Nestor Caicedo Solano

1.
2.
3.
4.

5.

Herramientas clsicas de calidad

Grficos de Control Modernos
Inspeccin y Muestreo Cuantitativo
Anlisis y Modo de efectos de Fallos
(AMEF)
Modelos Six Sigma

Nestor Caicedo Solano

Concordancia
con
los
requisitos
y
especificaciones (Crosby).
Adecuacin para el uso (Juran).
Un
grado previsible de uniformidad y
confiabilidad a bajo costo y adecuado para
el mercado (Deming).

Calidad de diseo: corresponde a la medida

en que el producto satisface las
necesidades del cliente.

Calidad de conformidad: se refiere al grado

en que el producto o servicio concuerda con
los requerimientos de diseo.

Normalmente la calidad se asocia con una

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

Perdida que experimenta el consumidor

Perdida que experimenta el consumidor

Est fuera de las especificaciones un

producto que no cumple las
especificaciones?

LIE

Objetivo
Caracteristica de calidad

LSE

LIE

Objetivo

LSE

Caracteristica de calidad

Taguchi argumenta que

Para el cliente, prcticamente no hay
diferencia entre un producto que
apenas cae en las especificaciones y
otro que apenas est fuera.
A medida que los clientes se vuelven
ms exigentes, aumenta la presin
para reducir la variabilidad.
8

Para mejorar es necesario hacer cambios.

Nos gustara tener buenos datos sobre los
cuales realizar los cambios.
Necesitamos herramientas que nos
permitan convertir datos en informacin
(es decir, que nos permitan responder
preguntas).
La estadstica es la ciencia que soluciona
ambos problemas.

El concepto de calidad est determinado

por el cliente, no por la empresa.
Calidad desde la fuente, lo cual se traduce
en una orientacin a la prevencin.
Es posible obtener cero defectos, y esa
debe ser la meta.
Mejora continua.

10

En un inicio se intentaba asegurar la calidad

mediante la inspeccin de los productos
antes de salir al mercado.
A partir de los aos 30s se trata de
minimizar la produccin con defectos
reduciendo el tiempo de deteccin de
cualquier desajuste.
La inspeccin se
mantiene, pero cambia su finalidad.

11

Reprocesos

Aviso para actuar

sobre el proceso

Desechos
Producto
Defectuoso

Materias
Primas

Inspecci
n

Concepcin
Tradicional

Usuario

Reprocesos

Concepcin
CEP

Ajustes constantes basados en

muestreo selectivo del producto y del
proceso.
Materias
Primas

Desechos
Producto
Defectuoso
Inspecci
n

Usuario

12

Se trata de herramientas estadsticas y

analticas de uso general
Diagramas causa-efecto.
Diagramas de flujo de procesos.
Plantillas para recoleccin de datos.
Histogramas y diagramas de Pareto.
Diagramas bivariantes.
Control estadstico de procesos.

13

Estas herramientas, aunque son muy

sencillas son muy importantes ya que son
en gran medida desconocidas en la
industria.
Muchas de estas herramientas pueden (y
deben) ser aplicadas directamente por los
operarios.

14

En muchos casos se resuelven los problemas

sin atacar las causas de los mismos, lo cual
es una prctica perjudicial.
En
estos diagramas las causas que
potencialmente
pueden
generan
un
determinado efecto se presentan en forma
jerarquizada.
Por
su forma, tambin se denominan
diagramas de espina de pescado.

15

Los pasos para su construccin son:

Determinar claramente el efecto a estudiar.
Reunir a las personas que conocen del
problema y realizar una lluvia de ideas.
Seleccionar
las
causas
aportadas,
eliminando repeticiones y errores.
Dibujar el diagrama.
Lo debe hacer una
persona que conozca del problema.

16

MANO DE OBRA

MAQUINARIA
Abrasin

Fatiga
Concentracin

Salud
Enfermedad
Habilidad

Herramientas

Moral

Deformacin
Mantenimiento

Forma
Componente
Calidad
Almacenamiento

MATERIALES

Posicin

Dimetro

Variabilidad en
la dimensin

Ajuste

Puesta a
punto

ngulo
Velocidad

MTODO

Diagrama causa-efecto para estudiar las causas de

la variabilidad en la dimensin de una pieza.
17

Los datos que se recopilan deben ser

confiables. Adems deben ser tales que
puedan ser convertidos en informacin
(solo tomar los datos tiles y su anlisis
debe ser fcil anlisis).
Las planillas deben disearse de tal modo
que faciliten las tareas de recogida de
datos y que puedan ser utilizadas por los
operarios.

18

Son representaciones de la densidad y la

distribucin
de
variables
aleatorias
nominales (usualmente causas de falla en
sistemas o defectos en productos).
Las
causas se ordenan de modo de
distinguir cuales son las ms importantes.
Usualmente opera la regla del 80-20, el
80% de los problemas se deben al 20% de
las causas.

19

Nmero de Paradas
Turno 1 Turno 2 Total
18
24
42
15
10
25
92
88
180
1
6
7
0
1
1
2
1
3
1
0
1

(A) Rotura de hilo

Cinta
Vibrador
Tornillo sin fin
(E) Apelmazamiento
(F) Rotura de saco
(G) Otros

Nmero y tiempos(B)
de parada en una (C)
lnea de envasado (D)

1.0

250

0.9

225

0.8

225

1.0

200

0.9
0.8

175

0.7

175

0.6

150

0.5

125

0.4

100

0.3

75

Tiempo de Parada

Numero de Paradas

200

Tiempo de Parada
Turno 1 Turno 2 Total
20
31
51
12
10
22
62
68
130
2
8
10
0
1
1
4
1
5
8
0
8

0.6
125
0.5
100

50

0.2

25

0.1

25

0.0

D
Causas

0.4

75
50

0.7

150

0.3
0.2
0.1
0.0
C

Causas

20

Son una forma sencilla de evaluar la

dependencia entre variables, por lo que
puede ser utilizada por cualquiera
Los modelos (lineales o de otro tipo) son
una forma ms refinada de evaluar
dependencia.
Recuerde que correlacin y causalidad no
son la misma cosa.

21

Histricamente
vertientes:

ha

evolucionado

en

dos

Control automtico de procesos (APC) empresas

de produccin continua (empresas qumicas)
Control estadstico de procesos (SPC) en sistemas
de
produccin
en
serie
(empresas
metalmecnicas).

Vamos a concentrarnos en el SPC.

22

Los objetivos son:

Monitorear y vigilar el desempeo del proceso en
cuanto a las caractersticas de calidad crticas del
producto, para as minimizar la produccin
defectuosa Grficos de Control.
Estimar los parmetros del proceso para
comparar la produccin con las especificaciones
Estudios de Capacidad.

En ambos casos, se trata de herramientas

por y para la mejora continua.

23

Causas Comunes

Suelen ser muchas y

cada
una
produce
pequeas variaciones.
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan
a
todo
el
conjunto de mquinas y
operarios

Causas Asignables

Suelen ser pocas pero

con efectos importantes
en la variabilidad.
Aparecen
espordicamente.
Son relativamente fciles
de eliminar
Por lo general su efecto
est localizado en una(s)
mquina(s) u operario(s).

24

Se dice que un proceso est bajo control

estadstico cuando solo est afectado por
causas comunes de variabilidad.
Esto
significa que podemos predecir lo que va a
suceder con el proceso y sus productos.
A
diferencia del APC, en el SPC el
significado de control est ms vinculado
con el monitoreo del sistema que con la
actuacin sobre el mismo.

25

Se trata de diagramas en los que se

representa el comportamiento de un
proceso en el tiempo a travs de los valores
de un estadstico asociado con una
caracterstica de calidad del producto.
Desde el punto de vista estadstico, estos
grficos permiten realizar continuamente
pruebas de hiptesis sobre una de las
caracterstica del proceso.

26

El objetivo de los grficos de control es

facilitar la vigilancia del proceso para as
detectar rpidamente la presencia de
causas
asignables
y
minimizar
la
produccin defectuosa.
Los diagramas de control estn pensados
para ser usados directamente por los
propios operadores, de modo que las
acciones se tomen rpidamente.

27

Un grfico de control se construye a partir

de muestras tomadas regularmente en el
tiempo, para cada una de las cuales se
calcula un estadstico W asociado con un
parmetro de la distribucin de la
caracterstica de calidad. Estos valores se
grafican junto con una lnea central y un par
de lneas de control (superior e inferior).

28

3.5

Caracteristica de calidad

LSC
3.3

3.1

2.9

2.7
LIC
2.5

Tiempo

29

Para poder considerar al proceso bajo

control, los puntos del grfico deben estar
dentro de los lmites de control y presentar
comportamiento aleatorio.
Por simplicidad, las lneas suelen escogerse
en base a una aproximacin normal de W:

LC E (W )

LIC E (W ) 3 V (W )
LSC E (W ) 3 V (W )
30

Los valores de E(W) y V(W) pueden estimarse

de la muestra u obtenerse de registros
histricos.
En el segundo caso, es
importante recordar que los lmites se
refieren al proceso (lo que realmente
sucede
en
planta)
y
no
a
las
especificaciones de produccin (lo que
debera suceder en la planta).

31

Las muestras que se obtienen en cada punto

de observacin deben ser subgrupos
racionales.
La seleccin de la frecuencia de muestreo y
del tamao de los subgrupos debe estar
basada en los conocimientos que se tengan
sobre proceso. Usualmente se recomienda
tomar al menos 20 muestras para construir
los lmites de control.

32

Diagramas para control de variables: se

utiliza cuando la caracterstica de calidad
puede expresarse como una medida
numrica (dimetro de un cojinete, longitud
de un eje, etc.)
Diagramas para control de atributos:
se
utiliza cuando la caracterstica de calidad
corresponde
a
una
variable
binaria
(presencia o no de defectos, etc.)

33

Se supone que la distribucin de la

caracterstica de calidad es normal(,), al
menos aproximadamente. De aqu que se
requieran dos grficos, uno para cada
parmetro de la distribucin.
Los pares ms comunes son los de medias y
desviaciones estndar, los de medias y
rangos, y los grficos para observaciones
individuales y rangos mviles.

34

X R
Se construye un grfico para la evolucin de
las medias de los grupos (asociado con la
ubicacin de la caracterstica ) y otro para
la evolucin de los rangos (asociado con la
dispersin de la caracterstica ).
Se
utilizan los rangos para medir la
variabilidad ya que son fciles de calcular y
tienen una eficiencia similar a la desviacin
estndar para subgrupos pequeos.

35

Se toman k muestras de tamao n

(usualmente constante y menor a 7).
Se calcula la media y el rango de cada
muestra: n

1
X i xij
n j 1

Ri max xij min xij

j

Se estiman los promedios poblacionales

k

1
X Xi
k i 1

1
R Ri
k i 1
36

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

E( X i )
E ( Ri ) d 2

SD( X i )
n
SD( Ri ) d 3

E X
E R d 2

donde d2 y d3 son constantes que dependen solo

de n y pueden encontrarse en tablas como la
que se presenta a continuacin.

37

La
tabla
de
la
derecha muestra el
valor
de
las
constantes d2, d3, A2,
D3 y D4 para distintos
tamaos
de
los
subgrupos
racionales.

n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

d2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
3,532
3,588
3,640
3,689
3,735
3,778
3,819
3,858
3,895
3,931

A2
1,880
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
0,285
0,266
0,249
0,235
0,223
0,212
0,203
0,194
0,187
0,180
0,173
0,167
0,162
0,157
0,153

d3
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,778
0,770
0,763
0,756
0,750
0,744
0,739
0,734
0,729
0,724
0,720
0,716
0,712
0,708

D3
0,000
0,000
0,000
0,000
0,000
0,076
0,136
0,187
0,223
0,256
0,284
0,308
0,329
0,348
0,640
0,379
0,392
0,404
0,414
0,425
0,434
0,443
0,452
0,459

D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541
38

Si se conocen y , estos se pueden usarse

para calcular los lmites de control:
Medias

LSC A
LSC D2 R
A

3
n

LC
LC d 2

D1 d 2 3d 3

LIC A
LIC D1 R
D2 d 2 3d 3
39

Si no se conocen y (lo ms comn)

deben estimarse a partir de los datos.
Para las medias

LSC X A2 R

LC X

LIC X A2 R

LSC D4 R

LC R

LIC D3 R

A2

3
d2 n

d3
D3 1 3
d2

d3
D2 1 3
d2
40

Puede justificar estas selecciones para los

lmites de control?
Lo ms comn es trabajar con n fijo para
todos los subgrupos, sin embargo en
algunos casos esto no es posible. Cmo
quedaran los lmites de control en ese
caso?

41

Ejemplo
1.Se
muestran
datos
correspondientes
al
dimetro
de
un
alambre
(en
milmetros) para un
componente de la
turbina de un avin.
Se pueden ver los
clculos preliminares
en la misma tabla.

Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Observaciones en la muestra
33.00 29.00 31.00 32.00 33.00
33.00 31.00 35.00 37.00 31.00
35.00 37.00 33.00 34.00 36.00
30.00 31.00 33.00 34.00 33.00
33.00 34.00 35.00 33.00 34.00
38.00 37.00 39.00 40.00 38.00
30.00 31.00 32.00 34.00 31.00
29.00 39.00 38.00 39.00 39.00
28.00 33.00 35.00 36.00 43.00
38.00 33.00 32.00 35.00 32.00
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
27.00 32.00 34.00 35.00 37.00
33.00 33.00 35.00 37.00 36.00
35.00 37.00 32.00 35.00 39.00
33.00 33.00 27.00 31.00 30.00
35.00 34.00 34.00 30.00 32.00
32.00 33.00 30.00 30.00 33.00
25.00 27.00 34.00 27.00 28.00
35.00 35.00 36.00 33.00 30.00
Promedios:

Media
31.60
33.40
35.00
32.20
33.80
38.40
31.60
36.80
35.00
34.00
29.80
34.00
33.00
34.80
35.60
30.80
33.00
31.60
28.20
33.80
33.32

Rango
4.00
6.00
4.00
4.00
2.00
3.00
4.00
10.00
15.00
6.00
4.00
4.00
10.00
4.00
7.00
6.00
5.00
3.00
9.00
6.00
5.80

42

Los lmites de control son, en este caso,

Para el grfico de medias:

LIC X A2 R 33,32 0,577 5,8 29,95

LSC X A2 R 33,32 0,577 5,8 36,65
LC 33,32
Para el grfico de rangos

LIC D3 R 2,115 5,8 12,27

LSC D4 R 0 5,8 0
LC 5,8
43

10

15

R a n g o d e a p e rtu ra d e l a la b e
28

30

32

34

36

38

40

A p e rtu ra p ro m e d io d e l a la b e

LSC=36.67

LC=33.32

LIC=29.98

5
Muestra

10

LSC=12.27

LC=5.80

Muestra
10

15
20

15
20

44

Las muestras 6, 8, 11 y 19 estn fuera de

control en grfico de medias y la 9 lo esta
en el grfico de rangos.
Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el rea de moldeo. Los lmites deben ser
recalculados
excluyendo
estas
observaciones atpicas, obtenindose as un
nuevo grfico.

45

10

15

R a n g o d e a p e rtu ra d e l a la b e
28

30

32

34

36

38

40

A pe rtu ra p rom ed io d el a la be

LSC=36.10

LC=33.21

LIC=30.33

5
Muestra

10

LSC=10.57

LC=5.00

Muestra
10

15
20

15
20

46

El utiliza el mismo grfico de medias

anterior, pero ahora se estudia la dispersin
usando un grfico de las desviaciones
standard de cada subgrupo.
La desviacin muestral es un mejor
estimador de la variabilidad, pero ms difcil
de calcular. Se prefiere en procesos con
subgrupos racionales grandes (10 o ms) o
en procesos automatizados.

47

Se toman k muestras de tamao n.

Se
calcula la media y la desviacin
standard de cada muestra:
2
n
xij X i
1 n
j 1
X i xij
Si
n 1
n j 1

Se calculan los parmetros poblacionales.

k

1
X Xi
k i 1

1
S Si
k i 1
48

Para calcular los lmites de control

necesitamos conocer la esperanza y la
varianza de estos estimadores:

E( X i )

SD( X i )

E X

n
2
E ( S i ) c 4 SD ( S i ) 1 c 4 E S c 4
donde de nuevo c4 depende solo de n puede
obtenerse de tablas.

49

Si se conocen y el clculo de los lmites

de control es muy sencillo:
Para las medias:
Para las desviaciones estndar:

LSC A

LC

LSC B6 R

LC c 4

3
A
n

B5 c4 3 1 c42

LIC A
LIC B5 R

B6 c4 3 1 c42
50

Cuando no se conocen los valores de y

los mismos se calculan a partir de los datos
para obtener los lmites de control
Para el grfico de medias:

LSC X A3 S

LC X

LIC X A3 S

Para el grfico de desviaciones estndar:

LSC B4 S
A3

3
c4 n

LC S
LIC B3 S
1 c4
1 c4
B3 1 3
B4 1 3
c4
c4
51

Tabla 2.- La tabla de la

derecha muestra el
valor de las constantes
c4, A3, B3 y B4 para
distintos tamaos de
los
subgrupos
racionales.

n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

c4
0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
0,9754
0,9776
0,9794
0,9810
0,9823
0,9835
0,9845
0,9854
0,9862
0,9869
0,9876
0,9882
0,9887
0,9892
0,9896

A3
2,6590
1,9540
1,6280
1,4270
1,2870
1,1820
1,0990
1,0320
0,9750
0,9270
0,8860
0,8500
0,8170
0,7890
0,7630
0,7390
0,7180
0,6980
0,6800
0,6630
0,6470
0,6330
0,6190
0,6060

B3
0,0000
0,0000
0,0000
0,0000
0,0300
0,1180
0,1850
0,2390
0,2840
0,3210
0,3540
0,3820
0,4000
0,4280
0,4480
0,4660
0,4820
0,4970
0,5100
0,5230
0,5340
0,5450
0,5550
0,5650

B4
3,2670
2,5680
2,2660
2,0890
1,9700
1,8820
1,8150
1,7610
1,7160
1,6790
1,6460
1,6180
1,5940
1,5720
1,5520
1,5340
1,5180
1,5030
1,4900
1,4770
1,4660
1,4550
1,4450
1,4350
52

1.0

En general, es preferible utilizar ms de una

observaciones para estimar el estado del
proceso en cada instante de tiempo.

0.2

0.4

0.6

0.8

k=1.0
k=1.5
k=2.0

0.0

Probabilidad de detectar un cambio de k varianzas en la media

Numero de elementos en el supgrupo racional

53

Sin embargo, en algunos procesos no es

posible obtener ms de una observacin:
Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
Donde se quiere comparar cada producto con la
especificacin (se producen pocos artculos y son
muy caros).
En procesos continuos, donde no hay individuos.

54

Cuando solo se dispone de una observacin

en cada instante es necesario modificar los
diagramas anteriores ya que ni podemos
promediar en cada punto ni es posible
obtener estimaciones de la variabilidad en
cada instante.
As, el grfico de medias se sustituye por el
grfico de las observaciones y el de rangos
por el de rangos mviles.

55

El rango mvil utiliza la informacin de las

ltimas w observaciones para estimar la
variabilidad.

Para w = 2

Estos grficos son ms susceptibles a

alteraciones en la hiptesis de normalidad
de la caracterstica de calidad.
Puede
explicar por qu?

56

Se toma una observacin para cada uno de k

puntos en el tiempo.
Para cada instante se calcula el rango mvil
basado en w observaciones, definido por

Ri max x j min x j , 1 i k w 1
i j i w 1

i j i w 1

Se estiman los parmetros poblacionales

1 k
X xi
k i 1

k w 1
1
R
Ri

k w 1 i 1

57

Los lmites de control y lnea central son:

Para el grfico de medias:

LSC X 3 R d 2

LC X

LIC X 3 R d 2

Para el grfico de rangos:

LSC D4 R

LC R

LIC D3 R

Para obtener d2, D3, D4 y se utiliza la tabla 1

con n = w. Usualmente se escoge w = 2 por
simplicidad.

58

Diagramas
de
sumas
acumulativas
(CUSUM), los cuales permiten detectar ms
rpidamente cambios en la media de una
variable.
Grficos
de medias mviles pesadas
exponencialmente (EWMA), para procesos
donde
las
observaciones
no
son
independientes (procesos continuos).

59

Se consideran dos situaciones:

Nos interesa la presencia o ausencia del atributo
en el individuo, o se trata de un atributo que solo
puede presentarse una vez (un fusible est
quemado o no) Diagrama p.
Nos interesa contar el nmero de veces que se
presenta el atributo en cada individuo (poros en
una superficie plstica extruida) Diagramas u.

60

Se utiliza para atributos binarios, y por

tanto el nmero de ocurrencias del mismo
en un lote puede modelarse por una v.a.
Binomial. As, basta con un grfico que
corresponde a la proporcin p de
defectuosos en la muestra.
El otro parmetro de la distribucin (n),
puede ser constante o no y es conocido.

61

Se toman k muestras cada una de tamao ni

(ni suele escogerse de manera que se
presenten por lo menos tres o cuatro
defectos).
Se calcula la fraccin de individuos con el
atributo en la muestra pi.
ei Nmero de artculos defectuosos en el grupo
pi

ni
Nmero de artculos en el grupo
Se grafican los valores de pi en el tiempo.

62

Se estima el parmetro poblacional

k

ni p i
i 1
k

ni

Total de artculos defectuos

Total de artculos muestreados

i 1

Se obtienen y grafican los lmites de control

y la lnea central.

LSC min

p (1 p )
p (1 p )
p3
,1
LIC max p 3
,0
ni
ni

LC p
63

El inters se centra ahora en ci,el nmero

de veces que el atributo se presenta en
cada individuo (no solo su presencia).
Si se supone que la tasa de ocurrencia de
los eventos que generan el atributo es
constante entonces es razonable asumir
que la v.a. sigue una distribucin de
Poisson, y por tanto, hay que monitorear un
solo parmetro ().

64

Se toman ni individuos (con ni tal que se

presente el atributo alrededor de 10 veces)
en cada uno de k puntos en el tiempo.
Se calcula el nmero promedio de defectos
en cada instante:
ci Veces en que se presenta el atributo en el grupo
i

ni
Nmero de artculos en el grupo

Se grafican los valores de i en el tiempo.

65

Se estima
el parmetro poblacional
k
ci
Total de defectos
i 1
k

Total de artculos muestreados

ni
i 1

Se obtienen y grafican los lmites de control

y la lnea central.

LSC 3
ni

LC

LIC 3
ni
66

Ejemplo 2: En una lnea de estampado de

telas, se toman rollos de 50 metros de tela
y se cuenta en cada uno de ellos el nmero
de manchas de pintura que se presentan.
Los resultados para 10 muestras se
muestran a continuacin:

Muestra
1
2
3
4
5
6
7
8
9
10 Total
Defectos 14 12 20 11
7 10 21 16 19 23
153
Num de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84 1,42
67

3.0
2.5
2.0
1.5
1.0

Tasa de defectos por rollo

0.5

10

Tiempo

El grfico muestra un proceso claramente

bajo control.
68

En este caso una unidad corresponde a

un rollo de tela de 50 metros cuadrados.
Otra eleccin adecuada para la unidad sera
simplemente los metros cuadrados. Cmo
quedara el grfico de control en ese caso?
Proveen la misma informacin ambos
grficos?

69

En algunos casos no todos los tipos de

defectos que pueden presentar las piezas
tienen la misma gravedad. En ese caso hay
dos opciones:
Construir un grfico u para cada uno de los tipos
de defectos.
Asignar un puntaje a cada tipo de defecto
dependiendo de su gravedad y luego graficar un
ndice promediado de los defectos.

70

Defecto
Demritos
#/ unidad

Grave
10
x3

Normal
5
x2

Leve
1
x1

En este caso se construye un grfico muy

similar al grfico u, pero donde la variable
de inters no es el nmero de defectos sino
el total de demritos por unidad:
cmo hallar la esperanza y la varianza de
d?
d x1 5 x2 10 x3

71

Grficos np para control del nmero de

defectuosos. Se utilizan en las mismas
circunstancias que los grficos p, pero
necesitan que el nmero de individuos
muestreados sea constante en el tiempo.
Grficos c para control de la cantidad de
defectos, que son un caso particular de los
grficos u. Tambin suponen un nmero de
individuos fijo en el tiempo

72

Construccin de lmites de control en base a

valores histricos de los parmetros.
Construccin probabilstica de los lmites de
control. Aunque en la mayor parte de los
casos los lmites son aproximadamente
iguales a los limites probabilsticos, para
muestras pequeas es posible mejorar.

73

Necesitamos determinar si el proceso est

bajo control, lo cual se traduce en que los
puntos mostrados estn dentro de los
lmites de control y presenten un
comportamiento aleatorio.
Para esto se utilizan una serie de reglas
empricas, cuya presentacin se facilita si el
rea dentro de los lmites de control se
divide en regiones iguales.

74

10.5

Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

Zona A

Zona A

10

15

20

25

Muestra

75

A las reglas empricas que se utilizan para

determinar si un proceso est bajo control
se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy
baja probabilidad de ocurrir si el proceso
est bajo control.
Cada una de ellas provee informacin sobre
el tipo de causa asignable que puede estar
afectando al proceso.

76

10.5

Un punto fuera de la zona A.

Corresponde a un cambio repentino en la
media o la dispersin del proceso.

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

C aracterstica de C alidad

Zona A

10

15

20

25

Muestra

77

10.5

Siete puntos en fila, todos crecientes o

decrecientes. Se presenta cuando hay
cambios paulatinos en la media, debida a
desgastes en herramientas o personal.

Zona A

10.0

Zona B
Zona C
Zona C
Zona B

9.5

C aracterstica de C alidad

Zona A

10

15

20

25

Muestra

78

1 0 .5

Catorce puntos en fila alternando

arriba y abajo.
Indica correlacin
negativa entre los datos (cuando hay
excesos en una, a la siguiente pieza es
muy reducida y viceversa).
Zona A

1 0 .0

Zona B
Zona C
Zona C
Zona B

9 .5

C a ra c te rs tic a d e C a lid a d

Zona A

10

15

20

25

Muestra

79

10.5

Quince puntos en fila en la zona C. El

proceso ha reducido su varianza (hay
sobreestabilidad en el sistema).
Es
importante investigar la fuente de la
mejora.
Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

Zona A

10

15

20

25

Muestra

80

1 0 .5

Dos de tres puntos consecutivos en la

zona A o ms all.
Indican un
incremento en la varianza del proceso.

Zona A

1 0 .0

Zona B
Zona C
Zona C
Zona B

9 .5

C a ra c te rs tic a d e C a lid a d

Zona A

10

15

20

25

Muestra

81

10.5

Estructuras peridicas.
Estas estn
asociadas normalmente con cambios de
turnos, operarios, das de la semana, etc.

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

Zona A

10

15

20

25

Muestra

82

Nunca trate de explicar la influencia de

todos y cada uno de los eventos que
ocurren en la planta a travs de grficos de
control.
El procedimiento correcto es
detectar ALARMAS y luego usar los registros
de eventos para determinar si corresponden
a causas asignables o a causas comunes.

83

El calculo del nivel de significancia para las

reglas de parada que se establezcan es
importante para un correcto anlisis. Un
punto que incumple una regla de parada es
una ALARMA pero no necesariamente
significa que nuestro proceso est fuera de
control, ya que si no podemos ligarlo a una
causa asignable puede tratarse del azar.

84

Ejemplo 3.- Dentro de

un proceso de moldeo
de PVC las piezas
elaboradas pueden
presentar o no defectos
superficiales. Cada da
se toman 100 piezas al
azar de la lnea de
produccin y se cuenta
el nmero de piezas
defectuosas.

Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Defectos
9
16
5
6
7
9
3
9
10
4
7
10
6
6
7

Da
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Defectos
9
5
6
4
11
3
1
3
0
4
6
1
6
5
4

85

Tambin se dispone de un registro de

eventos en la lnea, que puede resumirse
como:
Da
Evento
5
Reemplazo de la mezcladora.
10 Nuevo empleado asume la operacin del
proceso.
18 Se comenz a utilizar resina (materia
prima) de otro proveedor.
22 Sustitucin del sistema de enfriamiento, lo
que permiti un incremento en la
temperatura de inyeccin de PVC.
86

0.20
0.15
0.10

LSC=0.1323

0.05

LC=0.0606

0.0

Proporcion de piezas con defectos superficiales

El grfico p correspondiente a estos datos es

el siguiente

LIC=0.0000
0

10

15

20

25

30

Dia

87

Si bien el punto 2 aparece fuera de los

lmites, no existe en el registro ningn
evento que nos haga creer que el proceso se
encontraba fuera de control.
Al llegar al punto 29 se presenta una racha
de 9 puntos bajo la lnea central (lo cual
tiene una probabilidad de 0,00195 en un
proceso bajo control). Esto se puede
relacionar con el cambio en el sistema de
enfriamiento (da 22). El 30 es similar.

88

Nuestra conclusin es que la temperatura

de inyeccin influye sobre la frecuencia en
que aparecen defectos superficiales. El
cambio del sistema de enfriamiento
permiti elevar la temperatura, lo cual
redujo el nmero de defectos.
Para avalar nuestra observacin se podra
haber realizado una prueba de igualdad de
proporciones.

89

La literatura suele distinguir entre dos tipos

de tolerancias:
Tolerancias de diseo: las cuales son fijadas por
el
departamento
de
ingeniera.
Estn
relacionadas con el concepto de calidad en el
diseo.
Tolerancias de naturales: que vienen dadas por
las caractersticas de la mquina o proceso.

90

Si las tolerancias naturales de un proceso

son ms estrictas que las tolerancias de
diseo entonces es fcil obtener calidad de
conformidad.
Sin embargo, si las tolerancias de diseo se
vuelven incompatibles con las tolerancias
naturales
de
nuestro
proceso,
muy
difcilmente lograremos elaborar productos
que las satisfagan.

91

Mercado

Tolerancias naturales

Tolerancias de diseo

Las tolerancias de diseo deben ser

realistas: deben representar un
compromiso entre el mercado y nuestro
sistema de produccin.
92

Su objetivo es cuantificar la variabilidad

inherente a un proceso o a una parte del
mismo (determinar tolerancias naturales) y
analizar dicha variabilidad en relacin con
las
especificaciones
del
producto
(tolerancias de diseo).
No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado
de control.

93

Los objetivos que se pueden perseguir a la

hora de realizar un estudio de capacidad
pueden ser diversas:
Determinar si nuestros procesos son capaces de
elaborar productos con la calidad que requiere el
mercado. Esto permite detectar la necesidad de
acciones drsticas.
Determinar valores razonables para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.

94

En la industria a veces se habla de dos

tipos de capacidad
Capacidad de las mquinas (u operarios) o
capacidad a corto plazo.
Capacidad del proceso o capacidad a largo plazo.

Los requisitos de capacidad a corto plazo

suelen ser ms exigentes que los de largo
plazo, puede decir por qu?

95

Se dice que un proceso es capaz para

producir un determinado artculo a un nivel
de calidad si la probabilidad de que los
productos que se elaboran correspondan
con las especificaciones es al menos .
Est concepcin est ligada a una funcin
de utilizada 0-1.

96

El resultado de un estudio de capacidad

suele presentarse en la forma de un
histograma al cual se le aaden indicaciones
sobre el valor objetivo de la caracterstica
de calidad y los lmites de especificacin de
la misma. Tambin pueden utilizarse los
diagramas de control.
Adems, suelen utilizarse algunos ndices
para facilitar el anlisis.

97

Si los procesos estn centrados:

Capacidad de mquinas
Capacidad de procesos

LST LIT
Cm
8
LST LIT
Cp
6

Los valores de 6 y 8 se han fijado de

modo que la conformidad sea de al menos
99.865% y 99.997% si los datos provienen
de una distribucin normal.
98

Ciertas industrias (aviacin, automviles)

utilizan otros valores como 10 y 12.
Se desea que el ndice de capacidad sea
tan grande como sea posible:

Si Cp < 1 se dice que el proceso no es capaz.

Si 1 < Cp < 1.33 el proceso es capaz, pero cualquier
pequeo cambio en las condiciones puede hacer
que pierda esta cualidad.
Si Cp > 1.33 el proceso es capaz y robusto.

99

Cuando el proceso no est centrado se hace

necesario redefinir los ndices.
Para mquinas:

C mk

LST X X LIT
min
,

Para procesos:

C pk

LST X X LIT
min
,

3
3

10
0

Puede comprobarse fcilmente que

C mk C m

C pk C p

y que la igualdad se cumple si y solo si el

proceso est centrado. Adems, entre
mayor es la diferencia, mayor es el
descentramiento
Los ndices Cmk y Cpk pueden interpretarse
como la capacidad hasta la tolerancia ms
prxima.

10
1

De hecho, la misma idea sobre la que se

basan estos ndices puede utilizarse en el
caso de especificaciones unilaterales.
Cmo podra hacerlo?
En algunos casos se estudia la evolucin de
la capacidad del proceso en el tiempo
mediante grficos de control.

10
2

Si la distribucin de los datos no es normal,

es posible que aparezcan ms defectos de
los que se esperan bajo un ndice de
normalidad.
Una forma de corregir el problema es hallar
lmites
universales
(desigualdad
de
Chebyshev), pero estos tendern a ser
demasiado amplios.
Otra forma es ajustar una distribucin.

10
3

Ejemplo 5:
Se tienen datos sobre la
resistencia a la presin interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los grficos de
control correspondientes pueden verse a
continuacin. Las especificaciones para el
proceso establecen que la resistencia debe
ser superior a 200, y no se establecen
valores mximos.

10
4

3
5
0
3
0
0
2
5
0
2
0
0

M
e
d
i
a
s

10

11

12

13

14

15

16

17

18

19

20

11

12

13

14

15

16

17

18

19

20

1
0
0
0
1
0
0

R
a
n
g
o
s

2
0
0

10
x

10
5

De las grficas es claro que el proceso est

bajo control. Por tanto podemos estimar la
variabilidad natural del proceso debida a
causas comunes como:
R
77,3

33,23
d2
2,326

y la localizacin del proceso como

X 264,06

10
6

Ntese que el lmite de especificacin es

unilateral (botellas con mucha resistencia
no son de ningn modo defectuosas). As
LIT 264,06 200
pues:

C pkl

3 33,23

0,64

Lo cual es un valor muy bajo, especialmente

si consideramos que se trata de un
parmetro relacionado con la seguridad.

10
7

35
21
14
0

Frecuencia absoluta

28

LIE

160

180

200

220

240

260

280

300

320

340

360

Resistencia interna

La muestra presenta un 3% de observaciones fuera de

especificacin, en lnea con el 2,6% que se espera de la
aproximacin normal. Cmo se obtiene este ltimo
nmero?

108

Este es un ejemplo de un proceso bajo

control (estable) pero que funciona a un
nivel de calidad inaceptable (capacidad
insuficiente).
La produccin de artculos defectuosos en
este caso no puede ser controlada por el
operario ya que solo estn presentes
causas comunes.
Es necesaria la
intervencin de la gerencia.

10
9

De hecho, es fcil calcular el nivel de

variabilidad aceptable para el proceso. Si
se desea un ndice de capacidad de 1,33
entonces

LIT 264,06 200

16,055
3 1,33
3 1,33

es decir, se hace necesario

dispersin a menos de la mitad.

cortar

la

110

Con el advenimiento del SPC el muestreo se

concibe como un medio para determinar
conformidad ms que para mejorar calidad
de los productos.
Aunque el objetivo filosfico de la calidad
total es cero defectos, en la aplicacin
prctica se tolera un cierto nivel de
disconformidades. Se trata de lograr un
compromiso entre el SPC y la inspeccin

111

Aceptacin ciega (no inspeccin): para

piezas no crticas o piezas baratas con
defectos fcilmente descartables.
Inspeccin completa: se justifica cuando

C d p Ci

Inspeccin por muestreo: cuando esto no se

cumple, o cuando el volumen de piezas es
alto o si los ensayos son destructivos.

112

Ventajas
Es menos costoso.
Hayun menor manejo
del producto.
Puede aplicarse en
pruebas destructivas.
A menudo reduce los
errores de inspeccin.
Rechazar lotes enteros
impone presin.

Desventajas
Existe el riesgo de
aceptar lotes
malos y rechazar
buenos.
Se obtiene menos
informacin.
Se necesita
planificacin previa.

113

En base al tipo de caracterstica medida:

Planes de muestreo por atributos.
Planes de muestreo por variables.

En base al nmero de muestras tomadas:

Planes de muestreo simple.
Planes de muestreo mltiple.
Planes de muestreo secuencial.

114

Las condiciones de produccin de las

unidades que conforman los lotes deben ser
homogneas.
Las muestras que se tomen deben ser
aleatorias y representativas de todos los
artculos del lote.
Es preferible utilizar lotes grandes en lugar
de lotes pequeos.

115

Si se utilizan mtodos de juicio para

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

116

Cuando los productos se reciben uno por

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

nk
P (i simo entre en la muestra )
N i 1
117

Este tipo de planes son los difundidos en la

prctica comercial ya que son a la vez
verstiles y sencillos de aplicar.
Para definir un plan de muestreo simple por
atributos es necesario fijar dos parmetros:
el tamao de la muestra n y el nmero de
aceptacin c. Cualquier lote que presente
una muestra con ms de c unidades
disconformes es rechazado.

118

El valor de la variable aleatoria C, nmero de piezas

defectuosas contenido en una muestra de una
poblacin viene dado por una distribucin
hipergeomtrica

(1 p ) N

nc

P (C c)
N

n
donde p es la proporcin de disconformes
en el lote
(punto de vista del consumidor).
pN

119

Cuando el tamao del lote N es grande

respecto al tamao de la muestra n, la
distribucin puede aproximarse por una
binomial.
n c
P (C c) p (1 p ) n c
c

La misma distribucin es exacta cuando

consideramos el proceso desde el punto de
vista del productor. Por qu?
12
0

Las curvas CO muestran la probabilidad de

aceptacin del lote como funcin de la
fraccin defectuosa contenida en este.
A cada plan de muestreo (o sea, a cada par
de valores n y c) le corresponde una curva
CO distinta.
Usualmente, la eleccin de un plan se basa
en su curva CO.

12
1

0.0

0.2

0.4

0.6

0.8

1.0

Por ejemplo, la curva CO para el plan con N

= 1000, n = 89 y c = 2 es

Probabilidad de aceptacion del lote

0.0

0.02

0.04
Proporcion de defetos en el lote

0.06

0.08

12
2

Suele distinguirse entre curvas CO de tipo A

o curvas CO del consumidor cuando las
mismas se construyen a partir de la
distribucin hipergeomtrica y curvas CO
tipo B o curvas CO del productor cuando las
mismas se construyen a partir de la
distribucin binomial.

12
3

0.8

1.0

Curvas CO tipo A y B para n = 25 y c = 0.

0.2

0.4

0.6

N=100
N=Infinito

0.0

Probabilidad de aceptacion del lote

0.0

0.02

0.04

0.06

Proporcion de defetos en el lote

0.08

0.10

12
4

Como la diferencia entre las curvas

mostradas es pequea, en la prctica los
planes se disean basandose las curvas tipo
B. Estos permite disear los planes
independientemente del tamao del lote.
Sin embargo debe recordarse que para el
consumidor esto es una aproximacin cuya
validez debe verificarse en cada caso.
Cmo sera la curva CO ideal?

12
5

1.0

Curvas CO con relacin n/N fija y c = 0.

0.2

0.4

0.6

0.8

N = 50,n = 5
N = 100,n = 10
N = 200,n = 20
N = 1000,n = 100

0.0

Probabilidad de aceptacion del lote

0.0

0.02

0.04

0.06

0.08

0.10

Proporcion de defetos en el lote

12
6

El diseo clsico de planes de muestreo se

basa en la especificacin de algunos puntos
dentro de la curva CO.
NCA: nivel de calidad aceptable, es el peor nivel
de calidad que el consumidor considera
aceptable como media del proceso.
: riesgo del productor, es la probabilidad de que
el plan rechace un lote con una proporcin
defectuosa igual al NCA. Se desea que sea bajo
para proteger al productor.

12
7

 NCL: nivel de calidad limitativo, es el peor nivel

de calidad que el consumidor considera
aceptable en un lote individual.
: riesgo del consumidor, es la probabilidad de
que el plan acepte un lote con una proporcin
defectuosa igual al NCL. Se desea que su valor
sea pequeo ya que se trata del tope aceptable
por el consumidor.

12
8

Una vez que se fijan estos cuatro valores la

curva caracterstica est determinada en
forma nica y por tanto el plan de muestreo
tambin. Para obtener n y c hay que
resolver las ecuaciones:
c

n!
1
NCA d (1 NCA) n d
d 0 d !( n d )!
c
n!

NCLd (1 NCL ) n d
d 0 d !( n d )!
12
9

Si NCA < NCL y < 1 - , este par de

ecuaciones siempre tienen solucin
(aunque no en forma explcita). Sin
embargo, dependiendo de cmo se fijen los
parmetros anteriores es posible que el
plan sea irrealizable en la prctica.
En general mientras ms cercanos sean el
NCA y el NCL mayor ser el tamao de la
muestra n y, por tanto, ms complejo el
plan.

13
0

En estos planes la decisin tras observar la

primera muestra tomada del lote puede ser
aceptarlo, rechazarlo o tomar una segunda
muestra. Si esto ltimo se decide entonces
la aceptacin o el rechazo se basan en la
informacin proveniente de ambas
muestras.

13
1

As pues, para determinar un plan de

muestreo doble es necesario fijar cuatro
valores: el tamao de la primera muestra
(n1), el nmero de aceptacin de la segunda
muestra (c1), el tamao de la segunda
muestra (n2) y el nmero de aceptacin
para ambas muestras combinadas (c2).

13
2

Si llamamos di al nmero de defectos en la

i-sima muestra podemos resumir as:
Tomar muestra
de tamao n1

Tomar muestra
de tamao n2

Rechazar lote
NO

NO
d1 c1?
SI
Aceptar lote

NO

d1 + d2 c2?
d 1 > c2 ?

SI

SI
Rechazar lote

Aceptar lote

13
3

Dos ventajas de estos planes son:

Cuando se utiliza reduccin en la segunda
muestra pueden haber ahorros importantes.
Sicolgicamente son ms fciles de aceptar ya
que estos planes le dan al lote una segunda
oportunidad.

La principal desventaja de los planes dobles

es que requieren mayor planificacin
previa.

13
4

El clculo de las curvas CO es ahora ms

complejo. Llamando Xi al nmero de
disconformes en la i-sima muestra (i = 1,2)
entonces Pa, la probabilidad de aceptacin
del lote, es:
Pa P( X 1 c1 ) P (c1 X 1 c2 ) P ( X 1 X 2 c2 | c1 X 1 c2 )
c2

P( X 1 c1 ) P( X 1 d ) P( X 2 c2 d )
d c1

c1

c 2 c2 d

P( X 1 d ) P( X 1 d ) P( X 2 s)
d 0

d c1 s 0

13
5

Igualmente existen curvas tipo A (cuando

se usa la distribucin hipergeomtrica para
las Xi) o tipo B (cuando se usa la
distribucin binomial).
Muchas veces se incluye tambin una curva
CO para la primera y para la segunda
muestras por separado, las cuales se hayan
de la misma forma que se hizo en los
planes simples.

13
6

Por ejemplo, para el plan n1 = 50, c1 = 1, n2 =

100, c2 = 3 las curvas tipo B son:

Prob. acep. combinada

Prob. acep. 1 muestra
Prob. rech. 1 muestra (derecha)

0.0

0.05

0.10

Proporcion disconforme en el lote

0.15

13
7

Es importante destacar que la probabilidad

de aceptacin y rechazo en la primera
muestra no suman 1, ya que se le da
oportunidad a tomar una segunda muestra.
El diseo en este caso tambin se hace
especificando NCA, , NCL y . Sin
embargo la solucin de las ecuaciones es
en este caso ms complicado.

13
8

Es importante conocer cual es el nmero

promedio de inspecciones que se van a
realizar bajo el plan de muestreo doble,
como funcin del verdadera proporcin
disconforme en lote. Si las dos muestras se
toman completamente, el clculo es muy
sencillo a partir de las curvas CO:

NMM n1 n2 P( X 1 c1 )
13
9

Sin embargo, cuando se utiliza reduccin

(es decir, si se interrumpe la toma de la
segunda muestra cuando el total de
disconformes supera a c2) el nmero
muestral medio es menor y el clculo es
ms engorroso.
Note que la reduccin podra utilizarse
tambin en planes de muestreo simple.
Por qu esto no se hace?

14
0

Es una norma militar publicada en 1963.

Presenta planes de muestreo simples,
dobles y mltiples.
Est basado en el NAC.
Se puede utilizar para controlar la
proporcin de defectos o el nmero de
defectos por unidad.
La norma equivalente venezolana es la
COVENIN 3133-1:1997 (ISO 1859-1:1989)

14
1

Determinar el nivel de inspeccin, el cual

est relacionado con el tamao muestral.
Usualmente se utiliza el nivel II pero el nivel
III se usa cuando el costo de inspeccin es
bajo y el nivel I cuando el costo es alto. Los
planes especiales se utilizan con ensayos
son destructivos, en los cuales se desean
tamaos mnimos.
Determinar el tamao del lote.

14
2

Hallar la letra cdigo del plan.

14
3

Elegir el nmero de muestras del plan de

muestreo: simple, doble o mltiple.
Elegir el NAC (en porcentaje).
Seleccionar el tipo de inspeccin (normal,
reducida o severa). El plan contiene reglas
para saltar entre los distintos planes (ver
siguiente lmina).
Usando el NAC y la letra cdigo determinar
el plan a partir de las tablas.

14
4

Inicio
Se aceptan 10
lotes consecutivos

Reducida

Se rechazan 2 de 5
lotes consecutivos

Normal

Se rechaza 1 lote o
la produccin es irregular

Severa

Se aceptan 5
lotes consecutivos

Interrupccin

10 lotes
consecutivos
bajo
inspecdin
estricta
14
5

Planes para muestreo simple con nivel de

inspeccin normal.

14
6

Si en la posicin correspondiente no se
encuentra ningn plan, seguir la flecha
hasta encontrar uno. Se debe tomar
entonces el nuevo tamao muestral y el
nuevo nmero de aceptacin.
Si tamao muestral es mayor que el del
lote, realice inspeccin al 100%.

14
7

Ejemplo 7: suponga que se espera recibir

lotes de 2.000 de un proveedor nuevo, y
que la gerencia ha decido soportar un NAC
de 0.1%. Le piden que determine un plan
de muestreo para investigar la calidad de
los artculos del proveedor. Tome en cuenta
que la inspeccin de este tipo de productos
es muy fcil y barata.

14
8

Para obtener la letra cdigo del plan

necesitamos el tamao del lote N (el cual
conocemos) y el nivel de inspeccin. Como
la inspeccin de estos artculos es sencilla y
barato, podemos utilizar un nivel de
inspeccin III, lo cual implica que el tamao
de nuestras muestras n va a ser un poco
ms grandes que con cualquier otra
alternativa.

14
9

Una vez que obtenemos la letra cdigo L, lo

nico que necesitamos es determinar el
nivel de inspeccin. Como se trata de un
nuevo proveedor, escogemos un nivel
normal. Entrando en la tabla
correspondiente, con un NAC de 0.1 y la la
letra cdigo L, el plan de muestreo simple
correspondiente es n = 150 y c = 0 (como no
hay plan, se sigue la flecha)

15
0

Cuando un lote es rechazado por el plan de

muestreo lo ms comn es que este sea
inspeccionado al 100% (bien sea por el
productor o por el consumidor). En ese caso
los artculos disconformes son eliminados o
reemplazados, de modo que la proporcin
disconforme de estos lotes es cero.

15
1

El esquema de inspeccin en este caso se

puede resumir en el siguiente grfico
p = p0
Lotes
aceptados
Lotes
entrantes
p = p0

Lotes
salientes
Lotes
rechazados

Inspeccin
al 100%

p < p0

p=0
15
2

Es importante conocer cual la calidad promedio de

los lotes una vez que se ha realizado la depuracin
de los rechazados. Esto se conoce como la calidad
media de salida (CMS) y se calcula como

Pa p ( N n)

yPaP pes la
donde pCMS
es la fraccin
defectuosa
probabilidad de aceptarNel lote.
a

15
3

0.0

0.005

0.010

0.015

La curva CMS para un plan de muestreo

simple con n = 89 y c = 2 es:

Calidad media de salida (CMS)

0.0

0.02

0.04

0.06

0.08

0.10

Proporcion de defetos en el lote

15
4

Otra caracterstica importante de los planes

de muestreo rectificativo es el nmero de
artculos inspeccionados en el lote. A esto
se le conoce como la inspeccin total media
(ITM) y viene dado por:

ITM n (1 Pa )( N n)
15
5

8000

10000

La curva ITM para el mismo plan de

muestreo simple con n = 89 y c = 2 es:

2000

4000

6000

N=1000
N=5000
N=10000

Inspeccion total media (ITM)

0.0

0.02

0.04

0.06

0.08

0.10

Proporcion de defetos en el lote

15
6