 , , rk . Evaluamos el promedio de dichos rangos: r =

r
i =1

n cn

3 0.888

4 0.880

5 0.864

6 0.848

7 0.833

8 0.820

Supongamos que debemos estimarlo de los datos. Se demuestra que E ( R ) = .E (rango de una muestra normal estandar ) = .bn . Nuevamente, los valores de bn se encuentran tabulados. Algunos valores pueden verse en la tabla siguiente:

n bn

3 1.693 Finalmente, R = cn

4 2.058

5 2.325

6 2.536

7 2.706

8 2.844

r . Entonces, los lmites de 3 para una grfica R son bn


LSC = r + 3cn LIC = r 3cn r bn r bn

Si el lmite inferior de control da negativo, se tomar como cero. Veamos el diagrama R para el ejemplo anterior, para el cual ya mostramos el diagrama X .

Pueden verse aqui como fueron evolucionando los rangos, es decir, la variabilidad dentro de las muestras. El lmite inferior se estableci como cero, ya que el clculo da un nmero negativo. Se puede evaluar la eficiencia de una grfica de control, evaluando cul es la probabilidad de que una sola muestra d un punto fuera de los lmites de control, y que no sea cierto y tambin evaluando cul es la probabilidad de que una sola muestra d un punto dentro de los lmites de control y en realidad sea un punto que est afuera. Esto es semejante a realizar un test de hiptesis y evaluar, en el primer caso, el error de tipo I y, en el segundo caso, el error de tipo II. Por ejemplo, si trabajamos con una grfica 3 , bajo la hiptesis = o ,

calcular p X > + 3 o X < 3 cuando = o es equivalente a calcular n n X o X o y esto da, 0.0026. O sea, no es muy >3o < 3 cuando = o p n n posible que una seal de fuera de control corresponda a un proceso bajo control. En forma similar se opera en el caso opuesto. Hay muchas variaciones sobre la forma de determinar los lmites: lmites probabilsticos, constantes, y otros. Pero debe tenerse en cuenta cual es el objetivo del control que se est haciendo. Por ejemplo, un lmite de especificacin no es un lmite apropiado para un diagrama X , porque estamos trabajando con

promedios de muestras. Un lmite de especificacin servira para un diagrama con valores individuales, el cual es otro de los posibles diagramas de control de calidad que existen. Grficas para atributos Estudiaremos el caso en que lo que se quiere determinar es si las piezas producidas son defectuosas o no, de acuerdo a los requisitos de aptitud que se hayan establecido. Estas grficas se denominan grficas para la fraccin defectuosa y estn basadas en una distribucin binomial. La razn para esto es que estamos asumiendo que tomamos una muestra de n elementos; que cada pieza es independiente con cualquier otra y que la probabilidad de que una pieza sea defectuosa es p (probabilidad de xito en un ensayo de Bernoulli). Entonces, consideramos la variable X que representa el nmero de piezas defectuosas en la muestra, o sea, el nmero de xitos de un ensayo de Bernoulli, por lo cual X tiene distribucin binomial. Entonces: E ( X ) = np;V ( X ) = np(1 p) . p es la proporcin de piezas defectuosas en un proceso de control. Como X X es el nmero de piezas defectuosas, entonces p = . De lo anterior puede n p(1 p ) . demostrarse que E ( p ) = p y V ( p ) = n Si p es fija o conocida, los lmites de control son:
LSC = p + 3 LIC = p 3 p(1 p) n p(1 p) n

La grfica de control tiene entonces los puntos p1 , p2 ,... que surgen de calcular x pi = i donde xi es el nmero de piezas defectuosas en la muestra i de tamao n n. Si el valor de p hubiera que estimarlo de los datos, se toman k muestras de un proceso que est funcionando bajo control, se toma p =

p
i =1

y se k reemplaza p por p en las frmulas anteriores para determinacin de los lmites de control. Como antes, si el lmite inferior da negativo, se reemplaza por cero. El siguiente ejemplo est procesado con el programa NCSS 6.0 y fue tomado del libro Probabilidad y estadstica para ingeniera y ciencias (Devore, J. Thompson Learning 2001).

Las muestras que se toman durante 25 das son de tamao 100. Constan de figuras de loza y se examina cada pieza para ver si tiene algn defecto. Por ejemplo, el primer da, sobre las 100 observadas, 7 resultaron defectuosas. O sea, 7 x1 = 7 y por lo tanto p1 = = 0.07 . 100
Dia 1 x 7
i

2 4

3 3

4 6

5 4

6 9

7 6

8 7

9 5

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 3 7 8 4 6 2 9 7 6 7 11 6 7 4 8 6

Grfico p de control defectuoso


0,14

0,13

Fraccin defectuosa

0,06

0,10

0,06

0,02

0,00
-0,02 0,0 7,5 15,0 22,5 30,0

Dia

El grfico muestra tambin las lneas de tendencia. Lmites de control Limite Inferior Superior Proporcin 0,000000 0,132489

Variables Tamao de muestra Nro. de defectos

Total 2500 152

Media 100,000000 6,080000

Todos los valores estn dentro de las lneas de control. Puede decirse que el proceso est en control.

Muestreo de aceptacin El muestreo para la aceptacin se refiere al control de unidades ya producidas, por lo que no tiene tanta relevancia como las cartas de control. Solo daremos aqu una breve introduccin, ya que la bibliografa sobre el tema es sumamente extensa. - Planes de muestreo simple. Consiste en elegir una sola muestra de tamao n . Se rechaza el lote (completo) si el nmero de piezas defectuosas de la muestra excede un valor prefijado. - Planes de muestreo doble. Se toma una muestra inicial de tamao n1 . En este caso se pueden tomar 3 decisiones: aceptar el lote, rechazarlo o tomar una segunda muestra de tamao n2 . Se acepta o rechaza el lote dependiendo del nmero de items defectuosos en las dos muestras. En smbolos, esto sera: 1. Rechazar el lote si x1 r1 . 2. Aceptar el lote si x1 c1 3. Si c1 < x1 < r1 tomar una segunda muestra. Aceptar el lote si x1 + x2 c2 . Rechazarlo en cualquier otro caso. Hay muchos otros mtodos de muestreo para la aceptacin, pero no es objetivo de este curso describirlos a todos ellos. Para eso puede consultarse bibliografa especfica sobre el tema.

BIBLIOGRAFIA Los temas de este curso estn basados en desarrollos de los siguientes libros: - Daniel, W . Biostatistics. A Foundation for analysis in the health sciences. John Wiley and Sons, 1974. - Devore, J. Probabilidad y estadstica para ingeniera y ciencias. Thompson Learning, 2001. - Duncan, A. Control de calidad y estadstica industrial. Alfaomega, 1992. - Haber, A. y Runyon, R. Estadstica general. Addison Wesley Iberoamericana, 1986.

10