Professional Documents
Culture Documents
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
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
Costog totales
G
o (, o ()
ESPECIFICACIN
I Actlvldad
Descrlpcln del servlcio lntelectuales y estllcas Organlzaclonales Humanas Medlcinales Emoclonlos LtJgar y tlempo
PROPIEDADES
Oulmica Elctrlca
Tamao y forma
I r
l l'
y es .la.
Conllabllldad Ef lclencia
DESEMPEO
Figuro
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.
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
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
tieren e ! ores que harn recesario ei pago ele irnpuestos aclicionales. Cul es la probabilidad de que exactaments Z cuentas
auclirora
Capitulo l7
CONTROL DE CALIDAD
total de formas
p1
= --!L-
p,
qn ,
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
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,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
[(
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.
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
'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
b)
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
do
los qul
mu
do
llnr
EIe
tn
nos
rnu(
donde X
A= p-
nmero de defectuosos en la muestra medida de la distribucin Poisson = rp porcentaje (alternativo) de defectuosos en la poblacin
p :0.01,
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
0.02
0.03 0.04
3.0
4.O
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
n: l00,conc<2
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
c)
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
$25 que limite el riesgo de rechazar lotes que promedian 200 libras a 590 .
es descrita esquemticamente en Ia
p=
o, = 4==
El
\/ tt -L V25
r.6 lb
c- p-Z-or
donde
Z *- valor correspondiente
at rea de 0.450
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
n=
el em-
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
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
- 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
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.
Dislribucin poblacional
fp. oi
Distribucin mueslral
de medias
(r,
rr
'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
(17.6)
0.256
0.254
tl,
(t7.7\
o ,
-9 3
(l
l3o
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
.f
es la media de las
9o.ooa o
o
E o.oo
0 LCL
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
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
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
0.266
0.235
1.716 1.671
1.636 1.608 1.586
1.541
t4
l6 l8
20 25
* 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,
=
0.036
lo.oo2 cm
= 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
=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
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=
nnrero de defectuosos
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)
l7-14
: 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
ropa deportiva ha establecido una procltrcci[ 50 son tomadas aleatoriamette dn'ante Ia prinera secle
+'
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
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
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:
[,
V
Da (muestra) nmero
Tabla l7-4
Nmero de quejas/dia
Total
4
'
46.
= nmero
C
r.:V=!4.6:2.14
UCL." =
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__-__-+
$
Ventaja de inspeccin:
Sin inspeccin:
Costo defectuoso =
Con inspeccin Costo de inspeccin = 100($0.25lpieza) = Costo de los defectuosos : l)esventaja de inspecci u:
>
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$2
pieza
K=+*=$a'2c/"'ieza
Capirulo
IZJ
CONTROt, DE CA!-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
X:
n=
5 radios
N'
= 53:
5.5.5=
125 formas
b)
SAS
Permulaciones
PI
los
Iec. n0s
6o rormas
t')
Cornbinaciones .^n ;
l0)
an-
nl x(tl -. xr
j(5-
5!
5.4.3.2.1
17.3
Se
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
,,
,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-
e)
Student f
la apropiada
Apnctice D)
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
tra
I
i
&
ADMINISTRACIN DE OPERACIONES
ICapitulo l7
b\
a)
,=+:U#a:0.125
= 0.050 (Apndice B) P(X > 82.5) = 0.500 0.50 = 0.4j0 -
(4
y-
82 82.5
l'lgura l7-16 b\
--i-lt
donde a,
Ot
4-= -L =ln
V64
= 0.5
P(4
82.5
82.0
B)
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) =
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:
- ) ' 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!
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
ladrillo producido es independiente dbl ladrillo anterior, entonces se puede aplicar la distribucin binomial.
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?
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)
=#=,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.
I '
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)
Dado que se usa una distribucin continua para estimar probabilidades discretas, el valor conrinuo aproriafir r > l5 es 14.5
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)
0.OZ 0.04
satisfactorio.
asi asi
0.353
es
b)
Con,c<4:
0.815,
ASl
l?.11 Un fabricante
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
y para 0.490
Z" = l.ilS
3..fr)0
* ,o
Por tanto,
t=
3.900 +
n3W
1.645Yn
^(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'
,,,-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
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.
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
UCL= f0.7s
a)
Distribucinpoblaclonal
D)
Flgura 17-20
Distribuci6nmuestral
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.
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
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
"={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
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
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
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
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.