Descripción breve del tema

1. Introducción, gráficos de control

2. Gráfico de control para la media
Control de Calidad 3. Gráficos de control para la dispersión
Tema 8 4. Capacidad de un proceso. Índice de capacidad
5. Gráficos P y NP (atributos)
6. Muestreo de recepción: Plan Military
Standard
Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2

Objetivos Descripción breve del tema

† Entender el control de calidad como un estudio de 1. Introducción, gráficos de control
la variabilidad. 2. Gráfico de control para la media
† Discriminar entre las distintas causas de la 3. Gráficos de control para la dispersión
variabilidad. 4. Capacidad de un proceso. Índice de capacidad
† Comprender cuándo un proceso está bajo control. 5. Gráficos P y NP (atributos)
† Construir y aplicar gráficos de control. 6. Muestreo de recepción: Plan Military
† Calcular la capacidad de un proceso. Standard
Ignacio Cascos Depto. Estadística, Universidad Carlos III 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 4
Introducción Introducción
Un proceso industrial es una sucesión de † Vamos a fijarnos en una cierta característica del
operaciones que añaden valor y variabilidad al producto que queremos controlar y analizaremos
resultado final. su variabilidad.
† La variabilidad de un producto es provocada por:
Entendemos que un producto es de calidad si „ Materia prima
satisface las necesidades impuestas por los „ Métodos de producción
„ Mano de obra
usuarios. Por otro lado, la calidad de un producto „ Máquinas
„ Medio ambiente
es inversamente proporcional a su variabilidad. „ Medición
Ignacio Cascos Depto. Estadística, Universidad Carlos III 5 Ignacio Cascos Depto. Estadística, Universidad Carlos III 6

Motivos de la variabilidad de un sistema Motivos de la variabilidad de un sistema

† Causas asignables. Son producidas por
factores importantes que queremos y podemos
controlar.
„ Pocas y fáciles de identificar.
„ Efectos importantes.
„ Aparecen esporádicamente.
„ Fáciles de eliminar.
„ Actúan en un punto concreto del proceso.
Ignacio Cascos Depto. Estadística, Universidad Carlos III
† Causas no asignables. Son producidas por
factores secundarios cuyo efecto es poco
relevante para el proceso.
„ Muchas e incluso desconocidas.
„ Cada una produce poca variabilidad.
„ Son parte permanente e inherentes al proceso.
„ Difíciles de eliminar.
„ Afectan a todo el proceso.
7 Ignacio Cascos Depto. Estadística, Universidad Carlos III 8
Introducción
† Aunque un proceso se encuentre bajo
condiciones óptimas de funcionamiento,
siempre tendrá una producción de calidad
variable.
† Si el proceso se encuentra realmente bajo
condiciones óptimas de funcionamiento la
variabilidad sólo se debe a causas no
asignables y ha de ser asumida por la
organización.
Ignacio Cascos Depto. Estadística, Universidad Carlos III
Introducción
† Un proceso está en estado de control si sólo
actúan sobre él un sistema estable de causas
de variabilidad (no asignables) y cuya calidad
final es predecible estadísticamente.
† Las causas no asignables son muy numerosas
y cada una tiene poca aportación a la
variabilidad final, por lo que su superposición
se aproxima a una normal.
9 Ignacio Cascos Depto. Estadística, Universidad Carlos III 10

Introducción
La característica considerada sigue habitualmente
distribución normal N(µ,σ). Así, cuando el proceso está
bajo control, el 99’73% de los artículos se encuentra en
un intervalo de amplitud 6σ correspondiente a (µ ± 3σ).
0.4
Introducción
† Fuera de control. El proceso está fuera de
control si ha ocurrido una causa asignable que
haya modificado la característica del artículo
de forma significativa.

† Bajo control. Incluso con el proceso bajo

0.3

control, pueden ocurrir (por azar) causas no

0.2

asignables que hacen que la variabilidad de la

0.1

característica sea alta.

0.0

-4 -2 0 2 4
Ignacio Cascos Depto. Estadística, Universidad Carlos III 11 Ignacio Cascos Depto. Estadística, Universidad Carlos III 12
r
Gráficos de control Gráficos de control
Representación de la evolución temporal de la † Fuera de control.
característica
Gráfico de control
Gráfico de control 60
58 57
LCS
55 LCS
54

Media
Media

52 51
linea central
línea central 48
49
45
46 LCI
42
43 LCI
0 5 10 15 20 25
0 5 10 15 20 25
Tiempo
Tiempo
Ignacio Cascos Depto. Estadística, Universidad Carlos III 13 Ignacio Cascos Depto. Estadística, Universidad Carlos III 14

Gráficos de control Gráficos de control

Elementos básicos de un gráfico de control: † Para una característica τ, el gráfico de control
† Línea central. Representa el nivel medio de la representaría:
LCS = µτ + Lsσ τ
característica.
Línea central = µτ
† Límite de Control Superior (LCS). LCI = µτ + Liσ τ
† Límite de Control Inferior (LCI). Habitualmente:
LCS = µτ + 3σ τ
Línea central = µτ
LCI = µτ − 3σ τ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 15 Ignacio Cascos Depto. Estadística, Universidad Carlos III 16
Descripción breve del tema Gráfico de control para la media
1. Introducción, gráficos de control † Representa la evolución temporal de las
2. Gráfico de control para la media medias muestrales.
3. Gráficos de control para la dispersión † Si X ~ N( µ , σ n ) , el gráfico de control será
4. Capacidad de un proceso. Índice de capacidad σ
LCS = µ + 3
n
5. Gráficos P y NP (atributos)
Línea central = µ
6. Muestreo de recepción: Plan Military σ
LCI = µ − 3
Standard n

Ignacio Cascos Depto. Estadística, Universidad Carlos III 17 Ignacio Cascos Depto. Estadística, Universidad Carlos III 18

Gráfico de control para la media Gráfico de control para la media

† Estimación de los parámetros, k muestras de † Media total.
∑
k
tamaño n X= i =1
Xi
„ 1ª muestra: X11,X12,...,X1n k
„ i-ésima muestra: Xi1,Xi2,...,Xin La media total es un estimador insesgado de la
„ k-ésima muestra: Xk1,Xk2,...,Xkn media del proceso, pero E[Si]=c2σ. Debemos
† Para cada muestra transformar Si para obtener un estimador insesgado
∑
n
∑
n
∑
n
de σ,
( X ij − X i ) 2 ( X ij − X i ) 2 ∑
k
j =1
X ij j =1 j =1 S S
Xi = ; S i
2
= ; Sˆ i
2
= σˆ = donde S = i =1 i

n n n −1 c2 k
Ignacio Cascos Depto. Estadística, Universidad Carlos III 19 Ignacio Cascos Depto. Estadística, Universidad Carlos III 20
Gráfico de control para la media Gráfico de control para la media
† El gráfico de control será: Para realizar un gráfico de control:
† Construimos gráficos a partir de un conjunto de
muestras iniciales.
E[ S j ] s
LCS = µ + 3 LCS = x + 3 † Si algún punto correspondiente a las muestras iniciales
c2 n c2 n
se saliese de los límites del gráfico, (proceso fuera de
Línea central = µ Línea central = x
control), lo eliminamos y recalculamos parámetros.
E[ S j ] s
LCI = µ − 3 LCI = x − 3 † Se utiliza el gráfico de control para representar nuevas
c2 n c2 n
muestras y no se modifica (salvo actualización).

Ignacio Cascos Depto. Estadística, Universidad Carlos III 21 Ignacio Cascos Depto. Estadística, Universidad Carlos III 22

Gráfico de control para la media Gráfico de control para la media

Gráfico de control para la media Gráfico de control para la media
33 LCS 34 LCS
30 31
27
Media

Media
Línea central 28
24 Línea central
25
21
18 LCI 22

15 19 LCI
0 3 6 9 12 15 0 3 6 9 12 15
Tiempo Tiempo
Ignacio Cascos Depto. Estadística, Universidad Carlos III 23 Ignacio Cascos Depto. Estadística, Universidad Carlos III 24
 Gráfico de control para la media Gráfico de control para la media
† Utilizando la cuasivarianza, tenemos: † El gráfico de control será:
∑
n
j =1
( X ij − X i ) 2
Sˆi =
n −1 E[ Sˆ j ]
LCS = µ + 3 sˆT
c4 n LCS = x + 3
La media total es un estimador insesgado de la c4 n
Línea central = µ
Línea central = x
media del proceso, pero E[ Sˆi ] = c4σ . Debemos E[ Sˆ j ] sˆT
LCI = µ − 3 LCI = x − 3
transformar Ŝi para obtener un estimador insesgado c4 n c4 n
∑
k
de σ, σ=
ˆ
SˆT
donde S =
ˆ i
Sˆ
=1 i
T
c4 k
Ignacio Cascos Depto. Estadística, Universidad Carlos III 25 Ignacio Cascos Depto. Estadística, Universidad Carlos III 26

Gráfico de control para la media Gráfico de control para la media

† Alternativamente, podemos utilizar el rango Tenemos
para cuantificar la dispersión. E[W] = d2 ; Var[W] = d32
Para la muestra i-ésima por tanto
Ri = max{xi1,…,xin}−min{xi1,…,xin}. E[R] = E[W]σ = d2σ ; Var[R] = d32σ2
y así σ = E[R]/d2, con lo que tenemos
Si X es normal, la distribución de W=R/σ está
∑
k
tabulada. R Ri
σˆ = donde R = i =1
d2 k
Ignacio Cascos Depto. Estadística, Universidad Carlos III 27 Ignacio Cascos Depto. Estadística, Universidad Carlos III 28
Gráfico de control para la media Gráfico de control para la media
† El gráfico de control será: n c2 c4 d2
2 0.5642 0.7979 1.128
3 0.7236 0.8862 1.693
E[ R] R
LCS = µ + 3 LCS = x + 3 4 0.7979 0.9213 2.059
d2 n d2 n 5 0.8407 0.9400 2.326
Línea central = µ Línea central = x 6 0.8686 0.9515 2.534
E[ R] R 7 0.8882 0.9594 2.704
LCI = µ − 3 LCI = x − 3 8 0.9027 0.9650 2.847
d2 n d2 n
9 0.9139 0.9693 2.970
10 0.9227 0.9727 3.078
Ignacio Cascos Depto. Estadística, Universidad Carlos III 29 Ignacio Cascos Depto. Estadística, Universidad Carlos III 30

Descripción breve del tema Gráficos de control para la dispersión

1. Introducción, gráficos de control Podemos cuantificar la dispersión bien a partir
2. Gráfico de control para la media de la desviación típica o bien a partir del rango,
3. Gráficos de control para la dispersión con lo que obtenemos dos gráficos de control
4. Capacidad de un proceso. Índice de capacidad distintos para la dispersión.
5. Gráficos P y NP (atributos) † Gráfico de control para la desviación típica.
6. Muestreo de recepción: Plan Military † Gráfico de control para el rango.
Standard
Ignacio Cascos Depto. Estadística, Universidad Carlos III 31 Ignacio Cascos Depto. Estadística, Universidad Carlos III 32
Gráfico de control para la desv. típica Gráfico de control para la desv. típica
† Habíamos visto que: E[ Sˆi ] = c4σ Utilizando el estimador insesgado de σ SˆT
σˆ =
† Además tenemos: Var[ Sˆi ] = (1 − c42 )σ 2 sˆT c4
LCS = B6 = B4 sˆT
Obteniendo un gráfico de control para la desv. típica: c4
LCS = E[ Sˆ ] + 3 Var[ Sˆ ] = c4σ + 3 1 − c42 σ = B6 σ sˆ
Línea central = c4 T = sˆT
c4
Línea central = E[ Sˆ ] = c4σ
sˆ
LCI = B5 T = B3 sˆT
LCI = E[ Sˆ ] − 3 Var[ Sˆ ] = c4σ − 3 1 − c42 σ = B5σ c4

donde B6 = c4 + 3 1 − c42 ; B5 = c4 − 3 1 − c42 Donde B4 = B6/c4 , B3 = B5/c4

Ignacio Cascos Depto. Estadística, Universidad Carlos III 33 Ignacio Cascos Depto. Estadística, Universidad Carlos III 34

Gráfico de control para la desv. típica Gráfico de control para el rango

Utilizando el estimador insesgado de σ S † Habíamos visto que: E[ R ] = d 2σ
σˆ = Var[ R] = d 32σ 2
c2 † Además tenemos:
y razonando análogamente obtenemos el gráfico Obteniendo un gráfico de control para el rango:
de control LCS = E[ R] + 3 Var[ R] = d 2σ + 3d 3σ = D2 σ
LCS = B4 s Línea central = E[ R] = d 2σ
Línea central = s LCI = E[ R] − 3 Var[ R] = d 2σ − 3d 3σ = D1σ
LCI = B3 s
donde D1 = d 2 − 3d 3 ; D2 = d 2 + 3d 3
Ignacio Cascos Depto. Estadística, Universidad Carlos III 35 Ignacio Cascos Depto. Estadística, Universidad Carlos III 36
Gráfico de control para el rango Gráficos de control para la dispersión
Utilizando el estimador insesgado de σ n D1 D2 D3 D4 B3 B4 B5 B6
R
R R σˆ = 2 0 3.686 0 3.267 0 3.267 0 2.606
LCS = d 2 + 3d 3 = D4 R d2 3 0 4.358 0 2.575 0 2.568 0 2.276
d2 d2 4 0 4.698 0 2.282 0 2.266 0 2.088
R 5 0 4.918 0 2.115 0 2.089 0 1.964
Línea central = d 2 =R
d2 6 0 5.078 0 2.004 0.030 1.970 0.029 1.874
7 0.204 5.204 0.076 1.924 0.118 1.882 0.113 1.806
R R
LCI = d 2 − 3d 3 = D3 R 8 0.388 5.306 0.136 1.864 0.185 1.815 0.179 1.751
d2 d2
9 0.547 5.393 0.184 1.816 0.239 1.761 0.232 1.707
Donde D4 = 1+3d3/d2 , D3 = 1−d3/d2 10 0.687 5.469 0.223 1.777 0.284 1.716 0.276 1.669
Ignacio Cascos Depto. Estadística, Universidad Carlos III 37 Ignacio Cascos Depto. Estadística, Universidad Carlos III 38

Descripción breve del tema Capacidad de un proceso

1. Introducción, gráficos de control La capacidad de un proceso en el que la calidad
2. Gráfico de control para la media se mide a través de una variable cuantitativa X
3. Gráficos de control para la dispersión con Var[X] = σ2 se define como
4. Capacidad de un proceso. Índice de capacidad Capacidad = 6σ ,
5. Gráficos P y NP (atributos) Donde σ es la desviación típica de la variable
6. Muestreo de recepción: Plan Military cuando el proceso está bajo control.
Standard A mayor capacidad, mayor variabilidad.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 39 Ignacio Cascos Depto. Estadística, Universidad Carlos III 40
Capacidad de un proceso Capacidad de un proceso
† Pasos para estimar la capacidad de un proceso:
† Selección de k muestras de tamaño n Utilizando la (cuasi)desviación típica :
† Construcción de un gráfico de control para la media y s sˆ
otro para la dispersión • Capacidad estimada = 6σˆ = 6 = 6 T .
c2 c4
† Eliminación de las muestras fuera de control y
recalcular hasta todas las muestras bajo control Utilizando el rango :
† (Verificación de la hipótesis de normalidad) R
• Capacidad estimada = 6σˆ = 6 .
† Según el estimador que tomemos para la desviación d2
típica, obtenemos diferentes expresiones para la
capacidad estimada.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 41 Ignacio Cascos Depto. Estadística, Universidad Carlos III 42

Índice de Capacidad Tamaño muestra y frecuencia muestreo

El índice de capacidad compara la capacidad de un Si se produce un cambio en el proceso, de tal
proceso con las tolerancias de un producto
modo que una medición queda fuera de los
Tolerancia LTS-LTI
C p = IC = = límites de control con probabilidad p, tenemos
Capacidad 6σ
Donde el LTS (Límite de Tolerancia Superior) y el LTI (Límite de † Número medio de muestras hasta la detección
Tolerancia Inferior) son los requerimientos técnicos para que un
producto sea admisible.
ARL = 1/p
„ IC > 1 proceso capaz ;
Se trata de la media de una distribución Geométrica.
„ IC < 1 proceso no capaz ;
„ IC ≈ 1 ¡vigilar!
Ignacio Cascos Depto. Estadística, Universidad Carlos III 43 Ignacio Cascos Depto. Estadística, Universidad Carlos III 44
Interpretación de los gráficos de control Interpretación de los gráficos de control
A la hora de interpretar un gráfico de control hay Range Chart for Llenado_linea
que tener en cuenta más factores que los puntos 2
UCL = 1,87

fuera de los límites de control: 1,6 CTR = 0,88

LCL = 0,00

Range
1,2
† Tendencias o rachas. Rachas crecientes
0,8
decrecientes o bien por encima o debajo de la línea
0,4
central (7 puntos).
0
† Patrones no aleatorios. Periodicidades, 0 10 20 30 40
inestabilidad, sobreestabilidad. Subgroup
Ignacio Cascos Depto. Estadística, Universidad Carlos III 45 Ignacio Cascos Depto. Estadística, Universidad Carlos III 46

Descripción breve del tema Control por atributos

1. Introducción, gráficos de control Se está interesado en una característica de
2. Gráfico de control para la media calidad que no se puede medir.
3. Gráficos de control para la dispersión Se muestra la evolución de la proporción p de
4. Capacidad de un proceso. Índice de capacidad individuos que tienen cierto atributo
5. Gráficos P y NP (atributos) „ Proporción de artículos defectuosos
6. Muestreo de recepción: Plan Military „ Proporción de llamadas que quedaron bloqueadas
Standard „ Proporción de clientes que presentan reclamación
Ignacio Cascos Depto. Estadística, Universidad Carlos III 47 Ignacio Cascos Depto. Estadística, Universidad Carlos III 48
Gráfico P Gráfico P
Objetivo del gráfico P: comprobar si la La muestra i-ésima es de tamaño ni
evolución de las proporciones muestrales El número de artículos defectuosos en ella es
observadas son compatibles con un mismo valor di=Xi1+Xi2+…+Xini sigue distribución Binomial
poblacional p. de parámetros ni y p.
Asociado a cada artículo tenemos una variable ⎛n ⎞
aleatoria X de Bernoulli con parámetro p que nos P(d i = r ) = ⎜⎜ i ⎟⎟ p r (1 − p ) ni − r si r = 0,1,2, K, ni
⎝r⎠
indica si es defectuoso o no.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 49 Ignacio Cascos Depto. Estadística, Universidad Carlos III 50

Gráfico P Gráfico P
di Los gráficos de control por variables eran dos,
como tenemos que la proporción muestral pˆ i =
ni uno para la media y otro para la dispersión.
† Sabemos que: E[ pˆ i ] = p
p (1 − p ) En el control por atributos, tanto la media como
† Y además: Var[ pˆ i ] =
ni
la variabilidad de la proporción muestral,
Finalmente, por el Teorema Central del Límite:
dependen de un único parámetro, por eso
⎛ p (1 − p ) ⎞⎟
pˆ i ≈ N⎜⎜ p, ⎟
construimos sólo un gráfico de control.
⎝ ni ⎠
Ignacio Cascos Depto. Estadística, Universidad Carlos III 51 Ignacio Cascos Depto. Estadística, Universidad Carlos III 52
 Gráfico P Gráfico P
† El gráfico de control será: Gráfico P
0,024
p (1 − p )
LCS = E[ pˆ i ] + 3 Var[ pˆ i ] LCS = p + 3 0,02
ni
Línea central = E[ pˆ i ] Línea central = p
0,016
0,012

p
línea central = 0,0
LCI = E[ pˆ i ] − 3 Var[ pˆ i ] p (1 − p )
LCI = p − 3 0,008
ni
0,004

∑
k
di 0
donde p= i =1 0 4 8 12 16 20

∑
k
i =1 i
n Muestra
Ignacio Cascos Depto. Estadística, Universidad Carlos III 53 Ignacio Cascos Depto. Estadística, Universidad Carlos III 54

Gráfico P Gráfico P
Si en lugar del tamaño muestral ni, utilizamos su Gráfico P
promedio, obtenemos límites de control que son 0,024
0,02
rectas
0,016
p (1 − p ) 0,012

p
LCS = p + 3 línea central = 0,0
n 0,008

∑
k
Línea central = p n
i =1 i
0,004
donde n= 0
p (1 − p ) k
LCI = p − 3 0 4 8 12 16 20
n Muestra
Ignacio Cascos Depto. Estadística, Universidad Carlos III 55 Ignacio Cascos Depto. Estadística, Universidad Carlos III 56
Gráfico P Gráfico P
Para construir un gráfico P: † Valores estandarizados. Al no tener los límites
„ Tomamos k muestras (al menos 20) de tamaño constantes, los gráficos P son difíciles de
muestral ni (habitualmente al menos 30) interpretar (localizar tendencias y rachas).
„ Se calcula la proporción de artículos defectuosos
Se construye el gráfico P estandarizado con los
en cada muestra
„ Se calcula la estimación global de p valores pˆ − p
zi = i

„ Se calculan los límites de control p (1 − p )

„ Se dibuja el gráfico y si hay puntos fuera de los ni
límites de control se eliminan y recalcula
Ignacio Cascos Depto. Estadística, Universidad Carlos III 57 Ignacio Cascos Depto. Estadística, Universidad Carlos III 58

Gráfico P Gráfico P
† Gráfico estandarizado. Tenemos que Gráfico P
5
E[zi] = 0 ; Var[zi] = 1
3
El gráfico de control será:

Z
1 línea central = 0,0
LCS = 3
-1
Línea central = 0
-3
LCI = −3 0 4 8 12 16 20
Muestra
Ignacio Cascos Depto. Estadística, Universidad Carlos III 59 Ignacio Cascos Depto. Estadística, Universidad Carlos III 60
Gráfico P Gráfico P
† Una vez construido el gráfico y fijada la † Capacidad. Proporción de elementos
estrategia de muestreo, para controlar el aceptables fabricados en condiciones de
proceso: control
„ Tomamos una muestra de tamaño ni
„ Calculamos LCS y LCI para ni y los dibujamos Capacidad = 1 − p
„ Calculamos la proporción muestral de piezas
defectuosas Capacidad estimada = 1 − p
„ Colocamos el nuevo punto en el gráfico
Ignacio Cascos Depto. Estadística, Universidad Carlos III 61 Ignacio Cascos Depto. Estadística, Universidad Carlos III 62

Gráfico NP Gráfico NP
Es idéntico al gráfico P salvo que en lugar de † Tomamos ni = n constante.
contabilizar la proporción de artículos Por el TCL
defectuosos en una muestra, consideramos el d i = npˆ i ≈ N np, np (1 − p ) ( )
número de artículos defectuosos di.
LCS = E[d i ] + 3 Var[d i ] LCS = np + 3 np (1 − p )
Es útil si: Línea central = E[d i ] Línea central = np
† Número más relevante que proporción. LCI = E[d i ] − 3 Var[d i ] LCI = np − 3 np (1 − p )
† Tamaño muestral constante.

Ignacio Cascos Depto. Estadística, Universidad Carlos III 63 Ignacio Cascos Depto. Estadística, Universidad Carlos III 64
Gráfico NP Descripción breve del tema
† Capacidad. Al igual que en el gráfico P, la 1. Introducción, gráficos de control
capacidad es la proporción de elementos 2. Gráfico de control para la media
aceptables fabricados en condiciones de 3. Gráficos de control para la dispersión
control
4. Capacidad de un proceso. Índice de capacidad
Capacidad = 1 − p 5. Gráficos P y NP (atributos)
Capacidad estimada = 1 − p 6. Muestreo de recepción: Plan Military
Standard
Ignacio Cascos Depto. Estadística, Universidad Carlos III 65 Ignacio Cascos Depto. Estadística, Universidad Carlos III 66

Muestreo de recepción Muestreo de recepción

Hasta ahora hemos visto técnicas para controlar En el muestreo de recepción el azar del muestreo
la calidad durante el proceso de producción. puede llevarnos a tomar dos decisiones equivocadas:

El muestreo en recepción o de aceptación se † Aceptar un lote inaceptable con muchos productos

efectúa sobre lotes de productos terminados.
Se realiza cuando no es viable la inspección de
todo el lote y a partir de una muestra se decide
aceptar o rechazar todo el lote.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 67
defectuosos (en la muestra había pocos defectuosos).
† Rechazar un lote con muy pocos productos
defectuosos (en la muestra estaban muchos de esos
pocos defectuosos).
Ignacio Cascos Depto. Estadística, Universidad Carlos III 68
Muestreo de recepción Muestreo de recepción
Existe control de recepción por variables, Dado un lote con una proporción p de elementos
atributos y por número de defectos. defectuosos:
Estudiaremos el control de recepción por atributos † Si p > pA, el lote debe rechazarse ;

† Si p ≤ pA, el lote debe aceptarse .

Llamamos AQL (nivel de calidad aceptable,
NCA, pA) a la mayor proporción de elementos El problema es ahora decidir el tamaño muestral
defectuosos de un lote que es aceptable según el n y el número de elementos defectuosos que se
comprador. está dispuesto a asumir.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 69 Ignacio Cascos Depto. Estadística, Universidad Carlos III 70

Military Standard Military Standard

El Military Standard (MIL STD) fue diseñado en † Niveles de inspección:
EEUU para su utilización en la II Guerra Mundial „ Nivel I: Coste bajo
(MIL-STD-105D ; ISO 2859 ; UNE 66020) „ Nivel II: Coste estándar
Se trata del control de recepción más utilizado en „ Nivel III: Coste Alto
la actualidad. „ Niveles S-1 a S-4: Ensayos destructivos
Consiste en seguir una serie de normas
(estándares) que iremos buscando en tablas.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 71 Ignacio Cascos Depto. Estadística, Universidad Carlos III 72
Military Standard
† Planes de inspección:
„ Inspección rigurosa: se espera una calidad
inferior al AQL (p > pA). El tamaño muestral es
elevado.
„ Inspección normal: la calidad que se espera del
proveedor es similar al AQL.
„ Inspección reducida: la calidad que se espera es
muy alta (p < pA). El tamaño muestral es inferior
al plan normal.
Ignacio Cascos Depto. Estadística, Universidad Carlos III
Military Standard
† Cambios de planes de inspección:
„ Al comienzo de la tarea de inspección se toma el
plan normal.
„ Se pasa de inspección normal a rigurosa si 2 de 5
lotes consecutivos han sido rechazados.
„ Se pasa del plan riguroso al normal cuando han
sido aceptados 5 lotes consecutivos.
73 Ignacio Cascos Depto. Estadística, Universidad Carlos III 74

Military Standard Military Standard

† Cambios de planes de inspección: † Planes de inspección:
2 de 5 lotes consecutivos
„ Se pasa del plan normal al reducido si se aceptan Rigurosa
rechazados
10 lotes consecutivos.
„ Se pasa del plan reducido al normal cuando se 5 lotes consecutivos
aceptados
rechaza 1 lote. Normal
„ Si tras más de 10 lotes seguimos con el plan 1 lote rechazado

riguroso, concluye la inspección y se le pide al

10 lotes consecutivos
proveedor que aumente la calidad. aceptados
Reducida

Ignacio Cascos Depto. Estadística, Universidad Carlos III 75 Ignacio Cascos Depto. Estadística, Universidad Carlos III 76
Military Standard Military Standard
Tamaño del lote Nivel S-1 Nivel S-2 Nivel S3 Nivel S-4 Nivel I Nivel II Nivel III
† Pasos a seguir: 2-8 A A A A A A B
9-15 A A A A A B C
„ Decidir el AQL 16-25 A A B B B C D
26-50 A B B C C D E
„ Determinar el nivel de inspección (I, II ó III) 51-90 B B C C C E F
91-150 B B C D D F G
„ Determinar el plan de inspección (varía) 151-280 B C D E E G H

„ Conocido el tamaño del lote y el nivel de 281-500

501-1200
B
C
C
C
D
E
E
F
F
G
H
J
J
K
inspección, busco la letra de código de inspección 1201-3200 C D E G H K L
3201-10000 C D F G J L M
„ Con la letra y el plan de inspección, busco en las 10001-35000 C D F H K M N

tablas el número de elementos defectuosos para 35001-150000

150001-500000
D
D
E
E
G
G
J
J
L
M
N
P
P
Q
aceptar o no el lote 500001 o más D E H K N Q R
Ignacio Cascos Depto. Estadística, Universidad Carlos III 77 Ignacio Cascos Depto. Estadística, Universidad Carlos III 78