Download - Control Estadístico de Procesos
Control Estadístico de Procesos
Profesor Titular: Master Ing. Ricardo N. Casal
Profesora Asociada: Master Ing. Nancy B. López
1
Control Estadístico de Procesos Temario
Control estadístico de procesos
Generalidades
Ventajas de un proceso bajo control estadístico
Gráficos de Control
Objetivo
Diseño de un gráfico de control
Base del muestreo
Tamaño de la muestra
Frecuencia del muestreo
Ubicación de los límites de control
Tipos de gráficos de control
Interpretación de gráficos de control
3 VOZ DEL PROCESO
LSC
LIC
VOZ DEL CLIENTE
TOLERANCIAS
CONTROL
CONTROL DEL PROCESO
LSE LIE
RESULTADO
PROCESO PERSONAS
MATERIALES
METODOS
MAQUINAS
ENTORNO
4
Causas comunes
(Variación aleatoria)
Causas asignables
(Variación específica)
Descripción
Suelen ser muchas y cada una produce pequeñas variaciones.
Suelen ser pocas pero de efectos importantes.
Son parte del diseño del proceso y por lo tanto de la capacidad del mismo.
Aparecen esporádicamente en el proceso, son transitorias y localizadas en áreas u operaciones específicas.
No resulta económico su detección y no se pueden eliminar sin hacer cambios básicos en el proceso.
Son fácilmente identificables y su eliminación casi siempre tiene una justificación económica.
Es responsabilidad de la dirección disminuir sus efectos.
Son relativamente fáciles de eliminar por parte de operarios técnicos.
Interpretación
Si sólo hay variación aleatoria el proceso no debe ajustarse, y es suficientemente estable para predecir la calidad de sus resultados o realizar estudios de optimización del proceso.
Con una variación específica presente el proceso debe investigarse y corregirse, y no es suficientemente estable para utilizar los procedimientos de muestreo para pronósticos.
5
Control Estadístico del Proceso
Consiste en monitorear y vigilar el desempeño del proceso en cuanto a las características de calidad críticas del producto, para controlar la variabilidad del mismo y así minimizar la producción defectuosa.
Se apoya en los Gráficos de Control.
Permite mejorar tanto la calidad como la productividad.
6
¿Proceso “bajo control estadístico”?
Se dice que un proceso está bajo control
estadístico cuando sólo está afectado por
causas comunes de variabilidad. Esto
significa que podemos predecir lo que va a
suceder con el proceso y sus productos.
8
Gráficos de control
Desarrollados por el Dr. Walter A. Shewhart
en los años 20’s.
Se trata de diagramas en los que se representa
el comportamiento de un proceso en el
tiempo a través de los valores de un
estadístico asociado con una característica
de calidad del producto.
9
Gráficos de control
Objetivo :
Facilitar la vigilancia del proceso para así detectar rápidamente la presencia de causas asignables y minimizar la producción defectuosa.
Están pensados para ser usados directamente por los propios operadores, de modo que las acciones se tomen rápidamente.
10
Caracteristica de calidad
LIC
LSC
Tiempo
2.5
2.7
2.9
3.1
3.3
3.5
MUESTRAS (Tiempo)
CA
RA
CT
ER
ÍST
ICA
DE
CA
LID
AD
Gráficos de control - Descripción
Límites de control
superior e inferior
Línea Central
Número de muestra
Dato de una característica de calidad
Los gráficos están basados sobre la idea de que la distribución de
datos representados sigue la distribución Normal
Tipos de Gráficos de Control
Dos diferentes categorías:
Gráficos de control por variables
datos medidos
– Gráficos de control por atributos
fracción defectuosa (pasa/ no-pasa)
cantidad de defectos
12
Diseño del Gráfico de Control
2. El tamaño de la muestra
3. La frecuencia de muestreo
4. La ubicación de los límites de control
Subgrupos racionales
La base racional para la formación de los subgrupos es el orden de producción
Aspectos a considerar:
1. La base de muestreo
13
(Control por variables) Tamaño de muestra pequeño
minimiza probabilidad de variaciones dentro de la muestra debidas a causas especiales.
costo del muestreo debe mantenerse bajo.
En la práctica, para datos medidos, se ha encontrado que muestras de aprox. 5 funcionan bien en la detección de desplazamientos en los procesos de 2 desvíos estándar o mayores.
(Control por atributos) , el tamaño debe determinarse estadísticamente, particularmente si la proporción real de los no conformes (p) es pequeña. Si p es pequeña, n debe ser lo suficientemente grande como para tener la probabilidad de detectar por lo menos un no conforme.
Diseño del Gráfico de Control 2. El tamaño de la muestra
14
No existen reglas claras para la frecuencia del
muestreo.
Las muestras deben estar lo suficientemente cerca una
de otra para que se tenga la oportunidad de detectar
cambios en las características del proceso tan pronto
como sea posible, reduciendo el riesgo de producir
volúmenes grandes de producto no conforme.
Sin embargo, no deben estar tan cerca que el costo del
muestreo sobrepase las ventajas que se pueden
obtener.
Esta decisión dependerá de la aplicación individual y
del volumen de producción.
Diseño del Gráfico de Control 3. La frecuencia de muestreo
15
Se establecen de manera de controlar la probabilidad de cometer el error de concluir que el proceso está fuera de control cuando de hecho no lo está.
Diseño del Gráfico de Control 4. Ubicación de Límites de Control
Se busca:
Detectar los fuera de control tan pronto como sea posible después de su ocurrencia
Tener tan pocas falsas alarmas como sea posible.
16
Límite Control Superior
LCS= Media aritmética + z . Desviación típica
Límite Control Inferior
LCI= Media aritmética - z . Desviación típica
Línea Central
LC= Media aritmética
LCS
LCI
LC
Diseño del Gráfico de Control 4. Ubicación de Límites de Control
17
Adoptando z = 3:
µ µ + 3 µ - 3
99.73% Por lo tanto a = 0.27%
Si el proceso está bajo control, sólo 27 muestras de 10000 indicarán falsas alarmas
Diseño del Gráfico de Control 4. Ubicación de Límites de Control
18
Durante el control del proceso, se corre el riesgo de cometer un error de evaluación respecto al estado de control:
Diseño del Gráfico de Control
P ( Error tipo I ) = α y P ( Error tipo II ) = β
Error de tipo I: Concluir que el proceso no es estable cuando sí lo es Falsa alarma
Error de tipo II: Concluir que el proceso está bajo control cuando no lo está.
Los gráficos de control se construyen de modo que estas probabilidades sean lo más pequeñas posible
La ubicación de los límites de control, el tamaño y la frecuencia de la muestra influyen sobre la probabilidad de cometer cada tipo de error
19
¿Por qué se trabaja con medias muestrales?
Desviación
del proceso
Distribución
original
Límites de ± 3
para unidades
individuales
Probabilidad de
que una unidad
exceda los límites
primitivos
Límites de ± 3 x
para muestras de
4 unidades
Probabilidad de
que una muestra
exceda los límites
primitivos
Distribución
para muestras
de 4 unidades
Tipos de Gráficos de Control
Dos diferentes categorías:
Gráficos de control por variables
datos medidos
– Gráficos de control por atributos
fracción defectuosa (pasa/ no-pasa)
cantidad de defectos
21
Gráficos de control por variables
Gráficos de promedios y rangos
(X-barra,R)
Gráficos de promedios y desvío estándar (X-barra,s)
22
Gráficos de control por variables Construcción
A )(LCI Inferior Control Límite
An
3 LCS
n
X
3X )(LCS SuperiorControl Límite
X (LC) Central Línea
) ,( lespoblaciona parámetros los conocen Se:A) Caso
XX
X
X
XXX
A: valor de tabla – Norma IRAM 14 en función de n
Gráfico X-barra
23 RALCI
RAnd
R
n
LLuego
k
R
Rd
R
k
i
i
2X
2
2
XX
2
k
1i
i
k21
X
X3Xˆ
3X 3XLCS
XC:
,ˆ :R departir a estimada
5 ó 4n muestra,por nesobservacio de cantidadn
25) ó 20(k subgrupos de cantidadk
nobservació de número j muestra, de númeroi
X
k
X...XXXˆ
lespoblaciona parámetros los desconocen Se :B) Caso
A2: valor de tabla – Norma IRAM 14 en función de n
Gráficos de control por variables Construcción
24
Ecuaciones para calcular los límites 3 en gráficos de control de Shewhart por variables
Método Gráfica X Gráfica R Gráfica s
Se conoce
y
LC =
LCSX = + A
LCIX = - A
LC = d2
LCSR = D2
LCIR = D1
LC = c2
LCS = B2
LCI = B1
y se
estiman a partir
de X y R
LC = X
LCSX = X + A2 R
LCIX = X - A2 R
LC = R
LCSR = D4 R
LCIR = D3 R
y se
estiman a partir
de X y s
LC = X
LCSX = X + A1 s
LCIX = X – A1 s
LC = s
LCS = B4 s
LCI = B3 s
25
Gráficos (X-barra, R)
Ejemplo 1.-
Se muestran datos correspondientes a una característica de calidad crítica de determinado producto.
Se pueden ver los cálculos preliminares en la misma tabla.
Muestra Observaciones en la muestra Media Rango
1 33,00 29,00 31,00 32,00 33,00 31,60 4,00
2 33,00 31,00 35,00 37,00 31,00 33,40 6,00
3 35,00 37,00 33,00 34,00 36,00 35,00 4,00
4 30,00 31,00 33,00 34,00 33,00 32,20 4,00
5 33,00 34,00 35,00 33,00 34,00 33,80 2,00
6 38,00 37,00 39,00 40,00 38,00 38,40 3,00
7 30,00 31,00 32,00 34,00 31,00 31,60 4,00
8 29,00 39,00 38,00 39,00 39,00 36,80 10,00
9 28,00 33,00 35,00 36,00 43,00 35,00 15,00
10 38,00 33,00 32,00 35,00 32,00 34,00 6,00
11 28,00 30,00 28,00 32,00 31,00 29,80 4,00
12 31,00 35,00 35,00 35,00 34,00 34,00 4,00
13 27,00 32,00 34,00 35,00 37,00 33,00 10,00
14 33,00 33,00 35,00 37,00 36,00 34,80 4,00
15 35,00 37,00 32,00 35,00 39,00 35,60 7,00
16 33,00 33,00 27,00 31,00 30,00 30,80 6,00
17 35,00 34,00 34,00 30,00 32,00 33,00 5,00
18 32,00 33,00 30,00 30,00 33,00 31,60 3,00
19 25,00 27,00 34,00 27,00 28,00 28,20 9,00
20 35,00 35,00 36,00 33,00 30,00 33,80 6,00
Promedios: 33,32 5,80
ki Xi Ri
00.355
00.3600.3400.3300.3700.35X3
00.400.3300.37R3
26
Gráficos (X-barra, R)
Fase inicial:
Estimación de parámetros:
Verificación de normalidad e independencia
Verificación de estado de control: se calculan los límites
de control.
5,80 Ry 32,33 X
27
Valor de las constantes
d2, d3, A2, D3 y D4 para
distintos tamaños de los
subgrupos racionales.
n d2 A2 d3 D3 D42 1,128 1,880 0,853 0,000 3,267
3 1,693 1,023 0,888 0,000 2,575
4 2,059 0,729 0,880 0,000 2,282
5 2,326 0,577 0,864 0,000 2,115
6 2,534 0,483 0,848 0,000 2,004
7 2,704 0,419 0,833 0,076 1,924
8 2,847 0,373 0,820 0,136 1,864
9 2,970 0,337 0,808 0,187 1,816
10 3,078 0,308 0,797 0,223 1,777
11 3,173 0,285 0,787 0,256 1,744
12 3,258 0,266 0,778 0,284 1,716
13 3,336 0,249 0,770 0,308 1,692
14 3,407 0,235 0,763 0,329 1,671
15 3,472 0,223 0,756 0,348 1,652
16 3,532 0,212 0,750 0,640 1,636
17 3,588 0,203 0,744 0,379 1,621
18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
Gráficos (X-barra, R)
28
Los límites de control son, en este caso,
Para el gráfico de medias:
Para el gráfico de rangos
32,33
65,368,5577,032,33
95,298,5577,032,33
2
2
LC
RAXLSC
RAXLIC
8,5LC
08,50RDLIC
27,128,5115,2RDLSC
3
4
Gráficos (X-barra, R)
29
Muestra
Apertura promedio del alabe
5 10 15 20
28303234
363840
LIC=29.98
LSC=36.67
LC=33.32
Muestra
Rango de apertura del alabe
5 10 15 20
05
1015
LSC=12.27
LC=5.80
La muestra 9 está fuera de control en el gráfico de rangos y las muestras 6, 8, 11 y 19 lo están en el gráfico de medias.
Gráficos (X-barra, R)
30
Las muestras 6, 8, 11 y 19 están fuera de control en gráfico de medias y la 9 lo está en el gráfico de rangos.
Se investigan las causas asignables, y se toman las acciones correctivas para eliminarlas.
Se recalculan los límites de control excluyendo las observaciones atípicas, obteniéndose así un nuevo gráfico.
Gráficos (X-barra, R)
31
Puntos no utilizados en el cálculo de los nuevos límites de control
Gráficos (X-barra, R)
32
Fase 2:
Se sigue controlando el proceso con los límites
recalculados.
Gráficos (X-barra, R)
33
Pasos de implantación de Gráficos por variables (X-barra , R)
I. Decisiones antes de preparar las gráficas de control
I.1. Elección de la variable
I.2. Elección base de formación de subgrupos
I.3. Decisión acerca del tamaño y frecuencia de los
subgrupos
I.4. Definición del método y formatos para el registro
de datos
I.5. Determinación del método de medición
II. Iniciación de las gráficas de control
II.1. Realización y registro de las mediciones y otros
datos pertinentes
II.2. Cálculo del promedio X y el rango R para cada
subgrupo
II.3. Trazado de las gráficas X y R
34
Pasos de implantación de Gráficos para variables (X-barra , R)
III. Determinación de los límites de control de prueba
III.1. Cálculo de X y R
III.2. Cálculo de los límites de control
III.3. Trazado de los límites de control y las líneas
centrales en las gráficas para las siguientes
mediciones
IV. Obtención de conclusiones preliminares con las
gráficas
V. Continuidad en el empleo de las gráficas
V.1. Revisión de los valores de LC y límites de
control para de X y R
35
Gráficos de medias y desviaciones estándar
( X-barra, s)
Se utiliza el mismo gráfico de medias anterior, pero ahora se estudia la dispersión usando un gráfico de las desviaciones estándar de cada subgrupo.
La desviación muestral es un mejor estimador de la variabilidad, pero más difícil de calcular y de interpretar. Se prefiere en procesos con subgrupos racionales grandes (10 o más) o en procesos automatizados.
36
Interpretación de los gráficos de control
Se necesita determinar si el proceso está bajo control, lo cual se traduce en que los puntos mostrados estén dentro de los límites de control y presenten un comportamiento aleatorio. 1. Ningún punto fuera de los Límites de control
2. Número de puntos por encima y por debajo la línea central es casi igual
3. Los puntos parecen caer en forma aleatoria por encima y debajo de línea central
4. La mayoría de los puntos, pero no todos, están cerca de la línea central y sólo algunos están cerca de los límites de control
Para esto se utiliza una serie de reglas empíricas, cuya presentación se facilita, si el área dentro de los límites de control se divide en regiones iguales.
37
Muestra
Característica de Calidad
5 10152025
9.510.0
10.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Interpretación de los gráficos de control
38
Interpretación de los gráficos de control
A las reglas empíricas que se utilizan para determinar si un proceso está bajo control se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy baja probabilidad de ocurrir si el proceso está bajo control.
Cada una de ellas provee información sobre el tipo de causa asignable que puede estar afectando al proceso.
39
Interpretación de las gráficas de control
A B C C B A
L.S.
L.C.
L.I.
Patrón 1 Un punto fuera de los límites
A B C C B A
L.S.
L.C.
L.I.
Patrón 2 Dos puntos de 3 al mismo lado de A o mas alla
A B C C B A
L.S.
L.C.
L.I.
Patrón 3 4 puntos de 5 al mismo lado de B o mas alla.
A B C C B A
L.S.
L.C.
L.I.
A B C C B A
L.S.
L.C.
L.I.
Patrón 5 15 puntos consecutivos en la zona C (arriba y abajo de la recta central)
A B C C B A
L.S.
L.C.
L.I.
Patrón 6 8 puntos seguidos a los 2 lados de L.C. y ninguno en C
A B C C B A
L.S.
L.C.
L.I.
Patrón 7 14 puntos seguidos alternado arriba y abajo
A B C C B A
L.S.
L.C.
L.I.
Patrón 8 6 puntos seguidos con aumento o disminucion estables
X
X
X
X
X
X
X
X
X
X
X
X
X
Patrón 4 8 puntos consecutivos al mismo lado de L.C
40
Interpretación de los gráficos de control
Si se observa la ocurrencia de una regla de parada es
una ALARMA pero no necesariamente significa que
nuestro proceso está fuera de control, ya que si no
podemos ligarlo a una causa asignable puede tratarse
del azar.
41
Otros Gráficos de control por variables
Gráficas de promedios y rangos
(X-barra,R)
Gráficas de promedios y desvío estándar (X-barra,s)
Gráficas de observaciones individuales y rangos móviles
Gráficas de promedios y rangos móviles
42
Gráficos de observaciones individuales y de rangos móviles
Se usan en las situaciones siguientes:
• Cuando sólo puede obtenerse una observación por lote o partida del material;
• En procesos continuos en los cuales no tiene sentido hablar de “individuos”;
• Se requiere realizar una comparación directa con las especificaciones.
43
Se toma una observación para cada uno de k puntos en el tiempo.
Para cada instante se calcula el rango móvil basado en w observaciones, definido por
Gráficos de observaciones individuales y rangos móviles
k
XXˆ
k
1i i
móvil rango del cálculo el en utilizadas nesobservacio de número : w
)X ,... ,(X móvil grupo del rango : R,
1wk
R
R1-wiii
1wk
1i
i
El control estadístico de la media se hace con:
22
3Inferior Límite,3Superior Límited
RX
d
RX
nesobservacio de total número : k
ésima-i nobservació:X i
44
Gráficos de observaciones individuales y rangos móviles Ejemplo: w=2 d2= 1,128 D3= 0 D4=3,267
1 2 3 4 5 6 7 8 9 10
Obs.
Individual 11,2 10 10,7 10,2 10,5 9 9,7 11,5 11 12,7
Rango móvil - 1,2 0,7 0,5 0,3 1,5 0,7 1,8 0,5 1,7
11 12 13 14 15 16 17 18 19 20
Obs.
Individual 12 11 9,2 8,7 10,5 12,2 10,5 8,5 10 11
Rango móvil 0,7 1 1,8 0,5 1,8 1,7 1,7 2 1,5 1
45
Gráficos de observaciones individuales y rangos móviles
Ejemplo:
46
Gráficos de promedios y rangos móviles
• Se emplean en general en aquellos casos
en los que, obteniéndose observaciones
individuales del proceso, se desea
analizar el mismo con la sensibilidad que
permite un gráfico de medias.
• Estos gráficos “suavizan” el
comportamiento observado en el de
observaciones individuales y muestran
mejor la tendencia del proceso.
47
Gráfico de promedios móviles Lectura 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Resistencia 94 95 91 99 96 91 88 85 94 92 90 85 93 99 95 97 93 95 99 98
Promedio móvil de 5 horas 95 94 93 92 91 90 90 89 91 92 92 94 95 96 96 96
Recorrido móvil de 5 horas 8 8 11 14 11 9 9 9 9 14 14 14 6 6 6 6
84858687888990919293949596979899
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
HORAS
RE
SIS
TE
NC
IA
ESPECIFICACIÓN
LSC
LIC
Tipos de Gráficos de Control
Vistos los Gráficos de control por
variables, a continuación se presentan
los Gráficos de control por atributos
49
Gráficos de control por atributos
Se consideran dos situaciones:
Si nos interesa la presencia o ausencia del atributo en el individuo, o se trata de un atributo que sólo puede presentarse una vez (un fusible está quemado o no) Defectuosos
Si nos interesa contar el número de veces que se presenta el atributo en cada individuo (poros en una superficie plástica) Defectos
50
Tipos de Gráficos de Control por Atributos
Gráfico p o 100 p (control de
proporción de defectuosos o porcentaje
defectuoso)
Gráfico np (control del número de
defectuosos)
Gráfico u (control del número de
defectos por unidad)
Gráfico c (control del número de
defectos por muestra)
51
Gráfico p (o 100p)
Se utiliza para atributos binarios, y por tanto el
número de ocurrencias del mismo en un lote
puede modelarse por una v.a. Binomial. Así,
basta con un gráfico que corresponde a la
proporción p de defectuosos en la muestra.
El otro parámetro de la distribución (n), puede
ser constante o no y es conocido.
52
Se toman k muestras cada una de tamaño ni. (Por
lo general, ni ≥25)
Se calcula pi la fracción de individuos con el
atributo en la muestra.
Se grafican los valores de pi en el tiempo.
Pasos para la construcción de gráficos p
muestra laen artículos de Número
muestra laen sdefectuoso artículos de Número
i
ii
n
dp
53
Pasos para la construcción de gráficos p (cont.)
Se estima el parámetro poblacional
Se obtienen y grafican los límites de control y la
línea central.
pLC
n
pppLIC
n
pppLSC
ii
,0)1(
3max ,1)1(
3min
smuestreado artículos de Total
sdefectuoso artículos de Total
1
1
k
i
i
k
i
ii
n
pn
p
54
Ejemplo Gráfico p La administración de una gran cadena de hoteles se
propuso estudiar la proporción de habitaciones que no
estaban listas cuando los huéspedes se registraron;
cada día se seleccionó un subgrupo de 100 habitaciones.
La tabla adjunta representa la proporción de
habitaciones que no estaban listas al momento del
registro en cada día durante un período de cuatro
semanas.
Para estos datos: 100n16,1p28k i
k
1ii
Día 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Proporción 0,04 0.02 0.05 0.04 0.06 0.05 0.04 0.04 0.03 0.03 0.05 0.05 0.04 0.06
Día 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Proporción 0.05 0.03 0.04 0.03 0.04 0.06 0.05 0.03 0.02 0.03 0.04 0.04 0.05 0.05
55
Ejemplo Gráfico p (100p)
56
Gráficos u (control del número de defectos por unidad)
El interés se centra ahora en ci,el número de veces que el atributo se presenta en cada individuo (no sólo su presencia).
Si se supone que la tasa de ocurrencia de los eventos que generan el atributo es constante entonces es razonable asumir que la v.a. sigue una distribución de Poisson, y por tanto, hay que monitorear un solo parámetro ().
57
Pasos para la construcción de gráficos u
Se toman ni individuos en cada uno de k puntos
en el tiempo.
Se calcula el número promedio de defectos en
cada instante:
Se grafican los valores de ui en el tiempo.
grupo elen artículos de Número
grupo elen atributo el presenta se queen Veces
i
ii
n
cu
58
Pasos para la construcción de gráficos u (cont.) Se estima el parámetro poblacional
Se obtienen y grafican los límites de control y la
línea central.
ii n
uuLICuLC
n
uuLSC 3 3
smuestreado artículos de Total
defectos de Total
1
1_
k
i
i
k
i
i
n
c
u
59
Ejemplo gráfico u
En una línea de estampado de telas, se toman
rollos de 50 metros de tela y se cuenta en cada
uno de ellos el número de manchas de pintura
que se presentan. Los resultados para 10
muestras se indican a continuación:
Muestra 1 2 3 4 5 6 7 8 9 10 Total
Defectos 14 12 20 11 7 10 21 16 19 23 153
Num de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
u 1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84 1,42
60
Tiempo
Tasa de defectos por rollo
2 4 6 8 10
0.51.01.52.0
2.53.00.51.0
1.52.02.53.0
12345678910
El gráfico muestra un proceso claramente bajo control.
Ejemplo gráfico u
61
Gráficos para el control por atributos (n=ctte.)
Gráfico np para control del número de
defectuosos. Se utiliza en las mismas
circunstancias que el gráfico p, pero requiere que
el número de individuos muestreados sea
constante en el tiempo.
Gráfico c para control de la cantidad de
defectos. Caso particular del gráfico u que
supone un número de individuos fijo en el
tiempo.
62
Límites de control para gráficos de control por atributos
Gráfico 100 p
Gráfico pn
Gráficos u
Gráficos c
n
pppLC IS
1001001003100,
pnpnpLC IS 13,
ccLC IS 3,
n
uuLC IS 3,