Download - Calidad CO
1
Control Estadístico de la Calidad y los Procesos
CO-4311 Estadística para la Calidad, Productividad y Simulación.
2
¿Qué es calidad?
Concordancia con los requisitos y especificaciones (Crosby).
Adecuación para el uso (Juran).Un grado previsible de uniformidad y
confiabilidad a bajo costo y adecuado para el mercado (Deming).
3
¿Qué es calidad? (cont)
Calidad de diseño: 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 diseño.
4
¿Qué es calidad? (cont)
Normalmente la calidad se asocia con una característica medible del producto, la cual se denomina característica de calidad. Así, la calidad de diseño se tranforma en especificaciones adecuadas.
Frecuentemente no se diferencia entre la calidad de diseño y la de conformidad, sin embargo el área de producción suele centrarse en la segunda.
5
¿Qué es calidad? (cont)
¿Está fuera de las especificaciones un producto que no cumple las especificaciones?
Caracteristica de calidad
Pe
rdid
a q
ue
exp
eri
me
nta
el c
on
sum
ido
r
LIE Objetivo LSE
Caracteristica de calidad
Pe
rdid
a q
ue
exp
eri
me
nta
el c
on
sum
ido
r
LIE Objetivo LSE
6
¿Qué es calidad? (cont)
Taguchi argumenta quePara el cliente, prácticamente no hay
diferencia entre un producto que apenas cae en las especificaciones y otro que apenas está fuera.
A medida que los clientes se vuelven más exigentes, aumenta la presión para reducir la variabilidad.
7
El papel de la estadística en el aseguramiento de calidad
Para mejorar es necesario hacer cambios.Nos gustaría tener buenos datos sobre los
cuales realizar los cambios.Necesitamos herramientas que nos
permitan convertir datos en información (es decir, que nos permitan responder preguntas).
La estadística es la ciencia que soluciona ambos problemas.
8
Gerencia de Calidad Total
El concepto de calidad está determinado por el cliente, no por la empresa.
Calidad desde la fuente, lo cual se traduce en una orientación a la prevención.
Es posible obtener cero defectos, y esa debe ser la meta.
Mejora continua.
9
Evolución del concepto de control de calidad
En un inicio se intentaba asegurar la calidad mediante la inspección de los productos antes de salir al mercado.
A partir de los años 30’s se trata de minimizar la producción con defectos reduciendo el tiempo de detección de cualquier desajuste. La inspección se mantiene, pero cambia su finalidad.
10
Evolución del concepto de control de calidad (cont)
Inspección
Usuario
Producto Defectuoso
Desechos
ReprocesosAviso para actuar sobre el proceso
Materias Primas
Inspección
UsuarioMaterias
Primas
Producto Defectuoso
Desechos
Reprocesos
Ajustes constantes basados en muestreo selectivo del producto y del
proceso.
ConcepciónTradicional
ConcepciónCEP
11
Herramientas para el aseguramiento de calidad
Se trata de herramientas estadísticas y analíticas de uso general
Diagramas causa-efecto.Diagramas de flujo de procesos.Plantillas para recolección de datos.Histogramas y diagramas de Pareto.Diagramas bivariantes.Control estadístico de procesos.
12
Herramientas para el aseguramiento de calidad
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.
13
Diagramas de causa-efecto
En muchos casos se resuelven los problemas sin atacar las causas de los mismos, lo cual es una práctica perjudicial.
En estos diagramas las causas que potencialmente pueden generan un determinado efecto se presentan en forma jerarquizada.
Por su forma, también se denominan diagramas de espina de pescado.
14
Diagramas de causa-efecto (cont)
Los pasos para su construcción 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.
15
Diagramas de causa-efecto (cont)
Variabilidad en la dimensión
MANO DE OBRA
Moral
Concentración
Habilidad
Fatiga
Enfermedad
Salud
MAQUINARIAAbrasión
Herramientas
Deformación
Mantenimiento
MATERIALES
Forma
Diámetro
Calidad
Componente
Almacenamiento
MÉTODO
Puesta apunto
Velocidad
Ajuste
Ángulo
Posición
Diagrama causa-efecto para estudiar las causas de la variabilidad en la dimensión de una pieza.
16
Plantillas para recolección de datos
Los datos que se recopilan deben ser confiables. Además deben ser tales que puedan ser convertidos en información (solo tomar los datos útiles y su análisis debe ser fácil análisis).
Las planillas deben diseñarse de tal modo que faciliten las tareas de recogida de datos y que puedan ser utilizadas por los operarios.
17
Plantillas para recolección de datos (cont)
18
Diagramas de Pareto
Son representaciones de la densidad y la distribución 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 más importantes.
Usualmente opera la regla del 80-20, el 80% de los problemas se deben al 20% de las causas.
19
C A B D F E G
Causas
Nu
me
ro d
e P
ara
da
s
0
25
50
75
100
125
150
175
200
225
250
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Diagramas de Pareto (cont)
C A B D G F E
Causas
Tie
mp
o d
e P
ara
da
0
25
50
75
100
125
150
175
200
225
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Número de Paradas Tiempo de Parada
Turno 1 Turno 2 Total Turno 1 Turno 2 Total
(A) Rotura de hilo 18 24 42 20 31 51
(B) Cinta 15 10 25 12 10 22
(C) Vibrador 92 88 180 62 68 130
(D) Tornillo sin fin 1 6 7 2 8 10
(E) Apelmazamiento 0 1 1 0 1 1
(F) Rotura de saco 2 1 3 4 1 5
(G) Otros 1 0 1 8 0 8
Número y tiempos de parada en una línea de envasado
20
Diagramas bivariantes
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 más refinada de evaluar dependencia.
Recuerde que correlación y causalidad no son la misma cosa.
21
Control de procesos
Históricamente ha evolucionado en dos vertientes: Control automático de procesos (APC)
empresas de producción continua (empresas químicas)
Control estadístico de procesos (SPC) en sistemas de producción en serie (empresas metalmecánicas).
Vamos a concentrarnos en el SPC.
22
Control estadístico de procesosLos objetivos son:
Monitorear y vigilar el desempeño del proceso en cuanto a las características de calidad críticas del producto, para así minimizar la producción defectuosa Gráficos de Control.
Estimar los parámetros del proceso para comparar la producción con las especificaciones Estudios de Capacidad.
En ambos casos, se trata de herramientas por y para la mejora continua.
23
Causas de la variabilidad en un proceso
Causas Comunes Suelen ser muchas y
cada una produce pequeñas variaciones.
Son parte permanente del proceso
Son difíciles de eliminar y forman parte del sistema.
Afectan a todo el conjunto de máquinas y operarios
Causas Asignables Suelen ser pocas pero
con efectos importantes en la variabilidad.
Aparecen esporádicamente.
Son relativamente fáciles de eliminar
Por lo general su efecto está localizado en una(s) máquina(s) u operario(s).
24
Definición de proceso bajo control estadístico
Se dice que un proceso está bajo control estadístico cuando solo está 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” está más vinculado con el monitoreo del sistema que con la actuación sobre el mismo.
25
Gráficos de control
Se trata de diagramas en los que se representa el comportamiento de un proceso en el tiempo a través de los valores de un estadístico asociado con una característica de calidad del producto.
Desde el punto de vista estadístico, estos gráficos permiten realizar continuamente pruebas de hipótesis sobre una de las característica del proceso.
26
Gráficos de control (cont)
El objetivo de los gráficos de control es facilitar la vigilancia del proceso para así detectar rápidamente la presencia de causas asignables y minimizar la producción defectuosa.
Los diagramas de control están pensados para ser usados directamente por los propios operadores, de modo que las acciones se tomen rápidamente.
27
Gráficos de control (cont)
Un gráfico de control se construye a partir de muestras tomadas regularmente en el tiempo, para cada una de las cuales se calcula un estadístico W asociado con un parámetro de la distribución de la característica de calidad. Estos valores se grafican junto con una línea central y un par de líneas de control (superior e inferior).
28
Gráficos de control (cont)C
ara
cte
ristica
de
ca
lid
ad
LIC
LSC
Tiempo
2.5
2.7
2.9
3.1
3.3
3.5
29
Gráficos de control (cont)
Para poder considerar al proceso bajo control, los puntos del gráfico deben estar dentro de los límites de control y presentar comportamiento aleatorio.
Por simplicidad, las líneas suelen escogerse en base a una aproximación normal de W:
)(3)(
)(3)( )(
WVWELSC
WVWELICWELC
30
Gráficos de control (cont)
Los valores de E(W) y V(W) pueden estimarse de la muestra u obtenerse de registros históricos. En el segundo caso, es importante recordar que los límites se refieren al proceso (lo que realmente sucede en planta) y no a las especificaciones de producción (lo que debería suceder en la planta).
31
Gráficos de control (cont)Las muestras que se obtienen en cada
punto de observación deben ser subgrupos racionales.
La selección de la frecuencia de muestreo y del tamaño 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 límites de control.
32
Gráficos de control (cont)
Diagramas para control de variables: se utiliza cuando la característica de calidad puede expresarse como una medida numérica (diámetro de un cojinete, longitud de un eje, etc.)
Diagramas para control de atributos: se utiliza cuando la característica de calidad corresponde a una variable binaria (presencia o no de defectos, etc.)
33
Gráficos de control para variables
Se supone que la distribución de la característica de calidad es normal(,), al menos aproximadamente. De aquí que se requieran dos gráficos, uno para cada parámetro de la distribución.
Los pares más comunes son los de medias y desviaciones estándar, los de medias y rangos, y los gráficos para observaciones individuales y rangos móviles.
34
Gráficos de medias y rangos( )
Se construye un gráfico para la evolución de las medias de los grupos (asociado con la ubicación de la característica ) y otro para la evolución de los rangos (asociado con la dispersión de la característica ).
Se utilizan los rangos para medir la variabilidad ya que son fáciles de calcular y tienen una eficiencia similar a la desviación estándar para subgrupos pequeños.
RX
35
Pasos para la construcción de gráficos
Se toman k muestras de tamaño n (usualmente constante y menor a 7).
Se calcula la media y el rango de cada muestra:
Se estiman los promedios poblacionales
RX
ijj
ijj
i
n
jiji xminxRx
nX
max 1
1
k
ii
k
ii R
kRX
kX
11
1
1
36
Gráficos de medias y rangos ( )
Para construir los límites de control, recordemos que bajo la suposición de normalidad y control estadístico se tiene
donde d2 y d3 son constantes que dependen solo de n y pueden encontrarse en tablas como la que se presenta a continuación.
232 )()(
)()(
dREdRSDdRE
XEn
XSDXE
ii
ii
RX
37
Gráficos de medias y rangos ( ) RX
La tabla de la derecha muestra el valor de las constantes d2, d3, A2, D3 y D4 para distintos tamaños de los subgrupos racionales.
n d2 A2 d3 D3 D42 1,128 1,880 0,853 0,000 3,2673 1,693 1,023 0,888 0,000 2,5754 2,059 0,729 0,880 0,000 2,2825 2,326 0,577 0,864 0,000 2,1156 2,534 0,483 0,848 0,000 2,0047 2,704 0,419 0,833 0,076 1,9248 2,847 0,373 0,820 0,136 1,8649 2,970 0,337 0,808 0,187 1,81610 3,078 0,308 0,797 0,223 1,77711 3,173 0,285 0,787 0,256 1,74412 3,258 0,266 0,778 0,284 1,71613 3,336 0,249 0,770 0,308 1,69214 3,407 0,235 0,763 0,329 1,67115 3,472 0,223 0,756 0,348 1,65216 3,532 0,212 0,750 0,640 1,63617 3,588 0,203 0,744 0,379 1,62118 3,640 0,194 0,739 0,392 1,60819 3,689 0,187 0,734 0,404 1,59620 3,735 0,180 0,729 0,414 1,58621 3,778 0,173 0,724 0,425 1,57522 3,819 0,167 0,720 0,434 1,56623 3,858 0,162 0,716 0,443 1,55724 3,895 0,157 0,712 0,452 1,54825 3,931 0,153 0,708 0,459 1,541
38
Gráficos de medias y rangos ( )
Si se conocen y , estos se pueden usarse para calcular los límites de control: Medias
Rangos
donde
RX
ALICLCALSC
RDLICdLCRDLSC 122
322321 3 3 3
ddDddDn
A
39
Gráficos de medias y rangos ( )
Si no se conocen y (lo más común) deben estimarse a partir de los datos. Para las medias
Para los rangos
donde
RX
RAXLICXLCRAXLSC 22
RDLICRLCRDLSC 34
2
32
2
33
2
2 31 31 3
d
dD
d
dD
ndA
40
Gráficos de medias y rangos ( )
¿Puede justificar estas selecciones para los límites de control?
Lo más común es trabajar con n fijo para todos los subgrupos, sin embargo en algunos casos esto no es posible. ¿Cómo quedarían los límites de control en ese caso?
RX
41
Gráficos de medias y rangos (cont)
Ejemplo 1.- Se muestran datos correspondientes a la apertura del alabe (en milímetros) para un componente de la turbina de un avión. Se pueden ver los cálculos preliminares en la misma tabla.
Muestra Observaciones en la muestra Media Rango1 33.00 29.00 31.00 32.00 33.00 31.60 4.002 33.00 31.00 35.00 37.00 31.00 33.40 6.003 35.00 37.00 33.00 34.00 36.00 35.00 4.004 30.00 31.00 33.00 34.00 33.00 32.20 4.005 33.00 34.00 35.00 33.00 34.00 33.80 2.006 38.00 37.00 39.00 40.00 38.00 38.40 3.007 30.00 31.00 32.00 34.00 31.00 31.60 4.008 29.00 39.00 38.00 39.00 39.00 36.80 10.009 28.00 33.00 35.00 36.00 43.00 35.00 15.0010 38.00 33.00 32.00 35.00 32.00 34.00 6.0011 28.00 30.00 28.00 32.00 31.00 29.80 4.0012 31.00 35.00 35.00 35.00 34.00 34.00 4.0013 27.00 32.00 34.00 35.00 37.00 33.00 10.0014 33.00 33.00 35.00 37.00 36.00 34.80 4.0015 35.00 37.00 32.00 35.00 39.00 35.60 7.0016 33.00 33.00 27.00 31.00 30.00 30.80 6.0017 35.00 34.00 34.00 30.00 32.00 33.00 5.0018 32.00 33.00 30.00 30.00 33.00 31.60 3.0019 25.00 27.00 34.00 27.00 28.00 28.20 9.0020 35.00 35.00 36.00 33.00 30.00 33.80 6.00
Promedios: 33.32 5.80
42
Gráficos de medias y rangos (cont)
Los límites de control son, en este caso, Para el gráfico de medias:
Para el gráfico de rangos
32,33
65,368,5577,032,33
95,298,5577,032,33
2
2
LC
RAXLSC
RAXLIC
8,5
08,50
27,128,5115,2
4
3
LC
RDLSC
RDLIC
43
Gráficos de medias y rangos (cont)
Muestra
Ap
ert
ura
pro
me
dio
de
l a
lab
e
5 10 15 20
28
30
32
34
36
38
40
LIC=29.98
LSC=36.67
LC=33.32
Muestra
Ra
ng
o d
e a
pe
rtu
ra
de
l a
lab
e
5 10 15 20
05
10
15
LSC=12.27
LC=5.80
44
Gráficos de medias y rangos (cont)
Las muestras 6, 8, 11 y 19 están fuera de control en gráfico de medias y la 9 lo esta en el gráfico de rangos.
Cuando se estudian las causas asignables, estas llevan a una herramienta defectuosa en el área de moldeo. Los límites deben ser recalculados excluyendo estas observaciones atípicas, obteniéndose así un nuevo gráfico.
45
Gráficos de medias y rangos (cont)
Muestra
Ap
ert
ura
pro
me
dio
de
l a
lab
e
5 10 15 20
28
30
32
34
36
38
40
LIC=30.33
LSC=36.10
LC=33.21
Muestra
Ra
ng
o d
e a
pe
rtu
ra d
el a
lab
e
5 10 15 20
05
10
15
LSC=10.57
LC=5.00
46
Gráficos de medias y desviaciones estándar ( )
El utiliza el mismo gráfico de medias anterior, pero ahora se estudia la dispersión usando un gráfico de las desviaciones standard de cada subgrupo.
La desviación muestral es un mejor estimador de la variabilidad, pero más difícil de calcular. Se prefiere en procesos con subgrupos racionales grandes (10 o más) o en procesos automatizados.
sX
47
Pasos para la construcción de gráficos
Se toman k muestras de tamaño n.Se calcula la media y la desviación
standard de cada muestra:
Se calculan los parámetros poblacionales.
sX
1
1
2
1 1
n
Xx
i
n
jiji
n
jiij
Sxn
X
k
ii
k
ii S
kSX
kX
11
1
1
48
Pasos para la construcción de gráficos
Para calcular los límites de control necesitamos conocer la esperanza y la varianza de estos estimadores:
donde de nuevo c4 depende solo de n puede obtenerse de tablas.
sX
4244 1)()(
)()(
cSEcSSDcSE
XEn
XSDXE
ii
ii
49
Pasos para la construcción de gráficos
Si se conocen y el cálculo de los límites de control es muy sencillo: Para las medias:
Para las desviaciones estándar:
sX
ALICLCALSC
RBLICcLCRBLSC 546
2446
2445 1313
3ccBccB
nA
50
Pasos para la construcción de gráficos sX
Cuando no se conocen los valores de y los mismos se calculan a partir de los datos para obtener los límites de control Para el gráfico de medias:
Para el gráfico de desviaciones estándar:SBLICSLCSBLSC 34
SAXLICXLCSAXLSC 33
4
44
4
43
4
3
131
131
3
c
cB
c
cB
ncA
51
Pasos para la construcción de gráficos sX
Tabla 2.- La tabla de la derecha muestra el valor de las constantes c4, A3, B3 y B4 para distintos tamaños de los subgrupos racionales.
n c4 A3 B3 B42 0,7979 2,6590 0,0000 3,26703 0,8862 1,9540 0,0000 2,56804 0,9213 1,6280 0,0000 2,26605 0,9400 1,4270 0,0000 2,08906 0,9515 1,2870 0,0300 1,97007 0,9594 1,1820 0,1180 1,88208 0,9650 1,0990 0,1850 1,81509 0,9693 1,0320 0,2390 1,761010 0,9727 0,9750 0,2840 1,716011 0,9754 0,9270 0,3210 1,679012 0,9776 0,8860 0,3540 1,646013 0,9794 0,8500 0,3820 1,618014 0,9810 0,8170 0,4000 1,594015 0,9823 0,7890 0,4280 1,572016 0,9835 0,7630 0,4480 1,552017 0,9845 0,7390 0,4660 1,534018 0,9854 0,7180 0,4820 1,518019 0,9862 0,6980 0,4970 1,503020 0,9869 0,6800 0,5100 1,490021 0,9876 0,6630 0,5230 1,477022 0,9882 0,6470 0,5340 1,466023 0,9887 0,6330 0,5450 1,455024 0,9892 0,6190 0,5550 1,445025 0,9896 0,6060 0,5650 1,4350
52
Gráficos para observaciones individuales (I)
En general, es preferible utilizar más de una observaciones para estimar el estado del proceso en cada instante de tiempo.
Numero de elementos en el supgrupo racional
Pro
ba
bili
da
d d
e d
ete
cta
r u
n c
am
bio
de
k v
ari
an
zas
en
la m
ed
ia
1 2 3 4 5 6
0.0
0.2
0.4
0.6
0.8
1.0
k=1.0k=1.5k=2.0
53
Gráficos para observaciones individuales (I) (cont)
Sin embargo, en algunos procesos no es posible obtener más de una observación: Debido a la forma del proceso, donde las
condiciones cambian con cada producto. Donde se quiere comparar cada producto
con la especificación (se producen pocos artículos y son muy caros).
En procesos continuos, donde no hay individuos.
54
Gráficos para observaciones individuales (I) (cont)
Cuando solo se dispone de una observación 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.
Así, el gráfico de medias se sustituye por el gráfico de las observaciones y el de rangos por el de rangos móviles.
55
Gráficos para observaciones individuales I (cont)
El rango móvil utiliza la información de las últimas w observaciones para estimar la variabilidad.
Estos gráficos son más susceptibles a alteraciones en la hipótesis de normalidad de la característica de calidad. ¿Puede explicar por qué?
Para w = 2
56
Se toma una observación para cada uno de k puntos en el tiempo.
Para cada instante se calcula el rango móvil basado en w observaciones, definido por
Se estiman los parámetros poblacionales
Pasos para la construcción de gráficos I
11 ,max11
wkixminxR jwiji
jwiji
i
1
11 1
1
1 wk
ii
k
ii R
wkRx
kX
57
Pasos para la construcción de gráficos I (cont)
Los límites de control y línea central son: Para el gráfico de medias:
Para el gráfico de rangos:
Para obtener d2, D3, D4 y se utiliza la tabla 1 con n = w. Usualmente se escoge w = 2 por simplicidad.
RDLICRLCRDLSC 34
22
33 dR
dR XLICXLCXLSC
58
Otros gráficos para control de variables
Diagramas de sumas acumulativas (CUSUM), los cuales permiten detectar más rápidamente cambios en la media de una variable.
Gráficos de medias móviles pesadas exponencialmente (EWMA), para procesos donde las observaciones no son independientes (procesos continuos).
59
Gráficos de control para atributos
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 está quemado o no) Diagrama p.
Nos interesa contar el número de veces que se presenta el atributo en cada individuo (poros en una superficie plástica extruida) Diagramas u.
60
Gráficos para control de proporciones (p)
Se utiliza para atributos binarios, y por tanto el número de ocurrencias del mismo en un lote puede modelarse por una v.a. Binomial. Así, basta con un gráfico que corresponde a la proporción p de defectuosos en la muestra.
El otro parámetro de la distribución (n), puede ser constante o no y es conocido.
61
Pasos para la construcción de gráficos pSe toman k muestras cada una de tamaño
ni (ni suele escogerse de manera que se presenten por lo menos tres o cuatro defectos).
Se calcula la fracción de individuos con el atributo en la muestra pi.
Se grafican los valores de pi en el tiempo.grupo elen artículos de Número
grupo elen sdefectuoso artículos de Número
i
ii n
ep
62
Pasos para la construcción de gráficos p (cont)Se estima el parámetro poblacional
Se obtienen y grafican los límites de control y la línea central.
pLC
n
pppLIC
n
pppLSC
ii
,0)1(
3max ,1)1(
3min
smuestreado artículos de Total
defectuos artículos de Total
1
1
k
ii
k
iii
n
pn
p
63
Gráficos para control para cantidades (u)
El interés se centra ahora en ci,el número 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 distribución de Poisson, y por tanto, hay que monitorear un solo parámetro ().
64
Pasos para la construcción de gráficos uSe 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 número promedio de defectos en cada instante:
Se grafican los valores de i en el tiempo.grupo elen artículos de Número
grupo elen atributo el presenta se queen Veces
i
ii n
c
65
Pasos para la construcción de gráficos u (cont)
Se estima el parámetro poblacional
Se obtienen y grafican los límites de control y la línea central.
ii nLICLC
nLSC
3 3
smuestreado artículos de Total
defectos de Total
1
1
k
ii
k
ii
n
c
66
Ejemplo de gráficos u
Ejemplo 2: En una línea de estampado de telas, se toman rollos de 50 metros de tela y se cuenta en cada uno de ellos el número de manchas de pintura que se presentan. Los resultados para 10 muestras se muestran a continuación:Muestra 1 2 3 4 5 6 7 8 9 10 Total
Defectos 14 12 20 11 7 10 21 16 19 23 153Num 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
Ejemplo de gráficos u (cont)
Tiempo
Ta
sa
de
de
fecto
s p
or
rollo
2 4 6 8 10
0.5
1.0
1.5
2.0
2.5
3.0
0.5
1.0
1.5
2.0
2.5
3.0
1 2 3 4 5 6 7 8 9 10
El gráfico muestra un proceso claramente bajo control.
68
Ejemplo de gráficos u (cont)
En este caso una “unidad” corresponde a un rollo de tela de 50 metros cuadrados. Otra elección adecuada para la unidad sería simplemente los metros cuadrados. ¿Cómo quedaría el gráfico de control en ese caso? ¿Proveen la misma información ambos gráficos?
69
Gráficos u y el sistema de deméritos
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 gráfico 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 índice promediado de los defectos.
70
Gráficos p y el sistema de deméritos (cont)
En este caso se construye un gráfico muy similar al gráfico u, pero donde la variable de interés no es el número de defectos sino el total de deméritos por unidad:
¿cómo hallar la esperanza y la varianza de d?
Defecto Grave Normal LeveDeméritos 10 5 1#/ unidad x3 x2 x1
321 105 xxxd
71
Otros gráficos para control de atributos
Gráficos np para control del número de defectuosos. Se utilizan en las mismas circunstancias que los gráficos p, pero necesitan que el número de individuos muestreados sea constante en el tiempo.
Gráficos c para control de la cantidad de defectos, que son un caso particular de los gráficos u. También suponen un número de individuos fijo en el tiempo
72
Variaciones sobre los gráficos de control
Construcción de límites de control en base a valores históricos de los parámetros.
Construcción probabilística de los límites de control. Aunque en la mayor parte de los casos los límites son aproximadamente iguales a los limites probabilísticos, para muestras pequeñas es posible mejorar.
73
Interpretación de los gráficos de control
Necesitamos determinar si el proceso está bajo control, lo cual se traduce en que los puntos mostrados estén dentro de los límites de control y presenten un comportamiento aleatorio.
Para esto se utilizan una serie de reglas empíricas, cuya presentación se facilita si el área dentro de los límites de control se divide en regiones iguales.
74
Muestra
Ca
racte
rística
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Interpretación de los gráficos de control (cont)
75
Interpretación de los gráficos de control (cont)
A las reglas empíricas que se utilizan para determinar si un proceso está bajo control se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy baja probabilidad de ocurrir si el proceso está bajo control.
Cada una de ellas provee información sobre el tipo de causa asignable que puede estar afectando al proceso.
76
Reglas de parada
Un punto fuera de la zona A. Corresponde a un cambio repentino en la media o la dispersión del proceso.
Muestra
Ca
racte
rística
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
77
Reglas de parada
Siete puntos en fila, todos crecientes o decrecientes. Se presenta cuando hay cambios paulatinos en la media, debida a desgastes en herramientas o personal.
Muestra
Ca
racte
rística
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
78
Reglas de parada (cont)
Catorce puntos en fila alternando arriba y abajo. Indica correlación negativa entre los datos (cuando hay excesos en una, a la siguiente pieza es muy reducida y viceversa).
Muestra
Ca
ra
cte
rís
tica
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
79
Reglas de parada (cont)
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.
Muestra
Ca
racte
rística
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
80
Reglas de parada (cont)
Dos de tres puntos consecutivos en la zona A o más allá. Indican un incremento en la varianza del proceso.
Muestra
Ca
ra
cte
rís
tica
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
81
Reglas de parada (cont)
Estructuras periódicas. Estas están asociadas normalmente con cambios de turnos, operarios, días de la semana, etc.
Muestra
Ca
racte
rística
de
Ca
lid
ad
5 10 15 20 25
9.5
10
.01
0.5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
82
Reglas de parada (cont)
Nunca trate de explicar la influencia de todos y cada uno de los eventos que ocurren en la planta a través de gráficos 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
Interpretación de los gráficos de control (cont)
El calculo del nivel de significancia para las reglas de parada que se establezcan es importante para un correcto análisis. Un punto que incumple una regla de parada es una ALARMA pero no necesariamente significa que nuestro proceso está fuera de control, ya que si no podemos ligarlo a una causa asignable puede tratarse del azar.
84
Ejemplos adicionales
Ejemplo 3.- Dentro de un proceso de moldeo de PVC las piezas elaboradas pueden presentar o no defectos superficiales. Cada día se toman 100 piezas al azar de la línea de producción y se cuenta el número de piezas defectuosas.
Día Defectos Día Defectos1 9 16 92 16 17 53 5 18 64 6 19 45 7 20 116 9 21 37 3 22 18 9 23 39 10 24 010 4 25 411 7 26 612 10 27 113 6 28 614 6 29 515 7 30 4
85
Ejemplos adicionales (cont)
También se dispone de un registro de eventos en la línea, que puede resumirse como:Día Evento5 Reemplazo de la mezcladora.10 Nuevo empleado asume la operación del
proceso.18 Se comenzó a utilizar resina (materia
prima) de otro proveedor.22 Sustitución del sistema de enfriamiento, lo
que permitió un incremento en latemperatura de inyección de PVC.
86
Ejemplos adicionales (cont)
El gráfico p correspondiente a estos datos es el siguiente
Dia
Pro
po
rcio
n d
e p
ieza
s c
on
de
fecto
s s
up
erf
icia
les
0 5 10 15 20 25 30
0.0
0.0
50
.10
0.1
50
.20
LSC=0.1323
LC=0.0606
LIC=0.0000
87
Ejemplos adicionales (cont)Si bien el punto 2 aparece fuera de los
límites, no existe en el registro ningún 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 línea 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 (día 22). El 30 es similar.
88
Ejemplos adicionales (cont)
Nuestra conclusión es que la temperatura de inyección influye sobre la frecuencia en que aparecen defectos superficiales. El cambio del sistema de enfriamiento permitió elevar la temperatura, lo cual redujo el número de defectos.
Para avalar nuestra observación se podría haber realizado una prueba de igualdad de proporciones.
89
Tolerancias y capacidad
La literatura suele distinguir entre dos tipos de tolerancias: Tolerancias de diseño: las cuales son
fijadas por el departamento de ingeniería. Están relacionadas con el concepto de calidad en el diseño.
Tolerancias de naturales: que vienen dadas por las características de la máquina o proceso.
90
Tolerancias y capacidad (cont)
Si las tolerancias naturales de un proceso son más estrictas que las tolerancias de diseño entonces es fácil obtener calidad de conformidad.
Sin embargo, si las tolerancias de diseño se vuelven incompatibles con las tolerancias naturales de nuestro proceso, muy difícilmente lograremos elaborar productos que las satisfagan.
91
Las tolerancias de diseño deben ser realistas: deben representar un compromiso entre el mercado y nuestro sistema de producción.
Tolerancias de diseño
Tolerancias naturalesMercado
Tolerancias y capacidad (cont)
92
Estudios de capacidad
Su objetivo es cuantificar la variabilidad inherente a un proceso o a una parte del mismo (determinar tolerancias naturales) y analizar dicha variabilidad en relación con las especificaciones del producto (tolerancias de diseño).
No tiene sentido hablar de capacidad para procesos que no se encuentran en estado de control.
93
Estudios de capacidad (cont)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 drásticas.
Determinar valores “razonables” para las especificaciones de un producto nuevo.
Elegir entre diversos proveedores.
94
Estudios de capacidad (cont)
En la industria a veces se habla de dos tipos de capacidad Capacidad de las máquinas (u operarios) o
capacidad a corto plazo. Capacidad del proceso o capacidad a largo
plazo.Los requisitos de capacidad a corto
plazo suelen ser más exigentes que los de largo plazo, ¿puede decir por qué?
95
Estudios de capacidad (cont)
Se dice que un proceso es capaz para producir un determinado artículo a un nivel de calidad si la probabilidad de que los productos que se elaboran correspondan con las especificaciones es al menos .
Está concepción está ligada a una función de utilizada 0-1.
96
Estudios de capacidad (cont)
El resultado de un estudio de capacidad suele presentarse en la forma de un histograma al cual se le añaden indicaciones sobre el valor objetivo de la característica de calidad y los límites de especificación de la misma. También pueden utilizarse los diagramas de control.
Además, suelen utilizarse algunos índices para facilitar el análisis.
97
Indices de capacidad
Si los procesos están centrados: Capacidad de máquinas
Capacidad de procesos
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 distribución normal.
8
LITLSTCm
6
LITLSTC p
98
Indices de capacidad (cont)
Ciertas industrias (aviación, automóviles) utilizan otros valores como 10 y 12.
Se desea que el índice 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 pequeño cambio en las condiciones puede hacer que pierda esta cualidad.
Si Cp > 1.33 el proceso es capaz y robusto.
99
Indices de capacidad (cont)
Cuando el proceso no está centrado se hace necesario redefinir los índices. Para máquinas:
Para procesos:
4
,4
minLITXXLST
Cmk
3
,3
minLITXXLST
C pk
100
Indices de capacidad (cont)Puede comprobarse fácilmente que
y que la igualdad se cumple si y solo si el proceso está centrado. Además, entre mayor es la diferencia, mayor es el descentramiento
Los índices Cmk y Cpk pueden interpretarse como la capacidad hasta la tolerancia más próxima.
ppkmmk CCCC y
101
Indices de capacidad (cont)
De hecho, la misma idea sobre la que se basan estos índices puede utilizarse en el caso de especificaciones unilaterales. ¿Cómo podría hacerlo?
En algunos casos se estudia la evolución de la capacidad del proceso en el tiempo mediante gráficos de control.
102
Capacidad y falta de normalidad
Si la distribución de los datos no es normal, es posible que aparezcan más defectos de los que se esperan bajo un índice de normalidad.
Una forma de corregir el problema es hallar límites universales (desigualdad de Chebyshev), pero estos tenderán a ser demasiado amplios.
Otra forma es ajustar una distribución.
103
Ejemplos
Ejemplo 5: Se tienen datos sobre la resistencia a la presión interna de botellas para gaseosas en 20 muestras de 5 observaciones cada una. Los gráficos de control correspondientes pueden verse a continuación. Las especificaciones para el proceso establecen que la resistencia debe ser superior a 200, y no se establecen valores máximos.
104
Ejemplos (cont)
x
Me
dia
s
20
02
50
30
03
50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
Ra
ng
os
-10
00
10
02
00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
105
Ejemplos (cont)
De las gráficas es claro que el proceso está bajo control. Por tanto podemos estimar la variabilidad natural del proceso debida a causas comunes como:
y la localización del proceso como
23,33326,2
3,77
2
d
R
06,264 X
106
Ejemplos (cont)
Nótese que el límite de especificación es unilateral (botellas con mucha resistencia no son de ningún modo defectuosas). Así pues:
Lo cual es un valor muy bajo, especialmente si consideramos que se trata de un parámetro relacionado con la seguridad.
64,023,333
20006,264
3
LITC pkl
107
Ejemplos (cont)
160 180 200 220 240 260 280 300 320 340 360
07
14
21
28
35
LIE
Resistencia interna
Fre
cu
en
cia
ab
so
luta
La muestra presenta un 3% de observaciones fuera de especificación, en línea con el 2,6% que se espera de la aproximación normal. ¿Cómo se obtiene este último número?
108
Ejemplos (cont)
Este es un ejemplo de un proceso bajo control (estable) pero que funciona a un nivel de calidad inaceptable (capacidad insuficiente).
La producción de artículos defectuosos en este caso no puede ser controlada por el operario ya que solo están presentes causas comunes. Es necesaria la intervención de la gerencia.
109
Ejemplos (cont)
De hecho, es fácil calcular el nivel de variabilidad aceptable para el proceso. Si se desea un índice de capacidad de 1,33 entonces
es decir, se hace necesario cortar la dispersión a menos de la mitad.
055,1633,13
20006,264
33,13
LIT
110
Papel de la inspección en el sistema de calidad
Con el advenimiento del SPC el muestreo se concibe como un medio para determinar conformidad más que para mejorar calidad de los productos.
Aunque el objetivo filosófico de la calidad total es cero defectos, en la aplicación práctica se tolera un cierto nivel de disconformidades. Se trata de lograr un compromiso entre el SPC y la inspección
111
Acciones de inspección
Aceptación ciega (no inspección): para piezas no críticas o piezas baratas con defectos fácilmente descartables.
Inspección completa: se justifica cuando
Inspección por muestreo: cuando esto no se cumple, o cuando el volumen de piezas es alto o si los ensayos son destructivos.
id CpC
112
Ventajas y desventajas del muestreo
VentajasEs menos costoso.Hayun menor manejo
del producto.Puede aplicarse en
pruebas destructivas.A menudo reduce los
errores de inspección.Rechazar lotes enteros
impone presión.
DesventajasExiste el riesgo de
aceptar lotes “malos” y rechazar “buenos”.
Se obtiene menos información.
Se necesita planificación previa.
113
Tipos de planes de muestreo
En base al tipo de característica medida: Planes de muestreo por atributos. Planes de muestreo por variables.
En base al número de muestras tomadas: Planes de muestreo simple. Planes de muestreo múltiple. Planes de muestreo secuencial.
114
Condiciones para el uso de inspección por muestreo
Las condiciones de producción de las unidades que conforman los lotes deben ser homogéneas.
Las muestras que se tomen deben ser aleatorias y representativas de todos los artículos del lote.
Es preferible utilizar lotes grandes en lugar de lotes pequeños.
115
AleatorizaciónSi se utilizan métodos de juicio para
seleccionar la muestra se pierde la base estadística del procedimiento.
En el procedimiento de aleatorización se debe garantizar que todas las muestras tengan la misma probabilidad de ocurrencia.
Suponemos conocido N tamaño del lote) y n (tamaño de la muestra).
116
Aleatorización en línea o secuencial
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 artículo entre en la muestra va a depender del número de artículos que ya han entrado en ella k, así como de n y N. De hecho,
1)muestra laen entre ésimo(
iN
kniP
117
Aleatorización en línea o secuencial (cont)
El algoritmo puede resumirse como
Inicializar k = 0.Para todo i desde 1 hasta N,
Generar UUni(0,1).Si U < (n - k)/(N - i + 1),
Escoger el i-esimo artículo para la muestraAsignar k = k + 1.
en caso contrarioDescartar el i-esimo artículo de la muestra
118
Aleatorización fuera de línea
Otro algoritmo de aleatorización que es bastante intuitivo cuando los productos se reciben en grupos corresponde a generar una variación al azar de los elementos del lote. Esto requiere tenerlos identificados (por serial, ubicación u otro código).
Este mismo algoritmo puede adaptarse para generar una permutación al azar.
119
Aleatorización fuera de línea (cont)
Si asumimos que los identificadores están contenidos en el vector e el algoritmo es
Para todo i desde 1 hasta n,Generar UUni(0,1).Asignar s = N - i + 1.Asignar k = sU + 1.Escoger e(k) como miembro de la muestra.Intercambiar los contenidos de e(k) y e(s).
120
Muestreo simple por atributos
Este tipo de planes son los difundidos en la práctica comercial ya que son a la vez versátiles y sencillos de aplicar.
Para definir un plan de muestreo simple por atributos es necesario fijar dos parámetros: el tamaño de la muestra n y el número de aceptación c. Cualquier lote que presente una muestra con más de c unidades disconformes es rechazado.
121
Modelos probabilísticos en el muestreo por atributosEl valor de la variable aleatoria C, número
de piezas defectuosas contenido en una muestra de una población viene dado por una distribución hipergeométrica
donde p es la proporción de disconformes en el lote (punto de vista del consumidor).
n
N
cn
Np
c
pN
cCP
)1(
)(
122
Modelos probabilísticos en el muestreo por atributos
Cuando el tamaño del lote N es grande respecto al tamaño de la muestra n, la distribución puede aproximarse por una binomial.
La misma distribución es exacta cuando consideramos el proceso desde el punto de vista del productor. ¿Por qué?
cnc ppc
ncCP
)1()(
123
Curvas características de operaciónLas curvas CO muestran la probabilidad
de aceptación del lote como función de la fracción 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 elección de un plan se basa en su curva CO.
124Proporcion de defetos en el lote
Pro
ba
bili
da
d d
e a
cep
taci
on
de
l lo
te
0.0 0.02 0.04 0.06 0.08
0.0
0.2
0.4
0.6
0.8
1.0
Curvas características de operación (cont)
Por ejemplo, la curva CO para el plan con N = 1000, n = 89 y c = 2 es
125
Curvas características de operación (cont)
Suele distinguirse entre curvas CO de tipo A o curvas CO del consumidor cuando las mismas se construyen a partir de la distribución hipergeométrica y curvas CO tipo B o curvas CO del productor cuando las mismas se construyen a partir de la distribución binomial.
126Proporcion de defetos en el lote
Pro
ba
bili
da
d d
e a
cep
taci
on
de
l lo
te
0.0 0.02 0.04 0.06 0.08 0.10
0.0
0.2
0.4
0.6
0.8
1.0
N=100N=Infinito
Curvas características de operación (cont)
Curvas CO tipo A y B para n = 25 y c = 0.
127
Curvas características de operación (cont)
Como la diferencia entre las curvas mostradas es pequeña, en la práctica los planes se diseñan basandose las curvas tipo B. Estos permite diseñar los planes independientemente del tamaño del lote.
Sin embargo debe recordarse que para el consumidor esto es una aproximación cuya validez debe verificarse en cada caso.
¿Cómo sería la curva CO ideal?
128
Curvas características de operación (cont)
Curvas CO con relación n/N fija y c = 0.
Proporcion de defetos en el lote
Pro
ba
bili
da
d d
e a
cep
taci
on
de
l lo
te
0.0 0.02 0.04 0.06 0.08 0.10
0.0
0.2
0.4
0.6
0.8
1.0
N = 50,n = 5N = 100,n = 10N = 200,n = 20N = 1000,n = 100
129
Diseño de planes de muestreo
El diseño clásico de planes de muestreo se basa en la especificación 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 proporción defectuosa igual al NCA. Se desea que sea bajo para proteger al productor.
130
Diseño de planes de muestreo (cont)
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 proporción defectuosa igual al NCL. Se desea que su valor sea pequeño ya que se trata del tope aceptable por el consumidor.
131
Diseño de planes de muestreo (cont)
Una vez que se fijan estos cuatro valores la curva característica está determinada en forma única y por tanto el plan de muestreo también. Para obtener n y c hay que resolver las ecuaciones:
c
d
dnd
c
d
dnd
NCLNCLdnd
n
NCANCAdnd
n
0
0
)1()!(!
!
)1()!(!
!1
132
Diseño de planes de muestreo (cont)
Si NCA < NCL y < 1 - , este par de ecuaciones siempre tienen solución (aunque no en forma explícita). Sin embargo, dependiendo de cómo se fijen los parámetros anteriores es posible que el plan sea irrealizable en la práctica.
En general mientras más cercanos sean el NCA y el NCL mayor será el tamaño de la muestra n y, por tanto, más complejo el plan.
133
Planes de muestreo dobles por atributos
En estos planes la decisión tras observar la primera muestra tomada del lote puede ser aceptarlo, rechazarlo o tomar una segunda muestra. Si esto último se decide entonces la aceptación o el rechazo se basan en la información proveniente de ambas muestras.
134
Planes de muestreo dobles por atributos (cont)
Así pues, para determinar un plan de muestreo doble es necesario fijar cuatro valores: el tamaño de la primera muestra (n1), el número de aceptación de la segunda muestra (c1), el tamaño de la segunda muestra (n2) y el número de aceptación para ambas muestras combinadas (c2).
135
Planes de muestreo dobles por atributos (cont)
Si llamamos di al número de defectos en la i-ésima muestra podemos resumir así:
¿ d1 c1? ¿ d1 > c2?
¿ d1 + d2 c2?
Tomar muestrade tamaño n1
Tomar muestrade tamaño n2
Aceptar lote Rechazar lote
Rechazar lote
Aceptar loteSI SI
SI
NO
NONO
136
Planes de muestreo dobles por atributos (cont)
Dos ventajas de estos planes son: Cuando se utiliza reducción en la segunda
muestra pueden haber ahorros importantes. Sicológicamente son más fáciles de aceptar
ya que estos planes le dan al lote una segunda oportunidad.
La principal desventaja de los planes dobles es que requieren mayor planificación previa.
137
Curvas CO para planes de muestreo dobles
El cálculo de las curvas CO es ahora más complejo. Llamando Xi al número de disconformes en la i-ésima muestra (i = 1,2) entonces Pa, la probabilidad de aceptación del lote, es:
2
1
21
2
1
021
01
22111
21122121111
)()()(
)()()(
)|()()(
c
cd
dc
s
c
d
c
cd
a
sXPdXPdXP
dcXPdXPcXP
cXccXXPcXcPcXPP
138
Curvas CO para planes de muestreo dobles (cont)
Igualmente existen curvas tipo A (cuando se usa la distribución hipergeométrica para las Xi) o tipo B (cuando se usa la distribución binomial).
Muchas veces se incluye también 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.
139
Curvas CO para planes de muestreo dobles (cont)
Por ejemplo, para el plan n1 = 50, c1 = 1, n2 = 100, c2 = 3 las curvas tipo B son:
Proporcion disconforme en el lote
Pro
ba
bili
da
d d
e a
cep
taci
on
0.0 0.05 0.10 0.15
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.8
0.6
0.4
0.2
0.0
Prob. acep. combinadaProb. acep. 1° muestraProb. rech. 1° muestra (derecha)
140
Curvas CO para planes de muestreo dobles (cont)
Es importante destacar que la probabilidad de aceptación y rechazo en la primera muestra no suman 1, ya que se le da oportunidad a tomar una segunda muestra.
El diseño en este caso también se hace especificando NCA, , NCL y . Sin embargo la solución de las ecuaciones es en este caso más complicado.
141
Curvas del número muestral medio
Es importante conocer cual es el número promedio de inspecciones que se van a realizar bajo el plan de muestreo doble, como función del verdadera proporción disconforme en lote. Si las dos muestras se toman completamente, el cálculo es muy sencillo a partir de las curvas CO:
)( 1121 cXPnnNMM
142
Curvas del número muestral medio (cont)
Sin embargo, cuando se utiliza reducción (es decir, si se interrumpe la toma de la segunda muestra cuando el total de disconformes supera a c2) el número muestral medio es menor y el cálculo es más engorroso.
Note que la reducción podría utilizarse también en planes de muestreo simple. ¿Por qué esto no se hace?
143
Norma MIL-STD-105D (ANSI/ASQC Z1.4)
Es una norma militar publicada en 1963.Presenta planes de muestreo simples,
dobles y múltiples.Está basado en el NAC.Se puede utilizar para controlar la
proporción de defectos o el número de defectos por unidad.
La norma equivalente venezolana es la COVENIN 3133-1:1997 (ISO 1859-1:1989)
144
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Determinar el nivel de inspección, el cual está relacionado con el tamaño muestral. Usualmente se utiliza el nivel II pero el nivel III se usa cuando el costo de inspección 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 tamaños mínimos.
Determinar el tamaño del lote.
145
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Hallar la letra código del plan.
146
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Elegir el número de muestras del plan de muestreo: simple, doble o múltiple.
Elegir el NAC (en porcentaje).Seleccionar el tipo de inspección
(normal, reducida o severa). El plan contiene reglas para saltar entre los distintos planes (ver siguiente lámina).
Usando el NAC y la letra código determinar el plan a partir de las tablas.
147
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Reducida Normal Severa
Se aceptan 5lotes consecutivos
Se rechazan 2 de 5lotes consecutivos
Se aceptan 10lotes consecutivos
Se rechaza 1 lote ola producción es irregular
Inicio
10 lotesconsecutivos
bajoinspecdión
estrictaInterrupcción
148
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Planes para muestreo simple con nivel de inspección normal.
149
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Si en la posición correspondiente no se encuentra ningún plan, seguir la flecha hasta encontrar uno. Se debe tomar entonces el nuevo tamaño muestral y el nuevo número de aceptación.
Si tamaño muestral es mayor que el del lote, realice inspección al 100%.
150
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
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 artículos del proveedor. Tome en cuenta que la inspección de este tipo de productos es muy fácil y barata.
151
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Para obtener la letra código del plan necesitamos el tamaño del lote N (el cual conocemos) y el nivel de inspección. Como la inspección de estos artículos es sencilla y barato, podemos utilizar un nivel de inspección III, lo cual implica que el tamaño de nuestras muestras n va a ser un poco más grandes que con cualquier otra alternativa.
152
Norma MIL-STD-105D (ANSI/ASQC Z1.4) (cont)
Una vez que obtenemos la letra código L, lo único que necesitamos es determinar el nivel de inspección. 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 código L, el plan de muestreo simple correspondiente es n = 150 y c = 0 (como no hay plan, se sigue la flecha)
153
Inspección rectificadora
Cuando un lote es rechazado por el plan de muestreo lo más común es que este sea inspeccionado al 100% (bien sea por el productor o por el consumidor). En ese caso los artículos disconformes son eliminados o reemplazados, de modo que la proporción disconforme de estos lotes es cero.
154
Inspección rectificadora (cont)
El esquema de inspección en este caso se puede resumir en el siguiente gráfico
Lotesentrantes
Lotesaceptados
Lotesrechazados
Inspecciónal 100%
Lotessalientes
p = p0
p = 0
p = p0 p < p0
155
Inspección rectificadora (cont)
Es importante conocer cual la calidad promedio de los lotes una vez que se ha realizado la depuración de los rechazados. Esto se conoce como la calidad media de salida (CMS) y se calcula como
donde p es la fracción defectuosa y Pa es la probabilidad de aceptar el lote.
pPN
nNpPCMS a
a )(
156
Inspección rectificadora (cont)
La curva CMS para un plan de muestreo simple con n = 89 y c = 2 es:
Proporcion de defetos en el lote
Ca
lida
d m
ed
ia d
e s
alid
a (
CM
S)
0.0 0.02 0.04 0.06 0.08 0.10
0.0
0.0
05
0.0
10
0.0
15
157
Inspección rectificadora (cont)
Otra característica importante de los planes de muestreo rectificativo es el número de artículos inspeccionados en el lote. A esto se le conoce como la inspección total media (ITM) y viene dado por:
))(1( nNPnITM a
158
Inspección rectificadora (cont)
La curva ITM para el mismo plan de muestreo simple con n = 89 y c = 2 es:
Proporcion de defetos en el lote
Insp
eccio
n t
ota
l m
ed
ia (
ITM
)
0.0 0.02 0.04 0.06 0.08 0.10
02
00
04
00
06
00
08
00
01
00
00
N=1000N=5000N=10000