Mejora de la calidad del producto basada en la modelización estadística de captura con remoción bajo inspecciones imperfectas

Autores/as
DOI:
https://doi.org/10.47456/bjpe.v12i2.50546
Palabras clave:
Control de Calidad, Inspecciones Imperfectas, Modelo de Captura con Eliminación
Resumen

Este artículo propone un enfoque para la evaluación y mejora de la calidad del producto en procesos productivos sujetos a inspecciones imperfectas. El objetivo es estimar el número de ítems no conformes después de las inspecciones y apoyar la toma de decisiones en la planificación del control de calidad. La metodología se basa en un modelo estadístico de captura con remoción, que estima la proporción de ítems defectuosos y la eficiencia de las inspecciones en la detección de no conformidades. Además, permite estimar el número esperado de ítems no conformes antes de las inspecciones y determinar el número mínimo de etapas necesario para alcanzar niveles tolerables de defectos. La modelización fue aplicada en una fábrica de piezas para ascensores, con datos de 2.447 cajas inspeccionadas a lo largo de 13 semanas. Los resultados indican que aproximadamente el 3,7% de las cajas aprobadas aún presentan no conformidades, lo que evidencia limitaciones del sistema actual de control. Además, las predicciones del número de ítems no conformes antes de las inspecciones mostraron proximidad con las estimaciones obtenidas después de las inspecciones, evidenciando la consistencia y la aplicabilidad del modelo propuesto. En términos generales, la metodología propuesta se mostró como una herramienta eficaz para la planificación y el control de la calidad, contribuyendo a la toma de decisiones en entornos productivos.

Biografía del autor/a
  1. Nágilla Aléxia Ferreira Rocha Vaz, Universidade Estadual de Maringá

    É bacharel em Engenharia Elétrica pela Universidade Norte do Paraná (UNOPAR). Atualmente, cursa o Mestrado Acadêmico em Engenharia de Produção na Universidade Estadual de Maringá (UEM). Possui formação técnica em Administração de Empresas e em Eletricista de Manutenção Industrial, além de certificações complementares em AutoCAD, Melhoria Contínua, NR10 e Matemática Aplicada. Trajetória acadêmica e profissional concentra-se nas áreas de engenharia elétrica, produção e qualidade industrial, com foco em melhoria contínua, gestão de processos e análise da qualidade. https://orcid.org/0009-0008-4461-1125

  2. Vanessa Rufino da Silva, Universidade Estadual de Maringá

    Possui mestrado em Estatística pelo Programa Interinstitucional de Pós-Graduação em Estatística (USP/UFSCar) e graduação em Estatística pela Universidade Estadual de Maringá (UEM). Atualmente é docente do Departamento de Estatística da UEM e doutoranda em Bioestatística pelo Programa de Pós-Graduação em Bioestatística da mesma instituição. Desenvolve atividades de pesquisa nas áreas de Teoria de Resposta ao Item (TRI), análise de dados e modelos probabilísticos para mensuração de habilidades e atitudes, com foco na aplicação de métodos estatísticos à avaliação educacional. https://orcid.org/0009-0008-5735-1334

  3. Edwin Vladimir Cardoza Galdamez, Universidade Estadual de Maringá

    É Professor Associado da Universidade Estadual de Maringá. Atua como Docente Permanente do Programa de Pós-graduação em Engenharia de Produção. É Doutor em Engenharia de Produção e graduado em Engenharia Mecânica. Desenvolve pesquisas nas áreas de Engenharia da Qualidade e Engenharia do Trabalho (Segurança e Saúde do Trabalho). https://orcid.org/0000-0002-1763-9332

  4. George Lucas Moraes Pezzott, Universidade Estadual de Maringá

    Possui doutorado em Estatística pelo Programa Interinstitucional de Pós-Graduação em Estatística (USP/UFSCar), mestrado em Estatística pela Universidade Federal de São Carlos (UFSCar) e bacharelado em Estatística pela Universidade Estadual de Maringá (UEM). Atualmente é Professor Adjunto da Universidade Estadual de Maringá (UEM). Tem experiência nas áreas de Probabilidade e Inferência Estatística com ênfase em Modelos Probabilísticos Discretos e Inferência Bayesiana, atuando principalmente em inferências sobre tamanho populacional em modelos de captura-recaptura. https://orcid.org/0000-0002-2483-7388

Referencias

Berrade, M. D., Scarf, P. A., Cavalcante, C. A. V., & Dwight, R. A. (2013). Imperfect inspection and replacement of a system with a defective state: a cost and reliability analysis. Reliability Engineering & System Safety, 120, 80-87. https://doi.org/10.1016/j.ress.2013.02.024

Byrd, R. H., Lu, P., Nocedal, J., & Zhu, C. (1995). A limited memory algorithm for bound constrained optimization. SIAM Journal on scientific computing, 16(5), 1190-1208 https://doi.org/10.1137/0916069

Bonett, D. G. & Woodward, J. A. (1994). Sequential defect removal sampling. Management Science, 40(7), 898-902. https://doi.org/10.1287/mnsc.40.7.898

Casella, G., & Berger, R. (2024). Statistical inference. Chapman and Hall/CRC. https://doi.org/10.1201/9781003456285

Chun, Y. H. (2005). Serial inspection plan in the presence of inspection errors: maximum likelihood and maximum entropy approaches. Quality Engineering, 17(4), 627-632. https://doi.org/10.1080/08982110500225463

Chun, Y. H. (2008). Bayesian analysis of the sequential inspection plan via the Gibbs sampler. Operations Research, 56(1), 235-246. https://doi.org/10.1287/opre.1070.0501

Chun, Y. H. (2015). Improved method of estimating the product quality after multiple inspections. International Journal of Production Research, 54(19), 5686-5696. https://doi.org/10.1080/00207543.2015.1128128

Chun, Y. H. (2016). Designing repetitive screening procedures with imperfect inspections: an empirical Bayes approach. European Journal of Operational Research, 253(3), 639-647. https://doi.org/10.1016/j.ejor.2016.03.003

Chun, Y. H. (2019). Imperfect inspection with directional information: a general failure probability model. Journal of Quality Technology, 51(3), 300-313. https://doi.org/10.1080/00224065.2019.1569953

Chun, Y. H. (2023). Economic design of multiple inspection plans via the expectation-maximization algorithm. Journal of the Operational Research Society, 74(3), 762-776. https://doi.org/10.1080/01605682.2022.2053306

Duffuaa, S. O. & Khan, M. (2005). Impact of inspection errors on the performance measures of a general repeat inspection plan. International Journal of Production Research, 43(23), 4945-4967. https://doi.org/10.1080/00207540412331325413

Gadrich, T. & Katriel, G. (2021). Estimating the rate of defects under imperfect sampling inspection-a new approach. Probability in the Engineering and Informational Sciences, 35(2), 242-257. https://doi.org/10.1017/S0269964819000391

Kang, Z., Catal, C., & Tekinerdogan, B. (2022). Product failure detection for production lines using a data-driven model. Expert Systems with Applications, 202, 117398. https://doi.org/10.1016/j.eswa.2022.117398.

Maisano, D. A., Ferrara, L., & Franceschini, F. (2025). Characteristic curves for multiple‐inspector sampling plans with inspection errors. Quality and Reliability Engineering International. https://doi.org/10.1002/qre.70058

Myung, I. J. (2003). Tutorial on maximum likelihood estimation. Journal of mathematical Psychology, 47(1), 90-100. https://doi.org/10.1016/S0022-2496(02)00028-7

Nunes, P., Santos, J., & Rocha, E. (2023). Challenges in predictive Maintenance-A review. CIRP Journal of Manufacturing Science and Technology, 40, 53-67. https://doi.org/10.1016/j.cirpj.2022.11.004

Pakkala, D., Kääriäinen, J., & Mätäsniemi, T. (2024). Improving efficiency and quality of operational industrial production assets information management in customer-vendor interaction. Journal of Industrial Information Integration, 41, 100644 https://doi.org/10.1016/j.jii.2024.100644

Powell, D., Magnanini, M. C., Colledani, M., & Myklebust, O. (2022). Advancing zero defect manufacturing: A state-of-the-art perspective and future research directions. Computers in Industry, 136, 103596. https://doi.org/10.1016/j.compind.2021.103596

R Core Team. (2021). R: a language and environment for statistical computing. R foundation for statistical computing, Vienna, Austria.

Sabry, A. H. & Amirulddin, U. A. B. U. (2024). A review on fault detection and diagnosis of industrial robots and multi-axis machines. Results in Engineering, 23, 102397. https://doi.org/10.1016/j.rineng.2024.102397

Shahmoradi, Z. & Ünlüyurt, T. (2018). Failure detection for series systems when tests are unreliable. Computers & Industrial Engineering, 118, 309-318. https://doi.org/10.1016/j.cie.2018.02.033

Wang, J., Ma, X., Yang, L., Qiu, Q., Shang, L., & Wang, J. (2024). A hybrid inspection-replacement policy for multi-stage degradation considering imperfect inspection with variable probabilities. Reliability Engineering & System Safety, 241, 109629. https://doi.org/10.1016/j.ress.2023.109629

Wei, W., Li, H., & Leus, R. (2017). Test sequencing for sequential system diagnosis with precedence constraints and imperfect tests. Decision Support Systems, 103, 104-116. https://doi.org/10.1016/j.dss.2017.09.009

White, G. C. (1982). Capture-recapture and removal methods for sampling closed populations. Los Alamos National Laboratory. Recuperado de https://doi.org/10.2307/2347719

Yang, M. H. & Cho, J. H. (2013). Minimisation of inspection and rework cost in a BLU factory considering imperfect inspection. International Journal of Production Research, 52(2), 384-396. https://doi.org/10.1080/00207543.2013.828171

Cover Image
La imagen muestra un panel de control de ascensor de acero inoxidable siendo accionado por una mano humana, con énfasis en un botón iluminado, simbolizando un proceso de decisión basado en selección e inspección. La composición visual hace referencia al concepto de captura y eliminación de eventos o elementos específicos dentro de un sistema, estableciendo una analogía con los modelos estadísticos aplicados al control de calidad en entornos productivos. El escenario representa el uso de técnicas cuantitativas para mejorar la calidad del producto mediante modelos estadísticos de captura con remoción bajo condiciones de inspección imperfecta, contribuyendo a la reducción de fallas, el aumento de la confiabilidad y la optimización del desempeño operacional. En la parte superior se presenta el título del artículo “Melhoria da qualidade do produto a partir da modelagem estatística de captura com remoção em inspeções imperfeitas”, seguido de los autores Vaz, Silva, Galdamez & Pezzott (2026). En la parte inferior se muestra la identificación de la Brazilian Journal of Production Engineering y el ISSN de la revista.
Descargas
Archivos adicionales
Publicado
2026-06-15
Número
Vol. 12 Núm. 2 (2026): Edición regular (Abril - Junio)
Sección
INGENIERÍA DE CALIDAD
Licencia

Derechos de autor 2026 Vaz, N. A. F. R., Silva, V. R. da, Galdamez, E. V. C., & Pezzott, G. L. M.

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.

Cómo citar

Vaz, N. A. F. R., Silva, V. R. da, Galdamez, E. V. C., & Pezzott, G. L. M. (2026). Mejora de la calidad del producto basada en la modelización estadística de captura con remoción bajo inspecciones imperfectas. Brazilian Journal of Production Engineering, 12(2), 193-204. https://doi.org/10.47456/bjpe.v12i2.50546