Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INVESTIGACION DOCUMENTAL
Contenido
INTRODUCCION..................................................................................................................3
TEMA 1: GRAFICOS DE CONTROL POR ATRIBUTOS...................................................4
OBJETIVO GENERAL..........................................................................................................4
OBJETIVO ESPECIFICO......................................................................................................5
GRAFICOS DE CONTROL POR ATRIBUTOS...................................................................5
CONCEPTO GENERALES DE ATRIBUTOS......................................................................5
FORMATOS UTILIZADOS POR DIFERENTES EMPRESAS...........................................7
LOS TIPOS DE GRÁFICOS DE CONTROL POR ATRIBUTOS QUE EXISTEN SON:..11
ELABORACIÓN E INTERPRETACIÓN DE GRÁFICAS PARA ATRIBUTOS...............11
TIPOS DE GRÁFICOS........................................................................................................17
GRÁFICO P..........................................................................................................................17
GRÁFICO NP.......................................................................................................................20
GRÁFICO C.........................................................................................................................22
GRÁFICO U.........................................................................................................................24
CAPACIDAD DE PROCESO..............................................................................................25
CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL........................................36
EJERCICIOS PROPUESTOS PARA CADA TIPO DE GRAFICO....................................38
3 EJERCICIOS DE GRAFICO P.........................................................................................38
3 EJERCICIOS DE GRAFICO NP.....................................................................................40
3 EJERCICIOS DE GRAFICO C.........................................................................................43
3 EJERCICIOS DE GRAFICO U.........................................................................................45
3 EJERCICIOS DE LA CAPACIDAD DEL PROCESO.....................................................47
CONCLUSION DE TEMA 1...............................................................................................49
BIBLIOGRAFIAS................................................................................................................50
TEMA 2 MUESTREOS DE ACEPTACION........................................................................50
MUESTREOS POR ATRIBUTOS.......................................................................................51
CURVA DE OPERACIÓN (CO)..........................................................................................52
NIVEL DE CALIDAD ACEPTABLE (NCA) Y CALIDAD LÍMITE (CL)..................53
PROCEDIMIENTO APROXIMADO PARA DETERMINAR UN PLAN DE MUESTREO
QUE SATISFAGA UN NCA Y UNA CL FIJADA...............................................................55
CURVA DE CALIDAD DE SALIDA MEDIA....................................................................56
MUESTREOS LOTE A LOTE: MIL-STD-105E.................................................................57
OTROS PLANES DE MUESTREO POR ATRIBUTOS DE USO CORRIENTE..............59
SISTEMA PHILIPS..............................................................................................................60
USO DE TABLAS DE MUESTREO (MIL-STD, 414, 105D Y DODGE ROMING).........60
EJEMPLO TABLA MILITAR MIL –STD 414....................................................................60
MUESTREOS POR VARIABLES.......................................................................................62
INSPECCIÓN POR VARIABLES: MIL-STD-414, ISO 3951:1989, MIL-STD-1916........66
Página 2 de 68
EJERCICIOS PROPUESTOS MUESTREO POR VARIABLES........................................67
EJERCICIOS PROPUESTOS MUESTREO POR ATRIBUTOS........................................68
CONCLUSIONES DE TEMA 2...........................................................................................69
INTRODUCCION
La Calidad se ha convertido en los últimos años en uno de los factores decisivos más
importante entre los consumidores a la hora de elegir un producto o servicio.
Los gráficos de control se pueden definir como una herramienta estadística que se
utiliza para controlar un proceso. Permite al responsable del mismo distinguir entre las
causas de variación que aparecen en el mismo: • Variabilidad debida a causas
comunes, que nos permite realizar predicciones sobre el estado del proceso. •
Variabilidad debida a causas especiales, que no nos permiten predecir la situación del
proceso en un determinado momento.
Un gráfico de control nos facilita (Carot 1998) :
1. Vigilancia y control del proceso evitando la producción de defectos. Sigue la filosofía:
hágalo bien a la primera.
2. Aumento de la homogeneidad de la producción mediante la disminución de la
variabilidad del proceso.
3. Evita los ajustes innecesarios, con el lema de si no está roto, no lo repares.
4. Proporciona información sobre los parámetros del producto y del proceso, lo que
permitirá conocer mejor nuestra actividad productiva. Los gráficos de control se pueden
clasificar en dos grandes grupos en función de la característica de calidad que se
controle:
• Gráficos de Control por Variables: La característica de calidad es una variable, que
puede medirse y expresarse como un número en una escala de medición continua.
Muchas características de calidad no se miden en una escala continua o en una escala
cuantitativa. En estos casos, cada unidad del producto puede juzgarse como conforme
o disconforme en base a si posee o no ciertos atributos, o puede contarse el número de
Página 3 de 68
disconformidades (defectos) que aparecen en una unidad del producto.
Y además, se puede aplicar cada uno de estos gráficos con distintas metodologías:
• Parámetros constantes (PC)
• VSS (Variable Sample Size). No se mantiene el tamaño de muestra constante, sino
que que se adapta al proceso, en función de su comportamiento.
Por último, hay cuatro tipos de gráficos de control para atributos según la naturaleza del
control a realizar, que son los siguientes: Basados en la distribución Binomial: • Gráfico
np- Número de unidades defectuosas en muestras de tamaño constante. • Gráfico p -
Porcentaje de unidades defectuosas en muestras de tamaño variable. Basados en la
distribución de Poisson: • Gráfico c - Número de defectos por muestra en muestras de
tamaño constante. • Gráfico u - Número de defectos por unidad en muestras de tamaño
variable.
OBJETIVO GENERAL.
CONOCER LOS DIFERENTES GRAFICOS DE CONTROL POR ATRIBUTOS Y SU
Página 4 de 68
ELABORACION.
OBJETIVO ESPECIFICO.
ANALIZAR LAS DIFERENTES TECNICAS PARA LOS GRAFICOS DE CONTROL.
b) Los datos por atributos están disponibles en múltiples situaciones siempre que
exista inspección, listado de reparaciones, material seleccionado o rechazado, etc. En
estos casos, no se requiere gasto adicional de búsqueda de datos sólo el trabajo
Página 5 de 68
de incorporarlos a la gráfica de control.
f) Finalmente, las gráficas de control por atributos son más fáciles de construir
e interpretar que las gráficas por variables.
Página 6 de 68
FORMATOS UTILIZADOS POR DIFERENTES EMPRESAS.
Página 7 de 68
Página 8 de 68
Página 9 de 68
Página 10 de 68
LOS TIPOS DE GRÁFICOS DE CONTROL POR ATRIBUTOS
QUE EXISTEN SON:
Ventajas
Desventajas
Página 11 de 68
Elección del tipo de gráfica
Página 12 de 68
n = (n^ + n2 + ... + nN) / N N = Número de muestras
La frecuencia de muestreo será la adecuada para detectar rápidamente los
cambios y permitir una realimentación eficaz.
El periodo de recogida de muestras debe ser lo suficientemente largo como
para recoger todas las posibles causas internas de variación del proceso.
Se recogerán al menos 20 muestras para proporcionar una prueba fiable de
estabilidad en el proceso.
Página 13 de 68
Tamaño de
Tipo Data FormulaCL UCL LCL
Muestra
n=Σn/k
Línea Central
- Marcar en el eje vertical, correspondiente al valor de la fracción
Página 14 de 68
- Marcar en el eje vertical el valor de LCL. A partir de este punto trazar una recta
horizontal discontinua (a trazos). Identificarla con LCL.
Nota: Usualmente la línea que representa el valor central se dibuja de color azul y las
líneas correspondientes a los límites de control de color rojo. Cuando LCL es cero, no
se suele representar en la gráfica.
Página 15 de 68
Interpretación de la gráfica e Identificación de causas especiales o asignables.
TIPOS DE GRÁFICOS
GRÁFICO P
Página 16 de 68
estable, de tal forma que la probabilidad de que cualquier artículo no esté conforme
con las especificaciones es p, y que los artículos producidos sucesivamente son
independientes; entonces, si seleccionamos k muestras aleatorias de n artículos del
producto cada una, y representando por al número de artículos defectuosos en la
Página 17 de 68
p (1 p )
n
x
p m
n
p (1 p )
p±3
ni
Página 18 de 68
Frecuentemente son el resultado de errores en el método de inspección o recogida de
datos.
GRÁFICO NP
Página 19 de 68
Página 20 de 68
GRÁFICO C
Página 21 de 68
Página 22 de 68
GRÁFICO U
Para cada muestra se calcula el número uij de defectos de la unidad Xij , j = 1,...,ni .
Página 23 de 68
i
CAPACIDAD DE PROCESO
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad
y a mejorar la capacidad de los procesos.
Definiciones básicas.
Página 24 de 68
Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la producción.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo actúan las
causas comunes de variación en las características de calidad.
La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:
Página 25 de 68
4. Determinar el desempeño de un equipo nuevo.
2. La variabilidad en el tiempo.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Página 26 de 68
.00135 LTNI LTNS .00135
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y experimentos
diseñados.
Página 27 de 68
Para solucionar este problema, podemos reducir la desviación estándar.
Página 28 de 68
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los índices de habilidad. Si los datos se componen de
menos de 100 valores, entonces deben calcularse los límites de confianza inferiores.
Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Página 29 de 68
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea
probable que contenga algunos cambios de proceso y otras causas especiales. Aquí
todas las familias de variación exhiben su contribución en la variación del proceso
general.
Z st
límite especif . nom.
desv.std ST
límite especif . media
Z LT
desv.std LT
Dónde:
Zlt = Zst-1.5shift
Página 30 de 68
Índice de capacidad potencial Cp
LSE LIE
Cp PCR (6.2)
6
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE=
R
73.95mm y de la carta R se estimó 0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
Página 31 de 68
LSE
Cps PCRS para el límite superior (6.4)
3
LIE
Cpi PCR I para el límite inferior
3
264 200 64
Cp PCRI 0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
1.10 484 967
1.20 159 318
1.30 48 96
1.40 14 27
Página 32 de 68
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones,
en este caso se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s
correspondientes a cada lado de la media, como sigue,
LIE
Cpi PCR I para el límite inferior
3
Ejemplo 6.3 Para un proceso donde los límites de especificación sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviación estándar =2, se tiene:
Página 33 de 68
62 53
Cps PCRS 1.5 Para el límite superior
32
53 38
Cpi PCR I 2.5 Para el límite inferior
32
Micro dureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribución transformada es la siguiente (ver método de Box Cox con Lamda óptima
en Minitab):
Página 34 de 68
Frec.
b)
Y=1/x
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”.
La distribución será “predecible” en el tiempo.
Predicción
Página 35 de 68
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control
R S
ó C (Para cartas de control X-R y X-S respectivamente)
d2 4
Donde,
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos /
(n -1)
x media de medias
R 77.3
33.23
d 2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
x 100
s 1.05
= 1.117
C4 .094
Página 36 de 68
C4 para n = 5 tiene el valor 0.94
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
3 EJERCICIOS DE GRAFICO P
1._Un proceso produce un porcentaje de art´ıculos defectuosos igual al 1%.
Contruir un gr´afico P para un taman˜o muestral de n = 8.
SOLUCIO´N:
Página 37 de 68
Sea pˆ la proporci´on de art´ıculos defectuosos en una muestra de taman˜o n donde
cada art´ıculo tiene una probabilidad desconocida de ser defectuoso. Se dar´a la
sen˜al de alarma si pˆ > LCS, es decir,
pˆ > 0.1155
Pero, si n = 8, basta que haya un solo art´ıculo defectuoso para que pˆ = 1/8 = 0.125
> 0.1155, por tanto, aunque el gra´fico esta´ disen˜ado para dar la sen˜al de alarma si
p > 0.01, en realidad se da la sen˜al de alarma para cualquier p > 0 en cuanto se
observa un solo art´ıculo defectuoso, debido a que el taman˜o muestral es muy
pequen˜o. El gr´afico no tiene la sensibilidad deseada porque esta´ construido
suponiendo que el taman˜o muestral es grande (np(1 − p) > 5) y por tanto que la
proporci´on muestral es aproximadamente normal. En nuestro caso tenemos que np(1
− p) = 8 × 0.01 × 0.99 = 0.0792, que est´a muy lejos de asegurarnos una buena
aproximaci´on a la normal.
3._Un criterio muy habitual para elegir el taman˜o muestral es que n sea lo
suficientemente grande como para poder detectar un cierto desajuste con una
probabilidad deseada. Siguiendo esta recomendaci´on,
¿cu´al debe ser el taman˜o muestral n del problema 1 para que se detecte un
cambio de la proporci´on de defectuosos de p = 0.01 a p = 0.05 con probabilidad
del 85%?
3 EJERCICIOS DE GRAFICO NP
1._Se desea construir un gráfico de control NP para controlar un proceso que fabrica
un chip que se insertará en una tarjeta de telefonía. Se tienen 25 muestras, cada una
formada por 50 chips. El número de chips defectuosos en cada una de las muestras
se muestra en la tabla
Página 38 de 68
1 50 3 0.06
2 50 5 0.10
3 50 5 0.10
4 50 1 0.02
5 50 10 0.20
6 50 4 0.08
7 50 2 0.04
8 50 5 0.10
9 50 6 0.12
10 50 4 0.08
11 50 1 0.02
12 50 0 0.00
13 50 4 0.08
14 50 6 0.12
15 50 2 0.04
16 50 2 0.04
17 50 3 0.06
18 50 4 0.08
19 50 2 0.04
20 50 5 0.10
21 50 4 0.08
22 50 5 0.10
Página 39 de 68
23 50 2 0.04
24 50 4 0.08
25 50 2 0.04
Total 1250 91
Página 40 de 68
Rechazos Muestra
20 98
18 104
14 97
16 99
13 97
29 102
21 104
14 101
6 55
6 48
7 50
7 53
9 56
5 49
8 56
9 53
9 52
10 51
9 52
10 47
240 1424
3 EJERCICIOS DE GRAFICO C
1._ Se han observado los defectos de 50 muestras sucesivas de 40 tarjetas
electrónicas de circuitos impresos.
Página 41 de 68
Las 50 muestras contienen 515 defectos, entonces c barra puede ser calculada
mediante:
2._ -En la siguiente tabla tenemos el número de defectos por unidad observados en
26 muestras sucesivas de 100 filtros de seguridad. Construir el grafico c y dar su
interpretación.
Página 42 de 68
3._ La tabla mostrada presenta el número de defectos encontrados en un rollo de
tela.
Todos los rollos de tela son de igual tamaño. Construya una gráfica c y determine si el
proceso está en control.
Página 43 de 68
8 16
9 10
10 17
11 10
12 10
13
14
15 12
16
17 15
18 10
19
20
21
22 12
3 EJERCICIOS DE GRAFICO U
1._ En una planta textil se inspecciona el producto controlando el número de defectos
por cada 50 m2 de tela (ésta es la unidad de inspección).
En la tabla se muestran los datos de 10 rollos de tela de distinto tamaño.
Construya una gráfica u y determine si el proceso está en control.
Página 44 de 68
2._ Un operario inspecciona la calidad de unos circuitos impresos (arañazos, bandas
incorrectas, grosor no uniforme, etc.). Los circuitos que inspecciona son muy diversos. Según
el tipo de circuito se apunta su superficie y el número de defectos. Tras inspeccionar 12 placas
obtiene los datos de la tabla.
Superficie cm2 50 50 34 38 54 22 22 25 50 34 34 38
Nº de defectos 4 3 4 4 4 3 5 3 4 2 2 4
Página 45 de 68
a) Calcule los valores de defectos por unidad para cada subgrupo, los defectos
promedio por unidad y los límites de control.
c) Interprétela
Página 46 de 68
c) Determinar la fracción defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
3._
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente,
después de que el proceso se estabilizó quedando sólo con causas
comunes: x 100, s 1.05
Por tanto estimando los parámetros del proceso se tiene:
Página 47 de 68
x 100
s 1.05
= 1.117
C4 .094
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
CONCLUSION DE TEMA 1
Del desarrollo de los conceptos y ejemplos se puede observar el enorme potencial que posee la
utilización del Control Estadístico de la calidad como instrumento y herramienta destinada a un
mejor control, una forma más eficaz de tomar decisiones en cuanto a ajustes, un método muy
eficiente de fijar metas y un excepcional medio de verificar el comportamiento de los procesos.
Página 48 de 68
BIBLIOGRAFIAS
• Acheson J. Duncan; Control de calidad y estadística industrial; Quinta Edición, Alfa- Omega,
Colombia, 2000.
• Montgomery Douglas, Control estadístico de calidad
• Control total de calidad, Armand V. Feigenbaum
• Control de calidad, HC CHARBONNEUA Y GL WEBSTER
Página 49 de 68
Por atributos. La característica es de tipo cualitativo (pasa /no- pasa). Una variante es
la que considera “el número de defectos”, de modo que un pieza puede estar
penalizada por varios defectos.
Por variables. La característica es de tipo cuantitativo (por ejemplo longitud, peso,
etc.).
De acuerdo con el número de muestras a tomar. Pueden ser:
Simples. Se toma una muestra con la que hay que decidir la aceptación o el rechazo.
Dobles. Se toman hasta dos muestras con las que hay que decidir la aceptación o el
rechazo. Es posible aceptar o rechazar solo con la primera muestra si el resultado es
muy bueno o muy malo. Si es un resultado intermedio, se extrae una segunda
muestra. En principio el tamaño de las dos muestras puede ser diferente.
Múltiple. Conceptualmente es igual al muestreo doble pero en este caso se extrae
hasta n muestras diferentes.
Secuencial. En este caso se van extrayendo los elementos uno a uno y según los
resultados que se van acumulando de elementos aceptados y rechazados, llega un
momento en el que se tiene información suficiente para aceptar o rechazar el lote.
GENERALIDADES
El muestreo por atributos se puede aplicar a lotes aislados o series homogéneas de
lotes. En el primer caso la población es finita y se rige por la distribución
hipergeométrica (muestreo de tipo A), aunque para lotes grandes se puede aproximar
por la binomial. En el segundo caso se supone la población compuesta de infinitos
elementos y por tanto se rige por la distribución binomial (muestreo de tipo B). En el
caso que el muestreo sea por número de defectos, la función a aplicar es la de
Poisson, independientemente que se trate de un lote aislado o una serie de lotes.
Página 50 de 68
CURVA DE OPERACIÓN (CO)
Un plan de muestreo se caracteriza por su CURVA DE OPERACION (ver Fig. 2). En
el eje de abscisas OX se representa la fracción defectuosa p del lote a inspeccionar
(o el número de defectos medio en el caso de contabilizar defectos). En el eje de
ordenadas OY se representan las probabilidades de aceptación de los lotes de esas
características. Evidentemente P(0) = 1 y P(1) = 0.
Página 51 de 68
En el caso de planes de muestreos simples, la ecuación de la CO se calcula
simplemente a partir de la función de distribución aplicable. Por ejemplo, supongamos
que se quiere calcular la CO de un plan de muestreo en el que se toman muestras de
50 unidades y se rechaza si hay más de un elemento no conforme en la muestra. Se
supone un muestreo lote a lote. En este caso resulta aplicable la distribución binomial.
Página 52 de 68
Es el valor de p ( c en el caso de Defectos) que tiene una probabilidad de
aceptación de 0.10. La probabilidad de aceptación de un lote con estas
características, B= 0.10 , se denomina riesgo del consumidor.
Página 53 de 68
PROCEDIMIENTO APROXIMADO PARA DETERMINAR UN
PLAN DE MUESTREO QUE SATISFAGA UN NCA Y UNA
CL FIJADA
Página 54 de 68
El plan de muestreo n=82 y Ac = 3 tiene un NCA de 0.01 y una CL próxima a 0,06,
mientras que el plan de muestreo n=89 y Ac = 3 tiene una CL = 0.06 y un NCA
próximo a 0.01. A partir de ahí se puede optar por tomar la solución más
conservadora (tamaño de muestra mayor n= 89) o una solución de compromiso
(tamaño de muestra medio n =85.
Página 55 de 68
Otro parámetro importante a la hora de decidir cuál es el plan de muestreo más
apropiado es el TAMAÑO DE MUESTRA MEDIO, en inglés Average Sample Number
(ASN). Evidentemente en planes simples, el ASN coincide con la muestra del lote,
pero para planes dobles o múltiples este valor varía con la calidad de los lotes
inspeccionados. Si ésta es muy buena o muy mala, los lotes se aceptarán /
rechazarán generalmente sin necesidad de coger una segunda muestra y el ASN será
pequeño. Si los lotes tienen una calidad intermedia, entonces frecuentemente se
cogerá una segunda muestra y el ASN será grande.
Página 56 de 68
lote a lote aunque también se puede utilizar para el caso de lotes aislados; en este
caso es necesario especificar cuál es la CL máxima que se admite.
Existen tres niveles ordinarios de inspección, niveles I, II, y III, y otros cuatro
especiales, niveles S-1, S-2, S-3 y S-4, que se utilizan en caso de ensayos
destructivos o de inspecciones muy costosas. Estos niveles van en función de la
complejidad y la responsabilidad del producto. Cuanto más alto es el nivel, mayor es
el tamaño de la muestra y aumenta la discriminación del plan de muestreo. Si no se
indica otra cosa se toma el nivel II.
Existen tres tipos de planes: simples, dobles y múltiples, cuya elección queda a cargo
del inspector que aplica la norma.
Como se ha dicho anteriormente, esta norma está diseñada para series de lotes.
Existen por tanto tres niveles de muestreo distintos según haya sido la historia de los
lotes anteriores:
Inspección Rigurosa.
Inspección Normal.
Inspección Reducida.
Página 57 de 68
La mecánica para la utilización de esta norma es la siguiente:
Fijación del NCA y nivel de inspección (por ejemplo NCA=0.65 Nivel II). Dato:
tamaño del lote (por ejemplo 300).
Búsqueda de la letra-código en la Tabla I. En este caso resulta ser la H.
A continuación, si se desea un plan simple se irá a las Tablas II, si doble a las
Tablas III y si múltiple a las Tablas IV. En el ejemplo busquemos el plan
correspondiente a simple en inspección normal:
Tabla II-A: El tamaño de la muestra es 50 pero se observa que la casilla
correspondiente al número de aceptación está ocupada por una flecha que nos
lleva hasta el plan: muestra=80, Ac=1 y Re=2 . Si se tratara de un lote aislado sería
necesario comprobar que la CL es aceptable. Ello se puede comprobar en este
caso utilizando la Tabla X-J, en la que se lee CL=5%.
Página 58 de 68
SISTEMA PHILIPS.
Se basa en curvas CO que pasan por el punto de indiferencia (fracción defectuosa
que tiene igual probabilidad de ser aceptada que rechazada). Este punto se
acuerda entre proveedor y cliente. Los planes dan el tamaño de la muestra según
el tamaño del lote y el número máximo de unidades defectuosas admitido. Los
planes son simples para lotes inferiores a 1000 unidades y dobles para lotes
mayores. La segunda muestra es de doble tamaño que la primera.
Tablas de Dodge-Romig.
Las tablas Dodge-Romig contienen dos juegos distintos. El primero de ellos utiliza
la CL y por lo tanto es apropiado para lotes aislados. El segundo de ellos utiliza el
LIMITE DE LA CALIDAD MEDIA DE SALIDA y proporciona el plan cuya inspección
media total es mínima. Para la aplicación de estas tablas se precisa conocer
aproximadamente la fracción defectuosa con la que se fabricaron las piezas.
A partir de la tabla 11-1, utilizando el nivel de inspección IV, se obtiene la letra código para
el tamaño de muestra O. En la tabla 11-2 se encuentra que la letra de código para el tamaño
de muestra O implica un tamaño de muestra de n=100. A un nivel de calidad aceptable de
1%, el valor de M es 2.20% para la inspección normal. Si se aplica la inspección estricta se
utiliza las mismas tablas el valor aproximado de M será 1.53%. Los valores del NCA para
Página 59 de 68
la normal se indican en la parte superior de la tabla, mientras los valores para la estricta se
encuentran en la parte inferior de la tabla.
Página 60 de 68
MUESTREOS POR VARIABLES
GENERALIDADES
El muestreo por variables presenta algunas particularidades como por ejemplo que
el problema de encontrar el plan de muestreo que pase por el NCA y CL tiene
siempre solución. En general el muestreo por variables tiene la ventaja de precisar
tamaños de muestra menores que su equivalente por atributos. Las contrapartidas
son:
PLANTEAMIENTO ESTADÍSTICO
El muestreo por variables requiere que las características a inspeccionar estén
distribuidas según una ley normal y se trata de estimar la media poblacional a
través de la media muestral.
Página 61 de 68
desconocida y un solo límite de tolerancia.
desconocida y dos límites de tolerancia (tolerancias bilaterales).
Por otra parte, si las piezas tienen tolerancias bilaterales implica que deben
considerarse las dos colas de la distribución, mientras que si hay un solo límite debe
considerarse una sola cola.
, donde s i1 i
s/ n n1
Página 62 de 68
Página 63 de 68
SIGMA CONOCIDA Y DOS LÍMITES DE TOLERANCIA
Página 64 de 68
Qué las tolerancias estén muy separadas (T s- Ti > 3). En este caso el
problema se reduce al caso de un solo límite de tolerancia considerando
solo la tolerancia más próxima.
El caso intermedio, en el que parte de la fracción defectuosa corresponde
a cada una de las colas. En efecto, si p = p 1+ p2 es la fracción defectuosa,
la misma podrá obtenerse con un lote centrado en 1 ó 2 (ver Fig. 9).
Sobre esa figura se indican las regiones de aceptación y rechazo de k.
Página 65 de 68
La ISO tiene la norma ISO 3951-1:2005 que especifica un sistema de muestreo
para aceptación formado por planes de aceptación por variables en los cuales la
aceptabilidad de un lote es implícitamente determinada a partir de un estimado del
porcentaje de unidades no conformes basado en muestreo aleatorio. Para su
aplicación, entre otros requisitos, es necesario que el error de medición sea
despreciable, o sea con una desviación estándar no mayor de la del proceso y que
el parámetro x que se mide siga una distribución normal o cercana a ella.
En abril de 1996 se aprobó la MIL-STD-1916 para muestreo por atributos, por
variables y continuo. En esta norma vienen ejemplos claros de su aplicación.
El fundamento ya fue visto. Veamos un ejemplo de utilización de la MIL-STD-
414. Para ello se anexan las tablas más importantes de esa norma, con la misma
consideración que hicimos anteriormente en cuanto a la calidad del material
obtenido en Internet.
Se recibe un aditivo en lotes de 200 unidades con especificación de que el
contenido de aditivo no debe ser inferior a 50%. Se desea aplicar un nivel de
inspección IV con un NCA del 1%.
De la tabla A2 vemos que el código de letra es H. En la tabla B1 se observa que
para este código de letra n = 20 y que con NCA = 1 k = 1.82. Entonces es
necesario tomar 20 unidades, determinar el contenido de aditivo, hallar el valor
medio y la desviación estándar. Supongamos que se obtienen los valores 51.2 y
0.65 respectivamente. Entonces tenemos que:
Z = (51.2 – 50)/0.65 = 1.85 > k por lo que se acepta el lote.
Página 66 de 68
2._ Para controlar la calidad de diferentes envíos de naranjas se proponen los siguientes planes
de muestreo por cada 10 Tm
N MUESTRA ACEPTACIÓN
(n) (a)
A 20 2
B 40 4
C 200 15
(a) Calcula, para cada plan, la probabilidad de ser aceptado de un envío con 5%
de defectuosos. (b) Calcula, para cada plan, la probabilidad de ser aceptado de un
envío con 15% de defectuosos. (c) Responde razonada y escuetamente a las
siguientes cuestiones: (c1) Sin considerar su coste ¿qué plan es más preciso, el A
o el B? (c2) ¿Qué plan es más exigente, el B o el C?
Página 67 de 68
Pla n a
n
A 10 2
B 25 5
C 50 10
a) Dibuja las curvas operativas características (de forma aproximada) en términos
de probabilidad de rechazo para p = 10 %, 17.15 %, 30 %. Comenta los resultados
que se obtienen. (b) ¿Cuál de los tres planes es más exigente? (c) ¿Cuál es más
preciso, sin tener en
cuenta el coste asociado? (d) Indica las características de los tres planes cuando
p 17.15 %.
Justifica todas las respuestas que des.
CONCLUSIONES DE TEMA 2
El muestreo de aceptación sirve para reducir el esfuerzo de inspección y comporta unos
riesgos.
La muestra debe ser representativa, lo que requiere que se extraiga aleatoriamente.
Aunque se basan en distribuciones de probabilidades, existen normas para facilitar su
aplicación y reconocimiento.
BIBLIOGRAFIA
Página 68 de 68