Diseño económico de un plan de control de procesos para múltiples

causas atribuibles

Tommy A. Yep
Pontificia Universidad Católica del Perú, Facultad de Ciencias e Ingeniería,
av. Universitaria 1801, Lima, Perú, Lima 32
tyep@[Link]

Abstract

The process control by control charts is one of the most frequently found methods in massive consumer goods’
productive processes. Generally, control limits fixed to a level of 3σ are used in this method, as well as a fixed quantity
for inspection units and a fixed frequency of sampling. However, most of the times, this is not the most economically
optimal way to monitor a process. Indeed, there are cases where control charts are not economically convenient because
of this predetermined values.

Duncan (1956) proposed a model to economically design control charts for x to determine the total quality cost due to
the control plan, which depended basically on variables like number sampled in each inspection, the width of the control
limits and the frequency between samples, based on the frequency of a sole shift occurrence. This paper shows a
generalization of Duncan’s original model and adapts it to a process with multiple assignable causes with different
characteristics (such as costs and time needed for evaluation and repair in each), applicable for every existing type of
control charts, based on a specific value of ARL (average run length) out of control (1/β), so that a minimum cost can be
achieved in any situation presented in reality. An applicative case is presented, resulting in costs reduction of about 17%.
A sensibility analysis is also conducted to evaluate the behavior of the output parameters when the input parameters are
changed.

Keywords: Statistical Process Control, Quality control, Statistic, Non-linear optimization.

Resumen

El control de procesos mediante gráficas de control es uno de los métodos más frecuentes encontrados en los procesos
productivos de bienes de consumo masivo. Generalmente se utilizan límites fijados a un nivel de 3σ, con una cantidad de
muestras y a una frecuencia de muestreo determinadas. Sin embargo, esto muchas veces no constituye la manera más
económica de monitorear el proceso, llegando incluso a convertirse en un método de control no viable económicamente.

Duncan (1956) propuso un modelo para el diseño económico óptimo de cartas de control x para determinar el costo
total debido al plan de control en función de variables como el número de observaciones por subgrupo, la amplitud de
los límites de control y el intervalo entre inspecciones, para un proceso con una sola causa atribuible de corrimiento. El
presente trabajo muestra una generalización del modelo original desarrollado por Duncan, adaptado a un proceso con
múltiples causas atribuibles de diferentes características (tanto en costo como en tiempo implicados en su corrección) y
aplicable para todo tipo de gráficos, a partir de un determinado nivel de ARL (longitud de corrida promedio) fuera de
control (1/β), de tal manera que se logra minimizar el costo del plan de control para cualquier caso presentado en la
realidad. Se presenta un caso aplicativo, lográndose una reducción de aproximadamente 17% del costo actual incurrido
para el monitoreo del proceso. También se presenta un análisis de sensibilidad para evaluar el comportamiento de los
parámetros del diseño en diversas situaciones.

Palabras claves: Control estadístico de procesos, Control de calidad, Estadística, Optimización no lineal.

Área temática: Control de Calidad

1 Introducción

En un mercado, si un producto debe cumplir con los requerimientos del cliente o consumidor de manera sostenida,
generalmente debe ser producido por un proceso estable o repetible, operando bajo una mínima variabilidad alrededor
del valor objetivo especificado. El control estadístico de procesos proporciona en ese sentido varias herramientas para
lograr la estabilidad de un proceso y mejorar su capacidad a través de la reducción de la variabilidad (en especial debido
a causas asignables o no naturales).

Las cartas o gráficas de control son una de las herramientas más utilizadas del control estadístico de procesos.
Introducidas por Shewart (1924), estas gráficas son utilizadas para monitorear un proceso a partir de inspecciones
realizadas aleatoriamente, a una cantidad y frecuencia determinada; evaluando ciertas características de la calidad del
producto. Asimismo, las cartas de control están compuestas por una línea central que representa el valor promedio de la
característica correspondiente al estado estable y límites inferior y superior de control.

Las características evaluadas se pueden clasificar en variables o atributos. Los primeros son datos continuos que arrojan
un resultado cuantificado producto de una medición de una característica del producto evaluado (peso, dimensiones,
resistencias, etc.), mientras que los atributos son datos discretos que generalmente se analizan mediante el conteo.

Tradicionalmente las cartas de control han sido diseñadas seleccionando un tamaño de muestra y límites específicos
(generalmente a un nivel de 3 veces la desviación estándar de la media) de tal manera que la potencia de la prueba (1-β)
y la probabilidad de caer en el error tipo I (α) sean iguales a ciertos valores. Este plan de control del proceso implica un
costo al final puesto que dependiendo de factores como el tamaño de muestra, la amplitud de límites de control y la
frecuencia de muestreo se incurren en costos como costos de muestreo e inspección, costos asociados a la investigación
de causas asignables y su corrección, entre otros. Debido a esto, es conveniente pensar en diseñar un plan de control del
proceso óptimo que pueda ajustarse acorde a la situación de la operación, de la manera más económicamente óptima
posible.

Duncan (1956) propuso por primera vez un modelo económico para las cartas de control x para el control de procesos
normales y asegurar menores costos con relación a un gráfico de Shewart tradicional. A partir de entonces, muchos
autores dieron aportes valiosos para poder obtener un control económico de proceso a través de cartas de control. Este
trabajo presenta un modelo generalizado para un proceso con múltiples variables asignables tal como ocurre en la
realidad, adaptado para cualquier tipo de carta control, a partir de un valor de β determinado.

Los puntos siguientes del presente artículo se encuentran organizados de la siguiente manera: En la sección 2 se
muestran las asunciones y restricciones consideradas en el modelo e importantes para validar su aplicación. En la
sección 3, se determina el tiempo de un ciclo, intervalo que servirá para comparar el resultado del modelo con otros
planes de control. En la sección 4 se presenta la función costo la cual se intentará minimizar. En la sección 5 se
mencionan diversas metodologías publicadas a lo largo de la historia para la solución de este tipo de ecuaciones y la
utilizada en este trabajo. En la sección 6 se muestra una aplicación al proceso productivo de una línea de conversión de
rollos de papel tisú, aplicación que servirá para comparar el diseño óptimo con el diseño actual de la línea. En la sección
7 se presenta un análisis de sensibilidad para evaluar el comportamiento de las principales variables al variar algunos
parámetros del modelo. En la sección 8 se muestran algunas pautas para la aplicación del modelo a las distintas cartas de
control. Finalmente, en la sección 9, se describen las conclusiones del presente documento.

2 Consideraciones del modelo

1. El proceso solo se puede encontrar en control o fuera de control. Además, este inicia siempre bajo el estado en
control.
2. La causa asignable m (donde m = 1,2,3…) producirá un corrimiento en la medida evaluada (media, desviación o
proporción) de  m  , donde  es la desviación estándar de la medida evaluada. Este corrimiento tiene la misma
probabilidad de ocurrir tanto por arriba como por debajo de la medida evaluada.
3. La medida evaluada sigue (o se aproxima) a una distribución normal.
4. La probabilidad de detección de una causa asignable debe ser mayor a 1 −  .

2
5. Se asume que si ocurre una falsa alarma, el proceso continúa como si nunca se hubiera recibido la alarma. Esto
ayudará a mantener un tiempo esperado bajo control constante.
6. El proceso se asume comienza bajo control con media  0 y desviación estándar  .

3 El tiempo esperado de un ciclo

Se tiene un proceso con media 0 y controlado con gráficos de control 0 ± k    . Asimismo, se tiene que las

 n
muestras (de tamaño n ) se toman a una frecuencia de una cada h horas. Además, se considera que cuando un punto
sale fuera de los límites de control se procede a investigar la causa atribuible del corrimiento. Este modelo puede ser
aplicado tanto para procesos en que se continúa la operación mientras se investiga y repara como para procesos que no
(a diferencia de modelo original de Duncan).

Al resolver el modelo, se debe lograr una combinación óptima de los parámetros n , k y h para obtener
aproximadamente el mínimo costo por asumir el plan de control.

Para la formulación de la función objetivo, se definió el tiempo de ciclo del proceso, el cual incluye:
1. El tiempo bajo control hasta que ocurra la causa atribuible.
2. El tiempo hasta que la siguiente muestra sea tomada.
3. El tiempo requerido para la toma de muestras e interpretación de resultados.
4. El tiempo hasta que se dé una alarma debido a las cartas de control.
5. El tiempo para buscar y reparar la causa asignable.

m sigue una distribución exponencial con media 1

La tasa de ocurrencia aleatoria de la causa asignable
m ( m =
1,2,…). Asimismo, la causa asignable m producirá un corrimiento en la medida evaluada (media o desviación) de
 m , donde  es la desviación estándar de la medida evaluada. Este corrimiento tiene la misma probabilidad de
ocurrir tanto por arriba como por debajo de la medida evaluada, con la misma probabilidad.

Si el proceso continúa mientras se realiza la investigación de la causa asignable, el tiempo promedio de la producción
bajo control es igual a1 , donde Λ = ∑ m . Si el proceso cesa durante la investigación, el tiempo promedio de la
Λ
producción bajo control es igual a 1 más el tiempo invertido para la investigación de falsas alarmas. Sea t1m = tiempo
Λ
que se requiere para investigar una falsa alarma (para el corrimiento m) y probabilidad del error tipo I = .
Entonces:

T 1m = (1 − 1m )t1m N m (1)

Donde es el número de falsas alarmas de corrimiento :

 ∞ ( i +1) h −mt 
N m =   ∑ ∫ i m e dt  (2)
 i =0 
 ih 

 .e −  mh

Nm = (3)
1 − e − m h

3
 es el tiempo esperado que se incurre por las falsas alarmas por corrimiento en un ciclo. si la producción
cesa durante la investigación, mientras que , si la producción continúa durante la investigación, para el
corrimiento .

Si la causa asignable ocurriera en cualquier instante entre la i-ésima y la (i+1)-ésima muestra, entonces el tiempo
esperado de ocurrencia del corrimiento está definido por :

( i +1) h

∫ m (t − ih)e −t dt
1 − (1 + h)e −h
m = ih
= (4)
( i +1) h
 (1 − e −h )
∫
ih
m e −t dt

El tiempo esperado antes que el proceso salga de los límites de control, debido a la causa asignable es:

h
T 2m = − m (5)
(1 −  m )

Donde probabilidad de caer en el error tipo II de ocurrir la causa asignable y está representada por la expresión:

 − k − m n ∞ 
 
 −∫∞ ∫
m = 1−  ( z ) dz +  ( z ) dz (6)

 k − m n 

Sea el tiempo esperado que se incurre en tomar muestras y analizarlas en el gráfico de control, por unidad. Teniendo
en cuenta que cada muestra contiene muestras, el tiempo requerido para tomar las muestras e interpretar los resultados
es . Por tanto, el tiempo esperado desde la ocurrencia de una causa asignable hasta la declaración de un proceso en
estado fuera de control debido a la causa asignable será:

T 2 m + g.n (7)

Sea y los tiempos esperados de investigación de la causa asignable y de su reparación respectivamente.

Entonces el tiempo esperado del proceso en estado fuera de control por la causa asignable es:

Dm = T 2 m + g.n + 1mt 2 m +  2 mt3m (8)

Donde si la producción cesa durante la reparación, mientras que , si la producción continúa durante la
reparación, para el corrimiento .

Por tanto, el tiempo esperado de ciclo de proceso es:

1 1 m
E (T ) = + ∑ [m (T 1m + Dm )] (9)
Λ Λ m=1

Asimismo, considerar la potencia de la prueba :

4
 1 m  − k − m n ∞ 
(1 −  ) = ∑ m  
Λ m=1  −∫∞ ∫
 ( z ) dz +  ( z ) dz (10)

k − m n 

4 La función de costo (función objetivo)

Para la definición de la función de costo por hora incurrido por asumir un plan de control determinado, se consideraron
los siguientes costos:
1. El costo de muestreo e inspección.
2. Los costos asociados a la investigación de las causas asignables y su respectiva reparación.
3. El costo por tener un proceso operando fuera de control.

La función de costo se expresa de la siguiente manera:

Sean y los costos fijos y variables de muestreo respectivamente. Entonces el costo de inspección y muestreo por
ciclo está dada por:

Asimismo, considerar como el costo de investigar una señal que resulta en la eliminación de una causa asignable y
como el costo de investigar una falsa alarma, y como el costo de penalización por operar fuera de control debido
a la causa . Entonces la función objetivo del costo por hora está dada por la siguiente expresión:

1 m   e − mh  
∑  m 3
a + a '  (1 −  )
1m 
 + a4 m Dm 
−m h 
Λ m=1  1− e
3
(a1 + a2 n)  
C= + (11)
1 1 m
+ ∑ [m (T 1m + Dm )]
h
Λ Λ m=1

5 Minimización del modelo y aproximaciones

El objetivo del modelo es minimizar el costo por hora del plan de control descrito, obteniéndose la combinación óptima
de los parámetros , y .

Para la simplificación del modelo, se utilizará la aproximación dada por Chiu1 donde .

Diversos algoritmos y métodos de resolución han sido propuestos a lo largo de la historia. Algunos algoritmos usados
incluyen la del sistema de optimización computacional Grid, la técnica de búsqueda de Fibonacci y la técnica de
búsqueda de Newton-Raphson. Para el caso aplicativo de este trabajo, el modelo planteado será resuelto utilizando el
complemento Solver de Microsoft® Excel® 2010 (práctico solo para procesos sin muchas causas asignables de
corrimiento). El procedimiento es presentado en el siguiente inciso.

6 Ejemplo de aplicación

Como ejemplo de aplicación, se consideró un caso correspondiente a una línea de conversión de rollos de papel tisú con
datos estimados, monitoreado mediante cartas de control . La característica monitoreada fue el diámetro.
Se estimó que el costo fijo por cada muestreo era de $1 (que incluía el registro y análisis de los datos), mientras que para
la inspección de una unidad se incurría en $0.1 por cada unidad inspeccionada. El costo de investigar una falsa alarma
era de $25, principalmente debido al tiempo incurrido. Asimismo, el costo de investigación para identificar una causa
asignable era de $50 (que incluía identificar las características del diámetro y de otras variables que pudieran ayudar a
determinar la causa asignable del corrimiento). Además, el tiempo que le tomaba a un inspector extraer la unidad

5
inspeccionada, medir el diámetro y registrar la medición era de alrededor de 1 minuto. Todos estos datos se resumen en
la tabla 1.

Dato Variable Valor

Costo fijo por plan de muestreo a1 $1
Costo variable de muestreo por unidad a2 $ 0.1
Costo de investigar una falsa alarma a3’ $ 25
Costo de investigar una señal que resulta en la a3 $ 50
eliminación de una causa asignable
Tiempo para medir y registrar medición del g 1 min
diámetro del rollo

Tabla 1. Datos del caso de aplicación.

Para la variable de diámetro de rollo final, se consideraron cinco clasificaciones en las que se podrían agrupar todas las
causas asignables identificadas históricamente. Se consideró que la frecuencia de ocurrencia (y, por ende, de
seguimiento) y los tiempos necesarios para la solución de todas las causas dentro de un grupo eran aproximadamente los
mismos. Estos 5 grupos de causas son:

1. Nivel de tensión de fajas (tanto interior como exterior).

2. Nivel de la presión de aire suministrado en el sistema de gofrado.
3. Sincronismo del rebobinado.
4. Exceso de polvillo en los módulos.
5. Ajuste de los rodillos del sistema de gofrado y prensa.

Las características (nivel del corrimiento, frecuencia de ocurrencia, costos y tiempos) de cada tipo de problema se
encuentran detalladas en la tabla 2.

Grupo δ λ a4 θ1 θ2 t1 t2 t3
1 2 0.05 100 1 0 0.2 0.3 1
2 2.25 0.01 120 1 0 0.25 0.5 1.5
3 2.5 0.00667 150 1 0 0.5 0.6 2
4 3 0.000314 200 0 0 0.75 1 4
5 3.5 0.0000167 350 0 0 1 1.2 6

Tabla 2. Grupos de causas asignables.

Asimismo, el proceso venía siendo monitoreado con un plan de muestreo de tres rollos, cada hora y un ancho de límites
de control de tres veces la desviación estándar arriba y debajo de la media. Asimismo, la Empresa del caso de estudio
deseaba que la probabilidad de aceptar productos no conformes sea de 0.1.

Para la obtención de los parámetros , y óptimos que minimicen el costo, primero se obtuvo el valor para el
parámetro , a partir de cada tamaño de muestra y el (ARL de 10). Luego, se minimizó la función de costo,
teniendo como variable el parámetro , para cada tamaño de muestra y su respectiva probabilidad de caer en el error tipo
I. Con este procedimiento, se llegó a los resultados presentados en la tabla 3.

6
 n k alfa h Costo beta
1 0.804260323 0.42124665 1.689468815 16.68 0.1
2 1.642021512 0.10058555 1.061360923 12.49 0.1
3 2.291102994 0.02195746 0.73207649 10.25 0.1
4 2.836620193 0.00455938 0.629884373 9.642 0.1
5 3.316103787 0.00091282 0.621093053 9.702 0.1
6 3.748787209 0.00017769 0.636311869 9.928 0.1
7 4.146079864 0.00003382 0.65566622 10.18 0.1
8 4.515407616 0.00000632 0.67566378 10.44 0.1
9 4.861920319 0.00000116 0.695376264 10.69 0.1
10 5.189364347 0.00000021 0.714687966 10.94 0.1
11 5.500562301 0.00000004 0.733607329 11.19 0.1
12 5.797706014 0.00000001 0.752161858 11.43 0.1
13 6.082534943 0.00000000 0.77037391 11.67 0.1
14 6.356458967 0.00000000 0.788286664 11.9 0.1
15 6.62063789 0.00000000 0.805869341 12.13 0.1

Tabla 3. Datos del caso de aplicación.

Por lo tanto, se pudo concluir que el diseño óptimo para el control del proceso era de un muestreo de 4 unidades, cada 38
minutos (aproximadamente), monitoreado bajo límites de control a 2.84 veces la desviación estándar. Asimismo, como
se muestra en la Tabla 4, se obtuvo un plan más económico (reducción de aproximadamente 16.75% del costo). Esto se
tradujo en un ahorro de aproximadamente S/. 1396 mensuales, ahorro obtenido de solo aplicar el modelo económico.

Plan k alfa h Costo por ciclo

Actual 3 0.00270 1.0000 S/. 11.58
Propuesto 2.83662 0.00456 0.6299 S/. 9.64

Tabla 4. Comparación entre planes de control

7 Análisis de sensibilidad

Para evaluar el comportamiento del modelo, se optimizó el costo variando los datos del caso anterior 10% y 25% por
arriba y debajo de cada parámetro, manteniendo constantes el resto, a partir de los datos del ejemplo de aplicación. Los
resultados se presentan en la Tabla 5, a partir de los cuales se pudo observar lo siguiente:

- A mayor corrimiento ocasionado (en promedio) de las causas asignables, las tamaño de muestra son menores
(probabilidad de caer en error tipo I es menor) y la amplitud de los límites de control aumenta. Asimismo, la
frecuencia óptima de muestreo aumenta (valor de h disminuye) y el costo disminuye.
- Cuando la tasa de ocurrencia de las causas asignables (λ) aumenta, el valor de la frecuencia de muestreo disminuye.
Sin embargo, el resto de parámetros no se ven afectados por esta variación. El costo en consecuencia aumenta.
- Mayores valores de a1, a2 y a3 implican mayores valores de h. Sin embargo, esto no afecta a los otros parámetros.
El costo también aumenta.
- Pequeñas variaciones en el costo por investigar falsas alarmas mantienen constantes los parámetros n y k. Sin
embargo, para variaciones mayores, puede variar el parámetro n, lo que implica cambios en el parámetro k para
poder mantener el error tipo II establecido. Los valores de h y costo aumentan conforme aumenta el costo por
investigar falsas alarmas.
- Aumentos en los tiempos t1, t2 y t3 implican una frecuencia de muestreo mayor (valor h disminuye). Los demás
parámetros se mantienen constantes. Esto ocasiona un incremento en el costo.
- Es importante prestar atención especialmente a la frecuencia de ocurrencia debido al efecto en el costo total. Otras
variables con las que se podría reducir considerablemente el costo son los corrimientos debido a las causas
asignables, así como el costo de penalización por operar el proceso fuera de control.

7
 Escenarios % n k alfa h Costo mínimo % del costo original
δ 75% 7 2.8047 0.0050 0.6935 10.4415 108%
90% 5 2.8620 0.0042 0.6477 9.8866 103%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 3.2429 0.0012 0.6018 9.4455 98%
125% 3 3.6112 0.0003 0.5717 9.1107 94%
λ 75% 4 2.8366 0.0046 0.7225 7.8809 82%
90% 4 2.8366 0.0046 0.6622 8.9513 93%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6021 10.3162 107%
125% 4 2.8366 0.0046 0.5670 11.3025 117%
a1 y a2 75% 4 2.8366 0.0046 0.5544 9.0505 94%
90% 4 2.8366 0.0046 0.6008 9.4141 98%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6578 9.8591 102%
125% 4 2.8366 0.0046 0.6977 10.1689 105%
a3 75% 4 2.8366 0.0046 0.6286 8.8437 92%
90% 4 2.8366 0.0046 0.6294 9.3224 97%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6304 9.9608 103%
125% 4 2.8366 0.0046 0.6312 10.4395 108%
a3’ 75% 4 2.8366 0.0046 0.6186 9.5546 99%
90% 4 2.8366 0.0046 0.6254 9.6070 100%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6343 9.6760 100%
125% 5 3.3161 0.0009 0.6234 9.7198 101%
a4 75% 4 2.8366 0.0046 0.7346 8.6209 89%
90% 4 2.8366 0.0046 0.6663 9.2460 96%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.5988 10.0232 104%
125% 4 2.8366 0.0046 0.5597 10.5736 110%
t1 75% 4 2.8366 0.0046 0.6311 9.4832 98%
90% 4 2.8366 0.0046 0.6304 9.5784 99%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6293 9.7046 101%
125% 4 2.8366 0.0046 0.6285 9.7986 102%
t2 y t3 75% 4 2.8366 0.0046 0.6291 9.4613 98%
90% 4 2.8366 0.0046 0.6296 9.5695 99%
100% 4 2.8366 0.0046 0.6299 9.6416 100%
110% 4 2.8366 0.0046 0.6302 9.7136 101%
125% 4 2.8366 0.0046 0.6306 9.8214 102%

Tabla 5. Análisis de sensibilidad

8 Aplicación a otras cartas de control

Este modelo puede ser aplicado para cualquier tipo de carta de control. El modelo presentado en este documento y la
aplicación refieren a control de la media de una variable. Sin embargo, esto también se podría aplicar para los distintos
tipos de cartas de control, tanto para el control de variables como para atributos. Por ejemplo, para el caso de gráficas de
control , se aplicaría de la misma manera, con la diferencia que las probabilidades se calcularán con una distribución

8
chi-cuadrado. Para las cartas de control por atributos p y np; se podrían utilizar las fórmulas anteriormente descritas para
las probabilidades de error tipo I y tipo II, pero se tendría que aproximar la variable (distribución binomial) a una de
distribución normal, solo si y . La aproximación sería:

(
X ~ N np, np(1 − p ) ) (12)

 p (1 − p ) 
X ~ N  p, 
 (13)
 n 

En caso no cumpliese esta condición, se aplicaría el mismo concepto, pero las probabilidades se calcularían con una
distribución binomial. Asimismo, se optaría por una carta de control individual (I-RM) cuando la solución óptima
implique muestreos de una unidad.

9 Conclusiones

Tradicionalmente un proceso sigue un plan de control predeterminado que muchas veces no es la óptima. Debido a esto,
se construyó un modelo basado en el modelo original de Duncan (1956) aplicado para múltiples causas asignables
considerando tiempos y costos implicados en la corrección y reparación diferentes para cada una, tal como sucede en la
realidad. El modelo es aplicable para el control de los procesos, tanto para variables como atributos. Asimismo, la
función de costo permite a los administradores evaluar el costo del control del proceso y determinar el impacto de los
cambios en el mismo. Además, es importante dar énfasis a parámetros como la frecuencia de ocurrencia, el valor de los
corrimientos debido a las causas asignables y la penalización por estar fuera de control; lo que da a demostrar la
importancia de aplicar técnicas tales como TPM o SMED para lograr mayor productividad y evitar pérdidas en
cualquiera de sus dimensiones. La aplicación de planes de control económicamente diseñados puede conducir a ahorros
considerables de costos, sin requerir cambios sustanciales en el control en sí.

9
Referencias

[1] Chiu, W. K. & Wetherill, G. B., A simplified scheme for the economic design of charts, Journal of Quality
Technology (1974), 6, 63-69.

[2] Chiu, W. K., Economic design of attribute control charts, Technometrics (1975), 17, 81-87.

[3] Duncan, A. J., The economic design of x charts used to maintain current control of a process, Journal of the
American Statistical Association (1956), 228-242.

[4] FronlineSolvers Inc., Define and solve a problem using Solver, Excel Help (2010).

[5] Hua L. & Zhang W., Optimal np control charts with variable sample sizes or variable sampling intervals, Economic
Quality Control (2002), 39-61.

[6] McWilliams, T. P., Economic, statistical, and economic-statistical x chart design, Journal of Quality
Technology (1994), 26(3), 227-238.

[7] Montgomery, D. C., Introduction to statistical quality control. 4th Edition. John Wiley & Sons Inc., 2004

[8] Montgomery, D. C., The Economic Design of Control Charts: A Review and Literature, Journal of Quality
Technology (1980), 12, 75–87.

[9] Murthy, S. S. N. & Rambabu, Y., Design & application of economical process control charts, Defence Science
Journal (1997), 45-53.

[10] Yu, F., Tsou, C., Huang, K. & Zhang W., An economic-statistical design of control charts with multiple
assignable causes, Journal of Quality Technology (2010), 327-338.

10