GRFICAS PARA CONTROL DE PROCESO

En general, las variaciones que ocurren en un proceso de

produccin caen en dos amplias categoras; variaciones aleatorias y
variaciones con causas asignables. Las variaciones aleatorias pueden tener
un complejo de causas reales menores, ninguna de las cuales es
responsable por parte importante de la variacin total. La realidad es que
estas variaciones ocurren de forma aleatoria y es muy poco lo que puede
hacerse respecto a ellas dado el proceso en que ocurren. Por otra parte, las
variaciones con causas asignables son relativamente grandes y pueden
rastrearse hasta su origen. En general, las causas asignables son resultado
de
!. "iferencia entre los trabajadores.
#. "iferencia entre las m$quinas.
%. "iferencias entre materiales.
&. "iferencias debidas a la interaccin entre cualesquiera dos o tres de
las causas anteriores.
Puede desarrollarse un conjunto parecido de causas asignables para
cualquier proceso. Por ejemplo, las causas asignables para una variacin en
el ausentismo puede ser una epidemia, cambios en las relaciones
interpersonales dentro de la familia o en la situacin laboral del empleado,
entre otras.
'uando un proceso se encuentra en un estado de control estadstico,
las variaciones que ocurren en el n(mero de defectos, la magnitud de una
dimensin, la composicin qumica, el peso y otras parecidas se deben
solamente a una variacin aleatoria normal. 'on la gr$fica de control se
establecen est$ndares de variacin normal esperada debida a causas
aleatorias. "e esta forma,. 'uando las variaciones debidas a unas o m$s de
las causas asignables se traslapan de inmediato )saltan a la vista* e indican
que alg(n componente b$sico ha cambiado. Entonces es posible investigar
para encontrar la causa asignable y corregirla. Estos mecanismos de control
estadstico se denominan gr$ficas de control.
Marco Conceptual para grficas de control
+i se toma un conjunto de medidas en secuencia, los datos pueden
acomodarse como una distribucin y calcular la media y la desviacin
est$ndar. +i se tiene entendido que los datos provienen de una distribucin
normal de la poblacin, pueden establecerse estimados precisos respecto a
la probabilidad de ocurrencia asociada con las medidas, dada en unidades
de desviacin est$ndar como sigue
,-.#, por ciento de los valores normalmente caen dentro de .
/0.&0 por ciento de los valores normalmente caen dentro de . #
//.1% por ciento de los valores normalmente caen dentro de . %
Estos valores porcentuales representan el $rea bajo la curva normal
entre los lmites dados; por tanto, indican la probabilidad de ocurrencia para
los valores que provienen de la distribucin normal que gener las
mediciones. Por ejemplo, la probabilidad es de /0.&0 en !22 de que una
medida obtenida en forma aleatoria caiga dentro de los lmites de # y
solamente &.00 en !22 de que caiga fuera de estos lmites. Estos valores,
as como los valores decimales para provienen de la tabal para la
distribucin normal de probabilidad disponible como en la tabla , en el
ap3ndice. La tolerencia natural de un proceso, es decir, la variacin
esperada en el proceso, generalmente se considera como . %. Los
estimados de la tolerancia natural se basar$n en informacin de la muestra.
+e utili4ar$ la siguiente notacin
5 6edia de la poblacin 7par$metro8
__
x
5 6edia de una muestra obtenida de la poblacin 7estadstica8
. 5 "esviacin est$ndar de la poblacin 7par$metro8
s = "esviacin est$ndar de una muestra obtenida de la poblacin
estadstica.
"ado que debe usarse informacin de la muestra para estimar las
medias y las desviaciones est$ndar de la poblacin, la tolerancia natural de
un proceso se estima sustituyendo
__
x
. %s en las estadsticas de la
muestra.
Clases de grficas control
9eneralmente se utili4an dos tipos b$sicos de gr$ficas de control., con
algunas variantes
9r$ficas de control para variables.
9r$ficas de control para atributos
Las gr$ficas de control para variables son utili4adas cuando el
par$metro bajo control es alguna medida de una variable, tal como la
dimensin de una parte, el tiempo para reali4acin de un trabajo y otras. Las
gr$ficas de variables pueden basarse en mediciones individuales, valores de
la media de muestras peque:as, valores de la media de mediciones de
variabilidad.
Las gr$ficas de control para atributos se emplean cuando el par$metro
bajo control es la proporcin o fraccin de unidades defectuosas. E;isten
diversas variantes de las gr$ficas para control de atributos. Las gr$ficas de
control para el n(mero de defectos por unidad se utili4an cuando un solo
defecto no tiene demasiada importancia pero un gran n(mero de defectos
puede dar como resultado un producto defectuoso, como en el caso del
n(mero de rayones en una superficie pintada. < continuacin se anali4ar$n
todos los tipos anteriores de gr$ficas de control, suministrando las bases
para su dise:o
Mediciones individuales (muestra de uno)
+i se han establecido est$ndares para la media y la desviacin est$ndar
de una variable con distribucin normal resultante de condiciones normales,
estos datos pueden usarse para construir una gr$fica de control. =omando la
tolerancia natural de los lmites . %s como un est$ndar de variacin para la
media, las mediciones individuales pueden gratificarse para determinar si los
puntos caen dentro de los lmites de control de . %s o si muestran una
tendencia a desviarse m$s all$ de uno de los lmites de control. +e sabe que
si muestras sucesivas son representativas de la poblacin original, la
probabilidad de que una muestra caiga fuera de los lmites de control
establecidos es reducida. Por otra parte, si las mediciones de la muestra
llegan a caer fuera de los lmites de control, se tendr$n ra4ones para creer
que algo ha cambiado en el proceso, siendo necesario investigar y corregir la
causa.
.
Los lmites de control para la gr$fica de control ebn la figura son
Lmite superior de control, L+' > ; . %s > !.222 . % ; 2.22#2 > !.22,2
Lmite superior de control, L?' > ; > %s > !222 > % ; 2.22#2 > 2.//&2
Qu lmites de control?
El proceso a partir del cual se obtuvieron las muestras en la figura !,
parece estar bajo control aplicando el criterio . %s. Pero, si se hubieran
adoptado lmites de control de . #s, el pen(ltimo punto habra quedado fuera
de los lmites. E;iste una probabilidad del &.00 por ciento de que esto
hubiera ocurrido por aleatoriedad en los datos. +u e;istencia hubiera
activado una investigacin y si la investigacin hubiera indicado que no
e;istieron cambios en el proceso, el costo de dicha investigacin se habra
desperdiciado. Por otra parte, si los lmites de control fueran . %s como se
muestra y el proceso hubiera cambiado realmente, la observacin habra
sido ignorada y se habra producido mayor cantidad de desperdicio en el
intervalo anterior al descubrimiento del cambio en el proceso.
En consecuencia, la disyuntiva al establecer lmites de control radica
en el balanceo de dos costos >el costo de investigacin e inspeccin contra
el costo de p3rdidas cuando no se reali4a una investigacin. 9eneralmente,
si el costo de la investigacin es muy elevado en comparacin con el costo
de la investigacin, ser$ necesario establecer lmites de control m$s
sensibles.
@ormalmente las gr$ficas de control se desarrollan para muestras
mayores a un ejemplar, pero las relaciones estadsticas para la figura son
sencillas y de gran valor para entender las bases estadsticas de otras
gr$ficas de control.
Distribuciones de muestreo
Para la figura la gr$fica de control basada en muestras de n = 1, ya se
ha establecido la normalidad de la distribucin. Ana ra4n importante para
tomar muestras mayores a n 5 ! es que puede obviarse la normalidad de la
distribucin de la poblacin. <un cuando una distribucin de poblacin
puede apartarse radicalmente de la normalidad, la distribucin de muestreo
de medias de muestras aleatorias ser aproximadamente normal si el
tamao de la muestra es lo suficientemente grande. Este enunciado del
teorema del lmite central tiene gran importancia ya que asegura hasta cierto
punto que las probabilidades asociadas con los lmites de control que se
estable4can ser$n aplicables. En realidad, la desviacin a partir de la
normalidad puede ser sustancial pero las distribuciones de muestreo de las
medias de muestras tan peque:as como n > & 0 seguir$n bastante de
cerca la distribucin normal.
+i se toman muestras de n 5 & de la distribucin de di$metros de ejes,
las medias de las muestras formar$n una nueva distribucin con una media y
desviacin est$ndar propias. Esta distribucin se denomina una distribucin
de muestreo de medias de n 5 &. Para distinguir las estadsticas de la
distribucin de mediciones individuales en la figura, se utili4a la notacin ;
para la gran media de la distribucin de muestreo y
__
x
s
para la desviacin
est$ndar de la distribucin de muestreo. +e espera que ; y ; sean casi
iguales en el lmite conforme aumente el n(mero de muestras.
La desviacin est$ndar para la distribucin de muestreo ser$ mucho
menor que para las mediciones individuales debido a que la variacin se
reduce por el proceso de obtencin de promedios dentro de cada muestra.
La relacin resultante entre las dos distribuciones para los datos de los ejes
se muestra en la figura. La relacin resultante entre las dos distribuciones
para los datos de los ejes se muestra en la figura. La relacin entre s y s;
est$ dada por
n
s
s
x
=
__
Para crear una gr$fica de control para las medias es necesario
establecer primero valores est$ndar para x y
__
x
s
y para los lmites de control
de las medias de la muestra. Las medias de muestras subsecuentes se
grafican y ser$ necesario tomar medidas si una media de la muestra llega a
caer fuera de los lmites de control. Los mecanismos de control que utili4an
medias de la muestra se denominan gr$ficas de control B y C.
Por u las medias de la muestra caen fuera de los lmites de control?
<nteriormente se indic que las causas b$sicas correspondan a
diferencias en los trabajadores, la maquinaria, los materiales y las
interacciones entre los primeros tres factores. Pero tambi3n pueden e;istir
causas sistem$ticas que pueden atribuirse a estos factores b$sicos. Por
ejemplo., si las partes se produjeran en un torno, dichas partes tenderan a
aumentar de tama:o conforme la herramienta de corte se fuera desgastando.
Este tipo de cambio en el proceso se reflejar$ en un despla4amiento de la
media de la distribucin de muestreo hacia el lmite superior de control
7L+'8. Dtros cambios podran resultar en un despla4amiento hacia el lmite
inferior de control 7L?'8.
Dtro tipo de variacin sistem$tica, como el desgaste en un cojinete en
la manivela del torno, se presentara en la forma de una mayor variabiElidad
en la distribucin de muestreo y se esperara que la media de la muestra
saliera de ambos lmites de control. La gr$fica B, entonces, puede mostrar
cambios en las medias de las muestras y en la variabilidad de las muestras,
as como combinaciones de ambas. Pero cuando los cambios en la
variabilidad son particularmente importantes, puede construirse una gr$fica
de control especial sobre una medida de variabilidad, como la gr$fica C.
Grficas
__
X
<l construir gr$ficas B, e;isten varias cuestiones que deben
resolverse, tama:o de la muestra, establecimiento de est$ndares para
promedio del proceso y lmites de control y procedimientos pr$cticos para
reducir los c$lculos requeridos.
!ama"o de la muestra
En la industria, los tama:os de las muestras son generalmente
reducidos por buenas ra4ones. Primero, es m$s barato recolectar,
inspeccionar y procesar muestras peque:as. +egundo, las muestras de
mayor tama:o deben obtenerse durante perodo m$s prolongados y pueden
presentarse cambios durante dichos perodos, impidiendo que las reacciones
sean oportunas; las condiciones fuera de control no se detectar$n tan
r$pidamente y pueden producirse desperdicios adicionales. 9eneralmente
los tama:os de muestra m$s comunes son de cuatro o cinco ejemplares.
Este tama:o anticipa los problemas indicados y es lo suficientemente grande
como para que el teorema del lmite central garantice la normalidad en la
distribucin del muestreo. Por otra parte, las muestras de mayor tama:o
tienen el efecto de hacer m$s estrechos los lmites de control. "ebe notarse
que el tama:o de la muestra est$ en el denominador de la frmula para
__
x
s
.
"e esta forma, una muestra de mayor tama:o significa una
__
x
s
de menor
tama:o. Pueden detectarse variaciones m$s finas en los proceso cuando las
muestras son m$s grandes.
Definici#n de estndares para promedios del proceso $ lmites de
control
F'mo puede determinarse si el promedio del proceso,
__
x
., y los
lmites y los lmites de control son representativos del proceso cuando 3ste
se encuentra en un estado de control estadsticoG +i el proceso estuviera
cambiando durante el periodo en el cual se estuviera desarrollando
informacin para definir est$ndares, los est$ndares no tendran significado.
Las condiciones no est$ndar podran resultar en un cambio en el promedio,
en la desviacin est$ndar, o en ambos.
Para contar con una proteccin contra lo anterior, se calcula una s
individual para cada una de las peque:as muestras de un subgrupo
preliminar y despu3s se promedian. Las medias de las muestras de un
subgrupo se tra4an sobre una gr$fica de control basada en _
3
__
x
s x para
determinar si han ocurrido cambios en el promedio del proceso en el periodo
durante el cual se recopilaron los datos preliminares deber$. Para lograr los
objetivos, el tama:o del subgrupo deber$ ser relativamente reducido,
posiblemente de #2 a #0 y el periodo de tiempo durante el cual se recopilan
los datos preliminares deber$ ser lo suficientemente largo como para poder
reconocer cualesquiera cambios en el proceso que ocurran entre intervalos
de muestreo.
Procedimientos prcticos para determinar los lmites de control de la
grfica
__
X
< manera de ejemplo, si
==
x
5 #.222,
__
R
5 2.220 y n 5 0, entonces el
factor de la tabla es <# 5 2.0!! y los lmites de control son
L+' 5 #.2222 . 72.011 ; 2.2208 5 #.2222 . 2.22#/ 5 #.22#/
L?' 5 #.2222 >72.011 B 2.2208 5 #.2222 > 2.22#/ 5 !.//1!
Los c$lculos b$sicos para determinar las lneas centrales y los lmites
de control permanecen iguales sin importar la variable que est$ siendo
medida.
!abla
Tamao de la
muestra n.
Lmites de
control para la
grfica
__
X
, A
2
%mites de control para la grfica &
Inferior, D
3
Superior D
4
3
4

!
"
#
$.%23
%."2&
%.""
%.4#3
%.4$&
%.$3!
%
%
%
%
%.%"!
%.$3!
2."
2.2#2
2.$$
2.%%4
$.&24
$.#!4
Huente "esarrollada a partir de una tabla de factores mucho m$s grande de gran utilidad para
la construccin de gr$ficas de control, tabla I# del 6anual <.+.=.6. para control de calidad de
materiales, p. !!0.
'rficas & ( 'rficas de Control para Medidas de )ariabilidad
<l calcular los lmites de control para las gr$ficas
__
X
, las estadsticas
usadas con las medias de la muestra reducida y estos son los datos que se
tra4an en la gr$fica. "e la misma forma podra usarse una medida de
variabilidad, como la desviacin est$ndar o el rango, como estadstica
b$sica. Para cada muestra se calcula una desviacin est$ndar 7o rango8
muestra y estas observaciones se agrupan en una distribucin que apro;ima
la distribucin normal. Esta nueva distribucin de medidas de variabilidad
tiene una media, una desviacin est$ndar y un rango que pueden ser usados
para construir una gr$fica de control. Esta gr$fica de control indica cuando la
variabilidad del proceso es mayor o menor que el est$ndar.
En el control de calidad, la estadstica seleccionada es generalmente
el rango m$s que la variacin est$ndar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medicin m$s alta y la m$s baja se tra4a en la
gr$fica C. La distribucin de rangos tiene un promedio,
__
R
, y una desviacin
sC. Los lmites de . %sC tienen el mismo significado general para la gr$fica
__
X
.
Procedimientos prcticos para determinar los lmites de control de
la grfica &*
"e la misma forma que para las gr$ficas
__
X
, las estadsticas usadas
son las medias de la muestra reducida y estos son los datos que se tra4an
en la gr$fica. "e la misma forma podra usarse una medida de variabilidad,
como la desviacin est$ndar o el rango, como estadstica b$sica. Para cada
muestra se calcula una desviacin est$ndar o el rango, como estadstica
b$sica. Para cada muestra se calcula una desviacin est$ndar 7o rango8
muestra y estas observaciones se agrupan en una distribucin que apro;ima
la distribucin normal. Esta nueva distribucin de medidas de variabilidad
tienen una media, una desviacin est$ndar y un rango que pueden ser
usados para construir una gr$fica de control. Esta gr$fica de control indcia
cuando la variabilidad del proceso es mayor o menor que el est$ndar.
En el control de la calidad, la estadstica seleccionada es generalmente
el rango m$s que la variacin est$ndar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medicin m$s alta y la m$s baja se tra4a en la
gr$fica C. La distribucin de rangos tiene un promedio,
__
R
, y una desviacin
est$ndar s
C
. Los lmites de . %s
C
tienen el mismo significado general que la
gr$fica
__
X
.
Procesamientos prcticos para determinar los lmites de control de la
grfica &
"e la misma forma que para las gr$ficas
__
X
, el c$lculo de los l mites de
control para la gr$fica C ha sido simplificado mediante el uso de la
estadstica
__
R
en lugar de la desviacin est$ndar. Asando los datos de la
tabla para una muestra de tama:o n, se seleccionan los factores "
%
y "
&
y se
calculan los lmites de control %s
C
como sigue
L+'C 5 "
&

__
R
L?'C 5 "
%
__
R
< manera de ejemplo, si n 5 & y
__
R
5 %.222 y de la tabla "
& 5
#.#-# y
"
%
5 2, entonces los lmites de control para la gr$fica C son
L+'
C
5 #.#-# ' %.222 5 ,.-&,
L?'
C
5 2 B %.222 5 2
+,emplos de 'rficas
__
X
$ 'rficas &*
'onsidere un proceso de produccin para el cual se desea establecer
tanto una grafica
__
X
como una gr$fica C. 'on el fin de iniciali4ar las
gr$ficas, se toman #2 muestras de n 5 0 mediciones aleatorias conforme el
proceso contin(a. Estas observaciones se muestran en la tabla siguiente, en
las columnas # a ,, representando cada lnea una muestra de n 5 0. El
promedio de cada muestra se da en la columna 1 y el rango de la muestra se
da en la columna -. La gran media y el rango promedio se muestran en la
parte inferior de estas dos (ltimas columnas como
__
x
5 2.#2! y
__
R
5 2.2&%,
respectivamente
'(mero
de la
muestra
Observaciones individuales Promedi
o de la
muestra,
x
Rango
de la
muestra,
R.
)$* )2* )3* )4* )* )!* )"* )#*
!
#
%
&
0
,
1
-
/
!2
!!
!#
!%
!&
!0
!,
!1
!-
!/
2.!/-
2.##&
2.!/0
2.!-%
2.!/&
2.#!#
2.!1/
2.#!,
2.##!
2.##,
2.!-!
2.!1,
2.#!1
2.#2%
2.#&%
2.#00
2.#!2
2.!1-
2.!,%
2.!10
2.#2/
2.!1#
2.!/!
2.!&#
2.#%-
2.!-,
2.#!#
2.!1#
2.!-&
2.#!2
2.!1/
2.!//
2.!/#
2.!-&
2.#!1
2.##,
2.!--
2.##%
2.#2!
2.!-&
2.#2&
2.!,-
2.#2-
2.#!/
2.#2,
2.#2!
2.#2!
2.!-1
2.#!/
2.#2,
2.##0
2.#2%
2.!-1
2.#22
2.!-1
2.!01
2.!1!
2.#2/
2.##0
2.#!%
2.!/&
2.##,
2.!/-
2.!12
2.!/,
2.#20
2.!-#
2.#2,
2.!-#
2.#20
2.#21
2.##2
2.#%!
2.!-/
2.!-&
2.#2-
2.#2&
2.#2/
2.#2-
2.#2#
2.!--
2.#%2
2.#!#
2.##&
2.#2&
2.##/
2!-&
2.#&&
2.#2-
2.#2-
2.#!&
2.#!&
2.!/2
2.!,#
2.#2#
2.!/1
2.#!2
2.!/-
2.!--
2.!/#
2.#!/
2.!/!
2.#!2
2.#2!
2.#2#
2.#22
2.!/1
2.#!!
2.#2%
2.#!2
2.##%
2.#22
2.!1&
2.!/%
2.2%&
2.2&!
2.2&!
2.2%&
2.2-&
2.2&2
2.2&#
2.2#-
2.2&/
2.2&1
2.2%-
2.2,-
2.2#,
2.2!,
2.20/
2.200
2.2%/
2.2%!
2.2,2
#2 2.#!- 2.!/# 2.!/- 2.!// 2.!// 2.#2!
==
x
52.#2
!
2.2#,
__
R
52.2&
%
'rficas
__
X
Primero se calcula la lnea central y los lmites de control preliminares
para la gr$fica
__
X
de la siguiente manera
L+' 5
__
2
R A x+
=
5 2.#2! . 72.011 B 2.2&%8 5 2.##,
L?' 5
__
2
R A x
=

5 2.#2! > 72.011 B 2.2&%8 5 2.!1,
Los lmites de control y la lnea central preliminares para la gran medida
se muestran en la figura %, grafic$ndose las medias de las #2 muestras
calculadas en la columna 1 de la tabla.
La gr$fica de control generalmente indica que se tiene un sistema
generador de datos, estables, con la e;cepcin de la muestra !-, que se
ubica por debajo del L?'. Es absolutamente posible que esta media de la
muestra represente una de las ocurrencias aleatorias de que una media
caiga fuera de los lmites %s x . +in embargo, se sabe que este evento
ocurre con una probabilidad de solamente 2.22#1 por lo que se hace
necesaria una investigacin. La investigacin revela que el operador estuvo
siguiendo un m3todo no est$ndar que result en la observacin de bajo
menor al normal >una causa asignable. La muestra !- se elimina de los
datos y se calculan una gran media y lmites de control revisados como
x 5 .#2# y R 5 2.2&&. Los lmites de control revisados son entonces
L+' 5 X . <
#
R

5 2.#2# . 72.011 B 2.2&&8 5 2.##1
L?' 5 ; > <
#
C 5 2.#2# > 72.011 ; 2.2&&8 5 2.!11
Cundo actuar
El hecho de que la muestra !- haya salido de los lmites plantea la
pregunta )Fqu3 configuraciones de puntos en una gr$fica de control
sugieren que debe adoptarse una accinG* F+e justifica una accin
solamente cuando los puntos salen de los lmitesG. Los siguientes son
algunos lineamientos convenientes sobre cu$ndo anticipar los problemas
mediante una accin de investigacin
'rficas &
Los lmites de control preliminares para una gr$fica C se calculan
utili4ando los factores "
%
5 2 y "
&
5 #.!!0 de la tabla !%J! como sigue
L+' 5 "
& R
5 #.!!0 ; 2.2&% 5 2.2/2/
L?' 5 "
% R
5 2 ; 2.2&% 5 2
En figura !%J& se muestra la gr$fica C con los lmites de control
preliminares y los rangos de #2 muestras tra4adoras. "ebe notarse que el
rango para la muestra !- no cae fuera de los lmites de control en la gr$fica
C. < pesar de ello, y dado que fue eliminada de la gr$fica X , tambi3n debe
eliminarse de la gr$fica C; la lnea central y los lmites de control revisados
reflejan este procedimiento. La gr$fica C indica que la variabilidad del
proceso es normal. Las lneas centrales y lmites de control revisados en las
figuras !%J% y !%J& representan est$ndares ra4onables para comparacin
con muestras futuras.
GRFICAS DE CONTROL PARA ATRIBUTOS
En las gr$ficas de control para atributos la poblacin se divide en dos
clasificaciones partes defectuosas contra partes buenas, el n(mero de
facturas con errores contra el n(mero de facturas sin errores en una
operacin de oficina, el n(mero presente contra el n(mero ausente para el
control del ausentismo, la proporcin de tiempo inactivo contra el tiempo
activo en un estudio de muestreo de trabajo y as sucesivamente. En
cualquier situacin para la que se desee construir una gr$fica de control es
necesario establecer esta distincin )buenoJmalo*.
'rficas p
Las gr$ficas de control para la proporcin o fraccin de partes
defectuosas que se presentan se denominan gr$ficas p; estas gr$ficas est$n
basadas en la distribucin binomial. Cecu3rdese que, para la distribucin
binomial
__
__
observado total Nmero
s defectuosa partes de Nmero
= =
N
x
p

=
__ __
1 p p
s
p
en donde
n 5 tama:o de la muestra
+iguiendo la pr$ctica para gr$ficas de control de calidad, los lmites de
control se establecen en el promedio del proceso para partes defectuosas
m$s y menos tres desviaciones est$ndar,
__
p
. %s
p
.
En la tabla se muestra un conjunto de datos para el n(mero de defectos
encontrados en muestras diarias de #22 para #& das consecutivos de
produccin. Primero se quiere determinar si los datos e;hiben control
estadsticos y despu3s establecer una gr$fica de control. La fraccin de
defectos diarios se calcula dividiendo cada cifra diaria entre el tama:o de la
muestra, n 5 #22. En la tabla tambi3n se calculan cifras preliminares para p,
s
p
. K L+' y L?'. Estas cifras preliminares se emplean para determinar si el
proceso que genera los datos est$ bajo control.
!abla- &egistro del n.mero de partes defectuosas $ fracci#n calculada
de defectos en muestras diarias de n / 01
Da de
producci+n
'(mero de
partes
defectuosas
,racci+n
de
defectos
Da de
producci+n
'(mero de
partes
defectuosas
,racci+n
de
defectos
!
#
%
&
0
,
1
-
/
!2
!!
!#
!%
!2
0
!2
!#
!!
/
##
&
!#
#&
#!
!0
-
2.220
2.2#0
2.20
2.2,
2.200
2.2&0
2.!!
2.2#
2.2,
2.!#
2.!20
2.210
2.2&
!&
!0
!,
!1
!-
!/
#2
#!
##
#%
#&
=otal
!&
&
!2
!!
!!
#,
!%
!2
/
!!
!#
#/&
2.21
2.2#
2.20
2.200
2.200
2.!%
2.,0
2.20
2.2&0
2.200
2.2,
__
p
5
061 . 0
200 24
294
=
X
p
s
3
5 % B 2.2!1 5 2.0!
L+' 5
112 . 0 051 . 0 061 . 0 3
__
= + = +
p
s p
L?' 5
010 . 0 051 . 0 061 . 0 3
__
= =
p
s p
+
p
5 017 . 0
200
939 . 0 061 . 0
=
x
En la figura, se presenta la gr$fica resultante de los defectos en la
produccin diaria en relacin con los lmites de control preliminares. "os
puntos caen fuera de los lmites y el punto para el da 1 est$ casi fuera del
lmite superior. La investigacin no muestra nada e;traordinario para el
primer punto, da 1. Para el segundo punto, da !2, una e;plicacin lgica es
que se contrataron tres trabajadores nuevos ese da. El (ltimo punto, da !/,
se e;plica por el hecho de que el dado se haba desgastado y finalmente se
rompi ese da.
Para establecer est$ndares para la variacin normal se elimina los
datos para los das en los que se han establecido causas asignables 7das !2
y !/8 y se vuelven a calcular p, L+' y L?' de la siguiente manera.
058 . 0
21 200
244
__
= =
X
p
A'L 5 2.20- . % 108 . 0
200
942 . 0 058 . 0
=
X
A'L 5 2.20- J % 108 . 0
200
942 . 0 058 . 0
=
X
Estos valores revisados reflejan la variacin debida a causas
aleatorias y se emplear$n como est$ndares para ju4gar la proporcin de
muestras defectuosas en el fututo. +i alguna muestra futura cae fuera de
estos lmites, la reaccin inmediata ser$ que es altamente probable que
e;ista una causa asignable para la observacin de una proporcin
e;traordinaria de defectos. Entonces se tratar$ de determinar la causa y
corregirla antes de producir una mayor cantidad de desperdicio.
'rficas p para muestras de tama"o variable*
En el ejemplo anterior el tama:o de la muestra era constante. +in
embargo, con frecuencia los tama:os de la muestra son variables, como
suele ser el caso cuando se aplica una inspeccin del !22 por ciento y los
vol(menes resultantes varan da a da. +i los tama:os de la muestra varan
slo ligeramente, los lmites de control pueden basarse en el tama:o de la
muestra promedio. +in embargo, cuando los tama:os de la muestra varan
sustancialmente, pueden calcularse nuevos lmites de control para cada
muestra, lo cual no resulta una actividad costosa en el mundo actual de la
computacin.
Estos c$lculos de los lmites de control pueden simplificarse. Por
ejemplo si
009 . 0
__
= p
entonces
n n x n p p ! 896 . 0 ! 901 . 0 099 . 0 3 ! 1 3
__ __
= =

. Para cada muestra,

entonces, la ra4 cuadrada del tama:o de la muestra se divide entre 2.-/,
para obtener el valor de %s
p
que debe sumarse y restarse de
__
p
para obtener
los lmites de control individuales. Por supuesto, una p diferente requiere
una nueva determinacin de la constante.
Dtra forma de manejar este problema es construir una gr$fica p
estabili4ada convirtiendo las desviaciones del promedio del proceso a
unidades de desviacin est$ndar. +e calcula una s
p
para cada muestra
utili4ando el m3todo r$pido antes mencionado 7el factor para el ejemplo sera
simplemente de 2.-/,L% 5 2.#//85 y se divide entre la variacin de la
muestra a partir de
__
p
,
__
p
J
__
p
. +i la produccin de defectos de la muestra
fuera p 5 2.2-&,
__
p
5 2.2// como anteriormente y n 5 /0, entonces s
p
5
2.#//L 95 5 2.2%2,. Entonces 7p J
__
p
8Ls
p
5 J2.2!02L2.%2, 5 J 2.&/ unidades
de desviacin est$ndar. Los lmites de control se tra4an en t3rminos de
unidades de desviacin est$ndar y esta muestra est$ 2.&/ desviaciones
est$ndar por debajo de la media.
'rficas c2grficas de control para defectos de unidad
En ocasiones el par$metro a ser controlado no puede ser e;presado
como una proporcin simple, como fue el caso de las gr$ficas p. En los
tejidos, por ejemplo, el n(mero de defectos por cada !2 yardas cuadradas de
material puede ser el par$metro a controlar. En dichos casos, un defecto
puede ser menor en s mismo, pero un gran n(mero de defectos por unidad
de $rea puede ser cuestionable. Para la distribucin de Poisson, la
desviacin est$ndar +c es igual a la ra4 cuadrada de la media
__
c
. El
c$lculo de los lmites de control es entonces e;tremadamente simple. Por
ejemplo, si el n(mero medio de defectos por unidad fuera
__
c
5 #0, entonces
L+' 5
__
c
.%s
c
5 #0 . 7%;08 5 &2
L?' 5
__
c
J%s
c
5 #0 > 7% ; 08 5 !2
Muestreo para aceptaci#n
'uando ya se ha llevado a cabo la produccin, con frecuencia se
desea conocer el nivel de calidad del lote. 'uando un proveedor enva un
lote de partes, por ejemplo, Fdeben estas partes aceptarse como buena o
noG El muestreo para aceptacin es la t3cnica estadstica de control de
calidad para tomar este tipo de decisiones. +e e;aminar$n planes para
muestreo tanto de atributos como de variables.
Muestreo para 3ceptaci#n por 3tributos
Curvas de caractersticas operativas (C4)
Para especificar un plan de muestreo se establece el tama:o de la
muestra, n, y el n(mero de defectos permitidos en la muestra, c 7n(mero de
aceptacin8, antes de que sea recha4ado todo el lote del cual se obtuvo la
muestra. La curva 'D para una combinacin particular de n y c muestra qu3
tan bien discrimina el plan entre lotes buenos y malos. La figura !%J,
muestra una curva 'D para un plan de muestreo con una muestra de
tama:o n 5 !22 y un n(mero de aceptacin c 5 #. En este plan, si c 5 2 y se
encuentran ! # partes defectuosas en una muestra de n 5 !22., el lote se
considerar$ aceptable. +i la calidad real del lote es del ! por ciento de partes
defectuosas, el plan en la figura , aceptara el lote apro;imadamente el /!.0
por ciento del tiempo y lo recha4ara apro;imadamente el -.0 por ciento del
tiempo. "ebe hacerse notar, sin embargo, que si la calidad real del lote fuera
algo inferior al uno por ciento de partes defectuosas >posiblemente el 0 por
cientoJ la probabilidad de aceptacin del lote disminuye dr$sticamente acerca
del !% por ciento. Por tanto, si la calidad real del lote es buena, el plan
provee una alta probabilidad de aceptacin, pero si la calidad real es mala, la
probabilidad de aceptacin es baja. "e esta forma, la curva 'D muestra
qu3 tan bien un plan dado discrimina entre una calidad buena y una mala.
La capacidad de discriminacin de un plan de muestreo depende del
tama:o de la muestra. En la figura !%J1 se muestran las curvas 'D para
muestras de tama:os !22, #22 y %22, permaneciendo el n(mero de
aceptacin en proporcin al tama:o de la muestra. Es conveniente notar que
la curva 'D se hace m$s pronunciada conforme aumenta el tama:o de la
muestra. +i se compara el poder de discriminacin de los tres planes
representados en la figura !%J1 puede verse que los tres aceptar$n lotes con
apro;imadamente 2.1 por ciento de partes defectuosas apro;imadamente el
-% por ciento del tiempo 7apro;imadamente, el punto en que se intersectan
las tres curvas8. +in embargo, si la calidad real disminuye a %.2 por ciento de
partes defectuosas, el plan con @ 5 !22 acepta lotes apro;imadamente el #2
por ciento del tiempo; n 5 #22 acepta lotes apro;imadamente el , por ciento
del tiempo; y n 5 %22 menos de ! por ciento del tiempo. Los planes con
mayores tama:os de muestra son definidos m$s efectivos.
FMu3 sucede con la curva 'D si cambia solamente el n(mero de
aceptacinG En la figura !%J- se presentan curvas 'D para una muestra de
n502 y n(meros de aceptacin de c 5 !, # y %. El efecto es
fundamentalmente un cambio en el nivel de la curva 'D, por lo que menores
n(meros de aceptacin provocan que el plan sea m$s )estrecho*; esto es,
mantienen la calidad resultante en porcentajes m$s reducidos. < manera de
generali4acin, entonces, e;iste cierta interaccin entre el tama:o de la
muestra y el n(mero de aceptacin para la determinacin del poder de
discriminacin de las curvas 'D.
An plan de muestreo que discrimina perfectamente entre lotes buenos
y malos tendr$ una curva 'D vertical; esto es, seguir$ la lnea punteadas de
la figura !%J1. La probabilidad de aceptacin es cero para todos los lotes con
porcentajes de partes defectuosas a la derecha de la lnea.
"esafortunadamente, el (nico plan que lograra est$ discriminacin es aquel
que requiere una inspeccin del !2 por ciento. Por tanto, la justificacin del
muestreo para aceptacin resulta del balance entre los costos de inspeccin
y los posibles costos de aceptar partes defectuosas.
<l hacer que los planes de muestreo sean m$s discriminatorios
7aumentando los tama:os de las muestras8 o m$s estrechos 7reduciendo el
n(mero de aceptacin8, se puede apro;imar cualquier nivel deseado de
calidad pero con mayores costos de inspeccin. Este mayor esfuer4o de
inspeccin resultar$ en menores costos de aceptacin de partes
defectuosas. En alg(n punto la combinacin de estos costos incrementales
es mnima. Este punto mnimo define el plan de muestreo m$s econmico
para una situacin dada. Dbviamente, si el costo de aceptar productos
defectuosos es elevado, una mayor inspeccin se justifica en t3rminos
econmicos.
Para justificar la inspeccin al !22 por ciento de una muestra, las
p3rdidas probables debidas a la aceptacin de productos malos deber$n ser
grandes en relacin a los costos de inspeccin, resultando posiblemente en
la p3rdida de contratos y clientes. Es sobre esta base que puede justificarse
el objetivo japon3s de )cero defectos*. Por otra parte, para justificar que no
se realice una inspeccin deber$n ser bastante elevados en relacin a las
p3rdidas probables debidas a la aceptacin de partes malas. La situacin
m$s usual se ubica entre estos e;tremos, en donde e;iste el riesgo de no
aceptar lotes que no son en realidad adecuados y el riesgo de aceptar lotes
malos.
Determinaci#n de curvas C4
Las curvas 'D pueden construirse a partir de los datos obtenidos de
la distribucin normal o de Poisson. +i los lotes son grandes, posiblemente
m$s de !2 veces el tama:o de la muestra, las probabilidades para la curva
'D pueden obtenerse de la distribucin binomial. +in embargo, si las
muestras son grandes las apro;imaciones normal o de Poisson tambi3n son
muy cercanas y son mucho m$s convenientes de usar. Las reglas empricas
son las siguientes
+i pNn O 0, las probabilidades pueden ser determinadas a partir de la
distribucin normal con una media pN y una desviacin est$ndar
( ) n p p ! " # 1 #
+i pNn P 0, usar la distribucin de Poisson.
9eneralmente el porcentaje de defectos del lote es reducido y los lotes
son relativamente grandes por lo que se emplea la distribucin de Poisson
para calcular los valores para calcular el porcentaje de probabiiidad de
aceptacin. PaN para curas 'D. La gr$fica =horndiEe suministra curvas de
acumulacin de distribuciones Poisson de probabilidad para distintos valores
del n(mero de aceptacin c. La gr$fica indica la probabilidad de ocurrencia
de c o menos defectos en una muestra n seleccionada de un universo infinito
en el cual el porcentaje de partes defectuosas es P".
Puede usarse la gr$fica =horndiEe para calcular los valores P
a
usados
para tra4ar las curvas 'D de la figura !%J/ o cualquiera otra de las curvas
'D que se han utili4ado como ejemplos. Cecu3rdese que el plan de
muestreo para la figura !%J, fue de n 5 !22 y c 5 #. Los valores de P
a
usados para nueve puntos de la curva 'D se calculan en la tabla !%J&
leyendo los valores para Pa a partir de la gr$fica =horndiEe. Por ejemplo,
para P" 5 # por ciento, P" B nL!22 5 # B !22L!22 5 #.2. 'onsultando la
escala hori4ontal de la gr$fica =horndiEe con este valor, se lee P
a
5 ,- por
ciento en la escala vertical para c 5 #.
&iesgos para el productor $ para el consumidor
La definicin de estos riesgos, que se anali4aron brevemente en el
captulo !#, puede especficamente a(n m$s mediante su referencia a una
curva 'D tpica., En la figura !%J!2 se muestran gr$ficamente las siguientes
cuatro definiciones
<ML @ivel aceptable de calidad > los lotes
de este nivel de calidad se consideran
buenos y desea tener una alta
probabilidad para su aceptacin.

Ciesgo para el productor >la

probabilidad de que lotes con un nivel
de calidad <ML no sean aceptados.
9eneralmente

5 0 por ciento en la
pr$ctica.
%P!D Porcentaje de defectos tolerables
para el lote >la lnea divisoria entre
lotes buenos y lotes malos
seleccionada. Los lotes de este nivel
de calidad se consideran como
pobres y se desea tener una baja
probabilidad para su aceptacin.

Ciesgo para el consumidor >la

probabilidad de que se acepte el nivel
de calidad L=P". 9eneralmente

5
!2 por ciento en la pr$ctica.
+specificaci#n de un plan de muestreo
Para especificar un plan que satisfaga los requisitos para <ML, ,
L=P" y

, debe encontrarse una combinacin de n y c con una curva 'D

que pase a trav3s de los puntos a y b, como se muestran en la figura !%J!2.
La mec$nica para encontrar planes especficos adecuados puede
establecerse utili4ando tablas, gr$ficas o frmulas est$ndar que resulten en
la especificacin de una combinacin de n y c que se apro;ime lo suficiente a
los requisitos establecidos para <ML, , L=P" y

,
=<IL< !%J& '$lculo de valores de Pa B !22
de la figura !%J/ a paritr de la gr$fica de
=horndiEe 7plan de muestreo n 5 !22 y c 5 #8
-orcenta.e real de
partes defectuosas -D
)-D / n*0$%% -orcenta.e de
pro1a1ilidad de
aceptaci+n a partir de
la figura $32&
2
!
#
%
&
0
,
1
-
2
!.2
#.2
%.2
&.2
0.2
,.2
1.2
-.2
!22.2
/!.0
,-.2
&#.2
#&.2
!#.2
,.2
%.2
!.0
+specificaci#n de n 5 c para Planes de muestreo .nico
Para especificar un plan debe determinarse el tama:o de la muestra n
y el n(mero de aceptacin c (nicos que produ4can una curva 'D que se
apro;ime a la especificada por los cuatro valores, <ML, , L=P" y

, esto
puede lograrse consultando tablas o usando la gr$fica de =horndiEe.
3n e.emplo4 +upngase que se ha especificado las caractersticas de la
curva 'D deseada como
<ML 5 # por ciento

5 0 por ciento
L=P" 5 - por ciento

5 !2 por ciento
-aso $ =abular valores P" B nL!22 para P
a
5 7! J

8 5 /0 por ciento y P
a

5

5 !2 por ciento para cada valor de c a partir de la gr$fica

=horndiEe. Por ejemplo, para P
a
5 /0Q y c 5 !, leer P" B nL!22 5
2.%, y para P
a
5 !2Q y c 5 !, leer P" B nL!22 5 %./. Raga lo
mismo como en los diversos valores de c como en las columnas !,
# y % de la tabal !%J0. "ebe notarse que en las columna # el P" a
que se hace referencia es <ML, mientras que en la columna % es
L=P".
-aso 2 'alcular la relacin de la columna % con la columna # para cada
uno de los valores de c, como en la columna & la relacin - L # 5 &,
dado que para el plan deseado L=P" 5 - y P" 5 # por ciento.
Esta relacin de & cae entre &.2, para c 5 & y %.0- para c 5 0.
-aso 3 'alcular tama:os de muestra como en la tabla !%J,, decidiendo si
se mantiene fija y se deja flotar

o viceversa. +i, por

ejemplo, se establece c 5 & y se mantiene en 0 por ciento,
entonces P" B nL!22 5 <ML ; nL!22 5 !./1 y puede resolverse
para la muestra de tama:o n
n 5
99
2
100 97 . 1
=
x
-aso 4 El plan de muestreo sera entones n 5 // y c 5 &.
Cevisar el valor resultante del riesgo flotante. Asando la gr$fica
=horndiEe , para el plan !, ingresar los valores de c 5 & y P" B
nL!22 5 - B //L!22 5 1./# y leer el valor real de

5 !2.0 por
ciento.
=abla !%J0 "eterminacin de planes de muestreo con <ML y L=P"
especificadas 7
=
0 por ciento

5 !2 por ciento8.
1!
"#mero de
aceptacin
$!
%alor de P& x n'1((
con Pa = )* por
ciento a partir de la
figura 1+,)
+!
%alor de P& x n'1((
con Pa = 1( por
ciento a partir de la
figura 1+,)
-!
Relacin .ol. +/.ol.
$ = 01P&'230
! 2.%, %./ !2.-%
# 2.-2 0.% ,.,%
% !.%0 ,.1 &./,
& !./1 -.2 &.2,
0 #.,2 /.% %.0-
, %.%2 !2.0 %.!-
1 &.22 !!.- #./0
- &.12 !%.2 #.11
En la tabla !%J, tambi3n se muestran los valores flotantes reales de
y para cada uno de los cuatro planes. @otar que para el plan ! la
probabilidad de aceptar lotes con un - por ciento de calidad aumenta
ligeramente mientras se mantienen las dem$s especificaciones. Para el plan
#, la probabilidad de recha4ar lotes de buena calidad aumenta ligeramente
mientras que se mantiene la especificacin para y as sucesivamente. Los
planes ! y # son los que m$s se apro;iman a satisfacer las especificaciones
originales y la eleccin entre ellos depende del 3nfasis deseado.
5tros 6alores de 7 . La tabla !%J0 se construy para los valores
comunes de 0 y !2 por ciento para y , respectivamente, pero, obviamente,
puede construirse una tabla comparable a partir de la gr$fica =horndiEe para
cualesquiera valores de y , por lo que los m3todos descritos son
generales.
Curva de calidad resultante promedio (C&P)
En la figura !%J!! se muestra el flujo de partes buenas y recha4adas
en un plan tpico de muestreo y se suministran las bases estructurales para
calcular la calidad resultante promedio 7'CP8. +e inspecciona la muestra
aleatoria de tama:o n y cualesquiera partes defectuosas halladas en la
muestra son sustituidas por partes buenas. 'on base en el n(mero de
partes defectuosas cN encontramos en la muestra, se acepta todo el lote si cN
P5 c y se recha4a si cN O c.
Ta1la $32!. Planes de muestreo sencillo para c 5 & y c 5 0 cuando es fija,
permitiendo que es fija y se permite que flote.
c fi4a en - c fi4a en *
7!8
5 0 Por ciento,
Hlota
7#8
5 !2 Por ciento,
Hlota
7%8
5 0 Por ciento,
Hlota
7&8
5 !2 Por ciento,
Hlota
n 5 !./0 ; !22L#
5 //
5 !2.0 por ciento
n 5 -.2 ; !22L-
5 !22
5 0.0 por ciento
n 5 #.,2 ; !22L#
5 !%2
5 0 por ciento
n 5 /.% ; !22L-
5 !!0
5 % por ciento
+i el lote es recha4ado se le somete a una inspeccin del !22 por ciento
y todas las partes defectuosas encontradas se sustituyen pro partes buenas.
Entonces, todo el lote de @ partes estar$ libre de partes defectuosas. +in
embargo, si el lote es aceptado con base en la muestra, se corre el riesgo de
pasar algunas partes defectuosas. Puede calcularse el n(mero promedio de
partes defectuosas.
+i la calidad promedio entrante es P", la aceptacin ocurre con la
probabilidad P

7tomada directamente de la curva 'D para la "P8. El n(mero

promedio de partes defectuosas es entonces el producto de la proporcin de
defectos recibidos por el n(mero restante en el lote ponderado por la
probabilidad de que la aceptacin ocurra o
7P

L !228 ; 7P" L !228 ; 7@ > n8. La calidad resultante promedio 'CP en

porcentaje es entonces
'CP 5 @(mero promedio de defectos ; !22 5 P

7P"8 7@ > n8
@(mero de partes en el lote !22 @
< partir de la relacin anterior puede desarrollarse una curva para
cualquier plan de muestreo dado mostrando la 'CP para cualquier nivel e
calidad entrante, determinando la P

a partir de la curva 'D y substituyendo

estos valores en la frmula para el c$lculo de 'CP, como se indica en la
figura !%J!#. Esta curva 'CP se basa en la curva 'D de la figura !%J, para
un plan de muestreo de n 5 !22, c 5 # y @ 5 !222.
Es interesante observar las caractersticas de la curva 'CP. Primero,
e;iste un n(mero m$;imo o lmite de la calidad resultante promedio 7<DML8.
E;iste un <DML para cada plan de muestreo, el cual depende de las
caractersticas del plan. 'uando se presenta una buena calidad al plan > por
ejemplo, 2 a # por ciento J P

es relativamente alta, por lo que la mayora de

las partes defectuosas se aceptar$n. 'onforme se e;cede el # por ciento
para la calidad entrante, sin embargo, P

declina r$pidamente 7v3ase la curva

'D de la figura !%J,8 y la probabilidad de una inspeccin al !22 por ciento
aumenta, por lo que se detecta un mayor n(mero de partes defectuosas > la
calidad resultante mejora autom$ticamente conforme la calidad entrante
empeora. Especficamente, <DM nunca e;cede del !,#0 por ciento, sin
importar la calidad entrante para el plan.
Ka se han mostrado los c$lculos para la situacin en la cual se
sustituyen las partes defectuosas. +i dichas partes no son sustituidas,
entonces la frmula para <DM se transforma en
( )
( ) ( ) ( )( ) [ ]
100
100 ! 100 ! 1 100 !
x
n N PD P n PD N
n N xPD P
AOQ
+

PLANES DE MUESTREO CON PROTECCIN LTPD O AOQL

ESPECIFICADA
"odgeJComing provee tanto gr$ficas como tablas para el dise:o de
planes de muestreo que dan una proteccin L=P" o <DML especificada con
5 !2 por ciento y una inspeccin total mnima. Los niveles de L=P" o
<DML seleccionados para una situacin dada dependen de las
consecuencias de una mala calidad. +i las operaciones subsecuentes
pueden detectar defectos adicionales sin alterar la produccin, estos
est$ndares pueden ser relativamente confiables, pero si la menor calidad
resulta en altos costos de produccin y otros relacionados con la calidad,
L=P" o <DML deben mantenerse en niveles reducidos.