Académique Documents
Professionnel Documents
Culture Documents
CONTENIDO
CAPTULO 1 .3
1.
CAPTULO 2.16
TRMINOS ESTADSTICOS PARA RECORDAR ....................................................................................................................................... 18
2.
Cartas de control.......................................................................................................................................................................88
4.1. generalidades ........................................................................................................................................................................88
4.1.1. TIPOS DE CAUSAS ..........................................................................................................................................................88
4.2. COMPONENTES DE UNA CARTA DE CONTROL. ..................................................................................................................88
4.3. OBJETIVOS DE LAS CARTAS DE CONTROL. .......................................................................................................................89
4.4. VENTAJAS DE UTILIZAR CARTAS DE CONTROL .................................................................................................................89
4.5. ANLISIS DE PATRONES DE COMPORTAMIENTO EN LAS CARTAS DE CONTROL .........................................................90
4.6. CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE CONTROL ......................................................................93
4.7. CARTAS DE CONTROL Y PRUEBA DE HIPTESIS. ............................................................................................................. 94
4.8. TIPOS DE CARTAS DE CONTROL .........................................................................................................................................95
4.8.1. CARTAS DE CONTROL PARA VARIABLES ...................................................................................................................96
4.8.2. CARTAS DE CONTROL PARA ATRIBUTOS..................................................................................................................118
4.8.3. CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) C y U........................................................... 142
CAPTULO 5154
5
CAPTULO 1
INTRODUCCIN A LA CALIDAD
Este captulo proporciona una breve introduccin a los principios bsicos, definiciones
y conceptos relacionados con el control y mejoramiento de la calidad. Enmarca ejemplo
de aplicabilidad y establece las herramientas estadsticas necesarias para facilitar el
entendimiento de la temtica tratada.
1. DEFINICIN DE CALIDAD
1.1. GENERALIDADES
El concepto del trmino CALIDAD, as como su desarrollo ha sufrido un proceso variable a lo largo del tiempo.
Antiguamente exista nicamente la idea de calidad, conocida tanto por el vendedor como por el cliente. Con el
paso del tiempo la idea se ha comenzado a cuantificar, convirtindose en algo ponderable a travs de diferentes
sistemas de gestin de calidad, en algunos casos obligatorio para empresas de nueva creacin, como es el Anlisis
de Peligros y Puntos de Control Crticos (APPCC), y en otros recomendable para la obtencin de un distintivo que
haga el producto ms competitivo en el mercado, como son las normas ISO 9000.
En los ltimos tiempos el desarrollo e implantacin de los sistemas de calidad en todas las industrias, y
principalmente en la industria alimentaria ha servido como elemento diferenciador y potenciador de las mismas
ante un mercado cada vez ms exigente, siendo la certificacin ISO 9001/2000 un objetivo comn perseguido por la
gran mayora de empresas.
La calidad se ha convertido en uno de los factores de decisin ms importantes de los consumidores para elegir
entre productos y servicios que compiten. El fenmeno es generalizado, sin importar si el consumidor es un
individuo, una organizacin industrial, una tienda minorista o un programa de defensa militar.
Hay muchas maneras de definir calidad. La definicin tradicional de calidad se basa en el punto de vista de que los
productos y los servicios deben cumplir con los requerimientos de quienes los usan.
Calidad significa adecuacin para uso.
En la adecuacin para uso se distinguen dos aspectos generales: calidad de diseo y calidad de conformidad.
Calidad de Diseo: Todos los productos o servicios se producen con varios grados o niveles de calidad.
Estas variaciones en los grados o niveles de calidad son internacionales y, por consiguiente, el trmino
tcnico apropiado es calidad de diseo. Este factor engloba todas las funciones y caractersticas de un
producto.
Calidad de Conformidad: La calidad de conformidad es la medida en que el producto se ajusta a las
especificaciones requeridas por el diseo. Este elemento est influido por varios factores, incluyendo la
eleccin de los procesos de manufactura, la capacitacin y supervisin de la fuerza de trabajo, el tipo de
sistema de aseguramiento de la calidad que se utiliza, la medida en que se siguen estos procedimientos de
aseguramiento de la calidad, y la motivacin de la fuerza de trabajo para alcanzar la calidad.
La ingeniera de calidad maneja una definicin moderna de calidad: La calidad es un factor inversamente
proporcional a la variabilidad.
Esta definicin implica que si la variabilidad de las caractersticas importantes de un producto disminuye, la calidad
de un producto aumenta. Es aqu donde entra en juego el control estadstico de la calidad, cuyo principal objetivo es
el anlisis y reduccin de este factor, haciendo uso de diferentes herramientas de tipo estadstico.
Uno de los padres fundadores del control estadstico de calidad. Fue invitado a dar plticas a lderes de la industria
japonesa cuando iniciaron su transformacin industrial a principios de los aos 1950. Es coautor (con Frank M.
Gryna) de Quality Control Handbook, una referencia obligada para los mtodos y el mejoramiento de calidad desde
su publicacin original en 1957.
La filosofa de Juran se basa en la organizacin del cambio y en la implementacin de mejoras que l llama la
penetracin administrativa. La secuencia de la penetracin es en realidad un proceso estructurado para la
solucin de problemas.
Dr. Armand Feigenbaum
Fue el primero en introducir el concepto de control de calidad en toda la compaa en su histrico libro Total Quality
Control (la primera edicin se public en 1951). Este libro ejerci una gran influencia en los inicios de la filosofa de la
administracin de calidad en Japn a principios de los aos 1950.
El inters del Dr. Feigenbaum se centra ms en la estructura organizativa y en el enfoque de los sistemas para
mejorar la calidad que en los mtodos estadsticos.
1.3.1. Estndares de calidad y certificacin
La Organizacin Internacional de Normas (ISO, por sus siglas en ingls) ha desarrollado una serie de estndares de
calidad que incluyen la serie ISO 9000, los cuales tambin son adoptados por el Instituto Americano de Estndares
Nacionales y la ASQ. El punto central de estos estndares es el sistema de calidad, incluyendo componentes tales
como:
1.
2.
3.
4.
5.
6.
7.
De manera tpica, son grandes las probabilidades de que ocurran fallas o defectos en los productos de alta
tecnologa con muchos componentes complejos. Motorola desarroll el programa seis sigma a fines de los aos
1980 en respuesta a la demanda de estos productos. Este programa se centra en llevar la variabilidad de las
caractersticas de calidad clave a niveles en los que las fallas o los defectos sean en extremo improbables.
Six Sigma se basa en la curva de la distribucin normal para conocer el nivel de variacin de cualquier actividad,
posterior a esto desarrolla una serie de pasos para el control de calidad y la optimizacin de procesos industriales.
Estos pasos se conocen como el ciclo DMAMC (Definicin, Medicin, Anlisis, Mejora, Control)
La finalidad del Six Sigma es proporcionar la informacin adecuada para ayudar a la implementacin de la mxima
calidad del producto o servicio en cualquier actividad, as como crear la confianza y comunicacin entre todos los
participantes, pues se debe tener en cuenta que la actividad del negocio parte de la informacin, las ideas y la
experiencia, lo cual ayuda a elevar la calidad y el manejo administrativo.
1.3.3. Justo a tiempo, manufactura, Poka-Yoke, y otras.
Ha habido muchas iniciativas destinadas a mejorar el sistema de produccin. Entre ellas se encuentra el enfoque
justo a tiempo, es una filosofa que tiene como su objetivo la eliminacin de prdidas. Las prdidas pueden ser
partes rechazadas, niveles excesivos de inventario, colas interoperativas, manejo excesivo de materiales, tiempos
de preparacin y cambio muy prolongados, y otras. JIT enaltece la necesidad de hacer calzar la cuota de produccin
con la demanda actual, y elimina las actividades que no aumentan el valor.
La filosofa de eliminacin de prdidas ha probado ser de ayuda entodos los tipos de ambientes de manufactura (y
de servicio), con la salvedad de que algunos tipos de manufactura ofrecen mayores oportunidades que otros. La
siguiente tabla lista las mejoras estimadas para distintos tipos de manufactura:
Porcentajes estimados de mejoras para distintas industrias como un resultado de la implementacin de JIT
Productos
automotrices
Impresos
Productos
de moda
Equipos
mecnicos
Componentes
elctricos
Rango
89
86
92
83
85
83-92
Materias Primas
35
70
70
73
50
35-73
En proceso
89
82
85
70
85
35-73
Prod. Terminados
61
71
70
100
0-100
Tpo. de Cambio
75
75
91
75
94
75-94
Directa
19
50
0-50
Indirecta
60
50
21
38
21-60
Reducciones
Manufactura
Tiempo Perdido
Inventario
Mano de obra
29
Espacio
53
Costo de Calidad
50
Mat. Comprados
Capac. Adicional
22
?-22
39
80(Est.)
39-80
63
61
33
26
26-63
11
36
42
0-42
6-11
10
11
Costos de valuacin
Inspeccin y prueba del material de entrada
Inspeccin y prueba del Producto
Materiales y servicios consumidos
Mantenimiento de la precisin del equipo de prueba
12
Figura 2. Esquema clasificador de los Costos de la calidad. Fuente: Comit de costes de la calidad, ASQCet al. (1992).
13
Figura 3. El modelo tradicional de los Costos de la calidad. Fuente: Rao et al. (1996)
Se observa en la figura que existe un punto mnimo para los costos totales de la calidad. Ese extremo se verifica
para algn valor de la calidad de conformidad menor que el 100%. Para valores bajos de calidad de conformidad,
sta se puede incrementar significativamente con pequeas inversiones en prevencin y evaluacin. Sin
embargo, al acercarse la conformidad al 100%, los costos de prevencin y evaluacin tienden a infinito.
Por el contrario, los costos de falla disminuyen gradualmente, hasta alcanzar un valor nulo, cuando la
conformidad se acerca al 100%.
MODELOS ALTERNATIVOS
El modelo emergente
El modelo emergente de los costos de la calidad es una derivacin del modelo tradicional y, al igual que ste, presta
atencin exclusiva a los costos de conformidad y no conformidad, es decir, a los estndares. El modelo emergente,
esquematizado en la Figura 4, responde mejor a las tendencias de gestin actuales y busca superar
algunas de las limitaciones del modelo tradicional Se destacan los siguientes aspectos:
1.
Se presta mayor inters a la prevencin y evaluacin, de modo de poder realizarlas an cerca del 100% de
conformidad;
2. Los costos de prevencin y evaluacin son relativamente proporcionales al nivel de conformidad y
no se disparan cuando ste se aproxima al 100%.
3. La cada de los costos de falla interna y externa tambin es menos abrupta que en caso del modelo
tradicional, debido a un aumento en la fiabilidad de los nuevos materiales y procesos de fabricacin.
4. El menor costo de la calidad se obtiene cuando la conformidad se acerca al 100%.
14
Ejemplo de costos:
En la fabricacin de una determinada pieza con una tasa produccin de 200 piezas diarias y un costo de fabricacin
de $25000 la pieza, se detect que el 80% de las piezas cumplan con las especificaciones de calidad y el 20%
tenan alguna no conformidad o defecto. De este 20% el 70% eran reprocesables a un costo de $5000 la pieza.
Mediante de la implementacin de un nuevo control estadstico de calidad se consigui reducir el porcentajes de
piezas no conformes o defectuosas al 5 %, un 70% de las cuales eran reprocesables. El nuevo sistema de control
estadstico del proceso se evala en $50000 el da y el fabricante percibe $29000 por pieza fabricada y vendida.
Hallar produccin de piezas, costos antes y despus del sistema de control estadstico del proceso y el beneficio
recibido.
: 200 25.000 = 5.000.000
Antes:
% = 20%
% = 0.20 200
= 40
. = 0.70 40
= 28
= 28 5.000
= 140.000
= 28 5000 + 200 25.000
15
5.140.00
= 27340.42/
188
= 200 40 28
= 188
= 188 29.000
= 5.452.000
= 5.452.000 5.000.000 140.000
= 312.000
Despus
% = 5%
% = 0.05 200
= 10
. = 0.70 10
= 7
= 7 5.000
= 35.000
= 7 5000 + 200 25.000 + 50.000
= 5.085.000
= 200 10 7
= 197
=
5.085.000
= 25812,37/
197
= 197 29.000
= 5.713.000
= 5.713.000 5.000.000 35.000 50.000
= 628.000
Nota: Todo en unidades monetarias.
16
CAPTULO 2
HERRAMIENTAS ESTADSTICAS PARA LA CALIDAD
17
18
19
= .
2
1 =
1 = .
= .
LA MODA
Indica el valor que ms se repite, o la clase que posee mayor frecuencia. En el caso de que dos valores presenten la
misma frecuencia, decimos que existe un conjunto de datos bimodal. Frmula para determinar la moda para tablas
de frecuencia.
= 1 +
1
1 + ( 1 )
Donde 1 equivale al lmite superior del intervalo anterior donde se encuentra la Moda.
MEDIDAS DE DISPERSIN
Las medidas de dispersin permiten reconocer que tanto se dispersan los datos alrededor de un punto central; es
decir, nos indican cuanto se dispersan o separan las observaciones alrededor de su valor central. Las medidas de
dispersin ms importantes y las ms utilizadas son la Varianza y la Desviacin estndar.
Desviacin Estndar:
)2
1
20
+ Probabilidad de que ocurra por lo menos uno de los dos eventos o, lo que es lo mismo, de que
ocurra A o B, o ambos simultneamente.
Eventos mutuamente excluyentes: A y B son eventos mutuamente excluyentes cuando no pueden ocurrir
simultneamente, o sea que no existen puntos muestrales que pertenezcan simultneamente a ambos.
Eventos Independientes: A y B son dos eventos independientes cuando la ocurrencia o no ocurrencia de uno de
ellos no afecta la probabilidad de ocurrencia o no ocurrencia del otro.
En estos casos,
= ,
= ()
Teorema de la Adicin:
Si aplicamos la definicin bsica de probabilidad para el caso de experimentos equiprobables, tenemos que:
+ =
# +
#
=
21
( ) ()
=
()
()
Y se obtiene que: = ( )
Si se intercambia el orden de los eventos, se llega tambin a esta otra expresin del teorema de multiplicacin:
= ( )
Si A y B son eventos independientes, entonces:
=
22
( )
=
1 + 2 + +
( )
=1 ( )
Distribuciones Discretas: Se utilizan cuando el parmetro que se est midiendo slo puede asumir ciertos
valores dentro de un intervalo.
23
=1
2 = () =
=1(
)2
Ejemplo: Cuando se lanza un dado de seis caras, la funcin de masa de la variable aleatoria es:
1
= = ;
6
= 1,2,3,4,5,6
1+2+3+4+5+6
= 3.5
6
Distribucin Binomial
Un experimento aleatorio que consta de n ensayos repetidos, tales que:
1.
Los ensayos son independientes, es decir el resultado de cada ensayo no depende del resultado de ensayos
anteriores.
2. Cada ensayo produce nicamente dos resultados posibles, etiquetados como xito y fracaso.
24
(1 ) ,
= 0, 1, ,
p = Probabilidad de xito.
1 - p = Probabilidad de fracaso
x = Nmero de xitos deseados
n = Nmero de ensayos efectuados
Para indicar que una variable X es una binomial de parmetros n y p, se escribir X B(n, p).
Ejemplo:
Se tiene una lnea de produccin de cilindros para gas natural vehicular. Se sabe que la probabilidad de que un
cilindro sea defectuoso es de 0,02. Adicionalmente para el jefe de produccin es conocido que el primer cilindro que
se fabrica al da es defectuoso debido a la calibracin de la maquinaria. Encuentre la probabilidad de obtener ms de
dos cilindros defectuosos en los primeros dos cilindros que se fabrican en un da.
=
= 10 1 = 9
% = 0,02
= > =
=0
=1 2 = 1
=0
9
(0,02) (1 0,02)9
25
9
(0,02)0 (1 0,02)90 = 0,8337
0
=1 =
9
0,02
1
=2 =
9
2
1 0,02
91
= 0,1531
= , + , + , = , = ,
Distribucin Geomtrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad constante de xito p, sea la variable
aleatoria X el nmero de ensayos hasta la obtencin del primer xito. Entonces X tiene una distribucin geomtrica
con parmetro p y
= (1 )1
= 1,2, .
Si X es una variable aleatoria geomtrica con parmetros p, entonces la media y la varianza de X son:
= = 1 2 = =
(1 )
Distribucin Hipergeomtrica
Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n
ensayos; pero que a diferencia de la distribucin binomial, aqu los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una poblacin finita; por esto es que el resultado de una observacin es
afectado por el resultado de observaciones anteriores.
Un conjunto de N objetos contiene:
K objetos clasificados como xitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamao de n objetos, al azar (sin reemplazo) de entre los N objetos, donde
y
Sea que la variable aleatoria X denote el nmero de xitos en la muestra. Entonces X tiene una distribucin
hipergeomtrica, con:
26
= 0,1,2, , (, )
Si X es una variable aleatoria hipergeomtrica con parmetros N, K y n, entonces la media y la varianza de X son:
= = 2 = = (1 )
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubera local y 200 unidades de un proveedor de tuberas del estado
vecino. Si se seleccionan cuatro piezas al azar y sin reemplazo Cul es la probabilidad de que todas sean del
proveedor local?
Sea X igual al nmero al nmero de piezas de la muestra del proveedor local. Entonces, X tiene una distribucin
hipergeomtrica y la probabilidad pedida es P(X=4). Por consiguiente:
100 200
0 = 0.0119
=4 = 4
300
4
Cul es la probabilidad de que dos o ms piezas de la muestra sean del proveedor local?
100 200
100 200
100 200
2 + 3
1 + 4
0 = 0.408
P X4 = 2
300
300
300
4
4
4
Cul es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
100 200
4 = 0.196
X1 =1P X=0 =1 0
300
4
Distribucin de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy pequea en cualquier instancia
especfica, pero a la vez, el nmero de instancias posibles sea enormemente grande, la distribucin de los sucesos
se realiza mediante la distribucin de Poisson.
Dado un intervalo de nmeros reales, suponga que el conteo de ocurrencias es aleatorio en dicho intervalo. Si puede
hacerse la particin del intervalo en subintervalos con una longitud suficientemente pequea tales que
27
= 0, 1, 2,
Si X es una variable aleatoria de Poisson con parmetro entonces la media y la varianza de X son:
= = 2 = () =
Ejemplo:
La contaminacin constituye un problema en la fabricacin de discos de almacenamiento ptico. El nmero de
partculas de contaminacin que ocurre en un disco ptico tiene una distribucin de Poisson y el nmero promedio
de partculas por centmetro cuadrado de superficie del disco es 0.1. El rea de un disco bajo estudio es 100 cm 2.
Encuentre la probabilidad de que ocurran 12 partculas en el rea del disco bajo estudio.
Sea que X denote el nmero de partculas en el rea de un disco bajo estudio. Puesto que el nmero promedio de
partculas es 0.1 partculas por cm2.
Por lo tanto,
= 1002 0.1 2 = 10
P X = 12 =
10 12
= 0.095
12!
28
1
2
( )2
2 2
< <
Tiene una distribucin normal con parmetros , donde < < y > 0. Adems
= = 2
Para graficar la funcin de densidad de probabilidad de una distribucin normal, en el eje horizontal se levantan
perpendiculares en dos puntos a y b, el rea bajo la curva delimitada por esas lneas indica la probabilidad de que la
variable de inters X, tome un valor cualquiera en ese intervalo. Puesto que la curva alcanza su mayor altura en
torno a la media, mientras que sus "ramas" se extienden asintticamente hacia los ejes, cuando una variable siga
una distribucin normal, ser mucho ms probable observar un dato cercano al valor medio que uno que se
encuentre muy alejado de ste.
Grfica de la Distribucin de Probabilidad Normal
A una variable aleatoria normal con = 0 y 2 = 1 se le llama variable aleatoria normal estndar. Una variable
aleatoria normal estndar se denota como Z.
La funcin de distribucin acumulada de una variable aleatoria normal estndar se denota como
= ( )
Existen un sinnmero de distribuciones de probabilidad normal, cada una de las distribuciones puede tener una
media () o una desviacin estndar distinta (). Por tanto, el nmero de distribuciones normales es ilimitado y
sera imposible proporcionar una tabla de probabilidades para cada combinacin de y .
Para resolver este problema todas las distribuciones de probabilidad normales se relacionan algebraicamente a una
distribucin normal estndar, haciendo antes una transformacin simple.
Primero, convertiremos la distribucin real en una distribucin normal estndar utilizando un estadstico Z, as:
Es una variable aleatoria normal con = 0 = 1. Es decir, Z, es una variable aleatoria normal
estndar.
=
29
16 25
= < 2.81 = 0.0025
3.2
Lo que implica que el 0.25% de los resistores tienen una resistencia inferior a 16 ohmios.
b) Qu porcentaje de resistores tendrn una resistencia superior a 35 ohmios?
35 25
= > 3.13 = 1 < 3.13
3.2
= 1 0.9991 = 0.0009
> 35 = >
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a 35 ohmios.
c) Qu porcentaje de resistores tendrn una resistencia entre 20 y 32 ohmios?
20 25
32 25
<<
= 1.56 < < 2.19
3.2
3.2
= < 2.19 < 1.56 = 0.9857 0.0594 = 09263
20 < < 32 =
Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y 32 ohmios.
d) Por encima de qu valor est el 10% de los resistores con mayor resistencia?
< = 1 0.1 = 0.5
= 1.28
= + = 29.10
30
12
22
1
2
Por ejemplo p21 es la probabilidad de estar en el estado 1 en el siguiente paso, dado que en este momento se
encuentra en el estado 2. La matriz P se llama matriz de transicin homognea porque todas las probabilidades
pijson fijas, independientes del tiempo. Las probabilidades pijdeben satisfacer las condiciones:
= 1, 0
Las cadenas de markov se utilizan para hallar probabilidades luego que haya pasado n cantidad de tiempo. Esto se
realiza para cualquier das en el futuro en que se quiera hacer la prediccin seda que P2=PxP el cual corresponde a
las probabilidades de transicin en dos pasos, por tanto si P3 corresponde a tres pasos y P4, P5 Pncorresponde a
las probabilidades de 4, 5 y n pasos. La matriz Pn se conoce como la matriz de transicin en n pasos de la cadena de
Markov.
Una matriz de transicin P se dice que es regular si para algn entero positivo k, la matriz Pk no tiene elementos
iguales a cero. Si P es una matriz de transicin regular, entonces sin importar la matriz de estado inicial, las
matrices de estado sucesivas se aproximan a alguna matriz de estado fija B en donde B.P = B. La matriz B se
denomina matriz estacionaria del sistema:
= 1 , 2 ; =
. = 1 , 2
11
21
11
21
1
12
22
12
22
1
2
1
2
= (1 , 2 )
31
2
c. = 1 , 2 , 3
32
0
3
4
1
1 , 2 , 3
1
2
2
1
0
4
0
0
= 1 , 2 , 3
41 32 43 = 0
1 22 = 0
21 + 2 43 = 0
1 + 2 + 3 = 1
Solucionando, tenemos:
1 =
8
4
5
; 2 =
; 3 =
17
17
17
se
puede
calcular
la
probabilidad
Con este valor de probabilidad se puede encontrar la frecuencia esperada para la clase , es decir, la cantidad
de datos que segn el modelo especificado deberan estar incluidos en la clase :
= ,
= , , ,
33
=
=
( )
16,2
16
15,8
16,1
15,7
15,8
15,5
16,2
16,2
16,5
16,1
16,1
15,98
16
15,98
16,02
16
15,94
0,28635642
0,24494897
0,20493902
0,37013511
0,28284271
0,11401754
34
16,3
16,1
15,9
15,8
16,3
15,9
16,2
16,4
15,6
15,7
16
15,5
15,6
16,7
15,8
16,3
15,8
16,2
15,6
15,9
16,1
16,2
16,1
15,9
15,7
16,1
16,1
15,9
15,9
15,7
15,8
16,2
16,4
15,7
16,1
15,9
15,8
15,8
15,7
16,2
15,9
15,6
15,6
16
16
16,1
15,9
15,6
16
15,7
15,6
15,9
16,2
16,2
16
16,2
Promedio
15,78
15,94
15,88
16,08
16,04
15,76
16,06
15,96
15,78
15,86
15,94
16
15,92
16,16
15,954
0,37013511
0,28809721
0,083666
0,16431677
0,32093613
0,13416408
0,11401754
0,33615473
0,20493902
0,11401754
0,23021729
0,29154759
0,19235384
0,42778499
0,23877938
Pasos:
1.
1,4
=
= 0,175
intervalos de clase
INF
15,3
15,475
15,65
15,825
16
frecuencia
SUP
15,475
15,65
15,825
16
16,175
1
13
20
29
26
35
16,175
16,35
16,525
16,35
16,525
16,7
20
4
1
, ,
,
= , = ,
15,65 15,954
0,23877
15,475 15,954
0,23877
= , , = ,
=
15,825 15,954
0,23877
15,475 15,954
0,23877
= , , = ,
As sucesivamente, los datos se muestran en la tabla siguiente:
k
Z acumulado
1
2
3
4
5
6
7
Intervalos de clase
INF
SUP
15,3
15,475
15,475
15,65
15,65
15,825
15,825
16
16
16,175
16,175
16,35
16,35
16,525
-2,006
-1,273
-0,540
0,192
0,925
1,658
2,391
Probabilidad
P(Z<z)
0,02242621
0,07905766
0,19302925
0,28186894
0,24627553
0,12872752
0,04022113
16,525
3,124
0,00750238
16,7
36
Intervalos de clase
INF
15,3
15,475
15,65
15,825
16
16,175
16,35
16,525
1
2
3
4
5
6
7
8
SUP
15,475
15,65
15,825
16
16,175
16,35
16,525
16,7
Frecuencia
Observada
Frecuencia
Esperada
1
13
20
29
26
20
4
1
2
8
19
28
25
13
4
1
100
Debido que es una condicin necesaria que _i,E_i5, entonces los datos observados del intervalo 1 se le suma al
intervalo 2, de la misma manera 6, 7 y 8 se suman y luego se le aplica el estadstico de la chi cuadrada.
K
intervalos de clase
Frecuencia
Observada
Frecuencia
Observada
INF
SUP
15,3
15,65
14
10
1,6
15,65
15,825
20
19
0,05263158
15,825
16
29
28
0,03571429
16
16,175
26
25
0,04
16,175
16,7
25
18
2,72222222
4,45056809
37
= . + . + . + , + . = .
Chi de la tabla: ,, = ,
Por lo tanto como el estadstico observado es menor que el estadstico de la tabla ( = . <
,, = , ), se acepta la hiptesis nula.
Histograma.
Diagrama de Pareto.
Diagrama de causa y efecto.
Diagrama de dispersin.
Cartas de verificacin.
Diagrama de concentracin de defectos.
Cartas de control.
2.7.1. Histograma
En muchos casos, si los datos han sido tomados de forma correcta, se puede obtener conclusiones a partir de los
mismos de forma inmediata; pero si no es as, con frecuencia puede ser necesaria una adecuada representacin
grfica de los mismos. El histograma es una representacin grfica de los datos en la que se puede observar:
1.
Forma.
Simtrica
Asimtrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
38
39
1. Construir el histograma.
2. Adems se puede calcular la media y la varianza de los datos, utilizando las siguientes frmulas:
Para la media:
=
Para la desviacin:
2 [( )2 ]
40
Ejes verticales.
a) Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general.
b) Eje derecho: Marque este eje con una escala desde 0% hasta el 100%.
2)
Eje horizontal.
Divida este eje en un nmero de intervalos igual al nmero de tems clasificados.
41
42
43
44
En este diagrama se puede observar los defectos de terminado superficial que se identifican como las reas
sombreadas oscuras en el refrigerador. Al inspeccionar el diagrama parece claro que el manejo de material es el
causante de la mayora de estos defectos. La unidad se mueve fijando un cinturn en la parte media y este cinturn
est muy flojo(o muy apretado), desgastado, est hecho de un material abrasivo o es demasiado angosto. Adems,
cuando la unidad se mueve se estn daando las esquinas. Es posible que la fatiga del trabajador sea un factor en
este proceso. De cualquier modo, los mtodos de trabajo apropiados y el manejo mejorado de los materiales
probablemente mejorarn este proceso sustancialmente.
2.7.7. CASITA DE LA CALIDAD
La casa de la calidad es un mtodo grfico mediante el cual se relacionan las necesidades del cliente con los
atributos del diseo. Utilizando una estructura matricial se puede determinar los grados de relacin entre los
deseos de los clientes y el cmo llevarlos a cabo en la realizacin del producto. De cara a nuestro caso particular
es importante dejar definido tanto el producto sobre el cual vamos a construir la casa de la calidad como quienes
son los clientes.
Esto simplemente nos permite evaluar las necesidades de los clientes, basndose en encuestas, entrevistas, etc.,
para centrar las necesidades prioritarias y saber cmo centrar los esfuerzos en el rediseo del proceso de
negocios.
Pasos para construir la casita de la calidad:
45
46
Los tipos de cartas de control y la manera de utilizarlas ser una temtica tratada a profundidad en el captulo 4 de
este mdulo.
47
CAPTULO 3
ANLISIS DE CAPACIDAD DE PROCESOS
48
DEFINICIONES BSICAS
Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos, materiales y personas
involucradas en la produccin.
Capacidad del proceso:Es la aptitud del proceso para producir productos dentro de los lmites de especificaciones
de calidad.
Estado de control:Un proceso se dice que se encuentra bajo control estadstico si slo se ve afectado por un
conjunto de causas aleatorias de variacin.
Si el proceso se encuentra afectado por causas asignables de variacin, se dice que est fuera de control.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de datos que, a
su vez, son el resultado de la medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se encuentra en
estado de control estadstico, es decir, en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan cierta variabilidad, cuando
el proceso est bajo control, solo actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal:Las caractersticas de calidad tienen un valor ideal ptimo que es el que desearamos que tuvieran
todas las unidades fabricadas pero que no se obtiene, aunque todo funcione correctamente, debido a la existencia
de la variabilidad natural.
49
50
Y - AXIS
X - AXIS
51
a. Cambio repentino debido al ajuste de la herramienta, cambio en las caractersticas de la materia prima.
b. Interrupcin, durante la cual la mquina se enfra y luego gradualmente se calienta de nuevo hasta que se
restablece la dimensin original.
c. Puesta en marcha de una mquina el lunes en la maana con el correspondiente ajuste del equipo.
d. Ajustes frecuentes o correccin.
e. Cambios en la dispersin y en la cota debido a cambios en las condiciones de operacin o cambios en la
materia prima.
La mayor parte de los procesos industriales, especialmente en las industrias de procesos qumicos, funcionan bajo
estado e control estadstico. Para estos procesos, la capacidad del proceso calculada de 6 puede ser comparada
diferente a las especificaciones y se puede hacer juicio sobre su adecuacin. Sin embargo la mayora de los
procesos industriales muestran desviaciones y cambios repentinos. Estas desviaciones de lo ideal son un hecho real
y deben tenerse en cuenta en el momento de calcularse los ndices de capacidad del proceso.
52
53
En la manufactura hay tres fases importantes sobre cualquier producto: diseo, produccin, e inspeccin. Las
especificaciones generalmente son establecidas en la fase de diseo, y durante la produccin se intentan cumplir
esas especificaciones. Finalmente, durante la inspeccin se determina el grado con el cual las unidades producidas
cumplen las especificaciones.
En el anlisis de capacidad del proceso se utilizan tres tcnicas principales: histogramas, graficas de probabilidad,
cartas de control y experimentos diseados.
3.3.1. INDICE DE CAPACIDAD POTENCIAL, Cp
Es un conjunto de indicadores que definen que tan capaz es un proceso de cumplir las especificaciones establecidas
por el cliente. Se puede decir tambin que es una forma cuantitativa simple para expresar la capacidad del proceso.
Su valor est dado a partir de una relacin entre la Tolerancia de las especificaciones del proceso, determinadas
por peticin del cliente, y la variabilidad natural del proceso, para este caso seis sigma (6).
Para el clculo del Cp
Determine el lmite de especificacin superior (LSE) y el lmite de especificacin inferior (LIE).
Calcule la desviacin estndar y el promedio del proceso.
El ndice Cp mide la capacidad potencial, suponiendo que el promedio del proceso es igual al punto medio de los
lmites de especificacin y que el proceso est operando bajo control estadstico.
=
=
3 + 3
6
En este orden de ideas, de acuerdo al valor que tome el ndice de capacidad Cp , los procesos pueden clasificarse de
la siguiente manera:
NOTA:El Cp solo compara el ancho de las especificaciones con la amplitud de la variacin del proceso, por lo que NO
mira cuan bien est centrado el promedio del proceso con relacin al valor de la meta.
Si la variacin del proceso es mayor que la amplitud de las especificaciones, entonces el Cp es menor que uno; es
evidencia de que no se est cumpliendo con las especificaciones. Por el contrario si el ndice Cp es mayor que uno,
entonces es evidencia de que el proceso es potencialmente capaz de cumplir con las especificaciones.
54
55
3
3
Donde:
:Capacidad de proceso teniendo en cuenta nicamente la especificacin superior del proceso.
LIE: Limite de especificacin inferior de la variable
LSE: Limite de especificacin superior de la variable.
: Valor promedio encontrado de los datos
: Desviacin estndar del proceso
y solo evalan la mitad de la distribucin de los datos teniendo en cuenta solo 3. Es til cuando la
especificacin de la variable, solo se expresa como un mximo o como un mnimo, para indicar al analista en que
sector de la especificacin (superior o inferior) se presenta ms riesgo de incumplimiento de los valores
establecidos.
Los valores de Cpk, son ampliamente utilizados como indicadores de la calidad de un proceso o producto. El valor de
Cpk = 1.33 se ha establecido como un parmetro deseado porque la obtencin de este valor en un proceso o
producto significa que por cada 10000 mediciones 3 de ellas existe la probabilidad estadstica que se encuentre
fuera de los limites d especificacin.
56
La relacin entre los parmetros de la variable y los lmites de especificacin. Incluyendo los valores de Cpk que
pueden asumir segn su comportamiento frente a las especificaciones:
a. El proceso no est en capacidad de cumplir con las especificaciones.
b. Proceso cuyo centro esta desplazado y el proceso est en peligro de generar producto fuera de la
especificacin, sin embargo la amplitud del proceso indica que este puede cumplir la tolerancia demarcada
por las especificaciones.
c. En este caso ya se han presentado productos fuera de las especificaciones, generando no conformidades
del proceso
Desviacin estndar
a.
Frecuencias
Promedio Aceptable
Especificaciones
Frecuencia
s
Cuando el problema est en centrar correctamente el proceso con respecto a las especificaciones, la
administracin debe investigar las causas de la mala direccin tcnica del proceso.
Especificaciones
Medidas
b.
Medidas
57
Desviacin estndar
C.
Potencialmente aceptable
Frecuencia
s
Medidas
Desviacin estndar
d.
muy grande
Frecuencia
s
Promedio aceptable
Especificaciones
Frecuencia
s
Especificaciones
Medidas
e.
Medidas
58
59
Esquema general para implementacin de un programa de control estadstico o para el mejoramiento de los
procesos con base en esta herramienta.
60
Luego,
% = > = 1 <
Para el lmite inferior:
=
Luego,
% = <
De esta manera, la cantidad total de productos no conformes es la suma de la proporcin por cada uno de los
lmites.
En el momento de hallar , se debe tener en cuenta que si el primer valor es mayor que 1, entonces la
proporcin de productos no conformes por el lmite superior es tan insignificante que no se tiene en cuenta, de igual
forma sucede con el segundo valor pero para el porcentaje de productos no conformes por el lmite inferior.
Para un proceso que genera una proporcin de productos no conformes como el siguiente, se pueden considerar las
siguientes alternativas para disminuir la fraccin de productos no conformes:
LSE
Proc
eso
B: estndar
Reducir la desviacin
CPk=
1
LIE
LSE
61
LIE
LSE
LIE
LSE
Cmo hacer una recoleccin de datos para hacer un anlisis de capacidad o cualquier estudio estadstico?
Para la recoleccin de los datos se toman k muestras de tamao n, en un tiempo determinado por das, horas o
minutos, segn los requerimientos del proceso, la media, la desviacin estndar y el recorrido de los datos se
obtienen de la siguiente manera:
1
2
3
4
5
1
3,4
-
4
3,8
-
3,65
-
3,2
-
Los valores utilizados para realizar el anlisis de la capacidad del proceso son y .
El valor de la desviacin estndar se determina de la siguiente manera:
=
Donde 2 es una constante (Tabla anexo Factores para construir cartas de control para variables cuando no se da
una especificacin), su valor depende del tamao de la muestra y puede tomarse de las tablas de constantes para
el manejo de la calidad de un proceso.
62
;
/;
EJEMPLOS:
1.
/;
[
+
+
( )
( )
[ +
/;
+
( )
( )
En cierto proceso de maquinado se ha llevado una grafica sobre el dimetro de cierta parte.
Despus de verificar si el proceso est bajo control estadstico y que los datos se comportan como una distribucin
normal, se tienen los siguientes datos.
= 0,169
=5
= 0,738
= 0,5
= 0,9
a.
b.
c.
d.
Calcule los ndices Cp y Cpk y haga un anlisis completo de la capacidad del proceso.
Obtenga la proporcin esperada fuera de especificacin unilateral y de manera total.
Calcular el inciso a) y b) con el proceso centrado
Entre que valores debe oscilar , de tal manera que la fraccin de no conformes sea a lo sumo de 1%
(Ventana de Operacin).
SOLUCIN
63
0,169
= 0,0726
2,326
0,9 0,5
= 0,9182
6 0,0726
0,738 0,5
=
= 1,0927
3
3 0,0726
0,9 0,738
=
= 0,7438
3
3 0,0738
0,9 0,738
=
= 2,23 % = > 2,23
0,0726
= 1 < 2,23 = 1 0,9871 = 1,25%
Para reducir la cantidad de productos no conformes arrojados por el proceso, incurriendo en el menor costo, lo
recomendable es centrar el proceso, es decir, hacer que coincida la media del proceso con el valor nominal. Esta
tcnica resulta ms econmica que la reduccin de la variabilidad, que sera lo ideal, aunque muy costosa, pues
requiere un anlisis riguroso de las 6M de produccin (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente,
Mtodos y Materiales).
64
+ 0,9 + 0,5
=
= 0,7
2
2
0,5 0,7
=
= 2,75 % = < 2,75 = 0,003
0,0726
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2 =0,006
%PNC = 0,6%
D) La Ventana de Operacin son los valores entre los que puede oscilar , para arrojar a lo sumo una
proporcin de productos no conformes especificada. En este caso esa proporcin de productos es de 1%.
Para produccin no conforme por el lmite superior:
0,01 = 1 ( < )
< = 0.99
= 2,325
2,325 =
= 2,325
= 0,9 2,325 0,0726 = 0,7312
Para produccin no conforme por el lmite inferior:
0,01 = ( < )
= 2,325
2,325 =
= + 2,325
65
= 2,85
> = 1 < = 1 0,9978 = 0,0022
Como est centrado est arrojando la misma cantidad de productos no conformes por ambos lados tenemos
0,0022 2 = 0,0044 = 0,04%
a) Si el proceso esta descentrado a 0,15
=
+
+ 0,15
2
=
=
=
+
2
+ 0,15
2
2
2 + + 0,3
6
66
2 0,3
6
6
6
6
0,05 = 0,9
6
= 0,05
= 0,90
=
+
+ 0,15
3
0,30
2
2
2
0,3
+
6
6
= 0,95 + 0,05
= 1
= = 0,90
3. Cierto proceso tiene unas especificaciones de 75 15, se ajusta a una distribucin normal y est bajo
control estadstico con parmetros = 77 y = 4,5.
Entre que valores puede oscilar la media de tal manera que la fraccin de productos no conformes sea a lo
sumo 4%. De los artculos no conformes que excedan el lmite de especificacin superior, el 70% se
pueden reprocesar a un costo unitario de 80 U.M y quedan aceptables. Los artculos no conformes por el
lmite inferior no son reprocesables y ocasionan un costo unitario de 30 U.M. El costo de produccin de
cada artculo es de 250 U.M. Cunto cuanta producir un artculo conforme?
Solucin:
Datos:
= 77
67
90 60
=
= 1,11 > 1.
6
6 4,5
90 77
=
= 0,9629
3
3 4,5
77 60
=
= 1,2592
3
3 4,5
90 77
=
= 2,8888
4,5
60 77
=
= 3,7777
4,5
68
=> = => = = 60 4,5 1,750
= 60,7875
=> = => = = 90 4,5 1,750
= 82,125
69
28 10
=
= 0,6 < 1.
6
65
70
28 20
=
= 0,5333
3
35
20 10
=
= 0,6667
3
35
LSE x 28 20
=
= 1,60
LIE x 10 20
=
= 2
5.000.000 $ 2.000.000 $
$
+
+ (0,0227 0,70 5000)
+ (0,0548 0,80
100 kg
100 kg
$
$
3000)
+ 1000[0,0227 0,30 + 0,0548 0,20]
C. prom = 70.228,74
Cada producto tiene su presentacin por lo tanto se debe llevar cada producto a su precio de venta en kilogramos.
71
1000 $ 1000
$
= 50000
20
1
27500 $ 1000
$
= 110000
250
1
30000 $ 1000
$
= 120000
250
1
Grfica de distribucin
0,09
16
24
28
0,08
0,07
Densidad
0,06
0,05
0,04
0,03
0,02
0,01
0,00
10
15
20
X
25
30
35
Luego se debe conocer el % que se fabrica de cada producto conforme segn la concentracin de arsnico.
Para el tipo C tenemos:
=
24 20
16 20
=
= 0,8 =
=
= 0,8
24 20
28 20
=
= 0,8 =
=
= 1,6
72
16 20
10 20
=
= 0,8 =
=
= 2
= 15279,46
28 22
=
= 0,4
3
35
73
22 10
=
= 0,8
3
35
LSE x 28 22
=
= 1,20
LIE x 10 22
=
= 2,40
5.000.000 $ 2.000.000 $
$
+
+ (0,0081975 0,70 5000)
+ (0,11507
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,0081975 0,30 + 0,11507 0,20]
C. prom = 70.330,33
Como se puede observar aumentar en 2% la cantidad de arsnico en la sustancia base aumentara el costo
promedio de produccin en 101,59 $/Kg procesado con respecto al costo hallado inicialmente.
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme segn la
concentracin de arsnico con la nueva media.
Para el tipo C tenemos:
74
24 22
16 22
=
= 0,4 =
=
= 1,2
24 22
28 22
=
= 0,4 =
=
= 1,2
16 22
10 22
=
= 1,2 =
=
= 2,4
75
= 22138,59
28 18
=
= 0,667
3
35
18 10
=
= 0,533
3
35
LSE x 28 18
=
=2
LIE x 10 18
=
= 1,6
76
C. prom =
5.000.000 $ 2.000.000 $
$
+
+ (0,054799 0,70 5000)
+ (0,02275
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,054799 0,30 + 0,02275 0,20]
C. prom = 70267,39
Como se puede observar disminuir en 2% la cantidad de arsnico en la sustancia base aumentara el costo
promedio de produccin en 38,64 $/Kg procesado con respecto al costo hallado inicialmente.
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme segn la
concentracin de arsnico con la nueva media.
Para el tipo C tenemos:
=
24 18
16 18
=
= 1,2 =
=
= 0,4
24 18
28 18
=
= 1,2 =
=
=2
16 18
10 18
=
= 0,4 =
=
= 1,6
77
= 17622,11
28 10
=
=
=4=4
6
6
6 0,75
La nueva desviacin estndar es 4, ahora se sigue el mismo procedimiento que en los incisos anteriores para
encontrar el costo promedio y la utilidad bruta esperada.
=
28 20
=
= 0,667
3
34
78
20 10
=
= 0,833
3
34
LSE x 28 20
=
=2
LIE x 10 20
=
= 2,50
5.000.000 $ 2.000.000 $
$
+
+ (0,0062097 0,70 5000)
+ (0,02275
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,0062097 0,30 + 0,02275 0,20]
C. prom = 70.082,74
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme segn la
concentracin de arsnico con la nueva desviacin estandar.
Para el tipo C tenemos:
=
24 20
16 20
=
= 1 =
=
= 1
79
24 20
28 20
=
=1 =
=
=2
16 20
10 20
=
= 1 =
=
= 2
20
= 2000
80
2000
$
2000
1.200.000
= 1.553.940
Ahora se trae la utilidad bruta que se calcul en el inciso c para compararla con esta.
= 15279,46
$
2000
= 30.558.920
No vale la pena alquilar la maquinaria nueva pues sin la nueva maquinaria obtengo una utilidad bruta de 30, 558,920
$/mes mucho mayor a si la alquilara. Este se debe a que con la nueva maquinaria se producira ms producto tipo c,
el cual tiene el precio de venta ms pequeo en comparacin con los de sus productos hermanos.
Considerar los dos procesos que se presentan a continuacin con un tamao de muestra n:5:
Proceso 1:
= 100
= 3
Proceso 2:
= 105
= 1
Las especificaciones son 100 10. Calcular Cp, Cpk y Cpu e interpretar estos ndices Qu proceso preferira
usarse? Porque?
2. Un proceso con una distribucin normal tiene las especificaciones LSE=75 y LIE=85 en la salida. Una
muestra aleatoria de 25 partes indica que el proceso est centrado en la banda de las especificaciones y
que la desviacin estndar es S=15.
a. Encontrar una estimacin puntual de Cp.
b. Encontrar un intervalo de confianza de 95% para Cp comentar la anchura de este intervalo.
3. Un proceso de manufactura tiene una tolerancia de 60 y solo es consumido el 80% de esta. La media del
proceso es 214 y est a 1.75 desviaciones estndares por encima del valor nominal.
a. Cul es el porcentaje de productos no conformes?
b. Qu Valor en la media del proceso permitirn que se produzcan al menos el 95% de productos
conformes?
81
Fi
1
82
0
4
14
43
51
44
25
14
4
0
200
Entre que valores puede oscilar de tal manera que la fraccin de no conformes sea a lo sumo 10%?
De los lotes no conformes que exceden el lmite superior de especificacin el 60% de ellos se pueden
reprocesar a un costo unitario de 80 u.m y quedan aceptables. Los lotes no conformes por el lmite
inferior son reprocesables en un 90% y ocasionan un costo unitario adicional de 30 u.m el costo de
produccin de cada lote es de 300 u.m Cunto cuesta producir un lote conforme?
7. Un proceso est bajo control con X=75 y =2. Las especificaciones del proceso son 808. El tamao de
la muestra es n=5.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. Cunto podra reducirse la porcin cada del proceso cambiando la media a la dimensin
nominal? Suponer que la caracterstica de calidad tiene una distribucin normal.
d. Para este proceso productivo, resulta muy costoso reprocesar aquellos productos que no
cumplen las especificaciones por el lmite inferior. cmo minimizara los costos ocasionados por
los productos no conformes por este lmite? Justifique.
8. Un proceso tiene un ndice de capacidad Cp=2, pero la media est a dos desviaciones tpicas por encima
del lmite superior de especificaciones, Cul es la probabilidad de fabricar un producto dentro de los
lmites de especificacin?
9. Cul es el Cp de un proceso que produce un 10% de productos no conformes, si por fuera de uno de los
lmites de especificacin hay un 6% ms de productos no conformes que por el otro?
10. Un proceso est bajo control estadstico con = 100, = 2 = 5, las especificacines del
proceso son 95 10. La caracterstica de a calidad tiene una distribucin normal.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. Cunto podra reducirse la porcin de productos no conformes si la media del proceso toma el valor
nominal?
11. Un proceso de llenado de bolsas de harina est generando en total 15% de productos no conformes con
relacin al peso mnimo y mximo de la bolsa llena.La cantidad de productos no conforme por uno de los
lmites de especificacin es el doble con relacin a la cantidad de productos no conformes que se generan
por el otro lmite de especificacin
a. Calcule la capacidad general del proceso
83
84
85
+
2
86
CAPTULO 4
CARTAS DE CONTROL
En este captulo se presente todo lo relacionado con los conceptos y dems aspectos
de las distintas Cartas de Control con las cuales se pueden detectar lo antes posible
cambios en el proceso que puedan dar lugar a la produccin de unidades defectuosas.
87
4.
CARTAS DE CONTROL
4.1.
GENERALIDADES
Las cartas de control son la herramienta ms poderosa para analizar la variacin en la mayora de los procesos.
Han sido difundidas exitosamente en varios pases dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atencin en identificar las variaciones del proceso debido a la entrada
causas especiales. Adems, sirven para determinar de manera sencilla si un proceso se encuentra bajo Control
Estadstico.
Se dice que un proceso est bajo Control Estadstico cuando presenta causas comunes de variacin nicamente,
cuando ocurre esto tenemos un proceso estable y predecible. Cuando existen causas especiales el proceso est
fuera de Control Estadstico; las grficas de control detectan la existencia de estas causas en el momento en que se
dan, lo cual permite que se puedan tomar acciones al momento.
4.1.1.
TIPOS DE CAUSAS
Causas Especiales: Son causas que pueden ser identificadas y que se necesitan descubrir y eliminar; por ejemplo,
el desgaste en una herramienta de corte utilizada en el proceso de ensamblado de alguna pieza. Estas causas
provocan que el proceso no funcione con su variabilidad natural; por lo tanto, es necesario intervenir el proceso. El
objeto del Control Estadstico de Calidad, es encontrar y separar estas Causas Asignables, as estas no afecten
considerablemente el proceso. Estas causas se comportan de manera irregular e inestable en el tiempo, por lo que
resultan imprevisibles. Cuando existen puntos que se encuentran fuera de los lmites de control o los puntos
mustrales marcan tendencias, decimos que el proceso est fuera de control.
Causas comunes: La caracterstica principal que define a este tipo de causas es que actan constantemente, de
una forma estable, provocando una variabilidad homognea y sobre todo previsible. Son causas que aparecen y
desaparecen de forma aleatoria, produciendo una variabilidad regular que podemos disminuir pero no eliminar. Este
tipo de causas son inevitables en el proceso y tratar de eliminarlas puede resultar estril y en la mayora de los
casos extremadamente caro. Por lo que no pueden ser reducidas o eliminadas a menos que se modifique el proceso.
Por otra parte estas variaciones dentro de ciertos lmites pueden ser totalmente tolerables y no causan reales
disminuciones en la calidad del producto. Estas variaciones se aceptan y se les consideran inherentes al proceso.
Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias no controladas
(causas no asignables) se dice que est funcionando bajo control estadstico.
4.2.
A continuacin se muestra una carta de control tpica, que representa alguna caracterstica de calidad de un
producto.
88
Lnea Central (LC): Esta lnea representa el valor promedio de la caracterstica de calidad que corresponde al
estado bajo control.
Lmite de Control Superior (LCS) y Lmite de Control Inferior (LCI): Representan el valor mximo y mnimo que
debe tomar la caracterstica de calidad que se est analizando, para considerar que el proceso se encuentra bajo
control estadstico. Estos valores, son calculados matemticamente, y la forma de calcularlos as como los
parmetros que se utilizan para ello, depende del tipo de carta que se dese construir.
4.3.
Cuando un proceso est en control estadstico puede predecirse su desempeo respecto a las especificaciones. En
consecuencia, tanto el productor como el cliente pueden contar con niveles consistentes de calidad y ambos pueden
contar con costos estables para lograr ese nivel de calidad.
4.4.
89
4.5.
Una carta de control puede indicar una condicin fuera de control an cuando ningn punto particular se localice
fuera de los lmites de control. Esto quiere decir que los datos graficados no siguen un patrn aleatorio o no
sistemtico. En esta seccin, analizaremos algunos de esos patrones que se pueden presentar y que indicaran que
el proceso no se encuentra bajo control.
Dependiendo del patrn que se presente, se pueden hacer inferencias y hacer que el analista centre la bsqueda de
las causas especiales sobre algn aspecto en particular del proceso, as mismo, la informacin obtenida puede
utilizarse para la toma de acciones de tipo correctivo y preventivo en el futuro. Es importante aclarar, que los
patrones de comportamiento deben ser eliminados para que se pueda considerar que el proceso se encuentra bajo
control.
En general, los grficos de control se limitan a registrar la variabilidad existente.
Nuestra labor consistir en interpretar la informacin que nos proporcionan, identificando las posibles variaciones
y anomalas que pueden presentarse y aplicando las medidas convenientes en cada caso. A continuacin se
muestran los patrones ms comunes en las cartas de control.
Punto fuera de control
Un punto nico o varios por fuera de los lmites indican que el proceso no se encuentra bajo control estadstico.
Casi siempre son originados por la intervencin de una causa especial de variacin. Cuando son pocos puntos los
que caen por fuera, se proceden a eliminarlos de la carta y volver a calcular los lmites de control. A este
procedimiento se le conoce como cepillado
90
91
que
92
Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas estadsticas, sino tambin
tener un conocimiento profundo del proceso.
4.6.
Para que tenga sentido la aplicacin de los grficos de control, el proceso ha de tener una estabilidad suficiente que,
an siendo aleatorio, permita un cierto grado de prediccin. En general, un proceso catico no es previsible y no
93
4.7.
Existe una estrecha relacin entre las cartas de control y la prueba de hiptesis; si decimos que:
:
1 :
Cuando un punto se localiza dentro de los lmites de control es equivalente a no poder rechazar la hiptesis de
control estadstico, y cuando un punto se localiza fuera de los lmites de control es equivalente a rechazar la
hiptesis de control estadstico.
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o errores.
o : Decir que el proceso est fuera de control, cuando en realidad no lo est, es decir.
o : Decir que el proceso est bajo control, cuando en realidad no lo est. Es decir.
94
As mismo el error tipo 1 representa el complemento de la confiabilidad con la que se maneja la prueba de hiptesis
y el error tipo 2 el complemento de la potencia que tiene la carta para detectar puntos por fuera de los lmites de
especificacin.
Entonces:
La potencia:1 ; es1 = {h0| 0 }
La confiabilidad:1 ; es 1 = {h0 |0 }
Estos riesgos son inversamente proporcionales, puesto que cuanto ms confiable se es, la potencia disminuye, y
cuanto ms potente se es la confiabilidad es menor.
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se incrementa el riego de
error tipo II y viceversa. Con lmites de control de 3-sigma la probabilidad de error tipo I es de 0.0027.
4.8.
En general, los grficos de control dirigen la atencin hacia las causas especiales y hacia la magnitud de la
variacin. Aportan pruebas de que el proceso est bajo control estadstico. Se pueden analizar en ellos tanto
variables como atributos.
Segn las caractersticas a estudiar, los grficos de control se pueden clasificar de la siguiente manera: Por
variables o por atributos.
Las cartas de control por variables son aplicables a los siguientes campos:
Carta
X R
X S
Descripcin
Medias y Rangos
Medias y desviacin
estndar.
Individuales
Campo de aplicacin.
Control de caractersticas individuales.
Control de caractersticas individuales.
Control de un proceso con datos variables que no pueden ser muestreados en
lotes o grupos.
95
Descripcin
Proporciones
Nmero de defectuosos
Defectos por unidad
Promedio de defectos por
unidad
Campo de aplicacin.
Control de la fraccin global de defectuosos de un proceso.
Control del nmero de piezas defectuosas
Control de nmero global de defectos por unidad
Control del promedio de defectos por unidad.
Muchas caractersticas de calidad pueden expresarse en trminos de una medicin numrica, por ejemplo, el
dimetro de un rodamiento podra medirse con un micrmetro y expresarse en milmetros. Una caracterstica de
calidad que se puede medir con un instrumento de medicin, se le conoce como variable.
Cuando se trata con una caracterstica de la calidad que es una variable, por lo general es necesario monitorear
tanto el valor medio de la caracterstica de calidad como su variabilidad. El control del promedio del proceso, o nivel
de calidad medio, suele hacerse con la carta de control para medias, o carta .
Por su parte la variabilidad del proceso puede monitorearse con una carta de control para la desviacin estndar,
llamada carta S, o bien con una carta de control para el rango, llamada carta R. Por lo que tenemos:
Las cartas y R ( S) se encuentran entre las tcnicas estadsticas de monitoreo y control de procesos en lnea
ms importantes y tiles.
96
1 + 2 + +
1 + 2 + +
=
=
97
3
2
Nota: Las constantes A2, d2, D3 y D4 se encuentran tabuladas en funcin de n para facilitar el clculo de los lmites de
control, en las tablas de constantes para grficos de control.
Paso 5: Trace la grfica de control y analcela.
Dibuje las lneas de promedios y lmites de control en las grficas.
Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera el comportamiento del proceso.
98
99
El valor de n dado en esta ecuacin, es distinto al tamao de la muestra para la toma de datos y anlisis del proceso,
pues ahora indica el tamao de la muestra utilizada en el monitoreo.
100
+ 1 2
2
Finalmente, existe un factor que mide el nmero de muestras que es necesario analizar antes de encontrar puntos
por fuera de los lmites de control, este factor se conoce como longitud promedio de corrida ( LDP). Su valor se
calcula de la siguiente manera:
Sea () la probabilidad de encontrar puntos por fuera de los lmites de control
Trabajando con alfa en los lmites de control de la carta
=
1
()
; () = 2
1
()
; () =
101
( )2
=1
1 +2 +3 ++
3
2
La empresa Magdalena S.A. fabrica repuestos para una ensambladora automotriz. Las especificaciones de
la ensambladora son 12,7 3 milmetros. El departamento de calidad utiliza una carta X barra para
monitorear el proceso con muestras de tamao 5. El riesgo de que una carta me indique que la media del
102
+
2
14,5+12,5
2
= 13.5
NOTA: Siempre es recomendable trabajar con /2 pues la carta se hace ms potente, ya que los lmites de la misma
se tornan ms estrechos, no obstante es opcin del estudiante trabajar con alfa.
Conociendo el valor LCS podemos calcular . Los lmites de control se trabajan con /2.
= + /2
/2
/2 = 0,006
14,5 13,5 5
= 0,89
2,51
103
15,7 9,7
=
= 1,12
6
6 (0,89)
= ; =
;
3
3
Como decimos que el proceso esta descentrado. Adems, = = 0,824 lo cual nos indica que el
proceso est arrojando productos no conformes por el lmite superior.
Ahora procedemos a determinar el porcentaje de PNC.
%= (>)= 1 (<)= 1 <
= 0,88 = 1,175
A partir del valor de Z podemos hallar el nuevo valor de la media:
=
104
2 =
1,15
=
= 1,29
0,89
+ 1
2
= 2 1 = 1,29 16 0,9952
= 5,16 2,59 = 2,57 = 1= 2,57
105
Datos:
= 7,5
= 12,5
=5
= 10,2
= 1,93
1 = 0,95
= 25000 /
= 3 24
= 30
= 7
= 11,1
106
1,93
=
= 0,8297
2 2,326
12,5 7,5
=
= 1,0043
6
6 0,8297
> 1, .
= ;
12,5 10,2
=
= 0,9240
3
3 0,8297
10,2 7,5
=
= 1,0847
3
3 0,8297
= = 0,9240
12,5 10,2
=
= 2,7720
0,8297
7,5 10,2
=
= 3,2541
0,8297
12,5 7,5
=
= 1,0043
6
6 0,8297
> 1, .
= ;
107
11,1 7,5
=
= 1,4463
3
3 0,8297
= = 0,5624
12,5 11,1
=
= 1,6873
0,8297
7,5 11,1
=
= 4,3389
0,8297
11,1 10,2
=
= 1,0847
0,8297
108
Pero: = % , entonces:
= % (1 1 + 2 + 3 2 + 4 3 +5 4 )
Tenemos que:
% = 4,6%
= 25000
= 53
1
60 .
53
0,11032+1200,11033+1500,11034]
81
0,8
0,8297
= 0,9642
0,06 + 0,5359
0,9642
1,555 + 0,090
0,9642
= 10,3 + 0,06
= 10,3 0,06
0,8297
3
0,8297
3
= 10,3 + 1,555
= 10,3 1,555
0,8297
3
0,8297
3
= 11,0448
= 9,5551
109
Observacin: en esta ocasin se decidi trabajar con y no con /2 para calcular los lmites de control.
Si: = , y % = , , entonces:
( > = 1 0,05 = 0,95
12,5 10,8
1,645 =
= 1,0334
12,5 7,5
=
= 0,8063
6
6 1,0334
Numero de Replicas
3. Una empresa empaca el producto A en sacos de 50 Kg, pero el cliente ve mal que los sacos pesen menos
de 50 Kg por lo que se establece una tolerancia inferior de 49 Kg y una superior de 51 Kg, tal que el valor
nominal sea 50 Kg por lo que si un saco cae dentro del rango 49 51, se considera tolerable para el caso
se toman cada hora una muestra de 4 sacos que han sido llenado consecutivamente, los datos obtenidos
en 3 das de muestra se observan en la siguiente tabla. La confiabilidad de la carta es 95%.
1
2
3
4
5
6
7
8
9
10
11
50,2
50,3
49,8
50
50,2
49,2
49,6
50,2
50,1
50,8
48,8
49,9
50,2
50
49,4
49,8
50,7
49,9
49,8
49,3
49,6
50,7
49
50
50
50,1
49,1
49,1
49,5
49,5
49
49,8
49,9
50,1
49,3
49,7
50,5
49,9
49,8
49,9
50,6
49,3
50,4
50,1
110
12
13
14
15
50,3
49,3
50,2
48,8
49,9
49,3
50,5
50,2
49,4
49,2
50,2
49,5
49,3
50,5
50,9
49,6
a. Realice una carta de control X-R y analice los resultados. El proceso est bajo control estadstico?
b. Cul es la capacidad del proceso? Se estn generando productos no conformes?
Solucin
Datos:
= 51
= 49
=4
= 0,05
0,05 = 1,654
Numero de Replicas
a)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Numero de Muestras ( )
1
2
3
50,2
50,3
49,8
50
50,2
49,2
49,6
50,2
50,1
50,8
48,8
50,3
49,3
50,2
48,8
50,1
49,3
49,7
50,5
49,9
49,8
49,9
50,6
49,3
50,4
50,1
49,3
50,5
50,9
49,6
49,8
49,95
49,875
50
49,75
49,7
49,725
50,025
49,425
50,15
49,875
49,725
49,575
50,45
49,525
49,8366667
49,9
50,2
50
49,4
49,8
50,7
49,9
49,8
49,3
49,6
50,7
49,9
49,3
50,5
50,2
49
50
50
50,1
49,1
49,1
49,5
49,5
49
49,8
49,9
49,4
49,2
50,2
49,5
R
1,2
1
0,3
1,1
1,1
1,6
0,4
1,1
1,1
1,2
1,9
1
1,3
0,7
1,4
1,0933
Para realizar los clculos debemos conocer primero el valor de la media del proceso y el rango promedio, para ello
es necesario hacer el siguiente procedimiento:
111
4
=1
=
Media del Proceso
15
=1
15
= 49,8367
Rango Promedio
=
15
=1
15
= 1,0933
Sabemos que
=
1,0933
=
= 0,5310
2
2,059
Antes de hallar los lmites de control de las cartas debemos conocer el estado del proceso.
=
51 49
=
= ,
6
6 0,5310
49,8367 49
=
= 0,5252
3
3 0,5310
51 49,8367
=
= 0,7303
3
3 0,5310
112
51 49,8367
=
= 2,2 % = 1 < 2,2 = 1 0,9861
0,5310
= 1,39%
49 49,8367
=
=
= 1,58 % = < 1,58 = 5,71%
0,5310
= 49,8367 + 1,96
= 49,8367 1,96
0,5310
4
0,5310
4
= 50,357
= 49,316
Lmites de la carta
Para calcular los lmites de la carta se deben conocer los valores de las constantes D3 yD4 de la tabla de
constantes (seccin 8).
Con
=4
3 = 0
4 = 2,282
= 4 = 1,0933 2,282 = 2,4949
= 3 = 0 1,0933 = 0
= = 1,0933
113
La carta de control nos muestra que hay un punto por encima del lmite de control superior, es decir, que el
proceso no est bajo control estadstico. Para procurar hacer que el proceso est bajo control es necesario
eliminar la causa que ocasiona la alteracin (cepillar) y disear una nueva carta.
114
Volvemos a calcular los parmetros y posteriormente los lmites de control de las cartas y R:
Donde:
=
4
=1
=
Media del Proceso
14
=1
14
= 49,7929
115
14
=1
14
= 1,12143
Sabemos que
=
1,12143
=
= 0,5446
2
2,059
= 49,7929 + 1,96
= 49,7929 1,96
0,5446
4
0,5446
4
= 50,3266
= 49,2592
Lmites de la carta
Para calcular los lmites de la carta se deben conocer los valores de las constantes D3 yD4 de la tabla de
constantes.
Con = 43 = 0
4 = 2,282
= 4 = 1,12143 2,282 = 2,5591
= 3 = 0 1,12143 = 0
= = 1,12143
Las nuevas cartas de control para el proceso cuando se ha cepillado son las siguientes:
116
En las grficas podemos ver que ningn punto est por fuera de los lmites de control. Por consiguiente podemos
decir que el proceso est bajo control estadstico.
Ahora que el proceso est bajo control estadstico, procedemos a calcular su capacidad y verificar si se
estn o no productos no conformes:
=
51 49
=
= 0,6120
6
6 0,5446
117
49,7929 49
=
= 0,4853
3
3 0,5446
51 49,7929
=
=
= 0,7388
3
3 0,5446
51 49,7929
=
=
= 2,216
0,5446
49 49,7929
=
= 1,455 % = < 1,455 = 7,28%
0,5446
El proceso est arrojando 1,34% de PNC por el lmite superior y 7,28% de PNC por el lmite inferior. Decimos
entonces que el proceso no es capaz, no est centrado y arroja 8,62% de productos no conformes.
4.8.2.
Las cartas de control por atributos constituyen una herramienta esencial para controlar caractersticas de calidad
cualitativas, esto es, caractersticas no cuantificables numricamente. El termino atributo, es la propiedad que tiene
una unidad de producto de ser buena o mala, esto es, la caracterstica de calidad est dentro de los requisitos
especificados o no. Este tipo de carta surge debido a que en muchas situaciones no es fcil medir un producto o una
parte, o la calidad puede obtenerse como un atributo conforme o no con unas especificaciones establecidas. Estas
tcnicas analizan tanto las caractersticas buenas como malas, sin hacer referencia al grado. Entonces, se acepta o
se rechaza contando cuntas unidades tienen o no el defecto, o comprobando el nmero de tales eventos que
ocurren en la unidad, grupo o rea, y comparando con el criterio de aceptacin establecido. Se acepta o rechaza la
pieza o el lote sin asociar un valor concreto. El atributo a controlar se suele elegir de forma que sea fcilmente
observable y por tanto econmico de controlar.
Dado que los atributos son caractersticas de calidad no medibles, los grficos de control por atributos se basaran
en la determinacin de la cantidad o porcentaje de unidades defectuosas en una poblacin de productos o partes
obtenidos de un proceso. Antes de continuar es conveniente definir los trminos siguientes:
118
Las cartas por atributos pueden ser utilizadas para estudiar diferentes tipos de errores de forma
simultnea, en tanto que en un grfico de variable slo sirve para estudiar una caracterstica de calidad.
La toma de datos para la construccin de las cartas por atributos es mucho ms simple que por variable.
Simplemente se necesita conocer si el artculo inspeccionado cumple o no con las especificaciones
requeridas.
Las cartas por atributos se pueden utilizar en inspecciones visuales para atributos, tales como limpieza,
etiquetado correcto, color correcto, etc.
Las cartas por variables necesitan un menor tamao de muestra.
Las cartas por atributos son particularmente tiles en la industria de servicios y en los esfuerzos de
mejoramiento de la calidad fuera de la manufactura, ya que no es sencillo medir en una escala numrica
un gran nmero de caractersticas de calidad.
CARTA P
El grfico p mide la proporcin de unidades defectuosas en relacin al tamao de la muestra, se utiliza cuando los
individuos de un proceso se clasifican en defectuosos-no defectuosos, enfermo-sano, conforme-no conforme, etc., y
se desea controlar la proporcin p de individuos en uno de estos grupos.
El control del proceso se realiza anotando la proporcin de individuos defectuosos en el grfico. Los principios
estadsticos que sirven de base a la carta de control p se basan en la distribucin Binomial.
Para este grafico se necesitan muestras grandes, recogidas en un mismo periodo de operacin del proceso, y estas
han de tener un tamao tal que permita la aparicin de defectos. Del mismo modo el grafico de control p se puede
utilizar cuando el tamao de la muestra es o no constante.
La distribucin de este estadstico sigue la distribucin binomial por tanto:
__
119
p2
p(1 p)
n
1.
Se establece la frecuencia con la cual los datos sern tomados (horarios, diarios, semanales). Los intervalos cortos
entre tomas de muestras permitirn una rpida retroalimentacin al proceso ante la presencia de problemas. Los
tamaos de muestra grandes permiten evaluaciones ms estables del desarrollo del proceso y son ms sensibles a
pequeos cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales aunque no
necesariamente se tiene que dar esta situacin, el tamao de muestra debera de ser mayor a 30. El tamao de los
subgrupos ser de 25 o ms.
2. Clculo del porcentaje defectuoso (p) del subgrupo. Se registra la siguiente informacin para cada
subgrupo:
El nmero de partes inspeccionadas n
El nmero de partes defectuosas np
Calcule la fraccin defectuosa (p) para cada muestra mediante:
=
3. Clculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente frmula:
=
=0
= + 3
= 3
(1 )
120
La carta P consiste en tres lneas de gua: Lmite de control inferior, lnea central y lmite de control superior. La
lnea central es la proporcin de defectos promedio y los dos lmites de control son fijados ms o menos a tres
desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn se establezca, cada punto
corresponde a un valor pi.
Latas defectuosas
121
9
20
8
7
14
6
11
11
4
8
10
6
8
13
2
7
5
10
4
3
13
12
15
18
3
= 40
= 25
Primeramente se calcula del porcentaje defectuoso (p) del subgrupo. p =
Subgrupo
Latas defectuosas
1
2
3
4
5
6
7
9
20
8
7
14
6
11
0,225
0,5
0,2
0,175
0,35
0,15
0,275
np
n
122
11
4
8
10
6
8
13
2
7
5
10
4
3
13
12
15
18
3
0,275
0,1
0,2
0,25
0,15
0,2
0,325
0,05
0,175
0,125
0,25
0,1
0,075
0,325
0,3
0,375
0,45
0,075
=1
nk
227
40 25
p = 0,227
Luego se calculan los lmites de control de la carta:
LCS = p + 3
p(1 p)
n
0,227(1 0,227)
40
LCS = 0,42569
LCS = 0,227 + 3
LC = p
LC = 0,227
123
LCI = p 3
p(1 p)
n
0,227(1 0,227)
40
LCI = 0,0283
LCI = 0,227 3
Como hay 2 puntos por fue de los lmites de control se hace un cepillado eliminado los datos atpicos.
Subgrupo
1
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Latas
defectuosas
9
8
7
14
6
11
11
4
8
10
6
8
13
2
7
P
0,225
0,2
0,175
0,35
0,15
0,275
0,275
0,1
0,2
0,25
0,15
0,2
0,325
0,05
0,175
124
5
10
4
3
13
12
15
18
3
0,125
0,25
0,1
0,075
0,325
0,3
0,375
0,45
0,075
Sin los puntos por fuera los nuevos lmites ahora son:
LCS = 0,3970
LC = 0,2054
LCI = 0,01379
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos, entonces se concluye que no se tienen presentes
problemas controlables por el operador, por tanto las causas de variabilidad son comunes y su reduccin depende
slo del control de la administracin, una vez que interviene e Ingeniera realiza una serie de ajustes a la mquina,
se monitorea la mejora.
Continuando con el ejemplo, se toman 12 muestras adicionales durante los siguientes 2 turnos, la grfica se hizo
Subgrupo
24
25
26
27
Latas
defectuosas
9
3
4
5
P
0,225
0,075
0,1
0,125
125
2
6
9
7
3
2
3
7
0,05
0,15
0,225
0,175
0,075
0,05
0,075
0,175
Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3 turnos, difiere de la fraccin no conforme
preliminar, con el procedimiento de prueba de hiptesis:
H0:
p1 = p2
H1:
p1 > p2
35
=24
60
= 0,125
(40 12)
126
+ 2
(1 )( 1
12
Con
=
11 + 22
1 + 2
Por tanto:
=
0,227 0,125
920+480
LCS = 0,125 + 3
0,125(1 0,125)
40
LCS = 0,281873
LC = 0,125
LCS = 0,125 3
0,125(1 0,125)
40
LCI = 0,031873 0
127
Es muy importante que para identificar fcilmente las causas asignables, se lleve una bitcora de cambios, donde se
anote cada cambio que ocurra, independientemente que afecte o no al proceso.
DISEO DE LA CARTA DE CONTROL
(Determinacin del tamao de muestra)
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una unidad no conforme
por muestra sea al menos.
Ejemplo, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme sea al menos 0.95, si
D es el nmero de artculos no conformes, entonces:
( 1) 0,95
Con la distribucin de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p = 0.01, implica que el
tamao de muestra debe ser al menos de 300.
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga aproximadamente un 50% de probabilidad de
detectar el corrimiento de la media de un proceso en una cierta cantidad.
Asumiendo que la distribucin normal es una buena aproximacin a la binomial, se selecciona n de tal forma que el
lmite superior de control coincida con la fraccin defectiva en el estado fuera de control.
Entonces n debe satisfacer:
128
(1 )
Donde L es la distancia de la lnea central a los lmites de control en desviaciones estndar, por tanto,
2
(1 )
Ejemplo, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de 0.50, entonces =
0.05 0.01 = 0.04 y si L = 3-sigma, se tiene:
3
=
0,04
0,01 0,99 = 56
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar n tan grande de tal forma que el
lmite inferior tenga un valor positivo, para poder investigar la causa de generacin de muy bajas cantidades de
artculos defectuosos con objeto de identificar errores de inspeccin o de los equipos de medicin. Se tiene:
LCI = p L
p 1p
>0
n
Implica que,
>
(1 ) 2
0,95 2
3 = 171
0,05
129
1 + 1 (1 )
+3
1 = >
(1 )
CARTA NP
Este grafico mide el nmero de unidades defectuosas encontradas en las muestras. Se aplica al mismo tipo de
problemas que el grfico P, pero cuando el tamao de muestra es fijo. En tales casos, el control calidad en el
proceso se puede realizar por el nmero de individuos defectuosos observados en lugar de la proporcin
defectuosa. El primero resulta ms cmodo representar directamente la cantidad de unidades defectuosas en la
muestra en vez de su proporcin, en este caso el grfico de control correspondiente se denomina np puesto que en
ordenadas se representa esa magnitud.
Para la construccin del grfico se utiliza de distribucin de referencia la ley Binomial (n, p).En esta distribucin, el
nmero promedio de individuos defectuosos es igual a np y la varianza igual a np(1-p). Como en el apartado anterior,
slo se realiza un grfico y ste controlar el nmero promedio de unidades defectuosas en n.
Pasos a seguir en la implementacin del grfico np:
1.
Clculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente frmula:
=
2.
=1
nk
As mismo cuando p y/o n es pequeo, el lmite de control inferior puede resultar negativo, en estos casos el valor
del lmite se asumir como: 0 Ntese que los valores de los lmites superior e inferior cambian con el tamao del
subgrupo:
3.
Se traza la grfica y se analizan los resultados. A continuacin se muestra la estructura de una carta p:
130
= 1 ( )
Por ltimo se llevan los valores del nmero de defectuosos por grupo al grfico, y se comprueba que durante la
obtencin de las muestras, el proceso ha estado bajo control.
Ejemplo
En la siguiente tabla se encuentran consignados los datos obtenidos en una inspeccin mediante la apertura al azar
de una caja seleccionada de cada envo y contando el nmero de duraznos golpeados que tena cada caja. Haba 300
melocotones por caja. Construir una carta de control np (nmero de defectuosos) y hacer la interpretacin de la
misma.
131
Duraznos
golpeados
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
20
28
24
21
32
33
31
29
30
34
32
24
29
27
37
23
27
28
31
27
30
23
23
27
35
= 300
= 25
Primeramente se calcula de porcentaje defectuoso promedio para los k subgrupos:
=
=1
nk
p = 0,094
Luego se calculan los lmites de control de la carta:
= + 3 (1 )
132
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos, ni corrimiento de medias.
Tamao de muestra variable
En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin 100% de los lotes producidos en un
periodo de tiempo, por tanto la muestra ser variable. Se tiene varios mtodos para llevar una carta de control:
133
Ejemplo, Un fabricante de mdems para computadora hace una recopila de los datos tomados en una prueba final a
la que se somete el producto los resultados obtenidos se presenta en la siguiente tabla. Construir una carta de
control p (variable)
Subgrupo
Tamao de
muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2000
1500
1900
2400
2000
2100
1900
1900
2000
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
la Latas defectuosas
53
18
50
43
65
52
47
34
27
53
48
25
48
36
32
37
29
32
70
57
= 20
Primeramente se calcula del porcentaje defectuoso (p) del subgrupo. p =
Subgrupo
Tamao de
muestra
1
2
2000
1500
la Latas defectuosas
53
18
np
n
p
0,0265
0,012
134
1900
2400
2000
2100
1900
1900
2000
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
50
43
65
52
47
34
27
53
48
25
48
36
32
37
29
32
70
57
0,02631579
0,01791667
0,0325
0,0247619
0,02473684
0,01789474
0,0135
0,03533333
0,024
0,01785714
0,024
0,0225
0,01391304
0,01608696
0,01933333
0,0152381
0,03181818
0,02590909
p=
=1
=1
856
38800
p = 0,02206
Luego se calculan los lmites de control de la carta:
Subgrupo
Tamao de la Latas
muestra
defectuosas
LCS
LCI
1
2
3
4
5
6
7
8
9
2000
1500
1900
2400
2000
2100
1900
1900
2000
0,0265
0,0120
0,0263
0,0179
0,0325
0,0248
0,0247
0,0179
0,0135
0,0373
0,0204
0,0373
0,0260
0,0444
0,0349
0,0354
0,0270
0,0212
0,0157
0,0036
0,0153
0,0098
0,0206
0,0146
0,0140
0,0088
0,0058
53
18
50
43
65
52
47
34
27
135
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
53
48
25
48
36
32
37
29
32
70
57
0,0353
0,0240
0,0179
0,0240
0,0225
0,0139
0,0161
0,0193
0,0152
0,0318
0,0259
0,0496
0,0343
0,0285
0,0343
0,0336
0,0212
0,0240
0,0300
0,0233
0,0430
0,0361
0,0210
0,0137
0,0072
0,0137
0,0114
0,0066
0,0082
0,0087
0,0072
0,0206
0,0157
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos.
Mtodo 2. Tamao de muestra promedio
En este caso, se toma el promedio de los tamaos de muestra para calcular los lmites de control aproximados, se
asume que los tamaos de muestra no diferirn en forma apreciable de los observados, aqu los lmites de control
son constantes. Si existen grandes diferencias mayores al promedio ms o menos 25%, este mtodo no es
adecuado.
n=
n=
=1
k
38800
20
136
LCS = 0,02206 + 3
LC = 0,02206
0,02206(1 0,02206)
1940
LCI = 0,012055
LCI = 0,02206 3
Como hay 3 puntos por fuera de los lmites de control (2, 5 y 10) se hace un cepillado eliminado los datos atpicos.
Sin los puntos por fuera los nuevos lmites ahora son:
n=
n=
=1
k
33800
17
n = 1988
Con lmites de control basados en n = 1988
137
0,02206(1 0,02206)
1988
LCS = 0,0310
LCS = 0,02206 + 3
LC = 0,0213
0,02206(1 0,02206)
1988
LCI = 0,0116
LCI = 0,02206 3
Como hay 1 punto por fuera de los lmites de control se hace un cepillado eliminado los datos atpicos.
Sin los puntos por fuera los nuevos lmites ahora son:
n=
n=
=1
k
31600
16
n = 1975
Con lmites de control basados en n = 1975
0,02206(1 0,02206)
1975
LCS = 0,0302
LC = 0,0206
LCS = 0,02206 + 3
138
0,02206(1 0,02206)
1975
LCI = 0,0110
LCI = 0,02206 3
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos.
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la carta de control estandarizada, la
lnea central es cero y los lmites de control estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
=
(1)
Donde p (o p si no hay estndar) es la fraccin defectiva media del proceso en su condicin de control estadstico;
pi, nison datos de la muestra.
Curva caracterstica de operacin y ARL
La curva OC muestra en forma grfica la probabilidad de aceptar incorrectamente la hiptesis de control
estadstico (i.e. cometer un error tipo II o ). Esta curva proporciona una evaluacin de la sensibilidad de la carta
de control, o sea la habilidad de detectar un corrimiento en la fraccin no conforme del proceso, desde su valor
nominal p a algn otro valor p .
La probabilidad de error tipo II para la carta de control de fraccin defectiva o no conforme es:
139
P
0,01
0,03
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,08943531
0,44472013
0,72056825
0,966214
0,99703497
0,99729612
0,97125684
0,85943972
0,62158704
0,33561326
0,12734511
0,03245432
0,00529675
140
P
0,5
1,5
2,5
5
7,5
10
12,5
15
17,5
20
22,5
25
27,5
0,09020401
0,4421746
0,7127025
0,95957092
0,99499579
0,9923141
0,94809794
0,81946682
0,60893355
0,38142191
0,20219295
0,09204086
0,03660628
Para esta carta de control, tambin se puede calcular la longitud de corrida media ARL.
141
1 =
1
(1 )
Estas probabilidades de errores tipo I y II se pueden obtener o por clculo de probabilidades o usando las curvas
OC.
Ejemplo, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la curva OC se observa
que en este caso es 0.9973 estando en control, en este caso = 1 - = 0.0027 y el valor de ARL0 es:
0 =
1
= 370
0,0027
Indicando que cada 370 puntos se puede tener una falsa alarma.
4.8.3.
Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin del producto.
Las no conformidades pueden tener una gravedad diferente desde menores hasta crticas. Se pueden desarrollar
cartas de control para el nmero total de no conformidades en una unidad o el nmero promedio de no
conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamao constante son modeladas bien
por la distribucin de Poisson, es decir implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia de una no conformidad en
cualquier localizacin sea pequea y constante. Adems cada unidad de inspeccin debe representar una rea de
oportunidad idntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Carta C.
En muchas ocasiones la caracterstica que nos interesa controlar no es el nmero de individuos defectuosos sino el
nmero de defectos que aparecen en un individuo. Este tipo de control puede ser ms completo que los presentados
anteriormente, puesto que:
En la grfica C es completamente necesario que todas las muestras tengan un tamao fijo, es decir, el tamao de los
subgrupos sea constante.
En aquellos procesos que no generan individuos, como por ejemplo, los procesos continuos, tambin nos puede
interesar el control del nmero de defectos por cierta unidad definida: metro, metro-cuadrado, hora, etc. Otros
ejemplos en los que se puede aplicar estos grficos son cuando se desea controlar el n de pasajeros que toman un
vuelo determinado por da, o el n de camas ocupadas en un hospital por semana, etc. En uno u otro caso, la
142
Seleccionar lo que va a ser una unidad de medicin: un individuo, un metro de cable, un metro cuadrado de
tela, una hora, etc.
2. Investigar si existe informacin histrica del parmetro , En tal caso construir los grficos basndose
en los lmites:
= + 3
=
= 3 En el caso que sea negativo toma el valor cero
El promedio de defectos por subgrupo se calcula de la siguiente forma:
Donde = = =
=1
Cuando el valor de no es muy grande, la convergencia a la normal no es muy buena. En tales casos el lmite
inferior suele ser negativo, lo cual no tiene ningn sentido, y se sustituye por 0.
1.
Acomodar los datos obtenidos en y seguir las mismas reglas de control que con los grficos anteriores.
143
de Numero de disconformidades
Numero
Muestra
de Numero de disconformidades
21
14
19
24
15
10
16
16
17
12
17
13
15
18
22
19
18
28
20
39
20
21
30
31
22
24
10
25
23
16
11
20
24
19
12
13
24
16
25
26
17
15
=0
516
26
= 19,85
Luego se hallan los lmites de control para construir la carta
= 19,85 + 3 19,85
= 33,21
= 19,85
= 19,85 + 3 19,85
= 6,48
144
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
Los nuevos limistes son ahora:
=
472
24
= 19,67
= 19,67 + 3 19,67
= 32,97
= 19,67
= 19,67 + 3 19,67
= 6,36
145
Continuando con el ejemplo, se toman 20 muestras adicionales durante los siguientes 2 turnos, la grfica se hizo
Numero
Muestra
de Numero de disconformidades
Numero
Muestra
de Numero de disconformidades
27
16
37
18
28
18
38
21
29
12
39
16
30
15
40
22
31
24
41
19
32
21
42
12
33
28
43
14
34
20
44
35
25
45
16
36
19
46
21
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos.
Carta U
El grfico U se utiliza para el mismo tipo de problemas que el grfico C, pero cuando el tamao de las muestras es
variable. Aqu las muestras estn formadas por ms de un elemento y cada elemento puede tener ms de un
defecto.
146
Puede resultar difcil tomar exactamente un metro cuadrado de tela, por lo que se toman piezas similares
de aproximadamente un metro cuadrado.
En el control del nmero de personas que acuden a una mquina registradora en una tienda, en lugar de
tomar las mediciones en intervalos de tiempo iguales, se toman las mediciones en intervalos ms flexibles.
Cuando se mide el nmero de defectos por lote, ste puede no contener un nmero fijo de individuos.
En el grfico U se colocan igualmente el nmero de defectos por unidad, pero ahora no tiene porqu ser un valor
entero. La distribucin de referencia en la cual est basado el grfico U puede ser calculada a travs de la ley
Poisson.
En efecto si
= e
=
=
/
,
io:
=
= 1,2, ,
= + 3
= 3
147
de Numero de disconformidades
Numero
Muestra
de Numero de disconformidades
10
11
12
12
13
14
14
11
10
15
12
16
16
11
17
18
10
10
19
10
15
20
Ci
Ui
Ci
Ui
10
11
1,8
12
2,4
12
1,6
13
1,4
14
2,8
14
11
2,2
10
15
12
2,4
16
3,2
16
1,2
11
2,2
17
1,6
1,4
18
10
148
10
19
1,4
10
15
20
193
5 20
= 1,93
Se calculan los lmites de control con:
= + 3
= 1,93 + 3
1,93
5
= 3,79
=
= 1,93
= 3
= 1,93 3
1,93
5
= 0,066
La carta de control queda como sigue:
149
En la carta de control no se observa falta de control estadstico, por tanto los lmites preliminares se pueden utilizar
en corridas futuras.
= + 3
= 3
Ejemplo, En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a continuacin.
Unid.Insp.
10
8
13
10
9.5
No Conf.
14
12
20
11
7
150
10
21
16
19
23
=0
=0
153
107,5
= 1,42
Se calculan los lmites de control con:
Subgrupo
LCS
LCI
10
14
1,4000
2,5225
0,2775
12
1,5000
2,7990
0,2010
13
20
1,5385
2,5705
0,5064
10
11
1,1000
2,0950
0,1050
9,5
0,7368
1,5723
0,0000
10
10
1,0000
1,9487
0,0513
12
21
1,7500
2,8956
0,6044
10,5
16
1,5238
2,6667
0,3810
12
19
1,5833
2,6731
0,4936
10
12,5
23
1,8400
2,9910
0,6890
151
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos.
Existen otras dos alternativas para el manejo de la carta u con n variable:
1.
107,5
=
10
=
= 10,75
Se calculan los lmites de control con:
1,42
10,75
= 1,42 + 3
= 2,51
= 1,42
= 1,42 3
1,42
10,75
= 0,329
152
2. Usando una de control estandarizada (opcin preferida). Se grafica Zi con lmites de control en +3 y 3,
lnea central cero.
=
Ejemplo, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
= < 33,22 < 6,48
Cmo las cantidades deben ser enteras, esto es equivalente a:
= < 33 < 7
153
P(x<=33|c)
1
P(x<=6|c)
0,999
0,966
0,034
0,762
0,238
0,449
0,550
10
0,999
0,130
0,869
15
0,999
0,007
0,992
20
0,997
0,000
0,997
30
0,744
0,000
0,744
33
0,546
0,000
0,546
35
0,410
0,000
0,410
40
0,151
0,000
0,151
45
0,038
0,000
0,038
0,001
154
CAPTULO 5
MUESTREO PARA ACEPTACIN
155
El muestreo de aceptacin se ocupa de la inspeccin y la toma de decisiones respecto de los productos, uno de los
aspectos ms antiguos de aseguramiento de calidad. En los aos de 1930 y 1940 el muestreo de aceptacin era uno
de los componentes principales de campo del control estadstico de calidad, y se utilizaba principalmente en la
inspeccin de entrada o recepcin. En aos ms recientes ha llegado a ser comn el trabajo con los proveedores
para mejorar el desempeo de sus procesos mediante el uso de SPC y de experimentos diseados en vez de confiar
tanto en el muestreo de aceptacin como la herramienta principal del aseguramiento de la calidad.
Aun en muchas ocasiones cuando se acostumbra a considerar el muestreo de aceptacin como una actividad de
inspeccin de recepcin, existen otros usos de los mtodos de muestreo. Por ejemplo es comn que un fabricante
haga muestreos e inspecciones de su propio producto en varias etapas de la produccin. Los lotes que son
aceptados se remiten al procesamiento subsecuente y los lotes rechazados pueden reprocesarse o desecharse.
5.1
ASPECTOS IMPORTANTES
1.
El propsito del muestreo de aceptacin es dictaminar los lotes no estimar su calidad. La mayora de los
planes de muestreo de aceptacin no se disean para fines de estimacin.
2. Los planes de muestreo de aceptacin no proporcionan ninguna forma directa de control de calidad. El
muestreo de aceptacin se limita a aceptar algunos lotes y a rechazar otros. Incluso si todos los lotes son
de la misma calidad el muestreo aceptara algunos y rechazara otros, sin que los lotes aceptados sean
mejores que los rechazados. Los controles del proceso se usan para controlar y mejorar
sistemticamente la calidad, pero no as el muestreo de aceptacin.
3. El uso ms efectivo del muestreo de aceptacin no es para inspeccionar la calidad de un producto sino
ms bien como una herramienta de auditora a fin de asegurarse de que la salida de un proceso cumple
con los requerimientos.
156
Sin embargo el muestreo de aceptacin tambin presenta varias desventajas. Entre ellas se encuentran:
1. Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
2. Por lo general se genera menos informacin acerca del producto o acerca del proceso con que se fabrico
el producto.
3. El muestreo de aceptacin requiere planeacin y documentacin del procedimiento de muestreo de
aceptacin, mientras que la inspeccin del 100% no.
Un plan de muestreo nico es un procedimiento para dictaminar lotes en el que se selecciona al azar una muestra
de n unidades del lote, y el destino del lote se determina con base en la informacin contenida en esa muestra. Por
ejemplo, un plan de muestreo nico para atributos constara de un tamao de muestra n y criterio de aceptacin c.
El procedimiento operaria de la siguiente manera: se seleccionan n artculos al azar del lote. Si hay c o menos
unidades defectuosas en la muestra, se acepta el lote, y si hay ms de c artculos defectuosos en el lote, este se
rechaza.
157
= =
=
Como se puede apreciar, esta probabilidad es determinada haciendo uso de una distribucin hipergeomtrica con
parmetros (N,n,k), donde k es la proporcin de productos no conformes dentro del lote, y su valor se estima del
producto entre p y N. Luego, el valor de p, que es la probabilidad de hallar un producto no conforme dentro del lote,
puede ser determinado por medio de un anlisis de capacidad del proceso de fabricacin.
Para disminuir la complejidad de los ejercicios y teniendo en cuenta la relacin existente entre las distribuciones
Hipergeomtrica y Binomial, la probabilidad de aceptacin puede ser determinada, tambin, a partir de una
aproximacin a Binomial con probabilidad de xito p.
De esta manera, el valor de la probabilidad de aceptacin podra determinarse as:
= =
=
() ( )
Ejemplo
Un fabricante de cierto producto, a partir de un anlisis de capacidad de su proceso productivo, pudo determinar
que el porcentaje de productos no conformes arrojado era de 10%. Antes del despacho de los artculos al cliente,
forma lotes de 500 productos, cada uno. Su cliente principal maneja un plan de muestreo, donde n=50 y c=3.
Determinar la probabilidad de aceptacin de estos lotes por parte del cliente.
Si se intenta determinar esta probabilidad a partir de una distribucin hipergeomtrica, su valor ser imposible
determinarlo, haciendo uso de una calculadora, por esta razn, se recomienda el uso de una distribucin binomial.
En este sentido se tiene:
3
= 3 =
0
50
(0,1) 1 0,1
50
= 0,25029
Haciendo uso de Microsoft Excel, es posible determinar el valor de esta probabilidad, utilizando una distribucin
hipergeomtrica, es decir, de la manera correcta. As, se tiene:
158
= 3 =
0
50
450
50
500
50
= 0,235858
Como se puede apreciar ambas probabilidades se asemejan, lo que indica que la distribucin binomial es una buena
alternativa de encontrar la probabilidad de aceptacin cuando no se cuenta con programas avanzados para su
clculo.
5.4.2
Los planes de muestreo doble son un tanto ms complicados. Despus de una muestra inicial se toma una decisin
con base a la informacin de esa muestra para 1) aceptar el lote, 2) rechazar el lote 3) tomar una segunda
muestra. Si se toma la segunda muestra, la informacin de la primera y la segunda muestra se combinan para llegar
a la decisin de aceptar o rechazar el lote.
Los planes de muestreo nico y doble pueden disearse de tal modo que produzcan resultados equivalente. Es decir
estos procedimientos pueden disearse para un lote con una calidad especificada, tengan exactamente la misma
probabilidad de aceptacin bajo los cuatro tipos de planes de muestreo. Por consiguiente se selecciona el tipo de
procedimiento de muestre, deben considerarse factores tales como la eficiencia administrativa, el tipo de
informacin producida por el plan, la cantidad de inspeccin promedio requerida por el procedimiento y el impacto
que puede tener dado sobre el flujo de material en la organizacin manufacturera.
Plan de muestreo Mltiple
Un plan de muestreo mltiple es una extensin del concepto del muestreo doble, por cuanto pueden necesitarse ms
de dos muestras para llegar a una decisin respecto del destino del lote. Los tamaos de la muestra en el muestreo
mltiple suelen ser ms pequeos que en el muestreo nico o en el doble. La extensin ltima del muestreo mltiple
es el muestreo secuencial, en el que las unidades del lote se seleccionan una vez, y despus de inspeccionar cada
unidad se toma la decisin de aceptar, rechazar el lote o seleccionar otra unidad.
Formacin y caractersticas de lotes
La manera en que se forme el lote puede influir en la efectividad del plan de muestreo de aceptacin, hay varias
consideraciones importantes cuando se forman los lotes para inspeccin. Algunas de ellas son las siguientes.
Los lotes deben ser homogneos, es decir las unidades debern producirse por las mimas maquinas, los
mismos operadores y con materias primas comunes, aproximadamente en el mismo tiempo. Cuando los
lotes no son homogneos, como cuando se mezcla la salida de dos lneas de produccin diferentes, el
esquema de muestreo de aceptacin quiz no funcione con tanta efectividad como podra hacerlo.
Son preferibles los lotes grandes a pequeos, suele haber ms eficiencia econmica al inspeccionar lotes
grandes que pequeos.
Los lotes debern ajustarse a los sistemas de manejar de materiales usados en las instalaciones del
proveedor y del consumidor, adems, de los artculos de los lotes debern ser empacados de tal modo
que se minimicen los riesgos en el embarque y manejo y que sea relativamente sencillo de seleccionar de
las unidades de la muestra.
159
En esta tabla se muestran los procedimientos del muestreo por aceptacin y sus aplicaciones. En general la
seleccin de un procedimiento de muestreo de aceptacin depende tanto del objetivo de la organizacin de
muestreo como del historial de la organizacin cuyo producto es muestreado. Esta aplicacin no es esttica; es
decir existe una evolucin natural de un nivel de esfuerzo de muestreo por otro.
Suponer que se ha sometido a inspeccin un lote de tamao N, un plan de muestreo nico est definido por el
tamao de la muestra n y el nmero de aceptacin c. Por tanto, si el tamao del lote es N=10.000 entonces el plan
de muestreo ser de este tipo:
n=82
c=2
Significa que se inspecciona una muestra aleatoria de n=82 unidades del lote de tamao 10.000 y que si el nmero
de artculos defectuosos observados es menor o igual que c=2, el lote ser aceptado, si el nmero de artculos
defectuosos es mayor que 3 el lote ser rechazado. Puesto que la caracterstica de calidad inspeccionada es un
atributo, cada unidad de muestra se dictamina como conforme o disconforme, puede inspeccionarse uno o varios
atributos en la misma muestra: en general, se dice que una unidad disconforme respecto a las especificaciones; en
uno o ms atributos, es una unidad defectuosa. A este procedimiento se le llama un plan de muestreo nico porque
el lote se dictamina con base en la informacin contenida en una sola muestra de tamao n.
160
La curva OC
Una medida importante del desempeo de un plan de muestreo nico es la curva de operacin caracterstica (OC).
En esta curva grafica la probabilidad de aceptar el lote contra la fraccin defectuosa del lote. Por tanto la curva OC
indica la potencia discriminatoria del plan de muestreo. Es decir, indica la probabilidad de que un lote con cierta
fraccin defectuosa propuesto sea aceptado o rechazado.
n=80
c=5
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0,9945
0,8988
0,6521
0,3750
0,1769
0,0709
0,0248
0,0077
0,0021
0,0005
161
5.5.3
Un plan de muestreo que hiciera la discriminacin perfecta entre los lotes buenos y los malos tendra una curva OC
como la que se muestra en la figura 14 La curva OC corre horizontalmente en una probabilidad de aceptacin igual a
1, hasta que se alcance un nivel de calidad considerado malo para el lote, punto en el cual la curva cae verticalmente
a una probabilidad de aceptacin igual a cero.
Frecuentemente, el inters del ingeniero de calidad se centra en determinados puntos de la curva OC. El proveedor
suele estar interesado en saber cul es el nivel de calidad del lote o proceso que produce una alta probabilidad de
aceptacin.
162
=
=
=
=
( ) ( ) =
( ) ( ) =
163
En la construccin de la curva OC se supuso que las muestras provenan de un lote grande o que el muestreo se
estaba haciendo de un flujo de lotes de un proceso seleccionados al azar. En esta situacin, la distribucin binomial
es la distribucin exacta para calcular la probabilidad de aceptacin del lote. Esta curva se conoce como curva tipo
B.
La curva OC tipo A se usa para calcular probabilidades de aceptacin de un lote aislado de tamao infinito. Suponer
que el lote de tamao N, con tamao de muestra n y que el nmero de aceptacin c. la distribucin de muestreo
exacta del nmero de artculos defectuosos en la muestra es la distribucin hipergeomtrica.
5.5.6
Los programas de muestreo de aceptacin suelen requerir una accin correctiva cuando los lotes son rechazados.
Esto generalmente adopta la forma de una inspeccin del 100% exhaustiva de los lotes rechazados, donde todos los
artculos defectuosos descubiertos se sacan para reprocesamiento posterior, se devuelven al proveedor o se
reemplazan de un inventario de artculos satisfactorios comprobados. A estos programas de muestreo se les llama
programas de inspeccin con rectificacin, debido a que la actividad de inspeccin afecta la calidad final del
producto de salida.
Los programas de inspeccin con rectificacin se usan en situaciones en las que el fabricante desea conocer el
nivel promedio de calidad que es posible resulte en una etapa dada de las operaciones de manufactura. Por tanto,
estos programas se usan en la inspeccin de recepcin, en la inspeccin dentro del proceso de productos
semiterminados o en la inspeccin final de bienes terminados.
164
( )
Cuando el tamao del lote se hace grande en comparacin al tamao de la muestra, esta ecuacin puede escribirse
como:
La calidad promedio de salida variar cuando la fraccin defectuosa de los lotes de entrada vare. A la curva que
grafica la cantidad de salida promedio contra la calidad del lote de entrada se le llama curva AOQ. A continuacin la
figura 22 hace una presentacin de esta grfica.
165
Mtodo matemtico
Esta herramienta para el diseo de planes de muestreo no tiene en cuenta nicamente el NAC como parmetro de
decisin en el diseo del plan de muestreo, sino cada uno de los parmetros dados para su diseo, NAC, LTPD, el
riesgo del productor y el del consumidor. El valor de n y c se determina utilizando cada una de las siguientes
ecuaciones:
+
=
166
= +
Muestreo Doble.
El plan de muestreo doble es un procedimiento en el bajo, determinadas condiciones, se necesita una segunda
muestra antes de poder dictaminar el lote. Un plan de muestreo doble se define:
167
1 = 20
2 = 10
1 = 1
1 = 3
Este ejercicio puede resolverse utilizando un rbol de decisin. Inicialmente, se analizan los valores que pueden
tomar 1 2 , teniendo en cuenta las restricciones dadas para este tipo de plan:
168
La probabilidad para cada uno de los casos encontrados son las siguientes:
Para la primera muestra.
( = ) =
( = ) =
( = ) =
( = ) =
4
0
76
20
80
20
= 0,3083
4
1
76
19
80
20
= 0,4327
4
2
76
18
80
20
= 0,2126
4
3
76
17
80
20
= 0,0432
169
( = ) =
( = ) =
( = ) =
4
0
76
10
80
10
= 0,5797
4
1
76
9
80
10
= 0,3461
4
2
76
8
80
10
= 0,0687
La curva OC
El desempeo de un plan de muestreo doble puede resumirse de manera conveniente por medio de su curva de
operacin caracterstica (OC). La curva OC para un plan de muestreo doble es poco ms complicada que la curva OC
para un muestreo nico. Un plan de muestreo doble tiene una curva OC primaria que da la probabilidad de
aceptacin como una funcin de la calidad del lote o proceso. Tiene tambin curvas OC complementarias que
muestran la probabilidad de aceptacin o de rechazo en la primera muestra. La curva OC para la probabilidad de
rechazo en la primera muestra es simplemente la curva OC para el plan de muestreo nico.
170
La curva promedio de las muestras (ASN) de un plan de muestreo doble tambin suele ser de inters del ingeniero
de calidad. En un muestreo nico, el tamao de la muestra inspeccionada del lote siempre es constante, mientras
que en muestreo doble el tamao de la muestra si depende de si la segunda es necesaria o no. La probabilidad de la
muestra seleccionada depende de si la segunda varia con la fraccin defectuosa del lote de entrada. Con la
inspeccin completa de la segunda muestra, el tamao promedio de la muestra en el muestreo doble es igual al
tamao de la primera muestra multiplicando por la probabilidad de que solo habr una muestra, mas el tamao de
las muestras combinadas multiplicando por la probabilidad de que necesitara una segunda muestra. Por lo tanto la
formula general ser:
= 1 1 + 1 + 2 (1 1 )
Donde P1 es probabilidad que el lote se acepte en la primera muestra + probabilidad que el lote se rechace en la
primera muestra.
Descripcin
Este procedimiento de muestreo fue desarrollado durante la segunda guerra mundial. Actualmente, el estndar MIL
STD 105E es el sistema de muestreo de aceptacin para atributos de mayor uso en el mundo.
El estndar contempla tres tipos de muestreo: el muestreo nico, el muestreo doble, y el muestreo mltiple. Para
cada tipo de muestreo, se estipula la inspeccin normal, la inspeccin rigurosa, o la inspeccin reducida. La
inspeccin normal se usa al principio de la actividad de inspeccin. La inspeccin rigurosa se establece cuando el
historial reciente del proveedor se ha deteriorado. Los requerimientos de aceptacin para los lotes sujetos a
171
Procedimiento
Un procedimiento paso a paso para usar el estndar MIL STD 105E es el siguiente:
1.
172
El Estndar MIL STD 105E presenta la curva OC para los planes de muestreo nico. Todas son curvas tipo B. las
curvas OC para los planes de muestreo doble y mltiple asociados son comparables en trminos generales con la de
los planes de muestreo nico correspondientes.
Hay varios puntos del MIL STAD 105E que es necesario enfatizar:
1.
2.
3.
EJEMPLOS
1.
La empresa Condecal Ltda., obtiene un contrato para suministrar 20 lotes de 60.000 piezas cada uno. En el
contrato se establece que el cliente realiza una inspeccin segn MIL STD, Nivel general II con un NAC = 2,5.
Determine el tamao de la muestra y el criterio de aceptacin.
Solucin.
Haciendo uso del tamao del lote, se determina la letra cdigo, para este caso es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se puede apreciar que el tamao de la
muestra es de 500 y el nmero de aceptacin de 21.
2. Su empresa obtiene un contrato para suministrar 5 lotes de 1.000 piezas. La fabricacin de estas piezas es
relativamente sencilla pero presenta la dificultad de tener una tolerancia bilateral muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizar una inspeccin segn MIL-S TD-105E, AQL=0.10,
simple, nivel II.
a. Hallar el tamao de la muestra necesario para cada lote y el criterio de aceptacin y rechazo.
b. Dado que su empresa no tiene experiencia en la fabricacin de la pieza, su jefe le pide que calcule la
probabilidad de que su cliente acepte los 5 lotes en funcin de la fraccin defectuosa de la fabricada, si su
empresa sirve ese pedido sin realizar una inspeccin 100% final.
173
80 0
(1 )800
0
174
400
0,9 = 0,00026
Como el proceso est centrado, entonces se tiene el mismo porcentaje de PNC por cada uno de los lmites, por
tanto:
= 0,000132
Entonces:
0,000132 =
3,65 =
3,65 + =
Ahora, reemplazando lo anterior en la frmula de C_pl:
3,65 +
+ 3,65 3,65
=
=
=
= 1,2166
3
3
3
3
d. Para calcular el intervalo de confianza, es necesario aplicar la siguiente frmula:
=
= /2
(1 )
En donde
=
2
= 0,04
50
1 = 0,96
1= 0,95
= 0,05
= 0,025
2
= 50
Reemplazando los datos en la frmula tenemos:
175
0,04(0,96)
50
= 0,04 0,054
= 0,04 0,054
0,01 0,094
= 0,04 1,95
176
= 21
a. Probabilidad de aceptacin
Como p se utiliza el valor del AOQL, puesto que es la proporcin real de productos no conformes despus de
rectificacin.
21
= 21 =
=0
500
(0,02) 1 0,02
500
= 0,99939
b. Riesgo Tipo II
Puesto que El riesgo tipo II se calcula a partir del LTPD, el cual debera ser el mayor porcentaje de productos no
conformes aceptados, pero se realiz una rectificacin, esta proporcin nunca ser mayor al AOQL, por lo tanto, el
riesgo tipo II es cero (0).
177
Para ubicar el lmite de calidad indiferente, es necesario proyectar hacia la curva, con una probabilidad de
aceptacin de 0.5 para conocer la fraccin de disconformes lo que ser el IQL Como se observa en la lnea punteada
el IQL corresponde aproximadamente a un 0.16 de proporcin de productos no conformes.
EJERCICIOS PROPUESTOS
1.
Un proceso de llenad para recipiente de aceite en condiciones de estado estable, tiene una media de 100 lb y una
desviaciones estndar de 3 libras en dicha etapa, la cual suministra los recipientes llenos a la etapa de
despacho.
La situacin actual de la etapa de llenado es satisfactoria para las exigencias del despacho (1005,8799) libras,
pero considerara de psima calidad si los recipientes llenos vinieses con una variacin en la media de 3,5
libras, conservados su variabilidad. En el despacho aceptan un 5% de rechazar los lotes de buena calidad, caso
dado, que reciben de la etapa de llenado y el doble del riesgo anterior para lotes de aceptar lotes de mala
calidad y por lo tanto van a poner en aplicacin un plan de muestreo por atributos con un lector que clasifica los
recipientes como conformes o no conformes.
Cada lote que se procesa de llenado en serie en la etapa de llenado consta de 100000 recipientes.
178
179
180
ANEXOS
181
182
183
184
185
186
187
188
189
190
191
192
193
0,53
53
0,79
36
1,22
23
1,9
15
2,9
10
4,94
6
7,12
5
11,46
3
140
87
59
38
25
16
10
303
182
113
76
49
32
21
13
498
360
217
135
91
58
38
25
15
11
790
623
450
270
168
113
73
47
31
18
13
1470
965
762
550
335
207
138
89
57
38
22
16
10
2890
1800
1180
930
672
410
255
170
108
70
46
27
19
12
4970
3570
2215
1450
1147
828
500
315
210
134
86
57
33
23
14
11730
6400
4590
2855
1870
1477
1067
640
400
270
175
110
72
42
29
18
14320
7810
5600
3485
2305
1820
1302
790
500
330
215
135
89
52
36
22
17420
9500
6810
4235
2760
2178
1583
950
590
400
255
165
106
62
43
26
AOQL (%)
0,198 0,33
140
84
0,018
1540
0,033
840
0,046
600
0,074
375
0,113
245
0,143
194
2550
1390
1000
620
405
321
232
3340
1820
1310
810
530
420
3960
2160
1550
965
630
4950
2700
1940
1205
6050
3300
2370
7390
4030
9110
194
195