II parcial

DIAGRAMAS DE FLUJO / MAPA DE PROCESOS

Es un mtodo visual para descubrir grficamente la secuencia (flujo o ruta) de un proceso desde su inicio hasta su final y suele comenzar con las materias primas, materiales y los insumos, muestra las transformaciones ocurridas a estos y termina con el producto final.

VENTAJAS DE LOS DIAGRAMAS DE FLUJO

Proveen una secuencia grfica de cada uno de los pasos que componen una operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y comprensin del proceso. Planean y coordinaan responsabilidades en diferentes reas Identifican etapas claves o potencialmente problemticas Localizan actividades de control o puntos de medicin y Determinan si el proceso actual se apega a los requerimientos del cliente (de no ser as, el diagrama ayuda a modificarlo y redisearlo) Minimizan grandes volmenes de documentacin Facilitan el desarrollo de Procedimientos Estndar de Operacin. Al tener un procedimiento de operacin estndar se reduce en gran medida la variacin y el tiempo de ciclo.

PASOS A SEGUIR PARA HACER UN DIAGRAMA DE FLUJO: Definir el proceso especfico para el que se va a elaborar el diagrama de flujo. Identificar los principales componentes del proceso: materiales, mquinas y personas que intervienen en el flujo de las operaciones. Representar las secuencias de actividad desde la primera hasta la ltima, incluyendo las que se realizan de manera simultanea. Identificar cada una de las operaciones mediante los smbolos que se presentan en la siguiente figura. PROCESO Un proceso es una serie de actividades relacionadas que transforman un conjunto de entradas en un conjunto de salidas. Entrada Materiales Equipos Transformacin Salidas Productos Servicios

 SIMBOLOGIA UNIVERSAL.- El Diagrama de Flujo de Proceso utiliza smbolos para describir las actividades de trabajo descritos a continuacin Rectngulo Representa una actividad o paso del proceso

Rombo

Utilizado para expresar una pregunta a ser respondida si o no- desiciones

Crculo

Indica Inicio o fin de un proceso

Cuadrado

Indica Inspeccin Operacin de transformacin: de la cual resulta un cambio fsico o qumico del producto. Decisiones pendientes-evaluaciones Verificacin: de alguna caracterstica mediante un estandar de calidad preestablecido

Triangulo invertido

Almacenamiento: Mantener un producto en almacenamiento hasta que contine su procesamiento o sea vendido

Flecha

Utilizado para representar movimiento de materiales o informacin Transporte: Movimiento fsico del producto o un componente. Direccin del flujo de las actividades

Rectangulo

Indica espera del proceso

EJEMPLO DEL PROCESO DE ELABORACION DEL JUGO DE NARANJA ENVASADO

DESCRIPCION DEL PROCESO DE ELABORACION DEL JUGO DE NARANJA ENVASADO

Se inicia el Proceso
Se sacan las naranjas ya escogidas del Almacenamiento o bodega Se pasan por un proceso de Lavado utilizando Agua y Jabn Se pasa por un proceso de Secado utilizando aire caliente Se Inspecciona la limpieza de las naranjas, en caso de no cumplir los requisitos de calidad de limpieza se regresa al proceso unitaria de Lavado Se pasa a un proceso de Corte Se pasa a un proceso de Prensado para obtener el jugo y se desecha la cascara Se pasa el jugo a un Proceso de Envasado Se envia el jugo envasado a la bodega o Almacenamiento de producto terminado

Se Termina el Proceso
Nota.-realizar el proceso del jugo de naranja

INICIO DEL PROCESO ALM. DE NARANJAS INSPECCION DECISIN LAVADO Agua PELADO DESPULPADO INSPECCION DECISIN

mal estado Agua R. cascara pulpa

Falta despulpar

FILTRADO INSPECCION DECISION PASTEURIZADO INSPECCION ULTRAFILTRADO INSPECCION DECISIN

Residuos

Presencia Residuos Vapor Vappr

Impurezas

Presencia impurezas

LLENADO DE TANQUES ALMACENAMIENTO EMBOTELLADO Botellas y tapas ETIQUETADO Etiquetas INSPECCION DECISIN EMPAQUETADO Plstico - Cartn ALMACENAMIENTO FIN DEL PROCESO

Separar

INICIO DEL PROCESO ALMACENAMIENTO DE BOTELLAS TAPAS INSPECCION DECISION LAVADO Agua ESTERELIZADO INSPECCION DECISION EMBOTELLADO (Proceso)

Botellas Tapas con defectos Agua lavado

Botellas mal lavadas

INSPECCION Y CONTROL INSPECCION Definiciones

PARCIAL

Es la evaluacin de: materia prima, un subproducto en proceso o un producto final por medio de la observacin acompaada cuando sea necesario por: medicin, ensayo/prueba o comparacin con patrones o Normas para determinar si cumple los requisitos de calidad y decidir a continuacin si se acepta o se rechaza. O tambin es el Conjunto de procedimientos de medicin, verificacin, ensayos, etc., que tienen por objetivo comparar un producto con los requisitos especificados,

PLANIFICACION DE LA INSPECCION
Todo proceso de inspeccin es una actividad de control que incluye los siguientes pasos: Definicin de los puntos de inspeccin .......DONDE? Recepcin de materiales durante operaciones de puesta en marcha. Traspaso de productos intermedios de una seccin a otra. Durante operaciones costosas o crticas. Al terminar completamente el proceso de fabricacin y empaque. Antes de realizar una operacin costosa e irreversible. En los cuellos de botella del proceso.

ELEMENTOS DE LA INSPECCION 1.- Especificacin del procedimiento de inspeccin........... QUIEN toma la muestra?-- CUANDO debe tomar la muestra?--------- COMO tomar la muestra? 2.Muestreo

Consiste en extraer del lote una cantidad (o nmero de unidades) determinada para proceder a su examen. 3.Examen

Consiste en realizar a una cantidad determinada del lote la: verificacin, medicin, observacin, etc., mediante la aplicacin de mtodos de ensayos o pruebas: fsicas, qumicas, microbiolgicas, etc. Mtodos de ensayo.- Establece instrucciones al procedimiento que debe seguirse para la verificacin del cumplimiento de requisitos de un producto a travs de la medicin o cuantificacin de las caractersticas que lo definen y para aseguras la reproducibilidad de los resultados. 4.Comparacin

Es la comparacin de los resultados de las pruebas de medicin y ensayos con los requisitos especificados en la Norma Tcnica

5.-

Decisin

Consiste en decidir si las caractersticas responden o no a los requisitos de calidad de la Norma y su aceptacin si cumple

6.Accin Es el tipo de accin que se debe hacer con el producto

Un primer tipo de accin consiste en: Aceptar el lote Rechazar el lote Seleccionar el lote y volver a inspeccionar, etc. Un segundo tipo de accin implica: Registrar en una hoja de verificacin de los datos obtenidos Un tercer tipo de accin tiene que ver con el proceso de fabricacin: Parar el proceso Volver a preparar las materias primas Revisar o Cambiar de: Mano de obra, Maquinaria, Materiales, Mtodos de trabajo, etc. Volver a Inspeccionar

PASOS DE LA INSPECCION
Lugar de la Inspeccin Tamao de la muestra Secuencia o direccin de la Inspeccin Frecuencia de la Inspeccin Como debe formar la muestra Criterios de aceptacin o rechazo Condiciones de identificacin y preservacin de las muestras

 INSPECCION DE MATERIALES HOMOGENEOS Son los materiales pueden presentarse en estado; fluido, pulverulento o granuloso en grandes unidades; fluidos como la leche, vino, ect. Pulverulentos como las harinas, polvos qumicos, etc. o slidos granulosos como los medicamentos, productos qumicos, minerales, etc., En este tipo de materiales homogneos el control de inspeccin se realiza tomando una muestra en forma aleatoria del almacenamiento o de los recipientes que los contiene. NO HOMOGENEOS Son los materiales pueden presentarse en unidades elaboradas como: conservas, enlatados, materiales en forma de rollos como el papel higinico, Pastas dentales, etc. En este tipo de materiales no homogneos el control de inspeccin son distintos segn la cantidad de material y la variabilidad de las caractersticas y se realiza tomando una muestra aplicando diferentes tipos de muestreo en diferentes partes de ubicacin del proceso.

POR LOTES
Los materiales pueden presentarse almacenados en lotes de unidades similares de producto terminado en las cuales las caractersticas cualitativas asumen valores precisos. El muestreo se toma tambin en forma aleatoria del almacenamiento. Es evidente que el trabajo de inspeccin ser arduo, cuando mas aumente el nmero de unidades el nmero de pruebas ser mayor. Por ejemplo, sacos de harina, envases de hidratantes, fundas de leche, etc Suele realizarse una vez que el departamento de produccin a concluido sus operaciones PRODUCTOS ACABADOS

En algunos de los productos acabados se aprueban con una inspeccin al 100% mediante una simulacin de uso, las pruebas se hacen en la propia cadena de produccin o en zonas de inspeccin separadas, ejemplo; las industrias de electrodomsticos, Industria de equipos de laboratorios, etc.

TECNICAS O PRUEBAS DE INSPECCION

Pruebas de medicin.- Consiste en la determinacin del valor numrico de una caracterstica con la ayuda de un instrumento. Por ejemplo; la medida de la acidez de la leche, el pH de una solucin, la densidad de un fluido, Colormetro que valoran el color del producto, Nefalmetro mide la turbidez, Penetrmetro, mide la dureza, Viscosmetro que mide la viscosidad de los alimentos etc. Pruebas de pasa y no pasa.- Consiste en el uso de calibres de lmites fijos, para determinar si una caracterstica esta por encima o por debajo de un valor determinado en base a su grosor (lmites de especificacin) por ejemplo el grosor de las galletas, medicamentos, etc. Prueba de Control funcional.- Consiste en la verificacin de funcionamiento de un producto o servicio. Por ejemplo por simulacin de uso de: una jeringuilla, un espray, las tapas de un envase, etc.

 Pruebas por Inspeccin sensorial.- Es la aplicacin de los sentidos del ser humano para determinar si el producto es aceptado: ejemplo, el sabor de un alimento, el olor de un perfume, la textura de un helado, etc. Pruebas por Inspeccin visual.- Constituyen una categora especial de las cualidades sensoriales en las que la inspeccin visual determina si el producto es aceptado o rechazado por ejemplo por: el color, el acabado, la forma o cuando la etiqueta esta rota, su empaque estadeteriorado oxidado y su cdigo de barras no se nota Pruebas de Inspeccin destructiva: Es la medicin o ensayo que involucra la destruccin o no de las unidades inspeccionadas. Ejemplo, fundas de papel utilizadas para empaque, cartones de empaque, etc. Con esta inspeccin, es imposible la inspeccin del 100%.

FORMAS DE INSPECCIN 1.- ENTRADA AL PROCESO - RECEPCION.El propsito es impedir que las mercancas que no cumplen con los requisitos de calidad no ingresen al proceso; se evitando problemas, demoras o reduccin de la calidad del producto acabado. Por lo tanto, la inspeccin de entrada se realiza antes de colocar las mercancas recibidas en los almacenes- bodegas o antes que pasen a fabricacin. No se deben utilizar los materiales hasta que se verifican a.Inspeccin por control puntual.- Solo se examina unas cuantas unidades o cantidades del lote N de produccin en una frecuencia de tiempo sea esta frecuencia en minutos, horas, etc. b.Inspeccin Muestreal .- Del lote se sacan una o varias muestras constituidas por un nmero determinado de unidades o cantidades. A continuacin estas muestras son inspeccionadas al 100%, en base estos resultados se emite el juicio de conformidad para todo el lote N.

c Inspeccin a travs de muestreo irregular o accidental.- Las muestras en unidades o cantidades se sacan sin ningn criterio particular. No se hace ninguna valoracin relativa a la frecuencia de extraccin, ni tampoco sobre el tamao ms adecuado de dichas muestras. e Inspeccin mediante Muestreo Porcentual.- Es la inspeccin de un determinado porcentaje de todo el lote o de las partes del mismo en que ha sido subdividido, por ejemplo del 25 % de toda la muestra, El tamao de las muestras est dado por el porcentaje y sern extradas al azar,

f.Muestreo Aleatorio.- El control de inspeccin se realiza tomando una muestra del almacenamiento en forma aleatoria en base a tablas estadisticas : las cajas, recipientes o tanques que los contiene.
g.- La inspeccin por reas.- El control de inspeccin se realiza dividiendo el lote de produccin en reas separadas. Ej. Cajas de Vinos, Gaseosas, sacos de harina etc.

 EJEMPLO DE APLICACIN DE INSPECCION: Produccin de LICOR XYZ - Licor fabricado en base de alcohol potable obtenido de la caa de azcar RESUMEN DEL PROCESO RECTIFICADO.- El alcohol potable es alimentado a la columna de rectificacin de dos platos, con el fin de eliminar todas las impurezas y obtener alcohol etlico de 96 *G. PREPARADO.- En los tanques de preparado de licor, se realiza la mezcla del alcohol rectificado, agua desmineralizada y jarabe. REPOSO.- La mezcla preparada pasa a los tanques de reposo, donde permanecen por 24 horas. FILTRACION.- Previo al envasado, el licor preparado es filtrado, primero en un filtro de tierra diatomeas y luego por un filtro de prensa ENVASADO Y ETIQUETADO.- En esta etapa se realiza el envasado del licor en botellas de 1000 cc y 500 cc, el producto licor XYZ, es embalado, utilizando un material de amortiguamiento. AMACENADO .- Las cajas de LICOR XYZ es almacenado en la bodega de producto terminado hasta cuando es entregado a los distribuidores o clientes directos

 P2 ENCARTONADO ALMACDENAMIENTO Licor XYZ Clientes REPOSO FILTRADO P3 Licor elaborado bot-tap-et P4

Agua desminer Jarabe Azucar

Alcohol potable

P1
Alc-Etilico PREPARADO

RECTIFICADO

ENVASADO

P5

P6 Cartones

PUNTOS DE CONTROL: P1, P2, P3, P4, P5, P6 (video)

.
ALCOHOL POTABLE

PC1

RECTIFICADO
ALCOHOL ETILICO

AGUA DESMIN-JARABE -AZUCAR

PC2

PREPARADO REPOSO

FILTRADO
LICOR ELABORADO

.
PC3

BOTELLAS-TAPAS - ETIQUETAS

PC4

ENVASADO
LICOR ENVASADO

PC5

LICOR MAL ENVASADO O LICOR MAL PROCESADO

CARTONES-CINTA EMBALAJE

PC6

ENCARTONADO

LICOR ALMACENADO- LISTO PARA EL CLIENTE

CARACTERSTICA A INSPECCIONAR ----

PRUEBAS INSPECCION Medicin

FORMA INSPECCION ENTRADA Control puntual

Pasa y no pasa Muestreal Control funcional M. irregular Sensorial M. Porcentual Visual Destructiva Por reas M. Aleatorio M. Aleatorio

FORMA FORMA INSPECCION INSPECION EN PROCESO SALIDA 1ra. unidad Simulacin-uso Producida Pruebas-vida Volante Cumplir R.C. Autocontrol Ultima Unidad Producida

INSPECCIN DE ENTRADA AL PROCESO ETAPA DEL PROCESO DE CONTROL PUNTOS DECONTROL RECEPCIN: No 1 - 2 4 - 6 Materias Primas Materiales e insumos CARACTERSTICA PRUEBAS FORMA AINSPECCIONAR INSPECCION INSPECCION

Materias Primas e insumos Alcohol Potable (*GL > 95 %) Agua desmineralizada (dureza %) Jarabe (concentracin %) Azcar (color Impurezas ) Botellas Volumen (1000 cc +- 10cc ) Presin ( 2Mpa ) Altura Total (310 +- 2mm) Dimetro del Cuerpo (250 +- 2 mm)

Medicin Medicin Medicin Visual

Muestreal Muestreal Muestreal Irregular

Medicin Medicin Pasa no pasa Pasa no pasa

Aleatorio Aleatorio Aleatorio Aleatorio

 CARACTERSTICA AINSPECCIONAR

PRUEBAS INSPECCION

FORMA INSPECCION
Aleatorio Irregular Irregular Irregular Irregular Irregular Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio Aleatorio

Presentacin Rosca Control Funcional Burbuja, mx 3 mm de dimetro Visual Rajaduras Visual Rotura Visual Color Visual Apariencia Visual Tapa Presentacin Rosca Control Funcional Apariencia Visual Color Visual Aplastadas Visual Etiquetas Impresin Visual Manchas Visual Rotas Visual Cartones Visual Apariencia Visual Medidas Visual Roturas - manchas Visual

2.- INSPECCIN EN EL PROCESO .Tiene como objetivo impedir que se fabriquen productos de calidad inaceptable y no pasen al siguiente unidad de proceso, controlando que:
El producto cumpla con los requerimientos especificados El producto sea inspeccionado e identificado El Proceso sea monitoreado El producto sea retenido hasta que se realicen todas las pruebas

a.- La inspeccin de la primera unidad Producida.- se realiza sobre los primeros artculos producidos despus de la preparacin o de ajuste del proceso de fabricacin. El objetivo es detectar defectos de tipo no aleatorio, es decir que los defectos no se repitan en cantidad o unidad tras unidad, debidos a problemas de; maquinarias, materias primas, instalaciones elctricas, herramientas, instrumento de medicin, o a una interpretacin errnea del mtodo de trabajo aplicado o de las instrucciones dadas. Ej., Elaboracin de sueros, perfumes, licores, jarabes, etc.

b.- La inspeccin volante.- Consiste en un muestreo peridico a medida que va avanzando la produccin del lote. El inspector de calidad o persona responsable, examinar el producto de ms reciente fabricacin en cualquier parte del proceso. Por ejemplo en la etapa de pasteurizacin, homogenizacin de la leche; Cuando se detectan problemas, se verifican todas las unidades producidas en ese lote. c.- La inspeccin por el operario o autocontrol. Significa que el propio operador lleva a cabo el examen durante el proceso de fabricacin. El obrero debe ser de experiencia d.- La inspeccin del ltimo artculo Producido.- La calidad del producto, se controla sobre las ltimas unidades de lote fabricado. Esto permite tomar cualquier medida que sean necesarias para rectificar defectos en los equipo antes de iniciar la produccin del lote siguiente. Si no se detectan los problemas puede ocasionar retrasos en la produccin. Ejs. Elaboracin de cerveza, ensaladas, Fabricacin de materiales de vidrio, cartones de envase de jugos, papel higinico, etc.

INSPECCIN EN EL PROCESO
ETAPA DEL PROCESO SALIDA FILTRADO: ENVASADO LICOR CARACTERSTICA A INSPECCIONAR Licor Filtrado en base a Norma Inen No 362 Grado Alcohlico ( 45 *GL) Alcoholes superiores *GL Sacarosa (10 15 %) Grados Brix ( 10 30 ) *Br Impurezas Anlisis sensorial Olor Sabor Color Anlisis Microbiolgico Levaduras Licor envasado - P6 Volumen ( 1000 -0 +10) cm3 Enroscado Hermeticidad Etiquetado Condicin de la tapa de seguridad PUNTOS DECONTROL No 3 - 5 FORMA INSPECCION
Primera Primera Primera Primera Primera

PRUEBAS INSPECCION Medicin Medicin Medicin Medicin Visual

Sensorial Sensorial Visual

Medicin Medicin Funcional Visual Visual Visual

Primera Primera Primera

Primera Volante Operario Volante Volante Volante

3.- INSPECCIN A LA SALIDA FINAL.-

La finalidad es evitar que expediciones o ventas enve a los clientes productos defectuosos y se realiza en la etapa de almacenamiento El producto terminado cumple con los requerimientos especificados Todas las pruebas y ensayos se han realizado satisfactoriamente El producto no se despacha hasta que se realicen todas las pruebas La inspeccin final se realiza mediante: Simulacin de uso. El producto es analizado simulando el uso aplicacin; ndice de ruptura de las fundas de papel, plstico, etc Por ejemplo: el

Pruebas de vida.- Mediante las cuales se determina el deterioro de una caracterstica en funcin del tiempo de utilizacin, por ejemplo la medida del grado alcohlico, la oxidacin de una superficie expuesta a la accin de una atmsfera corrosiva, el deterioro de los envases al pasar el tiempo Cumplimiento de los Requisitos de Calidad.- Que los productos fabricados cumplan fielmente los requisitos o parmetros de calidad indicados en las Normas Tcnicas Nacionales e Internacionales

INSPECCIN FINAL
PRUEBAS INSPECCION Medicin Visual Visual Visual Visual

Almacenamiento o bodega CARACTERSTICA A INSPECCIONAR Inspeccionar Caja Cartn con el licor Resistencia Apariencia Roturas Manchas Sellado Abrir la caja cartn para verificar Material de amortiguamiento completo Producto acorde a lo declarado en la caja Divisiones de separacin de botellas Sacar una botella del cartn verificar Volumen del licor ejemplo 1000 cc Etiquetado Condicin de la tapa de seguridad Timbre fiscal

PUNTOS DE CONTROL P6 FORMA INSPECCION

Simulacin de uso Simulacin de u Simulacin de uso Simulacin de uso Simulacin de uso

Visual Visual Visual

Visual Visual Visual Visual

Simulacin de uso Req. Calidad Simulacin de uso

Req. Calidad Simulacin de uso Simulacin de uso Simulacin de uso

CARACTERSTICA PRUEBAS FORMA A INSPECCIONAR INSPECCION INSPECCION Apariencia de la botella y de la etiqueta Visual Simulacin de uso Hermeticidad Visual Simulacin de uso Color Visual Simulacin de uso Rotura Visual Simulacin de uso Impurezas Visual Simulacin de uso Abrir la botella y verificar Apertura fcil Visual Simulacin de uso Roturas en la boca de la botella Visual Pruebas de vida De la botella verificar Requisitos fsicos-quimicos y microbiolgicos Grado Alcohlico a 15 *C INEN -362 Medicin Req-Calidad Alcoholes superiores *GL INEN- 362 Medicin Req-Calidad Metanol *GL INEN-362 Medicin Req-Calidad Grados Brix INEN-362 Medicin Req-Calidad Olor Medicin sensorial sabor Degustacin sensorial Color Visual Sensorial

GRADOS DE INSPECCION INSPECCIN AL CIEN POR CIENTO

SE EXAMINAN UNA O MAS CARACTERSTICAS CON TODAS LAS UNIDADES DEL LOTE. ES ANTIECONMICA.

INSPECCIN POR MUESTREO

SE EXAMINAN UNA O MS CARACTERSTICAS EN UNAS CUANTAS UNIDADES DEL LOTE.

INSPECCIN POR MUESTREO ESTADSTICO BASADO EN TEORA ESTADSTICA QUE PROPORCIONA: - TAMAO DE MUESTRA, - CRITERIOS DE (Ac) y (Re) SE CONCIDERA LA PROBABILIDAD DE AC

1.-

INSPECCIN AL 100 %.-

Consiste en examinar una o mas caractersticas en todas las unidades o Itms del lote. Es antieconmico pero es seguro. La inspeccin 100 % se utiliza para el ensayo final de productos especiales o complejos ya que permite entregar al consumidor productos carentes de defectos. Se aplica mas para caractersticas de calidad cualitativas A menudo la inspeccin 100 % resulta impracticable o claramente antieconmica cuando las pruebas son excesivamente costosas, destructivas a gran escala. Es evidente que para algunos tipos de produccin, de alto costo como es el caso de: la fabricacin de: Equipos de laboratorio, materiales clnicos costosos o artculos que necesariamente deben tener alta seguridad en la fabricacin.

La inspeccin por muestreo tiene cierto nmero de ventajas psicolgicas sobre la inspeccin 100 %. La fatiga de los inspectores originadas por operaciones repetitivas puede ser un obstculo serio para una buena inspeccin 100 %, es ms econmica y requiere de menor tiempo para su realizacin.

Es por ello que se llevaron a cabo investigaciones en el campo de las teoras de las probabilidades y la estadstica, llegndose a la conclusin de para tomar decisiones sobre la calidad de la produccin en proceso y producto terminado, no hay necesidad de efectuar una inspeccin 100 % sobre todos los artculos, sino que basta con inspeccionar slo una parte del lote, o sea, una muestra. As surgi la inspeccin por muestreo.

2.- INSPECCIN POR MUESTREO.Muestreo es el hecho de inspeccionar una cierta cantidad de items o artculos, en la recepcin, en proceso o productos fabricados, con el objeto de aprobar o rechazar un lote de un proceso productivo, considerando un plan de muestreo Ejs. el muestreo de quesos, conservas, enlatados, jarabes, licores, confitera, helados, etc.
El muestreo es por lo tanto una herramienta de la investigacin cientfica, cuya funcin bsica es determinar, que parte de una poblacin debe examinarse, con la finalidad de hacer los examenes sobre dicha poblacin. La muestra debe lograr una representacin adecuada de la poblacin, en la que se reproduzca de la mejor manera los rasgos esenciales de dicha poblacin que son importantes para la investigacin.

En la estadstica se usa la palabra poblacin para referirse no slo a personas si no a todos los elementos que han sido escogidos para su estudio y el trmino muestra se usa para describir una porcin escogida de la poblacin

Las situaciones en que es necesaria la inspeccin por muestreo son: 1.- Pruebas destructivas. 2.- Inspeccin de productos de gran longitud. 3.- Inspeccin de grandes cantidades. Otros criterios son: a.- Cuando se desea bajar los costos de inspeccin. b.- Cuando se desea incentivar al fabricante o consumidor. c.- Cuando hay muchos rubros o reas de inspeccin. d.- En procesos errticos donde los lotes son conformes por completo o no

VENTAJAS DE LA INSPECCION POR MUESTREO Se somete a inspeccin solo parte del lote Menos manipulacin de los productos

Menor riesgo de error del inspector u operador

El rechazo de defectuosos pone de relieve las deficiencias de calidad, lo cual hace que se tomen con mayor prontitud las medidas de correccin DESVENTAJAS DE LA INSPECCION POR MUESTREO Se puede tomar decisiones equivocadas Permite rechazar lotes completos y no devolver solo unidades defectuosas, provocando una motivacin ms fuerte para mejorar. Existe el riesgo de aceptar lotes malos y rechazar lotes buenos Existe mucho riesgo para el productor Exige planificacin y conocimientos tcnicos Cuando se emplean planes de muestreo basados en la teora de la probabilidad existe el riesgo de rechazar todo el lote, es decir cuando se emplea una inspeccin por muestreo estadstico La muestra n puede proporcionar menos informacin acerca del producto

 COSTOS DE LA INSPECCION POR MUESTREO En algunos casos, al realizar las inspecciones para examinar las caractersticas, es necesario destruir el item, donde se debe tener en cuenta el costo mismo del artculo a mas del costo del muestreo, Por ejemplo: Resistencia al aplastamiento de cartones, fundas o material de empaque con contenido del producto El tener un mayor nmero de muestras que sea posible para examinar, nos da una alta proteccin y a su vez, el tener un menor nmero de muestras, como es el caso para anlisis destructivo, nos da una baja proteccin. Este concepto se ilustra en la siguiente fig.
Relacin Muestra Proteccin

Muestras

Alto costo
Alta Proteccin

Bajo Costo Baja Proteccin

METODOS DE MUESTREO Veamos un problema. Al final del proceso de llenado de bolsas de harina se requiere evaluar el funcionamiento del proceso de envasado, para asegurar que las bolsas contengan cierta cantidad de harina, por lo que es indispensable obtener informacin sobre el peso de tal producto.

Como resulta muy costoso y tardado pesar cada una de las bolsas de harina, es necesario evaluar el funcionamiento del proceso de envasado slo con base en cierta parte (muestra) del total de bolsas. En otro ejemplo, para evaluar la calidad de un pastel no se necesita comrselo todo, es suficiente una porcin representativa. Po lo tanto para realizar el muestreo es necesario utilizar diferentes Mtodos.
Existen diferentes criterios de clasificacin de los diferentes mtodos de muestreo, aunque en general pueden dividirse en dos grandes grupos: A.- Mtodos de muestreo probabilsticos y B.- Mtodos de muestreo no probabilsticos.

DETERMINAR TAMAOS DE MUESTRA n A veces no se sabe cuantas unidades se deben muestrear o el tamao de la muestra n que se debe obtener de un lote N de determinado tamao; esto va a depender de las siguientes consideraciones: Las muestras n sern tomadas conjuntamente por personal designado por los compradores y vendedores o por una persona designado por acuerdo entre las dos partes Las muestras n sern totalmente representativas en vista de que la composicin de los lotes N casi nunca son uniformes. En el caso de lotes N grandes, es necesario tomar un nmero suficiente de muestras parciales n y mezclarlas para obtener una muestra global, de la cual se extrae por divisiones sucesivas para los anlisis en el laboratorio.

Cuando el muestreo tiene lugar mientras el producto est en movimiento, las muestras n se tomarn a intervalos que dependern de la velocidad del flujo Cuando se muestreen productos a granel durante la descarga se tomarn muestras n parciales tantos sitios como sean posibles. Cuando el muestreo se realiza a muestras homogneas, en balanzas o tolvas, las muestras n parciales se tomarn por medio de sacamuestras cilndricas, palas o sacamuestras mecnicas. Cuando el muestreo se realizan en, camiones, vagones cargados, etc. las muestras n parciales se tomarn en distintos puntos de profundidad, como indica el dibujo, dependiendo del volumen

 Cuando las muestras son homogneas, se tomarn una muestra parcial de aproximadamente de 1 kg por cada 5 toneladas de peso En secciones homogneas van a depender de las condiciones ambientales de almacenamiento, el examen de las caractersticas y el muestreo. Ejemplo: combustibles, gases, etc. Cuando se muestreen productos que estn: envasados, ensacados, enfundados, etc., en almacenamiento, bodega, camiones, etc., para partidas mas de 1 Unidades; se tomarn muestras n parciales en base al siguiente esquema de muestreo.

1.- TAMANO DE MUESTRA n EN BASE A LA RAIZ CUADRADA Consiste en utilizar una tabla elaborada en base a un tamao de lote N dentro de un rango y obtener el tamao del lote n

N = Tamao del lote 2----------+2 5------------+4 10----------+6 17----------+8 26----------+ 10 37----------+ 12 50----------+ 14 65---------+ 16 82----------+ 18 101---------+ 20---------122---------+ 22---------145---------+ 24---------170---------+ 26---------197---------+ 28---------226---------+ 30---------257-----------+ 32 --------290-----------+ 34 --------329-----------+ 36 --------366-----------+ 38 --------405-----------+ 40 --------446-----------+ 42 ---------

4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 328 365 404 445 488

n = Tamao de la muestra 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

N = Tamao del lote 446-----------+ 42 --------489-----------+ 44 --------534-----------+ 46 --------581-----------+ 48 --------630-----------+ 50 --------681-----------+ 52 --------734-----------+ 54 --------789-----------+ 56 --------846-----------+ 58 ---------

488 533 580 629 680 733 788 845 904

n = Tamao de la muestra 22 23 24 25 26 27 28 29 30

--------------------------------------------------------------------------------------------------------------------------------9605-------+ 196--------9801 9802-------+ 198--------10000

99 100

Para partidas de mas de 10 000 artculos el tamao de la muestra n = a la raz cuadrada del lote N, redondeado al inmediato superior

Ejemplo.- Determinar el tamao de la muestra n de un lote N de 65 items N = 65 n= 9 N = Tamao del lote n = Tamao de la muestra 65---------81 9

Ejemplo.- Determinar el tamao de la muestra n de un lote N de 695 items N = 695 n = 27 N = Tamao del lote n = Tamao de la muestra
681-----------733 28

Ejemplo.- Determinar el tamao de la muestra n de un lote N de 500 items N = 500 n = 23 N = Tamao del lote n = Tamao de la muestra

485----------

529

23

Ejemplo.- Determinar el tamao de la muestra n de un lote N de 8567 items N = 8567 n = 92,55 = 93

 2.- TAMANO PARA MUESTRAS n INFINITAS (desconocidas) A.- Cuando no se conoce el tamao del lote N, se aplica la siguiente frmula

n=
n=? p+q=1 q=1p Z = Factor probabilstico que viene dado por el nivel de confianza que se decida trabajar P , q = Es la varianza de la proporcin p = Probabilidades de xito (se obtiene de datos ya ocurridos) q = Probabilidades de fracaso Cuando no se conoce datos de p y q es decir no hay datos histricos, entonces los valores estndares que se asumen de p = 50 % y q = 50 % O cuando se conoce, por ejemplo que un 60% poblacin consume leche, entonces p = 60 % y q = 40 % (estudio previo la prevalencia del consumo de leche es del 60 %)

 d = Error mximo permitido ( depender del criterio del investigador, sea de que tan confiables deben ser los resultados, el valor estndar con el que se trabaja es del 1 a 10 %) d tambin se le llama error de muestreo z = Es la probabilidad de que los resultados estn dentro de los mrgenes especificados osea los datos que estn en el rea bajo una curva de Gauss o distribucin normal: por ejemplo Area entre z y +z Valor de Z Nivel de confianza o de cola 90 % ---------------------------------1,645 95,0 % -----------------------------------1,96 98,0 % ----------------------------------2,326 99,0 % -----------------------------------2,575 99,7 % -----------------------------------2,58 Anexo tabla pag-95 cat Si N (poblacin) > n *(n-1), entonces n es el tamao adecuado de la muestra, sino se cumple realizamos el ajuste de la muestra

DISTRIBUCION NORMAL O CAMPANA DE GAUSS

La distribucin de Gauss es la ms utilizada en estadstica y describe la forma como las mediciones cuantitativas se distribuyen en una poblacin. Esta distribucin se grafica como una curva lisa simtrica en forma de campana que se extiende al infinito en las dos direcciones, cuyo punto ms alto se encuentra en la mitad y sus colas ( izquierda y derecha) son iguales

La distribucin normal ms usada el de la las 6 sigma

CARACTERSTICAS DE LA CURVA DE GAUSS Es una curva simtrica al eje de la abscisa. La distribucin es simtrica respecto a la media. Es decir, el 50 % de la poblacin est arriba del valor de la media y el 50 % esta debajo de la media De acuerdo a su modo de distribucin, el mximo valor de la curva f(X) ocurre en la Xmed La varianza es igual a 1, de donde la desviacin estndar, que es la raz cuadrada de la varianza, es tambin igual a 1. El valor de la integral de la funcin tiene el valor 1 ya que la curva es sintnica al eje de la abscisa. La media, mediana y moda; se localizan en el mismo sitio, es decir al centro y sirven como punto de simetra La campana de Gauss representa una distribucin de probabilidad en donde el rea total comprendida bajo la curva representa al 100% de la poblacin.

La poblacin se distribuye aproximadamente como sigue:

68,26 %

Dentro de mas o menos una (1) desviacin estndar

95,45%

Dentro de mas o menos dos (2) desviaciones estndar

99,73%

Dentro de mas o menos tres (3) desviaciones estndar

Todos los problemas de calidad se refieren a una normalidad de produccin, de all que es importante el llegar a comprender y dominar la funcin normal de Gauss, es ms cada vez que se le presente un problema, se aconseja bosquejar un dibujo de la curva que le ayudar mucho en la solucin. La variable valor medio (X media ), cambia de posicin dependiendo de la exactitud del proceso

Explicacin de Z Ejemplo: cuando el 95 % de datos se encuentran en el rea bajo la curva de distribucin normal Z = 1,96 47,5 95 % 2,5 % cola izquierda = Z = datos fuera 47,5% 2,5 % cola derecha = Z = datos fuera

34,13%

34,13 % = 68,26 % z = 1

47,73%

47,73 % = 95,45 % z = 2

49,86%
-3 -2 -1 Xm 68,26 % 95,45% 99,73% +1 +2 +3

49,86% = 99,73 % =Z = 3

Ejemplo Se requiere estudiar un producto con problemas de calidad muy importante entregado al cliente, de un lote N que no se conoce su poblacin y adems no hay estudios anteriores, el margen de error mximo a aceptar es del 2 %, determinar el tamao de la muestra para un nivel de confianza del 90 %, Datos Z = Nivel de confianza = 90 % = 1,645 valor preestablecido sacado de tablas d = Es error mximo permitido = 2%, se debe trabajar con valores relativos entonces d = 0,02 Cuando no se conoce datos de p y q, Entonces el valore de p = 50 % de Probabilidades de xito p = 0,5 p+q=1 q=1p n= q = 1- 0,5 q = 0,5 n=

n= n = 1691,2656 = 1692

 Si N (poblacin) > n * (n-1), entonces n es el tamao adecuado de la muestra N (poblacin) > n * (n-1),

N = n * (n-1) = 1692 * (1692-1) N = 2861172 N (poblacin) > n * (n-1), Es decir la poblacion que se debe tener es de N = 2861172 que si se cumple. Si a 2861172 le sacamos la raz cuadrada como en el primer procedimiento = 1691,5 = 1692. Por lo tanto, si no se conoce N, se aplica la formula N = n * (n-1) Por lo tanto para realizar este control, con un margen de error del 2 % y un nivel de confianza del 90 %; debe muestrear o componerse de un tamao de muestra de 1692,0 (en muestreo siempre se redondea hacia arriba) de un tamano de lote N= 2861172

Ejemplo Se requiere estudiar la exactitud de volumen con que un producto esta cumpliendo con lo especificado en la Norma, de un lote N que no se conoce su poblacin y adems no hay estudios anteriores, el margen de error mximo a aceptar es del 4 % , determinar el tamao de la muestra para un nivel de confianza del 98 % Datos Z = Nivel de confianza = 98 % = 2,326 valor preestablecido sacado de tablas d = Es error mximo permitido = 4%, se debe trabajar con valores relativos entonces d = 0,04 Cuando no se conoce datos de p y q, Entonces el valore de p = 50 % de Probabilidades de xito p = 0,5 p+q=1 q=1-p q = 1- 0,5 q = 0,5

n=
n= n= n = 845,35 = 846 Por lo tanto para realizar este control, con un margen de error del 4 % y un nivel de confianza del 98 %; debe muestrear o componerse de un tamao de muestra de 846

Por lo tanto, si no se conoce N, se aplica la formula N = n * (n-1) N = 846 * (846 -1) N = 714870 Si sacamos la raiz cuadrada de N, entonces n = 846 ( valor comprobado) Por lo tanto para realizar este control, con un margen de error del 4 % y un nivel de confianza del 98 %; debe muestrear o componerse de un tamao de muestra de 846 (en muestreo siempre se redondea hacia arriba) de un tamao de lote N= 714870

B.- Cuando se conoce el tamao del lote N, se aplica la siguiente frmula Ejemplo.- Una empresa produce una determinada marca de jabones de tocador y se necesita conocer que proporcin se debe muestrear para realizar el Control de calidad. En la bodega se ha estimado que hay 10 000 jabones de tocador. El error mximo permitido es del 3% y el nivel de confianza es del 95 % Que tamao de muestra n se requieren para llevar a acabo el Control. Datos Z = Nivel de confianza = 95 % = 1,645 valor preestablecido sacado de tablas d = Es error mximo permitido = 3 %, se debe trabajar con valores relativos entonces d = 0,03 Cuando no se conoce datos de p y q, Entonces el valore de p = 50 % de Probabilidades de xito p = 0,5 p+q=1 q=1-p q = 1- 0,5 q = 0,5 n= n= n= n = 1067,1 entonces n = 1068 Por lo tanto para realizar este control, con un margen de error del 3 % y un nivel de confianza del 90 %; debe muestrear o componerse de un tamao de muestra de 1067

 Si N (poblacin) > n * (n-1), entonces n es el tamao adecuado de la muestra N (poblacin) > n * (n-1),

N = n * (n-1) 10000 > 1068 * (1068-1) 10000 > 113956 Es decir la poblacion que se debe tener no se cumple con la condicin de N (poblacin) > n * (n-1) Por lo tanto, para que secumpla la condicin, se deber trabajar con otros valores por ejemplo d = 10 %, Realizar los clculos Por lo tanto para realizar este control, con un margen de error del 10 % y un nivel de confianza del 95 %; debe muestrear o componerse de un tamao de muestra de-----------------------------------

 3.- TAMANO PARA MUESTRAS no FINITAS A.- CUANDO LA VARIABLE ES CUALITATIVA Cuando se conoce el tamao del lote N, se aplica la siguiente frmula n= p+q=1 p = Probabilidades de xito q =Probabilidades de fracaso Cuando no se conoce datos de p y q es decir no hay datos histricos, entonces los valores estndares que se asumen de p = 50 % y q = 50 % Se estima despus de un estudio piloto que la frecuencia que se presentan los defecto es del 1,5 %, a esto le llamaremos p. es decir que el porcentaje de defectuosos es de 1,5 % Consecuentemente el porcentaje de productos sin defectos es de 100 1,5 = 98,5, a este nmero se llama p. Si estos valores le expresamos en fracciones tendremos: q = 0,015 p = 0,985

 d = Error mximo permitido o margen de error ( depender del criterio del investigador, sea de que tan confiables deben ser los resultados, el valor estndar con el que se trabaja es del 1 a 10 %) objetivos d = Es error mximo permitido = 0,1 corresponde al 10 % , 00,2 corresponde al 2 % La precisin asumida por los investigadores es de 0,5 %, expresado en proporcin de d = 0,005 N = tamao del lote z = Nivel de confianza, es la probabilidad de que nuestros resultados estn dentro de los mrgenes especificados dentro de una curva de Gauss; por ejemplo 95,5 a 99,7 % Nivel de confianza.- Segn los investigadores conviene trabajar con un nivel de confianza del 95 % que corresponde a 1,96 de desviacin estndar Un nivel de confianza 99 % que corresponde a una desviacin estndar de 2,58 Cuando se desea conocer el tamao de la muestra n de un lote N con defectos, se utiliza una formula estimativa que los investigadores impusieron las siguientes restricciones:

Ejemplo - tamao de muestra cualitativa Se desean saber las proporciones de artculos defectuosas de un tamao de lote N de 25 000, para un estudio con un nivel de confianza del 95 % y un margen de error del 10%. Suponiendo que un estudio anterior produjo 18 artculos defectuosos de cada 100 . De que tamao deber ser la muestra n Datos N = 25 000 Z = 95 % -------------------1,96 valor preestablecido para este caso q = Probabilidades de fracaso, es del 18 % de productos defectuosos p = Probabilidades de xito es del 82 % p = 82 % de productos no defectuosos = 0,82 p+q=1 q = 1 0,82 q = 0,18 d = Es error mximo permitido = 10% ( corresponde al 0,1 ) n= n= n= n=

n= n = 56,57 N = 57 Por lo tanto, la muestra para realizar un estudio con un nivel de confianza del 95 % y un margen de error del 20 %, en una poblacin de 25 000 artculos debe componerse de 57 artculos.

APLICACIN DE TAMANO DE MUESTRA EN BASE A LA RAIZ CUADRADA N = Tamano del lote n = Tamano de la muestra 25000 158 El tamao del lote n = 158 CAMBIOS Para que la muestra n sea ms grande, la opcin es variar (ajustar) el valor de d por ejemplo de 10 % a 5 % ( A MENOR error mximo permitido d, MAYOR ES EL CONTRO DE CALIDAD)

n= n= n= n=

n = 222,66 n = 223 Si el valor del tamao de la muestra es mas alto, el control de calidad ser ms eficiente

 Ejemplo En la bodega de la empresa se reciben 600 envases de vidrio para perfumes y se deben controlar ciertos defectos establecidos como requisitos de calidad, para lo cual el bodeguero aplica un nivel de confianza del 95 % y un error del 5% . De que tamao deber ser la muestra n DATOS N = 600 Z = 95 % -------------------1,96 valor preestablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Cuando no se conoce datos de p y q, Entonces el valore de p = 50 % de Probabilidades de xito P= 0,5 p+q=1 q = 1 0,5 q = 0,5 d = Error mximo permitido ( depender del criterio del investigador, sea de que tan confiables deben ser los resultados, el valor estndar con el que se trabaja es del 1 a 10 %) d = 0,05 n=

 n= n=
n= n = 234,44 = 234 Por lo tanto, la muestra para controlar los defectos de los envases con un nivel de confianza del 95 % y un margen de error del 5 %, en una poblacin de 600 debe componerse de 234 envases . APLICACIN DE TAMANO DE MUESTRA EN BASE A LA RAIZ CUADRADA N = Tamao del lote n = Tamano de la muestra 600 El tamao del lote n = 25 25

CAMBIO

Para que la muestra sea ms pequea, la opcin es variar el valor de d por ejemplo del 5 al 8 % n=
n=

n= n = 120 Si el valor del tamao de la muestra es mas bajo, el control de calidad ser ms deficiente Ejemplo 3 Si el tamao de la poblacin es de 13 mil unidades producidas diariamente, cual es el tamao de muestra que debemos muestrear Asumimos Datos d = 5% z = 95% = 1,96 p = 50 % q = 50 % N = 13000 n=

APLICACIN DE TAMANO DE MUESTRA EN BASE A LA RAIZ CUADRADA N = Tamano del lote n = Tamano de la muestra 13000 114 El tamao del lote n = 114 Ejemplo 4 Se desea determinar el tamao de la muestra n de un lote de 3000 items para controlar defectos, con un margen de error del 0,5 % , con un 1,5% de objetivo de calidad n = Tamao de la muestra = ? z = Nivel de confianza 99,73% = 3 N = Poblacin = 3000 d = Precisin 0,5% = 0,005 p = 98,85 % q = Proporcin estimada que posee la variable = 0 015 p = Proporcin estimada sin la variable = 0,985 n=

n= n = 1918,8 En conclusin habr que seleccionar 1919 Items con algn mtodo de muestreo de la poblacin N = 30000

 Ejemplo 5 Del ejemplo anterior determinar el tamao n de la muestra n de un lote de N 3000 items, pero se debe reducir el nivel de confianza a 95 % y ampliar el margen de error a 1 % n = Tamao de la muestra = ? t = Nivel de confianza = 1,96 N = Poblacin = 3000 d = Precisin = 0,01 p = Proporcin estimada que pose la variable = 0 015 q = Proporcin estimada sin la variable = 0,985 n= n= n = 493,7 En conclusin habr que seleccionar 494 Items con algn mtodo de muestreo de la poblacin N = 3000

 Ejemplo Se desea determinar el tamao de la muestra n de un lote de 1000 items, con un Nivel de confianza del 99,73 % y la precisin a de 0,5 % con un 1,5% de objetivo de calidad n = Tamano de la muestra = ? z = Nivel de confianza = 2,575 N = Poblacin = 1000 d = Presicin = 0,005 q = Proporcin estimada que posee la variable = 0 0015 p = Proporcin estimada sin la variable = 0,985 n= n= n = 841,6 En conclusin habra que seleccionar 842 Items con algn mtodo de muestreo de la poblacin N = 1000

 Ejemplo Se desea determinar el tamao de la muestra n de un lote de N 1000 items, pero se debe reducir el nivel de confianza a 85,29 % y ampliar la precisin a 1 % (d = 0,01) y Se estima despus de un estudio piloto que la frecuencia que se presentan los defecto es del 2 %. Si estos valores le expresamos en fracciones tendremos: q = 0,02 p = 0,98 n = Tamao de la muestra = ? t = Nivel de confianza = 2 N = Poblacin = 1000 d = Precisin = 0,01 p = Proporcin estimada que pose la variable = 0 02 q = Proporcin estimada sin la variable = 0,98 n= n= n =291,84 En conclusin habra que seleccionar 292 Items con algn metodo de muestreo de la poblacin N = 1000

Ejemplo 7 Se desea determinar el tamao de la muestra n de un lote de N 3900 items, con un nivel de confianza del 95 % y ampliar la precisin a 5 % y Se estima despus de un estudio piloto que la frecuencia que se presentan los defecto es del 15 %. Si estos valores le expresamos en fracciones tendremos q = 0,15 p = 0,85 n = Tamao de la muestra = ? Z = Nivel de confianza = 95 % t = 1,96 N = Poblacin = 3900 d = Precisin = 0,05 p = Proporcin estimada que posee la variable = 0 15 q = Proporcin estimada sin la variable = 0,85 n=

n=
n =186,56 En conclusin habr que seleccionar 187 Items con algn mtodo de muestreo de la poblacin N =187

 Ejemplo 8 Se desea determinar el tamao de la muestra n de un lote de N 3900 items, con un nivel de confianza del 85,29 % (t = 1,45 desvos ) y ampliar la precisin a 5 % (d = 0,05) y Se estima despus de un estudio piloto que la frecuencia que se presentan los defecto es del 15 %. Si estos valores le expresamos en fracciones tendremos q = 0,15 p = 0,85 n = Tamao de la muestra = ? Z = Nivel de confianza = 85,29 % t = 1,45 N = Poblacin = 3900 d = Precisin = 0,05 p = Proporcin estimada que posee la variable = 0 15 q = Proporcin estimada sin la variable = 0,85 n= n= n =190,67 En conclusin habr que seleccionar 191 Items con algn mtodo de muestreo de la poblacin N =187

 B.- CUANDO LA VARIABLE DE CALIDAD ES CUANTITATIVA Cuando se desea conocer el tamao de la muestra n cuando la variable de calidad es cuantitativa, se utiliza la siguiente frmula n= Donde: n = Tamao de la muestra z = Nivel de confianza N = Poblacin de datos d = Precisin S = varianza obtenida de una cantidad de datos RESTRICCIONES Precisin d. La precisin asumida por los investigadores es de 1 al 5 %, expresado en proporcin d = 0,01 d = 0,05 Si se desea que los lmites sean mnimos ( mayor precisin), necesitamos muestras grandes

Cuando la precisin d = 1% por ejemplo, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 1 % es decir de 0,01, Entonces; precisin d = X med obtenida de una cantidad de datos x 0,01 Cuando la precisin d = 5% por ejemplo, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 5 % es decir de 0,05, Entonces; precisin d = X med obtenida de una cantidad de datos x 0,05 La Varianza (S ) ( X1 - ) + (X2 - ) + ...... + ( Xn ) S = ------------------------------------------------------------n-1 Desviacin Estndar. ( ).- Es la raz cuadrada de la varianza = S IMPORTANTE.- Para estimar un valor promedio de la variable en estudio, se debe tomar una muestra mnima de datos de una muestra piloto n, a fin de obtener las incgnitas, frmula indicada: Posteriormente se aplica las tcnicas de asignacin Para el Muestreo Sistemtico se calcula la constante de asignacin K = N/n calculada Para el Muestreo Aleatorio simple al igual que el frecuencial se utiliza las tablas de nmeros aleatorios

 Ejemplo.- 1 de tamao de muestra cuando es cuantitativa

Se desea conocer el tamao de muestra n para controlar la variable cuantitativa del ndice de Saponificacin de un aceite expresado en mg/g, de un lote de 5200 envases de 1 litro que se encuentra en el proceso de envasado, siendo su nivel de confianza del 95 %, Para estimar el valor promedio de la variable se hace una medicin piloto en 15 itms tomados al Azar y realizadas su medicin dando los siguientes resultados La precisin d es del 1%, esto quiere decir que se admite un error del promedio estimado dentro del rango del +- 1 %

 Nmero de pruebas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Valor medido (mg/g) 210 280 320 240 300 270 360 310 260 240 290 370 240 340 380 4410 sumatoria Xmed=4410/15 =294

( X1 - ) + (X2 - ) + ...... + ( Xn ) S = ------------------------------------------------------------ n-1 Desviacin estandar = 52,34

2740

Datos N = 5200 Z = 95 % -------------------1,96 valor preestablecido para este caso d = presicin 1% Xmed = 294 Varianza S = 2740 Desv. Estandar = 52,34 Desarrollo n= Cuando la precisin d = 1%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 1 % es decir de 0,01, Entonces; presicin d = X med obtenida de una cantidad de datos x 0,01 d = X med x 0,01 d = 294 x 0,01 = 2,94 d = 2,94 Es decir que el ndice de Saponificacin del aceite deber ser de 294+- 2,94 mg/g Con estos datos, disponemos de la informacin necesaria para calcula el tamao de la muestra n n=

 n=
n = 986,7 = 987 En conclusin habr que seleccionar 987 Items de la poblacin N = 5200, Ejemplo 2 Si cambiamos los datos de la precisin Cuando la precisin d = 5%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 5 % es decir de 0,05, Entonces; presicin d = X med obtenida de una cantidad de datos x 0,05 d = X med x 0,05 d = 294 x 0,05 = 14,07 d = 14,07 n=

n=
n = 52,2 = 53

En conclusin habr que seleccionar 53 envases de la poblacin N = 5200

Si necesitamos menorar mas el tamao recurrimos a la tabla anterior de la raz cuadrada de N = 987 n = 31 El tamao de muestra para llevar al laboratorio a realizar las pruebas de peso ser n = 31 Ejemplo Para el caso de que la muestra N =400 y con los mismos datos anteriores, calcular n N = 400 Z = 95 % -------------------1,96 valor preestablecido para este caso d = precisin 1% S = 2740 Cuando la precisin d = 1%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 1 % es decir de 0,01, Entonces; precisin d = X med obtenida de una cantidad de datos x 0,01

n=
n= =

n = 400 En conclusin habr que seleccionar 400 envases N = 400 de la siguiente manera: La constante de asignacin ser/400 = 1 Entonces los items a muestrea sern, al 100%

A.- MUESTREO PROBABILSTICO

Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los artculos o items tienen la misma probabilidad de ser elegidos para formar parte de una muestra n y consiguientemente, todas las posibles muestras de tamao n tienen la misma probabilidad de ser seleccionadas. Slo estos mtodos de muestreo probabilsticos nos aseguran la representatividad de la muestra extrada y son, por tanto, los ms recomendables. Muestra n .- Es un grupo de unidades o cantidades extraidas de un lote N, que sirve para obtener la informacin necesaria que permite apreciar una o ms caractersticas de calidad de ese lote

MUESTREO PROBABILSTICO Dentro de los mtodos de muestreo probabilsticos encontramos los siguientes:

1.- MUESTREO ALEATORIO

En el muestreo aleatorio todos los elementos tienen la misma probabilidad de ser elegidos. Los artculos que formarn parte de la muestra se elegirn al azar mediante nmeros aleatorios. Existen varios mtodos para obtener nmeros aleatorios, los ms frecuentes son la utilizacin de tablas de nmeros aleatorios o generarlos por ordenador. El muestreo aleatorio puede realizarse de distintas maneras, las ms frecuentes son: MUESTREO SIMPLE AL AZAR MUESTREO SISTEMATICO MUESTREO ESTRATIFICADO MUESTREO POR CONGLOMERADOS MUESTREO MIXTO.

a.- MUESTREO SIMPLE AL AZAR

Consiste en seleccionar un grupo de n elementos del lote N, al azar utilizando tablas de tal forma que cada muestra de tamao tenga la misma posibilidad de ser seleccionada.

Este muestreo se recomienda cuando: los elementos de la poblacin puedan numerarse fcilmente, que estn bien mezclados y no formen grupos internos. Por ejemplo a las fundas de harina, envases de conservas, etc., la consideracin es que se tiene que asignar un nmero en cada bolsa o envase
Este tipo de muestreo se realiza seleccionando nmeros de una tabla de nmeros aleatorios; lo cual es equivalente a la tradicional extraccin de papelitos de una caja o recipiente donde stos estn perfectamente mezclados.

Para este tipo de muestreo al azar existen 2 procedimientos:

a.- Muestreo Simple al Azar realizado por el obrero.- El muestreo puede ser realizado por un obrero de experiencia, quin muestrear al azar de un lote N, una muestra n. aqu no se aplica ningn criterio de tamao n de muestra ni forma de muestreo Por ejemplo, a la entrada de un proceso se controla la calidad de un material botellas de vidrio, el obrero toma al azar unas muestras y verifica la calidad sea por defectos o medibles b.- Muestreo Simple al Azar utilizando tablas de los nmeros aleatorios Este tipo de muestreo consiste en muestrear un Lote N y obtener una muestra n, seleccionando nmeros de una tabla de nmeros aleatorios.. PROCEDIMIENTO UTILIZANDO LA TABLA DE NUMEROS ALEATORIOS Esta tabla es directa desde 2 dgitos en adelante: las cifras se enumeran de: 01 a 99 001 a 999 0001 a 9999 *cuando el nmero de artculos van del 1 al 99 *cuando el nmero de artculos van del 1 al 999 *cuando el nmero de artculos van del 1 al 9999

y as sucesivamente

 Ejemplo 1.- Si el tamao de muestra obtenido es n= 65 itms de un lote N, aplique el Muestreo Simple al Azar utilizando tablas de los nmeros aleatorios, para obtener n pedido. 1.- establecer el nmero de cifras que deben integrar los nmeros que formarn la serie pedida ( por ejemplo de dos) 2.- fijar el intervalo en el que deben estar incluidos los nmeros de la serie (por ejemplo entre 05 y 70) o (por ejemplo entre 01 y 66) 3,- Sealar al azar con el lpiz una cifra en la tabla y apuntar ( por ejemplo la de la fila 14 y columna 21: es el 3 ) 4.- Se leen las tres cifras que est a la derecha (4,1, 0 ) con ella se forman un grupo de cuatro cifras: en este orden, las dos primeras especifican una fila y las otras una columna ( fila 34, columna 10) 5.- Se mira la cifra de la tabla que corresponde a la fila y columna definidos de esta forma ( en el ejemplo es el 4) a item

 6.- Seguidamente se leen la cifras que siguen a la anterior y se agrupan de dos en dos: Los nmeros de dos cifras as obtenidos, si salen del intervalo definido en el punto 2 se rechazan, pero si caen dentro de el se aceptan y se integran a la serie pedida. En el ejemplo leemos la serie de nmeros aleatorios: 40 Ac, 29 Ac, 30Ac, 99 Re, 85 Re, 58 Ac, 43 Ac, 40 Re, 14 Ac, 12 Ac, 69 Ac, 12 Re, 48 Ac, 21, 71, 59, 05, 88, 28,59, 98 Etc. 7.- Se sigue como se indica en el punto anterior hasta obtener una serie del tamao n pedido Tambin se rechazan las posibles repeticiones. En el Muestreo Aleatorio Simple es necesario enumerar cada item

 Ejemplo 2.- Si el tamao de muestra obtenido es n= 695 itms de un lote N, aplique el Muestreo Simple al Azar utilizando tablas de los nmeros aleatorios, para obtener n pedido 1.- establecer el nmero de cifras que deben integrar los nmeros que formarn la serie pedida ( por ejemplo de tres) 2.- fijar el intervalo en el que deben estar incluidos los nmeros de la serie (por ejemplo entre 005 y 700) 3,- Sealar al azar con el lpiz una cifra en la tabla y apuntar ( por ejemplo la de la fila 14 y columna 21: es el 3 ) 4.- Se leen las tres cifras que est a la derecha (4,1, 0 ) con ella se forman un grupo de cuatro cifras: en este orden, las dos primeras especifican una fila y las otras una columna ( fila 34, columna 10) 5.- Se mira la cifra de la tabla que corresponde a la fila y columna definidos de esta forma ( en el ejemplo es el 4) 6.- Seguidamente se leen la cifras que siguen a la anterior y se agrupan de tres en tres: Los nmeros de tres cifras as obtenidos, si salen del intervalo definido en el punto 2 se rechazan, pero si caen dentro de el se aceptan y se integran a la serie pedida. En el ejemplo leemos la serie de nmeros aleatorios: 402 Ac, 930 re, 998 re, 558 ac, 434 ac, 014 ac,126 ac, 912 re, 482 ac, 171 ac, 590 ac, 588 ac, 285 ac, 998 re , 409 ac, Etc.

 Ejemplo 3.- Determinar el tamao de muestra de N= 490 itms almacenado en bodega aplicando la raiz cuadrada para determinar y mediante el Muestreo Simple al Azar y utilizando tablas de los nmeros aleatorios muestree n N = Tamano del lote n = Tamano de la muestra 485---------- + 44 529 23 Intervalo: 001 490 En la tabla de nmeros aleatorios encontrado al azar con la punta de un lpiz =1 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1
Las cifras que siguen al 1 son agrupados de tres en tres (nmero de cifras = 3)

132, 148, 789, 287, 922, 281, 167, 838, 635, 200, 077, 803, 270, 267, 198, 191, 843, 429, 081, 349, 268, 954, 411, ------------------------------------------------------------------------------549, 629, 168, 092, 716, 025, 145. hasta n = 23 Si salen del intervalo entre 001 y 490 se rechazan y si caen dentro de el se aceptan. Nota.- Los resaltados con negrillas se rechazan

Ejemplo 4.En el ensacado automtico se requiere controlar que el peso sea de 50 kg en cada saco de harina de un lote N de 70 sacos, en controles anteriores se ha obtenido hasta 15 % de sacos de harina fuera de peso, sabiendo que el error debe ser mximo del 4 % para un nivel de confianza del 90 % ; para ello se tienen asignado un nmero en cada bolsa desde 01 al 70. Determine el tamao de la muestra y Aplicando un muestreo simple al azar, utilizando las tablas de nmeros aleatorios con la fila 14 y columna 21. Determine la serie de nmeros aleatorios a los cuales se van a controlar los pesos. Adems utilice el mtodo de la raz cuadrada Primero determinamos el tamao de la muestra Se trata de muestras no finitas N conocido, la frmula a utilizar es la siguiente: n= DATOS N = 70 Z = 90 % -------------------1,645 valor preestablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Entonces el valore de p = 85 % de Probabilidades de xito P= 0,85 p+q=1 q=1p q = 1 0,85 q = 0,15 d = Error mximo = 0,04

n=
n= n = 52,84 n = 53 Determinamos los sacos a muestrear mediante el muestreo simpe al azar utilizando tablas Intervalo: 01 70 Nmero encontrado al azar con la punta de un lpiz = 3 Fila: 5 Columna: 7 Las 3 cifras que estn a la derecha de la cifra (3) sealada son: 2-6-8 Formar el grupo de 4 cifras: Fila 34 columna 10 La cifra que corresponde a la fila 3 y columna 68 es el 1 Las cifras que siguen al 4 son agrupados de dos en dos (nmero de cifras = 2) 14, 29, 57, 51, 05, 26, 66, 19, 24, 44, 46, 42, 67-------------------------------------------- hasta n =53 sacos Si salen del intervalo entre 01 y 70 se rechazan y si caen dentro de el se aceptan. Aplicando la Raiz cuadrada N = Tamao del lote n = Tamao de la muestra 65---------+ 16 81 9

 Ejemplo 5.- Se requiere controlar que el volumen sea de 2 litros en cada envase de X producto de un lote N de 500 envases; en controles anteriores se ha obtenido hasta 10 % de envases fuera de volumen, sabiendo que el error debe ser mximo del 5 % para un nivel de confianza del 90 % para ello se tienen asignado un nmero en cada envase desde 100 al 500. Aplique un muestreo simple al azar, utilizando las tablas de nmeros aleatorios con la fila 10 y columna 5 y determine la serie de nmeros aleatorios a los cuales se van a controlar los pesos. DATOS N = 500 Z = 90 % -------------------1,645 valor preestablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Entonces el valore de p = 90 % de Probabilidades de xito P= 0,90 p+q=1 q=1p q = 1 0,90 q = 0,10 d = Error mximo = 0,05

 Primero determinamos el tamao de la muestra Como si conocemos el tamano de la muestra, entonces la frmula a utilizar es la siguiente n= n= n = 16,17 = 17 Por lo tanto, la muestra para controlar los defectos de los envases con un nivel de confianza del 90 % y un margen de error del 4 %, en una poblacin de 500 debe componerse de 17 envases Segundo.- Determinamos los envases a muestrear mediante el muestreo simpe al azar utilizando tablas Tamao de la muestra, utilizando la tabla N = 500 n = 17

Intervalo: 001 500 Nmero encontrado al azar con la punta de un lpiz = 1 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1

Las cifras que siguen al 1 son agrupados de tres en tres (nmero de cifras = 3)

132, 148, 789, 287, 922, 281, 167, 838, 635, 200, 077, 803, 270, 267, 198, 191, 843, 429, 081, 349, 268, 954, 411, 549, 629, 168, 092, 716, 025, 145. Si salen del intervalo entre 001 y 500 se rechazan y si caen dentro de el se aceptan.

 Ejemplo.- cuando es cuantitativa

Se desea conocer el tamao de muestra n para controlar la variable cuantitativa del ndice de Saponificacin de un aceite expresado en mg/g, de un lote de 5200 envases de 1 litro que se encuentra en el proceso de envasado, siendo su nivel de confianza del 95 %, Para estimar el valor promedio de la variable se hace una medicin piloto en 15 itms tomados al Azar y realizadas su medicin dando los siguientes resultados La precisin d es del 1%, esto quiere decir que se admite un error del promedio estimado dentro del rango del +- 1 % utilizando las tablas de nmeros aleatorios con la fila 10 y columna 5 y determine la serie de nmeros aleatorios a los cuales se van a controlar el ndice de saponificacin. Del problema anterior tenemos los siguientes datos:

Datos N = 5200 Z = 95 % -------------------1,96 valor preestablecido para este caso d = presicin 1% Xmed = 294 Varianza S = 2740 Desv. Estandar = 52,34 Desarrollo n= Cuando la precisin d = 1%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 1 % es decir de 0,01, Entonces; presicin d = X med obtenida de una cantidad de datos x 0,01 d = X med x 0,01 d = 294 x 0,01 = 2,94 d = 2,94 Es decir que el ndice de Saponificacin del aceite deber ser de 294+- 2,94 mg/g Con estos datos, disponemos de la informacin necesaria para calcula el tamao de la muestra n n=

 n=
n = 986,7 = 987 En conclusin habr que seleccionar 987 Items de la poblacin N = 5200, Ejemplo 2 Si cambiamos los datos de la precisin Cuando la precisin d = 5%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 5 % es decir de 0,05, Entonces; presicin d = X med obtenida de una cantidad de datos x 0,05 d = X med x 0,05 d = 294 x 0,05 = 14,07 d = 10,07 n=

n=
n = 52,2 = 53

En conclusin habr que seleccionar 53 envases de la poblacin N = 5200 de la siguiente manera:

Intervalo: 0001 5200 Nmero encontrado al azar con la punta de un lpiz = 1 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1

Las cifras que siguen al 1 son agrupados de tres en cuatro (nmero de cifras = 4)

1321, 4878, 9287, 9222, 8116, 7838, 6352, 0007, 7803, 2702, 6719, 8191, 8434, 2908,1349, 2689, 5441, 1549, 6291, 6809, 2716, 0251, ----- etc. Si salen del intervalo entre 0001 y 5200 se rechazan y si caen dentro de el se aceptan.

b MUESTREO SISTEMTICO Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse en el tiempo y se aplica los siguientes pasos 1.- Identificar las unidades y relacionarlas con el calendario (cuando proceda). 2.- Calcular una constante, que se denomina: Coeficiente de Asignacin K= N/n;

Donde N es el tamao del universo y n el tamao de la muestra.

3.- Determinar en qu fecha (tiempo) se efectuar la primera extraccin, para ello hay que elegir al azar un nmero entre 1 y K; de ah en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la periodicidad o frecuencia del fenmeno.

Esto quiere decir que si tenemos un determinado nmero de artculos que es la poblacin y queremos escoger de esa poblacin un nmero ms pequeo el cual es la muestra, dividimos el nmero de la poblacin por el nmero de la muestra que queremos tomar y el resultado de esta operacin ser el intervalo, entonces escogemos un nmero al azar desde uno hasta el nmero del intervalo y a partir de este nmero escogemos los dems siguiendo el orden del intervalo

 Este tipo de muestreo se aplica durante la produccin o recepcin de materiales La filosofa del muestreo sistemtico es seleccionar una muestra de tamao n de un lote de N elementos. Una manera sencilla de hacer esta seleccin es elegir un intervalo apropiado y seleccionar los elementos a intervalos iguales a lo largo de la lista. El punto de arranque de este proceso debe ser elegido de manera aleatoria. Se toma los elementos de muestra en intervalos fijos y el punto de partida se elije aleatoriamente, tales intervalos pueden ser:
Cada determinada cantidad de artculos Cada cierto tiempo Cada cierta longitud o rea.

Por Ejemplo durante la produccin se puede muestrear la muestra n en una frecuencia de tiempo determinado El muestreo sistemtico es aplicado frecuentemente cuando se desea obtener informacin para evaluar la cantidad de la produccin en cadena, ya que en la muestra se puede obtener conforme se van fabricando los artculos y no es necesario esperar a tener la produccin total. Si el proceso no es continuo, entonces el intervalo de muestreo puede estar dado por otras circunstancias.

 PROCEDIMIENTO 1.- Numeramos la totalidad de los elementos de la poblacin o del lote N 2.- Calculamos el tamao de la muestra n 3.- Calculamos el intervalo de seleccin K, dividiendo el lote N para la muestra n K = N/n Sorteamos el nmero desde cero hasta el que indique el intervalo de seleccin para determinar el nmero inicial (primer elemento ) de la muestra y A partir del nmero inicial, sumamos sistemticamente el valor del intervalo de seleccin hasta completar el tamao de la muestra n Aplicar los mtodos de calculo de n Tamao de muestra cualitativa n= Tamao de muestra cuantitativa n= O Aplicacin de tamao de muestra en base a la raz cuadrada

 Ejemplo 1.- Cuando el tamao de muestra cuando es cualitativa Supongamos que en la fabricacin de quesos en la fase del prensado la produccin diaria va a ser de 800 unidades y que es necesario controlar la variable de la ausencia de filos rotos. Determinar el tamao de muestra n que debemos calcular aplicando un Muestreo Sistemtico. El mximo de error admisible es del 5 % y un nivel de confianza del 95 % DATOS N = 800 Z = 95 % -------------------1,96 valor preesstablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Cuando no se conoce datos de p y q, Entonces el valore de p = 50 % de Probabilidades de xito P= 0,50 p+q=1 q=1p q = 1 0,50 q = 0,50 d = Error mximo 5% = 0,05

Calcular el Tamao de muestra cualitativa n n= n= n= n= n = 131,12 = 132 Determinacin de la constante de asignacin K = N/n K = 800/132 K = 6,1 = 6 Iniciamos la asignacin empezando por un nmero al azar que sea < K, ; por ejemplo 4 <K, 4< 6 A partir del nmero 4 las unidades a muestrear sern los siguientes: K + 4 6+ 4 = 10 10 + K 10 + 6 = 16 16 + K 16 + 6 = 22 etc. entonces los items numerados a muestrear sern: 10,16, 22, 28, 34, 40, 46, 52, 58, 64, 70, 76, 84, 90, 96, etc, hasta completar las 132 unidades dentro de los 800 quesos a producir.

Aplicacin de tamao de muestra en base a la raiz cuadrada N = Tamano del lote n = Tamano de la muestra 800---------29 Determinacin de la a constante de asignacin K = N/n K = 800/29 K = 27,58 = 28 Iniciamos la asignacin empezando por un nmero al azar que sea < 28 ; por ejemplo 10. A partir del nmero 4 las unidades a muestrear sern los siguientes: K + 10 28 + 10 = 38, 38 + K 38 + 28 = 66 66 + K 66 + 28 = 94 98 + K 98 + 28 = 122 , etc. entonces los items numerados a muestrear sern: 38, 66, 98, 126, 151, 179, 207, 235, 263, 291, 319, 347, 375, 403, 431, 459, 487, 515, 543, 571, 599, 627, 655, 683, 711, 739, 767, 795. Completado las 29 unidades dentro de los 800 quesos a producir

 Ejemplo.- 2 Cuando el tamao de muestra cuando es cuantitativa Se desea conocer el tamao de muestra n para controlar la variable cuantitativa del ndice de Saponificacin de un aceite expresado en mg/g, de un lote de 5200 envases de 1 litro que se encuentra en el proceso de envasado, siendo su nivel de confianza del 95 %, aplicando un Muestreo Sistemtico. Para estimar el valor promedio de la variable se hace una medicin piloto en 15 itms tomados al Azar y realizadas su medicin dando los siguientes resultados La precisin d es del 1%, esto quiere decir que se admite un error del promedio estimado dentro del rango del +- 1 %. Los datos son tomados de la resolucin anterior n= n = 986,7 = 987

Determinacin de la a constante de asignacin para Muestreo Sistemtico ser 5200/ 987 = 5 Iniciamos la asignacin empezando por un nmero al azar que sea < 5; por ejemplo 3. A partir del nmero 3 las unidades a muestrear sern los siguientes: 3+K 3+5 =8 8+K 8+5 = 13 13 + K 13 + 8 = 18 etc. entonces los items numerados a muestrear sern: 8, 13, 18, 23,28, 33, 38, 43, 48, 53, 68, etc , hasta completar las 987 unidades dentro de las 5200 producidos. Como conclusin diremos que se debe seleccionar 987 productos para investigar el ndice de saponificacin Aplicacin de tamao de muestra en base a la raiz cuadrada N = Tamao del lote n = Tamao de la muestra 800---------72 Determinacin de la a constante de asignacin ser La constante de asignacin ser K = 5200/72 K = 72,22 = 72 Iniciamos la asignacin empezando por un nmero al azar que sea < 72 ; por ejemplo 20. A partir del nmero 4 las unidades a muestrear sern los siguientes: K + 20 72 + 20 = 92 92 + K = 164 164 + K = 236 236 + K = 308 hasta completar las 72 unidades dentro de los 5200 a producir

Ejemplo 2 Si cambiamos los datos de la precisin Cuando la precisin d = 5%, esto quiere decir que se admite un error del Xmedia dentro del rango del +- 5 % es decir de 0,05 d = X med x 0,05 d = 294 x 0,05 = 14,07 d = 14,07 n= n= = =

n = 52,2 = 53 En conclusin habr que seleccionar 53 envases de la poblacin N = 5200 de la siguiente manera: Determinacin de la a constante de asignacin ser La constante de asignacin ser 5200 / 53 = 98 K = 98 Iniciamos la asignacin empezando por un nmero al azar que sea < 92; por ejemplo 50. A partir del nmero 2 las unidades a muestrear sern los siguientes: K + 50 98 + 50 = 148 148 + 98 = 246 etc. entonces los items numerados a muestrear sern: 148,246, 346, 444 etc , hasta completar las 53 unidades dentro de las 5200 envases

 Ejemplo Determinar el tamao de la muestra n y su constante de asignacin K de un lote de N 4000 items producidos en 15 das en dos turnos, con un nivel de confianza del 95 % y una precisin del 1 % ( d = 0,01). Obtenido el tamao de la muestra n; inspeccionar mediante un muestreo al azar tomando las muestras en cada turno. los siguientes son los defectos que se debe controlar al producto (textura, el objetivo de calidad es del 3 %

n = Tamao de la muestra = ? t = Nivel de confianza = 1,96 N = Poblacin = 4000 d = Precisin = 0,01 p = Proporcin estimada que pose la variable = 0 030 q = Proporcin estimada sin la variable = 0,970

 n= n=

n = 313,46 = 314 En conclusin habra que seleccionar 314 Items con algn metodo de muestreo de la poblacin N = 4000 Determinacin de la a constante de asignacin ser La constante de asignacin ser 4000/ 314 = 12,73 = 13 Iniciamos la asignacin empezando por un nmero al azar que sea < 13; por ejemplo 3 A partir del nmero 1 las unidades a muestrear seran los siguientes: K + 3 ; 13 + 3 = 16 7+ K ; 16 + 3 = 19 16, 19, 21,24 , etc.. En conclusin habra que seleccionar 314 Items con algn mtodo de muestreo durante 15 das, de la poblacin N = 4000 134 unidades / 15 dias = 21 unidades Como son 2 turnos, se dispondr que se muestre en el primero 11 y el segundo 10

MUESTREO ESTRATIFICADO Consiste en dividir el producto en grupos estratificados o subgrupos iguales del Lote N y posteriormente elegir items n de una o mas partes de los subgrupos de una forma independiente, en estos casos se recomienda el muestreo con nmeros aleatorios de cada estrato. Ejemplo: una produccin de frascos de vidrio, envases de plstico, conservas, sacos de harina, etc. Es importante que cada subgrupo mantenga la misma cantidad de items

Pasos
Determinamos el criterio de estratificacin Obtenemos el registro para cada estrato, asignando un nmero de orden a cada elemento Calculamos el tamao muestreal Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo n/N

La Fraccin Muestreal Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra La suma de los estratos ser igual al tamao muestra Aplicar los mtodos de calculo de n

Tamao de muestra cualitativa n= Tamao de muestra cuantitativa n=

O Aplicacin de tamao de muestra en base a la raiz cuadrada

Ejemplo 1 .- Variable es cualitativa En el llenado continuo de las conservas, se llena 800 envases por da durante las ocho horas de trabajo, se decide controlar algunas variables de defectos de los envases. Determinar el tamao de muestra n que debemos calcular aplicando un Muestreo Estratificado. El mximo de error admisible es del 4 % y un nivel de confianza del 95 % y por experiencia el porcentaje de defectuosos no es mayor del 8 % El criterio de estratificacin es que se divida en 9 areas, 8 de 90 items cada rea y la ltima rea de 80 items

 Dividir el producto en grupos estratificados o subgrupos iguales del Lote N Calculamos el tamao de la muestra N = 800 Z = 95 % -------------------1,96 valor preestablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Entonces el valore de p = 92 % de Probabilidades de xito P= 0,92 p+q=1 q = 1 0,92 q = 0,08 d = Error mximo 4% = 0,04 n= n= = = n = 144,74 = 145

 Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 145/800 = 0,18 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra 1.90 X 0,18 = 16,2 16 2.90 X 0,18 = 16 3.90 X 0,18 = 16 4.90 X 0,18 = 16 5.90 X 0,18 = 16 6.90 X 0,18 = 16 7.90 X 0,18 = 16 8.90 X 0,18 = 16 9.80 X 0,18 = 14,4 17 (asumiendo)
----800 -----------145

 El criterio de estratificacin es que se divida en 10 areas de 80 items cada rea 1.2.3.4.5.6.7.8.9.10.80 80 80 80 80 80 80 80 80 X 0,18 = 14,4 X 0,18 = X 0,18 = X 0,18 = X 0,18 = X 0,18 = X 0,18 = X 0,18 = X 0,18 = 15 15 15 15 15 15 15 15 15
10 (asumiendo) -------145

80 X 0,18 = -----800

 Segundo.Tamao de la muestra, utilizando la tabla de nmeros aleatorios para cada lote de N N = 90 n = 16 Intervalo: 01 90 Nmero encontrado al azar con la punta de un lpiz = 1 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1 Las cifras que siguen al 1 son agrupados de dos en dos (nmero de cifras = 2) 13, 21, 48, 78, 92, 87, 92, 22, 81, 16, 78,etc, Para los 8 estratos Si salen del intervalo entre 01 y 90 se rechazan y si caen dentro de el se aceptan. Nota.- Este procedimiento se realiza para cada estrato de 90 Unidades

 Para el Intervalo: 01 80 las cifras a muestrear son: 13, 21, 48, 78, 92, 87, 92, 22, 81, 16, 7, 83, 86, 35, 20, 00, 77, 80 Si salen del intervalo entre 01 y 80 se rechazan y si caen dentro de el se aceptan. Los resaltados con negrillas se rechazan Nota.- Este procedimiento se realiza para cada estrato de 80 Unidades Aplicando de tamao de muestra en base a la raiz cuadrada N = Tamano del lote n = Tamao de la muestra

800---------29 Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 29/800 = 0,036 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra

90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 90 X 0,036 = 80 X 0,036 =

800 Segundo.Tamao de la muestra, utilizando la tabla N = 90 n=3 Intervalo: 01 90 Nmero encontrado al azar con la punta de un lpiz = 1 Fila: 10 Columna: 5 Nmero encontrado: 1 Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1 Las cifras que siguen al 1 son agrupados de dos en dos (nmero de cifras = 2) 13, 21, 48 Nota.- Este procedimiento se realiza para cada estrato de 90 Unidades

3 3 3 3 3 3 3 3 5 (asumido) -----------29

 Aplicamos el muestreo aleatorio simple al azar utilizando la tabla de numeros aleatorios para n = 5 ( segundo caso) fijar el intervalo (entre 01 y 80) fila 4 y columna 10: es el 1 ( fila 10, columna 65) 23, 47, 65, 29, 67 Si determinamos el criterio de estratificacin es que se divida en 2 areas de 400 items cada una Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra f = 145/800 = 0,18 400 X 0,18 = 72 400 X 0,18 = 72 800 ------- 144

 Tamao de la muestra, utilizando la tabla de nmeros aleatorios para cada rea N = 400 n = 72 Intervalo: 01 400 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1 Las cifras que siguen al 1 son agrupados de tres en tres (nmero de cifras = 3) 132, 148, 789, 287, 922, 281, 167, 838, etc. hasta completar n = 72 Para los 2 estratos Nota.- Este procedimiento se realiza para cada estrato de 400 Unidades

 Ejemplo 2 .- Variable es cualitativa A una empresa ingresa un lote de 4000 envases de plsticos para envasar conservas, realizar la aplicacin del muestreo estratificado y verificar la calidad del envase libre de defectos. El mximo de error admisible es del 5 %, un nivel de confianza del 90 % y por experiencia en las entregas anteriores, el porcentaje de defectuosos no es mayor del 15 %, con estos datos determine el tamao de muestra n Determinamos el criterio de estratificacin y es que se estratifique o se divida en estratos 400 items cada rea, es decir en grupos 10 grupos Calculamos el tamao muestreal n N = 4000 Z = 90 % -------------------1,645 valor preestablecido para este caso q = Probabilidades de fracaso p = Probabilidades de xito Cuando se conoce datos de p y q, Entonces el valore de p = 85 % de Probabilidades de xito P= 0,85 p+q=1 q = 1 0,85 q = 1 0,85 q = 0,15 d = Error mximo 5 % = 0,05

n=

n=

n = 133,40 Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 134/4000 = 0,03 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra 1.- 400 X 0,03 = 13 2.- 400 X 0,03 = 13 3.- 400 X 0,03 = 13 4.- 400 X 0,03 = 13 5.- 400 X 0,03 = 13 6.- 400 X 0,03 = 13 7.- 400 X 0,03 = 13 8.- 400 X 0,03 = 13 9.- 400 X 0,03 = 13 10.- 400 X 0,03 = 17 (asumido) -----------------4000 134

 Segundo.- Tamao de la muestra, utilizando la tabla de nmeros aleatorios para N = 400 N = 400 n = 13 Intervalo: 01 400 Fila: 10 Columna: 5 Fila 17 columna 67 132, 148, 789, 287, 922, 281, --etc Para n= 13 Nota.- Este procedimiento se realiza para cada estrato de 40 Unidades

Tercero.- Aplicacin de tamao de muestra en base a la raiz cuadrada N = Tamao del lote n = Tamano de la muestra
4000 ---------63 Calculamos la fraccin muestreal (f) dividiendo el tamano de la muestra n para el universo N f = 63/4000 = 0,0158

 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra

400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 400 X 0,0158 -------4000

= = = = = = = = = =

6 6 6 6 6 6 6 6 6 9 (asumido) -----------60

 Segundo.- Tamao de la muestra, utilizando la tabla de nmeros aleatorios para N N = 400 n=6 Intervalo: 001 400 Se elige la Fila: 15 Columna: 1 Fila 98 columna 61 La cifra que corresponde a la fila 98 y columna 61 es el 6 Las cifras que siguen al 6 son agrupados de TRES (nmero de cifras = 3) 640, 605, 299, 775, 112, 431 15, etc. Los resaltados con negrillas se rechazan Nota.- Este procedimiento se realiza para cada estrato de 400 Unidades

 VARIOS EJEMPLOS Se desea determinar el tamao n de la muestra n de un lote de N 3000 items, aplicacin del muestreo estratificado, pero se debe reducir el nivel de confianza a 95 % y ampliar la precisin a 1 % el porcentaje de defectuosos no es mayor del 1,5 %, con estos datos determine el tamao de muestra n Determinamos el criterio de estratificacin y es que se estratifique o se divida en estratos 500 items cada rea, es decir en grupos 10 grupos n = Tamao de la muestra = ? t = Nivel de confianza = 1,96 N = Poblacin = 3000 d = Precisin = 0,01 p = Proporcin estimada que pose la variable = 0 015 q = Proporcin estimada sin la variable = 0,985

 n= n=

n = 27,81 n= 28 Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 28/3000 = 0,0092 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra 500 X 0,0092 = 5 500 X 0,0092 = 5 500 X 0,0092 = 5 500 X 0,0092 = 5 500 X 0,0092 = 5 500 X 0,0092 = 3 --------------------3000 30

 Segundo.- Tamano de la muestra, utilizando la tabla de nmeros aleatorios N = 500 n=5 Intervalo: 001 500 Fila: 10 Columna: 17 Fila 10 columna 54 675, 486, 849,----------- Para n= 5 Nota.- Este procedimiento se realiza para cada estrato de 500 Unidades

 Ejemplo Se desea determinar el tamao de la muestra n de un lote de 1000 items, con un Nivel de confianza del 99 % 2,58 desvios la precisin a de 0,5 % (d = 0,005) n = Tamano de la muestra = ? t = Nivel de confianza = 3 N = Poblacin = 1000 d = Precisin = 0,005 p = Proporcin estimada que pose la variable = 0 015 q = Proporcin estimada sin la variable = 0,985 n= n= = = n = 841,6 En conclusin habr que seleccionar 841,6 Items con algn mtodo de muestreo de la poblacin N = 10000

 Ejemplo Se desea determinar el tamao n de la muestra n de un lote de N 1000 items, pero se debe reducir el nivel de confianza a 95 % (t =1,96 ) y ampliar la precisin a 1 % (d = 0,01) n = Tamao de la muestra = ? t = Nivel de confianza = 1,96 N = Poblacin = 1000 d = Presicin = 0,01 p = Proporcin estimada que pose la variable = 0 015 q = Proporcin estimada sin la variable = 0,985 n= n= = = n = 371,5 En conclusin habr que seleccionar 371,5 Items con algn mtodo de muestreo de la poblacin N = 10000

 Ejemplo Se desea determinar el tamao n de la muestra n de un lote de N 1000 items, de un nivel de confianza a 95 % y una presicin a 1 % (d = 0,01) y Se estima despus de un estudio piloto que la frecuencia que se presentan los defecto es del 2 %. En consecuencia el porcentaje de productos sin defectos es de 100 2 = 98 % Si estos valores le expresamos en fracciones tendremos: P = 0,02 q = 0,98 n = Tamano de la muestra = ? t = Nivel de confianza = 2 N = Poblacin = 1000 d = Presicin = 0,01 p = Proporcin estimada que pose la variable = 0 02 q = Proporcin estimada sin la variable = 0,98

 n=

n= = = n = 439,5 = 440 En conclusin habr que seleccionar 440 Items con algn mtodo de muestreo de la poblacin N = 10000

MUESTREO MIXTO. COMBINACIN DE SISTEMATICO Y ESTRATIFICADO

En control de calidad es frecuente que la produccin o los materiales se dividan naturalmente en grupos. Por ejemplo, la produccin puede agruparse por: Mquina, turno, operador o proveedor. Por lo que es importante tener informacin por estrato para evaluar el desempeo de cada grupo (mquina, por ejemplo) y verse en la necesidad de hacer un muestreo aleatorio estratificado. Pero para tomar la muestra de cada estrato se puede elegir el muestreo sistemtico Cuando la poblacin es compleja, cualquiera de los mtodos descritos puede ser difcil de aplicar, en estos casos se aplica un muestreo mixto que combina dos o ms de los anteriores sobre distintas unidades del lote. supongamos que en el caso de las bolsas de harina se tienen tres mquinas de envasado. Como se quiere obtener informacin sobre el peso de las bolsas, entonces es recomendable seleccionar una muestra por cada mquina y con ello identificar mejor el problema en caso de que lo haya. El procedimiento operativo para tomar las muestras de cada mquina sera determinado por el muestreo sistemtico y sera similar a lo hecho en el ejemplo anterior, es decir aplicando el muestreo estratificado Consiste en realizar un muestreo sistemtico del lote N y posteriormente hacer un muestreo estratificado de la submuestra para elegir una muestra n de cada estrato

Ejemplo.- En la lnea de produccin, por disposicin del rea de calidad y mediante un muestreo sistemtico a cada hora se muestrean 32 envases, en las 16 horas de trabajo (dos turnos), por lo tanto tendremos un lote de N = 512 envases muestreados durante el da, El error mximo permitido es del 3% y el nivel de confianza es del 90 % y por experiencia se obtiene diariamente un 5% de defectuosos. Que tamao de muestra n se requieren para llevar a acabo el Control, posteriormente estratificamos en 8 grupos de 64 unidades cada uno y utilizando la tabla de nmeros aleatorios se muestrea un tamao de muestra n para el anlisis de calidad.

n= n= = =

n = 112 Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 112/512 = 0,22 El criterio de estratificacin es que se divida en 8 areas, 64 items cada Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 1.- 64 X 022 = 14 -----------------512 112

 Tamao de la muestra, utilizando la tabla de nmeros aleatorios para N = 48 N = 64 n = 14 Intervalo: 01 64 Fila: 5 Columna: 11 Fila 77 columna 19 84, 99, 15, 19, 00, 05, , --etc Para n= 14 Nota.- Este procedimiento se realiza para cada estrato de 64 Unidades

MUESTREO POR CONGLOMERADOS

MUESTREO POR CONGLOMERADOS Consiste en dividir la poblacin en varios grupos de caractersticas parecidas entre ellos y luego se analizan completamente (al 100%) algunos de los grupos, descartando los dems. Dentro de cada conglomerado existe una variacin importante, pero los distintos conglomerados son parecidos. Requiere una muestra ms grande, pero suele simplificar la recogida de muestras. Frecuentemente los conglomerados se aplican a zonas geogrficas. Cuando los elementos de un poblacin se divide en una forma natural en subgrupos o conglomerados, que son similares entre s y cuyos elementos tienen una variabilidad similar a los elementos de toda la poblacin, es recomendable para tomar una muestra de tal poblacin, tomar una muestra de conglomerados e investigar todos los elementos de los subconjuntos seleccionados. As en un muestreo de este tipo cada unidad de muestreo es una coleccin de elementos

Inspeccin mediante un Muestreo por Conglomerados.- Se emplea esta tcnica cuando se desea inspeccionar una poblacin de productos grandes tamaos y dispersos.
En una primera etapa, se inspecciona el producto subdividiendo en secciones o subgrupos (estratificacin) a los que se les da el nombre de Unidades primarias.

Despus en una segunda etapa se selecciona los items de una manera aleatoria ( numeros aleatorios) a partir de los subgrupos primarios. Por ejemplo:
Medicamentos analgsicos las unidades primarias (estratificados) en grupos, y Medicamentos analgsicos con caducidad como unidades secundarias. (Estos medicamentos sern elegidos de una manera aleatoria al azar). (nmeros aleatorios)

Este mtodo tiene la ventaja de simplificar la recogida de informacin muestreal EJEMPLO Un inspector desea investigar mediante un muestreo aleatorio el peso de los paquetes de cereales empacados en una fbrica. El cereal en est en cajas que contienen 16 paquetes cada una. El observa que los paquetes de cereal empacados por tal fbrica estn divididos en cajas de 16 y que es razonable suponer que las cajas son similares entre s, por lo que cada caja de 16 paquetes puede verse como un conglomerado. De esta manera decide realizar un muestreo por conglomerados. Para ello selecciona aleatoriamente 4 cajas y se pesa los 16 paquetes de cada una, con lo que su muestra global es de 64 paquetes de cereal.

Ntese que la diferencia entre el muestreo por estratos (estratificacin) y el de conglomerados es la siguiente:

En ambos casos la poblacin se divide en manera natural en subgrupos ajenos pero en el muestreo estratificado tales subgrupos deben ser bastante distintos entre s mientras que en el muestreo por conglomerados deben ser similares. Obsrvese tambin en el mtodo de muestreo lo determina el objeto y los patrones de variabilidad de la poblacin de donde se va hacer el muestreo.

b.- MTODOS DE MUESTREO NO PROBABILSTICOS

A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no sirven para realizar generalizaciones (estimaciones inferenciales sobre la poblacin), pues no se tiene certeza de que la muestra extrada sea representativa, ya que no todos los sujetos de la poblacin tienen la misma probabilidad de ser elegidos.

En general se seleccionan a los sujetos siguiendo determinados criterios procurando, en la medida de lo posible, que la muestra sea representativa.

Entre los mtodos de muestreo no probabilsticos ms utilizados en investigacin y encontramos:

MUESTREO POR CUOTAS:

Se asienta generalmente sobre la base de un buen conocimiento de los estratos de la poblacin y/o de los individuos ms "representativos" o "adecuados" para los fines de la investigacin. Mantiene por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de artculos que renen unas determinadas condiciones,

MUESTREO INTENCIONAL O DE CONVENIENCIA: Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusin en la muestra de grupos supuestamente tpicos. Es muy frecuente su utilizacin en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto

MUESTREO DE ACEPTACIN Consiste en decidir si aceptar o rechazar un lote de productos, de acuerdo a ciertas especificaciones de calidad. Aplicacin: Inspeccin de materias primas, productos semi-elaborados y otros componentes; para determinar si stos cumplen con el nivel mnimo exigido. Cuando se recibe un lote de materia prima o cualquier otro componente, hay tres opciones: Aceptarlo sin inspeccin. Inspeccin al 100%. Muestreo de aceptacin El muestreo de aceptacin es til cuando: La prueba es destructiva Es muy alto el costo de inspeccin o consume mucho tiempo

El nmero de artculos a inspeccionar es muy elevado. El error cometido en una inspeccin 100% puede ser mayor que el cometido en un muestreo de aceptacin.
El historial de calidad del proveedor es bueno.

 3.- LA INSPECCIN POR MUESTREO ESTADSTICO. Consiste en analizar el lote mediante procedimientos basados es la teora estadstica. Los procedimientos estadsticos proporcionan informacin sobre: -El tamao de la muestra n -Los criterios de aceptacin ( Ac) y rechazo (Re) y -El muestreo se realiza de una manera aleatoria. -Se utiliza tablas y grficos estadisticos -La inspeccin por muestreo estadstico se divide en dos clases Inspeccin por Atributos Inspeccin por Variables En el muestreo estadstico, el nmero de muestras, su tamao y su frecuencia de extraccin vienen definido por reglas precisas que tienen en cuenta el grado de importancia de las caractersticas examinadas y de los riesgos inherentes a una errnea valoracin, basada en consideraciones probabilsticas

PLANES DE MUESTREO POR ATRIBUTOS

LAS UNIDADES SE CLASIFICAN COMO EXENTOS DE DEFECTOS O COMO DEFECTUOSOS. ES APLICABLE PARA CARACTERSTICAS MEDIBLES O NO MEDIBLES. NO ES NECESARIO REGISTRAR LAS MEDICIONES, SOLO EL NMERO DE UNIDADES DEFECTUOSAS (O DE DEFECTOS).

PLANES DE MUESTREO Planteamiento que indica el tamao muestral que hay que utilizar y los criterios de aceptacin o rechazo correspondientes para juzgar el lote. Tipos: Simple Por atributos Doble Mltiple Por variables Secuencial

MUESTREO SIMPLE
ES EL MS FCIL.

MENOR RIESGO DEL INSPECTOR.

A CONTINUACIN PUEDE SOMETERSE A INSPECCIN AL 100% O SE ENVA A CHATARRA.

Se toma una muestra de n unidades y se determina el destino del lote en base a la informacin contenida en la muestra. Ejemplo: Tomar una muestra de tamao 80 y si hay ms de 6 artculos defectuosos se rechaza el lote.

 PLAN DE MUESTREO SIMPLE Se selecciona al azar una muestra nica (n) de un lote (N) y se analiza. Se cuentan las unidades (d) que no cumplan con los requisitos y se comparan con en nmero de aceptacin ( c ) del plan. Si (d) es menor o igual que ( c ) se acepta el lote Si (d) es mayor o igual que ( c ) se rechaza el lote Donde: n = Muestra seleccionada nica N = Lote de inspeccin d = Unidades que no cumplen con los requisitos c = Nmero de aceptacin del plan Ac = Aceptacin Re = Rechaz0

FIGURA DE MUESTREO SIMPLE Extraer al azar del Lote (N) Una muestra nica de n unidades N n De n se cuentan las unidades (d) defectuosas Que no cumplan requisitos y se compara con el nmero de aceptacin obtenido en tabla(c)

si

d< c 3 3

si

d > c 4 3

Aceptar el Lote - (AC) Rechazar el Lote - (RE) Si el nmero de unidades defectuosas Si el nmero de unidades defectuosas Es menor o igual que ( c ) se acepta Es mayor que ( c ) se rechaza Posteriormente se puede someter a una inspeccin al 100% o directamente convertir en chatarra Si se obtiene n=125 como tamao de muestra, c=3 como nmero de aceptacin y d =4 como nmero de rechazo.

 EPLAN DE MUESTREO DOBLE. es la extensin natural del plan de muestreo simple. Se toma una muestra de n1 unidades y se observan las unidades defectuosas. Si el nmero de defectuosos no excede el nmero de aceptacin c1 se acepta el lote. Si en cambio excede c1 pero no excede c2 se toma una segunda muestra de tamao n2 y se contabilizan los defectos acumulados de la primera y segunda muestra. Si este acumulado de unidades defectuosas no excede c2 se acepta el lote y en caso contrario se rechaza. Notar que si el nmero de unidades defectuosas de la primera muestra es mayor a c2 no es necesario tomar una segunda muestra y el lote se rechaza inmediatamente. El siguiente diagrama resume el procedimiento descrito:

Figura del Muestreo Doble

Extraer al azar del Lote (N)

Una muestra nica de n unidades N1 n Se cuentan las unidades (d) defectuosas Que no cumplan requisitos y se compara con el nmero de aceptacin (c)

d1 < c1 AC1 lote 2<2

RE1 Inspeccin N1 + N2

d1 > c1 - RE 1 el lote Si d1 > c1, pero d1 no < que c1 se Toma una segunda muestra 4 > 2 pero 3 < 2

ACEPTAR d2 < c2 d2 > c2 N = Tamao del lote n1 = Tamao de la primera muestra c 1 = Nmero de aceptacin para la primera muestra n2 = Tamao de la segunda muestra c 2 = Nmero de aceptacin para la segunda muestra d 1 y d2 = Unidades que no cumplen con los requisitos

RECHAZAR

MUESTREO DOBLE El plan de muestreo doble, consiste en tomar la primera muestra n, la misma que es ms pequea de la que deber ser para el muestreo simple y si encuentra que la calidad en ella es suficientemente buena o mala el lote puede ser aceptado o rechazado inmediatamente, pero si el resultado de la muestra n tiene valores intermedios se tomar una segunda muestra antes de tomar una decisin. EXPLICACION Consiste en extraer del Lote ( N ) al azar una muestra nica de ( n ) unidades y se analizan. Se cuentan las unidades (d) que no cumplan con los requisitos y se comparan con el nmero de aceptacin ( c) de las unidades. Condicin: Si (d) es menor o igual que ( c) , se acepta el lote Si (d) es mayor o igual que ( c) , se rechaza el lote Si (d) es mayor que ( c) pero no menor o igual que ( c), se toma una segunda muestra (n) Se cuentan las unidades que no cumplen con los requisitos y se suman a las que resultaron de la primera muestra

 MUESTREO MLTIPLE Este plan extiende el concepto descrito en el muestreo doble, es decir es un caso repetitivo; a una mayor cantidad posible de muestreos, tanto mejor, antes de tomar una decisin. NIVELES GENERALES DE INSPECCION EN MUESTREO ESTADISTICO (TABLAS) Es la indicacin de la proporcin de la inspeccin de un programa o PLAN DE MUESTREO elegido previamente y relacionado al tamao de la muestra con el tamao del lote NIVEL II: NIVEL NORMAL: Con este nivel debe iniciarse la inspeccin. NIVEL III: Nos permite MAYOR discriminacin, mas severa-ESTRICTO. NIVEL I: Nos permite MENOR discriminacin, menos severa-REDUCIDO NIVELES ESPECIALES S-1 Se los puede utilizar cuando se necesiten muestras relativamente Pequeas (ensayos destructivos). S-2 Donde se puede provocar grandes signos de muestreo. S-3 Donde se aplica un Sistema de Gestin de Calidad idneo que analiza el nmero pequeo de muestras

S-4

NIVEL ACEPTABLE DE CALIDAD AQL O NAC.-

NCA Es el mximo % de unidades defectuosas (o nmero mximo de defectos por cada 100 unidades).
NCA Es el porcentaje de seguridad en el cual el comprador espera recibir el producto con un determinado nmero de defectuosos. Los porcentaje de AQL o NCA tienen valores entre el 0,010 al 1000 y sus 26 valores estn descritos en las tablas MIL STD- 105-D3 o INEN 255 Es preciso sealar que los valores superiores al 10%, se refieren exclusivamente al nmero de defectos por cada 100 unidades , mientras los valores que no son superiores al 10% se refieren, sea al porcentaje de unidades defectuosas, sea al nmero de defectos por cada 100 unidades Las razones para establecer en una negociacin el AQL son: Provee una indicacin de la calidad que requiere la produccin El producto se debe producir con una calidad mejor que el AQL La calidad debe ser alcanzable pero razonable para el consumidor

PROCEDIMIENTO PARA MUESTREO POR ATRIBUTOS 1.- Establecer el Nivel de Inspeccin Generales Normal II Estricto Severo III Reducido Simplificado I Especiales (S-1, S-2, S-3, S-4) NIVEL II: MUESTRA NORMAL NIVEL III: MUESTRA MS GRANDE NIVEL S-1: MUESTRA MS PEQUEA (inspeccin destructiva producto o inspeccin costosa, riesgo de defectos bajo). 2.- Determinar si el plan de muestreo es: Simple Doble Mltiple 3.- Determinar el el nivel de calidad aceptable NCA o AQL En funcin del AQL y de la letra clave del tamao de la muestra, se determinarn en los sistemas, simple doble o multiple respectivamente el plan de muestreo a emplear (tablas )

 4.- Determinar el tamao del lote y Determinar los criterios de aceptacin (ac) o rechazo (re) Con los datos anotados se ingresa en las tablas NTE 225 o MIL - STD 105-D o ISO 2859 Definir el tamao del lote (N) Definir el nmero de Items a ser inspeccionados (n) Nmero de Aceptacin Ac, es decir el nmero de defectos admitidos en la muestra Nmero de Rechazo (Re), es decir el nmero de defectos rechazados en la muestra 5.- Determinar los Tipos de muestreo utilizados cuando se tiene el tamao de la muestra n de acuerdo a la letra cdigo. Estratificado Sistemtico Simple al azar UTILIZACION DE TABLAS DE MUESTREO Para obtener una cierta cantidad de muestra n o determinar un cierto nmero de muestras de un Lote dado se lo hace a travs de: Tabla de Letras Cdigo para el tamao muestra En funcin del tamao del lote N y del nivel de inspeccin establecido, se determinar en la tabla (Letras cdigo para el tamao muestreal) la letra clave del tamao de la muestra. Estimar la probabilidad de aceptacin del lote Pa

 Ejemplo.- Aplicando el Muestreo Estadstico encontrar el tamao de la muestra n y el criterio de aceptacin, para un lote de 1000 Items de cierto producto, con un AQL = 1.5% por convenio entre productor y comprador; se aplica un Plan de muestreo simple, Nivel de Inspeccin normal II y un Muestreo simple al azar, Si consideramos que histricamente los lotes de similares caractersticas han presentado un 5% de unidades defectuosas, necesitamos estimar la probabilidad de aceptacin del lote. Datos: AQL = 1,50 % Nivel de Inspeccin = Normal - II Plan de muestreo = Simple Tamao del lote (N) = 1000 unidades Tipo de muestreo = Simple al Azar Desarrollo: Tabla II de la MIL-STD 105-D o ISO 2859-1 Letra J Tamao dela muestra n = 80 Items Nmero de aceptacin Ac = 3 Items conformes (c) Nmero de rechazo Re = 4 Items no conformes ( d )

 Anlisis: Cuando el Lote (N) de 1000 items es inspeccionado mediante muestreo estadstico y retirado una muestra (n) de 80 unidades, se puede analizar lo siguiente: 1.- Si el nmero de unidades defectuosas (d) es menor o igual que ( c ) se acepta el lote Si el nmero de unidades defectuosas (d = 0,1,2,3) es menor o igual que ( 3 ) se acepta el lote 2.- Si el nmero de unidades defectuosas (d) es mayor que ( c ) se rechaza el lote Si el nmero de unidades defectuosas (d = 4,5,6,etc ) es mayor que ( 3 ) se rechaza el lote 3.- Si se encuentra que 2 items o menos tienen defectos sabiendo que el nmero de aceptacin es 3 entonces se acepta el lote pero se retira las items inconformes Posteriormente se puede someter a una inspeccin al 100% o directamente convertir en devolucin

 Para muestrear las 80 unidades, aplicamos el muestreo al azar es decir mediante las tablas de nmeros aleatorios Tamano de la muestra, utilizando la tabla n = 80 Intervalo: 001 999 Se elige la Fila: 15 Columna: 1 Nmero encontrado: 8 Las 4 cifras que estn a la derecha de la sealada son: 6-1-4 Formar el grupo de 4 cifras: Fila 86 columna 14 La cifra que corresponde a la fila 86 y columna 14 es el 4 Las cifras que siguen al 4 son agrupados de tres (nmero de cifras = 2) 452, 746, 05, 479, etc. Si salen del intervalo entre 01 y 999 se rechazan y si caen dentro de el se aceptan. Los resaltados con negrillas se rechazan Posteriormente los 80 item obtenidos se someten a una inspeccin al 100%

 Para estimar la probabilidad de aceptacin del lote se puede utilizar la Distribucin de Poisson la cual generalmente se encuentra tabulada en los textos de de Calidad o alternativamente se puede estimar de forma sencilla a travs de una planilla de clculo. En la notacin descrita anteriormente, el muestreo queda definido por N=1.000, p= 5% y (n,c) = (80,3). Se utiliza generalmente la Distribucin de Poisson cuando se cumplen en forma conjunta los siguientes requisitos: n>15 ; p<10% ; N > 10*n. 80 > 15, p<10% ; 1000 > 10*80 1000 > 800 En nuestro ejemplo se cumplen las condiciones para utilizar la Distribucin de Poisson. Un parmetro de entrada para esta distribucin es n*p = 80*0,05 = 4. Luego buscamos en la tabla el cruce de dicho valor para c = 3.

 Pa = np; c Pa = 4; 3 Se concluye que la probabilidad de aceptacin del lote es de un Pa = 43,3 %. Si por ejemplo el valor de c hubiese sido 4, la probabilidad de aceptacin del lote sera slo de un 62,9 % lo cual es lgico al ser este plan de muestreo menos restrictivo. Para trabajar con excel =POISSON(c;np;VERDADERO) =POISSON(3;4;VERDADERO) = 43,3% Si P =2% n*p = 80*0,02 = 1,6. Pa = np; c Pa = 1,6; 3 POISSON(3;1,6;VERDADERO) = 92,11% Lo cual es lgico el cliente pedir el lote con menos defectos, es decir con el 2% y no con el 5 % Es decir la probabilidad de aceptacin estar con el 2 %

EJEMPLO.- Una empresa desea aplicar la Norma MIL-STD-105E para el muestreode lotes de un determinado producto de tamao N=3.000 y que histricamente ha presentado un porcentaje de defectuosos de un 2%. Se ha convenido un nivel de calidad aceptable (AQL) de un 1%. La empresa utiliza inspeccin normal. Con esta informacin se busca determinar el tamao de la muestra (n) y el nmero de aceptacin (c). histricamente los lotes de similares caractersticas han presentado un 2 % de unidades defectuosas, necesitamos estimar la probabilidad de aceptacin del lote.

Datos: AQL = Nivel de Inspeccin = Plan de muestreo = Tamao del lote (N) = Tipo de muestreo = Desarrollo: Tabla II de la MIL-STD 105-D o ISO 2859-1 Letra K Tamao dela muestra n Nmero de aceptacin Ac Nmero de rechazo Re = 4

1,00 % Normal - II Simple 3000 unidades Simple al Azar

= 125 Items = 3 Items conformes (c) Items no conformes ( d )

 Para estimar la probabilidad de aceptacin del lote se puede utilizar la Distribucin de Poisson la cual generalmente se encuentra tabulada en los textos de de Calidad o alternativamente se puede estimar de forma sencilla a travs de una planilla de clculo. En la notacin descrita anteriormente, el muestreo queda definido por N = 3.000, p = 2 % y (n,c) = (125,3). Se utiliza generalmente la Distribucin de Poisson cuando se cumplen en forma conjunta los siguientes requisitos: n>15 ; p<10% ; N > 10*n. 80 > 15, p<10% ; 1000 > 10*125 3000 > 1250 En nuestro ejemplo se cumplen las condiciones para utilizar la Distribucin de Poisson. Un parmetro de entrada para esta distribucin es n*p = 125*0,02 = 2,5. Luego buscamos en la tabla el cruce de dicho valor para c = 3.

 Pa = np; c Pa = 2,5; 3 Se concluye que la probabilidad de aceptacin del lote es de un Pa=75,75% Si por ejemplo el valor de c hubiese sido 4, la probabilidad de aceptacin del lote sera slo de un 43,3 % lo cual es lgico al ser este plan de muestreo mas restrictivo. Para trabajar con excel =POISSON(c;np;VERDADERO) =POISSON(3;2,5;VERDADERO)

 CONDICIONES PARA CAMBIAR PLANES DE MUESTREO Salvo indicaciones en contrario, la inspeccin por Muestreo se inicia utilizando las tablas de Inspeccin Normal (Nivel II). Condiciones: PARA PASAR DE NORMAL A RIGUROSA Si se rechazan 3 lotes de los 5 ltimos analizados PARA PASAR DE NORMAL A REDUCIDA Si 10 lotes consecutivos son aceptados Si la produccin es continua y normal PARA VOLVER DE REDUCIDA A NORMAL Si se rechaza 1 lote Cuando el # de defectos se encuentran entre el nmero mnimo de aceptacin y rechazo Cuando la produccin se vuelve irregular Nota.- Si el criterio del comprador no es aceptado con el criterio de Muestreo simple en alguno de los niveles de inspeccin , entonces se decide cambiar al Muestreo Doble

 PROBLEMA.- Encontrar el tamao de la muestra y el criterio de aceptacin, para un lote de 1800 unidades de jabones producidas que tienen fallas de: textura, rayados y deformes . Las condiciones que el proveedor y el comprador negociaron son: AQL = 1.5%, Plan de muestreo simple, Nivel de Inspeccin normal II, aplicando Muestreos: simple al azar, Sistemtico y Estratificado, adems cambiar a rigurosa y simplificada. Datos: AQL = 1,50 % Nivel de Inspeccin = Normal - II Plan de muestreo = Simple Tamao del lote (N) = 1800 unidades Tipo de muestreo = sistemtico Desarrollo: INSPECCION NORMAL Tabla II de la MIL-STD 105-D o ISO 2859-1 Letra K Tamao dela muestra n = 125 jabones Nmero de aceptacin Ac = 5 jabones conformes (d) Nmero de rechazo Re = 6 jabones no conformes (c )

 Anlisis: Cuando de un Lote (N) de 1800 Jabones es inspeccionado mediante muestreo y retirado una muestra (n) de 125 unidades, se puede analizar lo siguiente: 1.- Si el nmero de unidades defectuosas (d) es menor o igual que ( c ) se acepta el lote Si el nmero de unidades defectuosas (d = 0,1,2,3,4,5) es menor o igual que ( 5 ) se acepta el lote Si se encuentran mximo 5 jabones que tienen defectos de: textura, rayados y deformes se acepta el lote 2.- Si el nmero de unidades defectuosas (d) es mayor o igual que ( c ) se rechaza el lote Si el nmero de unidades defectuosas (d = 6,7,8, etc ) es mayor o igual que ( 5 ) se rechaza el lote Si se encuentran mas de 6 jabones que tienen defectos de: textura, rayados y deformes se rechaza el lote 3.- Si se encuentra que 4 jabones que tienen defectos de: textura, rayados y deformes y sabiendo que el nmero de aceptacin es 5 o menos; entonces se acepta el lote pero se retira los jabones inconformes.

Para muestrear las 125 unidades, aplicamos el muestreo Sitemtico es decir mediante la constante de asignacin n = 125 La constante de asignacin ser K = 1800/125 K = 14,4 = 14 Iniciamos la asignacin empezando por un nmero al azar que sea < 14; por ejemplo 10. A partir del nmero 10 las unidades a muestrear seran los siguientes: K + 10 14 + 10 = 24, 24 + 14 = 38, etc. entonces los items nuemerados a muestrear sern: 24, 38, 52, 66, etc, hasta completar las 125 unidades dentro de los 1800 jabones c.- Para muestrear las 125 unidades, aplicamos el muestreo Estratificado es decir mediante la la fraccin muestreal Determinamos el criterio de estratificacin y es que se estratifique o se divida en estratos 300 items cada rea, es decir en grupos 6 grupos Calculamos la fraccin muestreal (f) dividiendo la muestra para el universo f = 125/1800 = 0,069 Multiplicamos la fraccin muestreal por el tamao de cada estrato, lo que nos permitir obtener el cupo, que es el nmero proporcional de unidades de anlisis que integrar la muestra

300 X 0,069 300 X 0,069 300 X 0,069 300 X 0,069 300 X 0,069 300 X 0,069 1800

21 21 21 21 21 21 ----------- 126 Para muestrear los 21 jabones del lote de 300 utilizamos la tabla de nmeros aleatorios N= 300 n = 21 Intervalo: 001 300 Nmero encontrado al azar con la punta de un lpiz = 1 Fila: 10 Columna: 5 Nmero encontrado: 1 Las 3 cifras que estn a la derecha de la sealada son: 7-6-7 Formar el grupo de 4 cifras: Fila 17 columna 67 La cifra que corresponde a la fila 17 y columna 67 es el 1 Las cifras que siguen al 1 son agrupados de dos en dos (nmero de cifras = 2) 132, 148, 789, 287, 922, 281, etc. hasta completar 21, este procedimiento se hace para los 6 estratos Nota.- Este procedimiento se realiza para cada estrato de 300 Unidades

= = = = = =

CAMBIANDO DE INSPECCION NORMAL A RIGUROSA Nivel de Inspeccin = RIGUROSA - ESTRICTA - III Letra L Tamao de la muestra n = 200 Jabones Nmero de aceptacin Ac = 5 Jabones conformes Nmero de rechazo Re = 6 Jabones no conformes CAMBIANDO DE INSPECCION NORMAL A REDUCIDA Nivel de Inspeccin = REDUCIDA - SIMPLIFICADA - I Letra H Tamao dela muestra n = 20 Jabones Nmero de aceptacin Ac = 1 Jabones conformes Nmero de rechazo Re = 3 Jabones no conformes Muetreo Simple AQL = 1,5 % Normal II Rigurosa III Simplificada I Letra = K Letra = L Letra = H n = 125 n = 200 n = 20 Ac = 5 Ac = 5 Ac = 1 Re = 6 Re = 6 Re = 2 ANALISIS DE RESULTADOS Analizar cual nivel de inspeccin debe aplicar o le conviene al comprador o al proveedor Como comprador, conviene el riguroso III Como Proveedor, conviene el Simplificado I

PROBLEMA.- Para el problema anterior existe inconformidad por parte del comprador y se decide aplicar un muestreo doble, por lo tanto encontrar el tamao de la muestra y el criterio de aceptacin, para un lote de 1800 unidades de jabones. Las condiciones que el proveedor y el comprador negociaron son los msmos: AQL = 1.5%, para un Plan de muestreo Doble, Nivel de Inspeccin normal II y un Muestreo aleatorio simple, adems cambie de Normal a Rigurosa y Simplificada Muetreo Doble AQL = 1,5 % Normal II Rigurosa III Simplificada I

Letra = K n1 = 80 Ac1 = 2
Re1 = 5

Letra = L n1 = 125 Ac1 = 2

Re1 = 5

Letra = H n1 = 13 Ac1 = 0
Re1 = 2

n2 = 80 Ac2 = 6

n2 = 125 Ac2 = 6

n2 = 13 Ac2 = 1

Re2 = 7 Re2 = 7 Re2 = 2 Como comprador, conviene el riguroso III Como Proveedor, conviene el Simplificado I Para muetrear los n = 80, n = 125 y n = 13 jabones de los 1800 jabones, se deber aplicar el tipo de muestro simple al azar El muestreo doble, se aplica cuando en el muestreo simple existen nmeros intermedios o cuando las conveniencias del proveedor y comprador son aceptadas

Problema.Encontrar el tamao de la muestra y el criterio de aceptacin, para un lote de 1000 Items que el proveedor entrega al cliente, con un AQL = 1.5% por convenio entre productor y comprador, se aplica Plan de muestreo Doble directo, Nivel de Inspeccin normal II y un Muestreo estratificado Datos: AQL = 1,50 % Nivel de Inspeccin = Normal - II Plan de muestreo = doble Tamao del lote (N) = 1000 unidades Tipo de muestreo = Sistemtico Desarrollo: INSPECCION NORMAL Primera Letra J 50 50 Tamao dela muestra tabla de doble Normal n = 50 Items Nmero de aceptacin Ac = 1 Items conformes Nmero de rechazo Re = 3 Items no conformes Segunda 50 Letra J Tamao dela muestra n = 50 100 (combinadas) Items Nmero de aceptacin Ac = 4 Items conformes Nmero de rechazo Re = 5 Items no conformes

 Anlisis: Cuando de un Lote (N) de 1000 Items es inspeccionado mediante muestreo doble y retirado una muestra (n) de 50 unidades en la primera y 50 en la segunda = 100 (combinada), se puede analizar lo siguiente: Si analizar los primeros 50 Items y encontramos un mximo de 1 defectuoso la decisin sera aceptar todo el lote de 1000 Items. Pero si los defectuosos encontrados fueron 2 entraremos a analizar los siguientes 50 Items, para tomar una decisin la misma que ser: Ac = Aceptar todod el lote, si analizadas las 100 muestras (50 primeras y mas las 50 segundas) encontramos un mximo de 5 defectuosos. Re = Rechazar todo el lote, si encontramos 6 defectuosos o mas

PROBLEMA.- En el laboratorio de un hospital se recibe un lote de 15000 jeringuillas y para verificar el cumplimiento de funcionamiento catalogada como parmetro critico, se inspeccionan aplicando el muestreo estadstico atributos. Se a establecido un plan de muestreo simple y doble, de tipo Sistemtico, con un nivel de inspeccin iniciando con Normal II, adems cambie a Rigurosa y Simplificada el NCA = 4% . Cuales son los tamaos de la muestra y el criterio de aceptacin para muestreo simple y doble cuando es comprador y vendedor, histricamente los lotes de similares caractersticas han presentado un 6 % de unidades defectuosas, estimar la probabilidad de aceptacin Pa del lote en el muestreo simple normal II Datos: AQL = 4,0 % Nivel de Inspeccin = S-3 Tipo de muestreo = Sistemtico Plan de muestreo = Simple Tamao del lote (N) = 15000 unidades Desarrollo: Tabla II de la MIL-STD 105-D o ISO 2859-1 Letra M Tamao dela muestra n = 315 jeringuillas Nmero de aceptacin Ac = 21 jeringuillas conformes Nmero de rechazo Re = 22 jeringuillas no conformes Anlisis: Cuando de un Lote (N) de 15000 jeringuillas es inspeccionado mediante muestreo y retirado una muestra (n) de 315 jeringuillas , se puede analizar lo siguiente: Si se encuentran mas de 22 jeringuillas defectuosas se rechaza el lote Si se encuentran mximo 21 jeringuillas que no tienen defectos se acepta el lote

Muetreo simple AQL = 4,0 % Normal II

Rigurosa III

Simplificada I

Letra = M n = 315 Ac = 21
Re = 22 Muetreo Doble AQL = 4,0 % Normal II

Letra = N n = 500 Ac = 18
Re = 19 Rigurosa III

Letra = K n = 50 Ac = 8
Re = 9 Simplificada I

Letra = M n1 = 200 Ac1 = 11

Re1 = 16

Letra = N n1 = 315 Ac1 = 9

Re1 = 14

Letra = K n1 = 32 Ac1 = 3
Re1 = 6

n2 = 200 Ac2 = 26

n2 = 315 Ac2 = 23

n2 = 32 Ac2 = 7

Re2 = 27 Re2 = 24 Re2 = 8 Como comprador, conviene el riguroso III, tanto en el muestreo simple como en el doble Como Proveedor, conviene el Simplificado I, tanto en el muestreo simple como en el doble Para muestrear los n obtenidos, se deber aplicar el tipo de muestro sistemtico
El muestreo doble, se aplica cuando las conveniencias del proveedor y comprador son aceptadas

 Para estimar la probabilidad de aceptacin del lote se puede utilizar la Distribucin de Poisson la cual generalmente se encuentra tabulada en los textos de de Calidad o alternativamente se puede estimar de forma sencilla a travs de una planilla de clculo. En la notacin descrita anteriormente, el muestreo queda definido por N = 15.000, p = 6 % y (n, c) = (315, 21). Se utiliza generalmente la Distribucin de Poisson cuando se cumplen en forma conjunta los siguientes requisitos: n>15 ; p <10% ; N > 10*n.
315 > 15, 3 <10% ; 15000 > 10*315 15000 > 3150

En nuestro ejemplo se cumplen las condiciones para utilizar la Distribucin de Poisson. Un parmetro de entrada para esta distribucin es n*p = 315*0,019 = 5,98 Luego buscamos en la tabla el cruce de dicho valor para c = 21.

 Pa = np; c Pa = 5,98 ; 21 Se concluye que la probabilidad de aceptacin del lote es de un Pa=99,99% Si por ejemplo el valor de c hubiese sido 16, la probabilidad de aceptacin del lote sera slo de un 99,98 % lo cual es lgico al ser este plan de muestreo mas restrictivo. Para trabajar con excel =POISSON(c;np;VERDADERO) =POISSON(21 ; 5,98;VERDADERO)

MUESTREO POR VARIABLES El muestreo por variables se basa en los valores estadsticos de una muestra promedio y de la desviacin estndar El producto se evalua comparando con valores dados (especificaciones), para ello es necesario realizar mediciones de las caractersticas examinadas. Donde un anlisis o tratamiento estadstico de las mediciones, determina si un lote debe ser aceptado o rechazado, si cumple o no cumple con las especificaciones dadas entre un valor mximo y un valor mnimo permisible en una Norma Tcnica expresado en nmeros.

En el plan de muestreo por variables, puede ser al 100 % o parcial y consiste en: Analizar los valores reales obtenidos en una muestra (n) y comparar con Especificacin de una Norma Tcnica de una sola variable, para aceptar o rechazar. Es decir se realizar tantos anlisis y evaluaciones como variables tenga la Norma.

Si el producto cumple con todas las especificaciones, este ser considerado como Item aceptable. Si el producto no cumple es una o ms de las especificaciones dadas en la Norma, este ser considerado como Item rechazado.

VENTAJAS
Requiere un tamao muestreal ms pequeo que el muestreo por atributos Las mediciones de la caracterstica de calidad proporciona mas informacin sobre un lote que el nmero de defectuosos DESVENTAJAS Solo permite evaluar una caracterstica de calidad Se asume una distribucin normal para la caracterstica de calidad Se debe usar un plan de muestreo para cada caracterstica de Calidad

INFORMACIN PARA UN PLAN DE MUESTREO POR VARIABLES En el Muestreo por Variables, se utiliza las Tabla MIL STD 414 6/ o ISO 3951 5, las mismas que han sido homologadas por el INEN mediante la Norma INEN 225 ( ver tabla 6 y 7); donde son clasificados por los Niveles de Calidad NCA y se basa en el conocimiento previo de la Desviacin Estndar o Tpica del lote. Es conocido tambin como el METODO S Utilizando el criterio de la aceptabilidad K. Para aplicar este mtodo es necesario conocer la siguiente informacin:

Determinar el tamao del lote (N)

El obtener una cierta cantidad de muestra (n)

Determinar un nivel de inspeccin

Normal Estricto Reducido Determinar los Tipos de muestreo Estratificado Sistemtico Aleatorio simple azar Determinar el nivel de calidad aceptable NCA que va de 0,10 a 10,0 % (para inspeccin normal) Determinar la constante de aceptacin K, utilizando las tablas

Determinar los lmites de especificacin en la Norma tcnica o Norma Interna

FORMULAS DE APLICACIN A.- Determinar la Media aritmtica Xm Xmed = X1+X2+X3+.......+ Xn/n B.- Determinar la Desviacin Estandar S, a partir de la varianza ( X1-Xmed)2 + (X2-Xmed)2 +.........+ (Xn-Xmed)2 ---------------------------------------------------n-1 Ks

S =

C.- Constante de aceptacin (desviacin superior)

Ks =

Lmite superior X media --------------------------------Desviacin Estndar Ki

D.- Constante de aceptacin (desviacin inferior) X media - Lmite inferior --------------------------------Desviacin Estndar

Ki

 CONDICIONES Para que el Lote (N) sea aceptado debe cumplir las siguientes condiciones, que: Para lmite superior de especificacin Ks > K ; se acepta el lote X Ks < K se rechaza el lote Para lmite Inferior de especificacin Ki > K ; se acepta el lote X Ki < K se rechaza el lote Caso contrario si uno de las 2 condiciones no cumple no se acepta el Lote (N) Donde : X media = Media de la muestra K = Constante de aceptacin (desviacin normal ) que, junto con el tamao de muestra, refleja los riesgos de aceptacin y rechazo, inherentes al plan de muestreo Desv. Est = La medida de la dispersin o variabilidad

1.- PROBLEMA.En el llenado automtico de sacos de harina, el peso explicado en la Norma INEN debe ser de 50 kg +- 0,5. El comprador del producto aceptar el lote de 500 sacos, simpre que el lote sea sometido a un Muestro por Variables, para ello se aplicar un plan de muestreo Simple, un tipo de muestreo Estratificado, un Nivel de Inspeccin General II y un AQL = 6.5 % para los lmites superiores e inferiores. Datos: AQL o NCA 6.5 % Nivel de inspeccin Normal II Tipos de muestreo Estratificado Plan de muestreo Simple Lmites de Especificacin = 50 +-1,5 LS = 50,5 kg LI = 49,5 kg DESAROLLO Tamao del lote (N) = 500 sacos ver en : Tabla 6 AQL = 6.5 % Ver en : Tabla 6 = Letra I Ver en Tabla 7 Tamao de la muestra n = 25 artculos Por le mtodo S En la tabla 7 de planes de muestreo simple para inspeccin normal encontrar el valor de k de aceptabilidad Constante de Aceptabilidad K = 1.14

Aplicar las siguientes formulas de aceptabilidad Lmite superior - Xmedia Ks = --------------------------------Desviacin Estndar

50.5 - 49.59
Ks Ks Ki = = = --------------------------------- = 0.82 1,11

0,91
-------0.82 = 1,11

Xmedia - Lmite inferior

--------------------------------Desviacin Estndar

49.59 - 49.5
Ki = --------------------------------- =

0,09
-------= 0,11

0.82
Ki = 0,11

0,82

 CONDICION Para que el Lote (N) sea aceptado debe cumplir la siguiente ecuacin, que: Ks > K ; Ki > K ; Caso contrario no se acepta el Lote (N) Como Ks > K y Ki > K 1,11 > 1,14 0,11 > 1,14 no cumple no cumple Entonces se rechaza el Lote

 Ejercicio.- Del problema anterior si se cambia AQL = 10,0% Constante de Aceptabilidad K = 0,936 CONDICION Para que el Lote (N) sea aceptado debe cumplir la siguiente ecuacin, que: Ks > K ; Ki > K Caso contrario no se acepta el Lote (N) Como Ks > K y Ki > K 1,11 > 0,936 0,11 > 0,936 cumple cumple Entonces se acepta el Lote

Ejercicio.- Si ajustamos los lmites de especificacin a 50 +- 1,0 kg Lmites de Especificacin 50 +- 0,5 LS = 49,0 kg LI = 51,0 kg Lmite superior - Xmedia Ks = --------------------------------Desviacin Estndar 51,0 49.59 1,41 Ks = --------------------------------- = -------= 1,72 0.82 0.82 Ks = 1,72 Xmedia - Lmite inferior Ki = --------------------------------Desviacin Estndar 49.59 49.0 0.59 Ki = --------------------------------- = -------= 0.72 0.82 0,82 Ki = 0,1097 Como Ks > K y Ki > K 1,72 > 1,14 0,72 > 1,14 Cumple No cumple Entonces es rechazado el Lote

 2.- PROBLEMA La inspeccin de aceptacin de lotes de envases de una conserva X de 100 cm de volumen es llevado a cabo por variables, la no conformidad del volumen de la conserva es considerada como defecto mayor y se ha asignado un NCA (AQL) = 2.5 % para el lmite inferior y 1.5 % para el lmite superior de especificacin, con, un Nivel de Inspeccin Normal II, tipo de muestreo al azar, un Plan de Muestreo Simple y es utilizado el Mtodo S. Al ser inspeccionado un lote compuesto por 398 envases llenos de conserva, los siguientes valores del volumen son obtenidos en cm 98.3 100.4 101.1 100.3 101.3 100.0 99.3 102.4 100.6 100.6 98.3 101.2 98.4 100.1 100.1 100.9 100.2 99.9 100.8 100.6 a.- Si la especificacin para este volumen es 99,0 +- 2 cm debera ser aceptado el lote o no , porque? b.- Si la especificacin para este volumen es 100 +- 2 cm debera ser aceptado el lote o no , porque?

DESARROLLO Nivel de inspeccin Normal Tipo de muestreo estratificado Plan de muestreo : Simple Determinar el tamao del lote (N) Tabla 6 INEN Tamao del Lote N = 398 Tabla 6 Letra H Tamao de la muestra n = 20 artculos Por le mtodo S En la tabla 7 de planes de muestreo simple e inspeccin normal Encontrar el valor de k de aceptabilidad Constante de Aceptabilidad El valor de AQL o NCA = 2,5 % Limite inferior K inf = 1,51 = 1,5 % Lmite superior K sup = 1,69 Determinar la X media X media = ( X1+X2+X3+.......+ Xn) / n X media = 100,24 Desviacin Estandar S = Desvest = S Desvest = 1,04 (X1-Xmed)2 + (X2-Xmed)2 +.........+ (Xn-Xmed)2 ---------------------------------------------------n-1

a.Si la especificacin para este volumen es porque? Aplicar las siguientes formulas de aceptabilidad Lmite superior - Xmedia Ks = --------------------------------Desviacin Estandar 101,0 - 100,24 Ks = --------------------------------- = 1,04 Ks = 0,73 Xmedia - Lmite inferior Ki = --------------------------------Desviacin Estandar 100,24 - 97,0 Ki = --------------------------------- = 1,04 Ki = 3,11 CONDICION Ks > Ksup ;

99,0 +- 2 cm debera ser aceptado el lote o no ,

0,76 -------1,04

0,73

3,24 -------1,04

3,11

0,73 > 1,69 No Cumple Ki > Kinf ; 3,11 > 1,51 Si Cumple Respuesta.- Se rechaza el lote

b.Si la especificacin para este volumen es 100 +- 2,0 cm debera ser aceptado el lote o no , porque? Aplicar las siguientes formulas de aceptabilidad Lmite superior - Xmedia Ks = --------------------------------Desviacin Estandar 102,0 - 100,24 1,76 Ks = --------------------------------- = -------= 1,69 1,04 1,04 Ks = 1,69 Xmedia - Lmite inferior Ki = --------------------------------Desviacin Estandar 100,24 98,0 2,24 Ki = --------------------------------- = -------= 2,15 1,04 1,04 Ki = 2,15 CONDICION Ks > K; 0,69 > 1,69 No Cumple Ki > K ; 2,15 > 1,51 Si Cumple Respuesta.- Se acepta el lote

 3.- PROBLEMA La inspeccin de aceptacin de lotes de tabletas de 24 mm de dimetro x 8,00 mm de altura; es llevado a cabo por muestreo por variables, la no conformidad de la altura de la tableta, es considerada como defecto mayor y se ha asignado un NCA (AQL) = 1.5 % para el lmite inferior y 1.0 % para el lmite superior de especificacin, con un nivel de inspeccin I Normal, tipo de muestreo estratificado, un Plan de Muestreo Simple y es utilizar el Mtodo S. Al ser inspeccionado un lote compuesto por 970 tabletas, los siguientes valores de la altura son obtenidos en cm 7.96 7.74 8.11 7.79 7.93 7.93 7.84 7.76 7.90 7.84 8.01 7.71 7.99 7.82 8.03 8.02 7.71 8.22 7.83 8.00 a.- Si la especificacin para esta altura es 7.1 +- 0.6 mm, debera ser aceptado el lote o no , porque? b.- Si la especificacin para esta altura es 7.9 +- 0.3 mm , debera ser aceptado el lote o no , porque?

DESARROLLO.- a.- Si la especificacin para esta altura es 7.1 +- 0.6 mm, debera ser aceptado el lote o no , porque? Nvel de inspeccin: Normal I Tipo de muestreo: estratificado Plan de muestreo : Simple Determinar el tamao del lote (N) Tabla 6 INEN Tamao del Lote N = 970 Tabla 6 Letra = H Tamao de la muestra n = 20 artculos Por le mtodo S En la tabla 7 de planes de muestreo simple e inspeccin normal Encontrar el valor de k de aceptabilidad Constante de Aceptabilidad El valor de AQL o NCA =1,5 % Limite inferior K inf = 1,69 1,0 % Lmite superior K sup = 1,82 Determinar la X media X media = ( X1+X2+X3+.......+ Xn) / n X media = 7, 909 Desviacin estandar = 0,14

a.Si la especificacin para esta altura es 7.1 +- 0.6 mm, Lim sup = 7,7 Aplicar las siguientes formulas de aceptabilidad

Lim inf = 6,5

Lmite superior - Xmedia

Ks = --------------------------------Desviacin Estandar

7,7 - 7,907
Ks Ks = = - 1,293 --------------------------------- = 0,14

- 0,207
-------0,14 = - 1,293

Xmedia - Lmite inferior

Ki

--------------------------------Desviacin Estandar

7,907 - 6,5
Ki = --------------------------------- = 0,14

1,407
-------0.14 = 8,79

Ki = 8,79 CONDICION Como Ks > Ksup - 1,29 > 1,82 No cumple

Ki > 8,79 > Si cumple

K inf 1,69 Se rechaza el lote

b.- Si la especificacin para esta altura es 7.9 +- 0.3 mm , debera ser aceptado el lote o no , porque? Se puede calcular con la otra posibilidad Lmite superior - Xmedia Ks = --------------------------------Desviacin Estandar 8,2 - 7,907 --------------------------------0,16 0,293 -------0,16

Ks

1,83

Ks

= 1,83 Xmedia - Lmite inferior --------------------------------Desviacin Estandar

7,907 - 7,6 0,307

Ki

Ki

Ki = CONDICION Como Ks > Ksup tab y 1,83 > 1,82 Si cumple Se acepta el lote

--------------------------------- = 0,16 1,92

-------0.,16

1,92

Ki > K inf tab 1,92 > 1,69 Si cumple

 PROBLEMA La inspeccin de aceptacin de lotes de ampollas de vidrio de 10 cm3 para envasar el antibitico ABC es llevada a cabo por variables. La no conformidad del dimetro de la caa es considerada como defecto mayor y se ha asignado un NCA (AQL) = 2.5% para el lmite inferior y 1.5% para el lmite superior de especificacin. Nivel de inspeccin I inspeccin normal y mtodos S es usado. Al ser inspeccionado un lote compuesto por 8 20, los siguientes valores del dimetro de la caa son obtenidos (mm): 8.03 7.74 7.71 8.11 7.83 7.90 7.93 7.84 7.76 8.22 7.93 7.84 8.01 7.99 7.82 7.96 8.02 7.51 7.99 8.00 Si la especificacin para este dimetro es 7.1 +-0.6 mm, debera ser aceptado el lote o no? Si la especificacin para este dimetro es de 7.9 +- 0.3 mm, debera ser aceptado el lote o no? Por qu? Solucin S = 0.16 X = 7.907

ESTADISTICA
Es la ciencia que se ocupa de recopilar, organizar, representar y analizar un conjunto de datos con el fin de generalizar la informacin PAPEL DE LAS TCNICAS ESTADSTICAS a.- Ayudan a resolver problemas y mejorar la eficacia y eficiencia de las organizaciones. b.- Ayudan a medir, describir, analizar, interpretar y hacer modelos de dicha variabilidad utilizando grficas Para usar las grficas de control y tablas es necesario estar familiarizado con ciertos conceptos bsicos de la estadstica referentes a los datos de variables cuantitativas que se obtengan. METODOS NUMERICOS PARA DESCRIBIR VARIABLES CUANTITATIVAS Especficamente estudiaremos medidas de resumen o medidas descriptivas numricas que son de dos tipos. A.- Las que ayudan a encontrar el centro de la distribucin, llamadas medidas de tendencia central

B.- Las que miden la dispersin, llamadas medidas de Dispersin

MEDIDAS DE TENDENCIA CENTRAL Son: la Moda, la Mediana y la Media Aritmtica, La seleccin de las medias depende del tipo de datos y propsito. Los valores de muchas variables fsicas, qumicas y biolgicas se distribuyen de manera Simtrica. Otras variables como la mortalidad y la tasa de ataque de epidemias tienen distribucin asimtrica. Para Distribuciones normales o Simtricas; la media, la mediana y la moda en sus valores son idnticos Para Distribuciones Asimtricas; la mediana representa mejor al conjunto de datos, aunque la media aritmtica tiene mejores propiedades para el anlisis estadstico y pruebas de significancia y la moda en sus valores son idnticos

MODA ( m )
Son los valores ms frecuentes que se repiten en un conjunto de datos. m = Xn MEDIA ARITMTICA, MEDIA PROMEDIO ( ) Es el resultado de sumar todos los datos o valores y de dividir esta suma o resultado entre el nmero de datos sumados.

Una media aritmtica nada nos dice respecto a la forma como varan los datos

Xmed = (X1+X2+X3+.......+ Xn)/n

n = nmero de datos MEDIANA ( M ) Es la ordenacin de los datos sea ascendente o descendente y se localiza el dato central cuando el nmero de datos es Impar: X1, X2, X3, X4, X5; entonces el dato central es

M = X3
Si el nmero de datos o valores es Par, existirn dos datos centrales, la mediana ser la suma de los dos valores centrales y se divide el resultado para 2; X1, X2, X3, X4, X5, X6 M = ( X3 + X4) /2

X3 y X4 = datos centrales
A veces el clculo de la media aritmtica de algunos datos no proporciona un nmero representativo de ellos. Las medidas de tendencia central son de gran utilidad para comparar grupos de valores

MEDIDAS DE DISPERSIN Para tener una idea exacta de la forma como se relacionan entre si los datos de un conjunto, no es suficiente identificar su tendencia central; es necesario, adems, examinar que tanto difieren entre si, esto es, que grado de dispersin existe entre ellos. Por eso, se establecen indicadores cuantitativos de la variacin de los datos. Tales indicadores se conocen como Medidas de dispersin. Las medidas de dispersin ms comunes para un conjunto de datos son: El Rango, La varianza y la desviacin estndar EL RANGO ( R )

Es el intervalo entre el cual se sitan los datos, es decir es la diferencia entre el lmite superior y el lmite inferior de un conjunto de datos o simplemente la diferencia entre el dato mayor (M) y el dato menor (m).
R = Val. Mx Val. Mn. El rango da nicamente la amplitud dentro del cual se encuentra la totalidad de los datos, mas no tiene en cuenta ni el promedio de los datos ni la variacin que tienen estos con respecto a dicho promedio, por eso son necesarias otras medidas de dispersin como la varianza y la desviacin estndar

 LA VARIANZA ( S ). Es la medida que proporciona el promedio de desviacin de un conjunto de datos con respecto a un valor central. El valor central es generalmente la media. Sean X1, X2, X3, .......Xn n datos ( la cantidad de datos, n se supone pequea, por provenir de una muestra) y X su media aritmtica. La varianza de estos datos est dado por: (X1 - ) + (X2 - ) + ...... + (Xn ) S = ------------------------------------------------------------ n-1 = media aritmtica n = cantidad de datos DESVIACIN ESTNDAR. ( ).- Es la raz cuadrada de la varianza = S (X1 - ) + (X2 - ) + ...... + (Xn ) ------------------------------------------------------n-1

La desviacin estndar ptima es cuando el resultado tiende a un valor cero (0)

La desviacin estndar junto con la media aritmtica, permite describir la distribucin de la variable
La desviacin estndar nos dice en donde caen los datos en relacin con la media aritmtica

La desviacin estndar provee una tcnica conveniente y efectiva para asegurar que el producto cumpla con las especificaciones del cliente
La desviacin nos permite predecir las mediciones del 68%, 95% y 99% de la poblacin

Normalmente un grfico de control para variables se basa en medidas de tendencia central.

GRAFICOS DE CONTROL ESTADISTICO DEL PROCESO En el interior de las empresas existen personas, sean estos, directivos, tcnicos, empleados; que se cuestionan ocasionalmente acerca: del efecto de la calidad, la eficiencia y las ventas del producto; por ejemplo cuestionan o reaccionan ante: Disminucin de ventas Cancelacin de pedidos Deterioro de la calidad Reclamos y quejas de los clientes Retrasos de produccin Aumento de costos de produccin

Excesiva rotacin de personal Accidentes de trabajo Nuevos productos de la competencia Fallas de equipos Problemas con proveedores

Las respuestas a estas preguntas o problemas y que nos puede ayudar a solucionar son utilizando las cartas de control, donde se puede observar: una imagen visual de los datos, la dispersin, los datos mas frecuentes, datos mximos y mnimos y la curva

USOS DE LA CARTA DE CONTROL

Se utiliza fundamentalmente para: Controlar, Mejorar e Innovar procesos, distinguiendo entre variaciones aleatorias (debido a causas comunes) y variaciones especiales, asi:
Identificar las dos fuentes de variacin de un proceso: Causas comunes y causas especiales o asignables. Indicar si un proceso ha mejorado o empeorado Investigar las inconformidades Informar sobre la variabilidad del proceso

Evaluar la aceptabilidad de los Proveedores Evaluar la capacidad de las mediciones

Controlar los procesos vitales y los requisitos de calidad del producto Pronosticar programas de produccin y ventas

Pronosticar programas de compras

Evaluar quejas del cliente Determinar los mtodos de muestreos Predecir los rechazos antes de la produccin de productos defectuosos

Juzgar el rendimiento de un trabajo

Guiar a la Direccin de la empresa (Gerentes) Determinar las causas asignables de variabilidad Determinar la Capacidad de los Procesos

Determinar el estado de control de un proceso

Diagnosticar el comportamiento de un proceso en el tiempo

GRAFICOS DE CONTROL DE TENDENCIA CENTRAL Es un diagrama que sirve para examinar si un proceso se encuentra en una condicin estable o bajo control estadstico independiente de su variabilidad.

En todos los proceso de trabajo siempre hay variacin y que cuanto menos variacin exista hay mas estabilidad La idea bsica de las cartas de control es observar y analizar grficamente el comportamiento sobre el tiempo de una variable de calidad de un producto o de un proceso,
La calidad de un producto manufacturado por medio de un proceso inevitablemente sufrir variaciones. Estas variaciones tienen causas y estas ltimas pueden clasificarse en los siguientes dos tipos

A.- CAUSAS DE VARIACIN DE LAS CARTAS DE CONTROL CAUSAS COMUNES O NATURALES O ALEATORIAS Son los factores que afectan en poco en la variabilidad del proceso. Su presencia es aleatoria y no son de fcil deteccin e son inevitables en el proceso

En estadstica se dice que un proceso es estable o esta bajo control, cuando las nicas causas de variacin presentes son de tipo aleatorio. Y se puede presentar en cualquier caracterstica de la calidad a que se est midiendo pero sin desestabilizar el proceso
Tratar de eliminarlas puede resultar estril y en la mayora de los casos extremadamente caro. Por otra parte estas variaciones dentro de ciertos lmites pueden ser totalmente tolerables y no causan reales disminuciones de la calidad del producto. Estas variaciones se aceptan, se las consideran inherentes al proceso y por lo tanto son variaciones normales. De hecho, estas variaciones son las que originan la distribucin gaussiana.

Grfica para estado controlado

110 108 106 104 102 100 98 96 94

Lmite de Control Superior

Linea Central

CAUSAS COMUNES O NATURALES O ALEATORIAS

Lmite de Control Inferior

92
90

Tiempo o periodo

Los lmites de control se establecen en una distancia de 3

Valores del Proceso

B.- CAUSAS ASIGNABLES O ESPECIALES Son los factores que desestabilizan el proceso, impidiendo la prediccin de su comportamiento futuro a la caracterstica de calidad que se est midiendo; su identificacin es inmediata y fcil. Su presencia es especial Cuando existe la variacin debida a Causas Asignables significa que hay factores anormales que originan productos defectuosos que hacen a la calidad del producto podran estar afuera de los lmites que establecen las especificaciones de calidad del producto y que deben ser investigados. Estas variaciones no son normales, no pertenecen al proceso, no sern aceptadas y deben ser eliminadas lo ms pronto posible, para recuperar el estado de control de proceso.

Grfica para estado fuera de control

110 108 106 104

Causas Asignables

Lmite de Control Superior

102
100 98 96 94 92 90

Linea Central

Lmite de Control Inferior

Tiempo o periodo

Valores del Proceso

GRAFICOS DE CONTROL
VARIACION DEL PROCESO
CAUSAS ALEATORIAS: DAN VALORES QUE ALEATORIAMENTE SE DISTRIBUYEN A UN LADO U OTRO DE UNA LNEA DE CONTROL. CAUSAS ASIGNABLES: PUEDEN MANIFESTARSE COMO UNA TENDENCIA Y DEBEN SER CORREGIDAS.

LA ESTRUCTURA DE LAS CARTASen DEuna CONTROL Una grfica de Control consiste lnea central, un par de lmites de control, uno de ellos colocado por encima de una lnea central y otro por debajo y en ciertos valores caractersticos registrados en la grfica que representa el estado del proceso. Si todos los valores ocurren dentro de los lmites de control, sin ninguna tendencia especial, se dice que el proceso est en estado controlado, si ocurren por fuera de los lmites de control, se dice que el proceso est fuera de control. En la siguiente grfica se muestra una carta de control tpica, la cual se compone de tres lneas paralelas, comnmente horizontales que rematan a la izquierda en una escala numrica de las unidades de la variable

Una Lnea Central (LC).- representa el promedio de la variable que se est graficando, cuando el proceso se encuentra en control estadstico a la cual se distribuyen las mediciones aleatoriamente Lmites de control.- Son estimaciones de la amplitud de la variacin natural de la variable que se grfica donde marcan el intervalo de confianza en el cual se esperan que caigan los puntos de las mediciones aleatoriamente Una Lnea superior que marca el Lmite Superior de Control (LSC) y Una Lnea Inferior que marca el Lmite inferior de Control (LIC)

Las lecturas se hacen a partir de muestras por periodo y los intervalos de tiempo son generalmente iguales por ejemplo cada hora, cada 1 hora por da, etc. Cuando los puntos se encuentran fuera de los lmites de control o muestran una tendencia particular, decimos que el proceso est fuera de control y esto es debido a Causas Asignables Los puntos.- contienen informacin sobre las lecturas hechas; pueden ser promedios de grupos de lecturas o sus rangos. O bien las lecturas individuales de las mismas

 PROCESO BAJO CONTROL

PARA EFECTUAR EL GRFICO SE TOMAN MUESTRAS DEL PROCESO DE FABRICACIN, SI LOS VALORES SE DISTRIBUYEN ALEATORIAMENTE DENTRO DE LOS LMITES, SE DICE QUE EL PROCESO EST BAJO CONTROL.

LECTURA Y USO DE LA GRAFICA DE CONTROL La lectura de una grfica de control se realiza buscando puntos fuera de los lmites de control o detectando patrones de anormalidad en el conjunto general de los puntos. A continuacin se describen algunos de los patrones ms comunes y se da una descripcin de las causas que pueden estar afectando el proceso.

 ALGUNOS CASOS DE LECTURAS DE GRFICAS DE CONTROL Si bien el objetivo primario de las grficas es que los puntos se encuentres dentro de los lmites, hay ocasiones donde la tendencia o racha" de los puntos nos anticipa claramente lo que va a suceder si no nos anticipamos.
Una racha de 7 puntos es anormal (a - b) Una racha de 10 de 11 puntos de un solo lado tambien es anormal (c - d)
110 108 106 104 102 100 98 96 94 92 90

TENDENCIA de 7 puntos ASCENDENTES (a - b) TENDENCIA DESCENDENTE DRASTICA (c - d)

110 108 106 104 102 100 98 96 94 92 90 a b c d

Puntos fuera de los lmites de control o detectando patrones de anormalidad

 POSIBLES CAUSAS de puntos fuera de los lmites de control o patrones de anormalidad

Nuevo empleado Nuevo jefe Nuevo equipo o nuevo ajuste de equipo Cambio de mtodos de trabajo Cambio en la motivacin de los empleados Cambio a un diferente proveedor Cambio en los estndares de calidad Efectos estacionales, tales como, la temperatura o la humedad Fatiga del empleado Rotacin del personal

Horario de mantenimientos Desgaste del equipo Diferencia regular entre proveedores Ajuste excesivo del equipo o maquinaria Empleado sin capacitacin Equipo necesita reparacin Efecto de grficas de control instaladas en otras reas Empleados sin experiencia Empleados descuidados Mantenimiento mediocre Productos defectuosos

GRAFICO DE CONTROL POR VARIABLES X - R ES EL MS COMN PARA VARIABLES X ES LA MEDIDA DE TENDENCIA CENTRAL

R ES LA MEDIDA DE LA DISPERSIN (EL RECORRIDO ES LA DIFERENCIA ENTRE LOS VALORES MAYOR Y MENOR)
EL GRFICO X y SIMULTNEAMENTE. R, SE LO REALIZA

OBJETIVOS DE LAS CARTAS DE CONTROL PARA VARIABLES Por lo general se establece en 5 el nmero de unidades de un subgrupo. Puede tomarse un nmero ms reducido cuando los costos de inspeccin son elevados. Las cantidades a extraer en cada muestra tomada a perodos regulares sern de 3 a 10 unidades siendo las ms frecuentes de 3 a 6 y la ms recomendable es 5. Se prefiere un nmero ms amplio cuando es preciso que el grfico de control sea sensible a cambios pequeos en el proceso de fabricacin. Si el objetivo del grfico de control es detectar cambios en el proceso, es necesario que todos los subgrupos sean homogneos y que la posibilidad de cambios entre los subgrupos sea grande.

Para que el grfico de control pueda tomarse como base para aceptar o rechazar, cada grupo debe representar el proceso de fabricacin a lo largo de un perodo especfico (tiempo). La frecuencia del muestreo es una decisin de carcter econmico, deben sopesarse los costos de la inspeccin frente a las prdidas que podran producirse por no haber detectado a tiempo modificaciones adversas. Al iniciar un grfico de control se desea obtener rpidamente un resultado positivo. En esos casos es mejor implantar una frecuencia de muestreo ms alta al comienzo sin dejar para ms adelante, cuando ya los problemas debieran haberse descubierto y eliminado

El objetivo, es controlar el proceso, es decir, mantenerlo en estado controlado, para ello debemos hacer una grfica que en rigor son dos, una para la exactitud, o sea, la grfica X, y otra, para la precisin, esta es la grfica R.
El control siempre deber contener las 2 grficas, correspondiente a X y a R. Son indisolubles, no pueden existir independientes, no existe control con solo una de ellas. Y cualquiera de las dos que este fuera de control declara al proceso fuera de control. Para comprender un proceso y saber si se encuentra bajo control, deberemos conocer la variacin debida al azar y este conocimiento lo extraeremos, precisamente de las grficas de control de proceso. Para esto se tomaran pequeas muestras cada periodos de tiempo preestablecidos, de forma que en cada pequea muestra los factores de variacin sean comunes. Por esta razn las unidades que se toman para cada pequea muestra debern ser una a continuacin de otra, de esta forma, los factores que varan de unidad a unidad sern mnimos.

PROCEDIMIENTO PARA ELABORAR UNA CARTA DE CONTROL POR VARIABLES CUANDO SE UTILIZA Media Aritmtica ( Xmed ) y Rango ( R ) Decidir cuantas muestras se van a muestrear (en funcin del tiempo), cada qu tiempo o cuntas muestras por cada qu nmero de artculos producidos. Es aconsejable que el grupo de submuestras no sean menos de 2 ni ms de 8.

Inspeccionar cada tem y anotar los valores en su orden de obtencin.

Calcular el valor promedio ( Xmed ) y rango ( R ) de cada subgrupo. Dar valores a la escala, en relacin a los valores obtenidos y graficar en la tabla los puntos de promedio ( X ) y de rangos ( R ) de los valores encontrados en cada subgrupo y unir los puntos por medio de lneas

Procedimiento para Media aritmtica ( X med ) Calcular el promedio de promedios ( Xdoble barra ) o promedio general. Calcular el promedio de rangos ( R med). Calcular el lmite inferior LCS = Xdoble barra + A2.Rmed Calcular el lmite superior LCI = Xdoble barra - A2 . Rmed

Procedimiento para el rango (R med)

Calcular el lmite inferior LCS= D3 . Rmed. Calcular el lmite superior LCI= D4 . Rmed. A2, D3, D4, B3, B4 y d Son factores que dependen del tamao del subgrupo y se encuentra en tablas.

 CUANDO SE ESTANDAR: Lmite superior Lmite Inferior Lmite superior Lmite inferior

UTILIZA

LA

DESVIACIN

LCS = Xdob + A1 * LCI = Xdob A1 * LCS = B4 * LCI = B3 *

FACTORES PARA CALCULOS DE GRAFICOS DE CONTROL POR VARIABLES

n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 A1 3.76 2.39 1.88 1.60 1.41 1.28 1.18 1.09 1.03 0.97 0.93 0.88 0.85 0.82 A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31 0.29 0.27 0.25 0.24 0.22 B3 0.00 0.00 0.00 0.00 0.03 0.12 0.19 0.24 0.28 0.32 0.35 0.38 0.41 0.43 B4 3.27 2.57 2.27 2.09 1.97 1.88 1.82 1.76 1.72 1.68 1.65 1.62 1.59 1.57 D3 0.00 0.00 0.00 0.00 0.00 0.08 0.14 0.18 0.22 0.26 0.28 0.31 0.33 0.35 D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78 1.74 1.72 1.69 1.67 1.65 E3 2.660 1.772 1.457 1.290 1.184 1.109 1.054 1.010 0.975 0.946 0.921 0.899 0.881 0.864 d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078 3.173 3.258 3.336 3.407 3.472

donde X (doble raya) = 0,4970 y R (raya) = 0,0224 Tolerancia : LST = 0,5360 y LIT = 0,4580

 Para el grfico R Lmite Central (LC) = Rmed= 0,0224 Lmite Superior de Control LCI= D4 . Rmed = 3,27 x 0,0224 = 0,0511 LSC = 0,0511, el valor de D4 y D3 se consigue en una tabla estadstica (para este caso es 2,282 con un tamao de grupo n = 4). Lmite Inferior de Control LCI= LCS= D3 . Rmed. = 0,0 x 0,0224 =0,0 LIC = 0, porque para todo proceso en que se considera un n < 7, el LIC no se indica en la grfica.

Como se puede apreciar, el grfico R no presenta variaciones fuera del lmite superior, por lo tanto la dispersin de los datos es aceptable para calcular el grfico X (raya).

 Para el grfico Xdoblebarra Lmite Central (LC) = X doble barra)= 0,4970 Lmite Superior de Control LCS = Xdoble barra + A2.Rmed=0,4970 + 0,729 x 0,0224 LSC = 0,5133, El valor de A2 se consigue en una tabla estadstica (para este caso el valor es 0,729 con un tamao n=4). Lmite Inferior de Control LCI = Xdoble barra - A2 . Rmed = =0,4970 - 0,729 x 0,0224 LIC = 0,4807

Como se puede apreciar un punto queda fuera del rango calculado, por lo tanto el proceso se encuentra fuera de control estadstico. En este caso, habra que investigar y eliminar la causa asignable, que podra haberse debido al uso de algn material defectuoso o una mala lectura del instrumento. Este dato debe eliminarse de la grfica y recalcular todo de nuevo pero sin considerar el subgrupo 8.

 Nota.- Esto no siempre es as, si los puntos fuera de control son de tal magnitud, entonces no queda ms remedio que una vez encontrada y eliminadas las causas en la prctica, habra que repetir el proceso, recogiendo nuevos datos.

Despus de la correccin, los resultados son: Grfico R corregido Rmed = LC = 0,0231 LSC = 0,0527 LIC = 0 Grfico Xdobebarra corregido X dobebarra = LC = 0,4979 LSC = 0,5147 LIC = 0,4811 Los grficos son los siguientes:
Como se puede apreciar en ambos grficos, ahora el proceso se encuentra en "control estadstico".

EXPLICACION DE LA GRAFICACION DE LOS LIMITES

El graficar los lmites obtenidos, el espacio comprendido entre los lmites de las observaciones nos da una apreciacin de cmo est trabajando actualmente el: equipo, persona, material, etc. Se le identifica tambin como la capacidad del proceso

Al Graficar los lmites impuestos por la norma, comparar si cumple o no con la especificacin. Es aconsejable graficar con otro color para diferenciar los lmites matemticos encontrados.

La Especificacin y sus tolerancias, son dadas por el cliente o en su defecto el diseador del producto. La Especificacin indica como uno quiere el producto. Cada variable que tenga que ver con la calidad del producto tendr que tener su correspondiente especificacin.
Por ejemplo, el porcentaje de acidez en la leche, el contenido en gramos de un recipiente que contiene un alimento, etc.; Las especificaciones tienen que ver con el producto, con su funcionalidad, su esttica y todo lo que hace a la calidad de dicho producto. Adems, se establecen los lmites de tolerancia para dichas Especificaciones, dentro de las cuales, el producto se considera Bueno y se sobreentiende que si se excede dichos lmites el producto ser defectuoso.

Ejemplos de Especificaciones y sus Tolerancias Para el grosor o altura de un item: 2,54 mm 0,20 mm En este ejemplo la Especificacin es 2,54, la tolerancia es 0,40 mm ( de extremo a extremo) y la discrepancia 0,20mm. Para el contenido de un envase de crema de leche: 200 5 cm3 La Especificacin es 200 cm3, discrepancia 5 cm3 la Tolerancia es 10 cm3 y la

Podramos hacernos la siguiente pregunta: Porque las tolerancias? Pues, desde el principio sabemos que los procesos no pueden hacer todos los productos iguales, por ello tenemos que poner lmites, de forma que cuando se excedan dichos lmites diremos que se producen defectos.

CONCLUSIONES DE GRFICOS XM Y R Si los puntos estn dentro de los lmites, el proceso est bajo control. Si hay puntos fuera del lmites hay que buscar las causas asignables que desestabilizan el proceso Si existen puntos fuera de los lmites de la especificacin, analizar a qu se debe y corregir inmediatamente. Existe otra posibilidad de optimizar procedimientos, si los lmites impuestos estn muy abiertos o cerrados en relacin a la produccin real de la fbrica; en este caso es aconsejable modificar la norma o especificacin. Un punto por encima de LCS o por debajo de LCI en el grfico X indica que el proceso a alterado su nivel. Un punto por encima de LCS en el grfico R significa que la dispersin del proceso se ha incrementado Los puntos fuera de los lmites en los grficos de rangos ( R ) normalmente se deben a variaciones del proceso y no al operador.

DISTRIBUCION NORMAL O CAMPANA DE GAUSS La distribucin de Gaus es la ms utilizada en estadstica y describe la forma como las mediciones cuantitativas se distribuyen en una poblacin. Esta distribucin se grafca como una curva lisa simtrica en forma de campana que se extiende al infinito en las dos direcciones, cuyo punto ms alto se encuentra en la mitad y sus colas ( izquierda y dereacha) son iguales La distribucin normal ms usada el de la las 6 sigma

CARACTERSTICAS DE LA CURVA DE GAUSS

Es una curva simtrica al eje de la abscisa. La distribucin es simtrica respecto a la media. Es decir, el 50 % de la poblacin est arriba del valor de la media y el 50 % esta debajo de la media

De acuerdo a su modo de distribucin, el mximo valor de la curva f(X) ocurre en la Xmed La varianza es igual a 1, de donde la desviacin estndar es la raz cuadrada de la varianza, es tambin igual a 1.
El valor de la integral de la funcin tiene el valor 1 ya que la curva es sintnica al eje de la abscisa. La media, mediana y moda; se localizan en el mismo sitio, es decir al centro y sirven como punto de simetra

La campana representa una distribucin de probabilidad en donde el rea total comprendida bajo la curva representa al 100% de la poblacin. La poblacin se distribuye aproximadamente como sigue 68,3 % Dentro de mas o menos una (1) desviacin estandar 95,4% 99,7% Dentro de mas o menos dos (2) desviacines estandar Dentro de mas o menos tres (3) desviacines estandar

Todos los problemas de calidad se refieren a una normalidad de produccin, de all que es importante el llegar a comprender y dominar la funcin normal de Gauss, es ms cada vez que se le presente un problema, se aconseja bosquejar un dibujo de la curva que le ayudar mucho en la solucin. La variable valor medio (X media ), cambia de posicin dependiendo de la exactitud del proceso

Explicacin de Z Ejemplo: cuando el 95 % de datos se encuentran en el rea bajo la curva de distribucin normal Z = 1,96 47,5 95 % 2,5 % cola izquierda = Z = datos fuera 47,5% 2,5 % cola derecha = Z = datos fuera

34,13%

34,13 % = 68,26 % z = 1

47,73%

47,73 % = 95,45 % z = 2

49,86%
-3 -2 -1 Xm 68,26 % 95,45% 99,73% +1 +2 +3

49,86% = 99,73 % =Z = 3

 En la figura anterior, se puede observar que: Los valores que estn a mas de dos (2) desviaciones estandar de la Xmedia ( debajo de 16 o arriba de 24 ) ocurrirn por casualidad u oportunidad cerca de 5 veces en cada cien o con una probabilidad de 0,05 ( cinco en cien ) Los valores que estn a mas de tres (3) desviaciones estandar de la Xmedia ( debajo de 14 o arriba de 26 ) se considran en general, con una probabilidad de 0,01 ( uno en cien ) 68.27 % para una desviacin tpica a ambos lados del cero 95.45 % para dos desviaciones tpicas a ambos lados del cero 99.72 % para tres desviaciones tpicas a ambos lados del cero Esto se aprecia mejor en los siguientes grficos:

AREA BAJO LA CURVA NORMAL IGUAL A 68.27%

45

40

PROBABILIDADES

35

30

25

20

15

10

0 -3 -2 -1 0 1 2 3

DESDE -1 A +1 DESVIACION TIPICA

AREA BAJO LA CURVA NORMAL IGUAL A 95,45%

45 40 35

PROBABILIDADES

30 25 20 15 10 5 0

-3

-2

DESDE -2 A +2 DESVIACION TIPICA

-1

AREA BAJO LA CURVA NORMAL IGUAL A 99,73%

45

40

PROBABILIDADES

35

30

25

20

15

10

0 -3 -2 -1 0 1 2 3

DESDE -3 A +3 DESVIACION TIPICA

DISTRIBUCION Z

Para usar la curva de Distribucin Normal, las mediciones deben ser transformadas en valores de Z. Si asumimos que la distribucin de las mediciones de una poblacin es simtrica, resulta posible predecir la proporcin de valores incluidos entre un valor Z2 positivo (cola superior) y su correspondiente valor Z1 negativo ( cola inferior), puesto que, dicha proporcin de poblacin, ser gual a la proporcin del rea bajo la curva comprendida entre los valores de Z seleccionados.
Las reas correspondientes a los distintos valores de Z no requieren ser calculados matemticamente, puesto que se reportan en tablas estadsticas, que se adjuntan: Formulas para calcular Z.- Se utiliza la frmula de desviacin estandar Normalizada

 Z= Xi = Representa el valor medido u observado Z = Es el nmero de desviacin estandar entre X y Xmed Formula para calcular Z1 cola inferior

Z1 =

Cola de la curva izquierda

Formula para calcular Z2 cola superior Z2 = Cola curva derecha

Donde Xmin = valor mnimo de especificacin Xmx = valor mximo de especificacin S = desviacin estndar obtenida de los datos Frmula para calcular Z total Z1 + Z2 = % total fuera de especificacin ZT = 100 (Z1 + Z2) ZT = % total dentro de especificacin

Z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2

0 5000 4602 4207 3821 3446 3085 2743 2420 2119 1841 1587 1357 1151 0968 o808 o668 o548 o446 o359 o287 o228 o179 o139 o107 oo82 oo62 oo47 oo35 oo26 oo19 oo13 oo10 ooo7

1 4960 4562 4168 3783 3404 3050 2709 2389 2090 1814 1562 1335 1131 0951 o793 o655 o537 o436 o351 o281 o222 o174 o136 o104 oo80 oo60 oo45 oo34 oo25 oo18 oo13 ooo9 ooo7

2 4920 4522 4129 3745 3372 3015 2676 2358 2061 1788 1539 1314 1112 0934 o778 o643 o526 o427 o344 o274 o217 o170 o132 o102 oo78 oo59 oo44 oo33 oo24 oo18 oo13 ooo9 ooo6

3 4880 4483 4090 3707 3336 2981 2643 2327 2033 1762 1515 1292 1093 0918 o764 o630 o516 o418 o336 o268 o212 o166 o129 oo99 oo75 oo57 oo43 oo32 oo23 oo17 oo12 ooo9 ooo6

4 4840 4443 4052 3696 3300 2946 2611 2296 2005 1736 1492 1271 1075 0901 o749 o618 o505 o409 o329 o262 o207 o162 o125 oo96 oo73 oo55 oo41 oo31 oo23 oo16 oo12 ooo8 ooo6

5 4801 4404 4013 3632 3264 2912 2578 2266 1977 1711 1469 1251 1056 0885 o721 o594 o485 o392 o314 o250 o197 o154 o119 oo91 oo69 oo52 oo39 oo29 oo21 oo15 oo11 ooo8 ooo6

6 4761 4361 3974 3594 3228 2877 2546 2236 1949 1685 1446 1230 1038 0869 o721 o594 o485 o392 o314 o250 o197 o154 o119 oo91 oo69 oo52 oo39 oo29 oo21 oo15 oo11 ooo8 ooo6

7 4721 4325 3936 3557 3192 2843 2514 2206 1922 1660 1423 1210 1020 0853 o708 o582 o475 o384 o307 o244 o192 o150 o116 oo89 oo68 oo51 oo38 oo28 oo21 oo15 oo11 ooo8 ooo5

8 4681 4286 3897 3520 3156 2810 2483 2177 1891 1635 1401 1190 1003 0838 o694 o571 o465 o375 o301 o239 o188 o146 o113 oo87 oo66 oo49 oo37 oo27 oo20 oo14 oo10 ooo7 ooo5

9 4641 4247 3859 3483 3121 2776 2451 2148 1867 1611 1379 1170 o985 0823 o681 o559 o455 o367 o294 o233 o183 o143 o110 oo84 oo64 oo48 oo36 oo26 oo19 oo14 oo10 ooo7 ooo5

La fabricacin de un producto se denomina CONTROLADA, cuando las desviaciones que tienen carcter aleatorio, se hallan comprendidas entre lmites fijos y en el interior de ese intervalo, se distribuyen segn una ley determinada, la Curva Normal o de Gauss, con un promedio aritmtico y una desviacin normal propias.
Como se ha anotado, la calidad tiene una variacin natural o aleatoria, que podemos calcular mediante mtodos sencillos desarrollados por la Estadstica. Es caracterstica propia de los procesos de fabricacin, cuando stos son normales y responden al concepto de distribucin estadstica de probabilidades de acuerdo a la curva de Gauss, que es la distribucin normal terica utilizada para resolver los problemas que se presentan en el Control de Calidad

 Ejercicio La especificacin de una variable de calidad es de 1,030 +- 0,03, supongamos que realizamos 30 mediciones al producto, obteniendose una Xmed = 1,050 y una desv. Estandar S = 0,15. Calcular la proporcin fuera de especificacin y los datos bajo el rea de la curva Desarrollo Especificacin de calidad 1,030 +- 0,030 Xmn. = 1,000 Xmx. = 1,060 Xmed = 1,050 = 0,15 Reemplazamos en las ecuaciones Z1 = = = -0,333 Z2 = = = 0,067 De la tabla de distribucin Norma se calcula Z1 y Z2

 De la tabla de distribucin Norma se calcula Z1 y Z2 Con Z1 = -0333 determinamos en tabla el % de datos bajo la curva Z1 = 37,7 % Valor leido Z1 = 37,7 % Expresado en porcentaje Valor fuera de espicificacin Con Z2 = 0,67 determinamos en tabla el % de datos bajo la curva Z2 = 2,51x 10 = 0,2514 x 100 Valor leido Z2 = 25,14 % Expresado en porcentaje valor fuera de especificacin Calcular el % total fuera de especificacin Z1 + Z2 = % total fuera de especificacin Z1 + Z2 = 37,7 % + 25,1 % = 62,84 Calcular el% total dentro de especificacin ZT = 100 (Z1 + Z2) ZT = 100 ( 62,84 ) ZT = 37,16 % total dentro de especificacin

 Ejemplo En una hoja de verificacin de datos obtenidos de un ensayo de una variable de calidad, se obtiene una desviacin estandar de S = 3,5 y una Xmedia = 33,6, determine el porcentaje de datos que se encuentran fuerade especificacin, siendo los limites de trabajo entre 25 y 36 y los datos bajo el rea de la curva Desarrollo Especificacin de calidad 30,5 +- 5,5 Xmn. = 25,0 Xmx. = 36 Xmed = 33,6 S = 3,5 Reemplazamos en las ecuaciones Z1 = = = - 2,46 Z2 = = = 0,6857

De la tabla de distribucin Norma se calcula Z1 y Z2 Con Z1 = -2,46 determinamos en tabla el % de datos fuera de la curva Z1 = 0,0069 = 0,0069 x 100 Valor leido Z1 = 0,69 % Expresado en porcentaje Valor fuera de especificacin Z2 = 0,69 determinamos en tabla el % de datos bajo la curva Z2 = 2451 = 24,83 % Z2 = 24,51 % Expresado en porcentaje valor fuera de especificacin Calcular el % total fuera de especificacin Z1 + Z2 = % total fuera de especificacin Z1 + Z2 = 0,69% + 24,51 % = 25,20 % Calcular el % total dentro de especificacin ZT = 100 (0,69 + 24,51 ) ZT = 100 ( 25,20 ) ZT = 74,8 % total dentro de especificacin

INDICE DE CAPACIDAD DE PROCESO ICp Es la medida desde un punto de vista de calidad, que debe cumplir un proceso dentro de una tolerancia o especificaciones dadas y se emplea para determinar la capacidad de: un proceso, Materiales, Maquinaria, Mano de obra ( turno de obreros), Mtodos,, etc. El estudio o anlisis de la capacidad de proceso se realiza para responder a la pregunta : Qu calidad puede producir el proceso en condiciones normales?, que equivale a plantearse cual es la variacin actual y si con esta variacin cumple o no con la norma o especificacin en esa caracterstica. En resumen, es el anlisis de variabilidad propia, dentro de las cuales las 6M actan reguladas por causas naturales.

Ecuacin del Anlisis de Capacidad de Proceso: T I Cp = --------------6 * LST - LIT = ---------------------6 *

ICp

= Rango medio / d2 T = Tolerancia LST y LST = ES Y EI; Son los parmetros llamados respectivamente limites superior de tolerancia y lmite inferior de tolerancia o especificacin Superior y Especificacin Inferior, esos vienen dados por la Norma o por estimaciones aplicando principios estadsticos = representa el valor de la desviacin estndar o dispersin de un grupo de valores tomados en condiciones normales de una lnea de produccin d2 = obtenido de la tabla

VALORES DEL INDICE DE CAPACIDAD DE PROCESO ( ICp ) Y SUS INTERPRETACIONES Cuando:

Clase 1 ICp > 1.33 El proceso es satisfactorio o adecuado para el trabajo, capaz de cumplir con las especificaciones Clase 2 1 < ICp < 1,33 El proceso es adecuado para el trabajo, poco satisfactorio para cumplir con las especificaciones , pero hay que tener cuidado si este valor de ICp tiende a ser 1

Clase 3
0.67 < ICp < 1 El proceso no es adecuado para el trabajo, un anlisis del proceso es necesario, puede existir una buena probabilidad de xito. Con seguridad no podr cumplir con las especificaciones Clase 4

ICp < 0.67 El proceso es inadecuado para el trabajo, el proceso o el valor de las especificaciones requieren de unas modificaciones serias

 EJERCICIO. En una empresa fabricante de Lociones se trabaja con una especificacin de 350 +- 30 cm de volumen, debido a constantes reclamos de los clientes sobre el no cumplimiento del volumen, se decide realizar un estudio de la calidad de esta caracterstica, utilizando para ello las herramientas estadsticas de las Grficas de control, El lote a fabricar durante 5 das es de aproximadamente N = 2480 lociones, mediante la aplicacin de un mtodo de muestreo de la Raiz cuadrada se obtiene un tamao de muestra de n = 50 envases los mismos que sern muestreados 10 frascos cada jornada de trabajo. A los envases obtenidos diariamente se mide el volumen luego del proceso de envasado en ml, obteniendo los siguientes resultados.

 Volumen nominal :350 cm Tolerancia: + -30 cm 360 350 350 345 355 370 350 350 345 325 350 350 350 365 360 360 355 355 365 370 350 360 360 340 350 370 330 365 355 365 370 370 355 345 370 350 325 345 345 355

355 350 345 345 350 380 345 340 380 350

 a .- Con los estos datos, DESARROLLE UNA CARTA DE CONTROL POR VARIABLES, Calcule la lnea central de ensayo y los lmites de control para los grficos de Xdob.bar y . Rmed y EXPLIQUE SI EL PROCESO ESTA CONTROLADO O NO b.- Indicar, que porcentaje de la poblacin cumplir la especificacin y que porcentaje de la poblacin, tendr un peso mayor al lmite superior o al lmite inferior de la especificacin,

c. Determine el Indice de capacidad de proceso y explique si el proceso es capaz de cumplir con las especificaciones 350 +- 30 cm; realice adems los anlisis de resultados y las conclusiones respectivas sobre los resultados obtenidos.

DESARROLLO a. Con los estos datos, DESARROLLE UNA CARTA DE CONTROL POR VARIABLES, Calcule la lnea central de ensayo . X1 X2 X3 X4 X5 Xmed R 360 350 350 345 355 352 15 355 370 350 350 350 355 20 345 325 350 350 345 343 25 350 365 360 360 345 356 20 355 355 365 370 350 359 20 350 360 360 340 380 358 40 350 370 330 365 345 352 40 355 365 370 370 340 360 30 355 345 370 350 380 360 35 325 345 345 355 350 344 30 Xdobar 353,9 Rm 27,5

 GRFICO XDOBLEBARRA LC = 353,9 LCS = Xdoble barra + A2.Rmed =353,9 + 0,58 x 27,5 LSC = 369,85 LCI = Xdoble barra - A2 . Rmed = 353,9 0,58 x 27,5 LIC = 337,95 GRFICO R LC = 27,5 LCS = D4 . Rmed = 2,11 x 27,5 LCS =58,03 LCI = D3 . Rmed. = 0,0 x 27,5 LIC = 0,0 = Rm/d2 = 27,5/2,326 = 11,82

DEPARTAMENTO DE CONTROL DE CALIDAD - CARTA DE CONTROL POR VARIABLES

HOJA No.

Norma: INENNom 350 Tamano constante 200 Min 320 Mx 380 de la muestra n = 5 Fecha Observaciones Turno Resultados obtenidos Lote X1 X2 X3 X4 X5 1 360 350 350 345 355 2 355 370 350 350 350 3 345325 350 350 345 4 350 365 360 360 345 5 355 355 365 370 350 6 350 360 360 340 380 7 350 370 330 365 345 8 355 365 370 370 340 9 355 345 370 350 380 10 325 345 345 355 350

Recorrido

UNIDAD

cm
Pomedio

Muestra

Xm
352,0 355,0 343,0 356,0 359,0 358,0 352,0 360,0 360,0 344,0

R
15 20 25 20 20 40 40 30 35 30 1 2 3 4 5 6 7 8 9 10 11 12 13 27 28 29 30 31
Valores d2 = 2,326 A2 = 0,580

12,0 Responsable: Fecha: 2,326 = Rm 27,5 Z = X - X d2 2,326 S 11,82

TOTALES Promedio general

3539,0 275 353,90 27,50

D3 = 0,00

D4 =2,110

z1= 2,87 z2=2,21 Total

Xd= 353,9 % fuera = 0,21 Rm % fuera = 1,36 =27,5 % fuera = 1,57

Lmites de control o estadsticos para

Lmites de control o estadsticos para

Xd 337,95

Inf= Xd-A2*Rm=

Sup = Xd + A2 * Rm=369,85

Rm

Inf = D3 * Rm=0,0

Sup = D4 * Rm= 58,03

 Anlisis de Resultados De acuerdo a las graficas de Control obtenidas debemos indicar que aparentemente el volumen de las lociones estn bajo control En el grafico de la Xmedia todos los puntos se encuentran dentro de los lmites estadsticos, aunque se observan ciertos puntos algo pronunciados hacia el lmite inferior En el grfico R se observa que existe bastante dispersin de los datos obtenidos en comparacin al Valor Nominal 350 +30 cm; Conclusin Para conocer si realmente el proceso est bajo Control y si cumple con las especificaciones debemos resolver los siguientes puntos B.- Indicar, que porcentaje de la poblacin cumplir la especificacin, que porcentaje de la poblacin, tendr un peso mayor al lmite superior o al lmite inferior de la especificacin

Z1 =

Cola de la curva izquierda

Z2 =
Cuando: 350 +- 30 ml Xmin Xmx X nominal Xbob.barra

Cola curva derecha

= 320 ml = 380 ml = 350 ml = 353,9 = 11,82

Z1 = (320 - 353,9 ) / 11,82 Z1 = -2,87 Ver en tabla de distribucin normal Z1 = 0,21 % fuera de especificacin Z 2 = (380 - 353,9)/ 11,82 Z 2 = 2,21 Ver en tabla de distribucin normal Z2 = 1,36 % fuera de especificacin Z1 + Z2 = 0,21 + 1,36 Z1 + Z2 = 1,57 % total fuera de especificacin ZT = 100 (Z1 + Z2) ZT = 100 (0,21 + 1,36 ) ZT = 100 1,57 ZT = 98,43 % total dentro de especificacin

 Analisis de Resultados De acuerdo a los datos obtenidos un 98,43 % de los envases estn cumpliendo la especificacin de 350 +- 30 ml Solamente un 1,57 % de los envases no cumple dicha especificacin es decir estn fuera de especificacin Conclusin Para tomar una decisin real de que el proceso est bajo control, se debe de determinar el Indice de Capacidad de Proceso y comprobar si en las mismas condiciones de la especificacin actual es capaz de cumplir con la especificacin de 350 +- 30, o a su vez mejoramos la calidad del volumen y ajustamos la Tolerancia y evitamos los reclamos. O a su vez aumentamos la tolerancia pero esto traera mas problemas y reclamos.

 c. Determine la capacidad de proceso y explique si el proceso es capaz de cumplir con las especificaciones 350 +- 30 ml sabiendo que elvolumen normal es de 350 cm y realice los anlisis y las conclusiones respectivas sobre los resultados obtenidos. Calculo de Indice de capacidad de proceso ICp = T /6 * ICp = Es El /6 * ICp = 380 320 /6*11,82 ICp = 60 /70,92 ICp = 0,84

Clase 3 0.67 < ICp < 1 0.67 < 0,84 < 1 Conclusin El proceso no es adecuado para el trabajo, un anlisis del proceso es necesario, puede existir una buena probabilidad de xito. Con seguridad no podr cumplir con las especificaciones; es decir se debera revisar las especificaciones y analizar porque existe mucha variacin de los datos y un valor alto de la desviacin estndar con respecto al volumen de los envases. Ejercicio.- Del problema anterior cuando: Volumen nominal :350 ml Xmin = 310ml Xmx = 390 ml X nominal = 350 ml Xbob.barra = 353,9 ml = 11,82 Z1 = ( Xmin X dob.barra) / Z1 = ( 310 353,9 ) / 11,82 Z1 = -3,71 Ver en tabla de distribucin normal Z1 = 0,0104 % fuera de especificacin

Tolerancia: + - 40 ml

Z2 = (Xmax - Xdob.barra)/ Z 2= (390 - 353,9)/ 11,82 Z 2= 3,05 Ver en tabla de distribucin normal Z2 = 0,114 % fuera de especificacin Z1 + Z2 = 0,0104 + 0,114 Z1 + Z2 = 0,1244 % total fuera de especificacin ZT = 100 (Z1 + Z2) ZT = 100 (0,0104 + 0,114) ZT = 100 0,1244 ZT = 99,98756 % total dentro de especificacin Calculo de la capacidad de proceso; aumentando la tolerancia a 350 +- 40 ICp = T /6 * ICp = Es El /6 * ICp = 390 310 /6*11,82 ICp = 80 /70,92 ICp = 1,12 Clase 2 1 < 1 <

ICp 1,12

< <

1,33 1,33

Conclusin El proceso es adecuado para el trabajo, poco satisfactorio para cumplir con las especificaciones , pero hay que tener cuidado si este valor de ICp tiende a ser 1 En cuanto a la calidad de la medida de volumen a disminuido, debido a que se aumentado la tolerancia y los problemas son mas grandes, lo nico bueno es que se mejor en el Icp, pero es no es la solucin. Lo ms correcto es revisar las envasadoras y calibrar para que el volumen sea ms exacto y aminorar la dispersin, caso contrario seguiremos dando desconfianza al cliente Calculo del Indice de la capacidad de proceso; si es menor el valor de la desviacin estandar osea la dispersin de los datos al actual : por ejemplo = 9 Cp = T /6 * Cp = Es El /6 * Cp = 380 320 /6 * 9 Cp = 60 /54 Cp = 1,11 Clase 2 1 < ICp < 1,33 1 < 1,11 < 1,33 Conclusin El proceso es adecuado para el trabajo, poco satisfactorio para cumplir con las especificaciones pero hay que tener cuidado si este valor de ICp tiende a ser 1. Como se ve mejora la calidad del volumen en cuanto a su tolerancia y se mantiene en la clase 2 del Icp,

 Conclusin general La aspiracin de los Departamentos de calidad y produccin de la Empresa, ser seguir optimizando las mquinas envasadoras, ajustando la tolerancia por ejemplo a un 350 +- 20 ml y que el Icp este en la clase 1 Antes de ajustar la tolerancia se debe revizar que la media aritmtica de 359,9 ml se ajuste mas cercano al valor nominal de 350 ml y que la dispersion de los datos sea menor del Rango actual de 27,5, esto conllevar a que la desviacin estandar tambin disminuya Para ajustar la Tolerancia se deben revisar cuales son los verdaderos problemas y sus causas que no nos permiten mejorar la calidad del volumen producto. Para ello se deber analizar el problema utilizando los diagrama de pareto y el de causa efecto a profundidad.

 PROBLEMA - 2 En la tabla siguiente se encontrar el promedio y el rango, en mg/L, de las slidos totales encontrados en el agua obtenidos al someter a prueba el agua que se utiliza para produccin de alimentos. El tamao del subgrupo es 5. Para esta caracterstica de diseo se establece como requisitos 162 +- 9 mg/L, con el objeto de determinar la capacidad de proceso se toman 25 muestras. A.- Con estos datos DESARROLLE UNA CARTA DE CONTROL POR VARIABLES, Calcule la lnea central de ensayo y los lmites de control para los grficos de Xdob-b y Rm ; Adems Indicar: B.- Que porcentaje de la poblacin cumplir la especificacin y Que porcentaje de la poblacin, tendr un peso mayor al lmite superior o al lmite inferior de la especificacin. C.- Determine la CAPACIDAD DE PROCESO y diga; si el proceso es o no estable, adems analice los resultados y de las debidas conclusiones

SUBGRUPO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

X 164 163 159 159 162 162 161 163 159 161 162 163 161 162 159 162 162 161 163 164 170 162 159 163 160

R 5 6 7 7 9 11 8 4 7 6 11 8 6 7 9 6 5 8 8 11 7 8 6 10 7

Totales Promedio general

4046 161,8

187 7,48

 Anlisis de Resultados De acuerdo a las graficas de Control obtenidas debemos indicar que aparentemente la los slidos totales del agua esta bajo control En el grafico de la Xmedia todos los puntos se encuentran dentro de los lmites estadisticos, excepto el subgrupo 21 En el grfico R se observa que existe bastante dispersin de los datos obtenidos en comparacin al Valor Nominal 162 mg/L Conclusin Para conocer si realmente el proceso est bajo Control y si cumple con las especificaciones debemos resolver los siguientes puntos b.- Indicar, que porcentaje de la poblacin cumplir la especificacin, que porcentaje de la poblacin, tendr un peso mayor al lmite superior o al lmite inferior de la especificacin,

= desviacin estndar obtenida de Rmed/d2 X = valor nominal de especificacin Xdob.barra = Media aritmtica Cuando: 162 +- 9 mg/L Xmin = 153 mg/L Xmx = 171 mg/L X nominal = 162 mg/L Xbob.barra = 161,8 = Rmed/d2 = 7,48/2,326 = 3,22
Formula para calcular Z1 cola inferior Z1 = Cola de la curva izquierda Z1 = (153 - 161,8) / 3,22 Z1 = -2,73 Ver en tabla de distribucin normal Z1 = 0,32 % fuera de especificacin

Formula para calcular Z2 cola superior Z2 = Cola curva derecha Z 2= (171 161,8)/ 3,22 Z 2= 2,86 Ver en tabla de distribucin normal Z2 = 0,21 % fuera de especificacin Z1 + Z2 = 0,32 + 0,21 Z1 + Z2 = 0,53 % total fuera de especificacin ZT = 100 (Z1 + Z2) ZT = 100 (0,32 + 0,21 ) ZT = 100 0,53 ZT = 99,47 % total dentro de especificacin

 Anlisis de Resultados De acuerdo a los datos obtenidos un 99,47 % de los datos obtenidos estn cumpliendo la especificacin de 162 +- 9 mg/L Solamente un 0,53 % de los slidos totales del agua no cumple dicha especificacin es decir estn fuera de especificacin Conclusin Para tomar una desicin de que el proceso est bajo control, se debe de determinar el Indice de Capacidad de Proceso y comprobar si en las mismas condiciones de la especificacin actual es capaz de cumplir con la especificacion de 350 +- 30 o a su vez mejoramos la calidad del agua y ajustamos la Tolerancia y evitamos los reclamos. O a su vez aumentamos la tolerancia pero esto traera mas problemas y reclamos.

Calculo de la capacidad de proceso Cp = Es El /6 * d Cp = 171 153 /6*3,22 Cp = 18 / 19,32 Cp = 0,932 Clase 3 0.67 < Cp < 1 0.67 < 0,93 < 1 Conclusin.- El proceso no es adecuado para el trabajo, un anlisis del proceso es necesario, puede existir una buena probabilidad de xito y el valor de ICp ubicar sobre 1; es decir se debera revisar y analizar porque existe mucha variacin de los datos especialmente en el punto 21 y un valor alto de la desviacin estndar con respecto a la cantidad de slidos totales disueltos en mg/L.

 EJERCICIO 3 DESARROLLE UNA CARTA DE CONTROL POR VARIABLES. En base al siguiente cuadro, que contienen informacin sobre una concentracin de un cido en ml, a utilizar en la preparacin de una solucin a utilizar en la aplicacin de las pruebas de titulacin. Realizar: Todos los clculos, grafique los puntos, dibuje la lnea de control de ensayo y los lmites, para los grficos de X dob.barra y Rango m. Indicar: Que porcentaje de la poblacin cumplir la especificacin Que porcentaje de la poblacin, tendr un peso mayor al lmite superior o al lmite inferior de la especificacin DETERMINAR LA CAPACIDAD DE PROCESO y diga; si el proceso es o no estable, adems analice los resultados y de las debidas conclusiones

1 2 3 4

1 0.85 0.65 0.65 0.7

2 0.75 0.85 0.75 0.85

3 0.8 0.8 0.75 0.7

4 0.65 0.75 0.6 0.7

5 0.75 0.7 0.65 0.8

6 0.6 0.75 0.75 0.7

7 0.8 0.75 0.65 0.75

8 0.7 0.6 0.75 0.75

9 0.75 0.85 0.85 0.8

10 0.6 0.7 0.6 0.8

11 0.8 0.75 0.9 0.5

12 0.75 0.85 0.85 0.65

13 0.7 0.7 0.75 0.7

14 0.65 0.7 0.85 0.75

15 0.85 0.75 0.8 0.8

Suma 2.85 3.2 3.05 2.7 2.9 2.8 2.95 2.8 3.25 2.7 2.95 3.1 2.85 2.95 3.2 Prom. 0.71 0.80 0.76 0.68 0.73 0.70 0.74 0.70 0.81 0.68 0.74 0.78 0.71 0.74 0.80 Rango 0.2 0.1 0.1 0.15 0.15 0.15 0.15 0.15 0.1 0.2 0.4 0.2 0.05 0.2 0.1

16 0.8 0.75 0.75 0.8 Suma Prom. Rango

17 0.7 0.85 0.75 0.7

18 0.7 0.6 0.7 0.7

19 0.65 0.65 0.85 0.65

20 0.65 0.6 0.6 0.65

21 0.55 0.5 0.65 0.8

22 0.75 0.65 0.65 0.8

23 0.8 0.65 0.75 0.65

3.1 3 2.7 2.8 2.5 2.5 2.85 2.85 0.78 0.75 0.68 0.70 0.63 0.63 0.71 0.71 0.05 0.15 0.1 0.2 0.05 0.3 0.15 0.15