ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD: MECÁNICA

ESCUELA: INGENIERÍA AUTOMOTRIZ

CARRERA: INGENIERÍA AUTOMOTRIZ

CONTROL DE CALIDAD

TEMA: CONTROL DE PROCESOS

DATOS GENERALES:

NOMBRE: CÓDIGO:

JOHN CHACHAPOYA 1239

FECHADE ENTREGA:

Martes 16 de enero del 2018

 0. Índice

1. Introducción.................................................................................................................3
.

2.Objetivos........................................................................................................................3
2.1 General………………………………………………………………….……3
2.2 Específicos……………………………………………....................................3
..
3. Control estadístico de procesos...................................................................................3
4. Gráfico de control de atributos.................................................................................10
.
5. Gráficos de control para características variables..................................................13
6. Procedimientos especiales del control de procesos..................................................15
7. Diagrama de control de suma acumulativa..............................................................15
8. Propiedades de los gráficos de control......................................................................17
9. Análisis de la capacidad de un proceso.....................................................................17
10. Fiabilidad del proceso de control.............................................................................20
10.1 Introducción a la fiabilidad............................................................................20
10.2 Fórmulas de fiabilidad...................................................................................20
11.Aceptación por Muestreo........................................................................................... 22
11.1 Cero inspecciones (aceptar o mandar el lote sin inspección). ............................. 22
11.2 Inspección al 100%. ............................................................................................. 22
12. Tipos de planes de muestreo ....................................................................................... 23
12.1 Planes por variables ............................................................................................. 23
12.2 En los planes por atributos ................................................................................... 23
12.3 Muestreo por atributos: simple, doble y múltiple ................................................ 23
12.4 Curva CO ideal .................................................................................................... 27
12.5 Propiedades de las curvas CO .............................................................................. 27
12.6 Índices de calidad para los planes de muestreo de aceptación ............................. 29
13. Military Standard 105E .............................................................................................. 31
14. Conclusiones ................................................................................................................ 32
15. Recomendaciones ........................................................................................................ 32

16.Bibliografía..................................................................................................................34

2
 1. Introducción

Proceso.- El término proceso utilizado en control de procesos o procesos industriales, se

refiere a cambiar o refinar materias primas para lograr un producto final. La materia prima,
que puede o no cambiar de estado físico durante el proceso, es transferida, medida,
mezclada, calentada, enfriada, filtrada, almacenada o manipulada de alguna manera para
producir el producto final.
Control de Procesos. - El controlar un proceso, se refiere a como se
controlan variables inherentes al mismo para:
 Reducir la variabilidad del producto final
 Incrementar la eficiencia
 Reducir impacto ambiental
 Mantener el proceso dentro de los límites de seguridad que corresponda

2. Objetivos

2.1 Objetivo General

 Analizar las gráficas de control de tal forma que se pueda observar el
comportamiento de los procesos e implementar los mecanismos de control
necesarios.

2.2 Objetivo especifico

 Definir el método utilizado para asegurar que los procesos de fabricación son los
adecuados para conseguir la calidad requerida a los productos y se llevan a cabo
bajo condiciones controladas.
 Determinar si un proceso puede ser sometido a análisis cumple o no cumple con
las especificaciones requeridas
3. Control estadístico de procesos

Para que un producto cumpla con los requerimientos del cliente generalmente
deberá fabricarse con un proceso que sea estable o repetible, es decir que el proceso tenga
poca variabilidad en las dimensiones objetivo o nominales de las características de la
calidad del producto.
El control estadístico de procesos (SPC) se utiliza para resolver problemas para
conseguir estabilidad y mejorar la capacidad del mismo proceso mediante la reducción
de la variabilidad.
El SPC puede aplicarse a cualquier proceso. Sus siete herramientas principales son:

x El histograma o el diagrama de tallo y hoja: también se llaman diagramas de

barras. Representan gráficamente la variabilidad existente entre los datos (Figura
2). Para construir un histograma ( Colomer, 1997):
- Se contarán el número de datos y se dividirán en 10 grupos
aproximadamente.
- Se señalará el valor máximo ( X S ) y el valor mínimo ( X I ) y se calculará
el rango de datos R =X S X I
X S XI
- Se calcula la amplitud de los intervalos h , donde k es el número
K

3
de intervalos que va en función del número de datos que tengamos. K se encuentra tabulada.

Figura 2: Ejemplo de histograma (www.cesma.usb.ve, 2008)

x Plantilla de recogida de datos: su objetivo es facilitar la recogida de datos y ofrecer

una presentación sencilla de los datos (Figura 3). La recogida de datos tiene que ser sistemática
y ordenada. El diseño de la plantilla es variable, tipos de plantilla ( Colomer, 1997):
- Para conocer la distribución de un proceso.
- Para localizar defectos en el producto.
- Para determinar las causas de los productos defectuosos.
- Para la verificación de productos.
- Para seguir la marcha de un proceso.

Señala la parte
defectuosa del
guante

Figura 3: Ejemplo de plantilla para localizar los defectos que tiene

un guante, (www.cesma.usb.ve, 2008)

4
 x La gráfica de Pareto: son representaciones gráficas en las que se observa cuales son
los factores que más influyen en una determinada respuesta en estudio. Los diagramas
Pareto se clasifican en dos tipos:
- Por categorías o conceptos: calidad, coste, plazo de entrega y seguridad.
- Por causas: mano de obra, maquinaria, método de trabajo. Para
la realización del diagrama:

- Se decide el problema que se investiga, los datos que se

necesitan y como se van a clasificar.
- Se determina el método de recogida de datos y el período durante el que
se van a recoger.
- Se diseña el formulario para tabular los datos recogidos donde se rellenan
los datos por importancia (de mayor a menor), (Tabla 1).
- Se dibujarán dos ejes verticales y uno horizontal, en el eje vertical
izquierdo se colocará una escala que irá des de 0 al número total de
observaciones realizadas (Figura 4). En el eje vertical derecho, la escala
ira del 0% al 100%, el eje horizontal se dividirá en tantas causas o factores
que hay en el formulario.
- Se construirá el diagrama de barras y el polígono de porcentajes
acumulados.

Tabla 1: Ejemplo de ordenación de las causas (www.cesma.usb.ve, 2008)

Número de paradas Tiempo de Parada

Turno1 Turno 2 Total Turno1 Turno 2 Total

Rotura de hilo 18 24 42 20 31 51
Cinta 15 10 25 12 10 22
Vibrador 92 88 180 62 68 130
Tornillos sin fin 1 6 7 2 8 10
Apelmazamiento 0 1 1 0 1 1
Rotura de saco 2 1 3 4 1 5
Otros 1 0 1 8 0 8

5
 1.0
250
0.9
225
0.8
200
0.7
175

Numero de Paradas
0.6
150

0.5
125

0.4
100

75 0.3

50 0.2

25 0.1

0 0.0
C A B D F E G

Causas

Figura 4: Ejemplo de gráfica de Pareto que muestra las observaciones

de la causa (www.cesma.usb.ve, 2008)

x El diagrama de causa y efecto: Presenta las relaciones existentes entre las

características de la calidad (efectos) y los factores (causas). Para construir un
diagrama causa-efecto:
- Se identifican las causas o factores que influyan en la calidad. Se reúnen
un grupo de personas conocedoras del problema las cuales van diciendo
las posibles causas que originan el problema (Figura 5).

Figura 5: Ejemplo de un diagrama causa-efecto (www.cesma.usb.ve, 2008)

6
 x El diagramas bivariantes: Su finalidad es el estudio de la relación entre dos
variables:
- Una característica de la calidad y un factor que pueda afectarla
- Dos características de calidad relacionadas.
- Dos factores ligados a una misma característica de calidad.
Los pasos a seguir en la construcción de un diagrama bivariante:
- Recoger las dos variables, X e Y que se deseen estudiar y tabularlos
(aconsejable tener 30 pares).
- Buscar valores máximos y mínimos de ambas variables. Decidir las
escalas en ele eje horizontal y vertical de modo que ambos ejes tengan una
longitud igual. Si una variable es una característica de calidad y la otra un
factor, se aconseja situar la primera en el eje vertical.

x Estratificación: la estratificación de los datos según su origen es muy importante

para obtener soluciones correctas. Sirve para evitar que se mezclen datos de dos
procedencias distintas.
x Gráficos de control: es la forma más habitual de controlar estadísticamente un
proceso. Sirven para controlar que el proceso o servicio funcione correctamente
dentro de sus posibilidades. Un gráfico de control no es más que una prueba de
hipótesis. Existen gráficos para medias, desviaciones y rangos, según los casos:
- Hipótesis nula
 H0Proceso bajo control
 H1= Proceso fuera de control

- Gráfico de medias
 H0: ȝ= ȝ0
 H1: ȝ• ȝ0
- Desviaciones
 H0: ı =ı0
 H1: ı >ı0

En cualquier proceso de producción independientemente de su diseño o de la atención

que se preste a su fase de mantenimiento, existirá una cantidad de variabilidad natural.
Esta variabilidad natural es el efecto acumulado de muchas causas pequeñas y en
esencia inevitable (Montgomery, 2004). En cambio las causas asignables o atribuibles, son
las que podemos investigar hasta dar con la razón específica que las produce y suelen
ocasionar desviaciones relativamente grandes en el resultado del proceso (Pérez,
1998)

7
En el control estadístico de procesos, es fundamental saber si se puede producir dentro
de los límites deseados, es decir, que el producto sea satisfactorio. Si el proceso no es capaz
de determinar la cantidad de producto defectuoso y buscar posibles soluciones para
mejorarlo.
Los pasos a seguir en el estudio de la capacidad de un proceso son:
x Paso1. Tomar una muestra de tamaño n cada k intervalos regulares de tiempo (es
aconsejable que kn>100), al menos kn>80).
x Paso 2. Calcular X y S (sesgada) para cada muestra.

x Paso 3. Calcular ¦ X y S ¦S
X K
K

x Paso 4. Estimar ȝ y ı, partiendo de X y S . Se estiman respectivamente como

sigue:

S
P X,V siendo C un valor tabulado.
C

s
La ecuación V , es válida siempre que todas las muestras tomadas sean del
c
tamaño y la distribución sea normal (Colomer, 1997).
Un gráfico de control es aquel cuyo comportamiento con respecto a variaciones es
estable en el tiempo.
La graficas de control se utilizan en la industria como técnica de diagnósticos para
supervisar procesos de producción e identificar inestabilidad y circunstancias
anormales.
Una gráfica de control es una comparación gráfica de los datos de desempeño del
proceso con los límites de control estadísticos calculados, dibujados como rectas
limitantes sobre la gráfica. Los datos de desempeño de proceso por lo general consisten.
en grupos de mediciones que vienen de la secuencia normal de producción y preservan el
orden de los datos. Las gráficas de control constituyen un mecanismo para detectar
situaciones donde las causas asignables pueden estar afectando de manera adversa la
calidad de un producto. Cuando una gráfica indica una situación fuera de control se puede
iniciar una investigación para identificar causas y tomar medidas correctivas. Nos permiten
determinar cuándo deben emprenderse acciones para ajustar un proceso que ha sido
afectado por una causa especial. Nos dicen cuando dejar un proceso trabaje por sí mismo,
y no malinterpretar las variaciones debidas a causas comunes. Las causas especiales se
deben contrarrestar con acciones correctivas. Las causas comunes son el centro de atención
de las actividades permanentes para mejorar el proceso. El objetivo de una gráfica de
control no es lograr un estado de control estadístico como un fin, sino reducir la variación.

8
 Un elemento básico de las gráficas de control es que las muestras del proceso de interés
se han seleccionado a lo largo de una secuencia de puntos en el tiempo. Dependiendo de
la etapa del proceso bajo investigación, se seleccionara la estadística más adecuada.
Además de los puntos trazados la grafica tiene un alinea central y dos limites de control.
Establece una gráfica de control requiere los siguientes pasos:
- Elegir la característica que debe graficarse.
- Elegir el tipo de gráfica de control
- Decidir la línea central que deben usarse y la base para calcular los
límites. La línea central puede ser el promedio de los datos históricos.
- Seleccionar el subgrupo racional. Cada punto en una gráfica de control
representa un subgrupo que consiste en varias unidades de producto.
- Proporcionar un sistema de recolección de datos si la gráfica de control ha
de servir como una herramienta cotidiana en la planta.
- Calcular los límites de control y proporcionar instrucciones específicas
sobre la interpretación de los resultados y las acciones que debe tomar
cada persona en producción.
- Graficar los datos e interpretar los resultados

Clasificación de las gráficas de control para atributos y para variables (Figura 6):

9
 Tipo de datos

Datos de atributo- Datos de variables-

conteo mediciones

Faltas de
cumplimiento Unidades faltas
de
cumplimiento

Medicio Subgrupo
Oportu- Oportu Subgrupo
nes racionales
nidad nidad racionales
Tamaño Tamaño individu de tamaño
fija variable de tamaño
fijo de variable ales fijo
variable
muestra de
muestra

Gráfica Gráficas Gráficas X

Gráfica c Gráfica u MR XyR yS
Gráfica np Gráfica p

Figura 6: Gráficas para el control de atributos y variables, (www.scribd.com,2008).

4. Gráfico de control de atributos

Los diagramas de control por atributos constituyen la herramienta esencial utilizada

para controlar características de calidad cualitativas, características no cuantificables
numéricamente. Son apropiados en casos en los que es necesario reducir el rechazo del
proceso (Verdoy et al., 2006).
El término atributos describe dos situaciones:
1. Cada pieza producida es defectuosa o no defectuosa (cumple las
especificaciones o no)

10
 2. Una sola pieza puede tener uno o más defectos y el número de estos es
determinado.

Tipos de gráficos de control para variables atributos:

x Gráficos de control de defectos: Cada unidad productiva tiene una probabilidad

p de ser defectuosa o de no cumplir especificaciones, y (1-p) de cumplir requisitos
exigidos. La variable aleatoria unidades defectuosas sigue una distribución
binomial. La probabilidad de encontrar una pieza defectuosa debería ser pequeña
por lo que la distribución binomial se puede aproximar mediante una
distribución de Poisson, si el tamaño de la muestra que se toma es grande (n•30)
se puede aceptar que la variable aleatoria piezas defectuosas sigue una
distribución normal de parámetros.
M np

V2 np(1 p)

Se pueden crear dos tipos de gráficos:

- Unidad de muestreo constante (muestras de tamaño n) se puede realizar un
gráfico basado en defectos por unidad de muestreo, gráfico d.
- Gráfico del número medio de defectos por unidad muestreada, d . Si n es
el tamaño de la unidad de muestreo y de es el número de defectos hallados

d
en dicha unidad, se define d
n

x Gráfico de control de defectos por unidad de muestreo (gráfica c): El número de

defectos, de, en una unidad de muestreo de tamaño mayor a 30, se puede aceptar
que sigue una distribución normal de parámetros:

P np, V 2 np(1 p) Siendo p la probabilidad de que una unidad sea

defectuosa.

En la realización del gráfico de control se toman se toman las pautas de los gráficos
Shewart el límite de atención (nivel de significación de 0’025) vendrá dado por el valor:

11
 (Límite de atención superior) LAS np 1'96 (np(1 p))

0.20
El límite de intervención, fijado con un nivel de significación del 0’001 viene dado
por:

(Límite de intervención superior) LIS np 3'09 (np(1 p))

Los límites inferiores del gráfico no tienen sentido, cuanto menor sea el valor de la
variable aleatoria (d) mejor será el producto o servicio que está controlando.

x Gráfico de control de porcentaje de defectos (gráfica p): Trabaja con porcentajes

de piezas defectuosas (Figura 7). Si n es grande la variable aleatoria sigue también
una distribución normal de parámetros:
P np ȝ= p,

V2 p(1 p)

La realización del gráfico control es igual que para el caso de características variables.
Cuando se trabaja con porcentajes el gráfico de control que se construye se denomina
gráfico de control de porcentajes. Se siguen las pautas de los gráficos Shewart
(niveles de significación del 0’025 y 0’001 para los límites de atención e
intervención respectivamente) los límites de los gráficos vendrán dados por:

LAS np 1'96 (np(1 p))

LIS np 3'09 (np(1 p))

Proporcion de piezas con defectos superficiales

0.15

LSC=0.1323
0.10
0.05

LC=0.0606
0.0

0LIC=0.0000 5 10 15 20 25 30

Di
a

Figura 7: Ejemplo de gráfico p, (webpages.ull.es,2008)

12
5. Gráficos de control para características variables

Una característica variable de calidad es aquella que se puede medir según una
escala de valores variable.
Se dice que un proceso está bajo control cuando es capaz de ofrecer una proporción
satisfactoria de elementos conformes con las especificaciones. Un proceso bajo control
implica que el modelo de variabilidad del proceso no cambio a lo largo del tiempo y que
además es capaz de cumplir con las especificaciones. Un gráfico de control sirve para
determinar si el modelo de probabilidad es estable o cambia con el tiempo. Cuando se
realiza un gráfico de control no se pretende garantizar la calidad del producto, si es
bueno o mala, la finalidad que persigue es hacer mínima la variabilidad, mínima
variabilidad implica máxima calidad (Colomer, 1997).
Un ejemplo de gráficos de control para características variables continuas del
producto o proceso podrían ser como: contenido en cm3 de un líquido, peso de un saco
pienso, viscosidad de una resina, intensidad de una tinta, temperatura de un horno
(Verdoy et al., 2006).
Tipos de gráficos:

x Gráficos X R : Las cartas de control X y R se usan ampliamente para

monitorear la media y la variabilidad (Figura 8). El control del promedio del
proceso, o nivel de calidad medio, suele hacerse con la gráfica de control para
medias X . La variabilidad del proceso puede monitorizar con una gráfica de
control para el rango, llamada gráfica R. Generalmente, se llevan gráficas X -
R separadas para cada característica de la calidad de interés (www.scribd.com,

2008)

Los límites en los gráficos se colocan en (Verdoy et al., 2006)

Donde los valores de A2, D3 Y D4 se pueden encontrar en la tabla de índices

3.1.8 de Verdoy et al., 2006.

13
 Figura 8: Ejemplo de diagrama X R ,(www.gigawiz.com, 2008)

x Gráfico X S : Este gráfico de control (Figura 9) va a representar la media X i

de cada submuestra midiendo la variabilidad a través de las desviaciones típicas

maestrales. Primero se calculará la media y desviación típica de cada muestra:

El gráfico de control para las medias maestrales tiene una línea central LC P y
nos límites de control iguales a P r 3 n . La media ȝ y la desviación típica ı son

desconocidas se estiman con los datos.

Figura 9: Ejemplo de diagrama X S , (support.sas.com,2008)

14
 6. Procedimientos especiales del control de procesos

Gráficos de control con tamaño submultiple: Siempre que sea posible es conveniente tener
un tamaño de subgrupo constante. Si esto no puede hacerse los
límites en los gráficos X y R deben ser variables.
Una vez que se ha estimado ı estos límites para diversos tamaños de muestran pueden
obtenerse utilizando los factores y fórmulas. En donde los datos utilizados para estimar ı
incluyen subgrupos de diversos tamaño.

Gráficos R o Gráficos ı donde los gráficos X no son apropiados: En algunos

casos los subgrupos pueden ser comparables en su dispersión aunque no sean comparables
en sus medias. Si se analizan muestras que tienen contenido químico algo diferente, los
promedios de los subgrupos no son comparables. Sin embargo, la
dispersión de los subgrupos refleja la capacidad de un analista y un procedimiento
analítico para reproducir resultados por medio de varias determinaciones similares. El
gráfico de control de R o ı proporciona una base para juzgar esta dispersión parece
estar influida por un sistema de causas constantes.

Gráficos X y ı con subgrupos grandes: Algunas veces sucede que se supone de

datos sobre medias y desviaciones estándar de alguna varible media, procedentes de
diferentes fuentes. Puede ser conveniente aplicar una prueba homogeneidad a estas
cifras para ver si hay una clara evidencia de que las diferentes fuentes representan
diferentes sistemas de causas. Los gráficos de control X y ı constituyen un
procedimiento simple de prueba para este propósito.

Gráficos para las mediciones individuales: Cuando el personal del taller no entiende
los gráficos de medias una forma de evitar interpretaciones erróneas consiste en no
presentar las medias, sino las mediciones individuales. En estos se dibujan correctamente
los límites de la especificación que debe aplicarse a las mediciones individuales.
Este tipo de gráfico puede ser mejor que nada, pero es mucho menos satisfactorio que un
gráfico X convencional, basado en un tamaño de subgrupo de 4 o 5. En general este
tipo de gráfico es inferior a los gráficos de control convecionales porque no ofrecen una
panorámica clara de los cambios que tienen lugar en el proceso, ni siquiera a una prueba
rápida de la existencia de causas atribuibles de variación.

7. Diagrama de control de suma acumulativa

El diagrama de control de suma acumulativa CUSUM (Cumulative Sum), incorpora

directamente al representar el estadístico relativo a cada punto, toda la información muestral
de la sucesión de puntos anteriores. Se representan para cada punto las sumas acumuladas
para el subgrupo actual y todos los anteriores de las desviaciones del estadístico en
que se basa el gráfico de control (Verdoy et al., 2006).

15
 Un gráfico de sumas acumuladas muestra las sumas acumuladas de las desviaciones de
cada valor muestral con respecto al valor objetivo. El gráfico puede estar basado en medias
muestrales o en observaciones individuales.
Cuando estamos trabajando con procesos bajo control, los diagramas CUSUM son
buenos para detectar cambios con respecto al objetivo ya que dichos gráficos incorporan
información procedente de la secuencia de valores muestrales. Los puntos que
representamos son las sumas acumuladas de las desviaciones de los valores muestrales
con respecto al objetivo. Dichos puntos deberían fluctuar de forma aleatoria alrededor
del cero. Si detectamos una tendencia, ya sea hacia arriba o hacia abajo, ésta debería ser
considerada como una evidencia de que la media muestral se ha desplazado.
Es posible representar dos tipos de gráficos CUSUM (Figura 10): el diagrama por
defecto representa dos CUSUM unilaterales. El CUSUM superior detecta desviaciones
hacia arriba en el nivel del proceso, el CUSUM inferior detecta desviaciones hacia
abajo. Este tipo de gráfico utiliza límites de control para determinar cuando estamos
ante un proceso fuera de control.
Los gráficos CUSUM vienen definidos por dos parámetros, h y k (Tabla 2):

Tabla 2: Definición de los parámetros h y k (www.uoc.edu, 2008)

Tipo de h representa k representa
gráfico
CUSUM
Unilateral El número de desviaciones estándar El tamaño del posible
entre la línea central y los límites de desplazamiento que queremos
control detectar
Bilateral Parte de la ecuación que se utiliza La pendiente de los lados de la
(máscara V) en el cálculo de la máscara V máscara V

Figura 10: Ejemplo del diagrama de sumas acumulativas, (webpages.ull.es,2008).

16
 8. Propiedades de los gráficos de control
Los gráficos de control se emplean para vigilar procesos generalmente de
producción. Por lo que deben cumplir dos propiedades contradictorias
x Si el proceso está fuera de control lo debe manifestar lo antes posible. Fuerza
de la prueba.
x Si el proceso funciona correctamente no debe dar señales de alarma. Recorrido de
la prueba.
Un gráfico de control debe permitir que un proceso que funciona correctamente
opere durante largo tiempo sin producir señales falsas.
- Característica operativa de un gráficos de control: La curva característica
operativa (curva OC) de una prueba es un gráfico que muestra ȕ(error tipo II)
como función de la diferencia entre la hipótesis nula y la alternativa, en el
caso de control de procesos, proceso bajo control y fuera de control.
La función de potencia de una prueba es un gráfico que muestra la potencia
(1-ȕ) como función de la diferencia de los valores de la hipótesis nula
y alternativa. A la función potencia se le llama función de fuerza del gráfico
de control (Colomer, 1997).

9. Análisis de la capacidad de un 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.

Las técnicas estadísticas pueden ser útiles en el ciclo de un producto, incluyendo las
actividades de desarrollo previas a la manufacturas, para cuantificar la variabilidad del
proceso, para analizar esta variabilidad respecto de los requerimientos o
especificaciones del producto y para ayudar la personal de desarrollo y manufactura a
eliminar o reducir en gran medida esta variabilidad. A esta actividad general se le llama
análisis de capacidad del proceso.
Evidentemente, la variabilidad del proceso es una medida de la uniformidad de la salida.
Hay dos formas de conceptuar esta variabilidad:

1. La variabilidad natural o inherente en un tiempo especificad; la variabilidad

“instantánea”.
2. La variabilidad con el tiempo.
El análisis de capacidad del proceso se define como el estudio de ingeniería para estimar
la capacidad del proceso. La estimación de la capacidad del proceso puede estar en la
condición de una distribución de probabilidad que tenga una forma, centro (media) y
dispersión (desviación estándar) especificados. De manera alternativa, la capacidad del
proceso puede expresarse como un porcentaje fuera de lasa especificaciones. Sin embargo,
las especificaciones son necesarias para realizar el análisis de capacidad del proceso.
El análisis de capacidad del proceso es una parte vital de un programa integral de
mejoramiento de calidad. Entre los usos principales de los datos de un análisis de capacidad
del proceso se encuentran los siguientes:

17
 - Predecir el grado de variabilidad que exhibirán los procesos. Esta
información de capacidad proporcionará la información importante para
establecer límites de especificación realistas.
- Seleccionar, entre procesos que compiten, el proceso más adecuado para
que las tolerancias se cumplan.
- Planear la interrelación entre procesos secuenciales. La cuantificación de las
capacidades respectivas del proceso con frecuencia señala el camino para
encontrar una solución.
- Proporcionar una base cuantitativa para establecer un programa de
verificación de control periódico del proceso reajustes.
- Asignar máquinas a los tipos de trabajos para los cuales son más
adecuadas.
- Probar las teorías de las causas de defectos durante los programas de
mejoramiento de calidad
- Servir como base para la especificación de los requerimientos de calidad
para las máquinas compradas.

Por tanto, el análisis de capacidad de un proceso es una técnica que tiene aplicación en
muchos segmentos del ciclo del producto, incluyendo el diseño de producto y procesos, la
fuente de proveedores, la planeación de la producción o la manufactura, y la propia
manufactura.
La fórmula para la capacidad del proceso que más se usa es:
Capacidad del proceso= r (6V )
Donde c = la desviación estándar del proceso cuando se encuentra en estado de control
estadístico, es decir si la influencia del fuerzas externas o cambios repentinos.

Una razón importante para cuantificar la capacidad del proceso es poder calcular la
capacidad del proceso de mantener las tolerancias del producto. Para procesos que se
encuentran un estado de control estadístico, una comparación de la variación entre 6 ı
de la habilidad del proceso dentro de la amplitud de tolerancia. Una medida de esta
relación es la tasa de capacidad:
Rangoespecificacion LES LEI
Cp= Tasa de capacidad =
Capacidadproceso 6S

Donde: - LES = Límite de especificación superior.

- LEI = Límite de especificación inferior.

Un proceso que cumple bien con los límites de especificación (rango de

especificación = r 3V tiene un Cp de 1. Lo crítico de muchas aplicaciones y la realidad

18
de que el promedio del proceso no permanecerá en el punto medio del rango de
especificación sugiere que Cp debe ser al menos 1’33 (Tabla 3).

Tabla 3: Índices del estudio de la capacidad del proceso (www.scribd.com,2008)

ICP Decisión

Más que adecuado, incluso puede exigirse

más en términos de su capacidad. Posee
1’33<ICP<2’22 capacidad de diseño.

Adecuado para lo que fue diseñado.

1<ICP<1’33 Requiere control estrecho si se acerca al

valor 1.

No es adecuado para cumplir con el

0’67<ICP<1 diseño inicial. Requiere monitoreo

constante.

No es adecuado para cumplir con el

ICP<0’67 diseño inicial

La capacidad del proceso según se mide con Cp, se refiere a la variación en un proceso
alrededor del valor promedio.
Así, el índice Cp mide la capacidad potencial, suponiendo que el promedio del proceso
es igual al punto medio de los límites de especificación y que el proceso está operando
bajo control estadístico; como con frecuencia el promedio no se encuentra en el punto
medio, es útil tener un índice de habilidad que refleje ambas variaciones y la localización
del promedio del proceso. Tal índice es Cpk.
El índice de Cpk refleja la proximidad de la media actual del proceso al límite de
especificación superior (LES) o bien, al límite de especificación inferior (LEI). Cpk se
estima mediante:

Si el promedio actual es igual al punto medio del rango de especificación, entonces

Cpk= Cp. Entre más alto sea el valor de Cpk, más baja será la cantidad de producto que
esté fuera del los límites de especificación (www.scribd.com, 2008).

19
10. Fiabilidad del proceso de control

10.1 Introducción a la fiabilidad

La fiabilidad es la capacidad de los productos o servicios de comportarse de forma
requerida bajo condiciones establecidas y durante un tiempo establecido. Es la permanencia
de la calidad en los servicios o productos. Saber si un producto funcionará a lo largo del
tiempo es cuestión de probabilidad. Es necesario el uso de la probabilidad en el estudio de
la fiabilidad para la observación del patrón de los tiempos de fallo de los productos
(tiempo de vida). La estadística de la fiabilidad se enmarca dentro del análisis de datos de
supervivencia.
Se distinguirá entre productos reparables y no reparables (Colomer, 1997):
x Productos no reparables: solo puede ocurrir un fallo. Por ejemplo bombillas de luz,
transistores, etc...
x Productos reparables: más de un fallo puede ocurrir. En este caso es importante considerar
l a disponibilidad del producto reparado (que dependerá de la ocurrencia de fallos
y del tiempo de mantenimiento. Ejemplos: automóviles, lavadoras, etc.

10.2 Fórmulas de fiabilidad

1- Función d e fiabilidad o supervivencia: denota la probabilidad de que un

componente funcione más allá de un instante.

2- Tasa de fallos o hazard rate: denota la probabilidad de fallo instantánea dado que el
componente funciona en el momento actual t.

A través de la observación de la tasa de fallos se puede aprender a cerca de las

causas del fallo puede presentarse tres formas básicas:
- Tasa de fallos creciente (IFR) surge por desgaste y fatiga del
componente ( envejecimiento), ( Figura 11)

20
 Figura 11: ejemplo de gráfico con curva creciente
- Tasa de fallos decreciente (DFR) surge en materiales al principio de su
funcionamiento la probabilidad del fallo es alta debido a la existencia de posibles
efectos ocultos ( Figura 12)

Figura 12: ejemplo de gráfico con curva decreciente

(www.cesma.usb.ve,2008).
- Tasa de fallos constantes (CFR) la probabilidad del fallo instantáneo es la misma
a lo largo del tiempo, por tanto no tiene memoria (Figura 13).

Figura 13: ejemplo de gráfico con curva constante

(www.cesma.usb.ve),2008.

Por tanto es de gran utilidad para decidir si su componente tiene IFR, DFR, CFR

21
11 Aceptación por Muestreo
11.1 Cero inspecciones (aceptar o mandar el lote sin inspección).
Esta alternativa es adecuada cuando se ha demostrado que el proceso que fabricó el lote
cumple de manera holgada los niveles de calidad acordados entre el cliente y el proveedor.
También se aplica cero inspecciones cuando la pérdida global causada por las unidades
defectuosas es pequeña en comparación con el costo del muestreo.
11.2 Inspección al 100%.
Consiste en revisar todos los artículos del lote y quitar los que no cumplan con las
características de calidad establecidas. Los que no cumplen podrían ser devueltos al
proveedor, reprocesados o desechados. La inspección al 100% se utiliza en aquellos casos
en que los productos son de alto riesgo y si pasan defectuosos se puede generar una gran
pérdida económica. También es útil cuando la capacidad del proceso de fabricación del lote
es inadecuada para cumplir las especificaciones.

Se pensaría que la inspección al 100%, aunque costosa, es una buena estrategia para
garantizar la calidad; sin embargo, esto no es así, pues con este tipo de inspección se corre
el riesgo de caer en la monotonía, en mayores errores de inspección y en ocasiones el
producto se daña. Incluso, hay casos en los que debido a los primeros dos problemas de la
inspección al 100% se tiene como política que las unidades se inspeccionen dos veces
(inspección al 200%).

Muestreo de aceptación (inspección por muestras). Esta opción es útil cuando se tienen una
o
Varias de las siguientes situaciones:
 Cuando la inspección se realiza con pruebas destructivas (como pruebas de tensión
y resistencia) es indispensable la inspección por muestras, de lo contrario todos los
productos serían destruidos por las pruebas.
 Cuando el costo de inspección al 100% es demasiado alto en comparación con el
costo de pasar unidades defectuosas.
 En los casos en que la inspección al 100% es imposible en términos técnicos o
económicos.
 Cuando el lote está formado por la gran cantidad de artículos que se debe
inspeccionar y la probabilidad de error en la inspección es suficientemente alta, de
manera que la inspección al 100% podría dejar pasar más unidades defectuosas que
un plan de muestreo.
 En situaciones donde, históricamente, el vendedor ha tenido excelentes niveles de
calidad y se desea una reducción en la cantidad de inspección, pero la capacidad del
proceso no es suficientemente buena como para no inspeccionar.
 Cuando es necesario asegurar la confiabilidad del producto, aunque la capacidad del
proceso fabricante del lote sea satisfactoria.

22
12 Tipos de planes de muestreo
Un primer nivel de clasificación de los planes de muestreo de aceptación está en función del
tipo de característica de calidad bajo análisis, que puede ser de atributos o por variables
continuas.
 12.1 Planes por variables
En los planes por variables se toma una muestra aleatoria del lote y a cada unidad se le mide
una característica de calidad de tipo continuo (longitud, peso, etc.). Con las mediciones se
calcula un estadístico que por lo general está en función de la media, la desviación estándar
muestral y las especificaciones, y al comparar el valor de tal estadístico frente a un valor de
tablas, se aceptará o rechazará todo el lote. Más adelante en la sección “Muestreo de
aceptación por variables” se estudiará este tipo de planes.
 12.2 En los planes por atributos
Se extrae de manera aleatoria una o más muestras de un lote y cada pieza de la muestra es
clasificada de acuerdo con ciertos atributos como aceptable o defectuosa; la cantidad de
piezas defectuosas es usada para decidir si el lote es aceptado o no.
 12.3 Muestreo por atributos: simple, doble y múltiple
El plan de muestreo simple consiste en un tamaño de muestra n, y en un número de
aceptación c, ambos fijados de antemano. Si en la muestra se encuentra c o menos unidades
defectuosas entonces el lote es aceptado. Por el contrario, si hay más de c artículos
defectuosos el lote es rechazado. Mas adelante veremos cómo diseñar este tipo de planes.
Por su parte, la idea del plan de muestreo doble es tomar una primera muestra de tamaño
más pequeño que el plan simple para detectar los lotes muy buenos o los muy malos, y si en
la primera muestra no se puede decidir si aceptar o rechazar porque la cantidad de unidades
defectuosas ni es muy pequeña ni muy grande, entonces se toma una segunda muestra para
decidir si aceptar o rechazar tomando en cuenta las unidades defectuosas encontradas en las
dos muestras. De esta manera, un plan de muestreo doble está definido por
N = tamaño de lote
n1 = tamaño de la primera muestra
c1 = número de aceptación para la primera muestra
n2 = tamaño de la segunda muestra
c2 = número de aceptación para las dos muestra
ejemplo
con el plan N = 3000, n1 = 80, c1 = 1, n2 = 80, c2 = 4; del lote de 3000 piezas se toma una
muestra inicial de 80 y con base a la información aportada por esta primera muestra se toma
una de las tres decisiones siguientes:
23
1. Aceptar el lote, cuando la cantidad de unidades defectuosas sea menor o igual que 1
(c1).
2. Rechazar el lote, cuando el número de piezas defectuosas sea mayor que 4 (c2).
3. Tomar una segunda muestra de 80 unidades, cuando el número de piezas defectuosas
detectadas en la primera muestra sea mayor que 1 (c1) pero no exceda de 4 (c2). Si al sumar
la cantidad de unidades defectuosas en las dos muestras, esta no es mayor que 4 (c2), el lote
es aceptado, pero si es mayor que 4 (c2), entonces el lote es rechazado
El plan de muestreo múltiple es una extensión del concepto del muestreo doble, aquí se toma
una muestra inicial aún más pequeña que el plan simple, y si ya se tiene evidencia de muy
buena o muy mala calidad se toma la decisión en consecuencia, si no, se toma una segunda
muestra y se trata de decidir; si todavía no es posible se continúa con el proceso hasta tomar
la decisión de aceptar o rechazar.
Con los planes de muestreo doble y múltiple por lo general se requieren menos inspección
que con el simple, pero tienen mayor dificultad para administrarlos. En cuanto a seguridad
pueden ser diseñados de forma que produzcan resultados equivalentes.
Esto es, los procedimientos pueden ser diseñados de manera que un lote con cierta calidad
específica tenga exactamente la misma probabilidad de aceptación bajo los tres tipos de
planes de muestreo. Por consiguiente, para la selección de un tipo de muestreo, se pueden
considerar factores como la eficacia de la administración, el tipo de información obtenida
por el plan, la cantidad promedio de información y el impacto que un plan de muestreo dado
pueda tener sobre el flujo del proceso.
FORMACIÓN DEL LOTE Y SELECCIÓN DE LA MUESTRA
La formación de un lote puede influir en la eficacia del plan de muestreo de aceptación. A
continuación, se enuncia tres recomendaciones para formar los lotes, aunque una de ellas se
debe ver como reserva.
1. Los lotes deben ser homogéneos. Es decir, las unidades que forman un lote en
particular deben haber sido fabricadas bajo condiciones similares en cuanto a máquinas,
operadores, materia prima, tiempo (fechas), etcétera. Cuando el lote se forma mezclando
unidades de diferentes fuentes, el muestreo de aceptación no es tan efectivo como se debe.
Además, la existencia de lotes no homogéneos hace más difícil tomar acciones correctivas
que eliminan la causa de los productos defectuosos. De esa manera, cuando se forme un
pedido o embarque es mejor inspeccionar cada lote individual y evitar aplicar la inspección
a todo el pedido después de que se han mezclado lotes.

24
2. Los lotes deben ser formados de manera que no compliquen el manejo de materiales
del proveedor y del cliente. Todos los artículos de los lotes deben ser empaquetados y
embarcados con un mínimo de riesgo y de forma que la selección de unidades de la muestra
sea relativamente fácil.
3. Con las reservas del caso, otra recomendación tradicional es: los lotes deben ser tan
grandes como sea posible. Esto debido al menor costo y mayor eficiencia de la inspección,
ya que en los lotes grandes es necesario inspeccionar menos proporcionalmente que con los
lotes pequeños, y además los planes resultantes a partir de tamaños de lote grande tienen
mayor poder de detectar los lotes de mala calidad.
Creemos que en empresas con sistema de mejora de calidad esta recomendación se debe ver
con mucha reserva, ya que esto que es deseable para el muestreo de aceptación no es
recomendable para los inventarios en procesos y en producto terminado. Con lotes muy
grandes se aumenta el costo de inventarios, el tiempo de ciclo y disminuye la capacidad de
detectar con oportunidad las anomalías en calidad. De aquí que tal recomendación se debe
aplicar en la medida que no se afecte sensiblemente los aspectos comentados.
Selección de la muestra
Todos los planes de muestreo de aceptación basan su funcionamiento en que las unidades
seleccionadas para la inspección son representativas de todo el lote. De aquí que la selección
de las unidades que forman la muestra debe hacerse aplicando un método de muestreo
aleatorio. La técnica de muestreo es muy importante y la que a menudo se sugiere es el
muestreo aleatorio simple, en la que se asigna un número a cada artículo del lote. Entonces,
entre 1 y el número máximo de unidades en el lote se seleccionan aleatoriamente n números.
Esta sucesión de números aleatorios determina cuáles artículos del lote constituyen la
muestra.
Si los productos están seriados o tienen un código de números, éstos pueden ser utilizados
para desarrollar el muestreo aleatorio. Otra opción es usar un número aleatorio de tres
dígitos. Por ejemplo el número 482 puede ser la representación de la unidad localizada sobre
un cuarto nivel, octava fila y segunda columna.
En circunstancias donde no se puede asignar un número a cada unidad, es posible emplear
alguno de los otros métodos de muestreo que aseguren que el muestreo es aleatorio o
representativo. Por ejemplo el inspector podría estratificar el lote, dividiéndolo en estratos
o capas y cada estrato en cubos, como se muestra en la figura 2. Las unidades son tomadas
dentro de cada cubo. Entre más formal sea esta división o estratificación, mayor
representatividad tendrá la muestra.
25
Si por alguna razón esta división no es posible, entonces dentro de los males, el menor es
que la estratificación se realice de manera imaginaria por el inspector, con lo que no
necesariamente se obtendrá muestras aleatorias, pero al menos se tiene la seguridad de que
las unidades son tomadas desde diferentes zonas del lote.
Si se utilizan métodos arbitrarios para seleccionar una muestra, las bases teóricas del
muestreo de aceptación no se cumplen y por tanto las decisiones sobre el lote no tendrán un
respaldo estadístico.

Curva característica de operación (CO)

Suponga que en una fábrica se aplica a lotes de tamaño grande (es usual considerar que un
lote es grande respecto al tamaño de la muestra, cuando la muestra es menos del 10% del
lote, es decir, cuando 10n < N) el plan de muestreo simple por atributos definido por
n = 60, c =1
a los lotes de ciertos artículos antes de embarcarlos y enviarlos al cliente. De esta manera,
de un lote de más de 600 piezas, se extrae una muestra aleatoria de n = 60, y si al
inspeccionar estas unidades se encuentran cero o a lo más una defectuosa, entonces el lote
es aceptado (embarcado y enviado al cliente). Pero si se encuentran dos artículos o más que
son defectuosos, entonces el lote es rechazado (retenido para una inspección al 100%).
Bajo estas condiciones surgen algunas interrogantes: que tipo de calidad garantiza este plan
y cuál es el nivel de calidad que no tolera; o de una manera más técnica: si un lote tiene
cierta proporción de artículos defectuosos, ¿cuál es la probabilidad de que el lote sea
aceptado? Las respuestas a estas preguntas se obtiene a partir de la curva característica de
operación (curva CO) para el citado plan.
La curva CO de un plan proporciona una caracterización del potencial desempeño del
mismo, ya que con ésta se puede saber la probabilidad de aceptar o rechazar un lote que
tiene determinada calidad. Por ejemplo, con la curva CO del plan n = 60, c =1 y tamaño de
lote grande, se puede saber cual es la probabilidad de aceptar un lote que tenga 2% de sus
artículos defectuosos. Además, como de un lote que se somete a inspección por muestreo se
desconoce su proporción, p, de artículos defectuosos, entonces la curva CO tiene que
proporcionar la probabilidad de aceptar lotes con cualquier valor de p. En la figura 3 se
muestra la curva CO para el plan n = 60, c =1.

26
  12.4 Curva CO ideal
Si se quieren rechazar los lotes que tengan una proporción de artículos defectuosos mayor
que 1% por ejemplo, y aceptar los que tengan 1% de defectuosos o menos. La curva CO
ideal para esta situación se muestra en la figura 4, en la que si el nivel de calidad es 1% de
defectivo o menos, se está satisfecho con tal cantidad y por tanto se acepta con probabilidad
1. Mientras que si la proporción de defectivos es mayor que 1% no se está satisfecho con
esa calidad por lo que se desea aceptarla con probabilidad cero (es decir, rechazarla con
probabilidad 1). Sin embargo, no existe ningún plan de muestreo que tenga esta curva ideal
y que por tanto sea capaz de hacer una discriminación perfecta entre los lotes "buenos" y
"malos". En teoría la curva CO ideal se puede alcanzar con inspección al 100%, siempre y
cuando esta inspección estuviera libre de errores, lo que difícilmente ocurre.
 12.5 Propiedades de las curvas CO
1. No existe un plan de muestreo que tenga una curva CO ideal, que pueda distinguir
perfectamente los lotes buenos de los malos. De esta manera, todo plan de muestreo tiene
riesgos de rechazar la buena calidad y aceptar la mala. Lo que sí existe son planes que tienen
mayor probabilidad de aceptar la buena calidad y menos probabilidad de aceptar la mala.
Plan n = 60, c = 1; probabilidad de aceptarlo 0.302
Plan n =120, c = 2; probabilidad de aceptarlo 0.137
Plan n =240, c = 4; probabilidad de aceptarlo 0.035
De esta manera, el último plan sólo dejará pasar 3.5% de lotes con 4% de defectivo.
2. Al aumentar el tamaño de la muestra con el número de aceptación, se obtiene planes
cuya curva CO se acerca más a la ideal, es decir, que tienen mayor potencia en distinguir la
buena calidad de la mala. Esta propiedad queda en evidencia en la figura 5, en la que se
muestran las curvas CO de tres planes de muestreo, nótese que entre mayor es n más rápido
cae la curva, no obstante que el número de aceptación c se mantiene proporcional al tamaño
de muestra. Entre más rápido caiga la curva, menos probabilidad se tiene de aceptar lotes
de mala calidad. Por ejemplo, suponga que un lote con 4% de defectivo se considera como
de mala calidad, entonces con las tres curvas de la figura 5 se tiene que:
N = 300 n = 30 c = 0
N = 500 n = 50 c = 0
N = 800 n = 80 c = 0
En la figura 6 se muestran las curvas CO para estos tres planes. De donde se puede ver que
estos tres planes, obtenido con el mismo criterio (no estadísticos), proporcionan distintos
niveles de protección para un mismo nivel de calidad en los lotes. Por ejemplo, si los lotes
27
tienen una proporción de defectivo de 0.05 (5%), entonces la probabilidad de aceptarlo, Pa,
en cada caso es el siguiente:
N = 300, Pa = 0.214; N = 500, Pa = 0.0769; N = 800, Pa = 0.0165;
Así, en el primer caso se aceptará 21.4% de los lotes, en el segundo 7.69% y en el último
1.65%. Por lo anterior, obtener el tamaño de muestra con tal criterio de porcentaje es
inadecuado.

Figura 5 Cuando n crece y c lo hace de manera proporcional, aumenta el poder de

discriminación de un plan.

Figura 6 Curvas CO para tamaño de muestra igual al 10% del lote y c = 0.

3. El criterio de tamaño de muestra igual a un porcentaje del tamaño de lote es un mal
criterio. Es frecuente encontrar casos en los que el tamaño de la muestra se tome igual a
cierto porcentaje del tamaño del lote y el número de aceptación c = 0. Si este porcentaje es
10%, por ejemplo, y se tiene lotes de tamaño N, igual a 300, 500 y 800, entonces al aplicar
este criterio se obtiene que los planes de muestreo de aceptación para estos lotes son:
4. Al disminuir el número de aceptación la curva CO cae más rápido y con ello los
planes se vuelven más estrictos. Esto se puede apreciar en las curvas CO para los planes n
= 80 c = 0, n = 80 c = 1, n = 80 c = 2, que se muestra en la figura 7.

Figura 7 El efecto de disminuir c en los planes de muestreo por atributos.

5. Los planes con c = 0 no siempre son lo más apropiados. En la figura 6 también se
pueden apreciar curvas CO para varios planes con número de aceptación c = 0, y si la
comparamos con las curvas CO de la figura 5, vemos que las de c = 0 son cóncavas hacia
arriba; lo que causa que la probabilidad de aceptar disminuya más rápido aun para valores
pequeños de la proporción de defectivo en el lote. Esto hace que sean planes
extremadamente exigentes para el proveedor y en algunas circunstancias costosos para el
cliente. Por ejemplo, si el nivel aceptable de calidad es 1% quiere decir que se aceptan con
gusto los lotes que tengan una proporción de defectivo de 1% o menos; bajo estas
condiciones si optamos por aplicar el plan n = 120 c = 2 (figura 5), entonces la probabilidad
de aceptar lotes con 1% de defectivo es 0.88. Pero si se aplica el plan n = 30 c = 0, la
probabilidad de aceptarlos es menor (Pa = 0.74); lo que llevaría a rechazar 26% de los lotes
que tengan un nivel de calidad aceptable. De esta manera, diseñar planes con c = 0, que
intuitivamente se pensaría que funcionan mejor, no siempre es recomendable.
28
6. La influencia del tamaño de lote es diseñar planes adecuados de muestreo, es menor
de lo que continuamente se cree. Curvas CO tipo A y tipo B. Para obtener todas las curvas
CO que hemos visto hasta aquí, se ha supuesto que las muestra se extraen de un lote grande
o que el lote proviene de un flujo continuo de productos. A este tipo de curvas se les conocen
como curvas CO tipo B, y la distribución apropiada para calcular las probabilidades de
aceptación es binomial.
La curva CO de tipo A se utiliza en el cálculo de las probabilidades de aceptación par un
lote aislado y de tamaño finito. En este caso, si el tamaño del lote es N, el de la muestra es
n y el número de aceptación es c, entonces la distribución exacta del número de artículos
defectuosos en la muestra es la distribución hipergeométrica.
En la figura 8 se muestran las curvas CO exactas tipo A para los planes de muestreo simple:
tamaño de lote N = 200, n = 80 c = 1; N = 800, n = 80 c = 1; y la curva tipo B para tamaño
de lote muy grande (infinito), N = Inf., n = 80 c = 1. De ahí se puede ver que la discrepancia
entre las tres curvas es relativamente poca, por ejemplo para p = 0.04, se tienen las siguientes
probabilidades de aceptación Pa = 0.1016, 0.1508 y 0.1653, respectivamente.

Figura 8 Curvas CO para el plan n = 80 y c = 1, pero con tamaño de lote diferente.

En particular, si el tamaño de lote es 10 veces mayor que el tamaño de muestra, la diferencia
entre las curvas tipo A y tipo B es considerablemente pequeña. De aquí que en estos casos
el tamaño de lote influye poco en la probabilidad de aceptar el lote.
 12.6 Índices de calidad para los planes de muestreo de aceptación
En una relación cliente-proveedor en la que hay un plan de muestreo de aceptación de por
medio, hay dos intereses: por un lado, el proveedor quiere que todos los lotes que cumplen
con un nivel de calidad aceptable sean aceptados, y por el otro, el cliente desea que todos
los lotes que no tienen un nivel de calidad aceptable sean rechazados.
Desafortunadamente ambos intereses no pueden ser satisfechos de manera simultanea por
un plan de muestreo de aceptación y explicamos la razón de ello cuando vimos la curva CO
ideal. Ante esta situación lo que se hace para atender parcialmente ambos intereses es
diseñar planes de muestreo de aceptación que tenga alta probabilidad de aceptar lotes
buenos, y una baja probabilidad de aceptar lotes malos. El punto de partida para diseñar
planes de muestreo que logren lo anterior es definir índices de calidad para los planes de
muestreo que establezcan en una relación cliente-proveedor específica, lo que se considerará
como calidad aceptable, intermedia y no aceptable con sus correspondientes probabilidades
de aceptación.
29
En este sentido, los principales índices de calidad con los que se diseñan y caracterizan los
planes de muestreo, son los siguientes.
Nivel de calidad aceptable, NCA o AQL (aceptancing quality level). El NCA se define como
el porcentaje máximo de unidades que no cumplen con la calidad especificada, que para
propósitos de inspección por muestreo se puede considerar como satisfactorio o aceptable
como un promedio para el proceso. El NCA también se lo conoce como nivel de calidad del
productor y se expresa en porcentajes de unidades que no cumplen con la calidad
especificada. Al ser el NCA el nivel de calidad que se considera satisfactorio, entonces la
probabilidad de aceptar un lote que tenga esa calidad debe ser alta (0.95) (ver figura 9). A
la probabilidad de aceptar lotes que tengan un nivel da calidad aceptable (NCA), se lo
designa con 1 – α, donde α es por lo general un nϊmero pequeño (0.05, 0.10). Nótese que la
probabilidad de aceptar lotes de calidad aceptable no es igual a 1 y por tanto hay un riesgo
de no aceptar este tipo de lotes. A este riesgo que tiene probabilidad igual a α se le conoce
como riesgo del productor.
Debido a este riesgo, el NCA debe ser un nivel de calidad de referencia para el proceso de
producción del productor y de ninguna manera un valor objetivo.
Más aún, el productor debe trabajar para que su procese opere con un nivel mejor que el
NCA.
Nivel de calidad límite, NCL o LQL (limiting quality level). Es el nivel de calidad que se
considera como no satisfactorio y que los lotes que tengan este tipo de calidad deben ser
rechazados casi siempre. El NCL, en algunos planes específicos (por ejemplo los "Planes
de muestreo Dodge-Roming") se conoce como porcentaje defectivo tolerado del lote, PDTL
o LTPD (lot tolerance percent defective). Al ser el NCL un nivel de calidad no satisfactorio,
entonces la probabilidad de aceptarlo debe ser muy baja (generalmente de 0.05, 0.10); es
usual que esta probabilidad se le designe con la letra β (vιase figura 9). Nótese que la
probabilidad de aceptar lotes de calidad no satisfactorio (NCL) no es cero y por tanto hay
un riesgo de no rechazar este tipo de lotes. A este riesgo que tiene probabilidad igual a β se
lo conoce como riesgo del consumidor

Diseño de un plan de muestreo simple con NCA y NCL específi cos (método de Cameron)
Una forma lógica de regular la relación cliente-proveedor mediante un plan de muestreo de
aceptación simple es diseñar planes con una alta probabilidad de aceptar la calidad NCA y
que casi nunca acepten la calidad NCL (véase Shilling y Neubauer, 2009). Aquí veremos el

30
metodo de Cameron, el cual se basa en la distribución de Poisson y da una buena
aproximación a la distribución binomial.

Este método se aplica con los siguientes pasos:

1. Especificar los valores porcentuales deseados para NCA y NCL, con su correspondiente
probabilidad de aceptación, 1 − α y β, respectivamente.
2. Convertir estos porcentajes a proporciones, sea p1 = NCA/100 y p2 = NCL/100.
3. Calcular la razón de operación, Rc = p2/p1.
4. De acuerdo con los valores de α y β, buscar en la columna apropiada de la tabla 12.4 el
valor
R más cercano a Rc. Si en la tabla hay dos números R aproximadamente igual de cercanos
a Rc se debe elegir el menor.
5. Ubicado el valor R en la tabla 12.4, el número de aceptación, c, se encuentra en el mismo
renglón que R en la columna c hacia la izquierda.
6. En el mismo renglón donde se localizó a R, pero en la columna np1 a la derecha de R,
localizar
el valor de np1. El tamaño de muestra se encontrará al dividir ese valor entre p1.

 13 Military Standard 105E

La versión original de MIL STD 105E fue creada en 1950 y desde entonces ha tenido cuatro
revisiones, siendo la última en 1989 que dio lugar a MIL STD 105E. En la actualidad es el
sistema de muestreo de aceptación por atributos más usado en el mundo. Alternativamente
se puede usar su contraparte civil ANSI/ ASQ Z1.4.
Para diseñar planes con MIL STD 105E se usa principalmente el nivel de calidad aceptable,
NCA o AQL. Aunque la probabilidad de aceptar los lotes con calidad NCA siempre es alta
(entre 0.89 y 0.99), pero no es la misma para todos los planes que se obtienen con esta
norma. El estándar prevé 26 valores (porcentajes) diferentes para el NCA; 16 de ellos que
van de 0.010 a 10%, están enfocados a porcentajes de defectuosos; y los otros 10, que van
desde 15 hasta 1 000 defectos por cada 100 unidades, se enfocan a diseñar planes del tipo:
defectos por unidad. Aunque para niveles pequeños de NCA, se pueden utilizar los mismos
planes para controlar tanto la proporción de defectuosos como el número de defectos por
unidad.
Los NCA forman una progresión geométrica (r = 1.585), de manera que el siguiente NCA
es aproximadamente 1.585 veces el anterior. Por lo general, el NCA es especificado en el
31
contrato o por la autoridad responsable del muestreo, de acuerdo con diferentes criterios,
por ejemplo: al nivel de calidad que se considera como aceptable, a los antecedentes del
productor y los niveles de calidad que tienen la rama industrial o comercial del productor.
Pueden considerarse diferentes NCA para distintos tipos de defectos. Por ejemplo, el
estándar distingue entre defectos críticos, defectos mayores y defectos menores. Es una
práctica común escoger un NCA = 1.00% para defectos mayores y NCA = 2.5% para
defectos menores. Ningún defecto crítico debe ser aceptado, aunque a veces se usan NCA
menores a 0.10%.
Diseño de un esquema de muestreo con MIL STD 105E

Para obtener los planes de muestreo aplicando el MIL STD 105E se procede de acuerdo con
los siguientes pasos:
1. Determinar el tamaño de lote.
2. Especificar el NCA (o AQL).
3. Escoger el nivel de inspección (usualmente el nivel II, que puede ser cambiado si la
situación
lo justifica).
4. Dada la información anterior, en la tabla 12.6 se encuentra la letra código correspondiente
para el tamaño de muestra.
5. Determinar el tipo de plan de muestreo a ser usado (simple, doble o múltiple).

14.Conclusiones
- Mediante el presente trabajo se logró Identificar qué tipo de cartas de control
debemos utilizar según el proceso que se tenga en la empresa
- Se determinó si un proceso puede ser sometido a análisis y si cumple o no cumple
con las especificaciones requeridas por el fabricante.
15. Recomendaciones

- Al momento de seleccionar la carta que vamos a utilizar en ese proceso debemos estar
seguros de que esa es la carta correcta porque después vamos a obtener datos que no
corresponde a nuestro proceso.

32
16. Bibliografia

- Colomer Cugat, Ma. (1997); Estadística en el control de calidad. Edicions de la

Universitat de Lleida. Lleida, p 195.
- Montgomery Douglas C. (2004); Control Estadístico de la Calidad. Ed. Limusa.
México, p 797.
- Navarrete, E.(1998); Control estadístico de la calidad control estadístico de
procesos. Ed. Adhara. Granada, p 135.
- Pydek T. (1996); Manual de control de calidad en ingenieria. Ed. Mc Graw-Hill.
México, p 617.
- Vandeville P.,(1990); Gestión y control de la calidad. Ed. AENOR. Madrid, p
295.
- Verdoy P., Mateu J., Sagasti S., Sirvent R.(2006); Manual estadístico de calidad:
Teoría y aplicaciones. Publicacions de la Universitat Jaime I. Castelló, p 341.

Páginas web:

www.cesma.usb.ve/~abel/co4311/SIM.ppt
www.monografias.com/trabajos30/control-estadistico-calidad/control-estadistico
www.scribd.com/word/download/16623?extension=txt - 61k
www.uoc.edu/in3/emath/docs/SPC_5.pdf

33