GRFICAS PARA CONTROL DE PROCESO

En general, las variaciones que ocurren en un proceso de produccin caen en dos amplias categoras; variaciones aleatorias y variaciones con causas asignables. Las variaciones aleatorias pueden tener un complejo de causas reales menores, ninguna de las cuales es responsable por parte importante de la variacin total. La realidad es que estas variaciones ocurren de forma aleatoria y es muy poco lo que puede hacerse respecto a ellas dado el proceso en que ocurren. Por otra parte, las variaciones con causas asignables son relativamente grandes y pueden rastrearse hasta su origen. En general, las causas asignables son resultado de: 1. Diferencia entre los trabajadores. 2. Diferencia entre las mquinas. 3. Diferencias entre materiales. 4. Diferencias debidas a la interaccin entre cualesquiera dos o tres de las causas anteriores. Puede desarrollarse un conjunto parecido de causas asignables para cualquier proceso. Por ejemplo, las causas asignables para una variacin en el ausentismo puede ser una epidemia, cambios en las relaciones interpersonales dentro de la familia o en la situacin laboral del empleado, entre otras. Cuando un proceso se encuentra en un estado de control estadstico, las variaciones que ocurren en el nmero de defectos, la magnitud de una dimensin, la composicin qumica, el peso y otras parecidas se deben solamente a una variacin aleatoria normal. Con la grfica de control se

establecen estndares de variacin normal esperada debida a causas aleatorias. De esta forma,. Cuando las variaciones debidas a unas o ms de las causas asignables se traslapan de inmediato saltan a la vista e indican que algn componente bsico ha cambiado. Entonces es posible investigar para encontrar la causa asignable y corregirla. Estos mecanismos de control estadstico se denominan grficas de control. Marco Conceptual para grficas de control Si se toma un conjunto de medidas en secuencia, los datos pueden acomodarse como una distribucin y calcular la media y la desviacin estndar. Si se tiene entendido que los datos provienen de una distribucin normal de la poblacin, pueden establecerse estimados precisos respecto a la probabilidad de ocurrencia asociada con las medidas, dada en unidades de desviacin estndar como sigue: 68.26 por ciento de los valores normalmente caen dentro de + 95.45 por ciento de los valores normalmente caen dentro de + 2 99.73 por ciento de los valores normalmente caen dentro de + 3 Estos valores porcentuales representan el rea bajo la curva normal entre los lmites dados; por tanto, indican la probabilidad de ocurrencia para los valores que provienen de la distribucin normal que gener las mediciones. Por ejemplo, la probabilidad es de 95.45 en 100 de que una medida obtenida en forma aleatoria caiga dentro de los lmites de 2 y solamente 4.55 en 100 de que caiga fuera de estos lmites. Estos valores, as como los valores decimales para provienen de la tabal para la distribucin normal de probabilidad disponible como en la tabla 6 en el

apndice.

La tolerencia natural de un proceso, es decir, la variacin

esperada en el proceso, generalmente se considera como + 3. Los estimados de la tolerancia natural se basarn en informacin de la muestra. Se utilizar la siguiente notacin: = Media de la poblacin (parmetro)
__

x = Media de una muestra obtenida de la poblacin (estadstica)

. = Desviacin estndar de la poblacin (parmetro) s = Desviacin estndar de una muestra obtenida de la poblacin estadstica. Dado que debe usarse informacin de la muestra para estimar las medias y las desviaciones estndar de la poblacin, la tolerancia natural de un proceso se estima sustituyendo muestra. Clases de grficas control Generalmente se utilizan dos tipos bsicos de grficas de control., con algunas variantes: Grficas de control para variables. Grficas de control para atributos
__

x+

3s en las estadsticas de la

Las grficas de control para variables son utilizadas cuando el parmetro bajo control es alguna medida de una variable, tal como la dimensin de una parte, el tiempo para realizacin de un trabajo y otras. Las grficas de variables pueden basarse en mediciones individuales, valores de

la media de muestras pequeas, valores de la media de mediciones de variabilidad. Las grficas de control para atributos se emplean cuando el parmetro bajo control es la proporcin o fraccin de unidades defectuosas. Existen diversas variantes de las grficas para control de atributos. Las grficas de control para el nmero de defectos por unidad se utilizan cuando un solo defecto no tiene demasiada importancia pero un gran nmero de defectos puede dar como resultado un producto defectuoso, como en el caso del nmero de rayones en una superficie pintada. A continuacin se analizarn todos los tipos anteriores de grficas de control, suministrando las bases para su diseo: Mediciones individuales (muestra de uno) Si se han establecido estndares para la media y la desviacin estndar de una variable con distribucin normal resultante de condiciones normales, estos datos pueden usarse para construir una grfica de control. Tomando la tolerancia natural de los lmites + 3s como un estndar de variacin para la media, las mediciones individuales pueden gratificarse para determinar si los puntos caen dentro de los lmites de control de + 3s o si muestran una tendencia a desviarse ms all de uno de los lmites de control. Se sabe que si muestras sucesivas son representativas de la poblacin original, la probabilidad de que una muestra caiga fuera de los lmites de control establecidos es reducida. Por otra parte, si las mediciones de la muestra llegan a caer fuera de los lmites de control, se tendrn razones para creer que algo ha cambiado en el proceso, siendo necesario investigar y corregir la causa. . Los lmites de control para la grfica de control ebn la figura son:

Lmite superior de control, LSC x + 3s 1.000 + 3 x 0.0020 1.0060 Lmite superior de control, LIC x 3s 1000 3 x 0.0020 0.9940 Qu lmites de control?

El proceso a partir del cual se obtuvieron las muestras en la figura 1, parece estar bajo control aplicando el criterio + 3s. Pero, si se hubieran adoptado lmites de control de + 2s, el penltimo punto habra quedado fuera de los lmites. Existe una probabilidad del 4.55 por ciento de que esto Su existencia hubiera hubiera ocurrido por aleatoriedad en los datos.

activado una investigacin y si la investigacin hubiera indicado que no existieron cambios en el proceso, el costo de dicha investigacin se habra desperdiciado. Por otra parte, si los lmites de control fueran + 3s como se muestra y el proceso hubiera cambiado realmente, la observacin habra sido ignorada y se habra producido mayor cantidad de desperdicio en el intervalo anterior al descubrimiento del cambio en el proceso. En consecuencia, la disyuntiva al establecer lmites de control radica en el balanceo de dos costos el costo de investigacin e inspeccin contra el costo de prdidas cuando no se realiza una investigacin. Generalmente, si el costo de la investigacin es muy elevado en comparacin con el costo

de la investigacin, ser necesario establecer lmites de control ms sensibles. Normalmente las grficas de control se desarrollan para muestras mayores a un ejemplar, pero las relaciones estadsticas para la figura son sencillas y de gran valor para entender las bases estadsticas de otras grficas de control. Distribuciones de muestreo Para la figura la grfica de control basada en muestras de n = 1, ya se ha establecido la normalidad de la distribucin. Una razn importante para tomar muestras mayores a n = 1 es que puede obviarse la normalidad de la distribucin de la poblacin. Aun cuando una distribucin de poblacin puede apartarse radicalmente de la normalidad, la distribucin de muestreo de medias de muestras aleatorias ser aproximadamente normal si el tamao de la muestra es lo suficientemente grande. Este enunciado del teorema del lmite central tiene gran importancia ya que asegura hasta cierto punto que las probabilidades asociadas con los lmites de control que se establezcan sern aplicables. En realidad, la desviacin a partir de la normalidad puede ser sustancial pero las distribuciones de muestreo de las medias de muestras tan pequeas como n 4 5 seguirn bastante de cerca la distribucin normal.

Si se toman muestras de n = 4 de la distribucin de dimetros de ejes, las medias de las muestras formarn una nueva distribucin con una media y desviacin estndar propias. Esta distribucin se denomina una distribucin de muestreo de medias de n = 4. Para distinguir las estadsticas de la distribucin de mediciones individuales en la figura, se utiliza la notacin x

para la gran media de la distribucin de muestreo y s __ para la desviacin x estndar de la distribucin de muestreo. Se espera que x y x sean casi iguales en el lmite conforme aumente el nmero de muestras. La desviacin estndar para la distribucin de muestreo ser mucho menor que para las mediciones individuales debido a que la variacin se reduce por el proceso de obtencin de promedios dentro de cada muestra. La relacin resultante entre las dos distribuciones para los datos de los ejes se muestra en la figura. La relacin resultante entre las dos distribuciones para los datos de los ejes se muestra en la figura. La relacin entre s y sx est dada por: s n

s __ =
x

Para crear una grfica de control para las medias es necesario establecer primero valores estndar para x y s __ y para los lmites de control x de las medias de la muestra. Las medias de muestras subsecuentes se grafican y ser necesario tomar medidas si una media de la muestra llega a caer fuera de los lmites de control. Los mecanismos de control que utilizan medias de la muestra se denominan grficas de control X y R. Por qu las medias de la muestra caen fuera de los lmites de control? Anteriormente se indic que las causas bsicas correspondan a diferencias en los trabajadores, la maquinaria, los materiales y las interacciones entre los primeros tres factores. Pero tambin pueden existir causas sistemticas que pueden atribuirse a estos factores bsicos. Por ejemplo., si las partes se produjeran en un torno, dichas partes tenderan a aumentar de tamao conforme la herramienta de corte se fuera desgastando. Este tipo de cambio en el proceso se reflejar en un desplazamiento de la media de la distribucin de muestreo hacia el lmite superior de control (LSC). Otros cambios podran resultar en un desplazamiento hacia el lmite inferior de control (LIC). Otro tipo de variacin sistemtica, como el desgaste en un cojinete en la manivela del torno, se presentara en la forma de una mayor variabiklidad en la distribucin de muestreo y se esperara que la media de la muestra saliera de ambos lmites de control. La grfica X, entonces, puede mostrar cambios en las medias de las muestras y en la variabilidad de las muestras, as como combinaciones de ambas. Pero cuando los cambios en la variabilidad son particularmente importantes, puede construirse una grfica de control especial sobre una medida de variabilidad, como la grfica R.

Grficas X
Al construir grficas X, existen varias cuestiones que deben resolverse, tamao de la muestra, establecimiento de estndares para promedio del proceso y lmites de control y procedimientos prcticos para reducir los clculos requeridos. Tamao de la muestra En la industria, los tamaos de las muestras son generalmente reducidos por buenas razones. Primero, es ms barato recolectar, Segundo, las muestras de inspeccionar y procesar muestras pequeas.

__

mayor tamao deben obtenerse durante perodo ms prolongados y pueden presentarse cambios durante dichos perodos, impidiendo que las reacciones sean oportunas; las condiciones fuera de control no se detectarn tan rpidamente y pueden producirse desperdicios adicionales. Generalmente los tamaos de muestra ms comunes son de cuatro o cinco ejemplares. Este tamao anticipa los problemas indicados y es lo suficientemente grande como para que el teorema del lmite central garantice la normalidad en la distribucin del muestreo. Por otra parte, las muestras de mayor tamao tienen el efecto de hacer ms estrechos los lmites de control. Debe notarse que el tamao de la muestra est en el denominador de la frmula para s __ . x De esta forma, una muestra de mayor tamao significa una s __ de menor x tamao. Pueden detectarse variaciones ms finas en los proceso cuando las muestras son ms grandes. Definicin de estndares para promedios del proceso y lmites de control

Cmo puede determinarse si el promedio del proceso,

__

x ., y los

lmites y los lmites de control son representativos del proceso cuando ste se encuentra en un estado de control estadstico? Si el proceso estuviera cambiando durante el periodo en el cual se estuviera desarrollando informacin para definir estndares, los estndares no tendran significado. Las condiciones no estndar podran resultar en un cambio en el promedio, en la desviacin estndar, o en ambos. Para contar con una proteccin contra lo anterior, se calcula una s individual para cada una de las pequeas muestras de un subgrupo preliminar y despus se promedian. Las medias de las muestras de un
__

subgrupo se trazan sobre una grfica de control basada en x 3s _ para

x

determinar si han ocurrido cambios en el promedio del proceso en el periodo durante el cual se recopilaron los datos preliminares deber. Para lograr los objetivos, el tamao del subgrupo deber ser relativamente reducido, posiblemente de 20 a 25 y el periodo de tiempo durante el cual se recopilan los datos preliminares deber ser lo suficientemente largo como para poder reconocer cualesquiera cambios en el proceso que ocurran entre intervalos de muestreo. Procedimientos prcticos para determinar los lmites de control de la __ grfica X A manera de ejemplo, si x = 2.000, R = 0.005 y n = 5, entonces el factor de la tabla es A2 = 0.511 y los lmites de control son: LSC = 2.0000 + (0.577 x 0.005) = 2.0000 + 0.0029 = 2.0029
== __

LIC = 2.0000 (0.577 X 0.005) = 2.0000 0.0029 = 1.9971 Los clculos bsicos para determinar las lneas centrales y los lmites de control permanecen iguales sin importar la variable que est siendo medida. Tabla Tamao de la muestra n. 3 4 5 6 7 8 Lmites de control para la __ grfica X , A2 1.023 0.729 0.577 0.483 0.419 0.136 Lmites de control para la grfica R Inferior, D3 0 0 0 0 0.076 0.136 Superior D4 2.575 2.282 2.115 2.004 1.924 1.864

Fuente: Desarrollada a partir de una tabla de factores mucho ms grande de gran utilidad para la construccin de grficas de control, tabla B2 del Manual A.S.T.M. para control de calidad de materiales, p. 115.

Grficas R Grficas de Control para Medidas de Variabilidad

__

Al calcular los lmites de control para las grficas X , las estadsticas usadas con las medias de la muestra reducida y estos son los datos que se trazan en la grfica. De la misma forma podra usarse una medida de como estadstica variabilidad, como la desviacin estndar o el rango,

bsica. Para cada muestra se calcula una desviacin estndar (o rango) muestra y estas observaciones se agrupan en una distribucin que aproxima la distribucin normal. Esta nueva distribucin de medidas de variabilidad tiene una media, una desviacin estndar y un rango que pueden ser usados

para construir una grfica de control. Esta grfica de control indica cuando la variabilidad del proceso es mayor o menor que el estndar. En el control de calidad, la estadstica seleccionada es generalmente el rango ms que la variacin estndar debido a la facilidad con la que el rango puede ser calculado en un ambiente de procesamiento. Para cada muestra, la diferencia entre la medicin ms alta y la ms baja se traza en la grfica R. La distribucin de rangos tiene un promedio, R , y una desviacin sR. Los lmites de + 3sR tienen el mismo significado general para la grfica X. Procedimientos prcticos para determinar los lmites de control de la grfica R. De la misma forma que para las grficas X , las estadsticas usadas son las medias de la muestra reducida y estos son los datos que se trazan en la grfica. De la misma forma podra usarse una medida de variabilidad, como la desviacin estndar o el rango, como estadstica bsica. Para cada muestra se calcula una desviacin estndar o el rango, como estadstica bsica. Para cada muestra se calcula una desviacin estndar (o rango) muestra y estas observaciones se agrupan en una distribucin que aproxima la distribucin normal. Esta nueva distribucin de medidas de variabilidad tienen una media, una desviacin estndar y un rango que pueden ser usados para construir una grfica de control. Esta grfica de control indcia cuando la variabilidad del proceso es mayor o menor que el estndar. En el control de la calidad, la estadstica seleccionada es generalmente el rango ms que la variacin estndar debido a la facilidad con la que el
__ __ __

rango puede ser calculado en un ambiente de procesamiento. Para cada muestra, la diferencia entre la medicin ms alta y la ms baja se traza en la grfica R. La distribucin de rangos tiene un promedio, R , y una desviacin estndar sR. Los lmites de + 3sR tienen el mismo significado general que la grfica X . Procesamientos prcticos para determinar los lmites de control de la grfica R De la misma forma que para las grficas X , el clculo de los l mites de control para la grfica R ha sido simplificado mediante el uso de la estadstica R en lugar de la desviacin estndar. Usando los datos de la tabla para una muestra de tamao n, se seleccionan los factores D3 y D4 y se calculan los lmites de control 3sR como sigue: LSCR = D4 R LICR = D3 R A manera de ejemplo, si n = 4 y R = 3.000 y de la tabla D4 = 2.282 y D3 = 0, entonces los lmites de control para la grfica R son: LSCR = 2.282 C 3.000 = 6.846 LICR = 0 X 3.000 = 0 Ejemplos de Grficas X y Grficas R. Considere un proceso de produccin para el cual se desea establecer tanto una grafica X como una grfica R. Con el fin de inicializar las grficas, se toman 20 muestras de n = 5 mediciones aleatorias conforme el proceso contina. Estas observaciones se muestran en la tabla siguiente, en las
__ __ __ __ __ __ __ __ __

columnas 2 a 6, representando cada lnea una muestra de n = 5.

El

promedio de cada muestra se da en la columna 7 y el rango de la muestra se da en la columna 8. La gran media y el rango promedio se muestran en la parte inferior de estas dos ltimas columnas como x = 0.201 y R = 0.043, respectivamente Nmero de la muestr a (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 (2) 0.198 0.224 0.195 0.183 0.194 0.212 0.179 0.216 0.221 0.226 0.181 0.176 0.217 0.203 0.243 0.255 0.210 0.178 0.163 0.218 Observaciones individuales Promedi Rango o de la de la muestra, muestra, x R. (6) 0.204 0.209 0.208 0.202 0.188 0.230 0.212 0.224 0.204 0.229 0184 0.244 0.208 0.208 0.214 0.214 0.190 0.162 0.202 0.199 (7) 0.197 0.210 0.198 0.188 0.192 0.219 0.191 0.210 0.201 0.202 0.200 0.197 0.211 0.203 0.210 0.223 0.200 0.174 0.193 0.201
== __ __ __

(3) 0.175 0.209 0.172 0.191 0.142 0.238 0.186 0.212 0.172 0.184 0.210 0.179 0.199 0.192 0.184 0.217 0.226 0.188 0.223 0.192

(4) 0.201 0.184 0.204 0.168 0.208 0.219 0.206 0.201 0.201 0.187 0.219 0.206 0.225 0.203 0.187 0.200 0.187 0.157 0.171 0.198

(5) 0.209 0.225 0.213 0.194 0.226 0.198 0.170 0.196 0.205 0.182 0.206 0.182 0.205 0.207 0.220 0.231 0.189 0.184 0.208 0.199

(8) 0.034 0.041 0.041 0.034 0.084 0.040 0.042 0.028 0.049 0.047 0.038 0.068 0.026 0.016 0.059 0.055 0.039 0.031 0.060 0.026

x =0.201 R =0.043

Grficas X

__

Primero se calcula la lnea central y los lmites de control preliminares __ para la grfica X de la siguiente manera: LSC LIC = x+ A2 R = 0.201 + (0.577 X 0.043) = 0.226
= __ = __

= x A2 R = 0.201 (0.577 X 0.043) = 0.176 Los lmites de control y la lnea central preliminares para la gran medida se muestran en la figura 3, graficndose las medias de las 20 muestras calculadas en la columna 7 de la tabla.

La grfica de control generalmente indica que se tiene un sistema generador de datos, estables, con la excepcin de la muestra 18, que se ubica por debajo del LIC. Es absolutamente posible que esta media de la muestra represente una de las ocurrencias aleatorias de que una media caiga fuera de los lmites 3s x . Sin embargo, se sabe que este evento ocurre con una probabilidad de solamente 0.0027 por lo que se hace necesaria una investigacin. La investigacin revela que el operador estuvo siguiendo un mtodo no estndar que result en la observacin de bajo

menor al normal una causa asignable. La muestra 18 se elimina de los datos y se calculan una gran media y lmites de control revisados como x = .202 y R = 0.044. Los lmites de control revisados son entonces:

LSC = X Cundo actuar

+ A2 R = 0.202 + (0.577 X 0.044) = 0.227

LIC = x A2R = 0.202 (0.577 x 0.044) = 0.177

El hecho de que la muestra 18 haya salido de los lmites plantea la pregunta: qu configuraciones de puntos en una grfica de control Los siguientes son sugieren que debe adoptarse una accin? Se justifica una accin solamente cuando los puntos salen de los lmites?. mediante una accin de investigacin: algunos lineamientos convenientes sobre cundo anticipar los problemas

Grficas R Los lmites de control preliminares para una grfica R se calculan utilizando los factores D3 = 0 y D4 = 2.115 de la tabla 13-1 como sigue: LSC = D4 R = 2.115 x 0.043 = 0.0909 LIC = D3 R = 0 x 0.043 = 0 En figura 13-4 se muestra la grfica R con los lmites de control

preliminares y los rangos de 20 muestras trazadoras. Debe notarse que el rango para la muestra 18 no cae fuera de los lmites de control en la grfica R. A pesar de ello, y dado que fue eliminada de la grfica X , tambin debe

eliminarse de la grfica R; la lnea central y los lmites de control revisados reflejan este procedimiento. La grfica R indica que la variabilidad del proceso es normal. Las lneas centrales y lmites de control revisados en las figuras 13-3 y 13-4 representan estndares razonables para comparacin con muestras futuras. GRFICAS DE CONTROL PARA ATRIBUTOS En las grficas de control para atributos la poblacin se divide en dos clasificaciones: partes defectuosas contra partes buenas, el nmero de facturas con errores contra el nmero de facturas sin errores en una operacin de oficina, el nmero presente contra el nmero ausente para el control del ausentismo, la proporcin de tiempo inactivo contra el tiempo activo en un estudio de muestreo de trabajo y as sucesivamente. necesario establecer esta distincin bueno-malo. En cualquier situacin para la que se desee construir una grfica de control es

Grficas p Las grficas de control para la proporcin o fraccin de partes defectuosas que se presentan se denominan grficas p; estas grficas estn

basadas en la distribucin binomial. Recurdese que, para la distribucin binomial:

__

__

x Nmero de partes defectuosa s p= = N Nmero total observado

__

sp =

__ p 1 p

en donde n = tamao de la muestra Siguiendo la prctica para grficas de control de calidad, los lmites de control se establecen en el promedio del proceso para partes defectuosas ms y menos tres desviaciones estndar, p + 3sp.
__

En la tabla se muestra un conjunto de datos para el nmero de defectos encontrados en muestras diarias de 200 para 24 das consecutivos de produccin. Primero se quiere determinar si los datos exhiben control estadsticos y despus establecer una grfica de control. La fraccin de defectos diarios se calcula dividiendo cada cifra diaria entre el tamao de la muestra, n = 200. En la tabla tambin se calculan cifras preliminares para p, sp. Y LSC y LIC. Estas cifras preliminares se emplean para determinar si el proceso que genera los datos est bajo control.

Tabla: Registro del nmero de partes defectuosas y fraccin calculada de defectos en muestras diarias de n = 20 Da de Nmero de produccin partes defectuosa s 1 10 2 5 3 10 4 12 5 11 6 9 7 22 8 4 9 12 10 24 11 21 12 15 13 8 294 p = 24 X 200 = 0.061 Fraccin de defectos 0.005 0.025 0.05 0.06 0.055 0.045 0.11 0.02 0.06 0.12 0.105 0.075 0.04 Da de Nmero de produccin partes defectuosa s 14 14 15 4 16 10 17 11 18 11 19 26 20 13 21 10 22 9 23 11 24 12 Total 294 Fraccin de defectos 0.07 0.02 0.05 0.055 0.055 0.13 0.65 0.05 0.045 0.055 0.06

__

3 s p = 3 X 0.017 = 0.51 LSC = p + 3s p = 0.061 + 0.051 = 0.112 LIC = p 3s p = 0.061 0.051 = 0.010 Sp= 0.061x0.939 = 0.017 200
__ __

En la figura, se presenta la grfica resultante de los defectos en la produccin diaria en relacin con los lmites de control preliminares. Dos puntos caen fuera de los lmites y el punto para el da 7 est casi fuera del lmite superior. La investigacin no muestra nada extraordinario para el primer punto, da 7. Para el segundo punto, da 10, una explicacin lgica es

que se contrataron tres trabajadores nuevos ese da. El ltimo punto, da 19, se explica por el hecho de que el dado se haba desgastado y finalmente se rompi ese da. Para establecer estndares para la variacin normal se elimina los datos para los das en los que se han establecido causas asignables (das 10 y 19) y se vuelven a calcular p, LSC y LIC de la siguiente manera.

__

p=

244 = 0.058 200 X 21

UCL = 0.058 + 3

0.058 X 0.942 = 0.108 200

UCL = 0.058 - 3

0.058 X 0.942 = 0.108 200

Estos valores revisados

reflejan la variacin debida a causas

aleatorias y se emplearn como estndares para juzgar la proporcin de

muestras defectuosas en el fututo. Si alguna muestra futura cae fuera de estos lmites, la reaccin inmediata ser que es altamente probable que exista una causa asignable para la observacin de una proporcin extraordinaria de defectos. Entonces se tratar de determinar la causa y corregirla antes de producir una mayor cantidad de desperdicio.

Grficas p para muestras de tamao variable. En el ejemplo anterior el tamao de la muestra era constante. Sin embargo, con frecuencia los tamaos de la muestra son variables, como suele ser el caso cuando se aplica una inspeccin del 100 por ciento y los volmenes resultantes varan da a da. Si los tamaos de la muestra varan slo ligeramente, los lmites de control pueden basarse en el tamao de la muestra promedio. Sin embargo, cuando los tamaos de la muestra varan sustancialmente, pueden calcularse nuevos lmites de control para cada muestra, lo cual no resulta una actividad costosa en el mundo actual de la computacin. Estos clculos de los lmites de control pueden simplificarse. Por

__ __ __ ejemplo si p = 0.009, entonces 3 p1 p / n = 3 0.099 x0.901 / n = 0.896 / n .

Para cada muestra, entonces, la raz cuadrada del tamao de la muestra se divide entre 0.896 para obtener el valor de 3s p que debe sumarse y restarse de p para obtener los lmites de control individuales. Por supuesto, una p diferente requiere una nueva determinacin de la constante.
__

Otra forma de manejar este problema es construir una grfica p estabilizada convirtiendo las desviaciones del promedio del proceso a unidades de desviacin estndar. Se calcula una sp para cada muestra

utilizando el mtodo rpido antes mencionado (el factor para el ejemplo sera simplemente de 0.896/3 = 0.299)= y se divide entre la variacin de la muestra a partir de p , p - p . Si la produccin de defectos de la muestra
__ __ __ __

fuera p = 0.084, p = 0.099 como anteriormente y n = 95, entonces sp =

__

0.299/ 95 = 0.0306. Entonces (p - p )/sp = -0.0150/0.306 = - 0.49 unidades de desviacin estndar. Los lmites de control se trazan en trminos de unidades de desviacin estndar y esta muestra est 0.49 desviaciones estndar por debajo de la media.

Grficas c-grficas de control para defectos de unidad En ocasiones el parmetro a ser controlado no puede ser expresado como una proporcin simple, como fue el caso de las grficas p. En los tejidos, por ejemplo, el nmero de defectos por cada 10 yardas cuadradas de material puede ser el parmetro a controlar. En dichos casos, un defecto puede ser menor en s mismo, pero un gran nmero de defectos por unidad de rea puede ser cuestionable. Para la distribucin de Poisson, la

desviacin estndar Sc es igual a la raz cuadrada de la media

__

c . El

clculo de los lmites de control es entonces extremadamente simple. Por ejemplo, si el nmero medio de defectos por unidad fuera c = 25, entonces:
__

LSC = c +3sc = 25 + (3x5) = 40 LIC = c -3sc = 25 (3 x 5) = 10

__

__

Muestreo para aceptacin Cuando ya se ha llevado a cabo la produccin, con frecuencia se desea conocer el nivel de calidad del lote. Cuando un proveedor enva un lote de partes, por ejemplo, deben estas partes aceptarse como buena o no? El muestreo para aceptacin es la tcnica estadstica de control de calidad para tomar este tipo de decisiones. muestreo tanto de atributos como de variables. Muestreo para Aceptacin por Atributos Curvas de caractersticas operativas (CO) Para especificar un plan de muestreo se establece el tamao de la muestra, n, y el nmero de defectos permitidos en la muestra, c (nmero de aceptacin), antes de que sea rechazado todo el lote del cual se obtuvo la muestra. La curva CO para una combinacin particular de n y c muestra qu tan bien discrimina el plan entre lotes buenos y malos. La figura 13-6 Se examinarn planes para

muestra una curva CO para un plan de muestreo con una muestra de tamao n = 100 y un nmero de aceptacin c = 2. En este plan, si c = 0 y se encuentran 1 2 partes defectuosas en una muestra de n = 100., el lote se considerar aceptable. Si la calidad real del lote es del 1 por ciento de partes defectuosas, el plan en la figura 6 aceptara el lote aproximadamente el 91.5 por ciento del tiempo y lo rechazara aproximadamente el 8.5 por ciento del tiempo. Debe hacerse notar, sin embargo, que si la calidad real del lote fuera algo inferior al uno por ciento de partes defectuosas posiblemente el 5 por ciento- la probabilidad de aceptacin del lote disminuye drsticamente acerca del 13 por ciento. Por tanto, si la calidad real del lote es buena, el plan provee una alta probabilidad de aceptacin, pero si la calidad real es mala, la probabilidad de aceptacin es baja. De esta forma, la curva CO muestra qu tan bien un plan dado discrimina entre una calidad buena y una mala.

La capacidad de discriminacin de un plan de muestreo depende del tamao de la muestra. En la figura 13-7 se muestran las curvas CO para muestras de tamaos 100, 200 y 300, permaneciendo el nmero de aceptacin en proporcin al tamao de la muestra. Es conveniente notar que la curva CO se hace ms pronunciada conforme aumenta el tamao de la muestra. Si se compara el poder de discriminacin de los tres planes representados en la figura 13-7 puede verse que los tres aceptarn lotes con aproximadamente 0.7 por ciento de partes defectuosas aproximadamente el

83 por ciento del tiempo (aproximadamente, el punto en que se intersectan las tres curvas). Sin embargo, si la calidad real disminuye a 3.0 por ciento de partes defectuosas, el plan con N = 100 acepta lotes aproximadamente el 20 por ciento del tiempo; n = 200 acepta lotes aproximadamente el 6 por ciento del tiempo; y n = 300 menos de 1 por ciento del tiempo. Los planes con mayores tamaos de muestra son definidos ms efectivos.

Qu sucede con la curva CO si cambia solamente el nmero de aceptacin? En la figura 13-8 se presentan curvas CO para una muestra de n=50 y nmeros de aceptacin de c = 1, 2 y 3. El efecto es fundamentalmente un cambio en el nivel de la curva CO, por lo que menores nmeros de aceptacin provocan que el plan sea ms estrecho; esto es, mantienen la calidad resultante en porcentajes ms reducidos. A manera de generalizacin, entonces, existe cierta interaccin entre el tamao de la muestra y el nmero de aceptacin para la determinacin del poder de discriminacin de las curvas CO.

Un plan de muestreo que discrimina perfectamente entre lotes buenos y malos tendr una curva CO vertical; esto es, seguir la lnea punteadas de la figura 13-7. La probabilidad de aceptacin es cero para todos los lotes con porcentajes de partes defectuosas a la derecha de la lnea. Desafortunadamente, el nico plan que lograra est discriminacin es aquel que requiere una inspeccin del 10 por ciento. Por tanto, la justificacin del muestreo para aceptacin resulta del balance entre los costos de inspeccin y los posibles costos de aceptar partes defectuosas. Al hacer que los planes de muestreo sean ms discriminatorios (aumentando los tamaos de las muestras) o ms estrechos (reduciendo el nmero de aceptacin), se puede aproximar cualquier nivel deseado de calidad pero con mayores costos de inspeccin. Este mayor esfuerzo de inspeccin resultar en menores costos de aceptacin de partes defectuosas. En algn punto la combinacin de estos costos incrementales es mnima. Este punto mnimo define el plan de muestreo ms econmico para una situacin dada. econmicos. Obviamente, si el costo de aceptar productos defectuosos es elevado, una mayor inspeccin se justifica en trminos

Para justificar la inspeccin al 100 por ciento de una muestra, las prdidas probables debidas a la aceptacin de productos malos debern ser grandes en relacin a los costos de inspeccin, resultando posiblemente en la prdida de contratos y clientes. Es sobre esta base que puede justificarse el objetivo japons de cero defectos. Por otra parte, para justificar que no se realice una inspeccin debern ser bastante elevados en relacin a las prdidas probables debidas a la aceptacin de partes malas. La situacin ms usual se ubica entre estos extremos, en donde existe el riesgo de no aceptar lotes que no son en realidad adecuados y el riesgo de aceptar lotes malos. Determinacin de curvas CO Las curvas CO pueden construirse a partir de los datos obtenidos de la distribucin normal o de Poisson. Si los lotes son grandes, posiblemente ms de 10 veces el tamao de la muestra, las probabilidades para la curva CO pueden obtenerse de la distribucin binomial. Sin embargo, si las muestras son grandes las aproximaciones normal o de Poisson tambin son muy cercanas y son mucho ms convenientes de usar. Las reglas empricas son las siguientes: Si pn > 5, las probabilidades pueden ser determinadas a partir de la distribucin normal con una media p y una desviacin estndar p ' (1 p ' ) / n ) Si pn < 5, usar la distribucin de Poisson. Generalmente el porcentaje de defectos del lote es reducido y los lotes son relativamente grandes por lo que se emplea la distribucin de Poisson para calcular los valores para calcular el porcentaje de probabiiidad de

aceptacin. Pa para curas CO. La grfica Thorndike suministra curvas de acumulacin de distribuciones Poisson de probabilidad para distintos valores del nmero de aceptacin c. La grfica indica la probabilidad de ocurrencia de c o menos defectos en una muestra n seleccionada de un universo infinito en el cual el porcentaje de partes defectuosas es PD. Puede usarse la grfica Thorndike para calcular los valores Pa usados para trazar las curvas CO de la figura 13-9 o cualquiera otra de las curvas CO que se han utilizado como ejemplos. Recurdese que el plan de muestreo para la figura 13-6 fue de n = 100 y c = 2. Los valores de P a usados para nueve puntos de la curva CO se calculan en la tabla 13-4 leyendo los valores para Pa a partir de la grfica Thorndike. Por ejemplo, para PD = 2 por ciento, PD X n/100 = 2 X 100/100 = 2.0. Consultando la escala horizontal de la grfica Thorndike con este valor, se lee Pa = 68 por ciento en la escala vertical para c = 2.

Riesgos para el productor y para el consumidor La definicin de estos riesgos, que se analizaron brevemente en el captulo 12, puede especficamente an ms mediante su referencia a una curva CO tpica., En la figura 13-10 se muestran grficamente las siguientes cuatro definiciones: AQL Nivel aceptable de calidad los lotes de este nivel de calidad se consideran buenos y desea tener una alta probabilidad para su aceptacin. Riesgo para el productor la probabilidad de que lotes con un nivel de calidad AQL no sean aceptados. Generalmente = 5 por ciento en la prctica. Porcentaje de defectos tolerables para el lote la lnea divisoria entre lotes buenos y lotes malos seleccionada. Los lotes de este nivel de calidad se consideran como pobres y se desea tener una baja probabilidad para su aceptacin. Riesgo para el consumidor la probabilidad de que se acepte el nivel de calidad LTPD. Generalmente = 10 por ciento en la prctica.

LPTD

Especificacin de un plan de muestreo Para especificar un plan que satisfaga los requisitos para AQL, 13-10.

, LTPD y

, debe encontrarse una

combinacin de n y c con una curva CO que pase a travs de los puntos a y b, como se muestran en la figura La mecnica para encontrar planes especficos adecuados puede establecerse utilizando tablas, grficas o frmulas estndar que resulten en la especificacin de una combinacin de n y c que se aproxime lo suficiente a los requisitos establecidos para AQL, , LTPD y , TABLA 13-4 Clculo de valores de Pa X 100 de la figura 13-9 a paritr de la grfica de Thorndike (plan de muestreo: n = 100 y c = 2) Porcentaje real de partes defectuosas PD 0 1 2 3 4 5 6 7 (PD X n)/100 Porcentaje de probabilidad de aceptacin a partir de la figura 13-9 100.0 91.5 68.0 42.0 24.0 12.0 6.0 3.0

0 1.0 2.0 3.0 4.0 5.0 6.0 7.0

8.0

1.5

Especificacin de n Y c para Planes de muestreo nico Para especificar un plan debe determinarse el tamao de la muestra n y el nmero de aceptacin c nicos que produzcan una curva CO que se aproxime a la especificada por los cuatro valores, AQL, y , esto puede lograrse consultando tablas o usando la grfica de Thorndike. Un ejemplo: Supngase que se ha especificado las caractersticas de la curva CO deseada como:

, LTPD

AQL

= 2 por ciento = 5 por ciento = 8 por ciento = 10 por ciento

LTPD

Paso 1

Tabular valores PD X n/100 para Pa = (1 - ) = 95 por ciento y Pa = = 10 por ciento para cada valor de c a partir de la grfica Thorndike. Por ejemplo, para Pa = 95% y c = 1, leer PD X n/100 = 0.36 y para Pa = 10% y c = 1, leer PD X n/100 = 3.9. Haga lo mismo como en los diversos valores de c como en las columnas 1, 2 y 3 de la tabal 13-5. Debe notarse que en las columna 2 el PD a que se hace referencia es AQL, mientras que en la columna 3 es LTPD. Calcular la relacin de la columna 3 con la columna 2 para cada uno de los valores de c, como en la columna 4 la relacin 8 / 2 = 4, dado que para el plan deseado LTPD = 8 y PD = 2 por ciento. Esta relacin de 4 cae entre 4.06 para c = 4 y 3.58 para c = 5. Calcular tamaos de muestra como en la tabla 13-6, decidiendo si se mantiene fija y se deja flotar o viceversa. Si, por ejemplo, se establece c = 4 y se mantiene en 5 por ciento, entonces PD X n/100 = AQL x n/100 = 1.97 y puede resolverse para la muestra de tamao n:

Paso 2

Paso 3

n = Paso 4

1.97 x100 = 99 2

El plan de muestreo sera entones n = 99 y c = 4. Revisar el valor resultante del riesgo flotante. Usando la grfica Thorndike , para el plan 1, ingresar los valores de c = 4 y PD X n/100 = 8 X 99/100 = 7.92 y leer el valor real de = 10.5 por ciento.

Tabla 13-5 Determinacin de planes de muestreo con AQL y LTPD especificadas ( = 5 por ciento = 10 por ciento).
(1) (2) (3) (4)

Nmero de aceptacin 1 2 3 4 5 6 7 8

Valor de (PD x n/100 con Pa = 95 por ciento a partir de la figura 13-9 0.36 0.80 1.35 1.97 2.60 3.30 4.00 4.70

Valor de (PD x n/100 Relacin Col. 3:Col. con Pa = 10 por ciento 2 = LTPD/AQL a partir de la figura 13-9 3.9 10.83 5.3 6.63 6.7 4.96 8.0 4.06 9.3 3.58 10.5 3.18 11.8 2.95 13.0 2.77

En la tabla 13-6 tambin se muestran los valores flotantes reales de y para cada uno de los cuatro planes. Notar que para el plan 1 la probabilidad de aceptar lotes con un 8 por ciento de calidad aumenta ligeramente mientras se mantienen las dems especificaciones. Para el plan 2, la probabilidad de rechazar lotes de buena calidad aumenta ligeramente mientras que se mantiene la especificacin para y as sucesivamente. Los planes 1 y 2 son los que ms se aproximan a satisfacer las especificaciones originales y la eleccin entre ellos depende del nfasis deseado. Otros valores de y . La tabla 13-5 se construy para los valores comunes de 5 y 10 por ciento para y , respectivamente, pero, obviamente, puede construirse una tabla comparable a partir de la grfica Thorndike para cualesquiera valores de y , por lo que los mtodos descritos son generales. Curva de calidad resultante promedio (CRP) En la figura 13-11 se muestra el flujo de partes buenas y rechazadas en un plan tpico de muestreo y se suministran las bases estructurales para calcular la calidad resultante promedio (CRP). Se inspecciona la muestra aleatoria de tamao n y cualesquiera partes defectuosas halladas en la muestra son sustituidas por partes buenas. Con base en el nmero de partes defectuosas c encontramos en la muestra, se acepta todo el lote si c <= c y se rechaza si c > c.

Tabla 13-6. Planes de muestreo sencillo para c = 4 y c = 5 cuando es fija, permitiendo que es fija y se permite que flote.
(1) = 5 Por ciento, Flota n = 1.95 x 100/2 = 99 = 10.5 por ciento c fija en 4 (2) = 10 Por ciento, Flota n = 8.0 x 100/8 = 100 = 5.5 por ciento c fija en 5 (3) = 5 Por ciento, Flota n = 2.60 x 100/2 = 130 = 5 por ciento (4) = 10 Por ciento, Flota n = 9.3 x 100/8 = 115 = 3 por ciento

Si el lote es rechazado se le somete a una inspeccin del 100 por ciento y todas las partes defectuosas encontradas se sustituyen pro partes buenas. Entonces, todo el lote de N partes estar libre de partes defectuosas. Sin embargo, si el lote es aceptado con base en la muestra, se corre el riesgo de pasar algunas partes defectuosas. Puede calcularse el nmero promedio de partes defectuosas. Si la calidad promedio entrante es PD, la aceptacin ocurre con la probabilidad P (tomada directamente de la curva CO para la DP). El nmero promedio de partes defectuosas es entonces el producto de la proporcin de defectos recibidos por el nmero restante en el lote ponderado por la probabilidad de que la

aceptacin ocurra (P / 100) x (PD / 100) x (N n). La calidad resultante promedio CRP en porcentaje es entonces: CRP = Nmero promedio de defectos x 100 = P (PD) (N n) Nmero de partes en el lote 100 N

A partir de la relacin anterior puede desarrollarse una curva para cualquier plan de muestreo dado mostrando la CRP para cualquier nivel e calidad entrante, determinando la P a partir de la curva CO y substituyendo estos valores en la frmula para el clculo de CRP, como se indica en la figura 13-12. Esta curva CRP se basa en la curva CO de la figura 13-6 para un plan de muestreo de n = 100, c = 2 y N = 1000. Es interesante observar las caractersticas de la curva CRP. Primero, existe un nmero mximo o lmite de la calidad resultante promedio (AOQL). Existe un AOQL para cada plan de muestreo, el cual depende de las caractersticas del plan. Cuando se presenta una buena calidad al plan por ejemplo, 0 a 2 por ciento - P es relativamente alta, por lo que la mayora de las partes defectuosas se aceptarn. Conforme se excede el 2 por ciento para la calidad entrante, sin embargo, P declina rpidamente (vase la curva CO de la figura 13-6) y la probabilidad de una inspeccin al 100 por ciento aumenta, por lo que se detecta un mayor nmero de partes defectuosas la calidad resultante mejora automticamente conforme la calidad entrante empeora. Especficamente, AOQ nunca excede del 1,25 por ciento, sin importar la calidad entrante para el plan. Ya se han mostrado los clculos para la situacin en la cual se sustituyen las partes defectuosas. Si dichas partes no son sustituidas, entonces la frmula para AOQ se transforma en: AOQ = P xPD( N n ) x100 N [ ( PD / 100 ) n + (1 P / 100 )( PD / 100 )( N n ) ]

PLANES DE MUESTREO CON PROTECCIN LTPD O AOQL ESPECIFICADA

Dodge-Roming provee tanto grficas como tablas para el diseo de planes de muestreo que dan una proteccin LTPD o AOQL especificada con = 10 por ciento y una inspeccin total mnima. Los niveles de LTPD o AOQL seleccionados para una situacin dada dependen de las consecuencias de una mala calidad. Si las operaciones subsecuentes pueden detectar defectos adicionales sin alterar la produccin, estos estndares pueden ser relativamente confiables, pero si la menor calidad resulta en altos costos de produccin y otros relacionados con la calidad, LTPD o AOQL deben mantenerse en niveles reducidos.