Académique Documents
Professionnel Documents
Culture Documents
\
|
=
__ __
1 p p
s
p
en donde
n = tamao de la muestra
Siguiendo la prctica para grficas de control de calidad, los lmites de
control se establecen en el promedio del proceso para partes defectuosas
ms y menos tres desviaciones estndar,
__
p + 3s
p
.
En la tabla se muestra un conjunto de datos para el nmero de defectos
encontrados en muestras diarias de 200 para 24 das consecutivos de
produccin. Primero se quiere determinar si los datos exhiben control
estadsticos y despus establecer una grfica de control. La fraccin de
defectos diarios se calcula dividiendo cada cifra diaria entre el tamao de la
muestra, n = 200. En la tabla tambin se calculan cifras preliminares para p,
s
p
. Y LSC y LIC. Estas cifras preliminares se emplean para determinar si el
proceso que genera los datos est bajo control.
Tabla: Registro del nmero de partes defectuosas y fraccin calculada
de defectos en muestras diarias de n =20
Da de
produccin
Nmero de
partes
defectuosas
Fraccin
de
defectos
Da de
produccin
Nmero de
partes
defectuosas
Fraccin
de
defectos
1
2
3
4
5
6
7
8
9
10
11
12
13
10
5
10
12
11
9
22
4
12
24
21
15
8
0.005
0.025
0.05
0.06
0.055
0.045
0.11
0.02
0.06
0.12
0.105
0.075
0.04
14
15
16
17
18
19
20
21
22
23
24
Total
14
4
10
11
11
26
13
10
9
11
12
294
0.07
0.02
0.05
0.055
0.055
0.13
0.65
0.05
0.045
0.055
0.06
__
p = 061 . 0
200 24
294
=
X
p
s
3 = 3 X 0.017 = 0.51
LSC = 112 . 0 051 . 0 061 . 0 3
__
= + = +
p
s p
LIC = 010 . 0 051 . 0 061 . 0 3
__
= =
p
s p
S
p
= 017 . 0
200
939 . 0 061 . 0
=
x
En la figura, se presenta la grfica resultante de los defectos en la
produccin diaria en relacin con los lmites de control preliminares. Dos
puntos caen fuera de los lmites y el punto para el da 7 est casi fuera del
lmite superior. La investigacin no muestra nada extraordinario para el
primer punto, da 7. Para el segundo punto, da 10, una explicacin lgica es
que se contrataron tres trabajadores nuevos ese da. El ltimo punto, da 19,
se explica por el hecho de que el dado se haba desgastado y finalmente se
rompi ese da.
Para establecer estndares para la variacin normal se elimina los
datos para los das en los que se han establecido causas asignables (das 10
y 19) y se vuelven a calcular p, LSC y LIC de la siguiente manera.
058 . 0
21 200
244
__
= =
X
p
UCL = 0.058 + 3 108 . 0
200
942 . 0 058 . 0
=
X
UCL = 0.058 - 3 108 . 0
200
942 . 0 058 . 0
=
X
Estos valores revisados reflejan la variacin debida a causas
aleatorias y se emplearn como estndares para juzgar la proporcin de
muestras defectuosas en el fututo. Si alguna muestra futura cae fuera de
estos lmites, la reaccin inmediata ser que es altamente probable que
exista una causa asignable para la observacin de una proporcin
extraordinaria de defectos. Entonces se tratar de determinar la causa y
corregirla antes de producir una mayor cantidad de desperdicio.
Grficas p para muestras de tamao variable.
En el ejemplo anterior el tamao de la muestra era constante. Sin
embargo, con frecuencia los tamaos de la muestra son variables, como
suele ser el caso cuando se aplica una inspeccin del 100 por ciento y los
volmenes resultantes varan da a da. Si los tamaos de la muestra varan
slo ligeramente, los lmites de control pueden basarse en el tamao de la
muestra promedio. Sin embargo, cuando los tamaos de la muestra varan
sustancialmente, pueden calcularse nuevos lmites de control para cada
muestra, lo cual no resulta una actividad costosa en el mundo actual de la
computacin.
Estos clculos de los lmites de control pueden simplificarse. Por
ejemplo si , 009 . 0
__
= p entonces n n x n p p / 896 . 0 / 901 . 0 099 . 0 3 / 1 3
__ __
= = |
.
|
\
|
.
Para cada muestra, entonces, la raz cuadrada del tamao de la muestra se
divide entre 0.896 para obtener el valor de 3s
p
que debe sumarse y restarse
de
__
p para obtener los lmites de control individuales. Por supuesto, una p
diferente requiere una nueva determinacin de la constante.
Otra forma de manejar este problema es construir una grfica p
estabilizada convirtiendo las desviaciones del promedio del proceso a
unidades de desviacin estndar. Se calcula una s
p
para cada muestra
utilizando el mtodo rpido antes mencionado (el factor para el ejemplo sera
simplemente de 0.896/3 = 0.299)= y se divide entre la variacin de la
muestra a partir de
__
p ,
__
p -
__
p . Si la produccin de defectos de la muestra
fuera p = 0.084,
__
p = 0.099 como anteriormente y n = 95, entonces s
p
=
0.299/ 95 = 0.0306. Entonces (p -
__
p )/s
p
= -0.0150/0.306 = - 0.49 unidades
de desviacin estndar. Los lmites de control se trazan en trminos de
unidades de desviacin estndar y esta muestra est 0.49 desviaciones
estndar por debajo de la media.
Grficas c-grficas de control para defectos de unidad
En ocasiones el parmetro a ser controlado no puede ser expresado
como una proporcin simple, como fue el caso de las grficas p. En los
tejidos, por ejemplo, el nmero de defectos por cada 10 yardas cuadradas de
material puede ser el parmetro a controlar. En dichos casos, un defecto
puede ser menor en s mismo, pero un gran nmero de defectos por unidad
de rea puede ser cuestionable. Para la distribucin de Poisson, la
desviacin estndar Sc es igual a la raz cuadrada de la media
__
c . El
clculo de los lmites de control es entonces extremadamente simple. Por
ejemplo, si el nmero medio de defectos por unidad fuera
__
c = 25, entonces:
LSC =
__
c +3s
c
= 25 + (3x5) = 40
LIC =
__
c -3s
c
= 25 (3 x 5) = 10
Muestreo para aceptacin
Cuando ya se ha llevado a cabo la produccin, con frecuencia se
desea conocer el nivel de calidad del lote. Cuando un proveedor enva un
lote de partes, por ejemplo, deben estas partes aceptarse como buena o
no? El muestreo para aceptacin es la tcnica estadstica de control de
calidad para tomar este tipo de decisiones. Se examinarn planes para
muestreo tanto de atributos como de variables.
Muestreo para Aceptacin por Atributos
Curvas de caractersticas operativas (CO)
Para especificar un plan de muestreo se establece el tamao de la
muestra, n, y el nmero de defectos permitidos en la muestra, c (nmero de
aceptacin), antes de que sea rechazado todo el lote del cual se obtuvo la
muestra. La curva CO para una combinacin particular de n y c muestra qu
tan bien discrimina el plan entre lotes buenos y malos. La figura 13-6
muestra una curva CO para un plan de muestreo con una muestra de
tamao n = 100 y un nmero de aceptacin c = 2. En este plan, si c = 0 y se
encuentran 1 2 partes defectuosas en una muestra de n = 100., el lote se
considerar aceptable. Si la calidad real del lote es del 1 por ciento de partes
defectuosas, el plan en la figura 6 aceptara el lote aproximadamente el 91.5
por ciento del tiempo y lo rechazara aproximadamente el 8.5 por ciento del
tiempo. Debe hacerse notar, sin embargo, que si la calidad real del lote fuera
algo inferior al uno por ciento de partes defectuosas posiblemente el 5 por
ciento- la probabilidad de aceptacin del lote disminuye drsticamente acerca
del 13 por ciento. Por tanto, si la calidad real del lote es buena, el plan
provee una alta probabilidad de aceptacin, pero si la calidad real es mala, la
probabilidad de aceptacin es baja. De esta forma, la curva CO muestra
qu tan bien un plan dado discrimina entre una calidad buena y una mala.
La capacidad de discriminacin de un plan de muestreo depende del
tamao de la muestra. En la figura 13-7 se muestran las curvas CO para
muestras de tamaos 100, 200 y 300, permaneciendo el nmero de
aceptacin en proporcin al tamao de la muestra. Es conveniente notar que
la curva CO se hace ms pronunciada conforme aumenta el tamao de la
muestra. Si se compara el poder de discriminacin de los tres planes
representados en la figura 13-7 puede verse que los tres aceptarn lotes con
aproximadamente 0.7 por ciento de partes defectuosas aproximadamente el
83 por ciento del tiempo (aproximadamente, el punto en que se intersectan
las tres curvas). Sin embargo, si la calidad real disminuye a 3.0 por ciento de
partes defectuosas, el plan con N = 100 acepta lotes aproximadamente el 20
por ciento del tiempo; n = 200 acepta lotes aproximadamente el 6 por ciento
del tiempo; y n = 300 menos de 1 por ciento del tiempo. Los planes con
mayores tamaos de muestra son definidos ms efectivos.
Qu sucede con la curva CO si cambia solamente el nmero de
aceptacin? En la figura 13-8 se presentan curvas CO para una muestra de
n=50 y nmeros de aceptacin de c = 1, 2 y 3. El efecto es
fundamentalmente un cambio en el nivel de la curva CO, por lo que menores
nmeros de aceptacin provocan que el plan sea ms estrecho; esto es,
mantienen la calidad resultante en porcentajes ms reducidos. A manera de
generalizacin, entonces, existe cierta interaccin entre el tamao de la
muestra y el nmero de aceptacin para la determinacin del poder de
discriminacin de las curvas CO.
Un plan de muestreo que discrimina perfectamente entre lotes buenos
y malos tendr una curva CO vertical; esto es, seguir la lnea punteadas de
la figura 13-7. La probabilidad de aceptacin es cero para todos los lotes con
porcentajes de partes defectuosas a la derecha de la lnea.
Desafortunadamente, el nico plan que lograra est discriminacin es aquel
que requiere una inspeccin del 10 por ciento. Por tanto, la justificacin del
muestreo para aceptacin resulta del balance entre los costos de inspeccin
y los posibles costos de aceptar partes defectuosas.
Al hacer que los planes de muestreo sean ms discriminatorios
(aumentando los tamaos de las muestras) o ms estrechos (reduciendo el
nmero de aceptacin), se puede aproximar cualquier nivel deseado de
calidad pero con mayores costos de inspeccin. Este mayor esfuerzo de
inspeccin resultar en menores costos de aceptacin de partes
defectuosas. En algn punto la combinacin de estos costos incrementales
es mnima. Este punto mnimo define el plan de muestreo ms econmico
para una situacin dada. Obviamente, si el costo de aceptar productos
defectuosos es elevado, una mayor inspeccin se justifica en trminos
econmicos.
Para justificar la inspeccin al 100 por ciento de una muestra, las
prdidas probables debidas a la aceptacin de productos malos debern ser
grandes en relacin a los costos de inspeccin, resultando posiblemente en
la prdida de contratos y clientes. Es sobre esta base que puede justificarse
el objetivo japons de cero defectos. Por otra parte, para justificar que no
se realice una inspeccin debern ser bastante elevados en relacin a las
prdidas probables debidas a la aceptacin de partes malas. La situacin
ms usual se ubica entre estos extremos, en donde existe el riesgo de no
aceptar lotes que no son en realidad adecuados y el riesgo de aceptar lotes
malos.
Determinacin de curvas CO
Las curvas CO pueden construirse a partir de los datos obtenidos de
la distribucin normal o de Poisson. Si los lotes son grandes, posiblemente
ms de 10 veces el tamao de la muestra, las probabilidades para la curva
CO pueden obtenerse de la distribucin binomial. Sin embargo, si las
muestras son grandes las aproximaciones normal o de Poisson tambin son
muy cercanas y son mucho ms convenientes de usar. Las reglas empricas
son las siguientes:
Si pn > 5, las probabilidades pueden ser determinadas a partir de la
distribucin normal con una media p y una desviacin estndar
( ) n p p / ) ' 1 '
Si pn < 5, usar la distribucin de Poisson.
Generalmente el porcentaje de defectos del lote es reducido y los lotes
son relativamente grandes por lo que se emplea la distribucin de Poisson
para calcular los valores para calcular el porcentaje de probabiiidad de
aceptacin. Pa para curas CO. La grfica Thorndike suministra curvas de
acumulacin de distribuciones Poisson de probabilidad para distintos valores
del nmero de aceptacin c. La grfica indica la probabilidad de ocurrencia
de c o menos defectos en una muestra n seleccionada de un universo infinito
en el cual el porcentaje de partes defectuosas es PD.
Puede usarse la grfica Thorndike para calcular los valores P
a
usados
para trazar las curvas CO de la figura 13-9 o cualquiera otra de las curvas
CO que se han utilizado como ejemplos. Recurdese que el plan de
muestreo para la figura 13-6 fue de n = 100 y c = 2. Los valores de P
a
usados para nueve puntos de la curva CO se calculan en la tabla 13-4
leyendo los valores para Pa a partir de la grfica Thorndike. Por ejemplo,
para PD = 2 por ciento, PD X n/100 = 2 X 100/100 = 2.0. Consultando la
escala horizontal de la grfica Thorndike con este valor, se lee P
a
= 68 por
ciento en la escala vertical para c = 2.
Riesgos para el productor y para el consumidor
La definicin de estos riesgos, que se analizaron brevemente en el
captulo 12, puede especficamente an ms mediante su referencia a una
curva CO tpica., En la figura 13-10 se muestran grficamente las siguientes
cuatro definiciones:
AQL Nivel aceptable de calidad los lotes
de este nivel de calidad se
consideran buenos y desea tener una
alta probabilidad para su aceptacin.
o Riesgo para el productor la
probabilidad de que lotes con un nivel
de calidad AQL no sean aceptados.
Generalmente o= 5 por ciento en la
prctica.
LPTD Porcentaje de defectos tolerables
para el lote la lnea divisoria entre
lotes buenos y lotes malos
seleccionada. Los lotes de este nivel
de calidad se consideran como
pobres y se desea tener una baja
probabilidad para su aceptacin.
|
Riesgo para el consumidor la
probabilidad de que se acepte el nivel
de calidad LTPD. Generalmente | =
10 por ciento en la prctica.
Especificacin de un plan de muestreo
Para especificar un plan que satisfaga los requisitos para AQL, ,
LTPD y , debe encontrarse una combinacin de n y c con una curva CO
que pase a travs de los puntos a y b, como se muestran en la figura 13-10.
La mecnica para encontrar planes especficos adecuados puede
establecerse utilizando tablas, grficas o frmulas estndar que resulten en
o
|
la especificacin de una combinacin de n y c que se aproxime lo suficiente a
los requisitos establecidos para AQL, , LTPD y ,
TABLA 13-4 Clculo de valores de Pa X 100
de la figura 13-9 a paritr de la grfica de
Thorndike (plan de muestreo: n = 100 y c = 2)
Porcentaje real de
partes defectuosas PD
(PD X n)/100 Porcentaje de
probabilidad de
aceptacin a partir de
la figura 13-9
0
1
2
3
4
5
6
7
8
0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
100.0
91.5
68.0
42.0
24.0
12.0
6.0
3.0
1.5
Especificacin de n Y c para Planes de muestreo nico
o |
Para especificar un plan debe determinarse el tamao de la muestra n
y el nmero de aceptacin c nicos que produzcan una curva CO que se
aproxime a la especificada por los cuatro valores, AQL, , LTPD y , esto
puede lograrse consultando tablas o usando la grfica de Thorndike.
Un ejemplo: Supngase que se ha especificado las caractersticas de la
curva CO deseada como:
AQL = 2 por ciento
= 5 por ciento
LTPD = 8 por ciento
= 10 por ciento
Paso 1 Tabular valores PD X n/100 para P
a
= (1 -
) = 95 por ciento y P
a
=
= 10 por ciento para cada valor de c a partir de la grfica
Thorndike. Por ejemplo, para P
a
= 95% y c = 1, leer PD X n/100 =
0.36 y para P
a
= 10% y c = 1, leer PD X n/100 = 3.9. Haga lo
mismo como en los diversos valores de c como en las columnas 1,
2 y 3 de la tabal 13-5. Debe notarse que en las columna 2 el PD a
que se hace referencia es AQL, mientras que en la columna 3 es
LTPD.
Paso 2 Calcular la relacin de la columna 3 con la columna 2 para cada
uno de los valores de c, como en la columna 4 la relacin 8 / 2 = 4,
dado que para el plan deseado LTPD = 8 y PD = 2 por ciento.
Esta relacin de 4 cae entre 4.06 para c = 4 y 3.58 para c = 5.
Paso 3 Calcular tamaos de muestra como en la tabla 13-6, decidiendo si
se mantiene fija y se deja flotar o viceversa. Si, por
ejemplo, se establece c = 4 y se mantiene en 5 por ciento,
entonces PD X n/100 = AQL x n/100 = 1.97 y puede resolverse
para la muestra de tamao n:
n = 99
2
100 97 . 1
=
x
o |
o
|
o
|
o |
o
Paso 4 El plan de muestreo sera entones n = 99 y c = 4.
Revisar el valor resultante del riesgo flotante. Usando la grfica
Thorndike , para el plan 1, ingresar los valores de c = 4 y PD X
n/100 = 8 X 99/100 = 7.92 y leer el valor real de = 10.5 por
ciento.
Tabla 13-5 Determinacin de planes de muestreo con AQL y LTPD
especificadas ( = o 5 por ciento | = 10 por ciento).
(1)
Nmero de
aceptacin
(2)
Valor de (PD x n/100
con P
a
= 95 por
ciento a partir de la
figura 13-9
(3)
Valor de (PD x n/100
con P
a
= 10 por
ciento a partir de la
figura 13-9
(4)
Relacin Col. 3:Col.
2 = LTPD/AQL
1 0.36 3.9 10.83
2 0.80 5.3 6.63
3 1.35 6.7 4.96
4 1.97 8.0 4.06
5 2.60 9.3 3.58
6 3.30 10.5 3.18
7 4.00 11.8 2.95
8 4.70 13.0 2.77
En la tabla 13-6 tambin se muestran los valores flotantes reales de o
y | para cada uno de los cuatro planes. Notar que para el plan 1 la
probabilidad de aceptar lotes con un 8 por ciento de calidad aumenta
ligeramente mientras se mantienen las dems especificaciones. Para el plan
2, la probabilidad de rechazar lotes de buena calidad aumenta ligeramente
mientras que se mantiene la especificacin para | y as sucesivamente. Los
|
planes 1 y 2 son los que ms se aproximan a satisfacer las especificaciones
originales y la eleccin entre ellos depende del nfasis deseado.
Otros valores de o y |. La tabla 13-5 se construy para los valores
comunes de 5 y 10 por ciento para o y |, respectivamente, pero, obviamente,
puede construirse una tabla comparable a partir de la grfica Thorndike para
cualesquiera valores de o y |, por lo que los mtodos descritos son
generales.
Curva de calidad resultante promedio (CRP)
En la figura 13-11 se muestra el flujo de partes buenas y rechazadas
en un plan tpico de muestreo y se suministran las bases estructurales para
calcular la calidad resultante promedio (CRP). Se inspecciona la muestra
aleatoria de tamao n y cualesquiera partes defectuosas halladas en la
muestra son sustituidas por partes buenas. Con base en el nmero de
partes defectuosas c encontramos en la muestra, se acepta todo el lote si c
<= c y se rechaza si c > c.
Tabla 13-6. Planes de muestreo sencillo para c = 4 y c = 5 cuando o es fija,
permitiendo que | es fija y se permite que o flote.
c fija en 4 c fija en 5
(1)
o = 5 Por ciento,
| Flota
(2)
| = 10 Por ciento,
o Flota
(3)
o = 5 Por ciento,
| Flota
(4)
| = 10 Por ciento,
o Flota
n = 1.95 x 100/2
= 99
| = 10.5 por ciento
n = 8.0 x 100/8
= 100
o = 5.5 por ciento
n = 2.60 x 100/2
= 130
| = 5 por ciento
n = 9.3 x 100/8
= 115
| = 3 por ciento
Si el lote es rechazado se le somete a una inspeccin del 100 por ciento
y todas las partes defectuosas encontradas se sustituyen pro partes buenas.
Entonces, todo el lote de N partes estar libre de partes defectuosas. Sin
embargo, si el lote es aceptado con base en la muestra, se corre el riesgo de
pasar algunas partes defectuosas. Puede calcularse el nmero promedio de
partes defectuosas.
Si la calidad promedio entrante es PD, la aceptacin ocurre con la
probabilidad P
o
(tomada directamente de la curva CO para la DP). El
nmero promedio de partes defectuosas es entonces el producto de la
proporcin de defectos recibidos por el nmero restante en el lote ponderado
por la probabilidad de que la aceptacin ocurra o
(P
o
/ 100) x (PD / 100) x (N n). La calidad resultante promedio CRP en
porcentaje es entonces:
CRP = Nmero promedio de defectos x 100 = P
o
(PD) (N n)
Nmero de partes en el lote 100 N
A partir de la relacin anterior puede desarrollarse una curva para
cualquier plan de muestreo dado mostrando la CRP para cualquier nivel e
calidad entrante, determinando la P
o
a partir de la curva CO y substituyendo
estos valores en la frmula para el clculo de CRP, como se indica en la
figura 13-12. Esta curva CRP se basa en la curva CO de la figura 13-6 para
un plan de muestreo de n = 100, c = 2 y N = 1000.
Es interesante observar las caractersticas de la curva CRP. Primero,
existe un nmero mximo o lmite de la calidad resultante promedio (AOQL).
Existe un AOQL para cada plan de muestreo, el cual depende de las
caractersticas del plan. Cuando se presenta una buena calidad al plan por
ejemplo, 0 a 2 por ciento - P
o
es relativamente alta, por lo que la mayora de
las partes defectuosas se aceptarn. Conforme se excede el 2 por ciento
para la calidad entrante, sin embargo, P
o
declina rpidamente (vase la
curva CO de la figura 13-6) y la probabilidad de una inspeccin al 100 por
ciento aumenta, por lo que se detecta un mayor nmero de partes
defectuosas la calidad resultante mejora automticamente conforme la
calidad entrante empeora. Especficamente, AOQ nunca excede del 1,25 por
ciento, sin importar la calidad entrante para el plan.
Ya se han mostrado los clculos para la situacin en la cual se
sustituyen las partes defectuosas. Si dichas partes no son sustituidas,
entonces la frmula para AOQ se transforma en:
( )
( ) ( )( )( ) | |
100
100 / 100 / 1 100 /
x
n N PD P n PD N
n N xPD P
AOQ
+
=
o
o
PLANES DE MUESTREO CON PROTECCI N LTPD O AOQL
ESPECIFI CADA
Dodge-Roming provee tanto grficas como tablas para el diseo de
planes de muestreo que dan una proteccin LTPD o AOQL especificada con
| = 10 por ciento y una inspeccin total mnima. Los niveles de LTPD o
AOQL seleccionados para una situacin dada dependen de las
consecuencias de una mala calidad. Si las operaciones subsecuentes
pueden detectar defectos adicionales sin alterar la produccin, estos
estndares pueden ser relativamente confiables, pero si la menor calidad
resulta en altos costos de produccin y otros relacionados con la calidad,
LTPD o AOQL deben mantenerse en niveles reducidos.