1
CONTROL DE CALIDAD
En todos los procesos de produccin
necesitamos monitorear la extensin
en la cual nuestros productos
satisfacen las especificaciones. En
trminos ms generales, hay dos
enemigos de nuestra calidad del
producto: (1) desviaciones de las
especificaciones del blanco, y (2)
excesiva variabilidad alrededor de
las especificaciones del blanco.
Durante las primeras etapas del
desarrollo del proceso de produccin,
se utilizan a menudo experimentos
diseados para optimizar estas dos
caractersticas de calidad. Los
mtodos proporcionados en control
de calidad son procedimientos de
control en lnea o en proceso deseado (por ejemplo, dimetro en
para monitorear un proceso de
produccin sobre la marcha.
Panorama General Introductorio
sobre el Control de Calidad
Acercamiento General
El acercamiento general a un control
de calidad en lnea es un Adems de la lnea central, un grfico
procedimiento ortodoxo: Simplemente
extraemos muestras de un cierto
tamao del proceso de produccin
sobre la marcha. Entonces
producimos grficas en lnea de la
variabilidad en aquellas muestras y
consideramos su cercana a las
especificaciones del blanco. Si
emerge una tendencia en esas
lneas, o si las muestras caen fuera
de lmites establecidos de antemano,
entonces declaramos al proceso
fuera de control y tomamos la accin
para encontrar la causa del problema.
Estos tipos de grficos son algunas
veces referidos como grficos de
control Shewhart (1931.
Interpretando la Grfica
La grfica ms estndar contiene
actualmente dos grficos (y dos
histogramas): Uno es llamado un
Grfico Barra X, el otro es llamado
un Grfico R. En ambos grficos de
lnea, el eje horizontal representa las
diferentes muestras; el eje vertical
para el grfico Barra X, representa las
medias
medias para las caractersticas de
inters; el eje vertical para el grfico
R representa los rangos rangos. Por
ejemplo, supongan que deseamos
controlar los dimetros de los anillos
de pistn que estamos produciendo.
La lnea central en el grfico Barra X
representara el tamao estndar
milmetros) de los anillos, mientras
que la lnea central en el Grfico R
representara el rango aceptable de
los anillos (dentro de
especificaciones) dentro de las
muestras; as este ltimo grfico es
un grfico de la variabilidad del
proceso (entre ms grande la
variabilidad, ms grande el rango.
tpico incluye dos lneas horizontales
adicionales para representar los
lmites de control superior e inferior
(UCL y LCL, respectivamente);
regresaremos a aquellas lneas en
breve. Tpicamente, los puntos
individuales en el grfico representan
las muestras, estn conectadas por
una lnea. Si esta lnea se mueve
fuera de los lmites de control
superior e inferior o muestra unos
patrones sistemticos a travs de
muestras consecutivas, entonces
puede existir potencialmente un
problema de control de calidad. La
media global (seguida por la media
estndar deseada) y la desviacin
 2

estndar (sigma seguida por la sigma Grfico de Barra X

estndar deseado) es proporcionada En este grfico
en el rea del ttulo de los grficos de las medias de la
Barra X y variabilidad. muestra son
graficadas en
Estableciendo los lmites de orden para
Control. controlar el
valor medio de
Aunque uno pudiera arbitrariamente una variable (por
determinar cuando declarar un ejemplo, tamao
proceso fuera de control, es prctica de los anillos del
comn aplicar principios estadsticos pistn, resistencia
para hacerlo.. de materiales,
etc..
Ejemplo.-

Supongan que desean controlar la Grfico R

media de una variable, tal como el En este grfico
tamao de los anillos de pistn. Bajo los rangos de la
la suposicin de que la media (y muestra son
varianza) del proceso no cambia, las graficados en
medias de muestras sucesivas orden para
estarn distribuidas normalmente controlar la
alrededor de la media actual. Ms variabilidad de
an, sin ir en detalles respecto a la una variable.
derivacin de la frmula, sabemos
(del Teorema del lmite Central) que la
distribucin de las medias de las Grfico S
muestras tendrn una desviacin En este grfico,
estndar de sigma (la desviacin las desviaciones
estndar de puntos de datos estndar de la
individuales) sobre la raz cuadrada muestra son
de n (el tamao de la muestra. Se graficadas en
sigue que aproximadamente 95% de orden para
las medias de la muestra caern controlar la
dentro de los lmites 1.96 * variabilidad de
Sigma / Raz cuadrada (n). En la una variable.
prctica, es comn reemplazar el
1.96 con 3 (as que el intervalo
incluir aproximadamente el 99% Grfico S**2 En este grfico
de las medias de las muestras), y las varianzas de
definir los lmites de control superior e la muestra son
inferior como lmites ms y menos 3 graficadas en
sigma respectivamente. orden para
controlar la
Tipos Comunes de Grficos variabilidad de
una variable.

Para controlar las caractersticas
de calidad que representan
atributos del producto, los
siguientes grficos son
construidos comnmente.
Grfico C En este grfico,
graficamos el nmero de
defectos (por campaa, por da,
por mquina, por 100 mts de
tubera, etc.. Este grfico asume
que los defectos del atributo de
calidad son raros, y los lmites de
control en este grfico son
computados basados en la
Distribucin Poisson
(distribucin de eventos raros.
Grfico U En este grfico
graficamos la tasa de defectos,
esto es, el nmero de defectos
divididos por el nmero de
unidades inspeccionadas (el n;
por ejemplo, mts. de tubera,
nmero de tandas. Diferente al
Grfico C, este no requiere un
nmero constante de unidades y
puede ser usado por ejemplo
cuando las campaas(muestras)
son de diferentes tamaos.
Grfico Np En este grfico,
graficamos el nmero de
defectos (por tanda, por da, por
mquina) como en el grfico C.
Sin embargo, los lmites de
control en este grfico no estn
basados en la distribucin de
eventos raros, sino en la
distribucin binomial. Por lo
tanto, este grfico debera ser
usado si la ocurrencia de
defectos no es rara (por ejemplo,
ellos ocurren en ms del 5% de
las unidades inspeccionadas. Por
3
ejemplo, podemos usar este
grfico para controlar el nmero
de unidades producidas con
menores defectos.
Grfico P En este grfico,
graficamos el porcentaje de
defectos (por tanda, por da, por
mquina) como en el grfico U.
Sin embargo, los lmites de
control en este grfico no estn
basados en la distribucin de
eventos raros, sino en la
distribucin binomial (de
proporciones. Por lo tanto, este
grfico es ms aplicable a
situaciones donde la ocurrencia
de defectos no es rara (por
ejemplo, ellos ocurren en ms del
5% de las unidades
inspeccionadas.
Proceso Fuera de Control:
Corridas de Prueba.
Como se ha mencionado al principio,
cuando un punto de una muestra (por
ejemplo, media en un grfico de
Barra X) cae fuera de las lneas de
control, uno tiene razn para creer
que el proceso puede no estar ms
bajo control. Adems, uno debe mirar
por patrones sistemticos de puntos
(por ejemplo, medias), por que tales
patrones pueden indicar que el
proceso promedio ha cambiado. El
mdulo Control de Calidad de
Statistica ejecutar el conjunto de
pruebas estndar para tales patrones.
As como los lmites de control sigma
discutida arriba, las reglas estn

basada en un razonamiento
estadstico. Por ejemplo, la
probabilidad de que cualquier media
de una muestra en un grfico de
control Barra X caiga arriba de la
lnea central es igual a 0.5,
suponiendo que (1) el proceso est
en control (por ejemplo, el valor de la
lnea central es igual a la media de la
poblacin, y (2) que medias de
muestras consecutivas son
independientes (por ejemplo, no
estn auto correlacionadas), y (3) que
la distribucin de medias siguen la
distribucin normal. Simplemente
establecido, bajo estas condiciones
hay un 50 50 de probabilidad de
que una media caer arriba o debajo
de la lnea central. As, la probabilidad
de que dos medias consecutivas
caern sobre la lnea central es igual
a 0.5 veces 0.5 = 0.25.
De igual manera, la probabilidad de
que 9 muestras consecutivas (o una
corrida de 9 muestra) caern en el
mismo lado de la lnea central es
igual a 0.5*9=0.00195. Observen que
esto es aproximadamente la
probabilidad con la cual una muestra
media pueda esperarse caer fuera de
los lmites 3 sigma (dada la
distribucin normal, y un proceso en
control. Por lo tanto, uno puede
buscar por 9 medias de muestras
consecutivas en el mismo lado de la
lnea central como otra indicacin de
una condicin fuera de control.
3sigma Zona A
2* sigma Zona B
1* sigma Zona C
Lnea Central
-1 * sigma Zona C
-2 * sigma Zona B
-3 * sigma Zona A
4
9 puntos en Zona C o ms all (en
un lado de la lnea central.
Si esta prueba es positiva (por
ejemplo, si este patrn es detectado),
entonces el proceso promedio
probablemente ha cambiado.
Observen que es asumido que la
distribucin de las respectivas
caractersticas de calidad en la
grfica es simtrica alrededor de la
media. Esto es, por ejemplo, no el
caso para Grficos R, Grficos S o
muchos grficos de atributo. Sin
embargo, esto es an una prueba til
para alertar al ingeniero de control de
calidad a cambios potenciales en el
proceso. Por ejemplo, muestras
sucesivas con variabilidad menor del
promedio pueden ser valiosos el
investigarlas, ya que ellas pueden
proporcionar insinuaciones de cmo
disminuir la variacin en el proceso.
6 puntos en hilera incrementando o
decrementando paulatinamente.
Esta prueba seala un desvo en el
proceso promedio. A menudo tal
desvo puede ser el resultado de un
desgaste de herramientas, deterioro
en el mantenimiento, mejoras en la
habilidad, etc. (Nelson, 1985)
14 puntos en una hilera
alternndose hacia arriba y hacia
abajo.
Si esta prueba es positiva, indica
que dos causas sistemticamente
alternantes estn produciendo
resultados diferentes. Por ejemplo,
uno puede estar usando dos
proveedores alternativos o monitorear
la calidad para dos turnos diferentes
(alternantes.

2 puntos fuera de 3 puntos en una
hilera en la Zona A o ms all.
Esta prueba proporciona una alerta
temprana de un desvo de un
proceso. Observe que la probabilidad
de un falso - positivo (la prueba es
positiva pero el proceso est en
control) para esta prueba en grficos
Barra X es de aproximadamente
2%.
4 puntos fuera de 5 puntos en una
hilera en la Zona B o ms all.
Como la prueba previa, esta prueba
puede ser considerada un indicador
de advertencia temprana de un
cambio potencial en el proceso. La
tasa de error falsa positiva para
esta prueba es casi 2%.
15 puntos en una hilera en la Zona
C (arriba y debajo de la lnea
central)
Esta prueba indica una ms
pequea variabilidad que la
esperada (basada en los actuales
lmites de control.
8 puntos en una hilera en la Zona
B, A, o ms all, en cualquier lado
de la lnea central (sin puntos en la
Zona C.
Esta prueba indica que diferentes
muestras son afectadas por
factores diferentes, resultando en
una distribucin binomial de medias.
Esto puede suceder, por ejemplo, si
diferentes muestras en un grfico
Barra X fueron producidas por una de
5
dos mquinas diferentes, donde una
produce partes arriba del promedio, y
la otra partes abajo del promedio.
ANALISIS DEL PROCESO
Control de Calidad describe
numerosos mtodos para monitorear
la calidad de un proceso de
produccin. Sin embargo, una vez
que un proceso est bajo control se
tiene la siguiente pregunta: En
que extensin el comportamiento a
largo plazo del proceso cumple
con los objetivos de
requerimientos de ingeniera o
gerenciales?
Por ejemplo, para regresar a nuestro
ejemplo del pistn, Cuntos de los
anillos de pistn que estamos
utilizando caen dentro de los lmites
de especificaciones de diseo?
Muchos de los procedimientos e
ndices descritos aqu fueron
recientemente introducidos por la
Ford Motor Company de Estados
Unidos en USA (Kane, 1986. Esto
nos permite sumariar la capacidad del
proceso en trminos de porcentajes
con significado e ndices.
En este tpico la computacin e
interpretacin de los ndices de
capacidad del proceso sern
discutidas primeramente para el caso
de distribucin normal. Si las
caractersticas de inters de la
distribucin de calidad no siguen la
distribucin normal, los ndices de
capacidad pueden ser calculados
basados en los porcentiles de una
distribucin no normal fijada. El

mdulo Anlisis del proceso, permite
fijar al usuario varias especficas
distribuciones no-normales. (Por
ejemplo, Weibull, log-normal, beta,
gamma, etc.) as como generales
distribuciones no normales por
momentos.
Observen que hace poco sentido
examinar la capacidad del proceso si
el proceso no est en control. Si las
medias de muestras tomadas
sucesivamente fluctan ampliamente,
o estn fuera de las especificaciones
blanco, entonces aquellos
problemas de calidad deberan ser
atacados primeramente. Por lo tanto,
el primer paso hacia un proceso de
alta calidad es traer el proceso
bajo control, utilizando las tcnicas
disponibles en Control de Calidad.
Anlisis del Proceso, Anlisis de
Capacidad del Proceso ndices de
Capacidad del Proceso.
Rango del Proceso
Primero, es costumbre establecer los
lmites 3 sigma alrededor de las
especificaciones nominales.
Actualmente los lmites sigma
deberan ser los mismos que los
utilizados para traer el proceso bajo
control utilizando la Tabla de Control
Shewart. Estos lmites denotan el
rango del proceso. Si usamos los
lmites 3 sigma entonces, basados
en la distribucin normal podemos
estimar que aproximadamente 99%
de todos los anillos de pistn caeran
dentro de estos lmites.
Lmites de Especificacin LSL,
USL.
6
Usualmente, los requerimientos de
ingeniera dictan un rango de valores
aceptables. En nuestro ejemplo,
puede haber sido determinado que
valores aceptables para los dimetros
del anillo de pistn seran 74.0 .02
milmetros. As, el lmite de
especificacin inferior (LSL) para
nuestro proceso es 74.0-0.02=73.98;
el lmite de especificacin superior
(USL) es 74.0 + 0.02 = 74.02. La
diferencia entre USL y LSL es
llamada el rango de especificacin.
Capacidad Potencial (Cp)
Este es el ms simple y ms ortodoxo
indicador de la capacidad del
proceso. Es definido como la
relacin del rango de
especificacin al rango del
proceso; utilizando lmites 3 sigma
proceso;
podemos expresar este ndice como:
C p = ( USL LSL) / ( 6 * sigma)
Puesto en palabras, esta relacin
expresa la proporcin del rango de
la curva normal que cae dentro de
los lmites de especificaciones de
ingeniera (considerando que la
media est en el blanco, esto es
que el proceso est centrado, ver
abajo.
Bhote (1988) reporta que antes del
uso extendido de las tcnicas de
control de calidad (previas a 1980), la
calidad normal de los procesos de
manufactura era aproximadamente
C p = 0.67. Esto significa que las dos
reas de colas de 33 / 2 por ciento la
curva normal caen fuera de los lmites
de especificacin. En 1988, solo casi
el 30% de los procesos de USA

estaban en o debajo de este nivel
de calidad (Ver Bothe, 1988,p.51.
Idealmente por supuesto, nos
gustara que este ndice fuera mayor
que 1, esto es, nos gustara alcanzar
un proceso de capacidad as que
ninguna (o casi ningunas) partidas
caigan fuera de los lmites de
especificacin. Como aspecto
interesante, a principio de los 80s la
industria manufacturera japonesa
adopt como su estndar 1.33. La
capacidad de proceso requerida para
fabricar productos de alta tecnologa
es an ms alta que esto; Minolta ha
establecido un ndice C p de 2.0 como
su estndar mnimo (Bhote, 1988
p.53), y como el estndar para sus
proveedores. Observen que una
alta capacidad de proceso implica
usualmente no ms altos costos,
tomando en cuenta los costos
debidos a pobre calidad.
Regresaremos a este punto
enseguida.
Relacin de Capacidad (Cr)
Este ndice es equivalente a Cp;
especficamente, es calculada como
1/Cp ( el inverso de Cp.)
Capacidad Potencial Inferior /
Superior: Cpl, Cpu
Un inconveniente principal de los
ndices Cp (y Cr) es que puede
producir informacin errnea si el
proceso no est en blanco, esto es
no est centrado. Podemos expresar
no centramiento va las siguientes
cantidades. Primero, los ndices de
capacidad potencial superior e inferior
pueden ser computados para reflejar
la desviacin de la media del proceso
observado de los LSL y USL.
7
Suponiendo lmites 3 sigma como
rango del proceso, calculamos:
C pl =( Media LSL) / 3 *sigma
Y
C pu = (USL Media) / 3* sigma
Obviamente, si estos valores no son
idnticos uno con otro, entonces el
proceso no est centrado.
Correccin de No-Centramiento (K)
Podemos corregir C p para los efectos
de no centramiento. Especficamente,
podemos calcular:
K = abs. (Especificacin del blanco Media) /
(1/2 (USL LSL))
Este factor de correccin expresa el
no centramiento (especificacin del
blanco menos la media) relativo al
rango de especificacin.
Excelencia Demostrada (Cpk )
Finalmente podemos ajustar C p por
el efecto de no centramiento
calculando:
C p k = ( 1- k) * C p
Si el proceso est perfectamente
centrado, entonces k = 0, y C p k es
igual a C p. Sin embargo, como el
proceso vara de las especificaciones
blanco, k aumenta y C p k viene a ser
ms pequeo que C p.
Capacidad Potencial II: Cpm.
Una modificacin reciente (Chan,
Cheng, & Spiring, 1988) a Cp es
dirigida a ajustar el estimado de
sigma por el efecto de no

centramiento (aleatorio.
Especficamente, podemos calcular la
sigma alternativa (Sigma 2) como:
Sigma 2 = ( 1 TS)2 / (n-1))
Donde:
Sigma 2 es el estimado alternativo
de sigma
i es el valor de la i th
observacin en la muestra
TS es el blanco o
especificacin nominal
N es el nmero de
observaciones en la
muestra
Entonces podemos usar este
estimado alternativo de sigma para
calcular C p como antes; sin embargo,
nos referiremos al ndice resultante
como C p m.
Cuando moni toreamos un proceso
va grfico de Control de Calidad (por
ejemplo, las Grficas X-Bar y R es til
a menudo calcular los ndices de
capacidad para el proceso.
Especficamente cuando el conjunto
de datos consiste de mltiples
muestras, tal como datos para la
grfica de control de calidad,
entonces uno puede calcular dos
diferentes ndices de variabilidad en
los datos. Una es la desviacin
estndar regular de todas las
observaciones, ignorando el hecho de
que los datos consisten de muestras
mltiples; el otro es estimar las
variaciones inherentes del proceso
dentro de la variabilidad de la
muestra. Por ejemplo, cuando s
grafican Grficos X-Bar y R uno
puede usar el estimador comn R-bar
/ d2 para la sigma del proceso.
Observe sin embargo, que este
estimador es solo vlido si el proceso
es estadsticamente estable.
8
Cuando la variabilidad total del
proceso es usada en los clculos de
capacidad estndar, los ndices
resultantes son usualmente referidos
como ndices de comportamiento del
proceso (ya que ellos describen el
comportamiento actual del proceso)
mientras que los ndices calculados
de la variabilidad inherente (sigma
dentro de muestras) son referidos
como los ndices de capacidad (ya
que ellos describen la capacidad
inherente del proceso. Para conjunto
de datos consistentes de mltiples
muestras STATISTICA calcular
ambos los ndices de capacidad del
proceso (por ejemplo C p, C p k) as
como los ndices de
comportamiento del proceso (por
ejemplo, P p, P p k)
Anlisis del Proceso Anlisis de
Capacidad del Proceso (Mquina)
Utilizando experimentos para
mejorar la Capacidad del Proceso.
Como se ha mencionado con
anterioridad, entre ms alto el ndice
C p mejor el proceso y no hay
virtualmente lmite superior a esta
relacin. El problema de costos de
calidad, esto es las prdidas debidas
a pobre calidad, es discutido en
detalle en el contexto de los mtodos
de diseo robusto de Taguchi. En
general, usualmente ms alta calidad
resulta en bajar el costo global; an
aunque los costos de produccin
puedan incrementarse, las prdidas
debidas pobre calidad, por ejemplo,
debidas a quejas de los clientes,
prdidas de participacin del
mercado, etc. son usualmente mucho
mayores. En la prctica, dos o tres
bien diseados experimentos
llevados por unas cuantas semanas

pueden a menudo alcanzar un C p de
5 o ms alto.
Los ndices que hemos revisado
son solo significativos si las
caractersticas de calidad que
estn siendo medidas estn
distribuidas normalmente.
Anlisis del Proceso Planes de
Muestreo Propsitos
Generales
Una pregunta comn que los
ingenieros de control de calidad
enfrentan, es determinar cuantas
partidas de una tanda (Vg. Embarque
de un proveedor) inspeccionar para
poder asegurar que las partidas
(productos) en la tanda son de
calidad aceptable. Por ejemplo,
supongan que tenemos un proveedor
de anillos de pistn para unas
pequeas mquinas automotrices
que nuestra Cia. Produce, y nuestro
objetivo es establecer un
procedimiento de muestreo (de
anillos de pistn de las tandas
(campaas))que aseguren una
calidad especificada. En principio,
este problema es similar al del control
de calidad en lnea discutida en
Control de Calidad.
Muestreo de Aceptacin
Los procedimientos descritos aqu
son tiles cuando necesitamos decidir
si una tanda (campaa) o lote de
partidas cumple con las
especificaciones, sin tener que
inspeccionar el 100% de las partidas
en el lote. Debido a la naturaleza del
problema aceptar o no aceptar el
lote- estos mtodos son tambin
algunas veces discutidos bajo el
9
encabezado de muestreo de
aceptacin.
aceptacin.
Ventajas sobre una inspeccin
100%
Una ventaja obvia del muestreo de
aceptacin sobre el 100% de
inspeccin del lote, es que revisar
solo una muestra requiere menos
tiempo, esfuerzo y dinero. En algunos
casos, la inspeccin de una partida
es destructiva (Vg., prueba al
esfuerzo del acero), y probar 100%
destruira el lote completo.
Finalmente, desde un punto de vista
gerencial, desechar un lote completo
o embarcarlo (basado en la
aceptacin del muestreo)de un
proveedor, ms que justamente un
cierto por ciento de partidas
defectuosas (basado en una
inspeccin del 100%) proporciona a
menudo un incentivo ms fuerte al
proveedor para adherirse a
estndares de calidad.
Planes de Muestreo de Anlisis del
proceso Acercamiento
Computacional.
En principio, el acercamiento
computacional a la pregunta de qu
tan grande debe ser la muestra a
tomar es ortodoxo. Los Conceptos
Elementales de Estadstica discuten
el concepto de la distribucin de
muestreo. Brevemente, si furamos a
tomar muestras repetidas de un
tamao particular de una poblacin
de, por ejemplo, anillos de pistn y
computar sus dimetros promedio,
entonces la distribucin de aquellos
promedios(medias) se aproximara a
la distribucin normal con una media
particular y una desviacin estndar
(o error estndar, en distribuciones de

muestreo el trmino error estndar es
preferido para poder distinguir la
variabilidad de las medias de la
variabilidad de las partidas en la
poblacin. Afortunadamente, no
necesitamos tomar las muestras
repetidas de la poblacin para poder
estimar la ubicacin (media) y
variabilidad (error estndar) de la
distribucin de muestreo. Si tenemos
una buena idea (estimado) de cual es
la variabilidad (desviacin estndar
o sigma) en la poblacin, entonces
podemos inferir la distribucin de
muestreo de la media. En principio,
esta informacin es suficiente para
estimar el tamao de la muestra que
es necesitada para poder detectar un
cierto cambio en calidad (de las
especificaciones blanco.
Medias para Ho y H1
Para formalizar el proceso de
inspeccin de por ejemplo, un
embarque de anillos de pistn,
podemos formular dos hiptesis
alternativas: Primero, podemos
hipotetizar que los dimetros
promedio de anillos de pistn
cumplen con las especificaciones.
Esta hiptesis es llamada la hiptesis
nula (Ho. La segunda, denominada
hiptesis alternativa (Hi) es de que
los dimetros de los anillos de pistn
entregados a nosotros se desvan de
las especificaciones por ms de una
cierta cantidad. Observen que
podemos especificar estos tipos de
hiptesis no solo para variables
mensurables tales como dimetros de
anillos de pistn, sino tambin por
atributos. Por ejemplo, podemos
hipotetizar (Hi) que el nmero de
partes defectuosas en el lote excede
de un cierto porcentaje.
Intuitivamente, debera ser claro que
10
a ms grande la diferencia entre Ho y
Hi, ms pequea la muestra
necesaria para detectar esta
diferencia..
Errores de Probabilidad Alfa y
Beta.
Regresando al ejemplo de anillos de
pistn, hay dos tipos de errores
principales que podemos hacer
cuando inspeccionamos un lote de
anillos que justamente han arribado a
nuestra planta. Primero, podemos
errneamente rechazar Ho, esto es,
rechazar el lote por que
errneamente concluimos que los
dimetros de los anillos de pistn
se desvan de las especificaciones
blanco.
blanco La probabilidad de cometer
esta equivocacin (error) es llamada
la probabilidad de error alfa. La
segunda equivocacin que podemos
hacer es, errneamente no rechazar
Ho (aceptar los embarques de
anillos de pistn) cuando de
hecho, el dimetro medio del anillo
de pistn se desva de la
especificacin blanco por una
cierta cantidad. La probabilidad de
cometer esta equivocacin es
llamada la probabilidad de error
beta
.Intuitivamente, entre ms ciertos
queramos estar, ms bajo debemos
establecer las probabilidades de los
errores alfa y beta y ms grande debe
ser el tamao de la muestra, de
hecho para poder estar 100% ciertos,
tendramos que medir cada anillo de
pistn entregado a nuestra Cia.
Planes de muestreo Fijo
Para construir un Plan de Muestreo
simple, primero debemos decidir

sobre el tamao de la muestra,
basado en las medias bajo Ho / H 1 y
las probabilidades de error particular
alfa y beta. Entonces tomaramos una
muestra particular de este tamao
fijo, y basados en la media en esta
muestra decidimos si aceptamos o
rechazamos el lote. Este
procedimiento es referido como un
plan de muestreo fijo. El Anlisis del
proceso permite al usuario jugar con
los diferentes parmetros que
determinan los tamaos de las
muestras o entrar un tamao de
muestra y estimar la probabilidad de
error beta resultante.
Curvas Caractersticas de
Operacin.
Operacin.
La potencia del plan de muestreo
fijado se puede sumariar va la curva
de operacin caracterstica. En la
grfica, la probabilidad de rechazar
Ho (y aceptar H i) es graficada en el
eje Y, como una funcin del actual
desplazamiento de la especificacin
del blanco (nominal) a los valores
respectivos mostrados en el eje X de
la grfica. Esta probabilidad, es por
supuesto, uno menos la probabilidad
de error beta de rechazar
errneamente H1 y aceptar Ho; este
valor es referido como la potencia del
plan de muestreo fijado para detectar
desviaciones. Tambin se indican en
esta grfica las funciones de potencia
para tamaos de muestra ms
pequeos.
Planes de Muestreo Secuencial.
Como una alternativa al plan de
muestreo fijo, puede seleccionar
aleatoriamente anillos de pistn
individuales y registrar sus
desviaciones de la especificacin. A
11
medida que continuamos midiendo
cada anillo de pistn mantenemos
corriendo un total de la suma de
desviaciones de la especificacin.
Intuitivamente, si H1 es verdadero,
esto es, si el promedio del dimetro
del anillo del pistn en el lote no est
en blanco, entonces podremos
esperar observar un lento incremento
o decremento acumulativo de la suma
de desviaciones, dependiendo en si
el dimetro promedio en el lote es
ms grande o pequeo que la
especificacin, respectivamente. De
aqu que esta clase de muestreo
secuencial de partidas individuales
del lote sea un proceso ms sensitivo
que tomar una muestra fija. En la
prctica, podemos continuar haciendo
un muestreo hasta que aceptemos o
rechacemos el lote; el plan de
muestreo secuencial graficado por el
Anlisis del Proceso nos permitir
hacer esta decisin.
Utilizando un Plan de Muestreo
secuencial.
secuencial.
Tpicamente, produciramos una
grfica en la cual las desviaciones
acumulativas de la especificacin
(graficadas en el eje Y) son
mostradas para partidas
sucesivamente hechas un
muestreo(Vg. Anillos de pistn
graficados en el eje X. Entonces, dos
conjuntos de lnea son dibujados en
esta grfica para denotar el corredor
a lo largo del cual continuaremos
extrayendo muestras, esto es, en
tanto la suma acumulativa de las
desviaciones de las especificaciones
permanezca dentro de este corredor,
continuaremos haciendo un
muestreo.
 12

Si la suma acumulativa de las

desviaciones se escalona fuera del
corredor pararemos el muestreo.
muestreo. Si
la suma acumulativa se mueve
sobre la lnea superior o bajo la
lnea inferior, rechazaremos el lote.
Si la suma acumulativa se
escalona del corredor hacia
adentro, esto es, se mueve ms
cercano a la lnea del centro,
aceptaremos el lote (ya que esto
indica cero desviacin de la
especificacin. Observe que el rea
interior se inicia solamente a un cierto
nmero de muestra; esto indica el
mnimo nmero de muestras
necesarias para aceptar el lote (con
el actual error de probabilidad.

Resumen

Para sumariar la idea de (aceptacin)

muestreo es utilizar inferencia
estadstica para aceptar o rechazar
un lote de partidas entero, basado
en la inspeccin de solo
relativamente pocas partidas de
ese lote. La ventaja de aplicar
razonamiento estadstico a esta
decisin es que podemos ser
explcitos sobre las probabilidades de
hacer una decisin equivocada.

Cuando sea posible, los planes de

muestreo secuenciales son
preferibles a los planes de
muestreo fijo debido a que son
ms poderosos. En muchos casos,
relativo a los planes de muestreo fijo,
usando planes secuenciales
requiere menos partidas a ser
inspeccionadas para poder llegar a
una decisin con el mismo grado
de certeza.