Capítulo 5 Control de Procesos por Atributos En el capítulo anterior se estudió la construcción de gráficos de control para analizar la evolución de una variable cuantitativa continua que fuese el resul- tado de una medición: longitud, peso, tiempo..., relacionada con la calidad. Sin embargo, a veces no se desea controlar el valor de una magnitud medi- ble sino simplemente si el producto es adecuado o no lo es o, en general, si se posee o no se posee cierto atributo. Este tipo de medición, a través de presencia o ausencia de atributos, tiene ciertas ventajas sobre el control por variables del tema anterior: • Suele ser más sencillo y rápido. Por ejemplo, es más rápido comprobar si una pieza pasa por cierto calibre que medir su longitud exacta. • Permite resumir las características de varias variables. Un artículo o servi- cio puede ser defectuoso o no dependiendo de un conjunto de varia- bles y no de una sola. No se controla una característica medible sino la ausencia o presencia de un atributo (rechazo/no rechazo). • Al usar la información de si el artículo es o no defectuoso, contiene simul- táneamente la información de la capacidad del proceso (variabilidad intrínseca al proceso productivo) y las tolerancias. 85
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Capítulo 5
Control de Procesos por Atributos
En el capítulo anterior se estudió la construcción de gráficos de control para
analizar la evolución de una variable cuantitativa continua que fuese el resul-
tado de una medición: longitud, peso, tiempo..., relacionada con la calidad.
Sin embargo, a veces no se desea controlar el valor de una magnitud medi-
ble sino simplemente si el producto es adecuado o no lo es o, en general, si
se posee o no se posee cierto atributo.
Este tipo de medición, a través de presencia o ausencia de atributos, tiene
ciertas ventajas sobre el control por variables del tema anterior:
• Suele ser más sencillo y rápido. Por ejemplo, es más rápido comprobar
si una pieza pasa por cierto calibre que medir su longitud exacta.
• Permite resumir las características de varias variables. Un artículo o servi-
cio puede ser defectuoso o no dependiendo de un conjunto de varia-
bles y no de una sola. No se controla una característica medible sino la
ausencia o presencia de un atributo (rechazo/no rechazo).
• Al usar la información de si el artículo es o no defectuoso, contiene simul-
táneamente la información de la capacidad del proceso (variabilidad
intrínseca al proceso productivo) y las tolerancias.
85
Sin embargo, tiene el inconveniente de que es menos preciso, pues ignora
mucha información. No es lo mismo saber que el artículo es defectuoso que
saber que su longitud es dos milímetros mayor que su límite de tolerancia.
Existen varios gráficos que permiten monitorizar la evolución de este tipo de
información. En unos se observa la evolución de la proporción de artículos
defectuosos en sucesivas muestras de tamaño n (cada elemento observado
es/no es defectuoso, o tiene/no tiene cierto atributo; por ejemplo, una lla-
mada es o no es fallida), mientras que en otros se observa la evolución del
número de defectos que aparecen en cada unidad de medida (cada uni-
dad de medida puede tener más de un defecto o más de un atributo, por
ejemplo, en cada minuto se puede recibir más de una llamada).
5.1 Gráficos P
En este gráfico se muestra la evolución de la proporción de individuos que
tienen cierto atributo. Por ejemplo, la proporción de artículos defectuosos,
la proporción de llamadas telefónicas que quedaron bloqueadas, la propor-
ción de clientes que presentan una reclamación, etc. Llamaremos p a esta
proporción.
Veamos primeramente el contexto estadístico en el que nos encontramos.
Supongamos un proceso que opera de manera estable (bajo control) y cu-
yo resultado es un artículo o un servicio. Supongamos que en ese estado la
probabilidad de que un artículo sea defectuoso sea p. Supongamos que en
un instante ti analizamos un tamaño muestral ni (número de piezas produ-
cidas o número de clientes a los que se ha prestado el servicio), el número
de artículos (o servicios) defectuosos será di, que será una variable aleato-
ria al depender de los elementos ni concretos que hayan caído en nuestras
manos en ese instante. Por tanto, la proporción de artículos defectuosos de
cada muestra, que denotaremos por pi = di/ni será una variable aleatoria.
En general se tendrá que pi 6= p. El valor p es un valor poblacional, mientras
86
que pi es sólo una estimación de p obtenida con ni observaciones. El objeti-
vo del gráfico P será comprobar si la evolución de los valores pi observados
son compatibles con un valor poblacional p, y por tanto la diferencia entre el
valor observado pi y el poblacional p se debe sólo a la variabilidad muestral.
Supongamos, además, que en esta situación de estabilidad el proceso
evoluciona de manera independiente; es decir, la probabilidad de que se
produzca un artículo o servicio defectuoso es independiente de si el anterior
artículo o servicio fue o no defectuoso. Bajo estos supuestos de estabilidad
e independencia, la probabilidad de que cada artículo sea defectuoso es
siempre la misma e igual a p. Cada artículo producido puede entonces aso-
ciarse a una variable aleatoria de Bernoulli que tome valor xi = 1 si el artículo
es defectuoso (P (xi = 1) = p) o xi = 0 si es aceptable (P (xi = 0) = 1 − p). Por
tanto, el número de unidades defectuosas di de un total de ni unidades es
una variable aleatoria Binomial con función de probabilidad
P (di = r) =( ni
r
)pr(1− p)ni−r; r = 0, 1, . . . , ni.
La media y varianza de esta variable son bien conocidas,
E(di) = nip
Var(di) = nip(1− p)
Como puede verse, ambos parámetros, media y varianza, dependen sólo
de p, por lo que para analizar la evolución del número de artículos defectuo-
sos no es necesario construir un gráfico de control para la media y otro para
la variabilidad, como ocurría en el control por variables, sino que con un
gráfico de control del parámetro p es suficiente. El gráfico se realiza toman-
do muestras de tamaño ni (no tienen por qué ser todas de igual tamaño) y
contando el número de artículos defectuosos di. Nuestro interés está en la
evolución de la proporción de artículos defectuoso, es decir,
pi =di
ni
=número de defectuosos en la muestra i-ésima
tamaño muestral de la muestra i-ésima
87
Entonces, la proporción de artículos defectuosos en un total de ni unida-
des puede escribirse como
pi =di
ni
=x1 + · · ·+ xni
ni
= x
y es, por tanto, una media muestral de variables de Bernoulli. Es fácil, enton-
ces, deducir las siguientes propiedades
E(pi) = p
Var(pi) =p(1− p)
ni
y, si ni es suficientemente grande, podremos aplicar el Teorema Central del
Límite y utilizar que, aproximadamente,
pi ≈ N
p,
√p(1− p)
ni
.
El gráfico de control P sirve para ver la evolución de este estadístico pi a
medida que se van recogiendo muestras consecutivas de tamaño ni. Como
en gráficos anteriores, el gráfico P tiene los siguientes elementos
LCS = E(pi) + 3√
Var(pi)
Línea Central(LC) = E(pi)
LCI = E(pi)− 3√
Var(pi)
(5.1)
tomándose como límite inferior el cero si resultase un valor negativo. Si la
proporción de unidades defectuosas p es conocida, el gráfico de control
será
LCS = p + 3
√p(1− p)
ni
Línea Central(LC) = p
LCI = p− 3
√p(1− p)
ni
(5.2)
Puede verse que los límites de control no son, en general, dos líneas rectas,
sino que variarán con el tamaño muestral ni. Esta variación se necesita para
88
asegurar que en cada momento existe una probabilidad del 99.7% de estar
entre los límites si el proceso está bajo control. En el caso de p conocido, los
pasos a seguir para la construcción del gráfico son:
1. Tomar muestras de tamaño muestral ni. El tamaño muestral se decide
según las características de cada caso. El tamaño muestral debe ser
elevado, tanto para que la aproximación a la normal sea buena, como
para dar oportunidad a que aparezcan piezas defectuosas. De esta
forma, el 99, 7% de los valores estarán dentro de los límites de control
cuando el proceso esté en estado de control. Las muestras suelen to-
marse a intervalos regulares de tiempo, aunque el tamaño muestral no
necesita ser el mismo.
2. Dibujar el gráfico con las especificaciones mostradas en (5.2).
3. Calcular la proporción de artículos defectuosos en cada muestra:
pi =di
ni
.
4. Representar los valores pi ordenados en el tiempo en el gráfico e inter-
pretarlo.
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 producción y va comprobando si son defectuosos o acepta-
bles. Como la cadena no tiene un ritmo de producción constante (sigue un
ritmo de producción denominado just-in-time, donde el ritmo de la cadena
se va determinando según el nivel de stock final e intermedio), el ritmo de ins-
pección no es tampoco constante. El operario, por tanto, no toma siempre
89
Muestra Diodos Inspeccionados Diodos Defectuosos pi
1 126 8 0,063
2 118 10 0,085
3 122 10 0,082
4 129 9 0,070
5 124 10 0,081
6 136 10 0,074
6 136 10 0,074
7 119 9 0,076
8 127 9 0,071
9 114 20 0,175
10 127 11 0,087
11 119 12 0,101
12 115 5 0,043
13 110 11 0,100
14 103 6 0,058
15 108 10 0,093
16 116 4 0,034
17 119 7 0,059
18 118 8 0,068
19 107 10 0,093
20 113 13 0,115
Total : 2370 192
Tabla 5.1: Datos del ejemplo 1
90
20100
0,2
0,1
0,0
Sample Number
Prop
ortio
n
Gráfico P para defectos
P=0,08000
3,0SL=0,1566
-3,0SL=0,003437
Figura 5.1: gráfico P para muestras de tamaño desigual (p conocido)
la misma cantidad de diodos para realizar la inspección. La Tabla 5.1 mues-
tra el tamaño de las muestras recogidas y el número de diodos que resultaron
defectuosos.
Se sabe por la información histórica del proceso, que si sólo actúan causas
no asignables (azar), se espera que el 8% de los diodos sean defectuosos. Se
quiere construir un gráfico de control para la proporción de diodos defectuo-
sos. El gráfico se muestra en la figura 5.1. En dicho gráfico puede verse cómo
los límites de control, aunque están usando el mismo valor p = 0, 08 tienen
distinto ancho, debido a que las muestras son de distinto tamaño.
Existe un punto fuera de control que habrá que investigar. Algunas apli-
caciones informáticas permiten realizar un gráfico con límites de control que
sí son líneas rectas. Para ello utilizan como tamaño muestral en las fórmulas
(5.2) el promedio de los tamaños muestrales; es decir, usan, en lugar de ni
n =
∑ki=1 ni
k
Cuando no hay un valor de p conocido es necesario estimarlo con unas
91
muestras iniciales. Estas muestras deben estar recogidas cuando el proceso
se encuentra en estado de control. Los pasos a seguir para la construcción
del gráfico en este caso son:
1. Tomar k muestras (al menos 20) de tamaño muestral ni (i = 1, . . . , k).
2. Calcular la proporción de artículos defectuosos en cada muestra
pi =di
ni
.
3. Calcular una estimación del valor poblacional p a través de la propor-
ción total de defectuosos:
p =
∑ki=1 di∑ki=1 ni
.
Este valor de p constituirá la línea central del gráfico de control. Si duran-
te este periodo de recogida de información el proceso ha estado bajo
control, este estimador será un buen estimador de p. Este estimador es
mejor que promediar los diferentes valores de pi, es decir:
p =
∑ki=1 pi
k,
pues en este promedio no estamos teniendo en cuenta que cada mues-
tra tiene tamaño muestral distinto y, por tanto, precisión distinta.
4. Calcular los límites de control de manera que si el proceso está bajo
control, y basándonos en la normalidad, sólo 3 de cada mil muestras
estén fuera de los límites. Esto es equivalente, utilizando las propiedades
de la distribución normal, a poner los límites en tres desviaciones típicas.
Por tanto, el gráfico de control tiene las características siguientes:
LCS = p + 3
√p(1− p)
ni
Línea Central(LC) = p
LCI = p− 3
√p(1− p)
ni
(5.3)
92
5. Dibujar el gráfico con la línea central y los límites de control y colocar los
valores pi ordenados en el tiempo. Si algún valor estuviese fuera de los
límites habría que rechazar dicha muestra y repetir el proceso con las
restantes. Una vez que se tiene un gráfico con todos los valores dentro
de los límites pueden considerarse éstos válidos y puede utilizarse el valor
estimado p para posteriores muestras.
0 10 20
0,0
0,1
0,2
S l N b
Prop
ortio
n
P Chart for defectos
P=0,08101
3,0SL=0,1580
-3,0SL=0,004009
Figura 5.2: gráfico P para muestras de tamaño desigual (p desconocido)
Ejemplo 1 (continuación):
Con los datos del ejemplo 1 y sin utilizar el valor de p = 0, 08, se obtendría
un valor estimado de
p =192
2370= 0, 081 (5.4)
Los limites serán p±3√
p(1− p)/ni = 0, 081±0, 819/√
ni (se usa el limite inferior
0 si resulta un numero negativo). La figura 5.2 muestra el nuevo gráfico de
control.
93
20100
0,2
0,1
0,0
Sample Number
Prop
ortio
n
P Chart for defectos
P=0,07624
3,0SL=0,1511
-3,0SL=0,001346
Figura 5.3: gráfico P para muestras de tamaño desigual (p desconocido)
muestra 9 eliminada del cálculo de los límites de control
En este gráfico se vuelve a apreciar que hay un punto fuera de control.
Por tanto la estimación de p hecha en (5.4) no es adecuada. Si eliminamos
la muestra 9 del análisis y rehacemos el gráfico se tiene la nueva estimación:
p =192− 20
2370− 114= 0, 076
y los nuevos límites serán p ± 3√
p(1− p)/ni = 0, 076 ± 0, 795/√
ni. La figura 5.3
muestra el nuevo gráfico. En esta ocasión todos los puntos se encuentran
dentro de los limites, por lo que la estimación de p puede utilizarse para con-
trolar el proceso en posteriores muestras.
Al no ser los límites constantes se ha de tener cuidado para interpretar
tendencias y rachas en estos gráficos. Un procedimiento para simplificar la
interpretación de las gráficos P es el uso de valores estandarizados. En este
caso los valores representados en el gráfico son:
zi =pi − p√p(1− p)
ni
94
donde p se utiliza en lugar de p si este valor es desconocido. Para estos valores
transformados se tiene
E(zi) = 0
Var(zi) = 1
y por tanto el gráfico estandarizado tiene por límites de control ±3 y linea
central 0.
Como puede observarse, la construcción del gráfico se resume a la ob-
tención de una buena estimación de p. A partir de entonces, y una vez fijada
la estrategia de muestreo (tamaños muestrales, frecuencia, criterios para de-
terminar que una pieza es defectuosa), lo que hay que hacer para controlar
estadísticamente el proceso es:
1. Tomar una muestra de tamaño ni
2. Calcular los LCS y LCI con ese valor ni y colocarlos en el gráfico
3. Contar el número de piezas defectuosas di y calcular la proporción so-
bre el total de la muestra pi.
4. Colocar este valor pi en el gráfico y verificar si el proceso está bajo con-
trol
En un gráfico P, la capacidad se define como el porcentaje de piezas no
defectuosas que produce el proceso cuando está bajo control. Esta canti-
dad es (1− p), por tanto la estimación de la capacidad es
Capacidad Estimada = (1− p).
Es posible, sin embargo, encontrar algunos textos donde se utiliza p como
medida de la capacidad.
95
5.1.1 Estrategias de Agrupamiento
Los gráficos de control para la proporción de no conformes están basados en
general en la inspección de toda la producción realizada durante un deter-
minado periodo de tiempo (por ejemplo un día). Es por ello que la frecuencia
de muestreo determina el tamaño del subgrupo.
Sin embargo existen diversas estrategias a la hora de considerar el tamaño
n del subgrupo.
1. Tomar n de forma que
Pr(d ≥ 1) ≥ γ,
es decir que Pr(d = 0) < 1 − γ, donde d tiene distribución binomial de
parámetros n y p. Por lo tanto, tomar n de forma que
n > log
(1− γ
1− p
)2. Tomar n suficientemente grande de forma que el ARL(p1) sea 2, para una
variación en la proporción de p0 a p1. Esto implica, en gráficos k-sigma,
que
n =p0(1− p0)k
2
(p1 − p0)2
3. Si p es pequeño, considerar n de forma que LCI > 0. Esto se consigue si
n > k2 1− p
p
para gráficos de control k-sigma.
5.2 Gráficos NP
Se aplica al mismo tipo de procesos que en el caso anterior. La diferencia
está en que, en lugar de contabilizar proporción de artículos defectuosos en
una muestra, se considera el número de artículos defectuosos. En general, es
útil si:
96
(a) el número es más relevante que la proporción,
(b) el tamaño muestral es constante.
Aunque matemáticamente sería posible construir un gráfico NP con ta-
maño muestral variable, su interpretación sería complicada, por lo que este
tipo de gráficos se utiliza exclusivamente con muestras de tamaño constante
ni = n, i = 1, 2, . . . . Llamemos di al número de artículos defectuosos en una
muestra de tamaño n. El gráfico de control será:
LCS = E(di) + 3√
Var(di)
Línea Central(LC) = E(di)
LCI = E(di)− 3√
Var(di)
(5.5)
Sea p la proporción total de defectuosos que produce el proceso. Enton-
ces di sigue una distribución binomial de media np y varianza np(1− p). Si n es
grande, dicha distribución puede aproximarse a la normal. Por tanto, para n
elevado, aproximadamente,
di ∼ N(np,√
np(1− p)).
Por tanto el gráfico de control NP será:
LCS = np + 3√
np(1− p)
LC = np
LCI = np− 3√
np(1− p)
(5.6)
y si la aproximación a al normal es buena, contendrá al 99.7% de los datos si el
proceso está bajo control. De nuevo, si el límite de control resultase negativo
se usaría al valor cero. Para construir el gráfico 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 sólo del parámetro p, por lo
que un solo gráfico será suficiente para controlar el proceso. Para construir el
gráfico se siguen los siguientes pasos:
97
1. Se toman k muestras de tamaño n. El numero de muestras k debe ser
elevado (más de 20). También el tamaño muestral n debe ser grande
(mayor de 50) y han de tomarse consecutivamente y a intervalos igua-
les.
2. Contar el número de artículos defectuosos en cada muestra di
3. Contar el número total de defectuosos d1 +d2 + · · ·+dk y hallar el número
medio de defectuosos por muestra:
p =
∑ki=1 di
nk=
1
n
∑ki=1 di
k=
d
n⇒ d = np.
Este valor d será un buen estimador de np, media del proceso, si el pro-
ceso ha estado bajo control durante esta etapa de recogida de infor-
mación. Este valor medio d = np será la linea central del gráfico de
control.
4. Se calculan los límites de control a tres desviaciones típica, obteniéndo-
se:
LCS = np + 3√
np(1− p)
LC = np
LCI = np− 3√
np(1− p)
(5.7)
5. Se dibuja el gráfico trazando la línea central en np y los límites de control.
Los límites de control serán ahora constantes, al ser constante el tamaño
muestral n.
6. Colocar los valores di de forma secuencial. Si alguno se encuentra fuera
de los límites de control habrá que eliminarlo y volver a reconstruir el
gráfico con las muestras restantes.
La capacidad se sigue definiendo de la misma manera que en los gráficos
P, es decir (1− p). Por tanto la estimación de la capacidad es
Estimación de la capacidad = (1− p)
98
Muestra Número de Artículos Artículos Defectuosos pi
1 50 3 0.06
2 50 5 0.10
3 50 5 0.10
4 50 1 0.02
5 50 10 0.20
6 50 4 0.08
7 50 2 0.04
8 50 5 0.10
9 50 6 0.12
10 50 4 0.08
11 50 1 0.02
12 50 0 0.00
13 50 4 0.08
14 50 6 0.12
15 50 2 0.04
16 50 2 0.04
17 50 3 0.06
18 50 4 0.08
19 50 2 0.04
20 50 5 0.10
21 50 4 0.08
22 50 5 0.10
23 50 2 0.04
24 50 4 0.08
25 50 2 0.04
Total 1250 91
Tabla 5.2: Datos del ejemplo 2
99
2520151050
10
5
0
Sample Number
Sam
ple
Cou
nt
NP Chart for defectos
1
NP=3,640
3,0SL=9,151
-3,0SL=0,000
Figura 5.4: Gráfico NP para el número de defectuosos (n constante)
Ejemplo 2:
Se desea construir un gráfico de control NP para controlar un proceso que
fabrica un chip que se insertará en una tarjeta de telefonía. Se tienen 25
muestras, cada una formada por 50 chips. El número de chips defectuosos
en cada una de las muestras se muestra en la Tabla 5.2.
El gráfico de control que resulta se encuentra en la figura 5.4. En él pue-
de apreciarse que hay una observación fuera de control por lo que habrá
que eliminarla antes de considerar que la estimación de p es definitiva y pue-
da ser utilizada para analizar posteriores muestras. En este gráfico el LCI es
cero, pues el valor que se obtiene aplicando la fórmula correspondiente es
negativo: LCI = −1.87.
Tras la eliminación de la muestra 5 se obtiene el gráfico de control de la
figura 5.5, donde ya todos los puntos parecen estar bajo control.
100
0 5 10 15 20 25
0
5
10
Sample Number
Sam
ple
Cou
nt
NP Chart for defectos (muestra 5 omitida)1
NP=3,375
3,0SL=8,697
-3,0SL=0,000
Figura 5.5: Gráfico NP para el número de defectuosos (n constante) y límites
de control calculados sin la muestra 5
5.3 Gráfico C
A veces, el interés no reside en el número de artículos defectuosos sino en
el número de defectos en un artículo o unidad de medida o, en general, el
número de sucesos o atributos observados por unidad de medida. Por ejem-
plo, en una película fotográfica interesa controlar el número de defectos por
centímetro cuadrado. En un cable de fibra óptica interesa el número de
defectos por metro o kilómetro, o el número de averías detectadas por kiló-
metro una vez enterrado. En una centralita interesará controlar el número de
llamadas por hora o minuto. En un puesto de atención a clientes, interesa el
número de clientes que llegan por unidad de tiempo. La diferencia respecto
al caso de control del número de artículos con cierto atributo es el soporte
en el que se observan los sucesos. Mientras que antes el soporte es discre-
to: muestra de n elementos, ahora el soporte es continuo: tiempo, longitud,
superficie. Este tipo de control tiene interés cuando:
101
• Las disconformidades aparecen de forma continua (burbujas en vidrio,
defectos en una placa, arañazos en plásticos, cortes en cables, llegada
de clientes a un puesto de servicio...).
• Los defectos pueden encontrarse por simple inspección a pesar de ser
debidas a causas muy diversas.
Este tipo de control es muy frecuente cuando el proceso es un servicio.
Por ejemplo, interesa controlar el número de clientes atendido por unidad de
tiempo, número de quejas por día, número de llamadas recibidas en cierto
servicio telefónico, número de llamadas bloqueadas en un día, número de
llamadas atendidas por una centralita en una unidad de tiempo, número de
fallos diarios en un equipo de intercomunicación, número de altas diarias en
un servicio, etc.
Esta variable que se quiere controlar puede definirse como: número de
sucesos en un intervalo de longitud fija. Si el proceso es estable y los suce-
sos ocurren de forma independiente (la llegada de un cliente a un servicio
no depende de cuántos clientes han solicitado ese servicio en esa unidad
de tiempo, la rotura de un cable en un punto dado es independiente de
si el cable se ha roto en otro punto) entonces el número de sucesos en un
intervalo de longitud fija seguirá una distribución de Poisson.
Si X es una variable con distribución de Poisson de parámetro λ, el valor
medio de dicha distribución es también λ. Por ejemplo, el número medio de
defectos por cm2 en una placa metálica, o número medio de clientes por
día. La varianza de esta distribución es también λ. Una propiedad intere-
sante de la distribución de Poisson es la de aditividad; es decir, si el número
de sucesos en un intervalo es una distribución de Poisson de parámetro λ, el
número de sucesos en n intervalos es una Poisson de parámetro nλ. Si λ es ele-
vado, la distribución de Poisson se aproxima bastante a la normal. Por tanto,
si tomamos una unidad de medida suficientemente grande, podremos utili-
zar la distribución normal como referencia. Entonces, el número de defectos
102
por unidad de medida D (o no-conformidades) será, aproximadamente,
D ∼ N(λ,√
λ). (5.8)
De nuevo, conociendo un parámetro, λ, se tiene control sobre la media y
la variabilidad del proceso. Bastará, entonces, con un solo gráfico de control.
Sea Di el número de sucesos observado en un intervalo de longitud fija. Un
gráfico de control para controlar la evolución de esta variable será:
LCS = E(Di) + 3√
Var(Di)
LC = E(Di)
LCI = E(Di)− 3√
Var(Di)
(5.9)
y de acuerdo con (5.8), se tiene que
LCS = λ + 3√
λ
LC = λ
LCI = λ− 3√
λ
(5.10)
Si el LCI resultase negativo se usaría el valor cero. Si λ no fuese conocido
habría que estimarlo con un conjunto de datos preliminares, procedentes
del proceso en estado de control. En este caso, el gráfico se construiría de la
siguiente forma:
1. Seleccionar la unidad de medida, de manera que en tal unidad se de-
tecten por término medio al menos cinco ocurrencias (averías, defec-
tos, clientes,...), para que la aproximación a la normal sea buena. De
esta forma los límites de control tendrían al 99.7% de las observaciones
en estado de control.
2. Tomar k muestras (al menos 20) a intervalos regulares de tiempo y contar
el número de ocurrencias en cada muestra Di.
3. Estimar λ con el número medio de ocurrencias observadas:
λ =
∑ki=1 Di
k.
103
Hectómetro 1 2 3 4 5 6 7 8 9 10 11 12
N. de defectos 5 2 7 12 10 3 6 4 3 7 2 10
Tabla 5.3: Datos del Ejemplo 3
Si el proceso ha estado bajo control durante esta etapa, el valor λ será
un buen estimador de λ = número medio de ocurrencias. Este valor se
usará entonces como linea central del gráfico.
4. Calcular los límites de control a tres desviaciones típicas. El gráfico resul-
tante será:
LCS = λ + 3√
λ
LC = λ
LCI = λ− 3√
λ
(5.11)
Si el límite inferior es negativo se sustituye por el valor cero.
5. Dibujar el gráfico y colocar los valores Di de forma secuencial. Si alguno
está fuera de control se elimina y se recalcula el gráfico.
La capacidad del proceso se define por λ : número medio de defectos y
se estima con λ, por tanto
Estimación de la capacidad = λ
Ejemplo 3:
Un fabricante de cable de fibra óptica desea controlar la calidad del
cable mediante un gráfico de control C. Para ello toma como unidad de
medida los 100 metros e inspecciona el número de defectos que encuen-
tra: microfisuras, arañazos externos, poros, etc. La inspección está altamente
automatizada, inspeccionándose el 100% del cable. La tabla 5.3 muestra el
resultado de 12 unidades (1200 metros).
104
0 5 10
0
5
10
15
Sample Number
Sam
ple
Cou
nt
C Chart for número de defectos por unidad
C=5,917
3,0SL=13,21
-3,0SL=0,000
Figura 5.6: Gráfico C para el número de defectos por hectómetro
El número medio de defectos es
λ =71
12= 5, 92
que es la linea central del gráfico. El límite de control superior es
LCS = λ + 3√
λ = 13, 21
y el inferior
λ− 3√
λ = −1, 38 ⇒ LCI = 0.
La figura 5.6 muestra el gráfico de control donde están representadas las
observaciones de la Tabla 5.3.
5.4 Gráficos U
El gráfico U se utiliza cuando no es posible tener siempre la misma unidad de
medida para contar el número de defectos (o no-conformidades, o clientes,
105
etc...). Entonces, se controla el número medio de defectos por unidad de
medida. Por ejemplo:
• Los elementos a analizar pueden contener un número variable de uni-
dades: por ejemplo dos rollos de película fotográfica no tendrán exác-
tamente la misma longitud, diferentes láminas de vidrio tendrán distinta
superficie.
• Es difícil tomar mediciones a intervalos iguales de tiempo: el inspector
puede estar dedicado a varias tareas, por lo que es necesario un es-
quema más flexible.
Si llamamos ci al número de defectos (u ocurrencias de cierto suceso) en
la muestra i-ésima y ni al tamaño de dicha muestra (número de metros del
cable, número de unidades de tiempo, número de cm2 de superficie anali-
zada...). El número de defectos por unidad de medida será:
ui =ci
ni
=Número de defectos en ni unidades
Número de unidades en la muestra(5.12)
La variable ci es una variable de Poisson de parámetro:
λi = niλ
donde λ es el número medio de sucesos por unidad. Por tanto:
E(ci) = λi = niλ,
Var(ci) = λi = niλ.
Esta variable ui es, entonces, un promedio de variables tipo Poisson, don-
de los sucesos se observan en intervalos de longitud distinta. Si el valor de ni
es suficientemente grande, la variable aleatoria ui será, por el Teorema Cen-
tral del Límite, aproximadamente normal. El gráfico de control de la variable
ui será:
LCS = E(ui) + 3√
Var(ui)
LC = E(ui)
LCI = E(ui)− 3√
Var(ui)
(5.13)
106
y si la aproximación a al normal es buena, contendrá al 99.7% de las obser-
vaciones. De (5.12) se obtiene que
E(ui) =E(ci)
ni
=niλ
ni
= λ.
Var(ui) =Var(ci)
n2i
=niλ
n2i
=λ
ni
El gráfico de control será, entonces,
LCS = λ + 3
√λ
ni
LC = λ
LCI = λ− 3
√λ
ni
(5.14)
Si la media λ es desconocida, se puede estimar con valores preliminares
de ui. La media de la distribución del número medio de defectos se estimará
con
u =número total de defectos
número total de unidades=
∑ki=1 ci∑ki=1 ni
.
Entonces Var(ui) =u
ni
Y el gráfico de control U con los límites estimados será
LCS = u + 3
√u
ni
LC = u
LCI = u− 3
√u
ni
(5.15)
El LCI será cero si la fórmula anterior diese un valor negativo. En resumen,
el gráfico se construirá de la siguiente manera:
1. Se toman k muestras de tamaños ni, i = 1, . . . , k y se cuenta el número de
defectos ci de cada muestra y el número medio por unidad de medida
de cada muestra ui = ci/ni.
107
2. Se calcula la media del numero medio de defectos por unidad de me-
dida u. Si el proceso ha estado bajo control, este estimador u será un
buen estimador de λ y será la linea central del gráfico.
3. Se calculan los límites de control a tres desviaciones típicas de la línea
central
LCS = u + 3
√u
ni
LC = u
LCI = u− 3
√u
ni
(5.16)
Estos límites varían con el tamaño muestral. Al igual que ocurría con los
gráfico P, dado que los límites de control no son constantes, la interpretación
de rachas y tendencias se ha de hacer con cautela. Una posible opción
sería representar el gráfico normalizado; es decir, representar los valores
zi =ui − u√
u
ni
en un gráfico donde la línea central es cero y los límites LCS=3 y LCI=-3. La
capacidad del proceso se define como u, por tanto
Estimación de la capacidad = u
Ejemplo 4:
Un operario inspecciona la calidad de unos circuitos impresos (arañazos,
bandas incorrectas, grosor no uniforme, etc.). Los circuitos que inspecciona
son muy diversos. Según el tipo de circuito se apunta su superficie y el número
de defectos. Tras inspeccionar 12 placas obtiene los datos de la Tabla 5.4.
El número total de defectos es 42 y la superficie total 451. Por tanto
u =42
451= 0, 093
108
0 5 10
0,0
0,1
0,2
0,3
Sample Number
Sam
ple
Cou
ntU Chart para el número de defectos
U=0,09313
3,0SL=0,2416
-3,0SL=0,000
Figura 5.7: Gráfico U para el número medio de defectos por cm2