Modulo Condecal 1

CONTROL ESTADISTICO DE
LA CALIDAD

MODULO ACADMICO

AUTORES:

ALVARO BONETT PERTUZ
SARAI BLANCO LINERO
LUCY GRACIA GAMARRA
CARLOS OROZCO AGUINAGA
DAINER ZUIGA OLIVERA

INGENIERA INDUSTRIAL
UNIVERSIDAD DEL MAGDALENA
SANTA MARTA
2012
Control estadstico de la calidad
Ingeniera industrial
Universidad Del Magdalena
2
INDICE
1. CONCEPTOS Y PRINCIPIOS DE LA CALIDAD 5
1.1 SIGNIFICADOS DE LA CALIDAD: 5
1.2 FILOSOFA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIN 8
1.3 COSTOS ASOCIADOS A LA CALIDAD 11
2. TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO
DE LA CALIDAD. 14
2.1 DEFINICIONES BSICAS 14
2.2 TEORIA DE LA PROBABILIDAD: 19
2.3 VARIABLES ALEATORIAS 22
2.4 DISTRIBUCIONES DE PROBABILIDAD 22
2.4.1 DISTRIBUCIONES DISCRETAS IMPORTANTES 22
2.4.2 DISTRIBUCIONES CONTINUAS 27
2.4.3 ALGUNAS APROXIMACIONES TILES 29
2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA 30
2.5 HERRAMIENTAS ESTADISTICAS BSICAS PARA EL CONTROL DE LA
CALIDAD: 38
2.5.1 HISTOGRAMA: 38
2.5.2 DIAGRAMA DE PARETO: 40
2.5.3 DIAGRAMA DE CAUSA Y EFECTO 42
2.5.4 DIAGRAMA DE DISPERSIN: 43
2.5.5 CARTA DE VERIFICACIN: 45
2.5.6 DIAGRAMA DE CONCENTRACIN DE DEFECTOS 46
3 ANLISIS DE CAPACIDAD DEL PROCESO 49
3.1 DEFINICIONES BASICAS 49
3.2 CAPACIDAD DE PROCESO 50
3.3 INDICE DE CAPACIDAD POTENCIAL DEL PROCESO 52
3.4 INDICE DE CAPACIDAD REAL DEL PROCESO 54
3.5 INTERPRETACIN DE LOS RESULTADOS PARA EL VALOR DE LOS NDICES DE CAPACIDAD 55
3.6 CMO BUSCAR CANTIDAD DE PRODUCTOS NO CONFORMES? 55
3.7 CMO HACER UNA RECOLECCIN DE DATOS PARA HACER UN ANLISIS DE CAPACIDAD O
CUALQUIER ESTUDIO ESTADSTICO? 57
3
4 CARTAS DE CONTROL 68
4.1 GENERALIDADES: 68
4.2 OBJETIVOS DE LAS CARTAS DE CONTROL. 69
4.3 CARTAS DE CONTROL Y PRUEBA DE HIPTESIS. 70
4.4 ANALISIS DE PATRONES EN LAS CARTAS DE CONTROL 71
4.5 CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE CONTROL 74
4.6 TIPOS DE CARTAS DE CONTROL 75
4.6.1 CARTAS DE CONTROL PARA VARIABLES 75
4.6.2 CARTAS DE CONTROL PARA ATRIBUTOS 104
5 MUESTREO DE ACEPTACIN 119
5.1 GENERALIDADES 119
5.2 TIPOS DE PLANES DE MUESTREO 121
5.3 LA CURVA DE OPERACIN (OC) 126
5.4 DISEO DE PLANES DE MUESTREO 130
5.5 INSPECCIN CON RECTIFICACIN 134
5.6 MUESTREO DE ACEPTACIN POR VARIABLES 137
5.7 MUESTREO CONTINUO 140
6 HERRAMIENTAS INFORMTICAS PARA EL CONTROL DE
CALIDAD 149
6.1 CAPACIDAD DEL PROCESO 149
6.2 CARTAS DE CONTROL 153
APNDICE 167

4
1

La calidad se ha convertido en uno de los factores de decisin ms importantes de
los consumidores para elegir entre productos y servicios que compiten. El
fenmeno es generalizado, sin importar si el consumidor es un individuo, una
organizacin industrial, una tienda minorista o un programa de defensa militar.
Hay muchas maneras de definir calidad. La definicin tradicional de calidad se
basa en el punto de vista de que los productos y servicios deben cumplir con los
requerimientos de quienes los usan
INTRODUCCIN A LA
CALIDAD
Capitulo
INTRODUCCION A LA CALIDAD
5
CONCEPTOS Y PRINCIPIOS DE LA CALIDAD

1.1 SIGNIFICADOS DE LA CALIDAD:

Hay muchas maneras de definir Calidad. El concepto de calidad que se forma
la mayora de la personas se relaciona con una o ms caracterstica deseables
que debera poseer un producto o servicio. Algunas definiciones generalmente
aceptadas son:

Un sistema que permite que las caractersticas de un producto o servicio
satisfagan en forma econmica los requerimientos del consumidor.

Las tcnicas operacionales y actividades que sustentan la calidad de un
producto o servicio para satisfacer ciertas necesidades. ANSIZI.7-1971

La integracin de las caractersticas que determinan en qu grado un producto
satisface las necesidades de su consumidor. ISO 9000

La bondad o conformidad de un producto. Shewhart (1931)

Adecuar las caractersticas de un producto al uso que le va a darel
consumidor, es decir, Calidad es que un producto sea adecuadopara su uso.
Juran (1990)

La calidad es la totalidad de detalles y caractersticas de un producto o
servicioque influye en su capacidad para satisfacer necesidades bsicas. ASQ

Conjunto de propiedades y caractersticas de un producto o servicio que le
confieren su aptitud para satisfacer unas necesidades expresadas oimplcitas.
UNE 66-001-92

La calidad de un producto es la (mnima) prdida impuesta por este productoa
la sociedad durante la vida de dicho producto. Taguchi (1979)

La calidad la define el cliente. Es el juicio que este tiene sobre un producto
oservicio (el cual por lo general es de aprobacin o rechazo) resultado del
gradocon el cual un conjunto de caractersticas inherentes al producto cumplen
conlos requerimientos. La calidad es ante todo satisfaccin del cliente
Gutirrez & De La vara (2004)

Montgomery en su libro Control Estadstico de la Calidad, seala que en
general, para los diferentes autores, la Calidad significa ADECUACIN PARA
6
USO y trasciende el aspecto de conformidad con las especificaciones al
considerar tanto el desempeo como la opinin del Cliente.

En la adecuacin para su uso se distinguen dos aspectos generales:

1) CALIDAD DE DISEO: variaciones en los grados o niveles de calidad
en la que influyen los tipos de materiales usados en la construccin,
especificaciones de los componentes y la confiabilidad derivados del
desarrollo de ingeniera.
2) CALIDAD DE CONFORMIDAD: es la medida en que el producto se
ajusta a las especificaciones requeridaspor el diseo.

Infortunadamente, las definiciones de calidad han sido relacionadas ms con el
aspecto de la conformidad de la calidad que con su diseo, lo que conlleva a
prestar menos atencin al cliente y a que la calidad se aborde como la
conformidad con las especificaciones, sin importar si es producto, cumpliendo
lo antes mencionado, es en realidad apto para su uso por el cliente.

En este sentido, Douglas Montgomery en su texto, prefiere definir la calidad de
esta manera:

La Calidades inversamente proporcional a la variabilidad.

Esta definicin involucra que si la variabilidad (indeseable o perjudicial) de las
caractersticas importantes de un producto disminuyen, la calidad aumenta.

Dimensiones de la Calidad:

La calidad de un producto puede ser evaluada de varias formas, por tal razn
resulta importante distinguir las diferentes dimensiones de la calidad, las cuales
se resumirn a continuacin:

Industria
Japonesa
Industri
a
EEUU
7
1) Desempeo (Perfomance): Servir el producto para el fin proyectado?
2) Confiabilidad (Reliability): Con qu frecuencia falla el producto?
3) Durabilidad (Durability): Cunto tiempo dura el producto?
4) Facilidad de servicio (Serviceability): Qu tan fcil es reparar el
producto?
5) Esttica (Aesthetics): Cmo luce el producto?
6) Caractersticas incluidas (Features): Qu hace el producto?
7) Calidad percibida (Perceibed Quality): Cul es la reputacin de la
compaa o del producto?
8) Conformidad con los estndares (conformance): El producto se fabrica
exactamente a cmo se dise?

Por otro lado, al igual que calidad es tambin importante definir:

Aseguramiento de la Calidad
Control de la Calidad
Ingeniera de Calidad

Qu es el Aseguramiento de la Calidad?

Para dar respuesta a este interrogante se presentan las siguientes definiciones:

El conjunto de las actividades planeadas formalmente para proporcionar la
debida certeza de que el resultado del proceso productivo tendr los niveles de
calidadrequeridos ISO 9000

Un problema de variacin que puede ser controlado y prevenido mediante
laeliminacin a tiempo de las causas que lo provocaban, de forma que la
produccinpudiese cumplir con la tolerancia de especificacin de su diseo
Shewhart .

Conjunto de acciones planificadas y sistemticas que son necesarias
paraproporcionar confianza adecuada de que un producto o servicio
satisfarlos requisitos dados sobre la calidad Carot (2001)

Qu es el Control de la Calidad?

El control de la calidad se define de la siguiente manera:

El conjunto de las actividades y tcnicas realizadas con la intencin de
crearuna caracterstica especfica de calidad. ISO 9000

8
La aplicacin de principios y tcnicas estadsticas en todas las etapas de
produccin para lograr una manufactura econmica con mxima utilidad del
producto por partedel usuario. Deming (1986)

Se dice que un fenmeno est controlado cuando, a travs del uso de
experienciasprevias podemos predecir, cuando menos dentro de ciertos lmites,
cmo se esperaque dicho fenmeno vare en el futuro. Aqu se entiende por
prediccin dentro deciertos lmites, que podemos asegurar, al menos de forma
aproximada, que elfenmeno observado caer dentro de ciertos lmites dados
Shewhart (1980)

Mtodo mediante el cual podemos medir la calidad real, compararla con
lasnormas y actuar sobre la diferencia. Juran, Gryna & Bingham (1990)

Tcnicas y actividades de carcter operativo utilizadas para satisfacer los
requisitos relativos a la calidad. Carot (2001)

Qu es la ingeniera de calidad?

Es el conjunto de actividades operativas, administrativasy de ingeniera que
emplea una compaa a fin de asegurar que las caractersticas de la calidad de
un producto se encuentren en los Niveles nominales o requeridos Douglas
Montgomery. Puesto que la variabilidad solo puede describirse en
trminosestadsticos, los mtodos estadsticos juegan un papel muyimportante
en los esfuerzos de mejoramiento de calidad.
Cuando se aplican mtodos estadsticos en la ingeniera de calidad, es muy
comn clasificar los datos sobre las Caractersticas de la calidad como datos
de atributo o bien de variables.

1.2 FILOSOFA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIN

Muchas personas han contribuido en la metodologa estadstica del
mejoramiento de calidad. Sin embargo, en trminos de la filosofa de la
implementacin y la administracin, surgen tres individuos como lderes: W. E.
Deming, J. M. Juran y A. V. Feigenbaum.

W. Eduwards Deming

La filosofa del Dr. Deming es un importante marco para implementar el
mejoramiento de la calidad y la productividad. A continuacin se presenta los
14 principios de administracin manejados por Deming:

1) Crear la constancia en los propsitos enfocados en el mejoramiento de
productos y servicios.
9
2) Adoptar la nueva filosofa de rechazar la mano de obra deficiente, los
productos defectuosos o los malos servicios.
3) No confiar en la inspeccin en masa para controlar la calidad.
4) No hacer contratos con proveedores atendiendo nicamente al precio,
sino considerando tambin la calidad.
5) Enfocarse en el mejoramiento continuo.
6) Poner en prctica mtodos de capacitacin modernos e invertir en la
capacitacin de todos los empleados.
7) Poner en prctica mtodos de supervisin modernos.
8) Sacudirse el miedo.
9) Derribar las barreras entre las reas funcionales del negocio.
10) Eliminar objetivos, lemas y metas numricas para la fuerza de trabajo.
11) Eliminar las cuotas y los estndares de trabajo numricos.
12) Eliminar las barreras que desalientan a los empleados a realizar sus
trabajos.
13) Instituir un programa progresivo de capacitacin y educacin para todos
los empleados.
14) Crear una estructura en la alta gerencia que propugne con decisin por
los 13 primeros puntos.

Dr. Joseph M. Juran

Uno de los padres fundadores del control estadstico de calidad. Fue invitado a
dar plticas a lderes de la industria japonesa cuando iniciaron su
transformacin industrial a principios de los aos 1950. Es coautor (con Frank
M. Gryna) de Quality Control Handbook, una referencia obligada para los
mtodos y el mejoramiento de calidad desde su publicacin original en 1957.

La filosofa de Juran se basa en la organizacin del cambio y en la
implementacin de mejoras que l llama la penetracin administrativa. La
secuencia de la penetracin es en realidad un proceso estructurado para la
solucin de problemas.

Dr. Armand Feigenbaum

Fue el primero en introducir el concepto de control de calidad en toda la
compaa en su histrico libro Total Quality Control (la primera edicin se
public en 1951). Este libro ejerci una gran influencia en los inicios de la
filosofa de la administracin de calidad en Japn a principios de los aos 1950.

El inters del Dr. Feigenbaum se centra ms en la estructura organizativa y en
el enfoque de los sistemas para mejorar la calidad que en los mtodos
estadsticos.

10

Administracin de calidad Total (TQM)

Es una estrategia para implementar y administrar las actividades de
mejoramiento de calidad con base en la organizacin completa. La TQM naci
a principios de los aos 1980, con las filosofas de Deming y Juran como punto
focal. Evolucion en un espectro ms amplio de conceptos e ideas, incluyendo
las organizaciones y una cultura laboral participativa, el cliente como centro de
atencin, el mejoramiento de calidad del proveedor, la integracin del sistema
de calidad con las metas del negocio y muchas otras actividades para enfocar
todos los elementos de la organizacin en torno a la meta del mejoramiento de
calidad.

Estndares de calidad y certificacin

La Organizacin Internacional de Normas (ISO, por sus siglas en ingls) ha
desarrollado una serie de estndares de calidad que incluyen la serie ISO
9000, los cuales tambin son adoptados por el Instituto Americano de
Estndares Nacionales y la ASQ. El punto central de estos estndares es el
sistema de calidad, incluyendo componentes tales como:

1) Responsabilidad de la administracin de calidad.
2) Control del diseo.
3) Control de datos y documentos.
4) Administracin de compras y contratos.
5) Identificacin y rastreabilidad de productos.
6) Inspeccin y prueba, incluyendo el control del equipo de medicin e
inspeccin.
7) Control del proceso.
8) Manejo de la produccin disconforme, acciones correctivas y
preventivas.
9) Manejo, almacenamiento, empaque y entrega del producto, incluyendo
actividades de servicio.
10) Registros de control de calidad.
11) Auditoras internas.
12) Capacitacin.
13) Metodologa estadstica.

Seis Sigma

De manera tpica, son grandes las probabilidades de que ocurran fallas o
defectos en los productos de alta tecnologa con muchos componentes
11
complejos. Motorola desarroll el programa seis sigma a fines de los aos 1980
en respuesta a la demanda de estos productos. Este programa se centra en
llevar la variabilidad de las caractersticas de calidad clave a niveles en los que
las fallas o los defectos sean en extremo improbables.

Six Sigma se basa en la curva de la distribucin normal para conocer el nivel
de variacin de cualquier actividad, posterior a esto desarrolla una serie de
pasos para el control de calidad y la optimizacin de procesos industriales.
Estos pasos se conocen como el ciclo DMAMC (Definicin, Medicin, Anlisis,
Mejora, Control)
La finalidad del Six Sigma es proporcionar la informacin adecuada para
ayudar a la implementacin de la mxima calidad del producto o servicio en
cualquier actividad, as como crear la confianza y comunicacin entre todos los
participantes, pues se debe tener en cuenta que la actividad del negocio parte
de la informacin, las ideas y la experiencia, lo cual ayuda a elevar la calidad y
el manejo administrativo.
Justo a tiempo, manufactura, Poka-Yoke, y otras.

Ha habido muchas iniciativas destinadas a mejorar el sistema de produccin.
Entre ellas se encuentra el enfoque justo a tiempo, que hace nfasis en la
reduccin del inventario dentro del proceso, una etapa de arranque rpida y en
un sistema de produccin jalado por la demanda; el enfoque Poka-Yoke o a
pruebas de errores de los procesos; el sistema de produccin Toyota y otras
tcnicas de manufactura japonesa; la reingeniera; la teora de restricciones; la
manufactura gil; la manufactura esbelta; etc. La mayora de estos programas,
dedican muy poca atencin a la reduccin de la variabilidad, lo cual, impide que
estos esfuerzos alcancen su potencial pleno.
Los Gures de la Calidad
Entre los grandes exponentes de la calidad se puede mencionar:

W. Edwards Deming
Joseph Juran
Philip B. Crosby
Genichi Taguchi
Shigeo Shingo
Armand Feigenbaum
Shigeru Mizuno
Kaoru Ishikawa

1.3 COSTOS ASOCIADOS A LA CALIDAD

12
Todas las organizaciones utilizan controles financieros. Estos controles
financieros implican una comparacin de los costos reales y los
presupuestados, junto con un anlisis asociado y acciones sobre las
diferencias o varianzas entre las cifras reales y las presupuestadas. Se
acostumbra aplicar estos controles a nivel departamental o funcional. Durante
muchos aos no hubo ningn esfuerzo directo por medir o explicar los costos
de la funcin de calidad. Sin embargo, el incremento de los costos de calidad
en la complejidad de los productos, una mayor conciencia de los costos del
ciclo de vida y la necesidad de traducir estos costos a dinero, han sido punto de
partida para estructurar los costos de calidad como herramientas de control
financiero.

En trminos generales, los costos de la calidad consisten en aquellas
categoras de los costos que se asocian con la produccin, identificacin,
evitacin o reparacin de productos que no cumplen con los requerimientos.

Estas categoras de los costos son las siguientes:

COSTOS DE PREVENCIN COSTOS DE VALUACIN COSTOS DE FALLAS
INTERNAS
COSTOS DE FALLAS
EXTERNAS

Planeacin e
ingeniera de calidad

Inspeccin y prueba
del material de
entrada

Desechos

Ajustes de quejas
Revisin de nuevos
productos
Inspeccin y prueba
del producto
Reprocesamiento Producto /
materiales
devueltos
Diseo del
producto/proceso
Materiales y
servicios
consumidos
Repeticin de
pruebas
Cargos por
garanta
Control del proceso

Mantenimiento de
la precisin del
equipo de prueba
Anlisis de fallas Costos de
responsabilidad
legal
Encendido Tiempo ocioso

Costos indirectos
Capacitacin Prdidas de
rendimiento
Adquisicin y anlisis
de datos sobre
calidad
Degradacin (fuera
de especificacin)
HERRAMIENTAS ESTADISTICAS
13

Es importante recordar que la Estadstica es la ciencia encargada de la
recoleccin, organizacin e interpretacin de datos, para obtener conclusiones
de una poblacin.
Segn se haga el estudio sobre todos los elementos de la poblacin o sobre un
grupo de ella, se diferencian dos tipos de Estadstica:
- Estadstica Descriptiva: Realiza el estudio sobre la poblacin
completa, observando una caracterstica de la misma y calculando unos
parmetros que den informacin global de toda la poblacin.

- Estadstica Inferencial: Realiza el estudio descriptivo sobre un
subconjunto de la poblacin llamado muestra y, posteriormente, extiende
los resultados obtenidos a toda la poblacin.

TCNICAS ESTADSTICAS
PARA EL MEJORAMIENTO
DE LA CALIDAD
2
Capitulo
14
1. TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO DE
LA CALIDAD.

2.1 DEFINICIONES BSICAS

POBLACIN: Es el conjunto de todos los elementos, individuos o entes
sujetos a estudio y de los cuales se quiere obtener un resultado.
MUESTRA: Subconjunto de la poblacin.
VARIABLE: Caracterstica o propiedad de los elementos o individuos de la
poblacin a estudiar.
Existen dos categoras o tipo de variables:
Variable cualitativa: se refieren a atributos o cualidades que no pueden ser
medidas con nmeros, por ejemplo: rubio, moreno, lugar de residencia, etc.
Variable cuantitativa: se refiere a aquellas caractersticas que pueden ser
expresadas numricamente: edad, peso, nmero de hijos, etc. Esta a su
vez se subdivide en:
- Variable discreta: es aquella que entre dos valores prximos puede
tomar a lo sumo un nmero finito de valores. Ejemplos: el nmero de
hijos de una familia, el de obreros de una fbrica, el de alumnos de la
universidad, etc.
- Variable continua: es aquella que puede tomar infinitos valores
dentro de un intervalo. Ejemplo, peso, estatura, distancias, etc.
EXPERIMENTO ALEATORIO: Es aquel experimento que puede producir
resultados diferentes, an cuando se repita siempre de la misma manera.
ESPACIO MUESTRAL: Es el conjunto de todos los resultados posibles de un
experimento aleatorio. Se denota por S.
Por ejemplo, se considera el experimento de lanzar un dado, si el inters se
centra en el nmero que muestra la cara superior, el espacio muestral sera:
S = {1,2,S,4,S,6]
EVENTO: Es un subconjunto del espacio muestral de un experimento aleatorio.
Para cualquier experimento dado, se puede estar interesado en la ocurrencia
de ciertos eventos, por ejemplo se puede estar interesado en el evento A en
que el resultado cuando se lanza un dado sea divisible entre 3; este ocurrir si
el resultado es un elemento del subconjunto:
A = {S,6]
15
Con frecuencia es necesario describir nuevos eventos a partir de
combinaciones de eventos existentes:
- Unin de dos eventos: Es el evento que consta de todos los resultados
que estn contenidos en cualquiera de los dos eventos. La unin se
denota por: E
1
U E
2

- Interseccin de dos eventos: Es el evento que consta de todos los
resultados que estn contenidos en los dos eventos. La interseccin se
denota por: E
1
r E
2

- Complemento de un evento: Es el conjunto de resultados en el
espacio muestral que no estn en el evento. La complemento se denota
por: E

- Eventos mutuamente excluyentes: Se dice que dos eventos son
mutuamente excluyentes, si estos no presentan elementos en comn;
dos eventos denotados como E
1
y E
2
tales que E
1
r E
2
= son
mutuamente excluyentes.

16
MEDIDAS DE TENDENCIA CENTRAL
Son indicadores estadsticos que muestran hacia qu valor (o valores) se
agrupan los datos.
Existen varios procedimientos para expresar matemticamente las medidas de
tendencia central, de los cuales, los ms conocidos son:
la media aritmtica
la mediana
La moda
LA MEDIA ARITMTICA
Equivale al clculo del promedio simple de un conjunto de datos. Para
diferenciar datos mustrales de datos poblacionales, la media aritmtica se
representa con un smbolo para cada uno de ellos: si trabajamos con la
poblacin, este indicador ser ; en el caso de que estemos trabajando con
una muestra, el smbolo ser X
.
Media aritmtica ( o X
): Es el valor resultante que se obtiene al dividir la

sumatoria de un conjunto de datos sobre el nmero total de datos. Solo es
aplicable para el tratamiento de datos cuantitativos.
Hay que entender que existen dos formas distintas de trabajar con los datos
tanto poblacionales como mustrales, sin agruparlos o agrupndolos en tablas
de frecuencias. Esta apreciacin nos sugiere dos formas de representar la
media aritmtica.
- Media aritmtica para datos no agrupados:

Observe que la variacin de ambas frmulas radica en el tamao de los
datos (N identifica el tamao de la poblacin, mientras que n el de la
muestra).
=
X
I
N
I=1
N
X
=
X
I
N
=1
n

POBLACION MUESTRA
- Media aritmtica para datos agrupados:

Cuando los datos se agrupan en tablas tipo A, la media aritmtica es
igual a la divisin de la sumatoria del producto de las clases por la
frecuencia sobre el nmero de dato.
La sumatoria parte desde el primer intervalo de clase (i = 1) hasta el
ltimo (Nc), siendo Xi la clase del intervalo i.
17
Las Tablas Tipo A se caracterizan por manejar un conjunto pequeo de
posibles resultados de una variable dentro de la muestra o poblacin.
Por lo general, su uso tiende al manejo de datos cualitativos o variables
cuantitativas discretas.
=
X
I
f
I
Nc
I=1
N
X
=
X
I
f
I
Nc
=1
n

POBLACION MUESTRA
Cuando los datos se agrupan en tablas de frecuencias tipo B, el clculo
de la media vara un poco, ya que existe una prdida de informacin en
el momento en que se trabaja con intervalos de frecuencia y no con los
datos directamente (los datos se agrupan por intervalo, desconociendo
el valor exacto de cada uno de ellos).
Las marcas de clases (Mc) cumple la funcin de representar los
intervalos de clase.
=
N
C
f
I
Nc
I=1
N
X
=
N
C
f
I
Nc
=1
n

POBLACION MUESTRA
LA MEDIANA
Valor que divide una serie de datos en dos partes iguales. La cantidad de
datos que queda por debajo y por arriba de la mediana son iguales.
La definicin de geomtrica se refiere al punto que divide en dos partes a un
segmento. Por ejemplo, la mediana del segmento ABes el punto C.

Existen entonces dos segmentos iguales:
AC = CB
Formula:
H
e
= I
-1
+
N
2
-F
-1

N
2
= csloscmisumoJclosrccucnciosobslutos
18
I
-1
= cscllimitcincriorJclocloscJonJcsccncucntro
N
2

F
-1
= cslorccucncioocumuloJoontcriorolocloscmcJiono
o
= csloomplituJJcloclosc
LA MODA
Indica el valor que ms se repite, o la clase que posee mayor frecuencia. En el
caso de que dos valores presenten la misma frecuencia, decimos que existe un
conjunto de datos bimodal.
Frmula para determinar la moda para tablas de frecuencia.
H
0
= I
S-1
+A -
-
-1
(
-
-1
) +(
-
-1
)

Donde I
S-1
equivale al lmite superior del intervalo anterior donde se encuentra
la Moda.
MEDIDAS DE DISPERSIN

Las medidas de dispersin permiten reconocer que tanto se dispersan los
datos alrededor de un punto central; es decir, nos indican cuanto se dispersan
o separan las observaciones alrededor de su valor central. Este tipo de
medidas son parmetros informativos que nos permiten conocer como los
valores de los datos se reparten a travs de eje X, mediante un valor numrico
que representa el promedio de dispersin de los datos. Las medidas de
dispersin ms importantes y las ms utilizadas son la Varianza y la Desviacin
estndar.

DESVIACIN ESTNDAR

- Poblacin
S =
(x
|
-x)
2
|
n -1

Es la desviacin estndar de la variable de inters tomada del total de la
poblacin de tamao N.
- Muestral
19
S =
(x
|
-x)
2
|
n -1

Es la medida de variabilidad de un conjunto de n datos que se obtiene al
promediar las desviaciones individuales de cada dato.
VARIANZA (S
2
): Es el cuadrado de la desviacin estndar.

2.2 TEORIA DE LA PROBABILIDAD:

Leyes de probabilidad
Definicin de trminos utilizados
(A) - c:cnto A; (B) - c:cntoB
P(A +B) - Probabilidad de que ocurra por lo menos uno de los dos eventos o,
lo que es lo mismo, de que ocurra A o B, o ambos simultneamente.
Eventos mutuamente excluyentes:
A y B son eventos mutuamente excluyentes cuando no pueden ocurrir
simultneamente, o sea que no existen puntos muestrales que pertenezcan
simultneamente a ambos.
Eventos Independientes:
A y B son dos eventos independientes cuando la ocurrencia o no ocurrencia de
uno de ellos no afecta la probabilidad de ocurrencia o no ocurrencia del otro.
En estos casos,
P(A B ) = P(A), 0 P(B A ) = P(B)

S

20
Espacio muestral finito con n puntos equiprobables

Espacio muestral finito con eventos mutuamente excluyentes
Teorema de la Adicin:
Si aplicamos la definicin bsica de probabilidad para el caso de experimentos
equiprobables, tenemos que:
P(A + B) =
# Jc punctos mucstrolcs cn (A +B)
# totol Jc puntos mucstrolcs

=
n(A) +n(B) - n(AB)
n

=
n(A)
n
+
n(B)
n
-
n(AB)
n

= P(A) +P(B) - P(AB)
En el caso de eventos mutuamente excluyentes,
P(AB) = u (No cxistcn puntos mucstrolcs cn AB
Y se tiene que:
P(A +B) = P(A) + P(B)
Teorema de la multiplicacin:
P(AB) = P(A)P(B A)

Se puede explicar esta relacin aplicando la definicin de probabilidad al
evento A B as:
S

21
P(A B ) =
n(A B)
n(A)
=
n(AB)
n(A)

El nmero de puntos en (B A) corresponde a aquellos que estn
simultneamente en B y en A, o sea: n(AB), porque el evento expresa que A ya
ocurri.
El nmero total de puntos muestrales, que se utiliza como denominador en la
anterior expresin, es el nmero de puntos que corresponden al evento A,
n(A), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurri.
Ahora,
n(AB)
N(A)
=
n(AB) n
n(A) n
=
P(AB)
P(A)
= P(A B)
Y se obtiene que: P(AB) = P(A)P(B A)
Si se intercambia el orden de los eventos, se llega tambin a esta otra
expresin del teorema de multiplicacin:
P(AB) = P(B)P(A B)
Si A y B son eventos independientes, entonces:
P(AB) = P(A)P(B)
Formula de Bayes:
Esta frmula nos permite hallar probabilidades de causa de un resultado
experimental que ya se ha observado.
Si se supone que un evento A puede ocurrir como consecuencia de k causas
diferentes: H
1
, H
2
,,H
i
, , H
k
, mutuamente excluyentes.
Se desea hallar una expresin para la probabilidad de que la causa H
i
, haya
originado el evento A, al cual ya se ha observado al realizar el evento:
P(E
A ) =
P(E
A)
P(A)
=
P(E
)P(A E
)
P(E
1
A) +P(E
2
A) ++P(E
K
A)

El numerador de expresin anterior se obtiene mediante la aplicacin del
teorema de multiplicacin.
El denominador es una aplicacin del teorema de adicin, ya que el evento A
puede ocurrir conjuntamente con H
1
, o con H
2
, o con H
k
.
Por lo tanto, la frmula de Bayes de expresa as:
22
P(E
A) =
P(E
)P(A E
)
P(E
A)
K
=1

2.3 VARIABLES ALEATORIAS

Una variable aleatoria es una funcin que asigna un numero real a cada
resultado en el espacio muestral de un experimento aleatorio
1
.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados
del espacio muestral, y X es una funcin definida sobre el espacio muestral, de
manera que transforme todos los posibles resultados del espacio muestral en
cantidades numricas
2
.

Variable Aleatoria Discreta:aquella tal que la cantidad de valores posibles
quepuede tomar es finita, o infinita pero numerable. En otras palabras, aquella
cuyosvalores posibles son todos puntos aislados del conjunto de valores
posibles. Dichoincluso de una tercera forma: aquella tal que si tomamos dos
cualesquiera de susvalores posibles, hay entre ellos una cantidad finita de
valores posibles.
Variable Aleatoria Continua: aquella tal que lacantidad de valores posibles es
infinita y no numerable. Se dice que una variable aleatoria X es continua si sus
valores consisten en uno o ms intervalos de la recta de los reales.

2.4 DISTRIBUCIONES DE PROBABILIDAD
La distribucin de probabilidad o distribucin de una variable aleatoria X es una
descripcin del conjunto de valores posibles de X (rango de X), junto con la
probabilidad asociada a cada uno de estos valores.Estas son modelos
matemticos que relacionan el valor de una variable aleatoria con la
probabilidad que tiene ese valor de ocurrir en una poblacin.
Hay dos tipos de distribuciones de probabilidad:
1. Distribuciones Discretas: Se utilizan cuando el parmetro que se est
midiendo slo puede asumir ciertos valores dentro de un intervalo.

2. Distribuciones Continuas:Se utilizan cuando la variable que se est
midiendo se expresa en escala continua (variable aleatoria continua)

2.4.1 DISTRIBUCIONES DISCRETAS IMPORTANTES

Varias distribuciones de probabilidad discretas se presentan con frecuencia en
el control estadstico de calidad, entre estas tenemos:

1
MONTGOMERY, Douglas. Probabilidad y Estadstica aplicada a la Ingeniera, 2 Edicin.
Mxico D.F: Limusa. 2005. Pg. 100.
2
CANAVOS, George. Probabilidad y Estadstica, Aplicaciones y mtodos. Mxico D.F: McGraw
Hill. 1998. Pg. 53.
23
Distribucin Uniforme
Es la ms simple de todas las distribuciones de probabilidad discreta pues la
variable aleatoria discreta X puede tomar una cantidad finita de n valores X
1
,
X
2
, X
3
,, X
n
, cada uno de estos con una probabilidad idntica 1/n, es decir, con
probabilidad uniforme.
La distribucin de probabilidad o funcin de masa de esta variable aleatoria es:
x
(x
) = P(X = x
) =
1
n
poroi = 1, ., n
Su media y varianza son:
p
x
= E(X) =
x
n
=1
n
o
2
= I(X) =
(x
-p)
2 n
=1
n

Ejemplo: Cuando se lanza un dado de seis caras, la funcin de masa de la
variable aleatoria es:
P(X = i) =
1
6
poroi = 1,2,S,4,S,6

La media y varianza son:
p = E(X) =
1 +2 +S +4 +S +6
6
= S.S
o
2
=
(1 -S.S)
2
+(2 -S.S)
2
+(S -S.S)
2
+(4 -S.S)
2
+(S -S.S)
2
+(6 -S.S)
2
12
= 2.91

Distribucin Binomial
3

Un experimento aleatorio que consta de n ensayos repetidos, tales que:
1) Los ensayos son independientes, es decir el resultado de cada ensayo
no depende del resultado de ensayos anteriores.
2) Cada ensayo produce nicamente dos resultados posibles, etiquetados
como xito y fracaso.
3) La probabilidad de un xito en cada ensayo, denotada como p,
permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al nmero de ensayos nque producen un
xito tiene una distribucin binomial con parmetros py n = 1, 2,
La funcin de masa de probabilidad de X es:
(x) = [
n
x
p
x
(1 -p)
n-x
, x = u, 1, ., n
Su media y varianza son:
p = E(X) = npo
2
= I(X) = np(1 -p)
Donde:
p = Probabilidad de xito.
1 - p = Probabilidad de fracaso

3
Sntesis tomada de: MONTGOMERY, Douglas, Probabilidad y estadstica aplicadas a la ingeniera, Segunda
edicin, Mxico D.F: Limusa, c2005.Parte final del Captulo 3 y Captulo 4, Pginas 91-136.

24
x = Nmero de xitos deseados
n = Nmero de ensayos efectuados

Para indicar que una variable X es una binomial de parmetros n y p, se
escribir X B(n, p).

Ejemplo:
Se tiene una lnea de produccin de cilindros para gas natural vehicular. Se
sabe que la probabilidad de que un cilindro sea defectuoso es de 0,02.
Adicionalmente para el jefe de produccin es conocido que el primer cilindro
que se fabrica al dia es defectuoso debido a la calibracin de la maquinaria.
Encuentre la probabilidad de obtener ms de dos cilindros defectuosos en los
primeros dos cilindros que se fabrican en un da.
R/. x = nmcro Jc cilinJros Jccctuosos
n = 1u -1 = 9
%PNC = u,u2
(x) = P(x > J) = [
n
x
p
x
(1 -p)
n-x
d
x=0

(x) = 1 -P(x 2) = 1 - [
9
x
(u,u2)
x
(1 -u,u2)
9-x
2
x=0

1 -P(x 2) = 1 -|P(x = u) + P(x = 1) +P(x = 2)]
P(x = u) = [
9
u
(u,u2)
0
(1 -u,u2)
9-0
= u,8SS7
P(x = 1) = [
9
1
(u,u2)
1
(1 -u,u2)
9-1
= u,1SS1
P(x = 2) = _
9
2
] (u,u2)
2
(1 -u,u2)
9-2
= u,u12S
1 -P(x 2) = 1 - |, 8337 +, 1531 +, 125] = 1 -, 9993 = , 7

Distribucin Geomtrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad
constante de xitop, sea la variable aleatoria X el nmero de ensayos hasta la
obtencin del primer xito. Entonces X tiene una distribucin geomtrica con
parmetro p y
(x) = (1 -p)
x-1
p x = 1,2, ..
Si X es una variable aleatoria geomtrica con parmetros p, entonces la media
y la varianza de X son:
p = E(X) =
1
p
o
2
= I(X) =
(1 -p)
p
2

Distribucin Binomial Negativa
Sea un escenario binomial en que se observa una secuencia de ensayos
independientes, la probabilidad de xito en cada ensayo es constante e igual a
p. en lugar de fijar el numero de ensayos en n y observar el numero de xitos,
25
supngase que se continan los ensayos hasta que han ocurrido exactamente
r xitos. En este caso la variable aleatoria es el nmero de ensayos necesarios
para observar r xitos. Esta situacin lleva a los que se conoce como
distribucin binomial negativa con parmetros p y r = 1,2,3,.
p = probabilidad de xito.
1-p = probabilidad de fracaso.
(x) = [
x -1
r -1
(1 -p)
x-
p
x = r, r +1, r +2, ..
Si X es una variable aleatoria binomial negativa con parmetros p y r, entonces
la media y la varianza de X son:
p = E(X) =
r
p
o
2
= I(X) =
r(1 -p)
p
2

Distribucin Hipergeomtrica
Se emplea para calcular la probabilidad de obtener determinado nmero de
xitos en un espacio muestral de n ensayos; pero que a diferencia de la
distribucin binomial, aqu los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una poblacin finita; por esto es que el
resultado de una observacin es afectado por el resultado de observaciones
anteriores.
Un conjunto de N objetos contiene
K objetos clasificados como xitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamao de n objetos, al azar (sin reemplazo) de
entre los N objetos, donde K N y n N
Sea que la variable aleatoria X denote el nmero de xitos en la muestra.
Entonces X tiene una distribucin hipergeomtrica, con:
(x) =
[
K
x
[
N -K
n -x
[
N
n
x = u,1,2, ., mn(n, K)
Si X es una variable aleatoria hipergeomtrica con parmetros N, K y n,
entonces la media y la varianza de X son:

p = E(X) = npo
2
= I(X) = np(1 -p) [
N -n
N -1

Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubera local y 200 unidades
de un proveedor de tuberas del estado vecino. Si se seleccionan cuatro piezas
al azar y sin reemplazo Cul es la probabilidad de que todas sean del
proveedor local?
Sea X igual al nmero al nmero de piezas de la muestra del proveedor local.
Entonces, X tiene una distribucin hipergeomtrica y la probabilidad pedida es
P(X=4). Por consiguiente:
26
P(X = 4) =
[
1uu
4
[
2uu
u
[
Suu
4
= u.u119
Cul es la probabilidad de que dos o ms piezas de la muestra sean del
proveedor local?
P(X 4) =
[
1uu
2
[
2uu
2
[
Suu
4
+
[
1uu
S
[
2uu
1
[
Suu
4
+
[
1uu
4
[
2uu
u
[
Suu
4
= u.4u8
Cul es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local?
P(X 1) = 1 -P(X = u) = 1 -
[
1uu
u
[
2uu
4
[
Suu
4
= u.196

Distribucin de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy
pequea en cualquier instancia especfica, pero a la vez, el nmero de
instancias posibles sea enormemente grande, la distribucin de los sucesos se
realiza mediante la distribucin de Poisson.
Dado un intervalo de nmeros reales, suponga que el conteo de ocurrencias es
aleatorio en dicho intervalo. Si puede hacerse la particin del intervalo en
subintervalos con una longitud suficientemente pequea tales que
1) La probabilidad de ms de una ocurrencia en un subintervalo es cero.
2) La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos y proporcional a la longitud del subintervalo.
3) El conteo de ocurrencias en cada subintervalo es independiente de los
dems subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el nmero promedio de ocurrencias en el intervalo es z > u, la variable
aleatoria X, que es igual al nmero de ocurrencias en el intervalo, tiene una
distribucin de Poisson con parmetro, y la funcin de masa de probabilidad
de X es
(x) =
c
-x
- z
x
x!
, x = u, 1, 2, .
Si X es una variable aleatoria de Poisson con parmetro z entonces la media y
la varianza de X son:
p = E(X) = zo
2
= I(X) = z
Ejemplo:
La contaminacin constituye un problema en la fabricacin de discos de
almacenamiento ptico. El nmero de partculas de contaminacin que ocurre
en un disco ptico tiene una distribucin de Poisson y el nmero promedio de
partculas por centmetro cuadrado de superficie del disco es 0.1. El rea de un
27
disco bajo estudio es 100 cm
2
. Encuentre la probabilidad de que ocurran 12
partculas en el rea del disco bajo estudio.
Sea que X denote el nmero de partculas en el rea de un disco bajo estudio.
Puesto que el nmero promedio de partculas es 0.1 partculas por cm
2
.
Por lo tanto,
E(X) = 1uucm
2
u.1 portculos cm
2
= 1u porticulos
P(X = 12) =
c
-10
- z
12
12!
= u.u9S

2.4.2 DISTRIBUCIONES CONTINUAS

DISTRIBUCIN NORMAL
4

El modelo de uso ms generalizado para la distribucin de una variable
aleatoria continua es la distribucin normal. Siempre que se hace la repeticin
de un experimento aleatorio, la variable aleatoria que es igual al resultado
promedio (o total) de las repeticiones tiende a tener una distribucin normal,
cuando el nmero de repeticiones es grande. Una distribucin Normal tambin
se conoce como distribucin de Gauss o Gaussiana.
Una variable aleatoria X con funcin de densidad de probabilidad
(x) =
1
2no
c
-(x-)
2
2o
2
poro - < x <
Tiene una distribucin normal con parmetros p, donde - < p < y o > u.
Adems
E(X) = pyI(X) = o
2

Para graficar la funcin de densidad de probabilidad de una distribucin normal,
en el eje horizontal se levantan perpendiculares en dos puntos a y b, el rea
bajo la curva delimitada por esas lneas indica la probabilidad de que la variable
de inters X, tome un valor cualquiera en ese intervalo. Puesto que la curva
alcanza su mayor altura en torno a la media, mientras que sus "ramas" se
extienden asintticamente hacia los ejes, cuando una variable siga una
distribucin normal, ser mucho ms probable observar un dato cercano al
valor medio que uno que se encuentre muy alejado de ste.

4
Tomado de: MONTGOMERY, Douglas, Probabilidad y estadstica aplicadas a la ingeniera,
Segunda edicin, Mxico D.F: Limusa, c2005.Pg. 157-171
28
Grfica de la Distribucin de Probabilidad Normal

A una variable aleatoria normal con p = u y o
2
= 1 se le llama variable aleatoria
normal estndar. Una variable aleatoria normal estndar se denota como Z.
La funcin de distribucin acumulada de una variable aleatoria normal estndar
se denota como
(z) = P(Z z)
Existen un sinnmero de distribuciones de probabilidad normal, cada una de
las distribuciones puede tener una media () o una desviacin estndar distinta
(). Por tanto, el nmero de distribuciones normales es ilimitado y sera
imposible proporcionar una tabla de probabilidades para cada combinacin de
y .
Para resolver este problema todas las distribuciones de probabilidad normales
se relacionan algebraicamente a una distribucin normal estndar, haciendo
antes una transformacin simple.
Primero, convertiremos la distribucin real en una distribucin normal estndar
utilizando un estadstico Z, as:
Z =
X -p
o

Es una variable aleatoria normal con E(Z) = u yI(Z) = 1. Es decir, Z, es una
variable aleatoria normal estndar.
De esta manera, un valor Z mide la distancia entre un valor especificado de X y
la media aritmtica, en las unidades de la desviacin estndar. Al determinar el
valor Z utilizando la expresin anterior, es posible encontrar el rea de
probabilidad bajo cualquier curva normal haciendo referencia a la distribucin
normal estndar en las tablas correspondientes (Tabla normal estndar-
Anexos), dicha tabla proporciona la probabilidad de que la variable aleatoria
normal estndar Z tome un valor situado a la izquierda de un nmero z, P
(Z<z). En otras palabras, esta tabla nos da el valor del rea encerrada por f(x)
entre - y z.

Ejemplo:
Cierta mquina fabrica resistores elctricos que tienen una resistencia
promedio de 25 ohmios y una desviacin estndar de 3.2 ohmios. La
resistencia tiene una distribucin normal.
a) Qu porcentaje de los resistores tendrn una resistencia inferior a 16
ohmios?
29
P(X < 16) = P _Z <
16 -2S
S.2
] = P(Z < 2.81) = u.uu2S
Lo que implica que el 0.25% de los resistores tienen una resistencia
inferior a 16 ohmios.
b) Qu porcentaje de resistores tendrn una resistencia superior a 35
ohmios?

P(X > SS) = P _Z >
SS -2S
S.2
] = P(Z > S.1S) = 1 -P(Z < S.1S)
= 1 -u.9991 = u.uuu9

Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a
35 ohmios.

c) Qu porcentaje de resistores tendrn una resistencia entre 20 y 32
ohmios?
P(2u < X < S2) = P _
2u -2S
S.2
< Z <
S2 - 2S
S.2
] = P(-1.S6 < Z < 2.19)
= P(Z < 2.19) -P(Z < -1.S6) = u.98S7 -u.uS94 = u926S

Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y
32 ohmios.

d) Por encima de qu valor est el 10% de los resistores con mayor
resistencia?
P(Z < z) = 1 -u.1 = u.S - z = 1.28
x = p +zo = 29.1u obmios

2.4.3 ALGUNAS APROXIMACIONES TILES
En ciertos problemas de control de calidad, a veces es til aproximar una
distribucin de probabilidad con otra. Esto es particularmente til en situaciones
en las que la manipulacin analtica de la distribucin original es difcil. A
continuacin se presentan tres de estas aproximaciones:

Aproximacin 1:De Hipergeomtrica a Binomial.
Siempre que el tamao de la muestra (n), es excesivamente pequeo con
relacin al tamao de la poblacin (N), la distribucin hipergeomtrica puede
ser aproximada por la funcin de probabilidad binomial, en la que el parmetro
p = nN.
Aunque en trminos estrictos, la aproximacin solo puede usarse cuando n es
extremadamente pequeo con relacin a N, en la prctica se puede se puede
aplicar esta aproximacin siempre que N sea 10 veces mayor que n.

30
Esta aproximacin es til en el diseo de planes de muestreo de aceptacin.
Recurdese que la distribucin hipergeomtrica es el modelo apropiado para el
nmero de artculos disconformes obtenidos en una muestra aleatoria de n
artculos de un lote de tamao finito N. Por tanto, si el tamao de la muestra n
es pequeo en comparacin con el tamao del lote N, puede emplearse la
aproximacin binomial, con lo cual por lo general se simplifican
considerablemente los clculos. Como un ejemplo, suponer que un lote de
produccin de 200 unidades contiene 5 unidades que no cumplen con las
especificaciones. La probabilidad de que una muestra aleatoria de 10 unidades
no contenga ningn artculo disconforme es, por la funcin de distribucin
hipergeomtrica:
p(u) =
[
S
u
[
19S
1u
[
2uu
1u
= u.7717
Obsrvese que como
n
N
=
10
200
= u.uS es relativamente pequeo, podra usarse
la aproximacin binomial con p =
d
N
=
5
200
= u.u2S n=10 para calcular a partir de
la funcin de distribucin binomial:

p(u) = [
S
u
(u.u2S)
0
(u.97S)
10
= u.776S

Aproximacin 2: De Binomial a Poisson
Cuando el parmetro p es muy pequeo (tiende a cero) y n tiende a infinito es
un nmero pequeo, la funcin de probabilidad binomial puede ser aproximada
por medio de la funcin de probabilidad de Poisson, donde el parmetro =np
(constante). La aproximacin generalmente es buena para n grande y si
p < u.1, aunque pueden utilizarse otros criterios; entre ms grande sea el valor
de n y menor sea el valor de P, mejor ser la aproximacin.

Aproximacin 3: De Binomial a Normal
Siempre que el parmetro p sea aproximadamente igual a 0,5, la funcin de
probabilidad binomial puede sr aproximada por medio de la funcin de
probabilidad normal, donde los parmetros p y o
2
son iguales a np y np(1 -p),
respectivamente.

2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA
La prueba de bondad de ajuste es una prueba de hiptesis que se realiza con
frecuencia cuando no se conoce la distribucin fundamental de la poblacin y
se quiere probar la hiptesis de que una distribucin particular ser satisfactoria
como modelo de la poblacin.
31
Un procedimiento formal para probar la bondad de ajuste es el basado en la
distribucin ji-cuadrada. Este procedimiento requiere una muestra aleatoria de
tamao n de la poblacin cuya distribucin de probabilidad es desconocida.
Suponer que las observaciones de la muestra estn agrupadas en k clases,
siendo O
|
la cantidad de observaciones en cada clase | = 1, 2, 3., k
Con el modelo de distribucinespecificado se puede calcular la probabilidad
p
|
que un dato cualquiera pertenezca a una clase |.

Con este valor de probabilidad se puede encontrar la frecuencia esperada
F
|
para la clase | , es decir, la cantidad de datos que segn el modelo
especificado deberan estar incluidos en la clase |:
F
|
= p
|
- n, | = 1, 2, ., k

Tenemos entonces dos valores de frecuencia para cada clase i
O
|
: Frecuencia observada (corresponde a los datos de la muestra)
F
|
: Frecuencia esperada (corresponde al modelo propuesto)

Estadstico para la prueba de bondad de ajuste Ji-cuadrado es:
X
2
=
(O
|
-F
|
)
2
F
|
k
|=1

Distribucin Ji-cuadrado con u = k -p -1 grados de libertad
Donde p es la cantidad de parmetros de la distribucin hipottica, estimados
por los estadsticos mustrales. Esta aproximacin mejora conforme n
incrementa.
Es una condicin necesaria para aplicar esta prueba que v
|
, F
|
S
Formalmente, se est interesado en probar las hiptesis siguientes:
H
: |ux datux xe ajuxtan a una d|xtr|huc|un h|putet|ca

H
a
: |ux datux nu xe ajuxtan a una d|xtr|huc|un h|putet|ca
Dado un valor de u (error deseado tipo I), aceptamos H
si X
2
(uhx)
X
2
u,k-p-1
y aceptamos H
a
si X
2
(uhx) > X
2
u,k-p-1
.
32

Ejemplo 1 distribucin exponencial:
Se han observado los tiempos (en minutos) de llegadas de vehculos al peaje
de Tasajera en la ruta Santa Marta-Barranquilla, estos tiempos se muestran a
continuacin:
tiempo observado de llegadas total
0,72 0,01 0,07 0,11 0,36
0,73 0,03 0,08 0,19 0,46
0,93 0,04 0,1 0,22 0,51
1,17 0,04 0,1 0,27 0,54
1,5 0,05 0,11 0,29 0,56
suma 5,05 0,17 0,46 1,08 2,43 9,19

Dado que fueron 25 observaciones entonces se puede obtener el promedio de
vehculos que llegan por minutos
c =
2S
9.19
= 2.72 llcgoJos por minuto
Se pretendo probar si:
H
: |ux datux xe ajuxtan a una d|xtr|huc|un expunenc|a|

H
a
: |ux datux nu xe ajuxtan a una d|xtr|huc|un expunenc|a|
Se prueba si los datos son consistentes o no con una variable aleatoria
exponencial (A) cuya densidad es
33

(t) = 2,72c
-2,72t

Luego se escoge el numero de categoras k que es la 1 +S.S - log (N) para
este caso es S y la probabilidad es
1
5
o sea u.2. Esto da como valor esperado
E
= p - n = u,2 - 2S = S para cada categora.

Para establecer los lmites de cada categora es necesario determinar la
funcin acumulada F(t), para A.
F(t) = P(A t) = 2.72c
-2.72s
Js
t
0
= 1 -c
-2.72t

Luego:
Categuria 1: t < m
1

Categuria 2: m
1
t < m
2

Categuria 3: m
2
t < m
3

Categuria 4: m
3
t < m
4

Categuria 5: m
4
t
DondeF(m
1
) = u.2; F(m
2
) = u.4; F(m
3
) = u.6, F(m
4
) = u.8
Como F(t) = 1 -c
-2.72t
, entonces cualquier nmero p, el valor t que satisface
F(t) = p se podra determinar como sigue:
1 -c
-2.72t
= p
1 -p = c
-2.72t
luego despejando t se obtiene:
t =
ln(1 -p)
-2,72

m
1
=
ln(u,8)
-2,72
= u,u8
m
2
=
ln(u,6)
-2,72
= u,19
m
3
=
ln(u,4)
-2,72
= u,S4
m
4
=
ln(u,2)
-2,72
= u,S9
Por lo tanto las categoras son las siguientes:
34
Categuria 1: t < u,u8
Categuria 2: , 8 t < u,19
categur|a 3: , 19 t < u,S4
Categuria 4: , 34 t < u,S9
categur|a 5: , 59 t
Despus de clasificar los datos en estas categoras, observamos que O
1
=
O
2
= 5 O
3
= 4O
4
= 5O
5
= 5 , mediante la construccin de las categoras
F
1
= F
2
= F
3
= F
4
= F
5
= 5, enseguida calculamosX
2
(uhx):
X
2
(uhx) =
( -5)
2
5
+
(5 -5)
2
5
+
(4 - 5)
2
5
+
(5 -5)
2
5
+
(5 -5)
2
5

X
2
(uhx) = , 2 + +, 2 + + = , 4
El X
2
0,05,5-1-1
de la tabla es 7,81
Por lo tanto para un error tipo 1 de 0.05 se acepta la hiptesis nula,
concluyendo que los datos provienen de una distribucin exponencial.
Ejemplo 2, distribucin normal:
En la siguiente tabla se muestra los datos que representa el dimetro de los
agujeros realizados por un taladro sobre la base giratoria de una gra. Se
desea saber si los datos presentan una distribucin normal lo cual certifica que
el taladro est trabajando en buena condicin.
Datos del dimetro de los agujeros X promedio sigma
16 16 16,2 16,2 15,5 15,98 0,28635642
16 16,2 15,6 16 16,2 16 0,24494897
15,8 16,2 15,9 15,8 16,2 15,98 0,20493902
15,7 15,6 16,2 16,1 16,5 16,02 0,37013511
16,2 15,7 16,3 15,7 16,1 16 0,28284271
15,9 16 15,9 15,8 16,1 15,94 0,11401754
15,3 16,3 15,8 15,9 15,6 15,78 0,37013511
15,6 16,1 16,3 15,7 16 15,94 0,28809721
15,9 15,9 15,8 15,8 16 15,88 0,083666
16,1 15,8 16,2 16,2 16,1 16,08 0,16431677
16 16,3 15,6 16,4 15,9 16,04 0,32093613
15,7 15,9 15,9 15,7 15,6 15,76 0,13416408
15,9 16,2 16,1 16,1 16 16,06 0,11401754
15,6 16,4 16,2 15,9 15,7 15,96 0,33615473
15,8 15,6 16,1 15,8 15,6 15,78 0,20493902
16 15,7 15,9 15,8 15,9 15,86 0,11401754
35
16,1 16 15,7 15,7 16,2 15,94 0,23021729
16 15,5 16,1 16,2 16,2 16 0,29154759
16 15,6 16,1 15,9 16 15,92 0,19235384
16,4 16,7 15,9 15,6 16,2 16,16 0,42778499
15,954 0,23877938

Pasos:
1. Planteamos las hiptesis

H
: |ux datux xe ajuxtan a una d|xtr|huc|un nurma|

H
a
: |ux datux nu xe ajuxtan a una d|xtr|huc|un nurma|

2. Se halla el numero de intervalos de clase k y la longitud del intervalo h

k = 1 +S.S - log(1uu)
k = 7,6 8
b =
rongo
k
=
1,4
8
= u,17S

3. Se verifica cuantos datos caen el intervalo, as como lo muestra la
siguiente tabla:
k intervalos de clase frecuencia
INF SUP
1 15,3 15,475 1
2 15,475 15,65 13
3 15,65 15,825 20
4 15,825 16 29
5 16 16,175 26
6 16,175 16,35 20
7 16,35 16,525 4
8 16,525 16,7 1
4. Luego se halla la probabilidad para cada intervalo
P(Z _
x -X
o
_)
k = 1
P_Z _
15, 475 -15, 954
, 23877
]_ = P(Z -2, ) = , 224
36
k = 2
P _Z _
1S,6S -1S,9S4
u,2S877
]_ -P _Z _
1S,47S - 1S,9S4
u,2S877
]_
= P(Z -1, 273) -P(Z -2, ) = , 79
k = 3
P _Z _
1S,82S -1S,9S4
u,2S877
]_ -P _Z _
1S,47S -1S,9S4
u,2S877
]_
= P(Z -, 54) -P(Z -1, 273) = , 193.

As sucesivamente, los datos se muestran en la tabla siguiente:

k intervalos de clase Z acumulado probabilidad
INF SUP P(Z<z)
1 15,3 15,475 -2,006 0,02242621
2 15,475 15,65 -1,273 0,07905766
3 15,65 15,825 -0,540 0,19302925
4 15,825 16 0,192 0,28186894
5 16 16,175 0,925 0,24627553
6 16,175 16,35 1,658 0,12872752
7 16,35 16,525 2,391 0,04022113
8 16,525 16,7 3,124 0,00750238
5. Luego se obtienen las frecuencias esperadas las cuales salen de
multiplicar
n - p
= n - p
1
= 1uu - u,u224 = 2,24 = 2
n - p
2
= 1uu - u,u79 = 7,9 = 8
n - p
3
= 1uu - u,19S = 19,S = 19
n - p
4
= 1uu - u,2818 = 28,18 = 28
n - p
5
= 1uu - u,2462 = 24,62 = 25
37
n - p
6
= 1uu - u,1287 = 12,87 = 13
n - p
7
= 1uu - u,u4 = 4
n - p
8
= 1uu - u,uu7 = u,7 = 1
k intervalos de clase frecuencia esperada
INF SUP
1 15,3 15,475 1 2
2 15,475 15,65 13 8
3 15,65 15,825 20 19
4 15,825 16 29 28
5 16 16,175 26 25
6 16,175 16,35 20 13
7 16,35 16,525 4 4
8 16,525 16,7 1 1
suma 100
Debido que es una condicin necesaria que v
|
, F
|
S, entonces los datos
observados del intervalo 1 se le suma al intervalo 2, de la misma manera 6, 7 y
8 se suman y luego se le aplica el estadstico de la chi cuadrada.

k intervalos de clase observada esperada prueba chi
INF SUP
1 15,3 15,65 14 10 1,6
2 15,65 15,825 20 19 0,05263158
3 15,825 16 29 28 0,03571429
4 16 16,175 26 25 0,04
5 16,175 16,7 25 18 2,72222222
chi calculado 4,45056809

O sea:
X
2
(uhx) =
(14 -1)
2
1
+
(2 -19)
2
19
+
(29 - 28)
2
28
+
(2 -25)
2
25
+
(25 -18)
2
18

X
2
(uhx) = 1. +. 5 +. 35 + , 4 +2. 722 = 4. 45
Chi de la tabla:X
2
,5,5-2-1
= 5, 9914455
Por lo tanto como el estadstico observado es menor que el estadstico de la
tabla ( X
2
(uhx) = 4. 45 < X
2
,5,5-2-1
= 5, 9914455), se acepta la hiptesis
nula
38
2.5 HERRAMIENTAS ESTADISTICAS BSICAS PARA EL CONTROL
DE LA CALIDAD:
Existen siete herramientas principales que apoyan el efectivo desarrollo del
Control Estadstico de Procesos, estas facilitan la identificacin de las
oportunidades de mejora, as como tambin a reducir la variabilidad del
proceso y por consiguiente a la reduccin de los desperdicios. Las
herramientas bsicas se enlistan a continuacin proporcionan a cualquier
organizacin los medios para recolectar, presentar y analizar la mayor parte de
sus datos:
1) El Histograma.
2) Diagrama de Pareto.
3) Diagrama de Causa-Efecto o de Ishikawa.
4) Diagrama de Dispersin.
5) Hoja de Verificacin.
6) Diagrama de concentracin de defectos.
7) Cartas de control.
2.5.1 Histograma:
En muchos casos, si los datos han sido tomados de forma correcta, se puede
obtener conclusiones a partir de los mismos de forma inmediata; pero si no es
as, con frecuencia puede ser necesaria una adecuada representacin grfica
de los mismos. El histograma es una representacin grfica de los datos en la
que se puede observar:
1) Forma.
Simtrica
Asimtrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
En peine: puntos anormales no definidos.
Plana: tendiendo a ser una distribucin uniforme.
Sin distribucin definida.

2) Localizacin o tendencia central.
Si el histograma no es simtrico, entonces los datos no estn
centralizados. Se debe comparar la media muestral con el valor
nominal para darnos cuenta si se pueden cumplir con las
especificaciones.
3) Dispersin o expansin.
Cuando la variabilidad de un proceso es muy amplia, se pueden
presentar un nmero de defectos, es decir, el no cumplimiento
39
con las especificaciones. Para saber si esto ocurrir, se hace el
estudio de capacidad de los procesos.
Para la construccin de un histograma es aconsejable seguir los siguientes
pasos:
1) Colocar los datos a representar en filas de aproximadamente diez
nmeros.
2) Identificar y sealar el mximo y el mnimo de cada fila.
3) A partir del mximo y el mnimo de cada fila, localizar el mximo y el
mnimo global.
4) Calcular el Rango R de los datos.

R = Iolor mximo - Iolor minimo

5) Seleccionar un nmero de intervalos k que se ajuste al nmero de datos
obtenidos, para lo cual se recomienda usar la siguiente tabla:

Nmero de Datos Nmero de Intervalos
<50
50-100
100-250
>250
5-7
6-10
7-12
10-20

O haciendo k = n
6) Determine la amplitud b de los intervalos: b =
R
k
y redondear el valor
obtenido a un mltiplo exacto de la precisin de los datos.
7) Fijar los lmites de los intervalos (marca de clase). Se recomienda fijar el
valor del extremo mnimo la mitad de la amplitud.
8) Rellenar la tabla de frecuencias, indicando el nmero de veces que
aparecen datos dentro de cada uno de los intervalos definidos.

k Intervalos
Frecuencia
de los
datos por
intervalo
(F
|
)
U
|
F
|
- U
|
(F
|
- U
|
)
2

x
|
(Marca
de clase)
1 x
mn
- (x
mn
+b) A -2 -2A 4A
2
x
mn
+
b
2

2
(x
mn
+b) - (x
mn
+b)
+ b
B -1 -B B
2
-
3 - C 0 0 0 -
4 - D 1 D D
2
-
5 (x
mn
+(k - b)) - x
mux
E 2 2E 4E
2
-
40

N = nmero
de datos =
(F
)
E
1
E
2
o

Cabe anotar que en U
i
, si se tiene un k par, toma el valor de cero en el intervalo
de mayor frecuencia.
9) Construir el histograma.
10) Adems se puede calcular la media y la varianza de los datos, utilizando
las siguientes frmulas:
Para la media:
x = o + bE
1

Para la varianza:
s = b
E
2
- E
1
2

Donde o es el promedio de las marcas de clase[o =
x
i
k
.
Y los valores de E
1
y E
2
se obtiene haciendo:
E
1
=
F
N

E
2
=
(F
)
2
N

2.5.2 DIAGRAMA DE PARETO:
Existen muchos aspectos de cualquier actividad industrial y no industrial
susceptibles de mejoras. En algunos casos, la mejora es obligada, pero el
problema a abordar es de tal envergadura que parece imposible de resolver.
En este sentido el Diagrama de Pareto es de mucha utilidad, ste pone en
manifiesto que cuando se analizan las causas de un problema, en realidad son
algunas pocas las responsables de su mayor parte. A estas pocas se les llama
causas fundamentales y al resto, que son muchas pero ocasionan una
pequea parte del problema se les denomina causas triviales. Todo el esfuerzo
debe concentrarse en la eliminacin de las causas fundamentales, ignorando
en principio las triviales, que ya sern atacadas en el futuro. En este orden de
ideas, el Diagrama de Pareto puede aplicarse a situaciones muy distintas con
el fin de establecer las prioridades de mejora y siempre refleja el mismo
principio de pocas fundamentales y muchas triviales o dicho de otra manera el
20% de las causas ocasionan el 80% del problema.
Para la construccin de un Diagrama de Pareto se pueden seguir los siguientes
pasos:
41
1) Plantear con exactitud el problema a investigar, qu datos sern
necesarios, cmo recogerlo y durante qu periodo.
2) Tabular los datos recogidos, para facilitar enumerar la frecuencia de
cada causa.
3) Ordenar las cusas de mayor a menor importancia, situando las triviales
al final.
4) Iniciar la realizacin del diagrama dibujando los ejes. Se coloca un eje
horizontal dividido en tantas partes como causas y dos ejes verticales. El
eje de la izquierda se marca desde 0 hasta el total ocurrencias de las
causas y en el eje de la derecha se colocan los porcentajes marcndose
de 0 a 100%.
5) Construir el diagrama de barras. La altura de cada barra de
corresponder al nmero de observaciones correspondiente a cada
causa, de acuerdo con la variacin del eje de la izquierda.
6) Graficar el porcentaje acumulado, el cual se obtiene as:

Causa
Nm. de veces
que se presenta
la causa
Frecuencia
Acumulada

Porcentaje
Porcentaje
acumulado
A 104 104 52 52
B 42 146 21 73
C 20 166 10 83
D 10 176 5 88
E 6 182 3 91
F 4 186 2 93
Otras 14 200 7 100
Total 200 100

0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0
20
40
60
80
100
120
140
160
180
200
A B C D E F Otras
DIAGRAMA DE PARET0
42

2.5.3 DIAGRAMA DE CAUSA Y EFECTO
En muchas ocasiones cuando se presenta un problema, se confunde su
resolucin con la eliminacin de los efectos que produce y esto puede traer
consigo malas consecuencias.
Kaoru Ishikawa, en su libro Qu es el control total de calidad?, relata un caso
de su propia experiencia. Explica que cierto dispositivo iba unido a una
mquina por medio de cuatro pernos, el perno 1 se rompa con frecuencia por
lo que se decidi sustituirlo por otro de mayor dimetro. A partir del cambio no
se volvi a partir el perno 1, pero el perno 2 se empez a romper, ante la nueva
situacin se decidi que los cuatro pernos deban ser ms grandes y se
procedi al cambio. Con estas medidas ya no se volvi a romper ningn perno,
pero empezaron a aparecer fracturas en la placa de hierro en la que estaba
situado el dispositivo, por tal motivo se procede a cambiar la placa de hierro por
otra ms gruesa. Posteriormente con la realizacin de un estudio profundo se
puso en manifiesto que una vibracin que llegaba al dispositivo era lo que
ocasionaba los fenmenos de ruptura y que si no se eliminaba terminara
rompiendo la nueva placa metlica o inutilizando el dispositivo por graves
consecuencias.
En este caso lo que se estaba haciendo era intentar evitar el efecto del
problema, pero sin eliminar su causa y si la causa permanece el efecto vuelve
a manifestarse de forma an ms perjudicial.
Por tal razn, para solucionar un problema deben estudiarse sus causas y
eliminarlas, en el caso que planteaba Ishikawa la causa era la vibracin,
aunque tambin debera haberse investigado el origen de la misma.
Para saber cules son las posibles causas que hay detrs de un efecto es
conveniente construir un diagrama de causa-efecto, para lo cual se sugiere
seguir los siguientes pasos:
1) Determinar e identificar claramente cul es el efecto (el problema, la
caracterstica de calidad, etc.) a estudiar.
2) Realizar una lista de posibles causas.
3) Construir el diagrama teniendo en cuenta que en este diagrama
presentan de forma jerarquizada y agrupada grandes grupos
denominados causas primarias, las cuales suelen ser: mano de obra,
maquinaria, materiales, mtodos, medio ambiente y mantenimiento
(conocidas como las seis M); cada causa primaria est integrada por
varias secundarias, esta por terciarias y as sucesivamente, tal como se
muestra en la siguiente figura.
43

2.5.4 DIAGRAMA DE DISPERSIN:
Un Diagrama de Dispersin es la forma ms sencilla de definir si existe o no
una relacin causa efecto entre dos variables y que tan firme es esta relacin,
El Diagrama de Dispersin es de gran utilidad para la solucin de problemas de
la calidad en un proceso y producto, ya que nos sirve para comprobar que
causas (factores) estn influyendo o perturbando la dispersin de una
caracterstica de calidad determinada o variable del proceso a controlar.
Los motivos ms comunes de este tipo de diagrama son analizar:
La relacin entre una causa y un efecto.
La relacin entre una causa y otra.
La relacin entre una causa y otras dos causas.
Un efecto y otro efecto.

La construccin de un diagrama de dispersin puede realizarse de la siguiente
manera:

1) Reunir pares de datos de las variables cuya relacin se desea investigar.
Con menos de 30 pares es difcil sacar conclusiones, 50 suele ser
suficiente.

2) Trazar los ejes. Decidir las escalas de forma que ambos ejes tengan
aproximadamente la misma longitud. Si una variable es una
caracterstica de calidad y la otra un factor (de diseo o de produccin),
se sita la primera en el eje vertical.
44

3) Situar los puntos en el grfico. Si dos o ms puntos coinciden, se seala
marcando crculos concntricos.

4) Incorporar toda la informacin pertinente que ayude a interpretar el
grfico (ttulo del diagrama, nmero de pares de datos, ttulo y unidades
de cada eje, etc.).

Los diagramas de dispersin pueden presentar distintos aspectos segn el
tipo de relacin que exista entre las variables a continuacin se representan
diversos tipos de diagramas que aparecer.

45

2.5.5 CARTA DE VERIFICACIN:
Es comn que con frecuencia sea necesario colectar datos de operacin, sean
histricos o actuales, acerca del proceso bajo investigacin, una hoja de
verificacin puede ser de gran utilidad en esta actividad. En esta se resume
informacin en funcin del tiempo, lo cual es particularmente valioso para
buscar tendencias y otros patrones importantes. Por ejemplo, si muchos
defectos ocurren durante el verano, una posible causa que deba investigar es
la contratacin de obreros eventuales durante un periodo vacacional.
Cuando se disea una hoja de verificacin, es importante especificar
claramente el tipo de datos que van obtenerse, el nmero de parte u operacin,
la fecha, el analista y cualquier otra informacin til para diagnosticar la causa
del desempeo pobre. Si la hoja de verificacin es la base para realizar
clculos adicionales, o si se usa como hoja de trabajo para capturar datos en
una computadora, entonces es importante asegurarse de que la hoja de
verificacin adecuada para este propsito antes de que se inviertan esfuerzos
considerables en la obtencin real de los datos.
HOJA DE VERIFICACIN
DATOS DE DEFECTOS DE 1988-1989 A LA FECHA
N de parte TAX
Lugar Bellevue
Fecha de estudio 06/05/1989
Analista TCB 1088 1989

Defecto 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 Total
Partes Daadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de Maquinado 3 3 1 8 3 8 3 29
46
Partes Suministradas Oxidadas 1 1 2 9 13
Obturacin Insuficiente 3 6 4 3 1 17
Soldadura desalineada 2 2
Procesamiento fuera de orden 2 2 4
Remisin de la parte incorrecta 1 2 3
Estructura aerodinmica no
determinada
3 3
Falla de adherencia 1 1 2 1 1 6
Alodino en polvo 1 1
Pintura fuera de los lmites 1 1 2
Pintura daada por corrosin 1 1
Pelcula sobre las partes 3 1 1 5
Latas de pintura tapa poros daada 1 1
Vacos en piezas fundidas 1 1 2
Compuesto deslaminado 2 2
Dimensiones incorrectas 13 7 13 1 1 1 36
Procedimiento de prueba inadecuado 1 1
Falla de roci de sal 4 4
4 5 14 12 5 9 9 6 10 14 20 7 29 7 7 6 2 166

2.5.6 DIAGRAMA DE CONCENTRACIN DE DEFECTOS
Un diagrama de concentracin de defectos es un dibujo de la unidad, donde se
muestran todas las vistas relevantes, se marcan en el dibujo los diferentes tipos
de defectos, y el finalmente se analiza para determinar si la localizacin de los
defectos en la unidad transmite cualquier informacin til sobre las causas
potenciales de los defectos.
Cuando los datos de los defectos se representan en un diagrama de
concentracin de defectos para u nmero suficiente de unidades, es comn
que surjan patrones y la localizacin de estos patrones suele contener mucha
informacin sobre la causa de los defectos.
En la siguiente figura se muestra un diagrama de concentracin de defectos en
la etapa de ensamblaje final de un proceso de fabricacin de refrigeradores:

Lado
Izquierdo
Frent
e
Parte posterior
Lado
Derecho
Parte Superior
47

En este diagrama se puede observar los defectos de terminado superficial que
se identifican como las reas sombreadas oscuras en el refrigerados. Al
inspeccionar el diagrama parece claro que el manejo de material es el causante
de la mayora de estos defectos. La unidad se mueve fijando un cinturn en la
parte media y este cinturn est muy flojo(o muy apretado), desgastado, est
hecho de un material abrasivo o es demasiado angosto. Adems, cuando la
unidad se mueve se estn daando las esquinas. Es posible que la fatiga del
trabajador sea un factor en este proceso. De cualquier modo, los mtodos de
trabajo apropiados y el manejo mejorado de los materiales probablemente
mejorarn este proceso sustancialmente.
Parte inferior

48
CAPACIDAD DEL
PROCESO

Las tcnicas estadsticas pueden ayudar durante el ciclo del producto a reducir
la variabilidad y a mejorar la capacidad de los procesos, para cuantificar la
variabilidad del proceso, para analizar esta variabilidad respecto de los
requerimientos o especificaciones del mismo.

3
Capitulo
CAPACIDAD DEL PROCESO
49
3 ANLISIS DE CAPACIDAD DEL PROCESO

El anlisis de la capacidad del proceso es un paso bsico dentro de
cualquier programa de control de calidad. Su objetivo es tratar de analizar
hasta qu punto pueden resultar conformes al proyecto los artculos
producidos mediante un proceso. El objetivo del anlisis de capacidad es
determinar la variacin natural de un proceso cuando se han minimizado los
efectos de todos los factores ajenos y que no contribuyen al mismo.

Adems en la variacin natural, hay dos factores que influyen en la
capacidad del proceso; en primer lugar, las tolerancias y especificaciones
del producto y, en segundo, las mismas tolerancias y especificaciones en la
medida en que afectan a la produccin.

3.1 DEFINICIONES BASICAS
- Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
- Capacidad del proceso: Es la aptitud del proceso para producir
productos dentro de los lmites de especificaciones de calidad.
- estado de control:
Un proceso se dice que se encuentra bajo control estadstico
si slo se ve afectado por un conjunto de causas aleatorias de
variacin
Si el proceso se encuentra afectado por causas asignables de
variacin, se dice que est fuera de control
- Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de
la medicin del trabajo realizado por el proceso.
- Capacidad inherente: Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadstico,
es decir, en ausencia de causas especiales o atribuibles de variacin.
- Variabilidad natural: Los productos fabricados nunca son idnticos sino
que presentan cierta variabilidad, cuando el proceso est bajo control,
solo actan las causas comunes de variacin en las caractersticas de
calidad.
- Valor Nominal:Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas
pero que no se obtiene, aunque todo funcione correctamente, debido a
la existencia de la variabilidad natural.

50
3.2 CAPACIDAD DEL PROCESO
La capacidad del proceso es la forma en que se compara la variabilidad
inherente de un proceso con las especificaciones o requerimientos del
producto. Se utiliza este mtodo estadstico para medir el funcionamiento de un
proceso. Se dice que un proceso est funcionando bajo control estadstico
cuando las nicas causas de variacin son causas comunes (naturales). El
proceso debe controlarse estadsticamente detectando y eliminando causas
especiales (imputables) de variacin.

El objetivo de este sistema es proporcionar una seal estadstica cuando
aparezcan causas de variacin imputables, es decir, la deteccin oportuna de
la ocurrencia de causas especiales para tomar acciones correctivas antes de
que se produzcan unidades defectivas o no conformes, para esto se utilizan las
cartas de control en lnea (Tema que explicaremos en la siguiente unidad),
permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la
reduccin continua de la variabilidad hasta donde sea posible.

La capacidad del proceso se refiere a la uniformidaddel mismo. Evidentemente,
la variabilidad del proceso es una medida de la uniformidad de la salida.
Se acostumbra tomar la dispersin seis sigma en la distribucin de la
caracterstica de la calidad del producto como una medida de la capacidad del
proceso. A continuacin se muestra un proceso para el que la caracterstica de
calidad tiene una distribucin normal con media y desviacin estndar . Los
lmites de tolerancia natural superior e inferior del proceso son p _So, es
decir:
ImitcSupcrior = p +So
ImitcIncrior = p -So
Para una distribucin normal, los limites de tolerancia natural incluyen el
99.73% de la variable o dicho en otros trminos, solo el 0.27% de la salida del
proceso quedara fuera de los limites tolerancia natural. Es necesario recordar
dos puntos:
- El valor 0.27% fuera de las tolerancias naturales suena pequeo, pero
corresponde a 3.4 partes por milln disconformes.
- Si la distribucin de la salida del proceso no es normal, entonces el
porcentaje de la salida que quedara fuera de p _So puede diferir
considerablemente de 0.27%.

La estimacin de la capacidad del proceso puede estar en la condicin de una
distribucin de probabilidad que tenga una forma, centro (media) y dispersin
(desviacin estndar) especificados.
51

En el estudio de capacidad del proceso por lo general se miden los parmetros
funcionales del producto, no el proceso en s. Cuando el analista puede
observar directamente el proceso y puede controlar y monitorear la coleccin
de datos, el estudio es un verdadero estudio de capacidad del proceso, ya que
al controlar la coleccin de datos y conocer la secuencia en el tiempo de los
datos, es posible hacer inferencias en la estabilidad del proceso en el tiempo.
Por esta razn, para desarrollar un anlisis de capacidad del proceso, es
necesario utilizar los siguientes supuestos, o comprobarlos a travs de
herramientas estadsticas:
- Los datos obtenidos en el desarrollo de un muestreo se ajustan a una
Distribucin Normal.
- El proceso se encuentra bajo control estadstico, es decir, es afectado
nicamente por su variabilidad natural.

Entre los usos principales de los datos de un anlisis de capacidad del proceso
se encuentran los siguientes:
- Predecir la medida en que el proceso se apegar a las tolerancias.
- Brindar asistencia a los responsables del desarrollo y diseo del
producto para seleccionar o modificar un proceso.
- Brindar asistencia para establecer un intervalo entre el muestreo para
monitorear el proceso.
- Especificar los requerimientos de diseo para el equipo nuevo.
- Seleccionar entre proveedores competidores.
- Planear la secuencia de los procesos de produccin cuando est
presente un interactivo de los procesos sobre las tolerancias.
- Reducir la variabilidad en un proceso de manufactura.

Por tanto, el anlisis de capacidad del proceso es una tcnica que tiene
aplicacin en muchos momentos del ciclo del producto, incluyendo el diseo de
productos y procesos, la fuente de proveedores, la planeacin de la produccin
o la manufactura y la propia manufactura.
En el anlisis de capacidad del proceso se utilizan tres tcnicas principales:
histogramas, graficas de probabilidad, cartas de control y experimentos
diseados.

CAUSAS COMUNES Y ESPECIALES DE VARIACION

52
Causas Comunes o causas Naturales:La variabilidad natural siempre
existe en cualquier proceso de produccin, no importa que tan bien
diseado est. Esta variabilidad natural es denominada causas comunes
o aleatorias de variabilidad, es decir:
- Inherentes al proceso. Siempre existen.
- Esta variacin es el efecto de varias pequeas causas y no puede ser
totalmente eliminada.
- Cuando la variacin es pequea se dice que el sistema est en estado
estable de causas comunes bajo control estadstico.
Ejemplos:
- Variacin de materia prima de un proveedor calificado.
- Vibracin de la maquinaria.
- Cambios en las condiciones de trabajo.

Causas Asignables o Especiales: Se trata de variaciones en un
proceso de produccin que pueden atribuirse a causas especificas, es
decir:
- La variabilidad originada por causas asignables es algo para lo cual se
puede determinar una razn.
- La magnitud de la variacin en estas circunstancias es mayor que la
influencia de causas comunes.
Ejemplos:
Uso de herramientas inadecuadas
Inadecuada materia prima.
Errores de los operadores.

Grafica de especificacin de Proceso

a) Proceso bajo control estadstico b) Proceso Fuera de Control
Variabilidad natural Variabilidad especial

3.3 INDICE DE CAPACIDAD POTENCIALDEL PROCESO

53
La capacidad del proceso segn se mide con Cp, se refiere a la variacin en un
proceso alrededor del valor promedio y el ndice de Cpk refleja la proximidad de
la media actual del proceso al lmite de especificacin superior (LES) o bien, al
lmite de especificacin inferior (LEI).

Uso e interpretacin del ndice C
p

El ndice Cp mide la capacidad potencial, suponiendo que el promedio del
proceso es igual al punto medio de los lmites de especificacin y que el
proceso est operando bajo control estadstico.

Se puede decir tambin que es una forma cuantitativa simple para expresar la
capacidad del proceso. Su valor est dado a partir de una relacin entre la
Tolerancia de las especificaciones del proceso, determinadas por peticin del
cliente, y la variabilidad natural del proceso, para este caso seis sigma (6o).

C
p
=
Iolcroncio
6o
=
ISE -IIE
6o

LSE, representa el lmite superior de especificacin y LIE el lmite inferior.
En este orden de ideas, de acuerdo al valor que tome el ndice de capacidad
C
p
, los procesos pueden clasificarse de la siguiente manera:
Valor del
Cp
Clase de
proceso
Decisin
Cp>1.33 1
Ms que adecuado
1<Cp<1.33 2
Adecuado para el trabajo, pero requiere de un
control estricto conforme al Cp se acerca a
uno.
0.67<Cp<1 3
No adecuado para el trabajo. Un anlisis del
proceso es necesario.
Cp<0,67 4
No adecuado para el trabajo. Requiere de
seria modificaciones.

Aunque este parmetro es de gran utilidad, su clculo no toma en
consideracin dnde se localiza la media del proceso respecto de las
especificaciones. El C
p
solamente mide la extensin de las especificaciones en
comparacin con la dispersin seis sigma del proceso. En distintas situaciones
su valor puede indicar un proceso ms que adecuado, es decir, capaz, pero si
la media del proceso no coincide con la media de las especificaciones (Valor
Nominal), es muy probable que se encuentre arrojando productos fuera de
especificaciones, o sea, no conformes, ya sea por el lmite superior o por el
inferior. Esta situacin se puede apreciar en la siguiente distribucin de datos:
54

Situacin en la que el ndice C
p
es ineficaz
3.4 INDICE DE CAPACIDAD REAL DEL PROCESO
Uso e Interpretacin del ndice C
pk

Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk, cuando el ndice C
p
es
ineficaz, es decir, cuando no hay coincidencia entre la media del proceso y la
media de las especificaciones, es necesario el uso de C
pk
, ndice conocido
tambin como capacidad real del proceso. De esta manera, es comn decir
que C
p
mide la capacidad potencial del proceso, mientras que C
pk
la capacidad
real.
Si el promedio actual es igual al punto medio del rango de especificacin,
entonces Cpk= Cp. Entre ms alto sea el valor de Cpk, ms baja ser la
cantidad de producto que est fuera del los lmites de especificacin
Se evala tomando el mnimo entre los Cps correspondientes a cada lado de
la media, como sigue,
C
pk
= minimo(C
pu
, C
pI
)
C
pu
=
ISE - X
So

C
pI
=
X
-IIE
So

A continuacin un ejemplo grafico de dos procesos pueden tener un Cpk igual
a uno, pero sin embargo no necesariamente estn centrados respecto a la
media de las especificaciones como se muestra a continuacin:

55
Procesos con Cpk =1 pero con centrado diferente

Interpretacin de los resultados para el valor de los ndices de capacidad
1. Proceso Capaz y centrado (C
p
> 1, C
p
= C
pk
)
2. Proceso potencialmente capaz pero descentrado (C
p
> 1, C
pk
< 1)
3. Proceso Incapaz y centrado (C
p
< 1, C
p
= C
pk
)
4. Proceso Incapaz y descentrado (C
p
< 1, C
pk
< 1, C
p
> C
pk
)
Cada una de estas situaciones en un proceso productivo es presentada a
continuacin:

Tipos de procesos en relacin a su capacidad.
Un supuesto importante subyacente en la discusin de la capacidad del
proceso y de los ndices C
P
y C
pk
es que su interpretacin usual se basa en una
distribucin normal de la salida del proceso. Si la distribucin fundamental no
es normal, entonces, los enunciados acerca de la porcin cada del proceso
atribuido a un valor particular C
P
o C
pk
pueden estar equivocados
3.5 Cmo buscar cantidad de productos no conformes?
Dado que el proceso se ajusta a una distribucin normal, la proporcin de
productos no conformes (%PNC), es el porcentaje de productos por cada lmite
de la funcin de densidad de probabilidad Normal que rebasa los lmites de
especificacin.

LSE LIE LIE LSE

Proceso A: CPk=1

Proceso B: CPk=1

56
Para el lmite superior:
Z
LSL
=
ISE -X
o

Luego,

%PNC(ISE) = P(Z > Z
LSL
) = 1 -P(Z < Z
LSL
)

Para el lmite inferior:
Z
LIL
=
IIE -X
o

Luego,
%PNC(IIE) = P(Z < Z
LIL
)

De esta manera, la cantidad total de productos no conformes es la suma de la
proporcin por cada uno de los lmites.

En el momento de hallar C
pu
yC
pI
, se debe tener en cuenta que si el primer valor
es mayor que 1, entonces la proporcin de productos no conformes por el lmite
superior es tan insignificante que no se tiene en cuenta, de igual forma sucede
con el segundo valor pero para el porcentaje de productos no conformes por el
lmite inferior.
Para un proceso que genera una proporcin de productos no conformes como
el siguiente, se tienen algunas alternativas:

Reducir la desviacin estndar

LIE LSE
LIE LSE
57
Cambiar la media y hacer Centramiento

Lo ideal sera cambiar ambas

3.6 Cmo hacer una recoleccin de datos para hacer un anlisis de
capacidad o cualquier estudio estadstico?
Para la recoleccin de los datos se toman k muestras de tamao n, en un
tiempo determinado por das, horas o minutos, segn los requerimientos del
proceso, la media, la desviacin estndar y el recorrido de los datos se
obtienen de la siguiente manera:

k
n (Para este caso, 4)
X
R
1 2 3 4
1 3,4 5,3 2,1 3,8 3,65 3,2
2 - - - - - -
3 - - - - - -
4 - - - - - -
5 - - - - - -

X
= X
R = R

Los valores utilizados para realizar el anlisis de la capacidad del proceso son
X
y R
.
El valor de la desviacin estndar ose determina de la siguiente manera:
o =
R
J
2

Donde J
2
es una constante, su valor depende del tamao de la muestra y
puede tomarse de las tablas de constantes para el manejo de la calidad de un
proceso, estas tablas se encuentran en la parte final del mdulo (Seccin 7).
LIE
LSE
LIE
LSE
58
Es til la construccin e interpretacin de histogramas para el manejo de este
tema, este procedimiento es explicado en la seccin 2 del mdulo.
A continuacin se dar un ejemplo de un ejercicio de aplicacin de la temtica
tratada.
Ejemplo 1:
En cierto proceso de maquinado se ha llevado una grafica SPC X
sobre el
dimetro de cierta parte.
Despus de verificar si el proceso est bajo control estadstico y que los datos
se comportan como una distribucin normal, se tienen los siguientes datos.
R
= u,169
n = S
X
= u,7S8
IIE = u,S
ISE = u,9
a) Calcule los ndices Cp y Cpk y haga un anlisis completo de la
capacidad del proceso.
b) Obtenga la proporcin esperada fuera de especificacin unilateral y de
manera total.
c) Calcular el inciso a) y b) con el proceso centrado
d) Entre que valores debe oscilar X
, de tal manera que la fraccin de no

conformes sea a lo sumo de 1% (Ventana de Operacin).

Solucin:
a) ndices de Capacidad
o =
R
J
2

o =
u,169
2,S26
= u,u726
J
2
Se obtuvo de la tabla factores para construir cartas de control para
variables.
Cp =
u,9 -u,S
6 - u,u726
= u,9182
Como Cp < 1 decimos que el proceso no es capaz
59
C
pk
= min ( C
pI
; C
pu
)
C
pI
=
X

-IIE
So
=
u,7S8 - u,S
S - u,u726
= 1,u927
C
pu
=
ISE -X

So
=
u,9 -u,7S8
S - u,u7S8
= u,74S8
C
pk
= min( 1,u927; u,74S8) = u,74S8
El C
pu
es menor que 1 entonces est arrojando productos no conformes por
el lmite superior.
b) %PNC
Z
LSL
=
ISE -X

o
=
u,9 -u,7S8
u,u726
= 2,2S - %PNC = P(Z > 2,2S)
= 1 -P(Z < 2,2S) = 1 -u,9871 = 1,2S%
El proceso arroja 1,25% de productos no conformes.
Entonces se dice que el proceso no es capaz, no est centrado y arroja 1,25%
de productos no conformes.
Para reducir la cantidad de productos no conformes arrojados por el proceso,
incurriendo en el menor costo, lo recomendable es centrar el proceso, es decir,
hacer que coincida la media del proceso con el valor nominal. Esta tcnica
resulta ms econmica que la reduccin de la variabilidad, que sera lo ideal,
aunque muy costosa, pues requiere un anlisis riguroso de las 6M de
produccin (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente, Mtodos
y Materiales).
c) Teniendo en cuenta el ejemplo desarrollado, si centramos el proceso, se
tiene:
Cp = u,917S
X = Iolor Nominol =
ISE + IIS
2
=
u,9 + u,S
2
= u,7
Con el proceso centrado el Cp = Cpu = Cpl = Cpk = u,917S
Z
LIL
=
IIE -X

o
=
u,7S8 -u,7
u,u726
= 2,27 - %PNC = P(Z < 2,27) = u,uuS
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2
=0,006
60
%PNC = 0,6%
d) La Ventana de Operacin son los valores entre los que puede oscilar X
,
para arrojar a lo sumo una proporcin de productos no conformes especificada.
En este caso esa proporcin de productos es de 1%.
Para produccin no conforme por el lmite superior:
u,u1 = 1 -P(Z < Z
LSL
)
P(Z < Z
LSL
) = u.99
Z
LSL
= 2,S2S
2,S2S =
ISE -X

o

X

= ISE -2,S2So
X

= u,9 -2,S2S(u,u726) = u,7S12
Para produccin no conforme por el lmite inferior:
u,u1 = P(Z < Z
LIL
)
Z
LIL
= -2,S2S
-2,S2S =
IIE -X

o

X

= IIE +2,S2So
X

= u,S +2,S2S(u,u726) = u,6687
La ventana de operacin para una produccin de productos no conformes de
1% es |u,6687; u,7S12].
Ejemplo 2:

Un proceso productivo tiene un C
p
= u,9S, y est centrado.

a) Estime la proporcin de productos no conformes
b) Si el proceso esta descentrado a u,1So, que valor toman los ndices C
p
y
C
pk

61
Solucin
a) Como el proceso est centrado C
P
= C
PK
= C
PL
= C
P0
= u,9S
%PNC
C
P0
= u,9S =
ISE -x
So

u,9S - S =
ISE -x
o

2,8S =
ISE -x
o

Z
LSL
= 2,8S
P(Z > Z
LSL
) = 1 -P(Z < Z
LSL
) = 1 -u,9978 = u,uu22
Como est centrado est arrojando la misma cantidad de productos no
conformes por ambos lados tenemos
u,uu22 - 2 = u,uu44 = u,u4%
b) Si el proceso esta descentrado a u,1So
x =
ISE +IIE
2
+u,1So
C
P0
=
ISE -x
So

C
P0
=
ISE -j
LSL+LIL
2
+u,1So[
So
-
2
2

C
P0
=
2ISE -|ISE + IIE +u,So]
6o

C
P0
=
2ISE
6o
-
ISE
6o
-
IIE
6o
-
u,So
6o

ISE -IIE
6o
-u,uS = u,9
C
P0
= C
P
-u,uS
C
P0
= u,9u
C
PL
=
x -IIE
So

62
C
PL
=
j
LSL+LIL
2
+u,1So -IIE[
So

C
PL
=
j
LSL+LIL
2
+
0,30c
2
-
2LIL
2
[
6o

C
PL
=
ISE -IIE
6o
+
u,S
6

C
PL
= u,9S +u,uS
C
PL
= 1
C
PK
= C
P0
= u,9u

EJERCICIOS PROPUESTOS
1) Un proceso est bajo control con X = 7S y o = 2. Las especificaciones
del proceso son 8u _8. El tamao de la muestra es n = S.

a) Estimar la capacidad potencial.
63
b) Estimar la capacidad real
c) Cunto podra reducirse la porcin cada del proceso cambiando la
media a la dimensin nominal? Suponer que la caracterstica de
calidad tiene una distribucin normal.

2) Una fbrica de herbicidas tiene un reactor donde fabrica un producto, el
Tx-100.
El TX-100 es un ingrediente selectivo que tiene un ingrediente activo el
cual al entrar en contacto con la maleza, se libera y la ataca alterando el
fenmeno de la fotosntesis. Ello conduce a que la maleza muera y que
el cultivo quede libre.
Las especificaciones para el ingrediente activo liberable son: 36%6%.
Se quiere conocer el patrn estadstico del proceso en el reactor y para
tal efecto se han tomado datos de los ltimos 200 lotes de cada uno de
ellos con relacin al % del ingrediente activo liberable y se le han
construido los respectivos histogramas. Haga un anlisis estadstico
exhaustivo sobre la capacidad del proceso, para cada uno de los
reactores. Se anexa cuadro extrado del histograma.

INTERVALO Fi
[30,6433-31,0382] 1
[31,0382-31,4331] 0
[31,4331-31,8280] 4
[31,8280-32,2229] 14
[32,2229-32,6178] 43
[32,6178-33,0127] 51
[33,0127-33,4078] 44
[33,4078-33,8025] 25
[33,8025-34,1974] 14
[34,1974-34,5923] 4
[34,5923-34,9872] 0
Total 200

Entre que valores puede oscilar X de tal manera que la fraccin de no
conforme sea a lo sumo 10%?
De los lotes no conforme que exceden el lmite superior de
especificacin el 60% de ellos se pueden reprocesar a un costo unitario
de 80u.m y quedan aceptables. Los lotes no conforme por el lmite
inferior son reprocesables en un 90% y ocasionan un costo unitario
adicional de 30u.m. el costo de produccin de cada lote es de 300u.m;
Cunto cuesta producir un lote conforme?.

64
3) Un proceso est bajo control estadstico con parmetros X
= 7S y
desviacin o = 4,S. Las especificaciones son 7S _1S. Entre que valores
puede oscilar X
de tal manera que la fraccin no conformes sea a lo

sumo 4%. De los artculos no conformes que excedan el lmite de
especificacin superior, el 70% se pueden reprocesar a un costo unitario
de 80 u.m. y quedan aceptables. Los artculos no conformes por el lmite
inferior no son reprocesadles y ocasionan un costo unitario de 30u.m. el
costo de produccin de cada artculo es de 250u.m. Cunto cuesta
producir un artculo conforme?

4) Aceros S.A. produce laminas de acero se 3mm de espesor y 1200 mm
de ancho, caracterstica que se considera la ms relevante por el cliente
debido al uso que se puede dar. Por esta se implementa un programa de
control con esta caracterstica de calidad con una muestra n=, la carta y
su media es X
= 1186 y el promedio de la carta rangoR
= 1Su. Las
especificaciones requeridas por la lmina son 12uu _4umm para el
ancho de las lminas. El costo de produccin de las lminas es
11000u.m. por polticas de la empresa por cada lamina que cumpla con
las especificaciones, se obtiene una utilidad del 35% sobre costos de
produccin. Las lminas que no cumplan las especificaciones por el
lmite superior perdiendo el 10% del precio de venta de la lmina. Por
cada lmina que no cumple por el lmite inferior se obtiene solo una
utilidad del 15%. La empresa recibe un pedido de 1000 lminas.

a) Cul es su opinin sobre la capacidad del proceso
b) Calcular la fraccin productos no conformes del proceso
c) Qu debo hacer para reducir la cantidad de productos no conformes
d) De acuerdo al numeral anterior calcule el precio de venta promedio
de cada lamina
e) Cual debe ser el corrimiento de la media para que se genere en total
un 30% de productos no conformes.

5) Un proceso tiene un ndice de capacidad Cp = 2, pero la media esta, dos
desviaciones tpicas por encima del lmite superior de especificacin.
Cul es la probabilidad de fabricar un producto dentro de los lmites de
especificacin?

6) Arturito S.A., fabrica tubos de aluminio. Para tener el proceso bajo
control estadstico emplea un grfico XbarraR. Se encontr que el
promedio de los promedios de las muestras es 105 mm, tomando
muestras de tamao 5, y el promedio de los promedios fue de 12 mm.
Las especificaciones del dimetro de los tubos, es de 1u4 _1u mm y si
una unidad es defectuosa por el LSE es reprocesada a un costo de 35
65
u.m. y solo el 77% de estas queda como producto conforme. Adems
producir una unidad cuesta 250 u.m. El precio de venta es de 400 u.m.

a) Actualmente, cul es la cantidad de productos no conformes del
proceso?
b) Cmo podra mejorarse la situacin actual? En cunto se reduce?
c) Qu corrimientos seran permitidos en la media del proceso, para
que se genere un 8% de productos no conformes?
d) Segn la capacidad del proceso que tipo de proceso es?
e) Si los costos y gastos fijos de la empresa son de 150.000 u.m., Cul
es el punto de equilibrio de la empresa? Tenga en cuenta que una
unidad defectuosa se puede rematar a 60% del costo de produccin

7) Un proceso est bajo control estadstico con X
= 1uu , o = 1,uS yn = S,
las especificaciones del proceso son 9510. La caracterstica de la
calidad tiene una distribucin normal.

a) Estimar la capacidad potencial
b) Estimar la capacidad real
c) Cuanto podra reducirse la porcin de productos no conformes si la
media del proceso toma el valor nominal.

8) Un proceso de llenado de bolsas de harina est generando en total 15%
de productos no conformes con relacin al peso mnimo y mximo de la
bolsa llena.
La cantidad de productos no conforme por uno de los lmites de
especificacin es el doble con relacin a la cantidad de productos no
conformes que se generan por el otro limite de especificacin.

a) Calcule la capacidad general del proceso
b) Calcule la capacidad real del proceso
c) Repetir a y b si el 15% total de no conformes se genera en igual
proporcin por cada uno de los lmites de especificacin.

9) Los planos de un ajuste eje-agujero indican una tolerancia ISO 40H8/f7,
que fija los siguientes limites de tolerancia (en mm):
Agujero: 4u
+0
+0.30
Eje:4u
-0.050
-0.025

Por los requerimientos de servicio del ajuste, esta tolerancia tiene
siempre juego positivo:
[
muxmo
= u.uS9 +u.uSu = u.u89 mm
[
mnmo
= u +u.u2S = u.u2S mm
A[ = [
muxmo
- [
mnmo

[
mcdo
= ([
muxmo
+ [
mnmo
)2
66
El proceso de torneado del eje se realiza con un torno y tiene una
desviacin tpico o
L]L
= u.uu4HH y el fresado del agujero tiene una
desviacin tpica o
Au0]LR0
= u.uu7mm.

a) Calcule los C
p
de los procesos de mecanizado.
b) Cul es la desviacin tpica del juego? Justifique la respuesta.
c) Se est estudiando reducir la variacin admitida al juego a un 75% de la
actual, manteniendo el juego medio. Si se mecanizan los ejes y los
agujeros en el centro de sus respectivos intervalos de tolerancia, Qu
fraccin de los ajustes fabricados no cumpliran los nuevos criterios
impuestos al juego?
d) Si se pretende disminuir la fraccin defectuosa con los nuevos criterios
impuestos al juego, Qu sera ms eficaz, mejorar el proceso de
torneado del eje o el de fresado del agujero? Justifique la respuesta.

Observaciones:

Como se puede observar, en este tipo de ajustes, el nominal est fuera
del intervalo de tolerancias.
El juego se define como la diferencia de la dimensin del agujero y del
eje.

67
CARTAS DE CONTROL

Una carta de control es un grfico en el que se representa el comportamiento
de un proceso en el tiempo.El objetivo principal de los grficos de control es
detectar lo antes posible cambios en el proceso que puedan dar lugar a la
produccin de unidades defectuosas.

4
Capitulo
CARTAS DE CONTROL
68
4 CARTAS DE CONTROL

4.1 GENERALIDADES:
Las cartas de control son la herramienta ms poderosa para analizar la
variacin en la mayora de los procesos. Han sido difundidas exitosamente en
varios pases dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atencin hacia las causas especiales
de variacin cuando estas aparecen y reflejan la magnitud de la variacin
debida a las causas comunes.
Se dice que un proceso est bajo Control Estadstico cuando presenta causas
comunes nicamente, cuando ocurre esto tenemos un proceso estable y
predecible. Cuando existen causas especiales el proceso est fuera de Control
Estadstico; las grficas de control detectan la existencia de estas causas en el
momento en que se dan, lo cual permite que se puedan tomar acciones al
momento.
TIPOS DE CAUSAS
Causas asignables (causas especiales): Son causas que pueden ser
identificadas y que se necesitan descubrir y eliminar, por ejemplo, una falla de
la maquina por desgaste de una pieza, un cambio muy notorio en la calidad del
plstico, etc. Estas causas provocan que el proceso no funcione como se
desea y por lo tanto es necesario eliminarlas para lograr el correcto
funcionamiento del proceso. Estas variaciones no son normales, no pertenecen
al proceso y no sern aceptadas.
El objeto del Control estadstico de Calidad, es encontrar y separar las Causas
Asignables. (Aun cuando no estn causando defectos). Estas causas se
comportan de manera irregular e inestable en el tiempo, por lo que resultan
imprevisibles.
Cuando los puntos se encuentran fuera de los lmites de control o muestran
una tendencia particular, decimos que el proceso est fuera de control, y esto
es debido a las Causas Asignables.
Causas no asignables o fortuitas (Causas comunes): La caracterstica
principal que define a este tipo de causas es que Actan constantemente, de
una forma estable, provocando una variabilidad homognea y sobre todo
previsible. Son causas que aparecen y desaparecen de forma aleatoria,
produciendo una variabilidad regular que podemos disminuir pero no eliminar.
Este tipo de causas son inevitables en el proceso y tratar de eliminarlas puede
resultar estril y en la mayora de los casos extremadamente caro. Por lo que
no pueden ser reducidas o eliminadas a menos que se modifique el proceso.
CARTAS DE CONTROL
69
Por otra parte estas variaciones dentro de ciertos lmites pueden ser totalmente
tolerables y no causan reales disminuciones en la calidad del producto. Estas
variaciones se aceptan y se les consideran inherentes al proceso.
Cuando el proceso trabaja afectado solamente por un sistema constante de
variables aleatorias no controladas (causas no asignables) se dice que est
funcionando bajo control estadstico.
Principios bsicos
A continuacin s muestra una carta de control tpica, que representa alguna
caracterstica de calidad de un producto.
Figura 1.

La carta contiene, una lnea central (LC), que representa el valor promedio de
la caracterstica de calidad que corresponde al estado bajo control(es decir
cuando nicamente estn presentes causas fortuitas.) Tambin se muestran
dos lneas horizontales, llamadas lmite de control superior (LCS) y limite
de control inferior (LCI). Estos lmites de control se eligen de tal modo que si
el proceso est bajo control, casi todos los puntos mustrales se localizan entre
ellos. En tanto los puntos graficados se localicen dentro de los lmites de
control, se supone que el proceso est bajo control y no es necesaria ninguna
accin. Sin embargo, puede ocurrir que todos los puntos se encuentran dentro
de los lmites de control, pero si su comportamiento ocurre de manera
sistemtica o no aleatoria, podra ser un indicio de que el proceso se encuentra
fuera de control. Estos y otros comportamientos se estudiaran ms adelante.
4.2 OBJETIVOS DE LAS CARTAS DE CONTROL.

Estandarizar los procesos.
Verificar si el proceso est bajo control estadstico.
Ayudar a reducir la variabilidad.
Monitorear el proceso.
Inferir sobre tendencias futuras.

C
a
r
a
c
t
e
r
s
t
i
c
a

d
e

l
a

c
a
l
i
d
a
d

m
u
e
s
t
r
a
l
.

Numer o de muestr as o tiempo
CARTAS DE CONTROL
70
2
o
2
o
0
=
0
=
|
Proveer evidencias de problemas de calidad.
Ofrecer informacin confiable para tomar acciones oportunas.

Cuando un proceso est en control estadstico puede predecirse su
desempeo respecto a las especificaciones. En consecuencia, tanto el
productor como el cliente pueden contar con niveles consistentes de calidad y
ambos pueden contar con costos estables para lograr ese nivel de calidad.

4.3 CARTAS DE CONTROL Y PRUEBA DE HIPTESIS.
Existe una estrecha relacin entre las cartas de control y la prueba de
hiptesis; si decimos que:
E
o
: El proccso csto bo]o control cstoJistico
E
1
: El proccso no csto bo]o control cstoJistico

Cuando un punto se localiza dentro de los lmites de control es equivalente a
no poder rechazar la hiptesis de control estadstico, y cuando un punto se
localiza fuera de los lmites de control es equivalente a rechazar la hiptesis de
control estadstico.

Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o
errores.
Frrur t|pu 1 o u:Decir que el proceso esta fuera de control, cuando en realidad
no lo esta, es decir.

Frrur t|pu 2 o : Decir que el proceso est bajo control, cuando en realidad no
lo est. Es decir.

As mismo el error tipo 1 representa el complemento de la confiabilidad con la
que se maneja la prueba de hiptesis y el error tipo 2 el complemento de la
potencia que tiene la carta para detectar puntos por fuera de los lmites de
especificacin.
Entonces:
{ }
{ } falsa es H H rechazar No P
II Error tipo P
0 0
=
= |
{ }
{ } verdadera es H H Rechazar P
I Error tipo P
0 0
=
= o
CARTAS DE CONTROL
71
La potencia: 1 -[;es1 -[ = P{Rccbozor E
0
|E
0
cs olso]
La confiabilidad: 1 - o; es 1 -o = P{No rccbozor E
0
|E
0
cs :crJoJcro]
Estos riesgos son inversamente proporcionales, puesto que cuanto ms
confiable se es, la potencia disminuye, y cuanto ms potente se es la
confiabilidad es menor.
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de
control de 3-sigma la probabilidad de error tipo I es de 0.0027.

4.4 ANALISIS DE PATRONES EN LAS CARTAS DE CONTROL
Una carta de control puede indicar una condicin fuera de control an cuando
ningn punto particular se localice fuera de los lmites de control, cuando el
patrn que forman los puntos graficados muestra un comportamiento no
aleatorio o sistemtico.

En muchos casos, el patrn de los puntos graficados proporcionar informacin
de diagnostico til sobre el proceso, y esta informacin puede usarse para
realizar modificaciones que reduzcan la variabilidad. Estos patrones ocurren
con bastante frecuencia y su eliminacin es necesaria para poner el proceso
bajo control.

En general, los grficos de control se limitan a registrar la variabilidad existente.
Nuestra labor consistir en interpretar la informacin que nos proporcionan,
identificando las posibles variaciones y anomalas que pueden presentarse y
aplicando las medidas convenientes en cada caso. A continuacin se muestran
los patrones ms comunes en las cartas de control.
Punto fuera de control
Un punto nico fuera de los lmites de control casi siempre se produce por una
causa especial.
Una razn comn por la que un punto cae por fuera de un lmite de control, es
un error en el clculo de x o R para la muestra. Cada vez que esto ocurra, se
debern revisar los clculos. Otras causas posibles son una interrupcin de
energa repentina, una herramienta descompuesta, un error en la medicin o
una operacin incompleta u omitida del proceso.
CARTAS DE CONTROL
72

Proceso con puntos fuera de control
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o
ms indican una situacin fuera de control. Las tendencias suelen deberse al
desgaste o deterioro gradual de una herramienta o de algn otro componente
crtico del proceso, tambin pueden ser resultado de causas humanas, tales
como fatiga del operador o la presencia del supervisor as como resultar de
influencias estacionales, como la temperatura.

Proceso fuera de control por tendencias

Corrimiento en la media del proceso:un nmero inusual de puntos
consecutivos que caen a un lado de la lnea central casi siempre es una
indicacin de que el promedio del proceso se desplazo de forma repentina. Una
regla sencilla para detectar el cambio es que si 8 puntos consecutivos caen en
un lado de la lnea central, se podra llegar a la conclusin de que la media
cambio.

Este corrimiento puede ser generado por un cambio en mtodos, operadores,
materias primas, mtodos de inspeccin, etc.

Regin de control,
captura la variacin
natural del proceso
original
Causa Especial
identifcada
El proceso ha cambiado
TIEMPO
Tendencia del proceso
LSC
LIC
M
E
D
I
D
A
S
C
A
L
I
D
A
D
Regin de control,
captura la variacin
natural del proceso
original
Causa Especial
identifcada
El proceso ha cambiado
TIEMPO
Tendencia del proceso
LSC
LIC
M
E
D
I
D
A
S
C
A
L
I
D
A
D
CARTAS DE CONTROL
73
LSC

LC

LIC

Patrn de anormalidad con corrimiento de la media

Estratificacin:ocurre cuando casi todos los puntos caen cerca de la lnea
central y se muestra como una adhesin a la media. Esto puede ser causado
por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.

LSC

LC

LIC

Patrn de anormalidad de estratificacin

Patrones cclicos: los ciclos son patrones cortos repetidos, que alternan
crestas elevadas y valles bajos. Son el resultado de causas que vienen y van
en forma regular.

LSC

LC

LIC

Patrn de anormalidad cclico

Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca
o fuera de los lmites de control, con muy pocos puntos cerca de la lnea
central, puede ser causada por un sobre control de los operadores sobre el
proceso o cuando se toman productos de varias fuentes con diferente media.
CARTAS DE CONTROL
74

LSC

LC

LIC

Patrn de anormalidad con mezcla de lotes

Para reconocer un patrn de comportamiento no slo se requiere conocer las
tcnicas estadsticas, sino tambin tener un conocimiento profundo del
proceso.

En resumen los patrones de anormalidad ms comunes son:

Un punto fuera de los lmites de control.
Siete puntos formando una tendencia ascendente o descendente.
Dos de tres puntos a ms de dos sigma de la lnea central en el mismo
lado.
Cuatro de cinco puntos consecutivos que se encuentren a una distancia
de 1-sigma o ms all a partir de la lnea central.
Catorce puntos alternndose arriba y debajo de la media.
Quince puntos consecutivos encontrados entre ms menos 1-sigma de
la lnea central (adhesin a la media).
Un patrn no usual o no aleatorio de datos.

Hay que tener cuidado de no exagerar en la aplicacin de las reglas ya que se
pueden tener muchas falsas alarmas.

4.5 CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE
CONTROL

Para que tenga sentido la aplicacin de los grficos de control, el proceso ha
detener una estabilidad suficiente que, an siendo aleatorio, permita un cierto
grado de prediccin. En general, un proceso catico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el grfico de
control ni tiene sentido hablar de capacidad.

En lo sucesivo, se supondr que los procesos tienen un cierto grado de
estabilidad. Podemos distinguir dos casos:
CARTAS DE CONTROL
75

El proceso est regido por una funcin de probabilidad cuyos
parmetros permanecen constantes a lo largo del tiempo. Este sera el
caso de un proceso normal de media constante y desviacin tpica
constante. Este es el caso ideal y al que se pueden aplicar los grficos
de control para detectar la presencia de causas asignables.

El proceso est regido por una funcin de probabilidad alguno de cuyos
parmetros vara ligeramente a lo largo del tiempo. Este sera el caso de
un proceso normal cuya media vara a lo largo del tiempo (por ejemplo,
una herramienta de corte que va desgastando la cuchilla de corte).
Estrictamente hablando, este desgaste de la herramienta sera una
causa especial; sin embargo si puede conocerse la velocidad de
desgaste, podra compensarse resultando un proceso anlogo al caso
anterior.

Debe tratar de conocerse todo lo que sea posible de los fundamentos
tecnolgicos del proceso, ya que puede dar pistas sobre el tipo de distribucin
que seguirn los datos. En ningn caso debe darse la
normalidadporsupuesta. Debe comprobarse y en caso de que los datos no
sean normales, deben aplicarse mtodos especiales.

4.6 TIPOS DE CARTAS DE CONTROL

En general, los grficos de control dirigen la atencin hacia las causas
especiales y hacia la magnitud de la variacin. Aportan pruebas de que el
proceso est bajo control estadstico. Se pueden analizar en ellos tanto
variables como atributos.
Segn las caractersticas a estudiar, los grficos de control se pueden clasificar
de la siguiente manera:

4.6.1 CARTAS DE CONTROL PARA VARIABLES

Muchas caractersticas de calidad pueden expresarse en trminos de una
medicin numrica, por ejemplo, el dimetro de un rodamiento podra medirse
con un micrmetro y expresarse en milmetros. A una caracterstica particular
medible de la calidad, tal como una dimensin, peso o volumen se le llama
variables.

Cuando se trata con una caracterstica de la calidad que es una variable, por lo
general es necesario monitorear tanto el valor medio de la caracterstica de
calidad como su variabilidad. El control del promedio del proceso, o nivel de
calidad medio, suele hacerse con la carta de control para medias, o carta X
.
Por su parte la variabilidad del proceso puede monitorearse con una carta de
CARTAS DE CONTROL
76
control para la desviacin estndar, llamada carta S, o bien con una carta de
control para el rango, llamada carta R. Por lo que tenemos:

0roico Jc mcJios X

0roico Jc Rongos R
0roico Jc Jcs:iocioncs S

Las cartas X
y R ( S) se encuentran entre las tcnicas estadsticas de

monitoreo y control de procesos en lnea ms importantes y tiles.

Cartas de Medias/Rangos (X
; R)

El conjunto de estos dos grficos es el procedimiento de control estadstico de
proceso ms utilizado. Su uso es demandado cuando se tiene una
caracterstica en particular que se desea controlar, puesto que estos grficos
se utilizan cada vez para una sola caracterstica.
La cartaX
monitorea la variabilidad entre las muestras (la variabilidad del

proceso con el tiempo) y la carta R mide la variabilidad dentro de las muestras
(la variabilidad instantnea del proceso en un tiempo dado).
Estas cartas se grafican de forma separada, pero su anlisis es conjunto, solo
el hecho de que una no cumpla los requisitos o criterios establecidos, indica
que el proceso no se encuentra bajo control estadstico.

Procedimiento

Paso 1: Recolectar los datos.

Los datos son el resultado de la medicin de las caractersticas del producto,
los cuales deben de ser registrados y agrupados.

Paso 2: Calcule el rango promedio ( ) R y la media del proceso ( ) X .

menor mayor
X X R =

K
R R R
R
K
......
2 1
+ +
=

K
X X X
X
K
.......
2 1
+ +
=

Paso 3: estime la desviacin o para X
; R

CARTAS DE CONTROL
77
o =
R
J
2

Paso 4: Calcule los lmites de control
Los lmites de control son calculados para determinar la variacin de cada
subgrupo, estn basados en el tamao de los subgrupos y se calculan de la
siguiente forma:

Limites de control para la carta R

ICS =
4
R

IC = R

ICI =
3
R

3
y
4
son constontcs quc JcpcnJcn
Jc lo mucstro

Limites De Control para la Carta X

LCS = x +|Z
u2
|
o
n

IC = x
LCI = x -|Z
u2
|
o
n

Limites De Control para la Carta X
trabajando con (3o)

ICS = x +A
2
R

IC = x
ICI = x +A
2
R

A
2
= _
S
J
2
n
_
Nota: Las constantes A
2
, d
2,
D
3
y D
4
se encuentran tabuladas en funcin de n
para facilitar el clculo de los lmites de control, en las tablas de constantes
para grficos de control.
Paso 5: Trace la grfica de control y analcela.
Dibuje las lneas de promedios y lmites de control en las grficas.

Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera
el comportamiento del proceso.

Estructura de una carta de control X

CARTAS DE CONTROL
78

Estructura de una carta de control R

Anlisis de la carta X
; R

Al determinar si un proceso est bajo control estadstico, siempre se analiza
primero la grafica R. Debido a que los lmites de control de la carta x dependen
del rango promedio. Sin embargo es importante aclarar que el anlisis de estas
cartas es conjunto.

Los limites de control representan el rango en que se espera se ubiquen todos
los puntos; si el proceso est bajo control estadstico. Si cualquiera de los
puntos cae fuera de los lmites de control o si se observa algn patrn fuera de
lo comn, es posible que alguna causa especial haya afectado el proceso y
ste se deber estudiar para determinar la causa.

CARTAS DE CONTROL
79
Cuando existen puntos fuera de los lmites de control, es necesario revisarlos
examinando cada uno de los puntos por fuera y buscando una causa
asignable. Si no se encuentra una causa asignable, el punto se descarta y los
limites de control se calculan de nuevo utilizando nicamente los puntos
restantes. Luego es necesario volver a examinar para el control, porque con el
cambio, los lmites de control se tornan ms estrechos y es posible que los
puntos que inicialmente estaban bajo control ahora no lo estn. Este proceso
se realiza hasta que todos los puntos estn bajo control y se hace tantas veces
como sea necesario.

Por otro lado cuando muchos puntos se localizan fuera de control, no es
recomendable eliminarlos de manera arbitraria porque se tendr una situacin
insatisfactoria, ya que quedaran pocos datos con los cuales volver a calcular
lmites de control confiables. Este enfoque ignorara mucha informacin til
contenida en estos datos. Adems es poco probable que la bsqueda de una
causa asignable para cada punto fuera de control sea exitosa. Para estos
casos lo mejor es concentrarse en el patrn que forman estos puntos.
Generalmente, es sencillo identificar la causa asignable asociada con el patrn
de puntos fuera de control.

Una vez que se establece un conjunto de lmites de control confiables, la carta
de control se usa para monitorear la produccin futura.

Limites de control, especificacin y tolerancia natural

Algo que debe tenerse muy claro es que no hay ninguna relacin entre los
lmites de control de la carta X
y R y los limites de especificacin del proceso.

Pues los limites de control estn regidos por la variabilidad natural del proceso
(medida por la desviacin estndar o del proceso), es decir, por los limites de
tolerancia natural del proceso.

La determinacin de los lmites de especificacin es externa. Pueden ser
establecidos por la administracin, por los ingenieros de manufactura, por los
desarrolladores/diseadores del producto, teniendo en cuenta las necesidades
de los clientes. Es necesario conocer la variabilidad inherente cuando se
establecen las especificaciones, pero recurdese que no existe ninguna
relacin matemtica o estadstica entre los lmites de control y los limites de
especificacin

Monitoreo de un proceso a travs de una carta X
En el monitoreo de un proceso, una carta detecta un cambio en la media,
dependiendo del tamao de este. Si es considerablemente grande su deteccin
ser inmediata, de lo contrario la potencia de la carta ser menor.
CARTAS DE CONTROL
80
A este cambio en la media lo llamaremos corrimiento, y su valor ser
determinado por:
o = |X
ii
-X
'|
Donde X
ii
es el nuevo valor de la media, despus que el corrimiento tuvo lugar.
Es importante tener claro que dos procesos no se pueden evaluar si no se
encuentran bajo las mismas circunstancias, es decir, solo se pueden comparar
cuando presentan un mismo corrimiento y una misma desviacin.
Por otro lado, la potencia o capacidad que tiene la carta para detectar un
cambio en la media del proceso se calcula de la siguiente manera.
Si el corrimiento fue hacia el lmite superior, se tiene:
1 -[ = P(Z
1-B
> |Z
| -K
2
n)
Si por el contrario, fue hacia el lmite inferior, se tiene:
1 -[ = P(Z
1-B
< Z
+K
2
n)
Donde K
2
es una relacin entre el corrimiento y la desviacin estndar del
proceso, a saber:
K
2
=
o
o'

El valor de n dado en esta ecuacin, es distinto al tamao de la muestra para la
toma de datos y anlisis del proceso, pues ahora indica el tamao de la
muestra utilizada en el monitoreo.
Si se desea conocer la probabilidad de que la carta detecte el corrimiento en la
media en una muestra determinada, este puede ser calculado de la siguiente
manera:
Sea X, el evento en el cual se detecta el corrimiento de la media en la muestra
k, se tiene
P(X) = 1 -[
k

De la misma manera, si se desea conocer el valor esperado de productos no
conformes generados hasta llegar a una muestra k, se puede hallar,
inicialmente, determinando la cantidad generada en el tiempo que se toman las
muestras para el monitoreo (PNC), y se aplica la siguiente ecuacin:
IEPNC = PNC(1 -[) +2PNC[(1 -[) +SPNC[
2
(1 -[) .+kPNC[
k-1
(1 -[)
CARTAS DE CONTROL
81
Un parmetro importante para el monitoreo del proceso, es el tamao de la
muestra a monitorear, esta se puede determinar haciendo uso de la siguiente
ecuacin:
n = _
|Z
| +|Z
1-B
|
K
2
_
2

Finalmente, existe un factor que mide el nmero de muestras que es necesario
analizar antes de encontrar puntos por fuera de los lmites de control, este
factor se conoce como longitud promedio de corrida (LDP). Su valor se calcula
de la siguiente manera:
Sea P(A) la probabilidad de encontrar puntos por fuera de los lmites de control
Trabajando con alfa en los lmites de control de la carta X

IP =
1
P(A)
; onJc P(A) = 2o

Trabajando con alfa medio en los lmites de control de la carta X

IP =
1
P(A)
; onJc P(A) = o

Cartas de Medias/Desviaciones (X
; S)

An cuando es muy comn la utilizacin de las cartas X
y R, en ocasiones es
deseable estimar la desviacin estndar del proceso directamente, en vez de
indirectamente mediante el uso de rango R. Esto lleva a las cartas de control
para X
y S, donde S es la desviacin estndar. En general las cartas X
; S son
preferibles a sus contrapartes familiares, las cartas X
; R, cuando:

El tamao de la muestra n es moderadamente grande.
Cuando el tamao de la muestra n es variable.

El procedimiento para realizar las cartas de control X
; Ses similar al de las

cartas X
; R la diferencia consiste en que el tamao de la muestra puede variar

y es mucho ms sensible para detectar cambios en la media o en la
variabilidad del proceso.
Mientras la Carta X monitorea el promedio del proceso para vigilar tendencias,
la Carta S monitorea la variacin en forma de desviacin estndar.
Establecer y operar las cartas de control X
; Srequieren aproximadamente la
misma secuencia de pasos que para la carta X
; R. Las formulas a utilizar son:

S =
(x
-x )
2 n
=1
n -1

CARTAS DE CONTROL
82
S
=
S
1
+S
2
+S
3
+S
k
k

o =
S
C
2

Limites de control cartas X
; S
ICS = x +A
1
S

IC = x
ICI = x -A
1
S

A
1
= _
S
C
2
n
_
Limites de control Carta S

ICS = B
4
S

IC = S

ICI = B
3
S

B
3
; B
4
y C
4
, son constontcs quc JcpcnJcn Jcl tomoo Jc lo mucstro

EJEMPLOS:
Ejemplo 1
La empresa Magdalena S.A. fabrica repuestos para una ensambladora
automotriz. Las especificaciones de la ensambladora son 12,7 _S milimetros.
El departamento de calidad utiliza una carta X barra para monitorear el proceso
con muestras de tamao 5. El riesgo de que una carta me indique que la media
del proceso ha cambiado siendo que no ha cambiado es de 0,012. Los lmites
de control de la carta son 12,5 milmetros y 14,5 milmetros.
a) Calcular el % de productos no conformes que produce Magdalena S.A.
b) Si se acepta a lo sumo 12% de productos no conformes, Cunto es la
probabilidad de que una carta con = u,1u y n = 9, detecte el cambio en la
media del proceso cuando se est produciendo el porcentaje de productos
no conformes fijado anteriormente?
c) Qu pasa con de la carta del inciso b) si trabajamos con n = 16 en lugar
de n = 9? Justifique su respuesta.
Datos:
IN = 12,7 mm
ISE = 1S,7 mm
IIE = 9,7 mm
CARTAS DE CONTROL
83

Para la carta X
:
n = S
o = u,u12 - 1 - o = u,988
ICS = 14,S
ICI = 12,S

SOLUCION:

a) X
=
LCS+LCI
2
=
14,5+12,5
2
= 1S,S

NOTA: Siempre es recomendable trabajar con
o
2
pues la carta se hace ms

potente, ya que los lmites de la misma se tornan ms estrechos, no obstante
es opcin del estudiante trabajar con alfa.

Conociendo el valor LCS podemos calcular o . Los lmites de control se
trabajan con
o
2
.
ICS = X
+Zu
2
-
o
n
- o =
(ICS - X
) +n
Zu
2
con Zu
2
= Z
0,006

o =
(14,S -1S,S) - S
|-2,S1|
= u,89

C
p
=
ISE -IIE
6o
=
1S,7 -9,7
6(u,89)
= 1,12

C
pk
= Hin|C
pu
, C
pI
| = Hin _
ISE -X
So
,
X
-IIE
So
_

C
pk
= Hin _
1S,7 -1S,S
S(u,89)
,
1S,S - 9,7
S(u,89)
_ = Hin{u,824 , 1,42S]

C
p
= C
pk
= C
pu
= u,824

Como C
p
= C
pk
decimos que el proceso esta descentrado. Adems,
C
pk
= C
pu
= u,824 lo cual nos indica que el proceso est arrojando
productos no conformes por el lmite superior.
Ahora procedemos a determinar el porcentaje de PNC.

%PNC
LSL
= P(Z > Z
LSL
) = 1 -P(Z < Z
LSL
) = 1 -P _Z <
ISE -X
o
_
CARTAS DE CONTROL
84

%PNC
LSL
= 1 -P _Z <
1S,7 -1S,S
u,89
] = 1 -P(Z < 2,47) = 1 - u,99S24

%PNC
LSL
= u,uu68 = u,68%

b) Si:%PNC u,12, o = u,1u y n = 9:

Dado que los productos no conformes se estn presentando por el lmite
superior y o = u,1u entonces el valor de Z es:
Z
LSL
= Z
0,88
= 1,17S
A partir del valor de Z podemos hallar el nuevo valor de la media:
Z
LSL
=
ISE -X
o
- X
= ISE -Z
LSL
- o
X
= 1S,7 -(1,17S - u,89) - X
= 14,6S
o = |X
-X
| = |14,6S - 1S,S| = 1,1S

K
2
=
o
o
=
1,1S
u,89
= 1,29
La potencia con la que la carta detectara el cambio en la media es:
1 -[ = P(Z
1-[
> |Z
u
| -K
2
- n ) ; con |Z
u
| = |Z
0,10
| = |-1,28|
1 -[ = 1 -P [Z
1-[
< (1,28 -1,29 - 9) = 1 -P(Z
1-[
< -2,S9) = 1 -u,uu48
1 -[ = u,99S2
c) n = 1
Sabemos tericamente que mientras ms grande sea el tamao de la muestra,
ms confiable es el resultado del monitoreo. Tambin sabemos que el error
tipo I (o) es el complemento de la confiabilidad de la carta (1 -o), por lo tanto
si n aumenta, la carta se hace ms confiable y por consiguienteo ser menor.
Esto se comprueba a continuacin:
n = _
|Z
u
| +|Z
1-[
|
k
2
_
2
- |Z
u
| = k
2
- n - |Z
1-[
| = (1,29 - 16) - |Z
0,9952
|
|Z
u
| = S,16 -2,S9 = 2,S7 - |Z
u
| = Z
1-u
= 2,S7
Por tabla de Distribucin Normal tenemos que para Z
1-u
= 2,S7:
CARTAS DE CONTROL
85
1 -o = u,9949 - o = u,uuS1
Como podemos ver, el valor de o disminuy con respecto al valor dado en el
inciso b) y esto es, como se dijo anteriormente, por el aumento que se dio en el
tamao de la muestra.
Ejemplo 2
FIBRAS S.A.es una empresa dedicada a la fabricacin de piezas en materiales
compuestos a base de fibra de vidrio, kevlar y fibra de carbono. Sus clientes
son empresas de alta tecnologa que precisan incorporar a sus diseos
componentes con un elevado lmite elstico y bajo peso. Las exigencias de
estos clientes son cada vez mayores y las especificaciones impuestas a la
pieza son 7,5 uf y 12,5 uf.
FIBRAS S.A.es licenciataria de una empresa norteamericana, AMERICAN
COMPOSITES, Inc.,que es quien aporta el know-how. En este acuerdo los
tcnicos de AMERICAN COMPOSITESrealizaron el diseo de los procesos de
fabricacin, formaron al personal de FIBRASy aportaron toda la documentacin
tcnica necesaria para operar los procesos de fabricacin, adems
estabilizaron el proceso con 50 muestras de tamao 5, arrojando como
resultado una media de 10,2 uf y un rango promedio de 1,93 uf. A partir de ese
momento, los tcnicos de FIBRAS S.A se hicieron cargo de la operacin de la
planta, monitoreando el proceso con muestras de tamao n=7. Adems,
AMERICAN COMPOSITESrealiza una auditora anual de los procesos,
comprobando que stos se llevan a cabo sin desviaciones de las instrucciones
tcnicas.
Recientemente FIBRAS S.A est en negociando un importante contrato de
suministro de componentes. De momento se encuentran en la fase de
aprobacin del prototipo. Para ello debe presentar unos prototipos,
acompaados de sus protocolos de ensayos, en los que se debe indicar el
valor medio de la caracterstica de calidad, con un nivel de confianza del 95%.
FIBRAS S.A. est en capacidad de producir 25000 piezas por jornada laboral.
Se trabaja durante 3 turnos las 24 horas del da, y las muestras para el
monitoreo se toman cada 30 minutos.
Si la media del proceso cambia se cambia a un valor de 11,1 uf:

a) Realice un anlisis de la capacidad del proceso y calcule la probabilidad
de que el cambio en la media se detecte entre las primeras 5 muestras
(a partir del momento en que dicho cambio tuvo lugar). Calcular el valor
esperado de productos no conformes fabricados hasta el momento.
b) Hay una disminucin en la media del proceso en 0,8 uf. Disee una
carta X barra que detecte con una probabilidad del 90%, el cambio en
CARTAS DE CONTROL
86
alguna de las 3 muestras consecutivas a partir del cual el cambio tuvo
lugar y con riesgo tipo 1 de 0,06.
c) Si la media del proceso cambiara a 10,8 uf, Cul es el mnimo valor
que puede tomar el CP general del proceso, tal que por lo menos el 95%
de los artculos producidos sean conformes?
SOLUCION:
Datos:
IIE = 7,S u
ISE = 12,S u
n = S
X
= 1u,2 u
R
= 1,9S u
1 -o = u,9S
IP = 2Suuu piczos]ornoJo
[ornoJo = S turnos cn 24 boros
I
mucstu
= Su minutos
n
montoco
= 7
X
= 11,1 u

a) o =
R
d
2
=
1,93
2,326
= u,8297

Anlisis de la capacidad del proceso con la media original:X
= 1, 2

C
p
=
ISE -IIE
6o
=
12,S -7,S
6 - u,8297
= 1,uu4S

Como C
p
> 1, Jccimos quc cl proccso cs copoz

C
pk
= min|C
pu
, C
pI
|

C
pu
=
ISE -X
So
=
12,S -1u,2
S - u,8297
= u,924u

C
pI
=
X
-IIE
So
=
1u,2 -7,S
S - u,8297
= 1,u847

C
p
= C
pk
= C
pu
= u,924u
El proceso esta descentrado y arrojando productos no conformes por el lmite
superior.

CARTAS DE CONTROL
87
- Z
LSL
=
LSL-X
c
=
12,5-10,2
0,8297
= 2,772u

P(Z > Z
LSL
) = 1 -u,9972 = u,uu28 - %PNC
LSL
= u,28%

- Z
LIL
=
LIL-X
c
=
7,5-10,2
0,8297
= -S,2S41
P(Z < Z
LIL
) = u,uuu6 - %PNC
LIL
= u,u6%
- %PNC
totuI
= u,S4%
Anlisis de la capacidad del proceso con la media corrida: X
= 11, 1
C
p
=
ISE -IIE
6o
=
12,S -7,S
6 - u,8297
= 1,uu4S
Como C
p
> 1, Jccimos quc cl proccso cs copoz
C
pk
= min|C
pu
, C
pI
|
C
pu
=
ISE -X
So
=
12,S -11,1
S - u,8297
= u,S624
C
pI
=
X
-IIE
So
=
11,1 -7,S
S - u,8297
= 1,446S
C
p
= C
pk
= C
pu
= u,S624
El proceso esta descentrado y arrojando productos no conformes por el lmite
superior.
- Z
LSL
=
LSL-X
c
=
12,5-11,1
0,8297
= 1,687S
P(Z > Z
LSL
) = 1 -u,9S4u = u,u46 - %PNC
LSL
= 4,6%
- Z
LIL
=
LIL-X
c
=
7,5-11,1
0,8297
= -4,SS89
P(Z < Z
LIL
) = u - %PNC
LIL
= u
- %PNC
totuI
= 4,6%
Ahora calculamos la probabilidad de detectar el cambio en las primeras 5
muestras: 1 -[
5

1 -[ = P(Z
1-[
> |Z
u
| -K
2
n)
|Z
u
| = |Z
0,05
| = |-1,64S| = 1,64S
CARTAS DE CONTROL
88
K
2
=
o
o
=
|11,1 -1u,2|
u,8297
= 1,u847
1 -[ = P(Z
1-[
> 1,64S - 1,u847 - 7)
1 - [ = 1 -P(Z
1-[
< -1,2248) = 1 -u,11uS
1 -[ = u,8897 - [ = u,11uS
1 -[
5
= 1 -(u,11uS
5
) = u,9999
El valor esperado de productos no conformes con X
= 11,1es:
IEPNC = PNC(1 - [) +2PNC[(1 -[) +SPNC[
2
(1 -[) +4PNC[
3
(1 -[)
+SPNC[
4
(1 -[)

Pero:PNC = %PNC
comcnto
- IP - t
, entonces:
IEPNC = IP - %PNC
comcnto
- (1 -[) - (t
1
+t
2
[ +t
3
[
2
+t
4
[
3
+t
5
[
4
)

Tenemos que:
%PNC
comcnto
= 4,6%
IP = 2Suuu
piczos
]ornoJo
-
]ornoJo
8 boros
-
1 boro
6u min.
= SS
piczos
min
.
IEPNC = _SS
piczos
min
] (4,6%)(u,8897)|Sumin +(6umin - u,11uS)
+(9umin - u,11uS
2
) +(12umin - u,11uS
3
) +(1Sumin - u,11uS
4
)]
IEPNC = 81 piczos
b) Hay un corrimiento hacia la izquierda: o = u,8
1 -[
3
= u,9u
o = u,u6
X
= 11,1 -u,8 = 1u,S

Para calcular los lmites de control debemos conocer primero el valor de
n:

K
2
=
o
o
=
u,8
u,8297
= u,9642

1 -[
3
= u,9u - [ = u,1
3
= u,4641 - 1 -[ = u,SSS9

CARTAS DE CONTROL
89
n = _
|Z
u
| + |Z
1-[
|
k
2
_
2
= _
|Z
0,06
| +|Z
0,5359
|
u,9642
_
2
= _
1,SSS +u,u9u
u,9642
_
2
= S

Ahora si podemos calcular los lmites de control de la carta X
:

IC = X
= 1u,S

ICS = X
+ |Z
u
| -
o
n
= 1u,S +|Z
0,06
| -
u,8297
S
= 1u,S +1,SSS -
u,8297
S
= 11,u448

ICI = X
- |Z
u
| -
o
n
= 1u,S -|Z
0,06
| -
u,8297
S
= 1u,S -1,SSS -
u,8297
S
= 9,SSS1

Observacin: en esta ocasin se decidi trabajar con Z
u
y no con Zu
2

para calcular los limites de control.

c) Si:X
= 1, 8 y %PNC = , 5, entonces:
P(Z > Z
LSL
) = 1 - u,uS = u,9S
Buscando en la tabla de distribucin Normal, tenemos que:
Z
LSL
= 1,64S
Con el valor deZ
LSL
podemos hallar el valor de o y posteriormente calcular el
valor de C
p
:
Z
LSL
=
ISE -X
o
- 1,64S =
12,S -1u,8
o
- o = 1,uSS4
C
p
=
ISE -IIE
6o
=
12,S - 7,S
6 - 1,uSS4
= u,8u6S
C
p
< 1, por lo tanto decimos que el proceso no es capaz.

CARTAS DE CONTROL
90
Ejemplo 3
Una empresa empaca el producto A en sacos de 50 Kg, pero el cliente ve mal
que los sacos pesen menos de 50 Kg por lo que se establece una tolerancia
inferior de 49 Kg y una superior de 51 Kg, tal que el valor nominal sea 50 Kg
por lo que si un saco cae dentro del rango 49 51, se considera tolerable. Para
el caso se toma cada hora una muestra de 4 sacos que han sido llenados
consecutivamente, los datos obtenidos en 3 das de muestra se observan en la
siguiente tabla. La confiabilidad de la carta es 95%.
1 2 3 4
N
m
e
r
o

d
e

R
e
p
l
i
c
a
s

1 50,2 49,9 49 50,1
2 50,3 50,2 50 49,3
3 49,8 50 50 49,7
4 50 49,4 50,1 50,5
5 50,2 49,8 49,1 49,9
6 49,2 50,7 49,1 49,8
7 49,6 49,9 49,5 49,9
8 50,2 49,8 49,5 50,6
9 50,1 49,3 49 49,3
10 50,8 49,6 49,8 50,4
11 48,8 50,7 49,9 50,1
12 50,3 49,9 49,4 49,3
13 49,3 49,3 49,2 50,5
14 50,2 50,5 50,2 50,9
15 48,8 50,2 49,5 49,6

a) Realice una carta de control X-R y analice los resultados. El proceso
est bajo control estadstico?
b) Cul es la capacidad del proceso? Se estn generando productos no
conformes?

CARTAS DE CONTROL
91
SOLUCIN
Datos:
ISE = S1
IIE = 49
n = 4
o = u,uS
Zu
2
= Z
0,025
= -1,96

Nmero de Muestras (x
|
)
X
R

1 2 3 4
N
m
e
r
o

d
e

R
p
l
i
c
a
s

1 50,2 49,9 49 50,1 49,8 1,2
2 50,3 50,2 50 49,3 49,95 1
3 49,8 50 50 49,7 49,875 0,3
4 50 49,4 50,1 50,5 50 1,1
5 50,2 49,8 49,1 49,9 49,75 1,1
6 49,2 50,7 49,1 49,8 49,7 1,6
7 49,6 49,9 49,5 49,9 49,725 0,4
8 50,2 49,8 49,5 50,6 50,025 1,1
9 50,1 49,3 49 49,3 49,425 1,1
10 50,8 49,6 49,8 50,4 50,15 1,2
11 48,8 50,7 49,9 50,1 49,875 1,9
12 50,3 49,9 49,4 49,3 49,725 1
13 49,3 49,3 49,2 50,5 49,575 1,3
14 50,2 50,5 50,2 50,9 50,45 0,7
15 48,8 50,2 49,5 49,6 49,525 1,4

49,8366667 1,0933
Para realizar los clculos debemos conocer primero el valor de la media del
proceso y el rango promedio, para ello es necesario hacer el siguiente
procedimiento:

CARTAS DE CONTROL
92
Donde:
X
=
| x
4
=1
]
4

R = x
mux
-x
mn

Media del Proceso
X
=
| x
15
=1
]
1S
= 49,8S67
Rango Promedio
R
=
| R
15
=1
]
1S
= 1,u9SS
Sabemos que
o =
R
J
2
=
1,u9SS
2,uS9
= u,SS1u

Lmites carta X-barra
ICS = X

+ Zu
2
-
o
n
= 49,8S67 +|-1,96| -
u,SS1u
4
= Su,SS7
IC = X
= 49,8S67
ICI = X

-Zu
2
-
o
n
= 49,8S67|-1,96| -
u,SS1u
4
= 49,S16

Lmites de la carta R

Para calcular los lmites de la carta R
se deben conocer los valores de las

constantes
3
y
4
de la tabla de constantes (seccin 8).
Con n = 4
3
= u
4
= 2,282
ICS = R
4
= 1,u9SS - 2,282 = 2,4949
ICI = R
3
= 1,u9SS - u = u
IC = R
= 1,u9SS

CARTAS DE CONTROL
93
Las grficas para ambas cartas son las siguientes:

Carta de Control X
del proceso actual.

Carta de Control R
del proceso actual.

La carta de control X
nos muestra que hay un punto por encima del lmite de

control superior, es decir, que el proceso no est bajo control estadstico. Para
procurar hacer que el proceso est bajo control es necesario eliminar la causa
que ocasiona la alteracin (cepillar) y disear una nueva carta.

48.5
49
49.5
50
50.5
51
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
P
E
S
O

E
N

K
G

MUESTRAS
CARTA DE CONTROL X CON K=15
Medias del
proceso
LCS
LCI
LC
0
0.5
1
1.5
2
2.5
3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
R
A
N
G
O
S

MUESTRAS
CARTA DE CONTROL R CON K=15
Rangos
muestrales
LCS
LCI
LC
CARTAS DE CONTROL
94

Nmero de Muestras (x
|
)
X
R

1 2 3 4
N
m
e
r
o

d
e

R
p
l
i
c
a
s

1 50,2 49,9 49 50,1 49,8 1,2
2 50,3 50,2 50 49,3 49,95 1
3 49,8 50 50 49,7 49,875 0,3
4 50 49,4 50,1 50,5 50 1,1
5 50,2 49,8 49,1 49,9 49,75 1,1
6 49,2 50,7 49,1 49,8 49,7 1,6
7 49,6 49,9 49,5 49,9 49,725 0,4
8 50,2 49,8 49,5 50,6 50,025 1,1
9 50,1 49,3 49 49,3 49,425 1,1
10 50,8 49,6 49,8 50,4 50,15 1,2
11 48,8 50,7 49,9 50,1 49,875 1,9
12 50,3 49,9 49,4 49,3 49,725 1
13 49,3 49,3 49,2 50,5 49,575 1,3
14 48,8 50,2 49,5 49,6 49,525 1,4

49,7929 1,12143

Volvemos a calcular los parmetros y posteriormente los lmites de
control de las cartas X
y R:
X
=
| x
4
=1
]
4

R = x
mux
-x
mn

Media del Proceso
X
=
| x
14
=1
]
14
= 49,7929
Rango Promedio
R
=
| R
14
=1
]
14
= 1,1214S
CARTAS DE CONTROL
95
Sabemos que
o =
R
J
2
=
1,1214S
2,uS9
= u,S446
Lmites carta X-barra
ICS = X

+ Zu
2
-
o
n
= 49,7929 +|-1,96| -
u,S446
4
= Su,S266
ICI = X

-Zu
2
-
o
n
= 49,7929|-1,96| -
u,S446
4
= 49,2S92
Lmites de la carta R

Para calcular los lmites de la carta R
se deben conocer los valores de las

constantes B
3
yB
4
de la tabla de constantes (seccin 8).
Con n = 4
3
= u
4
= 2,282
ICS = R
4
= 1,1214S - 2,282 = 2,SS91
ICI = R
3
= 1,1214S - u = u
Las nuevas cartas de control para el proceso cuando se ha cepillado son
las siguientes:

Carta de Control X
actualizada.

48.5
49
49.5
50
50.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
P
E
S
O

E
N

K
G

MUESTRAS
CARTA DE CONTROL X CON K=14
Medias del
proceso
LCS
LCI
LC
CARTAS DE CONTROL
96

Carta de Control R
actualizada.
En las graficas podemos ver que ningn punto est por fuera de los lmites de
control. Por consiguiente podemos decir que el proceso est bajo control
estadstico.
b) Ahora que el proceso est bajo control estadstico, procedemos a
calcular su capacidad y verificar si se estn o no productos no
conformes:
Cp =
ISE -IIE
6 - o
=
S1 - 49
6 - u,S446
= u,612u
ComoCp < 1decimos que el proceso no es capaz
C
pk
= min ( C
pI
; C
pu
)
C
pI
=
X

-IIE
So
=
49,7929 -49
S - u,S446
= u,48SS
C
pu
=
ISE -X

So
=
S1 -49,7929
S - u,S446
= u,7S88
C
pk
= min( u,48SS; u,7S88) = u,48SS
Como C
p
= C
pk
entonces el proceso no esta centrado. Adems C
pu
yC
pI
son
menores que 1 entonces el proceso est arrojando productos no conformes por
ambos lmites. Sin embargo, C
pk
= C
pI
= u,48SS, esto nos indica que el proceso
est arrojando mayor porcentaje de productos no conformes por el lmite
inferior.
- Z
LSL
=
LSL-X

c
=
51-49,7929
0,5446
= 2,216
%PNC
LSL
= P(Z > 2,216) = 1 -P(Z < 2,216) = 1 -u,9866 = 1,S4%
0
0.5
1
1.5
2
2.5
3
1 2 3 4 5 6 7 8 9 10 11 12 13 14
R
A
N
G
O
S

MUESTRAS
CARTA DE CONTROL R CON K=14
Rango
Muestral
LCS
LCI
CARTAS DE CONTROL
97
- Z
LIL
=
LIL-X

c
=
49-49,7929
0,5446
= -1,4SS
%PNC
LIL
= P(Z < -1,4SS) = u,u728 = 7,28%
El proceso est arrojando 1,34% de PNC por el lmite superior y 7,28% de
PNC por el lmite inferior.
Decimos entonces que el proceso no es capaz, no est centrado y arroja
8,62% de productos no conformes.
Ejemplo 4
Este problema se refiere a los requerimientos del torque respectivo al
movimiento vertical del lado brillante de un espejo de prueba. El diseo
especifica de 8 a 14 pulg-lb de torque en el movimiento vertical y un torque
ligeramente mayor en el movimiento horizontal (no considerado en el estudio).
En un intento para corregir el problema, se han gastado $2500.000 durante un
periodo de 2 aos en el mantenimiento de la matriz, a fin de controlar una
dimensin en el mecanismo de rodilla, adems en los periodos en los que se
tuvieron dificultades extremas con las herramientas, se detuvo la produccin en
la lnea de ensamble hasta que se pudieran efectuar los cambios requeridos en
la matriz. Los costos de reparacin de un espejo de alto torque son
considerablemente menores que los de un espejo de bajo torque. Un
mecanismo de rodilla ajustado puede repararse usualmente aceitndolo y
hacindolo girar hasta que el aceite quede entre este y el asiento. La operacin
la realiz una persona del grupo de operacin de la lnea de ensamble y su
costo fue aproximadamente de $7 por espejo. El costo de reparacin de un
mecanismo de rodilla flojo es mucho mayor, ya que no puede repararse en la
lnea y tiene que enviarse al departamento de recuperacin, en donde se le
quita el espejo, y se desensambla el mecanismo. El costo por retirar el espejo
es de $6 por pieza. Adems, debe tomarse en cuenta que un 10% de los
espejos se rompen y cada uno cuesta $6,5. Otros costos son desensamblar el
mecanismo ($14 por espejo) y re ensamblar el mecanismo ($58 por espejo).
Para determinar el porcentaje de cada defecto producido se utiliz una grfica
Xbarra R para registrar las medidas del torque, con muestras de 8 piezas
tomadas al azar cada hora durante un periodo de 20 horas, dando por
resultado:
X
= 146,698 pulg -lib

R = 84,41 pulg -lib
CARTAS DE CONTROL
98
Como puede observarse, el torque promedio est por debajo del requerido.
Una investigacin demostr que esto ha ocurrido para remediar las demandas
de la planta de ensamble, con respecto al esfuerzo para obtener un alto torque.
Al mismo tiempo, tambin hubo demandas acerca del bajo torque. Adems, las
preguntas que se expusieron mostraron que el mtodo de comprobacin del
torque vari entre los departamentos de produccin e inspeccin. Cuando se
examinaron las cartas en forma crtica, se comprendi el por qu la planta de
ensamble malinterpret el mtodo de comprobacin. Se habl con el
departamento de ingeniera y este estuvo de acuerdo en emitir nuevas cartas
para aclarar el mtodo apropiado.
El siguiente paso concierne al departamento de herramientas. Los datos del
estudio se utilizaron para demostrar que existi el torque. Se explic que si el
asiento del mecanismo puede mantenerse en el lmite alto, el torque debe
dirigirse al lado alto (14 pulg-lb). Adems si el departamento de proceso puede
mantener el asiento dentro de una redondez de 0,0001 y 0,0003 pulgadas en
su ubicacin, pueden conservarse las especificaciones del torque, y se realiz
otro estudio del torque con el mismo nmero de muestras y de igual tamao
dando como resultado:
X
= 2S8,49S8 pulg -lib

R = 127,S68 pulg -lib
De esta manera, se logr estabilizar el proceso.
La planta tiene una capacidad de producir 4800 piezas en un da de trabajo y
sta trabaja a tres turnos.
A partir de la informacin suministrada anteriormente, desarrolle los siguientes
puntos:
Realice un anlisis de capacidad y determine si el costo total se vio
reducido por el cambio.
1) El ingeniero de la planta sabe por el comportamiento del proceso que a
medida que la media aumenta su valor, los costos de reproceso van
disminuyendo, hasta llegar a un punto donde los costos comienzan a
tener un nuevo ascenso. Por el contrario, si la media disminuye, el costo
de los reprocesamientos se aumentara y por restricciones econmicas
se sabe que este no puede exceder en cuatro veces el costo cuando el
proceso se encuentre en estado estable, esto es que la media no debe
superar el valor de 9,645 pulg-lb. Para ello monitorean el proceso con
muestras de tamao 12. Dadas estas condiciones:
a) con qu probabilidad se detectar el cambio anteriormente
mencionado?
CARTAS DE CONTROL
99
b) cul es la probabilidad de que la carta detecte el cambio,
posterior a la segunda muestra consecutiva despus de que el
cambio ocurre?
2) Para el gerente de la planta sera grave que el cambio no se detectara a
tiempo, por lo que realiza un anlisis del proceso y obtiene que se
requiere un 99% de probabilidad de detectar el cambio a lo sumo en la
segunda muestra despus de que el cambio ocurre para evitar
inconvenientes a posteriori. Le solicita a usted como ingeniero que le
recomiende un tamao de muestra para monitorear el proceso. Qu
tamao de muestra le recomendara usted?
3) Suponga que la corrida de los incisos anteriores realmente ocurri.
Despus de eso se conformaron lotes de 100 artculos de manera
aleatoria y eran inspeccionados 100%. Cul es la probabilidad de
encontrar a lo sumo 5% de espejos no conformes debido a un torque
flojo?
SOLUCIN:
Datos:
IIE = 8
ISE = 14
n = 8
Rp = 48uu piczosJio

Las muestras se tomas cada hora
J
2
= 2,847
Costos de reparar espejo defectuoso por alto torque = $7/espejo
Costos de reparar espejo defectuoso por bajo torque:
costo de retirar el espejo=$6/espejo
costo de reemplazar espejos rotos=$6,5/espejo
%espejos rotos=10% de los no conformes por bajo torque
costo de desensamblar el mecanismo=$14/espejo
costo re ensamblar el mecanismo= $58/espejo

1) Capacidad del proceso antes del reprocesamiento de la matriz.

X
=
146,698
2u
= 7,SS49
R
=
84,41
2u
= 4,22uS
CARTAS DE CONTROL
100
Sabemos que o =
R
d
2
=
4,2205
2,847
= 1,4824
Luego
Cp =
ISE -IIE
6o
=
14 - 8
6 - 1,4824
= , 74
C
pk
= min ( C
pI
; C
pu
)
C
pI
=
X

-IIE
So
=
7,SS49 - 8
S - 1,4824
= -u,1496
C
pu
=
ISE -X

So
=
14 -7,SS49
S - 1,4824
= 1,4987
C
pk
= min( -u,1496; 1,4987) = -u,1496
Como C
p
= C
pk
pI
es menor
que 1 entonces me estn arrojando productos no conformes por el lmite
inferior.
Z
LIL
=
IIE -X

o
=
8 -7,SS49
1,4824
= u,4S - %PNC = P(Z < u,4S) = 67,S6%
El proceso arroja 67,36% de productos no conformes, todos por el lmite
inferior, entonces se dice que el proceso no es capaz y no est centrado.

Productos no conformes/da=%PNC*Rp=0,6736*4800=3233,283234productos
no conformes por da.
Como los PNC se estn dando por el lmite inferior, sabemos que estos son
espejos de bajo torque, por ende, el costo de reparacin de estos es:

cuxtux(haju turque)d|a
= (S2S4 - 6) +(S2S4 - u,1 - 6,S) +(S2S4 - 14) +(S2S4 - S8)
= $2S4SS4,1Jio
El costo por da por reparar las unidades no conformes es de $254.354,1/da

CARTAS DE CONTROL
101
Capacidad del proceso despus del reprocesamiento de la matriz.
X
=
2S8,49S8
2u
= 11,9248
R
=
127,S68
2u
= 6,S784
Sabemos que o =
R
d
2
=
6,3784
2,847
= 2,24
Luego
Cp =
ISE -IIE
6 - o
=
14 - 8
6 - 2,24
= u,4464
C
pk
= min ( C
pI
; C
pu
)
C
pI
=
X

-IIE
So
=
11,9248 -8
S - 2,24
= u,S84
C
pu
=
ISE -X

So
=
14 -11,9248
S - 2,24
= u,Su88
C
pk
= min( u,S84; u,Su88) = u,Su88
Como C
p
= C
pk
pu
y C
pI
son
menores que 1 entonces me estn arrojando productos no conformes por
ambos lmites.
Z
LSL
=
ISE -X

o
=
14 -11,9248
2,24
= u,9S - %PNC = 1 -P(Z < u,9S)
= 1 -u,82S8 = u,1762 = 17,62%
Z
LIL
=
IIE -X

o
=
8 -11,9248
2,24
= -1,7S - %PNC = P(Z < -1,7S) = 4,u1%
El proceso arroja un 17,62% de PNC por el lmite superior y un 4,01% de PNC
por el lmite inferior.
Entonces decimos que el proceso no es capaz, no est centrado y arroja
Productos no conformes (alto torque)/da = 4800*0,1762 = 846
cuxtux(PNC pur a|tu turque)
d|a
= (846 - 7) = $S922Jio
CARTAS DE CONTROL
102
Productos no conformes (bajo torque)/da =4800*0,0401= 192,48 193
productos no conformes por da
cuxtux(haju turque)
d|a
= (19S - 6) +(19S - u,1 - 6,S) +(19S - 14) +(19S - S8)
= 1S179,4S
El costo por da por reparar las unidades no conformes es:
$5922 + $15179,45 = $21101,45/da.
Se presenta un ahorro de: $254354,1- $21101,45 = $233252,65/da
%oborro =
2SS2S2,6S
2S4SS4,1
= 91,7u%
2) Anlisis Ingeniero de planta
X
= 9,64S
Tamao de muestra para el monitoreo:
n = 12
Como la media tuvo un corrimiento debemos calcular nuevamente la capacidad
del proceso, esto es.
Cp =
ISE -IIE
6 - o
=
14 - 8
6 - 2,24
= u,4464
C
pk
= min ( C
pI
; C
pu
)
C
pI
=
X

-IIE
So
=
9,64S - 8
S - 2,24
= u,2448
C
pu
=
ISE -X

So
=
14 -9,64S
S - 2,24
= u,6481
C
pk
= min( u,2448; u,6481) = u,2448
Como C
p
= C
pk
= C
pI
entonces el proceso no est centrado. Adems C
pu
y C
pI

son menores que 1 entonces el proceso est arrojando productos no
conformes por ambos lmites pero en mayor proporcin por el lmite inferior.
Z
LSL
=
ISE -X

o
=
14 -9,64S
2,24
= 1,9441
%PNC
LSL
= 1 -P(Z < 1,94S) = 1 -0,9741=0,0259
CARTAS DE CONTROL
103
Z
LIL
=
IIE -X

o
=
8 -9,64S
2,24
= -u,7SS - %PNC
LIL
= P(Z < -u,7SS) = u,2S12
El proceso arroja un 2,59% de PNC por el lmite superior y un 23,12% de PNC
por el lmite inferior.
Decimos entonces se que el proceso no es capaz, no est centrado y arroja
a) Potencia de la carta.
a = |9,64S -11,9248| = 2,2798
k
2
=
o
o
=
2,2798
2.24
= 1,u178
Luego como el corrimiento de la media es hacia la izquierda la potencia de la
carta es:
Con Z
u
= -S
1 -[ = P(Z
1-[
< Z
u
+k
2
n )
1 -[ = P(Z
1-[
< -S +1,u178 - 12 )
1 -[ = P(Z
1-[
< u,S2S)
1 - = , 72
[ = 1 -u,7uu2 = u,2998
La carta detecta el cambio con una probabilidad del 70,02%.
b) La probabilidad de que la carta detecte el cambio despus de la
segunda muestra que ocurri el cambio es:
1 -(1 -[
2
) = [
2
= u,2998
2
= u,u899
3) El tamao de la muestra recomendado para que la probabilidad de
detectar el corrimiento de la media a lo sumo en la segunda
muestra sea 99%, es:
Z
u
= -S
(1 -[
2
) = u,99
[ = 1 -u,99 = u,1
1 -[ = u,9
Z
1-[
= 1,28
k
2
= 1,u178
CARTAS DE CONTROL
104
n = _
|Z
1-[
| +|Z
u
|
k
2
_
2

n = _
|1,28| +|-S|
1,u178
_
2
= 18
4) La probabilidad de encontrar a lo sumo 5% de productos no
conformes es:
P(X S) =.
p = Z
LIL
= u,2S12
n = 1uu
(x) = [
n
x
p
x
(1 -p)
n-x

P(X S) = [
n
x
p
x
(1 -p)
n-x
5
x=0

P(X S) = [
1uu
x
- (u,2S12)
x
(1 -u,2S12)
100-x
5
x=0
= 8,47 - 1u
-7

4.6.2 CARTAS DE CONTROL PARA ATRIBUTOS

Los diagramas de control por atributos constituyen una herramienta esencial
para controlar caractersticas de calidad cualitativas, esto es, caractersticas no
cuantificables numricamente. El termino atributo, es la propiedad que tiene
una unidad de producto de ser buena o mala, esto es, la caracterstica de
calidad esta dentro de los requisitos especificados o no. Este tipo de carta
surge porque existen muchas situaciones en que la caracterstica de calidad
que interesa controlar no es una caracterstica medible, sino que es cierto
atributo que puede poseer o no el producto. Incluso se pueden estudiar varias
cualidades del mismo producto y analizar si permanecen estables a lo largo del
tiempo.

Dado que los atributos son caractersticas de calidad no medibles, los grficos
de control por atributos se basaran en la determinacin de la cantidad o
porcentaje de unidades defectuosas en una poblacin de productos obtenidos
de un proceso.

Las cartas de control por atributos se pueden clasificar de la siguiente manera:
0roicos p
0roicos np
0roico C
0roicos u
CARTAS DE CONTROL
105
Ventajas frente a los grficos para variables

1) Los grficos de atributos se pueden utilizar para estudiar diferentes tipos
de errores al mismo tiempo, en tanto que en un grafico de variable slo
sirve para estudiar una caracterstica de calidad
2) La toma de datos en los grficos de atributos es mucho ms simple que
en los grficos de variables. Simplemente necesitamos conocer si el
artculo inspeccionado cumple las especificaciones requeridas.
3) Los grficos de atributos se pueden utilizar en inspecciones visuales
para atributos, tales como limpieza, etiquetado correcto, color correcto,
etc.
4) Los grficos de variable necesitan un menor tamao de muestra.
5) Las cartas por atributos son particularmente tiles en la industria de
servicios y en los esfuerzos de mejoramiento de la calidad fuera de la
manufactura, ya que no es sencillo medir en una escala numrica un
gran nmero de caractersticas de calidad.

Grafico o carta p

El grfico p mide la proporcin de unidades defectuosas en relacin al tamao
de la muestra, se utiliza cuando los individuos de un proceso se clasifican en
defectuosos-no defectuosos, enfermo-sano, conforme-no conforme, etc., y se
desea controlar la proporcin p de individuos en uno de estos grupos.

El control del proceso se realiza anotando la proporcin de individuos
defectuosos en el grfico. Los principios estadsticos que sirven de base a la
carta de control p se basan en la distribucinBinomial.

Para este grafico se necesitan muestras grandes, recogidas en un mismo
periodo de operacin del proceso, y estas han de tener un tamao tal que
permita la aparicin de defectos. Del mismo modo el grafico de control p se
puede utilizar cuando el tamao de la muestra es o no constante.

Pasos a seguir en la implementacin del grfico p:

1) Frecuencia y tamao de la muestra
Se establece la frecuencia con la cual los datos sern tomados (horarios,
diarios, semanales). Los intervalos cortos entre tomas de muestras permitirn
una rpida retroalimentacin al proceso ante la presencia de problemas. Los
tamaos de muestra grandes permiten evaluaciones ms estables del
desarrollo del proceso y son ms sensibles a pequeos cambios en el
promedio del mismo. Se aconseja tomar tamaos de muestra iguales aunque
CARTAS DE CONTROL
106
no necesariamente se tiene que dar esta situacin, el tamao de muestra
debera de ser mayor a 30. El tamao de los subgrupos ser de 25 o ms.
2) Clculo del porcentaje defectuoso (p) del subgrupo. Se registra la
siguiente informacin para cada subgrupo:
El nmero de partes inspeccionadas n
El nmero de partes defectuosas np
Calcule la fraccin defectuosa (p) para cada muestra mediante:
p =
np
n

3) Calcular el porcentaje defectuoso promedio para los k subgrupos con la
siguiente frmula:
p =
n(p
1
+p
2
++p
k
)
n
1
+n
2
++n
k

4) Calcular los lmites de control del grfico mediante las formulas:
ICS = p +S
p(1 -p)
n

IC = p
ICI = p -S
p(1 -p)
n

As mismo cuando p y/o
n
es pequeo, el lmite de control inferior puede
resultar negativo, en estos casos el valor del lmite se asumir como: 0

Ntese que los valores de los lmites superior e inferior cambian con el tamao
del subgrupo:

Cuanto mayor es n ms precisin se tiene en la estimacin del
parmetro p.

Los lmites de control as elegidos estn basados en la aproximacin a la
normal. En general, esta aproximacin es vlida para la mayora de los
procesos industriales en los cuales la proporcin defectuosa se puede
estimar en partes por cien. En aquellos otros procesos industriales en
los cuales se habla de defectos por mil, se utiliza ms la aproximacin a
la ley Poisson.

CARTAS DE CONTROL
107
5) Trazar la grfica y analizar los resultados.

Ejemplo de una carta p

Grafico Np

Este grafico mide el nmero de unidades defectuosas encontradas en las
muestras. Se aplica al mismo tipo de problemas que el grfico P, pero cuando
el tamao de muestraes fijo. En tales casos, el control calidad en el proceso se
puede realizar por el nmero deindividuos defectuosos observados en lugar de
la proporcin defectuosa. El primero es ms fcil deconstruir que el segundo,
ya que no hace falta hallar la fraccin defectuosa, y si se quiere interpretaren
trminos de proporciones slo se tiene que dividir por n la escala vertical del
grfico.

Para la construccin del grfico se utiliza de distribucin de referencia la ley
Binomial (n, p).En esta distribucin, el nmero medio de individuos defectuosos
es igual a npy la varianza igual anp(1-p). Como en el apartado anterior, slo se
realiza un grfico y ste controlar el nmero medio deunidades defectuosas
en n.

Los lmites se calculan mediante las siguientes frmulas:
ICS = np +Snp(1 -p)
IC = np
ICS = np -Snp(1 -p)

CARTAS DE CONTROL
108
Para este tipo de grfico de control se define la longitud promedio de corrida
como:
IP =
1
P(A)

P(A) = 1 -P(ICI p ICS)
P(A) = 1 -P(ICI
p
n
ICS)
P(A) = 1 -P(ICI - n p ICS - n)
Por ltimo se llevan los valores del nmero de defectuosos por grupo al grfico,
y se comprueba que durante laobtencin de las muestras, el proceso ha estado
bajo control.

Si existe evidencia de que alguna causa asignable ha entrado en el proceso,
antes de continuar es necesario identificar tal causa y tomar las medidas
pertinentes.

Ejemplo de una carta Np

Carta C

En muchas ocasiones la caracterstica que nos interesa controlar no es el
nmero de individuos defectuosos sino el nmero de defectos que aparecen en
un individuo. Este tipo de control puede ser ms completo que los presentados
anteriormente, puesto que:

El individuo puede no ser defectuoso y presentar defectos;
el carcter defectuoso puede ser de distinta magnitud dependiendo de la
cantidad de defectosque presenta.
CARTAS DE CONTROL
109

En la grafica C es completamente necesario que todas las muestras tengan un
tamao fijo, es decir, el tamao de los subgrupos sea constante.

En aquellos procesos que no generan individuos, como por ejemplo, los
procesos continuos,tambin nos puede interesar el control del nmero de
defectos por cierta unidad definida: metro, metro-cuadrado, hora, etc. Otros
ejemplos en los que se puede aplicar estos grficos son cuando se
deseacontrolar el n de pasajeros que toman un vuelo determinado por da, o el
n de camas ocupadas en unhospital por semana, etc. En uno u otro caso, la
distribucin subyacente es la distribucin de poisson (z), donde z representa el
nmero medio de ocurrencias por unidad de tiempo, superficie, etc.

Cuando z es suficientemente grande se puede hacer una aproximacin de la
ley Poisson por la ley normal.
Los pasos que se deben seguir en la construccin del grfico C son los
siguientes:

1) Seleccionar lo que va a ser una unidad de medicin: un individuo, un
metro de cable, un metro cuadrado de tela, una hora, etc.

2) Investigar si existe informacin histrica del parmetro C
, En tal caso
construir los grficos basndose en los lmites:
ICS = C
+S

IC = C

ICI = C
-S

El promedio de defectos por subgrupo C
se calcula de la siguiente forma

Donde z
= C
=
Iotol Jc Jccctos
Numcro totol Jc subgrupos
=
C
i
k
i=1
k

Cuando el valor deC
no es muy grande, laconvergencia a la normal no es muy

buena. En tales casos el lmite inferior suele ser negativo, lo cual no tiene
ningn sentido, y se sustituye por 0.
3) Acomodar los datos obtenidos en y seguir las mismas reglas de control
que con los grficos anteriores.

CARTAS DE CONTROL
110
Ejemplo de una carta c

Carta U

El grfico U se utiliza para el mismo tipo de problemas que el grfico C, pero
cuando el tamao de las muestras es variable. Aqu las muestras estn
formadas por ms de un elemento y cada elemento puede tener ms de un
defecto.

A continuacinse presentan algunos ejemplos donde esto ocurre y que pueden
ser representativos de las situacionesgenerales:

Puede resultar difcil tomar exactamente un metro cuadrado de tela, por
lo que se toman piezassimilares de aproximadamente un metro
cuadrado.
En el control del nmero de personas que acuden a una mquina
registradora en una tienda, enlugar de tomar las mediciones en
intervalos de tiempo iguales, se toman las mediciones enintervalos ms
flexibles.
Cuando se mide el nmero de defectos por lote, ste puede no contener
un nmero fijo deindividuos.

En el grfico U se colocan igualmente el nmero de defectos por unidad, pero
ahora no tieneporqu ser un valor entero. La distribucin de referencia en la
cual est basado el grfico U puede sercalculada a travs de la ley Poisson. En
efecto si
C
= N Jc Jccctos cn lo mustro i
n
= uniJoJcs inspcccionoJos cn lo mucstro i

u
=
C
scro cl numcro Jc Jccctos por uniJoJ cn lo mucstro i,

los :olorcs Jc u
scguiron uno Jistribucion Jc poisson Jc mcJio:

CARTAS DE CONTROL
111
u
=
C
JonJc i = 1,2.k

Por lo que los limites de control se obtendrn con las ecuaciones
ICS = u
+S

IC = u

ICI = u
-S

La variable que se dibuja en la grafica de control es el nmero de defectos por
elemento.
Ejemplo de una carta U

Interpretacin de los grficos de control por atributos

Para interpretar los grficos de control por atributos debe atenderse a los
siguientes aspectos:
- Puntos por fuera de los limites de control
- Tendencias o tramos
- Distribucin de los puntos en el rea de control.

Puntos por fuera de los lmites de control
Pueden estar situados:

Por encima del lmite superior, lo que significa generalmente que:
Hay error en el clculo o en la sealizacin
El proceso ha empeorado
CARTAS DE CONTROL
112
El criterio de aceptacin es ms riguroso
Por debajo del lmite inferior, indicndonos:
Error de clculo o de representacin
Que el proceso ha mejorado
Un criterio de aceptacin menos riguroso

Tendencias ascendentes o tramos por encima de la media, dan a entender
que:
El proceso ha empeorado y puede estar empeorando an
El criterio de aceptacin ha sido modificado

Tendencias descendentes o tramos por debajo de la media, indican que:
El proceso ha mejorado y puede seguir mejorando. Debemos estudiarlo
para introducir mejoras permanentes.
El criterio de aceptacin fue modificado

Distribucin de los puntos en el rea de control
Se identifica como sigue:

Si ms del 90% de los puntos estn cerca de la media, puede ser debido a:
Errores de clculo o trazado
Muestreo estratificado
Datos modificados(eliminando o cambiando valores que se alejan mucho
de la media)

Si al menos el 40% de los puntos estn cerca de la media, podemos atribuirlo
a:
Errores de clculo o trazado
Que las muestras contienes medidas de dos o ms fuentes de
comportamiento diferentes

CARTAS DE CONTROL
113
1) Un proceso de fabricacin de determinado articulo tiene, en estado
estable, una media de 102 pulgadas y un rango promedio de 6 pulgadas.
El estudio y estabilizacin del proceso se hizo con muestras de tamao
n = 7 artculos y ahora se continuara monitoreando con muestras de
tamao n = 8 . Las especificaciones son 1uu _8,1 pulgadas. La
velocidad de produccin es de 6000 artculos cada tres horas. Las
muestras para el monitoreo se toman una cada treinta (30) minutos. La
carta tienen un (olo) = u,u4. Si la media del proceso cambiase a 95
pulgadas, responda:

a) Si el cambio no se ha detectado antes de la decima muestra consecutiva
(a partir del momento en el cual dicho cambio tuviese lugar), calcular el
valor esperado de artculos no conformes fabricados hasta ese
momento.
b) Disee una carta X barra con un riesgo tipo 1 de 0,07 para el caso en
que la media del proceso disminuyese en cinco (5) pulgadas (con
relacin al valor original de la media del proceso), de tal forma que ocho
(8) de cada diez (10) medias de las muestras, en promedio, queden por
fuera de los lmites de control de la carta.

2) Tubos de Colombia S.A. es una empresa dedicada a la fabricacin de
tubos de aluminio. Las especificaciones en la longitud de los tubos es
322 mm. Tomando tamaos de muestras de 4, las cartas X-bar y R
manejan los siguientes limites de control: Para la carta X-bar los limites
son 331 mm y para la carta rango 0 y 3,6mm. |
De acuerdo a la informacin anterior, determine:
a) Cul es la capacidad del proceso? Es engaosa esta?
b) Cul es el porcentaje de productos no conformes que genera el
proceso?
c) Cul es la probabilidad de cometer el error tipo I?
d) Despus de haber examinado 40.000 muestras, cuntos puntos
pueden estar por fuera de los lmites de control?
e) Cul debe ser el corrimiento en la media para que el proceso produzca
a lo sumo el 12% de productos no conformes a las especificaciones del
fabricante?
f) Cul es la probabilidad que con una carta cuya confiabilidad sea del
99% con n=8 se detecte el corrimiento en la media del proceso del inciso
e) dado que este ha ocurrido y no fue detectado en las tres primeras
muestras consecutivas despus que el cambio ocurri?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,12
de cometer el error tipo II, entonces A qu nivel mximo de productos
no conformes ocurre esto?
CARTAS DE CONTROL
114
h) Con que tamao de muestras se debe trabajar para que la carta del
inciso f) detecte el cambio en la media del proceso en al menos una de
las primeras cinco muestras consecutivas despus que este ha ocurrido
con una probabilidad de 0,8, cuando se est produciendo el porcentaje
de productos no conformes dado en el inciso e)?
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino despus de la segunda muestra consecutiva despus que
este ocurri, se produjeron 2 tubos no conformes con las
especificaciones. Si la tasa de produccin es de 1.000 tubos cada
12minutos, a qu velocidad se toman las muestras aproximadamente?
j) Que se debera mejorar en el proceso actual y en cuanto para que los
tubos se produzcan con un 1% de productos no conformes?

3) Ladrillos y CIA es una empresa fabricante de bloques, ladrillos,
adoquines y dems productos afines a la construccin. Todos los
procesos de la fabrica marchan de manera excelente excepto por un
pequeo problema, el cual radica en que es bastante complicado
mantener centrado el proceso de fabricacin de los ladrillos, debido a
que actualmente estos se fabrican a partir de una nueva materia prima y
aun se desconocen los porcentajes de contraccin del material.
Un estudio detallado de la capacidad del proceso mostr que la media
en la longitud de los ladrillos es 100,25 mm y que se halla corrida 1,58
desviaciones estndar hacia la izquierda. Por otro lado la tolerancia del
proceso es 37,5 mm y solo es consumida en un 80%, adems el rango
de los lmites de control de la carta X
, construida en este estudio, es

5,45 mm. Tenga en cuenta que el anlisis del proceso se realiz con
tamaos de muestra n=9 y que para el monitoreo posterior se
implementaran tamaos de muestra n=5.
La empresa trabaja con un triple turno de 2 horas durante los 7 das a la
semana y 4 semanas al mes y produce 1000 ladrillos en cada turno. Las
muestras para el monitoreo se toman cada media hora. El costo de
produccin de un ladrillo es 200 UM, no hay reprocesamientos pero se
carga un sobrecosto de 20 UM por eliminar cada unidad que no cumpla
con las especificaciones.
a) Analice el proceso y comente acerca de l, determine adems que tan
confiable es la carta de control construida en el estudio.
b) Si la media del proceso cambia a 97mm, calcular la probabilidad de que
el cambio se haya detectado entre las primeras 3 muestras (a partir de
que dicho cambio tuvo lugar) y calcular el valor esperado de ladrillos no
conformes fabricados hasta ese momento.
c) Hay una disminucin en la media del proceso en 3.25mm. Disee una
carta X
que detecte con probabilidad del 90% el cambio en alguna de

las dos primeras muestras consecutivas a partir del cual el cambio tuvo
lugar y con riesgo tipo I de 0.06.
CARTAS DE CONTROL
115
d) Si la media del proceso cambiara a 99.5mm, Cul es el mnimo valor
que puede tomar el Cp general del proceso de manera que por lo menos
el 95% de los ladrillos producidos sean conformes?
e) Para un margen de contribucin del 35% encuentre la utilidad neta
mensual de la empresa si carga costos y gastos fijos a razn de 500
UM por hora.
4) Un fabricante desea que la longitud de las varillas que se producen se
encuentre entre 50mm y 54mm. El fabricante para asegurar que su
proceso est bajo control implementa una carta X
, la cual tiene una

sensibilidad del 95% cuando los tamaos de las muestras son de 5 y el
corrimiento en la media es de 2 desviaciones estndares.
a) Cul es error tipo I de la carta?
b) Cul es la potencia para detectar un corrimiento de 3o? De un o?
c) Cul es la probabilidad de que un cambio de So no sea detectado sino
hasta despus de la sptima muestra consecutiva, dado que ocurri
despus de la tercera muestra?
d) Cuntas muestras se deben examinar para que la probabilidad de que
el cambio no sea detectado dado que ocurri sea de 0,2, en un
corrimiento de un o?
e) Si el Cp del proceso es 1 y la media del proceso esta corrida un o
respecto al valor nominal, Cuntos productos no conformes adicionales
se producen cuando la media se corre un o respecto a la media del
proceso y se han producido 1000 varillas?
f) Interprete el LDP del proceso.

5) Una siderrgica es especialista en trabajo de metales mediante
procesos de troquelado y estirado. Est fabricando un nuevo producto,
cuya longitud debe cumplir con especificaciones de 30m y 34 m. Juan
Prez es el ingeniero mecnico que est encargado de los procesos y
maneja una carta de control la cual es diseada con tamaos de
muestra 4 y la cual indica que el proceso est bajo control estadstico
cuando las medias estn entre 32m y 34m y los rangos entre 0 y 3,6m.
Usted ha sido contratado para estudiar el proceso actual y cambios que
se puedan presentar en l.

a) Cul es el porcentaje de productos no conformes que genera el
proceso?
b) Cul es la capacidad del proceso? Es engaosa esta?
c) Cul es la probabilidad de cometer el error tipo I?
d) Despus de haber examinado 10000 muestras, Cuntos puntos
pueden estar por fuera de los lmites de control?
CARTAS DE CONTROL
116
e) Cul debe ser el corrimiento en la media para que el proceso produzca
a lo sumo el 10% de productos no conformes a las especificaciones del
producto?
f) Cul es la probabilidad de que una carta cuya confiabilidad sea del
98% con n=7, detecte el corrimiento en la media del proceso en el inciso
e) dado que este ha ocurrido y no fue detectado en las tres primeras
muestras consecutivas despus que el cambio ocurri?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,86
de no cometer el error tipo II, entonces a qu nivel mximo de
productos no conformes ocurre esto?
h) Con que tamao de muestra se debe trabajar en la carta del inciso f)
para que detecte el cambio con una probabilidad de 0,6 en alguna de
las primeras 5 muestras despus que el cambio ocurri.
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino despus de la segunda muestra consecutiva despus que
este ocurri, se produjeron 2 productos no conformes con las
especificaciones. Si la tasa de produccin es de 1000 productos cada 12
minutos, A qu velocidad se toman las muestras?

6) Z&B LTDA es una compaa dedicada a la fabricacin de un
determinado producto. Z&B LTDA lleva mucho tiempo en el mercado
nacional y por experiencia sabe que la longitud de este producto debe
estar entre 101,5mm y 120,6mm. Sin embargo su proceso de produccin
indica que al tomar muestras de tamao cuatro, el promedio de los
promedios de las medias es 113 mm, con un rango promedio de 12 mm
y una confiabilidad del 98%. Los grupos de muestras son tomados cada
5 minutos, la tasa de produccin de la empresa es de 200 artculos
conformes por minuto, los productos no conformes son reprocesados a
un 30% adicional de su costo de produccin.
a) Cul es el error tipo II en el que incurre esta carta si la verdadera media
del proceso es 117 mm?
b) Cuntos puntos estn propensos a no estar registrados dentro de los
lmites de control, cuando la carta indique que el proceso est bajo
control estadstico?
c) Puede el proceso estar bajo control estadstico y al mismo tiempo la
capacidad del proceso indicarnos que la empresa est mal? Por qu?
d) Cuntas muestras se necesitaran tomar para encontrar un punto por
fuera de los lmites de especificacin?
e) En qu intervalo debe moverse la media del proceso de tal forma que
se produzca entre 3% y 11% de productos no conformes?
CARTAS DE CONTROL
117
f) Un estudio muestra que la causas principales de productos no
conformes es que la carta de control actual no es muy efectiva para
detectar cambios en la media del proceso, y el gerente de produccin de
Z&B LTDA en estos momentos est pensando en disear otra carta que
detecte los corrimientos de la media antes de que la quinta muestra
consecutiva despus que el cambio ocurra sea inspeccionada, adems
se desea un error tipo I de 7%, cuando el corrimiento sea de 1,64So.
g) Cul es la probabilidad de que la carta detecte el cambio en la media
del proceso cuando se est produciendo un 10% de productos no
conformes?
h) Para tener una probabilidad de 0,6 de detectar un cambio en la media
antes de la tercera muestra consecutiva sea inspeccionada, qu
porcentaje de productos no conformes se est produciendo?
i) Z&B LTDA est pensando en adquirir una maquinaria para mejorar el
proceso. El costo de produccin de un artculo es de $250 y el vendedor
de la maquina estima que este costo se puede reducir a $240. Si la
empresa trabaja 8 horas diarias, 5 das a la semana, 4 semanas al mes,
entonces Cul es la cantidad mxima que se puede pagar por el
alquiler de la maquina?

118

En la actividad de control de calidad en ocasiones es necesario inspeccionar
lotes de materia prima, partes o productos terminados para asegurar que
cumplen ciertos niveles de calidad con un buen grado de confianza. El
muestreo de aceptacin es el proceso de inspeccin de una muestra de
unidades extradas de un lote con el propsito de aceptar o rechazar todo el
lote. A continuacin se hace una resea de los conceptos y tcnicas de este
tipo de muestreo.

MUESTREO DE
ACEPTACIN
5
Capitulo
MUESTREO DE ACEPTACIN
119
5 MUESTREO DE ACEPTACIN

5.1 GENERALIDADES

El muestreo de aceptacin se ocupa de la inspeccin y la toma de decisiones
respecto de los productos, uno de los aspectos ms antiguos del
aseguramiento de la calidad. Consiste en tomar una muestra de un lote de
artculos (productos o partes en proceso, o terminados), inspeccionar alguna
caracterstica de calidad de las unidades de la muestra, y con base en esta
informacin, tomar una decisin acerca del destino del lote. Los lotes
aceptados se incorporan a la produccin; los lotes rechazados pueden
devolverse al proveedor o someterse a otra accin de disposicin del lote.

Tres aspectos del muestreo son importantes:
- El propsito del muestreo de aceptacin es dictaminar los lotes, no
estimar su calidad.
- Los planes de muestreo de aceptacin no proporcionan ninguna forma
directa de control de calidad. El muestreo de aceptacin se limita a
aceptar algunos lotes y rechazar otros.
- El uso ms efectivo del muestreo de aceptacin no es para inspeccionar
la calidad de un producto, sino ms bien como una herramienta de
auditora a fin de asegurarse de que la salida de un proceso cumpla con
los requerimientos.
En general hay tres enfoques para la dictaminar los lotes:
1) La aceptacin sin inspeccin.
Es til en situaciones en que el proceso del proveedor es tan bueno que casi
nunca se encuentran unidades defectuosas o cuando no existen justificaciones
econmicas para encontrar unidades defectuosas. Por ejemplo, si la capacidad
real del proceso se estima entre 3 o 4, es poco probable que en un muestreo
de aceptacin se descubra alguna unidad defectuosa.
Muestreo aleatorio estadstico
Lote N
Muestra n
Muestreo aleatorio estadstico
Lote N
Muestra n
120
2) La inspeccin del 100%
Se emplea cuando el componente es en extremo crtico y dejar pasar unidades
defectuosas dara como resultado un costo por fallas inaceptablemente elevado
en las etapas subsecuentes, o cuando la capacidad del proceso del proveedor
es inadecuada para cumplir con las especificaciones.
3) El muestreo de aceptacin
Es de mayor utilidad en las siguientes situaciones:
- Cuando las pruebas son destructivas
- Cuando el costo de la inspeccin del 100% es muy alto
- Cuando la inspeccin del 100% no es tecnolgicamente factible o
requerira tanto tiempo de calendario que se impactara seriamente la
programacin de la produccin
- Cuando son muchos los artculos por inspeccionar y la tasa de los
errores de inspeccin es tan elevada que la inspeccin del 100% podra
hacer que se aprobara un porcentaje ms alto de unidades defectuosas
que con la aplicacin de un plan de muestreo.
- Cuando el proveedor tiene un historial de calidad excelente, y se desea
cierta reduccin en la inspeccin del 100%, pero la capacidad del
proceso del proveedor es lo suficientemente baja para hacer que la
cancelacin de la inspeccin no sea una alternativa satisfactoria.
- Cuando existen riesgos de responsabilidad legal del producto
potencialmente serios y, an cuando el proceso del proveedor sea
satisfactorio, se necesita un programa de monitoreo continuo del
producto.

VENTAJAS Y DESVENTAJAS DEL MUESTREO

Cuando el muestreo de aceptacin se compara con la inspeccin del 100%,
presenta las siguientes ventajas:
- Suele tener costos ms bajos, debido a que hay menos inspeccin.
- Hay menos manejo del producto y, en consecuencia, se reducen los
daos.
- Puede aplicarse en las pruebas destructivas
- Menos personal participa en las actividades de inspeccin
- Con frecuencia reduce en gran medida la cantidad de errores de
inspeccin
- El rechazo de lotes completos, por oposicin a la simple devolucin de
las unidades defectuosas, con frecuencia proporciona una motivacin
mayor para que el proveedor atienda el mejoramiento de calidad.
121
Sin embargo, el muestreo de aceptacin tambin presenta varias desventajas.
Entre ellas se encuentran:
- Existe el riesgo de aceptar lotes malos y rechazar lotes buenos
- Por lo general se genera menos informacin acerca del producto o
acerca del proceso con que se fabric el producto.
- El muestreo de aceptacin requiere la planeacin y documentacin del
procedimiento, mientras que la inspeccin del 100% no.

5.2 TIPOS DE PLANES DE MUESTREO

Existen diferentes maneras de clasificar los planes de muestreo de aceptacin.
Una clasificacin principal es por atributos y variables. Las variables son, desde
luego, caractersticas de la calidad que se miden en una escala numrica. Los
atributos son caractersticas de la calidad permisibles a travs de nuestros
sentidos y que se expresan en una base pasa, no pasa. El muestreo de
aceptacin es un terreno intermedio entre los extremos de la inspeccin 100%
y no hacer ninguna inspeccin.
Formacin de Lotes
La manera en que se forme el lote puede influir en la efectividad del plan de
muestreo de aceptacin. Hay varias consideraciones importantes cuando se
forman los lotes para inspeccin. Algunas de ellas son las siguientes:

1) Los lotes debern ser homogneos: las unidades del lote debern
producirse por las mismas maquinas, los mismos operadores y con
materias primas comunes, aproximadamente en el mismo tiempo.
Cuando los lotes no son homogneos el esquema del muestreo de
aceptacin quiz no funcione con tanta efectividad como podra hacerlo.

2) Son preferibles los lotes grandes a los pequeos: suele haber ms
eficiencia econmica al inspeccionar lotes grandes, que lotes pequeos.

3) Los lotes debern ajustarse a los sistemas de manejo de materiales
usados en las instalaciones del proveedor y del consumidor: Lo que
se busca aqu es lograr que resulte relativamente sencillo seleccionar las
unidades de la muestra.
Las unidades del lote seleccionadas para inspeccin debern elegirse al azar, y
debern ser representativas de todos los artculos del lote. El concepto de
muestreo aleatorio es en extremo importante en el muestreo de aceptacin. A
menos que se empleen muestras aleatorias, se introducir sesgo.
122
A continuacin, se har una explicacin detallada de los planes de muestreo
por atributos.
Plan de muestreo simple

El plan de muestreo nico es un procedimiento para dictaminar lotes en el que
se selecciona al azar una muestra de n unidades del lote, y el destino del lote
se determina con base en la informacin contenida en esa muestra.

Supongamos que se ha sometido a inspeccin un lote de tamao N. Un plan
de muestreo simple est definido por el tamao de la muestra n y el nmero de
aceptacin c.
El lote ser aceptado solamente si el nmero de productos defectuosos en n es
menor o igual a c.
A partir de esto datos, se puede definir la probabilidad de aceptacin del lote o
P
u
, la cual est dada por:
P
a
= P(x c) =
(
k
x
)(
N-K
n-x
)
(
N
n
)
c
x=

Como se puede apreciar, esta probabilidad es determinada haciendo uso de
una distribucin hipergeomtrica con parmetros (N, n, k) , donde k es la
proporcin de productos no conformes dentro del lote, y su valor se estima del
producto entre pyN. Luego, el valor de p, que es la probabilidad de hallar un
producto no conforme dentro del lote, puede ser determinado por medio de un
anlisis de capacidad del proceso de fabricacin.
Para disminuir la complejidad de los ejercicios y teniendo en cuenta la relacin
existente entre las distribuciones Hipergeomtrica y Binomial, la probabilidad
de aceptacin puede ser determinada, tambin, a partir de una aproximacin a
Binomial con probabilidad de xito p.
De esta manera, el valor de la probabilidad de aceptacin podra determinarse
as:
P
a
= P(x c) = [
n
x
(p)
x
(1 -p
)
n-x
c
x=

Ejemplo
Un fabricante de cierto producto, a partir de un anlisis de capacidad de su
proceso productivo, pudo determinar que el porcentaje de productos no
conformes arrojado era de 10%. Antes del despacho de los artculos al cliente,
forma lotes de 500 productos, cada uno. Su cliente principal maneja un plan de
123
muestreo, donde n = Su yc = S. Determinar la probabilidad de aceptacin de
estos lotes por parte del cliente.
Si se intenta determinar esta probabilidad a partir de una distribucin
hipergeomtrica, su valor ser imposible determinarlo, haciendo uso de una
calculadora, por esta razn, se recomienda el uso de una distribucin binomial.
En este sentido se tiene:
P
u
= P(x S) = _
Su
x
] (u,1)
x
(1 -u,1)
50-x
3
0
= u,2Su29
Haciendo uso de Microsoft Excel, es posible determinar el valor de esta
probabilidad, utilizando una distribucin hipergeomtrica, es decir, de la manera
correcta. As, se tiene:
P
u
= P(x S) =
(
50
x
)(
450
50-x
)
(
500
50
)
3
0
= u,2SS8S8
Como se puede apreciar ambas probabilidades se asemejan, lo que indica que
la distribucin binomial es una buena alternativa de encontrar la probabilidad de
aceptacin cuando no se cuenta con programas avanzados para su clculo.
Plan de muestreo doble

En un plan de muestreo doble, la gerencia especifica dos tamaos de muestra
(n
1
y n
2
) y dos numero de aceptacin (c
1
y c
2
). Si la calidad del lote es muy
buena o muy mala, el consumidor toma la decisin de aceptar o rechazar el
lote. La ventaja principal del plan de muestreo doble con respecto al de
muestreo nico, es que puede reducir la cantidad total de inspeccin requerida.

Este plan utiliza una segunda muestra si es necesaria para dictaminar el
destino del lote. Un plan de muestreo doble se define por cuatro parmetros:

n
1
= ContiJoJ Jc clcmcntos cn lo primcro mucstro
c
1
= Critcrio Jc occptocion cn lo primcro mucstro
n
2
= ContiJoJ Jc clcmcntos cn lo scgunJo mucstro
c
2
= CritcrioJc occptocin cn lo scgunJo mucstro

Siendo X
1
la cantidad de productos no conformes en la muestra 1, y X
2
la
cantidad de productos no conformes en la muestra 2, el plan de muestreo doble
se opera de la siguiente forma:

124

Ejemplo
Dado un lote de 80 artculos, con un porcentaje de productos no conformes de
5%, determine la probabilidad de aceptacin de los lotes para el siguiente plan
de muestreo doble.
- n
1
= 2u c
1
= 1
- n
2
= 1u c
2
= S
Este ejercicio puede resolverse utilizando un rbol de decisin. Inicialmente, se
analizan los valores que pueden tomar X
1
yX
2
, teniendo en cuenta las
restricciones dadas para este tipo de plan.

La probabilidad para cada uno de los casos encontrados son las siguientes:
- Para la primera muestra
P(X
1
= ) =
(
4
u
)(
76
2u
)
(
8u
2u
)
= u,Su8S
P(X
1
= 1) =
(
4
1
)(
76
19
)
(
8u
2u
)
= u,4S27
S|X
1
c
1

S|X
1
> c
2

S|c
1
< X
1
c
2

S|X
1
+X
2
> c
2

S|X
1
+X
2
c
2

Se acepta el lote
Se rechaza el lote
Se pasa a una segunda muestra
Se rechaza el lote
Se acepta el lote
X
1
=
X
1
= 1
X
1
= 2
X
1
= 3
X
2
=
X
2
= 1
X
2
=
125
P(X
1
= 2) =
(
4
2
)(
76
18
)
(
8u
2u
)
= u,2126
P(X
1
= 3) =
(
4
S
)(
76
17
)
(
8u
2u
)
= u,u4S2
- Para la segunda muestra
P(X
2
= ) =
(
4
u
)(
76
1u
)
(
8u
1u
)
= u,S797
P(X
2
= 1) =
(
4
1
)(
76
9
)
(
8u
1u
)
= u,S461
La probabilidad de aceptacin se determina de la siguiente manera:
P
a
= P(X
1
= u) + P(X
1
= 1) + {P(X
1
= 2) - |P(X
2
= u) +P(X
2
= 1)]] + |P(X
1
= S) - P(X
2
= u)]
P
a
= u,Su8S +u,4S27 +u,2126 - (u,S797 +u,S461) +u,u4S2 - (u,S797)
P
u
= u,9629
Plan de muestreo mltiple
Un plan de muestreo mltiple es una extensin del muestreo doble por cuanto
pueden requerirse ms de dos muestras para dictaminar un lote.
Este plan opera como sigue: si, al trmino de cualquier etapa del muestreo, el
nmero de artculos defectuosos es menor o igual que el nmero de
aceptacin, el lote se acepta. Si durante cualquiera de las etapas, el nmero de
artculos defectuosos es igual o excede el nmero de rechazo, el lote se
rechaza; en caso contrario, se toma la siguiente muestra. El procedimiento de
muestreo mltiple continua hasta que se toma la quinta muestra, momento en
el que debe tomarse una decisin en cuanto al destino del lote. Suele hacerse
una inspeccin del 100% de la primera muestra, aun cuando las muestras
subsecuentes por lo general se someten a cercenado.
La ventaja de estos planes de muestreo es que las muestras requeridas en
cada etapa por lo general son menores que las de un muestreo nico o doble;
por tanto, se relaciona cierta eficiencia econmica con el uso del
procedimiento. Sin embargo, la administracin del muestreo mltiple es mucho
ms compleja.

126
Plan de muestreo secuencial

El muestreo secuencial es una extensin del concepto del muestreo doble y del
muestreo mltiple. En el muestreo secuencial se toma una secuencia de
muestras del lote y se deja que el nmero de muestras lo determinen por
completo los resultados del proceso de muestreo. En teora, el muestreo
secuencial puede continuar de manera indefinida, hasta que se hace la
inspeccin del 100% del lote. En la prctica, los planes de muestreo secuencial
suelen truncarse despus de que el nmero inspeccionado es igual a tres
veces el nmero que se habra inspeccionado utilizando el plan de muestreo
simple correspondiente. Si el tamao de la muestra seleccionado en cada
etapa es mayor que 1, al proceso suele llamrsele muestreo secuencial grupal.
Si el tamao de la muestra inspeccionado en cada etapa es 1, al procedimiento
suele llamrsele muestreo secuencial artculo por artculo.

5.3 LA CURVA DE OPERACIN (OC)

Una medida importante del desempeo de un plan de muestreo es la curva de
operacin caracterstica, la cual, es una representacin grfica del plan de
muestreo. En esta curva se grafica la probabilidad de aceptar el lote (eje y)
contra la fraccin defectuosa del lote (eje x). Por tanto, la curva OC indica la
potencia discriminatoria del plan de muestreo. Es decir, indica la probabilidad
de que un lote con cierta fraccin defectuosa propuesto, sea aceptado o
rechazado. A continuacin, en la figura se muestran tres curvas de operacin
caractersticas, para diferentes valores de muestra y criterios de aceptacin.
10 20 30 40
1
2
3
-1
-2
-3
No. de artculos
inspeccionados
No. de artculos
defectuosos
ZONA DE
RECHAZO
ZONA DE
ACEPTACIN
127

Como se puede apreciar, las curvas de operacin son ms estrictas conforme
aumenta el tamao de la muestra. Grficamente, este hecho se puede apreciar
por la disminucin del rea bajo la curva, lo que muestra un plan de muestreo
estricto.
Para graficar una curva de operacin, basta solo con darle valores a p' , y
teniendo en cuenta el tamao de la muestra y nmero de aceptacin dado para
el plan, se hallan diferentes valores para P
u
.
Ejemplo
Trace la curva de operacin caracterstica para el siguiente plan de muestreo:
- n = 8u c = S
Utilizando la distribucin de probabilidad Binomial para determinar P
u
se tiene:
p' P
u

0,02 0,9945
0,04 0,8988
0,06 0,6521
0,08 0,3750
0,1 0,1769
0,12 0,0709
0,14 0,0248
0,16 0,0077
0,18 0,0021
0,2 0,0005

128
De esta manera la grfica resulta de la siguiente forma:

Puntos especficos en la Curva OC
Frecuentemente, el inters del ingeniero de calidad se centra en determinados
puntos de la curva OC. El proveedor suele estar interesado en saber cul es el
nivel de calidad del lote o proceso que produce una alta probabilidad de
aceptacin.
En este orden de ideas, es comn que el consumidor establezca un plan de
muestreo para un abastecimiento continuo de componentes o materia prima
con referencia a un nivel aceptable de calidad (NAC) o AQL (por sus siglas
en ingls). El NAC representa el nivel de calidad ms pobre del proceso del
proveedor que el consumidor considerara aceptable como promedio del
proceso. Este parmetro es una propiedad del proceso de manufactura del
proveedor; no es una propiedad del plan de muestreo. Muchas veces el
consumidor disear el procedimiento de muestreo de tal modo que la curva
OC d una alta probabilidad de aceptacin en el NAC. Se espera que el
proceso del proveedor opere con un nivel de porcin cada que sea
considerablemente mejor que el AQL.
El consumidor tambin estar interesado en el otro extremo de la curva OC, es
decir, en la proteccin que se obtiene para los lotes individuales de calidad
pobre. En una situacin as, el consumidor puede establecer una tolerancia
del porcentaje defectuoso de un lote (LTPD, por sus siglas en ingls). El
LTPD es el nivel de calidad ms pobre que el consumidor est dispuesto a
aceptar en un lote individual.
An cuando podran utilizarse dos puntos cualesquiera en la curva OC para
definir el plan de muestreo, en muchas industrias se acostumbra usar los
puntos NAC y LTPD para este fin. Cuando los niveles de calidad del lote
129
especificados son p
1
= AI y p
2
= IIP, suele hacerse referencia a los puntos
correspondientes en la curva OC como el riesgo del producto y el punto del
riesgo del consumidor. Por tanto, o se llamara el riesgo del productor y [ se
llamara el riesgo del consumidor. Grficamente, se puede apreciar esta
relacin en la figura de abajo, donde para el ejemplo se trabaja con un NAC de
2% y un LTPD de 7%.
En este sentido, teniendo en cuenta la curva de operacin anterior, es posible
determinar el valor de ambos riesgos de la siguiente manera:
H
u
= Lute de huena Ca||dad
H
1
= Lute de ma|a Ca||dad
u =
Rechazu H
u
Ferdadera
= Rechazu un |ute huenu
=
Nu rechazu H
u
Fa|xa
= Nu rechazu un |ute ma|u
1 -u = [
n
x
(p
1
)
x
(1 -p
1
)
n-x
c
x=
dunde p
1
= AQL
= [
n
x
(p
2
)
x
(1 -p
2
)
n-x
c
x=
dunde p
2
= LTPD

Representacin grfica de los parmetros NAC, LTPD, u y

130

5.4 DISEO DE PLANES DE MUESTREO

Disear un plan de muestreo es buscar un valor para n y c que satisfaga cuatro
parmetros establecidos: NAC, LTPD, o, [
Existen diferentes herramientas para el diseo de planes de muestreo, entre
estas, las ms importantes son las Tablas Military Standard 105D (ANSI/ASQC
Z1.4, ISO 2849), y el mtodo matemtico.
Tablas Military Standard

Este procedimiento de muestreo fue desarrollado durante la segunda guerra
mundial. Actualmente, el estndar MIL STD 105E es el sistema de muestreo de
aceptacin para atributos de mayor uso en el mundo.
El estndar contempla tres tipos de muestreo: el muestreo nico, el muestreo
doble, y el muestreo mltiple. Para cada tipo de muestreo, se estipula la
inspeccin normal, la inspeccin rigurosa, o la inspeccin reducida. La
inspeccin normal se usa al principio de la actividad de inspeccin. La
inspeccin rigurosa se establece cuando el historial reciente del proveedor se
ha deteriorado. Los requerimientos de aceptacin para los lotes sujetos a
inspeccin rigurosa son ms estrictos que bajo la inspeccin normal. La
inspeccin reducida se establece cuando el historial reciente del proveedor ha
sido excepcionalmente bueno. El tamao de la muestra que se usa
generalmente en la inspeccin reducida es menor que en la inspeccin normal.
El tamao de la muestra usado en el MIL STD 105E est determinado por el
tamao del lote y por la eleccin del nivel de inspeccin. Se estipulan tres
niveles generales de inspeccin. El nivel II se designa como normal. El nivel I
requiere aproximadamente la mitad de la cantidad de inspeccin que el nivel II
y puede usarse cuando se necesita menos discriminacin. El nivel III requiere
aproximadamente el doble de inspeccin que el nivel II y deber usarse cuando
se necesite ms discriminacin. Hay tambin cuatro niveles de inspeccin
especiales, S-1, S-2, S-3 y S-4. Los niveles de inspeccin especiales utilizan
muestras muy pequeas y solo debern emplearse cuando son necesarios
tamaos de la muestra pequeos y cuando pueden o deben tolerarse riesgos
grandes en el muestreo.
Para un AQL y un nivel de inspeccin especificados y un tamao del lote dado,
el MIL STD 105E proporciona un plan de muestreo normal que debe usarse
mientras el proveedor est produciendo el producto con la calidad AQL o mejor.
As mismo los procedimientos para cambiar entre la inspeccin normal,
rigurosa y reducida, como se muestra a continuacin:
131
1) Normal a rigurosa: Cuando se tiene inspeccin normal, la inspeccin
estricta se instituye cuando cundo dos de cinco lotes consecutivos han
sido rechazados.

2) Estricta a normal. Cuando se tiene inspeccin estricta, la inspeccin
normal se instituye cuando cinco lotes consecutivos son aceptados en la
inspeccin original

3) Normal a reducida. Cuando se tiene inspeccin normal, la inspeccin
reducida se instituye cuando se cumple con todas las condiciones
siguientes:
a. Diez lotes consecutivos han sido aceptados con inspeccin normal y
ninguno de ellos ha sido rechazado.
b. El nmero total de defectivos en las muestras de los diez lotes
precedentes es menor o igual al nmero lmite aplicable del estndar.
c. La produccin de lotes ha sido continua sin interrupciones mayores.
d. La autoridad responsable del muestreo considera deseable la
inspeccin reducida.

4) Reducida a normal. Cuando se tiene inspeccin reducida, la inspeccin
normal se instituye cuando se cumple cualquiera de las condiciones
siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de
aceptacin o rechazo, el lote se acepta pero se cambia a inspeccin
normal en el prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.

5) La Inspeccin se descontina. Cuando diez lotes se acepten con
inspeccin estricta, la inspeccin bajo la estipulacin del estndar MIL
STD 105E deber terminarse y emprenderse acciones a nivel del
proveedor para mejorar la calidad de los lotes puestos a consideracin.
Procedimiento
Un procedimiento paso a paso para usar MIL STD 105E es el siguiente:
1) Elegir el AQL (NAC)
2) Elegir el nivel de inspeccin
3) Determinar el tamao del lote
4) Encontrar la letra cdigo apropiada para el tamao de la muestra
en las tablas del apndice.
132
5) Determinar el tipo apropiado de muestreo que debe usarse
(nico, doble, mltiple).
6) Consultar la tabla apropiada del apndice para encontrar el tipo
de plan que debe usarse.
7) Determinar los planes de inspeccin normal y reducida
correspondientes que deben usarse cuando sea necesario.
Ejemplo
La empresa Rterdam Ltda., obtiene un contrato para suministrar 20 lotes de
60.000 piezas cada uno.
En el contrato se establece que el cliente realiza una inspeccin segn MIL
STD, Nivel general II con un NAC = 2,5. Determine el tamao de la muestra y el
criterio de aceptacin.
Solucin.
Haciendo uso del tamao del lote, se determina la letra cdigo, para este caso
es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se
puede apreciar que el tamao de la muestra es de 500 y el nmero de
aceptacin de 21.
Mtodo matemtico

Esta herramienta para el diseo de planes de muestreo no tiene en cuenta
nicamente el NAC como parmetro de decisin en el diseo del plan de
muestreo, sino cada uno de los parmetros dados para su diseo, NAC, LTPD,
el riesgo del productor y el del consumidor. El valor de n y c se determina
utilizando cada una de las siguientes ecuaciones:
2
1
=
l
l
l
l|Z
u
| +Z
p
2
p
1
p
2
p
1
- 1
1
1
1
1
2

2
2
= 2
1
-
p
2
p
1

c
1
= 2
1
+|Z
u
|2
1
c
2
= 2
2
-|Z
|2
2
c =
c
1
+c
2
2

n
1
=
2
1
p
1
n
2
=
2
2
p
2
n =
n
1
+n
2
2

133
EJEMPLO

Su empresa obtiene un contrato para suministrar 10 lotes de 50.000 piezas
cada uno.

La fabricacin de estas piezas es relativamente sencilla pero representa la
dificultad de tener una tolerancia bilateral muy estrecha en una de sus
dimensiones. El contrato establece que el cliente realizara una inspeccin
segn MIL STD 105 E Nivel General de Inspeccin, AQL 2.5 simple, nivel II.
a) Para poder cumplir con el pedido, su empresa piensa adquirir una nueva
mquina para realizar la operacin de fabricacin ya mencionada. Si se
supone que el proceso se mantiene centrado. Cul es el ndice de
capacidad del proceso Cp que debe tener la mquina a adquirir si se
pretende tener una probabilidad conjunta total de 0,85 para la
aceptacin de los 10 lotes.

b) Cul es la probabilidad de aceptar al menos el 50% de los lotes.
Solucin
a) Usando la probabilidad de aceptacin conjunta, hayamos la
probabilidad de aceptacin de un solo lote
Po = P(X = 1u) = _
1u
1u
] P
u
x
(1 -P
u
)
n-x

Po = P(X = 1u) = _
1u
1u
] P
u
10
(1 -P
u
)
10-10

(P
u
)
10
= u,8S
P
u
= u,8S
10
= u,98S8

Si buscamos en la tabla MIL STD observamos que n=500 y c=21, ahora
debemos hallar la probabilidad de defectuosos pd.
P
u
= u,98S8 = P(x 21) = _
Suu
x
] P
d
x
(1 -P
d
)
500-x
21
x=0

Por tanteo en Excel hayamos que P
d
= u,u26S
Como el proceso est centrado
p
d
2
= u,u1S27 este sera el %PNC

Como est centrado
C
p
= -
Z
LIL
S

C
P
= -
-2,22
S
= u,74
C
P
= u,74

b) P
u
= P(x S) = 1 -P(X < S)
134
P
u
= 1 - P(X 4)
P
u
= 1 - _
1u
x
] (u,98S8)
x
(1 - u,98S8)
10-x
4
x=0

P
u
= u,999999 = 1

5.5 INSPECCIN CON RECTIFICACIN

Los programas de muestreo de aceptacin suelen requerir una accin
correctiva cuando los lotes son rechazados. Esto generalmente adopta la forma
de una inspeccin del 100% exhaustiva de los lotes rechazados, donde todos
los artculos defectuosos descubiertos se sacan para reprocesamiento
posterior, se devuelven al proveedor o se reemplazan de un inventario de
artculos satisfactorios comprobados. A estos programas de muestreo se les
llama programas de inspeccin con rectificacin, debido a que la actividad de
inspeccin afecta la calidad final del producto de salida.
Los programas de inspeccin con rectificacin se usan en situaciones en las
que el fabricante desea conocer el nivel promedio de calidad que es posible
resulte en una etapa dada de las operaciones de manufactura. Por tanto, estos
programas se usan en la inspeccin de recepcin, en la inspeccin dentro del
proceso de productos semiterminados o en la inspeccin final de bienes
terminados.
Los lotes rechazados pueden manejarse de varias maneras. El mejor enfoque
es devolver los lotes rechazados al proveedor, y pedirle que realice las
actividades de inspeccin exhaustiva y reprocesamiento. Sin embargo, en
muchas situaciones, debido a que los componentes o materias primas son
necesarias a fin de cumplir con los programas de produccin, la inspeccin
exhaustiva y el reprocesamiento tienen lugar en las instalaciones del
consumidor. Esta no sera la situacin ms deseable.
La calidad de salida promedio (AOQ, por sus siglas en ingls) se usa
ampliamente para la evaluacin de un programa de muestreo con rectificacin.
Este factor es la calidad en el lote que resulta de la aplicacin de la inspeccin
con rectificacin. Es el valor promedio de la calidad del lote que se obtendra en
una secuencia larga de lotes de un proceso con fraccin defectuosa p'. Es
sencillo desarrolla una frmula para el AOQ. Suponer que el tamao del lote es
N y que todas las unidades defectuosas se reemplazan con unidades
satisfactorias. Entonces en lotes de tamao N, se tiene:
1) n artculos en la muestra que, despus de la inspeccin, no contienen
unidades defectuosas, debido a que todas las unidades defectuosas
descubiertas se reemplazan.
135
2) N -n artculos que, si el lote es rechazado, tampoco contienen unidades
defectuosas.
3) N -n artculos que, si el lote es aceptado, contiene p'(N -n) unidades
defectuosas.
Por tanto, los lotes en la etapa de salida de la inspeccin tienen un nmero
esperado de unidades defectuosas igual a P
u
p'(N -n), que puede expresarse
como una fraccin defectuosa promedio, llamada la calidad de salida promedio:
AOQ =
P
a
p'(N-n)
N

Cuando el tamao del lote se hace grande en comparacin al tamao de la
muestra, esta ecuacin puede escribirse como:
AOQ = P
a
p'
La calidad promedio de salida variar cuando la fraccin defectuosa de los
lotes de entrada vare. A la curva que grafica la cantidad de salida promedio
contra la calidad del lote de entrada se le llama curva AOQ. A continuacin la
figura hace una presentacin de esta grfica.

Representacin grfica del AOQ y localizacin del AOQL.
Por el examen de esta curva se observa que cuando la calidad de entrada es
muy buena, la calidad de salida promedio tambin es muy buena. En contraste,
cuando la calidad del lote de entrada es muy mala, la mayora de los lotes son
rechazados y se examinan, lo que lleva a un nivel de calidad muy bueno en los
lotes de salida. En medio de los extremos, la curva AOQ sube, pasa por un
mximo y desciende. La ordenada mxima en la curva AOQ representa la peor
136
calidad promedio posible que resultara del programa de inspeccin con
rectificacin, y a este punto se le llama el lmite de la calidad de salida
promedio (AOQL, por sus siglas en ingls). Es decir, sin importar lo mala que
sea la fraccin defectuosa en los lotes de entrada, los lotes de salida nunca
tendrn un nivel de calidad peor que el AOQL.
Otra medida importante relacionada con la inspeccin con rectificacin es la
cantidad total de inspeccin requerida por el programa de muestreo. Si los lotes
no contienen artculos defectuosos, ninguno de los lotes ser rechazado y la
cantidad de inspeccin por lote ser el tamao de la muestra n. si todos los
artculos son defectuosos, cada lote se someter a una inspeccin del 100% y
la cantidad de inspeccin por lote ser el tamao del lote N. si la calidad del
lote es 0<p<1, la cantidad de inspeccin promedio por lote variar entre el
tamao de la muestra n y el tamao del lote N. si el lote es de calidad p y la
probabilidad de aceptacin del lote es p
a
, entonces la inspeccin promedio
total(ATI por sus siglas en ingles) por lote ser:
AII = n +(1 -P
u
)(N -n)
Ejemplo
Para lotes de 90.000 unidades un comprador y su vendedor acuerdan un plan
de muestreo MIL STD por atributos, inspeccin normal, muestreo sencillo
simple. NAC = 2,5%, LTPD = 5,3%.
La lnea del fabricante es un proceso en serie y tiene una fraccin no conforme
igual a 9%. Para conformar sus despachos de los lotes, el fabricante aplica un
CSP al final de la lnea de produccin que le deja un AOQL igual a 2%.
a) Calcule la probabilidad que el plan de muestreo acepte el lote
b) Calcule el riesgo tipo II

Solucin
Teniendo como parmetros de decisin el NAC y el tamao del lote, se
determina el tamao de la muestra y nmero de aceptacin, haciendo uso de la
tabla MIL STD para inspeccin normal. De esta manera se obtiene:
n = Suu c = 21
a) Probabilidad de aceptacin
Aqu se utiliza el valor del AOQL, puesto que es la proporcin real de productos
no conformes despus de rectificacin.
P
u
= P(x 21) = _
Suu
x
] (u,u2)
x
(1 -u,u2)
500-x
21
x=0
= u,999S9
137
b) Riesgo Tipo II
El riesgo tipo II se calcula a partir del LTPD, que debera tener el mayor
porcentaje de productos no conformes aceptados, sin embargo se realizo una
rectificacin y esta proporcin nunca ser mayor que el AOQL, por lo que, el
riesgo tipo II es cero.
5.6 MUESTREO DE ACEPTACIN POR VARIABLES
En los planes de muestreo de aceptacin por variables se especifican el
nmero de artculos que hay que muestrear y el criterio para juzgar los lotes
cuando se obtienen datos de las mediciones respecto a la caracterstica de
calidad que interesa.
Estos planes se basan generalmente en la media y la desviacin estndar
muestral de la caracterstica de calidad. Cuando se conoce la distribucin de la
caracterstica en el lote o el proceso, es posible disear planes de muestreo
por variables que tengan riesgos especificados de aceptar y de rechazar lotes
de una calidad dada.
VENTAJAS
Se puede obtener la misma curva caracterstica de operacin con
tamao de muestra menor que el que requerira un plan por atributos.

Los datos por variables proporcionan ms informacin del proceso que
los atributos. Cuando los AQLs son muy pequeos (del orden de ppm),
el tamao de muestra requerido en el caso de muestreo por atributos es
muy grande y por variables muy pequeo. Cuando la inspeccin es del
tipo destructivo, los planes por variables si se aplican son ms
econmicos.
El grado de cumplimiento o incumplimiento (no conformidad) con el valor
deseado de una caracterstica de calidad recibe importancia cuando se
utilizan los criterios para variables.
La informacin de variables suele dar una mejor base de orientacin
hacia el mejoramiento de la calidad.
Es ms fcil descubrir los errores de medicin con la informacin de
variables.

138
DESVENTAJAS
El probable alto costo de las mediciones vs juzgar por atributos, a pesar
de que el tamao de muestra sea menor y que sea necesario un plan de
muestreo para cada caracterstica importante del producto.
Se utiliza un plan de muestreo por cada caracterstica inspeccionada.
Se debe conocer la distribucin de la caracterstica de calidad, la cual
debe ser normal ya que de otra forma se pueden cometer errores en la
aplicacin del plan de muestreo por variables. Esto es ms crtico
cuando las fracciones defectivas son muy pequeas.
Condiciones que permiten la aplicacin del muestreo de aceptacin por
variables
1) La caracterstica objeto de inspeccin debe ser una variable o capaz de
ser convertida segn una escala variable.
2) La inspeccin de atributos o caractersticas esenciales resulta
excesivamente costosa.
3) La inspeccin de atributos no proporcionar suficiente informacin; esto
es, tambin se requieren del alcance y las consecuencias de la
variacin.
4) La distribucin de las caractersticas debe ser aproximadamente normal.

Las caractersticas distintivas de un plan de muestreo de variables, en
comparacin con un muestreo de atributos, son las siguientes:

1) Se obtiene una proteccin anloga con una muestra de tamao.
2) Slo puede aplicarse para la aceptacin o rechazo de una caracterstica
sometida a inspeccin.
3) Implica mayores costos administrativos. Se precisan mejores
cualificaciones, ms clculo, es posible cometer mayor cantidad de
errores de clculo y se hace preciso utilizar equipo de inspeccin ms
caro.
4) Suele proporcionar mejores fundamentos para mejorar la calidad y
mucha ms informacin en caso de renuncia.

139
PROCEDIMIENTO PARA APLICAR UN PLAN DE MUESTREO POR
VARIABLES
Obtener una muestra aleatoria de tamao n y calcular:
a) Si hay un lmite inferior de especificacin:
si Z
LIL
k; sc occpto cl lotc
si Z
LIL
< k; sc rccbozo cl lotc

El problema se concentra en calcular n y k

b) Si hay un lmite superior de especificacin:
si Z
LSL
k sc occpto cl lotc
si Z
LSL
< k; sc rccbozo cl lotc
El problema se concentra en calcular n y k
Se define:
1 -o: Probabilidad de aceptacin para una fraccin defectuosa p1.
[: Probabilidad de aceptacin para una fraccin defectuosa p2.
Se usa un nomograma.
Inspeccin en cadena
Se aplica en situaciones en las que las pruebas son destructivas y costosas y,
por tanto, los tamaos mustrales son pequeos y el criterio de aceptacin es
nulo.
Permite suavizar la velocidad de cada de la CO. Los pasos a seguir son los
siguientes:
Se elige una muestra de tamao n y se observa el nmero de artculos
defectuosos.
Si la muestra no tiene artculos defectuosos se acepta el lote.
Si se observan dos o ms artculos defectuosos se rechaza el lote.
Si se observa un artculo defectuoso, se acepta el lote cuando los i lotes
precedentes se hallan libres de defectos. Normalmente i suele estar
entre tres y cinco.
Este tipo de muestreo permite aceptar un rango ms amplio de lotes con
fraccin de defectuosos prxima a cero.
La probabilidad de aceptacin, que define la ordenada de la CO, se calcula
mediante la ecuacin:
P
u
= P(u, n) +P(1, n)|P(u, n)]

140
Donde P(u, n) +P(1, n) son las probabilidades de obtener 0 y 1 articulos
respectivamente, de una muestra aleatoria n
El muestreo en cadena se aplica especialmente cuando se dan las siguientes
condiciones:
El lote forma parte de un flujo continuo de lotes de un proceso en el que
existe una produccin repetitiva elaborada bajo las mismas condiciones
y en el cual los lotes se presentan para su aceptacin en el orden de
produccin. Se supone que los lotes son esencialmente de la misma
calidad.
Se debe disponer de un buen registro de la calidad por parte del
proveedor.
5.7 MUESTREO CONTINUO

Muchas operaciones de manufactura, particularmente los procesos los
procesos de ensamble complejos, no resultan en la formacin natural de lotes.
Por ejemplo, la fabricacin de muchos aparatos electrnicos, como las
computadoras personales, se realiza en una lnea de ensamble con una banda
transportadora.

Cuando la produccin es continua, pueden usarse dos enfoques para formar
los lotes. El primer procedimiento permite la acumulacin de la produccin en
puntos dados del proceso de ensamblaje. Esto tiene la desventaja de crear un
inventario dentro del proceso en varios puntos, lo cual requiere espacio
adicional, puede constituir un riesgo de seguridad y generalmente es un
enfoque ineficiente para administrar una lnea de ensamblaje. En el segundo
procedimiento se delimita arbitrariamente un segmento dado de la produccin
como un lote. La desventaja de este enfoque es que si un lote en ltima
instancia es rechazado y se requiere posteriormente una inspeccin del 100%
del lote, quiz sea necesario traer productos de las operaciones de
manufactura que estn muy apartadas en el proceso de produccin. Esto
puede requerir el desensamblaje o la destruccin parcial de artculos
semiterminados.

Por estas razones, se han desarrollado planes de muestreo especiales para la
produccin continua. Los planes de muestreo continuo consisten en secuencias
alternadas de inspeccin muestral y exhaustivas (inspeccin del 100%). Los
planes suelen iniciarse con una inspeccin del 100% y cuando se encuentra
que un numero preestablecido de unidades no presenta defectos(al nmero de
unidades i suele llamrsele el numero de liberacin), se establece la
inspeccin muestral. La inspeccin muestral continua hasta que se encuentre
un numero especificado de unidades defectuosas, momento en el que se
reanuda las inspeccin del 100%. Los planes de muestreo continuo son planes
141
de inspeccin con rectificacin, por cuanto la calidad del producto se mejora
por tamizado parcial

Plan CSP-1
Este modelo de inspeccin se constituye dentro de los planes de muestreo por
variables como un plan de muestreo continuo. Fue desarrollado por Harold F.
Dodge. Al principio del plan, todas las unidades se inspeccionan al 100%. Tan
pronto como se llega al nmero de liberacin, es decir, tan pronto como se
encuentra que i unidades consecutivas del producto no presentan defectos, se
discontina la inspeccin 100%, y slo se inspecciona una fraccin de las
unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del
flujo de la produccin. Si se encuentra que una de las unidades mustrales es
defectuosa, se reanuda la inspeccin del 100%. Todas las unidades
defectuosas encontradas se someten a reprocesamiento o se reemplazan con
unidades satisfactorias.
Un plan CSP-1 tiene un AOQL global. El valor de este parmetro depende de
los valores del nmero de liberacin i y de la fraccin muestral f. Estos valores
estn dados en las tablas del apndice.

142
Procedimiento para los planes CSP1
Plan CSP-2
En el desarrollo de este plan, la inspeccin 100% no se restablecer cuando la
produccin este bajo inspeccin muestral hasta que hayan encontrado dos
unidades defectuosas dentro de un espacio de K unidades muestrales entre s.
Es una prctica comn elegir K igual al nmero de liberacin i. Estos planes
estn registrados por AOQL especficos que pueden obtenerse con diferentes
combinaciones de i y .
Plan CSP 3
El plan CSP-3 es un refinamiento del CSP-2 y proporciona una mayor
proporcin contra el surgimiento espontaneo de una bajada de la calidad, es
decir est diseado para brindar proteccin adicional contra la produccin
irregular.
La variacin respecto al CSP-2 consiste en que cuando se encuentra una
unidad defectuosa en una muestra, se inspeccionan las 4 unidades siguientes
producidas y dependiendo del resultado se proceder as:
Si ninguna de estas 4 unidades siguientes es defectuosa, se continua
verificando por muestreo aplicando el plan CSP-2.
Si alguna de las 4 unidades es defectuosa, se interrumpe la inspeccin
por muestreo, comenzando la aplicacin del plan CSP-2 al principio.
Inspeccin a varios niveles
Consiste en alternar la inspeccin 100% con la inspeccin por muestreo con
diferentes fracciones de muestreo, dependiendo de la calidad de los lotes.
Especficamente, se comienza con una inspeccin al 100% y posteriormente se
pasa a una inspeccin por muestreo con fraccin , cuando i artculos se
encuentran libre de defectos. Si de nuevo i artculos se encuentran libres de
defectos, entonces se contina con una inspeccin por muestreo con fraccin
2
.

143
PREGUNTAS DE REPASO

1) Explique qu es el muestreo de aceptacin.

2) El muestreo de aceptacin es una decisin intermedia entre dos
extremos: cero inspeccin o inspeccin al 100%. Explique bajo qu
condiciones se recomienda aplicar el muestreo de aceptacin.

3) Cules son las ventajas del muestreo de aceptacin sobre la
inspeccin al 100%?

4) Comente de manera general en qu consisten los planes de muestreo
por atributos y por variables.

5) En qu consiste un muestreo doble?

6) Explique en forma general cmo se recomienda formar un lote que va a
ser sometido a un plan de muestreo de aceptacin.

7) Describe qu es y cul es la utilidad de la curva caracterstica de
operacin de un plan de muestreo por atributos.

8) Apoyndose en las propiedades de la curva CO, seale qu tanta
influencia tiene el tamao de lote en el tipo de calidad que acepta un
plan de muestreo de aceptacin.

9) Algunas personas tienen la costumbre de tomar un tamao de muestra
igual a cierto porcentaje del tamao de lote (10%). Con base en las
propiedades de la curva CO, es adecuada esta costumbre?

10) Comente el significado de los ndices NCA (AQL) y NCL (AOQ), su
relacin con el riesgo del productor y riesgo del consumidor.

11) Cul es el propsito de los distintos niveles de inspeccin en las tablas
de MIL STD 105E?

12) Qu ventajas tiene el muestreo de aceptacin para variables respecto
al de atributos?

144
1) Un proceso de llenado para recipiente de aceite en condiciones de
estado estable, tiene una media de 100 lb y una desviacin estndar de
3 libras en dicha etapa, la cual suministra los recipientes llenos a la
etapa de despacho.
La situacin actual de la etapa de llenado es satisfactoria para las
exigencias de despacho (1005.8799) libras, pero considerara de
psima calidad si los recipientes llenos viniesen con una variacin en la
media de 3.5 libras, conservando su variabilidad. En el despacho se
rechazan los lotes de buena calidad con 5%, caso dado, que reciben de
la etapa de llenado y utilizan el doble del riesgo anterior para rechazar
lotes de mala calidad; por lo que se va a poner en aplicacin un plan de
muestreo por atributos con un lector que clasifica los recipientes como
conformes o no conformes.
Cada lote que se procesa en serie en la etapa de llenado, consta de
100.000 recipientes.
a) Disee el plan de muestreo correspondiente.
b) Suponga que el proceso de llenado est generando en total el 15%
de producto no conforme, la cantidad de productos no conformes por
uno de los lmites de especificacin es el doble con relacin a la
cantidad de no conformes que se generan por el otro lmite de
especificacin. Cul es la capacidad general del proceso? Cul es
la capacidad real del proceso?

2) Un fabricante de productos en serie le despacha a su cliente en lotes de
100.000 unidades cada uno, quien le ha fijado un NAC=4% y un
LTPD=6%.
La lnea de produccin tiene una fraccin de no conforme igual al 7%. El
cliente utiliza para la recepcin Nivel General de Inspeccin, Normal MIL
STD 105E para su plan de muestreo. El fabricante utiliza un plan de
muestreo CSP 1 con f=4% y un valor de i=86 para el despacho de los
lotes.
a) Calcular la probabilidad de aceptacin de los lotes por parte del
cliente.
b) Calcular el riego tipo II
c) Calcular la mnima probabilidad de aceptacin de los lotes por parte
del cliente.
d) para qu valor del LTPD, el riesgo tipo II del plan del cliente es de
0.1?

145
3) Su empresa obtiene un contrato para suministrar 5 lotes de 1.000
piezas. La fabricacin de estas piezas es relativamente sencilla pero
presenta la dificultad de tener una tolerancia muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizar una
inspeccin segn MIL-STD-105E, AQL=0.65, simple, nivel II.
Previamente al lanzamiento de la fabricacin usted realiza un estudio de
capacidad del proceso de fabricacin de la cota problemtica y obtiene
Cp=0.95. Debido a la naturaleza del proceso de fabricacin resulta
sencillo mantenerlo centrado. Si su empresa sirve ese pedido sin realizar
una inspeccin final:

a) Cul es la probabilidad de que el cliente acepte los cinco lotes?
b) Si el cliente no ha rechazado ningn lote cul ha sido la fraccin
defectuosa de los lotes fabricados?
c) Si el cliente ha rechazado algn lote cul ha sido la fraccin defectuosa
de los lotes fabricados?

4) Su empresa obtiene un contrato para suministrar 5 lotes de 1.000
piezas. La fabricacin de estas piezas es relativamente sencilla pero
presenta la dificultad de tener una tolerancia bilateral muy estrecha en
una de las dimensiones. El contrato establece que el cliente realizar
una inspeccin segn MIL-S TD-105E, AQL=0.10, simple, nivel II.

a) Hallar el tamao de la muestra necesario para cada lote y el criterio
de aceptacin y rechazo.
b) Dado que su empresa no tiene experiencia en la fabricacin de la
pieza, su jefe le pide que calcule la probabilidad de que su cliente
acepte los 5 lotes en funcin de la fraccin defectuosa fabricada,
conociendo quela empresa sirve ese pedido sin realizar una
inspeccin 100% final.
c) Para poder cumplir el pedido, su empresa piensa adquirir una nueva
mquina para realizar la operacin de fabricacin mencionada
anteriormente. Si se supone que el proceso permanece centrado
Cual es el ndice de capacidad de proceso Cp que debe tener la
mquina a adquirir si se pretende tener una `probabilidad del 90% de
que el cliente no rechace ningn lote?
d) Debido al alto precio de la mquina anterior, su empresa decide
hacer un lanzamiento piloto con la mquina antigua. Fabrica 50
unidades que se verifican todas y 2 de ellas resultan defectuosas. Se
pide estimar la fraccin defectuosa existente mediante un intervalo
de confianza del 95%.
e) Para cumplir el contrato con la maquinaria antigua, se planifica realizar
una inspeccin final 100% para segregar las unidades defectuosas.
Alguien propone reemplazarla por un muestreo. Qu opina usted?
146

5) Su empresa ha acordado con un cliente las condiciones de recepcin de
los envos de lotes de 5000 piezas. El plan de muestreo por atributos
acordado es el siguiente:
n =50.
Ac = 0.
Por datos histricos Ud. sabe que la fabricacin de su empresa es muy
estable y tiene un 0,25% de unidades defectuosas.

a) Cul es la probabilidad de que se acepte un lote?
b) Si est prevista la entrega de 400 lotes qu cantidad R de lotes espera
que le rechacen?Se supone que no se toma ninguna accin correctora
sobre el proceso despus de cada retraso.
c) Cul es la probabilidad de que le rechacen exactamente R lotes, ni
uno ms, ni uno menos?
d) Si los lotes rechazados se re inspeccionan al 100% y se reponen las
unidades defectuosas Cul es la calidad de salida media?

6) Suponga que un proveedor enva componentes en lotes de tamao
5000. Se utiliza un plan de muestreo simple con n=50 y c=2 para
inspeccin a la recepcin. Se tamizan los lotes rechazados y se vuelven
a trabajar todos los artculos defectuosos para despus regresarlos al
lote.

a) Trace la curva OC para este plan

b) La administracin se opuso al empleo del procedimiento anterior de
muestreo y quiere usar un plan con numero de aceptacin c=0,
argumentando que esto es ms acorde con su programa de cero
defectos Qu opina de esto?
c) Disee un plan de muestreo simple con c=0 que corresponde a una
probabilidad de 0,90 de rechazar lotes con el nivel de calidad encontrado
en el inciso b). observe que los dos planes se equiparan ahora en el
punto LTPD. Trace la curva OC para este plan y comprelo con aquel
para el cual n=50 y c=2.

7) Cada semana Melissa Bryant Ltd. Recibe un lote de 1000 relojes Swiss
para su cadena de tiendas de la Costa Este. Bryant y el fabricante han
acordado el siguiente plan de muestreo: = S%, [ = 1u%, AI = 1%,
IIP = S%. Construya una Curva OC para el plan de muestreo con
n = 1uu yc = 2. Satisface este plan los requisitos del fabricante y del
consumidor?
147
Si se decide implementar un plan con rectificacin, cual es la mnima
probabilidad de aceptacin que tendr este plan sobre el lote. Cules el
riesgo que corre Melissa Bryant Ttd?

8) En la inspeccin de un producto elctrico cuyos lotes son de N = 6uu
unidades y p = S%, previo a su aceptacin es posible aplicar uno de los
siguientes planes:

Plan simple de parmetros: n = 2uu c = 2

Plan doble de parmetros: n
1
= 1Su c
1
= 1 n
2
= 1Su c
2
= 4

a) Si la eleccin del plan a utilizar se basa nicamente en el tamao de la
muestra, indique cual ser la eleccin a tomar. Justifique.

b) Cul es la probabilidad de aceptacin del plan elegido.

c) Si se quiere optar entre el plan doble de la parte a) pero ahora con
rectificacin y el plan simple: n = 1uu, c = 2 , con rectificacin para
inspeccionar los lotes antes mencionados, qu plan ser ms
conveniente utilizar?Justifique.

9) Una empresa de montaje compra componentes a tres proveedores A, B,
C que aseguran que su calidad de fabricacin es del 1% defectuoso. Sin
embargo, cada uno de los proveedores realiza un plan de muestreo
diferente antes de enviar el pedido a la empresa de montaje:
Proveedor A: n=30 y c=1 ProveedorB: n=60 y c=2
Proveedor C: n=90 y c= 3

a) Cul de los proveedores es ms exigente con su muestreo?
b) Si los tres proveedores envan sus productos en lotes de 2800
elementos Cul de ellos tiene un menor costo de inspeccin?
c) La empresa planea una calidad lmite de 10% defectuoso cul
de los tres planes conlleva una proteccin mayor frente a lotes tan
defectuosos?

148
HERRAMIENTAS
INFORMTICAS PARA EL
CONTROL DE CALIDAD

En el mercado hay un sin nmero de software estadsticos que cuentan con
herramientas y opciones para ayudar a evaluar la calidad de los procesos,
software como Satgraphics, Minitab, Supercep etc; que ofrecen una amplia
gama de mtodos que ayudan a evaluar la calidad de manera objetiva y
cuantitativa: grficas de control, herramientas de planificacin de la calidad y
anlisis de sistemas de medicin (estudios de medicin), capacidad de
procesos y anlisis de confiabilidad/supervivencia.

Entre tanto es importante aclarar que no hay ventajas significativas entre estos
software, por lo que en este captulo y para efectos prcticos solo utilizaremos
Minitab.
6
Capitulo
HERRAMIENTAS INFORMATICAS
149
6 HERRAMIENTAS INFORMTICAS PARA EL CONTROL DE CALIDAD

6.1 CAPACIDAD DEL PROCESO
En Minitab, usted puede evaluar grficamente la capacidad de procesos al
generar histogramas y grficas de capacidad. Estas grficas ayudan a evaluar
la distribucin de los datos y a verificar que el proceso est bajo control. Sin
embargo Los ndices de capacidad son una forma ms simple de evaluar la
capacidad de los procesos. Minitab ofrece anlisis de capacidad para muchos
tipos de distribuciones, incluidas la normal, exponencial, Weibull, gamma,
Poisson y binomial.

Ejemplo
A continuacin se muestran los datos de cierto proceso productivo del que se
desea conocer la capacidad, se sabe que la media es 264,6 y su desviacin
estndar 32,02, el LSE: 350 y el LIE:220
Los datos se muestran a continuacin y fueron tomados consecutivamente
349,310166 283,121728 271,570921 259,294887 242,57373
334,135004 280,309148 267,051921 252,716382 242,297691
318,453416 277,807806 266,157908 251,181872 240,902895
313,971604 275,555244 265,557412 249,583709 234,9163
306,503002 275,135635 265,531748 248,659022 225,195575
303,195881 274,318162 265,225026 248,512587 221,955739
300,727785 273,853313 262,289964 246,600136 221,636142
296,238577 273,046443 261,123392 246,022968 219,922422
286,104083 272,685957 261,049152 245,363693 216,841732
285,604855 271,745358 260,379235 243,738912 216,055131

Solucin
Si queremos comprobar que los datos se distribuyen normalmente podemos
seguir la siguiente ruta despus de introducidos los datos.
Estadsticas>Estadsticas Bsicas>Prueba de normalidad, como se
muestra en la imagen de abajo.

150

Luego de aceptar se generar una imagen como la que sigue:
360 340 320 300 280 260 240 220 200
99
95
90
80
70
60
50
40
30
20
10
5
1
C1
P
o
r
c
e
n
t
a
j
e
Media 265,4
Desv.Est. 29,30
N 50
AD 0,495
Valor P 0,206
Grfica de probabilidad de C1
Normal

En la que si sus datos son perfectamente normales, entonces los puntos en la
grfica conformarn una lnea recta. La lnea de referencia es un estimado de
la funcin de distribucin acumulada para la poblacin a partir de la cual se
extrajeron los datos.

Nota: Un software que es muy potente tambin para calcular el tipo de
distribucin que siguen los datos obtenidos, es el simulador ARENA con su
herramienta input analyzer.

Luego aparecer esta tabla le
indicaremos donde estn los datos,
escogemos el tipo de prueba de
normalidad y le damos aceptar
151
Posterior a esto y centrndonos en la capacidad del proceso procedemos con
la siguiente ruta Estadsticas < Herramientas de calidad < Anlisis de
capacidad < Normal.

Aparecer la siguiente ventana donde se debe hacer en su orden, esto:

Al igual que con otros comandos de Minitab, usted puede modificar el anlisis
de capacidad al especificar informacin en el cuadro de dilogo principal o al
hacer clic en uno de los botones del cuadro de dilogo, para esto deber dar
clic al recuadro opciones que est en la parte superior derecha de la imagen
anterior.

Finalmente aparecer una grafica con los respectivos resultados de la
capacidad del proceso.
1. CLIC
2. CLIC
3. CLIC
4. Se define el
tamao del
subgrupo
5. Se definen
los valores de
los lmites
6. CLIC
152
340 320 300 280 260 240 220 200
LIE LSE
LIE 220
Objetiv o *
LSE 350
Medida de la muestra 265,435
Nmero de muestra 50
Desv .Est. (Dentro) 28,3796
Desv .Est. (General) 29,304
Procesar datos
Cp 0,76
CPL 0,53
CPU 0,99
Cpk 0,53
Pp 0,74
PPL 0,52
PPU 0,96
Ppk 0,52
Cpm *
Capacidad general
Capacidad (dentro) del potencial
PPM < LIE 60000,00
PPM > LSE 0,00
PPM Total 60000,00
Desempeo observ ado
PPM < LIE 54693,01
PPM > LSE 1442,23
PPM Total 56135,23
Exp. Dentro del rendimiento
PPM < LIE 60515,65
PPM > LSE 1952,11
PPM Total 62467,76
Exp. Rendimiento general
Dentro de
General
Capacidad de proceso de C1

Aqu se puede ver claramente que el proceso no es capaz porque todas las
estadsticas de potencial son menores que 1, adems se observa claramente
que se estn generando productos no conformes en mayor proporcin por el
lmite inferior.

153
6.2 CARTAS DE CONTROL

El siguiente ejercicio explica de forma clara el procedimiento para realizar una
carta de control para variables con Minitab.

Ejercicio 1

En un cierto proceso de fabricacin, una de las operaciones consiste en
efectuar un corte en una pieza de plstico. Dicho corte debe tener una
profundidad especificada en los planos. Dado que en el procesado posterior de
dichas piezas se tenan problemas debido a piezas con cortes no adecuados,
un ingeniero decide recoger informacin del proceso.

Para ello tom datos de 20 conjuntos de piezas cada uno en intervalos de
tiempo de 2 das y midi la profundidad del corte obtenido. Los datos obtenidos
se muestran a continuacin:
X1 X2 X3 X4
1 8,3 8 8,4 8,4
2 8,1 8 7,9 8
3 8,1 8,2 8,2 8,2
4 8 8,2 8 8
5 7,9 8 8 8
6 9 8,4 8,5 8,5
7 8,3 8,4 8,4 8,4
8 8,1 8,2 8,2 8,1
9 8 7,9 8 8
10 8 8,1 8,1 8,1
11 7,8 7,5 7,5 7,5
12 8,1 8,2 8,2 8,2
13 7,6 7,7 7,9 7,7
14 7,5 7,6 7,7 7,7
15 7,5 7,5 7,5 7,5
16 7,5 7,8 7,8 7,8
17 7,8 7,5 7,5 7,5
18 8,2 8 8,2 8
19 8,2 8,2 8,2 8,2
20 8,2 8,3 8 8,1

154
Para realizarlos por MINITAB es necesario hacer el siguiente procedimiento:
1) Los datos se ingresan de la siguiente manera

2) Debido a que la caracterstica de calidad que se est midiendo es una
variable contina, utilizaremos la grafica X
; R, por lo que tendremos que

hacer lo siguiente. Estadstica<Graficas de control<Graficas de
variables para subgrupos<Xbarra-R.

155
3) Despus de esto aparecer una ventana, en donde escogeremos del
submen la opcin las observaciones para un subgrupo estn en
una fila de columnas:

4) Luego aparecer la siguiente ventana, en donde ingresaremos los datos
en la segunda casilla haciendo doble clic a cada uno de nuestros
subgrupos, tengan en cuenta que las observaciones para un subgrupo
se encuentran en distintas columnas es por eso que seleccionaremos la
segunda opcin que se muestra en la caja de seleccin.

156
5) Finalmente y despus de hacer lo anterior, se genera una grafica como
se muestra a continuacin.
19 17 15 13 11 9 7 5 3 1
8,50
8,25
8,00
7,75
7,50
Muestra
M
e
d
i
a

d
e

l
a

m
u
e
s
t
r
a
_
_
X=8
UCL=8,174
LCL=7,826
19 17 15 13 11 9 7 5 3 1
0,60
0,45
0,30
0,15
0,00
Muestra
R
a
n
g
o

d
e

l
a

m
u
e
s
t
r
a
_
R=0,2387
UCL=0,5447
LCL=0
1
1
1
1
1
1
1
1
1
1
1
1
1
Grfica Xbarra-R de X1; ...; X4

Anlisis
El primer grafico correspondiente al grafico X-barra, nos indica que el proceso
no se encuentra bajo control estadstico, porque hay 12 puntos por fuera de los
lmites de control.
Por su parta el grafico R nos muestra que el proceso es variable, y hay muchas
observaciones cerca del lmite de control inferior, lo que indica que la mayora
de los cortes estn por debajo del promedio de cortes adecuados. De la misma
manera podemos ver claramente un punto por encima del lmite superior que
se debe investigar.
Nota: Si es necesario eliminar y cambiar los datos insertados en Minitab, se lo
puede hacer sin ningn problema, solo que se debe actualizar la grafica; para
esto se da clic derecho sobre la grafica anterior y se elige la opcin actualizar
grafica automticamente. Para que el cambio surja efecto.

157
6) Si se quiere realizar una prueba del comportamiento de los datos en
Minitab, se debe seguir la siguiente ruta:
herramienta<opciones<graficas de control y herramientas de
calidad<pruebas. Como lo muestra la imagen:

Si lo desea se pueden modificar los valores de estas casillas, por ejemplo de
acuerdo con las pautas de AIAG, para todas las grficas de control, usted
puede usar un valor de 7 para las pruebas 2 y 3.
Cartas de control por atributos
Se introducen los datos y realiza el procedimiento de la imagen, escogiendo el
tipo de grafico por atributo que corresponda en cada caso. La ruta es
Estadsticas<Graficas de control<Graficas de atributos

158
Para la grafica P

Aparecera esta ventana donde se tendra que hacer:

En una columna se consignan los tamaos
de los subgrupos y junto a estos el nmero
de productos no conformes encontrados.

5. Clic en aceptar
3. Se hace clic en
el espacio junto
a Tamao de los
subgrupos
2. Clic sobre la
columna que
contiene el
nmero de no
conformidades
1. Se hace clic en
el espacio debajo
de Variables
4. Clic sobre la columna
que contiene el tamao de
los subgrupos
159
Para la grafica Np

Luego continuamos asi :

En una columna se consignan el
numero de no conformidades (NP)
encontrado en cada subgrupo
4. clic en Aceptar
3. Se hace clic
en el espacio
junto a
Tamao de
los subgrupos
y se consigna
el tamao de
estos
(constante)
2. Clic sobre la
columna que
contienen el
nmero de no
conformidades
1. Se hace clic en
el espacio debajo
de Variables
160
Para la grafica C

Ahora seguimos con los pasos mostrados en la imagen.

En una columna se consignan
el nmero de defectos para
cada muestra (C)
3. Clic en ACEPTAR
2. Clic sobre la
columna que
contienen el
nmero de no
conformidades
1. Se hace clic
en el espacio
debajo de
Variables
161
Para la grafica U

Luego continuamos como sigue:

En una columna se consignan los
tamaos de las muestras (n) y junto
a esta la cantidad de defectos
encontradas (C).
3. Se hace clic en
el espacio junto a
Tamao de los
subgrupos
2. Clic sobre
la columna
que contienen
el nmero de
defectos
1. Se hace clic en
el espacio debajo
de Variables
4. Clic sobre la
columna que
contienen el tamao
de los subgrupos
5. Clic en ACEPTAR
162
PARA EL MUESTREO DE ACEPTACIN POR ATRIBUTOS
Ejemplo
Supongamos que un proveedor le suministra bolgrafos con el logotipo de su
compaa, los cuales usted obsequia en eventos comerciales. Usted recibe los
bolgrafos en lotes de 5000 y el hecho de que muchos de estos bolgrafos no
funcionan adecuadamente le ha causado frustracin. Usted decide implementar
un plan de muestreo que le permita tomar la decisin de aceptar el lote entero
o rechazar el lote entero. Usted tiene previsto enviar un mensaje a su
proveedor en el que le informa que no aceptar bolgrafos de baja calidad.
Usted y su proveedor convienen en que el AQL es 1.5% y el LTPD es 10%.
Solucin:
Primero hacemos lo siguiente:
1 Elija Estadsticas > Herramientas de calidad > Muestreo de aceptacin
por atributos.

Luego aparecer una ventana donde se debern ingresar los datos
correspondientes para hacer las respectivas graficas y se debe hacer lo
siguiente:
1) Elija Crear un plan de muestreo.
2) En Tipo de medicin, elija Pasa / no pasa (defectuosos).
3) En Unidades para niveles de calidad, elija Porcentaje de
defectuosos.
163
4) En Nivel de calidad aceptable (AQL), ingrese 1.5. En Nivel de calidad
rechazable (RQL o LTPD), ingrese 10.
5) En Riesgo del productor (alfa), ingrese 0.05. En Riesgo del
consumidor (beta), ingrese 0.10.
6) En Tamao del lote, ingrese 5000.

7) Haga clic en Aceptar y aparecer lo siguiente:
20 15 10 5 0
1,0
0,8
0,6
0,4
0,2
0,0
Porcentaje de defectuosos en el lote
P
r
o
b
a
b
i
l
i
d
a
d

d
e

a
c
e
p
t
a
c
i
n

20 15 10 5 0
2,4
1,8
1,2
0,6
0,0
Pct. elementos defect. en lote entrante
A
O
Q

(
p
c
t
.

e
l
e
m
e
n
t
o
s

d
e
f
e
c
t
u
o
s
o
s
)
20 15 10 5 0
5000
3000
1000
Porcentaje de defectuosos en el lote
I
n
s
p
e
c
c
i
n

t
o
t
a
l

p
r
o
m
e
d
i
o
Curva Caracterstica de operacin (OC)
Curva de calidad saliente promedio (AOQ)
Curva de inspeccin total promedio (ATI)
Tamao de la muestra = 52, Nmero de aceptacin = 2

164
Anlisis
Para cada lote de 5000 bolgrafos, usted necesita seleccionar e inspeccionar
aleatoriamente 52 de ellos. Si encuentra ms de 2 defectuosos entre estos 52
bolgrafos, debe rechazar todo el lote. En caso de encontrar 2 o menos
bolgrafos defectuosos, se acepta todo el lote.
En este caso, la probabilidad de aceptacin en el AQL (1.5%) es de 0.957 y la
probabilidad de rechazo es de 0.043. Cuando se configur el plan de muestreo,
el consumidor y el proveedor convinieron en que los lotes con 1.5% de
defectuosos seran aceptados aproximadamente el 95% de las veces, a fin de
proteger al productor. La probabilidad de aceptacin en el LTPD (10%) es de
0.097 y la probabilidad de rechazo es de 0.903. El consumidor y el proveedor
convinieron en que los lotes con 10% de defectuosos seran rechazados la
mayor parte de las veces, a fin de proteger al consumidor.
Los procesos de muestreo de aceptacin por lo general requieren acciones
correctivas cuando se rechazan lotes. Cuando la accin correctiva consiste en
realizar una inspeccin al 100%, adems de reparar las unidades defectuosas,
la Calidad saliente promedio (AOQ) representa la calidad promedio del lote y la
Inspeccin total promedio (ATI) representa el nmero promedio de unidades
inspeccionadas despus de realizar una exploracin adicional.
El nivel AOQ es de 1.4% en el AQL y de 1.0% en el LTPD. Esto se debe a que
cuando los lotes son muy satisfactorios, o muy deficientes, la calidad saliente
ser satisfactoria debido al trabajo de reparacin y reinspeccin de los lotes
deficientes. El Lmite de calidad saliente promedio (AOQL) = 2.603 en 4.3 por
ciento de defectuosos, representa el nivel de calidad saliente en el peor de los
casos.
La ATI por lote representa el nmero promedio de bolgrafos inspeccionados en
un nivel de calidad particular. Para el nivel de calidad de 1.5% de defectuosos,
el nmero total promedio de bolgrafos inspeccionados por lote es de 266.2.
Para el nivel de calidad de 10% de defectuosos, el nmero total promedio de
bolgrafos inspeccionados por lote es de 4521.9.

165
Diagrama de Pareto
Para realizar un diagrama de pareto con Minitab.

Luego en la opcin estadstica, se escoge herramientas de calidad y enseguida
diagrama de pareto como se muestra en la imagen de abajo.

En una columna se consignan
las etiquetas de los efectos y
junto a dicha etiquetala
frecuencia de ocurrenciadel
efecto.
166

Finalmente obtenemos nuestro diagrama de Pareto

5. Se hace clic
en el nombre de
la columna que
contiene las
frecuencias, en
este caso C2
1.Se escoge la opcin Tabla de defectos de
grfica
2. Se hace clic en el espacio junto a Etiquetas en
3. Se hace clic
en el nombre de
la columna que
contiene las
etiquetas, en
este caso C1
4. Se hace clic en el espacio junto a Frecuencias en
Clic en no combinar
Clic en ACEPTAR
APENDICE
167
RESPUESTAS A LOS EJERCICIOS
PROPUESTOS

CAPTUO 3: CAPACIDAD DEL PROCESO
1) a) Cp=1.33
b) Cpk=0.5
c) se reduce 6.67%

2) a) (26,S6 X 4S,4S)

3) a) (67,87 X 82,1S)
b) $ 250,16

4) a) C
p
= u,2u
b) %PNC= 53,687%
c) %PNC= 53, 526%
d) $13,764

5) P=0,02275

6) a) %PNC = 5,749%
c) (1u1,2226 X 1u6,72S8)
d) Proceso incapaz y descentrado
e) Asumiendo 1.000 unidades, el
PE
0
= 98S,9u uniJoJcs

7)
a)C
p
= u,9S
b)C
pk
= u,9u
8) a) C
p
= S,1746
b) C
pk
= 1,S87S

CAPTULO 4: CARTAS DE CONTROL
1. a) o = 2,22 , K
2
= S,1S , C
p
= 1,21 ,
C
pk
= C
pI
= u,46S4 , %PNC = u.u82S,
1 -[ = 1 , IEPNC = 8S orticulos
b) X
= 97 , P(A) = u,8 ,
Si los IC sc trobo]on con
o
2
,
cntonccs
o
2
= u,4
Disear los limites de control de la carta
x
2. a) R
= 1,S78, o
x
= u,7664 ,
C
p
= u,87 , C
pI
= 1,SuS4 , C
pk
= C
pu
=
u,429
b) %PNC
LSL
= 9,68%
c) Trabajando los limites de control con
Zu
2
, al final nos queda que o = u,uu9u6

d) Con
o
2
, P(A) = o = u,uu9u6 ,
Puntos por ucro = S62
e) Z
0,88
= 1,17S , X
= SS,1 ,
o = u,1 mm
f) Z
0,99
= 2,S2S , K
2
= u,1S ,
1 -(1 -[
3
) = [
3
= u,9269
g) K
2
= 1,2S7 , o = u,947S ,
X
= SS,947S , %PNC = u,4776

h) n = Su6
i) IH = 1
mucstu
3
minutos
J) Centrando el proceso se obtiene que el
mnimo porcentaje de PNC que el
proceso puede alcanzar es del 9%, por lo
tanto no se puede reducir este porcentaje
a un 1%., a menos que se reduzca la
variabilidad del proceso y se realicen
inversiones significativas.

3. a) o = Smm, IN = 1u8,1Smm, ISE =
126,9mm, IIE = 89,4mm, C
p
= 1,2S
APENDICE
168
C
pk
= C
pI
= u,72SS , o = 7.9 ,
k
2
= 1,S8, ICI = 97,S2S, Zu
2
=
_1,6SS,
Confiabilidad: 1 -o = u,8969
b) o = S.2S , K
2
= u,2S , 1 -[
3
=
u,921S , Z
LIL
= -1,S2 , PNC =
17 loJrillos,
IEPNC = 24 loJrillos
c) X
= 97, 1 -[ = u,66S8, K
2
= u,6S,
n = 1u, ICS = 99,97, ICI = 94,uS
d) %PNC
LIL
= u,uS, Z
LIL
= -1,64S,
o = 6,14, C
p
= 1,u2
e) Utilidad Neta = 6.182.820 UM
4. a) K
2
= 2 , |Z
u
| = 2,8271 ,
o = u,uu2SS
b) Cuando o = So: K
2
= S, 1 -[ =
u,9999S
Cuando o = o: K
2
= 1, 1 -[ = u,2776
c) 1 -(1 -[
4
) = [
4
= 6,2Sx1u
-18

d) Con o = o, [ = u,7224, K = S
e) o = u,667.
Para la media inicial del proceso:
X
= IN +o = S2,667
%PNC = u,u227S, PNC = 2S
Cuando se presenta el corrimiento: si el
corrimiento se da hacia la derecha:
X
= X
+o = S2,667 +u,667
= SS,SS, %PNC
= u,1S87, PNC
= 1S,87%
f) Con o = u,uu2SS. Asumiendo que los
limites de control se trabajaron con alfa
medio: IP = 4Su
5. a) R
= 1,S77 , o = u,766 ,
%PNC = 9,S9%
b) C
p
= u,87uS , C
pk
= C
pu
= u,4SS1
c) Trabajando los limites de control con
o
2
- Zu
2
= 2,61 - o = u,uu9
d) Con
o
2
- P(A) = u,uu9 -
Puntos por ucro = 9u
e) X
= SS,u19S, o = u,u19
f) K
2
= u,u2S , 1 -[ = u,u2S8S ,
[
3
= u,9Su14
g) K
2
= 1,18, o = u,9u4, X
= SS,9u4,
%PNC
LSL
= u,4S224
h) 1 -[ = u,167S , o = u,u2 ,
K
2
= u,u2S , n = 14497 . No puede
existir tal carta con esta propiedad.
i) VM = Aproximadamente
1muestra/hora
6) a) [ = u,7S6S
b) Con
o
2
- P(A) = u,u2 -
Poro 1uu mucsros: Puntos por ucro = 2
d) LDP=50
e) Realice un estudio detallado del
proceso, donde se muestre el porcentaje
mnimo de productos no conformes que
puede arrojar el proceso centrado; este
porcentaje es superior al 3%, as que
dicho intervalo no existe.
g) X
= 11S,141 -[ = u,u8S
i) Costo Alquiler =
$19.200.000/mensual.
APENDICE
169
CAPITULO 5: MUESTREO DE
ACEPTACION
1.
a) C = 4;
n = SS
b)C
P
= u,488S
C
Pk
= u,4S
3.
Letra cdigo: J
n=80
c=1
b)P
u
(S lotcs) = u,794S
4.
a) n=80
c=0
b) P
u
(S lotcs) = (1 -P
d
)
400

c) P
u
= u,9791
d) 0,04
5.
a) P
u
= u,8824
b) R=48
C) P
R
= u,u618
d) AOQ=0, 00193
6.
a) Trace la curva con las
herramientas informticas (la
grafica se encuentra ms
adelante)
b)
si p = u,uu2 - P
u
= P(X u)
= u,9u48
si p = u,u1 - P
u
= P(X u)
= u,6u6S
si p = u,u2 - P
u
= P(X u)
= u,S679
Conclusin: Es un plan bastante
exigente para el proveedor, ya
que P
u
> u,9u si tiene menos del
0,2% de defectuosos
c)
Curva CO para a y c

9)
a)
si p = u,u1
Po(A) = u,96S1
Po(B) = u,9769
Po(C) = u,986S
Entonces el plan del proveedor
A es ms exigente
b)
AII(A) = 1S2,21S
AII(B) = 12S,21S
- Hcnor costo Jc inspcccion
AII(C) = 1S2,6u1
c)
si p = u,1u
Po(A) = u,1991
Po(B) = u,u62u
Po(C) = u,u212
- protcgc mc]or o lo cmprcso

APENDICE
170
RESUMEN DE FORMULAS
Capacidad del proceso
Limites de tolerancia natural
ISE = x +SoISE = IN +
1
2
I
IIE = x -SoIIE = IN -
1
2
I
Capacidad potencial del proceso
C
P
=
ISE -IIE
6o
o C
P
=
1
% consumo

Desviacin
o =
R
J
2

Capacidad Real
C
PK
= Hin(C
P0
; C
PL
)
C
P0
=
ISE -x
So

C
PL
=
x -IIE
So

Estandarizacin
Z
LSL
=
ISE -x
o

Z
LIL
=
IIE -x
o

Probabilidad
P(Z > Z
LSL
) = 1 -Z
u

P(Z < Z
LIL
) = Z
u

Cartas de control
Limites De Control (Carta X)
LCS = x +|Z
u2
|
o
n

IC = x
LCI = x -|Z
u2
|
o
n

Limites de control x-Bar (3)
ICS = x +A
2
R

IC = x
ICI = x +A
2
R

A
2
= _
S
J
2
n
_
Limites de control (Carta R)
ICS =
4
R

IC = R

ICI =
3
R

3
y
4
son constontcs quc JcpcnJcn
Jc lo mucstro
Limites de control cartas X-Bar-
o =
o
C
2

ICS = x +A
1
o
IC = x
ICI = x -A
1
o
A
1
= _
S
C
2
n
_
Limites de control Carta o
ICS = B
4
o
IC = o
ICI = B
3
o
B
3
y B
4
, son constontcs quc JcpcnJcn
De la muestra
Nota: un proceso est bajo control
estadstico cuando las dos cartas estn
bajo control.
APENDICE
171

Frrur t|pu I o u: uecii que la meuia se coiiio
Cuando no se corri.
Frrur t|pu II o : Jccir quc lo mcJio no bo
Cambiado, cuando si cambio.
1 -[ = Potcncio o scnsibiliJoJ
1 -o = ConiobiliJoJ
Monitoreo de un proceso
Corrimiento
o = |x
"
-x
|
Potencia para detectar un cambio en la
media
Corrimiento hacia el lmite superior
1 -[ = P(Z
1-[
> |Z
u
| -K
2
n)
Corrimiento hacia el lmite inferior
1 -[ = P(Z
1-[
< Z
u
+K
2
n)
K
2
=
o
o

1 - = probobiliJoJ Jc Jctcctor
Cambio dado que ocurra
= probobiliJoJ Jc no Jctcctorlo
1 -
k
= probobiliJoJ Jc Jctcctor cl
Cambio en las primeras k muestras
1 -
Tuta|
= 1 -[
k

Probabilidades
P(x = k) = [
k-1
(1 -[)
P(x k) = 1 -p(x < k)
= 1 -(1 -[
k-1
) = [
k-1

P(x k) = 1 -[
k

P(x < k) = 1 -[
k-1

P(x > k) = 1 -p(x k)
= 1 -(1 -[
k
) = [
k

Calculo de n
n = _
|Z
u
| +|Z
1-[
|
K
2
_
2

Valor esperado de productos no conformes
generados hasta llegar a una muestra k.

IEPNC = PNC(1 -[) +2PNC[(1 -[)
+SPNC[
2
(1 -[) .+kPNC[
k-1
(1 -[)
IH: contiJoJ Jc mucstros tomoJos coJo
Determinado tiempo.

IH
=
IEPNC
%PNC|(1 -[) +2[(1 -[)+. . +K[
K-1
(1 -[)]

PNC=%PNC*Tm
Longitud promedio de corrida (LDP):
Numero de muestras que se necesitan
analizar antes de encontrar puntos por
fuera.
Trabajando con alfa

IP =
1
P(A)
; onJc P(A) = 2o
Trabajando con alfa medio
IP =
1
P(A)
; onJc P(A) = o
P(A): ProbobiliJoJ Jc cncontror puntos por
Fuera de los lmites de control.

Cartas de Control por Atributos

Carta P y NP. Distribucin Binomial.
Cartas P: cuando la muestra es variable o
constante
Cartas Np: la muestra siempre es constante
P=proporcin no conforme
n= tamao de la muestra

p =
numcro Jc Jccctos
tomoo Jcl subgrupo
=
np
n

p =
np
n

Limites de control cartas p
ICS = p +S
p(1 -p)
n

IC = p
APENDICE
172
ICI = p -S
p (1 -p)
n
= ncgoti:o = u

Limites de control carta Np

ICS = pn +Spn(1 -p)

IC = pn

ICI = pn -Spn(1 -p)

Potencia para la carta p

1 -[ =
l
l
l
l
z >
p +S
p(1-p)
n
-p
(1-p)
n 1
1
1
1

Calculo de n, para la carta p.

n = _
Z
u
p(1 -p) +Z
1-[
p
(1 -p
)
p
-p
_
2

Calculo de LDP
Para la carta x

P(A) = 1 -P(ICI x ICS)
P(A) = 1 -P_
ICI -x
o
n
Z
ICS -x
o
n
_
IP =
1
p(A)

Para la carta p
P(A) = 1 -P(n. ICI n. ICS)
Condicin
p = n. p - S y n - S
Cartas C
z
= C
=
Iotol Jc Jccctos
Numcro totol Jc subgrupos
=
C
k
=1
k

ICS = C
+S

IC = C

ICI = C
-S

Cartas U
C
= N Jc Jccctos cn lo mucstro i
n
= uniJoJcs inspcccionoJos cn lo mucstro i

u
=
C
JonJc i = 1,2.k
Por lo que los limites de control se
obtendrn con las ecuaciones
ICS = u
+S

IC = u

ICI = u
-S

Para Recordar!
Distribucin Binomial
(x) = [
n
x
p
x
(1 -p)
n-x
, x = u,1,2. . n
p = E(x) = np
o
2
= I(X) = np(1 -p)
p = probobiliJoJ Jc xito
x = nmcro Jc xitos JcscoJos
n = numcro Jc cnsoyos ccctuJoJos
Distribucin de Poisson
Expresa la probabilidad que ocurra un
determinado nmero de eventos durante
cierto periodo de tiempo.

(x) =
c
-x
- z
x
x!
; x = u,1,2.

p = E(x) = z o
2
= I(x) = z

x = numcro Jc ocurrcncios Jcl c:cnto.

[
k
= c
kIn[ = In C
k =
In C
In [

APENDICE
173
MUESTREO DE ACEPTACION
Usando Binomial (La ms usual y
generalmente para lotes grandes)
Pa: Probabilidad de aceptacin
P
a
= P(x c) = [
n
x
(p')
x
(1 -p
i
)
n-x
c
x=

Usando Hipergeomtrica.
P
a
= P(x c) =
(
k
x
)(
N-K
n-x
)
(
N
n
)
c
x=

u =
Rechazar
|ute huenu
= Frrur t|pu I
=
Aceptar
|ute ma|u
= Frrur t|pu II
1 -u = [
n
x
(p
1
)
x
(1 -p
1
)
n-x
c
x=

1 -u: Probabilidad de aceptacin para
lotes con fraccin defectuosa p.
dunde p
1
= AQL = NAC
NAC: Nivel de calidad aceptable, es el nivel
de calidad ms pobre del proceso del
proveedor.
= [
n
x
(p
2
)
x
(1 -p
2
)
n-x
c
x=

dunde p
2
= LTPD
LTPD: Nivel de calidad ms pobre que el
consumidor est dispuesto a aceptar.
2
1
=
l
l
l
l|Z
u
| +Z
p
2
p
1
p
2
p
1
-1
1
1
1
1
2

2
2
= 2
1
-
p
2
p
1

c
1
= 2
1
+|Z
u
|2
1

c
2
= 2
2
-|Z
|2
2

c =
c
1
+c
2
2

n
1
=
2
1
p
1
n
2
=
2
2
p
2

n =
n
1
+n
2
2

Numero esperado de unidades
defectuosas:
P
a
p'(N-n)
AOQ: Calidad de salida promedio, esta
calidad resulta de la inspeccin con
rectificacin.

AOQ =
P
a
p'(N-n)
N

AOQL : Limite de calidad de salida
promedio

Cuando el tamao del lote se hace grande
en comparacin con el tamao de la
muestra:
AOQ = P
a
p'
El nmero promedio de inspeccin total
por lote es ATI.

ATI = n +(1 -P
a
)(N-n)

174
BIBLIOGRAFA

CORRAL, Ramn; VERGARA, Karen; RAMREZ, Cesar; BERDUGO, Lizeth
y IGLESIA, lvaro. Mdulo Acadmico: Control Estadstico de la Calidad.
Santa Marta.2011.

MOTGOMERY, Douglas. Control Estadstico de la Calidad, Tercera edicin,
Mxico: Limusa Wiley Editores. 2005.

PRAT, Albert; TORT-MARTORELL, Xavier; GRIMA, Pere y POZUETA,
Lourdes. Control y Mejora de la Calidad. Ediciones UPC, 1998.

POLA, Angel. Aplicacin de la Estadstica al Control de Calidad. Espaa:
Marcombo.2009.

BERTRAND, Hansen y PRABHAKAR, Ghar. Control de Calidad: Teora y
Aplicaciones. Espaa: Ediciones Daz de Santos. 2008.

JURAN, Joseph Y GRODFREY, Blanton. Manual de Calidad, Quinta
Edicin, Volumen III, Mc Graw Hill. 2001.

BANKS, Jerry. Control de Calidad. Mxico: Editorial Limusa Wiley. 2002.

EVANS, J. y LINDSAY, W. Administracin y Control de la Calidad. Mxico:
Thomson.

KUME, H. Herramientas Estadsticas Bsicas para el Mejoramiento de La
Calidad. Bogot: Grupo Editorial Norma.

KENETT, R. y SHELEMYANHU, Z. Estadstica Industrial Moderna: Diseo y
Control de la Calidad y la Confiabilidad. Internacional Thomson Editores,
S.A. de C.V.

Modulo Condecal 1

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modulo Condecal 1

Încărcat de

Drepturi de autor:

Formate disponibile

CONTROL ESTADISTICO DE

): Es el valor resultante que se obtiene al dividir la

: |ux datux xe ajuxtan a una d|xtr|huc|un h|putet|ca

: |ux datux xe ajuxtan a una d|xtr|huc|un expunenc|a|

= p - n = u,2 - 2S = S para cada categora.

: |ux datux xe ajuxtan a una d|xtr|huc|un nurma|

, de tal manera que la fraccin de no

de tal manera que la fraccin no conformes sea a lo

= 1186 y el promedio de la carta rangoR

y R ( S) se encuentran entre las tcnicas estadsticas de

monitorea la variabilidad entre las muestras (la variabilidad del

trabajando con (3o)

y R y los limites de especificacin del proceso.

y S, donde S es la desviacin estndar. En general las cartas X

; Ses similar al de las

; R la diferencia consiste en que el tamao de la muestra puede variar

; R. Las formulas a utilizar son:

pues la carta se hace ms

= 1S,7 -(1,17S - u,89) - X

| = |14,6S - 1S,S| = 1,1S

= 11,1 -u,8 = 1u,S

se deben conocer los valores de las

del proceso actual.

del proceso actual.

nos muestra que hay un punto por encima del lmite de

se deben conocer los valores de las

= 146,698 pulg -lib

= 2S8,49S8 pulg -lib

se calcula de la siguiente forma

no es muy grande, laconvergencia a la normal no es muy

= uniJoJcs inspcccionoJos cn lo mucstro i

scro cl numcro Jc Jccctos por uniJoJ cn lo mucstro i,

scguiron uno Jistribucion Jc poisson Jc mcJio:

, construida en este estudio, es

que detecte con probabilidad del 90% el cambio en alguna de

, la cual tiene una

; R, por lo que tendremos que

, al final nos queda que o = u,uu9u6

= SS,947S , %PNC = u,4776

= uniJoJcs inspcccionoJos cn lo mucstro i

S-ar putea să vă placă și