1.

Introducción

Los gráficos de atributos tienen aplicaciones importantes. Son particularmente útiles en industrias de servicios y en
esfuerzos de mejora de la calidad no manufactureras, porque muchas de las características de calidad que se encuentran
en estos entornos no se miden fácilmente en una escala numérica [1]. Aquí, estudiamos un gráfico de control para
monitorear el número de elementos no conformes. Los gráficos de control tradicionales de Shewhart np son el esquema
de control estadístico más comúnmente utilizado para monitorear el número de elementos no conformes [1].

En un gráfico de control tradicional de Shewhart np, se toma e inspecciona una muestra de tamaño n, y se cuenta el
número de elementos no conformes, normalmente denotados por “d”. Si LCL < d < UCL, donde LCL es el límite de control
inferior y UCL es el límite de control superior, se indica que el proceso está bajo control; de lo contrario, se supone que
el proceso está fuera de control,

y se deben tomar medidas correctivas.

Algunas investigaciones han propuesto mejoras al gráfico de control tradicional de Shewhart np en términos de ARL1 y
ASN. Las referencias [2,3] propusieron una tabla de control de muestreo doble para pequeñas fracciones defectuosas
bajo control (p0), mientras que [4] diseñó un método económico de una tabla de control de atributos. En [5] se presenta
un algoritmo para optimizar el diseño del gráfico de control np con reducción. La referencia [6] propuso una doble
inspección, donde la primera inspección decide el estado del proceso de acuerdo con el número de unidades no
conformes encontradas en una muestra, y la segunda inspección toma una decisión basada en la ubicación de una
unidad no conforme en particular en la muestra.

En [7], se propuso un nuevo gráfico de control para atributos basado en dos gráficos de control diferentes propuestos
anteriormente, uno usando muestreo repetitivo (RS) [8] y otro usando muestreo de estados dependientes múltiples
(MDS) [9]. El gráfico de control propuesto por [7] une estos dos gráficos de control y utiliza un estado dependiente
múltiple con muestreo repetitivo (MDSRS) que es más eficiente en términos de ARL1 en comparación con MDS y
muestreo repetitivo. Dado lo anterior y el tema de dicho artículo, presentaremos una comparación entre el gráfico de
control propuesto en este trabajo y el gráfico de control MDSRS en la Sección 3.

En otros artículos como [10-19], se pueden encontrar más propuestas para mejorar el gráfico de control de np.

La nueva propuesta de este artículo, denominada muestreo triple np, o TS-np, consiste en aplicar un muestreo triple en
cada subgrupo en lugar de tomar una única muestra para inspeccionar como se hace en las tradicionales cartas de
control de np de Shewhart. En cada intervalo de tiempo (t), que fijan los profesionales, se toma una muestra total
grande y se divide en tres submuestras n1, n2 y n3, para su inspección. Dado que el gráfico de control presenta reglas de
decisión que utilizan la información parcial de una submuestra, no siempre es necesario inspeccionar las muestras n2 o
n3, como se explica en la Sección 2.

El muestreo triple se ha introducido en los gráficos de control de variables, pero aún no en los gráficos de control de
atributos. La referencia [20] implementó un diseño de gráficos de control de barras X de muestreo doble y triple
utilizando algoritmos genéticos, y se concluye que los gráficos TS fueron más eficientes que los gráficos DS en términos
de minimizar el ASN. En [21-25] se pueden encontrar investigaciones más recientes centradas en gráficos de control de
muestreo triple.

Como TS-np es una extensión de DS-np [2], es necesario realizar una comparación entre los gráficos TS-np y DS-np en la
Sección 3.

En este trabajo, utilizamos el algoritmo genético bioobjetivo (que se ha utilizado comúnmente para gráficos de control)
explicado en la Sección 2. En [26-43] los algoritmos genéticos se emplean como herramientas para encontrar una
solución óptima para el gráfico de control estudiado.

La estructura de este manuscrito es la siguiente. La sección 2 muestra el procedimiento, ARL.

y expresiones ASN, y el diseño óptimo para el gráfico de control TS-np propuesto. En la Sección 3, se realiza un estudio
comparativo considerando la gráfica de control TS-np versus las gráficas de control MDSRS y DS-np propuestas por [7] y
[2], respectivamente. La Sección 4 muestra la funcionalidad y operación de TS-np usando/; datos simulados, y
finalmente, en la Sección 5 se presentan las conclusiones de la investigación.

2. Diseño del gráfico de control TS-np

La gráfica TS-np está diseñada para detectar únicamente aumentos en la proporción de unidades conformes (p), la razón
es que el diseño de la gráfica solo considera los límites de control y advertencia (WL y UCL) en el sentido superior.
Además, al igual que los gráficos de control tipo Shewhart, el gráfico TS-np también supone que el muestreo es aleatorio
y que la variable de calidad no tiene una estructura de autocorrelación temporal. Esta es una suposición teórica que el
usuario debe verificar.

El diseño y procedimiento del diagrama de control TS-np se detalla a continuación con base en el procedimiento
realizado en [3]:

Paso 1 Tome una muestra total de tamaño n1 + n2 + n3 elementos extraídos del proceso.

Paso 2 Seleccione una primera submuestra de n1 elementos.

Paso 3 Inspeccionar

Figura 2. Esquema visual del gráfico de control TS-np.

El parámetro UCLi (i = 1, 2, 3) define la ubicación de los límites de control para las tres etapas de inspección y WLi (i = 1,
2) define la ubicación de los límites de advertencia para las etapas 1 y 2. Estos parámetros, en La suma del tamaño de
muestra ni (i = 1, 2, 3), debe ser definida por el usuario.

Para evitar que cualquier número de elementos no conformes se posicionen exactamente en cualquiera de los límites de
control o aviso y generen ambigüedad en la regla de decisión, se establece que estos parámetros no deben tomar
valores enteros. Para ello sugerimos ajustar su valor según las siguientes expresiones matemáticas

WL1 = [WL1♩ + 0,5 UCL1 = [UCL1| − 0,5 WL2 = [WL2♩ + 0,5 UCL2 = [UCL2| − 0,5 UCL3 = [UCL3♩ + 0,5

Tenga en cuenta que los límites de control están cubiertos por los símbolos [♩ y [|. [♩ representa el valor entero más
pequeño (es decir, la función suelo) y [| representa el valor entero más grande para el límite en consideración (es decir,
la función de techo). No debería ser obligatorio sumar o restar 0,5 a los límites de control. Cualquier valor entre 0 y 1
que se sume o reste hará que los límites de control no sean números enteros. En este caso se ha decidido sumar y restar
0,5 para tener una mejor representación visual de estos límites en los esquemas.

2.1. La expresión ARL

Para derivar los indicadores de desempeño del gráfico TS-np, denotaremos p como la fracción de unidades no
conformes generadas por el proceso. En particular, p = p0 es el valor de esta fracción cuando el proceso permanece en
un estado de control y p1 = p0(1 + c), c > 0, es el valor de esta fracción cuando el proceso entra en un estado fuera de
control. estado de control. Bajo esta segunda situación, con el proceso en estado fuera de control, la constante c = p1 −
1 indica la magnitud relativa del aumento en la fracción de unidades no conformes.

En un contexto general, la probabilidad de que el gráfico TS-np declare un estado de control para el proceso es:

Pa = Pa1 + Pa2 + Pa3, (1)

donde Pai (i = 1, 2, 3) denota la probabilidad de que el estado bajo control sea declarado en la iésima etapa de
inspección. Cada probabilidad Pai depende de p y del valor del diseño.

parámetros del gráfico TS-np.

A continuación se desarrollan expresiones para Pa1, Pa2 y Pa3, respaldadas por el hecho de que en cada etapa de
inspección i = 1, 2, 3, la variable aleatoria di sigue una distribución binomial con parámetros ni y p, respectivamente.
P3 = 1 − P1 − P2
Una de las ventajas operativas de los procesos de inspección de múltiples etapas se puede encontrar directamente en la
métrica ASN. Por ejemplo, en el gráfico TS-np, dado que se considera tomar una muestra total para cada intervalo de
tiempo y luego dividirlas en n1, n2 y n3, no siempre es necesario inspeccionar las submuestras n2 o n3, ya que , como se
explicó al principio de esta sección, la decisión de inspeccionar una segunda muestra de tamaño n2 o una tercera
muestra de tamaño n3 está sujeta al número de defectos y a la posición de los límites de control (que se encuentran
usando el G.A NSGA-II ) en cada muestra. Por lo tanto, por ejemplo, si se toma una submuestra n1 y el número de
defectos d1 se encuentra en la zona bajo control, no es necesario inspeccionar las otras submuestras, lo que reduce el
número promedio de muestras. De hecho, para los indicadores Pa y ARL, el ASN se puede evaluar para cualquier nivel
de entrada p de la proporción de unidades defectuosas. Evaluados para p = p0, los ASN se obtienen para el estado bajo
control y se denota por ASN0. De lo contrario, cuando se evalúe para p = p1, se obtendrá ASN1, que caracteriza el
desempeño del gráfico para el estado fuera de control. 2.3. Diseño óptimo del gráfico de control TS-np Para obtener n1,
n2, n3, WL1, UCL1, WL2, UCL2 y UCL3, consideramos el siguiente modelo de optimización bioobjetivo: Minimizar
Minimizar Sujeto a: β = Pa(p = p0(1 + c)). ASN0 = ASN (p = p0). ARLo ≥ ARL0min. ASN0 ≤ n0. WL1 < UCL1 WL1 < WL2
UCL1 < UCL2 WL2 < UCL2 < UCL3 UCL1 ≤ n1 UCL2 ≤ n1 + n2 UCL3 ≤ n1 + n2 + n3 Aquí p0 yc son valores de entrada que
deben ser definidos por el usuario considerando niveles habituales o críticos para la fracción de no conforme de la
unidad (p). Al fijar p0, el usuario define el valor habitual o deseado de esta fracción para el proceso en el estado bajo
control. El valor c es una magnitud relativa que denota el incremento porcentual máximo de esta fracción a partir del
cual se genera un deterioro crítico en la calidad del proceso. Además, el usuario también debe definir los umbrales para
las métricas de rendimiento ARL0 y ASN0 (es decir, establecer ARL0min y n0). A través de ARL0min, el usuario establece
una referencia mínima obligatoria para el número medio de muestras que transcurren entre dos falsas alarmas. Por
otro lado, al establecer n0, el usuario requiere que el algoritmo busque una configuración que garantice que, mientras
el proceso esté bajo control, la carga de muestreo no excederá el equivalente a n0 unidades inspeccionadas por
muestra, lo que contribuye a controlar los costes del procedimiento de inspección. Para resolver este problema de
optimización bio-objetiva, hemos utilizado un algoritmo genético (GA) llamado algoritmo genético de clasificación no
dominado II (NSGA-II), propuesto por [44], que palia tres dificultades: complejidad computacional, enfoque de no
elitismo. y la necesidad de especificar un parámetro de uso compartido. Según [43], NSGA-II es una excelente opción
para la optimización multiobjetivo, ya que se clasifica como elitista porque incorpora un mecanismo de preservación de
las soluciones dominantes a través de varias generaciones de un algoritmo genético. El algoritmo NSGA-II está
disponible en R Statistical Software a través de paquete mco, desarrollado por [45]. Como en [43], este paquete se
utilizó como herramienta para resolver el problema. Problema de optimización bioobjetiva del diseño del gráfico TS-np.
Dado que el desarrollo del algoritmo NSGA-II está más allá del alcance de este estudio, se recomienda consultar [44]
para una comprensión más profunda. Por otro lado, en [45] se pueden consultar explicaciones y ejemplos que muestran
claramente cómo implementar el paquete mco (algoritmo NSGA-II) en R. El algoritmo bioobjetivo proporciona un frente
de Pareto que contiene las soluciones no dominadas encontradas en el proceso de optimización, es decir, no es una
solución única. El usuario tendrá la oportunidad de evaluar el conjunto de soluciones para decidir cuál de ellas cumple
con sus expectativas. 3. Estudios comparativos En esta sección, analizaremos el rendimiento del gráfico de control TS-np
versus los gráficos de control MDSRS y DS-np propuestos en términos de valores ARL1. Las comparaciones se harán en
dos subsecciones diferentes para MDSRS y DS-np, respectivamente. Antes de presentar las comparaciones, es necesario
dar una breve introducción de los gráficos de control que se comparan. 3.1. Cuadro de control MDSRS Según [7], el
MDSRS es una mezcla de muestreo repetitivo y muestreo MDS. El procedimiento operativo del gráfico de control
MDSRS se detalla a continuación, como se muestra en el manuscrito original de [7]: Paso 1: Se selecciona una muestra
aleatoria de tamaño n de cada subgrupo en el proceso de producción y se cuenta el número de productos defectuosos
D. Paso 2: Se declara que el proceso está bajo control si LCL2 ≤ D ≤ UCL2. El proceso se declara fuera de control si D ≥
UCL1 o D ≤ LCL1. De lo contrario, vaya al Paso 3. Aquí, LCL1, UCL1, LCL2 y UCL2 son cuatro límites de control que deben
construirse utilizando los datos cuando el proceso está bajo control. Paso 3: Declarar el proceso como en control
 Figure 3. The ARL1 values for the TS-np, MDSRS, and RS control charts.

Figure 4. The ARL1 values for TS-np, MDSRS and MDS control charts

Table 1. The values of ARL1 for the TS-np and MDSRS control charts when ARL0min = 300.

Shift
Size
(c)
0.0 0.01 0.03 0.05 0.07 0.10 0.13 0.15 0.17 0.2 0.25 0.30 0.40 0.50 0.70 0.80 1.00
0 0
MDS
RS i = 30 271. 221. 181. 150. 113. 86. 73. 61.9 48. 33. 23. 11. 6.7 2.7 1.9 1.3
3 AR 0.2 10 59 93 11 58 93 19 1 57 10 10 98 1 0 7 3
MDS L1 9 271.
71 222.
15 182.
46 150.
61 114.
07 87.41 73.
67 62.3
9 49.
05 33.
58 23.
56 12.
37 7.0
1 2.8
3 2.0
4 1.3
5
RS i = 30
0.9
2 3
AS
N 2.0
4 55.1
7 39.3
12 86.7
1 78.62 86.5
2 84.39 89.7
8 89.5
5 87.
94 87.1
9 84.8
8 89.5
9 89.0
4 89.8
6 89.1
37 89.8
1
TS-np AR 30
0.0 300. 300. 305. 300. 304. 300. 307. 303.4 300. 303. 301. 301. 302. 305. 347. 306.
L0 0 33 04 08 71 40 06 14 1 36 08 52 34 51 01 26 12
ASNmáx = 90
p0 = 0.1;

ARL1 300.00 260.55 189.24 137.88 91.20 52.88 34.55 26.25 20.66 14.22 9.18 5.522.95
MDS 1.90 1.26 1.16 1.05
ASNmáx = 80

ARL1
p0 = 0.2;

MDSRS i = 2 300.99 271.37 216.59 170.60 133.84 93.37 65.93 52.73 42.47 31.12 19.16
RSTS-np
i= ASN 300.68
6.34 44.02 271.08
78.43
2.81 216.31
40.59
1.35 49.49
1.15 170.33
78.19 133.5776.911
1.03 64.10 76.76 93.09
63.07 65.64 12.25
79.38 78.31
5.57
52.43 77.59
42.16 2.93
30.80
78.74
1.36
18.83
79.61
1.16
77.40
1.03
11.955.35
79.94
ARL0 300.00 300.10 300.64 302.74 304.00 301.87 301.12 302.33 300.45 302.27 302.13 300.97 303.03 301.22 303.41 306.88 311.37
300.00 246.30 166.68 121.32 78.05 45.28 29.88 20.88 15.99 11.26 6.40 4.07 2.12 1.41 1.05 1.01 1.00
3 ARL1
 Table 2. The values of ARL1 for the TS-np and MDSRS control
charts when ARL0min = 370.

Shift Size
(c)

0.0070.66
0.01 73.94
0.03 70.39
0.05 77.86
0.07 81.04
0.10 73.16
0.13 75.82
0.15 81.45
0.17 81.95
0.20 79.60
0.25 81.55
0.30 81.92
p0 = 0.1;
máx = 82

ASN 2.03 48.89 81.89 81.67 81.81

ASN

TS-np
ARL0 370.08 370.75 370.91 0.40 380.66
370.72 0.50 374.99
0.70 371.05
0.80 389.40
1.00 372.18 371.44 384.77 375.98 385.13 386.55 460.86 400.46 436.44
p0 = 0.2;
máx = 46

MDSRS i = 3 ARL1 370.01 338.02 279.29 228.63 186.21

136.3 99.77 81.17 66.17 48.93 30.03 18.82 8.00 3.89 1.56 1.26
1.06

MDSRS i = 37 331. 266. 214. 172. 126. 92.9 76.1 62.5 46.8 29.4 18.8 8.22 4.04 1.60 1.27 1
3 0.8
4 86 22 2 93 29 7 3 5 6 1 2
AR
L1
ASN 2.7
8 36.47 42.6
4 33.8
1 42.6
0 42.1
3 41.0
5 36.1
5 41.9
5 35.1
8 45.7
6 45.3
8 43.9
2 45.4
3 45.9
9 45.8
9 4
TS-np ARL 37
0.0 370.
17 370.
31 374.
27 371.
08 374.
16 375.
74 371.
37 375.
11 370.
46 371.
42 370.
08 372.
41 382.
86 486.
54 515.
74 4
0 1
ARL 37
0.0 313. 229. 170. 113. 72.6 43.2 33.6 25.4 18.3 10.4 6.52 3.31 1.62 1.16 1.08 1
1 1 33 67 01 17 5 2 4 8 8 5 3
ASN

MDSRS outperforms TS-np only in specific cases of p0,

ASNmax, and c from Table 2, such as p0 = 0.1; ASNmax = 82; c
= 0.00, 1.00, p0 = 0.4; ASNmax = 98; c = 0.00, p0 = 0.1; ASNmax
= 83; c = 1.00, p0 = 0.2; ASNmax = 84; c = 0.70 and p0 = 0.5;
ASNmax =
87; c = 0.17, 0.20, 0.25, 0.30.

Como se menciona en [2], hay dos contextos bajo los cuales es de interés calcular el ARL1, y
para los esquemas CUSUM y EWMA (que pueden modelarse como cadenas de Markov), estos
conducen a diferentes valores de ARL1: el estado cero , lo cual es relevante cuando el proceso
el seguimiento comienza con la estadística de control en su valor esperado bajo control; y el
estado estacionario, que considera la idea de que cuando ocurre el cambio en el proceso, no
hay certeza sobre la ubicación del estadístico de control, por lo que el efecto del valor inicial del
estadístico CUSUM o EWMA se ha disipado.

Las Tablas 6 y 7 brindan los diseños óptimos de estado estacionario (los diseños que minimizan
el ARL1 de estado estacionario) y las Tablas 8 y 9 brindan los diseños óptimos de estado cero.
Para los esquemas SS, DS y TS, en los que la probabilidad de una señal en una muestra no está
condicionada a los valores de muestras anteriores, no hay diferencia entre los ARL de estado
cero y los ARL de estado estacionario en el caso de cambios que ocurren entre tiempos de
muestreo.
Para obtener más detalles con respecto a los conceptos de estado estacionario y estado cero,
consulte [2] (p. 98). Como en [2], de las Tablas 3 a 5, se pueden sacar las siguientes
conclusiones:

• En general, el gráfico TS-np presenta mejores valores de ARL1 para γ = 1,5, 2,0 y 3,0. Con
estos valores para γ, la ganancia porcentual (Pg) cuando se utiliza el gráfico TS-np óptimo en
lugar del gráfico DS-np óptimo oscila entre aproximadamente 2,02% y 67,91%. Para γ = 3,0, la
gráfica TS-np presenta valores más bajos para Pg que para γ = 1,5 y 2,0. Sin embargo, estos
porcentajes oscilan entre 2,02% y 50,78%, por lo que sigue siendo una buena opción utilizar
TS-np para cambios grandes en p0.

• En promedio, el gráfico TS-np presenta valores más bajos de ARL1 para ARL0min = 370,4 que
para ARL0min = 200.

• Para cambios de magnitud γ = 3,0 y nP0 = 4 (donde n asume uno de los valores 200, 400 u
800), los valores absolutos de los ARL1 de los gráficos DS-np y TS-np son cercanos

(siempre entre 1,0 y 2,0).

• A medida que P0 disminuye y n (que es el ASNmax para TS-np) aumenta, n1, n2 y n3

aumentar.

• Para diferentes valores de n y p0, siempre que nP0 sea constante, los valores óptimos de n1,
n2 y n3

son proporcionales a n.

• Los valores óptimos de WL, UCL1 y WL2 cambian muy poco mientras nP0 y γ sean constantes.
Los valores de ARL1 también cambian muy poco para diferentes valores de n y p0, siempre que
nP0 y γ sean constantes.

De las Tablas 6 a 9, se pueden sacar las siguientes conclusiones:

• En general, el gráfico TS-np presenta mejores valores de ARL1 para n = 100, 200, 400 y 800, y
γ = 1,5, 2,0, 2,5, 3,0 y 3,5, es decir, para cambios pequeños y moderados en P0. Para cambios
grandes en P0, se recomienda utilizar el gráfico DS-np.

• En promedio, el gráfico TS-np presenta valores más bajos de ARL1 para ARL0min = 370,4 que
para ARL0min = 200.

4. Esquema de control TS-np con datos simulados

En esta sección, mostraremos la funcionalidad de TS-np a través de datos simulados para dos
casos.

En el primer caso, generamos los datos con las mismas condiciones utilizadas en la Sección IV
para [7], donde ARL0min = 370, p0 = 0,2, ASNmax = 46 y c = 0,5.

Aquí se toman 40 subgrupos y se supone que en los primeros 10 subgrupos, el

el proceso está bajo control. En los siguientes subgrupos, la fracción defectuosa se ha

desplazado a

p1 = 0,3.
La Figura 5 muestra el esquema de control con WL1 = 6,5, UCL1 = 14,5, WL2 = 9,5, UCL2 =

50,5 y UCL3 = 59,5.

En la Figura 5, se puede ver que TS-np detecta el cambio en el duodécimo subgrupo (con d1 =
8, d2 = 6 y d3 = 49), que se detecta antes que en MDSRS. Sólo en este subgrupo fue necesario
inspeccionar n1, n2 y n3, donde n1 = 27, n2 = 21 y n3 = 168. En el subgrupo anterior, solo se
inspeccionaron n1 y n2, reduciendo así el ASN. Es interesante observar que en la Figura 5, WL2
<UCL1; de hecho, al analizar el modelo de optimización presentado en la Sección 2, no es
estrictamente necesario que WL2 sea mayor que UCL1.

Figura 5. El esquema de control TS-np utilizando datos simulados cuando ARL0min = 370, p0 =
0,2,

ASNmáx = 46 yc = 0,5.

La línea vertical en las Figuras 5 y 6 representa el hecho de que al detectar el cambio en el

proceso, el gráfico se detiene y se deben tomar acciones correctivas.

En el segundo caso, generamos los datos con las siguientes condiciones: ARL0min = 370, p0 =
0,4, ASNmax = 98 y c = 0,25. Aquí también podemos tomar 40 subgrupos y se supone que en
los primeros 10 subgrupos el proceso está bajo control. En los siguientes subgrupos, la fracción
defectuosa se ha desplazado a p1 = 0,5.

La Figura 6 muestra el esquema de control con WL1 = 27,5, UCL1 = 42,5, WL2 = 51,5,

UCL2 = 68,5 y UCL3 = 107,5.

En la Figura 6, se puede ver que TS-np detecta el cambio en el duodécimo subgrupo (con d1 =
33, d2 = 26 y d3 = 50). Sólo en este subgrupo fue necesario inspeccionar n1, n2 y n3, donde n1
= 67, n2 = 51 y n3 = 100.
Figura 6. El esquema de control TS-np para datos simulados cuando ARL0min = 370, p0 = 0,4,
ASNmax = 98 yc = 0,25. 5. Conclusiones En este trabajo, hemos desarrollado un diseño óptimo
para un gráfico de control de atributos utilizando muestreo triple para monitorear el número
de elementos no conformes. El gráfico de control propuesto tiene un mejor rendimiento en
términos de ARL1, detectando cambios pequeños o moderados en la tasa de disconformidad
p0 y manteniendo un ASN más bajo en comparación con MDSRS y DS-np. La gráfica de control
MDSRS propuesta por [7] presenta valores ARL1 más bajos que el TS-np solo para algunas
condiciones. La gráfica de control DS-np propuesta por [2] presenta valores ARL1 más bajos
que TS-np sólo en algunos casos cuando la constante de desplazamiento en el proceso γ ≥ 4.0.
Por otro lado, se presenta un modelo de optimización bioobjetivo, que busca minimizar el ASN
y la probabilidad de cometer un error tipo 2 (β). El procedimiento de muestreo triple y el
modelo de optimización utilizados en este trabajo se pueden utilizar en investigaciones futuras
aplicadas a otros gráficos de control de atributos, como los gráficos de control p, c o u. Como
lo demuestra [2], el paso de un esquema de muestreo simple a un esquema de muestreo
doble contribuye a mejorar el desempeño estadístico del gráfico de control np. En nuestro
trabajo, mostramos que esta mejora del desempeño sigue siendo sustancial para cambios
pequeños y no es despreciable para cambios de magnitud media cuando se agrega una tercera
etapa de muestreo a la regla de decisión. Naturalmente, asumir un mayor número de etapas
de muestreo también lleva a asumir una mayor complejidad en el trabajo operativo del gráfico
de control. En este punto, el usuario debe evaluar su situación particular y decidir si este
esfuerzo adicional se ve compensado por la ganancia en la capacidad de detectar rápidamente
cambios en el proceso. Esta tendencia de mejora del rendimiento al pasar del muestreo simple
al doble y del doble al triple, naturalmente lleva a preguntarse si el rendimiento continuaría
mejorando con la inclusión de una nueva etapa de muestreo (un cuarto muestreo, por
ejemplo). ejemplo). Actualmente no tenemos la respuesta a este dilema, y precisamente esta
es una oportunidad de investigación. Finalmente, esta investigación no hubiera sido posible sin
el software R, el cual fue de gran ayuda para obtener las soluciones óptimas presentadas en
este trabajo. Contribuciones de los autores: Conceptualización, M.J.C.; metodología, J.J.M. y
MJC; investigación, J.J.M. y MJC; validación, J.M. y M.J.C.; redacción: revisión y edición, J.J.M. y
J.M. Todos los autores han leído y aceptado la versión publicada del manuscrito.
Financiamiento: Este trabajo fue totalmente apoyado por la Universidad del Magdalena, Santa
Marta, Colombia, y la Universidad del Valle, Cali, Valle del Cauca, a través de un proyecto de
investigación interinstitucional. Declaración de la Junta de Revisión Institucional: No aplicable.
Declaración de Consentimiento Informado: No aplicable. Declaración de disponibilidad de
datos: No aplicable. Agradecimientos: Los autores agradecen los comentarios de los revisores y
del editor académico que contribuyeron en gran medida a este trabajo. Conflictos de
intereses: Los autores declaran no tener ningún conflicto de intereses.