Módulo Nivel

CONTROL ESTADISTICO DE
LA CALIDAD
MODULO ACADÉMICO
AUTORES:
ALVARO BONETT PERTUZ

SARAI BLANCO LINERO
LUCY GRACIA GAMARRA
CARLOS OROZCO AGUINAGA
DAINER ZUÑIGA OLIVERA
INGENIERÍA INDUSTRIAL
UNIVERSIDAD DEL MAGDALENA
SANTA MARTA
2012
INDICE
1. CONCEPTOS Y PRINCIPIOS DE LA CALIDAD 5
1.1 SIGNIFICADOS DE LA CALIDAD: 5

1.2 FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN 8
1.3 COSTOS ASOCIADOS A LA CALIDAD 11
2. TÉCNICAS ESTADÍSTICAS ÚTILES PARA EL MEJORAMIENTO

DE LA CALIDAD. 14
2.1 DEFINICIONES BÁSICAS 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 ÚTILES 29
2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA 30
2.5 HERRAMIENTAS ESTADISTICAS BÁSICAS 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 DISPERSIÓN: 43
2.5.5 CARTA DE VERIFICACIÓN: 45
2.5.6 DIAGRAMA DE CONCENTRACIÓN DE DEFECTOS 46
3 ANÁLISIS 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 INTERPRETACIÓN DE LOS RESULTADOS PARA EL VALOR DE LOS ÍNDICES DE CAPACIDAD 55
3.6 ¿CÓMO BUSCAR CANTIDAD DE PRODUCTOS NO CONFORMES? 55
3.7 ¿CÓMO HACER UNA RECOLECCIÓN DE DATOS PARA HACER UN ANÁLISIS DE CAPACIDAD O
CUALQUIER ESTUDIO ESTADÍSTICO? 57
Control estadístico de la calidad

2
Ingeniería industrial
Universidad Del Magdalena
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 HIPÓTESIS. 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 ACEPTACIÓN 119
5.1 GENERALIDADES 119

5.2 TIPOS DE PLANES DE MUESTREO 121
5.3 LA CURVA DE OPERACIÓN (OC) 126
5.4 DISEÑO DE PLANES DE MUESTREO 130
5.5 INSPECCIÓN CON RECTIFICACIÓN 134
5.6 MUESTREO DE ACEPTACIÓN POR VARIABLES 137
5.7 MUESTREO CONTINUO 140
6 HERRAMIENTAS INFORMÁTICAS PARA EL CONTROL DE

CALIDAD 149
6.1 CAPACIDAD DEL PROCESO 149

6.2 CARTAS DE CONTROL 153
APÉNDICE 167

3
Capitulo
INTRODUCCIÓN A LA
1 CALIDAD
La calidad se ha convertido en uno de los factores de decisión más importantes de

los consumidores para elegir entre productos y servicios que compiten. El
fenómeno es generalizado, sin importar si el consumidor es un individuo, una
organización industrial, una tienda minorista o un programa de defensa militar.
Hay muchas maneras de definir calidad. La definición 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

4
INTRODUCCION A LA CALIDAD
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 mayoría de la personas se relaciona con una o más característica deseables
que debería poseer un producto o servicio. Algunas definiciones generalmente
aceptadas son:
“Un sistema que permite que las características de un producto o servicio

satisfagan en forma económica los requerimientos del consumidor.”
“Las técnicas operacionales y actividades que sustentan la calidad de un

producto o servicio para satisfacer ciertas necesidades.” ANSIZI.7-1971
“La integración de las características que determinan en qué grado un producto

satisface las necesidades de su consumidor.” ISO 9000
“La bondad o conformidad de un producto.” Shewhart (1931)
“Adecuar las características 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 características de un producto o

servicioque influye en su capacidad para satisfacer necesidades básicas.” ASQ
“Conjunto de propiedades y características de un producto o servicio que le

confieren su aptitud para satisfacer unas necesidades expresadas oimplícitas.”
UNE 66-001-92
“La calidad de un producto es la (mínima) pérdida 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 aprobación o rechazo) resultado del
gradocon el cual un conjunto de características inherentes al producto cumplen
conlos requerimientos. La calidad es ante todo satisfacción del cliente”
Gutiérrez & De La vara (2004)
Montgomery en su libro Control Estadístico de la Calidad, señala que en

general, para los diferentes autores, la Calidad significa ADECUACIÓN PARA

5
USO y trasciende el aspecto de conformidad con las especificaciones al

considerar tanto el desempeño como la opinión del Cliente.
En la adecuación para su uso se distinguen dos aspectos generales:
1) CALIDAD DE DISEÑO: variaciones en los grados o niveles de calidad

en la que influyen los tipos de materiales usados en la construcción,
especificaciones de los componentes y la confiabilidad derivados del
desarrollo de ingeniería.
2) CALIDAD DE CONFORMIDAD: es la medida en que el producto se
ajusta a las especificaciones requeridaspor el diseño.
Infortunadamente, las definiciones de calidad han sido relacionadas más con el

aspecto de la conformidad de la calidad que con su diseño, lo que conlleva a
prestar menos atención 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”.
Industria Industri
a
Japonesa
EEUU
Esta definición involucra que si la variabilidad (indeseable o perjudicial) de las

características 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 razón
resulta importante distinguir las diferentes dimensiones de la calidad, las cuales
se resumirán a continuación:

6
1) Desempeño (Perfomance): ¿Servirá el producto para el fin proyectado?

2) Confiabilidad (Reliability): ¿Con qué frecuencia falla el producto?
3) Durabilidad (Durability): ¿Cuánto tiempo dura el producto?
4) Facilidad de servicio (Serviceability): ¿Qué tan fácil es reparar el
producto?
5) Estética (Aesthetics): ¿Cómo luce el producto?
6) Características incluidas (Features): ¿Qué hace el producto?
7) Calidad percibida (Perceibed Quality): ¿Cuál es la reputación de la
compañía o del producto?
8) Conformidad con los estándares (conformance): ¿El producto se fabrica
exactamente a cómo se diseñó?
Por otro lado, al igual que calidad es también importante definir:
 Aseguramiento de la Calidad
 Control de la Calidad
 Ingeniería de Calidad
¿Qué 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 tendrá los niveles de
calidadrequeridos” ISO 9000
“Un problema de variación que puede ser controlado y prevenido mediante

laeliminación a tiempo de las causas que lo provocaban, de forma que la
producciónpudiese cumplir con la tolerancia de especificación de su diseño”
Shewhart .
“Conjunto de acciones planificadas y sistemáticas que son necesarias

paraproporcionar confianza adecuada de que un producto o servicio
satisfarálos requisitos dados sobre la calidad” Carot (2001)
¿Qué es el Control de la Calidad?
El control de la calidad se define de la siguiente manera:
“El conjunto de las actividades y técnicas realizadas con la intención de

crearuna característica específica de calidad.” ISO 9000

7
“La aplicación de principios y técnicas estadísticas en todas las etapas de

producción para lograr una manufactura económica con máxima utilidad del
producto por partedel usuario.” Deming (1986)
“Se dice que un fenómeno está controlado cuando, a través del uso de
experienciasprevias podemos predecir, cuando menos dentro de ciertos límites,
cómo se esperaque dicho fenómeno varíe en el futuro. Aquí se entiende por
predicción dentro deciertos límites, que podemos asegurar, al menos de forma
aproximada, que elfenómeno observado caerá dentro de ciertos límites dados”
Shewhart (1980)
“Método mediante el cual podemos medir la calidad real, compararla con

lasnormas y actuar sobre la diferencia.” Juran, Gryna & Bingham (1990)
“Técnicas y actividades de carácter operativo utilizadas para satisfacer los

requisitos relativos a la calidad.” Carot (2001)
¿Qué es la ingeniería de calidad?
“Es el conjunto de actividades operativas, administrativasy de ingeniería que

emplea una compañía a fin de asegurar que las características de la calidad de
un producto se encuentren en los Niveles nominales o requeridos” Douglas
Montgomery. Puesto que la variabilidad solo puede describirse en
términosestadísticos, los métodos estadísticos juegan un papel muyimportante
en los esfuerzos de mejoramiento de calidad.
Cuando se aplican métodos estadísticos en la ingeniería de calidad, es muy
común clasificar los datos sobre las Características de la calidad como datos
de atributo o bien de variables.
1.2 FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN
Muchas personas han contribuido en la metodología estadística del

mejoramiento de calidad. Sin embargo, en términos de la filosofía de la
implementación y la administración, surgen tres individuos como líderes: W. E.
Deming, J. M. Juran y A. V. Feigenbaum.
 W. Eduwards Deming
La filosofía del Dr. Deming es un importante marco para implementar el

mejoramiento de la calidad y la productividad. A continuación se presenta los
14 principios de administración manejados por Deming:
1) Crear la constancia en los propósitos enfocados en el mejoramiento de

productos y servicios.
8
2) Adoptar la nueva filosofía de rechazar la mano de obra deficiente, los

productos defectuosos o los malos servicios.
3) No confiar en la inspección en masa para controlar la calidad.
4) No hacer contratos con proveedores atendiendo únicamente al precio,
sino considerando también la calidad.
5) Enfocarse en el mejoramiento continuo.
6) Poner en práctica métodos de capacitación modernos e invertir en la
capacitación de todos los empleados.
7) Poner en práctica métodos de supervisión modernos.
8) Sacudirse el miedo.
9) Derribar las barreras entre las áreas funcionales del negocio.
10) Eliminar objetivos, lemas y metas numéricas para la fuerza de trabajo.
11) Eliminar las cuotas y los estándares de trabajo numéricos.
12) Eliminar las barreras que desalientan a los empleados a realizar sus
trabajos.
13) Instituir un programa progresivo de capacitación y educación para todos
los empleados.
14) Crear una estructura en la alta gerencia que propugne con decisión por
los 13 primeros puntos.
 Dr. Joseph M. Juran
Uno de los padres fundadores del control estadístico de calidad. Fue invitado a
dar pláticas a líderes de la industria japonesa cuando iniciaron su
transformación industrial a principios de los años 1950. Es coautor (con Frank
M. Gryna) de Quality Control Handbook, una referencia obligada para los
métodos y el mejoramiento de calidad desde su publicación original en 1957.
La filosofía de Juran se basa en la organización del cambio y en la

implementación de mejoras que él llama la “penetración administrativa”. La
secuencia de la penetración es en realidad un proceso estructurado para la
solución de problemas.
 Dr. Armand Feigenbaum
Fue el primero en introducir el concepto de control de calidad en toda la

compañía en su histórico libro Total Quality Control (la primera edición se
publicó en 1951). Este libro ejerció una gran influencia en los inicios de la
filosofía de la administración de calidad en Japón a principios de los años 1950.
El interés del Dr. Feigenbaum se centra más en la estructura organizativa y en

el enfoque de los sistemas para mejorar la calidad que en los métodos
estadísticos.

9
 Administración de calidad Total (TQM)
Es una estrategia para implementar y administrar las actividades de

mejoramiento de calidad con base en la organización completa. La TQM nació
a principios de los años 1980, con las filosofías de Deming y Juran como punto
focal. Evolucionó en un espectro más amplio de conceptos e ideas, incluyendo
las organizaciones y una cultura laboral participativa, el cliente como centro de
atención, el mejoramiento de calidad del proveedor, la integración del sistema
de calidad con las metas del negocio y muchas otras actividades para enfocar
todos los elementos de la organización en torno a la meta del mejoramiento de
calidad.
 Estándares de calidad y certificación
La Organización Internacional de Normas (ISO, por sus siglas en inglés) ha

desarrollado una serie de estándares de calidad que incluyen la serie ISO
9000, los cuales también son adoptados por el Instituto Americano de
Estándares Nacionales y la ASQ. El punto central de estos estándares es el
sistema de calidad, incluyendo componentes tales como:
1) Responsabilidad de la administración de calidad.

2) Control del diseño.
3) Control de datos y documentos.
4) Administración de compras y contratos.
5) Identificación y rastreabilidad de productos.
6) Inspección y prueba, incluyendo el control del equipo de medición e
inspección.
7) Control del proceso.
8) Manejo de la producción disconforme, acciones correctivas y
preventivas.
9) Manejo, almacenamiento, empaque y entrega del producto, incluyendo
actividades de servicio.
10) Registros de control de calidad.
11) Auditorías internas.
12) Capacitación.
13) Metodología estadística.
 Seis Sigma
De manera típica, son grandes las probabilidades de que ocurran fallas o

defectos en los productos de alta tecnología con muchos componentes
10
complejos. Motorola desarrolló el programa seis sigma a fines de los años 1980
en respuesta a la demanda de estos productos. Este programa se centra en
llevar la variabilidad de las características 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 distribución normal para conocer el nivel

de variación de cualquier actividad, posterior a esto desarrolla una serie de
pasos para el control de calidad y la optimización de procesos industriales.
Estos pasos se conocen como el ciclo DMAMC (Definición, Medición, Análisis,
Mejora, Control)
La finalidad del Six Sigma es proporcionar la información adecuada para

ayudar a la implementación de la máxima calidad del producto o servicio en
cualquier actividad, así como crear la confianza y comunicación entre todos los
participantes, pues se debe tener en cuenta que la actividad del negocio parte
de la información, 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 producción.

Entre ellas se encuentra el enfoque justo a tiempo, que hace énfasis en la
reducción del inventario dentro del proceso, una etapa de arranque rápida y en
un sistema de producción jalado por la demanda; el enfoque Poka-Yoke o a
pruebas de errores de los procesos; el sistema de producción Toyota y otras
técnicas de manufactura japonesa; la reingeniería; la teoría de restricciones; la
manufactura ágil; la manufactura esbelta; etc. La mayoría de estos programas,
dedican muy poca atención a la reducción de la variabilidad, lo cual, impide que
estos esfuerzos alcancen su potencial pleno.
Los Gurúes 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

11
Todas las organizaciones utilizan controles financieros. Estos controles

financieros implican una comparación de los costos reales y los
presupuestados, junto con un análisis 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 años no hubo ningún esfuerzo directo por medir o explicar los costos
de la función 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 términos generales, los costos de la calidad consisten en aquellas

categorías de los costos que se asocian con la producción, identificación,
evitación o reparación de productos que no cumplen con los requerimientos.
Estas categorías de los costos son las siguientes:
COSTOS DE PREVENCIÓN COSTOS DE VALUACIÓN COSTOS DE FALLAS COSTOS DE FALLAS

INTERNAS EXTERNAS
Planeación e Inspección y prueba Desechos Ajustes de quejas

ingeniería de calidad del material de
entrada
Revisión de nuevos Inspección y prueba Reprocesamiento Producto /
productos del producto materiales
devueltos
Diseño del Materiales y Repetición de Cargos por
producto/proceso servicios pruebas garantía
consumidos
Control del proceso Análisis de fallas Costos de
responsabilidad
Mantenimiento de legal
Encendido la precisión del Tiempo ocioso
Capacitación equipo de prueba Pérdidas de
rendimiento Costos indirectos
Adquisición y análisis Degradación (fuera
de datos sobre de especificación)
calidad

12
HERRAMIENTAS ESTADISTICAS
Capitulo
2 TÉCNICAS ESTADÍSTICAS
PARA EL MEJORAMIENTO
DE LA CALIDAD
Es importante recordar que la Estadística es la ciencia encargada de la

recolección, organización e interpretación de datos, para obtener conclusiones
de una población.
Según se haga el estudio sobre todos los elementos de la población o sobre un

grupo de ella, se diferencian dos tipos de Estadística:
 Estadística Descriptiva: Realiza el estudio sobre la población

completa, observando una característica de la misma y calculando unos
parámetros que den información global de toda la población.
 Estadística Inferencial: Realiza el estudio descriptivo sobre un

subconjunto de la población llamado muestra y, posteriormente, extiende
los resultados obtenidos a toda la población.

13
1. TÉCNICAS ESTADÍSTICAS ÚTILES PARA EL MEJORAMIENTO DE

LA CALIDAD.
2.1 DEFINICIONES BÁSICAS
POBLACIÓN: 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 población.
VARIABLE: Característica o propiedad de los elementos o individuos de la

población a estudiar.
Existen dos categorías o tipo de variables:
Variable cualitativa: se refieren a atributos o cualidades que no pueden ser

medidas con números, por ejemplo: rubio, moreno, lugar de residencia, etc.
Variable cuantitativa: se refiere a aquellas características que pueden ser

expresadas numéricamente: edad, peso, número de hijos, etc. Esta a su
vez se subdivide en:
 Variable discreta: es aquella que entre dos valores próximos puede

tomar a lo sumo un número finito de valores. Ejemplos: el número de
hijos de una familia, el de obreros de una fábrica, 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, aún 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 interés se

centra en el número que muestra la cara superior, el espacio muestral sería:
* +
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 ocurrirá si
el resultado es un elemento del subconjunto:
* +
14
Con frecuencia es necesario describir nuevos eventos a partir de

combinaciones de eventos existentes:
 Unión de dos eventos: Es el evento que consta de todos los resultados

que están contenidos en cualquiera de los dos eventos. La unión se
denota por:
 Intersección de dos eventos: Es el evento que consta de todos los

resultados que están contenidos en los dos eventos. La intersección se
denota por:
 Complemento de un evento: Es el conjunto de resultados en el

espacio muestral que no están en el evento. La complemento se denota
por:
 Eventos mutuamente excluyentes: Se dice que dos eventos son

mutuamente excluyentes, si estos no presentan elementos en común;
dos eventos denotados como E1 y E2 tales que son
mutuamente excluyentes.

15
MEDIDAS DE TENDENCIA CENTRAL
Son indicadores estadísticos que muestran hacia qué valor (o valores) se

agrupan los datos.
Existen varios procedimientos para expresar matemáticamente las medidas de

tendencia central, de los cuales, los más conocidos son:
 la media aritmética
 la mediana
 La moda
LA MEDIA ARITMÉTICA
Equivale al cálculo del promedio simple de un conjunto de datos. Para

diferenciar datos muéstrales de datos poblacionales, la media aritmética se
representa con un símbolo para cada uno de ellos: si trabajamos con la
población, este indicador será µ; en el caso de que estemos trabajando con
una muestra, el símbolo será ̅ .
Media aritmética (µ o ̅ ): Es el valor resultante que se obtiene al dividir la

sumatoria de un conjunto de datos sobre el número 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 muéstrales, sin agruparlos o agrupándolos en tablas
de frecuencias. Esta apreciación nos sugiere dos formas de representar la
media aritmética.
 Media aritmética para datos no agrupados:
Observe que la variación de ambas fórmulas radica en el tamaño de los

datos (N identifica el tamaño de la población, mientras que n el de la
muestra).
∑ ∑
̅
POBLACION MUESTRA
 Media aritmética para datos agrupados:
Cuando los datos se agrupan en tablas tipo A, la media aritmética es

igual a la división de la sumatoria del producto de las clases por la
frecuencia sobre el número de dato.
La sumatoria parte desde el primer intervalo de clase (i = 1) hasta el
último (Nc), siendo Xi la clase del intervalo i.

16
Las Tablas Tipo A se caracterizan por manejar un conjunto pequeño de

posibles resultados de una variable dentro de la muestra o población.
Por lo general, su uso tiende al manejo de datos cualitativos o variables
cuantitativas discretas.
∑ ∑
̅
POBLACION MUESTRA
Cuando los datos se agrupan en tablas de frecuencias tipo B, el cálculo

de la media varía un poco, ya que existe una pérdida de información 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 función de representar los

intervalos de clase.
∑ ∑
̅
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 definición de geométrica se refiere al punto que divide en dos partes a un

segmento. Por ejemplo, la mediana del segmento es el punto C.
Existen entonces dos segmentos iguales:
AC = CB
Formula:

17
LA MODA
Indica el valor que más 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.
Fórmula para determinar la moda para tablas de frecuencia.
( ) ( )
Donde equivale al límite superior del intervalo anterior donde se encuentra

la Moda.
MEDIDAS DE DISPERSIÓN
Las medidas de dispersión 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 parámetros informativos que nos permiten conocer como los
valores de los datos se reparten a través de eje X, mediante un valor numérico
que representa el promedio de dispersión de los datos. Las medidas de
dispersión más importantes y las más utilizadas son la Varianza y la Desviación
estándar.
DESVIACIÓN ESTÁNDAR
 Población
∑( ̅)
√
Es la desviación estándar de la variable de interés tomada del total de la

población de tamaño N.
 Muestral

18
∑( ̅)
√
Es la medida de variabilidad de un conjunto de n datos que se obtiene al

promediar las desviaciones individuales de cada dato.
VARIANZA (S2): Es el cuadrado de la desviación estándar.
2.2 TEORIA DE LA PROBABILIDAD:
Leyes de probabilidad
Definición de términos utilizados
( ) ( )
( ) 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 simultáneamente.
Eventos mutuamente excluyentes:
A y B son eventos mutuamente excluyentes cuando no pueden ocurrir

simultáneamente, o sea que no existen puntos muestrales que pertenezcan
simultáneamente 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,
( ⁄ ) ( ) ( ⁄ ) ( )

19
Espacio muestral finito con n puntos equiprobables
Espacio muestral finito con eventos mutuamente excluyentes
Teorema de la Adición:
Si aplicamos la definición básica de probabilidad para el caso de experimentos

equiprobables, tenemos que:
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
En el caso de eventos mutuamente excluyentes,
( ) (
Y se tiene que:
( ) ( ) ( )
Teorema de la multiplicación:
( ) ( ) ( ⁄ )
Se puede explicar esta relación aplicando la definición de probabilidad al

evento ⁄ así:

20
( ⁄ ) ( )
( ⁄ )
( ) ( )
El número de puntos en ( ⁄ ) corresponde a aquellos que están

simultáneamente en B y en A, o sea: ( ), porque el evento expresa que A ya
ocurrió.
El número total de puntos muestrales, que se utiliza como denominador en la

anterior expresión, es el número de puntos que corresponden al evento A,
( ), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurrió.
Ahora,
( ) ( )⁄ ( )
( ⁄ )
( ) ( )⁄ ( )
Y se obtiene que: ( ) ( ) ( ⁄ )
Si se intercambia el orden de los eventos, se llega también a esta otra

expresión del teorema de multiplicación:
( ) ( ) ( ⁄ )
Si A y B son eventos independientes, entonces:
( ) ( ) ( )
Formula de Bayes:
Esta fórmula 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: H1 , H2 ,…,Hi, …, Hk, mutuamente excluyentes.
Se desea hallar una expresión para la probabilidad de que la causa H i , haya

originado el evento A, al cual ya se ha observado al realizar el evento:
( ) ( ) ( ⁄ )
( ⁄ )
( ) ( ) ( ) ( )
El numerador de expresión anterior se obtiene mediante la aplicación del

teorema de multiplicación.
El denominador es una aplicación del teorema de adición, ya que el evento A

puede ocurrir conjuntamente con H1, o con H2, o con Hk.
Por lo tanto, la fórmula de Bayes de expresa así:

21
( ) ( ⁄ )
( ⁄ )
∑ ( )
2.3 VARIABLES ALEATORIAS
Una variable aleatoria es una función que asigna un numero real a cada
resultado en el espacio muestral de un experimento aleatorio1.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados
del espacio muestral, y X es una función definida sobre el espacio muestral, de
manera que transforme todos los posibles resultados del espacio muestral en
cantidades numéricas2.
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 más intervalos de la recta de los reales.
2.4 DISTRIBUCIONES DE PROBABILIDAD

La distribución de probabilidad o distribución de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X), junto con la
probabilidad asociada a cada uno de estos valores.Estas son modelos
matemáticos que relacionan el valor de una variable aleatoria con la
probabilidad que tiene ese valor de ocurrir en una población.
Hay dos tipos de distribuciones de probabilidad:
1. Distribuciones Discretas: Se utilizan cuando el parámetro que se está
midiendo sólo puede asumir ciertos valores dentro de un intervalo.
2. Distribuciones Continuas:Se utilizan cuando la variable que se está

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 estadístico de calidad, entre estas tenemos:
1
MONTGOMERY, Douglas. Probabilidad y Estadística aplicada a la Ingeniería, 2° Edición.
México D.F: Limusa. 2005. Pág. 100.
2
CANAVOS, George. Probabilidad y Estadística, Aplicaciones y métodos. México D.F: McGraw
Hill. 1998. Pág. 53.
22
Distribución Uniforme
Es la más simple de todas las distribuciones de probabilidad discreta pues la
variable aleatoria discreta X puede tomar una cantidad finita de n valores X 1,
X2, X3,…, Xn, cada uno de estos con una probabilidad idéntica 1/n, es decir, con
probabilidad uniforme.
La distribución de probabilidad o función de masa de esta variable aleatoria es:
( ) ( )
Su media y varianza son:
∑ ∑ ( )
( ) ( )
Ejemplo: Cuando se lanza un dado de seis caras, la función de masa de la

variable aleatoria es:
( )
La media y varianza son:

( )
( ) ( ) ( ) ( ) ( ) ( )
Distribución Binomial3
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 únicamente dos resultados posibles, etiquetados
como “éxito” y “fracaso”.
3) La probabilidad de un “éxito” en cada ensayo, denotada como p,
permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al número de ensayos nque producen un
éxito tiene una distribución binomial con parámetros py n = 1, 2,…
La función de masa de probabilidad de X es:
( ) . / ( )
Su media y varianza son:
( ) ( ) ( )
Donde:
p = Probabilidad de éxito.
1 - p = Probabilidad de fracaso
3
Síntesis tomada de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda
edición, México D.F: Limusa, c2005.Parte final del Capítulo 3 y Capítulo 4, Páginas 91-136.

23
x = Número de éxitos deseados

n = Número de ensayos efectuados
Para indicar que una variable X es una binomial de parámetros n y p, se

escribirá X∼ B(n, p).
Ejemplo:
Se tiene una línea de producción 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 producción es conocido que el primer cilindro
que se fabrica al dia es defectuoso debido a la calibración de la maquinaria.
Encuentre la probabilidad de obtener más de dos cilindros defectuosos en los
primeros dos cilindros que se fabrican en un día.
R/.
( ) ( ) ∑. / ( )
( ) ( ) ∑. /( ) ( )
( ) , ( ) ( ) ( )-
( ) . /( ) ( )
( ) . /( ) ( )
( ) ( )( ) ( )
( ) , -
Distribución Geométrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad
constante de éxitop, sea la variable aleatoria X el número de ensayos hasta la
obtención del primer éxito. Entonces X tiene una distribución geométrica con
parámetro p y
( ) ( )
Si X es una variable aleatoria geométrica con parámetros p, entonces la media
y la varianza de X son:
( ) ( )
( ) ⁄ ⁄
Distribución Binomial Negativa

Sea un escenario binomial en que se observa una secuencia de ensayos
independientes, la probabilidad de éxito en cada ensayo es constante e igual a
p. en lugar de fijar el numero de ensayos en n y observar el numero de éxitos,
24
supóngase que se continúan los ensayos hasta que han ocurrido exactamente
r éxitos. En este caso la variable aleatoria es el número de ensayos necesarios
para observar r éxitos. Esta situación lleva a los que se conoce como
distribución binomial negativa con parámetros p y r = 1,2,3,….
p = probabilidad de éxito.
1-p = probabilidad de fracaso.
( ) . /( )
Si X es una variable aleatoria binomial negativa con parámetros p y r, entonces
la media y la varianza de X son:
( )
( ) ⁄ ( ) ⁄
Distribución Hipergeométrica
Se emplea para calcular la probabilidad de obtener determinado número de
éxitos en un espacio muestral de n ensayos; pero que a diferencia de la
distribución binomial, aquí los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una población finita; por esto es que el
resultado de una observación es afectado por el resultado de observaciones
anteriores.
Un conjunto de N objetos contiene
K objetos clasificados como éxitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamaño de n objetos, al azar (sin reemplazo) de
entre los N objetos, donde y
Sea que la variable aleatoria X denote el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica, con:
. /. /
( ) ( )
. /
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n,
entonces la media y la varianza de X son:
( ) ( ) ( ). /
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades
de un proveedor de tuberías del estado vecino. Si se seleccionan cuatro piezas
al azar y sin reemplazo ¿Cuál es la probabilidad de que todas sean del
proveedor local?
Sea X igual al número al número de piezas de la muestra del proveedor local.
Entonces, X tiene una distribución hipergeométrica y la probabilidad pedida es
P(X=4). Por consiguiente:

25
. /. /
( )
. /
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor local?
. /. / . /. / . /. /
( )
. / . / . /
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local?
. /. /
( ) ( )
. /
Distribución de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy
pequeña en cualquier instancia específica, pero a la vez, el número de
instancias posibles sea enormemente grande, la distribución de los sucesos se
realiza mediante la distribución de Poisson.
Dado un intervalo de números reales, suponga que el conteo de ocurrencias es
aleatorio en dicho intervalo. Si puede hacerse la partición del intervalo en
subintervalos con una longitud suficientemente pequeña tales que
1) La probabilidad de más 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
demás subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el número promedio de ocurrencias en el intervalo es la variable
aleatoria X, que es igual al número de ocurrencias en el intervalo, tiene una
distribución de Poisson con parámetro, y la función de masa de probabilidad
de X es
( )
Si X es una variable aleatoria de Poisson con parámetro entonces la media y
la varianza de X son:
( ) ( )
Ejemplo:
La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre
en un disco óptico tiene una distribución de Poisson y el número promedio de
partículas por centímetro cuadrado de superficie del disco es 0.1. El área de un

26
disco bajo estudio es 100 cm2. Encuentre la probabilidad de que ocurran 12

partículas en el área del disco bajo estudio.
Sea que X denote el número de partículas en el área de un disco bajo estudio.
Puesto que el número promedio de partículas es 0.1 partículas por cm 2.
Por lo tanto,
( ) ⁄
( )
2.4.2 DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN NORMAL4
El modelo de uso más generalizado para la distribución de una variable
aleatoria continua es la distribución normal. Siempre que se hace la repetición
de un experimento aleatorio, la variable aleatoria que es igual al resultado
promedio (o total) de las repeticiones tiende a tener una distribución normal,
cuando el número de repeticiones es grande. Una distribución Normal también
se conoce como distribución de Gauss o Gaussiana.
Una variable aleatoria X con función de densidad de probabilidad
( )
( )
√
Tiene una distribución normal con parámetros , donde y .
Además
( ) ( )
Para graficar la función de densidad de probabilidad de una distribución normal,

en el eje horizontal se levantan perpendiculares en dos puntos a y b, el área
bajo la curva delimitada por esas líneas indica la probabilidad de que la variable
de interés 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 asintóticamente hacia los ejes, cuando una variable siga una
distribución normal, será mucho más probable observar un dato cercano al
valor medio que uno que se encuentre muy alejado de éste.
4
Tomado de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería,
Segunda edición, México D.F: Limusa, c2005.Pág. 157-171
27
Gráfica de la Distribución de Probabilidad Normal
A una variable aleatoria normal con y se le llama variable aleatoria

normal estándar. Una variable aleatoria normal estándar se denota como Z.
La función de distribución acumulada de una variable aleatoria normal estándar
se denota como
( ) ( )
Existen un sinnúmero de distribuciones de probabilidad normal, cada una de
las distribuciones puede tener una media (µ) o una desviación estándar distinta
(σ). Por tanto, el número de distribuciones normales es ilimitado y sería
imposible proporcionar una tabla de probabilidades para cada combinación de
y σ.
Para resolver este problema todas las distribuciones de probabilidad normales
se relacionan algebraicamente a una distribución normal estándar, haciendo
antes una transformación simple.
Primero, convertiremos la distribución real en una distribución normal estándar
utilizando un estadístico Z, así:
Es una variable aleatoria normal con ( ) ( ) . Es decir, Z, es una

variable aleatoria normal estándar.
De esta manera, un valor Z mide la distancia entre un valor especificado de X y
la media aritmética, en las unidades de la desviación estándar. Al determinar el
valor Z utilizando la expresión anterior, es posible encontrar el área de
probabilidad bajo cualquier curva normal haciendo referencia a la distribución
normal estándar en las tablas correspondientes (Tabla normal estándar-
Anexos), dicha tabla proporciona la probabilidad de que la variable aleatoria
normal estándar Z tome un valor situado a la izquierda de un número z, P
(Z<z). En otras palabras, esta tabla nos da el valor del área encerrada por f(x)
entre -∞ y z.
Ejemplo:
Cierta máquina fabrica resistores eléctricos que tienen una resistencia
promedio de 25 ohmios y una desviación estándar de 3.2 ohmios. La
resistencia tiene una distribución normal.
a) ¿Qué porcentaje de los resistores tendrán una resistencia inferior a 16
ohmios?
28
( ) ( ) ( )
Lo que implica que el 0.25% de los resistores tienen una resistencia
inferior a 16 ohmios.
b) ¿Qué porcentaje de resistores tendrán una resistencia superior a 35
ohmios?
( ) ( ) ( ) ( )
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a

35 ohmios.
c) ¿Qué porcentaje de resistores tendrán una resistencia entre 20 y 32

ohmios?
( ) ( ) ( )
( ) ( )
Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y

32 ohmios.
d) ¿Por encima de qué valor está el 10% de los resistores con mayor
resistencia?
( )
2.4.3 ALGUNAS APROXIMACIONES ÚTILES

En ciertos problemas de control de calidad, a veces es útil aproximar una
distribución de probabilidad con otra. Esto es particularmente útil en situaciones
en las que la manipulación analítica de la distribución original es difícil. A
continuación se presentan tres de estas aproximaciones:
Aproximación 1:De Hipergeométrica a Binomial.

Siempre que el tamaño de la muestra (n), es excesivamente pequeño con
relación al tamaño de la población (N), la distribución hipergeométrica puede
ser aproximada por la función de probabilidad binomial, en la que el parámetro
.
Aunque en términos estrictos, la aproximación solo puede usarse cuando n es
extremadamente pequeño con relación a N, en la práctica se puede se puede
aplicar esta aproximación siempre que N sea 10 veces mayor que n.

29
Esta aproximación es útil en el diseño de planes de muestreo de aceptación.

Recuérdese que la distribución hipergeométrica es el modelo apropiado para el
número de artículos disconformes obtenidos en una muestra aleatoria de
artículos de un lote de tamaño finito . Por tanto, si el tamaño de la muestra
es pequeño en comparación con el tamaño del lote , puede emplearse la
aproximación binomial, con lo cual por lo general se simplifican
considerablemente los cálculos. Como un ejemplo, suponer que un lote de
producción de 200 unidades contiene 5 unidades que no cumplen con las
especificaciones. La probabilidad de que una muestra aleatoria de 10 unidades
no contenga ningún artículo disconforme es, por la función de distribución
hipergeométrica:
. /. /
( )
. /
Obsérvese que como es relativamente pequeño, podría usarse
la aproximación binomial con n=10 para calcular a partir de
la función de distribución binomial:
( ) . /( ) ( )
Aproximación 2: De Binomial a Poisson

Cuando el parámetro p es muy pequeño (tiende a cero) y n tiende a infinito es
un número pequeño, la función de probabilidad binomial puede ser aproximada
por medio de la función de probabilidad de Poisson, donde el parámetro λ=np
(constante). La aproximación generalmente es buena para grande y si
, aunque pueden utilizarse otros criterios; entre más grande sea el valor
de y menor sea el valor de , mejor será la aproximación.
Aproximación 3: De Binomial a Normal

Siempre que el parámetro p sea aproximadamente igual a 0,5, la función de
probabilidad binomial puede sr aproximada por medio de la función de
probabilidad normal, donde los parámetros y son iguales a y ( ),
respectivamente.
2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA
La prueba de bondad de ajuste es una prueba de hipótesis que se realiza con

frecuencia cuando no se conoce la distribución fundamental de la población y
se quiere probar la hipótesis de que una distribución particular será satisfactoria
como modelo de la población.

30
Un procedimiento formal para probar la bondad de ajuste es el basado en la

distribución ji-cuadrada. Este procedimiento requiere una muestra aleatoria de
tamaño n de la población cuya distribución de probabilidad es desconocida.
Suponer que las observaciones de la muestra están agrupadas en k clases,

siendo la cantidad de observaciones en cada clase
Con el modelo de distribuciónespecificado se puede calcular la probabilidad

que un dato cualquiera pertenezca a una clase .
Con este valor de probabilidad se puede encontrar la frecuencia esperada

para la clase , es decir, la cantidad de datos que según el modelo
especificado deberían estar incluidos en la clase :
Tenemos entonces dos valores de frecuencia para cada clase i

: Frecuencia observada (corresponde a los datos de la muestra)
: Frecuencia esperada (corresponde al modelo propuesto)
Estadístico para la prueba de bondad de ajuste Ji-cuadrado es:
( )
∑
Distribución Ji-cuadrado con grados de libertad
Donde p es la cantidad de parámetros de la distribución hipotética, estimados

por los estadísticos muéstrales. Esta aproximación mejora conforme n
incrementa.
Es una condición necesaria para aplicar esta prueba que
Formalmente, se está interesado en probar las hipótesis siguientes:
Dado un valor de (error deseado tipo I), aceptamos si ( )

y aceptamos si ( ) .

31
Ejemplo 1 distribución exponencial:
Se han observado los tiempos (en minutos) de llegadas de vehículos al peaje

de Tasajera en la ruta Santa Marta-Barranquilla, estos tiempos se muestran a
continuación:
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

vehículos que llegan por minutos
Se pretendo probar si:
Se prueba si los datos son consistentes o no con una variable aleatoria

exponencial (A) cuya densidad es

32
( )
Luego se escoge el numero de categorías que es la ( ) para

este caso es y la probabilidad es o sea . Esto da como valor esperado
para cada categoría.
Para establecer los límites de cada categoría es necesario determinar la

función acumulada ( ), para A.
( ) ( ) ∫
Luego:
Donde ( ) ; ( ) ; ( ) , ( )
Como ( ) , entonces cualquier número p, el valor t que satisface

( ) se podría determinar como sigue:
luego despejando t se obtiene:
( )
( )
( )
( )
( )
Por lo tanto las categorías son las siguientes:

33
Después de clasificar los datos en estas categorías, observamos que

, mediante la construcción de las categorías
, enseguida calculamos ( ):
( ) ( ) ( ) ( ) ( )
( )
( )
El de la tabla es 7,81
Por lo tanto para un error tipo 1 de 0.05 se acepta la hipótesis nula,

concluyendo que los datos provienen de una distribución exponencial.
Ejemplo 2, distribución normal:
En la siguiente tabla se muestra los datos que representa el diámetro de los

agujeros realizados por un taladro sobre la base giratoria de una grúa. Se
desea saber si los datos presentan una distribución normal lo cual certifica que
el taladro está trabajando en buena condición.
Datos del diámetro 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

34
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 hipótesis
2. Se halla el numero de intervalos de clase k y la longitud del intervalo h
( )
3. Se verifica cuantos datos caen el intervalo, así 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
̅
( ( ))
( ( )) ( )

35
( ( )) ( ( ))
( ) ( )
( ( )) ( ( ))
( ) ( )
Así 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

36
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 condición necesaria que , 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 estadístico 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:
( ) ( ) ( ) ( ) ( )
( )
( )
Chi de la tabla:
Por lo tanto como el estadístico observado es menor que el estadístico de la

tabla ( ( ) ), se acepta la hipótesis
nula

37
2.5 HERRAMIENTAS ESTADISTICAS BÁSICAS PARA EL CONTROL

DE LA CALIDAD:
Existen siete herramientas principales que apoyan el efectivo desarrollo del

Control Estadístico de Procesos, estas facilitan la identificación de las
oportunidades de mejora, así como también a reducir la variabilidad del
proceso y por consiguiente a la reducción de los desperdicios. Las
herramientas básicas se enlistan a continuación proporcionan a cualquier
organización 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 Dispersión.
5) Hoja de Verificación.
6) Diagrama de concentración 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
así, con frecuencia puede ser necesaria una adecuada representación gráfica
de los mismos. El histograma es una representación gráfica de los datos en la
que se puede observar:
1) Forma.
 Simétrica
 Asimétrica: 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 distribución uniforme.
 Sin distribución definida.
2) Localización o tendencia central.
Si el histograma no es simétrico, entonces los datos no están

centralizados. Se debe comparar la media muestral con el valor
nominal para darnos cuenta si se pueden cumplir con las
especificaciones.
3) Dispersión o expansión.
Cuando la variabilidad de un proceso es muy amplia, se pueden

presentar un número de defectos, es decir, el no cumplimiento

38
con las especificaciones. Para saber si esto ocurrirá, se hace el

estudio de capacidad de los procesos.
Para la construcción de un histograma es aconsejable seguir los siguientes

pasos:
1) Colocar los datos a representar en filas de aproximadamente diez

números.
2) Identificar y señalar el máximo y el mínimo de cada fila.
3) A partir del máximo y el mínimo de cada fila, localizar el máximo y el
mínimo global.
4) Calcular el Rango de los datos.
5) Seleccionar un número de intervalos que se ajuste al número de datos

obtenidos, para lo cual se recomienda usar la siguiente tabla:
Número de Datos Número de Intervalos

<50 5-7
50-100 6-10
100-250 7-12
>250 10-20
O haciendo √
6) Determine la amplitud de los intervalos: y redondear el valor
obtenido a un múltiplo exacto de la precisión de los datos.
7) Fijar los límites de los intervalos (marca de clase). Se recomienda fijar el
valor del extremo mínimo la mitad de la amplitud.
8) Rellenar la tabla de frecuencias, indicando el número de veces que
aparecen datos dentro de cada uno de los intervalos definidos.
Frecuencia
de los
(Marca
Intervalos datos por ( )
de clase)
intervalo
( )
1 ( ) A -2 -2A 4A2
( ) ( )
2 B -1 -B B2 -
3 - C 0 0 0 -
4 - D 1 D D2 -
5 ( ( )) E 2 2E 4E2 -

39
N = número
de datos =
(∑ )
Cabe anotar que en Ui, si se tiene un k par, toma el valor de cero en el intervalo
de mayor frecuencia.
9) Construir el histograma.
10) Además se puede calcular la media y la varianza de los datos, utilizando
las siguientes fórmulas:
Para la media:
̅
Para la varianza:
∑
Donde es el promedio de las marcas de clase. /.
Y los valores de y se obtiene haciendo:
∑( )
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, éste 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
pequeña parte del problema se les denomina causas triviales. Todo el esfuerzo
debe concentrarse en la eliminación de las causas fundamentales, ignorando
en principio las triviales, que ya serán 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 construcción de un Diagrama de Pareto se pueden seguir los siguientes

pasos:

40
1) Plantear con exactitud el problema a investigar, qué datos serán

necesarios, cómo recogerlo y durante qué 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 realización 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 marcándose
de 0 a 100%.
5) Construir el diagrama de barras. La altura de cada barra de
corresponder al número de observaciones correspondiente a cada
causa, de acuerdo con la variación del eje de la izquierda.
6) Graficar el porcentaje acumulado, el cual se obtiene así:
Núm. de veces Frecuencia

Porcentaje
Causa que se presenta Acumulada Porcentaje
acumulado
la causa
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
DIAGRAMA DE PARET0
200 100%
180 90%
160 80%
140 70%
120 60%
100 50%
80 40%
60 30%
40 20%
20 10%
0 0%
A B C D E F Otras

41
2.5.3 DIAGRAMA DE CAUSA Y EFECTO
En muchas ocasiones cuando se presenta un problema, se confunde su

resolución con la eliminación de los efectos que produce y esto puede traer
consigo malas consecuencias.
Kaoru Ishikawa, en su libro ¿Qué es el control total de calidad?, relata un caso

de su propia experiencia. Explica que cierto dispositivo iba unido a una
máquina por medio de cuatro pernos, el perno 1 se rompía con frecuencia por
lo que se decidió sustituirlo por otro de mayor diámetro. A partir del cambio no
se volvió a partir el perno 1, pero el perno 2 se empezó a romper, ante la nueva
situación se decidió que los cuatro pernos debían ser más grandes y se
procedió al cambio. Con estas medidas ya no se volvió a romper ningún 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 más gruesa. Posteriormente con la realización de un estudio profundo se
puso en manifiesto que una vibración que llegaba al dispositivo era lo que
ocasionaba los fenómenos de ruptura y que si no se eliminaba terminaría
rompiendo la nueva placa metálica 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 aún más perjudicial.
Por tal razón, para solucionar un problema deben estudiarse sus causas y
eliminarlas, en el caso que planteaba Ishikawa la causa era la vibración,
aunque también debería haberse investigado el origen de la misma.
Para saber cuáles son las posibles causas que hay detrás 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 cuál es el efecto (el problema, la

característica 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, métodos, medio ambiente y mantenimiento
(conocidas como las seis M); cada causa primaria está integrada por
varias secundarias, esta por terciarias y así sucesivamente, tal como se
muestra en la siguiente figura.

42
2.5.4 DIAGRAMA DE DISPERSIÓN:
Un Diagrama de Dispersión es la forma más sencilla de definir si existe o no

una relación causa efecto entre dos variables y que tan firme es esta relación,
El Diagrama de Dispersión es de gran utilidad para la solución de problemas de

la calidad en un proceso y producto, ya que nos sirve para comprobar que
causas (factores) están influyendo o perturbando la dispersión de una
característica de calidad determinada o variable del proceso a controlar.
Los motivos más comunes de este tipo de diagrama son analizar:
 La relación entre una causa y un efecto.

 La relación entre una causa y otra.
 La relación entre una causa y otras dos causas.
 Un efecto y otro efecto.
La construcción de un diagrama de dispersión puede realizarse de la siguiente

manera:
1) Reunir pares de datos de las variables cuya relación se desea investigar.

Con menos de 30 pares es difícil 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
característica de calidad y la otra un factor (de diseño o de producción),
se sitúa la primera en el eje vertical.
43
3) Situar los puntos en el gráfico. Si dos o más puntos coinciden, se señala

marcando círculos concéntricos.
4) Incorporar toda la información pertinente que ayude a interpretar el

gráfico (título del diagrama, número de pares de datos, título y unidades
de cada eje, etc.).
Los diagramas de dispersión pueden presentar distintos aspectos según el

tipo de relación que exista entre las variables a continuación se representan
diversos tipos de diagramas que aparecer.

44
2.5.5 CARTA DE VERIFICACIÓN:
Es común que con frecuencia sea necesario colectar datos de operación, sean
históricos o actuales, acerca del proceso bajo investigación, una hoja de
verificación puede ser de gran utilidad en esta actividad. En esta se resume
información en función 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 contratación de obreros eventuales durante un periodo vacacional.
Cuando se diseña una hoja de verificación, es importante especificar

claramente el tipo de datos que van obtenerse, el número de parte u operación,
la fecha, el analista y cualquier otra información útil para diagnosticar la causa
del desempeño pobre. Si la hoja de verificación es la base para realizar
cálculos adicionales, o si se usa como hoja de trabajo para capturar datos en
una computadora, entonces es importante asegurarse de que la hoja de
verificación adecuada para este propósito antes de que se inviertan esfuerzos
considerables en la obtención real de los datos.
HOJA DE VERIFICACIÓN
DATOS DE DEFECTOS DE 1988-1989 A LA FECHA
Nº 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 Dañadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de Maquinado 3 3 1 8 3 8 3 29
45
Partes Suministradas Oxidadas 1 1 2 9 13

Obturación Insuficiente 3 6 4 3 1 17
Soldadura desalineada 2 2
Procesamiento fuera de orden 2 2 4
Remisión de la parte incorrecta 1 2 3
Estructura aerodinámica no 3 3
determinada
Falla de adherencia 1 1 2 1 1 6
Alodino en polvo 1 1
Pintura fuera de los límites 1 1 2
Pintura dañada por corrosión 1 1
Película sobre las partes 3 1 1 5
Latas de pintura tapa poros dañada 1 1
Vacíos 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 roció 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 CONCENTRACIÓN DE DEFECTOS
Un diagrama de concentración 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 localización de los
defectos en la unidad transmite cualquier información útil sobre las causas
potenciales de los defectos.
Cuando los datos de los defectos se representan en un diagrama de

concentración de defectos para u número suficiente de unidades, es común
que surjan patrones y la localización de estos patrones suele contener mucha
información sobre la causa de los defectos.
En la siguiente figura se muestra un diagrama de concentración de defectos en

la etapa de ensamblaje final de un proceso de fabricación de refrigeradores:
Parte Superior
Lado Parte posterior Lado

Frent
Izquierdo Control estadístico de la calidad
eIngeniería industrial Derecho 46
Parte inferior
En este diagrama se puede observar los defectos de terminado superficial que

se identifican como las áreas sombreadas oscuras en el refrigerados. Al
inspeccionar el diagrama parece claro que el manejo de material es el causante
de la mayoría de estos defectos. La unidad se mueve fijando un cinturón en la
parte media y este cinturón está muy flojo(o muy apretado), desgastado, está
hecho de un material abrasivo o es demasiado angosto. Además, cuando la
unidad se mueve se están dañando las esquinas. Es posible que la fatiga del
trabajador sea un factor en este proceso. De cualquier modo, los métodos de
trabajo apropiados y el manejo mejorado de los materiales probablemente
mejorarán este proceso sustancialmente.

47
Capitulo
3 CAPACIDAD DEL
PROCESO
Las técnicas estadísticas 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.

48
CAPACIDAD DEL PROCESO
3 ANÁLISIS DE CAPACIDAD DEL PROCESO
El análisis de la capacidad del proceso es un paso básico dentro de

cualquier programa de control de calidad. Su objetivo es tratar de analizar
hasta qué punto pueden resultar conformes al proyecto los artículos
producidos mediante un proceso. El objetivo del análisis de capacidad es
determinar la variación natural de un proceso cuando se han minimizado los
efectos de todos los factores ajenos y que no contribuyen al mismo.
Además en la variación 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 producción.
3.1 DEFINICIONES BASICAS
 Proceso: Éste se refiere a alguna combinación única de máquinas,

herramientas, métodos, materiales y personas involucradas en la
producción.
 Capacidad del proceso: Es la aptitud del proceso para producir
productos dentro de los límites de especificaciones de calidad.
 estado de control:
 Un proceso se dice que se encuentra bajo control estadístico
si sólo se ve afectado por un conjunto de causas aleatorias de
variación
 Si el proceso se encuentra afectado por causas asignables de
variación, se dice que está 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 medición 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 estadístico,
es decir, en ausencia de causas especiales o atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino
que presentan cierta variabilidad, cuando el proceso está bajo control,
solo actúan las causas comunes de variación en las características de
calidad.
 Valor Nominal:Las características de calidad tienen un valor ideal óptimo
que es el que desearíamos que tuvieran todas las unidades fabricadas
pero que no se obtiene, aunque todo funcione correctamente, debido a
la existencia de la variabilidad natural.

49
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 método estadístico para medir el funcionamiento de un
proceso. Se dice que un proceso está funcionando bajo control estadístico
cuando las únicas causas de variación son causas comunes (naturales). El
proceso debe controlarse estadísticamente detectando y eliminando causas
especiales (imputables) de variación.
El objetivo de este sistema es proporcionar una señal estadística cuando

aparezcan causas de variación imputables, es decir, la detección 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 línea (Tema que explicaremos en la siguiente unidad),
permitiendo también la estimación de la capacidad o habilidad del proceso y la
reducción 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 dispersión seis sigma en la distribución de la

característica de la calidad del producto como una medida de la capacidad del
proceso. A continuación se muestra un proceso para el que la característica de
calidad tiene una distribución normal con media μ y desviación estándar σ. Los
“límites de tolerancia natural” superior e inferior del proceso son , es
decir:
Para una distribución normal, los limites de tolerancia natural incluyen el

99.73% de la variable o dicho en otros términos, 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 pequeño, pero

corresponde a 3.4 partes por millón disconformes.
 Si la distribución de la salida del proceso no es normal, entonces el
porcentaje de la salida que quedara fuera de puede diferir
considerablemente de 0.27%.
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.
50
En el estudio de capacidad del proceso por lo general se miden los parámetros

funcionales del producto, no el proceso en sí. Cuando el analista puede
observar directamente el proceso y puede controlar y monitorear la colección
de datos, el estudio es un verdadero estudio de capacidad del proceso, ya que
al controlar la colección 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 razón, para desarrollar un análisis de capacidad del proceso, es
necesario utilizar los siguientes supuestos, o comprobarlos a través de
herramientas estadísticas:
 Los datos obtenidos en el desarrollo de un muestreo se ajustan a una

Distribución Normal.
 El proceso se encuentra bajo control estadístico, es decir, es afectado
únicamente por su variabilidad natural.
Entre los usos principales de los datos de un análisis de capacidad del proceso
se encuentran los siguientes:
 Predecir la medida en que el proceso se apegará a las tolerancias.

 Brindar asistencia a los responsables del desarrollo y diseño 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 diseño para el equipo nuevo.
 Seleccionar entre proveedores competidores.
 Planear la secuencia de los procesos de producción cuando está
presente un interactivo de los procesos sobre las tolerancias.
 Reducir la variabilidad en un proceso de manufactura.
Por tanto, el análisis de capacidad del proceso es una técnica que tiene
aplicación en muchos momentos del ciclo del producto, incluyendo el diseño de
productos y procesos, la fuente de proveedores, la planeación de la producción
o la manufactura y la propia manufactura.
En el análisis de capacidad del proceso se utilizan tres técnicas principales:

histogramas, graficas de probabilidad, cartas de control y experimentos
diseñados.
CAUSAS COMUNES Y ESPECIALES DE VARIACION

51
 Causas Comunes o causas Naturales:La variabilidad natural siempre

existe en cualquier proceso de producción, no importa que tan bien
diseñado esté. Esta variabilidad natural es denominada causas comunes
o aleatorias de variabilidad, es decir:
 Inherentes al proceso. Siempre existen.
 Esta variación es el efecto de varias pequeñas causas y no puede ser
totalmente eliminada.
 Cuando la variación es pequeña se dice que el sistema está en estado
estable de causas comunes  bajo control estadístico.
Ejemplos:
 Variación de materia prima de un proveedor calificado.

 Vibración de la maquinaria.
 Cambios en las condiciones de trabajo.
 Causas Asignables o Especiales: Se trata de variaciones en un

proceso de producción que pueden atribuirse a causas especificas, es
decir:
 La variabilidad originada por causas asignables es algo para lo cual se
puede determinar una razón.
 La magnitud de la variación 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 especificación de Proceso
a) Proceso bajo control estadístico b) Proceso Fuera de Control

Variabilidad natural Variabilidad especial
3.3 INDICE DE CAPACIDAD POTENCIALDEL PROCESO

52
La capacidad del proceso según se mide con Cp, se refiere a la variación en un

proceso alrededor del valor promedio y 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).
Uso e interpretación del Índice
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.
Se puede decir también que es una forma cuantitativa simple para expresar la
capacidad del proceso. Su valor está dado a partir de una relación entre la
Tolerancia de las especificaciones del proceso, determinadas por petición del
cliente, y la variabilidad natural del proceso, para este caso seis sigma ( ).
LSE, representa el límite superior de especificación y LIE el límite inferior.
En este orden de ideas, de acuerdo al valor que tome el índice de capacidad

, los procesos pueden clasificarse de la siguiente manera:
Valor del Clase de

Decisión
Cp proceso
Cp>1.33 1 Más que adecuado
Adecuado para el trabajo, pero requiere de un
1<Cp<1.33 2 control estricto conforme al Cp se acerca a
uno.
No adecuado para el trabajo. Un análisis del
0.67<Cp<1 3
proceso es necesario.
No adecuado para el trabajo. Requiere de
Cp<0,67 4
seria modificaciones.
Aunque este parámetro es de gran utilidad, su cálculo no toma en

consideración dónde se localiza la media del proceso respecto de las
especificaciones. El solamente mide la extensión de las especificaciones en
comparación con la dispersión seis sigma del proceso. En distintas situaciones
su valor puede indicar un proceso más 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 límite superior o por el
inferior. Esta situación se puede apreciar en la siguiente distribución de datos:
53
Situación en la que el índice es ineficaz
3.4 INDICE DE CAPACIDAD REAL DEL PROCESO
Uso e Interpretación del Índice
Este índice si toma en cuenta el centrado del proceso respecto a las

especificaciones, en este caso se denomina Cpk, cuando el índice es
ineficaz, es decir, cuando no hay coincidencia entre la media del proceso y la
media de las especificaciones, es necesario el uso de , índice conocido
también como capacidad real del proceso. De esta manera, es común decir
que mide la capacidad potencial del proceso, mientras que la capacidad
real.
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
Se evalúa tomando el mínimo entre los Cp’s correspondientes a cada lado de
la media, como sigue,
( )
A continuación un ejemplo grafico de dos procesos pueden tener un Cpk igual

a uno, pero sin embargo no necesariamente están centrados respecto a la
media de las especificaciones como se muestra a continuación:

54
Procesos con Cpk = 1 pero con centrado diferente
LIE LSE LIE LSE

Proceso A: CPk=1 Proceso B: CPk=1
Interpretación de los resultados para el valor de los índices de capacidad
1. Proceso Capaz y centrado ( )
2. Proceso potencialmente capaz pero descentrado ( )
3. Proceso Incapaz y centrado ( )
4. Proceso Incapaz y descentrado ( )
Cada una de estas situaciones en un proceso productivo es presentada a

continuación:
Tipos de procesos en relación a su capacidad.
Un supuesto importante subyacente en la discusión de la capacidad del

proceso y de los índices es que su interpretación usual se basa en una
distribución normal de la salida del proceso. Si la distribución fundamental no
es normal, entonces, los enunciados acerca de la porción caída del proceso
atribuido a un valor particular pueden estar equivocados
3.5 ¿Cómo buscar cantidad de productos no conformes?
Dado que el proceso se ajusta a una distribución normal, la proporción de

productos no conformes (%PNC), es el porcentaje de productos por cada límite
de la función de densidad de probabilidad Normal que rebasa los límites de
especificación.

55
Para el límite superior:

̅̅̅
Luego,
( ) ( ) ( )
Para el límite inferior:

̅̅̅
Luego,
( ) ( )
De esta manera, la cantidad total de productos no conformes es la suma de la

proporción por cada uno de los límites.
En el momento de hallar , se debe tener en cuenta que si el primer valor

es mayor que 1, entonces la proporción de productos no conformes por el límite
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
límite inferior.
Para un proceso que genera una proporción de productos no conformes como

el siguiente, se tienen algunas alternativas:
LIE LSE
Reducir la desviación estándar
LIE LSE

56
Cambiar la media y hacer Centramiento
LIE LSE
Lo ideal sería cambiar ambas
LIE LSE
3.6 ¿Cómo hacer una recolección de datos para hacer un análisis de

capacidad o cualquier estudio estadístico?
Para la recolección de los datos se toman k muestras de tamaño n, en un

tiempo determinado por días, horas o minutos, según los requerimientos del
proceso, la media, la desviación estándar y el recorrido de los datos se
obtienen de la siguiente manera:
n (Para este caso, 4) ̅

k
1 2 3 4
1 3,4 5,3 2,1 3,8 3,65 3,2
2 - - - - - -
3 - - - - - -
4 - - - - - -
5 - - - - - -
∑̅ ̅ ∑ ̅
Los valores utilizados para realizar el análisis de la capacidad del proceso son
̅ y ̅.
El valor de la desviación estándar se determina de la siguiente manera:
Donde es una constante, su valor depende del tamaño 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 módulo (Sección 7).
57
Es útil la construcción e interpretación de histogramas para el manejo de este

tema, este procedimiento es explicado en la sección 2 del módulo.
A continuación se dará un ejemplo de un ejercicio de aplicación de la temática

tratada.
Ejemplo 1:
En cierto proceso de maquinado se ha llevado una grafica ̅ ̅ sobre el

diámetro de cierta parte.
Después de verificar si el proceso está bajo control estadístico y que los datos
se comportan como una distribución normal, se tienen los siguientes datos.
a) Calcule los índices Cp y Cpk y haga un análisis completo de la

capacidad del proceso.
b) Obtenga la proporción esperada fuera de especificación unilateral y de
manera total.
c) Calcular el inciso a) y b) con el proceso centrado
d) Entre que valores debe oscilar ̅ , de tal manera que la fracción de no
conformes sea a lo sumo de 1% (Ventana de Operación).
Solución:
a) Índices de Capacidad
̅
Se obtuvo de la tabla factores para construir cartas de control para

variables.
Como decimos que el proceso no es capaz

58
( )
̅̅̅
̅̅̅
( )
El es menor que 1 entonces está arrojando productos no conformes por

el límite superior.
b) %PNC
̅̅̅
( )
( )
El proceso arroja 1,25% de productos no conformes.
Entonces se dice que el proceso no es capaz, no está 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 técnica
resulta más económica que la reducción de la variabilidad, que sería lo ideal,
aunque muy costosa, pues requiere un análisis riguroso de las 6M de
producción (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente, Métodos
y Materiales).
c) Teniendo en cuenta el ejemplo desarrollado, si centramos el proceso, se

tiene:
Con el proceso centrado el
̅̅̅
( )
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2
=0,006

59
%PNC = 0,6%
d) La Ventana de Operación son los valores entre los que puede oscilar ,
para arrojar a lo sumo una proporción de productos no conformes especificada.
En este caso esa proporción de productos es de 1%.
Para producción no conforme por el límite superior:
( )
( )
̅ ( )
Para producción no conforme por el límite inferior:
( )
̅ ( )
La ventana de operación para una producción de productos no conformes de

1% es , -.
Ejemplo 2:
Un proceso productivo tiene un , y está centrado.
a) Estime la proporción de productos no conformes

b) Si el proceso esta descentrado a , que valor toman los índices y

60
Solución
a) Como el proceso está centrado
%PNC
( ) ( )
Como está centrado está arrojando la misma cantidad de productos no

conformes por ambos lados tenemos
b) Si el proceso esta descentrado a
0 1
, -

61
0 1⁄
0 1⁄
EJERCICIOS PROPUESTOS
1) Un proceso está bajo control con ̅ . Las especificaciones

del proceso son . El tamaño de la muestra es .
a) Estimar la capacidad potencial.

62
b) Estimar la capacidad real

c) ¿Cuánto podría reducirse la porción caída del proceso cambiando la
media a la dimensión nominal? Suponer que la característica de
calidad tiene una distribución normal.
2) Una fábrica 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
fenómeno de la fotosíntesis. 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 patrón estadístico del proceso en el reactor y para
tal efecto se han tomado datos de los últimos 200 lotes de cada uno de
ellos con relación al % del ingrediente activo liberable y se le han
construido los respectivos histogramas. Haga un análisis estadístico
exhaustivo sobre la capacidad del proceso, para cada uno de los
reactores. Se anexa cuadro extraído 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 ̅ de tal manera que la fracción de no

conforme sea a lo sumo 10%?
De los lotes no conforme que exceden el límite superior de
especificación el 60% de ellos se pueden reprocesar a un costo unitario
de 80u.m y quedan aceptables. Los lotes no conforme por el límite
inferior son reprocesables en un 90% y ocasionan un costo unitario
adicional de 30u.m. el costo de producción de cada lote es de 300u.m;
¿Cuánto cuesta producir un lote conforme?.

63
3) Un proceso está bajo control estadístico con parámetros ̅ y

desviación . Las especificaciones son . Entre que valores
puede oscilar ̅ de tal manera que la fracción no conformes sea a lo
sumo 4%. De los artículos no conformes que excedan el límite de
especificación superior, el 70% se pueden reprocesar a un costo unitario
de 80 u.m. y quedan aceptables. Los artículos no conformes por el límite
inferior no son reprocesadles y ocasionan un costo unitario de 30u.m. el
costo de producción de cada artículo es de 250u.m. ¿Cuánto cuesta
producir un artículo conforme?
4) Aceros S.A. produce laminas de acero se 3mm de espesor y 1200 mm

de ancho, característica que se considera la más relevante por el cliente
debido al uso que se puede dar. Por esta se implementa un programa de
control con esta característica de calidad con una muestra n=, la carta y
su media es ̅ y el promedio de la carta rango ̅ . Las
especificaciones requeridas por la lámina son mm para el
ancho de las láminas. El costo de producción de las láminas es
11000u.m. por políticas de la empresa por cada lamina que cumpla con
las especificaciones, se obtiene una utilidad del 35% sobre costos de
producción. Las láminas que no cumplan las especificaciones por el
límite superior perdiendo el 10% del precio de venta de la lámina. Por
cada lámina que no cumple por el límite inferior se obtiene solo una
utilidad del 15%. La empresa recibe un pedido de 1000 láminas.
a) Cuál es su opinión sobre la capacidad del proceso

b) Calcular la fracción productos no conformes del proceso
c) Qué 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 índice de capacidad , pero la media esta, dos

desviaciones típicas por encima del límite superior de especificación.
¿Cuál es la probabilidad de fabricar un producto dentro de los límites de
especificación?
6) Arturito S.A., fabrica tubos de aluminio. Para tener el proceso bajo

control estadístico emplea un gráfico XbarraR. Se encontró que el
promedio de los promedios de las muestras es 105 mm, tomando
muestras de tamaño 5, y el promedio de los promedios fue de 12 mm.
Las especificaciones del diámetro de los tubos, es de y si
una unidad es defectuosa por el LSE es reprocesada a un costo de 35

64
u.m. y solo el 77% de estas queda como producto conforme. Además

producir una unidad cuesta 250 u.m. El precio de venta es de 400 u.m.
a) Actualmente, ¿cuál es la cantidad de productos no conformes del

proceso?
b) ¿Cómo podría mejorarse la situación actual? ¿En cuánto se reduce?
c) ¿Qué corrimientos serían permitidos en la media del proceso, para
que se genere un 8% de productos no conformes?
d) ¿Según 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., ¿Cuál
es el punto de equilibrio de la empresa? Tenga en cuenta que una
unidad defectuosa se puede rematar a 60% del costo de producción
7) Un proceso está bajo control estadístico con ̅ ,

las especificaciones del proceso son 95±10. La característica de la
calidad tiene una distribución normal.
a) Estimar la capacidad potencial

b) Estimar la capacidad real
c) Cuanto podría reducirse la porción de productos no conformes si la
media del proceso toma el valor nominal.
8) Un proceso de llenado de bolsas de harina está generando en total 15%

de productos no conformes con relación al peso mínimo y máximo de la
bolsa llena.
La cantidad de productos no conforme por uno de los límites de
especificación es el doble con relación a la cantidad de productos no
conformes que se generan por el otro limite de especificación.
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
proporción por cada uno de los límites de especificación.
9) Los planos de un ajuste eje-agujero indican una tolerancia ISO 40H8/f7,

que fija los siguientes limites de tolerancia (en mm):
Agujero: Eje:
Por los requerimientos de servicio del ajuste, esta tolerancia tiene
siempre juego positivo:
( )

65
El proceso de torneado del eje se realiza con un torno y tiene una

desviación típico y el fresado del agujero tiene una
desviación típica .
a) Calcule los de los procesos de mecanizado.

b) ¿Cuál es la desviación típica del juego? Justifique la respuesta.
c) Se está estudiando reducir la variación 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, ¿Qué
fracción de los ajustes fabricados no cumplirían los nuevos criterios
impuestos al juego?
d) Si se pretende disminuir la fracción defectuosa con los nuevos criterios
impuestos al juego, ¿Qué sería más 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 está fuera

del intervalo de tolerancias.
El juego se define como la diferencia de la dimensión del agujero y del
eje.

66
Capitulo
4
CARTAS DE CONTROL
Una carta de control es un gráfico en el que se representa el comportamiento

de un proceso en el tiempo.El objetivo principal de los gráficos de control es
detectar lo antes posible cambios en el proceso que puedan dar lugar a la
producción de unidades defectuosas.

67
CARTAS DE CONTROL
4 CARTAS DE CONTROL
4.1 GENERALIDADES:
Las cartas de control son la herramienta más poderosa para analizar la

variación en la mayoría de los procesos. Han sido difundidas exitosamente en
varios países dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atención hacia las causas especiales
de variación cuando estas aparecen y reflejan la magnitud de la variación
debida a las causas comunes.
Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente, cuando ocurre esto tenemos un proceso estable y
predecible. Cuando existen causas especiales el proceso está fuera de Control
Estadístico; las gráficas 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
plástico, 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 serán aceptadas.
El objeto del Control estadístico de Calidad, es encontrar y separar las Causas

Asignables. (Aun cuando no estén 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 límites de control o muestran

una tendencia particular, decimos que el proceso está fuera de control, y esto
es debido a las Causas Asignables.
Causas no asignables o fortuitas (Causas comunes): La característica

principal que define a este tipo de causas es que Actúan constantemente, de
una forma estable, provocando una variabilidad homogénea 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 estéril y en la mayoría de los casos extremadamente caro. Por lo que
no pueden ser reducidas o eliminadas a menos que se modifique el proceso.

68
CARTAS DE CONTROL
Por otra parte estas variaciones dentro de ciertos límites 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 está
funcionando bajo control estadístico.
Principios básicos
A continuación s muestra una carta de control típica, que representa alguna

característica de calidad de un producto.
Figura 1.
Car ac ter ística de la calidad muestral.
Numer o de muestr as o tiempo
La carta contiene, una línea central (LC), que representa el valor promedio de
la característica de calidad que corresponde al estado bajo control(es decir
cuando únicamente están presentes causas fortuitas.) También se muestran
dos líneas horizontales, llamadas límite de control superior (LCS) y limite
de control inferior (LCI). Estos límites de control se eligen de tal modo que si
el proceso está bajo control, casi todos los puntos muéstrales se localizan entre
ellos. En tanto los puntos graficados se localicen dentro de los límites de
control, se supone que el proceso está bajo control y no es necesaria ninguna
acción. Sin embargo, puede ocurrir que todos los puntos se encuentran dentro
de los límites de control, pero si su comportamiento ocurre de manera
sistemática o no aleatoria, podría ser un indicio de que el proceso se encuentra
fuera de control. Estos y otros comportamientos se estudiaran más adelante.
4.2 OBJETIVOS DE LAS CARTAS DE CONTROL.
 Estandarizar los procesos.

 Verificar si el proceso está bajo control estadístico.
 Ayudar a reducir la variabilidad.
 Monitorear el proceso.
 Inferir sobre tendencias futuras.
69
CARTAS DE CONTROL
 Proveer evidencias de problemas de calidad.

 Ofrecer información confiable para tomar acciones oportunas.
Cuando un proceso está en control estadístico puede predecirse su

desempeño 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 HIPÓTESIS.
Existe una estrecha relación entre las cartas de control y la prueba de

hipótesis; si decimos que:
Cuando un punto se localiza dentro de los límites de control es equivalente a

no poder rechazar la hipótesis de control estadístico, y cuando un punto se
localiza fuera de los límites de control es equivalente a rechazar la hipótesis de
control estadístico.
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o
errores.
Decir que el proceso esta fuera de control, cuando en realidad

no lo esta, es decir.
  PError tipo I 
2

2
 PRechazar H 0 H 0 es verdadera
  0
Decir que el proceso está bajo control, cuando en realidad no

lo está. Es decir. b
b  PError tipo II
 PNo rechazar H 0 H 0 es falsa 
  0
Así mismo el error tipo 1 representa el complemento de la confiabilidad con la
que se maneja la prueba de hipótesis y el error tipo 2 el complemento de la
potencia que tiene la carta para detectar puntos por fuera de los límites de
especificación.
Entonces:

70
CARTAS DE CONTROL
La potencia: ;es * | +
La confiabilidad: ; es * | +
Estos riesgos son inversamente proporcionales, puesto que cuanto más

confiable se es, la potencia disminuye, y cuanto más potente se es la
confiabilidad es menor.
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con límites 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 condición fuera de control aún cuando
ningún punto particular se localice fuera de los límites de control, cuando el
patrón que forman los puntos graficados muestra un comportamiento no
aleatorio o sistemático.
En muchos casos, el patrón de los puntos graficados proporcionará información

de diagnostico útil sobre el proceso, y esta información puede usarse para
realizar modificaciones que reduzcan la variabilidad. Estos patrones ocurren
con bastante frecuencia y su eliminación es necesaria para poner el proceso
bajo control.
En general, los gráficos de control se limitan a registrar la variabilidad existente.

Nuestra labor consistirá en interpretar la información que nos proporcionan,
identificando las posibles variaciones y anomalías que pueden presentarse y
aplicando las medidas convenientes en cada caso. A continuación se muestran
los patrones más comunes en las cartas de control.
Punto fuera de control

Un punto único fuera de los límites de control casi siempre se produce por una
causa especial.
Una razón común por la que un punto cae por fuera de un límite de control, es
un error en el cálculo de ̅ para la muestra. Cada vez que esto ocurra, se
deberán revisar los cálculos. Otras causas posibles son una interrupción de
energía repentina, una herramienta descompuesta, un error en la medición o
una operación incompleta u omitida del proceso.

71
CARTAS DE CONTROL
M
Región de control,
E
D captura la variación
I natural del proceso
LSC
D original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
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
más indican una situación fuera de control. Las tendencias suelen deberse al
desgaste o deterioro gradual de una herramienta o de algún otro componente
crítico del proceso, también pueden ser resultado de causas humanas, tales
como fatiga del operador o la presencia del supervisor así como resultar de
influencias estacionales, como la temperatura.
Proceso fuera de control por tendencias
Corrimiento en la media del proceso:un número inusual de puntos

consecutivos que caen a un lado de la línea central casi siempre es una
indicación 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 línea central, se podría llegar a la conclusión de que la media
cambio.
Este corrimiento puede ser generado por un cambio en métodos, operadores,

materias primas, métodos de inspección, etc.

72
CARTAS DE CONTROL
LSC
LC
LIC
Patrón de anormalidad con corrimiento de la media
Estratificación:ocurre cuando casi todos los puntos caen cerca de la línea

central y se muestra como una adhesión a la media. Esto puede ser causado
por límites mal calculados, tomar piezas de procesos diferentes o falta de
resolución del equipo de medición.
LSC
LC
LIC
Patrón de anormalidad de “estratificación”
Patrones cíclicos: 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
Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca

o fuera de los límites de control, con muy pocos puntos cerca de la línea
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.

73
CARTAS DE CONTROL
LSC
LC
LIC
Patrón de anormalidad con mezcla de lotes
Para reconocer un patrón de comportamiento no sólo se requiere conocer las

técnicas estadísticas, sino también tener un conocimiento profundo del
proceso.
En resumen los patrones de anormalidad más comunes son:
 Un punto fuera de los límites de control.

 Siete puntos formando una tendencia ascendente o descendente.
 Dos de tres puntos a más de dos sigma de la línea central en el mismo
lado.
 Cuatro de cinco puntos consecutivos que se encuentren a una distancia
de 1-sigma o más allá a partir de la línea central.
 Catorce puntos alternándose arriba y debajo de la media.
 Quince puntos consecutivos encontrados entre más menos 1-sigma de
la línea central (adhesión a la media).
 Un patrón no usual o no aleatorio de datos.
Hay que tener cuidado de no exagerar en la aplicación 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 aplicación de los gráficos de control, el proceso ha

detener una estabilidad suficiente que, aún siendo aleatorio, permita un cierto
grado de predicción. En general, un proceso caótico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el gráfico de
control ni tiene sentido hablar de capacidad.
En lo sucesivo, se supondrá que los procesos tienen un cierto grado de

estabilidad. Podemos distinguir dos casos:
74
CARTAS DE CONTROL
 El proceso está regido por una función de probabilidad cuyos

parámetros permanecen constantes a lo largo del tiempo. Este sería el
caso de un proceso normal de media constante y desviación típica
constante. Este es el caso ideal y al que se pueden aplicar los gráficos
de control para detectar la presencia de causas asignables.
 El proceso está regido por una función de probabilidad alguno de cuyos

parámetros varía ligeramente a lo largo del tiempo. Este sería el caso de
un proceso normal cuya media varía 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 sería una
causa especial; sin embargo si puede conocerse la velocidad de
desgaste, podría compensarse resultando un proceso análogo al caso
anterior.
Debe tratar de conocerse todo lo que sea posible de los fundamentos

tecnológicos del proceso, ya que puede dar pistas sobre el tipo de distribución
que seguirán los datos. En ningún caso debe “darse la
normalidadporsupuesta”. Debe comprobarse y en caso de que los datos no
sean normales, deben aplicarse métodos especiales.
4.6 TIPOS DE CARTAS DE CONTROL
En general, los gráficos de control dirigen la atención hacia las causas

especiales y hacia la magnitud de la variación. Aportan pruebas de que el
proceso está bajo control estadístico. Se pueden analizar en ellos tanto
variables como atributos.
Según las características a estudiar, los gráficos de control se pueden clasificar
de la siguiente manera:
4.6.1 CARTAS DE CONTROL PARA VARIABLES
Muchas características de calidad pueden expresarse en términos de una

medición numérica, por ejemplo, el diámetro de un rodamiento podría medirse
con un micrómetro y expresarse en milímetros. A una característica particular
medible de la calidad, tal como una dimensión, peso o volumen se le llama
variables.
Cuando se trata con una característica de la calidad que es una variable, por lo
general es necesario monitorear tanto el valor medio de la característica 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 ̅ .
Por su parte la variabilidad del proceso puede monitorearse con una carta de
75
CARTAS DE CONTROL
control para la desviación estándar, llamada carta S, o bien con una carta de
control para el rango, llamada carta R. Por lo que tenemos:
 ̅


Las cartas ̅ y R (ó S) se encuentran entre las técnicas estadísticas de

monitoreo y control de procesos en línea más importantes y útiles.
Cartas de Medias/Rangos ( ̅ )
El conjunto de estos dos gráficos es el procedimiento de control estadístico de

proceso más utilizado. Su uso es demandado cuando se tiene una
característica en particular que se desea controlar, puesto que estos gráficos
se utilizan cada vez para una sola característica.
La carta ̅ 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 instantánea del proceso en un tiempo dado).
Estas cartas se grafican de forma separada, pero su análisis es conjunto, solo

el hecho de que una no cumpla los requisitos o criterios establecidos, indica
que el proceso no se encuentra bajo control estadístico.
Procedimiento
Paso 1: Recolectar los datos.
Los datos son el resultado de la medición de las características del producto,

los cuales deben de ser registrados y agrupados.
Paso 2: Calcule el rango promedio  R  y la media del proceso X .  

R  X mayor  X menor
R1  R2  ......RK
R
K
X 1  X 2  .......X K
X
K
Paso 3: estime la desviación para ̅

76
CARTAS DE CONTROL
Paso 4: Calcule los límites de control

Los límites de control son calculados para determinar la variación de cada
subgrupo, están basados en el tamaño de los subgrupos y se calculan de la
siguiente forma:
Limites de control para la carta R
̅
̅
̅
Limites De Control para la Carta ̅
̅ | |
√
̅
̅ | |
√
Limites De Control para la Carta ̅ trabajando con ( )
̅ ̅
̅ ̅
( )
√
Nota: Las constantes A2, d2, D3 y D4 se encuentran tabuladas en función de n

para facilitar el cálculo de los límites de control, en las tablas de constantes
para gráficos de control.
Paso 5: Trace la gráfica de control y analícela.
Dibuje las líneas de promedios y límites de control en las gráficas.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera
el comportamiento del proceso.
Estructura de una carta de control ̅

77
CARTAS DE CONTROL
Estructura de una carta de control
Análisis de la carta ̅
Al determinar si un proceso está bajo control estadístico, siempre se analiza

primero la grafica R. Debido a que los límites de control de la carta ̅ dependen
del rango promedio. Sin embargo es importante aclarar que el análisis de estas
cartas es conjunto.
Los limites de control representan el rango en que se espera se ubiquen todos

los puntos; si el proceso está bajo control estadístico. Si cualquiera de los
puntos cae fuera de los límites de control o si se observa algún patrón fuera de
lo común, es posible que alguna causa especial haya afectado el proceso y
éste se deberá estudiar para determinar la causa.

78
CARTAS DE CONTROL
Cuando existen puntos fuera de los límites 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 únicamente los puntos
restantes. Luego es necesario volver a examinar para el control, porque con el
cambio, los límites de control se tornan más estrechos y es posible que los
puntos que inicialmente estaban bajo control ahora no lo estén. Este proceso
se realiza hasta que todos los puntos estén 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 tendrá una situación
insatisfactoria, ya que quedarían pocos datos con los cuales volver a calcular
límites de control confiables. Este enfoque ignoraría mucha información útil
contenida en estos datos. Además es poco probable que la búsqueda de una
causa asignable para cada punto fuera de control sea exitosa. Para estos
casos lo mejor es concentrarse en el patrón que forman estos puntos.
Generalmente, es sencillo identificar la causa asignable asociada con el patrón
de puntos fuera de control.
Una vez que se establece un conjunto de límites de control confiables, la carta

de control se usa para monitorear la producción futura.
Limites de control, especificación y tolerancia natural
Algo que debe tenerse muy claro es que no hay ninguna relación entre los
límites de control de la carta ̅ y los limites de especificación del proceso.
Pues los limites de control están regidos por la variabilidad natural del proceso
(medida por la desviación estándar del proceso), es decir, por los limites de
tolerancia natural del proceso.
La determinación de los límites de especificación es externa. Pueden ser

establecidos por la administración, por los ingenieros de manufactura, por los
desarrolladores/diseñadores del producto, teniendo en cuenta las necesidades
de los clientes. Es necesario conocer la variabilidad inherente cuando se
establecen las especificaciones, pero recuérdese que no existe ninguna
relación matemática o estadística entre los límites de control y los limites de
especificación
Monitoreo de un proceso a través de una carta
En el monitoreo de un proceso, una carta detecta un cambio en la media,

dependiendo del tamaño de este. Si es considerablemente grande su detección
será inmediata, de lo contrario la potencia de la carta será menor.
79
CARTAS DE CONTROL
A este cambio en la media lo llamaremos corrimiento, y su valor será

determinado por:
|̅ ̅|
Donde ̅ es el nuevo valor de la media, después 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 desviación.
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 límite superior, se tiene:
( | | √ )
Si por el contrario, fue hacia el límite inferior, se tiene:
( √ )
Donde es una relación entre el corrimiento y la desviación estándar del

proceso, a saber:
El valor de n dado en esta ecuación, es distinto al tamaño de la muestra para la

toma de datos y análisis del proceso, pues ahora indica el tamaño 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
( )
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 ecuación:
( ) ( ) ( ) ( )

80
CARTAS DE CONTROL
Un parámetro importante para el monitoreo del proceso, es el tamaño de la

muestra a monitorear, esta se puede determinar haciendo uso de la siguiente
ecuación:
| | | |
* +
Finalmente, existe un factor que mide el número de muestras que es necesario

analizar antes de encontrar puntos por fuera de los límites de control, este
factor se conoce como longitud promedio de corrida (LDP). Su valor se calcula
de la siguiente manera:
Sea ( ) la probabilidad de encontrar puntos por fuera de los límites de control
Trabajando con alfa en los límites de control de la carta ̅
( )
( )
Trabajando con alfa medio en los límites de control de la carta ̅

( )
( )
Cartas de Medias/Desviaciones ( ̅ )
Aún cuando es muy común la utilización de las cartas ̅ , en ocasiones es

deseable estimar la desviación estándar del proceso directamente, en vez de
indirectamente mediante el uso de rango R. Esto lleva a las cartas de control
para ̅ , donde S es la desviación estándar. En general las cartas ̅ son
preferibles a sus contrapartes familiares, las cartas ̅ , cuando:
 El tamaño de la muestra n es moderadamente grande.

 Cuando el tamaño de la muestra n es variable.
El procedimiento para realizar las cartas de control ̅ es similar al de las

cartas ̅ la diferencia consiste en que el tamaño de la muestra puede variar
y es mucho más 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 variación en forma de desviación estándar.
Establecer y operar las cartas de control ̅ requieren aproximadamente la

misma secuencia de pasos que para la carta ̅ . Las formulas a utilizar son:
∑ ( ̅)
√

81
CARTAS DE CONTROL
Limites de control cartas ̅

̅ ̅
̅
̅ ̅
( )
√
Limites de control Carta ̅
̅
EJEMPLOS:
Ejemplo 1
La empresa Magdalena S.A. fabrica repuestos para una ensambladora

automotriz. Las especificaciones de la ensambladora son milimetros.
El departamento de calidad utiliza una carta X barra para monitorear el proceso
con muestras de tamaño 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 límites
de control de la carta son 12,5 milímetros y 14,5 milímetros.
a) Calcular el % de productos no conformes que produce Magdalena S.A.
b) Si se acepta a lo sumo 12% de productos no conformes, ¿Cuánto es la

probabilidad de que una carta con , detecte el cambio en la
media del proceso cuando se está produciendo el porcentaje de productos
no conformes fijado anteriormente?
c) ¿Qué pasa con de la carta del inciso b) si trabajamos con en lugar

de ? Justifique su respuesta.
Datos:

82
CARTAS DE CONTROL
Para la carta ̅ :
SOLUCION:
a) ̅
NOTA: Siempre es recomendable trabajar con ⁄ pues la carta se hace más

potente, ya que los límites de la misma se tornan más estrechos, no obstante
es opción del estudiante trabajar con alfa.
Conociendo el valor LCS podemos calcular . Los límites de control se

trabajan con ⁄ .
( ̅) √
̅ | ⁄ | ⁄
√ | ⁄ |
( ) √
| |
( )
̅ ̅
{ } , -
{ } * +
( ) ( )
Como decimos que el proceso esta descentrado. Además,

lo cual nos indica que el proceso está arrojando
productos no conformes por el límite superior.
Ahora procedemos a determinar el porcentaje de PNC.
̅
( ) ( ) ( )

83
CARTAS DE CONTROL
( ) ( )
b) Si: , y :
Dado que los productos no conformes se están presentando por el límite

superior y entonces el valor de Z es:
A partir del valor de Z podemos hallar el nuevo valor de la media:
̅
̅
̅ ( ) ̅
|̅ ̅| | |
La potencia con la que la carta detectaría el cambio en la media es:
( | | √ ) | | | | | |
. ( √ )/ ( )
c)
Sabemos teóricamente que mientras más grande sea el tamaño de la muestra,

más confiable es el resultado del monitoreo. También sabemos que el error
tipo I ( ) es el complemento de la confiabilidad de la carta ( ), por lo tanto
si n aumenta, la carta se hace más confiable y por consiguiente será menor.
Esto se comprueba a continuación:
| | | |
* + | | √ | | ( √ ) | |
| | | |
Por tabla de Distribución Normal tenemos que para :

84
CARTAS DE CONTROL
Como podemos ver, el valor de disminuyó con respecto al valor dado en el

inciso b) y esto es, como se dijo anteriormente, por el aumento que se dio en el
tamaño de la muestra.
Ejemplo 2
FIBRAS S.A.es una empresa dedicada a la fabricación de piezas en materiales

compuestos a base de fibra de vidrio, kevlar y fibra de carbono. Sus clientes
son empresas de alta tecnología que precisan incorporar a sus diseños
componentes con un elevado límite elástico 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
técnicos de AMERICAN COMPOSITESrealizaron el diseño de los procesos de
fabricación, formaron al personal de FIBRASy aportaron toda la documentación
técnica necesaria para operar los procesos de fabricación, además
estabilizaron el proceso con 50 muestras de tamaño 5, arrojando como
resultado una media de 10,2 uf y un rango promedio de 1,93 uf. A partir de ese
momento, los técnicos de FIBRAS S.A se hicieron cargo de la operación de la
planta, monitoreando el proceso con muestras de tamaño n=7. Además,
AMERICAN COMPOSITESrealiza una auditoría anual de los procesos,
comprobando que éstos se llevan a cabo sin desviaciones de las instrucciones
técnicas.
Recientemente FIBRAS S.A está en negociando un importante contrato de

suministro de componentes. De momento se encuentran en la fase de
aprobación del prototipo. Para ello debe presentar unos prototipos,
acompañados de sus protocolos de ensayos, en los que se debe indicar el
valor medio de la característica de calidad, con un nivel de confianza del 95%.
FIBRAS S.A. está en capacidad de producir 25000 piezas por jornada laboral.
Se trabaja durante 3 turnos las 24 horas del día, 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 análisis 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 disminución en la media del proceso en 0,8 uf. Diseñe una
carta X barra que detecte con una probabilidad del 90%, el cambio en
85
CARTAS DE CONTROL
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, ¿Cuál es el mínimo valor
que puede tomar el CP general del proceso, tal que por lo menos el 95%
de los artículos producidos sean conformes?
SOLUCION:
Datos:
̅
̅
̅
a)
Análisis de la capacidad del proceso con la media original: ̅
{ }
El proceso esta descentrado y arrojando productos no conformes por el límite

superior.

86
CARTAS DE CONTROL
̅

( )
̅

( )
Análisis de la capacidad del proceso con la media corrida: ̅
{ }
El proceso esta descentrado y arrojando productos no conformes por el límite

superior.
̅

( )
̅

( )
Ahora calculamos la probabilidad de detectar el cambio en las primeras 5

muestras:
( | | √ )
| | | | | |

87
CARTAS DE CONTROL
| |
( √ )
( )
( )
El valor esperado de productos no conformes con ̅ es:
( ) ( ) ( ) ( )
( )
Pero: , entonces:
( ) ( )
Tenemos que:
( )( )( ), ( )
( ) ( ) ( )-
b) Hay un corrimiento hacia la izquierda:
Para calcular los límites de control debemos conocer primero el valor de

n:

88
CARTAS DE CONTROL
| | | | | | | |
* + * + [ ]
Ahora si podemos calcular los límites de control de la carta ̅ :
̅ | | | |
√ √ √
̅ | | | |
√ √ √
Observación: en esta ocasión se decidió trabajar con y no con ⁄

para calcular los limites de control.
c) Si: ̅ y , entonces:
( )
Buscando en la tabla de distribución Normal, tenemos que:
Con el valor de podemos hallar el valor de y posteriormente calcular el

valor de :
, por lo tanto decimos que el proceso no es capaz.

89
CARTAS DE CONTROL
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 días de muestra se observan en la
siguiente tabla. La confiabilidad de la carta es 95%.
1 2 3 4
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

Número de Replicas
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
está bajo control estadístico?
b) ¿Cuál es la capacidad del proceso? ¿Se están generando productos no
conformes?

90
CARTAS DE CONTROL
SOLUCIÓN
Datos:
Número de Muestras ( )
̅ R
1 2 3 4
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

Número de Réplicas
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 cálculos debemos conocer primero el valor de la media del
proceso y el rango promedio, para ello es necesario hacer el siguiente
procedimiento:

91
CARTAS DE CONTROL
Donde:
,∑ -
̅
Media del Proceso
[∑ ̅]
̅
Rango Promedio
[∑ ]
̅
Sabemos que
̅
Límites carta X-barra
̅̅̅ | | | |
⁄
√ √
̅
̅̅̅ | | | |
⁄
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
̅
̅
̅

92
CARTAS DE CONTROL
Las gráficas para ambas cartas son las siguientes:
51
CARTA DE CONTROL X CON K=15
PESO EN KG 50.5 Medias del

proceso
50 LCS
49.5 LCI
49
LC
48.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
MUESTRAS
Carta de Control ̅ del proceso actual.
CARTA DE CONTROL R CON K=15

3
2.5 Rangos
2 muestrales
RANGOS
LCS
1.5
LCI
1
LC
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
MUESTRAS
Carta de Control ̅ del proceso actual.
La carta de control ̅ nos muestra que hay un punto por encima del límite de
control superior, es decir, que el proceso no está bajo control estadístico. Para
procurar hacer que el proceso esté bajo control es necesario eliminar la causa
que ocasiona la alteración (cepillar) y diseñar una nueva carta.

93
CARTAS DE CONTROL
Número de Muestras ( )
̅ R
1 2 3 4
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

Número de Réplicas
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 parámetros y posteriormente los límites de

control de las cartas ̅ y R:
,∑ -
̅
Media del Proceso
,∑ ̅-
̅
Rango Promedio
,∑ -
̅

94
CARTAS DE CONTROL
Sabemos que
Límites carta X-barra
̅̅̅ | | | |
⁄
√ √
̅̅̅ | | | |
⁄
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
̅
̅
Las nuevas cartas de control para el proceso cuando se ha cepillado son

las siguientes:
CARTA DE CONTROL X CON K=14

50.5
50 Medias del
PESO EN KG
proceso
LCS
49.5
LCI
49
LC
48.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
MUESTRAS
Carta de Control ̅ actualizada.

95
CARTAS DE CONTROL
CARTA DE CONTROL R CON K=14

3
2.5
2 Rango
RANGOS
Muestral
1.5 LCS
1
LCI
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
MUESTRAS
Carta de Control ̅ actualizada.
En las graficas podemos ver que ningún punto está por fuera de los límites de
control. Por consiguiente podemos decir que el proceso está bajo control
estadístico.
b) Ahora que el proceso está bajo control estadístico, procedemos a

calcular su capacidad y verificar si se están o no productos no
conformes:
( )
̅̅̅
̅̅̅
( )
Como entonces el proceso no esta centrado. Además son

menores que 1 entonces el proceso está arrojando productos no conformes por
ambos límites. Sin embargo, , esto nos indica que el proceso
está arrojando mayor porcentaje de productos no conformes por el límite
inferior.
̅̅̅

( ) ( )

96
CARTAS DE CONTROL
̅̅̅

( )
El proceso está arrojando 1,34% de PNC por el límite superior y 7,28% de

PNC por el límite inferior.
Decimos entonces que el proceso no es capaz, no está 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 diseño
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 $2’500.000 durante un

periodo de 2 años en el mantenimiento de la matriz, a fin de controlar una
dimensión en el mecanismo de rodilla, además en los periodos en los que se
tuvieron dificultades extremas con las herramientas, se detuvo la producción en
la línea de ensamble hasta que se pudieran efectuar los cambios requeridos en
la matriz. Los costos de reparación 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 aceitándolo y
haciéndolo girar hasta que el aceite quede entre este y el asiento. La operación
la realizó una persona del grupo de operación de la línea de ensamble y su
costo fue aproximadamente de $7 por espejo. El costo de reparación de un
mecanismo de rodilla flojo es mucho mayor, ya que no puede repararse en la
línea y tiene que enviarse al departamento de recuperación, en donde se le
quita el espejo, y se desensambla el mecanismo. El costo por retirar el espejo
es de $6 por pieza. Además, 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 utilizó una gráfica

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:
∑̅

97
CARTAS DE CONTROL
Como puede observarse, el torque promedio está por debajo del requerido.
Una investigación demostró 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, también hubo demandas acerca del bajo torque. Además, las
preguntas que se expusieron mostraron que el método de comprobación del
torque varió entre los departamentos de producción e inspección. Cuando se
examinaron las cartas en forma crítica, se comprendió el por qué la planta de
ensamble malinterpretó el método de comprobación. Se habló con el
departamento de ingeniería y este estuvo de acuerdo en emitir nuevas cartas
para aclarar el método apropiado.
El siguiente paso concierne al departamento de herramientas. Los datos del

estudio se utilizaron para demostrar que existió el torque. Se explicó que si el
asiento del mecanismo puede mantenerse en el límite alto, el torque debe
dirigirse al lado alto (14 pulg-lb). Además si el departamento de proceso puede
mantener el asiento dentro de una redondez de 0,0001 y 0,0003 pulgadas en
su ubicación, pueden conservarse las especificaciones del torque, y se realizó
otro estudio del torque con el mismo número de muestras y de igual tamaño
dando como resultado:
∑̅
De esta manera, se logró estabilizar el proceso.
La planta tiene una capacidad de producir 4800 piezas en un día de trabajo y

ésta trabaja a tres turnos.
A partir de la información suministrada anteriormente, desarrolle los siguientes

puntos:
Realice un análisis 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 aumentaría y por restricciones económicas
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 tamaño 12. Dadas estas condiciones:
a) ¿con qué probabilidad se detectará el cambio anteriormente
mencionado?
98
CARTAS DE CONTROL
b) ¿cuál es la probabilidad de que la carta detecte el cambio,

posterior a la segunda muestra consecutiva después de que el
cambio ocurre?
2) Para el gerente de la planta sería grave que el cambio no se detectara a
tiempo, por lo que realiza un análisis del proceso y obtiene que se
requiere un 99% de probabilidad de detectar el cambio a lo sumo en la
segunda muestra después de que el cambio ocurre para evitar
inconvenientes a posteriori. Le solicita a usted como ingeniero que le
recomiende un tamaño de muestra para monitorear el proceso. ¿Qué
tamaño de muestra le recomendaría usted?
3) Suponga que la corrida de los incisos anteriores realmente ocurrió.
Después de eso se conformaron lotes de 100 artículos de manera
aleatoria y eran inspeccionados 100%. ¿Cuál es la probabilidad de
encontrar a lo sumo 5% de espejos no conformes debido a un torque
flojo?
SOLUCIÓN:
Datos:
Las muestras se tomas cada hora
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.

99
CARTAS DE CONTROL
̅
Sabemos que
Luego
( )
( )
Como entonces el proceso no esta centrado. Además es menor

que 1 entonces me están arrojando productos no conformes por el límite
inferior.
̅
( )
El proceso arroja 67,36% de productos no conformes, todos por el límite

inferior, entonces se dice que el proceso no es capaz y no está centrado.
Productos no conformes/día=%PNC*Rp=0,6736*4800=3233,28≈3234productos
no conformes por día.
Como los PNC se están dando por el límite inferior, sabemos que estos son
espejos de bajo torque, por ende, el costo de reparación de estos es:
( )
( ) ( ) ( ) ( )
El costo por día por reparar las unidades no conformes es de $254.354,1/día

100
CARTAS DE CONTROL
Capacidad del proceso después del reprocesamiento de la matriz.
̅
Sabemos que
Luego
( )
( )
Como entonces el proceso no esta centrado. Además son

menores que 1 entonces me están arrojando productos no conformes por
ambos límites.
̅
( )
̅
( )
El proceso arroja un 17,62% de PNC por el límite superior y un 4,01% de PNC

por el límite inferior.
Entonces decimos que el proceso no es capaz, no está centrado y arroja

Productos no conformes (alto torque)/día = 4800*0,1762 = 846
( )
( )

101
CARTAS DE CONTROL
Productos no conformes (bajo torque)/d a =4800*0,0401= 192,48 ≈ 193

productos no conformes por día
( )
( ) ( ) ( ) ( )
El costo por día por reparar las unidades no conformes es:
$5922 + $15179,45 = $21101,45/día.
Se presenta un ahorro de: $254354,1- $21101,45 = $233252,65/día
2) Análisis Ingeniero de planta
Tamaño de muestra para el monitoreo:
Como la media tuvo un corrimiento debemos calcular nuevamente la capacidad

del proceso, esto es.
( )
( )
Como entonces el proceso no está centrado. Además

son menores que 1 entonces el proceso está arrojando productos no
conformes por ambos límites pero en mayor proporción por el límite inferior.
( ) 0,9741 0,0259

102
CARTAS DE CONTROL
̅
( )
El proceso arroja un 2,59% de PNC por el límite superior y un 23,12% de PNC

por el límite inferior.
Decimos entonces se que el proceso no es capaz, no está centrado y arroja

a) Potencia de la carta.
| |
Luego como el corrimiento de la media es hacia la izquierda la potencia de la

carta es:
Con
( √ )
( √ )
( )
La carta detecta el cambio con una probabilidad del 70,02%.
b) La probabilidad de que la carta detecte el cambio después de la

segunda muestra que ocurrió el cambio es:
( )
3) El tamaño 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:
( )
√

103
CARTAS DE CONTROL
| | | |
* +
| | | |
* +
4) La probabilidad de encontrar a lo sumo 5% de productos no

conformes es:
( )
( ) . / ( )
( ) ∑. / ( )
( ) ∑. / ( ) ( )
4.6.2 CARTAS DE CONTROL PARA ATRIBUTOS
Los diagramas de control por atributos constituyen una herramienta esencial

para controlar características de calidad cualitativas, esto es, características no
cuantificables numéricamente. El termino atributo, es la propiedad que tiene
una unidad de producto de ser buena o mala, esto es, la característica de
calidad esta dentro de los requisitos especificados o no. Este tipo de carta
surge porque existen muchas situaciones en que la característica de calidad
que interesa controlar no es una característica 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 características de calidad no medibles, los gráficos
de control por atributos se basaran en la determinación de la cantidad o
porcentaje de unidades defectuosas en una población de productos obtenidos
de un proceso.
Las cartas de control por atributos se pueden clasificar de la siguiente manera:





104
CARTAS DE CONTROL
Ventajas frente a los gráficos para variables
1) Los gráficos de atributos se pueden utilizar para estudiar diferentes tipos

de errores al mismo tiempo, en tanto que en un grafico de variable sólo
sirve para estudiar una característica de calidad
2) La toma de datos en los gráficos de atributos es mucho más simple que
en los gráficos de variables. Simplemente necesitamos conocer si el
artículo inspeccionado cumple las especificaciones requeridas.
3) Los gráficos de atributos se pueden utilizar en inspecciones visuales
para atributos, tales como limpieza, etiquetado correcto, color correcto,
etc.
4) Los gráficos de variable necesitan un menor tamaño de muestra.
5) Las cartas por atributos son particularmente útiles 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 numérica un
gran número de características de calidad.
Grafico o carta p
El gráfico p mide la proporción de unidades defectuosas en relación al tamaño

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 proporción p de individuos en uno de estos grupos.
El control del proceso se realiza anotando la proporción de individuos

defectuosos en el gráfico. Los principios estadísticos que sirven de base a la
carta de control p se basan en la distribuciónBinomial.
Para este grafico se necesitan muestras grandes, recogidas en un mismo

periodo de operación del proceso, y estas han de tener un tamaño tal que
permita la aparición de defectos. Del mismo modo el grafico de control p se
puede utilizar cuando el tamaño de la muestra es o no constante.
Pasos a seguir en la implementación del gráfico p:
1) Frecuencia y tamaño de la muestra
Se establece la frecuencia con la cual los datos serán tomados (horarios,

diarios, semanales). Los intervalos cortos entre tomas de muestras permitirán
una rápida retroalimentación al proceso ante la presencia de problemas. Los
tamaños de muestra grandes permiten evaluaciones más estables del
desarrollo del proceso y son más sensibles a pequeños cambios en el
promedio del mismo. Se aconseja tomar tamaños de muestra iguales aunque

105
CARTAS DE CONTROL
no necesariamente se tiene que dar esta situación, el tamaño de muestra

debería de ser mayor a 30. El tamaño de los subgrupos será de 25 o más.
2) Cálculo del porcentaje defectuoso (p) del subgrupo. Se registra la

siguiente información para cada subgrupo:
El número de partes inspeccionadas n

El número de partes defectuosas np
Calcule la fracción defectuosa (p) para cada muestra mediante:
3) Calcular el porcentaje defectuoso promedio para los k subgrupos con la

siguiente fórmula:
( )
̅
4) Calcular los límites de control del gráfico mediante las formulas:
̅( ̅)
̅ √
̅( ̅)
̅ √
Así mismo cuando p y/o n es pequeño, el límite de control inferior puede

resultar negativo, en estos casos el valor del límite se asumirá como: 0
Nótese que los valores de los límites superior e inferior cambian con el tamaño
del subgrupo:
 Cuanto mayor es n más precisión se tiene en la estimación del

parámetro p.
 Los límites de control así elegidos están basados en la aproximación a la

normal. En general, esta aproximación es válida para la mayoría de los
procesos industriales en los cuales la proporción defectuosa se puede
estimar en partes por cien. En aquellos otros procesos industriales en
los cuales se habla de defectos por mil, se utiliza más la aproximación a
la ley Poisson.

106
CARTAS DE CONTROL
5) Trazar la gráfica y analizar los resultados.
Ejemplo de una carta p
Grafico Np
Este grafico mide el número de unidades defectuosas encontradas en las

muestras. Se aplica al mismo tipo de problemas que el gráfico P, pero cuando
el tamaño de muestraes fijo. En tales casos, el control calidad en el proceso se
puede realizar por el número deindividuos defectuosos observados en lugar de
la proporción defectuosa. El primero es más fácil deconstruir que el segundo,
ya que no hace falta hallar la fracción defectuosa, y si se quiere interpretaren
términos de proporciones sólo se tiene que dividir por n la escala vertical del
gráfico.
Para la construcción del gráfico se utiliza de distribución de referencia la ley

Binomial (n, p).En esta distribución, el número medio de individuos defectuosos
es igual a npy la varianza igual anp(1-p). Como en el apartado anterior, sólo se
realiza un gráfico y éste controlará el número medio deunidades defectuosas
en n.
Los límites se calculan mediante las siguientes fórmulas:
̅ √ ̅( ̅)
̅ √ ̅( ̅)

107
CARTAS DE CONTROL
Para este tipo de gráfico de control se define la longitud promedio de corrida

como:
( )
( ) ( ̅ )
∑ ̅
( ) ( )
( ) ( ∑ ̅ )
Por último se llevan los valores del número de defectuosos por grupo al gráfico,
y se comprueba que durante laobtención 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 característica que nos interesa controlar no es el

número de individuos defectuosos sino el número de defectos que aparecen en
un individuo. Este tipo de control puede ser más completo que los presentados
anteriormente, puesto que:
 El individuo puede no ser defectuoso y presentar defectos;

 el carácter defectuoso puede ser de distinta magnitud dependiendo de la
cantidad de defectosque presenta.

108
CARTAS DE CONTROL
En la grafica C es completamente necesario que todas las muestras tengan un

tamaño fijo, es decir, el tamaño de los subgrupos sea constante.
En aquellos procesos que no generan individuos, como por ejemplo, los

procesos continuos,también nos puede interesar el control del número de
defectos por cierta unidad definida: metro, metro-cuadrado, hora, etc. Otros
ejemplos en los que se puede aplicar estos gráficos son cuando se
deseacontrolar el nº de pasajeros que toman un vuelo determinado por día, o el
nº de camas ocupadas en unhospital por semana, etc. En uno u otro caso, la
distribución subyacente es la distribución de poisson ( ), donde representa el
número medio de ocurrencias por unidad de tiempo, superficie, etc.
Cuando es suficientemente grande se puede hacer una aproximación de la

ley Poisson por la ley normal.
Los pasos que se deben seguir en la construcción del gráfico C son los
siguientes:
1) Seleccionar lo que va a ser una unidad de medición: un individuo, un

metro de cable, un metro cuadrado de tela, una hora, etc.
2) Investigar si existe información histórica del parámetro ̅ , En tal caso

construir los gráficos basándose en los límites:
̅ √ ̅
̅ √ ̅
El promedio de defectos por subgrupo ̅ se calcula de la siguiente forma
̅ ∑
Donde ̅
Cuando el valor de ̅ no es muy grande, laconvergencia a la normal no es muy

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

que con los gráficos anteriores.

109
CARTAS DE CONTROL
Ejemplo de una carta c
Carta U
El gráfico U se utiliza para el mismo tipo de problemas que el gráfico C, pero

cuando el tamaño de las muestras es variable. Aquí las muestras están
formadas por más de un elemento y cada elemento puede tener más de un
defecto.
A continuaciónse presentan algunos ejemplos donde esto ocurre y que pueden

ser representativos de las situacionesgenerales:
 Puede resultar difícil tomar exactamente un metro cuadrado de tela, por

lo que se toman piezassimilares de aproximadamente un metro
cuadrado.
 En el control del número de personas que acuden a una máquina
registradora en una tienda, enlugar de tomar las mediciones en
intervalos de tiempo iguales, se toman las mediciones enintervalos más
flexibles.
 Cuando se mide el número de defectos por lote, éste puede no contener
un número fijo deindividuos.
En el gráfico U se colocan igualmente el número de defectos por unidad, pero

ahora no tieneporqué ser un valor entero. La distribución de referencia en la
cual está basado el gráfico U puede sercalculada a través de la ley Poisson. En
efecto si

110
CARTAS DE CONTROL
∑
̅
∑
Por lo que los limites de control se obtendrán con las ecuaciones
̅ ̅⁄
√
̅ ̅⁄
√
La variable que se dibuja en la grafica de control es el número de defectos por

elemento.
Ejemplo de una carta U
Interpretación de los gráficos de control por atributos
Para interpretar los gráficos de control por atributos debe atenderse a los
siguientes aspectos:
 Puntos por fuera de los limites de control
 Tendencias o tramos
 Distribución de los puntos en el área de control.
Puntos por fuera de los límites de control

Pueden estar situados:
Por encima del límite superior, lo que significa generalmente que:

 Hay error en el cálculo o en la señalización
 El proceso ha empeorado

111
CARTAS DE CONTROL
 El criterio de aceptación es más riguroso

Por debajo del límite inferior, indicándonos:
 Error de cálculo o de representación
 Que el proceso ha mejorado
 Un criterio de aceptación menos riguroso
Tendencias ascendentes o tramos por encima de la media, dan a entender

que:
 El proceso ha empeorado y puede estar empeorando aún
 El criterio de aceptación 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 aceptación fue modificado
Distribución de los puntos en el área de control

Se identifica como sigue:
Si más del 90% de los puntos están cerca de la media, puede ser debido a:
 Errores de cálculo 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 están cerca de la media, podemos atribuirlo

a:
 Errores de cálculo o trazado
 Que las muestras contienes medidas de dos o más fuentes de
comportamiento diferentes

112
CARTAS DE CONTROL
1) Un proceso de fabricación de determinado articulo tiene, en estado

estable, una media de 102 pulgadas y un rango promedio de 6 pulgadas.
El estudio y estabilización del proceso se hizo con muestras de tamaño
artículos y ahora se continuara monitoreando con muestras de
tamaño . Las especificaciones son pulgadas. La
velocidad de producción es de 6000 artículos cada tres horas. Las
muestras para el monitoreo se toman una cada treinta (30) minutos. La
carta tienen un ( ) 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 artículos no conformes fabricados hasta ese
momento.
b) Diseñe 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
relación 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 límites de control de la carta.
2) Tubos de Colombia S.A. es una empresa dedicada a la fabricación de

tubos de aluminio. Las especificaciones en la longitud de los tubos es
32±2 mm. Tomando tamaños de muestras de 4, las cartas X-bar y R
manejan los siguientes limites de control: Para la carta X-bar los limites
son 33±1 mm y para la carta rango 0 y 3,6mm. |
De acuerdo a la información anterior, determine:
a) ¿Cuál es la capacidad del proceso? ¿Es engañosa esta?

b) ¿Cuál es el porcentaje de productos no conformes que genera el
proceso?
c) ¿Cuál es la probabilidad de cometer el error tipo I?
d) Después de haber examinado 40.000 muestras, ¿cuántos puntos
pueden estar por fuera de los límites de control?
e) ¿Cuál 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) ¿Cuál 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 después que el cambio ocurrió?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,12
de cometer el error tipo II, entonces ¿A qué nivel máximo de productos
no conformes ocurre esto?

113
CARTAS DE CONTROL
h) ¿Con que tamaño 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 después que este ha ocurrido
con una probabilidad de 0,8, cuando se está 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 después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 tubos no conformes con las
especificaciones. Si la tasa de producción es de 1.000 tubos cada
12minutos, ¿a qué velocidad se toman las muestras aproximadamente?
j) ¿Que se debería 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 demás productos afines a la construcción. Todos los
procesos de la fabrica marchan de manera excelente excepto por un
pequeño problema, el cual radica en que es bastante complicado
mantener centrado el proceso de fabricación de los ladrillos, debido a
que actualmente estos se fabrican a partir de una nueva materia prima y
aun se desconocen los porcentajes de contracción del material.
Un estudio detallado de la capacidad del proceso mostró que la media
en la longitud de los ladrillos es 100,25 mm y que se halla corrida 1,58
desviaciones estándar hacia la izquierda. Por otro lado la tolerancia del
proceso es 37,5 mm y solo es consumida en un 80%, además el rango
de los límites de control de la carta ̅ , construida en este estudio, es
5,45 mm. Tenga en cuenta que el análisis del proceso se realizó con
tamaños de muestra n=9 y que para el monitoreo posterior se
implementaran tamaños de muestra n=5.
La empresa trabaja con un triple turno de 2 horas durante los 7 días 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
producción 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 él, determine además 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 disminución en la media del proceso en 3.25mm. Diseñe una
carta ̅ 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.

114
CARTAS DE CONTROL
d) Si la media del proceso cambiara a 99.5mm, ¿Cuál es el mínimo 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 contribución del 35% encuentre la utilidad neta
mensual de la empresa si carga costos y gastos fijos a razón 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 esté bajo control implementa una carta ̅ , la cual tiene una
sensibilidad del 95% cuando los tamaños de las muestras son de 5 y el
corrimiento en la media es de 2 desviaciones estándares.
a) ¿Cuál es error tipo I de la carta?
b) ¿Cuál es la potencia para detectar un corrimiento de 3 ? ¿De un ?
c) ¿Cuál es la probabilidad de que un cambio de no sea detectado sino
hasta después de la séptima muestra consecutiva, dado que ocurrió
después de la tercera muestra?
d) ¿Cuántas muestras se deben examinar para que la probabilidad de que
el cambio no sea detectado dado que ocurrió sea de 0,2, en un
corrimiento de un ?
e) Si el Cp del proceso es 1 y la media del proceso esta corrida un
respecto al valor nominal, ¿Cuántos productos no conformes adicionales
se producen cuando la media se corre un respecto a la media del
proceso y se han producido 1000 varillas?
f) Interprete el LDP del proceso.
5) Una siderúrgica es especialista en trabajo de metales mediante

procesos de troquelado y estirado. Está fabricando un nuevo producto,
cuya longitud debe cumplir con especificaciones de 30m y 34 m. Juan
Pérez es el ingeniero mecánico que está encargado de los procesos y
maneja una carta de control la cual es diseñada con tamaños de
muestra 4 y la cual indica que el proceso está bajo control estadístico
cuando las medias están 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 él.
a) ¿Cuál es el porcentaje de productos no conformes que genera el

proceso?
b) ¿Cuál es la capacidad del proceso? ¿Es engañosa esta?
c) ¿Cuál es la probabilidad de cometer el error tipo I?
d) Después de haber examinado 10000 muestras, ¿Cuántos puntos
pueden estar por fuera de los límites de control?

115
CARTAS DE CONTROL
e) ¿Cuál 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) ¿Cuál 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 después que el cambio ocurrió?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,86
de no cometer el error tipo II, entonces ¿a qué nivel máximo de
productos no conformes ocurre esto?
h) Con que tamaño 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 después que el cambio ocurrió.
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 productos no conformes con las
especificaciones. Si la tasa de producción es de 1000 productos cada 12
minutos, ¿A qué velocidad se toman las muestras?
6) Z&B LTDA es una compañía dedicada a la fabricación 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 producción
indica que al tomar muestras de tamaño 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 producción de la empresa es de 200 artículos
conformes por minuto, los productos no conformes son reprocesados a
un 30% adicional de su costo de producción.
a) ¿Cuál es el error tipo II en el que incurre esta carta si la verdadera media

del proceso es 117 mm?
b) ¿Cuántos puntos están propensos a no estar registrados dentro de los

límites de control, cuando la carta indique que el proceso está bajo
control estadístico?
c) ¿Puede el proceso estar bajo control estadístico y al mismo tiempo la

capacidad del proceso indicarnos que la empresa está mal? ¿Por qué?
d) ¿Cuántas muestras se necesitarían tomar para encontrar un punto por

fuera de los límites de especificación?
e) ¿En qué intervalo debe moverse la media del proceso de tal forma que
se produzca entre 3% y 11% de productos no conformes?

116
CARTAS DE CONTROL
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 producción de
Z&B LTDA en estos momentos está pensando en diseñar otra carta que
detecte los corrimientos de la media antes de que la quinta muestra
consecutiva después que el cambio ocurra sea inspeccionada, además
se desea un error tipo I de 7%, cuando el corrimiento sea de .
g) ¿Cuál es la probabilidad de que la carta detecte el cambio en la media

del proceso cuando se está 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, ¿qué
porcentaje de productos no conformes se está produciendo?
i) Z&B LTDA está pensando en adquirir una maquinaria para mejorar el

proceso. El costo de producción de un artículo 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 días a la semana, 4 semanas al mes,
entonces ¿Cuál es la cantidad máxima que se puede pagar por el
alquiler de la maquina?

117
Capitulo
5 MUESTREO DE
ACEPTACIÓN
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 aceptación es el proceso de inspección de una muestra de
unidades extraídas de un lote con el propósito de aceptar o rechazar todo el
lote. A continuación se hace una reseña de los conceptos y técnicas de este
tipo de muestreo.

118
MUESTREO DE ACEPTACIÓN
5 MUESTREO DE ACEPTACIÓN
5.1 GENERALIDADES
El muestreo de aceptación se ocupa de la inspección y la toma de decisiones

respecto de los productos, uno de los aspectos más antiguos del
aseguramiento de la calidad. Consiste en tomar una muestra de un lote de
artículos (productos o partes en proceso, o terminados), inspeccionar alguna
característica de calidad de las unidades de la muestra, y con base en esta
información, tomar una decisión acerca del destino del lote. Los lotes
aceptados se incorporan a la producción; los lotes rechazados pueden
devolverse al proveedor o someterse a otra acción de disposición del lote.
Muestreo aleatorio estadístico
Muestra n
Lote N
Tres aspectos del muestreo son importantes:
 El propósito del muestreo de aceptación es dictaminar los lotes, no

estimar su calidad.
 Los planes de muestreo de aceptación no proporcionan ninguna forma
directa de control de calidad. El muestreo de aceptación se limita a
aceptar algunos lotes y rechazar otros.
 El uso más efectivo del muestreo de aceptación no es para inspeccionar
la calidad de un producto, sino más bien como una herramienta de
auditoría 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 aceptación sin inspección.
Es útil en situaciones en que el proceso del proveedor es tan bueno que casi
nunca se encuentran unidades defectuosas o cuando no existen justificaciones
económicas 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 aceptación se descubra alguna unidad defectuosa.

119
2) La inspección del 100%
Se emplea cuando el componente es en extremo crítico y dejar pasar unidades

defectuosas daría 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 aceptación
Es de mayor utilidad en las siguientes situaciones:
 Cuando las pruebas son destructivas

 Cuando el costo de la inspección del 100% es muy alto
 Cuando la inspección del 100% no es tecnológicamente factible o
requeriría tanto tiempo de calendario que se impactaría seriamente la
programación de la producción
 Cuando son muchos los artículos por inspeccionar y la tasa de los
errores de inspección es tan elevada que la inspección del 100% podría
hacer que se aprobara un porcentaje más alto de unidades defectuosas
que con la aplicación de un plan de muestreo.
 Cuando el proveedor tiene un historial de calidad excelente, y se desea
cierta reducción en la inspección del 100%, pero la capacidad del
proceso del proveedor es lo suficientemente baja para hacer que la
cancelación de la inspección no sea una alternativa satisfactoria.
 Cuando existen riesgos de responsabilidad legal del producto
potencialmente serios y, aún 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 aceptación se compara con la inspección del 100%,

presenta las siguientes ventajas:
 Suele tener costos más bajos, debido a que hay menos inspección.
 Hay menos manejo del producto y, en consecuencia, se reducen los
daños.
 Puede aplicarse en las pruebas destructivas
 Menos personal participa en las actividades de inspección
 Con frecuencia reduce en gran medida la cantidad de errores de
inspección
 El rechazo de lotes completos, por oposición a la simple devolución de
las unidades defectuosas, con frecuencia proporciona una motivación
mayor para que el proveedor atienda el mejoramiento de calidad.

120
Sin embargo, el muestreo de aceptación también presenta varias desventajas.

Entre ellas se encuentran:
 Existe el riesgo de aceptar lotes malos y rechazar lotes buenos

 Por lo general se genera menos información acerca del producto o
acerca del proceso con que se fabricó el producto.
 El muestreo de aceptación requiere la planeación y documentación del
procedimiento, mientras que la inspección del 100% no.
5.2 TIPOS DE PLANES DE MUESTREO
Existen diferentes maneras de clasificar los planes de muestreo de aceptación.

Una clasificación principal es por atributos y variables. Las variables son, desde
luego, características de la calidad que se miden en una escala numérica. Los
atributos son características de la calidad permisibles a través de nuestros
sentidos y que se expresan en una base “pasa, no pasa”. El muestreo de
aceptación es un “terreno intermedio” entre los extremos de la inspección 100%
y no hacer ninguna inspección.
Formación de Lotes
La manera en que se forme el lote puede influir en la efectividad del plan de

muestreo de aceptación. Hay varias consideraciones importantes cuando se
forman los lotes para inspección. Algunas de ellas son las siguientes:
1) Los lotes deberán ser homogéneos: las unidades del lote deberán
producirse por las mismas maquinas, los mismos operadores y con
materias primas comunes, aproximadamente en el mismo tiempo.
Cuando los lotes no son homogéneos el esquema del muestreo de
aceptación quizá no funcione con tanta efectividad como podría hacerlo.
2) Son preferibles los lotes grandes a los pequeños: suele haber más
eficiencia económica al inspeccionar lotes grandes, que lotes pequeños.
3) Los lotes deberán ajustarse a los sistemas de manejo de materiales

usados en las instalaciones del proveedor y del consumidor: Lo que
se busca aquí es lograr que resulte relativamente sencillo seleccionar las
unidades de la muestra.
Las unidades del lote seleccionadas para inspección deberán elegirse al azar, y
deberán ser representativas de todos los artículos del lote. El concepto de
muestreo aleatorio es en extremo importante en el muestreo de aceptación. A
menos que se empleen muestras aleatorias, se introducirá sesgo.

121
A continuación, se hará una explicación detallada de los planes de muestreo

por atributos.
Plan de muestreo simple
El plan de muestreo único 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 información contenida en esa muestra.
Supongamos que se ha sometido a inspección un lote de tamaño . Un plan

de muestreo simple está definido por el tamaño de la muestra y el número de
aceptación .
El lote será aceptado solamente si el número de productos defectuosos en es

menor o igual a .
A partir de esto datos, se puede definir la probabilidad de aceptación del lote o

, la cual está dada por:
( )( )
( ) ∑
( )
Como se puede apreciar, esta probabilidad es determinada haciendo uso de

una distribución hipergeométrica con parámetros ( ) , donde es la
proporción de productos no conformes dentro del lote, y su valor se estima del
producto entre . Luego, el valor de , que es la probabilidad de hallar un
producto no conforme dentro del lote, puede ser determinado por medio de un
análisis de capacidad del proceso de fabricación.
Para disminuir la complejidad de los ejercicios y teniendo en cuenta la relación

existente entre las distribuciones Hipergeométrica y Binomial, la probabilidad
de aceptación puede ser determinada, también, a partir de una aproximación a
Binomial con probabilidad de éxito
De esta manera, el valor de la probabilidad de aceptación podría determinarse

así:
( ) ∑. /( ) ( )
Ejemplo
Un fabricante de cierto producto, a partir de un análisis de capacidad de su

proceso productivo, pudo determinar que el porcentaje de productos no
conformes arrojado era de 10%. Antes del despacho de los artículos al cliente,
forma lotes de 500 productos, cada uno. Su cliente principal maneja un plan de
122
muestreo, donde . Determinar la probabilidad de aceptación de

estos lotes por parte del cliente.
Si se intenta determinar esta probabilidad a partir de una distribución

hipergeométrica, su valor será imposible determinarlo, haciendo uso de una
calculadora, por esta razón, se recomienda el uso de una distribución binomial.
En este sentido se tiene:
( ) ∑( )( ) ( )
Haciendo uso de Microsoft Excel, es posible determinar el valor de esta

probabilidad, utilizando una distribución hipergeométrica, es decir, de la manera
correcta. Así, se tiene:
( )( )
( ) ∑
( )
Como se puede apreciar ambas probabilidades se asemejan, lo que indica que

la distribución binomial es una buena alternativa de encontrar la probabilidad de
aceptación cuando no se cuenta con programas avanzados para su cálculo.
Plan de muestreo doble
En un plan de muestreo doble, la gerencia especifica dos tamaños de muestra

(n1 y n2) y dos numero de aceptación (c1 y c2). Si la calidad del lote es muy
buena o muy mala, el consumidor toma la decisión de aceptar o rechazar el
lote. La ventaja principal del plan de muestreo doble con respecto al de
muestreo único, es que puede reducir la cantidad total de inspección 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 parámetros:
Siendo la cantidad de productos no conformes en la muestra 1, y la

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

123
Se acepta el lote
Se rechaza el lote
Se pasa a una segunda muestra
Se rechaza el lote
Se acepta el lote
Ejemplo
Dado un lote de 80 artículos, con un porcentaje de productos no conformes de

5%, determine la probabilidad de aceptación de los lotes para el siguiente plan
de muestreo doble.


Este ejercicio puede resolverse utilizando un árbol de decisión. Inicialmente, se
analizan los valores que pueden tomar , 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

( )( )
( )
( )
( )( )
( )
( )

124
( )( )
( )
( )
( )( )
( )
( )
 Para la segunda muestra

( )( )
( )
( )
( )( )
( )
( )
La probabilidad de aceptación se determina de la siguiente manera:
( ) ( ) * ( ) , ( ) ( )-+ , ( ) ( )-
( ) ( )
Plan de muestreo múltiple
Un plan de muestreo múltiple es una extensión del muestreo doble por cuanto
pueden requerirse más de dos muestras para dictaminar un lote.
Este plan opera como sigue: si, al término de cualquier etapa del muestreo, el
número de artículos defectuosos es menor o igual que el número de
aceptación, el lote se acepta. Si durante cualquiera de las etapas, el número de
artículos defectuosos es igual o excede el número de rechazo, el lote se
rechaza; en caso contrario, se toma la siguiente muestra. El procedimiento de
muestreo múltiple continua hasta que se toma la quinta muestra, momento en
el que debe tomarse una decisión en cuanto al destino del lote. Suele hacerse
una inspección 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 único o doble;
por tanto, se relaciona cierta eficiencia económica con el uso del
procedimiento. Sin embargo, la administración del muestreo múltiple es mucho
más compleja.

125
Plan de muestreo secuencial
El muestreo secuencial es una extensión del concepto del muestreo doble y del
muestreo múltiple. En el muestreo secuencial se toma una secuencia de
muestras del lote y se deja que el número de muestras lo determinen por
completo los resultados del proceso de muestreo. En teoría, el muestreo
secuencial puede continuar de manera indefinida, hasta que se hace la
inspección del 100% del lote. En la práctica, los planes de muestreo secuencial
suelen truncarse después de que el número inspeccionado es igual a tres
veces el número que se habría inspeccionado utilizando el plan de muestreo
simple correspondiente. Si el tamaño de la muestra seleccionado en cada
etapa es mayor que 1, al proceso suele llamársele muestreo secuencial grupal.
Si el tamaño de la muestra inspeccionado en cada etapa es 1, al procedimiento
suele llamársele muestreo secuencial artículo por artículo.
No. de artículos ZONA DE

RECHAZO
defectuosos
3
2
1
No. de artículos
10 20 30 40 inspeccionados
-1
-2
-3 ZONA DE
ACEPTACIÓN
5.3 LA CURVA DE OPERACIÓN (OC)
Una medida importante del desempeño de un plan de muestreo es la curva de

operación característica, la cual, es una representación gráfica del plan de
muestreo. En esta curva se grafica la probabilidad de aceptar el lote (eje y)
contra la fracción 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 fracción defectuosa propuesto, sea aceptado o
rechazado. A continuación, en la figura se muestran tres curvas de operación
características, para diferentes valores de muestra y criterios de aceptación.

126
Como se puede apreciar, las curvas de operación son más estrictas conforme
aumenta el tamaño de la muestra. Gráficamente, este hecho se puede apreciar
por la disminución del área bajo la curva, lo que muestra un plan de muestreo
estricto.
Para graficar una curva de operación, basta solo con darle valores a , y
teniendo en cuenta el tamaño de la muestra y número de aceptación dado para
el plan, se hallan diferentes valores para .
Ejemplo
Trace la curva de operación característica para el siguiente plan de muestreo:


Utilizando la distribución de probabilidad Binomial para determinar se tiene:
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

127
De esta manera la gráfica resulta de la siguiente forma:
Puntos específicos en la Curva OC
Frecuentemente, el interés del ingeniero de calidad se centra en determinados

puntos de la curva OC. El proveedor suele estar interesado en saber cuál es el
nivel de calidad del lote o proceso que produce una alta probabilidad de
aceptación.
En este orden de ideas, es común 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 inglés). El NAC representa el nivel de calidad más pobre del proceso del
proveedor que el consumidor consideraría aceptable como promedio del
proceso. Este parámetro es una propiedad del proceso de manufactura del
proveedor; no es una propiedad del plan de muestreo. Muchas veces el
consumidor diseñará el procedimiento de muestreo de tal modo que la curva
OC dé una alta probabilidad de aceptación en el NAC. Se espera que el
proceso del proveedor opere con un nivel de porción caída que sea
considerablemente mejor que el AQL.
El consumidor también estará interesado en el otro extremo de la curva OC, es

decir, en la protección que se obtiene para los lotes individuales de calidad
pobre. En una situación así, el consumidor puede establecer una tolerancia
del porcentaje defectuoso de un lote (LTPD, por sus siglas en inglés). El
LTPD es el nivel de calidad más pobre que el consumidor está dispuesto a
aceptar en un lote individual.
Aún cuando podrían 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
128
especificados son , 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, se llamaría el riesgo del productor y se
llamaría el riesgo del consumidor. Gráficamente, se puede apreciar esta
relación 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 operación anterior, es posible

determinar el valor de ambos riesgos de la siguiente manera:
∑. /( ) ( )
∑. /( ) ( )
Representación gráfica de los parámetros NAC, LTPD,

129
5.4 DISEÑO DE PLANES DE MUESTREO
Diseñar un plan de muestreo es buscar un valor para y que satisfaga cuatro

parámetros establecidos: NAC, LTPD,
Existen diferentes herramientas para el diseño de planes de muestreo, entre

estas, las más importantes son las Tablas Military Standard 105D (ANSI/ASQC
Z1.4, ISO 2849), y el método matemático.
Tablas Military Standard
Este procedimiento de muestreo fue desarrollado durante la segunda guerra

mundial. Actualmente, el estándar MIL STD 105E es el sistema de muestreo de
aceptación para atributos de mayor uso en el mundo.
El estándar contempla tres tipos de muestreo: el muestreo único, el muestreo

doble, y el muestreo múltiple. Para cada tipo de muestreo, se estipula la
inspección normal, la inspección rigurosa, o la inspección reducida. La
inspección normal se usa al principio de la actividad de inspección. La
inspección rigurosa se establece cuando el historial reciente del proveedor se
ha deteriorado. Los requerimientos de aceptación para los lotes sujetos a
inspección rigurosa son más estrictos que bajo la inspección normal. La
inspección reducida se establece cuando el historial reciente del proveedor ha
sido excepcionalmente bueno. El tamaño de la muestra que se usa
generalmente en la inspección reducida es menor que en la inspección normal.
El tamaño de la muestra usado en el MIL STD 105E está determinado por el

tamaño del lote y por la elección del nivel de inspección. Se estipulan tres
niveles generales de inspección. El nivel II se designa como normal. El nivel I
requiere aproximadamente la mitad de la cantidad de inspección que el nivel II
y puede usarse cuando se necesita menos discriminación. El nivel III requiere
aproximadamente el doble de inspección que el nivel II y deberá usarse cuando
se necesite más discriminación. Hay también cuatro niveles de inspección
especiales, S-1, S-2, S-3 y S-4. Los niveles de inspección especiales utilizan
muestras muy pequeñas y solo deberán emplearse cuando son necesarios
tamaños de la muestra pequeños y cuando pueden o deben tolerarse riesgos
grandes en el muestreo.
Para un AQL y un nivel de inspección especificados y un tamaño del lote dado,

el MIL STD 105E proporciona un plan de muestreo normal que debe usarse
mientras el proveedor esté produciendo el producto con la calidad AQL o mejor.
Así mismo los procedimientos para cambiar entre la inspección normal,
rigurosa y reducida, como se muestra a continuación:

130
1) Normal a rigurosa: Cuando se tiene inspección normal, la inspección

estricta se instituye cuando cuándo dos de cinco lotes consecutivos han
sido rechazados.
2) Estricta a normal. Cuando se tiene inspección estricta, la inspección

normal se instituye cuando cinco lotes consecutivos son aceptados en la
inspección original
3) Normal a reducida. Cuando se tiene inspección normal, la inspección

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

normal se instituye cuando se cumple cualquiera de las condiciones
siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de
aceptación o rechazo, el lote se acepta pero se cambia a inspección
normal en el próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
5) La Inspección se descontinúa. Cuando diez lotes se acepten con

inspección estricta, la inspección bajo la estipulación del estándar MIL
STD 105E deberá terminarse y emprenderse acciones a nivel del
proveedor para mejorar la calidad de los lotes puestos a consideración.
Procedimiento
Un procedimiento paso a paso para usar MIL STD 105E es el siguiente:
1) Elegir el AQL (NAC)

2) Elegir el nivel de inspección
3) Determinar el tamaño del lote
4) Encontrar la letra código apropiada para el tamaño de la muestra
en las tablas del apéndice.

131
5) Determinar el tipo apropiado de muestreo que debe usarse

(único, doble, múltiple).
6) Consultar la tabla apropiada del apéndice para encontrar el tipo
de plan que debe usarse.
7) Determinar los planes de inspección normal y reducida
correspondientes que deben usarse cuando sea necesario.
Ejemplo
La empresa Róterdam Ltda., obtiene un contrato para suministrar 20 lotes de

60.000 piezas cada uno.
En el contrato se establece que el cliente realiza una inspección según MIL

STD, Nivel general II con un NAC = 2,5. Determine el tamaño de la muestra y el
criterio de aceptación.
Solución.
Haciendo uso del tamaño del lote, se determina la letra código, 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 tamaño de la muestra es de 500 y el número de
aceptación de 21.
Método matemático
Esta herramienta para el diseño de planes de muestreo no tiene en cuenta

únicamente el NAC como parámetro de decisión en el diseño del plan de
muestreo, sino cada uno de los parámetros dados para su diseño, NAC, LTPD,
el riesgo del productor y el del consumidor. El valor de y se determina
utilizando cada una de las siguientes ecuaciones:
| | √ ⁄
⁄
[ ]
| |√ | |√

132
EJEMPLO
Su empresa obtiene un contrato para suministrar 10 lotes de 50.000 piezas

cada uno.
La fabricación 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 inspección
según MIL STD 105 E Nivel General de Inspección, AQL 2.5 simple, nivel II.
a) Para poder cumplir con el pedido, su empresa piensa adquirir una nueva
máquina para realizar la operación de fabricación ya mencionada. Si se
supone que el proceso se mantiene centrado. Cuál es el índice de
capacidad del proceso Cp que debe tener la máquina a adquirir si se
pretende tener una probabilidad conjunta total de 0,85 para la
aceptación de los 10 lotes.
b) Cuál es la probabilidad de aceptar al menos el 50% de los lotes.

Solución
a) Usando la probabilidad de aceptación conjunta, hayamos la
probabilidad de aceptación de un solo lote
( ) ( ) ( )
( ) ( ) ( )
( )
√
Si buscamos en la tabla MIL STD observamos que n=500 y c=21, ahora

debemos hallar la probabilidad de defectuosos pd.
( ) ∑( ) ( )
Por tanteo en Excel hayamos que

Como el proceso está centrado este sería el %PNC
Como está centrado
b) ( ) ( )
133
( )
∑( )( ) ( )
5.5 INSPECCIÓN CON RECTIFICACIÓN
Los programas de muestreo de aceptación suelen requerir una acción

correctiva cuando los lotes son rechazados. Esto generalmente adopta la forma
de una inspección del 100% exhaustiva de los lotes rechazados, donde todos
los artículos defectuosos descubiertos se sacan para reprocesamiento
posterior, se devuelven al proveedor o se reemplazan de un inventario de
artículos satisfactorios comprobados. A estos programas de muestreo se les
llama programas de inspección con rectificación, debido a que la actividad de
inspección afecta la calidad final del producto de salida.
Los programas de inspección con rectificación 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 inspección de recepción, en la inspección dentro del
proceso de productos semiterminados o en la inspección 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 inspección 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 producción, la inspección
exhaustiva y el reprocesamiento tienen lugar en las instalaciones del
consumidor. Esta no sería la situación más deseable.
La calidad de salida promedio (AOQ, por sus siglas en inglés) se usa

ampliamente para la evaluación de un programa de muestreo con rectificación.
Este factor es la calidad en el lote que resulta de la aplicación de la inspección
con rectificación. Es el valor promedio de la calidad del lote que se obtendría en
una secuencia larga de lotes de un proceso con fracción defectuosa . Es
sencillo desarrolla una fórmula para el AOQ. Suponer que el tamaño del lote es
y que todas las unidades defectuosas se reemplazan con unidades
satisfactorias. Entonces en lotes de tamaño , se tiene:
1) artículos en la muestra que, después de la inspección, no contienen

unidades defectuosas, debido a que todas las unidades defectuosas
descubiertas se reemplazan.

134
2) artículos que, si el lote es rechazado, tampoco contienen unidades

defectuosas.
3) artículos que, si el lote es aceptado, contiene ( ) unidades

defectuosas.
Por tanto, los lotes en la etapa de salida de la inspección tienen un número

esperado de unidades defectuosas igual a ( ), que puede expresarse
como una fracción defectuosa promedio, llamada la calidad de salida promedio:
( )
Cuando el tamaño del lote se hace grande en comparación al tamaño de la

muestra, esta ecuación puede escribirse como:
La calidad promedio de salida variará cuando la fracción defectuosa de los

lotes de entrada varíe. A la curva que grafica la cantidad de salida promedio
contra la calidad del lote de entrada se le llama curva AOQ. A continuación la
figura hace una presentación de esta gráfica.
Representación gráfica del AOQ y localización del AOQL.
Por el examen de esta curva se observa que cuando la calidad de entrada es

muy buena, la calidad de salida promedio también es muy buena. En contraste,
cuando la calidad del lote de entrada es muy mala, la mayoría 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
máximo y desciende. La ordenada máxima en la curva AOQ representa la peor

135
calidad promedio posible que resultaría del programa de inspección con

rectificación, y a este punto se le llama el límite de la calidad de salida
promedio (AOQL, por sus siglas en inglés). Es decir, sin importar lo mala que
sea la fracción defectuosa en los lotes de entrada, los lotes de salida nunca
tendrán un nivel de calidad peor que el AOQL.
Otra medida importante relacionada con la inspección con rectificación es la

cantidad total de inspección requerida por el programa de muestreo. Si los lotes
no contienen artículos defectuosos, ninguno de los lotes será rechazado y la
cantidad de inspección por lote será el tamaño de la muestra n. si todos los
artículos son defectuosos, cada lote se someterá a una inspección del 100% y
la cantidad de inspección por lote será el tamaño del lote N. si la calidad del
lote es 0<p<1, la cantidad de inspección promedio por lote variará entre el
tamaño de la muestra n y el tamaño del lote N. si el lote es de calidad p y la
probabilidad de aceptación del lote es pa, entonces la inspección promedio
total(ATI por sus siglas en ingles) por lote será:
( )( )
Ejemplo
Para lotes de 90.000 unidades un comprador y su vendedor acuerdan un plan

de muestreo MIL STD por atributos, inspección normal, muestreo sencillo
simple. NAC = 2,5%, LTPD = 5,3%.
La línea del fabricante es un proceso en serie y tiene una fracción no conforme

igual a 9%. Para conformar sus despachos de los lotes, el fabricante aplica un
CSP al final de la línea de producción 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
Solución
Teniendo como parámetros de decisión el NAC y el tamaño del lote, se

determina el tamaño de la muestra y número de aceptación, haciendo uso de la
tabla MIL STD para inspección normal. De esta manera se obtiene:
a) Probabilidad de aceptación
Aquí se utiliza el valor del AOQL, puesto que es la proporción real de productos
no conformes después de rectificación.
( ) ∑( )( ) ( )

136
b) Riesgo Tipo II
El riesgo tipo II se calcula a partir del LTPD, que debería tener el mayor
porcentaje de productos no conformes aceptados, sin embargo se realizo una
rectificación y esta proporción nunca será mayor que el AOQL, por lo que, el
riesgo tipo II es cero.
5.6 MUESTREO DE ACEPTACIÓN POR VARIABLES
En los planes de muestreo de aceptación por variables se especifican el

número de artículos que hay que muestrear y el criterio para juzgar los lotes
cuando se obtienen datos de las mediciones respecto a la característica de
calidad que interesa.
Estos planes se basan generalmente en la media y la desviación estándar

muestral de la característica de calidad. Cuando se conoce la distribución de la
característica en el lote o el proceso, es posible diseñar 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 característica de operación con
tamaño de muestra menor que el que requeriría un plan por atributos.
 Los datos por variables proporcionan más información del proceso que
los atributos. Cuando los AQLs son muy pequeños (del orden de ppm),
el tamaño de muestra requerido en el caso de muestreo por atributos es
muy grande y por variables muy pequeño. Cuando la inspección es del
tipo destructivo, los planes por variables si se aplican son más
económicos.
 El grado de cumplimiento o incumplimiento (no conformidad) con el valor

deseado de una característica de calidad recibe importancia cuando se
utilizan los criterios para variables.
 La información de variables suele dar una mejor base de orientación

hacia el mejoramiento de la calidad.
 Es más fácil descubrir los errores de medición con la información de

variables.

137
DESVENTAJAS
 El probable alto costo de las mediciones vs juzgar por atributos, a pesar
de que el tamaño de muestra sea menor y que sea necesario un plan de
muestreo para cada característica importante del producto.
 Se utiliza un plan de muestreo por cada característica inspeccionada.
 Se debe conocer la distribución de la característica de calidad, la cual

debe ser normal ya que de otra forma se pueden cometer errores en la
aplicación del plan de muestreo por variables. Esto es más crítico
cuando las fracciones defectivas son muy pequeñas.
Condiciones que permiten la aplicación del muestreo de aceptación por

variables
1) La característica objeto de inspección debe ser una variable o capaz de

ser convertida según una escala variable.
2) La inspección de atributos o características esenciales resulta
excesivamente costosa.
3) La inspección de atributos no proporcionará suficiente información; esto
es, también se requieren del alcance y las consecuencias de la
variación.
4) La distribución de las características debe ser aproximadamente normal.
Las características distintivas de un plan de muestreo de variables, en

comparación con un muestreo de atributos, son las siguientes:
1) Se obtiene una protección análoga con una muestra de tamaño.

2) Sólo puede aplicarse para la aceptación o rechazo de una característica
sometida a inspección.
3) Implica mayores costos administrativos. Se precisan mejores
cualificaciones, más cálculo, es posible cometer mayor cantidad de
errores de cálculo y se hace preciso utilizar equipo de inspección más
caro.
4) Suele proporcionar mejores fundamentos para mejorar la calidad y
mucha más información en caso de renuncia.

138
PROCEDIMIENTO PARA APLICAR UN PLAN DE MUESTREO POR

VARIABLES
Obtener una muestra aleatoria de tamaño n y calcular:
a) Si hay un límite inferior de especificación:
El problema se concentra en calcular n y k
b) Si hay un límite superior de especificación:
El problema se concentra en calcular n y k

Se define:
: Probabilidad de aceptación para una fracción defectuosa p1.
: Probabilidad de aceptación para una fracción defectuosa p2.
Se usa un nomograma.
Inspección en cadena
Se aplica en situaciones en las que las pruebas son destructivas y costosas y,

por tanto, los tamaños muéstrales son pequeños y el criterio de aceptación es
nulo.
Permite suavizar la velocidad de caída de la CO. Los pasos a seguir son los
siguientes:
 Se elige una muestra de tamaño n y se observa el número de artículos

defectuosos.
 Si la muestra no tiene artículos defectuosos se acepta el lote.
 Si se observan dos o más artículos defectuosos se rechaza el lote.
 Si se observa un artículo 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 más amplio de lotes con
fracción de defectuosos próxima a cero.
La probabilidad de aceptación, que define la ordenada de la CO, se calcula

mediante la ecuación:
( ) ( ), ( )-

139
Donde ( ) ( ) 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 producción repetitiva elaborada bajo las mismas condiciones
y en el cual los lotes se presentan para su aceptación en el orden de
producción. 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 formación natural de lotes.
Por ejemplo, la fabricación de muchos aparatos electrónicos, como las
computadoras personales, se realiza en una línea de ensamble con una banda
transportadora.
Cuando la producción es continua, pueden usarse dos enfoques para formar

los lotes. El primer procedimiento permite la acumulación de la producción 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 línea de ensamblaje. En el segundo
procedimiento se delimita arbitrariamente un segmento dado de la producción
como un “lote”. La desventaja de este enfoque es que si un lote en última
instancia es rechazado y se requiere posteriormente una inspección del 100%
del lote, quizá sea necesario traer productos de las operaciones de
manufactura que están muy apartadas en el proceso de producción. Esto
puede requerir el desensamblaje o la destrucción parcial de artículos
semiterminados.
Por estas razones, se han desarrollado planes de muestreo especiales para la

producción continua. Los planes de muestreo continuo consisten en secuencias
alternadas de inspección muestral y exhaustivas (inspección del 100%). Los
planes suelen iniciarse con una inspección del 100% y cuando se encuentra
que un numero preestablecido de unidades no presenta defectos(al número de
unidades i suele llamársele el numero de liberación), se establece la
inspección muestral. La inspección muestral continua hasta que se encuentre
un numero especificado de unidades defectuosas, momento en el que se
reanuda las inspección del 100%. Los planes de muestreo continuo son planes
140
de inspección con rectificación, por cuanto la calidad del producto se mejora

por tamizado parcial
Plan CSP-1
Este modelo de inspección 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 número de liberación, es decir, tan pronto como se
encuentra que unidades consecutivas del producto no presentan defectos, se
discontinúa la inspección 100%, y sólo se inspecciona una fracción de las
unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del
flujo de la producción. Si se encuentra que una de las unidades muéstrales es
defectuosa, se reanuda la inspección 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 parámetro depende de

los valores del número de liberación i y de la fracción muestral f. Estos valores
están dados en las tablas del apéndice.

141
Procedimiento para los planes CSP1
Plan CSP-2
En el desarrollo de este plan, la inspección 100% no se restablecerá cuando la
producción este bajo inspección muestral hasta que hayan encontrado dos
unidades defectuosas dentro de un espacio de unidades muestrales entre sí.
Es una práctica común elegir igual al número de liberación . Estos planes
están registrados por AOQL específicos que pueden obtenerse con diferentes
combinaciones de y .
Plan CSP 3
El plan CSP-3 es un refinamiento del CSP-2 y proporciona una mayor

proporción contra el surgimiento espontaneo de una bajada de la calidad, es
decir está diseñado para brindar protección adicional contra la producción
irregular.
La variación 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 procederá así:
 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 inspección
por muestreo, comenzando la aplicación del plan CSP-2 al principio.
Inspección a varios niveles
Consiste en alternar la inspección 100% con la inspección por muestreo con

diferentes fracciones de muestreo, dependiendo de la calidad de los lotes.
Específicamente, se comienza con una inspección al 100% y posteriormente se
pasa a una inspección por muestreo con fracción , cuando i artículos se
encuentran libre de defectos. Si de nuevo i artículos se encuentran libres de
defectos, entonces se continúa con una inspección por muestreo con fracción
.

142
PREGUNTAS DE REPASO
1) Explique qué es el muestreo de aceptación.
2) El muestreo de aceptación es una decisión intermedia entre dos

extremos: cero inspección o inspección al 100%. Explique bajo qué
condiciones se recomienda aplicar el muestreo de aceptación.
3) ¿Cuáles son las ventajas del muestreo de aceptación sobre la

inspección al 100%?
4) Comente de manera general en qué consisten los planes de muestreo

por atributos y por variables.
5) ¿En qué consiste un muestreo doble?
6) Explique en forma general cómo se recomienda formar un lote que va a

ser sometido a un plan de muestreo de aceptación.
7) Describe qué es y cuál es la utilidad de la curva característica de

operación de un plan de muestreo por atributos.
8) Apoyándose en las propiedades de la curva CO, señale qué tanta

influencia tiene el tamaño de lote en el tipo de calidad que acepta un
plan de muestreo de aceptación.
9) Algunas personas tienen la costumbre de tomar un tamaño de muestra

igual a cierto porcentaje del tamaño de lote (10%). ¿Con base en las
propiedades de la curva CO, es adecuada esta costumbre?
10) Comente el significado de los índices NCA (AQL) y NCL (AOQ), su

relación con el riesgo del productor y riesgo del consumidor.
11) ¿Cuál es el propósito de los distintos niveles de inspección en las tablas

de MIL STD 105E?
12) ¿Qué ventajas tiene el muestreo de aceptación para variables respecto

al de atributos?

143
1) Un proceso de llenado para recipiente de aceite en condiciones de

estado estable, tiene una media de 100 lb y una desviación estándar de
3 libras en dicha etapa, la cual suministra los recipientes llenos a la
etapa de despacho.
La situación actual de la etapa de llenado es satisfactoria para las

exigencias de despacho (100±5.8799) libras, pero consideraría de
pésima calidad si los recipientes llenos viniesen con una variación 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 aplicación 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) Diseñe el plan de muestreo correspondiente.

b) Suponga que el proceso de llenado está generando en total el 15%
de producto no conforme, la cantidad de productos no conformes por
uno de los límites de especificación es el doble con relación a la
cantidad de no conformes que se generan por el otro límite de
especificación. ¿Cuál es la capacidad general del proceso? ¿Cuál 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 línea de producción tiene una fracción de no conforme igual al 7%. El

cliente utiliza para la recepción Nivel General de Inspección, 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 aceptación de los lotes por parte del

cliente.
b) Calcular el riego tipo II
c) Calcular la mínima probabilidad de aceptación de los lotes por parte
del cliente.
d) ¿para qué valor del LTPD, el riesgo tipo II del plan del cliente es de
0.1?

144
3) Su empresa obtiene un contrato para suministrar 5 lotes de 1.000

piezas. La fabricación 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 realizará una
inspección según MIL-STD-105E, AQL=0.65, simple, nivel II.
Previamente al lanzamiento de la fabricación usted realiza un estudio de
capacidad del proceso de fabricación de la cota problemática y obtiene
Cp=0.95. Debido a la naturaleza del proceso de fabricación resulta
sencillo mantenerlo centrado. Si su empresa sirve ese pedido sin realizar
una inspección final:
a) ¿Cuál es la probabilidad de que el cliente acepte los cinco lotes?

b) Si el cliente no ha rechazado ningún lote ¿cuál ha sido la fracción
defectuosa de los lotes fabricados?
c) Si el cliente ha rechazado algún lote ¿cuál ha sido la fracción defectuosa
de los lotes fabricados?
4) Su empresa obtiene un contrato para suministrar 5 lotes de 1.000

piezas. La fabricación 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 realizará
una inspección según MIL-S TD-105E, AQL=0.10, simple, nivel II.
a) Hallar el tamaño de la muestra necesario para cada lote y el criterio

de aceptación y rechazo.
b) Dado que su empresa no tiene experiencia en la fabricación de la
pieza, su jefe le pide que calcule la probabilidad de que su cliente
acepte los 5 lotes en función de la fracción defectuosa fabricada,
conociendo quela empresa sirve ese pedido sin realizar una
inspección 100% final.
c) Para poder cumplir el pedido, su empresa piensa adquirir una nueva
máquina para realizar la operación de fabricación mencionada
anteriormente. Si se supone que el proceso permanece centrado
¿Cual es el índice de capacidad de proceso Cp que debe tener la
máquina a adquirir si se pretende tener una `probabilidad del 90% de
que el cliente no rechace ningún lote?
d) Debido al alto precio de la máquina anterior, su empresa decide
hacer un lanzamiento piloto con la máquina antigua. Fabrica 50
unidades que se verifican todas y 2 de ellas resultan defectuosas. Se
pide estimar la fracción defectuosa existente mediante un intervalo
de confianza del 95%.
e) Para cumplir el contrato con la maquinaria antigua, se planifica realizar
una inspección final 100% para segregar las unidades defectuosas.
Alguien propone reemplazarla por un muestreo. ¿Qué opina usted?
145
5) Su empresa ha acordado con un cliente las condiciones de recepción de

los envíos de lotes de 5000 piezas. El plan de muestreo por atributos
acordado es el siguiente:
n =50.
Ac = 0.
Por datos históricos Ud. sabe que la fabricación de su empresa es muy
estable y tiene un 0,25% de unidades defectuosas.
a) ¿Cuál es la probabilidad de que se acepte un lote?

b) Si está prevista la entrega de 400 lotes ¿qué cantidad R de lotes espera
que le rechacen?Se supone que no se toma ninguna acción correctora
sobre el proceso después de cada retraso.
c) ¿Cuál es la probabilidad de que le rechacen exactamente “R” lotes, ni
uno más, ni uno menos?
d) Si los lotes rechazados se re inspeccionan al 100% y se reponen las
unidades defectuosas ¿Cuál es la calidad de salida media?
6) Suponga que un proveedor envía componentes en lotes de tamaño

5000. Se utiliza un plan de muestreo simple con n=50 y c=2 para
inspección a la recepción. Se tamizan los lotes rechazados y se vuelven
a trabajar todos los artículos defectuosos para después regresarlos al
lote.
a) Trace la curva OC para este plan
b) La administración se opuso al empleo del procedimiento anterior de

muestreo y quiere usar un plan con numero de aceptación c=0,
argumentando que esto es más acorde con su programa de cero
defectos ¿Qué opina de esto?
c) Diseñe 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 compárelo 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:
Construya una Curva OC para el plan de muestreo con
¿Satisface este plan los requisitos del fabricante y del
consumidor?

146
Si se decide implementar un plan con rectificación, cual es la mínima

probabilidad de aceptación que tendrá este plan sobre el lote. ¿Cuáles el
riesgo que corre Melissa Bryant Ttd?
8) En la inspección de un producto eléctrico cuyos lotes son de

unidades y , previo a su aceptación es posible aplicar uno de los
siguientes planes:
 Plan simple de parámetros:
 Plan doble de parámetros:
a) Si la elección del plan a utilizar se basa únicamente en el tamaño de la

muestra, indique cual será la elección a tomar. Justifique.
b) Cuál es la probabilidad de aceptación del plan elegido.
c) Si se quiere optar entre el plan doble de la parte a) pero ahora con

rectificación y el plan simple: , con rectificación para
inspeccionar los lotes antes mencionados, ¿qué plan será más
conveniente utilizar?Justifique.
9) Una empresa de montaje compra componentes a tres proveedores A, B,

C que aseguran que su calidad de fabricación 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) ¿Cuál de los proveedores es más exigente con su muestreo?

b) Si los tres proveedores envían sus productos en lotes de 2800
elementos ¿Cuál de ellos tiene un menor costo de inspección?
c) La empresa planea una calidad límite de 10% defectuoso ¿cuál
de los tres planes conlleva una protección mayor frente a lotes tan
defectuosos?

147
Capitulo
6 HERRAMIENTAS
INFORMÁTICAS PARA EL
CONTROL DE CALIDAD
En el mercado hay un sin número de software estadísticos 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 métodos que ayudan a evaluar la calidad de manera objetiva y
cuantitativa: gráficas de control, herramientas de planificación de la calidad y
análisis de sistemas de medición (estudios de medición), capacidad de
procesos y análisis de confiabilidad/supervivencia.
Entre tanto es importante aclarar que no hay ventajas significativas entre estos
software, por lo que en este capítulo y para efectos prácticos solo utilizaremos
Minitab.

148
HERRAMIENTAS INFORMATICAS
6 HERRAMIENTAS INFORMÁTICAS PARA EL CONTROL DE CALIDAD
6.1 CAPACIDAD DEL PROCESO
En Minitab, usted puede evaluar gráficamente la capacidad de procesos al

generar histogramas y gráficas de capacidad. Estas gráficas ayudan a evaluar
la distribución de los datos y a verificar que el proceso esté bajo control. Sin
embargo Los índices de capacidad son una forma más simple de evaluar la
capacidad de los procesos. Minitab ofrece análisis de capacidad para muchos
tipos de distribuciones, incluidas la normal, exponencial, Weibull, gamma,
Poisson y binomial.
Ejemplo
A continuación 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 desviación
estándar 32,02, el LSE: 350 y el LIE:220
Los datos se muestran a continuación 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
Solución
Si queremos comprobar que los datos se distribuyen normalmente podemos

seguir la siguiente ruta después de introducidos los datos.
Estadísticas>Estadísticas Básicas>Prueba de normalidad, como se

muestra en la imagen de abajo.

149
Luego aparecerá esta tabla le

indicaremos donde están los datos,
escogemos el tipo de prueba de
normalidad y le damos aceptar
Luego de aceptar se generará una imagen como la que sigue:
Gráfica de probabilidad de C1
Normal
99
Media 265,4
Desv .Est. 29,30
95 N 50
AD 0,495
90
Valor P 0,206
80
70
Porcentaje
60
50
40
30
20
10
1
200 220 240 260 280 300 320 340 360
C1
En la que si sus datos son perfectamente normales, entonces los puntos en la

gráfica conformarán una línea recta. La línea de referencia es un estimado de
la función de distribución acumulada para la población a partir de la cual se
extrajeron los datos.
Nota: Un software que es muy potente también para calcular el tipo de

distribución que siguen los datos obtenidos, es el simulador ARENA con su
herramienta input analyzer.

150
Posterior a esto y centrándonos en la capacidad del proceso procedemos con

la siguiente ruta Estadísticas < Herramientas de calidad < Análisis de
capacidad < Normal.
Aparecerá la siguiente ventana donde se debe hacer en su orden, esto:
1. CLIC
2. CLIC
4. Se define el
tamaño del
subgrupo
3. CLIC
5. Se definen
los valores de
los límites
6. CLIC
Al igual que con otros comandos de Minitab, usted puede modificar el análisis
de capacidad al especificar información en el cuadro de diálogo principal o al
hacer clic en uno de los botones del cuadro de diálogo, para esto deberá dar
clic al recuadro opciones que está en la parte superior derecha de la imagen
anterior.
Finalmente aparecerá una grafica con los respectivos resultados de la

capacidad del proceso.

151
Capacidad de proceso de C1
LIE LSE
P rocesar datos Dentro de
LIE 220 General
O bjetiv o *
LS E 350 C apacidad (dentro) del potencial
M edida de la muestra 265,435 Cp 0,76
C PL 0,53
N úmero de muestra 50
C P U 0,99
D esv .E st. (D entro) 28,3796
D esv .E st. (G eneral) 29,304 C pk 0,53
C apacidad general
Pp 0,74
PPL 0,52
PPU 0,96
P pk 0,52
C pm *
200 220 240 260 280 300 320 340

D esempeño observ ado E xp. D entro del rendimiento E xp. Rendimiento general
P P M < LIE 60000,00 P P M < LIE 54693,01 P P M < LIE 60515,65
P P M > LS E 0,00 P P M > LS E 1442,23 P P M > LS E 1952,11
P P M Total 60000,00 P P M Total 56135,23 P P M Total 62467,76
Aquí se puede ver claramente que el proceso no es capaz porque todas las
estadísticas de potencial son menores que 1, además se observa claramente
que se están generando productos no conformes en mayor proporción por el
límite inferior.

152
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 fabricación, una de las operaciones consiste en

efectuar un corte en una pieza de plástico. Dicho corte debe tener una
profundidad especificada en los planos. Dado que en el procesado posterior de
dichas piezas se tenían problemas debido a piezas con cortes no adecuados,
un ingeniero decide recoger información del proceso.
Para ello tomó datos de 20 conjuntos de piezas cada uno en intervalos de

tiempo de 2 días y midió la profundidad del corte obtenido. Los datos obtenidos
se muestran a continuación:
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

153
Para realizarlos por MINITAB es necesario hacer el siguiente procedimiento:
1) Los datos se ingresan de la siguiente manera
2) Debido a que la característica de calidad que se está midiendo es una

variable continúa, utilizaremos la grafica ̅ , por lo que tendremos que
hacer lo siguiente. Estadística<Graficas de control<Graficas de
variables para subgrupos<Xbarra-R.

154
3) Después de esto aparecerá una ventana, en donde escogeremos del

submenú la opción las observaciones para un subgrupo están en
una fila de columnas:
4) Luego aparecerá 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 opción que se muestra en la caja de selección.

155
5) Finalmente y después de hacer lo anterior, se genera una grafica como

se muestra a continuación.
Gráfica Xbarra-R de X1; ...; X4

1
8,50
M edia de la muestr a
1
1
8,25 1 1 1
U C L=8,174
_
_
8,00 X=8
LC L=7,826
7,75
1 1
1
7,50 1 1
1
1 3 5 7 9 11 13 15 17 19
M uestr a
1
0,60
U C L=0,5447
Rango de la muestr a
0,45
0,30 _
R=0,2387
0,15
0,00 LC L=0
1 3 5 7 9 11 13 15 17 19
M uestr a
Análisis
El primer grafico correspondiente al grafico X-barra, nos indica que el proceso

no se encuentra bajo control estadístico, porque hay 12 puntos por fuera de los
límites de control.
Por su parta el grafico R nos muestra que el proceso es variable, y hay muchas
observaciones cerca del límite de control inferior, lo que indica que la mayoría
de los cortes están por debajo del promedio de cortes adecuados. De la misma
manera podemos ver claramente un punto por encima del límite superior que
se debe investigar.
Nota: Si es necesario eliminar y cambiar los datos insertados en Minitab, se lo

puede hacer sin ningún problema, solo que se debe actualizar la grafica; para
esto se da clic derecho sobre la grafica anterior y se elige la opción actualizar
grafica automáticamente. Para que el cambio surja efecto.

156
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 gráficas 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
Estadísticas<Graficas de control<Graficas de atributos

157
Para la grafica P
En una columna se consignan los tamaños

de los subgrupos y junto a estos el número
de productos no conformes encontrados.
Aparecera esta ventana donde se tendra que hacer:
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre la
columna que
contiene el
3. Se hace clic en
número de no
el espacio junto
conformidades
a Tamaño de los
subgrupos
4. Clic sobre la columna

que contiene el tamaño de
los subgrupos 5. Clic en aceptar

158
Para la grafica Np
En una columna se consignan el

numero de no conformidades (NP)
encontrado en cada subgrupo
Luego continuamos asi :
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre la
columna que
contienen el
número de no
conformidades 3. Se hace clic
en el espacio
junto a
Tamaño de
los subgrupos
y se consigna
el tamaño de
estos
(constante)
4. clic en Aceptar

159
Para la grafica C
En una columna se consignan

el número de defectos para
cada muestra (C)
Ahora seguimos con los pasos mostrados en la imagen.
1. Se hace clic
en el espacio
debajo de
Variables
2. Clic sobre la
columna que
contienen el
número de no
conformidades
3. Clic en ACEPTAR

160
Para la grafica U
En una columna se consignan los

tamaños de las muestras (n) y junto
a esta la cantidad de defectos
encontradas (C).
Luego continuamos como sigue:
1. Se hace clic en
el espacio debajo
de Variables
2. Clic sobre
la columna
que contienen 3. Se hace clic en
el número de el espacio junto a
defectos Tamaño de los
subgrupos
4. Clic sobre la
columna que 5. Clic en ACEPTAR
contienen el tamaño
de los subgrupos

161
PARA EL MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
Ejemplo
Supongamos que un proveedor le suministra bolígrafos con el logotipo de su

compañía, los cuales usted obsequia en eventos comerciales. Usted recibe los
bolígrafos en lotes de 5000 y el hecho de que muchos de estos bolígrafos no
funcionan adecuadamente le ha causado frustración. Usted decide implementar
un plan de muestreo que le permita tomar la decisión 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 aceptará bolígrafos de baja calidad.
Usted y su proveedor convienen en que el AQL es 1.5% y el LTPD es 10%.
Solución:
Primero hacemos lo siguiente:
1 Elija Estadísticas > Herramientas de calidad > Muestreo de aceptación

por atributos.
Luego aparecerá una ventana donde se deberán 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 medición, elija Pasa / no pasa (defectuosos).
3) En Unidades para niveles de calidad, elija Porcentaje de
defectuosos.

162
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 Tamaño del lote, ingrese 5000.
7) Haga clic en Aceptar y aparecerá lo siguiente:

AOQ (pct. elementos defectuosos)
Curva de calidad saliente promedio (A OQ)

Curva Característica de operación (OC)
2,4
1,0
1,8
1,2
0,8
0,6
Probabilidad de aceptación
0,0
0,6 0 5 10 15 20
Pct. elementos defect. en lote entrante
Curva de inspección total promedio (A TI)

0,4
5000
Inspección total promedio
0,2 3000
1000
0,0
0 5 10 15 20 0 5 10 15 20
Porcentaje de defectuosos en el lote Porcentaje de defectuosos en el lote
Tamaño de la muestra = 52, Número de aceptación = 2

163
Análisis
Para cada lote de 5000 bolígrafos, usted necesita seleccionar e inspeccionar

aleatoriamente 52 de ellos. Si encuentra más de 2 defectuosos entre estos 52
bolígrafos, debe rechazar todo el lote. En caso de encontrar 2 o menos
bolígrafos defectuosos, se acepta todo el lote.
En este caso, la probabilidad de aceptación en el AQL (1.5%) es de 0.957 y la

probabilidad de rechazo es de 0.043. Cuando se configuró el plan de muestreo,
el consumidor y el proveedor convinieron en que los lotes con 1.5% de
defectuosos serían aceptados aproximadamente el 95% de las veces, a fin de
proteger al productor. La probabilidad de aceptación 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 serían rechazados la
mayor parte de las veces, a fin de proteger al consumidor.
Los procesos de muestreo de aceptación por lo general requieren acciones

correctivas cuando se rechazan lotes. Cuando la acción correctiva consiste en
realizar una inspección al 100%, además de reparar las unidades defectuosas,
la Calidad saliente promedio (AOQ) representa la calidad promedio del lote y la
Inspección total promedio (ATI) representa el número promedio de unidades
inspeccionadas después de realizar una exploración 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
será satisfactoria debido al trabajo de reparación y reinspección de los lotes
deficientes. El Límite 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 número promedio de bolígrafos inspeccionados en

un nivel de calidad particular. Para el nivel de calidad de 1.5% de defectuosos,
el número total promedio de bolígrafos inspeccionados por lote es de 266.2.
Para el nivel de calidad de 10% de defectuosos, el número total promedio de
bolígrafos inspeccionados por lote es de 4521.9.

164
Diagrama de Pareto
Para realizar un diagrama de pareto con Minitab.
En una columna se consignan

las etiquetas de los efectos y
junto a dicha etiquetala
frecuencia de ocurrenciadel
efecto.
Luego en la opción estadística, se escoge herramientas de calidad y enseguida

diagrama de pareto como se muestra en la imagen de abajo.

165
3. Se hace clic
en el nombre de
la columna que
contiene las
etiquetas, en
1.Se escoge la opción Tabla de defectos de
este caso C1
gráfica
2. Se hace clic en el espacio junto a Etiquetas en

5. Se hace clic
en el nombre de 4. Se hace clic en el espacio junto a Frecuencias en
la columna que
contiene las
frecuencias, en
este caso C2
Clic en no combinar Clic en ACEPTAR
Finalmente obtenemos nuestro diagrama de Pareto

166
APENDICE
CAPÍTULO 4: CARTAS DE CONTROL

RESPUESTAS A LOS EJERCICIOS
PROPUESTOS 1. a) , , ,
, ,
,
CAPÍTUO 3: CAPACIDAD DEL PROCESO
b) ̅ , ( ) ,
1) a) Cp=1.33 ⁄
b) Cpk=0.5
⁄
c) se reduce 6.67%
Diseñar los limites de control de la carta
2) a) ( ) x
3) a) ( ) 2. a) ̅ , ,
b) $ 250,16 , ,
4) a)
b)
b) %PNC= 53,687%
c) %PNC= 53, 526% c) Trabajando los limites de control con
d) $13,764
⁄ , al final nos queda que
5) P=0,02275 d) Con ⁄ , ( ) ,
6) a) %PNC = 5,749%
c) ( ) e) , ̅ ,
d) Proceso incapaz y descentrado
e) Asumiendo 1.000 unidades, el
f) , ,
( )
7)
g) , ,
a) ̅ ,
b)
h)
8) a)
i)
b)
J) Centrando el proceso se obtiene que el
mínimo 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) ,
, ,

167
APENDICE
, , b) ,
, , ⁄
c) Trabajando los limites de control con
,
⁄ | ⁄ |
Confiabilidad:
d) Con ⁄ ( )
b) , ,
, ,
, e) ̅ ,
f) , ,
c) ̅ , , ,
, ,
g) , , ̅ ,
d) , ,
,
h) , ,
e) Utilidad Neta = 6.182.820 UM , . No puede
existir tal carta con esta propiedad.
4. a) , | | ,
i) VM = Aproximadamente
1muestra/hora
b) Cuando : ,
6) a)
Cuando : , b) Con ⁄ ( )
c) ( )
d) LDP=50
d) Con , ,
e) Realice un estudio detallado del
e) .
proceso, donde se muestre el porcentaje
Para la media inicial del proceso: mínimo de productos no conformes que
̅ puede arrojar el proceso centrado; este
porcentaje es superior al 3%, así que
, dicho intervalo no existe.
Cuando se presenta el corrimiento: si el g) ̅

corrimiento se da hacia la derecha:
i) Costo Alquiler =
̅ ̅ $19.200.000/mensual.
f) Con . Asumiendo que los

limites de control se trabajaron con alfa
medio:
5. a) ̅ , ,

168
APENDICE
CAPITULO 5: MUESTREO DE ( )
ACEPTACION
Conclusión: Es un plan bastante
1.
exigente para el proveedor, ya
a)
que si tiene menos del
0,2% de defectuosos
b) c)
Curva CO para a y c
3.
Letra código: J
n=80
c=1
b) ( )
4.
a) n=80
9)
c=0
a)
b) ( ) ( )
c) ( )
( )
d) 0,04
( )
5. Entonces el plan del proveedor
a) A es más exigente
b)
b) R=48
( )
C) ( )
d) AOQ=0, 00193
6. ( )
a) Trace la curva con las c)
herramientas informáticas (la
( )
grafica se encuentra más
adelante) ( )
b) ( )
( )
( )

169
APENDICE
RESUMEN DE FORMULAS
Cartas de control
Capacidad del proceso
Limites De Control (Carta X)
Limites de tolerancia natural
̅ | |
̅ √
̅
̅ | |
̅ √
Limites de control x-Bar (3σ)
Capacidad potencial del proceso ̅ ̅
̅ ̅
Desviación
̅ ( )
√
Limites de control (Carta R)

Capacidad Real
̅
( ) ̅
̅ ̅
̅ Limites de control cartas X-Bar-σ

̅
Estandarización
̅ ̅
̅ ̅
̅ ̅
̅ ( )
√
Limites de control Carta ̅
Probabilidad ̅
( ) ̅
( ) ̅
De la muestra
Nota: un proceso está bajo control
estadístico cuando las dos cartas están
bajo control.

170
APENDICE
Valor esperado de productos no conformes

c a a c generados hasta llegar a una muestra k.
Cuando no se corrió.
( ) ( )
( ) ( )
Cambiado, cuando si cambio.
Determinado tiempo.
Monitoreo de un proceso
Corrimiento ,( ) ( ) ( )-
| ̅ ̅|
Potencia para detectar un cambio en la PNC=%PNC*Tm
media Longitud promedio de corrida (LDP):
Corrimiento hacia el límite superior Numero de muestras que se necesitan
analizar antes de encontrar puntos por
( | | √ )
fuera.
Corrimiento hacia el límite inferior Trabajando con alfa
( √ )
( )
( )
Trabajando con alfa medio
( )
( )
Cambio dado que ocurra
( )
Fuera de los límites de control.
Cambio en las primeras k muestras Cartas de Control por Atributos
Carta P y NP. Distribución Binomial.

Probabilidades Cartas P: cuando la muestra es variable o
constante
 ( ) ( ) Cartas Np: la muestra siempre es constante
 ( ) ( ) P=proporción no conforme
n= tamaño de la muestra
( )
 ( )
 ( )
∑
 ( ) ( ) ̅
∑
( )
Calculo de n Limites de control cartas p
| | | | ̅( ̅)
̅ √
* +
̅

171
APENDICE
̅( ̅) ∑
̅ √ ̅
∑
Por lo que los limites de control se
Limites de control carta Np obtendrán con las ecuaciones
̅ √ ̅ ( ̅) ̅ √ ̅⁄
̅ ̅
̅ √ ̅ ( ̅) ̅ √ ̅⁄
Potencia para la carta p

¡Para Recordar!
Distribución Binomial
̅( ̅)
̅ √ ̅ ( ) . / ( )
̅( ̅)
√
[ ] ( )
Calculo de n, para la carta p. ( ) ( )
√ ̅( ̅) √̅( ̅)
[ ̅ ]
̅
Distribución de Poisson
Calculo de LDP Expresa la probabilidad que ocurra un
Para la carta x determinado número de eventos durante
cierto periodo de tiempo.
( ) ( ̅ )
̅ ̅
( ) . / ( )
⁄ ⁄
√ √
( ) ( )
( )
Para la carta p .
( ) ( )
Condición
Cartas C
̅ ̅
̅ √ ̅
̅
̅ √ ̅
Cartas U

172
APENDICE
MUESTREO DE ACEPTACION
Usando Binomial (La más usual y
generalmente para lotes grandes)
Pa: Probabilidad de aceptación
( ) ∑. /( ) ( )
Numero esperado de unidades
Usando Hipergeométrica. defectuosas:
( )( ) ( )
( ) ∑ : Calidad de salida promedio, esta
( )
calidad resulta de la inspección con
rectificación.
( )
: Limite de calidad de salida

promedio
∑. /( ) ( )
Cuando el tamaño del lote se hace grande
en comparación con el tamaño de la
: Probabilidad de aceptación para
muestra:
lotes con fracción defectuosa p´.
El número promedio de inspección total
por lote es ATI.
NAC: Nivel de calidad aceptable, es el nivel
de calidad más pobre del proceso del ( )( )
proveedor.
∑. /( ) ( )
LTPD: Nivel de calidad más pobre que el

consumidor está dispuesto a aceptar.
| | √ ⁄
⁄
[ ]
⁄
| |√
| |√

173
BIBLIOGRAFÍA
 CORRAL, Ramón; VERGARA, Karen; RAMÍREZ, Cesar; BERDUGO, Lizeth

y IGLESIA, Álvaro. Módulo Académico: Control Estadístico de la Calidad.
Santa Marta.2011.
 MOTGOMERY, Douglas. Control Estadístico de la Calidad, Tercera edición,

México: 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. Aplicación de la Estadística al Control de Calidad. España:

Marcombo.2009.
 BERTRAND, Hansen y PRABHAKAR, Gharé. Control de Calidad: Teoría y

Aplicaciones. España: Ediciones Díaz de Santos. 2008.
 JURAN, Joseph Y GRODFREY, Blanton. Manual de Calidad, Quinta

Edición, Volumen III, Mc Graw Hill. 2001.
 BANKS, Jerry. Control de Calidad. México: Editorial Limusa Wiley. 2002.
 EVANS, J. y LINDSAY, W. Administración y Control de la Calidad. México:

Thomson.
 KUME, H. Herramientas Estadísticas Básicas para el Mejoramiento de La

Calidad. Bogotá: Grupo Editorial Norma.
 KENETT, R. y SHELEMYANHU, Z. Estadística Industrial Moderna: Diseño y

Control de la Calidad y la Confiabilidad. Internacional Thomson Editores,
S.A. de C.V.

174

Módulo Nivel

Încărcat de

Informații document

Descriere originală:

Titlu original

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

Módulo Nivel

Încărcat de

Drepturi de autor:

Formate disponibile

CONTROL ESTADISTICO DE

ALVARO BONETT PERTUZ

1. CONCEPTOS Y PRINCIPIOS DE LA CALIDAD 5

1.1 SIGNIFICADOS DE LA CALIDAD: 5

2. TÉCNICAS ESTADÍSTICAS ÚTILES PARA EL MEJORAMIENTO

2.1 DEFINICIONES BÁSICAS 14

3 ANÁLISIS DE CAPACIDAD DEL PROCESO 49

3.1 DEFINICIONES BASICAS 49

Control estadístico de la calidad

5 MUESTREO DE ACEPTACIÓN 119

5.1 GENERALIDADES 119

6 HERRAMIENTAS INFORMÁTICAS PARA EL CONTROL DE

6.1 CAPACIDAD DEL PROCESO 149

Control estadístico de la calidad

La calidad se ha convertido en uno de los factores de decisión más importantes de

Hay muchas maneras de definir calidad. La definición tradicional de calidad se

Control estadístico de la calidad

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

“Un sistema que permite que las características de un producto o servicio

“Las técnicas operacionales y actividades que sustentan la calidad de un

“La integración de las características que determinan en qué grado un producto

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

“Adecuar las características de un producto al uso que le va a darel

“La calidad es la totalidad de detalles y características de un producto o

“Conjunto de propiedades y características de un producto o servicio que le

“La calidad de un producto es la (mínima) pérdida impuesta por este productoa

Montgomery en su libro Control Estadístico de la Calidad, señala que en

Control estadístico de la calidad

USO y trasciende el aspecto de conformidad con las especificaciones al

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

1) CALIDAD DE DISEÑO: variaciones en los grados o niveles de calidad

Infortunadamente, las definiciones de calidad han sido relacionadas más con el

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

“La Calidades inversamente proporcional a la variabilidad”.

Esta definición involucra que si la variabilidad (indeseable o perjudicial) de las

Control estadístico de la calidad

1) Desempeño (Perfomance): ¿Servirá el producto para el fin proyectado?

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

¿Qué 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

“Un problema de variación que puede ser controlado y prevenido mediante

“Conjunto de acciones planificadas y sistemáticas que son necesarias

¿Qué es el Control de la Calidad?

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

“El conjunto de las actividades y técnicas realizadas con la intención de

Control estadístico de la calidad

“La aplicación de principios y técnicas estadísticas en todas las etapas de

“Método mediante el cual podemos medir la calidad real, compararla con

“Técnicas y actividades de carácter operativo utilizadas para satisfacer los

¿Qué es la ingeniería de calidad?

“Es el conjunto de actividades operativas, administrativasy de ingeniería que

1.2 FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN

Muchas personas han contribuido en la metodología estadística del

La filosofía del Dr. Deming es un importante marco para implementar el

1) Crear la constancia en los propósitos enfocados en el mejoramiento de

2) Adoptar la nueva filosofía de rechazar la mano de obra deficiente, los

 Dr. Joseph M. Juran

La filosofía de Juran se basa en la organización del cambio y en la

 Dr. Armand Feigenbaum