Cat - Dossier Tema 6 El Control de Qualitat

Direcció d’Operacions
Tema 6
El Control de Qualitat
Departament d’Empresa
Planificación Agregada
Índex
1. El control de qualitat
2. Les 7 eines bàsiques d’Ishikawa
Diagrama de Pareto / Diagrama causa-efecte / Plantilles de
recollida de dades / Histograma / Diagrama bivariant / Gràfics de
control / Estratificació
3. Control Estadístic del procés
4. Anàlisi de la capacitat d’un procés
5. Mostreig d’Acceptació
6. Mostreig simple per atributs
7. Pla de Mostreig Simple. Corba característica
8. Bibliografia
El Control de Qualitat 2
1
1. El Control de Qualitat
Tracta d’avaluar els resultats obtinguts, comparar-los amb els

resultats ideals fixats com a objectiu, i si existeix diferència entre
ells, actuar per minimitzar-la.
A més de separar els productes bons (aquells que s’apropen

satisfactòriament a les especificacions) dels defectuosos que hauran
de ser reprocessats o desestimats, contempla també el concepte de
prevenció (prendre les mesures prèvies que garanteixin l’obtenció
dels resultats esperats).
És el conjunt de tots els esforços realitzats per l’empresa

amb l’objectiu d’obtenir els productes o serveis que
garanteixin les especificacions de disseny, al mínim cost.
2. Les 7 eines bàsiques d’Ishikawa
2.1. Diagrames de Pareto

2.2. Diagrames causa-efecte
2.3. Plantilles de recollida de dades
2.4. Histogrames
2.5. Diagrames bivariants
2.6. Estratificació
2.7. Gràfics de control
2
2.1. Diagrama de Pareto
Basat en la idea de que, en general, la majoria de

pèrdues generades en un article poden atribuir-se a un
nombre reduït de defectes, els quals han de ser un
reduït nombre de causes. (Llei 20-80 de Pareto)
Tracta de separar les poques causes vitals de la resta

de causes de menor importància anomenades trivials.
Els diagrames de Pareto serveixen per identificar

ràpidament i de manera senzilla les causes d’un
problema de qualitat.
2.1. Diagrama de Pareto. Exemple
Un empresa produeix un determinat article del qual s’han detectat

alguns defectes de fabricació. Per tractar d’eliminar-los es vol saber
quins d’ells ocasionen la major part d’articles defectuosos.
Quantitat de Quantitat % de productes

Tipus de defecte prod. defect. acumulada defectuosos % acumulat
Ratllat superficial 198 198 66,00 66,00

Ruptures braç 53 251 17,67 83,67
Taques 28 279 9,33 93,00
Ajust 11 290 3,67 96,67
Tensió 2 292 0,67 97,33
Altres 8 300 2,67 100,00
Total 300 100,00
3
2.1. Diagrama de Pareto. Exemple
300 100,00
Quantitat de prod.
250 80,00
% acumulat
200
60,00
defect.
150
40,00
100
50 20,00
0 0,00
superficial
Ajust
Ruptures
Altres
Tensió
Taques
Ratllat
braç
Causes
Si aconseguim eliminar únicament les dues causes principals de

problema (ratllat superficial i ruptures de braç), eliminarem el
84% dels articles defectuosos.
2.2. Diagrama Causa-Efecte
El diagrama causa-efecte, o també conegut com diagrama

d’Ishikawa (Kaoru Ishikawa va ser el primer en utilitzar-lo) o
d’espina de peix (per la seva forma) s’utilitza per classificar-lo i
clarificar les causes que ocasionen un efecte.
Per solucionar un problema s’ha d’identificar i atacar les

causes; no els efectes.
L’estructura bàsica d’aquests diagrames està formada per una fletxa

central i el tronc del gràfic, a la dreta del qual es situa l’efecte que
es vol estudiar. Per tant, en primer lloc haurem de definir el
problema de qualitat que es vol estudiar i identificar l’efecte que el
mesura, per, posteriorment, poder classificar les causes que
l’originen.
4
2.2. Diagrama Causa-Efecte
En el diagrama, les causes es col·loquen de manera ordenada (en

les ramificacions):
Màquines Mà d’obra
Efecte
Mètodes Materials
Dins aquestes grans branques es van situant les causes, de

manera ordenada, en les petites ramificacions.
En la identificació de les causes, prèvia a la construcció del
diagrama, pot realitzar-se una sessió de brainstorming amb el
personal implicat.
2.2. Diagrama Causa-Efecte. Exemple
Màquines Mà d’obra Entrenament

Deformació
Estabilitat Habilitat
Eines Operació Experiència Fatiga

Motivació
Abrasió Salut
Inspecció Concentració
Malaltia
Dimensió
Posició molt
Procediment
Ajust Diàmetre Matèries primeres variable
Treball Forma Components
Angle
Varietat Qualitat dels materials
Ordre
Emmagatzematge
Mètodes Materials
Comentari final: les causes identificades i classificades en aquests diagrames són potencials.
És a dir, aquests gràfics han de ser el punt de partida per a la verificació i confirmació de les
veritables causes que ocasionen l’efecte i de la seva posterior eliminació.
5
2.3. Plantilles de recollida de dades
Són fulls impresos per registrar dades de manera

ordenada, simple i precisa, de manera que es faciliti el
treball de recollida a l’operari i no se li dificulti la
realització de les seves activitats habituals.
Els seus dos objectius fonamentals són: facilitar la

recollida de dades i organitzar aquestes dades per poder
ser analitzades amb facilitat posteriorment.
Existeixen diferents tipus de plantilles en funció de la

seva utilització.
2.3.1 Fulls per al control d’articles defectuosos
S’utilitza per detectar els tipus de defectes i els seus percentatges de

presència en productes defectuosos i així poder-los reduir.
Plantilla d’inspecció
Codi del Producte: 25312-A Data: 12-març-97

Operari:
Procés: inspecció final Lot:
Defectes: ratllat, incomplet, deformat
Tipus Total
Ratllat I II III III III III III III II 37

I I I I I I I
Fissures I II III III 14
I I I
Deformat I II III III III III 23
I I I I
Incomplet I II 5
I
Altres I II III 8
I
Observacions: Total 87
6
2.3.2. Fulls d’ubicació de defectes
Són croquis de la peça

que es fabrica, en el
que s’ubiquen els
defectes de fabricació.
Amb això es pot
observar fàcilment si
els defectes es
localitzen sempre en el
mateix lloc.
2.3.3. Fulls de control per a la distribució del procés de

producció (llistes de revisió)
Plantilla d’inspecció
Codi del Producte: Data:
Procés: Mesurador:
Lot: Observacions:
Freqüències
Dimensió 5 10 15 20 25 30 35 40 45 Total
300-309
310-319 II 2
320-329 IIII II 7
330-339 IIII IIII IIII IIII I 21
340-349 IIII IIII IIII II 17
350-359 IIII IIII IIII IIII III 23
360-369 IIII IIII IIII IIII IIII IIII IIII III 38
370-379 IIII IIII IIII IIII IIII IIII IIII 34
380-389 IIII IIII IIII IIII IIII IIII I 31
390-399 IIII IIII IIII IIII 17
400-410 IIII III 8
420-429 III 3
430-439 I 1
Serveixen per a la recollida de dades de variables contínues com el pes, el diàmetre, el volum,
etc. A partir d’aquestes es pot construir un histograma per estudiar la distribució de les
característiques del procés, calcular la mida i la dispersió.
7
2.4. Histograma
És un gràfic que representa la distribució d’una sèrie de

dades, ordenades de manera que sigui possible analitzar la
freqüència d’ocurrència d’aquestes dades.
Exemple:
Es disposen de 100 mesuraments del diàmetre d’una peça
cilíndrica. Convé disposar d’un nombre n (entre 50 i 100) de
dades sobre la característica que es vol estudiar.
En primer lloc, s’han de dividir les dades aproximadament en
10 grups, tal i com apareixen a la taula (pàgina següent). Les
dues últimes columnes presenten els valors màxims i mínims
de cada fila de dades.
2.4. Histograma. Exemple
Dades Màx Min

7,38 7,39 7,41 7,19 7,26 7,52 7,39 7,20 7,41 7,40 7,52 7,19
7,31 7,42 7,43 7,39 7,28 7,33 7,32 7,37 7,36 7,26 7,43 7,26
7,35 7,33 7,23 7,58 7,39 7,45 7,35 7,29 7,42 7,35 7,58 7,23
7,40 7,36 7,36 7,38 7,48 7,39 7,44 7,36 7,42 7,28 7,48 7,28
7,35 7,35 7,38 7,46 7,36 7,39 7,19 7,28 7,41 7,38 7,46 7,19
7,29 7,29 7,42 7,53 7,38 7,35 7,39 7,39 7,28 7,41 7,53 7,28
7,53 7,26 7,36 7,42 7,39 7,34 7,34 7,27 7,39 7,20 7,53 7,2
7,38 7,34 7,42 7,45 7,35 7,38 7,38 7,44 7,29 7,38 7,45 7,29
7,51 7,52 7,45 7,36 7,38 7,37 7,39 7,46 7,42 7,30 7,52 7,3
7,33 7,44 7,34 7,34 7,33 7,33 7,37 7,36 7,37 7,41 7,44 7,33
En segon lloc, es determina l’amplitud de la totalitat de dades:

Valor màxim – Valor mínim = 7,58 – 7,19 = 0,39
Aquest valor el dividim per k = 10 per obtenir el número de classes (grups
o barres de l’histograma) en els que classificarem les dades
Màx − Min 0,39

h= = = 0,039 → 0,04 → 0,05
k 10
8
L’ interval h serà la unitat de graduació horitzontal de l’histograma:

prenem 0,05 per facilitar la construcció del gràfic.
El número de classes k adequat és funció del número de dades n:
Número de dades n Número de classes k
Menys de 50 5–7
50 - 100 6 – 10
100 - 250 7 – 12
Més de 250 10 – 20
El valor que limita la classe es fixa començant en un extrem de l’amplitud.

Normalment es determinen prenent com a unitat del límit de les classes la
meitat de la unitat de mesura dels valors reals. És a dir, en el nostre cas, el
valor mínim és 7,19 i la unitat de mesura dels valors és 0,01. Per tant, el
límit de la primera classe serà: 7,19 – 0,01/2 = 7,185
Els límits de les classes, (ample de les barres) seran: 7,185 - 7,235;
7,235 – 7,285; 7,285 – 7,335; ...
A continuació, s’ha de fer la taula de freqüències, comptant les dades

que pertanyen a cada classe:
Taula de freqüències
Classe Límits de Valor
Núm. Classes mitjà Còmput de freqüències Freqüència
1 7,185 7,235 7,21 IIII 4
2 7,235 7,285 7,26 IIII 5
3 7,285 7,335 7,31 IIII IIII I 11
4 7,335 7,385 7,36 IIII IIII IIII IIII IIII IIII 29
5 7,385 7,435 7,41 IIII IIII IIII IIII IIII IIII IIII 35
6 7,435 7,485 7,46 IIII IIII 9
7 7,485 7,535 7,51 IIII 4
8 7,535 7,585 7,56 II 2
9 7,585 7,635 7,61 I 1
N= 100
A partir d’aquestes dades ordenats es construeix l’histograma. En uns eixos

cartesians, en l’eix d'abscisses es grafica la característica de qualitat que es vol
controlar ordenada per classes i en l’eix d’ordenades es mesura la freqüència
(número de dades que conté cada classe).
9
40
Cada barra
35 és una
Límit especificació
30 inferior
Límit especificació classe.
superior
L’ample de
Freqüències
25
la barra és
20 l’interval de
15 la classe. El
10 valor central
és el valor
5 mitjà.
0
7,15 7,21 7,26 7,31 7,36 7,41 7,46 7,51 7,56 7,61 7,70
Suposem que el diàmetre del cilindre de l’exemple pot oscil·lar

entre 7,15 cm i 7,55 cm (límit de tolerància)
El procés està descentrat a la dreta i s’estan produint un cert
nombre de peces fora de les especificacions.
2.4. Histogrames. Altres casos
LTI LTS LTI LTS
Cas 1 Cas 2
Els dos primers casos, presenten la mateixa distribució de freqüències,

però el cas 1 està centrat, està dins dels límits de tolerància i en canvi, el
cas 2 a més de ser un procés descentrat, presenta alguns articles fora de
les especificacions (barres de color gris).
10
Cas 3 Cas 4
El cas 3 és la forma general, la típica forma de campana que representa

una variabilitat deguda a causes aleatòries. És el cas ideal de distribució.
El cas 4 presenta una distribució esbiaixada a la dreta que indica que les
dades no segueixen un llei normal.
Cas 5 Cas 6
El cas 5 és una distribució de freqüències amb dos pics que normalment és

el resultat de dades de diferent origen mesclades entre elles.
El cas 6 és una distribució amb un pic petit aïllat que pot indicar anomalies
o errors, ja que les dades no segueixen el comportament general.
Probablement existeix una causa assignable que s’hauria de determinar.
11
2.4. Histogrames. Funcions
És una eina utilitzada per:
1. Comprovar si es produeix dins de les especificacions.

2. Determinar el comportament de la distribució de les
dades mitjançant la forma de l’histograma.
3. Veure la necessitat d’estratificar les dades, per existir
interferències de diversos factors que poden afectar la
variabilitat del procés. En aquest cas, es voldran
separar les dades en subpoblacions per diferenciar les
causes que provoquen la dispersió i poder identificar
els orígens amb major facilitat.
2.5. Diagrama bivariant
Són útils per analitzar si existeix relació entre una característica de

qualitat i un factor. També es denominen gràfics de dispersió o
de correlació.
Passos per la seva construcció:

Identificar els factors que es creu que estan correlacionats.
Prendre parells de dades en una quantitat de 50 aproximadament.
Dibuixar uns eixos coordenats sobre els que es situaran les
parelles de dades.
Si una de les variables és una característica de qualitat, aquesta es
situarà en l’eix vertical.
12
2.5. Diagrama bivariant. Exemple
Núm. X Y Núm. X Y
1 60,8 25,0 26 61,5 25,1
2 61,2 26,0 27 64,0 29,3
3 60,3 24,8 28 63,1 29,1
4 62,5 27,3 29 63,5 28,5
5 61,3 27,8 30 64,8 29,9
6 60,8 25,9 31 62,0 27,5
La variable X
7 63,0 27,4 32 62,9 26,1 és una
8 61,5 26,8 33 62,5 26,0
9 63,4 29,5 34 64,0 28,0 possible
10 64,1 29,8 35 62,8 27,9 causa i la Y
11 63,2 26,9 36 63,5 29,9
12 61,9 28,3 37 64,3 29,5 és la
13 61,7 27,4 38 62,6 26,8 característica
14 62,6 28,6 39 62,2 25,8
15 63,9 27,3 40 63,1 28,5 de qualitat
16
17
61,8
61,8
26,7
26,0
41
42
62,8
62,4
27,3
28,4
que es
18 60,5 25,3 43 63,5 27,6 sospita
19
20
60,9
63,8
27,5
29,4
44
45
63,7
62,2
28,5
27,0
relacionada
21 64,5 30,6 46 62,0 26,8 (efecte)
22 65,0 30,4 47 61,9 25,1
23 62,8 29,3 48 63,4 28,2
24 63,8 30,1 49 61,0 25,0
25 60,9 26,6 50 64,3 28,0
31,0
30,0
Característica de qualitat
29,0
28,0
27,0
26,0
25,0
24,0
60,0 61,0 62,0 63,0 64,0 65,0 66,0
Causa
Les dues variables representades tenen una certa correlació positiva, és

a dir que la característica de qualitat està relacionada amb la causa tal i
com es sospitava.
13
Per conèixer el grau de correlació de forma quantitativa, podem calcular el

coeficient de correlació:
n
SXY n n
( ∑ X)
i=1
i
2
r= ; SXX = ∑ (X − X) = ∑
i
2
Xi2 −
SXX.SYY i=1 i=1 n
n n n
n n
( ∑ Y)
i=1
i
2
n n
( ∑ X ).(∑ Y )
i=1
i
i=1
i
SYY = ∑ (Yi − Y)2 = ∑ Yi2 − ; SXY = ∑ (Xi − X).(Yi − Y) = ∑ Xi.Yi −

i=1 i=1 n i=1 i=1 n
En el nostre exemple: SXX = 71,56; SYY = 122,53; SXY = 74,46;

r = 0,7952 (certa correlació positiva)
El coeficient de correlació pren valors d’entre -1 i 1. Si el valor resultant és
pròxim a 1, indica que existeix una forta correlació positiva, si és pròxim a -
1, la correlació existent és negativa i si es pròxim a 0 la correlació és dèbil.
2.6. Estratificació
És un mètode per identificar els orígens de la variació de les

dades recollides, quan aquestes poden ser originades per
diverses causes.
Per exemple, quan un article es fabrica per diferents

màquines, per diferents operaris o amb diferents materials,
convé classificar les dades separant-les per màquines,
operaris o materials. D’aquesta manera serà possible
identificar, si és precisament una màquina la que proporciona
un procés descentrat, causa que pot ser que no trobaríem si
totes les dades estiguessin mesclades.
14
2.6. Estratificació. Exemple
Diagrama bivariant
700
600
500
Variable y
400
300
200
100
0
10,0 10,1 10,2 10,3 10,4 10,5 10,6 10,7 10,8 10,9 11,0
Variable x
L’estratificació és una de les set eines bàsiques d’Ishikawa,

encara que s’ha d’utilitzar com a metodologia quan utilitzem la
resta d’eines.
3. Control estadístic del procés
El Control Estadístic del Procés (SPC, de l’anglès

Statistical Process Control) és l’aplicació de tècniques
estadístiques per mesurar i analitzar les variacions d’un
procés.
Les causes d’aquestes variacions són de dos tipus:

aleatòries i assignables.
Causes aleatòries:
No es poden controlar ja que, com el seu nom indica, es
produeixen a l’atzar.
Afecten a tots els processos de producció i s’han de
preveure sempre.
15
3.1. Causes aleatòries i assignables
Causes assignables:
Poden ser estudiades, la qual cosa és interessant ja que són les
que més contribueixen a la variació d’un procés.
Normalment es deuen a la fatiga o a la diferent experiència dels
treballadors, al desgast de les màquines, al diferent
comportament dels materials, etc., de manera que és impossible
obtenir dos productes idèntics.
El mateix passa en les empreses de serveis: un cuiner no podrà
obtenir dos plats exactament iguals o un professor no pot
impartir exactament dues classes idèntiques, ...
4. Anàlisi de la capacitat d’un procés
La capacitat del procés es defineix com l’amplitud de variabilitat

del procés quan aquest està sota control, és a dir, en absència
de variacions per causes assignables.
Quan es dissenya un producte es defineix la mesura desitjada o

cota nominal i un cert interval de tolerància, el qual defineix
aquells límits dins dels que, encara que l’article no tingui la mesura
exacta, el producte continua essent útil. Aquest camp de toleràncies
està delimitat pel límit de tolerància superior (LTS) i el límit
de tolerància inferior (LTI).
Per exemple:
∅ 10 ± 0,05 mm
16
El seu objectiu és poder diferenciar las variacions degudes a

causes aleatòries de les degudes a causes assignables.
L’eix vertical conté el rang de l’atribut que es vol controlar, on a

més es situen els límits de control inferior i superior (LCI i LCS) i un
valor central (VC) que correspon a la mitjana del procés.
L’eix horitzontal és el temps.
D’aquesta manera es pot observar l’evolució de la característica de

qualitat que s’està estudiant en funció del temps, i comparar-la amb
els límits de control establerts.
Variació anormal
deguda a causes
LCS assignables
Variació normal
VC deguda a causes
aleatòries
LCI Variació anormal

deguda a causes
assignables
Temps
Tipus:
Gràfics de control per variables
Gràfics de control per atributs
17
4.1.1. Gràfics de control per variables
En els gràfics de control per variables les mesures es

realitzen sobre alguna característica de qualitat contínua
(número infinit de valors), com el pes, longitud, velocitat,
densitat, volum…
Per fer el seguiment d’un procés de naturalesa contínua

s’utilitzen els gràfics de control per la mitjana i el rang R.
Per començar, és necessari verificar si les mostres utilitzades

són representatives. Perquè ho siguin, haurem de prendre de
100 a 150 elements, agrupats en mostres de 4 o 5 unitats.
4.1.1. G.C. per variables. Exemple
Prenem 25 Mostra Valor 1 Valor 2 Valor 3 Valor 4 Valor 5 Mitjana Rang

1 15 14 13 14 14 14,0 2
mostres de 5 2 16 14 12 13 15 14,0 4
unitats. 3
4
13
15
15
15
15
14
11
15
12
18
13,2
15,4
4
4
5 14 13 16 14 14 14,2 3
6 16 15 15 15 16 15,4 1
7 15 14 15 16 15 15,0 2
8 15 14 15 15 16 15,0 2
9 14 16 14 14 13 14,2 3
10 14 18 14 14 13 14,6 5
11 12 13 12 12 15 12,8 3
12 15 15 12 15 11 13,6 4
13 15 18 15 14 14 15,2 4
14 16 15 15 13 15 14,8 3
15 13 16 16 15 16 15,2 3
16 18 17 15 13 14 15,4 5
17 14 12 14 14 17 14,2 5
18 15 13 14 14 15 14,2 2
19 16 14 14 12 15 14,2 4
20 14 16 18 14 19 16,2 5
21 14 18 13 13 18 15,2 5
22 13 19 15 14 14 15,0 6
23 13 14 15 14 18 14,8 5
24 14 12 11 16 12 13,0 5
25 17 14 15 13 17 15,2 4
TOTALS 14,56 3,72
18
Mitjana de les mostres: X1 + X2 + ... + Xn

∑X
i =1
i
X= =
n n
Per la primera mostra de l’exemple: 15 + 14 + 13 + 14 + 14

X1 = = 14,0
5
Rang de les mostres: R = Màxim Valor – Mínim valor

Per la primera mostra de l’exemple: R = 15 – 13 = 2
Mitjana per les x i per les R:
k k
X1 + X2 + ... + Xk
∑X
i=1
i
R1 + R2 + ... + Rk
∑R
i =1
i
X= = ; R= =
k k k k
Per l’exemple:
14,0 + 14,0 + 13,2 + ... + 14,8 + 13,0 + 15,2 2 + 4 + 4 + ... + 5 + 5 + 4
X= = 14,56 ; R= = 3,72
25 25
Gràfic x
Valor central : VC = X = 14,56 Els paràmetres A2,
D3 i D4 prenen els
Límit de control superior : següents valors en
funció de la mida de
LCS = X + A2.R = 14,56 + 0,577 * 3,72 = 16,70644
la mostra n:
Límit de control inferior :
LCI = X − A2.R = 14,56 − 0,577 * 3,72 = 12,414 n A2 D3 D4
2 1,880 0,000 3,267
3 1,023 0,000 2,575
Gràfic R : 4 0,729 0,000 2,282
5 0,577 0,000 2,115
Valor central : VC = R = 3,72 6 0,483 0,000 2,004
Límit de control superior : 7 0,419 0,076 1,924
8 0,373 0,136 1,864
LCS = D 4.R = 2,115 * 3,72 = 7,868 9 0,337 0,184 1,816
Límit de control inferior : 10 0,308 0,223 1,777
LCI = D 3.R = 0 * 3,72 = 0
19
Gràfic X
18,0
Valors mitjans
16,0 LCS = 16,71

14,0 VC = 14,56
12,0 LCI = 12,41
10,0
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
Mostres
Gràfic R
10
Valors mitjans
8 LCS = 7,89
6
4 VC = 3,72
2
0 LCI = 0
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
Mostres
Gràfic X: presenta les variacions en el valor mitjà del procés

Gràfic R: indica les variacions en la dispersió del procés
Per aquest motiu, els gràfics de control de variables són

especialment interessants ja que ens mostren les variacions en la
mitjana i la dispersió al mateix temps, i ens indica possibles
anomalies en el procés.
En aquest cas, dels gràfics tant de les mitjanes com dels rangs,
observem que el procés està sota control, ja que:
Tots els punts dels gràfics estan dins dels límits de control.
Els punts no s’agrupen d’una forma particular.
20
4.1.2. Gràfics de control per atributs
Un atribut és una característica de qualitat que no pot ser

mesurada.
Els gràfics de control per atributs classifiquen el producte com

acceptable o defectuós.
Per exemple, en el cas de possibles esquerdes en una peça, es

vol saber si el producte conté aquesta característica (de no
qualitat) per determinar si el producte és acceptable o
defectuós.
4.1.2. Gràfics de control per atributs
Degut a que un producte defectuós pot tenir un o més defectes,

aquests gràfics permeten controlar el número de defectes o el
número de productes defectuosos. En funció d’aquesta distinció i
del tipus de mostra (constant o variable) n’existeixen diferents
tipus.
Tipus de la mostra
Tipus de control Constant Variable
Número de peces defectuoses Gràfic np Gràfic p
Número de defectes Gràfic c Gràfic u
21
5. Mostreig d’acceptació
El mostreig d’acceptació determina quin és el percentatge de

productes que compleixen les especificacions.
Generalment s’utilitza per inspeccionar els elements (matèries

primes, productes semi-elaborats, components, etc.) que l’empresa
compra a l’exterior, encara que també es realitza en peces que ja
han passat per una etapa del procés de producció i s’avaluen abans
de ser processades per la següent.
Aquesta tècnica implica prendre mostres aleatòries de lots de

productes, mesurar-los i comparar-los amb els estàndards
predeterminats, sent molt més econòmic que la inspecció del 100
per 100. La qualitat de la mostra s’utilitza per jutjar la qualitat de
tots els elements del lot.
Pot ser per variables o per atributs
6. Mostreig simple per atributs
El mostreig d’acceptació es realitza mitjançant un pla de

mostreig.
Un pla de mostreig simple es defineix pel número d’unitats de la

mostra, n, i per el número d’acceptació (número màxim de defectes
que es poden trobar a la mostra abans de rebutjar el lot), c.
Si la mostra inspeccionada té un número de defectes inferior a c, el

lot s’accepta.
Si el número és superior, o bé el lot es rebutja, o bé es sotmet a
una inspecció del 100 per 100.
22
6.1. Mostreig simple per atributs. Exemple
Suposem que volem acceptar tots els lots que no superen el 2,5%
de defectuosos i rebutjar la resta.
Disposem d’un lot de 1.000 peces de les quals el 4% són realment
defectuoses.
En el procés d’inspecció, s’ha pres una mostra de 20 peces i cap
d’elles és defectuosa i conseqüentment el lot s’accepta.
En aquest cas, el pla de mostreig porta a un resultat erroni. La
mostra de 20 peces podria haver contingut, per les lleis de l’atzar,
una, dues, tres, … peces defectuoses.
Aquest fet és fonamental pels plans de mostreig, ja que poden
rebutjar-se lots bons o poden acceptar-se lots dolents.
7. Pla de Mostreig simple per atributs. Corba característica
1
0,05 = Risc del productor per al NAC Cada pla de mostreig té
Probabilitat d'aceptación Pa(w)
0,9 associat una corba

Pa (NAC)
0,8 característica que
0,7 descriu la capacitat del
0,6 pla per discriminar entre
0,5 lots bons i dolents.
0,4
0,10 = Risc del consumidor per al NTD
0,3 És a dir, mostra la
0,2 Pa (NTD) probabilitat de que el pla
0,1 accepti lots de diferents
Percentatge
0
de defectes w nivells de qualitat.
NAC NTD
Lots bons Zona d'indiferència Lots dolents
23
7. Corba característica. Conceptes
Qualitat mitjana de sortida: AOQ = w . Pa (w)

(AOQ, Average Output Quality)
Nivell Acceptable de Qualitat (NAC):

(AQL, Accetable Quality Level)
És el número màxim d’articles defectuosos que contenir un lot
perquè es consideri acceptable.
És el nivell més baix de qualitat que estem disposats a acceptar.
Acceptarem només els lots que tinguin aquest nivell de qualitat.
Nivell Tolerable de Defectuosos (NTD):

(LTPD, Lot Tolerance Percent Defective)
És el nivell de qualitat d’un lot que es considera dolent.
Rebutjarem tots els lots que tinguin aquest nivell de qualitat.
7. Corba característica. Conceptes
Pel productor dels articles, un bon pla de mostreig és aquell que

té una baixa probabilitat de rebutjar lots bons:
Risc del productor (α):

És la probabilitat de que els lots siguin rebutjats, tot i tenir un
nombre de defectuosos no superior a l’especificat pel NAC.
Pels clients o consumidors dels articles, el pla de mostreig ha de

tenir una baixa probabilitat d’acceptar lots dolents:
Risc del consumidor (β):

És la probabilitat de que un lot s’accepti amb un percentatge de
defectuosos no inferior a l’establert en l’NTD.
24
7. Pla de Mostreig. Consideracions
Normalment, els plans de mostreig es dissenyen amb un risc del

productor del 5% (α = 0,05) i un risc del consumidor del 10% (β =
0,10).
La selecció dels valors específics de NAC, NTD, α i β és una decisió

econòmica basada en costos, en la política de l’empresa o en els
requeriments contractuals.
Valors de LTD / NAC per: Valors de LTD / NAC per:

α = 0,05 α = 0,05 α = 0,05 α = 0,01 α = 0,01 α = 0,01
c β = 0,10 β = 0,05 β = 0,01 n . NAC c β = 0,10 β = 0,05 β = 0,01 n . NAC
0 44,890 58,404 89,781 0,052 0 229,105 298,073 458,210 0,010
1 10,946 13,349 18,681 0,355 1 26,184 31,933 44,686 0,149
2 6,509 7,699 10,280 0,818 2 12,206 14,439 19,278 0,436
3 4,890 5,675 7,352 1,366 3 8,115 9,418 12,202 0,823
4 4,057 4,646 5,890 1,970 4 6,249 7,156 9,072 1,279
5 3,549 4,023 5,017 2,613 5 5,192 5,889 7,343 1,785
6 3,206 3,604 4,435 3,286 6 4,520 5,082 6,253 2,330
7 2,957 3,303 4,019 3,981 7 4,050 4,524 5,506 2,906
8 2,768 3,074 3,707 4,695 8 3,705 4,115 4,962 3,507
9 2,618 2,895 3,462 5,426 9 3,440 3,803 4,548 4,130
10 2,497 2,750 3,265 6,169 10 3,229 3,555 4,222 4,771
11 2,397 2,630 3,104 6,924 11 3,058 3,354 3,959 5,428
12 2,312 2,528 2,968 7,690 12 2,915 3,188 3,742 6,099
13 2,240 2,442 2,852 8,464 13 2,795 3,047 3,559 6,782
14 2,177 2,367 2,752 9,246 14 2,692 2,927 3,403 7,477
15 2,122 2,302 2,665 10,035 15 2,603 2,823 3,269 8,181
16 2,073 2,244 2,588 10,831 16 2,524 2,732 3,151 8,895
17 2,029 2,192 2,520 11,633 17 2,455 2,652 3,048 9,616
18 1,990 2,145 2,458 12,442 18 2,393 2,580 2,956 10,346
19 1,954 2,103 2,403 13,254 19 2,337 2,516 2,874 11,082
20 1,922 2,065 2,352 14,072 20 2,287 2,458 2,799 11,825
21 1,892 2,030 2,307 14,894 21 2,241 2,405 2,733 12,574
22 1,865 1,999 2,265 15,719 22 2,200 2,357 2,671 13,329
23 1,840 1,969 2,226 16,548 23 2,162 2,313 2,615 14,088
24 1,817 1,942 2,191 17,382 24 2,126 2,272 2,564 14,853
25 1,795 1,917 2,158 18,218 25 2,094 2,235 2,516 15,623
25
8. Bibliografia:
Castán, J.M.; Guitart, L. y Núñez, A. (1999): Direcció de la Producció

II. Barcelona: Edicions de la UOC.
Chase & Aquilano. (1992): Dirección y Administración de la Producción y
de las Operaciones. U.S.A.: Addison-Wesley Iberoamericana.
Domínguez Machuca, J.A. et al. (1994): Dirección de Operaciones.
Aspectos tácticos y operativos en la producción y los servicios. Madrid:
McGraw-Hill.
Fernández Sánchez, E. y Vázquez Ordás, C.J. (1994): Dirección de la
Producción. II. Métodos Operativos. Madrid: Editorial Civitas.
Heizer, J. y Render, B. (2001): Dirección de la Producción. Decisiones
estratégicas (Sexta edición). Madrid: Prentice-Hall.
Ishikawa, K. (1985): Guía de control de calidad. Nueva York: UNIPUB.
Juran, J.M. y Gryna, F.M. (1993): Manual de Control de Calidad. Madrid:
McGraw-Hill.
26

Cat - Dossier Tema 6 El Control de Qualitat

Uploaded by

Copyright:

Available Formats

You might also like

Cat - Dossier Tema 6 El Control de Qualitat

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cat - Dossier Tema 6 El Control de Qualitat

Uploaded by

Copyright:

Available Formats

Direcció d’Operacions

Tracta d’avaluar els resultats obtinguts, comparar-los amb els

A més de separar els productes bons (aquells que s’apropen

És el conjunt de tots els esforços realitzats per l’empresa

2. Les 7 eines bàsiques d’Ishikawa

2.1. Diagrames de Pareto

Basat en la idea de que, en general, la majoria de

Tracta de separar les poques causes vitals de la resta

Els diagrames de Pareto serveixen per identificar

2.1. Diagrama de Pareto. Exemple

Un empresa produeix un determinat article del qual s’han detectat

Quantitat de Quantitat % de productes

Ratllat superficial 198 198 66,00 66,00

Si aconseguim eliminar únicament les dues causes principals de

2.2. Diagrama Causa-Efecte

El diagrama causa-efecte, o també conegut com diagrama

Per solucionar un problema s’ha d’identificar i atacar les

L’estructura bàsica d’aquests diagrames està formada per una fletxa

En el diagrama, les causes es col·loquen de manera ordenada (en

Dins aquestes grans branques es van situant les causes, de

2.2. Diagrama Causa-Efecte. Exemple

Màquines Mà d’obra Entrenament

Eines Operació Experiència Fatiga

Són fulls impresos per registrar dades de manera

Els seus dos objectius fonamentals són: facilitar la

Existeixen diferents tipus de plantilles en funció de la

2.3.1 Fulls per al control d’articles defectuosos

S’utilitza per detectar els tipus de defectes i els seus percentatges de

Codi del Producte: 25312-A Data: 12-març-97

Ratllat I II III III III III III III II 37

Són croquis de la peça

2.3.3. Fulls de control per a la distribució del procés de

És un gràfic que representa la distribució d’una sèrie de

2.4. Histograma. Exemple

Dades Màx Min

En segon lloc, es determina l’amplitud de la totalitat de dades:

Màx − Min 0,39

L’ interval h serà la unitat de graduació horitzontal de l’histograma:

El valor que limita la classe es fixa començant en un extrem de l’amplitud.

2.4. Histograma. Exemple

A continuació, s’ha de fer la taula de freqüències, comptant les dades

A partir d’aquestes dades ordenats es construeix l’histograma. En uns eixos

Suposem que el diàmetre del cilindre de l’exemple pot oscil·lar

2.4. Histogrames. Altres casos

LTI LTS LTI LTS

Els dos primers casos, presenten la mateixa distribució de freqüències,

El cas 3 és la forma general, la típica forma de campana que representa

2.4. Histogrames. Altres casos

El cas 5 és una distribució de freqüències amb dos pics que normalment és

És una eina utilitzada per:

1. Comprovar si es produeix dins de les especificacions.

2.5. Diagrama bivariant

Són útils per analitzar si existeix relació entre una característica de

Passos per la seva construcció:

2.5. Diagrama bivariant

Les dues variables representades tenen una certa correlació positiva, és

Per conèixer el grau de correlació de forma quantitativa, podem calcular el

SYY = ∑ (Yi − Y)2 = ∑ Yi2 − ; SXY = ∑ (Xi − X).(Yi − Y) = ∑ Xi.Yi −