Capitulcr l7l

CON'TROI, DE CALIDAI)

349

qryl!!,le_1]
Control de calidad
Mtodos estadlsticos
llrinNclx
DB cALIDAI)
[-oses'

de controlar esta ltina descatrsa ett rnentos de un sistema e aseguramiento de la calidad, La responsabilidad que instalan controles automticos o usan operaempresas Las posicin de afectarla. que en est cualquiera robots generalmente experirnentan un mejoramiento de ta calidad ett sus productos (v.g., la solda-

clura que efectan los robots es ms consistente). que se renen voluntariamenl-os c{rculos de conlrol de colidad (CC) son pequeos grupos de enlpleados analizar y resolver problemas relacionados te en forma regular para emitir ideas en un inten(o de identificar, que realizan trabajos similares' corr la caliad y el trabajo. Los grupos son generalmente de I a l0 individuos del nmero de defectos, del en una reduccin resultado han recomendaciones sus compar-ras muchas En y en el trabajo. prodrtctividad la satisfaccin general de la y un nrejoramiento aus.ntis,no en

,in,r.r.nn

COSTO DEI, CONTROL DE CALIDAD

Los costos de la calidad estn clasificad os en coslos de inspeccin y control, y costos de lroductos defeccon trol de calidad ocurre cuan/aosos. Vase la figura l7 -2. El nivel ordinario cte gastos en las actividades de mnimos. son costos totales do los

L.aculidudesunamedicladequtantoseacefcaurbienoservicioalosestndaresespecificatlo: o cualquier calaclclistica -,,.rt.. .-r,inrar(p cnn ticnn()- maleriales. eliciencia, confiabilidad, o medible)' (objetiva cuantillcable la caliclact se vuelve naleria de opinin y ro c5 con' Cuando los estndares cuantificables estn ausentes, que depcnclen rle factores subjetivts o nledi' rrolable descle un punto cle vista cientifico. Las evaluaciones arte qtte err el de la

y realizador, caen ms en el campo del quien hace e| producto, por e| precio quc se 1>aga rtrr 1, por ciencia. l-a calidad en la industria no est dictada o usan' Esto es, los productos caros c()l) cal itetcrsti' que adquieren lo inrlivitluos los () por las preler.encias de o servicir>s baratos Ilo son ltcecslrtiatlcllte y no s.-n necesarian.,ente Je ulta calidad, los bienes
clas sustilutas, tales conro

.l ,ro*urr

a un artista

Costos totales

cas adicionales <Jc baju cali<latl.

6
o

Coslos da lnsp6ccln
y

conlrol

o
SOPORTE

OEL MEOIO AMBIENTE (EXfERNO)

ACTIVIOAOES DE CONTROL DE CALIOAO

SOPOBfE OBGANIZACIONAL

(NTEFNO)

Actlvldad do conlrol ds calldad

Figura

l7-2

Costos de calidad

r Actlvldad . Descrlpclndel serulclo

!
Estructural
Mecnlca

Inlelocluales

esltlcas

Orgenlzsclonlas HumanaB Madlcnaes Emoclonales

Oulmlca Elclrlca

.famaoylo.ma Figua

LOaryllompo Conforlyatractlvo
Depandsnca

l7-l

calidad Eletnenros del sisrema iJe aseguramiento de la

0lso

eparlsncle

. r I

(CC) ASEGURAMENTO Y CRCULOS I)E CALIDAD I procedimienros y.lineamientos que establ:''e El axgurunienro de la calidad enel sistema de politicas, rrs' pritrcipirlo los O.f ptoJutio' La figura l7-i identifica marriiehe los cstndares especificaclos cle calidad

Conflablllded Ellclonca

Electlvldad

Plgura

l7-3

Calidad en bienes versus sevicios

350

ADMINISTRACIN DE OPERACIONES

IC{t)irulo

l,]

Captulo l7

CONTROL DE CALIDAD

351

MEDIDAS DE LA CAI,IDAD EN BIENES Y SERYCTOS

El control de calidad inrplica medir las caractersticas Ie calidad, retroalimentaci de los dalos, comps. racin con esrndares especificados y correccin cuando sea recesario. El control de calidad en la produccin de bienes descansa fuertemente sobre la medicin de caractersticas materiales. Propiedades sicas, diseo y confiabilidad del producto son los elementos clave. Los servicios frecuentemente poseen valores estticos o in. telectuales cuya calidad es ns dificil de medir. Medidas secundarias, tales como ambienle o tienlpos son fre. cuenremente usadas para evaluar la calidad de los servicios. Una comparacin de las caractersticas de calidad en bienes y servicios se puede encontrar en la figura l7-3.

(La probabllldad cambla con cad lnt6nto)

MToDos ESTADISTTCOS DE CONTROL DE CALIDAD

Los dos enfoques princ;pales para controlar la calidad son el muestreo de aceptucin de productos qus entrar o salen, y el control del proceso de las actividades reales de transformacin. Vase la figura l7-4. Am. bos rnioJos inel.uyen tcnicas estadsticas de rnuestreo: Siu'crnbargo, its nrtodos de muestre de-ceptrlcin descarsan en la estimacin de niveles de artculos defectuosos antes o despus de gue el proceso haya sido ter. nrinado. El control del proceso es ms til clurante un poceso para asegurar queia produccin tlo est luera <Je l<s llmites aceptables. El principal medio de control del proceso es mediante las cartas de cotrtrol.

plxy
Msdla ). = rp Vatlanza = np

- -!'--"-ttzttx ,,"t1
Medld P = nP Osvlaclneslndat = o ='/;P;

Flgurs

l7-5

Dis(ribuciones de probabilidad tiles en control de calidad

CONTFOL DEI PROCESO (Grlic8s de co)lrol)

Alrbutos
Llmtos =p r 3r, =c-131.

Varabls

tr.stc rohlerna requiere el uso de lgica deductiva. La tasa de error est dada como un porcentaje y puede ser tomada co,lo una constante. Si pcdemos su,on6r que cada cuenla es independiente de otlas' entonces se aplica la distribucin binonial.

Llnites - x=r 3s

P(x =zln: I0,p =

Ntese que la solucin

0,15) =

d:,

p'q"'' =ffito'r'to.ttta =

o'215s

MUETBEO OE ACEPTACIN

Airlbutos Plxl, p)

Varlable

pr.d. obt.n..s.

ms directamente de la tabla de probabilidades binomial dada en el Apndice C.

Plxlr,

ol

l-iguro 17-4 Tcnicas estadsticas para el control de calidad Las caracersticas de caliclad obsevadas son clasificadas como caractersticas de atributo o variablcs. I-as caraclerstcus de atributo se puer.len presentar o no, tales corno defectuosos o no defectuosos o pasar o llo resistir una prueba, No existe medicin del grado de conformacin. Para datos por atributos, una distribucin discreta, como la binomial o de Poisson, es usada para hacer inferencias acrca de las caracteristicas cle la poblacin que est siendo contolada. Las coracterlsticas variable se presentan en diferentes grados y son neclibles. Como ejemplo, pueden mencionarse las dinlensiones, los pesos y los tiempos. Para datos variables son
usaclas distribuciones continuas, tales como

son llenadas por una mquina Elem plo 1 7.2 (Dlstrlbucln nof me l) Las latas de mal z en la Cresent Valley Cannery qu. pL.. ser caiibrada para cualquier peso promcdio deseacto. El llenado est normalmente distribuido con una dcsdeben contener l6 onzas o viacin esrnar de 0,4 honzas. Si los estndarcs de calidad especifican que el 9890 de las latas control de calidad? ms, .tlntle debe recomendar que se fije la escala de onz-as de la mquina el supervisor de

Iii promedio <le la mquina debe ser fijado lo suficientemente alto para que 4Eq0 de las lalas que contengan menos del (figura I7-6), prorneclio nrantengan un contenido de l6 onzas. Conociendo que el llenado est normalmente distribuido poderios usar la expresin de la desviacin normal estndar.

poblacin sigue una comuncs usadas en la evaluacin de la caliclad. Si se sabe que la variable de inters en una probabilidades de obterer resultados las estartstica, distribucin Poissor, u otra de o clisrribucit normal, Otras aplicspecificos cle ral poblacin puerlen obtener se por lgica detlrcliva, usando teora de probabilida<1. en un caciones nccesilan para unainferencia acerca del nivel de calidad de 13 poblacin, una evidencia basada proceso inductivo, es n es(a inferencia muestreo liritado. Hacer

la normal. [.a figura l7-5 describe las cracreristicas significativas de algunas cle Ias distribuciones estadisticas

ns

15.0
Eemplo i7.1 (Dlsfribucin blnomlal)
ticrre
", tonladr,
,

t1e

2 cuntas rres que harn necesario el pago cle impuestos adicionates. Cul es la probabilidad dc que exactamenle u muesteo aleatorio de l0 generen pago dcimpuestos adicionales?

Quince por ciento cle las cuentas revisaclas por una empresa de audiroria

txl

p"7
Ftg. l7-6

152

ADMINISTRACIN DE OPERACIONES

1('apirulo

ll
Caplulo t7l CONTROL DE CALIT,AD

--v z-x U
dondc

[Nora.'esto corresponde a ut rca de 4890. f)ebemos cr)trar al cuerpo rle la tabla dc la distribucin nornral (Apndice B) tan cerca cr)no sca sible a un valor de 0,48 y leer del margen el nnertr de desviaciones estndar,]

X = Llcado espccificado = l.0 onzas - Mcdia no conocida (, = 0.4 Onzas Z = Nncro de desviaciones estlrdar de X respecto r la rnedia

po.

:9

C p

e o

0.6

ParaP(X)
Por tanto

.CO,

Z = -2.05.
p = X I Zo=
16.ll

E
t 2.05(.4)=
l.$17

o.

0.02

0.04

PI,ANES DE MUESTREO DE ACEPTACIN

Las inspecciones de control de calidad generalmente son sobre la recepcin de materias prinras o sobreel producto termlnao. Un iineamtenlo generai es inspeccionar si el costo de inspeccin en unu eopa duda 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 deci. sin de aceptar o rccltazar un lote es lomada con base en la evidencia muestral. Pero todas las nruestras no son necesarianente representativas de la poblacin. Por esto el muestreo de aceptacin implica algn riesgo de rechazar lotes buenos o aceptar lotes nalos. La cantidad de riesgo puede ser especificada y controlada estadisticamente en trminos de un plan de muestreo. Un plon de muestreo es una regla de decisin que especifica qu tan grande debe lonrarse urta nlueslra y la medicin permisible, nmero o porcentaje c de defectos en la muestra. Los planes de muestreo por atribu/os esrn basados en una clasificacin cualitativa (contable) del artculo (v.g., porcentaje de buenrs o nrl(rs) y las probabilidades de defectuosos en la poblacin original son estimadas a partir de distribuciones cliscrctas, cr.ro la binomial y la de Poisson. Los planes de nuestreo por variable estn basados en una carauterstica cranrificable (nredible) tipicanrente usando la distribucin nornal. Se establece c coro el lintite aceptable especificaclo y X cooro el porcentaje real o hipottico, o nmero de defectos.

c)

CC paro io,/o de inspeccin

Flgure 17-7

CO para menos del l_0090 de inspeccin

Curvas de earacterlsricas de operacin

(

2)

Dl rie.sgo det clienle, es el rote tolar, v

<Je

tomar una muestra

bajo este

"'.piu,',n.rore riesgo. Si un lote

maro,

mato

f;,:'ii|:';:':;;,.xrl*:.:Iqi$1;!ilt

Para derivar un plan de m.u.estreo, productor el y el cliente deben no sro especificar

"r,o.i'j'iiiiiililff:flil?]lirfl:r;r#il":ffJ ;;;A;r;;;s referimos ,.rto "o.o.rror rrpo rI.

.,o r,

,ffi*:rff:ffiHhh.;r*:.,",
de

er niver de iespo

' defini,ui bue

calidad qtre el productor desea aceptar con una

'"",,[::i;;fJri'.:.i',,r]*:fi*i*i.il*,,,x,j[it*ti",,,.*H gr., prouuuiriaad

I
n =.4O0 c <8

aceptacin.

es,.e, porcen,aje de de_ y representa un nir.r .

Elemplo '17.3 tlstese un plan de muestreo po a) atributos y ) variables. u) Plun rle alributos: Sclcccincse ulr tamao
de mueslra ,, = 40, aleatorialne(e colltar el nrncro de accptar el lote, de otra tnattera, rechazarlo. b) Plan por variubles: Seleccinese al azar una muestra de lamano n = 4O, y medir el promedio de fuerza de tcnsiu, X > 12 0 lbs/pulg2, aceplar el lote; de otra mancra, rechazarlo.

dclectts X. Si .f

s ],

,f

Si

t I
t

I I I

CURVAS DE CARACTERSTICAS DE OPERACIN

llna curya de carocterlstcas de operocin es una descripcin grfica de un plan especfico de nluestreo (combinacin n,c),lacualmuestralaprobabilidaddequeelplanaceptarlotesdediferentes(posibles)nive'
les de catidad. La figura l7-7a muestra una curva de caracteristca de operacin (CO) para medicin por atri100 artlculos. Si < 210lo son dcfecbutos, donde se realiza una inspeccin de 100% de un ernbarque de N

rl| \l

\r

\i \r
<4
=
100

tuosos el embarque es aceptado, y si>2l0lo son defectuosos, es rechazado. Suponiendo una irspeccin segura, <ion{e no hay riesgo de error, si el lote contiene 0, l, 2 defectuosos, Ia probabilidad de aceptacin es rle i.0, mientras que con 3 o ns defectuosos la P(aceptacin) = 0. En la figura l7-7 el embarque es mucho mayor (lf : 1000), y el productor y el cliente deben adoptar un plan de mrestreo para reducir los costos de inspeccin. Resultan dos riesgos:

l) lll riesgo

del productor, es el de tomar una muestra que tenga una mayor proporcin de defectr.rsos que el lote total, y rechazar un buen lote. Esto es conocido como riesgo alfa (a). El productor espera mantener bajo este riesgo, entre I y 5s/o, Si es rechazado un buen lote, nos referilos a csto com() un

t NAC

0.06

crror tipo I.

Flgura 17-E Efecto en la CO de cambiar el tamao de muestra y el nmero de aceptacin

PTDL % defectuosos 0o)

DMINISTRACIN DE OPERACIONES

ICarirulo l7 Caprulo l7l

CONTROL DE CALIDAD
Valoros

355

El porcentaje tle tolerancia cle defeclos del lote (PTDI.) es el nivel de,calidarl tle un lote malo. ste reprcsenta un nivel de calidad que el cliente desea aceptar, con una baja probabilidad. Los lotes que tienell un nivel de calidad entre NAC y PTDL cstn en una zona de indiferecia. El riesgo q en el nivel NAC y el riesgo p en el nivel P'[DL establecen dos puntos que determinarl grandcntentc culcs debcl ser el tarnao de nruestra r y cl nnrero de aceptacin c. El plan de tuestreo apropiarlo (conrbinacin n, c) puede ser establecido consulrando tablas de planes estndar, lales conto la Do<lge y Roming, o la U.S. M:litary Standard MIL-STD-t05. Paralelanente, puede seguirse un proceclimiento dc pruebu error en el que sn usados diferentes valores de n y c para encontrar la combinacin que proporcione ulta CO que pase lo ms cerca posible de los dos puntos. Para una muestra pequea,[a curva CO es relatvanenfe plana, esullando grandes riesgos de productur y cliente. Incrementando r se hace la curva CO ms disclinrinante, hasta llegar al punto donde una nittestra,je l000io elirnina todo riesgo (figura l7-1a). La figura l7-8 muestra cmo incrementando el nnero dL'acepta{,jin de c < I o c <4 canlbia el riesgo de productor a cliente. El plan de muestreo representado por lineas purtreadas muestra el efecto de incrementar el lanaflo de la muestra; esto es ms discrirninane enlre lotes btlenos

sllernsilvos de !/. del6cluosog

0
0.01 o.o2 0.03 0.01 0.05 0.06 0.08

Moda

do Polson 0 ,.0
2.0 3.0

{.0
5.0 6.0

-_

a = 1.00_0.92 = 0.08

0.f0

80
to.0 lal

(NAC) 'rnl.: (PTDL),

/, = % delecluoga

I-igure

li-9

PI,ANES DE MUESTREO POR ATRBUTOS

Una vez que son fijados los riesgos a y (en los puntos NAC y PTDL, respectivamcnte), puede se r detcrliado un plan de muesrreo (valores n, c). Si los datos son expresados en trminos de proporciones (v.g., porcentaje .ie defectuosos) entotces la distribucin binornial, Poisson o aun una aproximacin a la nornral es usa{a para calcular las probabitidatles de aceptacin de un plan de muestreo por atributos. Elemplo
1

Valores de la curva CO y curva de

, = ,*,

cara< "on'Il'fas

lb)

de operacin para plan de nruesrreo

PI,ANIj. )I' MUES'I'REO POR VARTABT,ES

7.4

d a{oprar

u plan por cl cual el ricsgo a

l0o/oenPTDl,

= 5godedefectuosos.ConsrryaselacurvaCOparaelplandemuestreo = l00yc<2,eitrdiqucscsi

embarque de t 000 semiconductores es inspeccionado por mucstreo. EI productor y clientc lall uc()rdn' es timitatlo a 50/0 eI NAC - l9o de defectuosos, y cl ricsgo p est lirlritatlo a
cl

plan satisfacc los requerimientos.

Para construir la curva CO debemos determinar las probabilidades de aceptacin dcl ernbarque para difcrcrllc! valorcs posiblcs rJel porcentaje real de defectuosos en la poblacin. Dado que e[ embarque es aceptado cuando se tictlet s 2 dc defectuosos en la iuesrra, las probabilidades que buscan:os son P(<2), dados los valores alternativos de la poblaeirr' Si estanros trabajando con ura distribucin binonrial, podcnros escribir esta probabilidad como

drr v qrre s()tamenre u,r rieseo

., o op), :i^::r,"-":r:: usando r,.i,t,iru.iJn"n.,i.r "";;r;;;;;):'";":":;','" r,,,,",.,r,r..,,.,:;,: lirnitc cririco c, si c es v resorviendo para ;,J:".1i:,::ff[:ojld;]T. dadi, rcsulvas p^ri n.
"

:ll:?liT:fiilffi';::#;LXIT:::::|:..:i:*:1..i::1. ras caracrerrsricas que se conrrorarn. Dehi. ilir[$T:[:,:',';::?:T:Ti:fl::':,i::,Ti:f1i*:i::iiixlil:::["J,1,'lL,itxlii',l,,,1,:;]i,i,li: --'-""' rlrd ulrectamente'.capitalizan el hecho de rue ias mcdias cie mtestras [:";]:"il,:,'" ff.:l?ff:x'l"l',*':,,-;:i::iiii1:;ijl?lil',11;?;;ffiil'.T;fl:11,:::i'flffiJ?; suficientemente grauJ., ; distribuidas'., ,rr'lririJr.ij, rnrrestra qlte rnuestra que tiene media = y v error ectanAa..un error ll estndar c, = l\/; -1?.1"ttalmente ,'t,]XiX;T:."1r|""fl1_::*L:[::fi.T:ll upone que
er.lamo el lamao de <re muestra rnuestra es predererminapre<rerermina.
er

P(X <21n, p)
y obrener los valores con una calculadoa o en el Apndice C. Sin enbargo en la figura l?-5 rrotanros que la probabilidad biromial dedefectuosos puedc ser aproximada a una distribucin Poisson, debido a que el tamao de mueslra (10()) es > 20. Aparenl.emette cstamos (rabajando con un porcentaje pequeo dc defectuosos de p s O.lO y np apuece ert los liitcs dr'

Elemplo I 7'5 (Dado sloo: resolver para c) una funditJora de-merares produce lingotes tn nonnatnrenre disrribuidos con una de tiranio cuyos pesos desviaci" .rteir, l.', = 8 tib.; L;;.;;;r,.i[lr"ro", que promedian esr.s dc 2(Xr rihras son consideradas .t"j".rriJr,'y';;;;r.r, .u" ar,rinrir'r-J;;;;or"r. Disese un planmen*esf reo paf a ,na mresf ra de n dc = s25 que rimire ei ,i.rgn'a. re.har., tnr.s-qu.;;;#;; 200 librasaSgo.

,",.,iil:":.'illj*:"jr,::f:.;;ff:'j:.ri::il,r:
E
linrite ( cs, cntonces: V

.i;liJ,:,H

5. Usando el Apndice D podenros obtener la probabilidad de Poisson como

l:;ll;l:,,",.,"s

q,re,a distribucin ,re

,as n,edias

P(X <21^) donde X = nnero de defectuosos en la muestra

ot =:1==

*= r V25

l r,rn

I = p=

edida dc la distribucin Poisson

<te

porcentaje (alternativo) de defectuosos en la poblacin

dondc

7-

c-lt-Z''
!,alor correspondiente at rea le 0.450

ill

':li

Iror tanto, para el porcentaje

doude

NAC dep = 9.9, crcontranlos la probabilidad de aceptacin del lote conto

1.64 (del apndice B)

P(X < 2l^ )

,\ = np =

(l0O)(0.01)

= l.

Por tanto

P(^' <2l^ = l) - 0'92

(del Apndice D). l,as probabilidades para orros valores posibles de la nredia real estn dadas eD lafigurall-9u, y esos valores son gralicados como una CO en la figura 17-90. Nlcsc que este plan (r = 100, c < 2) da un riesgo a dc 0.08 y un riesgo dc 0. 12. Antbos exceden los resrectivos litrr itcs ric 0.05 y 0.10. Dado que anrbos riesgos estn exccdidos, sc rcquerir una muestra ms grande, y los clculos se rcpctit:,

o,- = 1.6 tb

Flgu 17-10

356

ADMINSTRAC'IN DE OPERACIONES

[(_'apirulo l7

Caplulo l7.I
Por tanlo,
l>lun: Tonar una mueslra alearoria de barque; de 0ro nlodo, rechazarlo.

CONTROL DE CALIDAD

751

200

1.64(r.0

197 O'O

P/r.'Tomar una cuenta aleatoria de n

34lingoles, y determinar el peso promedio. Si

>197.7 lbs, aceprar el

em-

n=

25 lingotes y dcternrinar el peso pronredto. Si

>

197.4 lbs accptar cl cm-

bar<lre; de olra manera rechazarlo.

En el ejemplo 17.5, con el lnrite fijado en 197.4 lbs, el riesgo es rechazar un lote que realmente pronedia 200 lbs (un buen lote) est limitado a 590. El plan fue lotalrnente establecidc con base et el riesgo c y en un ranao {e mucstra {a{o. Un tamao de mrestra ms grande deberta, por supuesto, ser nls discril)inatte. [)or ejenplo, c<n una muestra de n = t0o el limite de rechazo se eleva a 198.7 lbs. Si anbos riesgos, el clel productor(o)y del clienre(p), son especificados, el tanrao de nruestra requcrido () y el limite de rechazo (c) pueden ser calculados estableciendo dos ecuaciones para c en lttgar <le una. Ejemplo 17.6 (Dados c yp: rgsolvef para f, y c) U na ernpresa de metales produce lingotes de titartio cuyos peros estl normalrenre distribuidos, con una desviacin estdar de o = 8.0 libras. l.os erbarques de lingotes que pronredien 2) lbs son cle buena calidad, y aquellos que promedierr 196 son de tnala calidad. Disese un plalt de nluestreo que s;ttisfal])Ii::robabiE.il()ssigliilr5quci'irriicnis:a)laprr;babilid*diler;-ltazarulll;lecr;;uapescproniedii'Je2OCIbes0:05 lirjad de aceptar un lote con un peso promedio de l9 lbs es 0.10

NIVIiI,I.,S DE CAI,II)AD PROMEDIO DE PRODUCTOS SALIENTES

tJna r.'r'o de mlidod protedio de troductos salientes (CPS) muestra la calidad prornedio esperarla en totlrs los lo(es salicntes despus de que los loles rechazados de la muestra han sido I0090 inspeccionados y rodos krs tlelectos eliminados. Los lotes entrantes con un pequeo porcentaje de defectos pasarn con una calidad 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 10070 inspecciottactos, y slo pasarn los artculos aceptables. La curva CPS tiene et verdadero porcentaje de defecttto-(os en los lotes inspeccionados en el eje x y el porcentaje de defectuosos (Pr) en lotes de tarao Ndespus de lrr inspeccin en el eje y.

gp5 = &I'r-1ry-')

l.l7 5\

dor.ls P.. cs la probabilidad de aceptar el lote para diferentes valores de porcentaje de defectuosos (de CO), y r cs cl lamao de nruestra.

(:ON'I'RI)I, DEL PROCES() PARA VARIABLT]S IIIET)IANTE GRFTCAS DE, CONTROI,

l.ts rrttica.s de conlrol son rrsadas para rnonitorear caracterlsticas de calidad seleccionadas de un proceso dc Jrrrrdrrccirn a travs <lel tienrpo. l-as grfico.s dg control de t,ariahles, tales conro la media . y el rango , sor rsadas para nronitorear datos continuos (rnedibles) (v,g,, el peso o las dimensiones de un producto). Las gr.fit'tts de control de atril:ulos tales cmo una proporcin p y un nmero c son usadas para monilorear datos discretos (contables) (v.g., el porcentaje o nmero de defectuosos en un producto). lvfuchos procesos tienen unos lmites de tolerancia naturalmente amplios dentro de los cuales caen la ma)'ora tle las observaciones. Sin embargo, como establece el teorema del limite central, las medias de las mueslras y las proporciones de las muestras exhiben nlucho menos variacin que los valores individuales. Vasc la figura l7-2, donde I y 7i-son los Iimites de tolerancia naturales superior e inferior y UCL y LCL son los llnites de contrrl superior e inferior.

2 =

196

l*.''4
l'igura l7'l

ru"

----------

printero l,a siruacirr del problema cs descrita esquemticamente en la figura l7-fl. El procedinlienlo de solucin es estndar Z Entorccs' establccer las ecuaciones sinrultneas que determinen el lirite de rechazo c en trminos de errores de c son: resolver para rr y sustituir etr alguna cle las eCuacioneS para erlcontrar c. Las dos ecuaciones

a) D)

De arriba:

c=

'pt-Z-4:-zoo-1.45j2 Vn Yn ' Zel= ln

l!=
ln n=(
'I;o*

Dc abajo: lgualando las ecuaciones:

c = |t2-t

t.zA$
Vn

2oo-

r.45

le+

1.289
Vr

Flgure 17-12 Limites de control para medias muestrales

/21.40\2

4 / =34
t97.7 lb I.<ts lltnites de conlrol son las fronteras dentro de las cuales puede ser esperado que los estadsticos muestrles varien debido simplemente a la aleatoriedad del nruestreo empleado. Son calcuiados a partir de las dislrihtciones mtleslrales relativamenle estrechas y son establecidos en 3 (o posiblenrente en 2) errores estn-

Por lantc,

=2oo. 1.4slL= v14

358

ADMINISTRACIN DE OPERACIONES

[Capitulo l?
Capltulo l7l

CONTROL DE CALIDAD

35

control", 99'7-de los promedios de las mueslras dar del pronredio del proceso. cuando un pfoceso est "en grfica' Si los promedios muesttales caen cle t 3 errores estndar de la linea central de la
lebe estar dentro

Tbl, l7-l
Tamao

Fsclores parr calculrr lfmltes de conlrolr

probablem;nte la responsable y rlebe ser toniada una fuera cle los lmites de control, alguna causa asignada es
para uarsq monitoreando Una grfica tle cortrol es establccdB, con lllrltes de.t 2 erores estandaf, coutrol. o) Podrla esperarse que caigan fnuchos v-ali'lc5 rnucstras de ranao = zo. supngase rue el proceso est bajo c) Qu clase tle a qu tu ;iuutii .s q,i. una , nedia nuestral caiga fuera de los limites de control? i;;;';;;;tr;il de control? fuera est que proceso el erneamente concluyendo puede cometerse error

accin correctiva. Elemplo

le la muestr
n

Factor de la media

Rango superior

Rango

A
I .880

B
3.268
2.574

inferior C
0
0 0 0 0 0.076

17.7

2 3 4
.5

1.023 0.729 0.577

0.483

2.282
2..114

de las nledias, no los valores aislados' D) los limites son eslablecidos para controlar los valores que atrededor de 4'590 de las medias e :L 2 errores estndar, por lo .r o.ntro ,r.strit.i tus ,",1i", de 9i.5go malidad, no es cierto' es, conctuir que el proceso st fuefa cle conrrol cuando l. Esio .iitp" ;;;;;.;i;;;. )

si,

Suponiendo ltor-

6 7 8 9
10

2.004

0.4t9
0.371 o.331 0.308

t.924
t.864

los limites de control para variables' Una La figura l7-13 ilustra y lista algunas expresiones para calcular muestrales y es usada para sealar nredias grfica de conrrol de ,".i"lerafi.iJ.,Di.t.f" r^tiaii1rt enrrelas denlro de las muestras y (R) variabilidad monitorea giIica del rango piceso. l-a un canrbio en la media el di dispersiri y las omin medida es una rango El datos' es usada para sealar un ."nrbio'.n la diipersn de los rangos (ecuacio de los para el uso y l7-7) han sido adaptadas exrresiones esrndar para ,r.lu"(..r".ines 17.6 Estrs factores tabla l7'l' Ia en datos los como estanda;izados rues) 17.8 y 17.9) usando factore, de conversin y l7'll)' (ecuaciones l7'10 tanrbin faciliran el clculo de los lmites de control clel rango
Medias (grficas X )
0.258

t.816
t.777

0.t36 0.!84
-0.284 0.329 0.364 0.392 0.414 0.459
0.223

t2

'0.266
0.235

t.716

l4
t6 t8
20 25

t.61t
t.636 i.608
.586 .541

0.212

o.t94
L l80

0.t53

UCt.=X+Zox

(17.6)

0.256 o.254

l.Cl-i=X-Zox
UCI-- *+eR t.Ct.*=R -nR

(t7.7\
E o

Adaptado y usado con pcrmiso de "Quality Control of Mateials" Speciol Technicol Publication.rJ-C, American Society for Testing Metcrials, Philadelphia, 1951, pp. 63, 72.

Establccimiento rle las ecuaciones en trnrinos de rangos se tiene

o.252 0.250 0.248 o.246 o.244 0.242 o.210

(t 7.8) (t7.e\

o o

,E

17.8 (Grllca de varlables) Un proceso de moldeo de precisin est diseado para producir hojas con ur dimetro de l0 000 0.025 centlmetros, Para establecer llnriles de control, 20 muestras de = 5 hojas son seleccionada aleatoriamente de Ias 500 primeras hojas producidas, como sigue (tabla l7-2):'
EJemplo

Tbl I7-2

Rgs

(grficas

t)
(t
7.

^ 6
t0)

0.0

UC-L^ = IJ LCL8 cF doncle i= es la media de las control de a taba l7-l

i's,

media de los R muestrales, y

Io o.ot muestrales, R es la o
t
E o.o, LCL

(t7.tt)

s a

0.0

y C son factoes de

Figurn 17'13 Grfica de ltmites de control para variables

Muestral Muestra2 ... t0.010 t0.0t8 9.989 9.992 r0.0r9 9.996 9.978 10.014 10.008 10;005 50.00.1 50.025 X = 10.0008 10.00.0 R = 0.Ml 0.026
,i,

Muestra2o
10.004 9.988

9.990
10.019 9.983

4crgf(
9.9968

0.0036

El procedirniento para establecer y uar los lmites de colltrol

es:

l)

2) Tomar 20-25 ', 3) Establecer y graficar los lnlites de control' liurites. las causas de q.ue cuatquier punro quede fuera de los our.ru., v 4) "r"; il;;;;r, y los lmites de control' recalcular asigna-bles, p, " r"riilii"i 5) Descarrar purros fuera "urru, regulares (suponiendo que el mueslrco 6) Usar los ln.ites revisados y conienzar actvidades de muestreo est econmicamcnte justificado).

que se monitorearn' Seleccionar el trabajo y las caracteristicas de caliclad y calcular X y R para cada una' muest;as de ramao

La gran media,

de las medias muestrales y la media de los rangos muestrales, r{ son:

; IX's x=-=

10.0008+ 10.0050+
20

...

+ 9.9968

No. de muestras O.Ml + 0.026

20

10.002 cm

S IR's = x=--=

+ ... +

0.036

No. de muestras

0.032 cm

a) Encuntrense los llmites de control de las medias instrumentales y D) los llmites de control de los rangos muestrales.

ADMINISTRACIN DE OI,ERACI(,

:i:S

[Capruto

f7

CONTROL DE CALIDAD

3l

N,[edia:

UCt., = X + AR = 10.002+ 0.511(0,032)

..n,rn=

= l0.020irn

= 10.002cm

en 20 muestrs Tabl 17-3 Allculos defecluoos

l-CI- = X

- AR =

t0-002

0.57'tlo.o32)

n=

50 suteres

9.984 cnr

l,)

Rango:

rJCLs = BR- = (2 I 11)(0,032) = 6,663 .,n Cento = = 0.032 cm [.Cl_r = X = (0.000X0.0]2) = 0.fi)0 cnr

R-

Muestra n{rmero I
2 3 4
5

N{meo de defectuosos
z
3

Porcentaje de defectuosos 0.04 0.06

0.08

4 I 0 2 4 I

CoNTROL DEI, PBOCESO POR ATRIBT]TOS MT,]t'IANTE GRFICAS DE CON'IROL

l-a ligura l7-14 lista algunas expresiones para calcular los lnlites de control por atributos. Una grlica rlc c()rtrol para proporciones (grfica p) est basada en la distribucin binonrial (o aproximacin norual) y cs scnsiblc a un cambio en la proporcin de defectuosos en u1 proceso. I-os nmeros (grfica r') esln basatlos en la Jisrribucin de Poisson, la cual supone una pequea probabilidad (evento ocasional) de defcctuosos. Estr) qs espe-cialmente til para controlar la tasa dedefectrrs crrando el nmero deno defectuosos no est r.lislxl rible, debido a que usa slo el nmero promedio de defectuosos.
Proporciortcs (grficas P)

o.07 0.00 0.04

0.08

6 7 8 9

0.02 0.02 0.06 0.00 0.02

0.04

I
3 0

t0 1l
12

I
2 I 0 3
1

UCl,= p+3so
l-Cl,u=
rlondep

(17.12) (17.13) donde c

p-3s,

ucl-"=i+3s" l.Ct-" = d-3s.

= nmero promedio & j,u,r.ru ,o,"1 d. dtft. =
s.

(17.11)

t3 t4

0.02 0.00 0.06 0.14 0.04 0.02

0.04

(t7.ts) rrt (t7.t)

l5

proporcin de defectuosos en la nruesta

de dqfectos por trrtidatl

l6

=,,,.;.;;, *;,;i rtii*tu'

s, dontlc n

nnrero de defectuosos

l'l
l8 l9
20

nmero dc rnues{ras

t,'g = V.r

- V7

I
7 40

tamao de ntucslra usado para ntonitorcar

t'igura Esmplo

l7-l.l

l.illitcs dc coDtrol para datos de alri[utos

Una erlprcsa fabicarrte de ropa deportiva ha establecido una produecit itttcra s':,rrorntica ,le ,nu lina, de sutercs. Veinte nruesrras de tarlalo l = 50 son tonadas aleatoiamenle dutanle la rt pernlanecen ell el-embarque, pcto rrrana cle produccin para establecer limites de conrrol para el proceso. l-os defectuosos 20 nlueslras 5(rr ric,en menos valor, porque se pueclen vcnder cono de "scguncla". Los dcfcctuosos dstectados eD las

l7.g (Grllca p ds atrbutos)

I o
6
o

o.re

PrsllmlnarUCL,=0124
0.12

rnustrados el la tabla l7-3. Calclense los lrlites de control de este l)roceo'

E
a

o.oe

UCI-,=pt3so
^ -

4(l nlnero de dcfectuosos = =0.0+0 nmero total dc articulos 50 x 20

=

o 'a
@

0.04

pr6llmtnar p = 0.010 LCL,

Musgtfa nmoro
=

r''

V?

t* =

V- 50-

/r6tr{xuell=e2s

6(
Flqur l7'!5

UCl.,=0.0.10+ 3(0.028) = 0.124 3 (0.028) = LCL,P = p - 3s =g.6a0

0.0100

l,dra usar csros limires es construida tna grfica preliminar (figura l7-15), se agrupan los puntos. Ntesc que la fraccin de clefectuosos en la muestra l7 est luera de los limites de control. Supngase quc la razin de csro es investigada, y la causa es que una nueva mquina ha sido colocada en ese punto antes de recibir los ajustes dc tttt lrccnico. -Este dato es entonces descartarlo y es calculado un l)ueyo valor de p y unos nuevos lirnites de control.

N;oIn

en el por lo que esos llmites se convierten cae fuera de los nuevos lfmites' de los valores de las muestras restentes

"r,;;;i;;
Etempro

n.t.

controlar el proceso en el futuro'

'11

5fit=o.o3a1
+ 3(0.0259) = 0.112

,,= JQg?oeq:oo2re
L-L'.l-,

Cl-,

";10..11',111"1::fi'i:lffil.r','ilT:T,iH:;l1il:,i:*T:l::'il[:'ffi1':'$:::'*f;:J:l i".:;;;?;i,r:ilff:l::|ilf:ffi:XfiffiJ,x!1,*fr:r,por unicia<r, donderosderecros son rasquejas porescriro

o(.rir,i
Dor dla como una meul

= 0.0347

= 0.0147

3(0.0259

= 0.000 o.

aplica la distribucin de Poisson: ,"::i;,;t";ir riiu I ia' r'ntnces se

3b

AUNllNls.l RACION Dli OPtiRACIONES

[(

apirrrltt

ll
Captulo l7l CONTROL I)E CAI,IDAD
363

Tubls l7-4 I)ia (luestra) nmero

Nnrero de quejas/dia

t234567ti910 482039100
de defccros por
4

Toial

M:].OIX)S F]STADSTICoS T)E CoNTRoI, I)E CAI,II)AI)

16.

17.2

c-

= nnrero prornedio

uidad

= ttlijSt = 4.6 quejas por clia

se corsidcran conro cero) <le cero

cionackrs los radios para rrcs rruebas si:

trol de calidad ha seleccionadtt alealoriarrenle cinco al)aratos. En currras [ornras pueerr scr

Xistor Radio G. dcsea realizar pruebas en algunos apararos de radio rern.ina(l(ls. El rrspector

<e

cor:.

selec-

s. =

VE= la.6=z.ta
d13s. = 4.+3(2 14)= ll'0 .3s" = 4.6- 3(2.14)= 0 (los valores negarivos
es de

a) Puedecualquierradioutilizarseenunaoentodaslaspruebas,yaquelantolaaplicaci(rnasi

UCt..

l.cl,, -

El pronredio (<tcl proceso)

4.6 quejas por dia y los lmites de control van

a I I quejas por dia.

diferenre orden de rclacin cuentan de nrodo diferenre (opciones mtittiple.t)? ) Ningn radio puede ser tsado en ms de una prueba, pero el orcten de silecci(n r.larca una tliferencia (permutaciones)? c) Ningn radio puede ser usado en ms dc ttna prueba, y el orden <le setecci e tn rarlirr () cera
(

ctrnr<,el

cont binociones)?

ol Problemas resuelto
/))
COSTOS DD CONTROI, DE

Sea X = 3 rarlios seleccionados de Scleccioncs mltiples

= 5 radios
N, = 5 = 5.5.S

- t2i

fornias

l)ermulaciones

CAI,IDAD
,

l7.l

t,: )
('onlbinacioncs

ElgerentedenercadotecniadeRollerBeayingslnternational(RBI)esrimaque"laspiezastlclecluosas qrJpun..n nranos de los usuarios industriales cuestan a RBI un promedio de $20 cada utia" cr eoslos que "slo 290 de las piezas sutr tlclec' de reenrplazo y ventas perdidas. El gerente rle produccin rlice pero no mucho ls ( ttert.s ruosas ahora, y qre uninejor plan di muestreo podria reducirlas a l9o; plaq de nuestrco si cst, cuesta u) u' adoptar RBI ie 10090)." Debera que hagarnos un.irrsp""cin io.topnr piezab)g0.Z5porpieza? )QutantoporpiezapuedegastarRBlencostosdcitts,c'r:itirtatttes de comenzar a perder dinero por la inspcccin?

,'_1=
nt,

ir$= t+li?:!
5!
5 .4

6orornras

c':
t7..1

: !(n - r)! = 5!(s:lli =

f:r t 1i = lo formas

.3.2.

sc lotlta tllla ltrteslra de cotltrol de calidad en

I

il I lg;l (l as.

n=

100, y la desviacin estndar cs calcularla clr 0.250

con propsitos
100 piczas.

rte

ilustracin, supngasc que todas las comparaciones estn basatlas cll tlll lo(c

dc

14 ('alc(rlese el

error estndar de la media. l)) .('lrl ser el error estndar si la mtestra es de I 000 en lugar de

100?

a) Sin itrsPeccirr:
Cosro cle los defectuosos

,tl

100(0.02X$20lpieza)

$10 $20

$40

/')

.s 0.250 s, =.:=:'---_= 0.025pulgadas \/r V il)r) 0.250 r, = j=-:= = 0.009 pulgadas

v I ()00

Con inspcccitt:

Coslodeitrspcccin=

Costo de los lcfectuosos Veutaja de inspeccin: Sin inspeccin: Coslo defectuoso =

lo0($0'Iolpicza)= = 100(0.01X$20lpieza =

11.4 30

$30-+

.Ctrl clistribucirr de probabilidad proporcionar una respuesta apropia<Ja en un tiempo razrlrable si tiesealltrs conocer la probabilidad de tener l0 o menos defectos en una muestra de 400 cle urra pobtacit\ll colt l9o de defectosos;

$10(o $0. lOlPicza)

n) l,)

hipergconrtrica hirromial

c) d)

normal
Poisson ,r
nr
=. .10()

)
_ \lf
)

Student

Con inspcccin
Cosro de itrspeccin = lJ($0 25lpiez'a) Costo de los defectuosos Desventaja de inspeccirr:

= 525 = S25 : $20 = S20 y5+45

$5(o $0.05/Pieza)

= (4txl)({|.{ll) = 4 = <5

t=O.Ul=<0.10
I fl (listribucin rlc Poisson cs la apropiada

I'(X

:-r

l(ll

= 4) = 0.997 (dct Apndice D)

c)

Sea

X=

cosro dc inspeccin por pieza. Enl.onccs el costo minrno ocurre cuando delectuosos uott ttt,;cccifl Cosro de defecruosos sin inspeccin = cosro tle iuspeccin + costo de los (100X0'01X520/picza) 100(0.02)(520/picza) = x(100) +
40 - 2u -= So.2o/ tieza = too '{

'5 .

llrr una planta industrial, er peso promedio de una susrancia qurmica empaca.la es l, gz.0 kg y ra de* viacin estndar es r = 4'0 kg. Si una rnuestra de n = 64 paquetes ,. ior" de la poblacin para insrccciirn, crrcrrrrrrese la probabiliclad de que:

a) Un ruquete de la nruestra exceda 82.5 kg (supngase que la poblacin est normalmenre <listribuicla
crr csta parte).

t64

DMIN ISTRACIN DE OPERACIONES

ICaprulo l?

Capitulo l7l

CONTROLDECALIDAD

365

b)
a)

La media muetral exceda 82.5 kg.

z=I:t=!1I:t2!= -o4
P(4 = 0.0s0
P(X >
82.5) = 0.500

s.25

Entonces,
b,

p(x

4)=

15! 5! -.t! ^r 0"'r'r,u','

"#

0.r,

(Apndice B)

G',i

0.50 =

0'450

(Vase la figura 17'16)

Ptx =

3r=+f

t:!.5!
=r,r4ilj,r,o,_0.0,
'J 6!

17.1

Dislribucin binomial. l09o de los ladrillos fabricados en un horno obsoleto son defecruosos en atguna forrna; Cul es la probabilidad de que exactamente 2 sean defectuosos en una muestra ateatoria
de l0?
l-a tasa de defectuosos
es

F!ure 17
bJ

16

Iadrillo producido es independicnte dbl ladrillo anterior, entonces

dada cn porcentaje y puede ser lomada como une constante. Si suponemos que cada se puede aplicar la distribucin binomial.

-r_i-1,
dode st =

o,

p(x =zln = r0, r

=0.10)

=dL- p'q" '=

ffi

to.roxo.e0)s = 0.te37

!:ln

-L= \/64

o.s

Nlcse quc la solucin puede ser obtenida ms directamente de la tabla de probabilidades binomiales del Apndice C.

_,.0 ._82.5:92.0 0.5 PlA = a

(APndice B)

l7.E

Aproximacin de Poisson. Un gran embarque de libros proviene de un editor que usuatmente entrega
I 9o de los libros con pastas defectuosas. Cul es la probabilidad de que entre los 400 libros tomados de este embarque, exactamente 3 tengan las pastas defectuosas? Este problema puede ser.resuelto usando la expresin binominal paru P(X = 3/n = 4OO, p = 0.01). Sin embargo, a menos que se tenga una calculadora que maneje exponentes, la solucin puede ser tediosa. Esto puede ser aproximado por la distribucin Poisson dado p < 0.10, r > 20, y np <5,

P(i

>82.s)

- 0.50-0.34 = 0.16

17.6

fue entrega' Distribucin hipergeomtrica. Un embarque de 20 tranisores recibidos hace seis senanas instalados en tlo en un rea de ensamble sin inspeccin de la entrega. Cuatro de los transistores fueron proveedor slo ha noti' un vehiculo espacial, y el resto fueron mezclados con el inventario existente, El

ficadoalaempresaquecincodelostransistoresestabandefectuosos. a) Cul es la probabilidad de que los cuatro transistores instalados en el vehculo es(n bien? ) cul es la probabilidad de que haya uno defectuoso en el lote de cuatfo?
a)

P6l=L:-t !
donde
A = nP

=3

ngx<g'I1,

- t''

P(X=

4buenos) =

--r.r"e forr,"s

formas exiosas

e = 2.?18(constante)

p(x = 3l^= 4.0)

llJ = lLj =(exq'0!-!.1= o.rss

ser calculados recoEl xito y el nmero total de formas le seleccionar cuatro trarsistores entre 20 deben de seleccin de los mis' nociendo qucningn transisror puede ser usado ms de una vez y que el diferenle orden escogidos eutre mos 4 no iambia nada, En este caso estamos interesados en las combinacioes de x articulos

n-20:

La solucin puede ser obtenida mfu direclamente dc la tabla de probabilidades acumuladas de Poisson dada en elApndiceD. Viendolacolumnadel a,l = 4yluegoaladerecha, alascolumnasdondeloseventossonde-

signatloscomo+c(envezde<x),dadoquenecesitamosc=3,debemosencontrarladiferenciaentrec<3yc<

.^=

nl !( - )l .I
)

2, la cual es0.433-0.238

= 0.195.

y conrbinaci'nes) (vase el problema 17.2 parahacer distir,cin adicional entre opcin mltiple, permutaciones Ntcse que se sabe que el lote contiene:

-rt 15 buenos/ +5 defectuosos + .-20

oral--\----

.
o

El tmero de formas exitosas de seleccionar 4 buenas

de 15 en la combinacin de 4 en Para carla una de esas formas

l5'

arr

El nnlero de fonas exitosas de seleccionar

rlefectuosas de J en la combinacin de 0 en

0 5.

Ci ] t

El n6mero total de formas de seleccionar 4 transisrores

entre 20 es la combinacit de 4 en

20.

J t

6'a
Flsur 17-17 Aproximacin normal
a binomial

368

ADMINISTRACIN DE OPERACIONES

lCapiruio

ll

Capltulo l7l

CONTROL DE CALIDAD

36

Io
q

6 o o o

a)

Distribucirpoblaclonal Flguro I7-20

Distribucinmuestal

De las distribuciones.de muestreo, los lfmitcs de control son:

q - 3.050

Cu

r.(xl

[JCL=

Dlmotro (pulgad88)

I + bt = l0 + 3(l) = 101 LCL=l-b=t0-3(l)=gl

!'lgura l7-19

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

P(accptacin) =0.5000 -0.4392 = 0.0608 l) en p = 1.920, P(aceptacin) = 0.061 2) ent = 3.959, P(aceptacin) = 0.500 en = 3.980, P(aceptacin) = 0.785 3) eny = 4.)0, P(aceptacin) = 0.9@ 4) enr = 4.041, P(aceptacin) = .596

Denlro de LCL:

, =r;* , = ,;*

=
=

10.75-

10.0

- o.rr

ast

P(z) = .273
P(Z)=o.273

e.2s: l.0

= o.r,
=

ast

Total

0.546

El rea fuea 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

1,14
NIYELES DE CALIDAD PROII{EDIO DE PRODUCTO ALIENTE 17.12 Unacurva CO revela que los lotes con un porcentaje real de defectuosos de 20lo tienen ula probaDli' dad de ser acep(ados de I, = 0.67. Si el plan de rnuestreo para lotes N = l00o requiere tanaflos de
muestra de

Nuclear Fuel Co. manufactura cpsulas de uranio en un dimetro especificado de 0.500 1 0.00: centlmetros. En 25 muestras aleatorias de 9 cpsulas cada una, la media de las medias (X) y el rangt (i{) fueron de 0.501 centlmetros y 0,003 centlmetros, respectivamente, Construir una grfica de,f y d, R que incluyan las tolerancias especificadas.
Vase figura l7-21.

100, ctii ser el nivel de calidad promedio (NCP)?

;ncp =

P"P^fl -_d=(0.02x0.q?J!tu0-100)= o.otz = t.2eo

ucLt= x 1p =(0.50t + (0.337x0.003) = 0.502

LCL. = R

-fr = .0.s01

0'500 -(0.337X0.003) =

En el ejemplo anterior, rlado que el tamao (le muestra es r, = 100 y el 290 de los artlculos en la muestta son tuosos (en promedio), entonces los dos artlculos defectuosos sern removidos de la muesta y reenlplazados anttl do a 2% de los 900 artlculos no inspeccionados. Esto es, l8 en 1000, o l.Srto de los artlculos. Dado que la proba lidad de aceptacirr de rn lore de i% de defectuosos es (de la CO) slo 0.7, entonces el valor espcrado o nivel calidad prornedio para los lote (de 20lo defer:tuosos) es (0.7xl.8olo) o 1,290 de defectuoos.

ucl-n = B'=

(1.816X0,003)

0,0054

LCLa = C, = (0.l84xo.oo3) = 0.0006

dequeellotecontinrucamino.ParalotedeN= I00Oartfculos,elnmcrodedefcctuosossereltonccs

GRT'ICAS DE CONTROL POR ATRIBUTOS

7.15
CRTICAS DE CONTROI- PARA VARIABLES 17,13 Unagrficadecontr('lesestablecidaparaunavariablenormalmentedistribuidaquetienen

Una muestra diaria de 30 artlculos fue tomada durante un periodo de I4 dlas para establecer los lfmites de control por atributos. Si fueron enconlrados 2l defectuosos. Cul deberla ser el LCL, y UCL.?
nmero de defectuososo total de observaciones

l6 estn fijados en 3 errores cstndar. Si los limites Ce control para muestras Qu porcentaje de lJs valores individuales en la poblacin pueden caer fuera cle los lmites dc coltrol?
Vase

o= l.

de tamao z :

p=

l0'y

fio*

=o.os

,,=

Jf

=r@o5lo:rsl

figura l7-20

UCL. = p + 3sp = 0.05 + 3(0.04) = 0.17

LCL.=p-3sr= 0.0J-3(0'04) = 0

1'10

ADMINISTRACIN DE OPERACIONES

IC'apiLulo l?

Capilulo l7l

CONI'ROL DE CALIDAD

371

TU (o5pclllcado)

1'1,21

[l peso de cajas de jahn es conocido y esl normalmente dislribuido con una lnedia tle 20 libras y una desviaci(in estndar de .4 libras ,aproximadamente qu porcentaje de cajas cn un embarque puede esperarse que pesen menos tle l9.5 libras si se hace una inspeccin de recepcin? Respue.sta 10-6010
cadena nacional de tiendas <le alimnlos. Ocasionalnlente los entpaqttes son dcfecluosos debido a los cortes finales, el color csr manchado, o lro estn apropiadamenle sellados. La compafa de papel y la carlena de alimenlos han acordado adoptar un plan de rnlleslreo para que el ricsgo de Northeasl Paper Co. est limitado al2o/o de rechazar lotes que sean bucnos con 0.590

17.22 Norlhcasl Paper Co. empaca un gran volumen de hojas bajo una marca para une
0.502

UCL

9,x
.g
!

c..

0.501

0.500

LCLT

rle defectuosos (/, = 0.005) y el ricsgo de la catlena no sea nrayor de 590 de aceptar lotes nralos con 4o'o dc defecturrsos. a) Constr(ryasc la curva CO para el plan de muestreo (n = 200, c < 3). ) ,Este plan salisface cl actcrtlo dcl ricsgo para la compala papelera? c) i,Satisface este plan el riesgo para la cadena de alinlentos? llespuestd a) Usar Poisson D) si, ) sl.

17.2J Lln banco nacional ha establecido

0.495
0.005

o o o c

0.003

estndares de calidad para sus sucursales y ha asiglrado una porcirtn del presrrnrteslo de salarit>s en esta base. Una medida del nivel del servicio es el liempo requcrirlo para completar ltrdos lrs trmitcs de abrir una cuenla de cheqttes. Un tiernpo de ms de l2 minutos es considerado ut nta.l servicioy el tienn() tienc una desviacion estndar conocida de 4.2 min. Disese un plan de muestreo para variables, para una mllestra de n = J6 observaciorres, que permitir a la [ratriz mueslrear a las sucursales para que el riesgo de reckazar la queja de una sucursal (quc prornedia l2 minuros o nrerros) se limite a Igo (cuando el tiempo nledio real es de l2 minutos). Res2uesld Si -i -< 13.63 minutos, aceplarla.

0.001

17.21 ti.lsttpcrvisordecontrol decalidaddeNalional Bakeryhasidosolicitadoparadirigirlainspeccin<lerecepcinde

l'lgura
17-21

un embarque de harina. Cada bulto se supone que pasa al menos 50 kilogramos, y la Chicago Mill dice que la desviacin eslnclar es de 4 kilogramos. La adlninislracin desea limilar a2olo el riesgo tle rechazar un ben lote. ?or orro lado, si el peso promedio real de los bultos es slo 48 kilogranros, la administracin desea limitar a 590 el riesgo de aceplar el embarque. a) f)iagrame la situacin en lrminos de una distribucin de mucsreo n:trstrando los riesgos a y ) ,Qt lan grande es el tamao de rnueslra requerido? c) ,Cul es el valor crtico c de Ia media rnueslral que salisface las condiciones dadas? p = 0.05 cuando /rr= 48 )55 bultos c)48.88 kg. R!.rpuesta o) = 0.02 cuandopr= 50
l1

Problemas uPlementarios
l?,1 SeestableceunagrficadcControlconlinitesdc t 2erroresestndarparausarseenelnroritoreodcnruestrasde .'tai,i. -:l ;;;s' Suponiertdo que el proccso estl norttrlran)ao , = " rn pro.ir'J;;;;;;,i;;l;;t" de los linrics de
nlente clistribuido y est "bajo

.15

En un esfuerzo por estahlecer una grfica de control del proceso, son tomadas muestras de tamao n = 25 y se deternrirra que X = 0.98 centmetros y Ia desviacin esrndar (, = 0.020 centimetros. Encunlrense los imires de conirol. para el proceso. Respuesta UCL = 0.992 cm. LC! = 0.968 cm.

control", qu proporcin

de lq Yalofes individuales caer fucra

control? ResPrests
17.

69010'

l'1,2.6 fl.lU.S.DepartmentofTesling(USDT)requierequelosembarqucsdebultosdel0OlibrasdelaPrarieseedCo.de hcchopromedienl00 librasonls.Losdatosmueslrales(tablalT-5)deN= l0mucslras<len=6bultosildicart'n las sigrrienles desviaciones de peso de las 100 lbs (mayor, +, y menor,

l7

ile calidad en unidades de horas-trabajaUn produc(or de cosmricos ha estableciclo nivcles de acrividad tle control por dla. cada unidad equivalerlte de horaproducto a un y dedicada control de inspeccin dor equivalentes que con ceio unidadcs equivalentes de hora-trabajador' trabajador cuesta norn,rl,n.,rta $20. La empresa cousiera lo reducc en $30. cul es el nivel rtittto dc el costo de prortucto a.i""rroro'", de $a00, y cada unidacl a,licional equivalcutcs? activida di control de calidad en trmilos de horas-lrabajador y reduce los costos de productos dcfccResptrcsto Dado que cada hoa de inspeccin y control cu.sta sio $20 el costo dc $400 o $'100 = $10/lt tuosos en $30/h, sense tantas horas como se nccesite para climinar h' l3'3 = proceso de produccin para probar la hiptcsis de quc el rro' Una muestra aleatoria de 40O articulos se toma de un rlefectuoios' o) Cul es el error estndar tetico (ipottf' ochenta enconlraron Se ceso tiene l0go de defecruosos. la esrirnado de la proporcin basado c0 la evidcilcia tlc etndaf cror cul es el co de la proporcirrn trrll y muestra (sr) Respuesta a) 0 015 ) 0'02'
gas de una ciudad tiene un estndar de la calidad El departamento de operaciones de una compafia de cuatro quejas por hora' cul es la probabilidatl de la compaia poi Si qr.l", lromedia frora. cra,4e cle no nrs O'135' quejas'l Respuesta sin que pasen 30 minutos de 3'5 por rninttto' estn saliendo de una linea cle ensanrble a una tasa nronreflg que ms tle 5 defectuosos lleguen en I milru(o? Respuesta 0 142' cul es la proUoUiliOaJa'e

-).

Tbln t7-5
{lrestra
r i n

ero
2

4
I

6 0

7 1

I -l -l

9 I 2

t)
5 4 5 2 3 0

7,

3
{)
.'l

4
-5

6 4 3 4 I 4 22 3.67
.5

t'

--t
4

.2
2

3
1

6 2 4 2
-1

2 0 4 2

)
I

0 0
4 3

l'
0
2

.l
2
I

-t
3 0 2
.33
-5

7
4 6

17,

l9

del servicio

s
Irlcdia

-1
t)

It)
1.6')

u
l.fr3
4

l9
3.1'7

l0
1.67

l9
3.17
5

(x)

l.3l
-5

3.81
4

0
3

17,20 Si lo con)poneltes defectuosos

Rango (R)

tf;

ADMNISTRACIN DE OPERACIONES

lcaptulo t?

son los l[nites de o) Cul es la linea central ( y los lmires de conlrol superior e infcrior para .i.? Cules punto decimal') dcl despus digitos a dos clculos sus del rngoURedondee e inferior co,irrol superior al El clculo inicial es de = 102.0'l y los llmites son lO4.l0 libras y_100.04 libras, pero la merlia de la Respuesta y llnites sr:n muesrra E est fuera de los ltmites. Quitando a muestra 8, tcnemos f = 102.30 libras los on E'E libras y 0 libra5. 104.39 y lm.2l. ) Usando la media revisada dc 102.30, los llmites del ra08o

Captu Io 18
Mantenimiento
Mtodos estadfstcos, simulacin y lfneas de espera

l:

.Zl

LJnapoliricadeconrrol decalidadrequierefijarlollmiresdecontrolconbasealosdatosdcmueslrasalcatoriasde Fueron etctntra = i00 por da omadas de una corrida piloto de l0 dlas de una actividad dc moldeo en plstico, jos un ttal d. 200 atfculos defectuosoi a) Cul ser el UCL, y el LCL, para el proccso (en porcentaje de defecde control en ntnero rle tuosos)? ) Si las muestras de = 100 siguen sindo tomadas, cules serAn los ltmitcs defectuosos (ms que en porcentaje)? (Nta: Esro no es c. / = np y o'litn ResPuesta r) UCL = O'!2, LCL = 0.08 ) 32 v 8'

OBJETIVOS DEL MANTENIMIENTO

El mantenimien o es una actividad para conservar el equipo u otros activos en condiciones de que contribuyan mejor a las metas de la organizacin, Esto algunas veces se reduce al objetivo de minimizar los costos de mantenlmiento alargo plazo. Sin embargo, concierne a la seguridad, confiabilidad, estabilidad del empleo y a la supervivencia econmica, por lo que las actividades de mantenimiento deben ser responsables de un amplio espectro de objetivos. Las <tecisiones de mantenimiento deben reflejar la viabilidad a largo plazo de todo et sistema.

COSTOS DE MANTENIMIENTO PREVENTIYO Y CORRBCTIYO Las actividades de mantenimiento son de dos tipos. El mantenimiento preventivo (MP) es la inspeccin de rurina y actividades de servicio prevista para detectar condiciones de fallas potenciales y hacer ajustes o reparaci')nes nenofes que ayudarn a prevenir problemas de operacin mayores. El montenimiento correctivo es la rcparacin, generalmente de naturaleza emergente y a un costo extra, de instalaciones o equipo que estn
siendo usadas hasta que fallan al operar. Un programa efectivo de mantenimiento preventivo necesita un sistema de registro, personal adiestrado, inspec,:ioncs regulares y servicio. Estos costos se incrementar conforme lo hacen las actividades de mantenimiento, como se muestra en la figura l8- l. Por otro larlo, cuando el equipo se descompone, los trabajadores y las mquinas estn ociosos, resultando un tiempo de produccin perdido, retraso de Ia programacin y costos altos tlc reparaciones de emergencia. Estos costos se reducen al incrementarse el tamao de las cuadrillas y al aumcntar las actividades de mantenimiento. Los costos del correctivo generalment exceden los costos del preventivo hasta rn punto M como se muestra en la figura l8-1, Ms all de M, el mantenimiento preventivo adicional no cst cconnlicanente justificado (aunque la seguridad y otros objetivos puedan garantizarlo).

Acllvlded de mantenml6nto

Figura

lE-l

Costos dc mantenimiento