654 CAPITULO 13 OFTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS Supone que tanto los factores controlables como el de ruido se expresan como las variables cog caadas usuales (ex decir, estén centradas en cero y tienen limites inferior y superior 4). Si quisien Considerarse un modelo de primer orden que incluya las variables controlables, un modelo ligicu en Y= By +B.x, +Boxs +B,.uyay + Y45, $3,.445, +3y, nag +e (3-4) Obsérvese que este modelo incluye los efectos principales de ambos factor 10 principal de la variable de ruido. y las dos interaeciones entre las variables controlables y ka de ruido, A este tipo de modelo, el cual incorpora a las variables controlables y las de ruido, sicie llamrsele modelo de la respuesta o de reaccién. Excepto cuando al menos uno de los coeticien tes de regresion 6,, y 8,, sea diferente de cero, no existird ningtin problema de diseito robuste Una ventaja importante del enfoque del modelo de la respuesta es que tanto los factores contro: lables como Tos Factores de ruido pueden colocarse en un solo disefio experimental: es decir, pued evitarse la estructura de los arreglos interior y exterior del enfoque de Taguchi. Al disefio que conte. ne tanto los Factores controlables como los de ruido suele Hamérsele diseiio de arreglo combinado Como se seftal6 anteriormente, se supone que las variables de ruido son variables aleatoy atun cuando son controlables para los fines de un experimento, Especificamente, se supone quc loc variables de ruido se expresan en unidades codificadas, que tienen valor esperado cero, varianra -¥ que. en caso de haber varias variables de ruido, tienen covarianzas cero. Bajo estos supueston, es sencillo encontrar un modelo para la respuesta media tomando el valor esperado de en la ecuacién 13-4. Se obtiene asi controlables, el efge. E.0) = By +Bix, +B; donde el subindice z del operador esperado es un recordatorio para tomar el valor esperado con Fespecto d ambas variables aleatorias de la ecuacién 13-4, z, y €. Para encontrar un modelo de la varianza de la respuesta y, primero se reescribe la ecuacién 13-4 como sigue: tBaaty Bo +Bix, +Bor, +B, Ahora la varianza de y puede obtenerse aplicando el operador varianza en esta dltima expresién. El modelo resultante para la varianza es NXg $1, 48% +B y)49)z, +E V.Q) = 02, +8,,x, +815)? +0? De nueva cuenta, se ha usado el subindice z en el operador varianza como recordatorio de que tanto 5, como € son variables aleatorias. Se han derivado modelos simples para la media y la varianza de la variable de respuesta de interés. Obsérvese lo siguiente: 1. Los modelos de la media y la varianza incluyen tan sélo las variables controlables. Esto significa que es potencialmente posible fijar las variables controlables para alcanzat tun valor objetivo de la media y minimizar la variabilidad transmitida por la variable de ruido. 2. Aun cuando en el modelo de la varianza slo intervienen las variables controlables, tam- bign incluye los coeficientes de regresién de ta interaccién entre las variables controla- bles y la de ruido. Esta es la forma en que la variable de ruido influye en la respuesta. 3. El modelo de Ja varianza es una funeién cuadratica de las variables controlables.13.2 ESTUDIOS DE ROBUSTEZ DE PROCESOS 655 EI modelo de la varianza (dejando de lado 6°) es simplemente el cuadrado de la pendiente del modelo de la respuesta 0 de reacci6n ajustado en la direccién de la variable de ruido. Para dar un uso operacional a estos modelos: 1, Se realizaria un experimento y se ajusta piado, tal como ta ecuacién 13-4. Se sustituirian los coeficientes de regresién desconocidos en los modelos de fa media y la Varianza con sus estimaciones de minimos cusdrados del modelo de la respuesta o de reac- cién, y se sustituiria 6 del modelo de la varianza con el cuadrado medio de los residuales ‘que se encontrs cuando se ajust6 el modelo de la respuesta, Se optimizarian simulténeamente los modelos de la medi esto puede hacerse grificamente. Para una discusién mis optimizaci6n, referirse a Myers y Montgomery (1). fa. un modelo de la respuesta o de reaceitin apro: y la varianza, Con frecuencia ‘completa de los métodos de Es muy sencillo generalizar estos resultados. Suponer que hay & variables controlables x° : uly 7 variables de ruido z/ + <,]- El modelo general de la respuesta que incluye estas variables se escribi MX, 2) = f(x)+htx, 2) +e 35) donde fix) es la porci6n del modelo que incluye tinicamente las variables controlahles y ft. z) son los términos que incluyen los efectos principales de los factores de ruido y las interacciones entr Factores controlables y los de ruido. De manera tipica, la estructura de h(x, 2) es x2)= P73, +55, x los La estructura de (x) dependerd de cual sea el tipo de modelo que el experimentador considere apropiado para las variables controlables. Las elecciones légicas son el modelo de primer orden con interaccién y el modelo de segundo orden. Si se supone que las variables de ruido tienen me- dia cero, varianza 62 y covarianzas cero, y que las variables de ruido y los errores aleatorios © tienen covarianzas cero, entonces el modelo de la media para la respuesta es simplemente E.LMx,2)]= f(%) 113-6) Para encontrar el modelo de la varianza se usaré el enfoque de transmisién del error de la sec 7-7.2, Esto implica expandir la ecuaci6n 13-5 alrededor de z = 0 en una serie de Taylor de pr orden: h(x, 2) MX 2)= flx)+ YS? (z, Oe RE donde & es el residuo. Si se ignora el residuo y se aplica el operador varianza a esta tiltima expre- sidn, el modelo de la varianza para la respuesta es VL yx, 2)) = 6: (13-7)CAPITULO 13. OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS, Myers y Montgomery (1) presentan tna forma un tanto mis general de la ecuacién 13-7, basada en la aplicacién directa de un operador de varianza condicional al modelo de la respuesta de la ecua. cién 13-5, EJEMPEO 13-3\-=,5 16) «16 0/0 «+ 4410; SMI Ratet HeTeREOEraY O2 a LOE Para ilustrar un estudio de robustez del proceso, considérese un experimento [descrito en detalle en Montgomery (3)] en el que se estudiaron cuatro factores en un diseto factorial 2* para inv efecto sobre la velocidad de filtracién de un producto quimico. Se supondri que el factor 1, la mperatura, es dificil de controlar en el proceso a gran escala, pero que puede controlarse durante el experimento (el cual se Hevé a cabo en una planta piloto). Los otros tres factores, la presién (B), la concentracién (C), y la velocidad de agitacién (D), son ficiles de controlar. Por tanto, el factor de ruido =, es la temperatura, y las variables controlables x,.x, y.x, son la presidn, la concentracién y la velocidad de agitacién, respectivamente. Los experimentadores aplicaron el disefio 2° (sin réplicas) que se muestra en la tabla 13-4. Puesto que tanto los factores controlables como el factor de ruide nen el mismo disefio, el diseio factorial 2 utilizado en este experimento es un ejemplo de un disefio de arreglo combinado. Utilizando los métodos para analizar un disefio factorial 2! de! capitulo 12, el modelo de la respuesta 0 reaccién es Utilizando las ecuaciones 13-6 y 13-7, se encuentran los modelos de la media y la vari E.Ly(x, 2;)] = 70.06+ 4.94x, +73 Lx, zy VL y(x,2,)] = 02(10.81-9.06x, +8.31x,)° +0" = 6°(116.91+82.08x3 +69.06x7 ~195.88x, +179.66x, -150.58x,x,) +0" respeetivamente, Suponer ahora que los niveles bajo y alto de la variable de ruido temperatura se corrieron a una desviacién estindar a ambos lados de su valor tipico © promedio, de tal modo que y que se usa 6 = 19.51 (éste es el cuadrado medio de los residuales que se obtiene al ajustar el modelo de Ia respuesta 0 reaccién). Por lo tanto, el modelo de la varianga queda como V.[y(x, 2, )] = 136.42 = 195.88x, +179.66x, —150.58x,x, + 82.08x2 +69.06x? En la figura 13-12 se presenta la grifica de contorno de los contornos de la respuesta del modelo de la media, Para construir esta gritica, se fijé el factor del ruido (temperatura) en cero y cl factor controlable no significative (presién) tambien se fijé en cero. Obsérvese que la velocidad de filtra- cin promedio se inerementa cuando se incrementan tanto la concentracién como la velocidad de agitacién, En la figura 13-13 se grafica la raiz cuadrada de V.[y(x. z)]. Obsérvese que se presenta13-2 ESTUDIOS DE ROBUSTEZ DE PROCESOS 657. ‘Tabla 13-4 Experimento de la velocidad de filtraci6n en la planta piloto Velocidad de Namero de _____Factor___tiqueta de fitracién corida AB CD _tacorrida (gal/h) 1 = Pe a) 45 2 +S ae a n 3 = + = Re b 48 4 $a ee ab 65, 5 =) 435 ee © 68 6 +S 4 eee ac 60. 7 = ae be 80 8 + os ie abe 65 9 7 SiS See d 43 10 ee ad 100 in i ren bd 45 12 nae eae abd 104 13 at eh ee ed 15 4 Pear es acd 86 Is ee bed 70 16 + + + eens 96 una gréfica de contomno y una gréfica de superficie de respuesta tridimensional. Esta grifica también se construy6 haciendo cero el factor de ruido temperatura y el factor controlable no signiticativo. Suponer que el experimentador quiere mantener una velocidad de filtracién promedio de aproxi- madamente 75 asf como minimizar la variabilidad en tomo de este valor. En la figura 13-14 se muestra una grdfica de superposicién de los contornos de la velocidad de filtracién media y la 1 = concentracion X= velocidad de agitacion Figura 13-12 Contornos de velocidad de filtricién media constant, ejemplo 13-3, eon z, = temperatura =658 CAPITULO 13 OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS, 2.50 8) Gratica de contorne 28.5315 16.4748, 10.4465 441816 1) Gratica de superficie de respuesta Figura 13-13 Grafica de contorno y de superficie de respuesta dde-¥.[:04.2)] para el ejemplo 13-3, con temperatura =O. desviaci6n esténdar como una funcién de la conventracién y la velocidad de agitacién, las varia~ bles controlables significativas. Para conseguir los objetivos deseados, ser necesario mantener la concentracisn en el nivel alto y la velocidad de agitacién muy cerca del nivel intermedio, El ejemplo 13-3 ilustra el uso de un modelo de primer orden con interaccién como el modelo para los factores controlables, f(x). Se presenta ahora un ejemplo que incluye un modelo de segundo orden,13-2 ESTUDIOS DE ROBUSTEZ DE PROCESOS 459. 1.00) 0.50) 0.00] Pe “100-0500. 0501.00 = velocidad de agitacién Figura 13-14 Grifica de supeeposicién de la media y ka dewviaci6n estindar para la velocidad de filtracion, ejem- plo 13-3, con Z, = temperatura EJEMPLO 13-4 En una fabrica de semiconductores se realiz6 un estudio de robustez. del proceso que incluyé dos variables controlables x, yx, y un solo factor de ruido 2. En la tabla 13-5 se muestra el experiment que se realiz6 y en la figura 13-15 se presenta una representacién gréfica del disefio. Obsérvese que el diseiio experimental es un disefto central compuesto “modificada” en el que se han eliminado las Tabla 13-5 El diseno central compuesto modificado para el estudio de robustez del proceso del ejemplo 13-4 Corrida’ x a z y i = 1.00 = 1.00 = 1.00 73.93 2 1.00 1.00 = 1.00 81.99 3 = 1.00 1.00 = 1.00 77.03 4 1.00 1.00 = 1.00 99.29 5 1.00 ~ 1.00 1.00 70.21 6 1.00 = 1.00 00 97.72 7 = 1.00 1.00 1.00 83.20 8 1.00 1.00 1.00 125.50 9 1.68 0.00 0.00 64.75, 10 1.68 0.00 0.00 102.90 W 0.00 = 1.68 0.00 70.20 2 0.00 1.68 0.00 100.30 13 0.00 0.00 0.00 100.50 4 0.00 0.00 0.00 100.00 Is 0.00 0.00 0.00 98.86 16 0.00 0.00 0.00 103.90660 CAPITULO 13 OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS % $100.30 53.20 125.50 Figura 13-18 El diseao central compuesto mo- dificado del ejemplo 13-4 corridas axiales en la direccién z. Estas corridas pueden eliminarse porque el modelo no incluye hingtin término cuadrético (z*) en la variable de ruido, Utilizando la ecuaci6n 13-5, el modelo de la respuesta para este estudio de robustez del proceso es VX, 2)= FO) + AK Z)+E = Bo tBits +Bats +Buixl +Brad +Baayns bret Baye +3,r ce El ajuste de minimos cuadrados es S(X, 2) = 100.63+12.03x, +8.19x, ~ 6.103; +5552+4.94x2+2.55x,2 60x} +3.62x,x5 Por lo tanto, por la ecuacién 13-6, la media del modelo es E.[y(x, 2)] = 100.63+ 12.03x, +8.19x, -6.1 5.60x} +3.62x,x, Utilizando 1a ecuacién 13-7, el modelo de la varianza es (e D J be Vf 2)]= 0? a& = 07(5.5544.94x, +2.55x,)° +0" Se supondré (como en el ejemplo anterior) que del ajuste del modelo de la respuesta es MS, modelo de la varianza es 1, y como el cuadrado medio de los residuales 3.73, se usaré. 6’ = MS, = 3.73.Por lo tanto, el V.Ly(x, 2)] = (5.554+4.94x, + 2.55x,)° +3.73132. ESTUDIOS DE ROBUSTEZ DEPROCESOS 661 1.09, 1.00 o.o| 050 0.00 & 0.00] 050 080 -1.09 -1.09 hoo 050000 080 100 %.00 4 Gidea de conto 13. i787 102.661 ] 103693 2 92.5532) ls 758295 5 024053 Z 4.742594 723375 9320a/° 1.00 1.00 ) Gratica de superficie de respuesta Figura 13-16 Grifieas del modelo de la media, ejem- plo 13-4 1) Grafica de superficie de respuesta Figura 13.17_Guiicas de a desviacién etndar de a puesta LyV.[50-2]] dl ejemplo 13-4 En las figuras 13-16 y 13-17 se muestran las gréficas de contorno de la superficie de respuesta o reacciGn y las gréficas de superficie tridimensional dt la media del modelo y de la desviacion estindar /V.[»(x,2)], respectivamente. EI objetivo de los experimentadores en este estudio de robustez del proceso fue encontrar un conjunto de condiciones de operacién que dieran como resultado una respuesta media entre 90 y 100 con variabilidad baja. La figura 13-18 es una superposicién de los contornos 90 y 100 del modelo de la media con el contomo de la desviacién estindar constante de 4. La regién sin som- breado de esta grifi a indica las condiciones de operacién para x, y x,, donde los requerimientos para la respuesta media se satisfacen y la desviaciGn esténdar de Ia respuesta no ex: de 4.662 CAPITULO 13 OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS 1.00) 0.50 -0.50 =100° -0.50 000-050 1.00 in de los contornos de la media mplo 13-4 Figura 13-18 Supespos y la desviaci6n estindss, 13-3, OPERACION EVOLUTIVA En la mayoria de las técnicas de monitoreo de procesos se mide una 0 mas caracteristicas de la calidad de la salida, y si estas caracteristicas de la calidad son satisfactorias, no se hace ninguna modificacin en el proceso. Sin embargo. en algunas situaciones en las que hay una fuerte relacién entre una o mas de las variables controlables del proceso y la caracteristica de la calidad observada © variable de respuesta, en ocasiones pueden emplearse otras técnicas de monitoreo del proceso. Por ejemplo, suponer que un ingeniero quimico desea maximizar el rendimiento del proceso. El rendi- iento es una funcién de dos variables controlables del proceso, la temperatura (x,) y el tiempo (1): es decir, SU. )+€ donde € es un componente del error aleatorio. El ingeniero quimico ha encontrado un conjunto de condiciones o niveles de operacién para x, y x, que maximizan el rendimiento y proporcionan valo- res aceptables para todas las demas caracteristicas de la calidad. Este proceso de optimizacién pudo hhaberse hecho utilizando la RSM; sin embargo, incluso si la planta opera de manera continua en estos niveles, finalmente ocurriré un “desalineado” del éptimo como resultado de las variaciones en las materias primas, de los cambios ambientales, del personal de operacién, eteétera. Se requiere un método para el monitoreo y el mejoramiento continuo del proceso cuyo obje- tivo sea mover hacia el 6ptimo las condiciones de operacién 0 después de un “desalineado”. El método no deberd requerir modificaciones grandes o repentinas de las condiciones de operacién que pudieran interrumpir la produccién, La operacién evolutiva (EVOP, por sus siglas en in- glés) fue propuesta por Box (1) como un procedimiento de operacién con estas caracterfsticas. Estd diseniado como un método de operacién rutinaria en la planta que es levado a cabo por el133 OPERACION EVOLUTIVA 663 personal operativo con un minimo de asistencia del equipo de ingenieros de calidad o produc- cin. La EVOP hace uso de los principios del disefio experimental, el cual suele considerarse como un método de ingenierfa de calidad fuera de linea, Por tanto, la EVOP es una aplicacién en linea de los experimentos diseriados. La EVOP consiste en introducir de manera sistemitica pequefios ambios en los niveles de la variable independiente del proceso se le asigne un nivel “alto” y jo”. Se supone que los cambios en las variables son Jo suficientemente pequeiios para que no ocurran perturbaciones serias en la calidad del producto, pero lo suficientemente grandes para descubrir en dltima instancia mejoras potenciales en el des- npefio del proceso. En la figura 13-19 se muestran las cuatro combinaciones posibles de los niveles alto y bajo para dos variables x, yxy. Esta disposicisn de los puntos es el disefio factorial 2 introducido en el capitulo 12. Se ha incluido también un punto en el centro del disefio. De manera tipica, el disefio 2° estaria centrado en la mejor estimaciGn actual de las condiciones de oper Sptimas. Los puntos del disefio 2° se numeran 1, 2. 3, 4 y 5. Sean ¥,..¥.Yy., ¥ 0s valores observados: de la variable dependiente o de respuesta correspondientes a estos puntos. Después de que se ha corrido una observacién en cada punto del diseiio, se dice que se ha completado un ciclo. Recuér- dese que el efecto principal de un factor se define como el cambio promedio en la respuesta que produce un cambio de! nivel bajo al nivel alto del factor. Por tanto, el efecto de x, es la diferencia pro- medio entre las respuestas del lado derecho del diseiio de la figura 13-19 y las respuestas de! lado izquierdo, 0 Efecto dex, {Oy +¥I-O2 tysT 's] (13-8) Dstys- De manera similar, el efecto de x, se encuentra calculando la diferencia promedio en las respuestas de la parte superior del disefio de la figura 13-19 y las respuestas de la parte inferior, es decir, Efectode x, =H[(95+¥,)-(n #90) ts tys- oy (13-9) Si el cambio del nivel bajo al alto de x, produce un efecto que es diferente en los dos niveles de «x, entonces existe interacciGn entre x, y x,. El efecto de interaccién es Interaccién xxx, = 41), +s —¥4-Y% (13-10) 6 simplemente la diferencia promedio entre los totales de las diagonales de la figura 13-19. Des- pués de n ciclos, habré n observaciones en cada uno de los cinco puntos del disefio. Los efectos de Xj. ¥ SU interaccién se calculan sustituyendo las observaciones individuales ¥y, en las ecuaciones 8, 13-9 y 13-10 con los promedios 5, de las n observaciones en cada punto, Después de completar varios ciclos, una o més variables del proceso, 0 su interaccién, quiz parezcan tener un efecto significativo sobre la variable de respuesta y. Cuando esto ocurre, debe664 CAPITULO 13 OPTIMIZACION DE PROCESOS CON) PERIMENTOS DISENADOS Figura 13-19 Diseno factorial 2 tomarse una decision para cambiar las condiciones de operacién basicas a fin de mejorar la salida del proceso. Cuando se detectan condiciones mejoradas, se dice que se ha completado una fase Para probar la significacién de las variables e interacciones del proceso, s¢ necesita una estima: cciGn del error experimental. Esta se calcula a partir de los datos del ciclo. Al comparar la respuesta en el punto central con los 2* puntos de la porcién factorial, puede verificarse Ia presencia de curvatura en la funcién de respuesta; es decir, si el proceso en realidad se encuentra centrado en ef méiximo (por ejemplo), entonces la respuesta en el centro deberd ser significativamente mayor que las respuestas en los 2 puntos periféricos. En teorfa, la EVOP puede aplicarse a un niimero arbitrario de variables del proceso. En la prictica, es comin considerar tan s6lo dos o tres variables a la vez. Se presentaré un ejemplo del procedimiento para dos variables. Box y Draper (5) ofrecen una discusién del caso de tres varia- bles, incluyendo las formas y las hojas de trabajo necesarias. Myers y Montgomery (1) indican la manera en que los célculos de la EVOP pueden efectuarse facilmente con paquetes de sofiware de estadistica para diseiios factoriales, EJEMPEO 3S «iis guise niet ee ce Considérese un proceso quimico cuyo rendimiento es una funcién de la temperatura (x,) y la presién (z,). Las condiciones de operacién actuales son x, = 250°F y x, = 145 psi. El procedimiento EVOP utiliza el disefio 2? més el punto central que se muestra en la figura 13-20. El ciclo se completa corriendo cada punto del disefio en el orden numérico (1, 2, 3, 4, 5). En la figura 13-20 se muestran los rendimientos del primer ciclo. Los rendimientos del primer ciclo se anotan en la hoja de cdlculos EVOP que se muestra en le tabla 13-6. Al final del primer ciclo no puede hacerse ninguna estimacién de la desviacién estandar. Los célculos de los efectos principales de la temperatura y la presién y su interaccién se muestran en la mitad inferior de la tabla 13-6. Se corre después un segundo ciclo y los datos del rendimiento se registran en otra hoja de cdlculos EVOP, la cual se muestra en la tabla 13-7. Al final del segundo ciclo puede estimarse el error experimental y hacerse la comparacién de las estimaciones de los efectos con limites aproxima- dos del 95% (dos desviaciones estandar). Obsérvese que el rango se refiere al rango de las diferencias del renglén (iv); por tanto, el rango es +1.0 - (1.0) = 2.0. Puesto que ninguno de los efectos de 1a Bh Eh Ef Ef133 OPERACION EVOLUTIVA 665 Figura 13-20. Diseno 2 pra el ejemplo 13-5. tabla 13-7 excede sus Ifmites del error, probablemente el verdadero efecto sea cero, y no se contem- plan cambios en las condiciones de operacién. En la tabla 13-8 se muestran los resultados de un tercer ciclo. Ahora, el efecto de la presién excede su limite del error y el efecto de la temperatura es igual al limite del error. Probablemente ahora se justifique un cambio en las condiciones de operacién, Tabla 13-6 Hoja de célculos EVOP—ejemplo 13-5, n = 1 4 f Ciclo: n= 1 Fase 1 Respuesta: Rendimiento Fecha: 6-14-00 Céeuto de ta Cilculo de tos promedios aenieitaeal vais Condiciones de operacién Des, “Dior D coalMe ould (i) Suma del ciclo anterior Suma anterior § ') Promedio del ciclo anterior Promedio anterior S Git) Nuevas observaciones «$45 842 849 BAS 84.3. Nueva S=rango Xf, ,= (iv) Diferencias [(i) ~ Gi) Rango de (iv) (v) Nuevas sumas [(i) + (iii)] 84.5 84.2 849 845 84.3 Nueva suma S$ = (wi) Nuevos promedios (5,=(0)/n] 84.5 84.2 84.9 84.5 84.3. Nuevo promedio 5 = Nueva suma $ T Efecto de la temperatura Efecto de la presién = Caileulo de los efectos 54) = 0.25 Efecto de la interaccién Tx P = 1(5,+3,—¥,—¥,)=0.15 Ffeeto del cambio en la media = Caleulo de los limites del error 2 Para el nuevo promedio, > a Para los nuevos efectos Te Para el cambio en la media666 CAPITULO 13. OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS Tabla 13-7 Hoja de célculos EVOP para el ejemplo 13-5, n = 2 os 1 Fase | Esl, Rendimiento Fecha: 6-14-00 F Caleuto de ka Caleulo de los promedios desviacién estiindar Condiciones: de operacién oO @ ® @ © (i) Suma det ciclo anterior B45 842-849 945 84.3 Suma anterior S = (ii) Promedio det ciclo anterior 94.5 84.2 84.9 BLS. -84.3——_Promedio anterior S (iii) Nuevas observaciones B49 84.6 85.9 835 84.0 Nueva S=rangox/,, Aiv) Diferencias [(ii) ~ Gi] -04 -04 -10 +10 03. Rango de ivy=20 (v) Nuevas sumas ((i) + (ii)] 169.4. 168.8 170.8 168.0 168.3. Nueva suma $ = 0.60 (vi) Nuevos promedios 84.70 8440 85.40 $4.00 84.15 Nuevo promedio $ Ik =(y/n) _ Nueva suma S asus = 0160 Efecto de la temperatura = Para el nuevo promedio 7-$= 08S 2 Efecto de la presion = (7, +. -¥,-7,)= 0.58 Para los nuevos efectos as 993 Efecto de la interaccién Tx P = (5, + Ls Para el cambio en la media —5=0.76 Efecto del cambio en la media A Ia luz de los resultados, parece razonable empezar una nueva fase EVOP alrededor de! punto (3). Por tanto, x, = 25°F y x, = 150 psi serfan el centro del disefto 2? en la segunda fase Un aspecto importante de la EVOP es la retroalimentacién de la informacién generada para los operadores y supervisores del proceso. Esto se consigue mediante un tablero con Ia informa- cién EVOP a la vista de todos. En la tabla 13-9 se muestra el tablero de informacién del final del ciclo 3 para este ejemplo. La mayorfa de las cantidades de la hoja de calculos EVOP se siguen directamente del andlisis del disefto factorial 24. Por ejemplo, la varianza de cualquier efecto, tal como 41 Is simplemente vt VEG +5, Ho}, +03, +03, +62) 4(407 donde 6” es la varianza de las observaciones (¥). Por tanto, los limites del error de dos desviaciones13-3, OPERACION EVOLUTIVA 667 Tabla 13-8 Hoja de calculos EVOP para el ejemplo 13-5, n = 3 5; 4] Ciclo: n =3 Fase 1 a ii Respuesta: Rendimiento Fecha: 6-14-00 Giileulo de Calculo de los promedios desviacién esténdar Condiciones de operacién @ 86) Sa 6) (i) Suma del ciclo anterior 169.4. 168.8 170.8 168.0. 168.3. Suma anterior $ = 0.60 (id) Promedio del ciclo anterior 84.70 84.40 85.40 84.00 84.15. Promedio anterior S = 0.60 (iii) Nuevas observaciones 85.0 84.0 86.6 84.9 85.2 Nueva S=rango xf, = 0.56 (iv) Diferencias ((ii) - (iii)] 0.30 4 040 = 1.20 + 0.90 ~ 1.05 Rango de (iv) = 1.60 (v) Nuevas sumas [(i) + (ii)] 254.4 2528 2574 252.9 5 Nueva suma $= 1.16 (vi) Nuevos promedios 84.80 84.27 85.80 84.30 84.50 Nuevo promedio S ial ‘Nueva ee 58 Caleulo de los Calculo de los efectos limites det error Bfecto de la temperatura = 0.67 Para el nuevo promedio. 7 Efecto de la presion =4(F, +3 -Ty 2 Para los nuevos efectos “7-5 = 0.67 Efecto de la imteraccién Tx P UB s- 060 Efecto del cambio en la media = 4(F, +3, +, +¥,~47,)=-0.07 Paru el cambio en la media estindar (que corresponden aproximadamente al 95%) para cualquier efecto serfan +26/-yn.La varianza del cambio en la media es V(CIM) = VI3.; +¥; -F, -F, -—45,)] ips 20s 403 +1603) =o aoe 135 0 Por tanto, los limites del error de dos desviaciones esténdar para el CIM son +26,/(20/25)n = £1.780/y/n. Para mayor informacién sobre el disefio factorial 2!, ver el capitulo 12 y Montgo- mery (3). La desviacién esténdar 6 se estima por el método del rango. Sea que y(n) denote la observa- cin en el i-€simo punto del disefio en el ciclo n, y que ¥,(n) denote el promedio correspondiente de y(n) después de n ciclos. Las cantidades del renglén (iv) de la hoja de célculos EVOP son las diferencias y,(n)—J,(1—1). La varianza de estas diferencias es VLy,(n)—,(n-1) =07[nn—1)} El rango de las diferencias —por ejemplo R,,— se relaciona con la estimacién de la distribucién de las668 CAPITULO13._OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS ‘Tabla 13-9 Tablero de informacién EVOP, ciclo tres Respuesta: Rendimiento en por eiento Fequerimionto: Maximizaro. faa.s0 150 a eee lear 8430 etetnnen lo 2S 380208 Temperatura etn oes bs tee P 140 Efectos com limites del Limites del error para error del 95% promedios: + 0.67 Temperatura 0.67 +067 Presién 087 +067 TxP 0.64 +067 Cambio en la media 0.07 +060 a OR Desviacion estindar: 058 Tabla 13-10 Valores de f,, a= a 4] 4 Si 6 7 8 9 10 k=5 030035037038 +~=—039.-=«0AD~=SCO~CO.~COAL oer 024 027 029 030 031 031 =o] )S2oa2 10 0230.26 = 028029030 00300300310 diferencias por 6 = Ry /d,.Ahora bien, R,,/d, = Gyn/(n=N), por lo que puede usarse para estimar la desviaci6n esténdar de las observaciones, donde denota el niimero de puntos que s¢ utilizaron en el disefio. Para un disefio 2° con un punto rentral se tiene k = 5, y para un disefio 2° con un punto central se tiene k = 9. Los valores de f,, se dan en la tabla 13-10. 1324 EQERCECIOS)| At 13-1. Considerar el modelo de primer orden 13-2, Considerar el modelo de primer orden J=75+10r,+6x, 3=50428,~ 154, +3x, donde “1 << +1, = 1,2,3 eee ee Encontrar Ia direceién del ascenso més pro- dicha constante en el rango nunciado, “IS, S417= 1,2 13-3. Se corrié un experimento para estudiar el +) Encontrar la direccién del ascenso més efecto de dos factores, el tiempo y la tempe- ronunciado, ratura, sobre los niveles de impurezas inor-134 EJERCICIOS §— 669. ‘génicas en pulpa de papel. Los resultados de by Encontrar las dos ecuaciones dadas por este experimento se muestran abajo: e ox. x a a aH Demostrar que la solucin de estas ecu S Tee sae alas sn ; ciones para tis condiciones dptimas +, Hd si od > x, s0n igus a as que se encontraron af la aad aan mente en el inciso a 4 h ee En un articulo de Rubber Chemistry and iy ? ia Technology (Vol. 47, 1974, pp. 825-836) se - 4 describe un experimento para estudiar la re- @ el Ss ve lacién entre la viscosidad de Mooney del cau- d Be a cho con varias variables, incluyendo el relleno q ere de slice (partes por centena) y e elleno graso 2 (partes por centena), Parte de los datos de 4 oh Bie este experimento se muestran abajo, donde 0 i m 4) {Qué tipo de diseito experimental se uti- liz6 en este estudio? {EI diseno es rota- be? ) Ajustar un modelo cuadritico a la res ese ea puesta, utlizando el método de minimos ees oe inte cuadrados. Si 1 1287 ©) Constrir la superficie de respuesta ajus- i oe es tada de las impurezas. {Qué valores de iy aeece eee x, ¥ X, se recomendarian si se quisiera Nie Rig ots ies minimizar el nivel de impurezas’ eam ae 4) Suponer que 0 14 1290 temperatura — iempo—3 ° o 1375 7 See ae ° 0 13.66 ° 0 13.86 donde la texsperstura esta en °C y el tiempo fF oe ae en horas. Encontar las condiciones de ope- 5 Oa et racién éptimas de ls variables naturales tem- seems at awl peratura y tiempo. 42) {Qué tipo de disefo experimental se uti- 13-4. Un modelo de superficie de respuesta de se- Ti26? {Es rotable? sgundo orden en dos variables es b) Ajustar un modelo cuadrético a estos datos. {Qué valores de x, Y x, maximi- 69.04 1.6x, + Tex — Lx) zarfin Ia viscosidad de Mooney? 128 ¥03%8, 13-6. En su libro Empirical Model Building and Response Surfaces (John Wiley, 1987), G.E. a) Generar una grifica de contorno bidi- BORON Ke Dispet Yesccben un expesi- mensional para este modelo en la regién mento con tres factores. Los datos que se “24,542, /= 1,2. seecciona los asearey GSH etlente soa una vo. valores de x, y.x, que maximicen riante del experimento original de la pagina670 cAPiTUL 247 de su libro. Suponer que estos datos se recabaron en un proceso de manufactura de semiconductores, fo ee Ye = 11 e700 12.49 O -1 =1 12033 839 ati fie Seyeigya.67 42.83 =P 0-1 86.00 “3.46 0 -1 13663 80.41 0 10 =1 34067 16.17 jeeat 233" 27.57 1 1 o -1 25633 4.62 1 -1 21167 23.63 See peeeo weston 0.00 Ove HOMIMOLET 17.67 1 fleyag0 357.00 3291 = 0 0 alas 1s01 0 0 0 37200 0.00 1 0 0 501.67 92.50 -1 1 0 26400 63.50 0 1 0 427.00 88.61 Weg t , 0Ee waveT - aie SU gol?” 7 220671 eae?) oO -1 1 23967 23.46 Ty got aly 42200 1852 -1 0 1 199.00 29.44 0 0 1 48533 44.67 De Ota aerse7 betsy Slo gale: IetreeT 351 0 1 1 501,00 138.94 lags 1010.00 142.45 a) La respuesta y, es el promedio de tres lecturas de la resistividad hechas en una sola oblea. Ajustar un modelo cuadriti- co a esta respuesta, b) La respuesta y, es la desviacién estin- dar de las tres mediciones de la resisti- vVidad. Ajustar un modelo de primer or- den a esta respuesta, ©) {Cuil serfa la recomendacién para los valores de x,, x, y x, si el objetivo es mantener la resistividad media en 500 y tainimizar la desviacién estindar? 13. OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS 13-7. En un articulo de J. J. Pignatiello, Jn, y J, 5 Ramberg publicado en Journal of Quatiry Technology (Vol. 17, 1985, pp. 198-206) se describe el uso de diseno factorial frac cionado con réplicas para investigar el efee to de cinco factores sobre la altura libre de los resortes de hojas usados en cacién automotriz, Los Factores son A = temperatura del homo, B = tiempo de calen tamiento, C = tiempo de transferencia, D = tiempo de compresién y E = temperatura del aceite de templado. Los datos se muest abajo. eee Teal ego ae SiS Bee © seat — 150, 7.56, 7.50 Baa tees, 2756, 704 - = + 4 = 9754. 8.00, 7.88 + - + = = 769, 8.09, 8.06 — + + - 156, 752, 7.44 + + tot 156, 781, 7.69 So BecRoet ated. 725, 712 Ts acct ates ASt) 188 744 - + - + + 150, 756, 7.50 eo cada acne 1.1076. - > + + + 732, 744 7.44 +o + = ETS, “769, 7.62 Suet | + Ot ehaeaaey. 7,18, 7.25 4 40+ 4 + 781, 750, 759 a) Excribir la estructura de los alias de este disefio. ;Cual es la resolucién de este di sefio? +b) Analizar los datos. {Qué factores influ yen en la altura libre media? ‘ ©) Caleular el rango y la desviacién estin- dar de la altura libre para cada corrida ‘Hay alguna indicio de que estos facto- res afectan la variabilidad de la altura libre? d) Analizar los residuales de este experi- ‘mento y comentar Jos resultados.13-9, 13-10. ©) {Este es el mejor diseio posible para ‘cinco factores en 16 corridas? Espectfi- ccamente, {podria encontrarse un diseiio fraccionado para cinco factores con 16 corridas con una resolucién mayor que esta? Considerar el experimento de los resortes de hhojas del ejercicio 13-7. Suponer que el fac tor E (temperatura del aceite de templado) es muy dificil de controlar durante 1a mar factura, Se quiere que la altura media del re- sorte esté tan cerca de 7.50 como sea posible ‘con una variabilidad minima, ;Dénde se ajus- {arian los factores A. B, Cy D para reducir la variabilidad de Ta altura libre tanto como sea posible independientemente de la tempera- tura del aceite de templado usada? Considerar el experimento de los resortes de hojas del ejercicio 13-7. Resolver de nuevo el problema, suponiendo que los factores A, By C son ficiles de controlar y que los fac- tores D y E son dificiles de controlar. Los datos que se muestran en Ja tabla siguien- te se colectaron en un experimento para op- 7 Fi Br y -t 66 = I 70 -1 S2eee2 1B 13-12. 134 ByERCICIOS ~— 671 timizar el crecimiento de cristal como una funcién de tres variables x, x, y x,. Son de- seables los valores grandes de y (rendiraien to en gramos). Ajustar un modelo de segundo, orden y analizar la superficie ajustada, ;Bajo que conjunto de condiciones se consigue ef crecimiento maximo? Lox datos siguientes fueron colectados por un ingenicto quimico. La respuesta y es el tiempo de filtracién, x, es la temperatura y ces la presisn. Ajustar un modelo de segundo orden. =I =1 4 1 t 45 1 -1 32 1 1 7 = 1414 0 50 1414 0 33 0 -1414 47 0 14451 0 0 41 0 0 39 0 ° 4 0 0 42 0 0 40 4) {Qué condiciones de operacisn se re- comendarian si el objetivo es minimi- zar el tiempo de filtracién’? 4) ,Qué condiciones de operacién se re- comendarian si el objetivo es operar el proceso con una velocidad de filtracién ‘media muy proxima a 46? Considerar de nuevo el experimento del cre- cimiento de cristal del ejercicio 13-10. Supo- nner que x, = es ahora una variable de ruido, ¥ que se ha realizado el disefio experimental modificado que se muestra abajo. Los expe- rimentadores quieren una velocidad de ereci- miento tan grande como sea posible, pero también quieren que sea pequeiia la variabili- dad transmitida por z. ;Bajo qué conjunto de condiciones se consigue un crecimiento ma- yor que 90 con variabilidad minima?672 CAPITULO 13 a ee =t -1 -1 (66 -1 -1 fe a) -1 feels 7 ry 1 1 60 1 eqs St? 80 ' <1 i 70) ' 1-1 100 ' 1 Nears = 1.6820 0 100 16820 ie sr50) 0 = 1682 0 68 0 1682 0 63 0 0 0 1B 0 0 0 100 0 0 o 1B o 0 0 88 0 0 0 100 0 0 pro 13-13, Considerar el modelo de Ia respuesta de la ecuacién 13-5 y el enfoque de la transmision del error para encontrar el modelo de la 13-14, OPTIMIZACION DE PROCESOS CON EXPERIMENTOS DISENADOS varianza (ecuacién 13-7). Suponer que en e modelo de Ia respuesta se usa Gaz) = is ye, x2, se {Qué efecto tienen las variables de ruid so. bre el modelo de la i términos de interace Considerar el modelo de la respuesta de ta ecuacién 13-5. Suponer que en el moxielo de la respuesta se considera un modelo de se- undo orden completo en los factores de rie do de tal modo que n= Das LSI. Bade yed) +e 3 za. incluyend los Qué efecto tiene esto sobre el modelo detaMuestreo de aceptacion La inspeccién de materias primas, de productos semiterminados 9.de productos terminados es uno de los aspectos del aseguramiento de calidad. Cuando la inspecci6n se hace para fines de aceptacién © rechazo de un producto, con base en el cumplimiento de un estandar, el tipo de procedimiento de inspeccin empleado acostumbra llamarse muestreo de aceptaciGn. Esta secci6n presenta dos capitu- los que tratan del disefioy/ uso de planes, esquemas y sistemas de muestreo. La atencién se centra en el muestreo de aceptacién lote por lote. Enel capitulo 14 se presentan los planes de muestreo de aceptaci6n lote por lote para atributos, En este capitulo se incluye una discusién de estindar MIL STD 10SE y su contraparte civil ANSI/ ASQC Z..4. Los planes de’ muestreo por variables se presentan en el capitulo 15, incluyendo el esténdar MIL STD 414 y su contraparte civil ANSVASQC Z.L.9, junto con un estudio de varios t6picos titiles en el muestreo de aceptacién, incluyendo los planes de muestreo en cadena, los planes de muestreo para produccién continua y los planes de muestreo por salto de lote.674 PARTE V MUESTREO DE ACEPTACION reduccin de la variabilidad. El uso exitoso de estas técnicas en las fases iniciales de la manufactu. 1a, incluyendo al proveedor, puede reducir en gran medida ta necesidad de una inspe extensiva, y en algunos casos eliminarla i6n1 muestra~ Muestreo de aceptacion te por lote para PLAN GENERAL DEL CAPITULO 14-1 EL PROBLEMA DEL MUESTREO DE ACEPTACION 14-11 Ventajas y desventajas del muestreo 14-1.2 Tipos de planes de muestreo 14-1.3 Formacién de lotes 14-1.4 Muestreo aleatorio 14-1.5 Lineamientos para usar el muestreo de aceptacién PLANES CON UNA SOLA MUESTRA. PARA ATRIBUTOS 14.2.1 Definicién de un plan con una sola muestra 14-2.2 La curva OC 14.2.3 Disefio de un plan de una sola muestra con una curva OC especificada 142 14.2.4 Inspecci6n con rectificacién 143 144 145 MUESTREO DOBLE, MULTIPLE Y SECUENCIAL 14-3.1 Planes de muestreo doble 14-3.2 Planes de muestreo mltiple 14-3.3 Planes de muestreo secuencial MILITARY STANDARD 10SE (ANSUASQC Z1.4, ISO 2859) 14-4.1 Descripeién del esténdar 14-4.2 Procedimiento 14-43 Discusién LOS PLANES DE MUESTREO DE DODGE- ROMIG 14-5.1 Planes AOQL, 14-5.2 Planes LTPD 14.5.3 Estimacién del promedio del proceso,676 VISION BREVE DEL CAPITULO CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS En este capitulo se presentan los planes de muestreo de aveptacién lote por lote para atributos. Entre los t6picos clave se encuentran el diseiio y operacién de los planes de muestreo nico, el uso de Ig curva de operacién caracteristica y los conceptos de inspeccién con rectificacién, calidad de satidg promedio e inspeceién promedio total. Se hace una breve introduccién de los conceptos similares para los tipos de planes de muestreo cuando puede tomarse mas de una muestra para determinar ef destino de un lote (muestreo doble, miltiple y secuencial). Se presentan asimismo dos sistemas de Planes de muestreo estindares, los planes de estndares militares conocidos como MIL STD 10SE y Jos planes de Dodge-Romig. Estos planes estén disefiados alrededor de filosofias diferentes: el estindop MIL. STD 103E se enfoca en el nivel de calidad aceptable, mientras que los planes de Dodge-Romig se orientan en tomo de la perspectiva de la tolerancia del porcentaje defectuoso en un lote o del limite de la calidad de salida promedio, 14-1 EL PROBLEMA DEL MUESTREO DE ACEPTACION Como se seftal6 en el capitulo 1, el muestreo de aceptacién se ocupa de la inspeccién y la toma de decisiones respecto de los productos, uno de los aspectos mas antiguos del aseguramiento de calidad, En los afios 1930 y 1940, el muestreo de aceptacién era uno de los componentes principales del campo del control estadistico de calidad, y se utilizaba principalmente en la inspeccién de entrada 0 recepci6n. En afios més recientes, ha llegado a ser comiin el trabajo con los proveedores para mejorar el desempefio de sus procesos mediante el uso del SPC y de experimentos disefiados, en vez de cor tanto en el muestreo de aceptacién como la herramienta principal de! aseguramiento de calidad. Una aplicacién tipica del muestreo de aceptaci6n es la siguiente: una compaiiia recibe un embarque del producto de un proveedor. Este producto es por lo general un componente o materia prima usada en el proceso de manufactura de la compafifa. Se toma una muestra del lote y se inspec- ciona alguna caracteristica de la calidad en las unidades de la muestra. Con base en la informacién de esta muestra, se toma una decisién respecto del destino del lote. En general, esta decisién es aceptar © rechazar el lote, En ocasiones se hace referencia a esta decisién como la dictaminacién del lote. Los lotes aceptados se incorporan a la produccién; los lotes rechazados pueden devolverse al provee- dor o someterse a otra aecién de disposicién del lote. Aun cuando se acostumbra considerar el muestreo de aceptaci6n como una actividad de’inspec- cidn de recepci6n, existen otros usos de los métodos de muestreo. Por ejemplo, es comin que un fabricante haga muestreos e inspecciones de su propio producto en varias etapas de la produccién, Los lotes que son aceptados se remiten al procesamiento subsecuente, y los lotes rechazados pueden reprocesarse 0 desecharse. Tres aspectos del muestreo son importantes: 1." El propésito del muestreo de aceptacién es dictaminar los lotes, no estimar su calidad. La ‘mayoria de los planes de muestreo de aceptacién no se disefian para fines de estimacién. 2. Los planes de muestreo de aceptacién no proporcionan ninguna forma directa de control de calidad, El muestreo de aceptaciGn se limita a aceptar algunos lotes y a rechazar otros. Incluso si todos los lotes son de la misma calidad, el muestrero aceptard algunos y rechazaré otros, sit que los lotes aceptados sean mejores que los rechazados. Los controles del proceso se usaf para controlar y mejorar sisteméticamente la calidad, pero no asi el muestreo de aceptacion. 14-14-1 EL PROBLEMA DEL MUESTREO DE ACEPTACION 677 3. El uso mis efectivo del muestreo de aceptacién no es para “inspeccionar la calidad de un producto”, sino més bien como una herramienta de auditoria a fin de asegurarse de que la salida de un proceso cumple con los requerimientos. En general, hay tres enfoques para la dictaminacién de lotes: 1) la aceptacién sin inspeccién; 2) la inspeccién del 100% —es decir, la inspeccién de cada articulo del lote, para sacar todas las unida- des defectuosas! encontradas (Ias unidades defectuosas pueden devolverse al proveedor, reprocesarse, reemplazarse con articulos satisfactorios comprobados, 0 descartarse); y 3) el muestreo de acepta- cin. La alternativa sin inspecci6n es itil en situaciones en que el proceso del proveedor es tan bueno que casi nunca se encuentran unidades defectuosas 0 cuando no existe justificacién econd- mica para buscar unidades defectuosas. Por ejemplo, si el indice de capacidad del proceso del pro- veedor es 3.0 4, es poco probable que en un muestreo de aceptacién se descubra alguna unidad defectuosa. La inspeccién del 100% se emplea generalmente cuando el componente es en extremo critico y dejar pasar unidades defectuosas daria como resultado un costo por fallas inaceptablemente elevado en las etapas subsecuentes, 0 cuando la capacidad del proceso del proveedor es inadecuada para cumplir con las especificaciones. El muestreo de aceptaciGn probablemente serd de mayor uti- lidad en las siguientes situaciones: 1, Cuando tas pruebas son destructivas, 2. Cuando el costo de la inspecci6n del 100% es muy alto. 3. Cuando la inspeccién del 100% no es tecnolégicamente factible 0 requerirfa tanto tiempo de calendario que se impactarfa seriamente Ia programacién de la produccién. 4. Cuando son muchos los articulos por inspeccionar y la tasa de los errores de inspecci6n es tan elevada que la inspeceién del 100% podria hacer que se aprobara un porcentaje mas alto de unidades defectuosas que con la aplicaci6n de un plan de muestreo. 5. Cuando el proveedor tiene un historial de calidad excelente, y se desea cierta reduccién en la inspeccién del 100%, pero la capacidad del proceso del proveedor es lo suficientemente baja para hacer que la cancelacién de la inspeccién no sea una alternativa satisfactoria, Cuando existen riesgos de responsabilidad legal del producto potencialmente serios y, aun cuando el proceso del proveedor sea satisfactorio, se necesita un programa de monitoreo continuo del producto. 14-1. Ventajas y desventajas del muestreo Cuando el muestreo de aceptacién se compara con la inspeccién del 100%, presenta las siguientes ventajas: 1, Suele tener costos més bajos, debido a que hay menos inspeccisin. 2. Hay menos manejo del producto y, en consecuencia, se reducen los dafios. 3. Puede aplicarse en las pruebas destructivas. 4, Menos personal participa en las actividades de inspeccién. 5. Con frecuencia reduce en gran medida la cantidad de errores de inspeccién. En capitulos anteriores se usaron os términos “disconforme” y “disconformidad’ en lugar de defectuoso y defecto. Esto se debe a que el significado popular de defectuoso y defecto difiere de su significado téenico y ha causado considerable confi sin, particularmente en los litgios de responsabilidad legal. Sin embargo, en el campo de a inspeccién muestral “defectuo- 0” y “defecto” siguen usdndose en su sentido téonico —es decir, la falta de conformidad con los tequerimiento.678 14-1.2 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS 6. El rechazo de lotes completos, por oposicién a la simple devolucién de las unidades de. fectuosas, con frecuencia proporciona una motivacién mayor para que el proveedor atien. da el mejoramiento de calidad. Sin embargo, el muestreo de aceptacién también presenta varias desventajas. Entre ell ccuentran: jas se ene Existe el riesgo de aceptar lotes “malos” y de rechazar lotes “buenos” 2. Por lo general se genera menos informacién acerca del producto o acerca del proveso con que se fabrie6 el producto. 3. El muestreo de aceptacién requiere la planeacién y documentacién del procedimiento de muestreo de aceptacién, mientras que la inspeccién del 100% no, ‘Aun cuando este tiltimo punto suele mencionarse como una desventaja del muestreo de aceptacién, el disefio apropiado de un plan de muestreo de aceptacién generalmente requiere estudiar el nivel de calidad real requerido por el consumidor. Este conocimiento resultante suele ser un recurso titi en la planeacién global de la calidad y en el proceso de ingenieria, Por tanto, quizé no sea una desventa- {ja significativa en muchas aplicaciones. Se ha sefialado que el muestreo de aceptaci6n es un “terreno intermedio” entre los extremos de Ja inspeccién del 100% y no hacer ninguna inspecci6n, Muchas veces proporciona una metodologia para moverse entre estos dos extremos cuando se obtiene informacién suficiente sobre el control de! proceso de manufactura con que se produce el producto. Aun cuando no existe un control de calidad directo en la aplicacién de un plan de muestreo de aceptacién en un lote aislado, cuando dicho plan se aplica a una serie de lotes de un proveedor, se convierte en un medio para brindar proteccién tanto para el productor del lote como para el consumidor. Proporciona asimismo una acumulacién del historial de calidad respecto del proceso que produce el lote, y puede brindar retroalimentacién que sea de utilidad en el control del proceso, como determinar cusndo no son adecuados los controles de! proceso en la planta del proveedor. Por tiltimo, puede ejercer presién econdmica o psicoligica sobre el proveedor para que mejore el proceso de produccién. Tipos de planes de muestreo Existen varias manera diferentes de clasificar los planes de muestreo de aceptacién. Una clasific cin principal es por atributos y variables. Las variables son, desde luego, caracteristicas de la cali- dad que se miden en una eseala numérica. Los atributos son caracteristicas de la calidad que s ‘expresan en una base “pasa, no pasa”, Este capitulo se ocupa de los planes.de muestreo de aceptacién Jote por lote para atributos. Los planes de muestreo por variables son el tema del capitulo 15, junto con una breve discusién de varios procedimientos especiales del muestreo de aceptacién. Un plan de muestreo tinico es un procedimiento para dictaminar lotes en el que se selecciona al azar una muestra de n unidades del lote, y el destino del lote se determina con base en la informacién contenida en esa muestra. Por ejemplo, un plan de muestreo tinico para atributos constaria de un tamafo de la muestra ny un ntimero de aceptacién c. El procedimiento operaria de Ia siguiente manera: se seleccionan n articulos al azar del lote. Si hay co menos unidades defectuosas en la 14-14-1.3 14-1 EL PROBLEMA DEL MUESTREO DE ACEPTACION 679 muestra, el lote se acepta, y si hay més de ¢ articulos defectuosos en el lote, éste se rechaza. En la seccién 14-2 se investiga en detalle este tipo de plan de muestreo. Los planes de muestreo doble son un tanto mas complicados. Después de una muestra inicial se toma una decisién con base en la informacién de esa muestra para 1) aceptar el lote, 2) rechazar el lote, 0 3) tomar una segunda muestra. Si se toma la segunda muestra, Ia informacién de la primera y la segunda muestra se combina para llegar a la decisi6n de aceptar 0 rechazar el lote, Los planes de muestreo doble se discuten en la seecién 14-3, Un plan de muestreo miltiple es una extensién del concepto de muestreo doble, por cuanto pueden necesitarse mas de dos muestras para llegar a una decisisn respecto del destino del lote. Los tamafios de la muestra en el muestreo miiltiple suelen ser més pequefios que en el muestreo tinico 0 en el doble. La extensidn tltima del muestreo miltiple es el muestreo secuencial, en el que las unidades del lote se seleccionan una a la vez, y después de inspeccionar cada unidad se toma la decisién de aceptar el lote, rechazar el lote, o seleccionar otra unidad. Los planes de muestreo miil- tiple y secuencial también se discuten en la seccién 14-3, Los planes de muestreo nico, doble, miltiple y secuencial pueden disefiarse de tal modo que produzcan resultados equivalentes. Es decir, estos procedimientos pueden disefiarse para que un lote ‘con una calidad especificada tenga exactamente la misma probabilidad de aceptaci6n bajo los cuatro tipos de planes de muestreo. Por consiguiente, cuando se selecciona el tipo de procedimiento de muestreo, deben considerarse factores tales como la eficiencia administrativa, el tipo de informacién producida por el plan, la cantidad de inspeccién promedio requerida por el procedimiento, y el impacto que puede tener un procedimiento dado sobre el flujo del material en la organizacién manu- facturera. Estas cuestiones se discuten con mayor detalle en la seccién 14-3. Formacién de lotes La manera en que se forme el lote puede influir en la efectividad del plan de muestreo de aceptacisn. Hay varias consideraciones importantes cuando se forman los lotes para inspeccién. Algunas de ellas son las siguientes: 1. Los lotes deb-riin ser homogéneos. Las unidades del lote deberdn producirse por las mismas méquinas, los mismos operadores y con materias primas comunes, aproximada- ‘mente en el mismo tiempo. Cuando los lotes no son homogéneos, como cuando se mezcla la salida de dos lineas de produccién diferentes, el esquema del muestreo de aceptacién quiz no funcione con tanta efectividad como podria hacerlo. Los lotes no homogéneos también hacen mAs dificil emprender una accién correctiva para eliminar la fuente de los. productos defectuosos. ‘ 2. Son preferibles los lotes grandes a los pequeiios. Suele haber més eficiencia econémica al inspeccionar lotes grandes que lotes pequefios. 3. Los lotes deberdn ajustarse a los sistemas de manejo de materiales usados en las instalaciones del proveedor y del consumidor. Ademés, los articulos de los lotes debe- rn estar empacados de tal modo que se minimicen los riesgos en el embarque y manejo. y que sea relativamente sencillo seleccionar de las unidades de la muestra.680 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS: 14-1.4 Muestreo aleatorio Las unidades del lote seleccionadas para inspeccién deberén elegirse al azar, y deberiin ser represen. tativas de todos los articulos del lote. El concepto de muestreo aleatorio es en extremo importante en el muestreo de aceptacién, A menos que se empleen muestras aleatorias, se introducirs sesgo, Por ejemplo, el proveedor puede asegurarse de que las unidades empacadas en la parte superior de! lote sean de calidad extremadamente buena, a sabiendas de que el inspector seleccionar la muestra de Ia parte superior. “Sazonar” un lote de esta manera no es una prictica comtin, pero si ocurte y no se usan métodos de muestreo aleatorio, se destruird la efectividad del proceso de inspeccién, La técnica sugerida comtinmente para sacar una muestra aleatoria es asignar primero un nimero a cada articulo del lote. Después se sacan 1 niimeros aleatorios, donde el rango de estos niimeros es del 1 al ntimero méximo de unidades en el lote. Esta secuencia de nimeros aleatorios determina qué unidades del lote constituirdn la muestra. Si los productos tienen niimero de serie u otros nimeros codificados, estos ntimeros pueden usarse para evitar el proceso de asignar realmente nimeros a cada unidad, Otra posibilidad serfa usar un mimero aleatorio de tres digitos para representar el largo, el ancho y el fondo de un contenedor. En las situaciones en que no es posible asignar un nimero a cada unidad, utilizar un niimero de serie 0 codificado, o determinar aleatoriamente la localizacién de la unidad de la muestra, debe cemplearse alguna otra técnica para asegurarse de que Ia muestra sea aleatoria o representativa En ‘ocasiones el inspector puede “estratificar” el lote. Esto consiste en dividir el lote en estratos 0 capas yy después subdividir cada estrato en cubos, como se muestra en la figura 14-1. Entonces se seleccio- nan las unidades del interior de cada cubo, Aun cuando esta estratificacién del lote es generalmente una actividad imaginaria realizada por el inspector y no asegura necesariamente muestras aleatorias, por lo menos asegura que se seleccionen unidades de todos los lugares del lote. No puede hacerse demasiado hincapié en Ia importancia del muestreo aleatorio. Si se usan mé- todos basados en criterios discrecionales 0 personales para seleccionar la muestra, se pierde la base estadistica del procedimiento de muestreo de aceptacién, 14-15. Lineamientos para usar el muestreo de aceptacién Un plan de muestreo de aceptacién es un enunciado del tamafio de la muestra que debe usarse y de los criterios de aceptacivin o rechazo asociados para dictaminar los lotes individuales. Un Figura 14-1 Estratificacion de un love.14-1 EL PROBLEMA DEL MUESTREO DE ACEPTACION 681. ‘Tabla 14-1 Procedimientos de muestreo de aceptacién Objetivo Procedimiento para atributos Procedimiento para variables ‘Asegurar niveles de calidad para el Seleccionar un plan para una curva Seleccionar un plan para Ia curva, consumidor/productor OC especifica OC especifica Mantener la calidad en un objetivo Sistema AQL: MIL STD 106, Sistema AQL: MIL STD 414, ANSUASQC Z1.4 ANSUASQC Z1.9 ‘Asegurar un nivel de calidad de Sistema AOQL; planes de Dodge- Sistema AOQL salida promedio Romig Reducir la inspeccién, con tamafios _ Muestreo en cadena Medicién con limites estrictos de Ia muestra pequefios, buen historial de calidad Reducir la inspecciGn después de __-Muestreo por salto de lote: Muestreo por salto de lote: tun buen historial de calidad ‘muestreo doble muestreo doble ‘Asegurar una calidad no menor allan LTPD; planes de Dodge Plan LTPD: prueba de hipétesis objetivo Romig ‘esquema de muestreo se define como un conjunto de procedimientos que consisten en planes de muestreo de aceptacién en los que se relacionan el tamafio del lote, el tamafto de la muestra y los. criterios de aceptacién o rechazo junto con la cantidad de inspeccién del 100% y muestral. Por iiltimo, un sistema de muestreo es una colecci6n unificada de uno o més esquemas de muestreo de aceptacién. En este capitulo se tratan ejemplos de planes de muestreo, esquemas de muestreo y sistemas de muestreo. En la tabla 14-1 se muestran los principales tipos de procedimientos del muestreo de aceptacisn y sus aplicaciones, En general, Ia seleccién de un procedimiento de muestreo de aceptaci6n depende tanto del objetivo de la organizacién de muestreo como de! historial de la organizacién cuyo producto es muestreado, Ademés, la aplicacién de la metodologia de muestreo no es estética; es decir, existe una evolucién natural de un nivel del esfuerzo de muestreo a otro, Por ejemplo, si se esté tratando con un proveedor que goza de un excelente historial de calidad, podria empezarse con un plan de muestreo para atributos. Conforme aumente la experiencia con el proveedor, y su reputacién de buena calidad se demuestre con Ios resultados de las actividades de muestreo, podria hacerse la transicién a un procedimiento de muestreo que requiera mucho menos inspeccién, como el muestreo por salto de lote. Por iltimo, después de una amplia experiencia con el proveedor, y si la capacidad de su proceso es en extremo buena, podrian detenerse todas las actividades del muestreo de aceptacién del produc- to. En otra situaci6n, cuando se tenga escaso conocimiento o experiencia con los esfuerzos de asegu- ramiento de calidad del proveedor, podria empezarse con un muestreo para atributos utilizando un plan que garantice que la calidad de los lotes aceptados no sea peor que un valor objetivo especific do. Si este plan demuestra ser exitoso, y si el desempefio del proveedor es satisfactorio, podrfa hacer- se la transici6n de la inspecci6n de atributos a la de variables, en particular cuando se sepa mas acerca de la naturaleza del proceso del proveedor. Por titimo, la‘informacién recogida en los planes de muestreo por variables podria usarse en conjuncién con los esfuerzos dirigidos directamente a las instalaciones de manufactura del proveedor para brindar asistencia en la instauracién de controles del proceso. Un programa exitoso de controles del proceso a nivel del proveedor podria mejorar la capa- cidad del proceso del proveedor hasta el punto que podria discontinuarse la inspecci6n. Estos ejemplos ilustran que hay un ciclo de vida en Ia aplicacién de las técnicas de muestreo de aceptacién. Esto también se reflejé en el diagrama de fase, figura 1-7, donde se presents el porcentaje de aplicacién de varias técnicas de aseguramiento de calidad como una funcién de la682 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS: madurez de la organizacién comercial. De manera tipica, se encuentra que las organizaciones cuyos esfuerzos de aseguramiento de calidad son relativamente nuevos conffan en gran medida en el muestreo de aceptacién. Cuando crece su madurez y se desarrolla la organizacién de calidad, ‘empiezan a confiar menos en el muestreo de aceptacién y més en el control esta y el diseno experimental. Los fabricantes tratan de mejorar la calidad de sus productos reduciendo el niimero de prove. dores de quienes adquieren sus componentes, y trabajando de manera mas estrecha con los que conservan. De nueva cuenta, la herramienta determinante en este esfuerzo para mejorar la calidad es el control estadistico de procesos. EI muestreo de aceptacién puede ser un ingrediente importante de cualquier programa de aseguramiento de calidad; sin embargo, recuérdese que se trata de una actividad que uno querria evitar hacer. La utilizacién del monitoreo del proceso basado esta. disticamente tiene una efectividad de costos mucho mayor en la etapa apropiada del proceso de manufactura, Los métodos de muestreo en ocasiones pueden ser una herramienta que s en el camino hacia la meta final. stico de procesos se emplea 14-2. PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS 14-2.1 14-2.2 Definicién de un plan con una sola muestra Suponer que se ha sometido a inspeccién un lote de tamaiio N. Un plan de muestreo tinico esti definido por el tamafio de la muestra n y el nimero de aceptacién c. Por tanto, si el tamaio del lote es N= 10.000, entonces el plan de muestreo significa que se inspecciona una muestra aleatoria de n = 89 unidades del lote de tamafio 10 000 Y que el nimero de articulos disconformes 0 defectuosos observados es d. Si el nimero de articulos defectuosos observados d es menor o igual que c = 2, el lote ser aceptado. Si el nimero de articulos defectuosos d es mayor que 2, el lote ser rechazado. Puesto que la caracteristica de la calidad inspeccionada es un atributo, cada unidad de muestra se dictamina como conforme o dis- conforme, Puede inspeccionarse uno o varios atributos en la misma muestra; en general, se dice que una unidad que es disconforme respecto de las especificaciones, en uno o mas atributos, es una unidad defectuosa, A este procedimiento se le lama un plan de muestreo tinico porque el lore se dictamina con base en la informacién contenida en una sola muestra de tamaiio n. La curva OC Una medida importante del desempeito de un plan de muestreo tinico es la curva de opera- cién caracterfstica (OC). En esta curva se grafica la probabilidad de aceptar el lote contra la fraccién defectuosa del lote. Por tanto, la curva OC indica la potencia discriminatoria de! plan de muestreo. Es decir, indica la probabilidad de que un lote con cierta fraccién defectuosa propuesto sea aceptado o rechazado. En la figura 14-2 se presenta la curva OC del plan de muestreo n = 89, ¢ = 2-14.2 PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS 683 Probabilidad de aceptacién, 0.01 0.02 0.03 0.04 0.05 0.06 0.07 O08 Fraccién delectuosa del ote, Figura 14-2 Curva OC del plan de muestreo tinico Es sencillo demostrar cémo se obtienen los puntos de esta curva. Suponer que el tamafio del lote N es grande (en teorfa infinito). Bajo esta condicién, la distribucién del ntimero de articulos defe: tuosos d en una muestra aleatoria de n articulos es binomial con pardmetros n y p, donde p es la fracci6n de articulos defectuosos en el lote. Una forma equivalente de conceptualizar esto es sacar Totes de N articulos al azar de un proceso teGricamente infinito y después sacar muestras aleatorias de n de estos lotes. El muestreo del lote hecho en esta manera es equivalente a hacer un muestreo directo del proceso. La probabilidad de observar exactamente d articulos defectuosos es P{d articulos defectuosos} = f(d) P'(- py" 41 eee d\n=d)! La probabilidad de aceptacién es simplemente la probabilidad de que d sea menor o igual que c, 0 2 =Plds= php) (142) Por ejemplo, si la fraccién defectuosa del lote es |, entonces z, $2) 0.01)" ei pied is Dera 7 Ory oop (0.99) ipa (0.01) OOD aeAT (0.01) (0.99)"” oso "(0.99)" = "(0.99)" mit ) = 0.9397 La curva OC se desarrolla evaluando la ecuaci6n 14-2 para varios valores de p. En la tabla 14-2 se presenta el valor calculado de varios puntos de la curva.684 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS ‘Tabla 14-2 _Probabilidades de aceptacidn del plan de muestreo tinico n = 89, Fraceién Probabilidad de defectuosa, p aceptacién, P, (0.005 0.9897 0.010 0.9397 0.020 0.7366 0.030 0.4985 0.040 0.3042 0.050 0.1721 0.060 0.0919 0.070 0.0468 0.080 0.0230 0.090 0.0109 La curva OC indica ta potencia discriminatoria del plan de muestreo. Por ejemplo, con el plan de muestreo n = 89, c = 2, si los lotes tienen 2% de articulos defectuosos, la probabilidad de acepta- cién es aproximadamente 0.74. Esto significa que si 100 lotes de un proceso que fabrica 2% de productos defectuosos se somete a este plan de muestreo, se esperar aceptar 74 de los lotes y rechazar 26 de ellos. Efecto de n y ¢ sobre las curvas OC Un plan de muestreo que hiciera la discriminaciGn perfecta entre los lotes buenos y los malos tendria una curva OC como la de la figura 14-3, La curva OC corre horizontalmente en una probabilidad de aceptacién P, = 1.00 hasta que se alcance un nivel de la calidad del lote que se considere “mala, punto en el cual la curva cae verticalmente a una probabilidad de aceptacién P, = 0.00, y después la curva corre de nuevo horizontalmente para todas las fracciones defectuosas del lote mayores que el nivel indeseable. Si pudiera emplearse una plan de muestreo como éste, todos los lotes de “mala” calidad serfan rechazados y todos los lotes de “buena” calidad serfan aceptados, Goi 002 003 0.08 Fraccién detectuosa de ote, p Figura 14-3 Curva OC ideal14.2. PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS =~ 685 Probabiidad de aceptacion, P, 001 002 003 0.04 0.05 0.06 007 008 Fraccion detectuosa del ote, p igura 14-4 Curvas OC para diferentes tamafios de la muestra, Desafortunadamente, la curva OC ideal de la figura 14-3 casi nunca puede obtenerse en la pricti- ca. En teoria, podria alcanzarse con una inspeccién del 100%, si la inspecci6n se hiciera sin erro- res. Sin embargo, la forma de la curva OC ideal puede aproximarse aumentando el tamafio de la muestra. En la figura 14-4 se muestra que la curva OC se hace més parecida a la forma idealizada ‘cuando el tamafio de la muestra se incrementa. (Obsérvese que el ntimero de aceptacién c se mantie- ne proporcional a n.) Por tanto, la precisién con que el plan de muestreo discrimina entre los lotes buenos y los malos se incrementa con el tamafio de la muestra. Entre mayor sea la pendiente de la curva OC, mayor serd la potencia discriminatoria. En la figura 14-5 se ilustra cmo cambia la curva OC cuando cambia el ntimero de aceptaci6n. En general, al cambiar el nimero de aceptaci6n no se modifica de manera radical le pendiente de 1a curva OC. Cuando el nimero de aceptacién se decrementa, la curva OC se corre hacia la izquierda. Los planes con valores pequefios de c permiten la discriminacién en niveles més bajos de la fraccién defectuosa del lote que los planes con valores mas grandes de c. Puntos especificos sobre la curva OC Frecuentemente, el interés del ingeniero de calidad se centra en determinados puntos de la curva OC. El proveedor suele estar interesado en saber cual es el nivel de calidad del lote 0 proceso que produce Probablidad de aceptacén,P, 001 002 0.03 0.04 0.05 0.06 0.07 0.08 Fraccién detectuosa dot lote, Figura 14-S El efecto de cambiar el nimero de aceptacién sobre la curva OC,686 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS una alta probabiiidad de aceptacién. Por ejemplo, el proveedor podria estar interesado en el punto de aceptaciGn con una probabilidad de 0.95. Esto indicaria el nivel de la porciGn caida fuera del proceso «que podria experimentarse y seguir teniendo una oportunidad del 95% de que los lotes serian acepta. dos. Reciprocamente, al consumidor podrfa interesarle el otro extremo de la curva OC. Es decir, qué nivel de calidad del lote 0 proceso producira una probabilidad de aceptacisn baja. Es comtin que el consumidor establezca un plan de muestreo para un abastecimiento continuo de componentes © materia prima con referencia a un nivel de calidad aceptable o AQL (por sus siglas en inglés). El AQL representa el nivel de calidad mas pobre del proceso del proveedor que el consumidor considerarfa aceptable como promedio del proceso. Obsérvese que el AQL es una pro- piedad del proceso de manufactura del proveedor; no es una propiedad del plan de muestreo. Muchas veces el consumidor disefard el procedimiento de muestreo de tal modo que la curva OC dé una alta probabilidad de aceptacién en el AQL. Ademés, el AQL por lo general no tiene la intencién de ser tuna especificacién del producto, ni de ser un valor objetivo para el proceso de produccién del pro- yeedor. Es simplemente un esténdar contra el cual juzgar los lotes. Se espera que el proceso del proveedor operara con un nivel de porcidn cafda que sea considerablemente mejor que el AQL. El consumidor también estaré interesado en el otro extremo de la curva OC —es decir, en la protecci6n que se obtiene para los lotes individuales de calidad pobre. En una situaci6n asi, el consu- midor puede establecer una tolerancia del porcentaje defectuoso en un lote (LTPD, por sus siglas en inglés). La LTPD es el nivel de calidad més pobre que el consumidor esté dispuesto a aceptar en un lote individual. Obsérvese que la tolerancia del porcentaje defectuoso en un lote no es una carac- terfstica del plan de muestreo, sino un nivel de la calidad del lote especificado por el consumidor. ‘Nombres alternativos de la LTPD son nivel de calidad rechazable (RQL, por sus siglas en inglés) y nivel de calidad limite (LQL, por sus siglas en inglés), Es posible diseiiar planes de muestreo de aceptacién que den probabilidades de aceptacién especificas en el punto LTPD. Mas adclante se vera cémo disefiar planes de muestreo que tengan un desempefio especificado en los puntos AQL. y LTPD. Curvas OC tipo A y tipo B Las curvas OC que se construyeron en los ejemplos anteriores se llaman curvas OC tipo B. En la construccién de la curva OC se supuso que las muestras provenfan de un lote grande o que el muestreo se estaba haciendo de un flujo de lotes de un proceso seleccionados al azar. En esta situacién, la distribucién binomial es la distribucién de probabilidad exacta para calcular la probabilidad de acep- taci6n del lote. Esta curva OC se conoce como curva OC tipo B. La curva OC tipo A se usa para calcular probabilidades de aceptacién de un lote aislado, de tamaifo finito. Suponer que el tamafto del lote es N, que el tamafio de la muestra es m y que el niimero de aceptacién es c. La distribucién de muestreo exacta del ntimero de articulos defectuosos en la muestra es la distribuci6n hipergeométrica. En la figura 14-6 se muestra la curva OC tipo A para un plan de muestreo tinico con n = 50, ¢= 1, donde el tamafo del lote es NV = 5Q0. Las probabilidades de aceptaciGn que definen la curva OC se calcularon usando la distribuciGn hipergeométrica. En esta grdfica se muestra también la curva OC tipo A para N= 2 000, n = 50 y c= 1. Obsérvese que las dos curvas OC son muy similares. En general, cuando se incrementa el tamafio del lote, éste tiene un impacto decreciente sobre la curva OC. De hecho, si el tamafio del lote es por lo menos 10 veces el tamaiio de la muestra (n/N < 0.10), las curvas OC tipo A y tipo B son précticamente indistinguibles, Como una ilustracién, la curva OC tipo B para el plan de muestreo = 50 y c= I también se muestra en la figura 14-6. Obsérvese que es idéntica a la curva OC tipo A basada en un tamafio del lote de N = 2.000.142. PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS 687 15 de aceptacién, P. Provabil 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 Fraction delectuosa del ote, p Figura 14-6 Curvas OC tipo A y tipo B La curva OC tipo A siempre se localizaré abajo de ta curva OC tipo B. Es decir, si se usa una curva ‘ipo B como una aproximacién de la curva tipo A, las probabilidades de aceptacién calculadas para la curva tipo B seriin siempre més altas que las que se hubieran obtenido de haberse usado en su lugar una curva tipo A. Sin embargo, esta diferencia s6lo es significativa cuando el tamafo del lote es relativamente pequefio en comparacién con el tamafio de la muestra. A menos que se diga lo contra rio, la discusidn de las curvas OC en este texto se desarrolla en términos de la curva OC tipo B. Otros aspectos del comportamiento de Ia curva OC Dos enfoques en el disefio de planes de muestreo que se encuentran en la prictica tienen ciertas implicaciones para el comportamiento de la curva OC. Dado que no todas las implicaciones son Ppositivas, vale la pena mencionar brevemente estos dos enfoques para el disefio de planes de muestreo. Estos enfoques son el uso de planes de muestreo con nimeros de aceptacién cero (c= 0) y el uso de tamafios de la muestra que son un porcentaje fijo del tamaiio del lote. En la figura 14-7 se presentan varias curvas OC para planes de muestreo con ¢ = 0, Al compa- rar la figura 14-7 con la figura 14-5, es sencillo observar que los planes con ntimeros de aceptacién os Probablldad de acaptacion,P, 001 002 003 008 005 Fraccién delectuosa dette, 2 Figura 14-7 Curvas OC para un plan de muesteo nico con ¢= 0. 0.06688 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS cero tienen curvas OC que tienen una forma muy diferente de las curvas OC de los planes de :muestreo para los que c > 0. En general, los planes de muestreo con c = 0 tienen curvas OC que son convexas a lo largo de su rango. Como resultado de esta forma, la probabilidad de aceptacign empieza a caer con mucha rapidez, inclusive para valores pequefios de la fraccién defectuosa de} lote. Esta situacién es en extremo dificil para el proveedor y, en algunas circunstancias, puede resultar en serios perjuicios econémicos para el consumidor. Por ejemplo, considérense los planes de muestreo de la figura 14-5. Suponer que el nivel de calidad aceptable es 1%. Esto implica que seria deseable aceptar los lotes con 1% de unidades defectuosas 0 mejores. ObsErvese que si se usa el plan de muestreo n = 89, c= 1, la probabilidad de aceptaciGn del lote en el AQL es aproximada- mente 0.78. Por otra parte, si se usa el plan n = 89, c = 0, la probabilidad de aceptacisn en el AQL es aproximadamente 0.41. Es decir, cerca de 60% de los lotes de calidad AQL serdn rechazados si se usa el ntimero de aceptacién de cero. Si los lotes rechazados se devuelven al proveedor, entonces un gran niimero de los mismos se devolverdn sin necesidad, ocasionando quiz retrasos de produc. cidn en las instalaciones de manufactura del consumidor. Si el consumidor examina exhaustivamente © hace una inspeccién del 100% de todos los lotes rechazados, se encontraré que un gran nimero de lotes son de calidad aceptable. Se trata, en el mejor de los casos, de un uso ineficiente de los recursos de muestreo. En el capitulo 15 se sugiere un enfoque alternativo al uso de ntimeros de aceptacién cero llamado los planes de muestreo en cadena. Bajo ciertas circunstancias, el muestreo en cadena funciona considerablemente mejor que los planes de muestreo de aceptacién con ¢ = 0. En la figura 14-8 se presentan las curvas OC para los planes de muestreo en los que el tamaio de la muestra es un porcentaje fijo del tamafio del lote. La principal desventaja de este enfoque es que los diferentes tamafios de la muestra brindan niveles diferentes de protecci6n. Es il6gico que el nivel de proteccién del que goza el consumidor para una pieza 0 componente critico varie cuando el tamaiio del lote varie. Aun cuando procedimientos de muestreo como éste se usaron mucho antes de que los principios estadisticos de aceptacién fueran del conocimiento general, su uso (desafor- tunadamente) no ha desaparecido por completo. 100 a 7 go.0, i | 005 O10 018 020 025 ieee Cece nennee mao de la muestra n es 10% del tamatio del lote14-2 PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS 689. 14-2.3.Disefio de un plan de una sola muestra con una curva OC especificada Un enfoque comin para disefiar un plan de muestreo de aceptaciGn es requerir que la curva OC pase por dos puntos designados. Obsérvese que un punto no es suficiente para especificar por completo el plan de muestreo; sin embargo, dos puntos sf son suficientes. En general, no importa cudles sean los dos puntos especificados. ‘Suponer que quiere construirse un plan de muestreo tal que sea 1 — ct la probabilidad de acepta- cidn para los lotes con fracci6n defectuosa p,, y que sea B la probabilidad de aceptaci6n para los lotes con fraccién defectuosa p,. Suponiendo que es adecuado el muestreo binomial (con curvas OC tipo B), se observa que el tamafio de la muestra n y el ntimero de aceptaci6n c son Ia soluci6n de yy a PA a= yaaa tp) a é ! a (14-3) bo ae La ecuacién 14-3 se obtuvo considerando los dos puntos en la curva OC utilizando la distribu- cién binomial. Las dos ecuaciones simulténeas de la ecuacién 14-3 no son lineales, y no hay una solucién directa simple. Puede usarse el nomograma de la figura 14-9 para resolver estas ecuaciones. El procedimiento para utilizar el nomograma es muy simple. Se trazan dos lineas en el nomograma, una que conecte p, y 1a, y la otra que conecte p, y B. La interseccién de estas dos rectas da la region del nomograma en la que se localiza el plan de muestreo deseado. Para ilustrar el uso del nomograma, suponer que quiere construirse un plan de muestreo en el que p, = (:01, o = 0.05, p, = 0.06 y B = 0.10. La localizacién de la interseccién de las rectas que unen (p, = 0.01, 1 - = 0.95) y (p, = 0.06, B= 0.10) en el nomograma indica que el plan n = 89, c = 2 esta muy cerca de pasar por estos dos puntos en la curva OC. Evidentemente, puesto que ny c deben ser enteros, este procedimiento en realidad produ- cird varios planes con curvas OC que pasan cerca de los puntos deseados. Por ejemplo, si la primera recta se prolonga hasta la Iinea ¢ situada justo arriba del punto de intersecci6n o bien hasta la linea c situada justo abajo del mismo, y se leen los tamafios de la muestra alternativos en la gréfica, se ‘obtendran dos planes que pasan casi exactamente por el punto p,, 1 — a, aunque quiz se desvfen un poco del punto p,, B. Podria seguirse un procedimiento similar con la recta p,, B. El resultado de prolongar estas dos rectas serfan cuatro planes que pasan aproximadamente por los dos puntos espe- cificados en la curva OC. ‘Ademés del procedimiento gréfico que se ha descrito para disefar planes de muestreo con curvas OC especificadas, también se cuenta con procedimientos tabulares para el mismo fin. Duncan (2) ofrece una buena descripcién de estas técnicas.690 14-2.4 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS oe #s01 al PePinsel rane | 034 . = of j.10 sali fo. poor 2 05 4.95 2 2 064 FP F008 8 8d bog ‘og | “a + 02 5 | n= 90 & 2 od a 2 57°56 a fog § | As Tsk unui 5 ' 10% yr Boas Oho oe a asia s 2 2 bio |g E | jo fg ee ee g L 90 g | 1 8 fe 2c hos § NN SS lw OF al \ of, (= $ pas E 40 & 999 a5 | AK 705040 pal 140100) Figura 14-9 Nomograms binomial Aun cuando podrian utilizarse dos puntos cualesquiera en la curva OC para definir el plan de muestreo, en muchas industrias se acostumbra usar los puntos AQL y LTPD para este fin. Cuando los niveles de calidad del lote especificados son p, = AQL y p, = LTPD, suele hacerse referencia a los puntos correspondientes en la curva OC como el punto de riesgo del productor y el punto de riesgo del consumidor, respectivamente. Por tanto, ot se lamaria el riesgo del productor y B se llamaria el riesgo del consumidor. Inspeccién con rectificacién Los programas de muestreo de aceptacién suelen requerir una accién correctiva cuando los lotes son rechazados. Esto generalmente adopta la forma de una inspecci6n del 100% exhaustiva de los lotes rechazados, donde todos los articulos defectuosos descubiertos se sacan para reprocesamiento posterior, se devuelven al proveedor 0 se reemplazan de un inventario de articulos satisfactorios comprobados. A estos programas de muestreo se les llama programas de inspeccién con rectifica- ci6n, debido a que la actividad de inspeccién afecta la calidad final del producto de salida. Esto se ilustra en la figura 14-10. Suponer que los lotes que entran en la actividad de inspeccién tienen una fraccién defectuosa p,. Algunos de estos lotes serdn aceptados y otros serdn rechazados. Se hard la inspeccién exhaustiva de los lotes rechazados, y su fraccién defectuosa final ser cero. Sin embat- £0. los lotes aceptados tienen una fraccién defectuosa p,. Por consiguiente, los lotes de salida de la14-2 PLANES CON UNA SOLA MUESTRA PARA ATRIBUTOS 691 (ee Fraccion “echazados \ detectuosa 0 Lotes de entrada [Actividad de Lotes de sada Froson dotecuoss} ‘iepeccién "Fraccién detectuosa P. 023 Figura 14-13 Operacidn det plan de muestreo doble. », = 50. ¢, 100, ¢,= 3, por cuatro pardmetros:* tamafio de la muestra en la primera muestra miimero de aceptaci6n de la primera muestra tamafio de la muestra en la segunda muestra niimero de aceptacién para ambas muestras ‘Como un ejemplo, suponer que n, = 50, ¢, = 1,7, = 100 y c, = 3. Por tanto, se selecciona una muestra aleatoria de n, = 50 articulos del lote, y se observa el niimero de articulos defectuosos en Ia muestra, 4d, Sid, Sc, = 1, el lote se acepta en la primera muestra. Si d, > c, = 3, el lote se rechaza en la primera muestra. Si c, < d, < ¢,, se saca una segunda muestra aleatoria de tamaiio n, = 100 del lote, y se observa el ntimero de articulos defectuosos en esta segunda muestra, d,. Entonces se usa el niimero combinado de articulos defectuosos observados tanto en la EE GI) la segunda muestra, d, + d,, para determinar la dictaminacién del lote. Si d, + d,, < c, = 3, el lote se acepta. Sin embargo, sid, + d, > c, = 3, el lote se rechaza. En la figura id:iree isin graficamente la operacién de este plan de muestreo doble, La ventaja principal del plan de muestreo doble con respecto al de muestreo tinico es que puede reducir la cantidad total de inspecci6n requerida. Suponer que la primera muestra tomada en un plan de muestreo doble es menor que la muestra que se habria requerido al usar un plan de muestreo tinico que ofrece Ia misma proteccién al consumidor. En todos los casos, entonces, en que un lote es aceptado 0 rechazado en la primera muestra, el costo de la inspeccién seré mas bajo para el muestreo doble del que serfa para un muestreo tinico. También es posible rechazar un lote Algunos autores prefieren la notaci6n n, Ac, Re, Ac,, Re, = Ac, + 1 Puesto que el nimero de rechazo Re, ela primera ‘muestra no es nocesariamente igual a Re., esto confiere ciera Nlexibilidad adicional al disefar planes de muestreo doble. Los estindares MIL STD 105E y ANSVASQC Z1.4 usan actualmente esta notaciGn. Sin embargo, debido a que suponer que Re, Fe, no afecta de manera significativa los planes obtenidos, se ha decidido discutir aqui este sistema un tanto ms simple.696 CAPITULO 14 MUESTREO DE ACEPTACION LOTE POR LOTE PARA ATRIBUTOS hacer la inspeccién completa de la segunda muestra. (A esto se le llama cercenar restringi I segunda muestra.) Por consiguiente, el uso del muestreo doble con frecuencia puede llevar a costos totales de inspeccién més bajos. Ademés, en ciertas situaciones, un plan de muestreo doble tiene fy ventaja psicolégica de dar una segunda oportunidad a un lote, Esto puede tener cierto atractive para el proveedor. Sin embargo, no existe ninguna ventaja real para el muestreo doble a este re Pecto, debido a que los planes de muestreo tinico y doble pueden elegirse de tal modo que tengan tas mismas curvas OC. Por tanto, ambos planes ofrecerfan los mismos riesgos de aveptar o recharap lotes de una calidad especificada. EI muestreo doble tiene dos desventajas potenciales. Primera, a menos que se use el cereenado en la segunda muestra, bajo determinadas circunstancias el muestreo doble puede requerir mis in peccién total de la que se necesitarfa en un plan de muestreo tinico que offezca la misma proteccivin, Por tanto, a menos que el muestreo doble se use con cuidado, su ventaja econémica potencial puede Perderse. La segunda desventaja del muestreo doble es que presenta una mayor complejidad admi- nistrativa, lo cual puede aumentar la oportunidad para la ocurrencia de errores de inspecciGn, Ad ‘més, quizé haya problemas de almacenamiento manejo de las materias primas o las piesay componentes de las que se haya sacado una muestra, pero que estén aguardando una segunda mue: tra antes de que se tome la decisién final en cuanto al destino de! lote La curva OC El desempefio de un plan de muestreo doble puede resumirse de manera conveniente por medio de su curva de operacién caracterfstica (OC). La curva OC para un plan de muestreo doble es un poco mas complicada que la curva OC para un muestreo tinico. En esta seccidn se describe la construccién de las curvas OC tipo B para un muestreo doble. Un plan de muestreo doble tiene una curva OC Primaria que da la probabilidad de aceptacién como una funcién de la calidad del lote 0 proceso. Tiene también curvas OC complementarias que muestran la probabilidad de aceptacién o rechazo en la pritnera muestra. La curva OC para la probabilidad de rechazo en la primera muestra es simplemente la curva OC para el plan de muestreo nico n = n, y c = c,. En la figura 14-14 se ™muestran las curvas OC primaria y complementarias para el plan n, = 50, ¢, = 1, n, = 100 y ¢, = 3, 10; oe ° Probabildad de reche- ! zoenlapimers | 2 08 muestra (escala dere- | 0.2 3 i FB 0.4! ProvapiicadN %,tuestas jo8 ; 0 aceptacion \\ ‘combinadas | ra | = 02} Fracctn defectusa del ot, p Figura 14-14 Curvas OC pata el plan de muestreo doble n, 50, ¢, 100 y ¢, =3,14.3 MUESTREO DOBLE, MULTIPLE Y SECUENCIAL 697 Se ilustra ahora el célculo de la curva OC para el plan n, = 50, c, = 1, n, = 100 y ¢, = 3. Si P, denota la probabilidad de aceptacién en las muestras combinadas, y p! y pi! denotan la probabilidad de aceptacién en la primera y la segunda muestra, respectivamente, entonces P.=Pi+P! Ples tan s6lo la probabilidad de que se observen d, < c, = | articulos defectuosos sacados en una muestra aleatoria de n, = 50 articulos. Por tanto, ‘ 50! ne sea J Larson” Py Si p = 0.08 es la fraccién defectuosa del lote de entrada, entonces 0 4. 0,95)°4 P= Y— =~ 050)" (0.95) Daeo-ayi Para obtener la probabilidad de aceptacién en la segunda muestra, es necesario enlistar el ntimero de formas en que puede obtenerse la segunda muestra. Se saca una segunda muestra sélo si hay dos © tres articulos defectuosos en la primera muestra —es decir, si c, = 0.020. Puesto que = 0.020 es menor que M = 0.030, el lote se aceptars. Cuando hay dos limites de la especificacién, el procedimiento 2 puede usarse directamente. Se empieza obteniendo primero el tamafio de Ia muestra n y el valor critico k para un plan con un solo limite que tiene los mismos valores p,, p,, &y B que el plan deseado con dos Iimites de la especifica- cién, Después se obtiene el valor de M directamente de la figura 15-3. Entonces, en la operaci6n del plan de muestreo de aceptacién se calculan Z,.. y Zs,» ¥ en la figura 15-4 se encuentran las estimaciones de las fracciones defectuosas correspondientes —por ejemplo, jis, y Pys- Enton- ces, si Pig, + Pus, $M, el lote se aceptard; en caso contrario, se rechazaré. ‘También se puede usar el procedimiento 1 para limites de especificacién dobles. Sin embargo. se debe modificar el procedimiento ampliamente. Los detalles de las modificaciones se encuentran en Duncan (2). 15-3. MIL STD 414 (ANSI/ASQC Z1.9) 15-3.1 Descripcién general del estandar El esténdar MIL STD 414 es un plan de muestreo de aceptacién lote por lote por variables, El estindar se introdujo en 1957. El centro de atencién de este estandar es el nivel de calidad aceptable (AQL), el cual varia entre 0.04% y 15%. Hay cinco niveles generales de inspeccién, y el nivel IV se designa como “normal”. El nivel de inspeccién V da una curva OC més empinada que el nivel IV. Cuando es necesario abatir los costos del muestreo y cuando puedan o deban tolerarse riesgos mayores, pueden usarse los niveles de inspeccién més bajos. Como en el caso del esténdar para atributos, el MIL STD 10SE, se usan letras de cédigo para el tamaiio de la muestra, pero la misma letra de cédigo no implica el mismo tamafio de la muestra en ambos esténdares. Ademés, las clases del tamajio del lote son diferentes en ambos estndares. Los tamafios de la muestra son una funcién del tamaiio del lote y del nivel de inspecci6n. Se estipulan la inspecci6n normal, la rigurosa y la reduci- da. En todos los planes y procedimientos de muestreo del estandar se supone que la caracterfstica de la calidad de interés tiene una distribuci6n normal. En la figura 15-5 se presenta la organizacién del esténdar. Obsérvese que es posible disefiar planes de muestreo de aceptacién para los casos en que la variabilidad del lote o proceso es conocida © bien desconocida, y en los que los limites de la especificaci6n para la caracteristica de la calidad son tinicos 0 dobles. En el caso de Ifmites tnicos de la especificacién, puede usarse el procedimiento 1 0 el procedimiento 2. Si la especificacién tiene limites dobles, entonces debe usarse el procedi- miento 2. Si la variabilidad del lote 0 proceso es conocida y estable, los planes con variabilidad conocida tienen la mayor eficiencia econémica. Cuando la variabilidad del lote o proceso es desco- nocida, puede usarse la desviaciGn esténdar 0 el rango de la muestra para operar el plan de muestreo. EI método del rango requiere un tamafio de la muestra més grande y, en general, no recomendamos su uso, El estindar MIL STD 414 se divide en cuatro secciones. La secci6n A es una descripcién general de los planes de muestreo, que incluye las definiciones, las letras de c6digo para el tamaiio de la muestra y las curvas OC para los diferentes planes de muestreo. En la seccién B del esténdar se presentan los planes de muestreo por variables basados en la desviacién esténdar muestral para730 CaPiTULO.15 OTRAS TECNICAS DE MUESTREO DE ACEPTACION nad Ta mre ee alta Vesa <6 la desviacién meio dt fare ‘eonocida ae a Linas Thea do gomeerfill copatcasisn eee tareee Procedimiento 1] | Procedimiento 2 | | Procedimiento 2 (método f) método M) (nétodo M) wa 15-5 Organizacion del esténdar MIL. STD 414 el caso en que la variabilidad del lote © proceso es desconocida. En la seccién C se presentan los Planes de muestreo por variables basados en el método del rango muestral. En la seccién D se presen. tan los planes de muestreo por variables para el caso en que la desviak conocida. 15-3.2. Uso de las tablas En las tablas 15-1 y 15-2 se reproducen dos tablas tfpicas del esténdar MIL STD 414, En el ejemplo siguiente se ilustra el uso de estas tablas, Tabla 15-1 (Tabla A-2, MIL STD 414) Letras de cédigo para el tama- fio de la muestra Niveles de inspeccién 0 Tm Vv ‘Tamafo del tote 3a8 9 als 16 025 26 2 40 41 065 66 a 110 111 a 180 181 «300 301 «500 501 2 800 801 a 1300 1301 a 3 200 3201 2 8 000 8.001 a 22.000 22001 @ 110.000 110001 2 550.000 550 001 en adelame < Res rommones eee ARRo-TOmmoIOeweeee wozZrenzormoneoew OvozErxs-ro moo eevozerrnze-zo7mon | i i‘rseuoxaadsut vag 210 op une 2 pana oye > eananu¥ 2p ow FP open 2a fo ouoneasona | 2p ope EE 9p OU BP osonne2p sojnani 9p co} 4d uo usaHx 25 -TDY SK (esoand}1 uyppoadsuy) ayqeidase pepyes ap Sopa, (.opupisa uproesasap P| 9p opoIgIA) Ep!oUODs9p pepHeHeA vuN uD opEseg s: oosi] oor] os9 | oor | ose [ ost | oF or [se [sr [or [sw see’ | cor] oct | ist | oct | 6gt | oz uve | wz | cz | sez | L687 oz o we" | cot | oz oat | £07 ue | ive | eee | oz | 967 ost 4 aie | sor | oct | art 00 ez | ese | o9z | ose | coz 001 0 tos | cor} rer | ort 861 ie | ssz | 997 | wz | 067 st N vee’ | oor | zt | ert fo sez | osz | opz | we | ee os W ore fies [art | oer ot ie | we | see | 9% | ae OF, a sev jose | art | 6et 6st lez | sez | vez | soz | wz se x e2e"_| 946 91 981 sez | we | ise | 9 | ez of £ uk foe [ert | sev eT vt | owe | ose | toe | we a T soo Jute | cri] eet za vez | 9ez | evz | asz | oz o 4 +99" [98s | ot | oct oll oz | zez | wz | esz | 9% si 9. 119" [see | E07 wT iz | vee or a oes |ssu | ss6 wi oz L a ssy_| si | rus es s a coe [Lig [ris | 101 rT v = ive fos | sox | 886 A € a aa [ea a (ote eevee ee ee Tasonil | oo'st | oot | oso | oor | osz s9" sca] ist tf tors] sso: |p sos |— epeon rise PP ‘9p oueure, o81p99 (Weuti04 upppoadsuy) aiqeadaae pepyte ap S9faaIN ap ea] (rir aus HIARL IL PUGOJ—09 dso ¥] ap 2ntuyD) 1d nated sons adsu" ap wASoPU RIGEL Z-ST RIAEL, 7732 CAPITULO IS OTRAS TECNICAS DE MUESTREO DE ACEPTACION, EJEMPLO 15-3 ++ +++ e+e0 5 Considérese el embotellador de refrescos de los dos ejemplos anteriores, quien compra envases de un proveedor. El limite inferior de la especificacién para la resistencia al estallamiento es 225 psi, Suponer que el AQL en este Iimite de la especificacién es 1%. Suponer que los envases se embarcan en lotes de tamaiio 100 000. Se obtendré un plan de muestreo por variables que us, procedimiento 1 del esténdar MIL STD 414. Se supone que la desviacién e desconocida. Por la tabla 15-1, si se usa el nivel de inspeccién IV, la letra de cédigo para el tamaito de la muestra es O, Por la tabla 15-2 se encuentra que la letra de eédigo O para el tamaio de la muestra implica un tamaiio de la muestra de n = 100. Para un nivel de calidad aceptable de 1%, con ut inspeccién normal, el valor de k es 2.00, Si se emplea la inspeccién rigurosa, el valor apropiado de ‘kes 2.14, Obsérvese que la inspeccién normal y la rigurosa utilizan las mismas tablas. Lox valores del AQL para la inspeccién normal se registran en la parte superior de la tabla, y los valores AQL para la inspeccién rigurosa en la parte inferior de la tabla. ‘tel dar del Lote es E] esténdar MIL STD 414 incluye una estipulacién para hacer un cambio a la inspeceién rigurosa a la reducida cuando el mismo esta justificado. Se usa el promedio del proceso como la base para determinar cudindo realizar dicho cambio. El promedio del proceso se toma como el promedio de las estimaciones muestrales del porcentaje defectuoso calculado para los lotes que se sometieron a la speccién original. En general, el promedio del proceso se calcula utilizando informacién de los 10 lotes precedentes. Los detalles completos de los procedimientos para hacer estos cambios se descri- ben en el esténdar y en un memordndum técnico del MIL STD 414, publicado por el Departamento de Marina de Estados Unidos, Oficina de Ordenanzas. Se requiere la estimacién de la fraccién defectuosa cuando se usa el procedimiento 2 del MIL STD 414. También se requiere para aplicar las reglas de cambio entre la inspeccién normal, 1 y reducida, En el esténdar se proporcionan tres tablas para estimar la fracci6n defectuosa. Cuando se empieza a usar el MIL STD 414, uno puede elegir entre los procedimientos para la desviaciGn estindar conocida y la desviacién esténdar desconocida. Cuando no hay bases para conocer 6, obviamente debe seleccionarse el plan para la desviacién estandar desconocida, Sin embargo, es una buena idea mantener una carta R 0 $ de los resultados de cada lote para que pueda recabarse alguna informacién sobre el estado del control estadistico de la dispersién en el proceso de manufactura. Si esta carta de control indica control estadistico, ser4 posible hacer el cambio a un plan con o conocida. Este cambio reducird el tamaiio de la muestra tequerido. Incluso si el proceso no estuviera bajo control perfecto, Ia carta de control podria Proporcionar informacién que Ileve a una estimacién conservadora de ¢ para usarla en un plan con 6 conocida. Cuando se emplea un plan con & conocida, también es necesario mantener una carta de control para R 0 $ como verificacién continua del supuesto de una variabilidad estable y conocida del proceso. El estindar MIL STD 414 contiene un procedimiento especial para la aplicacién de planes de muestreo de aceptacién mixtos de variables/atributos. Si el lote no cumple con el criterio de aceptabilidad del plan para variables, se obtiene un plan de muestreo tinico para atributos del esténdar MIL STD 105E, utilizando la inspecci6n rigurosa y el mismo AQL. Un lote puede ser aceptado por cualquiera de los dos planes en secuencia, pero ser rechazado por el plan para ambos, variables y atributos. igurosa ii ll 15-15:3 MIL STD 414 (ANSVASQC z19) 733 15-3.3 Discusién del MIL STD 414 y el ANSI/ASQC Z1.9 En 1980, el American National Standards Institute (ANSI) y la American Society for Quality Control (ASQC) publicaron una versi6n civil actualizada del estindar MIL STD 414, conocida como el estindar ANSVASQC Z11.9. El MIL STD 414 se estructuré originalmente para brindar una protec- cién equivalente esencialmente a la que proporcionaba el MIL STD 105A (1950). Cuando el MIL. STD 105D se adopts en 1963. este nuevo estindar contenia tablas y procedimientos sometidos a revisiones sustanciales que levaron a diferencias en la proteccién que ofrecia este estandar y el MIL STD 414. Por consiguiente, no es posible pasar directamente de un plan de muestreo para atributos del MIL STD 10SE al plan de variables correspondiente del MIL STD 414 si se desea garantizar una proteccién continua para ciertos tamafios de los lotes y determinados AQL. La contraparte civil del MIL STD 414, el ANSVASQC Z1 9, restituye esta asociacién original Es decir, el ANSVASQC Z.1.9 es ahora directamente compatible con el MIL STD 10SE (y su contra- parte civil equivalente, el ANSVASQC Z| 4). Esta equivalencia se obtuvo incorporando las siguien- tes revisiones en el ANSVASQC Z1.9: 1. Los rangos del tamafo de la muestra se ajustaron para que correspondieran con los del MIL STD 10SD. 2. Las letras de cédigo asignadas a los diferentes rangos del tamafo del lote se ordenaron para que la proteccién fuera igual a la del MIL STD 10SE. 3. Se suprimieron los AQL de 0.04, 0.065 y 15. 4. Los niveles de inspeccidn original I, IT, III, IV y V se renombraron $3, $4, 1, II. TI, respectivamente 5. Las reglas originales para hacer cambios se reemplazaron con las del MIL STD 105E, con ligeras revisiones, Ademés, para modernizar la terminologia, la palabra defecto se sustituyé con disconformidad, de- fectuoso con disconforme, y pot ciento defectuoso se sustituys con por ciento disconforme. Las curvas de operacién caracteristica volvieron a calcularse y a hacerse, y se introdujeron varios cam- bios editoriales en el material descriptivo del esténdar para que coincidiera con el MIL STD 105E. tanto como fuera posible. Por ultimo, se incluy6 un apéndice donde se muestra la coincidencia entre el ANSVASQC Z1.9, el MIL STD 105E y la versién civil correspondiente ANSI ZI 4. En este apén- dice se proporcionan también puntos porcentuales seleccionados de las curvas OC de estos esténdares y sus diferencias, Al momento de escribir este libro, el Departamento de la Defensa no ha adoptado oficial- mente el ANSVASQC Z1.9 y continta usando el MIL STD 414. Probablemente en el futuro inme- diato se usardn ambos estindares. La-ventaja principal del esténdar ANSVASQC Z1.9 es que es posible empezar la inspeccién utilizando un esquema de muestreo para atributos del MIL STD 105E 0 del ANSV/ASQC 7114, colectar informacién suficiente para usar la inspeccién de variables, y después hacer el cambio al esquema de variables, manteniendo la misma combinacién de letras de cédigo-AQL. Entonces serfa posible hacer de nuevo el cambio al esquema de atributos si el supuesto del esquema de variables pareciera no satisfacerse. También es posible sacar provecho de la informaci6n obtenida en la inspeccién coordinada de atributos y variables para pa l6gica de la inspeccién muestral al control estadistico de proceso. ar de manera734 CAPITULO 15 OTRAS TECNICAS DE MUESTREO DE ACEPTACION Como en el estindar MIL STD 414, en el ANSVASQC Z1.9 se supone que la caracteristca dela calidad tiene una distribucion normal. Se trata de un supuesto importante que se ha comentado eon anterioridad. Hemos sugerido que deberia incorporarse una prueba de normalidad como parte det estdndar. Una manera de hacerlo es mediante Ia gruficacién de una carta de control para Xy $ 4a ¢ Y R) a partir de los datos de las variables de cada lote. Después de que se haya obtenide un nimen suficiente de observaciones, puede emplearse una prueba de normalidad graficando las mediciones individuales en papel de probabilidad normal o realizando una de las pruebas estadisticas especialy zadas de normalidad. Se recomienda el uso de un tamaio de la muestra relativamente grande en esta prueba estadistica. Debersn colectarse al menos 100 observaciones antes de hacer la prueba de nor, ‘malidad y, en nuestra opinién, el tamafo de la muestra deberd inerementarse de manera inversa con el AQL. Si hay una infracci6n seria del supuesto de normalidad, debe desarrollarse un procedimiento de muestreo especial de variables bien volver a la inspeccién de atributos. Una ventaja adicional de aplicar una carta de contro! al resultado de cada lote es que si la variabilidad del proceso ha estado bajo control durante al menos 30 muestras, sera posible hacer ef cambio a un plan con desviacién estindar conocida, lo cual permitirfa una reduccién sustancial del tamafo de la muestra. Aun cuando esto podria instituirse en cualquier programa combinado de ins- Peccién de atributos y variables, es sencillo hacerlo utilizando los estindares ANSVASQC. debido a la equivalencia del disefio entre los procedimientos para atributos y variables. 15-4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES 15-4.1 Muestreo por variables para dar seguridad acerca de la media del lote 0 proceso Los planes de muestreo por variables también pueden usarse en lugar de la fracci6n defectuosa para dar seguridad respecto de la calidad promedio de un material. Es mas probable que los planes de muestreo como éste se empleen en el muestreo de materiales a granel que vienen en sacos, tambo- res u otros contenedores. Sin embargo, también puede aplicarse a piezas discretas y a otras varia- bles, tales como la pérdida de energia en transformadores de potencia. El enfoque general empleado en este tipo de muestreo por variables es la prueba estadistica de hipstesis. Se presenta a continua- mn un ejemplo del procedimiento. EJEMPLO 15-4 + Pee eee ee ee eens Un fabricante de entrepaftos de madera hace el muestreo de los substratos blancos comprados a un proveedor extranjero para determinar su nivel de emisién de formaldehido. Mientras que el nivel medio de la emisi6n sea menor que 0.3 ppm, el lote es satisfactorio. Se disefiard un procedimiento de muestreo por variables que daré a los lotes que tienen un nivel medio de emisién de 0.3 ppm una probabilidad de aceptaci6n de 0.95, y a los lofes que tengan un nivel medio de emisién de 0.4 ppm luna probabilidad de aceptacién de 0.10. Se sabe por experiencia que el valor probable més alto de la desviacién estindar del nivel de emisién es o = 0.10 ppm. Sea X,el valor del promedio muestral arriba del cual el lote seré aveptado. Entonces, se sabe que (40.30 _¥,-0.30 oldn — 0.10/ Vn 15-15-4.2 155 MUESTREOEN CADENA 735 se distribuye como una variable normal estdndar. Si los lotes de este tipo tienen una probabilidad de aceptacién de 0.95, entonces 4 = 9.30 o.10/ vn 1.645 De manera similar, si los lotes que tienen un nivel medio de emisi6n de 0.40 ppm deben tener una probabilidad de aceptacién de 0.10, entonces. ¥,-040 0.10/ Vn Estas dos ecuaciones pueden resolverse para ny X,.obteniéndose n = 9 y ¥ posible diseffar el plan de muestreo utilizando el método de la curva OC. 0.356, También es Pueden disefarse también procedimientos de muestreo de aceptaci6n para variables como éste para el caso en que la desviacién estandar es desconocida. Asimismo, pueden derivarse planes de muestreo de aceptacién lote por lote para variables a fin de dar seguridad respecto de la desviacién estandar de un lote 0 proceso. Pueden usarse técnicas esténdares para probar hipstesis estadisticas de ‘medias y varian7as para obtener procedimientos de muestreo que tengan curvas OC especificadas. Para tuna extensa discusién del disefto de estos procedimientos, referirse a Montgomery y Runger (12). Muestreo secuencial por variables Asi como el muestreo secuencial demuestra ser stil en la inspeccién por atributos, puede aplicarse también en la inspeccién por variables. Los supuestos usuales son que Ia caracteristica de la calidad tiene una distribucién normal y que la desviacién esténdar del lote 0 proceso es conocida. El plan de muestreo secuencial articulo por articulo para variables grafica la suma acumulada de las mediciones de la caracteristica de la calidad. Se construyen Iineas limite para aceptar el lote, rechazar el lote y continuar el muestreo en forma muy parecida al caso de Ia inspecci6n por atributos. Muncan (2) presenta una buena discusi6n del disefio de estos planes. 15-5 MUESTREO EN CADENA En las situaciones en que las pruebas son destructivas 0 de muy alto costo, por lo general se seleccié- nan planes de muestreo con tamafios de la muestra pequefios. Estos planes con un tamafio de la muestra pequefio con frecuencia tienen niimeros de aceptacién de cero. Sin embargo, los planes ‘con ntimeros de aceptacién cero suelen ser indeseables, por cuanto sus curvas OC son convexas en toda su extensién. Esto significa que la probabilidad de aceptaci6n del lote empieza a caer con rapidez cuando la fraccién defectuosa del lote se hace mayor que cero. Muchas veces esto es injusto para el productor, y en las situaciones donde se usa la inspeccién con rectificacién puede requerir que el consumidor examine un gran niimero de lotes que en esencia son de calidad acepta-736 CAPITULO 15 OTRAS TECNICAS DE MUESTREO DE ACEPTACION ble, En las figuras 14-5 y 14-7 del capitulo 14 se presentan las curvas OC de los planes de muestreg que tienen niimeros de aceptacién cero y mimeros de aceptacién que son mayores que cero, Dodge (2) sugirié un procedimiento alzernativo, conocido como el muestreo en cadena, que, bajo ciertas circunstancias, podria ser un sustituto de los planes de muestreo tinico ordinarios con riimeros de aceptacién cero. Los planes de muestreo en cadena usan los resultados acumulados de varios lotes precedentes. El procedimiento general es el siguiente: 1. Para cada lote, se seleccion ia 1a muestra de tamafio wy se observa el mimero de articulos defectuosos, 2. Si la muestra tiene cero articulos defectuosos, el lote se acepta; si lt muestra tiene dos 0 més articulos defectuosos, el lote se rechaza; y si la muestra tiene un articulo defectuoso, el lote se acepta siempre que no haya habido articulos defectuosos en los i lotes anteriores Por tanto, en un plan de muestreo en cadena dado porn = 5, (= 3, un lote se aceptaria si no hubiera articulos defectuosos en la muestra de cinco, o si hubiera habido un articulo defectuoso en la muestra de cinco y no se hubieran observado articulos defectuosos en las muestras de los tres lotes anterio- res. Este tipo de plan se conoce como plan ChSP-1. El efecto del muestreo en cadena es alterar la forma de la curva OC cerca del origen para que tenga una forma més deseable, Es decir, en un plan ChSP-1 es més dificil rechazar lotes con fracciones defectuosas muy pequefias que en un muestreo nico ordinario, En la figura 15-6 se muestran las curvas OC para los planes ChSP-1 con n = 5,¢=Oei=1,2,3y 5. La curva para i= 1 rho es una elecci6n recomendable. En la practica, los valores de i varian generalmente entre tres y 0.40} Plan de muestreo n=5.0=0 Probablidad de aceptacién, P, 0.20 ‘210 020 Fraccién detectuosa del at, p Figura 18-6 Curvas OC para el plan CRSP-I con €=0ei= 1,235, (Reproducidas con permi- so de H. F Dodge. “Planes de inspeccién de muestrea fen cadena”, en Industrial Quality Control, Vol. 1, No. 4, 1955, |oe 15.6 MUESTREO Continuo 737 cinco, ya que las curvas OC de estos planes se aproximan a la curva OC del plan de muestreo tinico. Los puntos de la curva OC de un plan Ch$P-1 estén dados por la ecuacisn P, = PO. m)+ PU, MPO. I (15-3) donde P(O, n) y PCL, 1) son las probabilidades de obtener 0 y 1 amticulos defectuosos, respectivamen- te, de una muestra aleatoria de tamaiio n, Para ilustrar los calculos, considérese el plan ChSP-1 con n 5,c=0e8 0.10, se tiene Ks x = p= py" === (0.10)"(0.90)° = rail cae ee 590, 3 (0.10)'(0.90)* = 0.328 NG=D! ela ‘ —*— pt(- py P, = PCO, n)+ PU, MPO, mi = 0.590 + (0.328)(0.590)* 0.657 E] uso correcto del muestreo en cadena requiere que se cumplan las siguientes condiciones: 1. El lote deberd ser uno de una serie en un flujo continuo de lotes, de un proceso en el que hay una produccién repetitiva bajo las mismas condiciones, y en el que los lotes de productos se presenten para aceptaci6n en esencia en el orden de produccién. 2. En general, deberd esperarse que los lotes sean en esencia de la misma calidad. 3. La instancia de muestreo no deberd tener ninguna razén para pensar que el lote actual es de calidad mAs pobre que aquellos que lo antecedieron inmediatamente. 4. Deberd contarse con un buen registro del desempefio de la calidad por parte del proveedor. 5. La instancia de muestreo debe tener confianza en el proveedor, en que el proveedor no sacar provecho de su buen registro y enviaré ocasionalmente un lote malo cuando dicho lote tenga la mejor oportunidad de ser aceptads 15-6 MUESTREO CONTINUO Todos los planes de muestreo discutidos anteriormente son planes lote por lote. Con estos planes, existe el supuesto explicito de que el producto se forma en lotes, y la finalidad del plan de muestreo es dictaminar los lotes individuales. Sin embargo, muchas operaciones de manufactura, particular- mente los procesos de ensamblaje complejos, no resultan en la formacién natural de lotes. Por ejemplo, la fabricacién de muchos aparatos electrénicos, como las computadoras personales, se realiza en una linea de ensamblaje con una banda transportadora. ‘Cuando la produccién es continua, pueden usarse dos enfoques para formar los lotes. El pri- mer procedimiento permite la acumulacién de la produccién en puntos dados del proceso de en- samblaje. Esto tiene la desventaja de crear un inventario dentro del proceso en varios puntos, Io738 15-6.1 CAPITULO 15 OTRAS TECNICAS DE MUESTREO DE ACEPTACION cual requiere espacio adicional, puede constituir un riesgo de seguridad y generalmente es un enfoque ineficiente para administrar una linea de ensamblaje. En el segundo procedimiento se delimita arbitrariamente un segmento dado de la produecién como un “ote”. La desventaja de este enfogue es que si un lote eu ttima instancia es rechazado y se requiere posteriormente una inspec. cién del 100% del lote, quiz4 sea necesario traer productos de las operaciones de manu estin muy apartadas en el proceso de produccién. Esto puede requerir el desensamblaje 0 la des. trucci6n parcial de articulos semiterminados. Por estas razones, se han desarrollado planes de muestreo especiales para la produccién conti- nua. Los planes de muestreo continuo consisten en secuencias alternadas de inspeccién muestra y exhaustiva (inspeceién del 100%). Los planes suelen iniciarse con una inspeccién del 100%, y cuay do se encuentra que un ntimero preestablecido de unidades no presenta defectos (al nimero de uni. dades / suele llamérsele el mimero de liberacién), se establece la inspeccién muestral. La inspeccisn muestral continiia hasta que se encuentra un nimero especificado de unidades defectuosas, mo. mento en el que se reanuda Ia inspeccién del 100%. Los planes de muestreo continuo son planes de inspeccién con rectificacién, por cuanto la calidad del producto se mejora por tamizado parcial CSP-1 Harold F. Dodge (1) fue el primero en proponer los planes de muestreo continuo. El plan inicial de Dodge se llama CSP-1. Al principio del plan, todas las unidades se inspeccionan al 100%. Tan pronto como se llega al niimero de liberacién —es decir, tan pronto como se encuentra que i unidades consecutivas del producto no presentan defectos— se discontintia la inspecci6n del 100%, y solo se inspecciona una fracci6n (f) de las unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del flujo de la produccién. Si se encuentra que una de las unidades muestrales es defectuosa, se reanuda la inspeccién del 100%. Todas las unidades defectuosas encontradas se soineten a Feprocesamiento o se reemplazan con unidades satisfactorias. En la figura 15-7 se muestra el proce- dimiento CSP-1 Un plan CSP-1 tiene un AOQL global. El valor del AOQL depende de los valores del ntimero de liberacién i y de la fracci6n muestral f. Puede obtenerse el mismo AOQL con diferentes combi- naciones de i yf: En la tabla 15-3 se presentan varios valores de i y f del CSP-1 que llevarén a un AOQL estipulado. Obsérvese en Ia tabla que un AOQL de 0.79% podria obtenerse utilizando un plan de muestreo con i= 59 y= 4, oconi=113 y f= +. La eleccién de i y f suele basarse en consideraciones prcticas del proceso de manufactura, Por ejemplo, i y f pueden recibir la influencia de la carga de trabajo de los inspectores y operadores del sistema. Es una préctica muy comtin usar inspectores de aseguramiento de calidad para hacer la inspeecién muestral, y asignar la carga de la inspecci6n del 100% al érea de manufactura. Sin embar- go, como regla general, no es una buena idea elegir valores de f menores que x5 , ya que entonces la Proteceién contra la calidad deficiente en una corrida de produccién continua se hace muy pobre EI nimero promedio de unidades inspeccionadas en una secuencia de tamizado del 100% después de la ocurrencia de un defecto es igual a (s-4) donde q = 1 ~p, y p es la fraccién defectuosa producida cuando el proceso esté operando bajo ctura que”‘Se inspecciona el 100% de los ‘antculos Se inspecciona una fraccién f e las unidades seleccionadas: ‘de manera alestoria, Figura 15-7. Procedimiento para los planes CSP-1 15.6 MUESTREO CONTINUO 739 Tabla 15-3 Valores de i para planes CSP-1 AOQL (%) £0018 0.033 0.046 0.074 0.113 0.143 0.198 0.33 0.53 0.79 1.22 190 290 4.94 7.12 11.46 + 1540 840 600 375 245 194 140 84 53 36 23 15 10 6 5 3 $2550 1390 1000 620 405 321 232 140 87 59 38 25 16 10 7 5 $ 3340 1820 1310 810 530 420 303 182 113 76 49 32 21 13 9 6 $3960 2160 1550 965 630 498 360 217 135 91 58 38 25 15 11 7 } 4950 2700 1940 1205 790 623 450 270 168 113 73 47 31 18 13 8 th 6050 3300 2370 1470 965 762 550 335 207 138 89 57 38 2 16 10 4, 7390 4030 2890 1800 1180 930 672 410 255 170 108 70 46 27 19 12 $9110 4970 3570 2215 1450 1147 828 500 315 210 134 86 57 33 23 14 % 11730 6400 4590 2855 1870 1477 1067 640 400 270 175 110 72 42 29 18 is 14320 7810 5600 3485 2305 1820 1302 790 500 330 215 135 89 52 36 22 as 17420 9500 6810 4235 2760 2178 1583 950 590 400 255 165 106 62 43 26740 15-6.2 CAPITULO 15 OTRAS TECNICAS DE MUESTREO DE ACEPTACION oc Propotcin de unidages que pasan por el muestrea, 0 001 002 003 008 005-006 0.07 Fraccién delectuosa del proceso antes de a inspecoién Figura 15-8 Curvas de operacién caracteristica para varios planes de ™uestreo continuo, CSP-1.(Adaptacién con permiso de A. J, Duncan, Quality Comiol and industrial Statistics, Sa. ed, Irwin, Honsesood, Il, 1986.) control. El ntimero promedio de unidades que pasan por el procedimiento de inspeccién muestral antes de encontrar una unidad defectuosa es a ass) La fraccién promedio del total de las unidades fabricadas inspeccionadas en el largo plazo es #t aris 2th 15.6) mo La fraccién promedio de las unidades fabricadas que pasan por el procedimiento de muestreo es ee (5-7) uty Cuando P, se grafica como una funcién de p, se obtiene una curva de operacién caracteristica ara un plan de muestreo continuo. Obsérvese que mientras que una curva OC para un plan de mue: treo de aceptacién lote por lote da 21 porcentaje de lotes que pasarfan por la inspeccién muestral, la curva OC de un plan de muestreo continuo da el porcentaje de las unidades que pasaron por la inspeccién muestral. En la figura 15-8 se muestran las graficas de las curvas de operacién caracteris- tica para varios valores de fe i para planes CSP-1. Obsérvese que para valores de moderados Pequerios de f, i tiene un efecto mucho més grande sobre la forma de la curva que f Otros planes de muestreo continuo Ha habido algunas variantes del plan CSP-1 original de Dodge. Una variante se disefié para refutar la objecién de que la ocurrencia de una sola unidad defectuosa aislada en ocasiones no justifica e! volver a una inspeccién del 100%. Esto es particularmente cierto cuando se trata de defectos meno- res, Para refutar esta objecién, Dodge y Torrey (5) propusieron los planes CSP-2 y CSP-3. Bajo el plan CSP-2, la inspeccién del 100% no se restablecerd cuando la produceién esté bajo inspeccién muestral hasta que se hayan encontrado dos unidades defectuosas dentro de un espacio de K unida-15:7 PLANES DE MUESTREO PoR SALTODELOTES 741. des muestrales entre si. Es una préctica con:én elegir K igual al nimero de liberacién i. Los planes CSP-2 estén registrados por AOQL especfficos que pueden obtenerse con diferentes combinacio- nes de iy f El plan CSP-3 es muy similar al CSP-2, pero esté diseiado para brindar proteccién adicional contra la produccién irregular. Requiere que después de que se ha encontrado una unidad defectuosa en Ia inspeccién muestral, deberdn inspeccionarse de inmediato las cuatro unidades siguientes. Si alguna de estas cuatro unidades es defectuosa, se restablece de inmediato la inspec- cin del 100%. Si no se encuentran unidades defectuosas, el plan continta bajo el CSP-2. Otra objecién comin a los planes de muestreo continuo es fa transicién abrupta entre la inspec- cin muestral y la inspeccién del 100%. Lieberman y Solomon (2) han disefiado planes de muestreo continuo de niveles miiltiples para resolver esta objecién. Los planes de muestreo continuo de nive~ les maltiples empiezan con una inspeccién de! 100%, como el CSP-1, y después se hace el cambio a la inspeccién de una fraccién f de la produccién tan pronto como se Hega al nimero de liberacién i. Sin embargo, cuando en la inspeccién muestral de la fraccién f se encuentra una corrida de i unidades muestrales consecutivas sin defectos, entonces e1 muestreo puede continuar para la frac- cién f2, Si se encuentra una corrida adicional de i unidades consecutivas sin defectos, entonces el muestreo puede continuar para la fraccin 2. Esta reducciGn en la frecuencia del muestreo puede continuarse hasta donde lo estime pertinente la instancia de muestreo. Si en cualquier momento la inspeccién muestral revela una unidad defectuosa, se vuelve de inmediato al siguiente nivel de muestreo inferior. Este tipo de plan de muestreo continuo de niveles miltiples reduce considera- blemente el esfuerzo de inspeccién cuando el proceso de manufactura esté operando muy bien. y lo aumenta durante los periodos de produccién pobre. Esta transicién en la intensidad de la inspec ccién también se leva cabo sin cambios abruptos en la carga de inspeccién. Gran parte del trabajo de los planes de muestreo continuo se ha incorporado en el estindar MIL. STD 1235C. El estindar estipula cinco tipos diferentes de planes de muestreo continuo. El estdndar incluye tablas para ayudar al analista a diseftar planes de muestreo. Los planes CSP-1 y CSP-2 son parte del MIL STD 1235C. Ademis, hay otros dos procedimientos de muestreo continuo con un solo nivel, el CSP-F y el CSP-V. El quinto plan incluido en el estndar es el CSP-T, un plan de muestreo continuo de niveles miltiples. Los planes de muestreo del MIL STD 1235C se encuentran registrados con letras de c6digo para la frecuencia del muestreo y el AOQL. También estén registrados con los AQL del MIL STD 105E. Este aspecto del estindar MIL STD 1235C ha desatado una controversia considerable. Los planes CSP no son planes AQL y no tienen AQL asociados naturalmente con ellos. El MIL STD 10SE, el cual se enfoca en el AQL, esté disefiado para situaciones de manufactura en las que la separacién en lotes es un aspecto natural de la produccién, y proporciona una serie de reglas de decisién para dictaminar los lotes de tal modo que se obtenga cierta proteccién AQL. Los planes CSP estén disefiados para situaciones en las que la produccién es continua y la separacién en lotes no es un aspecto natural de las situaciones de manufactura. En el MIL STD 1235C, las tablas para los planes de muestreo tienen notas al calce e indican que los AQL no tienen significado respecto del plan, y son sélo un indice. ° 15-7 PLANES DE MUESTREO POR SALTO DE LOTES En esta seccién se describe el desarrollo y evaluaci6n de un sistema de planes de inspecci6n lote por lote en los que se estipula inspeccionar s6lo una fracci6n de los lotes puestos a consideracién. Estos planes se conocen come planes de muestreo por salto de lotes. En términos generales, los planes de742 CAPITULO 15. OTRAS TECNICAS DE MUESTREO DE ACEPTACION mucsiteo Por salto de lotes s6lo deberin usarse cuando la calidad del producto por dictaminar eg buena con base en el historial de calidad del proveedor. Dodge (3) present6 inicialmente los planes de muestreo por salto de lotes como una exten: SiGn de los planes de muestreo continuo tipo CSP. De hecho, un plan de muesireo por salto de Hotes es la aplicacién del muestreo continuo a los lotes en vez de a las unidades de produccisn individuales en una linea de ensamblaje. La versién del muestreo por salto de lotes propuesta inicialmente por Dodge requeria una sola determinacién o andlisis para decidir la aceptabiligy 0 inaceptabilidad del lote. Estos planes se Haman SkSP-1. Los planes de muestreo por salto da lotes designados SkSP-2 sigue al siguiente paso ligico; es decir, cada lote que va a diet se muestrea de acuerdo con un plan particular de inspeccién de lotes por atributos Presenta una buena discusién de estos planes. Un plan de muestreo por salto de lotes del tipo SkSP-2 utiliza un plan de inypeccién de un lote especificado Hamado el “plan de muestreo de referencia”, junto con las siguientes reglas aminarse Perry (1) 41. Se empieza con la inspeccién normal, usando el plan de referencia. En esta etapa de ‘operacién se inspecciona cada uno de los lotes. 2. Cuando se aceptan i lotes consecutivos en la inspeccién normal, se hace el cambio a la inspecci6n salteada. En la inspeccién salteada se inspecciona una fraccién f de los lotes 3. Cuando se rechaza un lote en la inspeccién salteada, se vuelve a la inspecci6n normal, ‘Los parmetros fe i son los pardmetros del plan de muestreo por salto de lotes SkSP-2. En general cl ntimero de liberacién i es un entero positivo, y la fraccién muestral f se localiza en el intervalo 0 0 Ae x=0 ADO Bee >0, 0, me .r>0A>0 uae >0,r = 1,2, Gate Ora dee B Weibull x>0,8>0,0>0 a a +a) Z Bw o UA uae ra ie ra rie752 APENDICE Apéndice I1_Distribucién normal esténdar acumulada 09 Detbeseaane cas a5 Soe 0.00 0.50000 0.53983 0.57926 0.61791 0465542 0.69146 0.72575, 0.75803 0.78814 0.81594 0.84134 0.86433 0.88493 0.90320 0.91924 0.93319 0.94520, 0.95543, 0.96407 0.97128 0.9725 0.98214 0.98610 0.98928, 0.99180, 0.99379 0.99534 0.99653 0.99744 0.99813 0.99865 0.99903 0.99931 0.99952, 0.99966 0.99977 0.99984 0.99989 0.99993 0.99995 O01 0.50399, 0.54379 0.58317 0.62172 0.65910 0.69497 0.72907 0.76115, 0.79103, 0.81859 0.84375, 0.86650 0.88686 0.90490 0.92073 0.93448, 0.94630 0.95637 0.96485 0.97193, 0.97778 0.98257 0.98645 0.98956 0.99202 0.99396 0.99547 0.99664 0.99752 0.99819 0.99869 0.99906, 0.99934 0.99953, 0.99968, 0.99978, 0.99985 0.99990 0.99993, 0.99995, 0.02 050708 0.54776, 0.58706 0.62: 0.62276 0.69847 0.73237 0.76424 0.79389 0.82121 0.84613 0.86864 0.88877 0.90658 0.92219, 0.93574 0.94738 0.95728 0.96562 0.97257 0.97831 0.98300 0.98679, 0.98983 0.99224 0.99413, 0.99560 0.99674 0.99760 0.99825 0.99874 0.99910, 0.99936, 0.99955 0.99969 0.99978 0.99985 0.99990, 0.99993 0.99996 0.03 OS1197 055172, 0.59095 0.62930 0.66640 0.70194 0.73565, 0.76730 0.79673 0.82381 0.84849) 0.87076 0.89065 0.90824 0.92364 0.93699, 0.94845 0.95818 0.96637 0.97320 0.97882 0.98341 0.98713 0.99010 0.99245, 0.99430 0.99573 0.99683 0.99767 0.99831 0.99878 0.99913 0.99938 0.99957 0.99970 0.99979, 0.99986, 0.99990, 0.99994 0.99996 0.04) 051595 0.55567, 0.59483 0.63307 0.67003 0.70540 0.73891 0.77035, 0.79954 0.82639 0.85083, 0.87285 0.89251 0.90988, 0.92506 0.93822, 0.94950 0.95907 0.96711 0.97381 0.97932 0.98382 0.98745 0.99036 0.99266 0.99446 0.99585 0.99693, 0.9974 0.99836 0.99882, 0.99916 0.99940 0.99958, 0.99971 0.99980 0.99986 0.99991 0.99994 0.99996 00APENDICE 753. Apéndice It (Continuacién) 0.06 007008009 00051995 052392 052790 053188 033586 0.0 O.1 055962 056356 056789 057142 057534 0.1 0.2 0.59871 0.60257 0.60642 0.61026 061409 0.2 0.3 0.63683 0.64058 0.64431 0.64803 0.65173. 03 04 0.67364 0.67724 0.68082 0.68438 (0.68793 0.8 0.5 0.70884 0.71226 0.71566 0.71904 0.72240 0.5 06 0.74215 0.74537 0.74857 0.75175 0.75490 06 0.7 0.77337 0.7637 0.77935 0.78230 0.78523. 0.7 08 0.80234 0.80510 0.80785 0.81057 0.81327 08 0.9 082894 0.83147 0.83397 0.83646 0.83891 (0.9 1.0 085314 0.85543 0.85769 0.85993 0.86214 1.0 0.87493 0.87697 0.879000.88100 0.88297 1.1 1.2 0.89435 0.89616 0.89796 0.89973 0.90147 «1.2 13 091149 0.91308 0.91465 0.91621 09177313 14 0.92647 0.92785 0.92922 0.93056 (0.93189 1.4 15 0.93943 0.94062 0.94179 0.94295 0.94408 1.5 1.6 0.95053 0.95154 0.95254 0.95352 0.95448 1.6 1.7 0.95994 0.96080 0.96164 0.96246 0.96327 1.7 1.8 0.96784 0.96856 0.96926 0.96995 0.97062 1.8, 19 0.97441 0.97500 0.97558 0.97615 0.97670 1.9 2.0 0.97982 0.98030 0.98077 0.98124 0.98169 2.0 j 2.1 0.98422 0.98461 0.98500 0.98537 0.98574 2.1 2.2 0.98778 0.98809 0.98840 0.98870 0.98899 2.2 2.3 0.99061 0.99086 0.99111 0.99134 0.99158. 23 24 0.99286 0.99305 0.99324 0,99343 0.99361 2.4 2.5 0.99461 0.99477 0,99492 0.99506 0.99520 2.5 0.99598 0.99609 0.99621 0.99632 0.99643 26 0.99702 0.99711 0.99720 0.99728 0,99736 27 0.99781 0.99788 0.99795 0.99801 0.99807 2.9 0.99841 0.99846 0.99851 0.99856 0.99861 3.0 0.99886 0.99889 0.99893 0.99897 0.99900 3.1 0.99918 0.99921 0.99924 0.99926 0.99929 3.2 0.99942 0.99944 0.99946 0.99948 0.99950 3.3 0.99960 0.99961 0.99962 0.99964 0.99965 3.4 0.99972 0.99973 0.99974 0.99975 0.99976 3.5 0.99981 0.99981 0.99982 0.99983 0,99983 3.6 0.99987 0.99987 0.99988 0.99988 0,99989. 3.7 0,99991 0.99992 0.99992 0,99992 0.99992 38° 0.99994 0.99994 0.99995 0,99995 0.99995 3.9 0.99996 0.99996 0.99996 0.99997 0.99997754 APENDICE Apéndice II’ Puntos porcentuales de la distribucién 72 v 0995 099 0975 0.950 0.00 0.025 0.010 0.005 1 0.00+ 000+ 000+ 000+ 045 502 6637.88 2 001 002 0.05 0.10 139 738 9.21 10.60 3 007 Olas Cdimey 055 2.37 935 11.34 12.R4 4 021 030 048 0.71 3.36 114 13.28 14,86 5 oat OSSea0 083240 1.18 435 12.38 15.09 16.75 6 068 = 0.87 1241.64 5.35 1445 1681 18.55 7 099 124 169-217 6.35 1601 18.48 20.28 3. aaa hossee sees 27a 134 1753 20.09 21.96 ‘9: 2) 209° 2703.33 834 1902 21.67 23.59 10216 Tieiap 32a 39 9.34 2048 23.21 25.19 1 -260rt 305i 38tace 45% 10.34 2192 24.72 26.76 12 3.07 357 4400 5.23 1134 2334 26.22 28,30 13, as7&t a SOL 5.89 12.34 24.74 27.69 20.82 4 407,466 5.63657 13.34 26.12 29.14 31.32 15 40 L 8 See Orem tae 1434 2749 3058 32.80 16 5.14 581 691 7.96 1534 2885 3200 34.27 7 570 641 756-867 16.34 30.19 33.41 35.72 18 6.26 7.01 823 930 17.34 3153 3481 37.16 19 6.849% Tee SGNeS 10,19; 1834 3285 36.19 38.58 2 743826 959 10.85 19.34 34.17 3757 40.00 25° 19520 eee iste teat 24.34 40.65 44.31 46.93 30,1379 14.95 16.79 1849 (29.34 46.98 5089 53.67 40 2071-2216 24.43 26.51 39.34 5934 63.69 66.77 50 2799 2971-3236 34.76 49.33 7142 76.15 79.49 60 35533748 40.48 43.19 59.33 83.30 88.38 91.95 70 4328 45.44 48.76 51.74 69.33 95.02 100.42 104.22 80 S117 5354 57.15 60.39 79.33. «101.88 106.63 112.33 116.32 90 59.20 61.75 65.65 69.13 8933 113.14 118.14 124.12 128,30 100 67.33 70.06 «74.22 -77.93 99,33. 124.34 129.56 135.81 140.17 em prados de ibead. * Adapacie con permis de ress, Cambridar, 1966. Biomerita Tables for Staisticians, Vol. 1, 3a ed, E.S. Pearson y H, O. Hate, Cambridge UniversityAPENDICE Apéndice TV" Puntos por » 040 0.25 0.10 0.05 0.025 0.010.005 0.0025 0.001_—_—0.0005 1 0325 1.000 3.078 6314 12.706 31.821 63657 12732 31831 636.62 2 0.289 0816 1.886 2920 4.303 6.965 9.925 14.089 23.326 31.598 3 0277 0.765 1.638 2353 3.182 4.541 5.841 7.453 10.213 12.924 4 0271 0741 1.533 2.132 3.747 4.604 5.598 7.173 8.610 5 0.267 0.727 1.476 2015 3365 4032 4.773 5.893 6.869 6 0.265 0.727 1.440 1.943 3.143 3.707 4317 5.208 5.959 7 0.263 0.711 1415 1.895 2.998 349 © 4019 4.785 5.408, 8 0.262 0.706 1.397 1.860 2.306 2896 3.355 3833 4.501 5.041 9 0.261 0.703 1.383 1.833 2.262 2821 3.250 3690 4.297 «4.781 0.700 1.372 1.812 2.228 2764 3.169 3581 4.144 4.587 0.697 1.363 1.796 2.201 2.718 3.106 «3.497 4.025 4.437 0.695 1.356 1.782 2.179 2.681 3.055 3428 3.930 4318, 0.694 1.350 1.771 2.160 2650 3.012 3852 4.221 0.692 1.345 1.761 2145 2624 2.977 3.787 4.140 0.691 1341 1.753 2131 2602 2.947 3.733 4.073 0.690 1.337 1.746 2.120 2583 2.921 3.686 4.015 0.689 1.333 1.740 2110 2.567 2.898 3.646 3.965 0.688 1.330 1.734 2.101 2552 2.878 3.610 3.992 0.688 1.328 1.729 2.093 2539 2.861 3579 3.883 0.687 1.325 1.725 2.086 2528 2.845 3552. 3.850 0.686 1.323 1.721 2.080 2518 2.831 3527 3.819 0.686 1.321 1.717 2074 2508 2.819 3505 3,792 0.685 1319 1.714 2.069 2500 2807 S10 3.485 3.767 0.685 1318 L711 2.064 2492-2797 3.091 3.467 3.745 0.684 1.316 1.708 2.060 2485-2787 «3.078 3.450 3.725 0.684 1.315 1.706 2056 2479 2779 3067 3.435 3.707 0.684 1.314 1.703 2052 2473 2771 3.057 3.421 3.690 0.683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674 0.683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659 0.683 1310 1.697 2.042 2.457 2.750 3.030 3.385 (3.646 0.681 1.303 1.684 2.021 2423 2704 «2971 «3.307 3.551 0.679 1.296 1.671 2.000 2300 2660 2915 3.232 0.677 1.289 1.658 1.980 2358 2617 2.860 3.160 0.674 1.282 1.645 1.960 2326 2.576 2.807 3.090 + Adapacin con perso de Biomstrika Tables for Saisticans, Vol. 1.3. ed ES, Pearson y H. O. Hartley, Cambridge University Press, Cambedae, 1966, 755