Вы находитесь на странице: 1из 24

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE INGENIERA INDUSTRIAL

CONTROL DE CALIDAD

CARTA DE CONTROL P
BAJO ERROR DE INSPECCION
Profesor: Integrantes: Asenjo Monteza, Carlos Reyes Verde, Smith Wilmer Rodrguez Flix, Luis Enrique Rojas Rojas, Gimy Cleyder 09170093 09170236 09170046 09170048 Ing. Juan Manuel Cevallos Ampuero

LA CARTA DE CONTROL DE P BAJO ERROR DE INSPECCION


KENNETH E. CASE Escuela de Ingeniera Industrial y Gestin, Universidad del Estado de Oklahoma, Stillwater, Oklahoma 74074
Los investigadores independientes y profesionales han demostrado concluyentemente que los inspectores cometen errores, clasificando objetos malos como buenos, y viceversa. Este trabajo analiza matemticamente y grficamente los efectos del error de inspeccin en la grfica p. El punto de vista donde los lmites de control se basan en un valor objetivo, y el punto de vista donde lmites de control se basan en datos propensos al error, se consideran ambos. Adems, una de la grfica p de compensacin es ofrecida para ayudar a proveer una curva de caracterstica operativa ms cercana de lo deseada. Asimismo, la curva de caracterstica operativa de una grfica p bajo tasas variables de error es explicada e ilustrada.

INTRODUCCION
La grfica "p" es una grfica de control de atributos bien conocida que es fcilmente usada y para lo cual los datos estn a menudo fcilmente disponibles. La exactitud del proceso de inspeccin en el cual los elementos son clasificados como buenos o defectuosos es fundamental en el uso de una grfica p. Aunque casi siempre est all una fe implcita en el proceso de inspeccin, los resultados de inspeccin que no pueden ser confiados arrojan dudas sobre la eficacia de una grfica p para indicar el estado de control del proceso. Todo el cuerpo de literatura sobre la grfica p, incluyendo los numerosos textos que tienen excelente cobertura, asume que la inspeccin sea sin el error. Existen evidencias concluyentes., sin embargo, mostrar que las tareas de inspeccin de atributos son lejanas del error libres [5, 12, 15-17, 19-23, 26, 27]. Incluso en condiciones ideales de inspeccin, las tarifas de error que exceden el 25 por ciento no son raras [5, 10, 15-17, 19]. Por consiguiente, algunas organizaciones estn tomando una mirada dura en la eficacia de sus procedimientos de inspeccin y equipo. Sin embargo (la opinin basada en comunicaciones y los esfuerzos consultados del autor), el error de inspeccin seguramente no ser eliminado.

Los efectos de error de inspeccin sobre varios planes de muestreo de aceptacin de atributos han sido considerados por varios autores [2-9, 18, 24-27]. En estos trabajos, las medidas de funcionamiento tal como probabilidad de aceptacin, promedio de la calidad saliente, promedio de la inspeccin total, el coste total por parte, y otros han sido tratados ampliamente. Collins da a un papel universal introductorio sobre el muestreo de aceptacin de atributos bajo el error de inspeccin, et al. [7]. Incluso el muestreo de aceptacin de variables bajo el error de medida actualmente genera mucho inters y un cuerpo creciente de literatura. La grfica de control bajo el error, al contrario, casi no han recibido ninguna atencin, con la excepcin de un papel reciente por Abraham [1] cubriendo X, la R, y graficas de variables cusum bajo la suposicin de inspeccin imperfecta. No hubo ningn trabajo similar publicado para la grfica p, o para cualquier carta de control de atributos. El objetivo de este trabajo es, por lo tanto, determinar e ilustrar los efectos de error de inspeccin sobre la Caracterstica de operaciones (OC) la curva de la carta p bajo dos diferente (y realista) puntos de vista. Adems, un procedimiento para determinar los lmites de control que parcialmente compensan el error de inspeccin ser desarrollado e ilustrado.

NOTACION
La notacin siguiente ser usada en todas partes de este papel. La notacin es organizada en mdulos lgicos para facilitar su comprensin.

Definiciones Generales
n = Es el tamao de muestra tomada o considerada para el propsito de la carta p. x = Es el nmero real de defectos en la muestra. k = Es el nmero de fracciones de desviaciones estndar defectuosas que separan un lmite de control de la lnea de centro. p = Es la fraccin defectuosa del proceso verdadero. e1= Es la probabilidad que un artculo bueno sea clasificado errneamente como defectuoso. e2 = Es la probabilidad que un artculo defectuoso sea clasificado errneamente como bueno.

Ye= el nmero de unidades defectuosas aparentes en la muestra (Tenga en cuenta que algunos de estos pueden haber sido clasificadas incorrectamente.) pe = Es la fraccin defectuosa del proceso aparente. P1 = un punto de vista en el cual la carta p est basada sobre un valor objetivo. P2 = un punto de vista en que la carta p est basada sobre datos.

INSPECCION PERFECTA
CLp = Es la lnea de centro de la carta p basada sobre la fraccin defectuosa real u objetivo. UCLp (LCLp) = Son los lmites de control superior (inferior) de la carta p basada sobre la fraccin defectuosa real u objetivo. Xt (Xs) = Es el nmero ms grande (ms pequeo) de defectos reales observados en una muestra de tamao n que cede una muestra de fraccin defectuosa dentro de los lmites de control. Pa = Es la probabilidad de que la muestra de fraccin defectuosa real x/n caiga dentro de los lmites de control.

ERROR DE INSPECCION BASADO EN VALORES OBJETIVOS


CLp, UCLp, LCLp = Es definido de la misma manera anteriormente. Yel1 (Yesl) = Es el nmero ms grande (ms pequeo) de defectos evidentes observados en una muestra de tamao n que cede una muestra de fraccin defectuosa evidente dentro de los lmites de control basada sobre la fraccin real u objetivo defectuosa. Pael = Es la probabilidad de que la fraccin defectuosa evidente x/n caiga dentro de los lmites de control basada sobre la fraccin real u objetivo defectuosa.

ERROR DE INSPECCION BASADO EN VALORES DE DATOS


CLpe = Es la lnea de centro de la carta p basada sobre el promedio de fraccin defectuosa aparente. UCLpe (LCLpe) = Son los lmites de control superior (inferior) de la carta p basada sobre el promedio de fraccin defectuosa aparente. Yel2 (Yes2) = Es el nmero ms grande (ms pequeo) de defectos evidentes observados en una muestra de tamao n que cede una muestra de fraccin defectuosa aparente dentro de los lmites de control basada sobre el promedio de fraccin defectuosa aparente. Pae2 = Es la probabilidad de que la fraccin defectuosa aparente x/n caiga dentro de los lmites de control basada sobre sobre el promedio de fraccin defectuosa aparente.

ERROR DE INSPECCION VALORES DE COMPENSACION


CLpc = Es la lnea de centro del error de inspeccin que compensa la carta p. UCLpc (LCLpc) = Son los lmites de control superior (inferior) del error de inspeccin que compensa la carta p. Yelc (Yesc) = Es el nmero ms grande (ms pequeo) de defectos aparentes observados en una muestra de tamao n que cede una muestra de fraccin defectuosa evidente dentro de los lmites de compensacin. Paec = Es la probabilidad de que la fraccin defectuosa aparente x/n caiga dentro de los lmites de control de compensacin.

DESARROLLO DE NO ERROR DE INSPECCION


La carta de control p estndar de Shewhart tiene una lnea de centro, un lmite de control superior, y un lmite de control inferior. Un estadstico que representa la muestra de fraccin defectuosa y basada en los datos recopilados es comparado contra los lmites de control. Si el estadstico cae dentro de los lmites, el usuario continua al creer que existe estado de control estadstico. Si el estadstico cae fuera de los lmites, el usuario concluye que existe variabilidad excesiva y que una causa asignable debe estar afectando el proceso. En este artculo, dos puntos de vista sern considerados. Ellos son de la siguiente manera: P1: La carta p se establece en base a una fraccin defectuosa deseada. En este caso, ninguno de los datos son usados en el establecimiento de la carta. Ms bien, el valor objetivo, p, se indica como la lnea de centro y los lmites de control se desarrollan en consecuencia. P2: La grafica p se establece en base a los datos. En este caso, la lnea de centro de la carta ser el promedio de fraccin defectuosa por encima de un nmero apropiado de muestras observadas. Los lmites de control tambin sern determinados basados en el promedio de fraccin defectuosa. Donde p es considerado el valor objetivo en P1 o la muestra promedio de fraccin defectuosa en P2. La carta p podr ser caracterizada como sigue, donde k esta escogida para dar la curva deseada OC, o para satisfacer restricciones econmicas particulares. Lnea central = CLp = p Lmite de control superior = UCLp = p + k Lmite de control inferior = LCLp =p-k (3) (2) (1)

Cuando una muestra de tamao n es tomada, la muestra de fraccin defectuosa dada por el estadstico x/n y es comparada con los lmites de control. Los valores grandes y ms pequeos de x para el cual un estado en-el control es indicado son,

Xt = [n.UCLp]Xs = [n.LCLp]+

(4) (5)

Donde [ ]- y [ ]+ indican, redondo-hacia abajo, y redondo-hacia arriba de las operaciones, respectivamente, al nmero entero ms cercano. La curva OC ilustra la probabilidad Pa de que una muestra de fraccin defectuosa x/n caer dentro de los lmites de control como una funcin del proceso verdadero de la fraccin defectuosa p. Que es,

Pa =
0p1.

(6)

EJEMPLO 1
Considere un proceso bien dirigido P1 u operando actualmente en el control del proceso donde se maneja una operacin de control P2, con una fraccin de productos defectuosos P = 0.10. Muestras de tamao n = 100 son tomadas peridicamente. Es deseada describir la carta de control, e ilustrar su curva caractersticas operativa. La carta de control se caracteriza de la siguiente manera: CLp = 0.10 UCLp = 0.10 + 3 LCLp = 0.10 - 3 = 0.19 = 0.01

Los valores de Xl y Xs son: Xl = [100.0.19]- = 19 Xs = [100.0.01]+ = 1. La curva caracterstica operativa luego se expresa matemticamente como: Pa = 0p1.

La curva de OC es ilustrada en la figura 1 para valores de p entre 0.005 y 0.30.Note que en la curva de OC son ms rpidos para valores pequeos de P. Se nivela en aproximadamente 1.0 sobre un amplio rango de P = 0.10 y luego disminuye rpidamente mientras p sigue aumentando.

.00

.05

.10

.15

.20

.25

.30 P

Figura 1. Ejemplo de una curva OC (Pa vs P)

DESARROLLO DE ERROR DE INSPECCION


La naturaleza de error de inspeccin Dos tipos de errores que son posibles en un muestreo por atributo. Un artculo que es bueno podr ser clasificado como defectuoso (error tipo 1). O un artculo defectuoso podr ser clasificado como bueno (error tipo 2). Donde: E1 = al acontecimiento que un buen artculo es clasificado como un defectuoso, E2 = al acontecimiento que un artculo defectuoso es clasificado como bueno, A = al acontecimiento que un artculo es defectuoso, y B = al acontecimiento que un artculo es clasificado como un defectuoso. Luego: P (B) = P (A) P (2) + P () P (1). Por definir las cantidades: P = P(A), verdadera fraccin defectuosa, Pe = P (B), aparente fraccin defectuosas, e1 = P(E1), la probabilidad que E1 ocurra, y e2 = P(E2), la probabilidad que E2 ocurra, La expresin para la aparente fraccin defectuosa podr ser expresada ms significativamente [2-9, 14,24-27] como: pe = p(1-e2)+ (1-p)e1. (8) (7)

El empleo de esta aparente fraccin defectuosa como observada por el inspector, depende del punto de vista tomado. Tanto P1 como P2 sern considerados en las secciones siguientes. Tasas de error e1 y e2 deben, por su puesto, ser estimadas. Mtodos y discusiones relacionados al cumplimiento de estos son presentados en [2, 3, 5,9-13,15-17,19.22-28].

Inicialmente las tasas del error de inspeccin e1 y e2 sern considerados invariantes en lo que concierne a la fraccin de proceso verdadero defectuoso. Mientras esto es razonable en muchas tareas automatizadas de inspeccin, esto tambin puede ser aplicable en tareas de inspeccin humanas. Por ejemplo, un experimento paced industrial de inspeccin ningn diferencia significativa en la eficacia de deteccin [1-e2] sobre las tres niveles probabilidades de defecto *fracciones reales defectuosas+. Siguiendo esto, el error de inspeccin no constante ser tratado.

P1-p COMO UN VALOR OBJETIVO


Si p es tratado como un valor objetivo, la lnea de centro y lmites de control para la carta p sern exactamente como dados en las ecuaciones (1), (2) y (3). Sin embargo ahora, el estadstico de inters es la fraccin de muestra defectuosa y e/n donde ye es el nmero de muestras defectuosas evidentes observados por el inspector. Los valores grandes y ms pequeos de ye para el cual un estado en-el control es indicado son Yel1 = [n.UCLp]Yes1 = [n.LCLp]+ (9) (10)

La curva caracterstica operativa bajo el error de inspeccin es ahora dada por Pae1 = 0pe1. Claramente, aunque la carta de control permanezca idntica al de error de caso libre, el error de inspeccin distorsionar la curva caracterstica operativa de la grfica p. (11)

EJEMPLO 2 Ilustrar el efecto del error de inspeccin considerando el ejemplo 1 en el cual la carta de control est basada en p = 0.10 y los lmites de control son UCLp = 0.19 y LCLp = 0.01 Considera que el proceso de inspeccin debe ser confundido por la probabilidad de error (e1,e2). Para poder aislar el error de tipo I y escribir separadamente el error tipo II as como en la combinacin. Considere 3 pares de errores de inspeccin: (e1,e2) = (0.00, 0.00); (0.03, 0.00); (0.00, 0.30); (0.03, 0.30). La curva OC bajo el error de inspeccin es: Pae1 = 0pe1 La figura 2 ilustra la curva de OC bajo cada par de error considerado. Se puede ver fcilmente que las cantidades reales del error tienen un efecto muy fuerte sobre la curva OC. peye(1-pe)100-ye

Figura 2. Ejemplo 2. Curva OC (Pae1 vs p)

Del ejemplo 2 se determina que el error tipo 1 aumenta el valor P ael para fracciones defectuosas bajas, y disminuye Pael para fracciones defectuosas altas. Recuerde que el error tipo 1 es la clasificacin de un artculo bueno como defectuoso. Por lo tanto es razonable que los errores son hechos cuando la fraccin de procesos defectuosos son bajas, aumenta la probabilidad que el estadstico de la muestra ye/n cae por encima del lmite de control inferior causando que P ae1 se incremente. De forma similar se explica la propensin para error tipo I al hacer que el estadstico de la muestra cayera por encima del lmite superior de control causando que Pae1 disminuya. Es tambin obvio que un error de tipo II disminuya el valor de P ae1 para fracciones bajas de defectuosas, y aumenta el valor de Pae1 para fracciones altas de defectuosas. Recordar que un error de tipo II es la clasificacin errnea de un artculo defectuoso como bueno. Aunque, esto es razonable cuando el proceso de fraccin defectuosa es baja, para errores que pueden ser hechos por el incremento de la vecindad que la muestra estadstica ye/n caer por debajo del lmite inferior de control y as provocar la disminucin Pael. Un razonamiento similar explica la propensin a errores de tipo II para hacer que la muestra estadstica caiga por debajo del lmite superior de control, causando el aumento Pael. Cuando ambos errores son operativos en conjunto, el error de tipo I tiene ms influencia en la curva OC para bajo p, mientras que el error de tipo II domina el efecto de la curva OC para alto p . La razn es que cuando la fraccin real de proceso defectuoso es bastante bajo, hay poca oportunidad para la realizacin de un error de tipo II. Sin embargo, a medida que aumenta p, el efecto de este error se vuelve cada vez ms dominante. Estos resultados son consistentes con los encontrados para la aceptacin de los atributos de muestreo de la curva caracterstica operativa [2, 3, 7, 25].

P2 GRAFICO DE CONTROL BASADO EN LOS DATOS Si el grfico de control se basa en datos recogidos en virtud del error de inspeccin, la lnea central y el lmites de control sern modificadas de las ecuaciones ( 1 ) , ( 2 ) , y ( 3 ) . Especficamente, la lnea central ahora ser el promedio de un nmero ms grande (a menudo alrededor de 30) de los valores de la muestra estadstica de Ye / n. Por razones de simplicidad, la notacin Pe se utiliza para este valor ya que es la media de esta muestra estadstica. Basando el grfico de control sobre este valor resulta en

Al igual que en P1, el inters de la estadstica es la aparente fraccin de la muestra defectuosa Ye / n. Ahora ser que los valores mximos y mnimos de Ye para que en un estado de control se indiquen.

[ [ La curva OC en este caso viene dado por: ( )

] ]

Ahora los lmites de control, as como la estadstica de la muestra se basan en la inspeccin propenso a errores, sin embargo, no est claro a partir de la ecuacin (17) el efecto que esto tendr en la curva OC.

EJEMPLO 3 Una vez ms vamos a considerar el ejemplo uno, y suponemos que la tabla p ahora se basa en los datos observados a partir de un proceso propenso a errores de inspeccin operativo en una fraccin real defectuoso . Las mismas cuatro fracciones defectuosas consideradas en el ejemplo dos se utilizarn: ; ; ; . La lnea central y lmites de control va a cambiar en funcin de cada par de errores considerado. Para ilustrar los clculos subyacentes a la tabla de p en este caso permiten

: [ [ ] ]

La curva OC en virtud de este par de errores podra ser dada por: ( )

La figura 3 ilustra la curva OC debajo de cada par de error considerado. La Tabla 1 presenta la lnea central y los valores lmites de control relevantes para este ejemplo. En el ejemplo tres, cada una de las curvas caractersticas operativa bajo inspeccin de error se desva de la curva OC deseada caracterizado por. Para valores altos de . Estas desviaciones de p no son tan graves como las del Ejemplo 2 ilustrado en la Figura 2. Es debido a que los lmites de control utilizados en el ejemplo tres se basan en realidad en los datos propensos a errores, y

compensa parcialmente la variabilidad de la fraccin de la muestra aparente defectuosa. Para valores bajos de p, las desviaciones de la curva OC deseada son algunos de los extremos. Esto es debido en gran parte al ejemplo particular ilustrado, que tiene un lmite inferior de control tan cerca de 0.000.

TABLA 1 Lnea central y los valores lmite de control para Ejemplo tres (e1,e2) (.00,.00) (.03,.00) (.00,.30) (.03,.30) CLPe .10000 .12700 .07000 .09700 UCLPe .19000 .22689 .14654 .18579 LCLPe .01000 .02711 .00000 .00821

COMPENSANDO GRAFICA p Una lnea central y los lmites de control se pueden determinar para el grfico p, en gran medida, compensar el error de inspeccin y proporcionar una curva OC ms prxima a la deseada. El enfoque bsico para ser presentado es aplicable tanto a PI y P2. En primer lugar la lnea central y los lmites de control se determinan usando las ecuaciones (1), (2), y (3). Esto se hace fcilmente cuando se emplea el punto de vista PI, basado en el valor objetivo o fraccin real p defectuoso. Sin embargo, el enfoque P2 depende de la fraccin aparente defectuosa, Pe. Por lo tanto, el valor de p para usar en las ecuaciones (1), (2), y (3) se puede encontrar mediante la resolucin de la ecuacin (8) para p:

Se puede argumentar que, a fin de estimar e1 y e2 (como una constante o como una funcin de la fraccin verdadera defectuoso p-vase la seccin siguiente "Error de Inspeccin No constante") p debe ser conocido. Esto es cierto, y p se puede determinar por las muestras de trabajo de inspeccin, publicar auditoras de inspeccin, etc. Sin embargo, una vez que empieza el muestreo de produccin baja, p se desconoce y debe ser estimada por la fraccin proceso aparente defectuoso, Pe. Una vez que se ha determinado la lnea CLp centro y lmites de control UCLP y LCLP, la lnea central CLp compensacin, y los lmites UCLP y LCLP, el control se calcula de la siguiente manera

Tenga en cuenta que el grfico de control de compensacin refleja simplemente tomar la lnea central libre de errores y las fracciones de lmites de control defectuosos, y el uso de la ecuacin (8) para convertirlos a error equivalentes propensos. Los valores mximos y mnimos de Ye como los que se indica un estado en el control son

[ [

] ]

La curva OC utilizando la tabla de control de compensacin en virtud error inspeccin ahora se da por ( )

EJEMPLO 4 Siguiendo con el mismo ejemplo bsico, vamos a determinar los grficos de control de compensacin y curvas OC para cada par de errores de intereses. A modo de ejemplo, slo se considerar la tabla de control para (e], e2) = (0.03, 0.30). Ya se conoce a partir del Ejemplo Uno que , y . Utilizando las ecuaciones (18), (19) y (20):

Los valores de Yelc y Yesc son: [ [ ] ]

La curva CO bajo este par de errores estara dada por: ( )

La Figura 4 ilustra la curva CO debajo de cada par de error considerado. La Tabla 2 presenta la lnea central de compensacin y el lmite de control de valores correspondiente a este ejemplo.

FIGURA 4. Ejemplo Cuatro Curvas OC (Paec vs. p)

En el ejemplo de cuatro, los grficos de control de compensacin para cada par de errores proporcionan curvas CO que estn muy cerca de la curva deseada en (e1, e2) = (0.00, 0.00). De hecho, el mtodo presentado para el diseo de grficos de control de compensacin proporciona exactamente la curva CO deseada a medida que n crece sin lmite. En trminos prcticos, esto significa que el grfico de control de compensacin proporciona mejores resultados para muestras de mayor tamao. El autor recomienda que una tabla de compensacin debe utilizarse slo como se han hecho un ltimo recurso despus de grandes esfuerzos para minimizar el error de inspeccin. Las reas donde puedan pagar los esfuerzos de mejora de inspeccin incluyen el diseo de la estacin de inspeccin, las comunicaciones mejoradas, incluyendo comentarios, herramienta y mejorar la tcnica y la seleccin inspector. Incluso ms que stos, formacin de inspectores o el reciclaje profesional ser casi siempre vale la pena, sobre todo cuando el juicio es una parte integral de la labor de inspeccin. Un tratamiento superior de las causas y curas para la inspeccin de error se presenta en [17]. Tambin, un tratamiento excelente de rendimiento de la inspeccin humana est disponible en [11].

TABLA 2. Compensacin de la Lnea Central y de los valores de lmite de control para el ejemplo cuatro

ERROR DE INSPECCION NO CONSTANTE


Biegel [5] ha encontrado que para algunos procesos de inspeccin, la inspeccin de error es una funcin Of, la fraccin real lineal p defectuoso. Esto es diferente de las tasas de error constantes utilizadas hasta este punto. Especficamente, se modela tipos I y II de errores como, respectivamente,

Donde los ai sirven para dictar la interseccin de error de tipo I cuando p=0, y la bi dictan la pendiente de ei cuando p aumenta. Con la excepcin de estos cambios, las ecuaciones correspondientes a los puntos de vista de PI y P2 siguen siendo los mismos.

Ejemplo 5: Como un asunto de inters, considerar el mismo problema bsico tomado en el Ejemplo 2, pero ahora permitiendo el error de variar linealmente con la fraccin real defectuoso. Con resultados muy cercanos a los de Biegel [5], los datos basados en,

Uso de una grfica de p que tiene CLp = 0,10, UCLp = 0,19, LCLp = 0,01, la curva CO resultante se contrasta con la curva CO libre de errores como se muestra en la Figura 5. La Tabla 3 enumera los pares de error y la fraccin aparente p e defectuosa para unos pocos valores de la fraccin real p defectuoso. Error de inspeccin no constante tambin es predicha por la Teora de Deteccin de Seal [10,11, 12, 28]. Fox y Haslegrave [13] se seala en dos tareas de control no estimulado que el error tipo I aument y el error tipo II disminuyeron a medida que aument la fraccin proceso defectuoso. Basndose en esta observacin, Drury y Addison [10] observaron el efecto de la densidad de fallo (fraccin defectuosa) en caso de error tipoII. Usando Teora de la Seal de deteccin, se ofrecieron dos posibles explicaciones para el comportamiento observado. El resultado neto sera de curvas no lineales de e1 y e2 disminuyendo cada vez como una funcin de p. Expresando estas curvas en forma funcional permite un anlisis altamente como la del ejemplo cinco.

FIGURA 5. Ejemplo cinco Curva CO (Usando Biegel [5] Variable de error de tasa)

TABLA 3. Valores seleccionados de p, E1, (p), E2 (p), y Pe utilizado en el Ejemplo cinco

RESUMEN Y CONCLUSIONES Este artculo ha demostrado que las tasas de error de inspeccin que no son realistas en la industria afectan seriamente la curva CO del grfico de control p. En particular, cuando la lnea central y los lmites de control se basan en un valor objetivo, el proceso puede muy fcilmente ser juzgado en control cuando, de hecho, no lo es. Cuando el grfico de control se basa en datos obtenidos en la inspeccin de error, la curva CO vuelve distorsionada, pero no tan en serio. El grfico p compensacin propuesta funciona bien con las tasas de error constantes para traer la curva real OC en la proximidad de la curva CO deseada. Esto es cierto si la tabla se basa en los valores objetivo o los datos reales. Sin embargo, el autor recomienda que esta tabla de compensacin no se puede utilizar hasta los remedios ms tradicionales han reducido error de inspeccin a su nivel ms bajo posible. Tambin se consider el efecto del error de la inspeccin no constante. El aumento de error de tipo I y el error tipo II disminuyendo, como una funcin de la fraccin de proceso defectuoso, tienden a mitigar el efecto del error de inspeccin en la curva CO. Sin embargo, el grado de disparidad entre las curvas caractersticas de operacin deseadas y alcanzadas variarn con las tasas de error encontradas.

BIBLIOGRAFIA
1. ABRAHAM, Bov AS, "Control Charts and Measurement Error," Proceedings, 31st Annual Technical Conference, American Society for Quality Control, Philadelphia, Pennsylvania, May 1977. 2. AYOUB, M. M., LAMBERT, B. K., and WALVEKAR, A. G.,"Effects of Two Types of Inspector Error on Single Sampling Inspection Plans," paper presented at Human Factors Society, San Francisco, October 1970. 3. AYOUB, M. M., WALVEKAR, A. G., and LAMBERT, B. K., "Statistical Quality Control Under Inspection Errors," SME Technical Paper IQ70-284, Dearborn, Michigan, 1970. 4. BENNETT, G. K., CASE, K. E., and SCHMIDT, J. W., "The Economic Effects of Inspector Error on Attribute Sampling Plans," Naval Research Logistics Quarterly, Vol.21, No. 3, September 1974, pp. 431-443. 5. BIEGEL, JOHN E., "Inspection Errors and Sampling Plans," AIlE Transactions, Vol. 6, No. 4, December 1974, pp. 284-287. 6. CASE, KENNETH E., BENNETT, G. K., and SCHMIDT, J. W., "The Effect of Inspection Error on Average Outgoing Quality," Journal of Quality Technology, Vol. 7, No. 1, January 1975, pp. 28-33 . 7. COLLINS, R. D., CASE, K. E., and BENNETT, G. K., "The Effects of Inspection Error on Single Sampling Inspection Plans," International Journal of Production Research, Vol. 11, No. 3, 1973, pp. 289-298. 8. COLLINS, RUFUS D., CASE, K. E., and BENNETT, G. K.,"Inspection Error and its Adverse Effects: A Model with Implications for Practitioners," AIlE Transactions, Vol.10, No. 1, March 1978, pp. 2-9. 9. DAVIS, ALLAN S., "The Sensitivity of Sampling Inspection to Inspector Error," M. S. Thesis, Texas Technological College, August 1966. 10. DRURY, C. G. and ADDISON, J. L., "An Industrial Study of the Effects of Feedback and Fault Density on Inspection Performance," Ergonomics, Vol. 16, No. 2, 1973, pp. 159-169. 11. DRURY, C. G. and Fox, J. G., Human Reliability in Quality Control, Taylor and Francis, Ltd., London, and Halsted Press, New York, 1975.

12. DRURY, COLIN G., "Models of Human Inspection Performance, "Quality Progress, Vol. 7, No. 12, December 1974, p.14. 13. Fox, J. G. and HASLEGRAVE, CHRISTINE M., "Industrial Inspection Efficiency and the Probability of a Defect Occurring," Ergonomics, Vol. 12, No. 5, 1969, pp. 713-721. 14. FREEMAN, H. A., FRIEDMAN, M., MOSTELLER, F., and WAL LIS, W. A., eds., Sampling Inspection, New York, McGrawHill, 1948. 15. HARRIS, D., "Effect of Equipment Complexity on Inspection Performance," Journal of Applied Psychology, Vol. 50, No. 3, 1966, pp. 236-237. 16. HARRIS, D. H., "Effect of Defect Rate on Inspection Accuracy, Journal of Applied Psychology, Vol. 52, No. 5, 1968, pp. 377-379. 17. HARRIS, DOUGLAS H., and CHANEY, FREDERICK B., Human Factors in Quality Assurance, John Wiley and Sons, Inc. New York, 1969. 18. HOAG, LAVERN L., FOOTE, BOBBIE L., and MOUNT-CAMPBELL, CLARK, "The Effect of Inspector Accuracy on the Type I and Type II Errors of Common Sampling Techniques," Journal of Quality Technology, Vol. 7, No. 4, October 1975, pp. 159164. 19. JACOBSON, H. J., "A Study of Inspector Accuracy," Industrial Quality Control, Vol. 9, 1952, pp. 16-25. 20. JURAN, J. M., "Inspectors' Errors in Quality Control," Mechanical Engineering, Vol. 57, 1935, pp. 643-644. 21. JURAN, J. M., GRYNA, FRANK M., and BINGHAM, R. S., Quality Control Handbook, third edition, McGraw-Hill Book Company, New York, 1974. 22. MCCORNACK, R. L., "Inspector Accuracy: A Study of the Literature," Sandia Corporation Technical Memorandum SCTM 53-61 (14) Case No. 418.04, Sandia Corporation, Albuquerque, New Mexico, February 1961. 23. McKENZIE, R. M., "On the Accuracy of Inspectors," Ergonomics, Vol. 1, 1957-58, pp. 258-270. 24. McKNIGHT, K. A., "An Investigation of the Effects of Two Types of Inspector Error on Sampling Inspection Plans," M. S. Thesis, Texas Technological College, June 1967.

25. MINTON, G., "Verification Error in Single Sampling Inspection Plans," Journal of the American Statistical Association, Vol. 67, No. 337, March 1972, pp. 46-54. 26. MINTON, GEORGE, "Comments on Quality Control and Research in Data Processing Programs," In American Society for Quality Control, Statistical Science in Management, Proceedings of Administrative Applications Division Conference, Arlington, Virginia, March 1970, pp. 3-G(I)-3-G(23). 27. MINTON, GEORGE, "Inspection and Correction Error in Data Processing," Journal of the American Statistical Association, Vol. 64, No. 328, December 1969, pp. 12561275. 28. WALLACK, P. M. and ADAMS, S. KEITH, "The Utility of Signal-Detection Theory in the Analysis of Industrial Inspector Accuracy," AIlE Transactions, Vol. 1, No. 1, March 1969, pp. 33-44.