Captulo

Control de calidad
Mtodos estadsticos
DEFINICIX N CALIDAD

17

n
C

d tt c
E

especificatlos' Los es' se acerca un bien o servicio a los estndares qu lanto de medida una calidudes La eficiencia, confiabiliclad, o cualquier caracteristica rnclares pueden ,.iu.ionarr. .on ,i.rpo,-*ateriales, .uu,rtifi.uUle (objetiva o medible)' y ss 00n' la calidad se vuerve materia de opinin ro cuando los estndares cuantificabres estn ausentes, subjetivos t'r ntedi' Las evaluaciones que dependen de factores trolable desde un pun,o Je vista .irntiii.o. arte que en el de la del un artista y reatizaJr, .u"n r "n el campo das sustitutas, tales como el nombre oe que se paga por l' por el precio est dicrada por quien hace er producto, no industria ra en calidad La cie*cia, caritcterstio usan. Eito es, los productos caros ct'tt . por las preferencias de los inirividtros que lo adquieren ttecesatianlente baratos t1o son d'ealtacaliclaI, y l.s bienes o servicios cas adicio*ales no son necesariamente de buia calidacl.
SOPORTE

tt
d

DEL MEDIO AMBIENTE (EXf EBNo)

ACTIVIDADES DE CONTBOL DE CALIDAO

SOPORTE

ORGANIZACIONAL
(INTERNO)

Proridacles

de los clientes

c
A
L
I

Servicio
de camPo
ur aseguramiento de la calidad slstcllla de oel sistema del

Figura

17-1 Elenentos

(CC) ASEGURAMIBI'{T'O Y CiRCULOS E}E CALIDAD t Imientos que establece o3 sistema. el ele' Et aseguramiento de la catidqd en E|aseguranlientodelacalidqdenelsistemaoepotltlca'pIUuqurIlLlrtv,;:;;;;;.i"'.J'm.i'.|o. principale;' c'' Sorificallt?t^tL'1:t;ti?:I,ii:l',,r'", orincipale dei producio. l-u figura 17-l identifica los calidad cle especificados esrmdares m,a:.iene los

Capitulo l7|

CON'TROL DE CALIDAD

descansa ett mentos de un sistema de aseguramiento cle la calidad. La responsabilidad de controlar esta ltirna usan operacualquiera que est en posicin de afectarla. Las empresas que instalan controles automticos o productos (v.g., la soldacioues con robots geneialmente experirnentan un mejoramiento de la calidad en sus cirrra que efectan los robots es ms consistente). t.os clrculos de control de calidad (CC) son pequeos grupos de empleados que se renen voluntariamenproblemas relacionados y te erl forma regular para emitir ideas en un intenlo de identificar, analizar resolver co, la calidad y el trabajo. Los grupos son generalmente de I a l0 individos que realizan trabajos similares.

del En nruchas compaas ,u, ,""o*.ndaciones han resultado en una reduccin del nmero de defectos, trabajo. y el en satisfaccin ausentisnro y en un mejoramiento general de la productividad la

COSTO DEI, CONTROL DE CALIDAI.)

defec' Los costos de la calidad estn clasificados en cosfos de inspeccin y control, y costos de lroductos de conlrol de calidad ocurre cuantuosos. Vase la figura 17-2. El nivel ordinario de gastos en las actividades do los costos totales son mnimos.

Costog totales

G
o (, o ()

Coslos de lnspeccln y control

Costos de produclos defectuosos ptimo Actlvldad de control de calidad

Figura 17-2 Costos de calidad

I Materlat I Dlmensiones flslcas

ESPECIFICACIN

I Actlvldad

Descrlpcln del servlcio lntelectuales y estllcas Organlzaclonales Humanas Medlcinales Emoclonlos LtJgar y tlempo

Flsicas y clentfficas Estructural Mecnica

PROPIEDADES

Oulmica Elctrlca

Tamao y forma

ERCIALIZACIN Dlsello y aparlencla EFICIENCIA

I r

Confort y atractlvo Dopendoncla Efectlvldad

l l'
y es .la.

Conllabllldad Ef lclencia

DESEMPEO

Figuro

17-3 Calidad en bienes versus servicios

DMINISTRACIN DE OPERACIONES

ICapirulo 7 i

cap

El control de calidad implica medir las caracterfsticas de calidad, retroalimentacinde los clat.os, compa. racin con estndares especificados y correccin cuando sea necesario. Elcontrol de calidad en la procluccin de bienes descansa fuertemente sobre la medicin cle caracteristicas materiales, propiedades fisics, cliseo y confiabilidad del producto son los elementos clave. Los servicios frecuente*.ni. poseen valores esrricos o in. telectuales cuya calidad es ms dificil de medir. Mecliclas securdarias, tales como ambiente o tien:pos son fre. cuentemente usadas para evaluar la calidad de los servicios. una comparacine las caractersticai de calidad er bienes y servicios se puede eucontrar en la figura l7-3.

MToDoS EsTADSTICo DE CoNTRoL DE CALIDAD

Los dos enfoques princ;pales para controlar Ia calidad son el muestreo de aceptacoi aeproductos que entran o salen, y el control del proceso de las activiclades reales de transformacin. vase la figura l7-4. Ambos mtodos incluyen tcnicas estadsticas de muestreo. sin embargo, los mtodos de muestreo de aceptacin descansan en la estimacin de niveles de artculos defectuosos antes, despus de que el proceso haya sido ter. minado' El control del proceso es ms til durante un proceso puru ur.g;rai-que la produccin no est luera de los lmites aceptables. El principal medio de control del proceso es mediante las cartas de cr:lrrol.

CONTROL DEL PROCESO (Grf icas de control)

Atributos Limites

-p t 3s, = r 3s.
nceprlctr.l
VarlaUlos
Plx I p, ol

com( nomt

MUESTnEo oE

Atributos
Plx I n, pl

Ntel

Figura

I7-4

Tcnicas estadsticas para el control de calidad

Elen
que I viacii
ms,

Las caractersticas de calidad observadas son clasificadas como caractersticas de atributo o variables. Las caractersticas de atributo se pueden presentar o no, tales como defecruosor o .o o no resistir una prueba' No existe medicin del grado de conformacin. Para datos por atributos, una clistribucin discreta, como la binomial o de Poisson, es usada para hacer inferencias acbrca de las caractersticas de la poblacin que est siendo controlada . Las caracterlsticas variabrese presentan en diferentes grados y son medibles' Como ejemplo, pueden mencionarse las dimensiones, los pesos y los tiempos. para datos variables son usaclas

alrii;;;;

;H,

I
prom
poder

distribuciones continuas, tales como la normal. La figura l7-5 describe las cracteristicas significativas de algunas de las distribuciones esradisticas ms comunes usadas en la evaluacin de la calidad. Si se sabe que la variable de inters en una poblacin sigue una distribucin normal, o de Poisson, u otra distribucin estadstica, las probabilidades de obtener resultados especificos de tal poblacin pueden obtenerse por lgica deductiva, usando teora de probabilidad. Otras aplicaciones necesitan para una inferencia acerca del nivel de calidad de lp poblacin, una evidencia basacla en un rnuestreo limitado. Hacer esta inferencia es un proceso inductivo,

Hierrtplei

17"1 {Distrlbuein binorrel)

tieren e ! ores que harn recesario ei pago ele irnpuestos aclicionales. Cul es la probabilidad de que exactaments Z cuentas

Quince por ciento de las cuentas revisadas por una enrpresa de

auclirora

tornadrr, de un nruestreo aleatorio cle

!0 generen pago deimpuestos adicionales?

Capitulo l7

CONTROL DE CALIDAD

nmero de formas exltosag

total de formas

p1

= --!L-

p,

qn ,

(Probabllidad constante, lntentos independientes)

cundo

p< 0.1r n) 2A
np< 5

,,

np>5

iso

,,*, = ^','^
Medla tr = np Varianza = np

4n = *-

e-

tt2ltx

pttnt?

Medl , = np

Desviaclnestndar = o = t/niq

Figuro

17-5

Distribuciones de probabilidad tiles en control de calidad

Este problema requiere el uso de lgica deductiva. La tasa de error est dada como un porcentaje y puede ser tomada colno una constante. Si pcdemos suponer Que cada cuenta es independiente de otras, entonces se apiica ia distribucin binornial.

P\X:2ln: l0,p:0.t5): ---'{--

p,qn-,

=#(o.trr(0.85)8 = 0.Z7Sg

Ntese que la solucin puede obtenerse ms directamente de la tabla de probabilidades binomial dada en el Apndice C.

,as

te"

n la
ne'
iOn

17.2 (Distribucln normal) Las latas de malz en la Cresent Valtey Cannery son llenadas por una mquina que puede ser calibrada para cualquier peso promedio deseado. El llenado est normalmente distribuido con una desviacin estndar de 0.4 honzas. Si los estndares de calidad especifican que el 9890 de las iatas deben contener l6 onzas o ms, ,dnde debe recomendar que se fije la escala de onzas de la mquina el supervisor de cclntrol de calidact? lil promedio de la mquina debe ser fijado lo suficientemente alto para que 4890 de las tatas que contengan menos clel promedio mantengan un contenido de l6 onzas. Conociendo que el tlenado est normalmente distribuidolfigura l7-6), poderos usar la expresin de la desviacin normal estndar.
Eiemplo

xs
Jna dos

pli
iun

ons nti

= ls2

ADMINIS'TR.ACIN DE OI}ERACIONES

ICapitulo

l?

7=x
clonde

,--a.

X: :
'Z

l-lerado especificado

o : 0.4 onzas

Media no conocida

16.0 orzas

Nmero de desviacioles estlldar cle X respecto I la rneclia [Nolc.. est corresporrde a urr rea de 48V0. Debemos entrat al cuerpo ile la tabla dc la clistribucin normal (Apndice B) ta cerca cr)nlo sea sible a un valor de 0.48 y leer del margen el nnero de clesviaciones estndar.l

p0-

Para P(X)

:.

0.480,

Z = -2.05.
p

Por tanto

: X r Z = 16.0+2.05(.4): l6.8oz

PLANES DE MUESTREO DE ACEPTACIN

Las inspecciones de control de calidad generalmente son sobre la recepcin de materias primas o sobre el producto terminado. lJn lineamiento Qeneral es inspeccionar si el costo de inspeccin en ina eropa dotla es menor que la prdida probable de no inspeccionar, Cuando una inspeccin de 10090 no es econmica o factible (v.g., si esto destruye el producto), la decisin de aceptar o rechazar un lote es tomada con base en la evidencia muestral. Pero todas las muestras no s.n necesariamente repreentativas de la poblacin. Por esto el muestreo de aceptacin implica algn riesgg de rechazar lotes buenos o aceptar lotes malos. La cantidad de riesgo puede ser especificada y controlada estadis. ticamente en trminos de un plan de muestreo. Un plan de rnuestreo es una regla de decisin que especifica qu tan grande debe tomarse una muestra n y la medicin permisible, nmero o porcentaje c de defectos en la muestra. Los planes de muestreo por af ribu. fos estn basados en una clasificacin cualitativa (contable) del articulo (v.g., porcentaje de btenos o rnalog y las probabilidades de defectuosos en la poblacin original son estimadas a partir de clistribuciones cliscretas, como la binomial y la de Poisson. Los planes de muestreo por variable est.n basados en una caracteristica cuantificable (medible) tpicamente usando la distribucit normal. Se establece c colrro et limite aceptable es, pecificado y x como el porcentaje real o hipottico, o nmero de defectos.

[(
fe
L

Ejemplo 17.3 Ilstrese un plan de muesrreo por a)atributos y b) variables. a) Plan de atributos.'seleccinese un tamao de rnuestra n =4l,aleatoriarelte contar el nmero de delestos X. Si .Y<1, accptar el lote, de otra r)atrera, rechazarlo, b) Plun por variables: Seleccinese al azar una muestra de tamao n = 40, y medir el promedio dc fuerza de tensi', f,. si X > l?,000 lbs/pulgz, aceplar el lote; de otra manera, rechazarlo.

CURYAS DE CARACTERSTICAS DE OPERACIbN

LJna curva de caractersticas de operacin es una descripcin grfica de un plan especifico de muestreo (combinacin n, c), la cual muestra la probabilidad de que el plan aceptar lotes de diferentes (posibles) niveles de calidad. La figura l7-74 muestra una curva de caracterstica de operacin (CO) para medicin poi atributos, donde se realiza una inspeccin de 10090 de un embarque de N = 100 artculos. Si < 2jgo son <iefectuosos el embarque es aceptado, y si >Z\Vo son defectuosos, es rechazado. Suponiendo una inspeccin segura, donde no hay riesgo de error, si el lote contiene 0, 1,2 defectuosos, la probabilidad de aceptacin es de 1.0, mientras que con 3 o ms defectuosos la P (aceptacin) = g. En la figura l7 -7 b el embarque es mucho mayor (N = 1000 ), y el productor y el ctiente deben atloprar un plan de muestreo para reducir los costos de inspeccin. Resultan dos riesgos:

l)

t:l

riesgo del producfor, es el de tomar una muestra que tenga una mayor proporcin de clef'ectuosos que el lote total, y rechazar un buen lote. Esto es conocido como riesgo alfa (cr). El productor espera rnarltener bajo este riesgo, eitre I y SWo. Si es rer:hazado un buen lote, ros referiros a esto com() un

error tipo I.

Capitulo

171

CONTROL DE CALIDAi)

353

t.0
0.8

riesgo del produclor

'o 6 (
(

0.6
0.4

tr p

o
(,

o.
(tl

0.6

o
.o.a

X
o.e

0.02

0.04

rtesgo del

cllente
PTDL

% delectuosos(p)

NAC
7o

defectuosas (p)

a)

CO para l@90 de

inspeccin Figura 17-7

b)

CO para menos del l00go de inspeccin

Curvas de caracterlsticas de operacin

2\ El riesgo

del cliente, es el de tomar una muestra gue tenga una menor proporcin de defectuosos que el lote total, y aceptar un lote malo, Esto es conocido como el riesgo beta (B), El cliente desea mantener bajo este riesgo, Si un lote malo es aceptado, nos referimos a esto como error tipo lI.

Para derivar un plan de muestreo, el productor y el cliente deben no slo especificar el nivel de riesgo a y B, sino tambin el nivel de calidad del lote al cual pertenecen esos riesgos. Por esto, debemos definir un buen lote y un nal lote en trminos del porcentaje de productos defectuosos en la poblacin. El nivel aceptable de caldqd (NAC) es el nivel de calidad de un buen lote. Esto es, el porcentaje de defecttosos que pueden ser considerados satisfactorios como un promedio del proceso, y representa un nivel de calidad que el productor desea aceptar con una gran probabilidad de aceptacin. '

3
(lt

oo

o i9
q_

o o

0.08

+
I

NAC

PTDL

Flgurra

t7-t

% delectuosas (P)

Efecto

en Ia CO de carnbiar

yei

el tarnafio de muestra

n{rnero de aceptacin

ADIINISTRACTN DE OPERACIONES

ICaptulo l?

El porcentaje de tolerancia de defectos del lote (PTDL) es el nivel de,calidad de un lote malo. sre repre-.
3nta un nivel de calidad que el cliente desea aceptar, con una baja probabilidad. Los lotes que tienen un nivel

NAC y PTDL estn en una zona de indiferencia. EI riesgo a en el nivel NAC y el riesgo B en el nivel PTDL establecen dos puntos que determinan grandereite cules deben ser el tanrao de muestra n y el n{nrero cle aceptacin c. El plan de nuestreo apropiarlo ;onbinacin n, c) puecle ser establecido consultando tablas de planes estndar, tales cono la Doclge y Roring, o la U.S. Military Standard MIL-STD-105. Paralelamente, puede seguirse un procedimiento de prueba ' error en el que son usados diferentes valores de n y c para encontrar la combinacin que proporcione ula )O que pase lo ms cerca posible de los dos puntos. Para una muestra pequea,la curva CO es relativamente plana, resultando grandes riesgos de productor 'cliente. Incrementando se hace la curva CO ms discriminante, hasta llegar al punto donde una muestra de 0090 elimina todo riesgo (figura 17-7a). La figura l7-8 muestra cmo incrementando el nmero de aceptain de c < I o c <4 cambia el riesgo de productor a cliente. El plan de muestreo representado por lineas puneadas muestra el efecto de incrementar el tamao de la muestra; esto es ms discriminante entre lotes buenos NAC) y malos (PTDL).
e calidad entre

PLANES DE MUESTREO POR ATRIBUTOS

Una vez que son fijados los riesgos ay I Gn los puntos NAC y PTDL, respectivamente), puede ser determinado un plan de muestreo (valores n, c). Si los datos son expresados en trminos de proporciones (v.g., porcentaje de defectuosos) entonces la distribucin binomial, Poisson o aun una aproximacin a la normal es usada para calcular las probabilidades de aceptacin de un plan de muestreo por atributos. Elemplo 17.4 Un embarque de 1000 semiconductores es inspeccionado por muestreo. El productor y cliente har acordado adoptar un plan por el cual el riesgo a es limitado a 5/o en NAC = l9o de defectuosos, y el riesgo B est limitado a para el plan de muestreo r = l0O y c 2, e indiquese si el l09o en PTDL = 590 de defectuosos. Constryase la curva CO plan satisface los requerimientos.
Para corstruir la curva CO debemos determinar las probabilidades de aceptacin del ernbarque para diferenles valoposibles del porcentaje real de defectuosos en la poblacin. Dado que el embarque es aceptado cuando se tienen < 2 tle res dcfectuosos en la rnuestra, las probabilidades que buscamos son P(x<2), dados los valores alternativos de Ia poblacin. Si estamos tratrajando con una distribucin binomial, podenlos escribir esta probabilidad como

do
los qul
mu

do

llnr
EIe
tn
nos

P(X < Zln, p\

y obtener los valores con una calculadora o en el Apndice C. Sin embargo en la figura l7-5 notamos que la probabilidad binomial de defectuosos puede ser aproximada a una distribucin Poisson, debido a que el tarnao de muestra (100) es > 20. Aparentemente estamos trabajando con un porcentaje pequeo de defectuosos de p s 0. l0 y np aparece en los lnites de 5. Usando el Apndice D podemos obtener la probabilidad de Poisson como

rnu(

P(X < 2l^)

donde X

A= p-

nmero de defectuosos en la muestra medida de la distribucin Poisson = rp porcentaje (alternativo) de defectuosos en la poblacin

Por tanto, para el porcentaje de NAC de

donde )t

p :0.01,

encontramos la probabilidad de aceptacin del lote conio

: flp= (100X0.0r) = l. porranto

P(X

P(x <2l

<2lA: l) = 0.92

(del .dpndice D). Las probabilidades para otros valores posibles de la media real estn dadas er la figura l7-9a, y esos valores son grafi' cados co'ro una CO en la figura l7-9b. Ntese que este plan (n = 100, c<2) daun riesgo a de 0.08 y un riesgop de 0. 12. Amtos exceden los resrecrivtts iinri(es tie 0.05 y 0.tr{). Dado que ambos riesgos estr exceclidos, se requerir ura muestra rns grande, y los clculos se repetir

Capitulcr t7l

CONTROL DE CALIDAD

355

Valores

Medla
de

alternallvos de 7o defectuosos
p
0 0.01

Polsson

,=np
0
1.0 2.O

P(aceptacin) del Apndlce P(c ( 2l \)

0.02
0.03 0.04

3.0
4.O

0.05 0.06 0.08 0.10

5.0

ffi ::ro+"=
0.6 0.4 0.2 0.0 0.02

M-

1.00

1.00-0.92 =

0.08

6.0 8.0
10.0 (l

n =

lc

(2

10O

0,04

0.06
= 0.05

0.08

0.10

NAC = 0.01

PTDL

p = % defectuosa

Figura

l7-9

tbt

Valores de la curva CO y curva de caracteriticas de operacin para plan de muestreo

n: l00,conc<2

PT,ANT]S T}E MUESTREO POR VARIABLES

Los planes <le muestreo por variables requieren mediciones de las caractersticas que se controlarn. Debido a que las mediciones proporcionan ms informacin que los conteos (v.g., dan una medida de dispersin), los valores r y c de los planes de muestreo pueden ser calculados ms directamente. Capitalizan el hecho de que las medias de muestras suficientemente grandes estn normalmente distribuidas en una distribucin rnuestra que tiene media : p y un error estndar 6r= 6l\/i. El prirner ejemplo del plan de muestreo (ejemplo 17.5) supone que el tamao de muestra es predeterminado y que solamente un riesgo es controlado (sea d o P), usando la distribucin normal y resolviendo para el limite critico c, si c es dado, resulvase para n.
Etemplo

'17.5 (Dado slotr: resolyer para

c)

Una fundidora de metales produce lingotes de titanio cuyos pesos

es-

tn normalmente distribuidos con una desviacin estndar de o = libras. Los lingotes embarcados que promedian menos de 200 libras son consideradas de baja calidad, y la empresa debe disminuir tales embarques. Disese un plan de

muestreo para una muestra de

$25 que limite el riesgo de rechazar lotes que promedian 200 libras a 590 .

l-a sitrracin problema

es descrita esquemticamente en Ia

muestrales es aproximadamente normal, con rnedia

p=

figura l7-10. Suponemos que la distribucin

cle las meclias

100 y error estndar:

o, = 4==
El

\/ tt -L V25

r.6 lb

linlite c es, entonces:

c- p-Z-or
donde

Z *- valor correspondiente

at rea de 0.450

1.64 (del apndice B).

c=? fi'
Les

= 0,05

r"1,6 lb i\ ii\l rl i i r 5oi i I I il!\ xxxxxx xxxxxx x' rti ti { x {l1iLl x i x xxxxxx ifitii
x
x

I l a\ xx l L i

ii IL i

Lx

xx

.4

p=200 lb

i)l

Figura

17-trO

I
356

ADMINISTRACIN DE OPERACIONES

ICapirulo l7

Por tanto,
p/an.. Tonrar una muesrra aleatoria de

c = 200* 1.64(1.6) = 197.4 lb

n=

25 lingotes y detelnrinar el peso promedio. Si

> 197.4 lbs aceptar

el em-

barque; cle otro modo, rechazarlo.

En el ejemplo 17.5, con el lmite fijado en 19?.4lbs, el riesgo es rechazar un lote que realmente promedia 200 lbs (un buen lote) est limitado a 5s0. El plan fue totalrnente establecido con base et el riesgo o y en trn ranao de muestra dado. Un tamao de muestra ms grande deberfa, por supuesto, ser ms discrisrinatrte. Por ejemplo, con una muestra de n : 100 el lmite de rechazo se eleva a 198.7 lbs. i ambos riesgos, el del productor(a)y clel cliente(p), son especificados, el tamao cle muestra requerido () y el lmite de rechazo (c) pueden ser calculados estableciendo dos ecuaciones para c en lugar de una.
(Dados c yB: resolvef para n y c) Una empresa de metales produce lingotes de titanio cuyD peos esque pronredien tn normalmente distribuidos, con una desviacin estrtdar de o = 8.0 libras. Los er4barques de lingotes

Ejemplo

1I.6

que siitisfa200 lbs son cle buena calidad, y aquellos que promedien 196 son de mala calidad. Disese un platr de muestreo probab! 1.t) l.a promeclio de 200 lb es 0'05r ga los siguietes requerirnienros: c) la probabilidad de rechazar un lote con un peso Iiilait de aceptar un lote con un peso promedio de 196 lbs es 0.10.

tt
S{

I
d
m m

v
fz = 186

lr,4
Figura 17-l

l
l7-ll. El procedimiento
de solucin es primero

errores estndar establecer ias ecuaciones sinrultneas que determinen el llmite de rechazo c en trminos de de c son: dos ecuaciones Las para c. encontrar resolver para fl y sustituir en alguna de las ecuaciones

[,a situacin del problema

es descrita esquemticamente en

la figura

Z' Entonces'

a) b\

De arriba: De abajo:

c= tlt- z--h=
c

2oo- 1.64s#
196

tlz* Zu

*=

1.28

Igualando las ecuaciones:

2oo

- r.64ss:

reo + 1.28

*
lt'
rDu

'
Por tanto,
c = 200

: (23ao)'= sa

1.645

lL
\/
34

197.7

rlisl

Capirulo l7l

CONTROL DE CALIDAD

P/a; Tomar una cuenta aleatoria de n bartrre de oira manera rechazarlo.

34 lingotes, y determinar el peso promedio. Si

> 197.7 lbs, aceptar el em-

NIVEI,ES DE CALIDAD PROMEDIO DE PRODUCTOS SALIENTE

ra

l)r
lo

e-

ien

Ura crva de catidad promedio de productos salientes (CPS) muestra ta calidad promeclio esperacta en todos los lotes salientes despus de que los lotes rechazados de la muestra han sido 10090 inspeccionados y todos ks defectos eliminados. Los lotes entrantes con un pequeo porcentaje de defectos pasarn con una calidacl resultante.alta de salida. Aquellos con una proporcin de defectos ligeramente alta resultarn en peor calidad de salida, debido a que los lotes que tienen una gran proporcin de defectos terminarn siendo 100% insreccionados, y slo pasarn los artctlos aceptables. La curva CPS tiene el verdadero porcentaje de defectrrosos en los lotes inspeccionados en el eje x y el porcentaje de defectuosos (Pp) en lotes de tamao N despus de la inspeccin en el eje y.

fabi.

cPS=@$L:-t)

(17.s\

donde P.o es la probabilidad de aceptar el lote para diferentes valores de porcentaje de defectuosos (de CO), y r es el tamao de nruestra.

CONTROI, DEL PROCESO PARA VARIABLES MEDIANTE GRATICAS I}E CONTROI,

grficas de conlrol son usadas para monitorear caracterlsticas de calidad seleccionadas de un proceso de prodr:ccin a travs del tiempo. Las grficas de control de yariables, tales conlo Ia media X y el rango R, sor-t usarlas para monitorear datos continuos (medibles) (v.g., el peso o las dimensiones de un producto). Las gr.ficas de control de atributos tales como una proporcin p y un n{rmero c son usadas para monitorear datos discretos (contables) (v.g., el porcentaje o nmero de defectuosos en un producto). Muchos procesos tienen unos llmites de tolerancia naturalmente amplios dentro'de los cuales caen la mayora cle las observaciones. Sin embargo, como establece el teorema del limite central, las medias de las muestras y las proporciones de las muestras exhiben mucho menos variacin que los valores individuales. Vase Ia figura l7-2, donde IuN y I-Nson los lmites de tolerancia naturales superior e inferior y UCL y LCL son lt'rs lirnites de control superior e inferior.
L..as

Dislribucin poblacional
fp. oi

Distribucin mueslral
de medias

(r,

rr

Flgure 17-12 Llmites de control para medias muestrales

'L.rss

rnueslrles varen debido simplemente a Ia aleatoriedad del muestreo empleado. Son calcuiados a partir de las distrihuciones muestrales re!ativamente estrechas y son establecidos en 3 (o posib!emente en 2) errores estn-

!{mites de control son las fronteras dentro de las euales puede ser esperado que los estadisticos

ADMINISTRACIN DE OPERACIONES

[Capitulo l7

del proceso. Cuando un proceso est "en control",99.7 de los promedios de las muetras :be estar dentro de t 3 errores estndar de la llnea central de la grfica. Si los promedios muestrales caen rera de los limites de control, alguna causa asignada es probablemente Ia responsable y debe ser tomada una ;cin corrctiva.

lr del promedio

1?.? Una grfica de conrrsl es establecidu, con lintitcs rte Z errores cstndar, para usarss moniroreando ruestras de ramao n = 20. Supngase que el proceso est bajo control. a) Podria esperarse que caigan iuchos valores era de esos limites? b) Qu tan probable es que una media muestralcaiga fuera de los lmites de control? c) Qu clase de
,trmplo iror puede cometerse concluyendo errneamente que el proceso est fuera de control?
a) Si, los lmites son establecidos para controlar los valores de las medias, no los valores aislados. b) Suponiendo tor2 errores estndar, por lo que alrededor de 4.5/o de las medias nalidad, 95.590 de las medias muestrales est dentro de que proceso est fuera de control cuando no es cierto. concluir el Esto es, Tipo I. c) fgera. uede caer

.t

La figura l7-13 ilustra y lista algunas expresiones para calcular los lmites de control para variables. Una rfica de control de medias(grfica de .Srevela variacin entrelas medias muestrales y es usada para sealar rn cambio en la media del proceso. La grfica del rango (R) monitorea variabilidad dentro de las muestras y :s usada para sealar un cambio en la dispersin de los datos. El rango es una medida comn de dispersin y las :xpresiones esrndar para medias (ecuaciones 17.6 y 17.7) han sido adaptadas para eluso de los rangos (ecuaciores) 17.8 y 17.9) usando factores de conversin estandarizados como los clatos en la tabla 17.1. Estos factores anrbin faciliran el clculo de los lmites de control del rango (ecuaciones 17.10 y l7.ll).
Medias (grficas ,f, )
0.258

UC[,=X+Zo* = [-C[-.= X-Zox

(17.6)

0.256
0.254
tl,

(t7.7\
o ,
-9 3
(l

l3o

Establecimiento de las ecuaciones en trminos de rangos se tiene

0.252
0.250 0.248 0.246 0,244

UCI-*=*+R

t-Cl-x=*-

eP.

(t7.8\ (t7.e\

o . o o
=

-3oti

f,

o.242

Rongas (grficas R)

a. l

0.016

UClt-H: BR LCLn 3 CR
donde

(t7. t0)

o g

0.012

(l7.tl\ i's, rnuestrales, ^E es Ia y I y C son factores de

.f

es la media de las

9o.ooa o
o

media de los R muestrales,

control dc la tabla l7-l

E o.oo
0 LCL

Figura 17-13 Crfica de lmites de control para variables

EI procedimiento para establecer y usar los lmites de control

es:

el trabajo y las caracteristicas de calidacl que se monitorearn. 2) Tomar 20-25 rnuestras de tamao'2, y calcular X y R para cada una. 3) Establecer y graficar los trmites de control. 4) Graficar los puntos ctre X y R y observar las causas de que cualquier punto quede fuera de los liritcs. 5) Descartar puntos fuera ele los trmites por causas asignables, y recalcular los lnites de control. 6) Usar los iqites revisados y cornenzar actividades de muestreo regulari:s (suponiendo que el muestrer-r est ec*nmicarnente justificado).

l) Seleccionar

Capltulo

171

CONTROL DE CALIDAD

Tabla

17-l

Factores para calcular lfmites de control*

Tamao

le la rnuestr
n
2

Factor de la media

Rango

Rango

superior

A
1.880

B
3.268 2.574

inferior C
0 0 0 0 0 0.076 0.136
0.1 84

3 4
5

L023 0.729 0.577

0.483

2.282
2.114
2.0A4

6
7 8 9
10
12

0.419
0.373

1.924
1.864 1.816 1.777

0.337 0.308

4.223 0.284 o.329

0.266
0.235

1.716 1.671
1.636 1.608 1.586
1.541

t4

l6 l8
20 25

0.212 0. t94 r.180

0. t53

0.364 o.392 0.414

0.459

* Adaptado

y usado con permiso de ,,euality Control of Materials" Speciol Techn ical Publicalion.lJ-C, American Society for Testing Materials, Philadelphia, 1951, pp. 63,72.

Hiemplo 17'8 (Grflca de varlables) un proceso de moldeo de precisin est diseflado para producir hojas con un dimetro de 10000 + 0'025 centlmetros. Para establecer fimites de control, 20 muestras de n = 5 hojas son seleccionada aleatoriamente de las 500 primeras hojas producidas, como sigue (tabla '

li-2):

Tabla l7-2

I Muestra 2 10.010 10.018 9,989 9.992 10.019 9.996 9.978 10.014 t0.008 10.00s 50.004 50.025 X: 10.0008 10.0050 R = O.&ll 0.026
Muestra

Muestra 20
10.004

9.988

s.ggo
t0.019
9.983

4q984
9.9968

0.0036

La gran rnedia,

f,

Ot l*u medias muestrales y la media de los rangos muestrales, .R son:

X's _ 10.000g+ 10.0050+.. ,t= No. de mu.rtrus#

- -=
No. de

=
0.036

lo.oo2 cm

)R's _o.ro4l + 0.026 + ... muestrs-----Id-

= 0.032 cm

c) Encuntrense los llrnites de cr:ntrol de las rnedas instr.mentales y &) los llmites de control de los rangos rntestrales.

ADMINISTRACTN DE OPERACIII'

isJS

[Capitulo I7

= (lenl.ro=X = 10.002cm LCL' : X - AR= 10.002 -0.57?(0.032) = 9.984cm

=ucl- =x+AR =

10.002+0.577(0,032)= l0.020crn

Raugo:

UCLr = B.E = (2.114X0.032) = 0,08 crn Centro=R =0.032cm (0.000X0.032) LCL* = n = = 0.000 cnt

CONTROI, DEL PROCESO POR ATRIBUTOS MBDIANTE GRTICAS DE CONTROL

L.a figura l7-14 lista algunas expresiones para calcular los Iinrites de control por atributos. Una grfir.:a de gcnrrol para proporciones (grfica p) est basada en la distribucin binomial (o aproximacin uornal) y es :sible a un carnbio en la proporcin de defectuosos en ur] proceso. Los nmeros (grfica c) estn basados en ,.,rr,distribucin cle Poisson, la cual supone una pequea probabilidad (evento ocasional) de def'ectuosos. Esto fi especialmente til para controlar la tasa de defectos cuando el nmero de no defectuosos no est tlisponibie, clebiclo a que usa slo el nmero promedio de defectuosos.

Poporciones (grficas P)

Nmeros (grficas c)

UCI-p=pt3s, LCl,.,,=p-3s,
doncle

(17.12)
(17.

ts\

UCL":f*3s" LCL"=d-3s.

(17.14)
(17.1-5j

p=

proporcin de defectuosos en la muestra

nnrero de defectuosos

nmero total de artculos

donde d = nmero promedio de defectos por unidad Ec nmero total de defectos/unidad en las muesiras N nmero de muestras s. =

P
doncle

, -.@ Yl
Figura

(17.1{t)

tamao de muestra usado para rnonitorear

l7-14

L.irnites de control para datos de atributos

: ciiromtica de una lnea cle suteres. veinte muestras de taurao pernanecen en el-embarque, pero fnana de produccin para establecer lmites de control para el proceso. Los defectu<sos como de "segunda". Los def,ectuosos detectados en las 20 nluestras son {i,,ra, *ano, valor, porque se pueclen vender iilostrados en ia tabla l7-3. Calclense los lmites de control de este proceso'
tJct-p=p*3s,
lont't"
nmero de deflectuosos : lq_ p=m-50x20-"" = 0.040 . =.[Pg:.@L=u.oza p-Y;-\--v.va 50

tlernplo 17.g (Grfica p de atributos) Una ernpresa fabricarte

ropa deportiva ha establecido una procltrcci[ 50 son tomadas aleatoriamette dn'ante Ia prinera secle

+'

UCL,=6.640+ 3(0.028) = 0.124 LCL, = P-3, =0.040-3(0.028) = 0,000

lara

usar estos lmites es construida una grfica preliminar (figura l7-15), se agrupan los puntos' Ntese que la lraccin de defectuosos en la muestra l? est tuera de los mites de cortrol. Supngase que la taz6 de un 5[o es investigada, y la causa es que una nueva mquina ha sido colocada en ese punto antes de recibir ]os ajustes cle control. p y de lirnites nuevos y de unos un lluevo valor ,.Tlccnico. Este dato es entonces descartado es calculado

Nin;
est

' =

33
SO

* l,

=0'0347

p= VlfOz,rc.s651: o.o25e
I-C--I-e

"

Eler
escr

la

tr

[.]Ctr.e=0.0347

3(0.0259)

0.112

= 0.0347

3(0.0259

0.000
de l,

Capltulo l7l

CONTROL DE CALIDAD

Tbl 17-3 Artlculos defectuosos n = 50 suteres

Muestra

en 20 muestras

'n{rmero
I
? 3 4
5

Nmero de defectuosos
2
3

Porcentaje
de defectuosos 0.04 0.06 0.08 o.02 0.00 0.04
0.08

I
0
2

6 7

I
9
10

I
1

0.02 0.02 0.06 0.00 0.02 0.04 0.02 0.00 0.06

1l

t2
13

I
a

t4 l5 t6 t7

I
0
3 7 2
1

0.t4
0.04 0.02 0.04

l8
t9
20

L
40

t,

o t o
I,

z o
o

o're
0.12

PrellmlnarUCL, = Q.124

;ro

E : E
(D

o'o'
prellmlnar p 0.040 = LCL"
=g

'' 0.04

o
(,

c o

o-

bo

51015
Muestra nmero

Flguro 17-15

Ningrrno de los valores de las muestras restantes cae fuera de los nuevos lfmites, por Io que esos llmites se convierten en el estnrlar para controlar el proces en el futuro.

Elemplo 17.10 (Grf lia de atrlbutosc) El sistema Metropolitano de Trnsito usa el nmero de quejas recibidas por escrit,: por dla como una medida de la calidad de su servicio. En l0 dfas el nrnero de quejas recibidas fue el mostrado en la tabla l7-4. Calclense los llmites de control para 3Sc. Fluscarnos los llmites de control para el nmero de ciefectos por unidad, donde los defectos son las quejas por escrito de k:s ciienles y la unidad I da. Entonces se aplica la distribucin de Poisson:

[,

AUi\IiN iS'I RACIN DE OPEI{ACIONES

V
Da (muestra) nmero

Tabla l7-4

Nmero de quejas/dia

t234 56 78910 4 8 20 3 910 0 6

Total
4

'

46.

= nmero
C

promediCI tle defectos por unitlad

= 4.6 quejas prr clia - = 4lrqY:iqs l0 das

r.:V=!4.6:2.14
UCL." =

LCL. = c El prornedio (del proceso)

3s. = 4.6+ 3(2.14\= 11.0 3s. = 4.6- 3(2.14):0 (los valores negativos se consideran como cero)

es de 4,6 quejas

por dia y los lmites de control van de cero a I I quejas por da.

Problemes resueltos

11.l

El gerente cle mercadotecnia de Roller Beayings International (RtsI) estima que "las piezas cleftctuosas que pone en manos de los usuarios industriales cuestan a RBI un promedio cte $20 cada ura" en L'ostus -de reemplazo y ventas perdidas. El gerente <le produccin dice que "slo TVo de las piezas son defec. tuosas ahora, y que un mejor plan de muestreo podra reducirlas a l9o; pero no niuchtr rns (a menos que hagamos una.inspeccin de 10090)." Deberia RBI adoptar un plan de muestreo si estu cuestaa) $0. l0 por pieza b) $0.25 por pieza? c) Qu tanto por pieza puede gastar RBI en costos de insiet.sin antes de comenzhr a perder dinero por la inspeccin?
Con propsitos de iiustracin, supngase que todas las comparaciones estn basarlas
100 piezas.
c11

un iote

de

o) Sin inspecciu:
Costo cle los defectuosos

100(0.02X$20lpieza)

=
Sl0

S40

Con inspeccin:
Costo de inspeccin = l)($0.10/pieza' Costo cle los defe'ctuosos = 100(0.01X$2Olpieza)

$20

g3g__-__-+
$

30 10(o $0. lOlpieza)

Ventaja de inspeccin:

Sin inspeccin:
Costo defectuoso =

Con inspeccin Costo de inspeccin = 100($0.25lpieza) = Costo de los defectuosos : l)esventaja de inspecci u:

$25 : $2s $20 : $4. $5

>

4S

$5(o $0.05/Pieza)

c) Sea X:

costo de inspeccin por pieza. Enlorccs el costo mnimo ocurre cuando Costo cle defectuosos sin inspeccin = costo rle inspeccin + costo de los defectuosos con illjpecci0n
t

O0(0.02X$2

/ pieza\ = X( 00) +' ( I 00X0.0 I X$20l 40-2$

pieza

K=+*=$a'2c/"'ieza

Capirulo

IZJ

CONTROt, DE CA!-IDAD

:.'?:) ,

M]I'oI}Os F]STADiSTICoS DE CONTRoI, t}E CAT,IDAD

l7-2

Xistor Raclio C. desea realizar pruebas ett algunos aparalos de ra<Jio ternrillados. El ispector Ce tel-rtrol de calidad ha seleccionado aleatoriamente cinco aparatos. En cunlas formas puedtn ser scicccionados los radios para (res pruebas si: a) Puede cualquier radio utiliz-arse en una o en toclas las pruebas, ya que lantp la ap!icaci(rir asi c6rnrr el cliferente orden de rclacin cuen(an de modo diferente (opciones mltiples)? ) Ningn radio puecfe scr usado en ms de una prueba, pero el orden de selecciu niarca una diferen-

c)

cia (permutaciones)? Ningn radio puede ser usado en ms de una prueba, y el orden rie seteccirr cle un ra<lio r:tr cueiria (<'ornbinaciones)1

3 radios seleccionados de Selecciones mltiples

Sea

X:

n=

5 radios

N'

= 53:

5.5.5=

125 formas

b)
SAS

Permulaciones

PI
los
Iec. n0s

1,*[ = r-, :; = +1,#=

=

6o rormas

t')

Cornbinaciones .^n ;

l0)
an-

nl x(tl -. xr

j(5-

5!

3r = 3. 2. r . 2i = l0formas I00, y !a desviacin estr1dar

es calcula<ja

5.4.3.2.1

17.3

Se

tolta ulla nlueslra de colltrol de calidad en r,

e,0.250

xrlg.adas.
ede

rr) (lalcrlese el error estndar de la media. r)) ,cul ser el error estndar si ra muestra es de 1000 en lugar de 100?

) t)
,4

sr =

+=o'3q= \/ n Vltm
=

o,o2spulgadas

,,

o.oo3 putgadas 99 vl 000 =

cir\n col l9o de defectuosos:

r

,Cul clistribucin de probabilidad proporcionar una respuesta apropiada en u'r tiempg razonable si cleseantos conocer !a probabilidad de tener l0 o menos defectos en una rnuestra de 400 de ua pobla-

) hipergeomtrica c) normal h) binornial d) Poisson

e)

Student f

r=4(X)=>20 np=(400)({).01)={=a5 P=0.01 =<0.10

La rlistribucin de Poisson
es

la apropiada
Apnctice D)

P(X < l0lA = 4) = 0.991(del

peccin

Iln una planta industrial, el peso promedio de una sustancia qulmica empacacla es p 82.0 kg y la clesviacin estndar es (r = 4.0 kg, Si una rnuestra de ft = 64 paquetes se toma de poblacin la para irspecci(rrr, encunlrese Ia probabilidad cle q.,le:
I j

a) lJn paquele de la muestra exceda 82.5 kg (supngase que

en esta parte),

tra

poblacin est normalrnerre distribuieJa

I
i

&

ADMINISTRACIN DE OPERACIONES

ICapitulo l7

b\
a)

La rnedia muestrsl exceda 82.5 kg.

,=+:U#a:0.125
= 0.050 (Apndice B) P(X > 82.5) = 0.500 0.50 = 0.4j0 -

(4

(Vase ta figura t?-16)

y-

82 82.5

l'lgura l7-16 b\

--i-lt
donde a,

Ot

4-= -L =ln

V64

= 0.5

P(4

'=-- o-= : 0.34 (Apndice''o

0.34

82.5

82.0

B)

P(, >82.5) = 0.5017

0.16

.6

Distribucin hipergeomtrica. Un enbarque de 20 transistores recibidos hace seis semanas fue entregado en un rea de ensamble sin inspeccin de la entrega. Cuatro de los transistores fueron instalados en un vehculo espacial, y el resto fueron mezclados con el inventario existente. El proveedor slo ha notificado a la empresa que cinco de los transistores estaban defectuosos. a) Cul es la probabilidad de que los cuatro transistores instalados en el vehculo estn trien? b) Cul es la probabilidad de que haya uno defectuoso en el lote de cuatro? a\

P(X=

4buenos) =

formas exitosas total de formas

El xito y el nmero total de formas de seleccionar cuatro transistores entre 20 deben ser calculados reconociendo que ningn transistor puede ser usado ms de una vez y que el diferente orden de seleccin de los mis' mos 4 no cambia nada. En ste caso estamos interesados en las combinociones de x articulos escogidos enre

n=2O:

nl' ^d -' iill_lJl

(Vase el problema 17.2 para hacer distincin adicional entre opcin mirltiple, permutaciones y cornbinaciones), Ntese que se sabe que el lote contiene:

- ) ' El nfmero de formas exitosas de selecciona 4 buenas .l' de 15 en la combinacin de 4 en 15. ) -/ cada una de Para esas formas 15 buenos/ lij5 defectuoso ---) El nmero de formas exitosas de seleccionar 0 20 total---.).; defectuosas de 5 en la combinacin de 0 en 5. ---* . El n{rmero total de forrnas <!e seleccionar 4 transistores
entre 20 es la combinacin de 4 en 20.

l.?

Captulo l7]

CONTROL DE CALIDAD

Jr?:

\\

't

\
Entonces,

P(x=o)=

+Td:%e=0.28
AlI6i

r)

P(x:3):+f

=ry
4!

1..!

5!

*0.47

l6!

17.1 Distribucin binomiaL

de l0?

forma; Cul es Ia probabilidad de que exactamente 2 sean defectuosos en una muestra ateatoria
I-a tasa de defecttlosos es dada en porcentaje y puede ser tomada como una constante, Si suponemos que cada

t09o de los ladrillos fabricados en un horno obsoleto son ctefectuosos en alguna

ladrillo producido es independiente dbl ladrillo anterior, entonces se puede aplicar la distribucin binomial.

p(x = 2ln = 10, p =0.10) =;#

p,qn-, = #

,0.10X0.90)8

0.1937

Ntese que la solucin puede ser obtenida ms directamente de la tabla de probabilidades binomiales del Apndice C.

17.8 Aproximacin de Poisson. Un gran embarque de libros proviene de un editor que usualmente
I

entrega la probabitidad de que entre los 400 libros tomados de este embarque, exactamente 3 tengan las pastas defectuosas?

% de los libros con pastas defectuosas. Cul

es

)n

Este problema puede ser resuelto usando la expresin binominal para ,(X : 3/ n = 400, p = 0.01). Sin embarque a menos se tenga que una calculadora maneje exponentes, puede la solucin ser tediosa. Esto puede ser -gc)' aproxirnado por la distribucin Poisson dado p < 0.10, n > 20, y np <5.

p(x)=
donde A=np=

*-!_

''=3

4010(0.01)

= 0.4

''

e = 2.718(constante)

P(x =31,\ =4.0)=*i

=#=,f/)jryr=

o.res

La solucin puede ser obtenida ms directamente de ta tabla de probabilidades acumuladas de poisson dada en el Apndice D. Viendo Ia columna de ,l a ,l = 4 y luego a la derecha, a las columnas donde los eventos son de_ signados comos c(en vezde<x), dado quenecesitamosc = 3, debemosencontrarladiferencia entrec<3 yc < 2, la cual es 0.433-0.238 = 0.195.

F'lgura 17-tr7 Aproxirnacin norrnal a binormial

-------/aa ADMtNISrRect.1 DE oPERACIoNES

[Capirulo
t?

I '

$7.9 Aproximacin nontal.

Etr ur preceso de nranufactura rJe netales rreciosos, 20Vo de lr)s lirgtlrer ctrrtiene impurezas y deben ser refundidos despus cle la inspeccin. Si l00 lingotes scn selecgioados pra embarque sin inspeccin cul es la probabiliclad de que l5 o ms lingotes contengan impurzlsi
Este problema binominal HX > la binoninal, dado que r > 50 y np

l5ln=

100,

p=

= 100(0.20)

0.20) puede ser resuelto usanclu la aproximaci(rrr rrrrulq

5. (Vase la figura 17-17).

p = |lp = 100(0.20) = 20 o ={npq = V20(0,9) =

Dado que se usa una distribucin continua para estimar probabilidades discretas, el valor conrinuo aproriafir r > l5 es 14.5

_ _r _ 4__t__14.5-20 i7< r.JtJ ; ql P(Z\= 0.415 (delApndice B)

--

P(X > 14.5)= 0'415 + 0'500 = 0'915

La distribucin normal es, por supuesto, til para variables continuas, as corlo una aproximacin de las prgbalilidades binomiales.

PI,ANES DE MUESTREO PARA ATRIBUTOS

17.

l0 El propietario

de una huerta de naranjas y una planta enrpacadora han acordado un plan cle nuesrreo en un embarque, con una muestra de 150 naranjas, el cual se aceptar si se encuentran daadas 3 naranjas o menos a) Cumple el plan las especificaciones de limitar a20/o o menos el riesgo de la huerra, consistente en rechazar lotes que sean buenos conteniendo slo el2s/o de naranjas daadas y linrita el

riesgo de Ia planta a250/o o menos de aceptar embarques malos con el 4s/o de naranjas daadas. Cul sera el efectos de cambiar el valor de aceptacin a c <4?

a) Esle

es un plan por atributos que requiere a < 0.20 a NAC = O.O2y B< 0.25 a PTDL = 0.04. Poclcrts corstruir una CO si es necesario, para verificar slo dos pulrtos: NAC y PTDL.

A=np
(150X0,02) (150)(0.04)

P1r < 31,\)

0.OZ 0.04
satisfactorio.

= 3.0 P(x<3l :3.0)= 0.647 = 6.0 P( < 3lA = 6.0) = 0.151

asi asi

a = 1.000- 0.647 = P = 0.151

planta(p)

0.353

El riesgo del productor (o)

es menor que 0.20 y es satisfactorio, pero el de la

es nrayor que 0,25 y rl

es

b)

Con,c<4:

P(x<4lA = 3.0):0.815,asia= 1.000-0.815 = 0.i85 P( <4lI = 6.0) = 0.285, asi = 0.285

PLANES DE MUESTRBo PoR VARIABLES

0.815,

ASl

l?.11 Un fabricante

de videojuegos compra discos de 4 pulgadas de un proveedor,

doncle = 0.30 pulg. El

fabricante desea disear un plan de rnuestreo que limite el riesgo de aceptar embarques con utl dimetro promedio s 3.900 pulgadas a 0.01 y tambin limite la probabilidad de aceptar discos cle 7 4.1000 pulgaclas a 0.01. El ta.mao de muestra debe ser suficientementb grande para limitar el ricsgo de rechazo de un lote que realrnente promedie 4.000 pulgadas a 0.10. c) Encuntrese el plan apropiado de muestreo (n y c).
) Constryasela curva CO para este plan de muestreo. Cul es la probabilidad de aceptar un lote que poomedie l) 3.920 pulg.2) 3.959 pulg.3) 4.000 pulg.4) 4.041 prlg.?

f,ap{ulo I7J

CONTROL DE CALIDAD

\
36 7

Figura 17-lt

a)

vase ra figura

l7-lg. para

er rea de distribucin normar de 0.450,

y para 0.490

Z" = l.ilS

Zo = 2.33 Estableciendo ecuaciones para el llmite C. tenemos:

C

3..fr)0

* ,o

Por tanto,

t=

3.900 +

n3W
1.645Yn

c = 4.ooo Igualando las dos ecuaciones

^(h)=
0.795

4.ooo _

:.loo*0ff6= 4.ooo-oH

Entonces,

v; = 0.100
c = 3.eoo * n = 6,3.2 2.3:(:o:?t
3.e5e putgadas

u'

r de r. e5e "o, fuXrnedir Z':ffr;?.,tl',Tli"l'*ii:'j,ji$y,;Hfi::Hyj1t.,ir", o,"cepracin), que es er rea entre

si es

,,,-f,',:':i:;*flT,l.im:Uilru;hlt
2 = ['
Entonces,

er

diamtro.

o _

3.959

o.zn-* =df,=
PIZ') = 0.4392

3.920 _0.0390

t.s478

 ADMTNISIn.acN DE oPERACIONES
lCapituio
l?

' o
q,

o.u

ct

S
o-

(.t

o.q
I

i
i
I

Q.- 3.S5e

Cu

4'O{1

I I

Dlmetro (pulgadas)

Figura 17-19

j
l

,F(aceptacin) =0.500O

l) en ,c :3.920, P(aceptacin) =
2) en y. = 3.959, P(aceptacin) en = 3.980, P(aceptacin) 3) en r = 4.000, P(aceptacin) 4) ene = 4,041, P(aceptacin)

-0.4392 =

0.0@8
0.061

j
I

= 0.5@ = 0.785
=
0.900 0.500

NTVBLES DE CALIDAD PROIUEDIO DE PRODUCTOS

SALIENTES

j
r

17.12 una curva CO revela que los lotes co un porcentaje real de defectuosos de 290 tienen una probapil! dad de ser aceptados de Ir, = A.67 . Si el plan de muestreo p1T_l_ot-"t N : 1000 requiere tamaos de muestrade n : 100, ctil ser el nivel de calidad promedio (NCP)?
NICp =

i i

P,P^(N

--r)

1000

o.orz

r.zo/o

En el ejemplo anterior, rf ado que el tamaflo cle muestra es n = 100 y el }s/a d,elos artfculos en la muestra son defec'I tuosos (en promedio), enl.onces los dos articrlos defectuosos sern removidos de la muestra y reemplazados ates i cle que el lote contine ,rr camino. Para lote de N = l0@ artfculos, el nmero de defectuosos ser entonces relu:'i j do a}s/o de los 900 artf(lrlos no inspeccionados. Esto es, l8 en 1000, o 1.890 de los artculos, Dado Que la probabt' ue I () nlver lidad de aceptacin cle un lote de Zslo de defectuosos es (de la CO) slo 0.6?, entonces el valor esperado j calidad promedio para los lotes (de 290 defectuosos) es (0.67X1.890) o l.Tslo de defectuosos.

GRFTCAS DE CONTRCIL PARA YARIABLE

17.13 Una grfica de contrcl es establecida para una variable normalmente distribulida que tienen t = 10, ! a = l. Si los tr'nites de control para rnuestras de tarnao n = tr6 estn fijados en + 3 errores estndar' .g* erir.rtaje de los valores individuales en ta pobtracin pueden caer fuera de los Irites de corltrol?
Vase figura l7-20.

i'

Capf

tulo 17i

CONTROL DE CALTDAD

35r

on- atl-n = tttf* lta

UCL= f0.7s

a)

Distribucinpoblaclonal

D)
Flgura 17-20

Distribuci6nmuestral

De las distribuciones de muestreo, los llmites de control son:

UCL= LCL=

?-ot= t0 + 3(l)=

16

i*br=10-3(l)=91

Cuando se sobreimpone en la distribucin de la poblacin (mostrado por las flechas), el porcentaje de rea incluido es:
Dentro de UCL: Dentro de LCL:

,=ry=u+s=0.?5
, = ry9.25: lo.q

ast

P(Z) = s.211

0.75
=

ast

Total

P{z)=\at
0.546

El rea fuera de los llmites de control es 1.000 - 0.546 viduales caer fuera de los llmites de control.

0.454, aproximadamente 4590 de las observaciones indi-

7.14
bili. sde

Nuclear Fuel Co. manufactura cpsulas de uranio en un dimetro especificado de 0.500 + 0.005 centmetros. En 25 muestras aleatorias de 9 cpsulas cada una, la rnedia de las medias f V rango () fueron de 0.501 centf metros y 0.003 centlinetros, respectivamente. Construir una griicade iy e R que incluyan las tolerancias especificadas.
Vase figura 17-21.

ucl-r = i+en
LCL'

= (0.501

=.i -F

= .0.501

UCLn = B'= (1.816X0.003) = 0.0054 LCLR = CR =(0.t84X0.003) = 0.0006

+ (0.337x0.003) = 0.502 9.599 -(0.337X0.003) =

GRATTCAS DE CONTROL POR ATRIBUTG

7.15
10,
y

Una muestra diaria de 30 artlculos fue tomada durante un periodo de 14 dfas para establecer los llmites qle control por atributos. Si fueron encontrados 2l defectuosos. UCL'? Cul deberla ser el LCL

ey

p=

nmero de defectuososo

rdar' trol?

total de

observaciones

2t
420

= 0.05

UCL, = pr *3se = 0.05 + 3(0.M) : 0.!7 [-CLo = F - 3n = 0.05- 3(0.04 = g

"={T=ffi20'*

r
370

ADMINISTRACIN DE OPERACIONES

[Cap_tulo lT

0.505

Tu

(especlflcado)

o
E

0.502

UC

o,5ol
0.500
LC

o 0,

.s

L;

0.495 0.005 tt
E

(especlflcado)
uc L8

o o

0.003

O)

6 (r
0.001
LC L

t'igura 17-21

Problenas suplementarios
17.16
Se establece una grfic de

control con lmites e t 2 errores estndar para usarse en el monitoreo cle muestras de tamao r = de un proceso con una desviacin estndar de o = 5 onzas. Suponiendo que el proceso est uortnalnente <listribuido y est "bajo control", qu proporcin cle lq,s valores individuales caer fuera de Ios lttitcs de

control? Respuesta

69V0.

17,11 Un productor de cosmticos ta establecido niveles de actividad de control de calidad en unidades de horas-trabajador equivalentes de inspeccin y control dedicada a un producto por dfa. Cada unidad equivalente de horatrabajador cuesta norrnalnente $20. La empresa considera que con cero unidades equivalentes de hora-trabaja<Jor, el costo de producto defectuoso es de $400, y cada unidad adicional lo reduce en $30. Cul es el nivel ptimo rle actividad de control de calidad en trminos de horas-trabajador equivalentes? Respuesto Dado que cada hora de inspeccin y control cuesta slo $20 y reduce los costos de productos defec'

,:".t
T.trO/h,

sense tantas horas como se necesite para eliminar el costo de $400 o $400

$30/h

17,18 Una muestra aleatoria de 400 articulos

se torna de un proceso de producci6n para probar la hiptesis de que el proochenta defectuosos. c) Cul es el error estndar terico (hipotttencontraron ceso tiene l09o de defectuosos. Se (o)? proporcin el error estndar estinado de la proporcin basado er la evidencia de la es b) Cul co de la y c)0.015 Respuesta rruestra {so\ OA.A2,

I?.

trg

El departarnent.o de operaciones de una cornpaa de gas de una citdad tiene un esindar de la calidad cle I servicio de no ns de cuatro quejas por hora. Si tra cornpaa prorrredia cuatro qulejas por hora, cul es la probatilidact de
que pasen 30 minutos sin quejas? Respwesta 0.135.

t?.?

i los componentes defeetuosos estn saliemdo de una lnea de ensarlble a ura tasa prorneetio de 3.5 por rnintlt0, .rminuto? Respuesta 0't42. cul es tra probabilidaci de que ms de 5 defcctuosos llegtren en l

(-laptulo

171

CONTROL DE CALIDAD

'q"\
cle

17.21 El peso de cajas

de jabn es conocido y est normalmente distribuido con una media de 20 liblas y una desviacin estndar de .4 libras aproximadamnte qu porcentaje de cajas en un embarque puede esperarse que pesen menos de 19.5 libras si se hace una inspeccin de recepcin? Respuesta 1O.60/0

17"22 Northeast Paper Co. empaca un gran volumen de hojas bajo una marca para una cadena nacional de tiendas

alimntos. Ocasionalmente los empaques son defectuosos debido a los cortes finales, el color est manchaclo, o no estn apropiadamente sellados. La compafa de papel y la cadena de alimentos han acordado adoptar un plan de muestreo para que el riesgo de Northeast Paper Co. est limitado al2a/o de rechazar lotes que sean buenos cor 0.590 de def,ectuosos (p = 0.005) y el riesgo de la cadena no sea nlayor de 590 de aceptar lotes malos cori 4%o de de[ecIgosos. a) Constriryase la curva CO para el plan de muestreo (/, : 200, c < 3). ) Este plan satisface el acuerclo dcl riesgo para la cornpala papelera? c) ,Satisface este plan el riesgo para la cadena de alirnentos? Respuesta a) Usar Poisson b) sl, c) sl.
l:l

,ti

[Jn banco nacional ha establecido estndares de calidad para sus sucursales y ha asignaclo una porcin del presupuesto de salarios en esta base. Una medida del nivel del servicio es el tiempo requerido paracompletar tocks los trmites de abrir una cuenta de cheques. Un tiempo de ms de l2 minutos es considerado un ntal servicio y el lierrrpo tiene una desviacin estndar conocida de 4.2 min. Disese un plan de muestreo para variables, para una muestra de n = 36 observaciones, que permitir a la nlatriz muestrear a las sucursales para que el riesgo de rechazar la queja de una sucursal (que pronredia l2 minutts o menos) se limite a l9o (cuando el tiempo medio real es de l2 minutos).
Respuesta 8i

t < 13.63 minutos, aceptarla.

1"1.74

F.l srrpervisr de

control de calidad de National Bakery ha sido solicitado para dirigir Ia inspeccin cle recepcin cle un embarque de harina. Cada bulto se supone que pasa al menos 50 kilogramos, y la Chicago Mill dice que la desviacin estnclar es rte 4 kilogramos. La administracin desea limitar aZVo el riesgo de rechazar un buen lote. ?or otro lado, si el peso promedio real de los bultos es slo 48 kilogramos, la administracin desea limitar a 590 el riesgo de aceptar el embarque. a) Diagrame la situacin en trminos de una distribucin de muestreo mostrando los riesgos a y P b) Qu tan grande es el tamao de muestra requerido? c) ,Cul es el valor critico c cle Ia media
rnuestral que .satisface las condiciones dadas? Rspueslq a) = 0.02 cuandopr = 50

0.05 cuando

ltt=

48 b) 55

bultos c) 48.88 kg.

11

.75 En un esfuerzo por establecer una grfica de control del proceso, son tomadas muestras de tamao n = 25 y se deternrina que i = 0.98 centlmetros y la desviacin estndar (9 = 0.020 centmetros. Encuntrense los ilmites de conirol.para el proceso. ., Respuesta UCL = 0,992 cm. LCIr = 0.968 cm.

11.2.6 El U.S. Departmerit of Testing (USDT) requiere que los embarques de bultos de 100 libras de la Prarie Seed Co. rle hesho promedien 100 libras o ms. l"os datos muestrales (tabla l7-5) de N = l0 muestras de n = 6 bultos irrdicaron las siguientes desviaciones de peso de las 100 lbs (mayor, + , y menor, *).

Tabla 17-5
i\,ftrestra

nmero

6 0

10

2
C?
I

4
5

I
2 2 0 4

6 4
-)

-t
4
1

0
3

-2

l.
)
2
4 6

-l -l
2 0
1

I
2

4
5

6 2
4

I
2

*l

0 0
4

2
J

I
4

,
Nfeclia

I
(E
5

l l0
1.67
3

2
23

-?

0
2
.33
5

ll
4

-t
0 0
3

l
t0
1.67

22 3.67
5

l9
3.17 4

l9
3.11
5

1.33

3.83
4

l.tt3

Raneo (R)

ADMINISTRACIN DE OPERACIONES

[Capflo l7

a) Cul es la llnea central (. y los lmites de control superior e inferior para.P? )Cules so los llmites cte control superior e inferior del rango? {Redondee sus clculos a dos dlgitos despus del punto dcimal.) Respuesta a) El clculo inicial es de f = 102.07 y los llmites son 104.10 libras y 100.04 libras, pero la media de la muestra 8 est fuera de los lfmites. Quitando la muestra 8, tenemos X = 102.30libras y los llmites sr>n
104.39

y 1001. ) Usgqdo la media revisada de 102!10, los llmites del rapgo son 8.68 libras y 0libras.

1.27 Una potica de control de calidad rgguiere fijar los lfmites de control con base a los datos de muestras alearorias de n = 100 por dia tomadas de una corrida piloto de l0dlas de una actividad de moldeo en plstico. Fueron encgntrados un total de 2O0 artlculos defectuosos a) Cu! qer el !JCL, y el LCL, para el proceso (en porcentaie de defectuosos)? ) Si las muesras de n = 100 siguen siendo tomadas, cules sern los limites de control en nmero de defectuosos (ms qe en porcentajeX (Nor: Esto no es c. & = np y n = l) Respuesta a) UCL =.-0.32, LCL = 0.08 ) 32 y E.