You are on page 1of 12

1

CONTROL DE CALIDAD
Interpretando la Grfica
En todos los procesos de produccin
necesitamos monitorear la extensin La grfica ms estndar contiene
en la cual nuestros productos actualmente dos grficos (y dos
satisfacen las especificaciones. En histogramas): Uno es llamado un
trminos ms generales, hay dos Grfico Barra X, el otro es llamado
enemigos de nuestra calidad del un Grfico R. En ambos grficos de
producto: (1) desviaciones de las lnea, el eje horizontal representa las
especificaciones del blanco, y (2) diferentes muestras; el eje vertical
excesiva variabilidad alrededor de para el grfico Barra X, representa las
las especificaciones del blanco. medias
medias para las caractersticas de
Durante las primeras etapas del inters; el eje vertical para el grfico
desarrollo del proceso de produccin, R representa los rangos rangos. Por
se utilizan a menudo experimentos ejemplo, supongan que deseamos
diseados para optimizar estas dos controlar los dimetros de los anillos
caractersticas de calidad. Los de pistn que estamos produciendo.
mtodos proporcionados en control La lnea central en el grfico Barra X
de calidad son procedimientos de representara el tamao estndar
control en lnea o en proceso deseado (por ejemplo, dimetro en
para monitorear un proceso de milmetros) de los anillos, mientras
produccin sobre la marcha. que la lnea central en el Grfico R
representara el rango aceptable de
los anillos (dentro de
Panorama General Introductorio especificaciones) dentro de las
sobre el Control de Calidad muestras; as este ltimo grfico es
Acercamiento General un grfico de la variabilidad del
proceso (entre ms grande la
El acercamiento general a un control variabilidad, ms grande el rango.
de calidad en lnea es un Adems de la lnea central, un grfico
procedimiento ortodoxo: Simplemente tpico incluye dos lneas horizontales
extraemos muestras de un cierto adicionales para representar los
tamao del proceso de produccin lmites de control superior e inferior
sobre la marcha. Entonces (UCL y LCL, respectivamente);
producimos grficas en lnea de la regresaremos a aquellas lneas en
variabilidad en aquellas muestras y breve. Tpicamente, los puntos
consideramos su cercana a las individuales en el grfico representan
especificaciones del blanco. Si las muestras, estn conectadas por
emerge una tendencia en esas una lnea. Si esta lnea se mueve
lneas, o si las muestras caen fuera fuera de los lmites de control
de lmites establecidos de antemano, superior e inferior o muestra unos
entonces declaramos al proceso patrones sistemticos a travs de
fuera de control y tomamos la accin muestras consecutivas, entonces
para encontrar la causa del problema. puede existir potencialmente un
Estos tipos de grficos son algunas problema de control de calidad. La
veces referidos como grficos de media global (seguida por la media
control Shewhart (1931. 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.
3

ejemplo, podemos usar este


grfico para controlar el nmero
Para controlar las caractersticas de unidades producidas con
de calidad que representan menores defectos.
atributos del producto, los
siguientes grficos son
construidos comnmente. Grfico P En este grfico,
graficamos el porcentaje de
Grfico C En este grfico, defectos (por tanda, por da, por
graficamos el nmero de mquina) como en el grfico U.
defectos (por campaa, por da, Sin embargo, los lmites de
por mquina, por 100 mts de control en este grfico no estn
tubera, etc.. Este grfico asume basados en la distribucin de
que los defectos del atributo de eventos raros, sino en la
calidad son raros, y los lmites de distribucin binomial (de
control en este grfico son proporciones. Por lo tanto, este
computados basados en la grfico es ms aplicable a
Distribucin Poisson situaciones donde la ocurrencia
(distribucin de eventos raros. de defectos no es rara (por
ejemplo, ellos ocurren en ms del
Grfico U En este grfico 5% de las unidades
graficamos la tasa de defectos, inspeccionadas.
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 Proceso Fuera de Control:
nmero constante de unidades y Corridas de Prueba.
puede ser usado por ejemplo
cuando las campaas(muestras) Como se ha mencionado al principio,
son de diferentes tamaos. cuando un punto de una muestra (por
ejemplo, media en un grfico de
Grfico Np En este grfico, Barra X) cae fuera de las lneas de
graficamos el nmero de control, uno tiene razn para creer
defectos (por tanda, por da, por que el proceso puede no estar ms
mquina) como en el grfico C. bajo control. Adems, uno debe mirar
Sin embargo, los lmites de por patrones sistemticos de puntos
control en este grfico no estn (por ejemplo, medias), por que tales
basados en la distribucin de patrones pueden indicar que el
eventos raros, sino en la proceso promedio ha cambiado. El
distribucin binomial. Por lo mdulo Control de Calidad de
tanto, este grfico debera ser Statistica ejecutar el conjunto de
usado si la ocurrencia de pruebas estndar para tales patrones.
defectos no es rara (por ejemplo,
ellos ocurren en ms del 5% de As como los lmites de control sigma
las unidades inspeccionadas. Por discutida arriba, las reglas estn
4

basada en un razonamiento
estadstico. Por ejemplo, la 9 puntos en Zona C o ms all (en
probabilidad de que cualquier media un lado de la lnea central.
de una muestra en un grfico de
control Barra X caiga arriba de la Si esta prueba es positiva (por
lnea central es igual a 0.5, ejemplo, si este patrn es detectado),
suponiendo que (1) el proceso est entonces el proceso promedio
en control (por ejemplo, el valor de la probablemente ha cambiado.
lnea central es igual a la media de la Observen que es asumido que la
poblacin, y (2) que medias de distribucin de las respectivas
muestras consecutivas son caractersticas de calidad en la
independientes (por ejemplo, no grfica es simtrica alrededor de la
estn auto correlacionadas), y (3) que media. Esto es, por ejemplo, no el
la distribucin de medias siguen la caso para Grficos R, Grficos S o
distribucin normal. Simplemente muchos grficos de atributo. Sin
establecido, bajo estas condiciones embargo, esto es an una prueba til
hay un 50 50 de probabilidad de para alertar al ingeniero de control de
que una media caer arriba o debajo calidad a cambios potenciales en el
de la lnea central. As, la probabilidad proceso. Por ejemplo, muestras
de que dos medias consecutivas sucesivas con variabilidad menor del
caern sobre la lnea central es igual promedio pueden ser valiosos el
a 0.5 veces 0.5 = 0.25. investigarlas, ya que ellas pueden
proporcionar insinuaciones de cmo
De igual manera, la probabilidad de disminuir la variacin en el proceso.
que 9 muestras consecutivas (o una
corrida de 9 muestra) caern en el 6 puntos en hilera incrementando o
mismo lado de la lnea central es decrementando paulatinamente.
igual a 0.5*9=0.00195. Observen que
esto es aproximadamente la Esta prueba seala un desvo en el
probabilidad con la cual una muestra proceso promedio. A menudo tal
media pueda esperarse caer fuera de desvo puede ser el resultado de un
los lmites 3 sigma (dada la desgaste de herramientas, deterioro
distribucin normal, y un proceso en en el mantenimiento, mejoras en la
control. Por lo tanto, uno puede habilidad, etc. (Nelson, 1985)
buscar por 9 medias de muestras
consecutivas en el mismo lado de la 14 puntos en una hilera
lnea central como otra indicacin de alternndose hacia arriba y hacia
una condicin fuera de control. abajo.

3sigma Zona A Si esta prueba es positiva, indica


2* sigma Zona B que dos causas sistemticamente
1* sigma Zona C alternantes estn produciendo
Lnea Central resultados diferentes. Por ejemplo,
-1 * sigma Zona C uno puede estar usando dos
-2 * sigma Zona B proveedores alternativos o monitorear
-3 * sigma Zona A la calidad para dos turnos diferentes
(alternantes.
5

dos mquinas diferentes, donde una


produce partes arriba del promedio, y
la otra partes abajo del promedio.

2 puntos fuera de 3 puntos en una


hilera en la Zona A o ms all. ANALISIS DEL PROCESO
Esta prueba proporciona una alerta
temprana de un desvo de un Control de Calidad describe
proceso. Observe que la probabilidad numerosos mtodos para monitorear
de un falso - positivo (la prueba es la calidad de un proceso de
positiva pero el proceso est en produccin. Sin embargo, una vez
control) para esta prueba en grficos que un proceso est bajo control se
Barra X es de aproximadamente tiene la siguiente pregunta: En
2%. que extensin el comportamiento a
largo plazo del proceso cumple
4 puntos fuera de 5 puntos en una con los objetivos de
hilera en la Zona B o ms all. requerimientos de ingeniera o
gerenciales?
Como la prueba previa, esta prueba
puede ser considerada un indicador Por ejemplo, para regresar a nuestro
de advertencia temprana de un ejemplo del pistn, Cuntos de los
cambio potencial en el proceso. La anillos de pistn que estamos
tasa de error falsa positiva para utilizando caen dentro de los lmites
esta prueba es casi 2%. de especificaciones de diseo?

15 puntos en una hilera en la Zona Muchos de los procedimientos e


C (arriba y debajo de la lnea ndices descritos aqu fueron
central) recientemente introducidos por la
Ford Motor Company de Estados
Esta prueba indica una ms Unidos en USA (Kane, 1986. Esto
pequea variabilidad que la nos permite sumariar la capacidad del
esperada (basada en los actuales proceso en trminos de porcentajes
lmites de control. con significado e ndices.

8 puntos en una hilera en la Zona En este tpico la computacin e


B, A, o ms all, en cualquier lado interpretacin de los ndices de
de la lnea central (sin puntos en la capacidad del proceso sern
Zona C. discutidas primeramente para el caso
de distribucin normal. Si las
Esta prueba indica que diferentes caractersticas de inters de la
muestras son afectadas por distribucin de calidad no siguen la
factores diferentes, resultando en distribucin normal, los ndices de
una distribucin binomial de medias. capacidad pueden ser calculados
Esto puede suceder, por ejemplo, si basados en los porcentiles de una
diferentes muestras en un grfico distribucin no normal fijada. El
Barra X fueron producidas por una de
6

mdulo Anlisis del proceso, permite


fijar al usuario varias especficas Usualmente, los requerimientos de
distribuciones no-normales. (Por ingeniera dictan un rango de valores
ejemplo, Weibull, log-normal, beta, aceptables. En nuestro ejemplo,
gamma, etc.) as como generales puede haber sido determinado que
distribuciones no normales por valores aceptables para los dimetros
momentos. del anillo de pistn seran 74.0 .02
milmetros. As, el lmite de
Observen que hace poco sentido especificacin inferior (LSL) para
examinar la capacidad del proceso si nuestro proceso es 74.0-0.02=73.98;
el proceso no est en control. Si las el lmite de especificacin superior
medias de muestras tomadas (USL) es 74.0 + 0.02 = 74.02. La
sucesivamente fluctan ampliamente, diferencia entre USL y LSL es
o estn fuera de las especificaciones llamada el rango de especificacin.
blanco, entonces aquellos
problemas de calidad deberan ser Capacidad Potencial (Cp)
atacados primeramente. Por lo tanto,
el primer paso hacia un proceso de Este es el ms simple y ms ortodoxo
alta calidad es traer el proceso indicador de la capacidad del
bajo control, utilizando las tcnicas proceso. Es definido como la
disponibles en Control de Calidad. relacin del rango de
especificacin al rango del
proceso; utilizando lmites 3 sigma
proceso;
Anlisis del Proceso, Anlisis de podemos expresar este ndice como:
Capacidad del Proceso ndices de
Capacidad del Proceso. C p = ( USL LSL) / ( 6 * sigma)

Rango del Proceso Puesto en palabras, esta relacin


expresa la proporcin del rango de
Primero, es costumbre establecer los la curva normal que cae dentro de
lmites 3 sigma alrededor de las los lmites de especificaciones de
especificaciones nominales. ingeniera (considerando que la
Actualmente los lmites sigma media est en el blanco, esto es
deberan ser los mismos que los que el proceso est centrado, ver
utilizados para traer el proceso bajo abajo.
control utilizando la Tabla de Control
Shewart. Estos lmites denotan el Bhote (1988) reporta que antes del
rango del proceso. Si usamos los uso extendido de las tcnicas de
lmites 3 sigma entonces, basados control de calidad (previas a 1980), la
en la distribucin normal podemos calidad normal de los procesos de
estimar que aproximadamente 99% manufactura era aproximadamente
de todos los anillos de pistn caeran C p = 0.67. Esto significa que las dos
dentro de estos lmites. reas de colas de 33 / 2 por ciento la
curva normal caen fuera de los lmites
Lmites de Especificacin LSL, de especificacin. En 1988, solo casi
USL. el 30% de los procesos de USA
7

estaban en o debajo de este nivel Suponiendo lmites 3 sigma como


de calidad (Ver Bothe, 1988,p.51. rango del proceso, calculamos:
Idealmente por supuesto, nos
gustara que este ndice fuera mayor C pl =( Media LSL) / 3 *sigma
que 1, esto es, nos gustara alcanzar
un proceso de capacidad as que Y
ninguna (o casi ningunas) partidas
caigan fuera de los lmites de C pu = (USL Media) / 3* sigma
especificacin. Como aspecto
interesante, a principio de los 80s la Obviamente, si estos valores no son
industria manufacturera japonesa idnticos uno con otro, entonces el
adopt como su estndar 1.33. La proceso no est centrado.
capacidad de proceso requerida para
fabricar productos de alta tecnologa Correccin de No-Centramiento (K)
es an ms alta que esto; Minolta ha
establecido un ndice C p de 2.0 como Podemos corregir C p para los efectos
su estndar mnimo (Bhote, 1988 de no centramiento. Especficamente,
p.53), y como el estndar para sus podemos calcular:
proveedores. Observen que una
alta capacidad de proceso implica K = abs. (Especificacin del blanco Media) /
(1/2 (USL LSL))
usualmente no ms altos costos,
tomando en cuenta los costos Este factor de correccin expresa el
debidos a pobre calidad. no centramiento (especificacin del
Regresaremos a este punto blanco menos la media) relativo al
enseguida. rango de especificacin.

Excelencia Demostrada (Cpk )


Relacin de Capacidad (Cr)
Finalmente podemos ajustar C p por
Este ndice es equivalente a Cp; el efecto de no centramiento
especficamente, es calculada como calculando:
1/Cp ( el inverso de Cp.)
C p k = ( 1- k) * C p
Capacidad Potencial Inferior / Si el proceso est perfectamente
Superior: Cpl, Cpu centrado, entonces k = 0, y C p k es
igual a C p. Sin embargo, como el
Un inconveniente principal de los proceso vara de las especificaciones
ndices Cp (y Cr) es que puede blanco, k aumenta y C p k viene a ser
producir informacin errnea si el ms pequeo que C p.
proceso no est en blanco, esto es
no est centrado. Podemos expresar Capacidad Potencial II: Cpm.
no centramiento va las siguientes
cantidades. Primero, los ndices de Una modificacin reciente (Chan,
capacidad potencial superior e inferior Cheng, & Spiring, 1988) a Cp es
pueden ser computados para reflejar dirigida a ajustar el estimado de
la desviacin de la media del proceso sigma por el efecto de no
observado de los LSL y USL.
8

centramiento (aleatorio.
Especficamente, podemos calcular la Cuando la variabilidad total del
sigma alternativa (Sigma 2) como: proceso es usada en los clculos de
capacidad estndar, los ndices
Sigma 2 = ( 1 TS)2 / (n-1)) resultantes son usualmente referidos
como ndices de comportamiento del
Donde: proceso (ya que ellos describen el
comportamiento actual del proceso)
Sigma 2 es el estimado alternativo mientras que los ndices calculados
de sigma de la variabilidad inherente (sigma
i es el valor de la i th dentro de muestras) son referidos
observacin en la muestra como los ndices de capacidad (ya
TS es el blanco o que ellos describen la capacidad
especificacin nominal
inherente del proceso. Para conjunto
N es el nmero de
observaciones en la
de datos consistentes de mltiples
muestra muestras STATISTICA calcular
Entonces podemos usar este ambos los ndices de capacidad del
estimado alternativo de sigma para proceso (por ejemplo C p, C p k) as
calcular C p como antes; sin embargo, como los ndices de
nos referiremos al ndice resultante comportamiento del proceso (por
como C p m. ejemplo, P p, P p k)
Cuando moni toreamos un proceso
va grfico de Control de Calidad (por Anlisis del Proceso Anlisis de
ejemplo, las Grficas X-Bar y R es til Capacidad del Proceso (Mquina)
a menudo calcular los ndices de Utilizando experimentos para
capacidad para el proceso. mejorar la Capacidad del Proceso.
Especficamente cuando el conjunto
de datos consiste de mltiples Como se ha mencionado con
muestras, tal como datos para la anterioridad, entre ms alto el ndice
grfica de control de calidad, C p mejor el proceso y no hay
entonces uno puede calcular dos virtualmente lmite superior a esta
diferentes ndices de variabilidad en relacin. El problema de costos de
los datos. Una es la desviacin calidad, esto es las prdidas debidas
estndar regular de todas las a pobre calidad, es discutido en
observaciones, ignorando el hecho de detalle en el contexto de los mtodos
que los datos consisten de muestras de diseo robusto de Taguchi. En
mltiples; el otro es estimar las general, usualmente ms alta calidad
variaciones inherentes del proceso resulta en bajar el costo global; an
dentro de la variabilidad de la aunque los costos de produccin
muestra. Por ejemplo, cuando s puedan incrementarse, las prdidas
grafican Grficos X-Bar y R uno debidas pobre calidad, por ejemplo,
puede usar el estimador comn R-bar debidas a quejas de los clientes,
/ d2 para la sigma del proceso. prdidas de participacin del
Observe sin embargo, que este mercado, etc. son usualmente mucho
estimador es solo vlido si el proceso mayores. En la prctica, dos o tres
es estadsticamente estable. bien diseados experimentos
llevados por unas cuantas semanas
9

pueden a menudo alcanzar un C p de encabezado de muestreo de


5 o ms alto. aceptacin.
aceptacin.

Los ndices que hemos revisado Ventajas sobre una inspeccin


son solo significativos si las 100%
caractersticas de calidad que
estn siendo medidas estn Una ventaja obvia del muestreo de
distribuidas normalmente. aceptacin sobre el 100% de
inspeccin del lote, es que revisar
solo una muestra requiere menos
Anlisis del Proceso Planes de tiempo, esfuerzo y dinero. En algunos
Muestreo Propsitos casos, la inspeccin de una partida
Generales es destructiva (Vg., prueba al
esfuerzo del acero), y probar 100%
Una pregunta comn que los destruira el lote completo.
ingenieros de control de calidad Finalmente, desde un punto de vista
enfrentan, es determinar cuantas gerencial, desechar un lote completo
partidas de una tanda (Vg. Embarque o embarcarlo (basado en la
de un proveedor) inspeccionar para aceptacin del muestreo)de un
poder asegurar que las partidas proveedor, ms que justamente un
(productos) en la tanda son de cierto por ciento de partidas
calidad aceptable. Por ejemplo, defectuosas (basado en una
supongan que tenemos un proveedor inspeccin del 100%) proporciona a
de anillos de pistn para unas menudo un incentivo ms fuerte al
pequeas mquinas automotrices proveedor para adherirse a
que nuestra Cia. Produce, y nuestro estndares de calidad.
objetivo es establecer un
procedimiento de muestreo (de Planes de Muestreo de Anlisis del
anillos de pistn de las tandas proceso Acercamiento
(campaas))que aseguren una Computacional.
calidad especificada. En principio,
este problema es similar al del control En principio, el acercamiento
de calidad en lnea discutida en computacional a la pregunta de qu
Control de Calidad. tan grande debe ser la muestra a
tomar es ortodoxo. Los Conceptos
Muestreo de Aceptacin Elementales de Estadstica discuten
el concepto de la distribucin de
Los procedimientos descritos aqu muestreo. Brevemente, si furamos a
son tiles cuando necesitamos decidir tomar muestras repetidas de un
si una tanda (campaa) o lote de tamao particular de una poblacin
partidas cumple con las de, por ejemplo, anillos de pistn y
especificaciones, sin tener que computar sus dimetros promedio,
inspeccionar el 100% de las partidas entonces la distribucin de aquellos
en el lote. Debido a la naturaleza del promedios(medias) se aproximara a
problema aceptar o no aceptar el la distribucin normal con una media
lote- estos mtodos son tambin particular y una desviacin estndar
algunas veces discutidos bajo el (o error estndar, en distribuciones de
10

muestreo el trmino error estndar es a ms grande la diferencia entre Ho y


preferido para poder distinguir la Hi, ms pequea la muestra
variabilidad de las medias de la necesaria para detectar esta
variabilidad de las partidas en la diferencia..
poblacin. Afortunadamente, no
necesitamos tomar las muestras Errores de Probabilidad Alfa y
repetidas de la poblacin para poder Beta.
estimar la ubicacin (media) y
variabilidad (error estndar) de la Regresando al ejemplo de anillos de
distribucin de muestreo. Si tenemos pistn, hay dos tipos de errores
una buena idea (estimado) de cual es principales que podemos hacer
la variabilidad (desviacin estndar cuando inspeccionamos un lote de
o sigma) en la poblacin, entonces anillos que justamente han arribado a
podemos inferir la distribucin de nuestra planta. Primero, podemos
muestreo de la media. En principio, errneamente rechazar Ho, esto es,
esta informacin es suficiente para rechazar el lote por que
estimar el tamao de la muestra que errneamente concluimos que los
es necesitada para poder detectar un dimetros de los anillos de pistn
cierto cambio en calidad (de las se desvan de las especificaciones
especificaciones blanco. blanco.
blanco La probabilidad de cometer
esta equivocacin (error) es llamada
Medias para Ho y H1 la probabilidad de error alfa. La
segunda equivocacin que podemos
Para formalizar el proceso de hacer es, errneamente no rechazar
inspeccin de por ejemplo, un Ho (aceptar los embarques de
embarque de anillos de pistn, anillos de pistn) cuando de
podemos formular dos hiptesis hecho, el dimetro medio del anillo
alternativas: Primero, podemos de pistn se desva de la
hipotetizar que los dimetros especificacin blanco por una
promedio de anillos de pistn cierta cantidad. La probabilidad de
cumplen con las especificaciones. cometer esta equivocacin es
Esta hiptesis es llamada la hiptesis llamada la probabilidad de error
nula (Ho. La segunda, denominada beta
hiptesis alternativa (Hi) es de que
los dimetros de los anillos de pistn .Intuitivamente, entre ms ciertos
entregados a nosotros se desvan de queramos estar, ms bajo debemos
las especificaciones por ms de una establecer las probabilidades de los
cierta cantidad. Observen que errores alfa y beta y ms grande debe
podemos especificar estos tipos de ser el tamao de la muestra, de
hiptesis no solo para variables hecho para poder estar 100% ciertos,
mensurables tales como dimetros de tendramos que medir cada anillo de
anillos de pistn, sino tambin por pistn entregado a nuestra Cia.
atributos. Por ejemplo, podemos
hipotetizar (Hi) que el nmero de Planes de muestreo Fijo
partes defectuosas en el lote excede
de un cierto porcentaje. Para construir un Plan de Muestreo
Intuitivamente, debera ser claro que simple, primero debemos decidir
11

sobre el tamao de la muestra, medida que continuamos midiendo


basado en las medias bajo Ho / H 1 y cada anillo de pistn mantenemos
las probabilidades de error particular corriendo un total de la suma de
alfa y beta. Entonces tomaramos una desviaciones de la especificacin.
muestra particular de este tamao Intuitivamente, si H1 es verdadero,
fijo, y basados en la media en esta esto es, si el promedio del dimetro
muestra decidimos si aceptamos o del anillo del pistn en el lote no est
rechazamos el lote. Este en blanco, entonces podremos
procedimiento es referido como un esperar observar un lento incremento
plan de muestreo fijo. El Anlisis del o decremento acumulativo de la suma
proceso permite al usuario jugar con de desviaciones, dependiendo en si
los diferentes parmetros que el dimetro promedio en el lote es
determinan los tamaos de las ms grande o pequeo que la
muestras o entrar un tamao de especificacin, respectivamente. De
muestra y estimar la probabilidad de aqu que esta clase de muestreo
error beta resultante. secuencial de partidas individuales
del lote sea un proceso ms sensitivo
Curvas Caractersticas de que tomar una muestra fija. En la
Operacin.
Operacin. prctica, podemos continuar haciendo
un muestreo hasta que aceptemos o
La potencia del plan de muestreo rechacemos el lote; el plan de
fijado se puede sumariar va la curva muestreo secuencial graficado por el
de operacin caracterstica. En la Anlisis del Proceso nos permitir
grfica, la probabilidad de rechazar hacer esta decisin.
Ho (y aceptar H i) es graficada en el
eje Y, como una funcin del actual Utilizando un Plan de Muestreo
desplazamiento de la especificacin secuencial.
secuencial.
del blanco (nominal) a los valores
respectivos mostrados en el eje X de Tpicamente, produciramos una
la grfica. Esta probabilidad, es por grfica en la cual las desviaciones
supuesto, uno menos la probabilidad acumulativas de la especificacin
de error beta de rechazar (graficadas en el eje Y) son
errneamente H1 y aceptar Ho; este mostradas para partidas
valor es referido como la potencia del sucesivamente hechas un
plan de muestreo fijado para detectar muestreo(Vg. Anillos de pistn
desviaciones. Tambin se indican en graficados en el eje X. Entonces, dos
esta grfica las funciones de potencia conjuntos de lnea son dibujados en
para tamaos de muestra ms esta grfica para denotar el corredor
pequeos. a lo largo del cual continuaremos
extrayendo muestras, esto es, en
Planes de Muestreo Secuencial. tanto la suma acumulativa de las
desviaciones de las especificaciones
Como una alternativa al plan de permanezca dentro de este corredor,
muestreo fijo, puede seleccionar continuaremos haciendo un
aleatoriamente anillos de pistn muestreo.
individuales y registrar sus
desviaciones de la especificacin. A
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.