Professional Documents
Culture Documents
1. INTRODUCCIN
En el rea de control de calidad, uno de los principales
objetivos es hacer las cosas bien desde el comienzo y
llevar los procesos a cero defectos [1]. Sin embargo,
debido a las fluctuaciones naturales de los procesos
y a los costos de produccin e inspeccin, cuando se
trata de productos masivos o semimasivos donde se
requiere de perodos cortos para obtener una muestra,
en la prctica se consigue reducir considerablemente
la cantidad de producto defectuoso, existiendo la
necesidad de tolerar una pequea fraccin de ste.
Para esto Dodge y Roming [2] popularizaron los
planes de muestreo para juzgar lotes, donde existen
tres alternativas de decisin: (1) aceptar lotes sin
Dyna, ao 78, Nro. 169, pp. 53-61. Medelln, Octubre, 2011. ISSN 0012-7353
54
Ros
LCI = v 3 v
LC = v
(1)
LCS = v + 3 v
Con lo anterior se asegura que bajo control estadstico
P(a | b ) =
P(b | a )P(a )
P(b )
(2)
55
56
2.1.1 Notacin
Ros
2.1.3 Consideraciones
despus de la inspeccin.
m : NCA en fraccin.
2.1.2 Supuestos
El proceso de produccin se encuentra bajo
control estadstico. Adems, la empresa supone dos
distribuciones adicionales que podran representar
el comportamiento futuro del proceso debido a
un cambio no esperado. Cada una de las tres
distribuciones tienen una probabilidad de ocurrencia
57
La actualizacin de j (t 1) a jt depende de s (t 1) ,
p (t 1) y j (t 1) observadas. De esta manera si en el
primer perodo se observa un nmero de aceptacin
alto, la probabilidad de que el proceso se encuentre
fuera de control aumenta y que sea cualquiera de
los dos restantes disminuye. Como j 2 depende
de lo que pas en el perodo 1 y j 3 depende de
lo sucedido en el perodo 2 ms j 2 , se tiene que
jt (t > 2) obedece a todo el historial. Esto es que jt
depende de: (o1 ,..., ot ; p1 ,..., pt ; q1 ,..., qt ; 1 ,..., t )
. Dicho historial se denota por la matriz K t .
La razn de operacin para un plan de muestreo
simple (carta Decameron) se define como razn entre
las fracciones del NLC y el NCA en otras palabras
cuantas veces cabe el NCA en el NLC y la estimamos
con la siguiente ecuacin:
n d 2 + 3 nc d 2 (1 nc d 2 )
m
Rc = c
n
c
(3)
nc d 2 + 3 nc d 2 1 nc d 2 el LCS 2 de la CCNN e
igual a la fraccin del NLC en un PMSA.
2.2 Actualizacin Bayesiana
Para la actualizacin bayesiana de la probabilidad
de ocurrencia, nos basamos en la metodologa
sugerida por Subrahmanyan y Shoemaker [25],
donde proponemos que la funcin g jt (s t p t , c t )
representa la probabilidad de observar un nmero de
no-conformes s t , condicionada a un precio p t y un
nmero de aceptacin c t de acuerdo con la distribucin
de demanda j de la siguiente manera:
f jt (s t p t ) si s t < ct
g jt (s t p t , ct ) = f jt (x p t ) si s t = ct
x = st
0
si s t > ct
De acuerdo con la probabilidad g jt (s t p t , c t )
h jt (st K t , pt , ct ) = jt g jt (st pt , ct )
j =1
(5)
j (t +1) =
jt g jt (s t p t , c t )
3
it
hit (s t p t , c t )
i =1
(6)
2.3 Formulacin
A continuacin se plantea un modelo de programacin
dinmica, el cual pretende maximizar el bienestar,
teniendo como variables de decisin el precio y el
nmero de aceptacin. El modelo queda expresado de
la siguiente manera:
ct
t (K t ) = max (nc st ) pt h p st
pt ,ot
s j =0
(1 + ) (7)
En
esencia, este modelo maximiza el bienestar esperado
total en el perodo, teniendo en cuenta los ingresos por
la venta del lote, costos de los productos no-conformes
encontrados por el plan de muestreo, costos generados
por un incremento en el nmero de aceptacin derivados
por un cambio de plan en un perodo intermedio y costos
generados por la cantidad de productos no-conformes
dentro del lote despus de la inspeccin, ms el bienestar
esperado dadas las decisiones ptimas en los perodos
futuros. En el ltimo perodo, no se considera el trmino
del bienestar a futuro.
Para resolver este modelo. Primero, estimamos las
probabilidades condicionales y posteriormente se
utiliza el policy iteration algorithm [27], encontrando
58
Ros
LCI 2 c t LS 3
(8)
LCI 2 = nc d 2 3 nc d 2 (1 nd d 2 )
LS
= nc d 3 3 nc d 3 (1 nc d 3 )
(9)
(10)
= p0 N hi (nm (1 ) + N ) hp N
(11)
(( p
T
max
p min + 1)
(i 1)
(LS 3 + 1) 4 10 3
i
(12)
Sin embargo, para problemas de mayor tamao
Rockafellar y Wets [29] proponen hacer un anlisis
de escenarios en donde el problema de optimizacin
se divide en subproblemas, para cada subproblema se
encuentra una solucin ptima, para luego encontrar
una solucin al problema de fondo. Otros autores
emplean la programacin dinmica aproximada [30].
Esta metodologa fue introducida por Werbos [31] que
inicialmente la llam diseos crticos de adaptacin
(ACDs). Tambin es conocida como programacin
dinmica heurstica [32], sta herramienta bsicamente
consiste en resolver dos problemas: El primero, es
seleccionar aleatoriamente una muestra que pertenezca
al conjunto de soluciones posibles. La segunda, es
encontrar un criterio para tomar decisiones. Para luego
realizar simulaciones [17]. Otra metodologa que
i =1
59
13
14
15
Distr1
4
1.97
0.3333
Distr2
6
2.39
0.3333
Distr3
10
3.03
0.3333
= n(1 q )ep
= nq (1 q ) (12)
3. CASO DE ESTUDIO
Un caso de estudio emprico fue llevado a cabo
con objeto de ilustrar la metodologa sugerida. Las
condiciones y caractersticas del experimento son:
El estudio consta de dos perodos. En otras palabras
solo se hacen dos despachos en el horizonte de
planificacin.
El tamao del lote es de 1,000 unidades. El costo
por cada unidad producida es de $10. El costo por
inspeccionar una unidad es de $1. La penalizacin por
cada producto defectuoso despus de la inspeccin es
$4. Adems, se asume que el nmero de aceptacin
puede cambiar en los siguientes perodos y se
penaliza con $2 por cada unidad que se incrementa.
El precio mnimo del producto es $15, mientras que
el mximo es $35.
En la Tabla 2 se presenta la media y la desviacin
estndar para cada una de las distribuciones sin la
sensibilidad al precio. Tambin, se presentas las
probabilidades de ocurrencia iniciales asignadas por
el tomador de decisiones a cada distribucin.
60
4. CONCLUSIONES
En esta investigacin proporcionamos una herramienta que
permite disear planes de muestreo simple por atributos,
cuando se trabaja con productos masivos o semimasivos,
en busca de un ptimo social (maximizar el bienestar).
Encontramos que nuestra metodologa presenta cuatro
ventajas relevantes con respecto a la prctica normal. La
primera, es que incorpora el dao generado por un producto
no-conforme a la sociedad, involucrando penalizaciones
que permiten generar recursos para implementar planes
de recuperacin y con esto mantener la fidelidad de los
clientes. Una segunda, es que permite constantemente
conocer los costos generados por la cantidad de producto
no conforme debido al CPS, con lo cual se estimula la
elaboracin de planes de mejora continua en busca de su
reduccin. Una tercera ventaja se debe a que incorpora
probabilidades de ocurrencia, con las cuales se puede inferir
sobre el comportamiento del proceso al momento de hacer
el muestreo (bajo o fuera de control estadstico). La cuarta
ventaja se debe a que fija el precio unitario en funcin de
la calidad del producto. Con esto se logran menores precios
en la medida que disminuye el nmero de productos noconformes, debido a la reduccin en los costos de inspeccin
y de reprocesos, mejorando el resultado operacional de los
entes involucrados.
De acuerdo con lo anterior, la metodologa sugerida
obliga: al productor, a implementar planes de
mejora continua disminuyendo as la cantidad de
producto no-conforme. Al consumidor, a mantener
una comunicacin constante con el productor sobre
la calidad del producto consiguiendo de esta forma
mejores precios. A la sociedad, a mantener la fidelidad
con el producto, debido a la buena calidad de est y
tambin, porque crea fondos que permiten desarrollar
planes de recuperacin cuando un cliente se ve afectado
negativamente por un producto no-conforme.
Sera interesante extender esta metodologa a mltiples
productos y tener en cuenta la presencia de sustitucin
y complementariedad entre los diferentes lotes. Otra
direccin interesante, es la de trabajar con cartas de
control multivariadas.
Ros
REFERENCIAS
61
[30] Liu D. Approximate dynamic programming for selflearning control, ACTA Automatica Sinica, 31, pp. 13-18,
2005.