CEP

1
Control Estadstico de la
Calidad y los Procesos
CO-4311 Estadstica para
la Calidad, Productividad y
Simulacin.
2
Qu es calidad?
Concordancia con los requisitos y
especificaciones (Crosby).
Adecuacin para el uso (Juran).
Un grado previsible de uniformidad y
confiabilidad a bajo costo y adecuado
para el mercado (Deming).
3
Qu es calidad? (cont)
Calidad de diseo: corresponde a la
medida en que el producto satisface las
necesidades del cliente.

Calidad de conformidad: se refiere al
grado en que el producto o servicio
concuerda con los requerimientos de
diseo.

4
Normalmente la calidad se asocia con una
caracterstica medible del producto, la
cual se denomina caracterstica de
calidad. As, la calidad de diseo se
tranforma en especificaciones adecuadas.
Frecuentemente no se diferencia entre la
calidad de diseo y la de conformidad, sin
embargo el rea de produccin suele
centrarse en la segunda.

5
Est fuera de las especificaciones un producto
que no cumple las especificaciones?
Caracteristica de calidad
P e r d i d a q u e e x p e r i m e n t a e l c o n s u m i d o r
LIEObjetivo LSE
Caracteristica de calidad
P e r d i d a q u e e x p e r i m e n t a e l c o n s u m i d o r
LIEObjetivo LSE
6
Taguchi argumenta que
Para el cliente, prcticamente no hay
diferencia entre un producto que apenas cae
en las especificaciones y otro que apenas
est fuera.
A medida que los clientes se vuelven ms
exigentes, aumenta la presin para reducir
la variabilidad.

7
El papel de la estadstica en
el aseguramiento de calidad
Para mejorar es necesario hacer cambios.
Nos gustara tener buenos datos sobre los
cuales realizar los cambios.
Necesitamos herramientas que nos permitan
convertir datos en informacin (es decir, que
nos permitan responder preguntas).
La estadstica es la ciencia que soluciona
ambos problemas.
8
Gerencia de Calidad Total
El concepto de calidad est determinado
por el cliente, no por la empresa.
Calidad desde la fuente, lo cual se traduce
en una orientacin a la prevencin.
Es posible obtener cero defectos, y esa
debe ser la meta.
Mejora continua.
9
Evolucin del concepto de
control de calidad
En un inicio se intentaba asegurar la
calidad mediante la inspeccin de los
productos antes de salir al mercado.
A partir de los aos 30s se trata de
minimizar la produccin con defectos
reduciendo el tiempo de deteccin de
cualquier desajuste. La inspeccin se
mantiene, pero cambia su finalidad.
10
Evolucin del concepto de
control de calidad (cont)
Inspeccin Usuario
Producto Defectuoso
Desechos
Reprocesos
Aviso para actuar
sobre el proceso
Materias Primas
Inspeccin Usuario
Materias Primas
Producto Defectuoso
Desechos
Reprocesos
Ajustes constantes basados en muestreo
selectivo del producto y del proceso.
Concepcin
Tradicional
Concepcin
CEP
11
Herramientas para el
aseguramiento de calidad
Se trata de herramientas estadsticas y
analticas de uso general
Diagramas causa-efecto.
Diagramas de flujo de procesos.
Plantillas para recoleccin de datos.
Histogramas y diagramas de Pareto.
Diagramas bivariantes.
Control estadstico de procesos.
12
Herramientas para el
aseguramiento de calidad
Estas herramientas, aunque son muy
sencillas son muy importantes ya que son
en gran medida desconocidas en la
industria.
Muchas de estas herramientas pueden (y
deben) ser aplicadas directamente por
los operarios.
13
Diagramas de causa-efecto
En muchos casos se resuelven los
problemas sin atacar las causas de los
mismos, lo cual es una prctica perjudicial.
En estos diagramas las causas que
potencialmente pueden generan un
determinado efecto se presentan en forma
jerarquizada.
Por su forma, tambin se denominan
diagramas de espina de pescado.
14
(cont)
Los pasos para su construccin son:
Determinar claramente el efecto a estudiar.
Reunir a las personas que conocen del
problema y realizar una lluvia de ideas.
Seleccionar las causas aportadas,
eliminando repeticiones y errores.
Dibujar el diagrama. Lo debe hacer una
persona que conozca del problema.
15
(cont)
Variabilidad en
la dimensin
MANO DE OBRA
Moral
Concentracin
Habilidad
Fatiga
Enfermedad
Salud
MAQUINARIA
Abrasin
Herramientas
Deformacin
Mantenimiento
MATERIALES
Forma
Dimetro
Calidad
Componente
Almacenamiento
MTODO
Puesta a
punto
Velocidad
Ajuste
ngulo
Posicin
Diagrama causa-efecto para estudiar las causas de
la variabilidad en la dimensin de una pieza.
16
Plantillas para recoleccin
de datos
Los datos que se recopilan deben ser
confiables. Adems deben ser tales que
puedan ser convertidos en informacin
(solo tomar los datos tiles y su anlisis
debe ser fcil anlisis).
Las planillas deben disearse de tal modo
que faciliten las tareas de recogida de
datos y que puedan ser utilizadas por los
operarios.

17
Plantillas para recoleccin
de datos (cont)
18
Diagramas de Pareto
Son representaciones de la densidad y la
distribucin de variables aleatorias
nominales (usualmente causas de falla en
sistemas o defectos en productos).
Las causas se ordenan de modo de
distinguir cuales son las ms importantes.
Usualmente opera la regla del 80-20, el
80% de los problemas se deben al 20%
de las causas.
19
CABDFEG
Causas
N u m e r o d e P a r a d a s
0
25
50
75
100
125
150
175
200
225
250
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Diagramas de Pareto (cont)
CABDGFE
Causas
T i e m p o d e P a r a d a
0
25
50
75
100
125
150
175
200
225
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Nmero de Paradas Tiempo de Parada
Turno 1 Turno 2 Total Turno 1 Turno 2 Total
(A) Rotura de hilo 18 24 42 20 31 51
(B) Cinta 15 10 25 12 10 22
(C) Vibrador 92 88 180 62 68 130
(D) Tornillo sin fin 1 6 7 2 8 10
(E) Apelmazamiento 0 1 1 0 1 1
(F) Rotura de saco 2 1 3 4 1 5
(G) Otros 1 0 1 8 0 8
Nmero y tiempos
de parada en una
lnea de envasado
20
Diagramas bivariantes
Son una forma sencilla de evaluar la
dependencia entre variables, por lo que
puede ser utilizada por cualquiera
Los modelos (lineales o de otro tipo) son
una forma ms refinada de evaluar
dependencia.
Recuerde que correlacin y causalidad no
son la misma cosa.

21
Control de procesos
Histricamente ha evolucionado en dos
vertientes:
Control automtico de procesos (APC)
empresas de produccin continua (empresas
qumicas)
Control estadstico de procesos (SPC) en
sistemas de produccin en serie (empresas
metalmecnicas).
Vamos a concentrarnos en el SPC.
22
Control estadstico de
procesos
Los objetivos son:
Monitorear y vigilar el desempeo del
proceso en cuanto a las caractersticas de
calidad crticas del producto, para as
minimizar la produccin defectuosa
Grficos de Control.
Estimar los parmetros del proceso para
comparar la produccin con las
especificaciones Estudios de Capacidad.
En ambos casos, se trata de herramientas
por y para la mejora continua.
23
Causas de la variabilidad en
un proceso
Causas Comunes
Suelen ser muchas y
cada una produce
pequeas variaciones.
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el
conjunto de mquinas y
operarios
Causas Asignables
Suelen ser pocas pero
con efectos importantes
en la variabilidad.
Aparecen
espordicamente.
Son relativamente fciles
de eliminar
Por lo general su efecto
est localizado en una(s)
mquina(s) u operario(s).
24
Definicin de proceso bajo
control estadstico
Se dice que un proceso est bajo control
estadstico cuando solo est afectado por
causas comunes de variabilidad. Esto
significa que podemos predecir lo que va
a suceder con el proceso y sus productos.
A diferencia del APC, en el SPC el
significado de control est ms
vinculado con el monitoreo del sistema
que con la actuacin sobre el mismo.
25
Grficos de control
Se trata de diagramas en los que se
representa el comportamiento de un
proceso en el tiempo a travs de los
valores de un estadstico asociado con
una caracterstica de calidad del producto.
Desde el punto de vista estadstico, estos
grficos permiten realizar continuamente
pruebas de hiptesis sobre una de las
caracterstica del proceso.
26
Grficos de control (cont)
El objetivo de los grficos de control es
facilitar la vigilancia del proceso para as
detectar rpidamente la presencia de
causas asignables y minimizar la
produccin defectuosa.
Los diagramas de control estn pensados
para ser usados directamente por los
propios operadores, de modo que las
acciones se tomen rpidamente.
27
Un grfico de control se construye a partir
de muestras tomadas regularmente en el
tiempo, para cada una de las cuales se
calcula un estadstico W asociado con un
parmetro de la distribucin de la
caracterstica de calidad. Estos valores se
grafican junto con una lnea central y un
par de lneas de control (superior e
inferior).
28
C a r a c t e r i s t i c a d e c a l i d a d
LIC
LSC
Tiempo
2.5
2.7
2.9
3.1
3.3
3.5
29
Para poder considerar al proceso bajo
control, los puntos del grfico deben estar
dentro de los lmites de control y presentar
comportamiento aleatorio.
Por simplicidad, las lneas suelen
escogerse en base a una aproximacin
normal de W:
) ( 3 ) (
) ( 3 ) ( ) (
W V W E LSC
W V W E LIC W E LC
+ =
= =
30
Los valores de E(W) y V(W) pueden
estimarse de la muestra u obtenerse de
registros histricos. En el segundo caso,
es importante recordar que los lmites se
refieren al proceso (lo que realmente
sucede en planta) y no a las
especificaciones de produccin (lo que
debera suceder en la planta).
31
Las muestras que se obtienen en cada
punto de observacin deben ser
subgrupos racionales.
La seleccin de la frecuencia de muestreo
y del tamao de los subgrupos debe estar
basada en los conocimientos que se
tengan sobre proceso. Usualmente se
recomienda tomar al menos 20 muestras
para construir los lmites de control.

32
Diagramas para control de variables: se
utiliza cuando la caracterstica de calidad
puede expresarse como una medida
numrica (dimetro de un cojinete,
longitud de un eje, etc.)
Diagramas para control de atributos: se
utiliza cuando la caracterstica de calidad
corresponde a una variable binaria
(presencia o no de defectos, etc.)
33
Grficos de control para
variables
Se supone que la distribucin de la
caracterstica de calidad es normal(,o), al
menos aproximadamente. De aqu que se
requieran dos grficos, uno para cada
parmetro de la distribucin.
Los pares ms comunes son los de medias
y desviaciones estndar, los de medias y
rangos, y los grficos para observaciones
individuales y rangos mviles.
34
Grficos de medias y rangos
( )
Se construye un grfico para la evolucin
de las medias de los grupos (asociado con
la ubicacin de la caracterstica ) y otro
para la evolucin de los rangos (asociado
con la dispersin de la caracterstica o).
Se utilizan los rangos para medir la
variabilidad ya que son fciles de calcular y
tienen una eficiencia similar a la desviacin
estndar para subgrupos pequeos.
R X
35
Pasos para la construccin
de grficos
Se toman k muestras de tamao n
(usualmente constante y menor a 7).
Se calcula la media y el rango de cada
muestra:

Se estiman los promedios poblacionales

R X
ij
j
ij
j
i
n
j
ij i
x min x R x
n
X = =

=
max
1
1

= =
= =
k
i
i
k
i
i
R
k
R X
k
X
1 1
1

1
36
( )
Para construir los lmites de control,
recordemos que bajo la suposicin de
normalidad y control estadstico se tiene

donde d
2
y d
3
son constantes que dependen
solo de n y pueden encontrarse en tablas
como la que se presenta a continuacin.
( )
( ) o o o

o
2 3 2
) ( ) (
) ( ) (
d R E d R SD d R E
X E
n
X SD X E
i i
i i
= = =
= = =
R X
37
( )
R X
La tabla de la derecha
muestra el valor de las
constantes d
2
, d
3
, A
2
,
D
3
y D
4
para distintos
tamaos de los
subgrupos racionales.
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
3 1,693 1,023 0,888 0,000 2,575
4 2,059 0,729 0,880 0,000 2,282
5 2,326 0,577 0,864 0,000 2,115
6 2,534 0,483 0,848 0,000 2,004
7 2,704 0,419 0,833 0,076 1,924
8 2,847 0,373 0,820 0,136 1,864
9 2,970 0,337 0,808 0,187 1,816
10 3,078 0,308 0,797 0,223 1,777
11 3,173 0,285 0,787 0,256 1,744
12 3,258 0,266 0,778 0,284 1,716
13 3,336 0,249 0,770 0,308 1,692
14 3,407 0,235 0,763 0,329 1,671
15 3,472 0,223 0,756 0,348 1,652
16 3,532 0,212 0,750 0,640 1,636
17 3,588 0,203 0,744 0,379 1,621
18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
38
( )
Si se conocen y o, estos se pueden
usarse para calcular los lmites de control:
Medias

Rangos

donde
R X
o = = o + = A LIC LC A LSC
R D LIC d LC R D LSC
1 2 2
= o = =
3 2 2 3 2 1
3 3
3
d d D d d D
n
A + = = =
39
( )
Si no se conocen y o (lo ms comn)
deben estimarse a partir de los datos.
Para las medias

Para los rangos

donde
R X
R A X LIC X LC R A X LSC
2 2
= = + =
R D LIC R LC R D LSC
3 4
= = =
2
3
2
2
3
3
2
2
3 1 3 1
3
d
d
D
d
d
D
n d
A + = = =
40
( )
Puede justificar estas selecciones para
los lmites de control?
Lo ms comn es trabajar con n fijo para
todos los subgrupos, sin embargo en
algunos casos esto no es posible. Cmo
quedaran los lmites de control en ese
caso?
R X
41
(cont)
Ejemplo 1.- Se
muestran datos
correspondientes a la
apertura del alabe
(en milmetros) para
un componente de la
turbina de un avin.
Se pueden ver los
clculos preliminares
en la misma tabla.
Muestra Observaciones en la muestra Media Rango
1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
3 35.00 37.00 33.00 34.00 36.00 35.00 4.00
4 30.00 31.00 33.00 34.00 33.00 32.20 4.00
5 33.00 34.00 35.00 33.00 34.00 33.80 2.00
6 38.00 37.00 39.00 40.00 38.00 38.40 3.00
7 30.00 31.00 32.00 34.00 31.00 31.60 4.00
8 29.00 39.00 38.00 39.00 39.00 36.80 10.00
9 28.00 33.00 35.00 36.00 43.00 35.00 15.00
10 38.00 33.00 32.00 35.00 32.00 34.00 6.00
11 28.00 30.00 28.00 32.00 31.00 29.80 4.00
12 31.00 35.00 35.00 35.00 34.00 34.00 4.00
13 27.00 32.00 34.00 35.00 37.00 33.00 10.00
14 33.00 33.00 35.00 37.00 36.00 34.80 4.00
15 35.00 37.00 32.00 35.00 39.00 35.60 7.00
16 33.00 33.00 27.00 31.00 30.00 30.80 6.00
17 35.00 34.00 34.00 30.00 32.00 33.00 5.00
18 32.00 33.00 30.00 30.00 33.00 31.60 3.00
19 25.00 27.00 34.00 27.00 28.00 28.20 9.00
20 35.00 35.00 36.00 33.00 30.00 33.80 6.00
Promedios: 33.32 5.80
42
(cont)
Los lmites de control son, en este caso,
Para el grfico de medias:

Para el grfico de rangos
32 , 33
65 , 36 8 , 5 577 , 0 32 , 33
95 , 29 8 , 5 577 , 0 32 , 33
2
2
=
= + = + =
= = =
LC
R A X LSC
R A X LIC
8 , 5
0 8 , 5 0
27 , 12 8 , 5 115 , 2
4
3
=
= = =
= = =
LC
R D LSC
R D LIC
43
(cont)
Muestra
A p e r t u r a p r o m e d i o d e l a l a b e
5 10 15 20
2 8
3 0
3 2
3 4
3 6
3 8
4 0
LIC=29.98
LSC=36.67
LC=33.32
Muestra
R a n g o d e a p e r t u r a d e l a l a b e
5 10 15 20
0
5
1 0
1 5
LSC=12.27
LC=5.80
44
(cont)
Las muestras 6, 8, 11 y 19 estn fuera de
control en grfico de medias y la 9 lo esta
en el grfico de rangos.
Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el rea de moldeo. Los lmites deben
ser recalculados excluyendo estas
observaciones atpicas, obtenindose as
un nuevo grfico.
45
(cont)
Muestra
A p e r t u r a p r o m e d i o d e l a l a b e
5 10 15 20
2 8
3 0
3 2
3 4
3 6
3 8
4 0
LIC=30.33
LSC=36.10
LC=33.21
Muestra
R a n g o d e a p e r t u r a d e l a l a b e
5 10 15 20
0
5
1 0
1 5
LSC=10.57
LC=5.00
46
Grficos de medias y
desviaciones estndar ( )
El utiliza el mismo grfico de medias
anterior, pero ahora se estudia la
dispersin usando un grfico de las
desviaciones standard de cada subgrupo.
La desviacin muestral es un mejor
estimador de la variabilidad, pero ms
difcil de calcular. Se prefiere en procesos
con subgrupos racionales grandes (10 o
ms) o en procesos automatizados.
s X
47
de grficos
Se toman k muestras de tamao n.
Se calcula la media y la desviacin
standard de cada muestra:

Se calculan los parmetros poblacionales.
s X
( )
1
1
2
1

1

=
=
= =

n
X x
i
n
j
ij i
n
j
i ij
S x
n
X

= =
= =
k
i
i
k
i
i
S
k
S X
k
X
1 1
1

1
48
de grficos
Para calcular los lmites de control
necesitamos conocer la esperanza y la
varianza de estos estimadores:

donde de nuevo c
4
depende solo de n puede
obtenerse de tablas.
s X
( )
( ) o = o = o =
=
o
= =
4
2
4 4
1 ) ( ) (
) ( ) (
c S E c S SD c S E
X E
n
X SD X E
i i
i i
49
de grficos
Si se conocen y o el clculo de los
lmites de control es muy sencillo:
Para las medias:

Para las desviaciones estndar:
s X
o = = o + = A LIC LC A LSC
R B LIC c LC R B LSC
5 4 6
= o = =
2
4 4 6
2
4 4 5
1 3 1 3
3
c c B c c B
n
A + = = =
50
de grficos
s X
Cuando no se conocen los valores de y o
los mismos se calculan a partir de los
datos para obtener los lmites de control

Para el grfico de desviaciones estndar:

S B LIC S LC S B LSC
3 4
= = =
S A X LIC X LC S A X LSC
3 3
= = + =
4
4
4
4
4
3
4
3
1
3 1
1
3 1
3
c
c
B
c
c
B
n c
A

+ =
= =
51
de grficos
s X
Tabla 2.- La tabla de la
derecha muestra el valor
de las constantes c
4
, A
3
, B
3

y B
4
para distintos
tamaos de los subgrupos
racionales.
n c4 A3 B3 B4
2 0,7979 2,6590 0,0000 3,2670
3 0,8862 1,9540 0,0000 2,5680
4 0,9213 1,6280 0,0000 2,2660
5 0,9400 1,4270 0,0000 2,0890
6 0,9515 1,2870 0,0300 1,9700
7 0,9594 1,1820 0,1180 1,8820
8 0,9650 1,0990 0,1850 1,8150
9 0,9693 1,0320 0,2390 1,7610
10 0,9727 0,9750 0,2840 1,7160
11 0,9754 0,9270 0,3210 1,6790
12 0,9776 0,8860 0,3540 1,6460
13 0,9794 0,8500 0,3820 1,6180
14 0,9810 0,8170 0,4000 1,5940
15 0,9823 0,7890 0,4280 1,5720
16 0,9835 0,7630 0,4480 1,5520
17 0,9845 0,7390 0,4660 1,5340
18 0,9854 0,7180 0,4820 1,5180
19 0,9862 0,6980 0,4970 1,5030
20 0,9869 0,6800 0,5100 1,4900
21 0,9876 0,6630 0,5230 1,4770
22 0,9882 0,6470 0,5340 1,4660
23 0,9887 0,6330 0,5450 1,4550
24 0,9892 0,6190 0,5550 1,4450
25 0,9896 0,6060 0,5650 1,4350
52
Grficos para observaciones
individuales (I)
En general, es preferible utilizar ms de
una observaciones para estimar el estado
del proceso en cada instante de tiempo.
Numero de elementos en el supgrupo racional
P r o b a b i l i d a d d e d e t e c t a r u n c a m b i o d e k v a r i a n z a s e n l a m e d i a
1 2 3 4 5 6
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
k=1.0
k=1.5
k=2.0
53
individuales (I) (cont)
Sin embargo, en algunos procesos no es
posible obtener ms de una observacin:
Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
Donde se quiere comparar cada producto con
la especificacin (se producen pocos artculos y
son muy caros).
En procesos continuos, donde no hay
individuos.

54
individuales (I) (cont)
Cuando solo se dispone de una
observacin en cada instante es necesario
modificar los diagramas anteriores ya que
ni podemos promediar en cada punto ni es
posible obtener estimaciones de la
variabilidad en cada instante.
As, el grfico de medias se sustituye por el
grfico de las observaciones y el de rangos
por el de rangos mviles.
55
individuales I (cont)
El rango mvil utiliza la informacin de las
ltimas w observaciones para estimar la
variabilidad.

Estos grficos son ms susceptibles a
alteraciones en la hiptesis de normalidad
de la caracterstica de calidad. Puede
explicar por qu?
Para w = 2

56
Se toma una observacin para cada uno de
k puntos en el tiempo.
Para cada instante se calcula el rango
mvil basado en w observaciones, definido
por

Se estiman los parmetros poblacionales
de grficos I
1 1 , max
1 1
+ s s =
+ s s + s s
w k i x min x R
j
w i j i
j
w i j i
i

+
= =
+
= =
1
1 1
1
1

1
w k
i
i
k
i
i
R
w k
R x
k
X
57
de grficos I (cont)
Los lmites de control y lnea central son:

Para el grfico de rangos:

Para obtener d
2
, D
3
, D
4
y se utiliza la
tabla 1 con n = w. Usualmente se escoge
w = 2 por simplicidad.
R D LIC R LC R D LSC
3 4
= = =
2 2
3 3

d
R
d
R
X LIC X LC X LSC = = + =
58
Otros grficos para control
de variables
Diagramas de sumas acumulativas
(CUSUM), los cuales permiten detectar
ms rpidamente cambios en la media de
una variable.
Grficos de medias mviles pesadas
exponencialmente (EWMA), para procesos
donde las observaciones no son
independientes (procesos continuos).
59
Grficos de control para
atributos
Se consideran dos situaciones:
Nos interesa la presencia o ausencia del
atributo en el individuo, o se trata de un
atributo que solo puede presentarse una vez
(un fusible est quemado o no) Diagrama p.
Nos interesa contar el nmero de veces que
se presenta el atributo en cada individuo
(poros en una superficie plstica extruida)
Diagramas u.
60
Grficos para control de
proporciones (p)
Se utiliza para atributos binarios, y por
tanto el nmero de ocurrencias del mismo
en un lote puede modelarse por una v.a.
Binomial. As, basta con un grfico que
corresponde a la proporcin p de
defectuosos en la muestra.
El otro parmetro de la distribucin (n),
puede ser constante o no y es conocido.
61
de grficos p
Se toman k muestras cada una de tamao
n
i
(n
i
suele escogerse de manera que se
presenten por lo menos tres o cuatro
defectos).
Se calcula la fraccin de individuos con el
atributo en la muestra p
i
.

Se grafican los valores de p
i
en el tiempo.
grupo el en artculos de Nmero
grupo el en s defectuoso artculos de Nmero
= =
i
i
i
n
e
p
62
de grficos p (cont)
Se estima el parmetro poblacional

Se obtienen y grafican los lmites de
control y la lnea central.

p LC
n
p p
p LIC
n
p p
p LSC
i i
=

)

+ = ,0
) 1 (
3 max ,1
) 1 (
3 min
s muestreado artculos de Total
defectuos artculos de Total
1
1
= =
=
=
k
i
i
k
i
i i
n
p n
p
63
Grficos para control para
cantidades (u)
El inters se centra ahora en c
i
,el nmero
de veces que el atributo se presenta en
cada individuo (no solo su presencia).
Si se supone que la tasa de ocurrencia de
los eventos que generan el atributo es
constante entonces es razonable asumir
que la v.a. sigue una distribucin de
Poisson, y por tanto, hay que monitorear
un solo parmetro ().
64
de grficos u
Se toman n
i
individuos (con n
i
tal que se
presente el atributo alrededor de 10
veces) en cada uno de k puntos en el
tiempo.
Se calcula el nmero promedio de
defectos en cada instante:

Se grafican los valores de
i
en el tiempo.
grupo el en artculos de Nmero
grupo el en atributo el presenta se que en Veces
= =
i
i
i
n
c
65
de grficos u (cont)
Se estima el parmetro poblacional

Se obtienen y grafican los lmites de
control y la lnea central.
i i
n
LIC LC
n
LSC

= =
+ = 3 3
s muestreado artculos de Total
defectos de Total
1
1
= =
=
=
k
i
i
k
i
i
n
c
66
Ejemplo de grficos u
Ejemplo 2: En una lnea de estampado
de telas, se toman rollos de 50 metros de
tela y se cuenta en cada uno de ellos el
nmero de manchas de pintura que se
presentan. Los resultados para 10
muestras se muestran a continuacin:
Muestra 1 2 3 4 5 6 7 8 9 10 Total
Defectos 14 12 20 11 7 10 21 16 19 23 153
Num de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84 1,42
67
Ejemplo de grficos u (cont)
Tiempo
T a s a d e d e f e c t o s p o r r o l l o
2 4 6 8 10
0 . 5
1 . 0
1 . 5
2 . 0
2 . 5
3 . 0
0 . 5
1 . 0
1 . 5
2 . 0
2 . 5
3 . 0
12345678910
El grfico muestra un proceso claramente bajo
control.
68
Ejemplo de grficos u (cont)
En este caso una unidad corresponde a
un rollo de tela de 50 metros cuadrados.
Otra eleccin adecuada para la unidad
sera simplemente los metros cuadrados.
Cmo quedara el grfico de control en
ese caso? Proveen la misma informacin
ambos grficos?
69
Grficos u y el sistema de
demritos
En algunos casos no todos los tipos de
defectos que pueden presentar las piezas
tienen la misma gravedad. En ese caso
hay dos opciones:
Construir un grfico u para cada uno de los
tipos de defectos.
Asignar un puntaje a cada tipo de defecto
dependiendo de su gravedad y luego graficar
un ndice promediado de los defectos.
70
Grficos p y el sistema de
demritos (cont)

En este caso se construye un grfico muy
similar al grfico u, pero donde la variable
de inters no es el nmero de defectos
sino el total de demritos por unidad:

cmo hallar la esperanza y la varianza de
d?
Defecto Grave Normal Leve
Demritos 10 5 1
#/unidad x3 x2 x1
3 2 1
10 5 x x x d + + =
71
Otros grficos para control
de atributos
Grficos np para control del nmero de
defectuosos. Se utilizan en las mismas
circunstancias que los grficos p, pero
necesitan que el nmero de individuos
muestreados sea constante en el tiempo.
Grficos c para control de la cantidad de
defectos, que son un caso particular de
los grficos u. Tambin suponen un
nmero de individuos fijo en el tiempo
72
Variaciones sobre los
grficos de control
Construccin de lmites de control en base
a valores histricos de los parmetros.
Construccin probabilstica de los lmites
de control. Aunque en la mayor parte de
los casos los lmites son aproximadamente
iguales a los limites probabilsticos, para
muestras pequeas es posible mejorar.
73
Interpretacin de los
grficos de control
Necesitamos determinar si el proceso est
bajo control, lo cual se traduce en que los
puntos mostrados estn dentro de los
lmites de control y presenten un
comportamiento aleatorio.
Para esto se utilizan una serie de reglas
empricas, cuya presentacin se facilita si
el rea dentro de los lmites de control se
divide en regiones iguales.
74
Muestra
C a r a c t e r s t i c a d e C a l i d a d
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
grficos de control (cont)
75
A las reglas empricas que se utilizan para
determinar si un proceso est bajo control
se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy
baja probabilidad de ocurrir si el proceso
est bajo control.
Cada una de ellas provee informacin
sobre el tipo de causa asignable que
puede estar afectando al proceso.
76
Reglas de parada
Un punto fuera de la zona A.
Corresponde a un cambio repentino en la media
o la dispersin del proceso.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
77
Reglas de parada
Siete puntos en fila, todos crecientes
o decrecientes. Se presenta cuando hay
cambios paulatinos en la media, debida a
desgastes en herramientas o personal.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
78
Reglas de parada (cont)
Catorce puntos en fila alternando
arriba y abajo. Indica correlacin negativa
entre los datos (cuando hay excesos en una, a
la siguiente pieza es muy reducida y viceversa).
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
79
Quince puntos en fila en la zona C. El
proceso ha reducido su varianza (hay
sobreestabilidad en el sistema). Es importante
investigar la fuente de la mejora.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
80
Dos de tres puntos consecutivos en
la zona A o ms all. Indican un
incremento en la varianza del proceso.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
81
Estructuras peridicas. Estas estn
asociadas normalmente con cambios de turnos,
operarios, das de la semana, etc.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
82
Nunca trate de explicar la influencia de
todos y cada uno de los eventos que
ocurren en la planta a travs de grficos
de control. El procedimiento correcto es
detectar ALARMAS y luego usar los
registros de eventos para determinar si
corresponden a causas asignables o a
causas comunes.
83
El calculo del nivel de significancia para
las reglas de parada que se establezcan
es importante para un correcto anlisis.
Un punto que incumple una regla de
parada es una ALARMA pero no
necesariamente significa que nuestro
proceso est fuera de control, ya que si
no podemos ligarlo a una causa asignable
puede tratarse del azar.
84
Ejemplos adicionales
Ejemplo 3.- Dentro de
un proceso de moldeo de
PVC las piezas elaboradas
pueden presentar o no
defectos superficiales.
Cada da se toman 100
piezas al azar de la lnea
de produccin y se cuenta
el nmero de piezas
defectuosas.
Da Defectos Da Defectos
1 9 16 9
2 16 17 5
3 5 18 6
4 6 19 4
5 7 20 11
6 9 21 3
7 3 22 1
8 9 23 3
9 10 24 0
10 4 25 4
11 7 26 6
12 10 27 1
13 6 28 6
14 6 29 5
15 7 30 4
85
Ejemplos adicionales (cont)
Tambin se dispone de un registro de
eventos en la lnea, que puede resumirse
como:
Da Evento
5 Reemplazo de la mezcladora.
10 Nuevo empleado asume la operacin del
proceso.
18 Se comenz a utilizar resina (materia
prima) de otro proveedor.
22 Sustitucin del sistema de enfriamiento, lo
que permiti un incremento en la
temperatura de inyeccin de PVC.
86
El grfico p correspondiente a estos datos
es el siguiente
Dia
P r o p o r c i o n d e p i e z a s c o n d e f e c t o s s u p e r f i c i a l e s
0 5 1015202530
0 . 0
0 . 0 5
0 . 1 0
0 . 1 5
0 . 2 0
LSC=0.1323
LC=0.0606
LIC=0.0000
87
Si bien el punto 2 aparece fuera de los
lmites, no existe en el registro ningn
evento que nos haga creer que el proceso
se encontraba fuera de control.
Al llegar al punto 29 se presenta una racha
de 9 puntos bajo la lnea central (lo cual
tiene una probabilidad de 0,00195 en un
proceso bajo control). Esto se puede
relacionar con el cambio en el sistema de
enfriamiento (da 22). El 30 es similar.
88
Nuestra conclusin es que la temperatura
de inyeccin influye sobre la frecuencia en
que aparecen defectos superficiales. El
cambio del sistema de enfriamiento
permiti elevar la temperatura, lo cual
redujo el nmero de defectos.
Para avalar nuestra observacin se podra
haber realizado una prueba de igualdad
de proporciones.
89
Tolerancias y capacidad
La literatura suele distinguir entre dos
tipos de tolerancias:
Tolerancias de diseo: las cuales son fijadas
por el departamento de ingeniera. Estn
relacionadas con el concepto de calidad en el
diseo.
Tolerancias de naturales: que vienen dadas
por las caractersticas de la mquina o
proceso.
90
(cont)
Si las tolerancias naturales de un proceso
son ms estrictas que las tolerancias de
diseo entonces es fcil obtener calidad
de conformidad.
Sin embargo, si las tolerancias de diseo
se vuelven incompatibles con las
tolerancias naturales de nuestro proceso,
muy difcilmente lograremos elaborar
productos que las satisfagan.
91

Las tolerancias de diseo deben ser
realistas: deben representar un
compromiso entre el mercado y nuestro
sistema de produccin.
Tolerancias de diseo
Tolerancias naturales Mercado
(cont)
92
Estudios de capacidad
Su objetivo es cuantificar la variabilidad
inherente a un proceso o a una parte del
mismo (determinar tolerancias naturales)
y analizar dicha variabilidad en relacin
con las especificaciones del producto
(tolerancias de diseo).
No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado
de control.
93
Estudios de capacidad (cont)
Los objetivos que se pueden perseguir a
la hora de realizar un estudio de
capacidad pueden ser diversas:
Determinar si nuestros procesos son capaces
de elaborar productos con la calidad que
requiere el mercado. Esto permite detectar la
necesidad de acciones drsticas.
Determinar valores razonables para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.
94
En la industria a veces se habla de dos
tipos de capacidad
Capacidad de las mquinas (u operarios) o
capacidad a corto plazo.
Capacidad del proceso o capacidad a largo
plazo.
Los requisitos de capacidad a corto plazo
suelen ser ms exigentes que los de largo
plazo, puede decir por qu?
95
Se dice que un proceso es capaz para
producir un determinado artculo a un
nivel de calidad o si la probabilidad de
que los productos que se elaboran
correspondan con las especificaciones es
al menos o.
Est concepcin est ligada a una funcin
de utilizada 0-1.
96
El resultado de un estudio de capacidad
suele presentarse en la forma de un
histograma al cual se le aaden
indicaciones sobre el valor objetivo de la
caracterstica de calidad y los lmites de
especificacin de la misma. Tambin
pueden utilizarse los diagramas de control.
Adems, suelen utilizarse algunos ndices
para facilitar el anlisis.
97
Indices de capacidad
Si los procesos estn centrados:
Capacidad de mquinas

Capacidad de procesos

Los valores de 6o y 8o se han fijado de
modo que la conformidad sea de al menos
99.865% y 99.997% si los datos
provienen de una distribucin normal.
o
=
8
LIT LST
C
m
o
=
6
LIT LST
C
p
98
Indices de capacidad (cont)
Ciertas industrias (aviacin, automviles)
utilizan otros valores como 10o y 12o.
Se desea que el ndice de capacidad sea
tan grande como sea posible:
Si C
p
< 1 se dice que el proceso no es capaz.
Si 1 < C
p
< 1.33 el proceso es capaz, pero
cualquier pequeo cambio en las condiciones
puede hacer que pierda esta cualidad.
Si C
p
> 1.33 el proceso es capaz y robusto.
99
Cuando el proceso no est centrado se
hace necesario redefinir los ndices.
Para mquinas:

Para procesos:
)
`
=
4
,
4
min
LIT X X LST
C
mk
)
`
=
3
,
3
min
LIT X X LST
C
pk
100
Puede comprobarse fcilmente que

y que la igualdad se cumple si y solo si el
proceso est centrado. Adems, entre
mayor es la diferencia, mayor es el
descentramiento
Los ndices C
mk
y C
pk
pueden interpretarse
como la capacidad hasta la tolerancia ms
prxima.
p pk m mk
C C C C s s y
101
De hecho, la misma idea sobre la que se
basan estos ndices puede utilizarse en el
caso de especificaciones unilaterales.
Cmo podra hacerlo?
En algunos casos se estudia la evolucin
de la capacidad del proceso en el tiempo
mediante grficos de control.
102
Capacidad y falta de
normalidad
Si la distribucin de los datos no es
normal, es posible que aparezcan ms
defectos de los que se esperan bajo un
ndice de normalidad.
Una forma de corregir el problema es
hallar lmites universales (desigualdad de
Chebyshev), pero estos tendern a ser
demasiado amplios.
Otra forma es ajustar una distribucin.
103
Ejemplos
Ejemplo 5: Se tienen datos sobre la
resistencia a la presin interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los grficos de
control correspondientes pueden verse a
continuacin. Las especificaciones para el
proceso establecen que la resistencia
debe ser superior a 200, y no se
establecen valores mximos.
104
Ejemplos (cont)
x
M e d i a s
2 0 0
2 5 0
3 0 0
3 5 0
12345678910 11 12 13 14 15 16 17 18 19 20
x
R a n g o s
- 1 0 0
0
1 0 0
2 0 0
12345678910 11 12 13 14 15 16 17 18 19 20
105
Ejemplos (cont)
De las grficas es claro que el proceso
est bajo control. Por tanto podemos
estimar la variabilidad natural del proceso
debida a causas comunes como:

y la localizacin del proceso como
23 , 33
326 , 2
3 , 77
2
= = = o
d
R
06 , 264 = = X
106
Ejemplos (cont)
Ntese que el lmite de especificacin es
unilateral (botellas con mucha resistencia
no son de ningn modo defectuosas). As
pues:

Lo cual es un valor muy bajo, especialmente
si consideramos que se trata de un
parmetro relacionado con la seguridad.
64 , 0
23 , 33 3
200 06 , 264
3
=

=
o

=
LIT
C
pkl
107
Ejemplos (cont)
160 180 200 220 240 260 280 300 320 340 360
0
7
1 4
2 1
2 8
3 5
LIE
Resistencia interna
F r e c u e n c i a a b s o l u t a
La muestra presenta un 3% de observaciones
fuera de especificacin, en lnea con el 2,6%
que se espera de la aproximacin normal.
Cmo se obtiene este ltimo nmero?
108
Ejemplos (cont)
Este es un ejemplo de un proceso bajo
control (estable) pero que funciona a un
nivel de calidad inaceptable (capacidad
insuficiente).
La produccin de artculos defectuosos en
este caso no puede ser controlada por el
operario ya que solo estn presentes
causas comunes. Es necesaria la
intervencin de la gerencia.
109
Ejemplos (cont)
De hecho, es fcil calcular el nivel de
variabilidad aceptable para el proceso. Si
se desea un ndice de capacidad de 1,33
entonces

es decir, se hace necesario cortar la
dispersin a menos de la mitad.
055 , 16
33 , 1 3
200 06 , 264
33 , 1 3
=

< o
LIT
110
Papel de la inspeccin en el
sistema de calidad
Con el advenimiento del SPC el muestreo
se concibe como un medio para
determinar conformidad ms que para
mejorar calidad de los productos.
Aunque el objetivo filosfico de la calidad
total es cero defectos, en la aplicacin
prctica se tolera un cierto nivel de
disconformidades. Se trata de lograr un
compromiso entre el SPC y la inspeccin
111
Acciones de inspeccin
Aceptacin ciega (no inspeccin): para
piezas no crticas o piezas baratas con
defectos fcilmente descartables.
Inspeccin completa: se justifica cuando

Inspeccin por muestreo: cuando esto no
se cumple, o cuando el volumen de piezas
es alto o si los ensayos son destructivos.
i d
C p C >
112
Ventajas y desventajas del
muestreo
Ventajas
Es menos costoso.
Hayun menor manejo
del producto.
Puede aplicarse en
pruebas destructivas.
A menudo reduce los
errores de inspeccin.
Rechazar lotes enteros
impone presin.

Desventajas
Existe el riesgo de
aceptar lotes malos y
rechazar buenos.
Se obtiene menos
informacin.
Se necesita
planificacin previa.
113
Tipos de planes de muestreo
En base al tipo de caracterstica medida:
Planes de muestreo por atributos.
Planes de muestreo por variables.
En base al nmero de muestras tomadas:
Planes de muestreo simple.
Planes de muestreo mltiple.
Planes de muestreo secuencial.
114
Condiciones para el uso de
inspeccin por muestreo
Las condiciones de produccin de las
unidades que conforman los lotes deben
ser homogneas.
Las muestras que se tomen deben ser
aleatorias y representativas de todos los
artculos del lote.
Es preferible utilizar lotes grandes en
lugar de lotes pequeos.

115
Aleatorizacin
Si se utilizan mtodos de juicio para
seleccionar la muestra se pierde la base
estadstica del procedimiento.
En el procedimiento de aleatorizacin se
debe garantizar que todas las muestras
tengan la misma probabilidad de
ocurrencia.
Suponemos conocido N tamao del lote) y
n (tamao de la muestra).

116
Aleatorizacin en lnea o
secuencial
Cuando los productos se reciben uno por
uno, cada vez que se obtiene uno debe
decidirse si entra en la muestra o no.
La probabilidad de cada artculo entre en
la muestra va a depender del nmero de
artculos que ya han entrado en ella k, as
como de n y N. De hecho,

1
) muestra la en entre simo (
+
=
i N
k n
i P
117
Aleatorizacin en lnea o
secuencial (cont)
El algoritmo puede resumirse como

Inicializar k = 0.
Para todo i desde 1 hasta N,
Generar U~Uni(0,1).
Si U < (n - k)/(N - i + 1),
Escoger el i-esimo artculo para la muestra
Asignar k = k + 1.
en caso contrario
Descartar el i-esimo artculo de la muestra
118
Aleatorizacin fuera de lnea
Otro algoritmo de aleatorizacin que es
bastante intuitivo cuando los productos se
reciben en grupos corresponde a generar
una variacin al azar de los elementos del
lote. Esto requiere tenerlos identificados
(por serial, ubicacin u otro cdigo).
Este mismo algoritmo puede adaptarse
para generar una permutacin al azar.

119
Aleatorizacin fuera de lnea
(cont)
Si asumimos que los identificadores estn
contenidos en el vector e el algoritmo es

Para todo i desde 1 hasta n,
Generar U~Uni(0,1).
Asignar s = N - i + 1.
Asignar k = sU + 1.
Escoger e(k) como miembro de la muestra.
Intercambiar los contenidos de e(k) y e(s).
120
Muestreo simple por
atributos
Este tipo de planes son los difundidos en
la prctica comercial ya que son a la vez
verstiles y sencillos de aplicar.
Para definir un plan de muestreo simple
por atributos es necesario fijar dos
parmetros: el tamao de la muestra n y
el nmero de aceptacin c. Cualquier lote
que presente una muestra con ms de c
unidades disconformes es rechazado.
121
Modelos probabilsticos en
el muestreo por atributos
El valor de la variable aleatoria C, nmero
de piezas defectuosas contenido en una
muestra de una poblacin viene dado por
una distribucin hipergeomtrica

donde p es la proporcin de disconformes
en el lote (punto de vista del consumidor).
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
c n
N p
c
pN
c C P
) 1 (
) (
122
Modelos probabilsticos en
el muestreo por atributos
Cuando el tamao del lote N es grande
respecto al tamao de la muestra n, la
distribucin puede aproximarse por una
binomial.

La misma distribucin es exacta cuando
consideramos el proceso desde el punto
de vista del productor. Por qu?
c n c
p p
c
n
c C P

|
|
.
|
\
|
= = ) 1 ( ) (
123
Curvas caractersticas de
operacin
Las curvas CO muestran la probabilidad
de aceptacin del lote como funcin de la
fraccin defectuosa contenida en este.
A cada plan de muestreo (o sea, a cada
par de valores n y c) le corresponde una
curva CO distinta.
Usualmente, la eleccin de un plan se
basa en su curva CO.
124
Proporcion de defetos en el lote
P r o b a b i l i d a d d e a c e p t a c i o n d e l l o t e
0.00.02 0.04 0.06 0.08
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
operacin (cont)
Por ejemplo, la curva CO para el plan con
N = 1000, n = 89 y c = 2 es
125
operacin (cont)
Suele distinguirse entre curvas CO de tipo
A o curvas CO del consumidor cuando las
mismas se construyen a partir de la
distribucin hipergeomtrica y curvas CO
tipo B o curvas CO del productor cuando
las mismas se construyen a partir de la
distribucin binomial.
126
0.00.02 0.04 0.06 0.08 0.10
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
N=100
N=Infinito
operacin (cont)
Curvas CO tipo A y B para n = 25 y c = 0.
127
operacin (cont)
Como la diferencia entre las curvas
mostradas es pequea, en la prctica los
planes se disean basandose las curvas
tipo B. Estos permite disear los planes
independientemente del tamao del lote.
Sin embargo debe recordarse que para el
consumidor esto es una aproximacin cuya
validez debe verificarse en cada caso.
Cmo sera la curva CO ideal?
128
operacin (cont)
Curvas CO con relacin n/N fija y c = 0.
0.00.02 0.04 0.06 0.08 0.10
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
N = 50,n = 5
N = 100,n = 10
N = 200,n = 20
N = 1000,n = 100
129
Diseo de planes de
muestreo
El diseo clsico de planes de muestreo
se basa en la especificacin de algunos
puntos dentro de la curva CO.
NCA: nivel de calidad aceptable, es el peor
nivel de calidad que el consumidor considera
aceptable como media del proceso.
o: riesgo del productor, es la probabilidad
de que el plan rechace un lote con una
proporcin defectuosa igual al NCA. Se desea
que sea bajo para proteger al productor.
130
Diseo de planes de
muestreo (cont)
NCL: nivel de calidad limitativo, es el peor
nivel de calidad que el consumidor considera
aceptable en un lote individual.
|: riesgo del consumidor, es la probabilidad
de que el plan acepte un lote con una
proporcin defectuosa igual al NCL. Se desea
que su valor sea pequeo ya que se trata del
tope aceptable por el consumidor.
131
Diseo de planes de
muestreo (cont)
Una vez que se fijan estos cuatro valores
la curva caracterstica est determinada
en forma nica y por tanto el plan de
muestreo tambin. Para obtener n y c
hay que resolver las ecuaciones:
= |
= o
c
d
d n d
c
d
d n d
NCL NCL
d n d
n
NCA NCA
d n d
n
0
0
) 1 (
)! ( !
!
) 1 (
)! ( !
!
1
132
Diseo de planes de
muestreo (cont)
Si NCA < NCL y | < 1 - o, este par de
ecuaciones siempre tienen solucin
(aunque no en forma explcita). Sin
embargo, dependiendo de cmo se fijen
los parmetros anteriores es posible que
el plan sea irrealizable en la prctica.
En general mientras ms cercanos sean el
NCA y el NCL mayor ser el tamao de la
muestra n y, por tanto, ms complejo el
plan.
133
Planes de muestreo dobles
por atributos
En estos planes la decisin tras observar
la primera muestra tomada del lote puede
ser aceptarlo, rechazarlo o tomar una
segunda muestra. Si esto ltimo se
decide entonces la aceptacin o el
rechazo se basan en la informacin
proveniente de ambas muestras.
134
por atributos (cont)
As pues, para determinar un plan de
muestreo doble es necesario fijar cuatro
valores: el tamao de la primera muestra
(n
1
), el nmero de aceptacin de la
segunda muestra (c
1
), el tamao de la
segunda muestra (n
2
) y el nmero de
aceptacin para ambas muestras
combinadas (c
2
).

135
Si llamamos d
i
al nmero de defectos en
la i-sima muestra podemos resumir as:

d
1
s c
1
?

d
1
> c
2
?

d
1
+ d
2
s c
2
?
Tomar muestra
de tamao n
1

Tomar muestra
de tamao n
2

Aceptar lote
Rechazar lote
Rechazar lote
Aceptar lote
SI SI
SI
NO
NO
NO
136
Dos ventajas de estos planes son:
Cuando se utiliza reduccin en la segunda
muestra pueden haber ahorros importantes.
Sicolgicamente son ms fciles de aceptar
ya que estos planes le dan al lote una
segunda oportunidad.
La principal desventaja de los planes
dobles es que requieren mayor
planificacin previa.
137
Curvas CO para planes de
muestreo dobles
El clculo de las curvas CO es ahora ms
complejo. Llamando X
i
al nmero de
disconformes en la i-sima muestra (i =
1,2) entonces P
a
, la probabilidad de
aceptacin del lote, es:

=
= =
=
= = + = =
s = + s =
s < s + s < + s =
2
1
2 1
2
1
0
2 1
0
1
2 2 1 1 1
2 1 1 2 2 1 2 1 1 1 1
) ( ) ( ) (
) ( ) ( ) (
) | ( ) ( ) (
c
c d
d c
s
c
d
c
c d
a
s X P d X P d X P
d c X P d X P c X P
c X c c X X P c X c P c X P P
138
muestreo dobles (cont)
Igualmente existen curvas tipo A (cuando
se usa la distribucin hipergeomtrica
para las X
i
) o tipo B (cuando se usa la
distribucin binomial).
Muchas veces se incluye tambin una
curva CO para la primera y para la
segunda muestras por separado, las
cuales se hayan de la misma forma que se
hizo en los planes simples.

139
Por ejemplo, para el plan n
1
= 50, c
1
= 1,
n
2
= 100, c
2
= 3 las curvas tipo B son:
Proporcion disconforme en el lote
P r o b a b i l i d a d d e a c e p t a c i o n
0.0 0.050.100.15
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
1 . 0
0 . 8
0 . 6
0 . 4
0 . 2
0 . 0
Prob. acep. combinada
Prob. acep. 1 muestra
Prob. rech. 1 muestra (derecha)
140
Es importante destacar que la
probabilidad de aceptacin y rechazo en
la primera muestra no suman 1, ya que se
le da oportunidad a tomar una segunda
muestra.
El diseo en este caso tambin se hace
especificando NCA, o, NCL y |. Sin
embargo la solucin de las ecuaciones es
en este caso ms complicado.
141
Curvas del nmero muestral
medio
Es importante conocer cual es el nmero
promedio de inspecciones que se van a
realizar bajo el plan de muestreo doble,
como funcin del verdadera proporcin
disconforme en lote. Si las dos muestras
se toman completamente, el clculo es
muy sencillo a partir de las curvas CO:

) (
1 1 2 1
c X P n n NMM > + =
142
Curvas del nmero muestral
medio (cont)
Sin embargo, cuando se utiliza reduccin
(es decir, si se interrumpe la toma de la
segunda muestra cuando el total de
disconformes supera a c
2
) el nmero
muestral medio es menor y el clculo es
ms engorroso.
Note que la reduccin podra utilizarse
tambin en planes de muestreo simple.
Por qu esto no se hace?

143
Norma MIL-STD-105D
(ANSI/ASQC Z1.4)
Es una norma militar publicada en 1963.
Presenta planes de muestreo simples,
dobles y mltiples.
Est basado en el NAC.
Se puede utilizar para controlar la
proporcin de defectos o el nmero de
defectos por unidad.
La norma equivalente venezolana es la
COVENIN 3133-1:1997 (ISO 1859-1:1989)
144
Norma MIL-STD-105D
(ANSI/ASQC Z1.4) (cont)
Determinar el nivel de inspeccin, el cual
est relacionado con el tamao muestral.
Usualmente se utiliza el nivel II pero el
nivel III se usa cuando el costo de
inspeccin es bajo y el nivel I cuando el
costo es alto. Los planes especiales se
utilizan con ensayos son destructivos, en
los cuales se desean tamaos mnimos.
Determinar el tamao del lote.
145
Norma MIL-STD-105D
Hallar la letra cdigo del plan.
146
Norma MIL-STD-105D
Elegir el nmero de muestras del plan de
muestreo: simple, doble o mltiple.
Elegir el NAC (en porcentaje).
Seleccionar el tipo de inspeccin (normal,
reducida o severa). El plan contiene
reglas para saltar entre los distintos
planes (ver siguiente lmina).
Usando el NAC y la letra cdigo
determinar el plan a partir de las tablas.
147
Norma MIL-STD-105D
Reducida Normal Severa
Se aceptan 5
lotes consecutivos
Se rechazan 2 de 5
lotes consecutivos
Se aceptan 10
lotes consecutivos
Se rechaza 1 lote o
la produccin es irregular
Inicio
10 lotes
consecutivos
bajo
inspecdin
estricta
Interrupccin
148
Norma MIL-STD-105D
Planes para muestreo simple con nivel de
inspeccin normal.
149
Norma MIL-STD-105D
Si en la posicin correspondiente no se
encuentra ningn plan, seguir la flecha
hasta encontrar uno. Se debe tomar
entonces el nuevo tamao muestral y el
nuevo nmero de aceptacin.
Si tamao muestral es mayor que el del
lote, realice inspeccin al 100%.
150
Norma MIL-STD-105D
Ejemplo 7: suponga que se espera
recibir lotes de 2.000 de un proveedor
nuevo, y que la gerencia ha decido
soportar un NAC de 0.1%. Le piden que
determine un plan de muestreo para
investigar la calidad de los artculos del
proveedor. Tome en cuenta que la
inspeccin de este tipo de productos es
muy fcil y barata.
151
Norma MIL-STD-105D
Para obtener la letra cdigo del plan
necesitamos el tamao del lote N (el cual
conocemos) y el nivel de inspeccin.
Como la inspeccin de estos artculos es
sencilla y barato, podemos utilizar un nivel
de inspeccin III, lo cual implica que el
tamao de nuestras muestras n va a ser
un poco ms grandes que con cualquier
otra alternativa.
152
Norma MIL-STD-105D
Una vez que obtenemos la letra cdigo L, lo
nico que necesitamos es determinar el
nivel de inspeccin. Como se trata de un
nuevo proveedor, escogemos un nivel
normal. Entrando en la tabla
correspondiente, con un NAC de 0.1 y la
la letra cdigo L, el plan de muestreo
simple correspondiente es n = 150 y c = 0
(como no hay plan, se sigue la flecha)
153
Inspeccin rectificadora
Cuando un lote es rechazado por el plan
de muestreo lo ms comn es que este
sea inspeccionado al 100% (bien sea por
el productor o por el consumidor). En ese
caso los artculos disconformes son
eliminados o reemplazados, de modo que
la proporcin disconforme de estos lotes
es cero.

154
(cont)
El esquema de inspeccin en este caso se
puede resumir en el siguiente grfico
Lotes
entrantes
Lotes
aceptados
Lotes
rechazados
Inspeccin
al 100%
Lotes
salientes
p = p
0

p = 0
p = p
0
p < p
0

155
(cont)
Es importante conocer cual la calidad
promedio de los lotes una vez que se ha
realizado la depuracin de los rechazados.
Esto se conoce como la calidad media de
salida (CMS) y se calcula como

donde p es la fraccin defectuosa y P
a
es
la probabilidad de aceptar el lote.
p P
N
n N p P
CMS
a
a
~
=
) (
156
(cont)
La curva CMS para un plan de muestreo
simple con n = 89 y c = 2 es:
C a l i d a d m e d i a d e s a l i d a ( C M S )
0.00.02 0.04 0.06 0.08 0.10
0 . 0
0 . 0 0 5
0 . 0 1 0
0 . 0 1 5
157
(cont)
Otra caracterstica importante de los
planes de muestreo rectificativo es el
nmero de artculos inspeccionados en el
lote. A esto se le conoce como la
inspeccin total media (ITM) y viene dado
por:
) )( 1 ( n N P n ITM
a
+ =
158
(cont)
La curva ITM para el mismo plan de
muestreo simple con n = 89 y c = 2 es:
I n s p e c c i o n t o t a l m e d i a ( I T M )
0.00.02 0.04 0.06 0.08 0.10
0
2 0 0 0
4 0 0 0
6 0 0 0
8 0 0 0
1 0 0 0 0
N=1000
N=5000
N=10000

CEP

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CEP

Cargado por

Copyright:

Formatos disponibles

1

También podría gustarte