Está en la página 1de 37

GRFI CAS PARA CONTROL DE PROCESO

En general, las variaciones que ocurren en un proceso de


produccin caen en dos amplias categoras; variaciones aleatorias y
variaciones con causas asignables. Las variaciones aleatorias pueden tener
un complejo de causas reales menores, ninguna de las cuales es
responsable por parte importante de la variacin total. La realidad es que
estas variaciones ocurren de forma aleatoria y es muy poco lo que puede
hacerse respecto a ellas dado el proceso en que ocurren. Por otra parte, las
variaciones con causas asignables son relativamente grandes y pueden
rastrearse hasta su origen. En general, las causas asignables son resultado
de:
1. Diferencia entre los trabajadores.
2. Diferencia entre las mquinas.
3. Diferencias entre materiales.
4. Diferencias debidas a la interaccin entre cualesquiera dos o tres de
las causas anteriores.

Puede desarrollarse un conjunto parecido de causas asignables para
cualquier proceso. Por ejemplo, las causas asignables para una variacin en
el ausentismo puede ser una epidemia, cambios en las relaciones
interpersonales dentro de la familia o en la situacin laboral del empleado,
entre otras.

Cuando un proceso se encuentra en un estado de control estadstico,
las variaciones que ocurren en el nmero de defectos, la magnitud de una
dimensin, la composicin qumica, el peso y otras parecidas se deben
solamente a una variacin aleatoria normal. Con la grfica de control se
establecen estndares de variacin normal esperada debida a causas
aleatorias. De esta forma,. Cuando las variaciones debidas a unas o ms de
las causas asignables se traslapan de inmediato saltan a la vista e indican
que algn componente bsico ha cambiado. Entonces es posible investigar
para encontrar la causa asignable y corregirla. Estos mecanismos de control
estadstico se denominan grficas de control.

Marco Conceptual para grficas de control

Si se toma un conjunto de medidas en secuencia, los datos pueden
acomodarse como una distribucin y calcular la media y la desviacin
estndar. Si se tiene entendido que los datos provienen de una distribucin
normal de la poblacin, pueden establecerse estimados precisos respecto a
la probabilidad de ocurrencia asociada con las medidas, dada en unidades
de desviacin estndar como sigue:

68.26 por ciento de los valores normalmente caen dentro de + o
95.45 por ciento de los valores normalmente caen dentro de + 2o
99.73 por ciento de los valores normalmente caen dentro de + 3o

Estos valores porcentuales representan el rea bajo la curva normal
entre los lmites dados; por tanto, indican la probabilidad de ocurrencia para
los valores que provienen de la distribucin normal que gener las
mediciones. Por ejemplo, la probabilidad es de 95.45 en 100 de que una
medida obtenida en forma aleatoria caiga dentro de los lmites de 2o y
solamente 4.55 en 100 de que caiga fuera de estos lmites. Estos valores,
as como los valores decimales para o provienen de la tabal para la
distribucin normal de probabilidad disponible como en la tabla 6 en el
apndice. La tolerencia natural de un proceso, es decir, la variacin
esperada en el proceso, generalmente se considera como + 3o. Los
estimados de la tolerancia natural se basarn en informacin de la muestra.
Se utilizar la siguiente notacin:

= Media de la poblacin (parmetro)
__
x = Media de una muestra obtenida de la poblacin (estadstica)
o. = Desviacin estndar de la poblacin (parmetro)
s = Desviacin estndar de una muestra obtenida de la poblacin
estadstica.

Dado que debe usarse informacin de la muestra para estimar las
medias y las desviaciones estndar de la poblacin, la tolerancia natural de
un proceso se estima sustituyendo
__
x + 3s en las estadsticas de la
muestra.

Clases de grficas control

Generalmente se utilizan dos tipos bsicos de grficas de control., con
algunas variantes:
- Grficas de control para variables.
- Grficas de control para atributos

Las grficas de control para variables son utilizadas cuando el
parmetro bajo control es alguna medida de una variable, tal como la
dimensin de una parte, el tiempo para realizacin de un trabajo y otras. Las
grficas de variables pueden basarse en mediciones individuales, valores de
la media de muestras pequeas, valores de la media de mediciones de
variabilidad.
Las grficas de control para atributos se emplean cuando el parmetro
bajo control es la proporcin o fraccin de unidades defectuosas. Existen
diversas variantes de las grficas para control de atributos. Las grficas de
control para el nmero de defectos por unidad se utilizan cuando un solo
defecto no tiene demasiada importancia pero un gran nmero de defectos
puede dar como resultado un producto defectuoso, como en el caso del
nmero de rayones en una superficie pintada. A continuacin se analizarn
todos los tipos anteriores de grficas de control, suministrando las bases
para su diseo:

Mediciones individuales (muestra de uno)

Si se han establecido estndares para la media y la desviacin estndar
de una variable con distribucin normal resultante de condiciones normales,
estos datos pueden usarse para construir una grfica de control. Tomando la
tolerancia natural de los lmites + 3s como un estndar de variacin para la
media, las mediciones individuales pueden gratificarse para determinar si los
puntos caen dentro de los lmites de control de + 3s o si muestran una
tendencia a desviarse ms all de uno de los lmites de control. Se sabe que
si muestras sucesivas son representativas de la poblacin original, la
probabilidad de que una muestra caiga fuera de los lmites de control
establecidos es reducida. Por otra parte, si las mediciones de la muestra
llegan a caer fuera de los lmites de control, se tendrn razones para creer
que algo ha cambiado en el proceso, siendo necesario investigar y corregir la
causa.
.
Los lmites de control para la grfica de control ebn la figura son:

Lmite superior de control, LSC x + 3s 1.000 + 3 x 0.0020 1.0060
Lmite superior de control, LIC x 3s 1000 3 x 0.0020 0.9940

Qu lmites de control?

El proceso a partir del cual se obtuvieron las muestras en la figura 1,
parece estar bajo control aplicando el criterio + 3s. Pero, si se hubieran
adoptado lmites de control de + 2s, el penltimo punto habra quedado fuera
de los lmites. Existe una probabilidad del 4.55 por ciento de que esto
hubiera ocurrido por aleatoriedad en los datos. Su existencia hubiera
activado una investigacin y si la investigacin hubiera indicado que no
existieron cambios en el proceso, el costo de dicha investigacin se habra
desperdiciado. Por otra parte, si los lmites de control fueran + 3s como se
muestra y el proceso hubiera cambiado realmente, la observacin habra
sido ignorada y se habra producido mayor cantidad de desperdicio en el
intervalo anterior al descubrimiento del cambio en el proceso.
En consecuencia, la disyuntiva al establecer lmites de control radica
en el balanceo de dos costos el costo de investigacin e inspeccin contra
el costo de prdidas cuando no se realiza una investigacin. Generalmente,
si el costo de la investigacin es muy elevado en comparacin con el costo
de la investigacin, ser necesario establecer lmites de control ms
sensibles.
Normalmente las grficas de control se desarrollan para muestras
mayores a un ejemplar, pero las relaciones estadsticas para la figura son
sencillas y de gran valor para entender las bases estadsticas de otras
grficas de control.

Distribuciones de muestreo

Para la figura la grfica de control basada en muestras de n = 1, ya se
ha establecido la normalidad de la distribucin. Una razn importante para
tomar muestras mayores a n = 1 es que puede obviarse la normalidad de la
distribucin de la poblacin. Aun cuando una distribucin de poblacin
puede apartarse radicalmente de la normalidad, la distribucin de muestreo
de medias de muestras aleatorias ser aproximadamente normal si el
tamao de la muestra es lo suficientemente grande. Este enunciado del
teorema del lmite central tiene gran importancia ya que asegura hasta cierto
punto que las probabilidades asociadas con los lmites de control que se
establezcan sern aplicables. En realidad, la desviacin a partir de la
normalidad puede ser sustancial pero las distribuciones de muestreo de las
medias de muestras tan pequeas como n 4 5 seguirn bastante de
cerca la distribucin normal.


Si se toman muestras de n = 4 de la distribucin de dimetros de ejes,
las medias de las muestras formarn una nueva distribucin con una media y
desviacin estndar propias. Esta distribucin se denomina una distribucin
de muestreo de medias de n = 4. Para distinguir las estadsticas de la
distribucin de mediciones individuales en la figura, se utiliza la notacin x
para la gran media de la distribucin de muestreo y
__
x
s para la desviacin
estndar de la distribucin de muestreo. Se espera que x y x sean casi
iguales en el lmite conforme aumente el nmero de muestras.

La desviacin estndar para la distribucin de muestreo ser mucho
menor que para las mediciones individuales debido a que la variacin se
reduce por el proceso de obtencin de promedios dentro de cada muestra.
La relacin resultante entre las dos distribuciones para los datos de los ejes
se muestra en la figura. La relacin resultante entre las dos distribuciones
para los datos de los ejes se muestra en la figura. La relacin entre s y sx
est dada por:

n
s
s
x
=
__


Para crear una grfica de control para las medias es necesario
establecer primero valores estndar para x y
__
x
s y para los lmites de control
de las medias de la muestra. Las medias de muestras subsecuentes se
grafican y ser necesario tomar medidas si una media de la muestra llega a
caer fuera de los lmites de control. Los mecanismos de control que utilizan
medias de la muestra se denominan grficas de control X y R.

Por qu las medias de la muestra caen fuera de los lmites de control?

Anteriormente se indic que las causas bsicas correspondan a
diferencias en los trabajadores, la maquinaria, los materiales y las
interacciones entre los primeros tres factores. Pero tambin pueden existir
causas sistemticas que pueden atribuirse a estos factores bsicos. Por
ejemplo., si las partes se produjeran en un torno, dichas partes tenderan a
aumentar de tamao conforme la herramienta de corte se fuera desgastando.
Este tipo de cambio en el proceso se reflejar en un desplazamiento de la
media de la distribucin de muestreo hacia el lmite superior de control
(LSC). Otros cambios podran resultar en un desplazamiento hacia el lmite
inferior de control (LIC).
Otro tipo de variacin sistemtica, como el desgaste en un cojinete en
la manivela del torno, se presentara en la forma de una mayor variabiklidad
en la distribucin de muestreo y se esperara que la media de la muestra
saliera de ambos lmites de control. La grfica X, entonces, puede mostrar
cambios en las medias de las muestras y en la variabilidad de las muestras,
as como combinaciones de ambas. Pero cuando los cambios en la
variabilidad son particularmente importantes, puede construirse una grfica
de control especial sobre una medida de variabilidad, como la grfica R.

Grficas
__
X
Al construir grficas X, existen varias cuestiones que deben
resolverse, tamao de la muestra, establecimiento de estndares para
promedio del proceso y lmites de control y procedimientos prcticos para
reducir los clculos requeridos.

Tamao de la muestra

En la industria, los tamaos de las muestras son generalmente
reducidos por buenas razones. Primero, es ms barato recolectar,
inspeccionar y procesar muestras pequeas. Segundo, las muestras de
mayor tamao deben obtenerse durante perodo ms prolongados y pueden
presentarse cambios durante dichos perodos, impidiendo que las reacciones
sean oportunas; las condiciones fuera de control no se detectarn tan
rpidamente y pueden producirse desperdicios adicionales. Generalmente
los tamaos de muestra ms comunes son de cuatro o cinco ejemplares.
Este tamao anticipa los problemas indicados y es lo suficientemente grande
como para que el teorema del lmite central garantice la normalidad en la
distribucin del muestreo. Por otra parte, las muestras de mayor tamao
tienen el efecto de hacer ms estrechos los lmites de control. Debe notarse
que el tamao de la muestra est en el denominador de la frmula para
__
x
s .
De esta forma, una muestra de mayor tamao significa una
__
x
s de menor
tamao. Pueden detectarse variaciones ms finas en los proceso cuando las
muestras son ms grandes.

Definicin de estndares para promedios del proceso y lmites de
control

Cmo puede determinarse si el promedio del proceso,
__
x ., y los
lmites y los lmites de control son representativos del proceso cuando ste
se encuentra en un estado de control estadstico? Si el proceso estuviera
cambiando durante el periodo en el cual se estuviera desarrollando
informacin para definir estndares, los estndares no tendran significado.
Las condiciones no estndar podran resultar en un cambio en el promedio,
en la desviacin estndar, o en ambos.

Para contar con una proteccin contra lo anterior, se calcula una s
individual para cada una de las pequeas muestras de un subgrupo
preliminar y despus se promedian. Las medias de las muestras de un
subgrupo se trazan sobre una grfica de control basada en
_
3
__
x
s x para
determinar si han ocurrido cambios en el promedio del proceso en el periodo
durante el cual se recopilaron los datos preliminares deber. Para lograr los
objetivos, el tamao del subgrupo deber ser relativamente reducido,
posiblemente de 20 a 25 y el periodo de tiempo durante el cual se recopilan
los datos preliminares deber ser lo suficientemente largo como para poder
reconocer cualesquiera cambios en el proceso que ocurran entre intervalos
de muestreo.

Procedimientos prcticos para determinar los lmites de control de la
grfica
__
X

A manera de ejemplo, si
==
x = 2.000,
__
R = 0.005 y n = 5, entonces el
factor de la tabla es A2 = 0.511 y los lmites de control son:

LSC = 2.0000 + (0.577 x 0.005) = 2.0000 + 0.0029 = 2.0029
LIC = 2.0000 (0.577 X 0.005) = 2.0000 0.0029 = 1.9971

Los clculos bsicos para determinar las lneas centrales y los lmites
de control permanecen iguales sin importar la variable que est siendo
medida.

Tabla


Tamao de la
muestra n.
Lmites de
control para la
grfica
__
X , A
2

Lmites de control para la grfica R
Inferior, D
3
Superior D
4

3
4
5
6
7
8
1.023
0.729
0.577
0.483
0.419
0.136
0
0
0
0
0.076
0.136
2.575
2.282
2.115
2.004
1.924
1.864
Fuente: Desarrollada a partir de una tabla de factores mucho ms grande de gran utilidad para
la construccin de grficas de control, tabla B2 del Manual A.S.T.M. para control de calidad de
materiales, p. 115.





Grficas R Grficas de Control para Medidas de Variabilidad

Al calcular los lmites de control para las grficas
__
X , las estadsticas
usadas con las medias de la muestra reducida y estos son los datos que se
trazan en la grfica. De la misma forma podra usarse una medida de
variabilidad, como la desviacin estndar o el rango, como estadstica
bsica. Para cada muestra se calcula una desviacin estndar (o rango)
muestra y estas observaciones se agrupan en una distribucin que aproxima
la distribucin normal. Esta nueva distribucin de medidas de variabilidad
tiene una media, una desviacin estndar y un rango que pueden ser usados
para construir una grfica de control. Esta grfica de control indica cuando la
variabilidad del proceso es mayor o menor que el estndar.

En el control de calidad, la estadstica seleccionada es generalmente
el rango ms que la variacin estndar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medicin ms alta y la ms baja se traza en la
grfica R. La distribucin de rangos tiene un promedio,
__
R , y una desviacin
sR. Los lmites de + 3sR tienen el mismo significado general para la grfica
__
X .

Procedimientos prcticos para determinar los lmites de control de
la grfica R.

De la misma forma que para las grficas
__
X , las estadsticas usadas
son las medias de la muestra reducida y estos son los datos que se trazan
en la grfica. De la misma forma podra usarse una medida de variabilidad,
como la desviacin estndar o el rango, como estadstica bsica. Para cada
muestra se calcula una desviacin estndar o el rango, como estadstica
bsica. Para cada muestra se calcula una desviacin estndar (o rango)
muestra y estas observaciones se agrupan en una distribucin que aproxima
la distribucin normal. Esta nueva distribucin de medidas de variabilidad
tienen una media, una desviacin estndar y un rango que pueden ser
usados para construir una grfica de control. Esta grfica de control indcia
cuando la variabilidad del proceso es mayor o menor que el estndar.

En el control de la calidad, la estadstica seleccionada es generalmente
el rango ms que la variacin estndar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medicin ms alta y la ms baja se traza en la
grfica R. La distribucin de rangos tiene un promedio,
__
R , y una desviacin
estndar s
R
. Los lmites de + 3s
R
tienen el mismo significado general que la
grfica
__
X .

Procesamientos prcticos para determinar los lmites de control de la
grfica R

De la misma forma que para las grficas
__
X , el clculo de los l mites de
control para la grfica R ha sido simplificado mediante el uso de la
estadstica
__
R en lugar de la desviacin estndar. Usando los datos de la
tabla para una muestra de tamao n, se seleccionan los factores D
3
y D
4
y se
calculan los lmites de control 3s
R
como sigue:
LSCR = D
4

__
R
LICR = D
3
__
R
A manera de ejemplo, si n = 4 y
__
R = 3.000 y de la tabla D
4 =
2.282 y
D
3
= 0, entonces los lmites de control para la grfica R son:

LSC
R
= 2.282 C 3.000 = 6.846
LIC
R
= 0 X 3.000 = 0
Ejemplos de Grficas
__
X y Grficas R.
Considere un proceso de produccin para el cual se desea establecer
tanto una grafica
__
X como una grfica R. Con el fin de inicializar las grficas,
se toman 20 muestras de n = 5 mediciones aleatorias conforme el proceso
contina. Estas observaciones se muestran en la tabla siguiente, en las
columnas 2 a 6, representando cada lnea una muestra de n = 5. El
promedio de cada muestra se da en la columna 7 y el rango de la muestra se
da en la columna 8. La gran media y el rango promedio se muestran en la
parte inferior de estas dos ltimas columnas como
__
x = 0.201 y
__
R = 0.043,
respectivamente
Nmero
de la
muestra

Observaciones individuales



Promedio
de la
muestra,
x
Rango
de la
muestra,
R.
(1) (2) (3) (4) (5) (6) (7) (8)
1
2
3
4
5
6
7
8
9
10

11
12
13
14
15
16
17
18
19
20
0.198
0.224
0.195
0.183
0.194
0.212
0.179
0.216
0.221
0.226

0.181
0.176
0.217
0.203
0.243
0.255
0.210
0.178
0.163
0.218

0.175
0.209
0.172
0.191
0.142
0.238
0.186
0.212
0.172
0.184

0.210
0.179
0.199
0.192
0.184
0.217
0.226
0.188
0.223
0.192
0.201
0.184
0.204
0.168
0.208
0.219
0.206
0.201
0.201
0.187

0.219
0.206
0.225
0.203
0.187
0.200
0.187
0.157
0.171
0.198
0.209
0.225
0.213
0.194
0.226
0.198
0.170
0.196
0.205
0.182

0.206
0.182
0.205
0.207
0.220
0.231
0.189
0.184
0.208
0.199
0.204
0.209
0.208
0.202
0.188
0.230
0.212
0.224
0.204
0.229

0184
0.244
0.208
0.208
0.214
0.214
0.190
0.162
0.202
0.199

0.197
0.210
0.198
0.188
0.192
0.219
0.191
0.210
0.201
0.202

0.200
0.197
0.211
0.203
0.210
0.223
0.200
0.174
0.193
0.201

==
x =0.201
0.034
0.041
0.041
0.034
0.084
0.040
0.042
0.028
0.049
0.047

0.038
0.068
0.026
0.016
0.059
0.055
0.039
0.031
0.060
0.026

__
R
=0.043


Grficas
__
X

Primero se calcula la lnea central y los lmites de control preliminares
para la grfica
__
X de la siguiente manera:

LSC =
__
2
R A x+
=

= 0.201 + (0.577 X 0.043) = 0.226
LIC =
__
2
R A x
=

= 0.201 (0.577 X 0.043) = 0.176
Los lmites de control y la lnea central preliminares para la gran medida
se muestran en la figura 3, graficndose las medias de las 20 muestras
calculadas en la columna 7 de la tabla.

La grfica de control generalmente indica que se tiene un sistema
generador de datos, estables, con la excepcin de la muestra 18, que se
ubica por debajo del LIC. Es absolutamente posible que esta media de la
muestra represente una de las ocurrencias aleatorias de que una media
caiga fuera de los lmites 3s x . Sin embargo, se sabe que este evento
ocurre con una probabilidad de solamente 0.0027 por lo que se hace
necesaria una investigacin. La investigacin revela que el operador estuvo
siguiendo un mtodo no estndar que result en la observacin de bajo
menor al normal una causa asignable. La muestra 18 se elimina de los
datos y se calculan una gran media y lmites de control revisados como
x = .202 y R = 0.044. Los lmites de control revisados son entonces:

LSC = X + A
2 R
= 0.202 + (0.577 X 0.044) = 0.227
LIC = x A
2
R = 0.202 (0.577 x 0.044) = 0.177
Cundo actuar

El hecho de que la muestra 18 haya salido de los lmites plantea la
pregunta: qu configuraciones de puntos en una grfica de control
sugieren que debe adoptarse una accin? Se justifica una accin
solamente cuando los puntos salen de los lmites?. Los siguientes son
algunos lineamientos convenientes sobre cundo anticipar los problemas
mediante una accin de investigacin:


Grficas R

Los lmites de control preliminares para una grfica R se calculan
utilizando los factores D
3
= 0 y D
4
= 2.115 de la tabla 13-1 como sigue:

LSC = D
4
R
= 2.115 x 0.043 = 0.0909
LIC = D
3
R
= 0 x 0.043 = 0

En figura 13-4 se muestra la grfica R con los lmites de control
preliminares y los rangos de 20 muestras trazadoras. Debe notarse que el
rango para la muestra 18 no cae fuera de los lmites de control en la grfica
R. A pesar de ello, y dado que fue eliminada de la grfica X , tambin debe
eliminarse de la grfica R; la lnea central y los lmites de control revisados
reflejan este procedimiento. La grfica R indica que la variabilidad del
proceso es normal. Las lneas centrales y lmites de control revisados en las
figuras 13-3 y 13-4 representan estndares razonables para comparacin
con muestras futuras.

GRFI CAS DE CONTROL PARA ATRIBUTOS

En las grficas de control para atributos la poblacin se divide en dos
clasificaciones: partes defectuosas contra partes buenas, el nmero de
facturas con errores contra el nmero de facturas sin errores en una
operacin de oficina, el nmero presente contra el nmero ausente para el
control del ausentismo, la proporcin de tiempo inactivo contra el tiempo
activo en un estudio de muestreo de trabajo y as sucesivamente. En
cualquier situacin para la que se desee construir una grfica de control es
necesario establecer esta distincin bueno-malo.

Grficas p

Las grficas de control para la proporcin o fraccin de partes
defectuosas que se presentan se denominan grficas p; estas grficas estn
basadas en la distribucin binomial. Recurdese que, para la distribucin
binomial:

__
__
observado total Nmero
s defectuosa partes de Nmero
= =
N
x
p

|
.
|

\
|

=
__ __
1 p p
s
p


en donde
n = tamao de la muestra

Siguiendo la prctica para grficas de control de calidad, los lmites de
control se establecen en el promedio del proceso para partes defectuosas
ms y menos tres desviaciones estndar,
__
p + 3s
p
.

En la tabla se muestra un conjunto de datos para el nmero de defectos
encontrados en muestras diarias de 200 para 24 das consecutivos de
produccin. Primero se quiere determinar si los datos exhiben control
estadsticos y despus establecer una grfica de control. La fraccin de
defectos diarios se calcula dividiendo cada cifra diaria entre el tamao de la
muestra, n = 200. En la tabla tambin se calculan cifras preliminares para p,
s
p
. Y LSC y LIC. Estas cifras preliminares se emplean para determinar si el
proceso que genera los datos est bajo control.



Tabla: Registro del nmero de partes defectuosas y fraccin calculada
de defectos en muestras diarias de n =20

Da de
produccin
Nmero de
partes
defectuosas
Fraccin
de
defectos
Da de
produccin
Nmero de
partes
defectuosas
Fraccin
de
defectos
1
2
3
4
5
6
7
8
9
10
11
12
13
10
5
10
12
11
9
22
4
12
24
21
15
8
0.005
0.025
0.05
0.06
0.055
0.045
0.11
0.02
0.06
0.12
0.105
0.075
0.04
14
15
16
17
18
19
20
21
22
23
24
Total
14
4
10
11
11
26
13
10
9
11
12
294
0.07
0.02
0.05
0.055
0.055
0.13
0.65
0.05
0.045
0.055
0.06


__
p = 061 . 0
200 24
294
=
X

p
s
3 = 3 X 0.017 = 0.51
LSC = 112 . 0 051 . 0 061 . 0 3
__
= + = +
p
s p
LIC = 010 . 0 051 . 0 061 . 0 3
__
= =
p
s p

S
p
= 017 . 0
200
939 . 0 061 . 0
=
x



En la figura, se presenta la grfica resultante de los defectos en la
produccin diaria en relacin con los lmites de control preliminares. Dos
puntos caen fuera de los lmites y el punto para el da 7 est casi fuera del
lmite superior. La investigacin no muestra nada extraordinario para el
primer punto, da 7. Para el segundo punto, da 10, una explicacin lgica es
que se contrataron tres trabajadores nuevos ese da. El ltimo punto, da 19,
se explica por el hecho de que el dado se haba desgastado y finalmente se
rompi ese da.

Para establecer estndares para la variacin normal se elimina los
datos para los das en los que se han establecido causas asignables (das 10
y 19) y se vuelven a calcular p, LSC y LIC de la siguiente manera.


058 . 0
21 200
244
__
= =
X
p

UCL = 0.058 + 3 108 . 0
200
942 . 0 058 . 0
=
X


UCL = 0.058 - 3 108 . 0
200
942 . 0 058 . 0
=
X



Estos valores revisados reflejan la variacin debida a causas
aleatorias y se emplearn como estndares para juzgar la proporcin de
muestras defectuosas en el fututo. Si alguna muestra futura cae fuera de
estos lmites, la reaccin inmediata ser que es altamente probable que
exista una causa asignable para la observacin de una proporcin
extraordinaria de defectos. Entonces se tratar de determinar la causa y
corregirla antes de producir una mayor cantidad de desperdicio.


Grficas p para muestras de tamao variable.

En el ejemplo anterior el tamao de la muestra era constante. Sin
embargo, con frecuencia los tamaos de la muestra son variables, como
suele ser el caso cuando se aplica una inspeccin del 100 por ciento y los
volmenes resultantes varan da a da. Si los tamaos de la muestra varan
slo ligeramente, los lmites de control pueden basarse en el tamao de la
muestra promedio. Sin embargo, cuando los tamaos de la muestra varan
sustancialmente, pueden calcularse nuevos lmites de control para cada
muestra, lo cual no resulta una actividad costosa en el mundo actual de la
computacin.

Estos clculos de los lmites de control pueden simplificarse. Por
ejemplo si , 009 . 0
__
= p entonces n n x n p p / 896 . 0 / 901 . 0 099 . 0 3 / 1 3
__ __
= = |
.
|

\
|
.
Para cada muestra, entonces, la raz cuadrada del tamao de la muestra se
divide entre 0.896 para obtener el valor de 3s
p
que debe sumarse y restarse
de
__
p para obtener los lmites de control individuales. Por supuesto, una p
diferente requiere una nueva determinacin de la constante.

Otra forma de manejar este problema es construir una grfica p
estabilizada convirtiendo las desviaciones del promedio del proceso a
unidades de desviacin estndar. Se calcula una s
p
para cada muestra
utilizando el mtodo rpido antes mencionado (el factor para el ejemplo sera
simplemente de 0.896/3 = 0.299)= y se divide entre la variacin de la
muestra a partir de
__
p ,
__
p -
__
p . Si la produccin de defectos de la muestra
fuera p = 0.084,
__
p = 0.099 como anteriormente y n = 95, entonces s
p
=
0.299/ 95 = 0.0306. Entonces (p -
__
p )/s
p
= -0.0150/0.306 = - 0.49 unidades
de desviacin estndar. Los lmites de control se trazan en trminos de
unidades de desviacin estndar y esta muestra est 0.49 desviaciones
estndar por debajo de la media.

Grficas c-grficas de control para defectos de unidad

En ocasiones el parmetro a ser controlado no puede ser expresado
como una proporcin simple, como fue el caso de las grficas p. En los
tejidos, por ejemplo, el nmero de defectos por cada 10 yardas cuadradas de
material puede ser el parmetro a controlar. En dichos casos, un defecto
puede ser menor en s mismo, pero un gran nmero de defectos por unidad
de rea puede ser cuestionable. Para la distribucin de Poisson, la
desviacin estndar Sc es igual a la raz cuadrada de la media
__
c . El
clculo de los lmites de control es entonces extremadamente simple. Por
ejemplo, si el nmero medio de defectos por unidad fuera
__
c = 25, entonces:

LSC =
__
c +3s
c
= 25 + (3x5) = 40
LIC =
__
c -3s
c
= 25 (3 x 5) = 10

Muestreo para aceptacin

Cuando ya se ha llevado a cabo la produccin, con frecuencia se
desea conocer el nivel de calidad del lote. Cuando un proveedor enva un
lote de partes, por ejemplo, deben estas partes aceptarse como buena o
no? El muestreo para aceptacin es la tcnica estadstica de control de
calidad para tomar este tipo de decisiones. Se examinarn planes para
muestreo tanto de atributos como de variables.

Muestreo para Aceptacin por Atributos

Curvas de caractersticas operativas (CO)

Para especificar un plan de muestreo se establece el tamao de la
muestra, n, y el nmero de defectos permitidos en la muestra, c (nmero de
aceptacin), antes de que sea rechazado todo el lote del cual se obtuvo la
muestra. La curva CO para una combinacin particular de n y c muestra qu
tan bien discrimina el plan entre lotes buenos y malos. La figura 13-6
muestra una curva CO para un plan de muestreo con una muestra de
tamao n = 100 y un nmero de aceptacin c = 2. En este plan, si c = 0 y se
encuentran 1 2 partes defectuosas en una muestra de n = 100., el lote se
considerar aceptable. Si la calidad real del lote es del 1 por ciento de partes
defectuosas, el plan en la figura 6 aceptara el lote aproximadamente el 91.5
por ciento del tiempo y lo rechazara aproximadamente el 8.5 por ciento del
tiempo. Debe hacerse notar, sin embargo, que si la calidad real del lote fuera
algo inferior al uno por ciento de partes defectuosas posiblemente el 5 por
ciento- la probabilidad de aceptacin del lote disminuye drsticamente acerca
del 13 por ciento. Por tanto, si la calidad real del lote es buena, el plan
provee una alta probabilidad de aceptacin, pero si la calidad real es mala, la
probabilidad de aceptacin es baja. De esta forma, la curva CO muestra
qu tan bien un plan dado discrimina entre una calidad buena y una mala.

La capacidad de discriminacin de un plan de muestreo depende del
tamao de la muestra. En la figura 13-7 se muestran las curvas CO para
muestras de tamaos 100, 200 y 300, permaneciendo el nmero de
aceptacin en proporcin al tamao de la muestra. Es conveniente notar que
la curva CO se hace ms pronunciada conforme aumenta el tamao de la
muestra. Si se compara el poder de discriminacin de los tres planes
representados en la figura 13-7 puede verse que los tres aceptarn lotes con
aproximadamente 0.7 por ciento de partes defectuosas aproximadamente el
83 por ciento del tiempo (aproximadamente, el punto en que se intersectan
las tres curvas). Sin embargo, si la calidad real disminuye a 3.0 por ciento de
partes defectuosas, el plan con N = 100 acepta lotes aproximadamente el 20
por ciento del tiempo; n = 200 acepta lotes aproximadamente el 6 por ciento
del tiempo; y n = 300 menos de 1 por ciento del tiempo. Los planes con
mayores tamaos de muestra son definidos ms efectivos.

Qu sucede con la curva CO si cambia solamente el nmero de
aceptacin? En la figura 13-8 se presentan curvas CO para una muestra de
n=50 y nmeros de aceptacin de c = 1, 2 y 3. El efecto es
fundamentalmente un cambio en el nivel de la curva CO, por lo que menores
nmeros de aceptacin provocan que el plan sea ms estrecho; esto es,
mantienen la calidad resultante en porcentajes ms reducidos. A manera de
generalizacin, entonces, existe cierta interaccin entre el tamao de la
muestra y el nmero de aceptacin para la determinacin del poder de
discriminacin de las curvas CO.

Un plan de muestreo que discrimina perfectamente entre lotes buenos
y malos tendr una curva CO vertical; esto es, seguir la lnea punteadas de
la figura 13-7. La probabilidad de aceptacin es cero para todos los lotes con
porcentajes de partes defectuosas a la derecha de la lnea.
Desafortunadamente, el nico plan que lograra est discriminacin es aquel
que requiere una inspeccin del 10 por ciento. Por tanto, la justificacin del
muestreo para aceptacin resulta del balance entre los costos de inspeccin
y los posibles costos de aceptar partes defectuosas.

Al hacer que los planes de muestreo sean ms discriminatorios
(aumentando los tamaos de las muestras) o ms estrechos (reduciendo el
nmero de aceptacin), se puede aproximar cualquier nivel deseado de
calidad pero con mayores costos de inspeccin. Este mayor esfuerzo de
inspeccin resultar en menores costos de aceptacin de partes
defectuosas. En algn punto la combinacin de estos costos incrementales
es mnima. Este punto mnimo define el plan de muestreo ms econmico
para una situacin dada. Obviamente, si el costo de aceptar productos
defectuosos es elevado, una mayor inspeccin se justifica en trminos
econmicos.

Para justificar la inspeccin al 100 por ciento de una muestra, las
prdidas probables debidas a la aceptacin de productos malos debern ser
grandes en relacin a los costos de inspeccin, resultando posiblemente en
la prdida de contratos y clientes. Es sobre esta base que puede justificarse
el objetivo japons de cero defectos. Por otra parte, para justificar que no
se realice una inspeccin debern ser bastante elevados en relacin a las
prdidas probables debidas a la aceptacin de partes malas. La situacin
ms usual se ubica entre estos extremos, en donde existe el riesgo de no
aceptar lotes que no son en realidad adecuados y el riesgo de aceptar lotes
malos.

Determinacin de curvas CO

Las curvas CO pueden construirse a partir de los datos obtenidos de
la distribucin normal o de Poisson. Si los lotes son grandes, posiblemente
ms de 10 veces el tamao de la muestra, las probabilidades para la curva
CO pueden obtenerse de la distribucin binomial. Sin embargo, si las
muestras son grandes las aproximaciones normal o de Poisson tambin son
muy cercanas y son mucho ms convenientes de usar. Las reglas empricas
son las siguientes:

Si pn > 5, las probabilidades pueden ser determinadas a partir de la
distribucin normal con una media p y una desviacin estndar
( ) n p p / ) ' 1 '
Si pn < 5, usar la distribucin de Poisson.

Generalmente el porcentaje de defectos del lote es reducido y los lotes
son relativamente grandes por lo que se emplea la distribucin de Poisson
para calcular los valores para calcular el porcentaje de probabiiidad de
aceptacin. Pa para curas CO. La grfica Thorndike suministra curvas de
acumulacin de distribuciones Poisson de probabilidad para distintos valores
del nmero de aceptacin c. La grfica indica la probabilidad de ocurrencia
de c o menos defectos en una muestra n seleccionada de un universo infinito
en el cual el porcentaje de partes defectuosas es PD.

Puede usarse la grfica Thorndike para calcular los valores P
a
usados
para trazar las curvas CO de la figura 13-9 o cualquiera otra de las curvas
CO que se han utilizado como ejemplos. Recurdese que el plan de
muestreo para la figura 13-6 fue de n = 100 y c = 2. Los valores de P
a

usados para nueve puntos de la curva CO se calculan en la tabla 13-4
leyendo los valores para Pa a partir de la grfica Thorndike. Por ejemplo,
para PD = 2 por ciento, PD X n/100 = 2 X 100/100 = 2.0. Consultando la
escala horizontal de la grfica Thorndike con este valor, se lee P
a
= 68 por
ciento en la escala vertical para c = 2.


Riesgos para el productor y para el consumidor

La definicin de estos riesgos, que se analizaron brevemente en el
captulo 12, puede especficamente an ms mediante su referencia a una
curva CO tpica., En la figura 13-10 se muestran grficamente las siguientes
cuatro definiciones:

AQL Nivel aceptable de calidad los lotes
de este nivel de calidad se
consideran buenos y desea tener una
alta probabilidad para su aceptacin.
o Riesgo para el productor la
probabilidad de que lotes con un nivel
de calidad AQL no sean aceptados.
Generalmente o= 5 por ciento en la
prctica.
LPTD Porcentaje de defectos tolerables
para el lote la lnea divisoria entre
lotes buenos y lotes malos
seleccionada. Los lotes de este nivel
de calidad se consideran como
pobres y se desea tener una baja
probabilidad para su aceptacin.
|
Riesgo para el consumidor la
probabilidad de que se acepte el nivel
de calidad LTPD. Generalmente | =
10 por ciento en la prctica.

Especificacin de un plan de muestreo

Para especificar un plan que satisfaga los requisitos para AQL, ,
LTPD y , debe encontrarse una combinacin de n y c con una curva CO
que pase a travs de los puntos a y b, como se muestran en la figura 13-10.
La mecnica para encontrar planes especficos adecuados puede
establecerse utilizando tablas, grficas o frmulas estndar que resulten en
o
|
la especificacin de una combinacin de n y c que se aproxime lo suficiente a
los requisitos establecidos para AQL, , LTPD y ,

TABLA 13-4 Clculo de valores de Pa X 100
de la figura 13-9 a paritr de la grfica de
Thorndike (plan de muestreo: n = 100 y c = 2)

Porcentaje real de
partes defectuosas PD
(PD X n)/100 Porcentaje de
probabilidad de
aceptacin a partir de
la figura 13-9
0
1
2
3
4
5
6
7
8
0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
100.0
91.5
68.0
42.0
24.0
12.0
6.0
3.0
1.5


Especificacin de n Y c para Planes de muestreo nico
o |

Para especificar un plan debe determinarse el tamao de la muestra n
y el nmero de aceptacin c nicos que produzcan una curva CO que se
aproxime a la especificada por los cuatro valores, AQL, , LTPD y , esto
puede lograrse consultando tablas o usando la grfica de Thorndike.
Un ejemplo: Supngase que se ha especificado las caractersticas de la
curva CO deseada como:

AQL = 2 por ciento

= 5 por ciento
LTPD = 8 por ciento
= 10 por ciento

Paso 1 Tabular valores PD X n/100 para P
a
= (1 -
) = 95 por ciento y P
a

=
= 10 por ciento para cada valor de c a partir de la grfica
Thorndike. Por ejemplo, para P
a
= 95% y c = 1, leer PD X n/100 =
0.36 y para P
a
= 10% y c = 1, leer PD X n/100 = 3.9. Haga lo
mismo como en los diversos valores de c como en las columnas 1,
2 y 3 de la tabal 13-5. Debe notarse que en las columna 2 el PD a
que se hace referencia es AQL, mientras que en la columna 3 es
LTPD.

Paso 2 Calcular la relacin de la columna 3 con la columna 2 para cada
uno de los valores de c, como en la columna 4 la relacin 8 / 2 = 4,
dado que para el plan deseado LTPD = 8 y PD = 2 por ciento.
Esta relacin de 4 cae entre 4.06 para c = 4 y 3.58 para c = 5.
Paso 3 Calcular tamaos de muestra como en la tabla 13-6, decidiendo si
se mantiene fija y se deja flotar o viceversa. Si, por
ejemplo, se establece c = 4 y se mantiene en 5 por ciento,
entonces PD X n/100 = AQL x n/100 = 1.97 y puede resolverse
para la muestra de tamao n:


n = 99
2
100 97 . 1
=
x


o |
o
|
o
|
o |
o
Paso 4 El plan de muestreo sera entones n = 99 y c = 4.
Revisar el valor resultante del riesgo flotante. Usando la grfica
Thorndike , para el plan 1, ingresar los valores de c = 4 y PD X
n/100 = 8 X 99/100 = 7.92 y leer el valor real de = 10.5 por
ciento.










Tabla 13-5 Determinacin de planes de muestreo con AQL y LTPD
especificadas ( = o 5 por ciento | = 10 por ciento).

(1)
Nmero de
aceptacin
(2)
Valor de (PD x n/100
con P
a
= 95 por
ciento a partir de la
figura 13-9
(3)
Valor de (PD x n/100
con P
a
= 10 por
ciento a partir de la
figura 13-9
(4)
Relacin Col. 3:Col.
2 = LTPD/AQL
1 0.36 3.9 10.83
2 0.80 5.3 6.63
3 1.35 6.7 4.96
4 1.97 8.0 4.06
5 2.60 9.3 3.58
6 3.30 10.5 3.18
7 4.00 11.8 2.95
8 4.70 13.0 2.77

En la tabla 13-6 tambin se muestran los valores flotantes reales de o
y | para cada uno de los cuatro planes. Notar que para el plan 1 la
probabilidad de aceptar lotes con un 8 por ciento de calidad aumenta
ligeramente mientras se mantienen las dems especificaciones. Para el plan
2, la probabilidad de rechazar lotes de buena calidad aumenta ligeramente
mientras que se mantiene la especificacin para | y as sucesivamente. Los
|
planes 1 y 2 son los que ms se aproximan a satisfacer las especificaciones
originales y la eleccin entre ellos depende del nfasis deseado.

Otros valores de o y |. La tabla 13-5 se construy para los valores
comunes de 5 y 10 por ciento para o y |, respectivamente, pero, obviamente,
puede construirse una tabla comparable a partir de la grfica Thorndike para
cualesquiera valores de o y |, por lo que los mtodos descritos son
generales.

Curva de calidad resultante promedio (CRP)

En la figura 13-11 se muestra el flujo de partes buenas y rechazadas
en un plan tpico de muestreo y se suministran las bases estructurales para
calcular la calidad resultante promedio (CRP). Se inspecciona la muestra
aleatoria de tamao n y cualesquiera partes defectuosas halladas en la
muestra son sustituidas por partes buenas. Con base en el nmero de
partes defectuosas c encontramos en la muestra, se acepta todo el lote si c
<= c y se rechaza si c > c.

Tabla 13-6. Planes de muestreo sencillo para c = 4 y c = 5 cuando o es fija,
permitiendo que | es fija y se permite que o flote.

c fija en 4 c fija en 5
(1)
o = 5 Por ciento,
| Flota
(2)
| = 10 Por ciento,
o Flota
(3)
o = 5 Por ciento,
| Flota
(4)
| = 10 Por ciento,
o Flota
n = 1.95 x 100/2
= 99
| = 10.5 por ciento
n = 8.0 x 100/8
= 100
o = 5.5 por ciento
n = 2.60 x 100/2
= 130
| = 5 por ciento
n = 9.3 x 100/8
= 115
| = 3 por ciento


Si el lote es rechazado se le somete a una inspeccin del 100 por ciento
y todas las partes defectuosas encontradas se sustituyen pro partes buenas.
Entonces, todo el lote de N partes estar libre de partes defectuosas. Sin
embargo, si el lote es aceptado con base en la muestra, se corre el riesgo de
pasar algunas partes defectuosas. Puede calcularse el nmero promedio de
partes defectuosas.

Si la calidad promedio entrante es PD, la aceptacin ocurre con la
probabilidad P
o
(tomada directamente de la curva CO para la DP). El
nmero promedio de partes defectuosas es entonces el producto de la
proporcin de defectos recibidos por el nmero restante en el lote ponderado
por la probabilidad de que la aceptacin ocurra o
(P
o
/ 100) x (PD / 100) x (N n). La calidad resultante promedio CRP en
porcentaje es entonces:

CRP = Nmero promedio de defectos x 100 = P
o
(PD) (N n)
Nmero de partes en el lote 100 N

A partir de la relacin anterior puede desarrollarse una curva para
cualquier plan de muestreo dado mostrando la CRP para cualquier nivel e
calidad entrante, determinando la P
o
a partir de la curva CO y substituyendo
estos valores en la frmula para el clculo de CRP, como se indica en la
figura 13-12. Esta curva CRP se basa en la curva CO de la figura 13-6 para
un plan de muestreo de n = 100, c = 2 y N = 1000.

Es interesante observar las caractersticas de la curva CRP. Primero,
existe un nmero mximo o lmite de la calidad resultante promedio (AOQL).
Existe un AOQL para cada plan de muestreo, el cual depende de las
caractersticas del plan. Cuando se presenta una buena calidad al plan por
ejemplo, 0 a 2 por ciento - P
o
es relativamente alta, por lo que la mayora de
las partes defectuosas se aceptarn. Conforme se excede el 2 por ciento
para la calidad entrante, sin embargo, P
o
declina rpidamente (vase la
curva CO de la figura 13-6) y la probabilidad de una inspeccin al 100 por
ciento aumenta, por lo que se detecta un mayor nmero de partes
defectuosas la calidad resultante mejora automticamente conforme la
calidad entrante empeora. Especficamente, AOQ nunca excede del 1,25 por
ciento, sin importar la calidad entrante para el plan.

Ya se han mostrado los clculos para la situacin en la cual se
sustituyen las partes defectuosas. Si dichas partes no son sustituidas,
entonces la frmula para AOQ se transforma en:

( )
( ) ( )( )( ) | |
100
100 / 100 / 1 100 /
x
n N PD P n PD N
n N xPD P
AOQ
+

=
o
o


PLANES DE MUESTREO CON PROTECCI N LTPD O AOQL
ESPECIFI CADA

Dodge-Roming provee tanto grficas como tablas para el diseo de
planes de muestreo que dan una proteccin LTPD o AOQL especificada con
| = 10 por ciento y una inspeccin total mnima. Los niveles de LTPD o
AOQL seleccionados para una situacin dada dependen de las
consecuencias de una mala calidad. Si las operaciones subsecuentes
pueden detectar defectos adicionales sin alterar la produccin, estos
estndares pueden ser relativamente confiables, pero si la menor calidad
resulta en altos costos de produccin y otros relacionados con la calidad,
LTPD o AOQL deben mantenerse en niveles reducidos.