C Calidad 1213

Prof.
Luis Nava Puente 2012-2013
Introduccin
El Control de calidad ha pasado histricamente por tres etapas distintas:
1. nfasis: La inspeccin y en el establecimiento de
tolerancias para los productos. Desde los aos 30 y hasta comienzos de los 60. El control de recepcin para materiales y el control de auditora del producto final
Profesor Luis Nava Puente
Control Estadstico de la Calidad
Introduccin
calidad durante la fabricacin (limitante presentada por la etapa anterior). Sus principales ventajas radican en su capacidad para mejorar procesos y prevenir la aparicin de problemas
2. Se plantea evitar las causas de los problemas de
Introduccin
El control ms importante es el control de calidad en curso de fabricacin. En esta etapa las tolerancias comienzan a contemplarse como estndares a superar y no como objetivos a conseguir.
Introduccin
3. La intensa competencia internacional da origen a la
tercera etapa, desarrollada bsicamente en Japn. Evitar los problemas antes de que se manifiesten, haciendo nfasis en el diseo de productos para que satisfagan altos niveles de calidad.
Conceptos Bsicos
Calidad.
1. 2.
3.
Juran y Gryna (1977). Totalidad de caractersticas de un producto o servicio que conducen con su aptitud a satisfacer una necesidad bsica. Montgomery (2004). Afirma que para la mayora de las personas est relacionado con las caractersticas (una o ms) deseables que debera poseer un producto o servicio. Gutirrez y De La Vara (2004). Juicio que el cliente tiene sobre un producto o servicio, resultando del grado con el cual un conjunto de caractersticas inherentes al producto, cumplen con los requisitos.
Control Estadstico de la Calidad 6
Conceptos Bsicos
Control de Calidad Segn las normas industriales japonesas es un sistema de mtodos de produccin que econmicamente genera bienes o servicios de calidad, acordes con los requisitos de los consumidores. Si este sistema usa mtodos estadsticos se denomina control estadstico de calidad
Conceptos Bsicos
Caractersticas de calidad Desempeo. Cumple el producto con determinadas funciones? Cmo las cumple? 2. Confiabilidad. Frecuencia con la que falla el producto. Si falla poco, es un producto confiable. La confiabilidad es inversamente proporcional a la frecuencia de falla. 3. Durabilidad. Se refiere al ciclo de vida til del producto. Se desea que el producto tenga un prolongado ciclo de vida til. 4. Facilidad de servicio. El acceso al mantenimiento o reparacin debe ser directo, rpido y econmico.
1.
Profesor Luis Nava Puente Control Estadstico de la Calidad 8
Conceptos Bsicos
Caractersticas de calidad Esttica. Se refiere al atractivo del producto. Su presentacin; color, forma, estilo, caractersticas tctiles y sensoriales, entre otras. 6. Otras caractersticas o funciones. Se refiere a la incorporacin de caractersticas o funciones que superan el desempeo de la competencia. 7. Calidad percibida. Reputacin alcanzada respecto a la calidad del producto. Conocimiento basado en el desempeo de sus funciones. 8. Conformidad con los estndares. Cumplimiento de los requerimientos establecidos para su fabricacin.
5.
Conceptos Bsicos
Ejemplo. Una mquina que produce piezas de PVC. Posibles caractersticas de calidad: 1. Peso. 2. Textura. 3. Color. 4. Grosor. 5. Durabilidad.
10
Conceptos Bsicos
Estas caractersticas de calidad pueden clasificarse en varios tipos:

1. Fsicas. Longitud, peso, viscosidad. 2. Sensoriales. Sabor, color, apariencia. 3. Orientadas al tiempo. Confiabilidad, durabilidad,
facilidad de servicio.
11
Conceptos Bsicos
La calidad de un producto puede definirse como la satisfaccin de requisitos para su uso o, como una funcin inversamente proporcional a la variabilidad negativa, indeseable o perjudicial.
12
Conceptos Bsicos
Adecuacin para su uso: Calidad de diseo. Se refiere al grado o nivel de calidad. 2. Calidad de conformidad. Medida en que el producto cumple con las especificaciones requeridas por el diseo.
1.
Como una funcin inversa de la variabilidad negativa, el objetivo a alcanzar es el de reducir dicha variabilidad. El proceso que permite tal reduccin es denominado mejoramiento de calidad.
Conceptos Bsicos
Ingeniera de calidad. Conjunto de actividades operativas, administrativas y de ingeniera que se ejecutan con el fin de garantizar productos con algunos niveles nominales o requeridos en sus caractersticas de calidad.
14
Conceptos Bsicos
Atributos Caractersticas Variables
15
Conceptos Bsicos
Especificaciones. Mediciones deseadas o establecidas para las caractersticas de calidad a observar. Limite Superior Especificaciones Limite Inferior
16
Conceptos Bsicos
Lograr una produccin dentro de las especificaciones, es decir, dentro de lo establecido en las normas tcnicas, es el objetivo principal del control estadstico de la calidad, es decir, evitar la produccin de artculos y servicios disconformes.
17
Conceptos Bsicos
Dentro de la produccin de bienes, el control estadstico de la calidad se centra fundamentalmente en el control de: Recepcin de materia prima 2. Fabricacin 3. Productos terminados y semiterminados 4. Servicio
1.
18
Conceptos Bsicos
La materia prima usada para obtener productos terminados o semiterminados, debe ser sometida a mecanismos de control que permitan garantizar materia prima que cumpla con los requerimientos exigidos. Estos mecanismos o mtodos de control se denominan mtodos de muestreo de aceptacin o rechazo.
19
Conceptos Bsicos
Durante el proceso de fabricacin se deben aplicar mecanismos que permitan detectar en un tiempo relativamente corto, causas que puedan incidir en la fabricacin de artculos defectuosos o no conformes. Los mtodos ms usados son los grficos de control.
20
Conceptos Bsicos
Existen diversas tcnicas estadsticas tiles en el anlisis y estudio de calidad as como en la mejora de los procesos de produccin.. Estas tcnicas o mtodos se pueden clasificar en dos grupos: 1. En lnea 2. Fuera de lnea
21
Conceptos Bsicos
En Lnea. Tcnicas que se aplican directamente sobre la lnea de produccin. Grficos de Control 2. Muestreo para Aceptacin o Rechazo
1.
22
Conceptos Bsicos
Fuera de Lnea.
1. 2. 3. 4. 5.
Diseo de Experimentos Anlisis de Regresin Anlisis de Series de Tiempo Simulacin Metodologa de Taguchi
23
Conceptos Bsicos
Causas de la variacin de la calidad. La calidad de un producto inevitablemente sufre variaciones. Las causas de estas variaciones se pueden clasificar en: Causas fortuitas o debidas al azar 2. Causas asignables
1.
24
Conceptos Bsicos
Siempre se tendr cierta variabilidad natural e inevitable en la calidad del producto. Esta variabilidad se dice se debe a causas fortuitas. Existen situaciones en las que est presente variabilidad debido a causas que no forman parte del patrn de causas fortuitas, que pueden ser investigadas y por ende, controladas. A estas causas de variabilidad se les denomina causas asignables
25
Conceptos Bsicos
En todo proceso participa un gran conjunto de variables. Controlables Variables No controlables
26
Conceptos Bsicos
27
Conceptos Bsicos
El control, investigacin y correccin de las causas asignables, es uno de los principales objetivos del control estadstico de procesos.
28
Conceptos Bsicos
Si un proceso opera nicamente con causas fortuitas, se dice que el mismo est bajo control. Si dicho proceso opera con causas asignables, se dice que est fuera de control.
29
Grficos de Control
Los grficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos.
30
Grficos de Control
Constituyen una tcnica de monitoreo de procesos en lnea. Se pueden usar para estimar los parmetros de un proceso de produccin (media, varianza, fraccin disconforme, etctera) y as, determinar la capacidad del mismo para producir productos aceptables.
31
Grficos de Control
Representa una tcnica probada para mejorar la productividad reduciendo los desechos y el reprocesamiento. 2. Son efectivos para prevenir defectos manteniendo el proceso bajo control. 3. Previenen el ajuste innecesario del proceso distinguiendo el ruido de fondo de la variacin anormal. 4. Proporciona informacin de diagnstico permitiendo as, realizar los cambios necesarios para mejorar 5. Proporcionan informacin sobre la capacidad del proceso y as, poder estimarla.
1.
Grficos de Control
Bsicamente, un Grfico de Control es un grfico en el cual se representan los valores de algn tipo de medicin realizada durante el funcionamiento de un proceso continuo, y que sirve para controlar dicho proceso.
Proceso
Grfico
Mediciones
33
Valores observados
Grficos de Control
Limite Superior de Control Caracterstica de calidad
Lnea Central
Limite Inferior de Control
Tiempo
34
Grficos de Control
La lnea central representa el nivel esperado de la caracterstica de calidad del producto.
Limite Superior de Control
Lnea Central
Limite Inferior de Control
35
Grficos de Control
Definen que tanto puede variar la caracterstica de calidad del producto mantenindose an un nivel de calidad aceptable.
Limite Superior de Control Lnea Central Limite Inferior de Control
36
Grficos de Control
Fortuitas
Caracterstica de calidad
Atribuibles
Tiempo
37
Grficos de Control
Fortuitas
Tiempo
Bajo Control
38
Grficos de Control
Factores que no se toman en cuenta
Fortuitas
No controlables
39
Grficos de Control
Atribuibles
Fuera de Control
Tiempo
40
Grficos de Control
Equipos o maquinarias
Mantenimiento
Herramientas
Atribuibles
Operadores
Materia Prima
41
Grficos de Control
Caracterstica de calidad Caracterstica de calidad
Tiempo Tiempo
Tiempo
Tiempo
42
Grficos de Control
Principios Tericos de los Grficos de Control: Estn fundamentados en el conocimiento del comportamiento de las variaciones provenientes de las causas fortuitas Conocimiento del modelo que siguen estas variaciones
Predecir comportamiento
Grficos de Control
Ejemplo: X=Caracterstica de calidad~( = ; = , ) Si el proceso est bajo control, se espera que de cada 10000 muestras que se tomen aleatoriamente, aproximadamente 2 contengan 4 o ms artculos defectuosos. Si al tomar la muestra se observan 4 o ms artculos defectuosos 1. Casualidad 2. El valor de P es otro y no el fijado. = = ,
44
Grficos de Control
Los grficos de control pueden verse como una prueba de la hiptesis H0: el proceso est bajo control contra H1: el proceso est fuera de control. Por ejemplo, si el valor medio de la caracterstica se encuentra entre los lmites de control, no se rechaza H0. En caso contrario, se rechaza
45
Grficos de Control
Si se concluye que el proceso est fuera de control cuando realmente est bajo control, se est cometiendo un error de tipo I. S se concluye que el proceso est bajo control cuando realmente no lo est, se incurre en un error tipo II.
46
Grficos de Control
El grfico de control solo detectara las causas asignables, no corregir. Por lo tanto es necesario para esto, implementar un plan de accin, denominado plan de accin para condiciones fuera de control.
47
Grficos de Control
Un aspecto de vital importancia en el uso de los grficos de control es su diseo. Seleccin de: 1. los lmites de control, 2. el tamao muestral y 3. la frecuencia de muestreo.
48
Grficos de Control
Si los limites de control se seleccionan alejados de la lnea central, la probabilidad de considerar un proceso fuera de control sin estar presente alguna causa fuera de control reduce pero, la probabilidad de cometer error tipo II se incrementa. Caso contrario ocurre si los lmites de control se seleccionan cercanos de la lnea central.
49
Grficos de Control
El tamao muestral es una funcin del tamao del cambio que se desea detectar. Si el cambio a detectar es pequeo, es necesario una muestra grande. Muestras pequeas se requieren si el cambio a detectar es grande
50
Grficos de Control
La frecuencia de muestreo, en la prctica por lo general se tiende a tomar muestras pequeas en intervalos cortos. Tambin puede tomarse muestras grandes en intervalos grandes.
51
Grficos de Control
Patrones Un punto se encuentra fuera de los limites 3. 2. Dos de tres puntos consecutivos se localizan fuera de los limites 2 (limites de advertencia). 3. Cuatro de cinco puntos consecutivos se localizan a una distancia de un o ms de la lnea central. 4. Ocho puntos consecutivos se localizan en el mismo lado de la lnea central.
1.
Grficos de Control
Criterios para la especificacin de los Lmites de Control: 1. Criterios tcnicos. Error tipo I y error tipo II. Debe evaluarse en cada situacin que tipo de error es ms grave (Considerar el aspecto econmico). 2. Criterios econmicos. Costo de muestreo por unidad, costo de cometer error tipo II, tasa de produccin, confiabilidad de los equipos.
TAMAO DE LA MUESTRA Y FREC. DE MUESTREO
Grficos de Control
Probabilidad de cometer error tipo I y II.
Probabilidad de indicar un proceso bajo control errneamente 1 = + =

Probabilidad de indicar un proceso fuera de control errneamente . = + 1 =
54
Grficos de Control
Sensibilizar el Grfico de Control: Se debe tomar en cuenta ms de un criterio. Por ejemplo, un criterio principal y los patrones no aleatorios.
55
Grficos de Control
Indicadores para evaluar un Grfico de Control:

1.
2.
Longitud Media de Corrida para un proceso fuera de control (LMCF). Nmero promedio de muestras que deben tomarse para detectar una condicin fuera de control (debe ser pequeo). Longitud Media de Corrida para un proceso bajo control (LMCC). Nmero promedio de muestras que se tomaran hasta obtener una falsa alarma (debe ser grande).
UN BUEN GRFICO DE CONTROL ES AQUEL QUE DETECTA RPIDAMENTE UNA CONDICIN FUERA DE CONTROL Y UNA FALSA ALARMA TARDAMENTE
56
Grficos de Control
= =
= =1
= 1; = ;
1 = 0 1 = 1 1
57
Grficos de Control
1.
Proceso bajo control
2. Fuera de control
1 =
1 = 1
58
Grficos de Control
Grficos de Control de atributos. Es ideal cuando la caracterstica de la calidad se refiere a al presencia o no de ciertos atributos. Tambin cuando la caracterstica representa el nmero de defectos por unidad de producto. Esto es, si la caracterstica de la calidad se mide en una escala de medida cualitativa.
59
Grficos de Control
Grficos de Control de variables. Si la caracterstica de calidad puede medirse como un nmero en una escala de medida continua, entonces pueden disearse grficos para controlar la tendencia central o la variabilidad.
60
Introduccin
No siempre se puede medir las caractersticas de
calidad en una escala continua o numrica.
Se verifica entonces el cumplimiento o no de ciertos
criterios o especificaciones establecidas en el diseo. Se verifica la presencia o no de ciertos atributos.
62
Introduccin
Proporcin de unidades defectuosas. Nmero de unidades defectuosas. Nmero de defectos en la unidad de inspeccin. Nmero promedio de defectos por unidad de
inspeccin.
63
Grficos de Control para atributos

Grficos de atributos ms conocidos: Grfico de control para la fraccin disconforme (P). Grfico de control para el nmero de artculos defectuosos (nP). Grfico de control de nmero de disconformidades por unidad de inspeccin (C). Grfico de control de nmero de disconformidades para tamaos de muestras distintos a una unidad de inspeccin (U). Grfico de demritos (D).
Los grficos para atributos no son tan eficientes en cuanto a la informacin que ofrecen como los grficos para variables. Utilidad: Industrias de servicio y en todos aquellos procesos en los que se tiene un gran nmero de caractersticas de calidad de tipo numrico.
65
Grfico de control P La fraccin disconforme es el cociente entre nmero de artculos disconformes y el nmero total de artculos. Se relaciona con el no cumplimiento de una o varias caractersticas de calidad.
66
67
El grfico P muestra las variaciones en la proyeccin de unidades disconformes de una produccin. Supuesto: independencia Distribucin binomial. Aplicable a procesos que no tengan porcentajes de defectuosos superiores al 10%.
68
Bajo independencia, la clasificacin de cada uno de los artculos representa un ensayo Bernoulli con parmetro p. Variable aleatoria (D): Nmero de unidades disconformes, sigue una distribucin binomial de parmetros n y P.
69
70
71
Un grfico de control 3-sigmas para P, suponiendo que se conoce P.
72
Un grfico de control 3-sigmas para P, suponiendo que se desconoce P.
73
74
Lmites probabilsticos. Fijar o 1 y 2 , y calcular los valores de LSC y LIC que satisfacen
75
Si los valores de la fraccin disconforme se encuentra entre los lmites o, si no hay patrones no aleatorios en la distribucin de los puntos, se dice que el proceso esta bajo control
76
Ejemplos. 15 muestras de tamao 200

Proportion Nonconforming
Control Chart: DISCONF

,10
,08
,06
,04
DISCONF UCL = ,0816
,02 Center = ,0400 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 LCL = ,0000
Sigma level: 3
77
Control Chart: DISCONF

,10
,08
,06
,04
DISCONF UCL = ,0850
,02 Center = ,0423 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 LCL = ,0000
Sigma level: 3
78
En el primer caso el proceso no esta bajo control. En el segundo caso el proceso esta bajo control. Los
lmites pueden ser usados para controlar el proceso
79
Los siguientes resultados corresponden a la inspeccin del motor de un secador elctrico de pelo en muestras de tamao 300 . La lnea central es
80
p (1 p ) 0.018 (1 0.018 ) LIC = p 3 0.018 3 = = 0.005 n 300

p (1 p ) 0.018 (1 0.018 ) LSC = p+3 = 0.018 + 3 = 0.041 n 300
81
Control Chart: nodis

0,06 nodis UCL = ,04 0,05 Center = ,02 LCL = ,00
0,04
0,03
0,02
0,01
0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Sigma level:
82
p (1 p ) 0.017 (1 0.017 ) LIC = p 3 = 0.017 3 = 0.005 300 n
0.017 (1 0.017 ) p (1 p ) 0.017 + 3 0.039 LSC = p+3 = = n 300
83
Control Chart: nodis

0,04 nodis UCL = ,04 Center = ,02 LCL = ,00
0,03
0,02
0,01
0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Sigma level:
84
Tamaos de muestra variable No siempre es posible o, no conviene contar con muestras del mismo tamao (los procesos no necesariamente producen la misma cantidad de artculos en un determinado intervalo de tiempo). Tres procedimientos permiten tratar esta situacin.
85
Determinar los lmites de control para cada muestra
en particular
p (1 p ) p 3 ni
p (1 p ) p+3 ni
86
EJEMPLO 1
n 120 90 110 110 80 120 140 90 100 120 105 130 115 90 125
Profesor Luis Nava Puente Control Estadstico de la Calidad
d 10 9 10 10 6 10 10 6 10 6 6 14 11 7 12
87
EJEMPLO 1
88
Calcular los lmites de control en base a un tamao
de muestra promedio (Lmites aproximados)
n = ni k
EJEMPLO 2
En el ejemplo 1:
90
EJEMPLO 2
91
Lmites de control estandarizado. Permite obtener un grfico con lmites fijos sin los problemas presentes en la solucin 2 (tamao de muestra promedio)
Grfico de control con valores estandarizados. lmites -+3 y lnea central 0

zi =
p (1 p ) ni
93
pi p
Grfico de control nP
Permite
controlar defectuosos.
el
nmero
de
artculos
Es equivalente al grfico n.
94
95
96
EJEMPLO 3
n 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150
d 8 6 8 3 3 9 11 5 8 6 3 14 11 7 6
97
EJEMPLO 3
98
EJEMPLO 4
En un proceso de produccin se determin que el mismo produca un 10% de artculos defectuosos en promedio. Si se tomaron 30 muestras de tamao 150 cada una:
Obtener el grfico de control nP. Hallar el valor de la curva caracterstica de operacin
en el punto P=0,2.
99
EJEMPLO 4
= + , = , = , = , =
100
EJEMPLO 4
= < | = , | = , = < | = , | = , = , , = ,
101
Grfico de control C En muchas ocasiones es conveniente trabajar con el nmero de disconform idades por unidad de inspeccin , en lugar de clasificar artculos como defectuosos o no defectuosos. Un televisor Un vehculo
102
Considrese una unidad de inspeccin como aquella entidad para la cual se desea llevar registros. Esto es, una unidad de inspeccin es una unidad de producto, un grupo de unidades de productos, etctera.
103
El grfico C es apropiado para controlar la variable nmero de disconformidades por unidad de inspeccin. Suponiendo que la ocurrencia de defectos en una unidad de inspeccin de producto, sigue una distribucin Poisson, en muestras de tamao una unidad de inspeccin se tiene que
104
Si contamos el nm ero de disconform idades por unidad de inspeccin , y podemos suponer que esta variable sigue una distribucin Poisson, los lmites estn dados por
105
c=
c i
i =1
k
106
EJEMPLO 5
Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Defectos 4 3 5 1 2 2 2 6 5 2 3 1 2 4 3
107
EJEMPLO 5
108
EJEMPLO 6
109
EJEMPLO 6
C Chart for Cantdisc

20 1
Sample Count
1 UCL=12,76
10 C=5,64
0 0 5 10 15 20 25
LCL=0
Sample Number
110
Grfico de control U El grfico C se usa cuando el tamao del subgrupo es igual al de la unidad de inspeccin. Esto no represente alguna restriccin. Una unidad de inspeccin puede tener una o ms unidades de produccin (h).
111
Lo comn es usar varias unidades de inspeccin por muestra. El grfico apropiado en esta situacin es el grfico U, grfico para el nmero promedio de no conformidades (disconformidades) por unidad.
112
Tamao de muestra fijo: 1. Igual a la unidad de inspeccin. Grfico C 2. Igual a k unidades de inspeccin. Grfico C-Grfico U. Tamao de muestra variable:
Grfico U
Tamao de muestra fijo. Caso 2: Opcin 1. Redefinir la unidad de inspeccin.
Luego
114
115
Opcin 2. Graficar el nmero promedio de defectos por unidad de inspeccin.
116
117
118
EJEMPLO 7
Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Defectos 4 3 5 1 2 2 2 6 5 2 3 1 2 4 3
119
EJEMPLO 7
120
EJEMPLO 7
121
Tamao de muestra variable.
122
EJEMPLO 8
Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n 4 3 2,5 4 5 2 1 3 2 2,5 1,5 1 4 5 2
Defectos 7 4 3 6 8 2 2 5 4 6 3 1 3 9 5
123
EJEMPLO 8
124
EJEMPLO 8
125
Grfico D Grfico que se usa cuando se consideran varios tipos de defectos, cada uno con importancia o gravedad diferente.
126
Casos:
1. m muestras de tamao n (n consta de una sola
unidad de inspeccin).
2. m muestras de tamao n (n contiene ms de una
unidad de inspeccin).
127
Caso 1.
128
129
130
Caso 2.
131
132
133
EJEMPLO 9
Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 d1 2 3 5 1 3 2 2 3 2 1 1 2 0 1 3 2 4 6 4 1 48 d2 3 2 1 2 3 4 2 2 3 0 2 4 3 2 3 4 5 2 1 3 51 d3
5 4 2 4 2 3 1 0 2 3 3 4 1 0 2 1 3 3 2 1
D
26 28 35 16 29 27 19 24 23 9 15 28 10 12 29 25 42 45 29 16
U
13 14 17,5 8 14,5 13,5 9,5 12 11,5 4,5 7,5 14 5 6 14,5 12,5 21 22,5 14,5 8
46
134
EJEMPLO 9
Cada muestra contiene dos unidades de inspeccin y cada unidad de inspeccin contiene 2 unidades de produccin. Los pesos para cada defectos es 6, 3 y 1 para los defectos 1, 2 y 3, respectivamente.
135
EJEMPLO 9
136
Grficos de Control para variables

En muchas ocasiones la caracterstica utilizada para medir calidad viene expresada por mediciones numricas (peso, tamao, etctera). Estas caractersticas reciben el nombre de variables.
138
Si usamos una variable como caracterstica de la calidad, es prctica comn monitorear tanto su valor medio como su variabilidad. Grfico de control para el valor medio Grfico de control para la desviacin estndar o el rango.
139
Un grfico de control para la media, registra la variacin experimentada por el valor medio de las muestras.
140
0 1
142
Si X1, X2, ..., Xn son n mediciones de una determinada caracterstica de calidad. La media muestral est dada por :
143
Si los parmetros son conocidos, entonces los lmites probabilsticos son: LSC LIC
144
Limites 3-sigma:
145
Los parmetros son por lo general desconocidos No se desea valores estndar o valores objetivos
Estimar mediante muestras preliminares Se dispone de m muestras, cada una de ellas de tamao n (tpicamente pequeo 4 5). n resulta de la construccin de subgrupos racionales
146
Los subgrupos racionales son agrupacin de mediciones de acuerdo a algn criterio y a los costos asociados con el muestreo y la inspeccin. Los subgrupos se construyen agrupando las mediciones de forma tal que haya una mxima variabilidad entre subgrupos y la mnima variabilidad dentro de cada subgrupo.
147
Si se calcula la media para cada muestra o subgrupo, el mejor estimador de la media del proceso est dado por:
148
Para construir los lmites de control, necesitamos un estimador de la desviacin tpica s. Podemos estimar s a partir de: los rangos o de las desviaciones tpicas de las m muestras.
149
Si X1, X2,..., Xn, son mediciones de una muestra de tamao n, el rango de la muestra es R =Xmximo - Xmnimo Si la muestra procede de una distribucin normal, la variable aleatoria
sigue una distribucin conocida distribucin del rango relativo.

denominada
150
Los parmetros de esta distribucin son funcin del tamao de muestra, n, y estn dados por:
151
Un estimador de E(R), la media de R, est dado por el rango promedio
152
153
154
La estimacin de la desviacin estndar se hace con el rango para tamaos muestrales pequeos. A medida que el tamao muestral aumenta, esta estimacin ve disminuida su eficiencia relativa respecto a la obtenida a travs de las varianzas muestrales.
155
Dado que el rango muestral est relacionado con la desviacin tpica del proceso, la variabilidad del proceso puede controlarse usando el rango, R. Media de R Varianza de R
156
157
Cuando no se conoce el valor de la desviacin estndar y no se desea usar valores objetivos
158
Lmites probabilsticos para R:
159
Ejemplo.
HORA SUBGRUPO x1 x2 x3 x4 xi 8:30 a.m. 1 55 52 51 53 52.8 9:30 a.m. 2 51 52 57 50 52.5 10:30 a.m. 3 48 49 50 49 49 11:30 a.m. 4 45 43 45 43 44 2 12:30 a.m. 5 53 50 48 50 50.2 5
4 7 2 R Tabla 1. Datos correspondientes a la dureza de un metal
160
Control Chart: VALOR

55,9
52,8
49,7 VALOR 46,6 UCL = 52,6144 Average = 49,7000 43,5 1,00 2,00 3,00 4,00 5,00 LCL = 46,7856
Mean
Sigma level: 3
161
Control Chart: VALOR

10
VALOR UCL = 9,1282
Range
Average = 4,0000 0 1,00 2,00 3,00 4,00 5,00 LCL = ,0000
Sigma level: 3
162
163
Para tamaos de muestra mayores a diez, o casos en que el tamao muestral es variable, se recomienda usar los grficos de control para la media y para la desviacin estndar
164
165
166
167
168
Para ; ;
Para ; ;
169
Puntos a considerar :
Tamao de la muestra y 2. Frecuencia del muestreo
1.
170
La capacidad del grfico de control para detectar cierto tipo de cambios en el proceso depende del tamao muestral. Si deseamos detectar cambios pequeos se deben utilizar muestras grandes. Si deseamos detectar cambios grandes es mejor utilizar muestras pequeas.
171
Los primeros lmites de control calculados suelen considerarse como lmites de prueba. A continuacin, las medias y los rangos son representados en los grficos y se investigan aquellos puntos situados fuera de control. Si se descubren causas asignables, los puntos se descartan y se calculan nuevos lmites de prueba hasta que todos los puntos se siten bajo control. la muestra inicial no debe reducirse por debajo de aproximadamente 20 muestras.
Criterios para la especificacin de los lmites de control

Criterios tcnicos.
1. Error tipo I y error tipo II. Estos valores influyen en
la amplitud de los limites del grfico. pequea Limites alejados de la lnea central Limites alejados de la lnea central grande
173
2. Tamao de la muestra. La amplitud de los lmites
son funcin de n. A mayor valor de n menor ser la amplitud de los lmites.
3. Frecuencia de muestreo. Ms frecuente ms rpida
la deteccin de una condicin fuera de control.
MUESTRAS GRANDES CON POCA FRECUENCIA
174
Criterios econmicos
1. Costo del muestreo por unidad. 2. Costo por cometer error tipo II. 3. Tasa de produccin. 4. Confiabilidad de los equipos.
175
Subagrupamiento o grupos racionales

Se deben crear subgrupos o grupos racionales tan homogneos como sea posible. De esta forma las causas atribuibles aparecen como diferencias entre grupos. Produccin en diferentes turnos Produccin usando diferentes mquinas.
176
Cambio del tamao de la Muestra

Hasta ahora se ha considerado el caso de tamao de muestra constante, n.
1. Tamao de muestra variable. Nmero diferente de observaciones en cada muestra. 2. Cambio en el tamao de muestra. Necesidad de hacer cambios permanentes o semipermanentes en el tamao de la muestra.
177
En el caso 1, los grficos para la media y el rango no se usan En el caso 2, es fcil calcular los nuevos lmites de control usando los anteriores sin tomar muestras adicionales utilizando el nuevo tamao muestral.
178
Para ; ;
Para ; ;
179
prom. para tamao de muestra anterior. R = Rango prom. para tamao de muestra nuevo. n = Tamao de muestra anterior. n = Tamao de muestra nuevo. d = Factor d para el tamao de muestra anterior. d = Factor d para el tamao de muestra nuevo.
1
R0 = Rango
20
21
180
181
d 21 LSC = D4 * R0 d 20
d 21 LC = R = R0 1 d 20
d 21 LIC = m x 0, D3 R0 d 20
182
Patrones
En un grfico de control pueden detectarse patrones
como: Cclicos. Periodicidad en la presentacin de puntos de altos y bajos. Mezcla. Pocos puntos cerca de la lnea control y el resto prximos a los lmites de control. Cambios en el nivel del proceso. Cambio repentino del nivel del grfico. Tendencias. Cambio ascendente o descendente permanente del nivel del grfico. Estratificacin. Tendencia de los puntos a agruparse artificialmente alrededor de la lnea central. Errores.
Observaciones individuales
Hay situaciones en las que los datos asociados con un proceso no se pueden agrupar de forma natural, en subgrupos de tamao mayor a 1. 1. Tasa de produccin lenta 2. Procesos donde las diferencias slo son atribuibles a error de medicin u observacin. 3. Forma de medicin.
184
RM= x x i i i 1
RM R=
( k 1)
185
3R LSC= x + d2
3R LIC= x d2
186
LSC = D4 R LCI = D3 R
Las constantes D1 , D2 , D4 , d2 y d3 se leen en la tabla anexa para n=2.
188
Un ejemplo
16,11 16,08 16,12 16,10 16,09 16,11 16,12 16,09 16,12 16,10 16,09 16,07 16,13 16,12 16,10 16,08 16,13 16,15 16,12 16,10 16,08 16,07 16,11 16,13 16,10
189
Un ejemplo
190
Un ejemplo
191
Conceptos bsicos
En Control Estadstico de la Calidad el primer paso para aplicar una tcnica estadstica es definir la caracterstica de calidad que se va a medir en el producto fabricado, en un servicio prestado, etc.
Caracterstica
Variable aleatoria
El valor que se obtendra en la siguiente medicin no puede predecirse por clculo.
193
Conceptos bsicos
El conjunto de todos los resultados de mediciones que
pueden obtenerse es nuestra poblacin. Cualquier subconjunto de mediciones extrado de dicha poblacin constituye una muestra.
La poblacin de resultados es el conjunto de datos que
se obtuvieron hasta ese momento ms aquellos que se obtendran si el proceso continuara funcionando siempre bajo las mismas condiciones.
194
Conceptos bsicos
Especificaciones. Patrn de comparacin cuyo objetivo
es servir como referencia para calificar un producto como conforme o disconforme, de acuerdo a las especificaciones dadas. Cuando se disea el prod. Limites de especificacin Administracin-Cliente Variacin Tolerable del Proceso. Al realizar una sucesin de mediciones de la caracterstica de calidad, se encuentra que los valores fluctan alrededor de un valor central (valor objetivo).
Conceptos bsicos
Los lmites de especificacin constituyen un requisito a cumplir por el producto y no deben confundirse con los Lmites de Control ni con los Lmites de Tolerancia Natural del proceso.
196
Conceptos bsicos
Variacin natural del proceso. Inherente al mismo y no puede eliminarse, slo puede reducirse realizando modificaciones a dicho proceso trabajar con otro proceso.
197
Conceptos bsicos
La variacin natural de un proceso puede medirse mediante su desviacin estndar. Lmites de Tolerancia Natural
198
Conceptos bsicos
Variabilidad momentnea. A corto plazo, representada por la desviacin estndar cuando es calculada a partir de la variabilidad dentro de cada muestra.
Variabilidad en el tiempo. Representada por la desviacin estndar cuando es calculada a partir de la variabilidad tanto dentro como entre muestras.
199
Capacidad de un Proceso
Casi siempre los problemas de control de calidad pueden resolverse si alguna de las siguientes condiciones se alcanza: 1. Las caractersticas de calidad estn dentro de los lmites de especificacin o tolerancia. 2. La variabilidad de la caracterstica de calidad es minimizada. 3. La media de cada caracterstica de calidad es aproximada tanto como sea posible al valor objetivo de la misma.
La Capacidad de un proceso es la aptitud para generar un producto que cumpla con determinadas especificaciones. El anlisis de la capacidad de un proceso relaciona la media y la varianza de la distribucin de la caracterstica de calidad con los lmites de especificacin o de tolerancia y genera medidas numricas del grado en el cual las condiciones mencionadas se cumplen
201
Enfoques:
1. Distribucin
de la caracterstica de calidad. Proporcin de artculos producidos fuera de los lmites de especificacin. 2. Indicadores de Capacidad
202
Capacidad de un P roceso usando la proporcin de artculos producidos fuera de los lm ites de especificacin
Conocer distribucin de la caracterstica Por lo general se deben estimar los parmetros de
dicha distribucin Grficos de control Histograma o distribucin de frecuencias Diagrama de probabilidades

203
204
Ejemplo 1: especificacin
Sea un proceso con lmites de y
Este valor indica que el proceso estara produciendo un 16% de artculos fuera de especificaciones Pobre capacidad
Ejemplo 2: En el ejemplo 1 el proceso no esta centrado, est funcionando con una media distinta al valor objetivo. Si el proceso se ajusta y trabaja con una media igual a 22, la proporcin de artculos fuera de especificaciones sera:
206
Ejemplo 3: Si en el ejemplo 2
, entonces
Este es un proceso con una mejora considerable en su capacidad.
207
Capacidad de un Proceso usando indicadores
Indicadores
Variables Atributos
Variables
Cp Cpk Cpm Pp Ppk K
Atributos
ppm DPU DPO
208
Indicador Cp.
LSE LIE LSE LIE Variacin tolerable CP = = = 6 LSTN LITN Variacin natural
LSE LIE CP = 6
Mientras mayor sea Cp mayor ser la capacidad del proceso. Se producen menos artculos fuera de especificaciones.
Para el caso normal =1 <1 >1 =0,27% >0,27% <0,27%
Cp
Para el caso no normal, buscar los percentiles 99,865 y 0,135 de la distribucin correspondiente.
Indicadores Cp unilaterales. Situaciones donde mientras ms grande mejor o, mientras ms pequeo menor
C PS = LSE 3 = LSE C PS 3 LIE = C PI 3
C PI =
LIE 3
211
Para tener una idea de la cantidad de artculos fuera de especificaciones, que un determinado proceso con un CP=k, se espera que este produciendo, es til convertir el valor de k en una proporcin esperada de artculos fuera de especificaciones.
212
Para el caso bilateral, un proceso bajo control con una media centrada entre los lmites de especificacin y que la caracterstica se distribuye normal.
213
Para el caso unilateral.
214
Valor del indicador CP 2 1.33 CP < 2 1 CP < 1.33 0.67 CP < 1 CP 0.67 Clasificacin de la capacidad Excelente Muy buena Buena Mala Muy mala
215
Ejemplo 4: Para un proceso con especificaciones dadas por , estudiar la capacidad del proceso usando CP, si
216
Ejemplo 5: En el ejemplo 4, estudiar la capacidad del proceso usando CP, si
217
Ejemplo 6: La rugosidad de la superficie del suelo de un componente no puede exceder de 0,02 unidades. Una muestra aleatoria de los elementos de suelo tomados por una mquina de pulido dio las siguientes estimaciones: Media=0,01 Desviacin estndar=0,003
218
En general, se exige un CP mayor a 1,30. Este coeficiente tiene el inconveniente de que para
poder aplicarlo el centro de gravedad del rango de especificaciones debe coincidir con la tendencia central de las mediciones del proceso. Alternativa: El ndice CPk
219
Si X ~ N ,
( n 1)S 2 ) ~ 2
2
n 1
2 ( n 1)S 2 2 n 1, / 2 < P < n 1,1 / 2 = 1 2
2 2 2 2 2 P < S < n 1,1 / 2 = 1 n 1 n 1, / 2 n 1
2 n21,1 / 2 n 1, / 2 P <S< = 1 n 1 n 1
Douglas Rivas Profesor Luis Nava Puente
220
n21,1 / 2 n21, / 2 = 1 < CP S < CP P CP n 1 n 1

LSE LIE C P 6 = LSE LIE = C = P S 6S S
2 2 n 1 , / 2 n 1,1 / 2 < CP < C P C P P n 1 n 1
C P P S
n21, / 2 C < CP < P S n 1
n21,1 / 2 n 1
= 1
= 1
2 2 1 , / 2 n n 1,1 / 2 C ;C P P n 1 n 1

221
Ejemplo 7: La especificacin del peso de una pieza en un proceso de inyeccin de plstico, es de 60+-1 gramo. Para hacer una primera valoracin de la capacidad del proceso, se obtiene una muestra aleatoria de tamao 40, obtenindose una media de 59.88 y una desviacin estndar de 0.25.
222
= LSE LIE = 61 59 = 1.33 C P 6S 6(0.25)

2 2 n 1, / 2 = 39 , 0.025 = 23.6543 2 2 n 1, / 2 = 39 , 0.975 = 58.1201
2 2 1 , / 2 n n 1,1 / 2 C ;C P P n 1 n 1
23.6543 58.1201 1.33 ; 1 . 33 39 39
(1.03;1.63)
223
Se selecciona una muestra de tamao n, a partir de este se calcula el valor estimado de CP, si dicho valor es mayor que un valor crtico C se recha la hiptesis nula. Para calcular n, se fijan 4 valores, , , un valor de CP(alto) y un valor de CP(bajo), que representan las capacidades para las cuales estamos dispuestos a aceptar y rechazar respectivamente con probabilidad igual a 1- . Luego se hace uso de la siguiente tabla (Montgomery), para calcular el valor de n y C.
Capacidad de un Proceso Tamao de muestra n

10 20 30 40 50 60 70 80 90 100
= = 0.10
C P (alto) = k1 C P (bajo) C = k2 C P (bajo)
= = 0.05
C P (alto) = k1 C P (bajo) C = k2 C P (bajo)
1.88 1.53 1.41 1.34 1.30 1.27 1.25 1.23 1.21 1.20
1.27 1.20 1.16 1.14 1.13 1.11 1.10 1.10 1.10 1.09
2.26 1.73 1.55 1.46 1.40 1.36 1.33 1.30 1.28 1.26
1.37 1.26 1.21 1.18 1.16 1.15 1.14 1.13 1.12 1.11
225
Ejemplo 8: Una empresa est interesada en aceptar materia prima slo de aquellos proveedores que demuestren regularmente, que su proceso esta operando con un capacidad cuyo indicador CP sea mayor a 1,30. Para lograr esto, se proponen las siguientes hiptesis:
226
El gerente de produccin se planteo que si el proceso est operando con un CP 1.30, le gustara rechazarlo con una probabilidad de 0.90, mientras que si lo est haciendo con un indicador un CP > 1.60 le gustara aceptarlo con una probabilidad de 0.90.
227
Capacidad real y capacidad potencial : El clculo del CP se ha hecho suponiendo que el proceso est operando con la media centrada en el intervalo de especificaciones. Aqu el CP representa la capacidad real del proceso. En caso contrario, representa la capacidad potencial. Este indicador no toma en cuenta la posicin de la media respecto a las especificaciones
LIE
=10 LSE
Proceso A CP = 1.2 318 ppm
70 LITN
=100
130 LSTN
=10
Proceso B CP = 1.2 >500000
64 Douglas Rivas Profesor Luis Nava Puente
106 LITN
136
166 LSTN
229
Indicador Cpk. Toma en cuenta como est operando la media del proceso con respecto a las especificaciones.
C Pk
LSE LIE , = min (C PS , C PI ) = min 3 3
= min C ,C C Pk PS PI
)
230
LIE
=10 LSE
70 LITN
=100
130 LSTN
=10
106 LITN
=10
166 LSTN
64 80 Douglas Rivas LITN Profesor Luis Nava Puente
=110
136 140
LSTN
231
LIE
=10 LSE
64
70 LITN
=100
130 136 LSTN
C Pk
136 100 100 64 = min (1.2,1.2 ) = 1.2 = min (C PS , C PI ) = min , 3(10) 3(10)
232
LIE
=10
=10 LSE
64
106 LITN
136
166 LSTN
C Pk
136 136 136 64 = min (C PS , C PI ) = min 3(10) , 3(10) = min (0,2.4 ) = 0

C Pk
136 110 110 64 = min (C PS , C PI ) = min 3(10) , 3(10) = min (0.87,1.53) = 0.87
=10 LIE LSE
=110
136 140
LSTN
234
LIE
=10 LSE
Proceso A CP = 1.2 CPk = 1.2 318 ppm
70 LITN
=100
130 LSTN
=10
Proceso B CP = 1.2 CPk = 0 500000 ppm
106 LITN
=10
166 LSTN Proceso C CP = 1.2 CPk = 0.87 4500 ppm
=110
136 140
LSTN
235
Z C Pk
2 C 1 Pk + 2(n 1) 9n
236
Indicador Cpm. Indicador que ofrece informacin de la ubicacin de la media, dentro del intervalo de especificaciones. Su principal problema es que no puede ser usado para estimar la proporcin de defectuosos
237
LIE
=10
LSE
100
= 5

115
130
238
LIE
=10
LSE
Proceso A
70
100
130
CP =
LSE LIE 130 70 = =1 6 6(10)
130 100 100 70 C Pk = min (C PS , C PI ) = min 3(10) , 3(10) = min (1,1) = 1

C Pk = C P
El proceso est centrado
239
CP =
LSE LIE 130 70 = =2 6 6(5)
130 115 115 70 C Pk = min (C PS , C PI ) = min 3(5) , 3(5) = min (1,3) = 1

C Pk < C P
El proceso no est centrado
= 5 LIE
LSE

115
130
240
C Pm =
LSE LIE 6
= E (X T )
2
2 = 2 + ( T )
T=
1 (LSE LIE ) 2
C Pm =
LSE LIE 6 2 + ( T )
2
C Pm =
CP T 1+
2
241
Ejemplo 8: Supngase que una caracterstica de calidad tiene especificaciones 20+-6. Las estimaciones de la media y la desviacin estndar son 22 y 1,9427, respectivamente. Estudiar la capacidad del proceso.
242
La desigualdad se cumple para valores de la media pertenecientes aproximadamente a los 2 cuartos adyacentes al centro de las especificaciones
243
C P
C Pk
S
= R d2 = S C4
X ij X = ij nm 1
P P
P Pk
244
El proceso esta bajo control La caracterstica se distribuye normal
X ij X = ij nm 1
= =
R d2 S C4
C Pk
El proceso esta fuera control
C P
P P
P Pk
245
Indicador K. Constituye un indicador de la localizacin de a media del proceso respecto a la mitad del intervalo de las especificaciones. Viene expresado en porcentajes.
K=
T
1 (LSE LIE ) 2
100
246
Proceso A
LIE
=10 LSE
K=
T
1 (LSE LIE ) 2
100 =
100 100 100 = 0% 1 (136 64) 2
70 LITN
=100
130 LSTN
Proceso B
=10
K=
136 100 100 = 100% 1 (136 64) 2
106 LITN
=10
166 LSTN Proceso C

K= 110 100 100 = 27.78% 1 (136 64) 2
=110
136 140
LSTN
247
Indicadores para atributos

Partes por milln (ppm)
Se usa cuando se esta calificando el producto como disconforme o no disconforme
ppm = P *1000000
Defectos por unidad (DPU)

Cuando la caracterstica de calidad representa el nmero de disconformidades
DPU =
d U
d : Es el nmero de disconformidades U : Nmero de artculos

248
Defectos por Oportunidad (DPO)

Cuando la caracterstica de calidad representa el nmero de disconformidades
DPU =
DPU O
O : es el nmero de oportunidades de defectos por unidad
Ejemplo
Se han seleccionado doscientos celulares en los cuales hay cien defectos, suponiendo que los celulares slo tenan 50 oportunidades de defectos, entonces
DPO =
DPU 0.5 = = 0.01 O 50
Si se supone que los celulares tenan 200 oportunidades de defectos, entonces
DPO =
DPU 0.5 = = 0.0025 O 200

249
MUESTREO PARA ACEPTACIN

Cuando hablamos de control estadstico de procesos, nos referimos a control de fabricacin y control de aceptacin.
251
Grficos de control
Control de fabricacin Control
Muestreo para aceptacin de aceptacin o recepcin.
252
El muestreo para aceptacin se lleva a cabo en situaciones donde existe una relacin entre consumidor y productor. Tiene como propsito la aceptacin o no de un lote, garantizando el cumplimiento de los requerimientos de calidad acordados.
253
El procedimiento de control de calidad actual consiste en aplicar inicialmente mtodos de muestreo para aceptacin y luego, implementar el control estadstico de procesos evitando as, el desperdicio.
254
El muestreo para aceptacin no es un mecanismo de control de calidad. Solo acepta o rechaza lotes. Proceso de auditoria el cual permite garantizar que el resultado de un determinado proceso cumpla con los requerimientos establecidos.
255

Utilizacin del Muestreo para Aceptacin. Vas para juzgar un lote:

Sin inspeccin. Inspeccin 100%. Muestreo
256

Algunas situaciones de uso:

La inspeccin implica destruccin. Alto costo de inspeccin No se dispone de una inspeccin automatizada Mucho tiempo.
257

Ventajas del Muestreo para Aceptacin.
Menos costo Reduccin de daos por menor manejo de productos Ideal en pruebas destructivas Reduccin en los errores de inspeccin
258

Desventajas del Muestreo para Aceptacin. Riesgo de rechazar lotes conformes y aceptar lotes no conformes Necesidad de planificacin y documentacin Se genera menos informacin sobre el producto
259

Tipos de planes de Muestreo. Tipo de caracterstica de calidad a medir: Planes de muestreo para atributos y Planes muestreo para variables. Nmero de fases: Muestreos simples Muestreos dobles Muestreos mltiples y Muestreos secuenciales.
260

Un plan de muestreo simple es un procedimiento en el que se toma una muestra de tamao n y el lote se acepta o rechaza en funcin de los resultados obtenidos de la inspeccin de dicha muestra.
261

Un plan de muestreo doble es aquel en el cual: Se selecciona una muestra inicial y se toma una decisin basada en la informacin de esta muestra: (1) aceptar el lote, (2) rechazar el lote, o (3) tomar una segunda muestra. Con la primera muestra se acepta el lote si la calidad es muy buena y se rechaza si es muy mala. En caso contrario, se toma una segunda muestra.
262

Un plan de muestreo mltiple es una generalizacin del muestreo doble y se da cuando se requiere del uso de ms de dos muestras para tomar una decisin respecto al destino del lote.
263

Un plan de muestreo secuencial es una extensin del muestreo mltiple en el que se seleccionan artculos uno por uno y segn el resultado de la inspeccin de cada unidad se toma la decisin de aceptar el lote, rechazar el lote, o seleccionar otro artculo.
264

Efectividad del plan de muestreo Esta relacionada con la forma en que este conformado el lote.
265

Aspectos a considerar en la conformacin de los lotes para inspeccin:

Los lotes deben ser homogneos Son preferibles los lotes grandes a los pequeos Los lotes deben ajustarse a los sistemas de manejo de materiales que se utilizan en las instalaciones del proveedor y el consumidor.
266

La seleccin de las unidades que conformaran la muestra debe hacerse bajo un esquema de muestreo probabilstico. El uso del muestreo aleatorio garantizar la representatividad y la base estadstica del muestreo para aceptacin.
267

Plan, Esquema Aceptacin. y Sistema de Muestreo para
Plan de muestreo para aceptacin. Planteamiento del tamao de la muestra que debe usarse y de los criterios de aceptacin asociados para juzgar los lotes. Esquema de muestreo. Conjunto de procedimientos que consisten en planes de muestro para aceptacin en los que se relacionan el tamao del lote, el tamao de la muestra y los criterios de aceptacin junto con la cantidad de inspeccin 100% y muestral. Sistema de muestreo. Coleccin unificada de uno o ms esquemas de muestreo para aceptacin.
268

La metodologa de muestreo debe contener y definir claramente los sistemas esquemas y planes de muestreo con sus procedimientos asociados.
269

Planes de Muestreo simples para atributos. Un plan de muestreo simple para atributos esta definido por el tamao de la muestra, n, y por el nmero de aceptacin, c (nmero mximo de defectuosos a aceptar). Decisin?

Curva Caracterstica de Operacin Representa un mecanismo importante en la evaluacin del desempeo de un plan de muestreo para aceptacin simple. Se grafica la probabilidad de aceptar el lote contra la fraccin muestral defectuosa. Representa el poder discriminatorio del plan de muestreo. Muestra la probabilidad de que un lote con cierta fraccin de defectuosos sea aceptado o rechazado.

Tipos de Curvas OC.
Curva OC tipo B. Dist. Binomial Curva OC tipo A. Dist. Hipergeomtrica
272

Si N es grande (infinito), podemos usar la distribucin
binomial Si N es finito, podemos usar la distribucin hipergeomtrica
273

Puntos especficos en la curva OC Por lo general hay inters en ciertos punto de la curva OC. Nivel de calidad del lote o proceso que produce una alta probabilidad de aceptacin Nivel de calidad del lote o proceso que produce una baja probabilidad de aceptacin

Nivel de Calidad Aceptable (NCA). Peor nivel de calidad del proceso del proveedor, que el consumidor considerara aceptable como una media del proceso. Nivel de Calidad Rechazable (NCR). Peor nivel de calidad que el consumidor est dispuesto a aceptar en un lote individual.
275

Diseo de un plan de muestreo simple para una curva OC.
Exigir que la curva OC pase por dos puntos dados La distribucin ideal es la binomial (curva OC tipo B)
276

n d nd c p1 (1 p1 ) = 1 d d =0 n d nd c p2 (1 p2 ) = d d =0
277

C Calidad 1213

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

C Calidad 1213

Diunggah oleh

Hak Cipta:

Format Tersedia

Prof.

Luis Nava Puente 2012-2013

Profesor Luis Nava Puente

Control Estadstico de la Calidad

2. Se plantea evitar las causas de los problemas de

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

3. La intensa competencia internacional da origen a la

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Estas caractersticas de calidad pueden clasificarse en varios tipos:

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Atributos Caractersticas Variables

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

En todo proceso participa un gran conjunto de variables. Controlables Variables No controlables

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Profesor Luis Nava Puente

Control Estadstico de la Calidad

Limite Superior de Control Caracterstica de calidad