Documente Academic
Documente Profesional
Documente Cultură
LA CALIDAD
MODULO ACADÉMICO
AUTORES:
INGENIERÍA INDUSTRIAL
UNIVERSIDAD DEL MAGDALENA
SANTA MARTA
2012
INDICE
4.1 GENERALIDADES: 68
4.2 OBJETIVOS DE LAS CARTAS DE CONTROL. 69
4.3 CARTAS DE CONTROL Y PRUEBA DE HIPÓTESIS. 70
4.4 ANALISIS DE PATRONES EN LAS CARTAS DE CONTROL 71
4.5 CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE CONTROL 74
4.6 TIPOS DE CARTAS DE CONTROL 75
4.6.1 CARTAS DE CONTROL PARA VARIABLES 75
4.6.2 CARTAS DE CONTROL PARA ATRIBUTOS 104
APÉNDICE 167
INTRODUCCIÓN A LA
1 CALIDAD
“La calidad la define el cliente. Es el juicio que este tiene sobre un producto
oservicio (el cual por lo general es de aprobación o rechazo) resultado del
gradocon el cual un conjunto de características inherentes al producto cumplen
conlos requerimientos. La calidad es ante todo satisfacción del cliente”
Gutiérrez & De La vara (2004)
Industria Industri
a
Japonesa
EEUU
Dimensiones de la Calidad:
La calidad de un producto puede ser evaluada de varias formas, por tal razón
resulta importante distinguir las diferentes dimensiones de la calidad, las cuales
se resumirán a continuación:
Aseguramiento de la Calidad
Control de la Calidad
Ingeniería de Calidad
“Se dice que un fenómeno está controlado cuando, a través del uso de
experienciasprevias podemos predecir, cuando menos dentro de ciertos límites,
cómo se esperaque dicho fenómeno varíe en el futuro. Aquí se entiende por
predicción dentro deciertos límites, que podemos asegurar, al menos de forma
aproximada, que elfenómeno observado caerá dentro de ciertos límites dados”
Shewhart (1980)
W. Eduwards Deming
Uno de los padres fundadores del control estadístico de calidad. Fue invitado a
dar pláticas a líderes de la industria japonesa cuando iniciaron su
transformación industrial a principios de los años 1950. Es coautor (con Frank
M. Gryna) de Quality Control Handbook, una referencia obligada para los
métodos y el mejoramiento de calidad desde su publicación original en 1957.
Seis Sigma
complejos. Motorola desarrolló el programa seis sigma a fines de los años 1980
en respuesta a la demanda de estos productos. Este programa se centra en
llevar la variabilidad de las características de calidad clave a niveles en los que
las fallas o los defectos sean en extremo improbables.
W. Edwards Deming
Joseph Juran
Philip B. Crosby
Genichi Taguchi
Shigeo Shingo
Armand Feigenbaum
Shigeru Mizuno
Kaoru Ishikawa
Capitulo
2 TÉCNICAS ESTADÍSTICAS
PARA EL MEJORAMIENTO
DE LA CALIDAD
* +
* +
Control estadístico de la calidad
14
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
la media aritmética
la mediana
La moda
LA MEDIA ARITMÉTICA
Hay que entender que existen dos formas distintas de trabajar con los datos
tanto poblacionales como muéstrales, sin agruparlos o agrupándolos en tablas
de frecuencias. Esta apreciación nos sugiere dos formas de representar la
media aritmética.
∑ ∑
̅
POBLACION MUESTRA
∑ ∑
̅
POBLACION MUESTRA
∑ ∑
̅
POBLACION MUESTRA
LA MEDIANA
Valor que divide una serie de datos en dos partes iguales. La cantidad de
datos que queda por debajo y por arriba de la mediana son iguales.
AC = CB
Formula:
LA MODA
Indica el valor que más se repite, o la clase que posee mayor frecuencia. En el
caso de que dos valores presenten la misma frecuencia, decimos que existe un
conjunto de datos bimodal.
( ) ( )
MEDIDAS DE DISPERSIÓN
DESVIACIÓN ESTÁNDAR
Población
∑( ̅)
√
Muestral
∑( ̅)
√
Leyes de probabilidad
( ) ( )
Eventos Independientes:
En estos casos,
( ⁄ ) ( ) ( ⁄ ) ( )
Teorema de la Adición:
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) (
Y se tiene que:
( ) ( ) ( )
Teorema de la multiplicación:
( ) ( ) ( ⁄ )
( ⁄ ) ( )
( ⁄ )
( ) ( )
Ahora,
( ) ( )⁄ ( )
( ⁄ )
( ) ( )⁄ ( )
Y se obtiene que: ( ) ( ) ( ⁄ )
( ) ( ) ( ⁄ )
( ) ( ) ( )
Formula de Bayes:
( ) ( ) ( ⁄ )
( ⁄ )
( ) ( ) ( ) ( )
( ) ( ⁄ )
( ⁄ )
∑ ( )
Una variable aleatoria es una función que asigna un numero real a cada
resultado en el espacio muestral de un experimento aleatorio1.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados
del espacio muestral, y X es una función definida sobre el espacio muestral, de
manera que transforme todos los posibles resultados del espacio muestral en
cantidades numéricas2.
1
MONTGOMERY, Douglas. Probabilidad y Estadística aplicada a la Ingeniería, 2° Edición.
México D.F: Limusa. 2005. Pág. 100.
2
CANAVOS, George. Probabilidad y Estadística, Aplicaciones y métodos. México D.F: McGraw
Hill. 1998. Pág. 53.
Control estadístico de la calidad
22
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
Distribución Uniforme
Es la más simple de todas las distribuciones de probabilidad discreta pues la
variable aleatoria discreta X puede tomar una cantidad finita de n valores X 1,
X2, X3,…, Xn, cada uno de estos con una probabilidad idéntica 1/n, es decir, con
probabilidad uniforme.
La distribución de probabilidad o función de masa de esta variable aleatoria es:
( ) ( )
Su media y varianza son:
∑ ∑ ( )
( ) ( )
Distribución Binomial3
Un experimento aleatorio que consta de n ensayos repetidos, tales que:
1) Los ensayos son independientes, es decir el resultado de cada ensayo
no depende del resultado de ensayos anteriores.
2) Cada ensayo produce únicamente dos resultados posibles, etiquetados
como “éxito” y “fracaso”.
3) La probabilidad de un “éxito” en cada ensayo, denotada como p,
permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al número de ensayos nque producen un
éxito tiene una distribución binomial con parámetros py n = 1, 2,…
La función de masa de probabilidad de X es:
( ) . / ( )
Su media y varianza son:
( ) ( ) ( )
Donde:
p = Probabilidad de éxito.
1 - p = Probabilidad de fracaso
3
Síntesis tomada de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda
edición, México D.F: Limusa, c2005.Parte final del Capítulo 3 y Capítulo 4, Páginas 91-136.
Ejemplo:
Se tiene una línea de producción de cilindros para gas natural vehicular. Se
sabe que la probabilidad de que un cilindro sea defectuoso es de 0,02.
Adicionalmente para el jefe de producción es conocido que el primer cilindro
que se fabrica al dia es defectuoso debido a la calibración de la maquinaria.
Encuentre la probabilidad de obtener más de dos cilindros defectuosos en los
primeros dos cilindros que se fabrican en un día.
R/.
( ) ( ) ∑. / ( )
( ) ( ) ∑. /( ) ( )
( ) , ( ) ( ) ( )-
( ) . /( ) ( )
( ) . /( ) ( )
( ) ( )( ) ( )
( ) , -
Distribución Geométrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad
constante de éxitop, sea la variable aleatoria X el número de ensayos hasta la
obtención del primer éxito. Entonces X tiene una distribución geométrica con
parámetro p y
( ) ( )
Si X es una variable aleatoria geométrica con parámetros p, entonces la media
y la varianza de X son:
( ) ( )
( ) ⁄ ⁄
supóngase que se continúan los ensayos hasta que han ocurrido exactamente
r éxitos. En este caso la variable aleatoria es el número de ensayos necesarios
para observar r éxitos. Esta situación lleva a los que se conoce como
distribución binomial negativa con parámetros p y r = 1,2,3,….
p = probabilidad de éxito.
1-p = probabilidad de fracaso.
( ) . /( )
Si X es una variable aleatoria binomial negativa con parámetros p y r, entonces
la media y la varianza de X son:
( )
( ) ⁄ ( ) ⁄
Distribución Hipergeométrica
Se emplea para calcular la probabilidad de obtener determinado número de
éxitos en un espacio muestral de n ensayos; pero que a diferencia de la
distribución binomial, aquí los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una población finita; por esto es que el
resultado de una observación es afectado por el resultado de observaciones
anteriores.
Un conjunto de N objetos contiene
K objetos clasificados como éxitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamaño de n objetos, al azar (sin reemplazo) de
entre los N objetos, donde y
Sea que la variable aleatoria X denote el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica, con:
. /. /
( ) ( )
. /
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n,
entonces la media y la varianza de X son:
( ) ( ) ( ). /
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades
de un proveedor de tuberías del estado vecino. Si se seleccionan cuatro piezas
al azar y sin reemplazo ¿Cuál es la probabilidad de que todas sean del
proveedor local?
Sea X igual al número al número de piezas de la muestra del proveedor local.
Entonces, X tiene una distribución hipergeométrica y la probabilidad pedida es
P(X=4). Por consiguiente:
. /. /
( )
. /
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor local?
. /. / . /. / . /. /
( )
. / . / . /
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local?
. /. /
( ) ( )
. /
Distribución de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy
pequeña en cualquier instancia específica, pero a la vez, el número de
instancias posibles sea enormemente grande, la distribución de los sucesos se
realiza mediante la distribución de Poisson.
Dado un intervalo de números reales, suponga que el conteo de ocurrencias es
aleatorio en dicho intervalo. Si puede hacerse la partición del intervalo en
subintervalos con una longitud suficientemente pequeña tales que
1) La probabilidad de más de una ocurrencia en un subintervalo es cero.
2) La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos y proporcional a la longitud del subintervalo.
3) El conteo de ocurrencias en cada subintervalo es independiente de los
demás subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el número promedio de ocurrencias en el intervalo es la variable
aleatoria X, que es igual al número de ocurrencias en el intervalo, tiene una
distribución de Poisson con parámetro, y la función de masa de probabilidad
de X es
( )
Si X es una variable aleatoria de Poisson con parámetro entonces la media y
la varianza de X son:
( ) ( )
Ejemplo:
La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre
en un disco óptico tiene una distribución de Poisson y el número promedio de
partículas por centímetro cuadrado de superficie del disco es 0.1. El área de un
( )
DISTRIBUCIÓN NORMAL4
El modelo de uso más generalizado para la distribución de una variable
aleatoria continua es la distribución normal. Siempre que se hace la repetición
de un experimento aleatorio, la variable aleatoria que es igual al resultado
promedio (o total) de las repeticiones tiende a tener una distribución normal,
cuando el número de repeticiones es grande. Una distribución Normal también
se conoce como distribución de Gauss o Gaussiana.
Una variable aleatoria X con función de densidad de probabilidad
( )
( )
√
Tiene una distribución normal con parámetros , donde y .
Además
( ) ( )
4
Tomado de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería,
Segunda edición, México D.F: Limusa, c2005.Pág. 157-171
Control estadístico de la calidad
27
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
Ejemplo:
Cierta máquina fabrica resistores eléctricos que tienen una resistencia
promedio de 25 ohmios y una desviación estándar de 3.2 ohmios. La
resistencia tiene una distribución normal.
a) ¿Qué porcentaje de los resistores tendrán una resistencia inferior a 16
ohmios?
Control estadístico de la calidad
28
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
( ) ( ) ( )
Lo que implica que el 0.25% de los resistores tienen una resistencia
inferior a 16 ohmios.
b) ¿Qué porcentaje de resistores tendrán una resistencia superior a 35
ohmios?
( ) ( ) ( ) ( )
d) ¿Por encima de qué valor está el 10% de los resistores con mayor
resistencia?
( )
( ) . /( ) ( )
( )
∑
( )
( ) ( ) ∫
Luego:
Donde ( ) ; ( ) ; ( ) , ( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( ) ( )
( )
( )
El de la tabla es 7,81
Pasos:
( )
̅
( ( ))
( ( )) ( )
( ( )) ( ( ))
( ) ( )
( ( )) ( ( ))
( ) ( )
O sea:
( ) ( ) ( ) ( ) ( )
( )
( )
Chi de la tabla:
1) El Histograma.
2) Diagrama de Pareto.
3) Diagrama de Causa-Efecto o de Ishikawa.
4) Diagrama de Dispersión.
5) Hoja de Verificación.
6) Diagrama de concentración de defectos.
7) Cartas de control.
2.5.1 Histograma:
En muchos casos, si los datos han sido tomados de forma correcta, se puede
obtener conclusiones a partir de los mismos de forma inmediata; pero si no es
así, con frecuencia puede ser necesaria una adecuada representación gráfica
de los mismos. El histograma es una representación gráfica de los datos en la
que se puede observar:
1) Forma.
Simétrica
Asimétrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
En peine: puntos anormales no definidos.
Plana: tendiendo a ser una distribución uniforme.
Sin distribución definida.
3) Dispersión o expansión.
O haciendo √
6) Determine la amplitud de los intervalos: y redondear el valor
obtenido a un múltiplo exacto de la precisión de los datos.
7) Fijar los límites de los intervalos (marca de clase). Se recomienda fijar el
valor del extremo mínimo la mitad de la amplitud.
8) Rellenar la tabla de frecuencias, indicando el número de veces que
aparecen datos dentro de cada uno de los intervalos definidos.
Frecuencia
de los
(Marca
Intervalos datos por ( )
de clase)
intervalo
( )
1 ( ) A -2 -2A 4A2
( ) ( )
2 B -1 -B B2 -
3 - C 0 0 0 -
4 - D 1 D D2 -
5 ( ( )) E 2 2E 4E2 -
N = número
de datos =
(∑ )
Cabe anotar que en Ui, si se tiene un k par, toma el valor de cero en el intervalo
de mayor frecuencia.
9) Construir el histograma.
10) Además se puede calcular la media y la varianza de los datos, utilizando
las siguientes fórmulas:
Para la media:
̅
Para la varianza:
∑
Donde es el promedio de las marcas de clase. /.
∑( )
DIAGRAMA DE PARET0
200 100%
180 90%
160 80%
140 70%
120 60%
100 50%
80 40%
60 30%
40 20%
20 10%
0 0%
A B C D E F Otras
En este caso lo que se estaba haciendo era intentar evitar el efecto del
problema, pero sin eliminar su causa y si la causa permanece el efecto vuelve
a manifestarse de forma aún más perjudicial.
Por tal razón, para solucionar un problema deben estudiarse sus causas y
eliminarlas, en el caso que planteaba Ishikawa la causa era la vibración,
aunque también debería haberse investigado el origen de la misma.
Para saber cuáles son las posibles causas que hay detrás de un efecto es
conveniente construir un diagrama de causa-efecto, para lo cual se sugiere
seguir los siguientes pasos:
2) Trazar los ejes. Decidir las escalas de forma que ambos ejes tengan
aproximadamente la misma longitud. Si una variable es una
característica de calidad y la otra un factor (de diseño o de producción),
se sitúa la primera en el eje vertical.
Control estadístico de la calidad
43
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
Es común que con frecuencia sea necesario colectar datos de operación, sean
históricos o actuales, acerca del proceso bajo investigación, una hoja de
verificación puede ser de gran utilidad en esta actividad. En esta se resume
información en función del tiempo, lo cual es particularmente valioso para
buscar tendencias y otros patrones importantes. Por ejemplo, si muchos
defectos ocurren durante el verano, una posible causa que deba investigar es
la contratación de obreros eventuales durante un periodo vacacional.
HOJA DE VERIFICACIÓN
DATOS DE DEFECTOS DE 1988-1989 A LA FECHA
Nº de parte TAX
Lugar Bellevue
Fecha de estudio 06/05/1989
Analista TCB 1088 1989
Defecto 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 Total
Partes Dañadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de Maquinado 3 3 1 8 3 8 3 29
Control estadístico de la calidad
45
Ingeniería industrial
Universidad Del Magdalena
HERRAMIENTAS ESTADISTICAS
Parte Superior
Parte inferior
3 CAPACIDAD DEL
PROCESO
Las técnicas estadísticas pueden ayudar durante el ciclo del producto a reducir
la variabilidad y a mejorar la capacidad de los procesos, para cuantificar la
variabilidad del proceso, para analizar esta variabilidad respecto de los
requerimientos o especificaciones del mismo.
Entre los usos principales de los datos de un análisis de capacidad del proceso
se encuentran los siguientes:
Por tanto, el análisis de capacidad del proceso es una técnica que tiene
aplicación en muchos momentos del ciclo del producto, incluyendo el diseño de
productos y procesos, la fuente de proveedores, la planeación de la producción
o la manufactura y la propia manufactura.
Ejemplos:
Ejemplos:
Se puede decir también que es una forma cuantitativa simple para expresar la
capacidad del proceso. Su valor está dado a partir de una relación entre la
Tolerancia de las especificaciones del proceso, determinadas por petición del
cliente, y la variabilidad natural del proceso, para este caso seis sigma ( ).
Luego,
( ) ( ) ( )
Luego,
( ) ( )
LIE LSE
LIE LSE
LIE LSE
LIE LSE
Los valores utilizados para realizar el análisis de la capacidad del proceso son
̅ y ̅.
Ejemplo 1:
Después de verificar si el proceso está bajo control estadístico y que los datos
se comportan como una distribución normal, se tienen los siguientes datos.
Solución:
a) Índices de Capacidad
̅
( )
̅̅̅
̅̅̅
( )
b) %PNC
̅̅̅
( )
( )
̅̅̅
( )
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2
=0,006
%PNC = 0,6%
d) La Ventana de Operación son los valores entre los que puede oscilar ,
para arrojar a lo sumo una proporción de productos no conformes especificada.
En este caso esa proporción de productos es de 1%.
( )
( )
̅ ( )
( )
̅ ( )
Ejemplo 2:
Solución
%PNC
( ) ( )
0 1
, -
0 1⁄
0 1⁄
EJERCICIOS PROPUESTOS
INTERVALO Fi
[30,6433-31,0382] 1
[31,0382-31,4331] 0
[31,4331-31,8280] 4
[31,8280-32,2229] 14
[32,2229-32,6178] 43
[32,6178-33,0127] 51
[33,0127-33,4078] 44
[33,4078-33,8025] 25
[33,8025-34,1974] 14
[34,1974-34,5923] 4
[34,5923-34,9872] 0
Total 200
( )
Observaciones:
4
CARTAS DE CONTROL
4 CARTAS DE CONTROL
4.1 GENERALIDADES:
Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente, cuando ocurre esto tenemos un proceso estable y
predecible. Cuando existen causas especiales el proceso está fuera de Control
Estadístico; las gráficas de control detectan la existencia de estas causas en el
momento en que se dan, lo cual permite que se puedan tomar acciones al
momento.
TIPOS DE CAUSAS
Por otra parte estas variaciones dentro de ciertos límites pueden ser totalmente
tolerables y no causan reales disminuciones en la calidad del producto. Estas
variaciones se aceptan y se les consideran inherentes al proceso.
Principios básicos
La carta contiene, una línea central (LC), que representa el valor promedio de
la característica de calidad que corresponde al estado bajo control(es decir
cuando únicamente están presentes causas fortuitas.) También se muestran
dos líneas horizontales, llamadas límite de control superior (LCS) y limite
de control inferior (LCI). Estos límites de control se eligen de tal modo que si
el proceso está bajo control, casi todos los puntos muéstrales se localizan entre
ellos. En tanto los puntos graficados se localicen dentro de los límites de
control, se supone que el proceso está bajo control y no es necesaria ninguna
acción. Sin embargo, puede ocurrir que todos los puntos se encuentran dentro
de los límites de control, pero si su comportamiento ocurre de manera
sistemática o no aleatoria, podría ser un indicio de que el proceso se encuentra
fuera de control. Estos y otros comportamientos se estudiaran más adelante.
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o
errores.
PError tipo I
2
2
PRechazar H 0 H 0 es verdadera
0
0
Así mismo el error tipo 1 representa el complemento de la confiabilidad con la
que se maneja la prueba de hipótesis y el error tipo 2 el complemento de la
potencia que tiene la carta para detectar puntos por fuera de los límites de
especificación.
Entonces:
La potencia: ;es * | +
La confiabilidad: ; es * | +
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con límites de
control de 3-sigma la probabilidad de error tipo I es de 0.0027.
Una carta de control puede indicar una condición fuera de control aún cuando
ningún punto particular se localice fuera de los límites de control, cuando el
patrón que forman los puntos graficados muestra un comportamiento no
aleatorio o sistemático.
Una razón común por la que un punto cae por fuera de un límite de control, es
un error en el cálculo de ̅ para la muestra. Cada vez que esto ocurra, se
deberán revisar los cálculos. Otras causas posibles son una interrupción de
energía repentina, una herramienta descompuesta, un error en la medición o
una operación incompleta u omitida del proceso.
M
Región de control,
E
D captura la variación
I natural del proceso
LSC
D original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Proceso con puntos fuera de control
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o
más indican una situación fuera de control. Las tendencias suelen deberse al
desgaste o deterioro gradual de una herramienta o de algún otro componente
crítico del proceso, también pueden ser resultado de causas humanas, tales
como fatiga del operador o la presencia del supervisor así como resultar de
influencias estacionales, como la temperatura.
LSC
LC
LIC
LSC
LC
LIC
Patrones cíclicos: los ciclos son patrones cortos repetidos, que alternan
crestas elevadas y valles bajos. Son el resultado de causas que vienen y van
en forma regular.
LSC
LC
LIC
LSC
LC
LIC
Cuando se trata con una característica de la calidad que es una variable, por lo
general es necesario monitorear tanto el valor medio de la característica de
calidad como su variabilidad. El control del promedio del proceso, o nivel de
calidad medio, suele hacerse con la carta de control para medias, o carta ̅ .
Por su parte la variabilidad del proceso puede monitorearse con una carta de
Control estadístico de la calidad
75
Ingeniería industrial
Universidad Del Magdalena
CARTAS DE CONTROL
control para la desviación estándar, llamada carta S, o bien con una carta de
control para el rango, llamada carta R. Por lo que tenemos:
̅
Cartas de Medias/Rangos ( ̅ )
Procedimiento
R1 R2 ......RK
R
K
X 1 X 2 .......X K
X
K
̅
̅
̅
̅ | |
√
̅
̅ | |
√
Limites De Control para la Carta ̅ trabajando con ( )
̅ ̅
̅ ̅
( )
√
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera
el comportamiento del proceso.
Análisis de la carta ̅
Algo que debe tenerse muy claro es que no hay ninguna relación entre los
límites de control de la carta ̅ y los limites de especificación del proceso.
Pues los limites de control están regidos por la variabilidad natural del proceso
(medida por la desviación estándar del proceso), es decir, por los limites de
tolerancia natural del proceso.
|̅ ̅|
Por otro lado, la potencia o capacidad que tiene la carta para detectar un
cambio en la media del proceso se calcula de la siguiente manera.
( | | √ )
( √ )
( )
( ) ( ) ( ) ( )
( )
( )
Cartas de Medias/Desviaciones ( ̅ )
∑ ( ̅)
√
( )
√
Limites de control Carta ̅
̅
EJEMPLOS:
Ejemplo 1
Datos:
Para la carta ̅ :
SOLUCION:
a) ̅
( )
̅ ̅
{ } , -
{ } * +
( ) ( )
̅
( ) ( ) ( )
( ) ( )
b) Si: , y :
̅
̅
̅ ( ) ̅
|̅ ̅| | |
( | | √ ) | | | | | |
. ( √ )/ ( )
c)
| | | |
* + | | √ | | ( √ ) | |
| | | |
Ejemplo 2
FIBRAS S.A. está en capacidad de producir 25000 piezas por jornada laboral.
Se trabaja durante 3 turnos las 24 horas del día, y las muestras para el
monitoreo se toman cada 30 minutos.
SOLUCION:
Datos:
̅
̅
̅
a)
{ }
̅
( )
̅
( )
{ }
( )
̅
( )
( | | √ )
| | | | | |
| |
( √ )
( )
( )
( ) ( ) ( ) ( )
( )
Pero: , entonces:
( ) ( )
Tenemos que:
( )( )( ), ( )
( ) ( ) ( )-
| | | | | | | |
* + * + [ ]
̅ | | | |
√ √ √
̅ | | | |
√ √ √
c) Si: ̅ y , entonces:
( )
Ejemplo 3
1 2 3 4
3 49,8 50 50 49,7
a) Realice una carta de control X-R y analice los resultados. ¿El proceso
está bajo control estadístico?
b) ¿Cuál es la capacidad del proceso? ¿Se están generando productos no
conformes?
SOLUCIÓN
Datos:
Número de Muestras ( )
̅ R
1 2 3 4
49,8366667 1,0933
Para realizar los cálculos debemos conocer primero el valor de la media del
proceso y el rango promedio, para ello es necesario hacer el siguiente
procedimiento:
Donde:
,∑ -
̅
[∑ ̅]
̅
Rango Promedio
[∑ ]
̅
Sabemos que
̅
̅̅̅ | | | |
⁄
√ √
̅
̅̅̅ | | | |
⁄
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
̅
̅
̅
51
CARTA DE CONTROL X CON K=15
LCS
1.5
LCI
1
LC
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
MUESTRAS
La carta de control ̅ nos muestra que hay un punto por encima del límite de
control superior, es decir, que el proceso no está bajo control estadístico. Para
procurar hacer que el proceso esté bajo control es necesario eliminar la causa
que ocasiona la alteración (cepillar) y diseñar una nueva carta.
Número de Muestras ( )
̅ R
1 2 3 4
49,7929 1,12143
,∑ -
̅
,∑ ̅-
̅
Rango Promedio
,∑ -
̅
Sabemos que
̅̅̅ | | | |
⁄
√ √
̅̅̅ | | | |
⁄
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
̅
̅
50 Medias del
PESO EN KG
proceso
LCS
49.5
LCI
49
LC
48.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
MUESTRAS
RANGOS
Muestral
1.5 LCS
1
LCI
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
MUESTRAS
En las graficas podemos ver que ningún punto está por fuera de los límites de
control. Por consiguiente podemos decir que el proceso está bajo control
estadístico.
( )
̅̅̅
̅̅̅
( )
( ) ( )
̅̅̅
( )
Ejemplo 4
∑̅
Como puede observarse, el torque promedio está por debajo del requerido.
Una investigación demostró que esto ha ocurrido para remediar las demandas
de la planta de ensamble, con respecto al esfuerzo para obtener un alto torque.
Al mismo tiempo, también hubo demandas acerca del bajo torque. Además, las
preguntas que se expusieron mostraron que el método de comprobación del
torque varió entre los departamentos de producción e inspección. Cuando se
examinaron las cartas en forma crítica, se comprendió el por qué la planta de
ensamble malinterpretó el método de comprobación. Se habló con el
departamento de ingeniería y este estuvo de acuerdo en emitir nuevas cartas
para aclarar el método apropiado.
∑̅
Datos:
̅
Sabemos que
Luego
( )
( )
̅
( )
Productos no conformes/día=%PNC*Rp=0,6736*4800=3233,28≈3234productos
no conformes por día.
Como los PNC se están dando por el límite inferior, sabemos que estos son
espejos de bajo torque, por ende, el costo de reparación de estos es:
( )
( ) ( ) ( ) ( )
̅
Sabemos que
Luego
( )
( )
̅
( )
̅
( )
( )
( )
( )
( ) ( ) ( ) ( )
( )
( )
( ) 0,9741 0,0259
̅
( )
a) Potencia de la carta.
| |
Con
( √ )
( √ )
( )
( )
√
| | | |
* +
| | | |
* +
( )
( ) . / ( )
( ) ∑. / ( )
( ) ∑. / ( ) ( )
Dado que los atributos son características de calidad no medibles, los gráficos
de control por atributos se basaran en la determinación de la cantidad o
porcentaje de unidades defectuosas en una población de productos obtenidos
de un proceso.
Grafico o carta p
( )
̅
̅( ̅)
̅ √
̅( ̅)
̅ √
Nótese que los valores de los límites superior e inferior cambian con el tamaño
del subgrupo:
Grafico Np
̅ √ ̅( ̅)
̅ √ ̅( ̅)
( )
( ) ( ̅ )
∑ ̅
( ) ( )
( ) ( ∑ ̅ )
Por último se llevan los valores del número de defectuosos por grupo al gráfico,
y se comprueba que durante laobtención de las muestras, el proceso ha estado
bajo control.
Carta C
̅ √ ̅
̅ ∑
Donde ̅
Carta U
∑
̅
∑
̅ ̅⁄
√
̅ ̅⁄
√
Para interpretar los gráficos de control por atributos debe atenderse a los
siguientes aspectos:
Puntos por fuera de los limites de control
Tendencias o tramos
Distribución de los puntos en el área de control.
Si más del 90% de los puntos están cerca de la media, puede ser debido a:
Errores de cálculo o trazado
Muestreo estratificado
Datos modificados(eliminando o cambiando valores que se alejan mucho
de la media)
EJERCICIOS PROPUESTOS
h) ¿Con que tamaño de muestras se debe trabajar para que la carta del
inciso f) detecte el cambio en la media del proceso en al menos una de
las primeras cinco muestras consecutivas después que este ha ocurrido
con una probabilidad de 0,8, cuando se está produciendo el porcentaje
de productos no conformes dado en el inciso e)?
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 tubos no conformes con las
especificaciones. Si la tasa de producción es de 1.000 tubos cada
12minutos, ¿a qué velocidad se toman las muestras aproximadamente?
j) ¿Que se debería mejorar en el proceso actual y en cuanto para que los
tubos se produzcan con un 1% de productos no conformes?
e) ¿En qué intervalo debe moverse la media del proceso de tal forma que
se produzca entre 3% y 11% de productos no conformes?
5 MUESTREO DE
ACEPTACIÓN
5 MUESTREO DE ACEPTACIÓN
5.1 GENERALIDADES
Muestra n
Lote N
Es útil en situaciones en que el proceso del proveedor es tan bueno que casi
nunca se encuentran unidades defectuosas o cuando no existen justificaciones
económicas para encontrar unidades defectuosas. Por ejemplo, si la capacidad
real del proceso se estima entre 3 o 4, es poco probable que en un muestreo
de aceptación se descubra alguna unidad defectuosa.
3) El muestreo de aceptación
Suele tener costos más bajos, debido a que hay menos inspección.
Hay menos manejo del producto y, en consecuencia, se reducen los
daños.
Puede aplicarse en las pruebas destructivas
Menos personal participa en las actividades de inspección
Con frecuencia reduce en gran medida la cantidad de errores de
inspección
El rechazo de lotes completos, por oposición a la simple devolución de
las unidades defectuosas, con frecuencia proporciona una motivación
mayor para que el proveedor atienda el mejoramiento de calidad.
Formación de Lotes
1) Los lotes deberán ser homogéneos: las unidades del lote deberán
producirse por las mismas maquinas, los mismos operadores y con
materias primas comunes, aproximadamente en el mismo tiempo.
Cuando los lotes no son homogéneos el esquema del muestreo de
aceptación quizá no funcione con tanta efectividad como podría hacerlo.
2) Son preferibles los lotes grandes a los pequeños: suele haber más
eficiencia económica al inspeccionar lotes grandes, que lotes pequeños.
Las unidades del lote seleccionadas para inspección deberán elegirse al azar, y
deberán ser representativas de todos los artículos del lote. El concepto de
muestreo aleatorio es en extremo importante en el muestreo de aceptación. A
menos que se empleen muestras aleatorias, se introducirá sesgo.
( )( )
( ) ∑
( )
( ) ∑. /( ) ( )
Ejemplo
( ) ∑( )( ) ( )
( )( )
( ) ∑
( )
Se acepta el lote
Se rechaza el lote
Se rechaza el lote
Se acepta el lote
Ejemplo
Este ejercicio puede resolverse utilizando un árbol de decisión. Inicialmente, se
analizan los valores que pueden tomar , teniendo en cuenta las
restricciones dadas para este tipo de plan.
La probabilidad para cada uno de los casos encontrados son las siguientes:
( )( )
( )
( )
( )( )
( )
( )
( )( )
( )
( )
( )( )
( )
( )
( ) ( ) * ( ) , ( ) ( )-+ , ( ) ( )-
( ) ( )
Un plan de muestreo múltiple es una extensión del muestreo doble por cuanto
pueden requerirse más de dos muestras para dictaminar un lote.
Este plan opera como sigue: si, al término de cualquier etapa del muestreo, el
número de artículos defectuosos es menor o igual que el número de
aceptación, el lote se acepta. Si durante cualquiera de las etapas, el número de
artículos defectuosos es igual o excede el número de rechazo, el lote se
rechaza; en caso contrario, se toma la siguiente muestra. El procedimiento de
muestreo múltiple continua hasta que se toma la quinta muestra, momento en
el que debe tomarse una decisión en cuanto al destino del lote. Suele hacerse
una inspección del 100% de la primera muestra, aun cuando las muestras
subsecuentes por lo general se someten a cercenado.
El muestreo secuencial es una extensión del concepto del muestreo doble y del
muestreo múltiple. En el muestreo secuencial se toma una secuencia de
muestras del lote y se deja que el número de muestras lo determinen por
completo los resultados del proceso de muestreo. En teoría, el muestreo
secuencial puede continuar de manera indefinida, hasta que se hace la
inspección del 100% del lote. En la práctica, los planes de muestreo secuencial
suelen truncarse después de que el número inspeccionado es igual a tres
veces el número que se habría inspeccionado utilizando el plan de muestreo
simple correspondiente. Si el tamaño de la muestra seleccionado en cada
etapa es mayor que 1, al proceso suele llamársele muestreo secuencial grupal.
Si el tamaño de la muestra inspeccionado en cada etapa es 1, al procedimiento
suele llamársele muestreo secuencial artículo por artículo.
3
2
1
No. de artículos
10 20 30 40 inspeccionados
-1
-2
-3 ZONA DE
ACEPTACIÓN
Como se puede apreciar, las curvas de operación son más estrictas conforme
aumenta el tamaño de la muestra. Gráficamente, este hecho se puede apreciar
por la disminución del área bajo la curva, lo que muestra un plan de muestreo
estricto.
Para graficar una curva de operación, basta solo con darle valores a , y
teniendo en cuenta el tamaño de la muestra y número de aceptación dado para
el plan, se hallan diferentes valores para .
Ejemplo
0,02 0,9945
0,04 0,8988
0,06 0,6521
0,08 0,3750
0,1 0,1769
0,12 0,0709
0,14 0,0248
0,16 0,0077
0,18 0,0021
0,2 0,0005
∑. /( ) ( )
∑. /( ) ( )
Ejemplo
Solución.
Haciendo uso del tamaño del lote, se determina la letra código, para este caso
es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se
puede apreciar que el tamaño de la muestra es de 500 y el número de
aceptación de 21.
Método matemático
| | √ ⁄
⁄
[ ]
| |√ | |√
EJEMPLO
( ) ( ) ( )
( )
√
( ) ∑( ) ( )
b) ( ) ( )
Control estadístico de la calidad
133
Ingeniería industrial
Universidad Del Magdalena
MUESTREO DE ACEPTACIÓN
( )
∑( )( ) ( )
( )
( )( )
Ejemplo
Solución
a) Probabilidad de aceptación
Aquí se utiliza el valor del AOQL, puesto que es la proporción real de productos
no conformes después de rectificación.
( ) ∑( )( ) ( )
b) Riesgo Tipo II
El riesgo tipo II se calcula a partir del LTPD, que debería tener el mayor
porcentaje de productos no conformes aceptados, sin embargo se realizo una
rectificación y esta proporción nunca será mayor que el AOQL, por lo que, el
riesgo tipo II es cero.
VENTAJAS
Se puede obtener la misma curva característica de operación con
tamaño de muestra menor que el que requeriría un plan por atributos.
Los datos por variables proporcionan más información del proceso que
los atributos. Cuando los AQLs son muy pequeños (del orden de ppm),
el tamaño de muestra requerido en el caso de muestreo por atributos es
muy grande y por variables muy pequeño. Cuando la inspección es del
tipo destructivo, los planes por variables si se aplican son más
económicos.
DESVENTAJAS
El probable alto costo de las mediciones vs juzgar por atributos, a pesar
de que el tamaño de muestra sea menor y que sea necesario un plan de
muestreo para cada característica importante del producto.
Se usa un nomograma.
Inspección en cadena
Permite suavizar la velocidad de caída de la CO. Los pasos a seguir son los
siguientes:
Este tipo de muestreo permite aceptar un rango más amplio de lotes con
fracción de defectuosos próxima a cero.
( ) ( ), ( )-
Plan CSP-1
Este modelo de inspección se constituye dentro de los planes de muestreo por
variables como un plan de muestreo continuo. Fue desarrollado por Harold F.
Dodge. Al principio del plan, todas las unidades se inspeccionan al 100%. Tan
pronto como se llega al número de liberación, es decir, tan pronto como se
encuentra que unidades consecutivas del producto no presentan defectos, se
discontinúa la inspección 100%, y sólo se inspecciona una fracción de las
unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del
flujo de la producción. Si se encuentra que una de las unidades muéstrales es
defectuosa, se reanuda la inspección del 100%. Todas las unidades
defectuosas encontradas se someten a reprocesamiento o se reemplazan con
unidades satisfactorias.
Plan CSP-2
En el desarrollo de este plan, la inspección 100% no se restablecerá cuando la
producción este bajo inspección muestral hasta que hayan encontrado dos
unidades defectuosas dentro de un espacio de unidades muestrales entre sí.
Es una práctica común elegir igual al número de liberación . Estos planes
están registrados por AOQL específicos que pueden obtenerse con diferentes
combinaciones de y .
Plan CSP 3
PREGUNTAS DE REPASO
EJERCICIOS PROPUESTOS
7) Cada semana Melissa Bryant Ltd. Recibe un lote de 1000 relojes Swiss
para su cadena de tiendas de la Costa Este. Bryant y el fabricante han
acordado el siguiente plan de muestreo:
Construya una Curva OC para el plan de muestreo con
¿Satisface este plan los requisitos del fabricante y del
consumidor?
6 HERRAMIENTAS
INFORMÁTICAS PARA EL
CONTROL DE CALIDAD
Entre tanto es importante aclarar que no hay ventajas significativas entre estos
software, por lo que en este capítulo y para efectos prácticos solo utilizaremos
Minitab.
Ejemplo
Solución
Gráfica de probabilidad de C1
Normal
99
Media 265,4
Desv .Est. 29,30
95 N 50
AD 0,495
90
Valor P 0,206
80
70
Porcentaje
60
50
40
30
20
10
1
200 220 240 260 280 300 320 340 360
C1
1. CLIC
2. CLIC
4. Se define el
tamaño del
subgrupo
3. CLIC
5. Se definen
los valores de
los límites
6. CLIC
Al igual que con otros comandos de Minitab, usted puede modificar el análisis
de capacidad al especificar información en el cuadro de diálogo principal o al
hacer clic en uno de los botones del cuadro de diálogo, para esto deberá dar
clic al recuadro opciones que está en la parte superior derecha de la imagen
anterior.
Capacidad de proceso de C1
LIE LSE
P rocesar datos Dentro de
LIE 220 General
O bjetiv o *
LS E 350 C apacidad (dentro) del potencial
M edida de la muestra 265,435 Cp 0,76
C PL 0,53
N úmero de muestra 50
C P U 0,99
D esv .E st. (D entro) 28,3796
D esv .E st. (G eneral) 29,304 C pk 0,53
C apacidad general
Pp 0,74
PPL 0,52
PPU 0,96
P pk 0,52
C pm *
Aquí se puede ver claramente que el proceso no es capaz porque todas las
estadísticas de potencial son menores que 1, además se observa claramente
que se están generando productos no conformes en mayor proporción por el
límite inferior.
Ejercicio 1
8,50
M edia de la muestr a
1
1
8,25 1 1 1
U C L=8,174
_
_
8,00 X=8
LC L=7,826
7,75
1 1
1
7,50 1 1
1
1 3 5 7 9 11 13 15 17 19
M uestr a
1
0,60
U C L=0,5447
Rango de la muestr a
0,45
0,30 _
R=0,2387
0,15
0,00 LC L=0
1 3 5 7 9 11 13 15 17 19
M uestr a
Análisis
Por su parta el grafico R nos muestra que el proceso es variable, y hay muchas
observaciones cerca del límite de control inferior, lo que indica que la mayoría
de los cortes están por debajo del promedio de cortes adecuados. De la misma
manera podemos ver claramente un punto por encima del límite superior que
se debe investigar.
Para la grafica P
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre la
columna que
contiene el
3. Se hace clic en
número de no
el espacio junto
conformidades
a Tamaño de los
subgrupos
Para la grafica Np
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre la
columna que
contienen el
número de no
conformidades 3. Se hace clic
en el espacio
junto a
Tamaño de
los subgrupos
y se consigna
el tamaño de
estos
(constante)
4. clic en Aceptar
Para la grafica C
1. Se hace clic
en el espacio
debajo de
Variables
2. Clic sobre la
columna que
contienen el
número de no
conformidades
3. Clic en ACEPTAR
Para la grafica U
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre
la columna
que contienen 3. Se hace clic en
el número de el espacio junto a
defectos Tamaño de los
subgrupos
4. Clic sobre la
columna que 5. Clic en ACEPTAR
contienen el tamaño
de los subgrupos
Ejemplo
Solución:
2,4
1,0
1,8
1,2
0,8
0,6
Probabilidad de aceptación
0,0
0,6 0 5 10 15 20
Pct. elementos defect. en lote entrante
0,2 3000
1000
0,0
0 5 10 15 20 0 5 10 15 20
Porcentaje de defectuosos en el lote Porcentaje de defectuosos en el lote
Análisis
Diagrama de Pareto
3. Se hace clic
en el nombre de
la columna que
contiene las
etiquetas, en
1.Se escoge la opción Tabla de defectos de
este caso C1
gráfica
3) a) ( ) 2. a) ̅ , ,
b) $ 250,16 , ,
4) a)
b)
b) %PNC= 53,687%
c) %PNC= 53, 526% c) Trabajando los limites de control con
d) $13,764
⁄ , al final nos queda que
5) P=0,02275 d) Con ⁄ , ( ) ,
6) a) %PNC = 5,749%
c) ( ) e) , ̅ ,
d) Proceso incapaz y descentrado
e) Asumiendo 1.000 unidades, el
f) , ,
( )
7)
g) , ,
a) ̅ ,
b)
h)
8) a)
i)
b)
J) Centrando el proceso se obtiene que el
mínimo porcentaje de PNC que el
proceso puede alcanzar es del 9%, por lo
tanto no se puede reducir este porcentaje
a un 1%., a menos que se reduzca la
variabilidad del proceso y se realicen
inversiones significativas.
3. a) ,
, ,
, , b) ,
, , ⁄
c) Trabajando los limites de control con
,
⁄ | ⁄ |
Confiabilidad:
d) Con ⁄ ( )
b) , ,
, ,
, e) ̅ ,
f) , ,
c) ̅ , , ,
, ,
g) , , ̅ ,
d) , ,
,
h) , ,
e) Utilidad Neta = 6.182.820 UM , . No puede
existir tal carta con esta propiedad.
4. a) , | | ,
i) VM = Aproximadamente
1muestra/hora
b) Cuando : ,
6) a)
Cuando : , b) Con ⁄ ( )
c) ( )
d) LDP=50
d) Con , ,
e) Realice un estudio detallado del
e) .
proceso, donde se muestre el porcentaje
Para la media inicial del proceso: mínimo de productos no conformes que
̅ puede arrojar el proceso centrado; este
porcentaje es superior al 3%, así que
, dicho intervalo no existe.
5. a) ̅ , ,
CAPITULO 5: MUESTREO DE ( )
ACEPTACION
Conclusión: Es un plan bastante
1.
exigente para el proveedor, ya
a)
que si tiene menos del
0,2% de defectuosos
b) c)
Curva CO para a y c
3.
Letra código: J
n=80
c=1
b) ( )
4.
a) n=80
9)
c=0
a)
b) ( ) ( )
c) ( )
( )
d) 0,04
( )
5. Entonces el plan del proveedor
a) A es más exigente
b)
b) R=48
( )
C) ( )
d) AOQ=0, 00193
6. ( )
a) Trace la curva con las c)
herramientas informáticas (la
( )
grafica se encuentra más
adelante) ( )
b) ( )
( )
( )
RESUMEN DE FORMULAS
Cartas de control
Capacidad del proceso
Limites De Control (Carta X)
Limites de tolerancia natural
̅ | |
̅ √
̅
̅ | |
̅ √
Limites de control x-Bar (3σ)
Capacidad potencial del proceso ̅ ̅
̅ ̅
Desviación
̅ ( )
√
( ) ̅
( ) ̅
De la muestra
Nota: un proceso está bajo control
estadístico cuando las dos cartas están
bajo control.
Monitoreo de un proceso
Corrimiento ,( ) ( ) ( )-
| ̅ ̅|
Potencia para detectar un cambio en la PNC=%PNC*Tm
media Longitud promedio de corrida (LDP):
Corrimiento hacia el límite superior Numero de muestras que se necesitan
analizar antes de encontrar puntos por
( | | √ )
fuera.
Corrimiento hacia el límite inferior Trabajando con alfa
( √ )
( )
( )
Trabajando con alfa medio
( )
( )
Cambio dado que ocurra
( )
Fuera de los límites de control.
̅( ̅) ∑
̅ √ ̅
∑
Por lo que los limites de control se
Limites de control carta Np obtendrán con las ecuaciones
̅ √ ̅ ( ̅) ̅ √ ̅⁄
̅ ̅
̅ √ ̅ ( ̅) ̅ √ ̅⁄
√ ̅( ̅) √̅( ̅)
[ ̅ ]
̅
Distribución de Poisson
Calculo de LDP Expresa la probabilidad que ocurra un
Para la carta x determinado número de eventos durante
cierto periodo de tiempo.
( ) ( ̅ )
̅ ̅
( ) . / ( )
⁄ ⁄
√ √
( ) ( )
( )
Para la carta p .
( ) ( )
Condición
Cartas C
̅ ̅
̅ √ ̅
̅
̅ √ ̅
Cartas U
MUESTREO DE ACEPTACION
Usando Binomial (La más usual y
generalmente para lotes grandes)
Pa: Probabilidad de aceptación
( ) ∑. /( ) ( )
Numero esperado de unidades
Usando Hipergeométrica. defectuosas:
( )( ) ( )
( ) ∑ : Calidad de salida promedio, esta
( )
calidad resulta de la inspección con
rectificación.
( )
∑. /( ) ( )
| | √ ⁄
⁄
[ ]
⁄
| |√
| |√