Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Muestreo Por Variables Control de Calidad

    Cargado por

    Alberto López
    7 vistas7 páginas
    Control de Calidad, ejemplo de muestreo por variables.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Control de Calidad, ejemplo de muestreo por variables.

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    7 vistas7 páginas

    Muestreo Por Variables Control de Calidad

    Cargado por

    Alberto López
    Control de Calidad, ejemplo de muestreo por variables.

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 7
    Ejemplo. En una fabrica de autopartes se han tenido problemas con la dimensién de cierta barra de acero en el momento de ensamblarla. La longitud ideal de la barra es de 100 mm, con una tolerancia de + 2 mm. Se decide implementar un muestreo de aceptacién interno con el propésito de evitar dejar pasar a la etapa de ensamble alos lotescon una calidad muy pobre. El tamafio del lote para estas barras es de 3000. Deacuerdo con los antecedentes y los propésitos se elige un NCA (AQL) de 1.0%. De esta forma, lotes con 1.0% de barras fuera de las especificaciones tendrén una alta probabilidad de ser aceptados para ensamble. EI nivel deinspeccién que se utilizardes el usual (nivel IV). De la tabla 16.1 se encuentra que la letra cédigo para el tamafio de la muestra es L. Supongamos que no se conoce la desviacidn esténdar del proceso y que ésta va a ser estimada con S. Por lo que de acuerdo con el paso 6, en la tabla 16.2se encuentra que el plan de inspeccién normal es n= 40, M= 2.71% yel plan de inspeccién severa es n= 40, M= 1.88% De un lote en particular se seleccionan de manera aleatoria 40 barras y se les mide su longitud. Con los 40 datos se calcula X= 100.15 yS=0.8 con éstos a su vez se calculan los indices: _102-100.15 2 SI os 231 100.15~98 08 em 2.6875 Con estos valores, en la columna de n= 40 de la tabla 12.18 y tomando el valor de Zes igual al valor mas cercano (2.30), se estima que el porcentaje de barras en el lote que exceden la especificacidn superior es igual a p, = 0.888%. De la misma manera se encuentra que el porcentaje de barras que tienen una longitud menor ala (El) es p,= 0.236%. Por lo tanto, el porcentaje total que se estima fuera de especificaciones es p que M= 2.71%, porlo que el lote es aceptado. .888 + 0,236 = 1.124%, que es menor Ejemplo. Para aceptar embarques de 400 bultos que deben pesar 50 kg cada uno, se establece como especificacién inferiorparael peso 49.5 y como superior 50.5. a) Si se establece un NCA = 1.0 %, encuentre el planapropiado aplicando MIL STD 414 y nivel IV deinspeccién (n, M).b) De acuerdo con el plan anterior, cuando se recibe un embarque, équé se hace?, écémo se decide si serechazao se acepta? c) Aplicando el plan se selecciona una muestra de bultos, se pesan y se encuentra que X = 49.85 =0.2, ése acepta o se rechaza el embarque? Argumente. Fiabilidad es la caracteristica de calidad que mide la duracién de los productos, los cuales deben operar sin fallas durante un tiempo especificado. De manera que al afirmar que un articulo es de alta calidad significa que cumple todas sus especificaciones, incluyendo la fiabilidad. De esta manera, fiabilidad es la calidad alo largo del tiempo. Caracteristicas de los estudios de fiabilidad la variable de respuesta o caracteristica de calidad de interés en los estudios de fiabilidad es el tiempo ala falla, un aspecto que hace que estos estudios tengan las siguientes caracteristicas especiales: 1. Los tiempos a la falla son valores no negativos que suelen tener un comportamiento asimétrico con sesgo positivo, Esto hace que la variable aleatoria tiempo ala falla tenga comportamientos diferentes al modelo normal. 2. En muchas de las aplicaciones de la estadistica lo que interesa es la media y la desviacién estandar de la poblacién objeto de estudio, ya que estos parimetros determinan la distribucién de la poblacién en el caso normal. 3, Para tenerdatos es necesario observarfallas. Suele ser costoso generar fallas en el laboratorio, pero puede ser mas caro que ocurran en campo, lo cual también afecta la imagen del negocio. Los componentes o dispositivos que fallan muchas veces se convierten en desperdicio impactando el costo del estudio. 4, Para tenerun tiempo de vidao tiempo a la falla exacto se tendria que observar el componente de manera continua y en ocasiones por mucho tiempo, pero con frecuencia estos aspectos son imposibles. Este hecho da lugar a observaciones censuradas. La consideracién de datos censurados es importante para hacer viable los estudios de confiabilidad (en tiempo y costo). Los datos censurados aportan informacién, por lo que éstos deben considerarse adecuadamente para estimar de manera mas precisa el comportamiento del tiempo a la falla. 5. Como se menciona en el punto 2, es necesario observar fallas, pero cuando el producto es muy durable podria necesitar meses y hasta afios para tener el suficiente ntimero de fallas trabajando en condiciones normales. En estos casos, un estudio de confiabilidad en condiciones normales de operacién no tiene sentido. Sin embargo, es posible acelerarel deterioro del producto si se utilizaen condiciones aceleradas 0 estresantes: un tiempo pequefio de vida en condiciones aceleradas equivale a un tiempo largo de vida en condiciones normales. Tipos de Censura de la lidad Censura por la derecha tipo I. Es cuando los datos censurados resultan de unidades que no fallaron en un tiempo de prueba especificado. También se conoce como censura por tiempo. Censurapor laderecha tipo Il. Surge cuando el estudio de confiabilidad dura hasta que cierta cantidad de las unidades falla. El tiempo de duracién del estudio no se conoce de antemano. También se conoce como censura por ntimero de fallas. Censura por la izquierda. Es cuando sélo se sabe que la unidad en prueba fallé en algin momento antes del primer tiempo de inspeccién. Censura por intervalo. Se sabe que la unidad fallé en algtin momento dentro de un intervalo. Ocurre cuando no es posible hacer una inspeccién continua. Funciones en fiabilidad ‘Se describen lasfunciones que se utilizan en fiabilidad, fO20 y [/@Qd=l—wcten Funcién de densidad. Lafuncién f(t) es Funci6n de densidad (continua) si cumple que = En la figura 13.2a se muestra una funcién de densidad tipica para datos de vida. Por ejemplo, para la distribucién mae A exponencial, lafunciéndedensidad estadadapor: [=A “", 420 el parametrode estadistribuciénesd, que 5 necesario estimar a parti de los datos de vida, Con ello es posible contestar cualquier pregunta acerca de la confiabilidad del producto objeto de estudio. Funcién de distribucién acumulada.Con esta funcién, denotada con F(t), se obtiene la probabilidad de que un producto falle antes del tiempo t, con lo que F(t) = P(T < t). De esta manera, si nos limitamos a funciones de densidad de probabilidades definidas en el intervalo de ceroa infinito, entonces F(t) se obtiene integrando la funcién de densidad f (t) de la siguiente manera FO=M(TS0)= | fladds 0 Esta funcién siempre es creciente (véase figura 13.2b). Por ejemplo, en el caso exponencial Me. : Fe) = fae Mar - 5420 0 Funcién de fiabilidad. Con esta funcién, denotada con C(t) y también conocida como funcién de ci supervivencia, se obtiene la probabilidad de que el producto no haya fallado (sobreviva)en el tiempo t (figura 13.2c). Con lo que C(t) = P(T >t) = 1- F(t), Por ejemplo, parala distribucién exponencial se tiene que: c=] fe enema neta En la figura 13.2 se presenta la relacin entre las funciones de densidad f (t), de distribucién acumulada F(t) y de confiabilidad C(t). Las dos " Ultimas representan areas bajo la curva de la oe ° primera, porlo que son probabilidades. Note que la probabilidad de observarfallas en un intervalo [SUUIUE) fursnarotatteniens darhein nmin yin [t,t] se obtiene de restarlosrespectivos valores, yassea de Fit) ode Ct) Modelos (distribuciones) para el tiempo de falla Existe una gran variedad de distribuciones de probabilidad algunas son de particular utilidad como modelos de tiempo de falla; por ejemplo, las distribucionesexponencial, Weibull, valor extremo, normal y lognormal. En seguida se dan las expresiones para f(t), F(t), C(t), h(t), vida media y la funcién cuantil para cada una de estas distribuciones. Modelo de probabilidad para datos de vida con riesgo constante. Sirve para componentes de alta calidad que “no envejecen” durante su vida itil Distribucién Weibull. Dada su flexibilidad, la distribucién Weibull es de las més utilizadas para describir la vida de productos, ya que permite modelar productos con tasas de riesgo creciente, constante y decreciente (figura 13.5b). La funcién de densidad Weibull esta dada por: f@ apt I a n mientras que las funciones de confiabilidad y riesgo son, 4 } pa eae) y wo-A() La vida media de la distribucién Weibull es E(t) = nf(1+1/B) y la funcién cuantil esta dada por, p=nf-ind py}? donde f(x) es la funcién gamma. En la figura 13.5a se presentan tres posibles formas de la distribucién Weibull, dependiendo del valor del parametro de forma, B, mientras se mantienefijo el parémetro de escala en el valor =1. En general, para valores de 0 < B < 1, la funcién de riesgo es decreciente y para valores de B > 11a funcidn de riesgo es creciente. Se puede verificar de la funcién de densidad que cuando B = 1, la distribucién Weibull se reduce a la distribucién exponencial (tasa de riesgo constante). Especificaci6n de la distribucién de viday estimacién grafica de sus parémetros Un aspecto fundamental en cualquier estudio de confiabilidad es identificar cual es la distribucién 1p Spe que mejor modelael tiempode falla(ovida)delos a _ productos. Por ello, enesta seccién presentamos sos ae técnicas gréficas que sirven para especificar la distribucién de un conjunto de datos de = é pet confiabilidad, yque también permiten estimarlos 12 p= 1 pardmetros de la distribucién seleccionada. ocean ake : Graficas en papel de probabilidad. Son utiles para Teme ae identificar de manera visual la distribucién de la ETEUENEN) Fundones «je densidad de ringo abu que provienen los datos. Estas gréficas se basan en la funcién de distribucién empitica F(t), que en seguida definimos. Dados los tiempos de fallat{(1), (2)... tn) enorden ascendente, silos tiempos de falla son diferentes, la funcién F(t) (véase figura 13.9) es una funcién escalonada con saltos de magnitud 1/n en cada tiempo de falla, de modo que al evaluarla en un tiempot arbitrario # de tiempos de falla menores 0 iguales af i= id total de tiempos de falla La funcién F'(t) se obtienesin suponer algiin modelo y es un estimador de la 7 nds Soo pas distribucién dela cual provienen los : datos. En los llamados papeles de probabilidad se grafican las parejas de puntos (tiempo a la alla, posicién de graficacién) = [t (i), '-0.5)/n], donde nes el total de tiempos de fallay ti) es el iésimo tiempo de falla. Los * valores de (i - 0.5)/n se llaman Teempe de fk posicionesde graficacién yresultande (UUSNED funsia dedeirtuc empiri posones de rateain laaltura promedio de la funcién de distribucién empirica entre los tiempos ti - 1) y (i), comose muestra enla figura 13.9. No se utilizan los vértices de la distribucién empirica porque seinduciria un sesgo. Si al graficar estos puntos sobre el papel probabilistico de una distribuciénsupuesta, éstos tienden a formar unalinea recta, eso sera unindicadorde que los datos no contradicen dicha distribucién supuesta, la cual puede tomarse como el modelo que describe los datos. Estimacién por minimos cuadradosy por méxima verosimilitud En la seccién anterior se estudié cémo se pueden usar las gréficas de probabilidad para estimar de manera grafica los parémetros de la correspondiente distribucién. En este apartado se describen los métodos analiticos mas usados para realizar tal estimacién. Minimos cuadrados. Las ecuaciones lineales dadas en la Ultima columna de la tabla 13.2 también proveen informa cién necesaria para estimar por minimos cuadrados a los parémetros de! modelo propuesto, ya que a partir de estas transformaciones se aprecia la relacién entre cada parmetrode una distribucién, asi como la pendiente de la recta y la ordenada al origen. Por ejemplo, para obtener los estimadores de minimos cuadrados del parametro @ de la distribucién exponencial, se capturan enel software las n parejas o puntos (t(i),In(1 p(i})) con i=1, 2, ...,n, y luego se ajusta una regresién lineal simple. Lapendiente de larectaes un estimadordel parametro 1/ , de acuerdo con la ecuacién linealizada. La hoja de calculo de Excel, dentro del complemento de anilisis de datos, incluye un procedimiento para estimarlos pardmetros de unalinea recta de regresién. Maxima verosimilitud. Es quizé el més usado para estimar los paré metros de un modelo, y consiste en maximizarla funcién de verosimilitud que describimos a continuacién.Una vez tomados los datos, se desea usarlos para determinar cudles de los posiblesvalores del pardmetro 8 son més plausibles o admisibles. Paraello, los datospueden considerarse un evento E en el espacio muestral de! modelo. La probabilidad de E puede ser determinada a partir de éste, y por lo general es funcién de los valores desconocidos del(los) parémetro(s) del modelo, P(E; 6). El estimador de maxima verosimilitud (emv) de 6 es el valor de 0 que maximiza P(E; 8), y se denota por 6°. 1(0) = ex PE; @) donde ¢ es una constante que no depende de @ . De acuerdo con lo anterior, en el caso de una variable aleatoria discreta (véase capitulo 3), laP (T=ti) es proporcionada por la funcién de probabilidad, P(T=ti) =f (ti), entonces la funcién de verosimilitud estaré dada por: L@;t) P(T= t;; 0) = f(t; 8) Varios modos de falla las unidades de pruebaen un estudio de fiabilidad pueden fallarde varias maneras, no sdlocon el tipo de falla que mas interesaen un momento dado. La informacién acercade distintos modos de falla debe incorporarse en el andlisis de los datos. Suponiendo que losdiferentes modos de falla son independientes, cada uno se analiza por separado; para ello, las unidades que fallaron debido a los otros modos de falla se toman como censuradas. Si C{t) es la funcién de confiabilidad para el modo de fallai, entonces la confiabilidad global del producto al tiempot considerando los k modos de falla es el producto: Get) = Git) x Glt) x... G(t) Es decir, para sobreviviral tiempo tes necesario hacerlo a todos los modos de falla. Del andlisis individual de un modo de falla se contestan las preguntas relevantes relacionadas con éste, mientras que del producto de confiabilidades, 0 bien, del andlisis conjunto de as fallas se da respuesta a las preguntas relacionadas con la confiabilidad global. Otra cuestién importante que surge es determinar cual de los modos de falla debe ser eliminado si se quiere mejorar en mayor medida la confiabilidad del producto y, en caso de poder eliminarlo, cual seria la nueva confiabilidad esperada. Confiabilidad de sistemas En algunos estudios el interés es determinar la confiabilidad de un sistema compuesto por diferentes partes 0 subsistemas, cada uno de ellos con su propio tiempo de falla. De tal forma que las confiabilidades de los componentes determinan la confiabilidad del sistema. Con frecuencia, los componentes de un sistema estan conectados en serie, en paralelo o en forma mixta. Cuando estén conectados en serie se requiere que todos los componentes funcionen para que, a su vez, el sistema funcione; pero cuando estén en paralelo, basta que uno de los componentes funcione para que el sistema también lo haga. Sistemas en serie. Suponga un sistema en serie con k componentes, cuyas confiabilidades son C1, Cy. Gi respectivamente. Bajo el supuesto de que trabajan de manera independiente, la confiabilidad del sistema es igual ala probabilidad de que todosfuncionen, por lo tanto esté dada por: A |B /C)\D C=C, xX Cy x... XC, puesto que se requiere que todos funcionen para que el sistema funcione. Esta es la llamada regla del producto de probabilidades. De manera que mientras mas largaes|a serie de componentes, la confiabilidad del sistemaes menor, ya que 0

    También podría gustarte