Vista previa del material en texto
GRAFICOS DE CONTROL POR ATRIBUTOS Introducción Algunas características de calidad no pueden ser representadas convenientemente por medio de variables cuantitativas. En estos casos, las unidades de producto se clasifican en “conformes” o en “no conformes” según la característica o características cualitativas sean o no conformes con las especificaciones. Las características de calidad de este tipo se denominan atributos. Los datos de tipo atributo tienen solamente dos valores: Conforme / no conforme, pasa/no pasa, funciona / no funciona, presente / ausente. También se consideran atributos aquellas características cuantitativas que se registran en términos de sino como por ejemplo, el diámetro de un eje cuya conformidad solo la medimos en términos de aceptable/no aceptable, las imperfecciones de pintura en una puerta de un automóvil, las burbujas en la laca de un detonador, la presencia/ausencia de un percutor, etc. Vamos a analizar cuatro tipos de gráficos de control por atributos: 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 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 w y w2 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 como ; 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 estandar 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 dei 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 desmuestre 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 desmuestre 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 desmuestre. 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 cambiodel proceso, entonces n debe satisfacer En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3 n = 56 Los límites 3 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 limites más estrechos (por ejemplo 2) 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. Gráfico np para unidades defectuosas 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 Poísson 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. Gráficos “c” para tamaño de muestra constante 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 laque 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” 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: DISTRIBUCIÓN BINOMIAL Probabilidad de r o menos sucesos en n intentos, donde p es la ocurrencia de cada intento.