Módulo Condecal Ed. 2014 PDF

CONTROL ESTADISTICO DE LOS PROCESOS
ING. MANUEL CAMPUZANO H. M.Sc

Editores: Carlos Miguel Rodrguez, Javier Contreras Aristizabal, Libardo Escobar Toledo, Yohany Giraldo, Kevin
Amaya Bautista, Franklyn Choles Mendoza
CONTENIDO
CAPTULO 1 .3
1.
DEFINICIN DE CALIDAD .............................................................................................................................................................. 5

1.1. GENERALIDADES ........................................................................................................................................................................ 5
1.1.1. A QU LLAMAMOS CALIDAD? ........................................................................................................................................ 6
1.1.2. DIMENSIONES DE LA CALIDAD ....................................................................................................................................... 6
1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA CALIDAD ................................................................................ 7
1.3. FILOSOFA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIN......................................................................................... 7
1.3.1. Estndares de calidad y certificacin........................................................................................................................ 8
1.3.2. Seis Sigma ...................................................................................................................................................................... 9
1.3.3. Justo a tiempo, manufactura, Poka-Yoke, y otras................................................................................................. 9
1.3.4. Gestin De Calidad Total (TQM) ................................................................................................................................. 10
1.4. COSTOS ASOCIADOS A LA CALIDAD ..................................................................................................................................... 10
1.4.1. CLASIFICACIN DE LOS COSTOS DE LA CALIDAD ....................................................................................................... 11
CAPTULO 2.16
TRMINOS ESTADSTICOS PARA RECORDAR ....................................................................................................................................... 18
2.
TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO DE LA CALIDAD. .................................................................... 18

2.1. DEFINICIONES BSICAS ......................................................................................................................................................... 18
2.2. TEORIA DE LA PROBABILIDAD .............................................................................................................................................. 21
2.3. VARIABLES ALEATORIAS ...................................................................................................................................................... 23
2.4. DISTRIBUCIONES DE PROBABILIDAD ................................................................................................................................. 23
2.4.1. DISTRIBUCIONES DISCRETAS ..................................................................................................................................... 24
2.4.2. DISTRIBUCIONES CONTINUAS.................................................................................................................................... 28
2.5. Cadenas de markov .............................................................................................................................................................30
2.6. PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA .............................................................................................................33
2.7. HERRAMIENTAS ESTADSTICAS BSICAS PARA EL CONTROL DE LA CALIDAD ............................................................38
2.7.1. Histograma....................................................................................................................................................................38
2.7.2. DIAGRAMA DE PARETO ................................................................................................................................................ 40
2.7.3. DIAGRAMA DE CAUSA Y EFECTO ................................................................................................................................ 42
2.7.4. DIAGRAMA DE DISPERSIN ........................................................................................................................................ 43
2.7.5. CARTA DE VERIFICACIN ............................................................................................................................................ 44

2.7.6. DIAGRAMA DE CONCENTRACIN DE DEFECTOS ...................................................................................................... 44
2.7.7. CASITA DE LA CALIDAD ............................................................................................................................................... 45
2.7.8. CARTAS DE CONTROL .................................................................................................................................................. 46
CAPTULO 347
DEFINICIONES BSICAS ......................................................................................................................................................................... 49
3. ANLISIS DE CAPACIDAD DEL PROCESO .............................................................................................................................. 49
3.1. CAUSAS COMUNES Y ESPECIALES DE VARIACION ..........................................................................................................50
3.2. TIPOS DE PROCESOS............................................................................................................................................................. 51
3.2.1. Algunos tipos de procesos ms comunes.............................................................................................................. 52
3.3. INDICES DE CAPACIDAD ...................................................................................................................................................... 52
3.3.1. INDICE DE CAPACIDAD POTENCIAL, Cp ..................................................................................................................... 54
3.3.2. INDICE DE CAPACIDAD REAL DEL PROCESO ........................................................................................................... 55
3.3.3. DETERMINACIN DE LA PROPORCION DE PRODUCTOS NO CONFORMES ...........................................................60
3.3.4. Intervalos de confianza y pruebas para los ndices de capacidad del proceso: .........................................63
3.4. EJERCICIOS PROPUESTOS ................................................................................................................................................... 81
CAPTULO 487
4.
Cartas de control.......................................................................................................................................................................88
4.1. generalidades ........................................................................................................................................................................88
4.1.1. TIPOS DE CAUSAS ..........................................................................................................................................................88
4.2. COMPONENTES DE UNA CARTA DE CONTROL. ..................................................................................................................88
4.3. OBJETIVOS DE LAS CARTAS DE CONTROL. .......................................................................................................................89
4.4. VENTAJAS DE UTILIZAR CARTAS DE CONTROL .................................................................................................................89
4.5. ANLISIS DE PATRONES DE COMPORTAMIENTO EN LAS CARTAS DE CONTROL .........................................................90
4.6. CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE CONTROL ......................................................................93
4.7. CARTAS DE CONTROL Y PRUEBA DE HIPTESIS. ............................................................................................................. 94
4.8. TIPOS DE CARTAS DE CONTROL .........................................................................................................................................95
4.8.1. CARTAS DE CONTROL PARA VARIABLES ...................................................................................................................96
4.8.2. CARTAS DE CONTROL PARA ATRIBUTOS..................................................................................................................118
4.8.3. CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) C y U........................................................... 142
CAPTULO 5154
5
MUESTREO POR ACEPTACIN ................................................................................................................................................. 156

5.1 Aspectos importantes ........................................................................................................................................................ 156
5.2 Enfoques para la dictaminacin de lotes ...................................................................................................................... 156
5.3 Ventajas y desventajas del muestreo ............................................................................................................................. 157
5.4 TIPOS DE PLANES DE MUESTREO DE ACEPTACIN.......................................................................................................... 157
5.4.1 Plan de muestreo nico ............................................................................................................................................. 157
5.4.2 Plan de muestreo Doble ........................................................................................................................................... 159
5.5 PLANES CON UNA SOLA MUESTRA POR ATRIBUTOS. ..................................................................................................... 160
5.5.1 Definicin de un plan con una sola muestra. ....................................................................................................... 160
5.5.2 La curva OC .................................................................................................................................................................. 161
5.5.3 Curva de Operacin perfecta ..................................................................................................................................162
5.5.4 Puntos especficos en la Curva OC.........................................................................................................................162
5.5.5 Curvas de operacin tipo A y tipo B .......................................................................................................................164
5.5.6 Inspeccin con rectificacin ...................................................................................................................................164
5.6 DISEO DE PLANES DE MUESTREO ................................................................................................................................... 166
5.6.1 Mtodo matemtico ................................................................................................................................................... 166
5.7 MUESTREO DOBLE MULTIPLE Y SECUENCIAL.................................................................................................................... 167
5.7.1 Muestreo Doble. ........................................................................................................................................................... 167
5.7.2 La curva OC.................................................................................................................................................................. 170
5.7.3 La curva promedio de las muestras ....................................................................................................................... 171
5.8 PLAN DE MUESTREO MULTIPLE ............................................................................................................................................ 171
5.9 PLAN DE MUESTREO SCUENCIAL......................................................................................................................................... 171
5.10 MILITARY ESTNDAR 105E (ANSI/ASQCZ1.4; ISO 2859) ............................................................................................... 171
5.10.1 Descripcin .................................................................................................................................................................. 171
5.10.2 Procedimiento ........................................................................................................................................................... 172
5.10.3 Curva de operacin caracterstica ...................................................................................................................... 173
5.11 MUESTREO CONTINUO .......................................................................................................................................................... 176
5.12 NIVEL DE CALIDAD INDIFERENTE ....................................................................................................................................... 177
ANEXOS..179
CAPTULO 1
INTRODUCCIN A LA CALIDAD
Este captulo proporciona una breve introduccin a los principios bsicos, definiciones
y conceptos relacionados con el control y mejoramiento de la calidad. Enmarca ejemplo
de aplicabilidad y establece las herramientas estadsticas necesarias para facilitar el
entendimiento de la temtica tratada.
1. DEFINICIN DE CALIDAD
1.1. GENERALIDADES
El concepto del trmino CALIDAD, as como su desarrollo ha sufrido un proceso variable a lo largo del tiempo.
Antiguamente exista nicamente la idea de calidad, conocida tanto por el vendedor como por el cliente. Con el
paso del tiempo la idea se ha comenzado a cuantificar, convirtindose en algo ponderable a travs de diferentes
sistemas de gestin de calidad, en algunos casos obligatorio para empresas de nueva creacin, como es el Anlisis
de Peligros y Puntos de Control Crticos (APPCC), y en otros recomendable para la obtencin de un distintivo que
haga el producto ms competitivo en el mercado, como son las normas ISO 9000.
En los ltimos tiempos el desarrollo e implantacin de los sistemas de calidad en todas las industrias, y
principalmente en la industria alimentaria ha servido como elemento diferenciador y potenciador de las mismas
ante un mercado cada vez ms exigente, siendo la certificacin ISO 9001/2000 un objetivo comn perseguido por la
gran mayora de empresas.
La calidad se ha convertido en uno de los factores de decisin ms importantes de los consumidores para elegir
entre productos y servicios que compiten. El fenmeno es generalizado, sin importar si el consumidor es un
individuo, una organizacin industrial, una tienda minorista o un programa de defensa militar.
Hay muchas maneras de definir calidad. La definicin tradicional de calidad se basa en el punto de vista de que los
productos y los servicios deben cumplir con los requerimientos de quienes los usan.
Calidad significa adecuacin para uso.
En la adecuacin para uso se distinguen dos aspectos generales: calidad de diseo y calidad de conformidad.
Calidad de Diseo: Todos los productos o servicios se producen con varios grados o niveles de calidad.
Estas variaciones en los grados o niveles de calidad son internacionales y, por consiguiente, el trmino
tcnico apropiado es calidad de diseo. Este factor engloba todas las funciones y caractersticas de un
producto.
Calidad de Conformidad: La calidad de conformidad es la medida en que el producto se ajusta a las
especificaciones requeridas por el diseo. Este elemento est influido por varios factores, incluyendo la
eleccin de los procesos de manufactura, la capacitacin y supervisin de la fuerza de trabajo, el tipo de
sistema de aseguramiento de la calidad que se utiliza, la medida en que se siguen estos procedimientos de
aseguramiento de la calidad, y la motivacin de la fuerza de trabajo para alcanzar la calidad.
La ingeniera de calidad maneja una definicin moderna de calidad: La calidad es un factor inversamente
proporcional a la variabilidad.
Esta definicin implica que si la variabilidad de las caractersticas importantes de un producto disminuye, la calidad
de un producto aumenta. Es aqu donde entra en juego el control estadstico de la calidad, cuyo principal objetivo es
el anlisis y reduccin de este factor, haciendo uso de diferentes herramientas de tipo estadstico.

En este orden de ideas, surgen las siguientes definiciones, cuya conceptualizacin ser dada a partir de la Norma
ISO 9000:
Gestin de la calidad: Actividades coordinadas para dirigir y controlar una organizacin en lo relativo a la
calidad.
Mejoramiento de la calidad: Reduccin de la variabilidad en procesos y productos.
Administracin de la calidad: Segn Juran, es el proceso de identificar y administrar las actividades
necesarias para lograr los objetivos de calidad de una organizacin.
Aseguramiento de la calidad: Parte de la gestin de calidad orientada a proporcionar confianza en que se
cumplirn los requisitos de la calidad.
Planificacin de la calidad: Parte de la gestin de la calidad enfocada al establecimiento de los objetivos y
a la especificacin de los procesos operativos necesarios y de los recursos relacionados para cumplir los
objetivos de la calidad.
Control de la calidad: Es el sistema por medio del cual se establece que un producto rene o no las
condiciones necesarias para su aceptacin por el cliente.
1.1.1. A QU LLAMAMOS CALIDAD?
Hay quien opina que la Calidad es un concepto bsico, que no puede ser definido a partir de otro, y que su significado
nicamente puede demostrarse de forma prctica, sin embargo existen algunas definiciones de su significado, entre
las que destacan las siguientes:
La totalidad de funciones y caractersticas de un producto o servicio dirigidas a su capacidad para
satisfacer las necesidades de un cierto usuario; estas funciones o caractersticas son las que engloban el
concepto de calidad.
La calidad es el grado en que las caractersticas de los productos cubren las necesidades del cliente.
Lo que se entiende por un Sistema de Calidad es la estructura organizativa, las responsabilidades, los
procedimientos, los procesos y los recursos necesarios para llevar a cabo la gestin de la calidad. Es decir, que
todas y cada una de las actividades de la empresa estn coordinadas a travs de un sistema de calidad.
1.1.2. DIMENSIONES DE LA CALIDAD
Existen varias maneras de evaluar la calidad de un producto. Con frecuencia es de suma importancia distinguir
estas diferentes dimensiones de la calidad. Garvin ofrece una excelente discusin en los siguientes ocho
componentes:
Desempeo (Servir el producto para el fin proyectado?)

Confiabilidad (Con qu frecuencia falla el producto?)
Durabilidad (Cunto tiempo dura el producto?)
Facilidad de servicio (Qu tan fcil es reparar el producto?)
Esttica (Cmo luce el producto?)
Caractersticas incluidas (Qu hace el producto?)
Calidad percibida (Cul es la reputacin de la compaa o de su producto?)

Conformidad con los estndares (El producto se fabrica exactamente como lo proyect el
diseador?)
1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA CALIDAD

El control de calidad moderno, o control estadstico como lo llamamos hoy, comenz en los aos 30.
La II guerra mundial fue el catalizador que permiti ampliar el cuadro de control a diversas industrias en los Estados
Unidos, cuando la simple reorganizacin de los sistemas productivos result inadecuada para cumplir las exigencias
del estado de guerra y semiguerra.
Estados Unidos pudo desarrollar una calidad a travs de un bajo costo pero de gran calidad y utilidad en artculos de
guerra creando as sus estndares y normas de calidad; poco despus la Gran Bretaa tambin desarroll el control
de la calidad. Gracias a los estndares de calidad que pudo desarrollar los Estados Unidos en la guerra, gener una
gran aportacin econmica en trminos cuantitativos y cualitativos para su pas dando inicio al control total
estadstico moderno, esta situacin estimul los avances tecnolgicos.
Podra especularse que la Segunda Guerra Mundial la ganaron el perfeccionamiento del control de la calidad y la
utilizacin de la estadstica moderna. S podra decir que gracias al control de la calidad tambin derrotaron a la
Alemania Nazi.
Algunos japoneses quisieron adoptar la estadstica moderna, pero no les funcion, logrando un lenguaje matemtico
que casi nadie poda entender. En Japn utilizaban el mtodo Taylor y seguan compitiendo en costos y precios pero
no en la calidad, ya que de todas maneras estaban en la poca de los productos baratos y malos.
Al terminar la II Guerra mundial Japn que estaba destruido debido a eso comenz a utilizar el control de la calidad
para educar a la industria. Esto inicio en Mayo de 1946.
1.3. FILOSOFA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIN

Muchas personas han contribuido en la metodologa estadstica del mejoramiento de calidad. Sin embargo, en
trminos de la filosofa de la implementacin y la administracin, surgen tres individuos como lderes: W. E. Deming,
J. M. Juran y A. V. Feigenbaum.
W. Edwards Deming
La filosofa del Dr. Deming es un importante marco para implementar el mejoramiento de la calidad y la
productividad. A continuacin se presenta los 14 principios de administracin manejados por Deming:
1. Crear constancia en los propsitos enfocados en el mejoramiento de productos y servicios.
2. Adoptar la nueva filosofa de rechazar la mano de obra deficiente, los productos defectuosos o los malos
servicios.
3. No confiar en la inspeccin en masa para controlar la calidad.
4. No hacer contratos con proveedores atendiendo nicamente al precio, sino considerando tambin la
calidad.

5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
Enfocarse en el mejoramiento continuo.

Poner en prctica mtodos de capacitacin modernos e invertir en la capacitacin de todos los empleados.
Poner en prctica mtodos de supervisin modernos.
Sacudirse el miedo.
Derribar las barreras entre las reas funcionales del negocio.
Eliminar objetivos, lemas y metas numricas para la fuerza de trabajo.
Eliminar las cuotas y los estndares de trabajo numricos.
Eliminar las barreras que desalientan a los empleados a realizar sus trabajos.
Instituir un programa progresivo de capacitacin y educacin para todos los empleados.
Crear una estructura en la alta gerencia que propugne con decisin por los 13 primeros puntos.
Dr. Joseph M. Juran
Uno de los padres fundadores del control estadstico de calidad. Fue invitado a dar plticas a lderes de la industria
japonesa cuando iniciaron su transformacin industrial a principios de los aos 1950. Es coautor (con Frank M.
Gryna) de Quality Control Handbook, una referencia obligada para los mtodos y el mejoramiento de calidad desde
su publicacin original en 1957.
La filosofa de Juran se basa en la organizacin del cambio y en la implementacin de mejoras que l llama la
penetracin administrativa. La secuencia de la penetracin es en realidad un proceso estructurado para la
solucin de problemas.
Dr. Armand Feigenbaum
Fue el primero en introducir el concepto de control de calidad en toda la compaa en su histrico libro Total Quality
Control (la primera edicin se public en 1951). Este libro ejerci una gran influencia en los inicios de la filosofa de la
administracin de calidad en Japn a principios de los aos 1950.
El inters del Dr. Feigenbaum se centra ms en la estructura organizativa y en el enfoque de los sistemas para
mejorar la calidad que en los mtodos estadsticos.
1.3.1. Estndares de calidad y certificacin
La Organizacin Internacional de Normas (ISO, por sus siglas en ingls) ha desarrollado una serie de estndares de
calidad que incluyen la serie ISO 9000, los cuales tambin son adoptados por el Instituto Americano de Estndares
Nacionales y la ASQ. El punto central de estos estndares es el sistema de calidad, incluyendo componentes tales
como:
1.
2.
3.
4.
5.
6.
7.
Responsabilidad de la administracin de calidad

Control del diseo.
Control de datos y documentos.
Administracin de compras y contratos.
Identificacin y rastreabilidad de productos.
Inspeccin y prueba, incluyendo el control del equipo de medicin e inspeccin.
Control del proceso.

8.
9.
10.
11.
12.
13.
Manejo de la produccin disconforme, acciones correctivas y preventivas.

Manejo, almacenamiento, empaque y entrega del producto, incluyendo actividades de servicio.
Registros de control de calidad.
Auditoras internas.
Capacitacin.
Metodologa estadstica.
1.3.2. Seis Sigma
De manera tpica, son grandes las probabilidades de que ocurran fallas o defectos en los productos de alta
tecnologa con muchos componentes complejos. Motorola desarroll el programa seis sigma a fines de los aos
1980 en respuesta a la demanda de estos productos. Este programa se centra en llevar la variabilidad de las
caractersticas de calidad clave a niveles en los que las fallas o los defectos sean en extremo improbables.
Six Sigma se basa en la curva de la distribucin normal para conocer el nivel de variacin de cualquier actividad,
posterior a esto desarrolla una serie de pasos para el control de calidad y la optimizacin de procesos industriales.
Estos pasos se conocen como el ciclo DMAMC (Definicin, Medicin, Anlisis, Mejora, Control)
La finalidad del Six Sigma es proporcionar la informacin adecuada para ayudar a la implementacin de la mxima
calidad del producto o servicio en cualquier actividad, as como crear la confianza y comunicacin entre todos los
participantes, pues se debe tener en cuenta que la actividad del negocio parte de la informacin, las ideas y la
experiencia, lo cual ayuda a elevar la calidad y el manejo administrativo.
1.3.3. Justo a tiempo, manufactura, Poka-Yoke, y otras.
Ha habido muchas iniciativas destinadas a mejorar el sistema de produccin. Entre ellas se encuentra el enfoque
justo a tiempo, es una filosofa que tiene como su objetivo la eliminacin de prdidas. Las prdidas pueden ser
partes rechazadas, niveles excesivos de inventario, colas interoperativas, manejo excesivo de materiales, tiempos
de preparacin y cambio muy prolongados, y otras. JIT enaltece la necesidad de hacer calzar la cuota de produccin
con la demanda actual, y elimina las actividades que no aumentan el valor.
La filosofa de eliminacin de prdidas ha probado ser de ayuda entodos los tipos de ambientes de manufactura (y
de servicio), con la salvedad de que algunos tipos de manufactura ofrecen mayores oportunidades que otros. La
siguiente tabla lista las mejoras estimadas para distintos tipos de manufactura:
Porcentajes estimados de mejoras para distintas industrias como un resultado de la implementacin de JIT
Productos
automotrices
Impresos
Productos
de moda
Equipos
mecnicos
Componentes
elctricos
Rango
89
86
92
83
85
83-92
Materias Primas
35
70
70
73
50
35-73
En proceso
89
82
85
70
85
35-73
Prod. Terminados
61
71
70
100
0-100
Tpo. de Cambio
75
75
91
75
94
75-94
Directa
19
50
0-50
Indirecta
60
50
21
38
21-60
Reducciones
Manufactura
Tiempo Perdido
Inventario
Mano de obra
29

Exenta
Espacio
53
Costo de Calidad
50
Mat. Comprados
Capac. Adicional
22
?-22
39
80(Est.)
39-80
63
61
33
26
26-63
11
36
42
0-42
6-11
1.3.4. Gestin De Calidad Total (TQM)

El objetivo perseguido por la Gestin de Calidad Total es lograr un proceso de mejora continua de la calidad por un
mejor conocimiento y control de todo el sistema (diseo del producto o servicio, proveedores, materiales,
distribucin, informacin, etc.) de forma que el producto recibido por los consumidores est constantemente en
correctas condiciones para su uso (cero defectos en calidad), adems de mejorar todos los procesos internos de
forma tal que se produzcan bienes sin defectos a la primera, implicando la eliminacin de desperdicios para reducir
los costos, mejorar todos los procesos y procedimientos internos, la atencin a clientes y proveedores, los tiempos
de entrega y los servicios post-venta.
La Gestin de Calidad involucra todos los sectores, es tan importante producir el artculo que los consumidores
desean, y producirlos sin fallas y al menor coste, como entregarlos en tiempo y forma, atender correctamente a los
clientes, facturar sin errores, y no producir contaminacin. As como es importante la calidad de los insumos y para
ello se persigue reducir el nmero de proveedores (llegar a uno por lnea de insumos) para efectos de asegurar la
calidad (evitando los costos de verificacin de cantidad y calidad), la entrega justo a tiempo y la cantidad solicitada;
as tambin es importante la calidad de la mano de obra (una mano de obra sin suficientes conocimientos o no apta
para la tarea implicar costos por falta de productividad, alta rotacin, y costos de capacitacin). Esta calidad de la
mano de obra al igual que la calidad de los insumos o materiales incide tanto en la calidad de los productos, como en
los costos y niveles de productividad.
1.4. COSTOS ASOCIADOS A LA CALIDAD

Los costos de la calidad son aqullos costos asociados con la produccin, identificacin y reparacin de
productos o servicios que no cumplen con las expectativas impuestas por la organizacin que los produce.
Durante muchos aos, los costos de calidad fueron ignorados. Sin embargo, desde la dcada de 1950,
numerosas empresas comenzaron a evaluarlos formalmente, por diversas razones:
La conveniencia de comunicar mejor la importancia de la calidad a una audiencia entrenada en el uso
de variables financieras.
La mejor comprensin de las categoras de costos de la calidad y de los diversos costos asociados
con el ciclo de vida del producto, incluyendo los costos de la mano de obra y el mantenimiento necesarios
para el aseguramiento de la calidad de los productos y servicios.
La mayor complejidad de los productos y procesos manufactureros, asociada con nuevas tecnologas
que llevaron a un incremento en los costos de calidad.
En el ltimo medio siglo, los costos de la calidad se han transformado en un mtodo de control financiero que, en
manos de los gerentes, permite identificar oportunidades para reducir los costos de la firma y fortalecer sus
procesos de mejora continua y actualizacin de procesos.
10

1.4.1. CLASIFICACIN DE LOS COSTOS DE LA CALIDAD
Es usual clasificar los costos de la calidad segn el esquema de la Figura 1.
Los costos de conformidad son aqullos en los que se incurre para asegurar que los bienes y servicios provistos
responden a las especificaciones; incluyen los costos de las etapas de diseo y fabricacin destinados a
prevenir la falta de adecuacin a los estndares, y se clasifican en costos de prevencin y de evaluacin.
Los costos de no conformidad se presentan asociados a fallas, es decir, estn vinculados con productos o
servicios que no responden a las especificaciones. Se clasifican en costos de falla interna y costos de falla externa.
La Figura 2 es un esquema clasificador de los Costos de la calidad que permite identificarlos siguiendo una
secuencia lgica.
COSTOS DE CONFORMIDAD
Costos de prevencin
Costos de evaluacin
COSTOS DE NO CONFORMIDAD
Costo de falla interna
Costo de falla externa
Figura 1: Clasificacin de los costos de calidad.
Tabla No 1: Costos de la calidad
11

COSTOS DE CONFORMIDAD
Costos de prevencin
Planificacin e ingeniera de la calidad
Revisin de nuevos productos
Diseo del producto/proceso
Control de procesos
Encendido
Capacitacin
Capacitacin y anlisis de datos sobre calidad
Adquisicin y anlisis de datos sobre la calidad
COSTOS DE NO CONFORMIDAD
Costos de fallas internas
Desechos
Reprocesamientos
Repeticin de pruebas
Anlisis de fallas
Tiempo ocioso
Prdidas de rendimiento
Degradacin (fuera de especificacin)
Cambios desde Ingeniera
Sobreconsumo por manejo del material
Costos de valuacin
Inspeccin y prueba del material de entrada
Inspeccin y prueba del Producto
Materiales y servicios consumidos
Mantenimiento de la precisin del equipo de prueba
Costos de fallas externas

Ajustes de quejas
Productos/materiales devueltos
Cargospor garanta
Costos de responsabilidad legal
Costos indirectos
12
Figura 2. Esquema clasificador de los Costos de la calidad. Fuente: Comit de costes de la calidad, ASQCet al. (1992).
EL MODELO TRADICIONAL DE LOS COSTOS DE LA CALIDAD

El modelo tradicional de los costos de la calidad supone un compromiso entre dos categoras de costos:
Mientras que los costos de fallas internas y externas (la primera categora) disminuyen con el incremento del
porcentaje de conformidad de los productos, los costos de evaluacin y prevencin (la segunda categora)
aumentan cuando se busca lograr un porcentaje de conformidad mayor. Estas relaciones se presentan
grficamente en la Figura 3.
13
Figura 3. El modelo tradicional de los Costos de la calidad. Fuente: Rao et al. (1996)
Se observa en la figura que existe un punto mnimo para los costos totales de la calidad. Ese extremo se verifica
para algn valor de la calidad de conformidad menor que el 100%. Para valores bajos de calidad de conformidad,
sta se puede incrementar significativamente con pequeas inversiones en prevencin y evaluacin. Sin
embargo, al acercarse la conformidad al 100%, los costos de prevencin y evaluacin tienden a infinito.
Por el contrario, los costos de falla disminuyen gradualmente, hasta alcanzar un valor nulo, cuando la
conformidad se acerca al 100%.
MODELOS ALTERNATIVOS
El modelo emergente
El modelo emergente de los costos de la calidad es una derivacin del modelo tradicional y, al igual que ste, presta
atencin exclusiva a los costos de conformidad y no conformidad, es decir, a los estndares. El modelo emergente,
esquematizado en la Figura 4, responde mejor a las tendencias de gestin actuales y busca superar
algunas de las limitaciones del modelo tradicional Se destacan los siguientes aspectos:
1.
Se presta mayor inters a la prevencin y evaluacin, de modo de poder realizarlas an cerca del 100% de
conformidad;
2. Los costos de prevencin y evaluacin son relativamente proporcionales al nivel de conformidad y
no se disparan cuando ste se aproxima al 100%.
3. La cada de los costos de falla interna y externa tambin es menos abrupta que en caso del modelo
tradicional, debido a un aumento en la fiabilidad de los nuevos materiales y procesos de fabricacin.
4. El menor costo de la calidad se obtiene cuando la conformidad se acerca al 100%.
14
Figura 4. El modelo emergente de los CC. Fuente: Rao et al.(1996)
Ejemplo de costos:
En la fabricacin de una determinada pieza con una tasa produccin de 200 piezas diarias y un costo de fabricacin
de $25000 la pieza, se detect que el 80% de las piezas cumplan con las especificaciones de calidad y el 20%
tenan alguna no conformidad o defecto. De este 20% el 70% eran reprocesables a un costo de $5000 la pieza.
Mediante de la implementacin de un nuevo control estadstico de calidad se consigui reducir el porcentajes de
piezas no conformes o defectuosas al 5 %, un 70% de las cuales eran reprocesables. El nuevo sistema de control
estadstico del proceso se evala en $50000 el da y el fabricante percibe $29000 por pieza fabricada y vendida.
Hallar produccin de piezas, costos antes y despus del sistema de control estadstico del proceso y el beneficio
recibido.
: 200 25.000 = 5.000.000
Antes:
% = 20%
% = 0.20 200
= 40
. = 0.70 40
= 28
= 28 5.000
= 140.000
= 28 5000 + 200 25.000
15

= 5.140.000
=
5.140.00
= 27340.42/
188
= 200 40 28
= 188
= 188 29.000
= 5.452.000
= 5.452.000 5.000.000 140.000
= 312.000
Despus
% = 5%
% = 0.05 200
= 10
. = 0.70 10
= 7
= 7 5.000
= 35.000
= 7 5000 + 200 25.000 + 50.000
= 5.085.000
= 200 10 7
= 197
=
5.085.000
= 25812,37/
197
= 197 29.000
= 5.713.000
= 5.713.000 5.000.000 35.000 50.000
= 628.000
Nota: Todo en unidades monetarias.
16
CAPTULO 2
HERRAMIENTAS ESTADSTICAS PARA LA CALIDAD
En este captulo se encuentra todo lo relacionado con las herramientas estadsticas

que ayudarn al mejoramiento de la calidad. De igual forma se presentan algunos
conceptos de temas fundamentales pertenecientes a la estadstica los cuales sern de
gran utilidad al momento de aplicar dichas herramientas.
17
TRMINOS ESTADSTICOS PARA RECORDAR

Es importante recordar que la Estadstica es la ciencia encargada de la recoleccin, organizacin e interpretacin
de datos, para obtener conclusiones de una poblacin.
Segn se haga el estudio sobre todos los elementos de la poblacin o sobre un grupo de ella, se diferencian dos
tipos de Estadstica:
Estadstica Descriptiva: Realiza el estudio sobre la poblacin completa, observando una caracterstica
de la misma y calculando unos parmetros que den informacin global de toda la poblacin.
Estadstica Inferencial: Realiza el estudio descriptivo sobre un subconjunto de la poblacin llamado
muestra y, posteriormente, extiende los resultados obtenidos a toda la poblacin.
2. TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO DE LA CALIDAD.

2.1. DEFINICIONES BSICAS
POBLACIN: Es el conjunto de todos los elementos, individuos o entes sujetos a estudio y de los cuales se quiere
obtener un resultado.
MUESTRA: Subconjunto de la poblacin.
VARIABLE: Caracterstica o propiedad de los elementos o individuos de la poblacin a estudiar.
Existen dos categoras o tipo de variables:
Variables cualitativas: se refieren a atributos o cualidades que no pueden ser medidas con nmeros.
Variables cuantitativas: se refieren a aquellas caractersticas que pueden ser expresadas
numricamente. Esta a su vez se subdivide en:
Variables discretas: son aquella que entre dos valores prximos puede tomar a lo sumo un nmero
finito de valores, es decir, caractersticas que nicamente tomarn valores enteros.
Variables continuas: son aquellas que pueden tomar infinitos valores dentro de un intervalo.
EXPERIMENTO ALEATORIO: Es aquel experimento que puede producir resultados diferentes, an cuando se repita
siempre de la misma manera.
ESPACIO MUESTRAL: Es el conjunto de todos los resultados posibles de un experimento aleatorio. Se denota por S.
Por ejemplo, se considera el experimento de lanzar un dado, si el inters se centra en el nmero que muestra la
cara superior, el espacio muestral sera:
= 1,2,3,4,5,6
18

EVENTO: Es un subconjunto del espacio muestral de un experimento aleatorio. Para cualquier experimento dado, se
puede estar interesado en la ocurrencia de ciertos eventos, por ejemplo se puede estar interesado en el evento A en
que el resultado cuando se lanza un dado sea divisible entre 3; este ocurrir si el resultado es un elemento del
subconjunto:
= 3,6
Con frecuencia es necesario describir nuevos eventos a partir de combinaciones de eventos existentes:
Unin de dos eventos: Es el evento que consta de todos los resultados que estn contenidos en
cualquiera de los dos eventos. La unin se denota por: 1 2

Interseccin de dos eventos: Es el evento que consta de todos los resultados que estn contenidos en
los dos eventos. La interseccin se denota por: 1 2
Complemento de un evento: Es el conjunto de resultados en el espacio muestral que no estn en el
evento. La complemento se denota por:
Eventos mutuamente excluyentes: Se dice que dos eventos son mutuamente excluyentes, si estos no
presentan elementos en comn; dos eventos denotados como E 1 y E2 tales que 1 2 = son
mutuamente excluyentes.
MEDIDAS DE TENDENCIA CENTRAL
Son indicadores estadsticos que muestran hacia qu valor (o valores) se agrupan los datos.
Existen varios procedimientos para expresar matemticamente las medidas de tendencia central, de los cuales, los
ms conocidos son: la media aritmtica, la mediana y la moda.
LA MEDIA ARITMTICA
Equivale al clculo del promedio simple de un conjunto de datos. Para diferenciar datos mustrales de datos
poblacionales, la media aritmtica se representa con un smbolo para cada uno de ellos: si trabajamos con la
poblacin, este indicador ser ; en el caso de que estemos trabajando con una muestra, el smbolo ser X .
LA MEDIANA
Valor que divide una serie de datos en dos partes iguales. La cantidad de datos que queda por debajo y por arriba
de la mediana son iguales.
La definicin de geomtrica se refiere al punto que divide en dos partes a un segmento. Por ejemplo, la mediana del
segmento es el punto C.
19

Existen entonces dos segmentos iguales:
=
Formula:
= 1 +
= .
2
1 =
1 = .
= .
LA MODA
Indica el valor que ms se repite, o la clase que posee mayor frecuencia. En el caso de que dos valores presenten la
misma frecuencia, decimos que existe un conjunto de datos bimodal. Frmula para determinar la moda para tablas
de frecuencia.
= 1 +
1
1 + ( 1 )
Donde 1 equivale al lmite superior del intervalo anterior donde se encuentra la Moda.
MEDIDAS DE DISPERSIN
Las medidas de dispersin permiten reconocer que tanto se dispersan los datos alrededor de un punto central; es
decir, nos indican cuanto se dispersan o separan las observaciones alrededor de su valor central. Las medidas de
dispersin ms importantes y las ms utilizadas son la Varianza y la Desviacin estndar.
Desviacin Estndar:
)2
1
20

Poblacional
Es la desviacin estndar de la variable de inters tomada del total de la poblacin de tamao N.
Muestral
Es la medida de variabilidad de un conjunto de n datos que se obtiene al promediar las desviaciones individuales de
cada dato.
Varianza ( ): Es el cuadrado de la desviacin estndar.
2.2. TEORIA DE LA PROBABILIDAD

Leyes de probabilidad
Definicin de trminos 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 simultneamente.
Eventos mutuamente excluyentes: A y B son eventos mutuamente excluyentes cuando no pueden ocurrir
simultneamente, o sea que no existen puntos muestrales que pertenezcan simultneamente a ambos.
Eventos Independientes: A y B son dos eventos independientes cuando la ocurrencia o no ocurrencia de uno de
ellos no afecta la probabilidad de ocurrencia o no ocurrencia del otro.
En estos casos,
= ,
= ()
Teorema de la Adicin:
Si aplicamos la definicin bsica de probabilidad para el caso de experimentos equiprobables, tenemos que:
+ =
# +
#
=
21

= + ()
En el caso de eventos mutuamente excluyentes,
= 0 ( )
Y se tiene que:
+ = + ()
Teorema de la multiplicacin:
= ( )
Se puede explicar esta relacin aplicando la definicin de probabilidad al evento as:
=
( ) ()
=
()
()
El nmero de puntos en ( ) corresponde a aquellos que estn simultneamente en B y en A, o sea: ,

porque el evento expresa que A ya ocurri.
El nmero total de puntos muestrales, que se utiliza como denominador en la anterior expresin, es el nmero de
puntos que corresponden al evento A, (), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurri.
Ahora,

=
=
= ( )
Y se obtiene que: = ( )
Si se intercambia el orden de los eventos, se llega tambin a esta otra expresin del teorema de multiplicacin:
= ( )
Si A y B son eventos independientes, entonces:
=
22

Formula de Bayes:
Esta frmula nos permite hallar probabilidades de causa de un resultado experimental que ya se ha observado.
Si se supone que un evento A puede ocurrir como consecuencia de k causas diferentes: H1 , H2 ,,Hi, , Hk,
mutuamente excluyentes.
Se desea hallar una expresin para la probabilidad de que la causa Hi , haya originado el evento A, al cual ya se ha
observado al realizar el evento:
=

( )
=

1 + 2 + +
El numerador de expresin anterior se obtiene mediante la aplicacin del teorema de multiplicacin.

El denominador es una aplicacin del teorema de adicin, ya que el evento A puede ocurrir conjuntamente con H 1, o
con H2, o con Hk.
Por lo tanto, la frmula de Bayes de expresa as:
( ) =
( )
=1 ( )
2.3. VARIABLES ALEATORIAS

Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en el espacio muestral de un
experimento aleatorio.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados del espacio muestral, y X es una
funcin definida sobre el espacio muestral, de manera que transforme todos los posibles resultados del espacio
muestral en cantidades numricas.
Variable Aleatoria Discreta: Aquella tal que la cantidad de valores posibles que puede tomar es finita, o infinita
pero numerable.
Variable Aleatoria Continua: Aquella tal que la cantidad de valores posibles es infinita y no numerable.
2.4. DISTRIBUCIONES DE PROBABILIDAD

La distribucin de probabilidad o distribucin de una variable aleatoria X es una descripcin del conjunto de valores
posibles de X (rango de X), junto con la probabilidad asociada a cada uno de estos valores. Hay dos tipos de
distribuciones de probabilidad:
1.
Distribuciones Discretas: Se utilizan cuando el parmetro que se est midiendo slo puede asumir ciertos
valores dentro de un intervalo.
23

2. Distribuciones Continuas: Se utilizan cuando la variable que se est midiendo se expresa en escala
continua (variable aleatoria continua).
2.4.1. DISTRIBUCIONES DISCRETAS
Varias distribuciones de probabilidad discretas se presentan con frecuencia en el control estadstico de calidad,
entre estas tenemos:
Distribucin Uniforme
Es la ms simple de todas las distribuciones de probabilidad discreta pues la variable aleatoria discreta X puede
tomar una cantidad finita de n valores X1, X2, X3,, Xn, cada uno de estos con una probabilidad idntica 1/n, es decir,
con probabilidad uniforme.
La distribucin de probabilidad o funcin de masa de esta variable aleatoria es:
1
= = = = 1, ,
Su media y varianza son:

= =
=1
2 = () =
=1(
)2
Ejemplo: Cuando se lanza un dado de seis caras, la funcin de masa de la variable aleatoria es:
1
= = ;
6
= 1,2,3,4,5,6
La media y varianza son:

= =
1+2+3+4+5+6
= 3.5
6
(1 3.5)2 + (2 3.5)2 + (3 3.5)2 + (4 3.5)2 + (5 3.5)2 + (6 3.5)2

=
12
= 2.91
Distribucin Binomial
Un experimento aleatorio que consta de n ensayos repetidos, tales que:
1.
Los ensayos son independientes, es decir el resultado de cada ensayo no depende del resultado de ensayos
anteriores.
2. Cada ensayo produce nicamente dos resultados posibles, etiquetados como xito y fracaso.
24

3. La probabilidad de un xito en cada ensayo, denotada como p, permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al nmero de ensayos n que producen un xito tiene una distribucin binomial
con parmetros p y n = 1, 2,
La funcin de masa de probabilidad de X es:
=

(1 ) ,
= 0, 1, ,
Su media y varianza son:

= = 2 = () = (1 )
Donde:
p = Probabilidad de xito.
1 - p = Probabilidad de fracaso
x = Nmero de xitos deseados
n = Nmero de ensayos efectuados
Para indicar que una variable X es una binomial de parmetros n y p, se escribir X B(n, p).
Ejemplo:
Se tiene una lnea de produccin de cilindros para gas natural vehicular. Se sabe que la probabilidad de que un
cilindro sea defectuoso es de 0,02. Adicionalmente para el jefe de produccin es conocido que el primer cilindro que
se fabrica al da es defectuoso debido a la calibracin de la maquinaria. Encuentre la probabilidad de obtener ms de
dos cilindros defectuosos en los primeros dos cilindros que se fabrican en un da.
=
= 10 1 = 9
% = 0,02
= > =
=0
=1 2 = 1
=0
9
(0,02) (1 0,02)9
25

1 2 = 1 = 0 + =1 + = 2
=0 =
9
(0,02)0 (1 0,02)90 = 0,8337
0
=1 =
9
0,02
1
=2 =
9
2
1 0,02
91
= 0,1531
0,02 2 (1 0,02)92 = 0,0125
= , + , + , = , = ,
Distribucin Geomtrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad constante de xito p, sea la variable
aleatoria X el nmero de ensayos hasta la obtencin del primer xito. Entonces X tiene una distribucin geomtrica
con parmetro p y
= (1 )1
= 1,2, .
Si X es una variable aleatoria geomtrica con parmetros p, entonces la media y la varianza de X son:
= = 1 2 = =
(1 )
Distribucin Hipergeomtrica
Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n
ensayos; pero que a diferencia de la distribucin binomial, aqu los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una poblacin finita; por esto es que el resultado de una observacin es
afectado por el resultado de observaciones anteriores.
Un conjunto de N objetos contiene:
K objetos clasificados como xitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamao de n objetos, al azar (sin reemplazo) de entre los N objetos, donde
y
Sea que la variable aleatoria X denote el nmero de xitos en la muestra. Entonces X tiene una distribucin
hipergeomtrica, con:
26
= 0,1,2, , (, )
Si X es una variable aleatoria hipergeomtrica con parmetros N, K y n, entonces la media y la varianza de X son:
= = 2 = = (1 )
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubera local y 200 unidades de un proveedor de tuberas del estado
vecino. Si se seleccionan cuatro piezas al azar y sin reemplazo Cul es la probabilidad de que todas sean del
proveedor local?
Sea X igual al nmero al nmero de piezas de la muestra del proveedor local. Entonces, X tiene una distribucin
hipergeomtrica y la probabilidad pedida es P(X=4). Por consiguiente:
100 200
0 = 0.0119
=4 = 4
300
4
Cul es la probabilidad de que dos o ms piezas de la muestra sean del proveedor local?
100 200
100 200
100 200
2 + 3
1 + 4
0 = 0.408
P X4 = 2
300
300
300
4
4
4
Cul es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
100 200
4 = 0.196
X1 =1P X=0 =1 0
300
4
Distribucin de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy pequea en cualquier instancia
especfica, pero a la vez, el nmero de instancias posibles sea enormemente grande, la distribucin de los sucesos
se realiza mediante la distribucin de Poisson.
Dado un intervalo de nmeros reales, suponga que el conteo de ocurrencias es aleatorio en dicho intervalo. Si puede
hacerse la particin del intervalo en subintervalos con una longitud suficientemente pequea tales que
27

1. La probabilidad de ms de una ocurrencia en un subintervalo es cero.
2. La probabilidad de una ocurrencia en un subintervalo es la misma para todos los subintervalos y
proporcional a la longitud del subintervalo.
3. El conteo de ocurrencias en cada subintervalo es independiente de los dems subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el nmero promedio de ocurrencias en el intervalo es > 0, la variable aleatoria X, que es igual al nmero de
ocurrencias en el intervalo, tiene una distribucin de Poisson con parmetro, y la funcin de masa de probabilidad
de X es

=
,
!
= 0, 1, 2,
Si X es una variable aleatoria de Poisson con parmetro entonces la media y la varianza de X son:
= = 2 = () =
Ejemplo:
La contaminacin constituye un problema en la fabricacin de discos de almacenamiento ptico. El nmero de
partculas de contaminacin que ocurre en un disco ptico tiene una distribucin de Poisson y el nmero promedio
de partculas por centmetro cuadrado de superficie del disco es 0.1. El rea de un disco bajo estudio es 100 cm 2.
Encuentre la probabilidad de que ocurran 12 partculas en el rea del disco bajo estudio.
Sea que X denote el nmero de partculas en el rea de un disco bajo estudio. Puesto que el nmero promedio de
partculas es 0.1 partculas por cm2.
Por lo tanto,
= 1002 0.1 2 = 10
P X = 12 =
10 12
= 0.095
12!
2.4.2. DISTRIBUCIONES CONTINUAS

DISTRIBUCIN NORMAL
El modelo de uso ms generalizado para la distribucin de una variable aleatoria continua es la distribucin normal.
Siempre que se hace la repeticin de un experimento aleatorio, la variable aleatoria que es igual al resultado
promedio (o total) de las repeticiones tiende a tener una distribucin normal, cuando el nmero de repeticiones es
grande. Una distribucin Normal tambin se conoce como distribucin de Gauss o Gaussiana.
Una variable aleatoria X con funcin de densidad de probabilidad
28
1
2
( )2
2 2
< <
Tiene una distribucin normal con parmetros , donde < < y > 0. Adems
= = 2
Para graficar la funcin de densidad de probabilidad de una distribucin normal, en el eje horizontal se levantan
perpendiculares en dos puntos a y b, el rea bajo la curva delimitada por esas lneas indica la probabilidad de que la
variable de inters X, tome un valor cualquiera en ese intervalo. Puesto que la curva alcanza su mayor altura en
torno a la media, mientras que sus "ramas" se extienden asintticamente hacia los ejes, cuando una variable siga
una distribucin normal, ser mucho ms probable observar un dato cercano al valor medio que uno que se
encuentre muy alejado de ste.
Grfica de la Distribucin de Probabilidad Normal
A una variable aleatoria normal con = 0 y 2 = 1 se le llama variable aleatoria normal estndar. Una variable
aleatoria normal estndar se denota como Z.
La funcin de distribucin acumulada de una variable aleatoria normal estndar se denota como
= ( )
Existen un sinnmero de distribuciones de probabilidad normal, cada una de las distribuciones puede tener una
media () o una desviacin estndar distinta (). Por tanto, el nmero de distribuciones normales es ilimitado y
sera imposible proporcionar una tabla de probabilidades para cada combinacin de y .
Para resolver este problema todas las distribuciones de probabilidad normales se relacionan algebraicamente a una
distribucin normal estndar, haciendo antes una transformacin simple.
Primero, convertiremos la distribucin real en una distribucin normal estndar utilizando un estadstico Z, as:
Es una variable aleatoria normal con = 0 = 1. Es decir, Z, es una variable aleatoria normal
estndar.
=
29

De esta manera, un valor Z mide la distancia entre un valor especificado de X y la media aritmtica, en las unidades
de la desviacin estndar. Al determinar el valor Z utilizando la expresin anterior, es posible encontrar el rea de
probabilidad bajo cualquier curva normal haciendo referencia a la distribucin normal estndar en las tablas
correspondientes (Tabla normal estndar-Anexos), dicha tabla proporciona la probabilidad de que la variable
aleatoria normal estndar Z tome un valor situado a la izquierda de un nmero z, P (Z<z). En otras palabras, esta
tabla nos da el valor del rea encerrada por f(x) entre - y z.
Ejemplo:
Cierta mquina fabrica resistores elctricos que tienen una resistencia promedio de 25 ohmios y una desviacin
estndar de 3.2 ohmios. La resistencia tiene una distribucin normal.
a) Qu porcentaje de los resistores tendrn una resistencia inferior a 16 ohmios?
< 16 = <
16 25
= < 2.81 = 0.0025
3.2
Lo que implica que el 0.25% de los resistores tienen una resistencia inferior a 16 ohmios.
b) Qu porcentaje de resistores tendrn una resistencia superior a 35 ohmios?
35 25
= > 3.13 = 1 < 3.13
3.2
= 1 0.9991 = 0.0009
> 35 = >
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a 35 ohmios.
c) Qu porcentaje de resistores tendrn una resistencia entre 20 y 32 ohmios?
20 25
32 25
<<
= 1.56 < < 2.19
3.2
3.2
= < 2.19 < 1.56 = 0.9857 0.0594 = 09263
20 < < 32 =
Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y 32 ohmios.
d) Por encima de qu valor est el 10% de los resistores con mayor resistencia?
< = 1 0.1 = 0.5
= 1.28
= + = 29.10
2.5. CADENAS DE MARKOV

Una cadena de Markov es una sucesin de ensayos similares u observaciones en la cual cada ensayo tiene el mismo
nmero finito de resultados posibles y en donde la probabilidad de cada resultado para un ensayo dado depende slo
del resultado del ensayo inmediatamente precedente y no de cualquier resultado previo.
30

Llamemos E1, E2, Eklos estados (resultados) exhaustivos y mutuamente excluyentes de un experimento aleatorio en
cualquier tiempo. Inicialmente en el tiempo t0, el sistema puede estar en cualquiera de estos estados. Sea a0j (j = 0,
1,.. ., k) la probabilidad absoluta de que el sistema se encuentre en el estado Ej en t0. Definamos pij como la
probabilidad de transicin de un paso de ir al estado i en tn-1, al estado j en tn, es decir, la probabilidad de que en el
siguiente periodo (paso) se encuentre en Ej, dado que en el periodo (paso) inmediatamente anterior estuvo en Ei.
Supongamos que estas probabilidades son estacionarias (no cambian) a travs del tiempo. Las probabilidades de
transicin del estado Eial estado Ejse describen de manera ms conveniente en forma matricial como sigue:
11
21
=
1
12
22
1
2
Por ejemplo p21 es la probabilidad de estar en el estado 1 en el siguiente paso, dado que en este momento se
encuentra en el estado 2. La matriz P se llama matriz de transicin homognea porque todas las probabilidades
pijson fijas, independientes del tiempo. Las probabilidades pijdeben satisfacer las condiciones:
= 1, 0
Las cadenas de markov se utilizan para hallar probabilidades luego que haya pasado n cantidad de tiempo. Esto se
realiza para cualquier das en el futuro en que se quiera hacer la prediccin seda que P2=PxP el cual corresponde a
las probabilidades de transicin en dos pasos, por tanto si P3 corresponde a tres pasos y P4, P5 Pncorresponde a
las probabilidades de 4, 5 y n pasos. La matriz Pn se conoce como la matriz de transicin en n pasos de la cadena de
Markov.
Una matriz de transicin P se dice que es regular si para algn entero positivo k, la matriz Pk no tiene elementos
iguales a cero. Si P es una matriz de transicin regular, entonces sin importar la matriz de estado inicial, las
matrices de estado sucesivas se aproximan a alguna matriz de estado fija B en donde B.P = B. La matriz B se
denomina matriz estacionaria del sistema:
= 1 , 2 ; =
. = 1 , 2
11
21
11
21
1
12
22
12
22
1
2
1
2
= (1 , 2 )
Siempre se debe cumplir las restricciones dadas anteriormente y adems esta:

1 , 2 = 1
31

Nota: a la hora de resolver el sistema de ecuaciones producto de la operacin matricial, se debe escoger siempre la
ecuacin de restriccin.
Ejemplo:
El ascensor de un edificio con bajo y dos pisos realiza viajes de uno a otro piso. El piso en el que finaliza el viaje nsimo del ascensor sigue una cadena de Markov. Se sabe que la mitad de los viajes que parten del bajo se dirigen a
cada uno de los otros dos pisos, mientras que si un viaje comienza en el primer piso, slo el 25% de las veces
finaliza en el segundo. Por ltimo, si un trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:
a. Calcular la matriz de probabilidades de transicin de la cadena
b. Dibujar el grafo asociado
c. Cul es la probabilidad de que, a largo plazo, el ascensor se encuentre en cada uno de los tres pisos?
Solucin:
a. Los estados de la cadena los denotaremos por {0, 1, 2} haciendo corresponder el 0 al bajo y 1 y 2 al
primer y segundo piso respectivamente.
Las probabilidades de transicin son:
p00 = P(Rn=0 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta baja si en la
etapa anterior estaba en la planta baja. Obviamente es 0, porque se supone que de etapa a etapa el
ascensor se mueve.
p01 = P(Rn=1 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta primera si en la
etapa anterior estaba en la planta baja. Obviamente es ya que la mitad de los viajes parten para el
primer piso y la otra mitad para el segundo.
Y as sucesivamente vamos obteniendo las distintas probabilidades de transicin cuya matriz es:
0 12 12
00 01 02
= 10 11 12 = 3
1
4 0
4
20 21 22
1
0
0
b.
0
2
c. = 1 , 2 , 3
32
0
3
4
1
1 , 2 , 3
1
2
2
1
0
4
0
0
= 1 , 2 , 3
41 32 43 = 0
1 22 = 0
21 + 2 43 = 0
1 + 2 + 3 = 1
Solucionando, tenemos:
1 =
8
4
5
; 2 =
; 3 =
17
17
17
2.6. PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA

La prueba de bondad de ajuste es una prueba de hiptesis que se realiza con frecuencia cuando no se conoce la
distribucin fundamental de la poblacin y se quiere probar la hiptesis de que una distribucin particular ser
satisfactoria como modelo de la poblacin.
Un procedimiento formal para probar la bondad de ajuste es el basado en la distribucin ji-cuadrada. Este
procedimiento requiere una muestra aleatoria de tamao n de la poblacin cuya distribucin de probabilidad es
desconocida.
Suponer que las observaciones de la muestra estn agrupadas en k clases, siendo la cantidad de observaciones
en cada clase = , , ,
Con el modelo de distribucin especificado
que un dato cualquiera pertenezca a una clase .
se
puede
calcular
la
probabilidad
Con este valor de probabilidad se puede encontrar la frecuencia esperada para la clase , es decir, la cantidad
de datos que segn el modelo especificado deberan 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)
Estadstico para la prueba de bondad de ajuste Ji-cuadrado es:
33
=
=
( )
Distribucin Ji-cuadrado con = grados de libertad

Donde p es la cantidad de parmetros de la distribucin hipottica, estimados por los estadsticos mustrales. Esta
aproximacin mejora conforme n incrementa.
Es una condicin necesaria para aplicar esta prueba que , 5
Formalmente, se est interesado en probar las hiptesis siguientes:
:
:
Dado un valor de (error deseado tipo I), aceptamos si () , y aceptamos si
() > , .
Ejemplo, distribucin normal:

En la siguiente tabla se muestra los datos que representa el dimetro de los agujeros realizados por un taladro
sobre la base giratoria de una gra. Se desea saber si los datos presentan una distribucin normal lo cual certifica
que el taladro est trabajando en buena condicin.
Datos del dimetro de los agujeros
16
16
16,2
16
16,2
15,6
15,8
16,2
15,9
15,7
15,6
16,2
16,2
15,7
16,3
15,9
16
15,9
16,2
16
15,8
16,1
15,7
15,8
15,5
16,2
16,2
16,5
16,1
16,1
15,98
16
15,98
16,02
16
15,94
0,28635642
0,24494897
0,20493902
0,37013511
0,28284271
0,11401754
34

15,3
15,6
15,9
16,1
16
15,7
15,9
15,6
15,8
16
16,1
16
16
16,4
16,3
16,1
15,9
15,8
16,3
15,9
16,2
16,4
15,6
15,7
16
15,5
15,6
16,7
15,8
16,3
15,8
16,2
15,6
15,9
16,1
16,2
16,1
15,9
15,7
16,1
16,1
15,9
15,9
15,7
15,8
16,2
16,4
15,7
16,1
15,9
15,8
15,8
15,7
16,2
15,9
15,6
15,6
16
16
16,1
15,9
15,6
16
15,7
15,6
15,9
16,2
16,2
16
16,2
Promedio
15,78
15,94
15,88
16,08
16,04
15,76
16,06
15,96
15,78
15,86
15,94
16
15,92
16,16
15,954
0,37013511
0,28809721
0,083666
0,16431677
0,32093613
0,13416408
0,11401754
0,33615473
0,20493902
0,11401754
0,23021729
0,29154759
0,19235384
0,42778499
0,23877938
Pasos:
1.
Planteamos las hiptesis

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

= 1 + 3.3 log 100
= 7,6 8
=
1,4
=
= 0,175
3. Se verifica cuantos datos caen el intervalo, as como lo muestra la siguiente tabla:

k
1
2
3
4
5
intervalos de clase
INF
15,3
15,475
15,65
15,825
16
frecuencia
SUP
15,475
15,65
15,825
16
16,175
1
13
20
29
26
35

6
7
8
4.
16,175
16,35
16,525
16,35
16,525
16,7
20
4
1
Luego se halla la probabilidad para cada intervalo
, ,
,
= , = ,
15,65 15,954
0,23877
15,475 15,954
0,23877
= , , = ,
=

15,825 15,954
0,23877
15,475 15,954
0,23877
= , , = ,
As sucesivamente, los datos se muestran en la tabla siguiente:
k
Z acumulado
1
2
3
4
5
6
7
Intervalos de clase
INF
SUP
15,3
15,475
15,475
15,65
15,65
15,825
15,825
16
16
16,175
16,175
16,35
16,35
16,525
-2,006
-1,273
-0,540
0,192
0,925
1,658
2,391
Probabilidad
P(Z<z)
0,02242621
0,07905766
0,19302925
0,28186894
0,24627553
0,12872752
0,04022113
16,525
3,124
0,00750238
16,7
36

5.
Luego se obtienen las frecuencias esperadas las cuales salen de multiplicar
= 1 = 100 0,0224 = 2,24

2 = 100 0,079 = 7,9
3 = 100 0,193 = 19,3
4 = 100 0,2818 = 28,18
5 = 100 0,2462 = 24,62
6 = 100 0,1287 = 12,87
7 = 100 0,04 =
8 = 100 0,007 = 0,7
k
Intervalos de clase
INF
15,3
15,475
15,65
15,825
16
16,175
16,35
16,525
1
2
3
4
5
6
7
8
SUP
15,475
15,65
15,825
16
16,175
16,35
16,525
16,7
Frecuencia
Observada
Frecuencia
Esperada
1
13
20
29
26
20
4
1
2
8
19
28
25
13
4
1
100
Debido que es una condicin necesaria que _i,E_i5, entonces los datos observados del intervalo 1 se le suma al
intervalo 2, de la misma manera 6, 7 y 8 se suman y luego se le aplica el estadstico de la chi cuadrada.
K
intervalos de clase
Frecuencia
Observada
Frecuencia
Observada
INF
SUP
15,3
15,65
14
10
1,6
15,65
15,825
20
19
0,05263158
15,825
16
29
28
0,03571429
16
16,175
26
25
0,04
16,175
16,7
25
18
2,72222222
4,45056809
37

Es decir:
( ) ( ) ( ) ( ) ( )
=
+
+
+
+
= . + . + . + , + . = .
Chi de la tabla: ,, = ,
Por lo tanto como el estadstico observado es menor que el estadstico de la tabla ( = . <
,, = , ), se acepta la hiptesis nula.
2.7. HERRAMIENTAS ESTADSTICAS BSICAS PARA EL CONTROL DE LA CALIDAD

Las herramientas estadsticas bsicas de la calidad constituyen una valiosa ayuda para disminuir los productos
defectuosos o encaminarse hacia la excelencia. Estas herramientas, deben ser utilizadas como formas de apoyo
dentro de un proceso de solucin de problemas. Las 7 herramientas no son un proceso en s mismas. Por esto
deben utilizarse de una forma inteligente, para que cumplan con su propsito, que es detectar problemas, para
luego encontrar sus causas, solucionarlas y prevenirlas, de modo que no se repitan. Las 7 herramientas no son una
metodologa de solucin de problemas, estas dan objetividad y precisin a las observaciones que se hacen de un
proceso o procedimiento establecido para llevar a cabo algo, de tal forma que acaban con las suposiciones del
observador y hacen que no valgan los sentimientos o ideas , sino que el pensamiento se centre en los hechos, es
decir, en las relaciones causa-efecto de lo que sucede, ya que cualquier cosa que acontece, encierra tras ella algo
oculto; es aqu donde las herramientas estadsticas ayudan a encontrar eso que est tras de los problemas.
Las 7 herramientas estadsticas utilizadas para el control de la calidad son las siguientes:
Histograma.
Diagrama de Pareto.
Diagrama de causa y efecto.
Diagrama de dispersin.
Cartas de verificacin.
Diagrama de concentracin de defectos.
Cartas de control.
2.7.1. Histograma
En muchos casos, si los datos han sido tomados de forma correcta, se puede obtener conclusiones a partir de los
mismos de forma inmediata; pero si no es as, con frecuencia puede ser necesaria una adecuada representacin
grfica de los mismos. El histograma es una representacin grfica de los datos en la que se puede observar:
1.
Forma.
Simtrica
Asimtrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
38

En peine: puntos anormales no definidos.
Plana: tendiendo a ser una distribucin uniforme.
Sin distribucin definida.
2. Localizacin o tendencia central.
Si el histograma no es simtrico, entonces los datos no estn centralizados. Se debe comparar la media muestral
con el valor nominal para darnos cuenta si se pueden cumplir con las especificaciones.
3. Dispersin o expansin.
Cuando la variabilidad de un proceso es muy amplia, se pueden presentar un nmero de defectos, es decir, el no
cumplimiento con las especificaciones. Para saber si esto ocurrir, se hace el estudio de capacidad de los procesos.
2.7.1.1. CMO SE CONSTRUYE UN HISTOGRAMA?
Fase 1: Si se tiene un conjunto de datos, de los datos registrados se toma el mximo (M) y el mnimo (m).
Seguidamente, se calcula el denominado rango (R) como diferencia entre el valor mximo y el mnimo.
Fase 2: Ahora, se define el nmero de clases. El nmero de clases que se indica mediante K, se elige en funcin del
nmero de datos N, para lo que puede usarse el criterio de la raz cuadrada; KN.
Fase 3: La amplitud de cada clase (H) se obtiene dividiendo el rango de R por el nmero de clases K. Normalmente,
la amplitud de cada clase se redondea a un valor ms cmodo.
Fase 4: En este punto se definen los lmites de las clases empezando por el valor mnimo. Este valor se asume como
el lmite inferior de la primera clase. El lmite superior de la primera clase se calcula sumando al lmite inferior la
amplitud de la clase.
El lmite superior de la primera clase coincide
con el lmite inferior de la segunda clase. Los
lmites de las clases sucesivas se definen
sumando cada vez el valor de la amplitud de la
clase.
Generalmente, para los valores comprendidos
entre dos clases, se adopta la siguiente
convencin: Todos los datos que corresponden a
los lmites de las clases se registran en la clase
superior.
Fase 5: Se prepara la tabla de las frecuencias y se registran los datos. El registro de datos requiere especial
atencin, ya que ciertos valores pueden corresponder exactamente a los lmites.
39

Fase 6: Posteriormente se procede a realizar la grfica pertinente y a completar el diagrama, en el que es
conveniente aadir tambin la fecha, el ttulo y el nombre de quien lo haya preparado.
1. Construir el histograma.
2. Adems se puede calcular la media y la varianza de los datos, utilizando las siguientes frmulas:
Para la media:
=
Para la desviacin:
2 [( )2 ]
2.7.2. DIAGRAMA DE PARETO

Los problemas de calidad se presentan como perdidas (productos defectuosos y su costo). Es muy importante
aclarar el patrn de la distribucin de la perdida. La mayora de las prdidas se debern a unos pocos tipos de
defectos, y estos defectos pueden atribuirse a un nmero muy pequeo de causas. Si se identifican las causas de
estos pocos defectos vitales, podremos eliminar casi todas las perdidas, concentrndonos en esas causas
particulares y dejando de lado por el momento muchos defectos triviales.
El uso del diagrama de Pareto permite solucionar este tipo de problema con eficiencia.
2.7.2.1. COMO ELABORAR DIAGRAMAS DE PARETO?
Paso 1: Decida qu problemas se van a investigar y como recoger los datos.
1. Decida qu clase de problemas son los que usted quiere investigar.
2. Decida qu datos va a necesitar y como clasificarlos.
40

3. Defina el mtodo de recoleccin de los datos.
Paso 2: Disee una tabla para conteo de datos, con espacio suficiente para registrar los totales.
Paso 3: Diligencia la tabla de conteo y calcule los totales.
Paso 4: Elabore una tabla de datos para el diagrama de Pareto con la lista de tems, los totales individuales, los
totales acumulados, la composicin porcentual y los porcentajes acumulados.
Paso 5: Organice los tems por orden de cantidad y llena la tabla de datos.
Paso 6: Dibuje dos ejes verticales y uno horizontal.
1)
Ejes verticales.
a) Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general.
b) Eje derecho: Marque este eje con una escala desde 0% hasta el 100%.
2)
Eje horizontal.
Divida este eje en un nmero de intervalos igual al nmero de tems clasificados.
Paso 7: Construya un diagrama de barras.

Paso 8: Dibuje la curva acumulada (curva de Pareto).
41

2.7.2.2. USOS DEL DIAGRAMA DE PARETO
Diversos son los usos que se pueden hacer del diagrama de Pareto. El diagrama de Pareto representa uno de los
primeros pasos que deben darse para realizar mejoras. Efectivamente:
Ayuda a definir las reas prioritarias de intervencin.
Atrae la atencin de todos sobre las prioridades y facilita la creacin del consenso.
El diagrama de Pareto responde plenamente a estas exigencias es muy til para aprender a concentrar los
esfuerzos en los aspectos ms importantes y rentables del problema analizado, es decir, en los aspectos que
ocupan las partes ms elevadas del propio diagrama.
2.7.3. DIAGRAMA DE CAUSA Y EFECTO
En muchas ocasiones cuando se presenta un problema, se confunde su resolucin con la eliminacin de los efectos
que produce y esto puede traer consigo malas consecuencias.
Kaoru Ishikawa, en su libro Qu es el control total de calidad?, relata un caso de su propia experiencia. Explica que
cierto dispositivo iba unido a una mquina por medio de cuatro pernos, el perno 1 se rompa con frecuencia por lo
que se decidi sustituirlo por otro de mayor dimetro. A partir del cambio no se volvi a partir el perno 1, pero el
perno 2 se empez a romper, ante la nueva situacin se decidi que los cuatro pernos deban ser ms grandes y se
procedi al cambio. Con estas medidas ya no se volvi a romper ningn perno, pero empezaron a aparecer
fracturas en la placa de hierro en la que estaba situado el dispositivo, por tal motivo se procede a cambiar la placa
de hierro por otra ms gruesa. Posteriormente con la realizacin de un estudio profundo se puso en manifiesto que
una vibracin que llegaba al dispositivo era lo que ocasionaba los fenmenos de ruptura y que si no se eliminaba
terminara rompiendo la nueva placa metlica o inutilizando el dispositivo por graves consecuencias.
En este caso lo que se estaba haciendo era intentar evitar el efecto del problema, pero sin eliminar su causa y si la
causa permanece el efecto vuelve a manifestarse de forma an ms perjudicial.
Por tal razn, para solucionar un problema deben estudiarse sus causas y eliminarlas, en el caso que planteaba
Ishikawa la causa era la vibracin, aunque tambin debera haberse investigado el origen de la misma.
Para saber cules son las posibles causas que hay detrs de un efecto es conveniente construir un diagrama de
causa-efecto, para lo cual se sugiere seguir los siguientes pasos:
a. Determinar e identificar claramente cul es el efecto (el problema, la caracterstica de calidad,
etc.) a estudiar.
b. Realizar una lista de posibles causas.
c. Construir el diagrama teniendo en cuenta que en este diagrama presentan de forma jerarquizada
y agrupada grandes grupos denominados causas primarias, las cuales suelen ser: mano de obra,
maquinaria, materiales, mtodos, medio ambiente y mantenimiento (conocidas como las seis M);
cada causa primaria est integrada por varias secundarias, est por terciarias y as
sucesivamente, tal como se muestra en la siguiente figura.
42
2.7.4. DIAGRAMA DE DISPERSIN

En la prctica, frecuentemente es necesario estudiar la relacin de correspondencia de dos variables. Para estudiar
la relacin entre dos variables tales como la velocidad de un pin y las dimensiones de una parte, o la
concentracin y gravedad especfica, puede usarse lo que se llama un diagrama de dispersin.
Las dos variables que tratemos pueden enmarcarse as:
a) Una caracterstica de calidad y un factor que la afecta,
b) Dos factores de calidad relacionadas, o
c) Dos factores relacionados con una sola caracterstica de calidad.
Para comprender la relacin entre estas, es importante, en primer lugar, hacer un diagrama de dispersin y
comprender la relacin global.
2.7.4.1. CMO ELABORAR UN DIAGRAMA DE DISPERSIN?
Para elaborar un diagrama de dispersin, se siguen los pasos siguientes:
Paso 1: Rena pares de datos (x,y), cuyas relaciones usted quiere estudiar, y organice esa informacin en una tabla.
Es deseable tener al menos 30 pares de datos.
Paso 2: Encuentre los valores mnimo y mximo para x y y. Decida las escalas que va a usar en los ejes horizontal y
vertical de manera que ambas longitudes sean aproximadamente iguales, lo cual har que el diagrama sea ms fcil
de leer. Trate de mantener el nmero de divisiones de cada eje entre 3 y 10 y use nmeros redondos para facilitar la
lectura. Cuando las dos variables sean un factor y una caracterstica de calidad, use el eje horizontal x para el
factor y el eje vertical y para la caracterstica de calidad.
Paso 3: Registre los datos en el grfico. Cuando se obtengan los mismos valores en diferentes observaciones,
muestre estos puntos haciendo crculos concntricos, o registre el segundo punto muy cercano al primero.
43

Paso 4: Registre todos los aspectos que puedan ser de utilidad, de tal forma que cualquier persona que utilice el
diagrama lo interprete fcilmente: Nombre, unidades de variables, nmero de puntos, periodo de tiempo en que se
realiz el diagrama, autor o autores, aparato de medida, etc.
2.7.5. CARTA DE VERIFICACIN
Es comn que con frecuencia sea necesario recolectar datos de operacin, sean histricos o actuales, acerca del
proceso bajo investigacin, una hoja de verificacin puede ser de gran utilidad en esta actividad. En esta se resume
informacin en funcin del tiempo, lo cual es particularmente valioso para buscar tendencias y otros patrones
importantes. Por ejemplo, si muchos defectos ocurren durante el verano, una posible causa que deba investigar es
la contratacin de obreros eventuales durante un periodo vacacional. Cuando se disea una hoja de verificacin, es
importante especificar claramente el tipo de datos que van obtenerse, el nmero de parte u operacin, la fecha, el
analista y cualquier otra informacin til para diagnosticar la causa del desempeo pobre. Si la hoja de verificacin
es la base para realizar clculos adicionales, o si se usa como hoja de trabajo para capturar datos en una
computadora, entonces es importante asegurarse de que la hoja de verificacin adecuada para este propsito antes
de que se invierta esfuerzos considerables en la obtencin real de los datos.
2.7.6. DIAGRAMA DE CONCENTRACIN DE DEFECTOS

Un diagrama de concentracin de defectos es un dibujo de la unidad, donde se muestran todas las vistas relevantes,
se marcan en el dibujo los diferentes tipos de defectos, y el finalmente se analiza para determinar si la localizacin
de los defectos en la unidad transmite cualquier informacin til sobre las causas potenciales de los defectos.
44

Cuando los datos de los defectos se representan en un diagrama de concentracin de defectos para u nmero
suficiente de unidades, es comn que surjan patrones y la localizacin de estos patrones suele contener mucha
informacin sobre la causa de los defectos.
En la siguiente figura se muestra un diagrama de concentracin de defectos en la etapa de ensamblaje final de un
proceso de fabricacin de refrigeradores:
En este diagrama se puede observar los defectos de terminado superficial que se identifican como las reas
sombreadas oscuras en el refrigerador. Al inspeccionar el diagrama parece claro que el manejo de material es el
causante de la mayora de estos defectos. La unidad se mueve fijando un cinturn en la parte media y este cinturn
est muy flojo(o muy apretado), desgastado, est hecho de un material abrasivo o es demasiado angosto. Adems,
cuando la unidad se mueve se estn daando las esquinas. Es posible que la fatiga del trabajador sea un factor en
este proceso. De cualquier modo, los mtodos de trabajo apropiados y el manejo mejorado de los materiales
probablemente mejorarn este proceso sustancialmente.
2.7.7. CASITA DE LA CALIDAD
La casa de la calidad es un mtodo grfico mediante el cual se relacionan las necesidades del cliente con los
atributos del diseo. Utilizando una estructura matricial se puede determinar los grados de relacin entre los
deseos de los clientes y el cmo llevarlos a cabo en la realizacin del producto. De cara a nuestro caso particular
es importante dejar definido tanto el producto sobre el cual vamos a construir la casa de la calidad como quienes
son los clientes.
Esto simplemente nos permite evaluar las necesidades de los clientes, basndose en encuestas, entrevistas, etc.,
para centrar las necesidades prioritarias y saber cmo centrar los esfuerzos en el rediseo del proceso de
negocios.
Pasos para construir la casita de la calidad:
45

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Seleccionar un producto/servicio importante a mejorar.

Obtener la voz del cliente.
Extraer las necesidades del cliente.
Organizar las necesidades del cliente.
Priorizar las necesidades del cliente.
Establecer los parmetros de diseo.
Generar la matriz de relaciones.
Obtener la evaluacin de desempeo del cliente.
Correlacionar los parmetros de diseo.
Analizar los resultados.
Iterar el proceso.
2.7.8. CARTAS DE CONTROL

Controlar la calidad de los bienes y servicios producidos por las instalaciones de una empresa es un complejo
trabajo que incluye las herramientas para reunir evidencias sobre unos hechos, interpretarlos y actuar segn estas
interpretaciones. Es un subsistema de retroinformacin del sistema de produccin. La informacin que se obtiene
sobre la calidad es utilizada para alterar el sistema de produccin a fin de aproximarse ms a la calidad objetivo.
Las cartas de control son la herramienta ms poderosa para analizar la variacin en la mayora de los procesos.
Han sido difundidas exitosamente en varios pases dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atencin hacia las causas especiales de variacin cuando estas aparecen
y reflejan la magnitud de la variacin debida a las causas comunes. Las causas comunes o aleatorias se deben a la
46

variacin natural del proceso. Las causas especiales o atribuibles son por ejemplo: un mal ajuste de mquina,
errores del operador, defectos en materias primas.
Se dice que un proceso est bajo Control Estadstico cuando presenta causas comunes nicamente. Cuando ocurre
esto tenemos un proceso estable y predecible. Cuando existen causas especiales el proceso est fuera de Control
Estadstico; las grficas de control detectan la existencia de estas causas en el momento en que se dan, lo cual
permite que podamos tomar acciones al momento.
Los tipos de cartas de control y la manera de utilizarlas ser una temtica tratada a profundidad en el captulo 4 de
este mdulo.
47
CAPTULO 3
ANLISIS DE CAPACIDAD DE PROCESOS
En este captulo se presenta el estudio de capacidad de procesos, es decir, la forma en

que se compara la variabilidad inherente de un proceso con las especificaciones o
requerimientos del producto, dando los fundamentos estadsticos para la medicin de
la variacin y la proporcin de productos no conformes utilizando los ndices de
capacidad potencial y real del proceso
48
DEFINICIONES BSICAS
Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos, materiales y personas
involucradas en la produccin.
Capacidad del proceso:Es la aptitud del proceso para producir productos dentro de los lmites de especificaciones
de calidad.
Estado de control:Un proceso se dice que se encuentra bajo control estadstico si slo se ve afectado por un
conjunto de causas aleatorias de variacin.
Si el proceso se encuentra afectado por causas asignables de variacin, se dice que est fuera de control.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de datos que, a
su vez, son el resultado de la medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se encuentra en
estado de control estadstico, es decir, en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan cierta variabilidad, cuando
el proceso est bajo control, solo actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal:Las caractersticas de calidad tienen un valor ideal ptimo que es el que desearamos que tuvieran
todas las unidades fabricadas pero que no se obtiene, aunque todo funcione correctamente, debido a la existencia
de la variabilidad natural.
3. ANLISIS DE CAPACIDAD DEL PROCESO

Se define como el estudio de ingeniera para estimar la capacidad del proceso. La estimacin de la capacidad del
proceso puede estar en la condicin de una distribucin de probabilidad que tenga una forma, centro (media) y
dispersin (desviacin estndar) especificados. El anlisis de capacidad del proceso puede llevarse a cabo sin tomar
en consideracin las especificaciones de la caracterstica de la calidad. De manera alternativa, la capacidad del
proceso puede expresarse como un porcentaje fuera de las especificaciones. Sin embargo las especificaciones no
son necesarias para realizar el anlisis de capacidad del proceso.
Es considerando como una tcnica muy til en el ciclo de un producto, incluye las actividades de desarrollo previas a
la manufactura, para cuantificar la variabilidad del proceso, analiza la variabilidad respecto a los requerimientos o
especificaciones del producto y ayuda al personal de desarrollo y manufactura a eliminar o reducir en gran medida
esta variabilidad.
En trminos generales el anlisis de capacidad del proceso es un parte vital de un programa integral de
mejoramiento de calidad. Entre los usos principales de los datos de un anlisis de capacidad del proceso se
encuentran los siguientes:
Predecir la medida en que el proceso se apegar a las tolerancias.
49

Brindar asistencia a las responsables del desarrollo y diseo del producto para seleccionar o modificar un
proceso.
Ofrecer asistencia para establecer un intervalo entre el muestreo para monitorear el proceso.
Especificar los requerimientos de desempeo para el equipo nuevo.
Seleccionar entre proveedores competidores.
Plantear la secuencia de los procesos de produccin cuando est presente un efecto interactivo de los
procesos sobre las tolerancias.
Reducir la variabilidad en un proceso de manufactura.
3.1. CAUSAS COMUNES Y ESPECIALES DE VARIACION

Causas Comunes o causas Naturales:La variabilidad natural siempre existe en cualquier proceso de produccin,
no importa que tan bien diseado est. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, es decir:
Inherentes al proceso. Siempre existen.
Esta variacin es el efecto de varias pequeas causas y no puede ser totalmente eliminada.
Cuando la variacin es pequea se dice que el sistema est en estado estable de causas comunes bajo
control estadstico.
Ejemplos:
Variacin de materia prima de un proveedor calificado.
Vibracin de la maquinaria.
Cambios en las condiciones de trabajo.
Causas Asignables o Especiales: Se trata de variaciones en un proceso de produccin que pueden atribuirse a
causas especficas, es decir:
La variabilidad originada por causas asignables es algo para lo cual se puede determinar una razn.
La magnitud de la variacin en estas circunstancias es mayor que la influencia de causas comunes.
Ejemplos:
Uso de herramientas inadecuada
Inadecuada materia prima.
Errores de los operadores.
50
3.2. TIPOS DE PROCESOS

El concepto de capacidad del proceso puede ser comprendido mejor con la exposicin de algunos de los conceptos
ms frecuentes. La figura siguiente presenta el caso ideal de un proceso en estado de control estadstico, pero esta
no ser siempre la condicin que se presente cotidianamente.
Y - AXIS
Proceso ideal de manufactura en

estado de control estadstico
X - AXIS
51

3.2.1. Algunos tipos de procesos ms comunes
a. Cambio repentino debido al ajuste de la herramienta, cambio en las caractersticas de la materia prima.
b. Interrupcin, durante la cual la mquina se enfra y luego gradualmente se calienta de nuevo hasta que se
restablece la dimensin original.
c. Puesta en marcha de una mquina el lunes en la maana con el correspondiente ajuste del equipo.
d. Ajustes frecuentes o correccin.
e. Cambios en la dispersin y en la cota debido a cambios en las condiciones de operacin o cambios en la
materia prima.
La mayor parte de los procesos industriales, especialmente en las industrias de procesos qumicos, funcionan bajo
estado e control estadstico. Para estos procesos, la capacidad del proceso calculada de 6 puede ser comparada
diferente a las especificaciones y se puede hacer juicio sobre su adecuacin. Sin embargo la mayora de los
procesos industriales muestran desviaciones y cambios repentinos. Estas desviaciones de lo ideal son un hecho real
y deben tenerse en cuenta en el momento de calcularse los ndices de capacidad del proceso.
3.3. INDICES DE CAPACIDAD

Produccin bajo control no significa que el proceso satisfaga las especificaciones de calidad (externas) fijada por el
diseador, el productor o el comprador, sobre todo si la variabilidad es muy grande. Se utiliza este mtodo
52

estadstico para medir el funcionamiento de un proceso. Se dice que un proceso est funcionando bajo control
estadstico cuando las nicas causas de variacin son causas comunes (naturales).
El estudio de capacidad trata de determinar la habilidad que tiene un proceso de cumplir dichas especificaciones;
es decir, la capacidad del proceso nos indica cuantas veces cabe la variabilidad natural del proceso en el intervalo
de especificacin.
Tiene como objetivo:
Cuantificar la variabilidad
Analizar la variabilidad respecto a las especificaciones del producto.
Reducir en lo posible la variabilidad(revisando o modificando el proceso)
Se acostumbra tomar la dispersin seis sigmas en la distribucin de la caracterstica de la calidad del producto
como una medida de la capacidad del proceso. A continuacin se muestra un proceso para el que la caracterstica
de calidad tiene una distribucin normal con media y desviacin estndar . Los lmites de tolerancia natural
superior e inferior del proceso son 3, es decir:
= + 3
= 3
Si la caracterstica de calidad es normal y el proceso est bajo control, los limites naturales incluyen el 99,73% de
los valores, es decir, el proceso fabrica un 0.27% de productos no conformes.
El valor 0.27% fuera de las tolerancias naturales suena pequeo, pero corresponde a 3.4 partes por milln
disconformes.
Si la distribucin de la salida del proceso no es normal, entonces el porcentaje de la salida que quedara
fuera de 3 puede diferir considerablemente de 0.27%.
La estimacin de la capacidad del proceso puede estar en la condicin de una distribucin de probabilidad que
tenga una forma, centro (media) y dispersin (desviacin estndar) especificados.
En el estudio de capacidad del proceso por lo general se miden las dimensiones fsicas del producto, no el proceso
en s. Cuando el analista puede observar directamente el proceso y puede controlar y monitorear la coleccin de
datos, el estudio es un verdadero estudio de capacidad del proceso, ya que al controlar la coleccin de datos y
conocer la secuencia en el tiempo de los datos, es posible hacer inferencias en la estabilidad del proceso en el
tiempo. Por esta razn, para desarrollar un anlisis de capacidad del proceso, es necesario utilizar los siguientes
supuestos, o comprobarlos a travs de herramientas estadsticas:
Los datos obtenidos en el desarrollo de un muestreo se ajustan a una Distribucin Normal.
El proceso se encuentra bajo control estadstico, es decir, es afectado nicamente por su variabilidad
natural.
53

Este anlisis debe realizarse cuando:
Se trata de una nueva mquina o proceso.

Se ha modificado en sus partes esenciales.
Se ha reajuste para fabricar nuevos productos.
Existencias de nuevos proveedores.
Se requiera asistencia en el desarrollo, diseo del producto y muestreo del proceso.
En la manufactura hay tres fases importantes sobre cualquier producto: diseo, produccin, e inspeccin. Las
especificaciones generalmente son establecidas en la fase de diseo, y durante la produccin se intentan cumplir
esas especificaciones. Finalmente, durante la inspeccin se determina el grado con el cual las unidades producidas
cumplen las especificaciones.
En el anlisis de capacidad del proceso se utilizan tres tcnicas principales: histogramas, graficas de probabilidad,
cartas de control y experimentos diseados.
3.3.1. INDICE DE CAPACIDAD POTENCIAL, Cp
Es un conjunto de indicadores que definen que tan capaz es un proceso de cumplir las especificaciones establecidas
por el cliente. Se puede decir tambin que es una forma cuantitativa simple para expresar la capacidad del proceso.
Su valor est dado a partir de una relacin entre la Tolerancia de las especificaciones del proceso, determinadas
por peticin del cliente, y la variabilidad natural del proceso, para este caso seis sigma (6).
Para el clculo del Cp
Determine el lmite de especificacin superior (LSE) y el lmite de especificacin inferior (LIE).
Calcule la desviacin estndar y el promedio del proceso.
El ndice Cp mide la capacidad potencial, suponiendo que el promedio del proceso es igual al punto medio de los
lmites de especificacin y que el proceso est operando bajo control estadstico.
=

=
3 + 3
6
En este orden de ideas, de acuerdo al valor que tome el ndice de capacidad Cp , los procesos pueden clasificarse de
la siguiente manera:
NOTA:El Cp solo compara el ancho de las especificaciones con la amplitud de la variacin del proceso, por lo que NO
mira cuan bien est centrado el promedio del proceso con relacin al valor de la meta.
Si la variacin del proceso es mayor que la amplitud de las especificaciones, entonces el Cp es menor que uno; es
evidencia de que no se est cumpliendo con las especificaciones. Por el contrario si el ndice Cp es mayor que uno,
entonces es evidencia de que el proceso es potencialmente capaz de cumplir con las especificaciones.
54

En general, el Cp se utiliza para conocer y tomar decisiones sobre el proceso, dependiendo de su valor es el tipo de
proceso y la decisin que ha de tomarse. Si al analizar un proceso se encuentra que su capacidad no es compatible
con las tolerancias, existen tres opciones:
Modificar el proceso.
Modificar las tolerancias o especificaciones.
Inspeccionar el 100% de los productos.
Aunque este parmetro es de gran utilidad, su clculo no toma en consideracin dnde se localiza la media del
proceso respecto de las especificaciones. El solamente mide la extensin de las especificaciones en
comparacin con la dispersin seis sigma del proceso. En distintas situaciones su valor puede indicar un proceso
ms que adecuado, es decir, capaz, pero si la media del proceso no coincide con la media de las especificaciones
(Valor Nominal), es muy probable que se encuentre arrojando productos fuera de especificaciones, o sea, no
conformes, ya sea por el lmite superior o por el inferior. Esta situacin se puede apreciar en la siguiente
distribucin de datos:
Situacin en la que el ndice es ineficaz
3.3.2. INDICE DE CAPACIDAD REAL DEL PROCESO

Este ndice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso se denomina
Cpk, cuando el ndice es ineficaz, es decir, cuando no hay coincidencia entre la media del proceso y la media de
las especificaciones, es necesario el uso de , ndice conocido tambin como capacidad real del proceso. De
esta manera, es comn 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 especificacin, entonces Cpk= Cp. Entre ms alto sea el
valor de Cpk, ms baja ser la cantidad de producto que est fuera de los lmites de especificacin
Se evala tomando el mnimo entre los Cps (Cpu y Cpl) correspondientes a cada lado de la media, como sigue,
55

= ( , )
=
=
3

3
(Slo especificacin Superior)
(Slo especificacin Inferior)
Donde:
:Capacidad de proceso teniendo en cuenta nicamente la especificacin superior del proceso.
LIE: Limite de especificacin inferior de la variable
LSE: Limite de especificacin superior de la variable.
: Valor promedio encontrado de los datos
: Desviacin estndar del proceso
y solo evalan la mitad de la distribucin de los datos teniendo en cuenta solo 3. Es til cuando la
especificacin de la variable, solo se expresa como un mximo o como un mnimo, para indicar al analista en que
sector de la especificacin (superior o inferior) se presenta ms riesgo de incumplimiento de los valores
establecidos.
Los valores de Cpk, son ampliamente utilizados como indicadores de la calidad de un proceso o producto. El valor de
Cpk = 1.33 se ha establecido como un parmetro deseado porque la obtencin de este valor en un proceso o
producto significa que por cada 10000 mediciones 3 de ellas existe la probabilidad estadstica que se encuentre
fuera de los limites d especificacin.
56
La relacin entre los parmetros de la variable y los lmites de especificacin. Incluyendo los valores de Cpk que
pueden asumir segn su comportamiento frente a las especificaciones:
a. El proceso no est en capacidad de cumplir con las especificaciones.
b. Proceso cuyo centro esta desplazado y el proceso est en peligro de generar producto fuera de la
especificacin, sin embargo la amplitud del proceso indica que este puede cumplir la tolerancia demarcada
por las especificaciones.
c. En este caso ya se han presentado productos fuera de las especificaciones, generando no conformidades
del proceso
Desviacin estndar
a.
Aceptable. Cpk > 1
Promedio aun aceptable

Desviacin estndar
Aceptable. Cpk = 1
Frecuencias
Promedio Aceptable
Especificaciones
Frecuencia
s
Cuando el problema est en centrar correctamente el proceso con respecto a las especificaciones, la
administracin debe investigar las causas de la mala direccin tcnica del proceso.
Especificaciones
Medidas
b.
Medidas
57
Desviacin estndar
C.
Potencialmente aceptable
Frecuencia
s
Promedio muy alto

Especificaciones
Medidas
Desviacin estndar
d.
muy grande
Frecuencia
s
Promedio aceptable
Especificaciones
Frecuencia
s
Cpk = Cpu < 1
Especificaciones
Medidas
Cpu y Cpl < 1
Promedio muy alto

Desviacin estndar muy
grande
e.
Medidas
Cpk = Cpu < 1

En general:
1.
2.
3.
4.
Proceso Capaz y centrado ( > 1, = )

Proceso potencialmente capaz pero descentrado ( > 1, < 1)
Proceso Incapaz y centrado ( < 1, = )
Proceso Incapaz y descentrado ( < 1, < 1, > )
Cada una de estas situaciones en un proceso productivo es presentada a continuacin:
58
59
Esquema general para implementacin de un programa de control estadstico o para el mejoramiento de los
procesos con base en esta herramienta.
3.3.3. DETERMINACIN DE LA PROPORCION DE PRODUCTOS NO CONFORMES

Dado que el proceso se ajusta a una distribucin normal, la proporcin de productos no conformes (%PNC), es el
porcentaje de productos por cada lmite de la funcin de densidad de probabilidad Normal que rebasa los lmites de
especificacin.
Para el lmite superior:
60
Luego,
% = > = 1 <
Para el lmite inferior:
=
Luego,
% = <
De esta manera, la cantidad total de productos no conformes es la suma de la proporcin por cada uno de los
lmites.
En el momento de hallar , se debe tener en cuenta que si el primer valor es mayor que 1, entonces la
proporcin de productos no conformes por el lmite superior es tan insignificante que no se tiene en cuenta, de igual
forma sucede con el segundo valor pero para el porcentaje de productos no conformes por el lmite inferior.
Para un proceso que genera una proporcin de productos no conformes como el siguiente, se pueden considerar las
siguientes alternativas para disminuir la fraccin de productos no conformes:
LSE
Proc
eso
B: estndar
Reducir la desviacin
CPk=
1
LIE
LSE
Cambiar la media y centrar el proceso.
61
LIE
LSE
Lo ideal sera cambiar ambas
LIE
LSE
Cmo hacer una recoleccin de datos para hacer un anlisis de capacidad o cualquier estudio estadstico?
Para la recoleccin de los datos se toman k muestras de tamao n, en un tiempo determinado por das, horas o
minutos, segn los requerimientos del proceso, la media, la desviacin estndar y el recorrido de los datos se
obtienen de la siguiente manera:
1
2
3
4
5
1
3,4
-
n (Para este caso, 4)

2
3
5,3
2,1
-
4
3,8
-
3,65
-
3,2
-
Los valores utilizados para realizar el anlisis de la capacidad del proceso son y .
El valor de la desviacin estndar se determina de la siguiente manera:
=
Donde 2 es una constante (Tabla anexo Factores para construir cartas de control para variables cuando no se da
una especificacin), su valor depende del tamao de la muestra y puede tomarse de las tablas de constantes para
el manejo de la calidad de un proceso.
62

Es til la construccin e interpretacin de histogramas para el manejo de este tema, este procedimiento es
explicado en la seccin 2 del mdulo.
3.3.4. Intervalos de confianza y pruebas para los ndices de capacidad del proceso:
Gran parte de la aplicacin industrial de los ndices de capacidad del proceso se enfoca en calcular e interpretar la
estimacin puntual de la cantidad deseada. Los usuarios en la prctica olvidan con frecuencia que cp o cpk son
simplemente estimaciones puntuales y, como tales, estn sujetas a la fluctuacin estadstica. Una alternativa que
debera convertirse en prctica comn es reportar los intervalos de confianza para los ndices de capacidad del
proceso.
Calculo:
;
/;
EJEMPLOS:
1.
/;
[
+
+

( )
( )
[ +
/;
+
( )
( )
En cierto proceso de maquinado se ha llevado una grafica sobre el dimetro de cierta parte.
Despus de verificar si el proceso est bajo control estadstico y que los datos se comportan como una distribucin
normal, se tienen los siguientes datos.
= 0,169
=5
= 0,738
= 0,5
= 0,9
a.
b.
c.
d.
Calcule los ndices Cp y Cpk y haga un anlisis completo de la capacidad del proceso.
Obtenga la proporcin esperada fuera de especificacin unilateral y de manera total.
Calcular el inciso a) y b) con el proceso centrado
Entre que valores debe oscilar , de tal manera que la fraccin de no conformes sea a lo sumo de 1%
(Ventana de Operacin).
SOLUCIN
63

a) ndices de Capacidad
=
0,169
= 0,0726
2,326
2 Se obtuvo de la tabla factores para construir cartas de control para variables.

=
0,9 0,5
= 0,9182
6 0,0726
Como < 1 decimos que el proceso no es capaz

=
( ; )
=
0,738 0,5
=
= 1,0927
3
3 0,0726
0,9 0,738
=
= 0,7438
3
3 0,0738
= 1,0927; 0,7438 = 0,7438

El Cpu es menor que 1 entonces est arrojando productos no conformes por el lmite superior.
b) %PNC
=
0,9 0,738
=
= 2,23 % = > 2,23
0,0726
= 1 < 2,23 = 1 0,9871 = 1,25%
El proceso arroja 1,25% de productos no conformes.

Entonces se dice que el proceso no es capaz, no est centrado y arroja 1,25% de productos no conformes.
Para reducir la cantidad de productos no conformes arrojados por el proceso, incurriendo en el menor costo, lo
recomendable es centrar el proceso, es decir, hacer que coincida la media del proceso con el valor nominal. Esta
tcnica resulta ms econmica que la reduccin de la variabilidad, que sera lo ideal, aunque muy costosa, pues
requiere un anlisis riguroso de las 6M de produccin (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente,
Mtodos y Materiales).
64

C) Teniendo en cuenta el ejemplo desarrollado, si centramos el proceso, se tiene:
= 0,9175
= =
+ 0,9 + 0,5
=
= 0,7
2
2
Con el proceso centrado el = = = = 0,9175

=
0,5 0,7
=
= 2,75 % = < 2,75 = 0,003
0,0726
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2 =0,006
%PNC = 0,6%
D) La Ventana de Operacin son los valores entre los que puede oscilar , para arrojar a lo sumo una
proporcin de productos no conformes especificada. En este caso esa proporcin de productos es de 1%.
Para produccin no conforme por el lmite superior:
0,01 = 1 ( < )
< = 0.99
= 2,325
2,325 =
= 2,325
= 0,9 2,325 0,0726 = 0,7312
Para produccin no conforme por el lmite inferior:
0,01 = ( < )
= 2,325
2,325 =
= + 2,325
65

= 0,5 + 2,325 0,0726 = 0,6687
La ventana de operacin para una produccin de productos no conformes de 1% es 0,6687; 0,7312 .
2. Un proceso productivo tiene un = 0,95, y est centrado.
a. Estime la proporcin de productos no conformes
b. Si el proceso esta descentrado a 0,15, que valor toman los ndices y
SOLUCIN
a)Como el proceso est centrado = = = = 0,95
%PNC
= 0,95 =
0,95 3 =
2,85 =
= 2,85
> = 1 < = 1 0,9978 = 0,0022
Como est centrado est arrojando la misma cantidad de productos no conformes por ambos lados tenemos
0,0022 2 = 0,0044 = 0,04%
a) Si el proceso esta descentrado a 0,15
=
+
+ 0,15
2
=
=
=
+
2
+ 0,15
2
2
2 + + 0,3
6
66
2 0,3
6
6
6
6

0,05 = 0,9
6
= 0,05
= 0,90
=
+
+ 0,15
3
0,30
2
2
2
0,3
+
6
6
= 0,95 + 0,05
= 1
= = 0,90
3. Cierto proceso tiene unas especificaciones de 75 15, se ajusta a una distribucin normal y est bajo
control estadstico con parmetros = 77 y = 4,5.
Entre que valores puede oscilar la media de tal manera que la fraccin de productos no conformes sea a lo
sumo 4%. De los artculos no conformes que excedan el lmite de especificacin superior, el 70% se
pueden reprocesar a un costo unitario de 80 U.M y quedan aceptables. Los artculos no conformes por el
lmite inferior no son reprocesables y ocasionan un costo unitario de 30 U.M. El costo de produccin de
cada artculo es de 250 U.M. Cunto cuanta producir un artculo conforme?
Solucin:
Datos:
= 77
67

= 4,5
= 90
= 60
Lo primero que se debe hacer es realizar el anlisis de capacidad:
=
90 60
=
= 1,11 > 1.
6
6 4,5
90 77
=
= 0,9629
3
3 4,5
77 60
=
= 1,2592
3
3 4,5
= min ; = min 1,2592; 0,9629 = 0,9629.

=
90 77
=
= 2,8888
4,5
% = 1 < = 1 < 2,8888 = 1 0,9980 = 0,002 100

= 0,2%
=
60 77
=
= 3,7777
4,5
% = < = < 3,7777 = 0,00008 100 = 0,008%

% = 0,008% + 0,2% = 0,208%
Como el Cp>1, se dice que el proceso es capaz, es adecuado para el trabajo, pero requiere de un control estricto
conforme el Cp se acerca a 1, adems est arrojando ms productos no conformes por el lmite superior segn el
Cpk con una proporcin de 0,2% y por el lmite inferior se est arrojando un 0,008% para un total de 0,208% de
productos no conformes.
Para encontrar los valores entre los cuales puede oscilar la media de tal manera que la fraccin de productos no
conformes sea a lo sumo 4%, se debe hallar la ventana de operacin:
Por el lmite inferior se tiene:
% = < = 0,04 = < => = 1,750
68

=> = => = = 60 4,5 1,750
= 60,7875
Por el lmite superior se tiene:

% = 1 < = 0,04 = 1 < => < = 1 0,04
= 0,96
= 1,750
=

=> = => = = 90 4,5 1,750
= 82,125
La ventana de operacin es [60,7875; 82,125 ].

Ahora para sacar el costo de fabricar un artculo conforme se sabe que por el lmite superior hay un 0,2% de PNC y
que solo el 70% de ellos se reprocesa a un costo de 80 U.M, por el lmite inferior hay un 0,008% que genera un
costo de 30 U.M.
=
250 + 0,002 0,70 80 + 0,00008 30

= 250,6357
1 0,002 0,00008
El costo de un artculo conforme es de 250,6357 U.M.

4. Para cierto producto qumico, el porcentaje de arsnico presente en l, condiciona la calidad y efectividad
de este. El producto que contiene 16% a 24% de arsnico se clasifica como tipo C y es el ms comn en el
mercado para la lucha contra roedores; la clasificacin tipo B se le da al producto que tenga un contenido
de 24% a 28% de arsnico y debido a su alta concentracin es utilizado para evitar la proliferacin de
mosquitos y bacterias en lugares hmedos; la clasificacin tipo A se le da al producto cuyo contenido de
arsnico oscila entre 10% y 16% y es usado en la lucha contra cucarachas, las cuales detectan con
fiabilidad las altas concentraciones de arsnico, pero son presa fcil a las bajas concentraciones.
El producto con el porcentaje de arsnico por debajo del 10% debe ser enriquecido bajo un proceso con
una efectividad del 70% y tiene un costo de $5000 por kilogramo procesado. Por otro lado, los productos
con el porcentaje de arsnico por encima del 28%, deben ser sometidos a un empobrecimiento con el fin
de disminuir su concentracin, este proceso es efectivo en un 80% y tiene un costo de $3.000 por
kilogramo de sustancia. Los residuos de los dos procesos anteriores son tratados para su
aprovechamiento y las sustancias recuperadas pasan a ser nuevas materias primas de otros productos,
este proceso se carga un costo de $1.000 por kilogramo.
69

El proceso productivo del producto qumico comienza con la creacin de una mezcla altamente viscosa que
no alcanza la total homogeneidad. Despus del proceso de deshidratacin se forma una masa solidad
llamada sustancia base. Por la forma como es dividida esta masa para su procesamiento, se conoce que el
porcentaje de arsnico se ajusta a una distribucin normal con media de 20% de arsnico y una desviacin
estndar de 5%. Diariamente son procesados 100 kg de sustancia base, en lo que se genera un costo de
$5.000.000. La clasificacin en sus diferentes calidades y otros procesos realizados a la sustancia base
generan otros $2.000.000.
Los tipos A, B y C son distribuidos en diferentes presentaciones: el tipo C se distribuye al menudeo en
sobres de pastillas de 20 gramos y su precio de venta es $1.000; mientas que los tipo B y A se distribuyen
en grandes almacenes en envases plsticos de 250 gramos del producto en polvo y un precio de venta de
$27.500 y $30.000 respectivamente.
a.
b.
c.
d.
Cul es el ndice de capacidad del proceso?

Cul es el costo promedio de produccin de 1 kg de sustancia apta para comercializar?
Cul es la utilidad bruta esperada por cada Kg de sustancia comercializada?
Se estudian dos propuestas que buscan mejorar desde el punto de vista econmico la situacin
actual del proceso productivo del producto.
e. Incrementar en un 2% el porcentaje promedio de arsnico en la sustancia base.
f. Disminuir en un 2% el porcentaje promedio de arsnico en la sustancia base.
g. Se tomara como criterios de decisin:
h. Costo promedio de produccin de sustancia comercializable.
i. Utilidad bruta promedio de sustancia comercializable.
j. Ignorando los costos de implementacin de las propuestas, para cada criterio tome una decisin.
k. Una maquinaria nueva aumentara la capacidad del proceso actual en un 25%, pero su alquiler
mensual sera de $1.200.000. vale la pena alquilar la maquinaria nueva? Suponga que se labora 20
das al mes.
Solucin:
Datos:
= 20%
= 5%
= 28%
= 10%
Se halla el ndice de capacidad de proceso.
=
28 10
=
= 0,6 < 1.
6
65
70
28 20
=
= 0,5333
3
35
20 10
=
= 0,6667
3
35
= min ; = min 0,6667; 0,5333 = 0,5333.

Como el Cp = 0,6, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y requiere
serias modificaciones, adems el Cpk nos advierte que el proceso est arrojando productos no conformes en mayor
proporcin por el lmite superior de especificacin.
Para encontrar el costo promedio de producir un kilogramo de esta sustancia se deben hallar primero el porcentaje
de productos no conformes que est arrojando el proceso.
ZLSE =
LSE x 28 20
=
= 1,60
%PNC LSE = 1 p Z < ZLSE = 1 p Z < 1,60 = 1 0,94520 = 0,0548 100

= 5,48%
ZLIE =
LIE x 10 20
=
= 2
%PNC LIE = p Z < ZLIE = p Z < 2 = 0,0227 100 = 2,27%

%PNC = 5,48% + 2,27% = 7,75%
Ahora el costo de producir un kilogramo de sustancia apta para comercializar es:
C. prom = c. de producion + c. clasificacion + c. de aumentar % arsenico
+ c. de disminuir %arsenico + c. de reaprovechamiento
C. prom =
5.000.000 $ 2.000.000 $
$
+
+ (0,0227 0,70 5000)
+ (0,0548 0,80
100 kg
100 kg
$
$
3000)
+ 1000[0,0227 0,30 + 0,0548 0,20]
C. prom = 70.228,74
Cada producto tiene su presentacin por lo tanto se debe llevar cada producto a su precio de venta en kilogramos.
71
1000 $ 1000
$
= 50000
20
1
27500 $ 1000
$
= 110000
250
1
30000 $ 1000
$
= 120000
250
1
Grfica de distribucin
Normal. Media=20. Desv.Est.=5

10
0,09
16
24
28
0,08
0,07
Densidad
0,06
0,05
0,04
0,03
0,02
0,01
0,00
10
15
20
X
25
30
35
Luego se debe conocer el % que se fabrica de cada producto conforme segn la concentracin de arsnico.
Para el tipo C tenemos:
=
24 20
16 20
=
= 0,8 =
=
= 0,8
% = < 0,8 < 0,8 = 0,78814 0,21186

% = 0,57628
Para el tipo B tenemos:
=
24 20
28 20
=
= 0,8 =
=
= 1,6
% = < 1,6 < 0,8 = 0,9452 0,78814
72

% = 0,15706
Para el tipo A tenemos:
=
16 20
10 20
=
= 0,8 =
=
= 2
% = < 0,8 < 2 = 0,21186 0,02275

% = 0,18911
Ahora se calcula la cantidad de sustancia comercializable el cual es la suma del producto conforme ms la cantidad
de producto no conforme que fue reprocesado por empobrecimiento y enriquecimiento.
= 0,57628 + 0,0227 0,70 + 0,0548 0,80
= 0,63601
= 0,15706 + 0,0227 0,70 + 0,0548 0,80
= 0,21679
= 0,18911 + 0,0227 0,70 + 0,0548 0,80
= 0,24884
Se calcula la utilidad bruta esperada como:
=
= (0,63601 50000 + 0,21679 110000 + 0,24884 120000)
70.228,74
= 15279,46
Si se incrementara en un 2% el porcentaje promedio de arsnico en la sustancia base:

=
28 22
=
= 0,4
3
35
73
22 10
=
= 0,8
3
35
= min ; = min 0,8; 0,4 = 0,4.

Como el Cp no se altera, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y
requiere serias modificaciones, adems el Cpkse altera y como la media se aproxima ms al lmite de especificacin
superior es de esperarse que la cantidad de producto no conforme aumente por el lado superior.
Para encontrar el nuevo costo promedio de producir un kilogramo de esta sustancia;
ZLSE =
LSE x 28 22
=
= 1,20
%PNC LSE = 1 p Z < ZLSE = 1 p Z < 1,20 = 1 0,88493 = 0,11507 100

%PNC LSE = 11,507%
ZLIE =
LIE x 10 22
=
= 2,40
%PNC LIE = p Z < ZLIE = p Z < 2,4 = 0,00819 100 = 0,81975%

%PNC = 11,507% + 0,81975% = 12,326 %
C. prom =
5.000.000 $ 2.000.000 $
$
+
+ (0,0081975 0,70 5000)
+ (0,11507
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,0081975 0,30 + 0,11507 0,20]
C. prom = 70.330,33
Como se puede observar aumentar en 2% la cantidad de arsnico en la sustancia base aumentara el costo
promedio de produccin en 101,59 $/Kg procesado con respecto al costo hallado inicialmente.
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme segn la
concentracin de arsnico con la nueva media.
74
24 22
16 22
=
= 0,4 =
=
= 1,2
% = < 0,4 < 1,2 = 0,65542 0,11507

% = 0,54035
=
24 22
28 22
=
= 0,4 =
=
= 1,2
% = < 1,2 < 0,4 = 0,88493 0,65542

% = 0,22951
=
16 22
10 22
=
= 1,2 =
=
= 2,4
% = < 1,2 < 2,4 = 0,11507 0,0081975

% = 0,10687
Ahora la cantidad de sustancia comercializable es:
= 0,54035 + 0,00819 0,70 + 0,11507 0,80
= 0,638139
= 0,22951 + 0,00819 0,70 + 0,11507 0,80
= 0,327299
= 0,10687 + 0,00819 0,70 + 0,11507 0,80
= 0,204659
Entonces la utilidad bruta es:
=
75
= (0,638139 50000 + 0,327299 110000 + 0,204659 120000)

70.330,33
= 22138,59
La utilidad bruta aumenta a 22138,59 $/Kg.

Analizando la segunda opcin que costa de disminuir en un 2% la cantidad de arsnico en la sustancia base:
=
28 18
=
= 0,667
3
35
18 10
=
= 0,533
3
35
= min ; = min 0,533; 0,667 = 0,533.

Como el Cp no se altera, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y
requiere serias modificaciones, adems el Cpk se altera y como la media se aproxima ms al lmite de
especificacin inferior es de esperarse que la cantidad de producto no conforme aumente por el lado inferior.
Para encontrar el nuevo costo promedio de producir un kilogramo de esta sustancia;
ZLSE =
LSE x 28 18
=
=2
%PNC LSE = 1 p Z < ZLSE = 1 p Z < 2 = 1 0,97725 = 0,02275 100

%PNC LSE = 2,275%
ZLIE =
LIE x 10 18
=
= 1,6
%PNC LIE = p Z < ZLIE = p Z < 1,6 = 0,054799 100 = 5,4799%

%PNC = 2,275% + 5,4799% = 7,7549 %
76
C. prom =
5.000.000 $ 2.000.000 $
$
+
+ (0,054799 0,70 5000)
+ (0,02275
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,054799 0,30 + 0,02275 0,20]
C. prom = 70267,39
Como se puede observar disminuir en 2% la cantidad de arsnico en la sustancia base aumentara el costo
promedio de produccin en 38,64 $/Kg procesado con respecto al costo hallado inicialmente.
concentracin de arsnico con la nueva media.
=
24 18
16 18
=
= 1,2 =
=
= 0,4
% = < 1,2 < 0,4 = 0,88493 0,34458

% = 0,54035
=
24 18
28 18
=
= 1,2 =
=
=2
% = < 2 < 1,2 = 0,97725 0,88493

% = 0,09232
=
16 18
10 18
=
= 0,4 =
=
= 1,6
% = < 0,4 < 1,6 = 0,34458 0,05479

% = 0,290681
= 0,54035 + 0,054799 0,70 + 0,02275 0,80
77

= 0,5969
= 0,09232 + 0,054799 0,70 + 0,02275 0,80
= 0,14887
= 0,290681 + 0,054799 0,70 + 0,02275 0,80
= 0,34724
=
= (0,5969 50000 + 0,14887 110000 + 0,34724 120000)
70267,39
= 17622,11
La utilidad bruta aumenta a 17622,11 $/Kg.

La primera propuesta es la mejor ya que aumenta la utilidad bruta esperada en 6859,13 $/kg de sustancia
comercializada aunque el costo por cada kilogramo promedio es mucho mayor en comparacin con los otros
resultados, esto se debe a que aumenta la cantidad de producto conforme y no hay tanto material para reprocesar
por el lmite inferior pues sale muy costoso enriquecer la sustancia con arsnico.
La nueva maquinaria aumenta la capacidad actual del proceso un 25%, entonces la nueva capacidad del proceso es:
= 0,60 1.25 = 0,75.
Se reemplaza en la frmula de capacidad de procesos y se despeja la desviacin estndar, puesto que es la nica
variable que cambia de valor.
=

28 10
=
=
=4=4
6
6
6 0,75
La nueva desviacin estndar es 4, ahora se sigue el mismo procedimiento que en los incisos anteriores para
encontrar el costo promedio y la utilidad bruta esperada.
=
28 20
=
= 0,667
3
34
78
20 10
=
= 0,833
3
34
= min ; = min 0,833; 0,667 = 0,667.

Como el Cp = 0,75, el proceso esincapaz y se encuentra centrado, no es adecuado para el trabajo y requiere un
anlisis de proceso, adems el Cpk nos advierte que el proceso est arrojando productos no conformes en mayor
proporcin por el lmite superior de especificacin.
ZLSE =
LSE x 28 20
=
=2
%PNC LSE = 1 p Z < ZLSE = 1 p Z < 2 = 1 0,97725 = 0,02275 100

%PNC LSE = 2,275%
ZLIE =
LIE x 10 20
=
= 2,50
%PNC LIE = p Z < ZLIE = p Z < 2,50 = 0,0062097 100 = 0,62097%

%PNC = 2,275% + 0,62097% = 2,89597 %
C. prom =
5.000.000 $ 2.000.000 $
$
+
+ (0,0062097 0,70 5000)
+ (0,02275
100 kg
100 kg
$
$
0,80 3000)
+ 1000[0,0062097 0,30 + 0,02275 0,20]
C. prom = 70.082,74
concentracin de arsnico con la nueva desviacin estandar.
=
24 20
16 20
=
= 1 =
=
= 1
% = < 1 < 1 = 0,84134 0,15866
79

% = 0,68268
=
24 20
28 20
=
=1 =
=
=2
% = < 2 < 1 = 0,97725 0,84134

% = 0,13591
=
16 20
10 20
=
= 1 =
=
= 2
% = < 1 < 2 = 0,15866 0,02275

% = 0,13591
= 0,68268 + 0,0062097 0,70 + 0,02275 0,80
= 0,70523
= 0,13591 + 0,0062097 0,70 + 0,02275 0,80
= 0,15846
= 0,13591 + 0,0062097 0,70 + 0,02275 0,80
= 0,15846
=
Ahora se le agrega la produccin mensual de la sustancia base pues diario se fabrican 100 Kg.
100
20
= 2000
80
= 0,70523 50.000 + 0,15846 110.000 + 0,15846 120.000

70.330,33
2000
$
2000
1.200.000
= 1.553.940
Ahora se trae la utilidad bruta que se calcul en el inciso c para compararla con esta.
= 15279,46
$
2000
= 30.558.920
No vale la pena alquilar la maquinaria nueva pues sin la nueva maquinaria obtengo una utilidad bruta de 30, 558,920
$/mes mucho mayor a si la alquilara. Este se debe a que con la nueva maquinaria se producira ms producto tipo c,
el cual tiene el precio de venta ms pequeo en comparacin con los de sus productos hermanos.
3.4. EJERCICIOS PROPUESTOS

1.
Considerar los dos procesos que se presentan a continuacin con un tamao de muestra n:5:
Proceso 1:
= 100
= 3
Proceso 2:
= 105
= 1
Las especificaciones son 100 10. Calcular Cp, Cpk y Cpu e interpretar estos ndices Qu proceso preferira
usarse? Porque?
2. Un proceso con una distribucin normal tiene las especificaciones LSE=75 y LIE=85 en la salida. Una
muestra aleatoria de 25 partes indica que el proceso est centrado en la banda de las especificaciones y
que la desviacin estndar es S=15.
a. Encontrar una estimacin puntual de Cp.
b. Encontrar un intervalo de confianza de 95% para Cp comentar la anchura de este intervalo.
3. Un proceso de manufactura tiene una tolerancia de 60 y solo es consumido el 80% de esta. La media del
proceso es 214 y est a 1.75 desviaciones estndares por encima del valor nominal.
a. Cul es el porcentaje de productos no conformes?
b. Qu Valor en la media del proceso permitirn que se produzcan al menos el 95% de productos
conformes?
81

4. Cul es el Cp de un proceso que tiene un %PNC=10%, si por fuera de uno de los lmites de especificacin
hay un 6% ms de productos no conformes que por el otro?
5. BELLAVEL es una empresa pionera en cosmticos, el labial es el producto ms importante de la empresa. El
proceso de corte del labial se ajusta a una distribucin normal y se conoce que el 20,22% de los labiales
tienen una longitud que excede los 105 mm, mientas que el 30,85% excede los 103 mm. Las
especificaciones para la longitud de los labiales son de 100.5 10,5 mm. Durante la produccin, una vez
cortado el labial y en caso de que su longitud exceda el lmite superior, se podra reducir para que cumpla
con las especificaciones.
La produccin de cada labial genera un costo de $ 2 dlares y cada unidad se vende en $ 20 dlares. Si es
necesario recortar el labial se incurre en un costo de $ 0,5 dlares en una operacin que tiene una
efectividad de 80%, pero aplicable una vez en cada labial. Cada unidad no conforme pasa a ser parte de la
materia prima de otros productos, pero se incurre en un costo de $ 1.5 dlares.
Suponga que mensualmente los costos y gastos fijos son de $ 15000 dlares.
a. Realice un estudio detallado del proceso de corte para el labial donde se muestre:
Capacidad del proceso y capacidad real del proceso, adems sus interpretaciones.
El porcentaje de productos no conformes.
Tipo de proceso y recomendaciones.
b. Calcule el costo de produccin de un labial conforme y el punto de equilibrio para el labial.
c. Determine el mnimo Cp que permitir que estando el proceso de corte centrado, el producto tenga
un punto de equilibrio por debajo de 900 unidades.
d. Se sospecha que la media de la longitud de los labiales ha cambiado debido al desgaste de una pieza
de la herramienta de corte, por tal motivo se tomaron 30 labiales al azar y se encontr que la media
de la longitud fue de 98,528 mm. se puede concluir que existe evidencia que indique que la media ha
cambiado?
e. Se toman 4 muestras, cada una de 25 labiales escogidos al azar. Cul es la probabilidad de que en al
menos dos muestras la media en la longitud de los labiales exceda los 102 mm?
6. Una fbrica de herbicidas tiene un reactor donde fabrica un producto activo el TX-100.
El TX-100 es un ingrediente selectivo que tiene un ingrediente activo el cual al entrar en contacto con la
maleza, se libera y la ataca alterando el fenmeno de la fotosntesis. Ello conduce a que la maleza muera y
que el cultivo quede libre.
Las especificaciones para el ingrediente activo liberable son: 36% 6%.
Se quiere conocer el patrn estadstico del proceso en el reactor y para tal efecto se han tomado datos de
los ltimos 200 lotes de cada uno de ellos con relacin al % del ingrediente activo liberable y se le han
construido los respectivos histogramas. Haga un anlisis estadstico exhaustivo sobre la capacidad del
proceso, para cada uno de los reactores. Se anexa cuadro extrado del histograma
INTERVALO
[30,6433 31,0382]
Fi
1
82

[31,0382 31,4331]
[31,4331 31,8280]
[31,8280 32,2229]
[32,2229 32,6178]
[32,6178 33,0127]
[33,0127 33,4078]
[33,4078 33,8025]
[33,8025 34,1974]
[34,1974 34,5923]
[34,5923 34,9872]
Total
0
4
14
43
51
44
25
14
4
0
200
Entre que valores puede oscilar de tal manera que la fraccin de no conformes sea a lo sumo 10%?
De los lotes no conformes que exceden el lmite superior de especificacin el 60% de ellos se pueden
reprocesar a un costo unitario de 80 u.m y quedan aceptables. Los lotes no conformes por el lmite
inferior son reprocesables en un 90% y ocasionan un costo unitario adicional de 30 u.m el costo de
produccin de cada lote es de 300 u.m Cunto cuesta producir un lote conforme?
7. Un proceso est bajo control con X=75 y =2. Las especificaciones del proceso son 808. El tamao de
la muestra es n=5.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. Cunto podra reducirse la porcin cada del proceso cambiando la media a la dimensin
nominal? Suponer que la caracterstica de calidad tiene una distribucin normal.
d. Para este proceso productivo, resulta muy costoso reprocesar aquellos productos que no
cumplen las especificaciones por el lmite inferior. cmo minimizara los costos ocasionados por
los productos no conformes por este lmite? Justifique.
8. Un proceso tiene un ndice de capacidad Cp=2, pero la media est a dos desviaciones tpicas por encima
del lmite superior de especificaciones, Cul es la probabilidad de fabricar un producto dentro de los
lmites de especificacin?
9. Cul es el Cp de un proceso que produce un 10% de productos no conformes, si por fuera de uno de los
lmites de especificacin hay un 6% ms de productos no conformes que por el otro?
10. Un proceso est bajo control estadstico con = 100, = 2 = 5, las especificacines del
proceso son 95 10. La caracterstica de a calidad tiene una distribucin normal.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. Cunto podra reducirse la porcin de productos no conformes si la media del proceso toma el valor
nominal?
11. Un proceso de llenado de bolsas de harina est generando en total 15% de productos no conformes con
relacin al peso mnimo y mximo de la bolsa llena.La cantidad de productos no conforme por uno de los
lmites de especificacin es el doble con relacin a la cantidad de productos no conformes que se generan
por el otro lmite de especificacin
a. Calcule la capacidad general del proceso
83

b. Calcule la capacidad real del proceso.
c. Repetir a y b si el 15% total de no conformes se genera en igual proporcin por cada uno de los
lmites de especificacin.
12. Aceros S.A produce lminas de acero de 3mm de espesor y 1200mm de ancho, caracterstica que se
considera la ms relevante por el cliente debido al uso que se puede dar. Por esto se implementa un
programa de control con esta caracterstica de calidad con una muestra n=8, la carta y su media es
X=1186 y el promedio de la carta Rango=150. Las especificaciones requeridas por la lmina son 1200
40mm para el ancho de las lminas. El costo de produccin de las lminas es 11000u.m por polticas de la
empresa por cada lmina que cumpla con las especificaciones, se obtiene una utilidad del 35% sobre
costos de produccin. Las lminas que no cumplen con las especificaciones por el lmite superior
perdiendo el 10% del precio de venta de la lmina. Por cada lmina que no cumple con el lmite inferior se
obtiene solo una utilidad del 15%. La empresa recibi un pedido de 1000 lminas.
a. Cul es su opinin sobre la capacidad de proceso?
b. Calcular la fraccin de productos no conformes del proceso
c. Qu debo hacer para reducir la cantidad de productos no conforme?
d. De acuerdo al inciso anterior calcule el precio de venta promedio de cada lmina.
e. Cul debe ser el corrimiento de la media para que se genere en total un 30% de productos no
conformes?
13. Un proceso productivo consume solo el 75% del ancho de banda de las especificaciones y cada hora se
producen 500 unidades.
a. Cuntos productos no conformes por hora arroja el proceso cuando su media est a una desviacin
estndar del valor nominal?
b. Qu tan alejada puede estar la media del proceso respecto al valor nominal para que al cabo de una
hora se hayan producido 25 unidades defectuosas?
c. Si el Cp del proceso se redujeran en un 25%, Cul es la mxima probabilidad de encontrar a lo sumo
dos productos no conformes durante la produccin de las prximas dos horas?
14. La empresa Metales del caribe S.A, es una reconocida compaa fabricante de tornillos de todo tipo. Unos
de sus productos lderes es el tornillo de rosca fina y cabeza hexagonal. Su proceso se encuentra bajo
control estadstico segn el ingeniero de calidad, el cual realizo un monitoreo a este con 20 muestras de
tamao cuatro cada una, Obtenindose una x =213,6 y una R=7,79.
El producto tiene unas especificaciones exigidas por el cliente de 10,5 0,3.
a.
b.
c.
d.
Cul es la capacidad potencial y la capacidad real del proceso?

Cul es el porcentaje de productos no conformes que arroja el proceso?
Que se debera hacer si se desea reducir a un 0% la cantidad de productos no conformes?
Logrado el objetivo del inciso anterior, se le puede permitir al proceso que genere un mximo de 2% de
productos no conformes, pero solo por el lmite superior debido a que estos se podran reprocesar sin
ningn inconveniente calcule la ventana de operacin del proceso que cumpla con esa condicin?
e. Qu se debe hacer para llevar una produccin al 100%?
15. Festival S.A, es una empresa que fabrica globos para todo tipo de fiestas y algunos de sus clientes han
presentado quejas por fallas en los globos inflables, pues no soportan la presin del aire de llenado y
estallan antes de estar totalmente inflados.
84

El gerente llama a su jefe de produccin el cual entrega la siguiente informacin relacionada con el
proceso de fabricacin de los globos:
El proceso est bajo control estadstico, diseado y monitoreado con tamaos de muestra de 6. Presenta
una media de 200 mm en el radio mximo que tomaron los globos una vez inflados y un rango promedio de
20,272 mm. Segn el proveedor, las especificaciones de calidad con las que deben cumplir el radio mximo
de los globos son 180 mm y 210 mm a una presin de 100 Psi.
Con esta informacin responda:
a. Cul es el ndice de capacidad del proceso? puede cumplir con las especificaciones?
b. Cul es la capacidad real el proceso? qu tipo de proceso es?
c. De no cumplir con las especificaciones, Cul es el porcentaje de globos no conformes? se puede
reducir este valor? cmo y cul sera la mejora?
d. Cul es el porcentaje de productos no conformes que se producen por encima del lmite superior
cuando por debajo del lmite inferior se est produciendo un 2%?
e. Cul es el rango de valores en los que puede moverse la media del proceso de fabricacin de los
globos para que se produzcan al menos el 88% de globos conformes a las especificaciones?
f. cul es el mnimo Cp que permitir que el proceso estando centrado, produzca a lo sumo un 2% de
globos no conformes?
g. Se toman 10 globos al azar Cul es la probabilidad de que no ms de la mitad de ellos fallen por no
soportar la presin de 100 Psi?
16. CHOCOLATIN S.A, es una empresa dedicada a la elaboracin de barras de chocolate, pero la calibracin del
peso en las barras se ha convertido en un problema para la empresa, las especificaciones del peso son de
13,5 2,3 gramos.
Actualmente producen 11,506% y 3,097% de barras de chocolate que no cumplen con las especificaciones
en el peso; el primer porcentaje supera al valor mximo permitido y el segundo porcentaje est por debajo
del mnimo valor permitido.
Se va a adquirir una nueva maquinaria que incrementara el Cp en un 60% y tendr un costo de $500
millones.
CHOCOLATIN S.A opera en dos turnos diarios de 4 horas cada uno, 20 das al mes y su tasa de produccin
es 600 barras de chocolate por hora. La produccin de cada unidad le cuesta $400 y toda la unidad no
conforme se devuelve a la cadena productiva, pero antes se penaliza con un costo igual al 40% del precio
de venta de cada barra de chocolate.
a. Cul es el precio de venta que permitir que la nueva maquinaria se pague as misma en 5 aos?
b. Determine el Cp que debera tener el proceso una vez centrado, para que el costo promedio de
producir una unidad conforme sea de $420 y a su vez los ingresos por venta sean maximizados.
Tenga en cuenta que CHOCOLATIN vende cada unidad en $500 y tiene actualmente una demanda de
700 mil barras de chocolate, pero por cada peso que se disminuya en el precio de venta la demanda
aumenta en 1000 unidades.
85

17. Una prestigiosa empresa de gaseosa presenta problemas con el llenado de las botellas de 750 ml. La
estimacin de la variabilidad y la media del volumen de llenado se realiza mensualmente en base a la toma
de mil muestras, cada una de tamao 4. Durante 10 das. Las especificaciones en el volumen de llenado de
estas botellas de gaseosa admite un error mximo de 10 ml.
Durante los primeros 8 das se han tomado 750 muestras y los resultados fueron una media de 744 ml con
un rango promedio de 8,23 ml. El ingeniero de calidad decide dejar el muestreo hasta aqu, ahorrndose
ese dinero y en su reemplazo simulara la toma de muestras restantes; para luego presentar el informe
donde se mostrara que la media en el volumen de llenado cumple con el valor nominal y que la variabilidad
del proceso es de 3 ml.
Segn un estudio de costos que se le hizo al proceso muestra que el llenado de cada envase le cuesta a la
empresa $1.000 y el reproceso de las botellas no conformes cuesta $200 por unidad.
Durante el muestreo se puede volver a calibrar la maquina si la media en el volumen de llenado no es igual
al valor nominal; pero dicho procedimiento necesita de una cantidad de tiempo significativo, durante el cual
se perdera mucho dinero al parar la cadena productiva, as de ser necesaria la calibracin se hara nica
vez y segn el estudio de costos, esto cuesta $1.000.000.
Se produce mensualmente 2500 cajas de 12 botellas cada una y se desea saber si la manera de actuar fue
o no fue acertada, por lo que es necesario dar respuesta a los siguientes interrogantes.
a. Cul debe ser la media y el rango promedio de los datos simulados que permiten presentar los
resultados del informe?
b. Qu se puede concluir y esperar del proceso de llenado a la luz de la informacin presentada?
c. Cul es la situacin real del proceso?
d. A pesar que se minti en la presentacin de los resultados se hizo en busca de un beneficio
econmico para le empresa?
e. Determine el mximo costo de la calibracin por debajo del cual la manera de actuar del ingeniero
de calidad es totalmente deshonrosa para con la empresa?
18. A qu valor se debe incrementar el Cp de un proceso para que su variabilidad se reduzca en un
porcentaje 1 ?
19. Demuestre:
=
+
2
= 3 = 3 Para todo proceso centrado
86
CAPTULO 4
CARTAS DE CONTROL
En este captulo se presente todo lo relacionado con los conceptos y dems aspectos
de las distintas Cartas de Control con las cuales se pueden detectar lo antes posible
cambios en el proceso que puedan dar lugar a la produccin de unidades defectuosas.
87
4.
CARTAS DE CONTROL
4.1.
GENERALIDADES
Las cartas de control son la herramienta ms poderosa para analizar la variacin en la mayora de los procesos.
Han sido difundidas exitosamente en varios pases dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atencin en identificar las variaciones del proceso debido a la entrada
causas especiales. Adems, sirven para determinar de manera sencilla si un proceso se encuentra bajo Control
Estadstico.
Se dice que un proceso est bajo Control Estadstico cuando presenta causas comunes de variacin nicamente,
cuando ocurre esto tenemos un proceso estable y predecible. Cuando existen causas especiales el proceso est
fuera de Control Estadstico; las grficas de control detectan la existencia de estas causas en el momento en que se
dan, lo cual permite que se puedan tomar acciones al momento.
4.1.1.
TIPOS DE CAUSAS
Causas Especiales: Son causas que pueden ser identificadas y que se necesitan descubrir y eliminar; por ejemplo,
el desgaste en una herramienta de corte utilizada en el proceso de ensamblado de alguna pieza. Estas causas
provocan que el proceso no funcione con su variabilidad natural; por lo tanto, es necesario intervenir el proceso. El
objeto del Control Estadstico de Calidad, es encontrar y separar estas Causas Asignables, as estas no afecten
considerablemente el proceso. Estas causas se comportan de manera irregular e inestable en el tiempo, por lo que
resultan imprevisibles. Cuando existen puntos que se encuentran fuera de los lmites de control o los puntos
mustrales marcan tendencias, decimos que el proceso est fuera de control.
Causas comunes: La caracterstica principal que define a este tipo de causas es que actan constantemente, de
una forma estable, provocando una variabilidad homognea y sobre todo previsible. Son causas que aparecen y
desaparecen de forma aleatoria, produciendo una variabilidad regular que podemos disminuir pero no eliminar. Este
tipo de causas son inevitables en el proceso y tratar de eliminarlas puede resultar estril y en la mayora de los
casos extremadamente caro. Por lo que no pueden ser reducidas o eliminadas a menos que se modifique el proceso.
Por otra parte estas variaciones dentro de ciertos lmites pueden ser totalmente tolerables y no causan reales
disminuciones en la calidad del producto. Estas variaciones se aceptan y se les consideran inherentes al proceso.
Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias no controladas
(causas no asignables) se dice que est funcionando bajo control estadstico.
4.2.
COMPONENTES DE UNA CARTA DE CONTROL.
A continuacin se muestra una carta de control tpica, que representa alguna caracterstica de calidad de un
producto.
88
Lnea Central (LC): Esta lnea representa el valor promedio de la caracterstica de calidad que corresponde al
estado bajo control.
Lmite de Control Superior (LCS) y Lmite de Control Inferior (LCI): Representan el valor mximo y mnimo que
debe tomar la caracterstica de calidad que se est analizando, para considerar que el proceso se encuentra bajo
control estadstico. Estos valores, son calculados matemticamente, y la forma de calcularlos as como los
parmetros que se utilizan para ello, depende del tipo de carta que se dese construir.
4.3.
OBJETIVOS DE LAS CARTAS DE CONTROL.
Estandarizar los procesos.

Verificar si el proceso est bajo control estadstico.
Ayudar a reducir la variabilidad.
Monitorear el proceso.
Inferir sobre tendencias futuras.
Proveer evidencias de problemas de calidad.
Ofrecer informacin confiable para tomar acciones oportunas.
Cuando un proceso est en control estadstico puede predecirse su desempeo respecto a las especificaciones. En
consecuencia, tanto el productor como el cliente pueden contar con niveles consistentes de calidad y ambos pueden
contar con costos estables para lograr ese nivel de calidad.
4.4.
VENTAJAS DE UTILIZAR CARTAS DE CONTROL

Son una tcnica probada para mejorar la productividad del proceso.
Es una herramienta simple y efectiva para lograr el control estadstico en un proceso
El operario puede dar informacin en el momento preciso para tomar acciones sobre el proceso
89

Se logran mejoras considerables en los costos
Dan una indicacin de cmo intervenir el proceso.
4.5.
ANLISIS DE PATRONES DE COMPORTAMIENTO EN LAS CARTAS DE CONTROL
Una carta de control puede indicar una condicin fuera de control an cuando ningn punto particular se localice
fuera de los lmites de control. Esto quiere decir que los datos graficados no siguen un patrn aleatorio o no
sistemtico. En esta seccin, analizaremos algunos de esos patrones que se pueden presentar y que indicaran que
el proceso no se encuentra bajo control.
Dependiendo del patrn que se presente, se pueden hacer inferencias y hacer que el analista centre la bsqueda de
las causas especiales sobre algn aspecto en particular del proceso, as mismo, la informacin obtenida puede
utilizarse para la toma de acciones de tipo correctivo y preventivo en el futuro. Es importante aclarar, que los
patrones de comportamiento deben ser eliminados para que se pueda considerar que el proceso se encuentra bajo
control.
En general, los grficos de control se limitan a registrar la variabilidad existente.
Nuestra labor consistir en interpretar la informacin que nos proporcionan, identificando las posibles variaciones
y anomalas que pueden presentarse y aplicando las medidas convenientes en cada caso. A continuacin se
muestran los patrones ms comunes en las cartas de control.
Punto fuera de control
Un punto nico o varios por fuera de los lmites indican que el proceso no se encuentra bajo control estadstico.
Casi siempre son originados por la intervencin de una causa especial de variacin. Cuando son pocos puntos los
que caen por fuera, se proceden a eliminarlos de la carta y volver a calcular los lmites de control. A este
procedimiento se le conoce como cepillado
90

Grfica. Puntos (crculos rojos) por fuera de los lmites de control
Tendencias
Corresponde a una serie de puntos que se ubican en forma ascendente o descendente. Las tendencias suelen
deberse al desgaste o deterioro gradual de una herramienta o de algn otro componente crtico del proceso,
tambin pueden ser resultado de causas humanas, tales como fatiga del operador o la presencia del supervisor as
como resultar de influencias estacionales, como la temperatura. Se puede considerar que el proceso est fuera de
control estadstico cuando se encuentran 7 o ms puntos con este patrn.
Grfica. Tendencia de puntos en forma ascendente.

Corrimiento en la media del proceso
Un nmero inusual de puntos consecutivos que caen a un lado de la lnea central casi siempre es una indicacin de
que el promedio del proceso se desplaz de forma repentina. Una regla sencilla para detectar el cambio es que si 8
puntos consecutivos caen en un lado de la lnea central, se podra llegar a la conclusin de que la media cambio.
91
Grfica. Corrimiento en la media del proceso

Estratificacin
Sucede cuando una sucesin de puntos tienden a ubicarse sobre la lnea central. Puede ser ocasionado por unos
lmites de control mal calculados.
Grfica. Patrn de estratificacin.

Patrones cclicos
Son patrones que se presentan en determinados espacios de tiempo. Son atribuibles a causas especiales
entran y salen al proceso, generando picos o valles.
que
92
Grfica. Patrn de estratificacin

Mezclas de lotes
Se presenta cuando los puntos graficados se localizan cerca o fuera de los lmites de control, con muy pocos puntos
cerca de la lnea central, puede ser causada por un sobre control de los operadores sobre el proceso o cuando se
toman productos de varias fuentes con diferente media.
Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas estadsticas, sino tambin
tener un conocimiento profundo del proceso.
4.6.
CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE CONTROL
Para que tenga sentido la aplicacin de los grficos de control, el proceso ha de tener una estabilidad suficiente que,
an siendo aleatorio, permita un cierto grado de prediccin. En general, un proceso catico no es previsible y no
93

puede ser controlado. A estos procesos no se les puede aplicar el grfico de control ni tiene sentido hablar de
capacidad.
En lo sucesivo, se supondr que los procesos tienen un cierto grado de estabilidad. Podemos distinguir dos casos:
El proceso est regido por una funcin de probabilidad cuyos parmetros permanecen constantes a lo
largo del tiempo. Este sera el caso de un proceso normal de media constante y desviacin tpica
constante. Este es el caso ideal y al que se pueden aplicar los grficos de control para detectar la
presencia de causas asignables.
El proceso est regido por una funcin de probabilidad alguno de cuyos parmetros vara ligeramente a lo
largo del tiempo. Este sera el caso de un proceso normal cuya media vara a lo largo del tiempo (por
ejemplo, una herramienta de corte que va desgastando la cuchilla de corte).
Debe tratar de conocerse todo lo que sea posible de los fundamentos tecnolgicos del proceso, ya que puede dar
pistas sobre el tipo de distribucin que seguirn los datos. En ningn caso debe darse la normalidad por supuesta.
Debe comprobarse y en caso de que los datos no sean normales, deben aplicarse mtodos especiales.
4.7.
CARTAS DE CONTROL Y PRUEBA DE HIPTESIS.
Existe una estrecha relacin entre las cartas de control y la prueba de hiptesis; si decimos que:
:
1 :
Cuando un punto se localiza dentro de los lmites de control es equivalente a no poder rechazar la hiptesis de
control estadstico, y cuando un punto se localiza fuera de los lmites de control es equivalente a rechazar la
hiptesis de control estadstico.
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o errores.
o : Decir que el proceso est fuera de control, cuando en realidad no lo est, es decir.
o : Decir que el proceso est bajo control, cuando en realidad no lo est. Es decir.
94
As mismo el error tipo 1 representa el complemento de la confiabilidad con la que se maneja la prueba de hiptesis
y el error tipo 2 el complemento de la potencia que tiene la carta para detectar puntos por fuera de los lmites de
especificacin.
Entonces:
La potencia:1 ; es1 = {h0| 0 }
La confiabilidad:1 ; es 1 = {h0 |0 }
Estos riesgos son inversamente proporcionales, puesto que cuanto ms confiable se es, la potencia disminuye, y
cuanto ms potente se es la confiabilidad es menor.
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se incrementa el riego de
error tipo II y viceversa. Con lmites de control de 3-sigma la probabilidad de error tipo I es de 0.0027.
4.8.
TIPOS DE CARTAS DE CONTROL
En general, los grficos de control dirigen la atencin hacia las causas especiales y hacia la magnitud de la
variacin. Aportan pruebas de que el proceso est bajo control estadstico. Se pueden analizar en ellos tanto
variables como atributos.
Segn las caractersticas a estudiar, los grficos de control se pueden clasificar de la siguiente manera: Por
variables o por atributos.
Las cartas de control por variables son aplicables a los siguientes campos:
Carta
X R
X S
Descripcin
Medias y Rangos
Medias y desviacin
estndar.
Individuales
Campo de aplicacin.
Control de caractersticas individuales.
Control de caractersticas individuales.
Control de un proceso con datos variables que no pueden ser muestreados en
lotes o grupos.
Tabla. Aplicacin de las cartas de control por variables

De igual manera, las cartas de control por atributos se aplican a los siguientes casos:
95

Carta
P
NP
C
U
Descripcin
Proporciones
Nmero de defectuosos
Defectos por unidad
Promedio de defectos por
unidad
Campo de aplicacin.
Control de la fraccin global de defectuosos de un proceso.
Control del nmero de piezas defectuosas
Control de nmero global de defectos por unidad
Control del promedio de defectos por unidad.
Tabla. Aplicacin de las cartas de control por atributos

4.8.1.
CARTAS DE CONTROL PARA VARIABLES
Muchas caractersticas de calidad pueden expresarse en trminos de una medicin numrica, por ejemplo, el
dimetro de un rodamiento podra medirse con un micrmetro y expresarse en milmetros. Una caracterstica de
calidad que se puede medir con un instrumento de medicin, se le conoce como variable.
Cuando se trata con una caracterstica de la calidad que es una variable, por lo general es necesario monitorear
tanto el valor medio de la caracterstica de calidad como su variabilidad. El control del promedio del proceso, o nivel
de calidad medio, suele hacerse con la carta de control para medias, o carta .
Por su parte la variabilidad del proceso puede monitorearse con una carta de control para la desviacin estndar,
llamada carta S, o bien con una carta de control para el rango, llamada carta R. Por lo que tenemos:

Las cartas y R ( S) se encuentran entre las tcnicas estadsticas de monitoreo y control de procesos en lnea
ms importantes y tiles.
Cartas de Medias - Rangos (X-R)

El conjunto de estos dos grficos es el procedimiento de control estadstico de proceso ms utilizado. Su uso es
demandado cuando se tiene una caracterstica en particular que se desea controlar, puesto que estos grficos se
utilizan cada vez para una sola caracterstica.
La carta monitorea la variabilidad entre las muestras y la carta R mide la variabilidad dentro de las muestras.
Estas cartas se grafican de forma separada, pero su anlisis es conjunto, solo el hecho de que una no cumpla los
requisitos o criterios establecidos, indica que el proceso no se encuentra bajo control estadstico.
Procedimiento para realizar las cartas de control
Paso 1: Recolectar los datos.
Los datos son el resultado de la medicin de las caractersticas del producto, los cuales deben de ser registrados y
agrupados.
96
Paso 2: Calcule el rango promedio Ry la media del proceso X .

=
=
1 + 2 + +
1 + 2 + +
Paso 3: estime la desviacin para ;

=
Paso 4: Calcule los lmites de control

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

=
=
=
y son constantes que dependen del tamao de la muestra
Lmites de control para la carta

= +
=
=
Para , manejando una filosofa 3
97

= +
=
=
Donde,
2 =
3
2
Nota: Las constantes A2, d2, D3 y D4 se encuentran tabuladas en funcin de n para facilitar el clculo de los lmites de
control, en las tablas de constantes para grficos de control.
Paso 5: Trace la grfica de control y analcela.
Dibuje las lneas de promedios y lmites de control en las grficas.
Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera el comportamiento del proceso.
Grfica. Carta de control X
98
Grfica. Carta de control R

Anlisis de la carta -
Al determinar si un proceso est bajo control estadstico, siempre se analiza primero la grfica R. Debido a que los
lmites de control de la carta dependen del rango promedio. Sin embargo es importante aclarar que el anlisis de
estas cartas es conjunto.
Los lmites de control representan el rango en que se espera se ubiquen todos los Puntos; si el proceso est bajo
control estadstico. Si cualquiera de los puntos cae fuera de los lmites de control o si se observa algn patrn fuera
de lo comn, es posible que alguna causa especial haya afectado el proceso y ste se deber estudiar para
determinar la causa.
Cuando existen puntos fuera de los lmites de control, es necesario revisarlos examinando cada uno de los puntos
por fuera y buscando una causa asignable. Si no se encuentra una causa asignable, el punto se descarta y los lmites
de control se calculan de nuevo utilizando nicamente los puntos restantes. Luego es necesario volver a examinar
para el control, porque con el cambio, los lmites de control se tornan ms estrechos y es posible que los puntos
que inicialmente estaban bajo control ahora no lo estn. Este proceso se realiza hasta que todos los puntos estn
bajo control y se hace tantas veces como sea necesario.
Por otro lado cuando muchos puntos se localizan fuera de control, no es recomendable eliminarlos de manera
arbitraria porque se tendr una situacin insatisfactoria, ya que quedaran pocos datos con los cuales volver a
calcular lmites de control confiables. Este enfoque ignorara mucha informacin til contenida en estos datos.
Adems es poco probable que la bsqueda de una causa asignable para cada punto fuera de control sea exitosa.
Para estos casos lo mejor es concentrarse en el patrn que forman estos puntos.
99

Generalmente, es sencillo identificar la causa asignable asociada con el patrn de puntos fuera de control. Una vez
que se establece un conjunto de lmites de control confiables, la carta de control se usa para monitorear la
produccin futura.
Lmites de control, especificacin y tolerancia natural
Algo que debe tenerse muy claro es que no hay ninguna relacin entre los lmites de control de la carta y los
lmites de especificacin del proceso. Pues los lmites de control estn regidos por la variabilidad natural del
proceso (medida por la desviacin estndar del proceso), es decir, por los lmites de tolerancia natural del
proceso.
La determinacin de los lmites de especificacin es externa. Pueden ser establecidos por la administracin, por los
ingenieros de manufactura, por los desarrolladores/diseadores del producto, teniendo en cuenta las necesidades
de los clientes. Es necesario conocer la variabilidad inherente cuando se establecen las especificaciones, pero
recurdese que no existe ninguna relacin matemtica o estadstica entre los lmites de control y los lmites de
especificacin.
Monitoreo de un proceso a travs de una carta
En el monitoreo de un proceso, una carta detecta un cambio en la media, dependiendo del tamao de este. Si es
considerablemente grande su deteccin ser inmediata, de lo contrario la potencia de la carta ser menor. A este
cambio en la media lo llamaremos corrimiento, y su valor ser determinado por:
=
Donde es el nuevo valor de la media, despus que el corrimiento tuvo lugar. Es importante tener claro que dos
procesos no se pueden evaluar si no se encuentran bajo las mismas circunstancias, es decir, solo se pueden
comparar cuando presentan un mismo corrimiento y una misma desviacin.
Por otro lado, la potencia o capacidad que tiene la carta para detectar un cambio en la media del proceso se calcula
de la siguiente manera. Si el corrimiento fue hacia el lmite superior, se tiene:
1 = (1 > 2 )
Si por el contrario, fue hacia el lmite inferior, se tiene:
1 = (1 < + 2 )
Donde 2 es una relacin entre el corrimiento y la desviacin estndar del proceso, a saber:
2 =
El valor de n dado en esta ecuacin, es distinto al tamao de la muestra para la toma de datos y anlisis del proceso,
pues ahora indica el tamao de la muestra utilizada en el monitoreo.
100

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
() = 1
De la misma manera, si se desea conocer el valor esperado de productos no conformes generados hasta llegar a
una muestra k, se puede hallar, inicialmente, determinando la cantidad generada en el tiempo que se toman las
muestras para el monitoreo (PNC), y se aplica la siguiente ecuacin:
= (1 ) + 2 (1 ) + 32 (1 + 1 (1 )
Un parmetro importante para el monitoreo del proceso, es el tamao de la
muestra a monitorear, esta se puede determinar haciendo uso de la siguiente
ecuacin:
=
+ 1 2
2
Finalmente, existe un factor que mide el nmero de muestras que es necesario analizar antes de encontrar puntos
por fuera de los lmites de control, este factor se conoce como longitud promedio de corrida ( LDP). Su valor se
calcula de la siguiente manera:
Sea () la probabilidad de encontrar puntos por fuera de los lmites de control
Trabajando con alfa en los lmites de control de la carta
=
1
()
; () = 2
Trabajando con alfa medio en los lmites de control de la carta

=
1
()
; () =
Cartas de Medias - Desviaciones (X- )

Cuando es muy comn la utilizacin de las cartas , en ocasiones es deseable estimar la desviacin estndar
del proceso directamente, en vez de indirectamente mediante el uso de rango R. Esto lleva a las cartas de control
para , donde S es la desviacin estndar. En general las cartas - son preferibles a sus contrapartes
familiares, las cartas ; , cuando:
El tamao de la muestra n es moderadamente grande.
101

Cuando el tamao de la muestra n es variable.
El procedimiento para realizar las cartas de control - es similar al de las cartas X- la diferencia consiste en
que el tamao de la muestra puede variar y es mucho ms sensible para detectar cambios en la media o en la
variabilidad del proceso.
Mientras la Carta X monitorea el promedio del proceso para vigilar tendencias, la Carta S monitorea la variacin en
forma de desviacin estndar.
Establecer y operar las cartas de control - requieren aproximadamente la misma secuencia de pasos que para
la carta X- . Las formulas a utilizar son:
=
=
( )2
=1
1 +2 +3 ++
Lmites de control cartas; X

= + 1
=
= 1
1 =
3
2
Lmites de control Carta

= 4
=
= 3
3 ; 4 4, .
EJEMPLOS:
1.
La empresa Magdalena S.A. fabrica repuestos para una ensambladora automotriz. Las especificaciones de
la ensambladora son 12,7 3 milmetros. El departamento de calidad utiliza una carta X barra para
monitorear el proceso con muestras de tamao 5. El riesgo de que una carta me indique que la media del
102

proceso ha cambiado siendo que no ha cambiado es de 0,012. Los lmites de control de la carta son 12,5
milmetros y 14,5 milmetros.
a. Calcular el % de productos no conformes que produce Magdalena S.A.
b. Si se acepta a lo sumo 12% de productos no conformes, Cunto es la probabilidad de que una carta
con = 0,10 = 9, detecte el cambio en la media del proceso cuando se est produciendo el
porcentaje de productos no conformes fijado anteriormente?
c. Qu pasa con de la carta del inciso b) si trabajamos con = 16 en lugar de = 9? Justifique
su respuesta.
Datos:
= 12,7
= 15,7
= 9,7
Para la carta ,
=5
= 0,012 1 = 0,988
= 14,5
= 12,5
SOLUCION:
a) =
+
2
14,5+12,5
2
= 13.5
NOTA: Siempre es recomendable trabajar con /2 pues la carta se hace ms potente, ya que los lmites de la misma
se tornan ms estrechos, no obstante es opcin del estudiante trabajar con alfa.
Conociendo el valor LCS podemos calcular . Los lmites de control se trabajan con /2.
= + /2

/2
/2 = 0,006
14,5 13,5 5
= 0,89
2,51
103

15,7 9,7
=
= 1,12
6
6 (0,89)
= ; =

;
3
3
15,7 13,5 13,5 9,7

;
= 0,824; 1,423
3(0,89)
3(0,89)
= = 0,824
Como decimos que el proceso esta descentrado. Adems, = = 0,824 lo cual nos indica que el
proceso est arrojando productos no conformes por el lmite superior.
Ahora procedemos a determinar el porcentaje de PNC.
%= (>)= 1 (<)= 1 <
%= 1 < 15,713,5 = 1 P Z < 2,47 = 1 0,99324

0,89
%= 0,0068 = 0,68%
b) Si: % 0,12, = 0,10 y = 9;

Dado que los productos no conformes se estn presentando por el lmite superior y = 0,10 entonces el valor de Z
es:
= 0,88 = 1,175
A partir del valor de Z podemos hallar el nuevo valor de la media:
=
= 15,7 1,175 0,89 = 14,65

= = 14,65 13,5 = 1,15
104
2 =
1,15
=
= 1,29
0,89
La potencia con la que la carta detectara el cambio en la media es:

1 = (1> 2 ) ; = 0,10 = 1,28
1 = 1 [1< (1,28 1,29 9)] = 1 P 1 < 2,59 = 1 0,0048
1 = 0,9952
c) =
Sabemos tericamente que mientras ms grande sea el tamao de la muestra, ms confiable es el resultado del
monitoreo. Tambin sabemos que el error tipo I () es el complemento de la confiabilidad de la carta (1 ), por lo
tanto si n aumenta, la carta se hace ms confiable y por consiguiente ser menor.
Esto se comprueba a continuacin:
=
+ 1
2
= 2 1 = 1,29 16 0,9952
= 5,16 2,59 = 2,57 = 1= 2,57
Por tabla de Distribucin Normal tenemos que para 1= 2,57:

1 = 0,9949 = 0,0051
Como podemos ver, el valor de disminuy con respecto al valor dado en el inciso b) y esto es, como se dijo
anteriormente, por el aumento que se dio en el tamao de la muestra.
2. FIBRAS S.A. es una empresa dedicada a la fabricacin de piezas en materiales compuestos a base de fibra
de vidrio, kevlar y fibra de carbono. Sus clientes son empresas de alta tecnologa que precisan incorporar
a sus diseos componentes con un elevado lmite elstico y bajo peso. Las exigencias de estos clientes son
cada vez mayores y las especificaciones impuestas a la pieza son 7,5 uf y 12,5 uf.
FIBRAS S.A. es licenciataria de una empresa norteamericana, AMERICAN COMPOSITES, Inc., que es quien
aporta el know-how. En este acuerdo los tcnicos de AMERICAN COMPOSITES realizaron el diseo de los
procesos de fabricacin, formaron al personal de FIBRAS y aportaron toda la documentacin tcnica
necesaria para operar los procesos de fabricacin, adems estabilizaron el proceso con 50 muestras de
tamao 5, arrojando como resultado una media de 10,2 uf y un rango promedio de 1,93 uf. A partir de ese
momento, los tcnicos de FIBRAS S.A se hicieron cargo de la operacin de la planta, monitoreando el
proceso con muestras de tamao n=7. Adems, AMERICAN COMPOSITES realiza una auditora anual de los
procesos, comprobando que stos se llevan a cabo sin desviaciones de las instrucciones tcnicas.
105

Recientemente FIBRAS S.A est en negociando un importante contrato de suministro de componentes. De
momento se encuentran en la fase de aprobacin del prototipo. Para ello debe presentar unos prototipos,
acompaados de sus protocolos de ensayos, en los que se debe indicar el valor medio de la caracterstica
de calidad, con un nivel de confianza del 95%.
FIBRAS S.A. est en capacidad de producir 25000 piezas por jornada laboral. Se trabaja durante 3 turnos
las 24 horas del da, y las muestras para el monitoreo se toman cada 30 minutos.
Si la media del proceso cambia se cambia a un valor de 11,1 uf:
a. Realice un anlisis de la capacidad del proceso y calcule la probabilidad de que el cambio en la media
se detecte entre las primeras 5 muestras (a partir del momento en que dicho cambio tuvo lugar).
Calcular el valor esperado de productos no conformes fabricados hasta el momento.
b. Hay una disminucin en la media del proceso en 0,8 uf. Disee una carta X barra que detecte con una
probabilidad del 90%, el cambio en alguna de las 3 muestras consecutivas a partir del cual el cambio
tuvo lugar y con riesgo tipo 1 de 0,06.
c. Si la media del proceso cambiara a 10,8 uf, Cul es el mnimo valor que puede tomar el CP general
del proceso, tal que por lo menos el 95% de los artculos producidos sean conformes?
SOLUCION:
Datos:
= 7,5
= 12,5
=5
= 10,2
= 1,93
1 = 0,95
= 25000 /
= 3 24
= 30
= 7
= 11,1
106
1,93
=
= 0,8297
2 2,326
Anlisis de la capacidad del proceso con la media original: = ,

=

12,5 7,5
=
= 1,0043
6
6 0,8297
> 1, .
= ;

12,5 10,2
=
= 0,9240
3
3 0,8297

10,2 7,5
=
= 1,0847
3
3 0,8297
= = 0,9240
El proceso esta descentrado y arrojando productos no conformes por el lmite superior.

=

12,5 10,2
=
= 2,7720
0,8297
( > = 1 ( < 2,7720)= 0,0028 % = 0,28%

=

7,5 10,2
=
= 3,2541
0,8297
( > I )= ( < -3,2541)= 0,0006 % = 0,06%

% = 0,34%
Anlisis de la capacidad del proceso con la media corrida: = ,

=

12,5 7,5
=
= 1,0043
6
6 0,8297
> 1, .
= ;
107

12,5 11,1
=
= 0,5624
3
3 0,8297

11,1 7,5
=
= 1,4463
3
3 0,8297
= = 0,5624
El proceso esta descentrado y arrojando productos no conformes por el lmite superior.

=

12,5 11,1
=
= 1,6873
0,8297
( > = 1 ( <1,6873)= 1 0,9540 = 0,046 % = 4,6%

=

7,5 11,1
=
= 4,3389
0,8297
( > I )= ( <4,3389)= 0,0000 % = 0%

% = 4,6%
Ahora calculamos la probabilidad de detectar el cambio en las primeras 5 muestras: 1 5 .

1 = 1 > 2
= 0,05 = 1,645 = 1,645
2 =
11,1 10,2
=
= 1,0847
0,8297
1 = (1 > 1,645 1,0847 7)

1 = 1 ( 1 < 1,2248 = 1 0,1103
1 = 0,8897 = 0,1103
1 5 = 1 0,11035 = 0,9999
El valor esperado de productos no conformes con = 11,1 es:

= (1 ) + 2(1 ) + 3 2 (1 )+ 4 3 (1 )+ 5 4 (1 )
108
Pero: = % , entonces:
= % (1 1 + 2 + 3 2 + 4 3 +5 4 )
Tenemos que:
% = 4,6%
= 25000
= 53
1
60 .
53
4,6% 0,8897 [30 + 60 0,1103 + 90
0,11032+1200,11033+1500,11034]
81
Hay un corrimiento hacia la izquierda: = 0,8

1 3 = 0,90
= 0,06
= 11,1 0,8 = 10,3
Para calcular los lmites de control debemos conocer primero el valor de n:

2 =
0,8
0,8297
= 0,9642
1 3 = 0,90 = 3 0,1= 0,4641 1 = 0,5359

+ 1
=
2
0,06 + 0,5359
0,9642
1,555 + 0,090
0,9642
Ahora si podemos calcular los lmites de control de la carta :

= = 10,3
= +
= 10,3 + 0,06
= 10,3 0,06
0,8297
3
0,8297
3
= 10,3 + 1,555
= 10,3 1,555
0,8297
3
0,8297
3
= 11,0448
= 9,5551
109
Observacin: en esta ocasin se decidi trabajar con y no con /2 para calcular los lmites de control.
Si: = , y % = , , entonces:
( > = 1 0,05 = 0,95
Buscando en la tabla de distribucin Normal, tenemos que:

= 1,645
Con el valor de podemos hallar el valor de y posteriormente calcular el valor de :

=

12,5 10,8
1,645 =
= 1,0334

12,5 7,5
=
= 0,8063
6
6 1,0334
< 1, por lo tanto decimos que el proceso no es capaz.
Numero de Replicas
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 toman cada hora una muestra de 4 sacos que han sido llenado consecutivamente, los datos obtenidos
en 3 das de muestra se observan en la siguiente tabla. La confiabilidad de la carta es 95%.
1
2
3
4
5
6
7
8
9
10
11
50,2
50,3
49,8
50
50,2
49,2
49,6
50,2
50,1
50,8
48,8
49,9
50,2
50
49,4
49,8
50,7
49,9
49,8
49,3
49,6
50,7
49
50
50
50,1
49,1
49,1
49,5
49,5
49
49,8
49,9
50,1
49,3
49,7
50,5
49,9
49,8
49,9
50,6
49,3
50,4
50,1
110
12
13
14
15
50,3
49,3
50,2
48,8
49,9
49,3
50,5
50,2
49,4
49,2
50,2
49,5
49,3
50,5
50,9
49,6
a. Realice una carta de control X-R y analice los resultados. El proceso est bajo control estadstico?
b. Cul es la capacidad del proceso? Se estn generando productos no conformes?
Solucin
Datos:
= 51
= 49
=4
= 0,05
0,05 = 1,654
Numero de Replicas
a)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Numero de Muestras ( )
1
2
3
50,2
50,3
49,8
50
50,2
49,2
49,6
50,2
50,1
50,8
48,8
50,3
49,3
50,2
48,8
50,1
49,3
49,7
50,5
49,9
49,8
49,9
50,6
49,3
50,4
50,1
49,3
50,5
50,9
49,6
49,8
49,95
49,875
50
49,75
49,7
49,725
50,025
49,425
50,15
49,875
49,725
49,575
50,45
49,525
49,8366667
49,9
50,2
50
49,4
49,8
50,7
49,9
49,8
49,3
49,6
50,7
49,9
49,3
50,5
50,2
49
50
50
50,1
49,1
49,1
49,5
49,5
49
49,8
49,9
49,4
49,2
50,2
49,5
R
1,2
1
0,3
1,1
1,1
1,6
0,4
1,1
1,1
1,2
1,9
1
1,3
0,7
1,4
1,0933
Para realizar los clculos debemos conocer primero el valor de la media del proceso y el rango promedio, para ello
es necesario hacer el siguiente procedimiento:
111

Donde:
=
4
=1
=
Media del Proceso
15
=1
15
= 49,8367
Rango Promedio
=
15
=1
15
= 1,0933
Sabemos que
=
1,0933
=
= 0,5310
2
2,059
Antes de hallar los lmites de control de las cartas debemos conocer el estado del proceso.
=

51 49
=
= ,
6
6 0,5310
Como < 1decimos que el proceso no es capaz

=
( ; )
=
49,8367 49
=
= 0,5252
3
3 0,5310
51 49,8367
=
= 0,7303
3
3 0,5310
= 0,5252; 0,7303 = 0,5252

Como entonces el proceso no esta centrado. Adems son menores que 1 entonces me estn
arrojando productos no conformes por ambos lmites.
112
51 49,8367
=
= 2,2 % = 1 < 2,2 = 1 0,9861
0,5310
= 1,39%
49 49,8367
=
=
= 1,58 % = < 1,58 = 5,71%
0,5310
El proceso arroja 7,1% de productos no conformes.

Entonces se dice que el proceso no es capaz, no est centrado y arroja 7,1% de productos no conformes.
Limites carta X-barra

= + /2
= /2
= 49,8367 + 1,96
= 49,8367 1,96
0,5310
4
0,5310
4
= 50,357
= 49,316
Lmites de la carta
Para calcular los lmites de la carta se deben conocer los valores de las constantes D3 yD4 de la tabla de
constantes (seccin 8).
Con
=4
3 = 0
4 = 2,282
= 4 = 1,0933 2,282 = 2,4949
= 3 = 0 1,0933 = 0
= = 1,0933
Las grficas para ambas cartas son las siguientes:
113
Carta de Control del proceso actual.
Carta de Control del proceso actual.
La carta de control nos muestra que hay un punto por encima del lmite de control superior, es decir, que el
proceso no est bajo control estadstico. Para procurar hacer que el proceso est bajo control es necesario
eliminar la causa que ocasiona la alteracin (cepillar) y disear una nueva carta.
114
Volvemos a calcular los parmetros y posteriormente los lmites de control de las cartas y R:
Donde:
=
4
=1
=
Media del Proceso
14
=1
14
= 49,7929
115

Rango Promedio
=
14
=1
14
= 1,12143
Sabemos que
=
1,12143
=
= 0,5446
2
2,059
Limites carta X-barra

= + /2
= /2
= 49,7929 + 1,96
= 49,7929 1,96
0,5446
4
0,5446
4
= 50,3266
= 49,2592
Lmites de la carta
Para calcular los lmites de la carta se deben conocer los valores de las constantes D3 yD4 de la tabla de
constantes.
Con = 43 = 0
4 = 2,282
= 4 = 1,12143 2,282 = 2,5591
= 3 = 0 1,12143 = 0
= = 1,12143
Las nuevas cartas de control para el proceso cuando se ha cepillado son las siguientes:
116
Carta de Control actualizada.
Carta de Control actualizada
En las grficas podemos ver que ningn punto est por fuera de los lmites de control. Por consiguiente podemos
decir que el proceso est bajo control estadstico.
Ahora que el proceso est bajo control estadstico, procedemos a calcular su capacidad y verificar si se
estn o no productos no conformes:
=

51 49
=
= 0,6120
6
6 0,5446
117
Como < 1 decimos que el proceso no es capaz

=
( ; )
=
49,7929 49
=
= 0,4853
3
3 0,5446
51 49,7929
=
=
= 0,7388
3
3 0,5446
= 0,4853; 0,7388 = 0,4853

Como entonces el proceso no est centrado. Adems son menores que 1 entonces el proceso
est arrojando productos no conformes por ambos lmites. Sin embargo, = = 0,4853, esto nos indica
que el proceso est arrojando mayor porcentaje de productos no conformes por el lmite inferior.
51 49,7929
=
=
= 2,216
0,5446
% = 1 < 2,216 = 1 0,9866 = 1,34%

=
49 49,7929
=
= 1,455 % = < 1,455 = 7,28%
0,5446
El proceso est arrojando 1,34% de PNC por el lmite superior y 7,28% de PNC por el lmite inferior. Decimos
entonces que el proceso no es capaz, no est centrado y arroja 8,62% de productos no conformes.
4.8.2.
CARTAS DE CONTROL PARA ATRIBUTOS
Las cartas de control por atributos constituyen una herramienta esencial para controlar caractersticas de calidad
cualitativas, esto es, caractersticas no cuantificables numricamente. El termino atributo, es la propiedad que tiene
una unidad de producto de ser buena o mala, esto es, la caracterstica de calidad est dentro de los requisitos
especificados o no. Este tipo de carta surge debido a que en muchas situaciones no es fcil medir un producto o una
parte, o la calidad puede obtenerse como un atributo conforme o no con unas especificaciones establecidas. Estas
tcnicas analizan tanto las caractersticas buenas como malas, sin hacer referencia al grado. Entonces, se acepta o
se rechaza contando cuntas unidades tienen o no el defecto, o comprobando el nmero de tales eventos que
ocurren en la unidad, grupo o rea, y comparando con el criterio de aceptacin establecido. Se acepta o rechaza la
pieza o el lote sin asociar un valor concreto. El atributo a controlar se suele elegir de forma que sea fcilmente
observable y por tanto econmico de controlar.
Dado que los atributos son caractersticas de calidad no medibles, los grficos de control por atributos se basaran
en la determinacin de la cantidad o porcentaje de unidades defectuosas en una poblacin de productos o partes
obtenidos de un proceso. Antes de continuar es conveniente definir los trminos siguientes:
118

a. Defecto: cualquier caracterstica individual que no est de acuerdo con los requisitos de calidad
establecidos.
b. Defectuoso: cualquier unidad que tiene uno o ms defectos.
Las cartas de control por atributos se pueden clasificar de la siguiente manera:
Grfico P o de fraccin de unidades defectuosas.

Grfico NP o de nmero de unidades defectuosas por muestra.
Grfico C o de nmero de defectos por muestra.
Grfico U o de nmero de defectos por unidad
Ventajas frente a las cartas de control por variables

1.
2.
3.
4.
5.
Las cartas por atributos pueden ser utilizadas para estudiar diferentes tipos de errores de forma
simultnea, en tanto que en un grfico de variable slo sirve para estudiar una caracterstica de calidad.
La toma de datos para la construccin de las cartas por atributos es mucho ms simple que por variable.
Simplemente se necesita conocer si el artculo inspeccionado cumple o no con las especificaciones
requeridas.
Las cartas por atributos se pueden utilizar en inspecciones visuales para atributos, tales como limpieza,
etiquetado correcto, color correcto, etc.
Las cartas por variables necesitan un menor tamao de muestra.
Las cartas por atributos son particularmente tiles en la industria de servicios y en los esfuerzos de
mejoramiento de la calidad fuera de la manufactura, ya que no es sencillo medir en una escala numrica
un gran nmero de caractersticas de calidad.
CARTA P
El grfico p mide la proporcin de unidades defectuosas en relacin al tamao de la muestra, se utiliza cuando los
individuos de un proceso se clasifican en defectuosos-no defectuosos, enfermo-sano, conforme-no conforme, etc., y
se desea controlar la proporcin p de individuos en uno de estos grupos.
El control del proceso se realiza anotando la proporcin de individuos defectuosos en el grfico. Los principios
estadsticos que sirven de base a la carta de control p se basan en la distribucin Binomial.
Para este grafico se necesitan muestras grandes, recogidas en un mismo periodo de operacin del proceso, y estas
han de tener un tamao tal que permita la aparicin de defectos. Del mismo modo el grafico de control p se puede
utilizar cuando el tamao de la muestra es o no constante.
La distribucin de este estadstico sigue la distribucin binomial por tanto:
__
119
p2
p(1 p)
n
Pasos a seguir en la implementacin del grfico p con n constante:
1.
Frecuencia y tamao de la muestra
Se establece la frecuencia con la cual los datos sern tomados (horarios, diarios, semanales). Los intervalos cortos
entre tomas de muestras permitirn una rpida retroalimentacin al proceso ante la presencia de problemas. Los
tamaos de muestra grandes permiten evaluaciones ms estables del desarrollo del proceso y son ms sensibles a
pequeos cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales aunque no
necesariamente se tiene que dar esta situacin, el tamao de muestra debera de ser mayor a 30. El tamao de los
subgrupos ser de 25 o ms.
2. Clculo del porcentaje defectuoso (p) del subgrupo. Se registra la siguiente informacin para cada
subgrupo:
El nmero de partes inspeccionadas n
El nmero de partes defectuosas np
Calcule la fraccin defectuosa (p) para cada muestra mediante:
=
3. Clculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente frmula:
=
=0
4. Calcular los lmites de control del grfico mediante las formulas:

(1 )
= + 3
= 3
(1 )
120

As mismo cuando p y/o n es pequeo, el lmite de control inferior puede resultar negativo, en estos casos el valor
del lmite se asumir como: 0 Ntese que los valores de los lmites superior e inferior cambian con el tamao del
subgrupo:
Cuanto mayor es n ms precisin se tiene en la estimacin del parmetro p.
Los lmites de control as elegidos estn basados en la aproximacin a la normal. En general, esta
aproximacin es vlida para la mayora de los procesos industriales en los cuales la proporcin
defectuosa se puede estimar en partes por cien. En aquellos otros procesos industriales en los
cuales se habla de defectos por mil, se utiliza ms la aproximacin a la ley Poisson.
5. Se traza la grfica y se analizan los resultados. A continuacin se muestra la estructura de una carta p:
La carta P consiste en tres lneas de gua: Lmite de control inferior, lnea central y lmite de control superior. La
lnea central es la proporcin de defectos promedio y los dos lmites de control son fijados ms o menos a tres
desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn se establezca, cada punto
corresponde a un valor pi.
Ejemplo con n constante

Un fabricante de latas de aluminio registra el nmero de partes defectuosas, tomando muestras cada hora de 40
latas, con 25 subgrupos. Construir la carta de control p (proporcin de defectuosos) para la siguiente serie de
datos obtenida durante el muestreo adems dar un informe de la interpretacin de carta obtenida.
Subgrupo
Latas defectuosas
121

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
9
20
8
7
14
6
11
11
4
8
10
6
8
13
2
7
5
10
4
3
13
12
15
18
3
= 40
= 25
Primeramente se calcula del porcentaje defectuoso (p) del subgrupo. p =
Subgrupo
Latas defectuosas
1
2
3
4
5
6
7
9
20
8
7
14
6
11
0,225
0,5
0,2
0,175
0,35
0,15
0,275
np
n
122

8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
11
4
8
10
6
8
13
2
7
5
10
4
3
13
12
15
18
3
0,275
0,1
0,2
0,25
0,15
0,2
0,325
0,05
0,175
0,125
0,25
0,1
0,075
0,325
0,3
0,375
0,45
0,075
Luego se calcula de porcentaje defectuoso promedio para los k subgrupos:

p=
p=
=1
nk
227
40 25
p = 0,227
Luego se calculan los lmites de control de la carta:
LCS = p + 3
p(1 p)
n
0,227(1 0,227)
40
LCS = 0,42569
LCS = 0,227 + 3
LC = p
LC = 0,227
123
LCI = p 3
p(1 p)
n
0,227(1 0,227)
40
LCI = 0,0283
LCI = 0,227 3
Despus se construye la carta y se analizan los resultados
Como hay 2 puntos por fue de los lmites de control se hace un cepillado eliminado los datos atpicos.
Subgrupo
1
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Latas
defectuosas
9
8
7
14
6
11
11
4
8
10
6
8
13
2
7
P
0,225
0,2
0,175
0,35
0,15
0,275
0,275
0,1
0,2
0,25
0,15
0,2
0,325
0,05
0,175
124

17
18
19
20
21
22
23
24
25
5
10
4
3
13
12
15
18
3
0,125
0,25
0,1
0,075
0,325
0,3
0,375
0,45
0,075
Sin los puntos por fuera los nuevos lmites ahora son:
LCS = 0,3970
LC = 0,2054
LCI = 0,01379
Este proceso est bajo control estadstico debido a que en la carta de control no se encontr puntos por fuera de
los lmites de control, ni tampoco secuencias, ni patrones cclicos, entonces se concluye que no se tienen presentes
problemas controlables por el operador, por tanto las causas de variabilidad son comunes y su reduccin depende
slo del control de la administracin, una vez que interviene e Ingeniera realiza una serie de ajustes a la mquina,
se monitorea la mejora.
Continuando con el ejemplo, se toman 12 muestras adicionales durante los siguientes 2 turnos, la grfica se hizo
Subgrupo
24
25
26
27
Latas
defectuosas
9
3
4
5
P
0,225
0,075
0,1
0,125
125

28
29
30
31
32
33
34
35
2
6
9
7
3
2
3
7
0,05
0,15
0,225
0,175
0,075
0,05
0,075
0,175
Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3 turnos, difiere de la fraccin no conforme
preliminar, con el procedimiento de prueba de hiptesis:
H0:
p1 = p2
H1:
p1 > p2
Donde p1 es la fraccin no conforme de los datos preliminares

(p1 =0.2182) y p2 es la fraccin no conforme del periodo actual. Para estimar p2 se toman las ltimas 12 muestras o
sea:
=
35
=24
60
= 0,125
(40 12)
El estadstico de prueba aproximado para probar la hiptesis anterior es:
126

1 2
+ 2
(1 )( 1
12
Con
=
11 + 22
1 + 2
Por tanto:
=
(920 0,227) + (480 0,125)

920 + 480
= 0,1920
0,227 0,125
920+480
0,192(1 0,192)( 920480 )

= 4,5993
Para un nivel de significancia del 0.05 en la distribucin normal, se encuentra que:
0,05 = 1,64
Como = 4,5993 > 0,05 = 1,64 entonces se rechaza la hiptesis Ho concluyendo que hubo una
reduccin en la fraccin defectiva promedio del proceso.
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LCS = 0,125 + 3
0,125(1 0,125)
40
LCS = 0,281873
LC = 0,125
LCS = 0,125 3
0,125(1 0,125)
40
LCI = 0,031873 0
127
Es muy importante que para identificar fcilmente las causas asignables, se lleve una bitcora de cambios, donde se
anote cada cambio que ocurra, independientemente que afecte o no al proceso.
DISEO DE LA CARTA DE CONTROL
(Determinacin del tamao de muestra)
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una unidad no conforme
por muestra sea al menos.
Ejemplo, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme sea al menos 0.95, si
D es el nmero de artculos no conformes, entonces:
( 1) 0,95
Con la distribucin de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p = 0.01, implica que el
tamao de muestra debe ser al menos de 300.
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga aproximadamente un 50% de probabilidad de
detectar el corrimiento de la media de un proceso en una cierta cantidad.
Asumiendo que la distribucin normal es una buena aproximacin a la binomial, se selecciona n de tal forma que el
lmite superior de control coincida con la fraccin defectiva en el estado fuera de control.
Entonces n debe satisfacer:
128
(1 )
Donde L es la distancia de la lnea central a los lmites de control en desviaciones estndar, por tanto,
2
(1 )
Ejemplo, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de 0.50, entonces =
0.05 0.01 = 0.04 y si L = 3-sigma, se tiene:
3
=
0,04
0,01 0,99 = 56
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar n tan grande de tal forma que el
lmite inferior tenga un valor positivo, para poder investigar la causa de generacin de muy bajas cantidades de
artculos defectuosos con objeto de identificar errores de inspeccin o de los equipos de medicin. Se tiene:
LCI = p L
p 1p
>0
n
Implica que,
>
(1 ) 2
Ejemplo, si p = 0.05 y se tienen lmites de control a 3-sigma, el tamao de muestra ser:

>
0,95 2
3 = 171
0,05
Si n>171 unidades, la carta de control tendr un lmite inferior de control positivo.

Es importante notar que la carta de control p se basa en la distribucin normal, es decir que la probabilidad de
ocurrencia de artculos defectivos es constante y que las unidades producidas son independientes. Si no es el caso,
se debe desarrollar una carta de control basada en el modelo de probabilidad adecuado.
Mtodo 4
129
1 + 1 (1 )
(Determinacin de la potencia de la carta p)

(1 )
+3
1 = >
(1 )
CARTA NP
Este grafico mide el nmero de unidades defectuosas encontradas en las muestras. Se aplica al mismo tipo de
problemas que el grfico P, pero cuando el tamao de muestra es fijo. En tales casos, el control calidad en el
proceso se puede realizar por el nmero de individuos defectuosos observados en lugar de la proporcin
defectuosa. El primero resulta ms cmodo representar directamente la cantidad de unidades defectuosas en la
muestra en vez de su proporcin, en este caso el grfico de control correspondiente se denomina np puesto que en
ordenadas se representa esa magnitud.
Para la construccin del grfico se utiliza de distribucin de referencia la ley Binomial (n, p).En esta distribucin, el
nmero promedio de individuos defectuosos es igual a np y la varianza igual a np(1-p). Como en el apartado anterior,
slo se realiza un grfico y ste controlar el nmero promedio de unidades defectuosas en n.
Pasos a seguir en la implementacin del grfico np:
1.
Clculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente frmula:
=
2.
=1
nk
Calcular los lmites de control del grfico mediante las formulas:

= + 3 (1 )
=
= 3 (1 )
As mismo cuando p y/o n es pequeo, el lmite de control inferior puede resultar negativo, en estos casos el valor
del lmite se asumir como: 0 Ntese que los valores de los lmites superior e inferior cambian con el tamao del
subgrupo:
3.
Se traza la grfica y se analizan los resultados. A continuacin se muestra la estructura de una carta p:
130

La grafica np consiste en tres lneas de gua: Lmite de control inferior, lnea central y lmite de control superior. La
lnea central es el promedio de nmero de defectos por subgrupo y los dos lmites de control son fijados ms o
menos a tres desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn se establezca, cada punto
corresponde a un valor npi.
Grfica. Carta de control NP

Para este tipo de grfico de control se define la longitud promedio de corrida como:
= 1/()
= 1 ( )
= 1 (
= 1 ( )
Por ltimo se llevan los valores del nmero de defectuosos por grupo al grfico, y se comprueba que durante la
obtencin de las muestras, el proceso ha estado bajo control.
Ejemplo
En la siguiente tabla se encuentran consignados los datos obtenidos en una inspeccin mediante la apertura al azar
de una caja seleccionada de cada envo y contando el nmero de duraznos golpeados que tena cada caja. Haba 300
melocotones por caja. Construir una carta de control np (nmero de defectuosos) y hacer la interpretacin de la
misma.
131

No. De envi
Duraznos
golpeados
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
20
28
24
21
32
33
31
29
30
34
32
24
29
27
37
23
27
28
31
27
30
23
23
27
35
= 300
= 25
Primeramente se calcula de porcentaje defectuoso promedio para los k subgrupos:
=
=1
nk
p = 0,094
= + 3 (1 )
132
= (300 0,094) + 3 (300 0,094)(1 0,094)

= 43,36386
=
= 300 0,094
= 28,2
= 3 (1 )
= 300 0,094 3 (300 0,094)(1 0,094)
= 13,03613
los lmites de control, ni tampoco secuencias, ni patrones cclicos, ni corrimiento de medias.
Tamao de muestra variable
En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin 100% de los lotes producidos en un
periodo de tiempo, por tanto la muestra ser variable. Se tiene varios mtodos para llevar una carta de control:
133

Mtodo 1. Lmites variables
Se calculan lmites de control para cada muestra en base en la fraccin defectiva promedio p y su tamao de
muestra con p 3 p(1 p) / ni . La amplitud de los lmites es inversamente proporcional a la raz cuadrada
del tamao de muestra.
Ejemplo, Un fabricante de mdems para computadora hace una recopila de los datos tomados en una prueba final a
la que se somete el producto los resultados obtenidos se presenta en la siguiente tabla. Construir una carta de
control p (variable)
Subgrupo
Tamao de
muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2000
1500
1900
2400
2000
2100
1900
1900
2000
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
la Latas defectuosas
53
18
50
43
65
52
47
34
27
53
48
25
48
36
32
37
29
32
70
57
= 20
Primeramente se calcula del porcentaje defectuoso (p) del subgrupo. p =
Subgrupo
Tamao de
muestra
1
2
2000
1500
la Latas defectuosas
53
18
np
n
p
0,0265
0,012
134

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1900
2400
2000
2100
1900
1900
2000
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
50
43
65
52
47
34
27
53
48
25
48
36
32
37
29
32
70
57
0,02631579
0,01791667
0,0325
0,0247619
0,02473684
0,01789474
0,0135
0,03533333
0,024
0,01785714
0,024
0,0225
0,01391304
0,01608696
0,01933333
0,0152381
0,03181818
0,02590909
Luego se calcula de porcentaje defectuoso promedio para los k subgrupos:

p=
p=
=1
=1
856
38800
p = 0,02206
Subgrupo
Tamao de la Latas
muestra
defectuosas
LCS
LCI
1
2
3
4
5
6
7
8
9
2000
1500
1900
2400
2000
2100
1900
1900
2000
0,0265
0,0120
0,0263
0,0179
0,0325
0,0248
0,0247
0,0179
0,0135
0,0373
0,0204
0,0373
0,0260
0,0444
0,0349
0,0354
0,0270
0,0212
0,0157
0,0036
0,0153
0,0098
0,0206
0,0146
0,0140
0,0088
0,0058
53
18
50
43
65
52
47
34
27
135

10
11
12
13
14
15
16
17
18
19
20
1500
2000
1400
2000
1600
2300
2300
1500
2100
2200
2200
53
48
25
48
36
32
37
29
32
70
57
0,0353
0,0240
0,0179
0,0240
0,0225
0,0139
0,0161
0,0193
0,0152
0,0318
0,0259
0,0496
0,0343
0,0285
0,0343
0,0336
0,0212
0,0240
0,0300
0,0233
0,0430
0,0361
0,0210
0,0137
0,0072
0,0137
0,0114
0,0066
0,0082
0,0087
0,0072
0,0206
0,0157
los lmites de control, ni tampoco secuencias, ni patrones cclicos.
Mtodo 2. Tamao de muestra promedio
En este caso, se toma el promedio de los tamaos de muestra para calcular los lmites de control aproximados, se
asume que los tamaos de muestra no diferirn en forma apreciable de los observados, aqu los lmites de control
son constantes. Si existen grandes diferencias mayores al promedio ms o menos 25%, este mtodo no es
adecuado.
n=
n=
=1
k
38800
20
136

n = 1940
Con lmites de control basados en n = 1940
0,02206(1 0,02206)
1940
LCS = 0,03206
LCS = 0,02206 + 3
LC = 0,02206
0,02206(1 0,02206)
1940
LCI = 0,012055
LCI = 0,02206 3
Como hay 3 puntos por fuera de los lmites de control (2, 5 y 10) se hace un cepillado eliminado los datos atpicos.
n=
n=
=1
k
33800
17
n = 1988
137
0,02206(1 0,02206)
1988
LCS = 0,0310
LCS = 0,02206 + 3
LC = 0,0213
0,02206(1 0,02206)
1988
LCI = 0,0116
LCI = 0,02206 3
Como hay 1 punto por fuera de los lmites de control se hace un cepillado eliminado los datos atpicos.
n=
n=
=1
k
31600
16
n = 1975
0,02206(1 0,02206)
1975
LCS = 0,0302
LC = 0,0206
LCS = 0,02206 + 3
138
0,02206(1 0,02206)
1975
LCI = 0,0110
LCI = 0,02206 3
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la carta de control estandarizada, la
lnea central es cero y los lmites de control estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
=

(1)
Donde p (o p si no hay estndar) es la fraccin defectiva media del proceso en su condicin de control estadstico;
pi, nison datos de la muestra.
Curva caracterstica de operacin y ARL
La curva OC muestra en forma grfica la probabilidad de aceptar incorrectamente la hiptesis de control
estadstico (i.e. cometer un error tipo II o ). Esta curva proporciona una evaluacin de la sensibilidad de la carta
de control, o sea la habilidad de detectar un corrimiento en la fraccin no conforme del proceso, desde su valor
nominal p a algn otro valor p .
La probabilidad de error tipo II para la carta de control de fraccin defectiva o no conforme es:
139

= <
= <
Como D es una variable aleatoria binomial con parmetros n y p, el error puede ser obtenido de la funcin de
distribucin acumulativa (la distribucin de Poisson se puede utilizar como una aproximacin).
Ejemplo, Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
= < (50)(0,3697) (50)(0,0303)
= < 18,485 1,515
Sin embargo como D debe ser un entero, se toma,
= < 18 1
Nota: Se debe usar la distribucin de Poisson para np <=5
A continuacin se muestran curvas OC con 2 distribuciones.
P
0,01
0,03
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
CURVA OC POR BINOMIAL

LCS=18;LCI=1;n=50
P(D<18|p)
P(D1|p)
1
0,910564687
1
0,555279873
1
0,279431752
0,99999986
0,03378586
0,999940418 0,002905453
0,997488797 0,000192678
0,97126684
1,0005E-05
0,859440124
4,0337E-07
0,621587051
1,2349E-08
0,335613264
2,7751E-10
0,127345115
4,36961E-12
0,032454324
4,52971E-14
0,005296752
2,84312E-16
0,08943531
0,44472013
0,72056825
0,966214
0,99703497
0,99729612
0,97125684
0,85943972
0,62158704
0,33561326
0,12734511
0,03245432
0,00529675
140
P
0,5
1,5
2,5
5
7,5
10
12,5
15
17,5
20
22,5
25
27,5
CURVA OC POR POISSON

LCS=18;LCI=1;n=50
P(D<18|p)
P(D1|p)
1
0,90979599
1
0,5578254
1
0,287297495
0,999998598 0,040427682
0,999697003 0,004701217
0,992813495 0,000499399
0,948148253
5,03098E-05
0,819471712
4,89444E-06
0,608934016
4,64535E-07
0,381421949
4,32842E-08
0,202192955
3,97596E-09
0,092040859
3,61087E-10
0,036606283
3,24898E-11
0,09020401
0,4421746
0,7127025
0,95957092
0,99499579
0,9923141
0,94809794
0,81946682
0,60893355
0,38142191
0,20219295
0,09204086
0,03660628
La curva OC calculada con las diferentes distribuciones de probabilidad se muestra a continuacin:
Para esta carta de control, tambin se puede calcular la longitud de corrida media ARL.
Cuando es proceso est en control:

0 =
Cuando el proceso est fuera de control:
141
1 =
1
(1 )
Estas probabilidades de errores tipo I y II se pueden obtener o por clculo de probabilidades o usando las curvas
OC.
Ejemplo, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la curva OC se observa
que en este caso es 0.9973 estando en control, en este caso = 1 - = 0.0027 y el valor de ARL0 es:
0 =
1
= 370
0,0027
Indicando que cada 370 puntos se puede tener una falsa alarma.
4.8.3.
CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) C y U
Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin del producto.
Las no conformidades pueden tener una gravedad diferente desde menores hasta crticas. Se pueden desarrollar
cartas de control para el nmero total de no conformidades en una unidad o el nmero promedio de no
conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamao constante son modeladas bien
por la distribucin de Poisson, es decir implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia de una no conformidad en
cualquier localizacin sea pequea y constante. Adems cada unidad de inspeccin debe representar una rea de
oportunidad idntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Carta C.
En muchas ocasiones la caracterstica que nos interesa controlar no es el nmero de individuos defectuosos sino el
nmero de defectos que aparecen en un individuo. Este tipo de control puede ser ms completo que los presentados
anteriormente, puesto que:
El individuo puede no ser defectuoso y presentar defectos;

el carcter defectuoso puede ser de distinta magnitud dependiendo de la cantidad de defectos que
presenta.
En la grfica C es completamente necesario que todas las muestras tengan un tamao fijo, es decir, el tamao de los
subgrupos sea constante.
En aquellos procesos que no generan individuos, como por ejemplo, los procesos continuos, tambin nos puede
interesar el control del nmero de defectos por cierta unidad definida: metro, metro-cuadrado, hora, etc. Otros
ejemplos en los que se puede aplicar estos grficos son cuando se desea controlar el n de pasajeros que toman un
vuelo determinado por da, o el n de camas ocupadas en un hospital por semana, etc. En uno u otro caso, la
142

distribucin subyacente es la distribucin de poisson (), donde representa el nmero medio de ocurrencias por
unidad de tiempo, superficie, etc.
Cuando es suficientemente grande se puede hacer una aproximacin de la ley Poisson por la ley normal.
Los pasos que se deben seguir en la construccin del grfico C son los siguientes:
1.
Seleccionar lo que va a ser una unidad de medicin: un individuo, un metro de cable, un metro cuadrado de
tela, una hora, etc.
2. Investigar si existe informacin histrica del parmetro , En tal caso construir los grficos basndose
en los lmites:
= + 3
=
= 3 En el caso que sea negativo toma el valor cero
El promedio de defectos por subgrupo se calcula de la siguiente forma:
Donde = = =
=1
Cuando el valor de no es muy grande, la convergencia a la normal no es muy buena. En tales casos el lmite
inferior suele ser negativo, lo cual no tiene ningn sentido, y se sustituye por 0.
1.
Acomodar los datos obtenidos en y seguir las mismas reglas de control que con los grficos anteriores.
A continuacin se muestra la estructura de una carta C:
143

Grfica. Carta de control C
Ejemplo, Para el nmero de no conformidades observadas en 26 unidades de inspeccin sucesivas de 100 muestras
de circuitos impresos, se obtuvieron los datos siguientes:
Numero
Muestra
de Numero de disconformidades
Numero
Muestra
21
14
19
24
15
10
16
16
17
12
17
13
15
18
22
19
18
28
20
39
20
21
30
31
22
24
10
25
23
16
11
20
24
19
12
13
24
16
25
26
17
15
Primeramente se encuentra el valor de c promedio

=
=
=0
516
26
= 19,85
Luego se hallan los lmites de control para construir la carta
= 19,85 + 3 19,85
= 33,21
= 19,85
= 19,85 + 3 19,85
= 6,48
144
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
Los nuevos limistes son ahora:
=
472
24
= 19,67
= 19,67 + 3 19,67
= 32,97
= 19,67
= 19,67 + 3 19,67
= 6,36
145

Continuando con el ejemplo, se toman 20 muestras adicionales durante los siguientes 2 turnos, la grfica se hizo
Numero
Muestra
Numero
Muestra
27
16
37
18
28
18
38
21
29
12
39
16
30
15
40
22
31
24
41
19
32
21
42
12
33
28
43
14
34
20
44
35
25
45
16
36
19
46
21
Carta U
El grfico U se utiliza para el mismo tipo de problemas que el grfico C, pero cuando el tamao de las muestras es
variable. Aqu las muestras estn formadas por ms de un elemento y cada elemento puede tener ms de un
defecto.
146

A continuacin se presentan algunos ejemplos donde esto ocurre y que pueden ser representativos de las
situaciones generales:
Puede resultar difcil tomar exactamente un metro cuadrado de tela, por lo que se toman piezas similares
de aproximadamente un metro cuadrado.
En el control del nmero de personas que acuden a una mquina registradora en una tienda, en lugar de
tomar las mediciones en intervalos de tiempo iguales, se toman las mediciones en intervalos ms flexibles.
Cuando se mide el nmero de defectos por lote, ste puede no contener un nmero fijo de individuos.
En el grfico U se colocan igualmente el nmero de defectos por unidad, pero ahora no tiene porqu ser un valor
entero. La distribucin de referencia en la cual est basado el grfico U puede ser calculada a travs de la ley
Poisson.
En efecto si
= e
=
=
/
,
io:
=
= 1,2, ,
Por lo que los lmites de control se obtendrn con las ecuaciones:
= + 3
= 3
A continuacin se muestra la estructura de una carta u:
147
Grfico. Carta de control U

Ejemplo, Para un fabricante de computadoras registrando los defectos en su lnea de ensamble final. La unidad de
inspeccin es una computadora y se toman 5 unidades de inspeccin a un tiempo.
Numero
Muestra
Numero
Muestra
10
11
12
12
13
14
14
11
10
15
12
16
16
11
17
18
10
10
19
10
15
20
Primeramente se definen los Ui

k
Ci
Ui
Ci
Ui
10
11
1,8
12
2,4
12
1,6
13
1,4
14
2,8
14
11
2,2
10
15
12
2,4
16
3,2
16
1,2
11
2,2
17
1,6
1,4
18
10
148

9
10
19
1,4
10
15
20
Luego se calcula el U promedio:

=
193
5 20
= 1,93
Se calculan los lmites de control con:
= + 3
= 1,93 + 3
1,93
5
= 3,79
=
= 1,93
= 3
= 1,93 3
1,93
5
= 0,066
La carta de control queda como sigue:
149
En la carta de control no se observa falta de control estadstico, por tanto los lmites preliminares se pueden utilizar
en corridas futuras.
Carta U (Muestra variable)

En algunos casos las cartas de control para no conformidades se utilizan en la inspeccin 100% de la produccin o
lotes de producto, por tanto las unidades de inspeccin no son constantes. En esta carta se tiene una lnea central
constante y los lmites de control varan inversamente con la raz cuadrada del tamao de muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:
= + 3
= 3
Ejemplo, En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a continuacin.
Unid.Insp.
10
8
13
10
9.5
No Conf.
14
12
20
11
7
150

10
12
10.5
12
12.5
10
21
16
19
23
=0
=0
153
107,5
= 1,42
Subgrupo
Tamao de la No. De Defectos

muestra
LCS
LCI
10
14
1,4000
2,5225
0,2775
12
1,5000
2,7990
0,2010
13
20
1,5385
2,5705
0,5064
10
11
1,1000
2,0950
0,1050
9,5
0,7368
1,5723
0,0000
10
10
1,0000
1,9487
0,0513
12
21
1,7500
2,8956
0,6044
10,5
16
1,5238
2,6667
0,3810
12
19
1,5833
2,6731
0,4936
10
12,5
23
1,8400
2,9910
0,6890
La carta de control ser asi:
151
Existen otras dos alternativas para el manejo de la carta u con n variable:
1.
Usando un promedio de tamaos de muestra.
107,5
=
10
=
= 10,75
1,42
10,75
= 1,42 + 3
= 2,51
= 1,42
= 1,42 3
1,42
10,75
= 0,329
152

La carta de control queda como sigue:
2. Usando una de control estandarizada (opcin preferida). Se grafica Zi con lmites de control en +3 y 3,
lnea central cero.
=
LA CURVA CARACTERSTICA DE OPERACIN

La curva caracterstica de operacin (OC) puede ser obtenida tanto para la carta c como para la carta u a partir de
la distribucin de Poisson.Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la media
real del nmero de defectos c, se expresa como sigue:
= < <
Donde x es una variable aleatoria de Poisson con parmetro c.
Ejemplo, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
= < 33,22 < 6,48
Cmo las cantidades deben ser enteras, esto es equivalente a:
= < 33 < 7
153

La curva OC se obtiene con la distribucin de Poisson como sigue:
c
1
P(x<=33|c)
1
P(x<=6|c)
0,999
0,966
0,034
0,762
0,238
0,449
0,550
10
0,999
0,130
0,869
15
0,999
0,007
0,992
20
0,997
0,000
0,997
30
0,744
0,000
0,744
33
0,546
0,000
0,546
35
0,410
0,000
0,410
40
0,151
0,000
0,151
45
0,038
0,000
0,038
0,001
Para el caso de la carta u, la curva OC puede generarse con:

= <
= <
= <
154
CAPTULO 5
MUESTREO PARA ACEPTACIN
En este captulo se presenta el estudio de los planes de muestreo utilizados en la

aceptacin, o revisin final de los lotes, es decir, fundamentos para el diseo de planes
de muestreo con los debidos criterios de aceptacin y rechazo, como tambin los
distintos tipos de muestreo por aceptacin, para variables y atributos..
155
MUESTREO POR ACEPTACIN
El muestreo de aceptacin se ocupa de la inspeccin y la toma de decisiones respecto de los productos, uno de los
aspectos ms antiguos de aseguramiento de calidad. En los aos de 1930 y 1940 el muestreo de aceptacin era uno
de los componentes principales de campo del control estadstico de calidad, y se utilizaba principalmente en la
inspeccin de entrada o recepcin. En aos ms recientes ha llegado a ser comn el trabajo con los proveedores
para mejorar el desempeo de sus procesos mediante el uso de SPC y de experimentos diseados en vez de confiar
tanto en el muestreo de aceptacin como la herramienta principal del aseguramiento de la calidad.
Aun en muchas ocasiones cuando se acostumbra a considerar el muestreo de aceptacin como una actividad de
inspeccin de recepcin, existen otros usos de los mtodos de muestreo. Por ejemplo es comn que un fabricante
haga muestreos e inspecciones de su propio producto en varias etapas de la produccin. Los lotes que son
aceptados se remiten al procesamiento subsecuente y los lotes rechazados pueden reprocesarse o desecharse.
5.1
ASPECTOS IMPORTANTES
1.
El propsito del muestreo de aceptacin es dictaminar los lotes no estimar su calidad. La mayora de los
planes de muestreo de aceptacin no se disean para fines de estimacin.
2. Los planes de muestreo de aceptacin no proporcionan ninguna forma directa de control de calidad. El
muestreo de aceptacin se limita a aceptar algunos lotes y a rechazar otros. Incluso si todos los lotes son
de la misma calidad el muestreo aceptara algunos y rechazara otros, sin que los lotes aceptados sean
mejores que los rechazados. Los controles del proceso se usan para controlar y mejorar
sistemticamente la calidad, pero no as el muestreo de aceptacin.
3. El uso ms efectivo del muestreo de aceptacin no es para inspeccionar la calidad de un producto sino
ms bien como una herramienta de auditora a fin de asegurarse de que la salida de un proceso cumple
con los requerimientos.
5.2 ENFOQUES PARA LA DICTAMINACIN DE LOTES

1. La aceptacin sin inspeccin.
2. La inspeccin 100% es decir la inspeccin de cada artculo del lote para sacar las unidades defectuosas
encontradas (las unidades defectuosas pueden devolverse al proveedor, reprocesarse, reemplazarse con
artculos satisfactorios comprobados o descartarse.
3. El muestreo de aceptacin.
La alternativa sin inspeccin es til en situaciones en que el proceso del proveedor es tan bueno que casi nunca se
encuentran unidades defectuosas o cuando no existe justificacin econmica para buscar unidades defectuosas. Por
ejemplo si el Cp del proceso es 3 o 4 es poco probable que en un muestreo de aceptacin se descubra alguna unidad
defectuosa. La inspeccin del 100% se emplea generalmente cuando el componente es en extremo critico y deja
pasar unidades defectuosas dara como resultado un costo por fallas inaceptablemente elevado en las etapas
subsecuentes, o cuando la capacidad del proceso del proveedor es inadecuada para cumplir las especificaciones. El
muestreo de aceptacin probablemente ser de mayor utilidad en las siguientes situaciones:
1. Cuando las pruebas son destructivas.
2. Cuando el costo de la inspeccin 100% es muy alto.
156

3. Cuando la inspeccin del 100% no es tecnolgicamente factible y requerira tanto tiempo de calendario que
se impactara seriamente la programacin de la produccin.
4. Cuando son muchos los artculos por inspeccionar y la tasa de errores de inspeccin es tan elevada que la
inspeccin 100% podra hacer que se aprobara un porcentaje ms alto de unidades defectuosas que con la
aplicacin de un plan de muestreo.
5. Cuando el proveedor tiene un historial de calidad excelente, y se desea cierta reduccin en la inspeccin
del 100% pero la capacidad del proceso del proveedor es lo suficientemente baja para hacer que la
cancelacin de la inspeccin no sea una alternativa satisfactoria.
6. Cuando existen riesgos de responsabilidad legal del producto potencialmente serios y aun cuando el
proceso del proveedor sea satisfactorio, se necesita un programa de monitoreo continuo del producto.
5.3 VENTAJAS Y DESVENTAJAS DEL MUESTREO

Cuando el muestreo de aceptacin se compara con la inspeccin 100%, presenta las siguientes ventajas:
1.
2.
3.
4.
5.
6.
Suele tener costos ms bajos, debido a que hay menos inspeccin.

Hay menos manejo del producto, y en consecuencia, se reducen daos.
Puede aplicarse en pruebas destructivas.
Menos personal participa en las actividades de inspeccin.
Con frecuencia reduce en gran medida la cantidad de errores de inspeccin.
El rechazo de lotes completos, por oposicin a la simple devolucin de las unidades defectuosas, con
frecuencia proporciona una motivacin mayor para que el proveedor atienda el mejoramiento de calidad.
Sin embargo el muestreo de aceptacin tambin presenta varias desventajas. Entre ellas se encuentran:
1. Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
2. Por lo general se genera menos informacin acerca del producto o acerca del proceso con que se fabrico
el producto.
3. El muestreo de aceptacin requiere planeacin y documentacin del procedimiento de muestreo de
aceptacin, mientras que la inspeccin del 100% no.
5.4 TIPOS DE PLANES DE MUESTREO DE ACEPTACIN

Existen varias maneras diferentes de clasificar los planes de muestreo de aceptacin. Una clasificacin principal es
por atributos y variables. Las variables son desde luego caractersticas de calidad que se miden en una escala
numrica. Los atributos son caractersticas de la calidad que se expresan en una base pasa, no pasa.
5.4.1
Plan de muestreo nico
Un plan de muestreo nico es un procedimiento para dictaminar lotes en el que se selecciona al azar una muestra
de n unidades del lote, y el destino del lote se determina con base en la informacin contenida en esa muestra. Por
ejemplo, un plan de muestreo nico para atributos constara de un tamao de muestra n y criterio de aceptacin c.
El procedimiento operaria de la siguiente manera: se seleccionan n artculos al azar del lote. Si hay c o menos
unidades defectuosas en la muestra, se acepta el lote, y si hay ms de c artculos defectuosos en el lote, este se
rechaza.
157

Supongamos que se ha sometido a inspeccin un lote de tamao N. Un plan de muestreo simple est definido por el
tamao de la muestra n y el nmero de aceptacin c.
El lote ser aceptado solamente si el nmero de productos defectuosos en n es menor o igual a c.
A partir de esto datos, se puede definir la probabilidad de aceptacin del lote o P_a, la cual est dada por:
= =
=
Como se puede apreciar, esta probabilidad es determinada haciendo uso de una distribucin hipergeomtrica con
parmetros (N,n,k), donde k es la proporcin de productos no conformes dentro del lote, y su valor se estima del
producto entre p y N. Luego, el valor de p, que es la probabilidad de hallar un producto no conforme dentro del lote,
puede ser determinado por medio de un anlisis de capacidad del proceso de fabricacin.
Para disminuir la complejidad de los ejercicios y teniendo en cuenta la relacin existente entre las distribuciones
Hipergeomtrica y Binomial, la probabilidad de aceptacin puede ser determinada, tambin, a partir de una
aproximacin a Binomial con probabilidad de xito p.
De esta manera, el valor de la probabilidad de aceptacin podra determinarse as:
= =
=
() ( )
Ejemplo
Un fabricante de cierto producto, a partir de un anlisis de capacidad de su proceso productivo, pudo determinar
que el porcentaje de productos no conformes arrojado era de 10%. Antes del despacho de los artculos al cliente,
forma lotes de 500 productos, cada uno. Su cliente principal maneja un plan de muestreo, donde n=50 y c=3.
Determinar la probabilidad de aceptacin de estos lotes por parte del cliente.
Si se intenta determinar esta probabilidad a partir de una distribucin hipergeomtrica, su valor ser imposible
determinarlo, haciendo uso de una calculadora, por esta razn, se recomienda el uso de una distribucin binomial.
En este sentido se tiene:
3
= 3 =
0
50
(0,1) 1 0,1
50
= 0,25029
Haciendo uso de Microsoft Excel, es posible determinar el valor de esta probabilidad, utilizando una distribucin
hipergeomtrica, es decir, de la manera correcta. As, se tiene:
158

3
= 3 =
0
50
450
50
500
50
= 0,235858
Como se puede apreciar ambas probabilidades se asemejan, lo que indica que la distribucin binomial es una buena
alternativa de encontrar la probabilidad de aceptacin cuando no se cuenta con programas avanzados para su
clculo.
5.4.2
Plan de muestreo Doble
Los planes de muestreo doble son un tanto ms complicados. Despus de una muestra inicial se toma una decisin
con base a la informacin de esa muestra para 1) aceptar el lote, 2) rechazar el lote 3) tomar una segunda
muestra. Si se toma la segunda muestra, la informacin de la primera y la segunda muestra se combinan para llegar
a la decisin de aceptar o rechazar el lote.
Los planes de muestreo nico y doble pueden disearse de tal modo que produzcan resultados equivalente. Es decir
estos procedimientos pueden disearse para un lote con una calidad especificada, tengan exactamente la misma
probabilidad de aceptacin bajo los cuatro tipos de planes de muestreo. Por consiguiente se selecciona el tipo de
procedimiento de muestre, deben considerarse factores tales como la eficiencia administrativa, el tipo de
informacin producida por el plan, la cantidad de inspeccin promedio requerida por el procedimiento y el impacto
que puede tener dado sobre el flujo de material en la organizacin manufacturera.
Plan de muestreo Mltiple
Un plan de muestreo mltiple es una extensin del concepto del muestreo doble, por cuanto pueden necesitarse ms
de dos muestras para llegar a una decisin respecto del destino del lote. Los tamaos de la muestra en el muestreo
mltiple suelen ser ms pequeos que en el muestreo nico o en el doble. La extensin ltima del muestreo mltiple
es el muestreo secuencial, en el que las unidades del lote se seleccionan una vez, y despus de inspeccionar cada
unidad se toma la decisin de aceptar, rechazar el lote o seleccionar otra unidad.
Formacin y caractersticas de lotes
La manera en que se forme el lote puede influir en la efectividad del plan de muestreo de aceptacin, hay varias
consideraciones importantes cuando se forman los lotes para inspeccin. Algunas de ellas son las siguientes.
Los lotes deben ser homogneos, es decir las unidades debern producirse por las mimas maquinas, los
mismos operadores y con materias primas comunes, aproximadamente en el mismo tiempo. Cuando los
lotes no son homogneos, como cuando se mezcla la salida de dos lneas de produccin diferentes, el
esquema de muestreo de aceptacin quiz no funcione con tanta efectividad como podra hacerlo.
Son preferibles los lotes grandes a pequeos, suele haber ms eficiencia econmica al inspeccionar lotes
grandes que pequeos.
Los lotes debern ajustarse a los sistemas de manejar de materiales usados en las instalaciones del
proveedor y del consumidor, adems, de los artculos de los lotes debern ser empacados de tal modo
que se minimicen los riesgos en el embarque y manejo y que sea relativamente sencillo de seleccionar de
las unidades de la muestra.
159

Lineamientos para usar el muestreo por aceptacin
Un plan de muestreo por aceptacin es un enunciado del tamao de la muestra que debe usarse y los criterios de
aceptacin o rechazo asociados para dictaminar lotes individuales.
OBJETIVO
PROCEDIMIENTO POR ATRIBUTOS
Asegurar niveles de calidad para el Seleccionar un plan para una curva OC
consumidor/productor
especifica
Mantener la calidad en un objetivo
Sistema AQL; MIL STD 105E ANSI/ASQC
Z1.4
Asegurar un nivel de calidad de salida Sistema AOQL; Planes de Dodge Roming
promedio
Reducir la inspeccin con tamaos de Muestreo en cadena
muestra pequeos, buen historial de
calidad
Reducir la inspeccin despus de un Muestreo por salto de lote; muestreo
buen historial de calidad
doble
Asegurar una calidad no menor al Plan LTPD; Planes Dodge Roming
objetivo
PROCEDIMIENTO PARA VARIABLES

Seleccionar un plan para una curva OC
especifica
Sistema AQL; MIL STD 105E ANSI/ASQC
Z1.4
Sistema AOQL
Medicin con lmites estrictos
Muestreo por salto de lote; muestreo
doble
Planes LTPD; Pruebas de hiptesis
En esta tabla se muestran los procedimientos del muestreo por aceptacin y sus aplicaciones. En general la
seleccin de un procedimiento de muestreo de aceptacin depende tanto del objetivo de la organizacin de
muestreo como del historial de la organizacin cuyo producto es muestreado. Esta aplicacin no es esttica; es
decir existe una evolucin natural de un nivel de esfuerzo de muestreo por otro.
5.5 PLANES CON UNA SOLA MUESTRA POR ATRIBUTOS.

5.5.1
Definicin de un plan con una sola muestra.
Suponer que se ha sometido a inspeccin un lote de tamao N, un plan de muestreo nico est definido por el
tamao de la muestra n y el nmero de aceptacin c. Por tanto, si el tamao del lote es N=10.000 entonces el plan
de muestreo ser de este tipo:
n=82
c=2
Significa que se inspecciona una muestra aleatoria de n=82 unidades del lote de tamao 10.000 y que si el nmero
de artculos defectuosos observados es menor o igual que c=2, el lote ser aceptado, si el nmero de artculos
defectuosos es mayor que 3 el lote ser rechazado. Puesto que la caracterstica de calidad inspeccionada es un
atributo, cada unidad de muestra se dictamina como conforme o disconforme, puede inspeccionarse uno o varios
atributos en la misma muestra: en general, se dice que una unidad disconforme respecto a las especificaciones; en
uno o ms atributos, es una unidad defectuosa. A este procedimiento se le llama un plan de muestreo nico porque
el lote se dictamina con base en la informacin contenida en una sola muestra de tamao n.
160

5.5.2
La curva OC
Una medida importante del desempeo de un plan de muestreo nico es la curva de operacin caracterstica (OC).
En esta curva grafica la probabilidad de aceptar el lote contra la fraccin defectuosa del lote. Por tanto la curva OC
indica la potencia discriminatoria del plan de muestreo. Es decir, indica la probabilidad de que un lote con cierta
fraccin defectuosa propuesto sea aceptado o rechazado.
Grafica1. Representacin curva caracterstica

Ejemplo
Trace la curva de operacin caracterstica para el siguiente plan de muestreo:
n=80
c=5
Utilizando la distribucin de probabilidad Binomial para determinar Pa se tiene:
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0,9945
0,8988
0,6521
0,3750
0,1769
0,0709
0,0248
0,0077
0,0021
0,0005
De esta manera la grfica resulta de la siguiente forma:
161
5.5.3
Curva de Operacin perfecta
Un plan de muestreo que hiciera la discriminacin perfecta entre los lotes buenos y los malos tendra una curva OC
como la que se muestra en la figura 14 La curva OC corre horizontalmente en una probabilidad de aceptacin igual a
1, hasta que se alcance un nivel de calidad considerado malo para el lote, punto en el cual la curva cae verticalmente
a una probabilidad de aceptacin igual a cero.
Figura 20. Curva de Operacin perfecta

Para graficar una curva de operacin, basta solo con darle valores a p, y teniendo en cuenta el tamao de la
muestra y nmero de aceptacin dado para el plan, se hallan diferentes valores para P_a.
5.5.4
Puntos especficos en la Curva OC
Frecuentemente, el inters del ingeniero de calidad se centra en determinados puntos de la curva OC. El proveedor
suele estar interesado en saber cul es el nivel de calidad del lote o proceso que produce una alta probabilidad de
aceptacin.
162

En este orden de ideas, es comn que el consumidor establezca un plan de muestreo para un abastecimiento
continuo de componentes o materia prima con referencia a un nivel aceptable de calidad (NAC) o AQL (por sus siglas
en ingls). El NAC representa el nivel de calidad ms pobre del proceso del proveedor que el consumidor
considerara aceptable como promedio del proceso. Este parmetro es una propiedad del proceso de manufactura
del proveedor; no es una propiedad del plan de muestreo. Muchas veces el consumidor disear el procedimiento de
muestreo de tal modo que la curva OC d una alta probabilidad de aceptacin en el NAC. Se espera que el proceso
del proveedor opere con un nivel de porcin cada que sea considerablemente mejor que el AQL.
El consumidor tambin estar interesado en el otro extremo de la curva OC, es decir, en la proteccin que se
obtiene para los lotes individuales de calidad pobre. En una situacin as, el consumidor puede establecer una
tolerancia del porcentaje defectuoso de un lote (LTPD, por sus siglas en ingls). El LTPD es el nivel de calidad ms
pobre que el consumidor est dispuesto a aceptar en un lote individual.
An cuando podran utilizarse dos puntos cualesquiera en la curva OC para definir el plan de muestreo, en muchas
industrias se acostumbra usar los puntos NAC y LTPD para este fin. Cuando los niveles de calidad del lote
especificados son p_1=AQLyp_2=LTPD, 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 llamara el riesgo del productor y
se llamara el riesgo del consumidor. Grficamente, se puede apreciar esta relacin en la figura 21, donde para el
ejemplo se trabaja con un NAC de 2% y un LTPD de 7%. En este sentido, teniendo en cuenta la curva de operacin
anterior, es posible determinar el valor de ambos riesgos de la siguiente manera:
=
=
=
=
=
=
=
=
( ) ( ) =
( ) ( ) =
163
Figura 21. Representacin grfica de los parmetros NAC, LTPD, y

5.5.5
Curvas de operacin tipo A y tipo B
En la construccin de la curva OC se supuso que las muestras provenan de un lote grande o que el muestreo se
estaba haciendo de un flujo de lotes de un proceso seleccionados al azar. En esta situacin, la distribucin binomial
es la distribucin exacta para calcular la probabilidad de aceptacin del lote. Esta curva se conoce como curva tipo
B.
La curva OC tipo A se usa para calcular probabilidades de aceptacin de un lote aislado de tamao infinito. Suponer
que el lote de tamao N, con tamao de muestra n y que el nmero de aceptacin c. la distribucin de muestreo
exacta del nmero de artculos defectuosos en la muestra es la distribucin hipergeomtrica.
5.5.6
Inspeccin con rectificacin
Los programas de muestreo de aceptacin suelen requerir una accin correctiva cuando los lotes son rechazados.
Esto generalmente adopta la forma de una inspeccin del 100% exhaustiva de los lotes rechazados, donde todos los
artculos defectuosos descubiertos se sacan para reprocesamiento posterior, se devuelven al proveedor o se
reemplazan de un inventario de artculos satisfactorios comprobados. A estos programas de muestreo se les llama
programas de inspeccin con rectificacin, debido a que la actividad de inspeccin afecta la calidad final del
producto de salida.
Los programas de inspeccin con rectificacin se usan en situaciones en las que el fabricante desea conocer el
nivel promedio de calidad que es posible resulte en una etapa dada de las operaciones de manufactura. Por tanto,
estos programas se usan en la inspeccin de recepcin, en la inspeccin dentro del proceso de productos
semiterminados o en la inspeccin final de bienes terminados.
164

La calidad de salida promedio (AOQ, por sus siglas en ingls) se usa ampliamente para la evaluacin de un programa
de muestreo con rectificacin. Este factor es la calidad en el lote que resulta de la aplicacin de la inspeccin con
rectificacin.
Es el valor promedio de la calidad del lote que se obtendra en una secuencia larga de lotes de un proceso con
fraccin defectuosa p. Es sencillo desarrollar una frmula para el AOQ. Suponer que el tamao del lote es N y que
todas las unidades defectuosas se reemplazan con unidades satisfactorias. Entonces en lotes de tamao N, se tiene:
1.
n artculos en la muestra que, despus de la inspeccin, no contienen unidades defectuosas,

debido a que todas las unidades defectuosas descubiertas se reemplazan.
2. N-n artculos que, si el lote es rechazado, tampoco contienen unidades defectuosas.
3. N-n artculos que, si el lote es aceptado, contiene p'(N-n) unidades defectuosas.
Por tanto, los lotes en la etapa de salida de la inspeccin tienen un nmero esperado de unidades defectuosas igual
a ( ), que puede expresarse como una fraccin defectuosa promedio, llamada la calidad de salida
promedio:
=
( )
Cuando el tamao del lote se hace grande en comparacin al tamao de la muestra, esta ecuacin puede escribirse
como:

La calidad promedio de salida variar cuando la fraccin defectuosa de los lotes de entrada vare. A la curva que
grafica la cantidad de salida promedio contra la calidad del lote de entrada se le llama curva AOQ. A continuacin la
figura 22 hace una presentacin de esta grfica.
165
Figura. Representacin grfica del AOQ y localizacin del AOQL.

Por el examen de esta curva se observa que cuando la calidad de entrada es muy buena, la calidad de salida
promedio tambin es muy buena. En contraste, cuando la calidad del lote de entrada es muy mala, la mayora de los
lotes son rechazados y se examinan, lo que lleva a un nivel de calidad muy bueno en los lotes de salida. En medio de
los extremos, la curva AOQ sube, pasa por un mximo y desciende. La ordenada mxima en la curva AOQ representa
la peor calidad promedio posible que resultara del programa de inspeccin con rectificacin, y a este punto se le
llama el lmite de la calidad de salida promedio (AOQL, por sus siglas en ingls). Es decir, sin importar lo mala que
sea la fraccin defectuosa en los lotes de entrada, los lotes de salida nunca tendrn un nivel de calidad peor que el
AOQL.
5.6 DISEO DE PLANES DE MUESTREO

5.6.1
Mtodo matemtico
Esta herramienta para el diseo de planes de muestreo no tiene en cuenta nicamente el NAC como parmetro de
decisin en el diseo del plan de muestreo, sino cada uno de los parmetros dados para su diseo, NAC, LTPD, el
riesgo del productor y el del consumidor. El valor de n y c se determina utilizando cada una de las siguientes
ecuaciones:
+
=
166
= +
5.7 MUESTREO DOBLE MULTIPLE Y SECUENCIAL

5.7.1
Muestreo Doble.
El plan de muestreo doble es un procedimiento en el bajo, determinadas condiciones, se necesita una segunda
muestra antes de poder dictaminar el lote. Un plan de muestreo doble se define:
167

Por cuatro parmetros:
n1= tamao de muestra en la primera muestra.
c1= nmero de aceptacin de la primera muestra.
n2= tamao de muestra en la segunda muestra.
c2= nmero de aceptacin de la segunda muestra.
La ventaja principal del plan de muestreo doble con respecto al plan de muestreo nico es que puede reducir la
cantidad total de inspeccin requerida. Suponer la primera muestra tomada en un plan de muestreo doble es menor
que la muestra que se habra requerido al usar un plan de muestreo nico que ofrece la misma proteccin al
consumidor. En todos los casos, entonces, en que un lote sea aceptado o rechazado en la primera muestra, el costo
de inspeccin ser ms bajo para el muestreo doble del que sera para un muestreo nico. Tambin es posible
rechazar un lote sin hacer la inspeccin completa a la segunda muestra. Por consiguiente el uso del muestreo doble
con frecuencia puede llevar a costos totales de inspeccin ms bajo.
El muestreo doble tiene dos ventajas potenciales. Primera, a menos que se use el cercenado en la segunda muestra,
bajo determinadas circunstancias de muestreo doble puede requerir ms inspeccin total de la que se necesitara
en un plan de muestreo nico que ofrezca la misma proteccin.
La segunda desventaja del muestreo doble es que presenta mayor complejidad administrativa, lo cual puede
aumentar la oportunidad para la ocurrencia de errores de inspeccin.
Ejemplo
Dado un lote de 80 artculos, con un porcentaje de productos no conformes de 5%, determine la probabilidad de
aceptacin de los lotes para el siguiente plan de muestreo doble.
1 = 20
2 = 10
1 = 1
1 = 3
Este ejercicio puede resolverse utilizando un rbol de decisin. Inicialmente, se analizan los valores que pueden
tomar 1 2 , teniendo en cuenta las restricciones dadas para este tipo de plan:
168
La probabilidad para cada uno de los casos encontrados son las siguientes:
Para la primera muestra.
( = ) =
( = ) =
( = ) =
( = ) =
4
0
76
20
80
20
= 0,3083
4
1
76
19
80
20
= 0,4327
4
2
76
18
80
20
= 0,2126
4
3
76
17
80
20
= 0,0432
Para la segunda muestra.
169
( = ) =
( = ) =
( = ) =
4
0
76
10
80
10
= 0,5797
4
1
76
9
80
10
= 0,3461
4
2
76
8
80
10
= 0,0687
La probabilidad de aceptacin se determina de la siguiente manera:

= = 0 + = 1 ( = 0) + = 1 ( = 1)
+ = 1 ( = 2) + = 2 ( = 0)
+ = 2 ( = 1) + = 3 ( = 0)
= 0,3083 + 0,4327 0,9945 + 0,2126 0,9258 + 0,0432 0,5797
= 0,9604
5.7.2
La curva OC
El desempeo de un plan de muestreo doble puede resumirse de manera conveniente por medio de su curva de
operacin caracterstica (OC). La curva OC para un plan de muestreo doble es poco ms complicada que la curva OC
para un muestreo nico. Un plan de muestreo doble tiene una curva OC primaria que da la probabilidad de
aceptacin como una funcin de la calidad del lote o proceso. Tiene tambin curvas OC complementarias que
muestran la probabilidad de aceptacin o de rechazo en la primera muestra. La curva OC para la probabilidad de
rechazo en la primera muestra es simplemente la curva OC para el plan de muestreo nico.
170

5.7.3
La curva promedio de las muestras
La curva promedio de las muestras (ASN) de un plan de muestreo doble tambin suele ser de inters del ingeniero
de calidad. En un muestreo nico, el tamao de la muestra inspeccionada del lote siempre es constante, mientras
que en muestreo doble el tamao de la muestra si depende de si la segunda es necesaria o no. La probabilidad de la
muestra seleccionada depende de si la segunda varia con la fraccin defectuosa del lote de entrada. Con la
inspeccin completa de la segunda muestra, el tamao promedio de la muestra en el muestreo doble es igual al
tamao de la primera muestra multiplicando por la probabilidad de que solo habr una muestra, mas el tamao de
las muestras combinadas multiplicando por la probabilidad de que necesitara una segunda muestra. Por lo tanto la
formula general ser:
= 1 1 + 1 + 2 (1 1 )
Donde P1 es probabilidad que el lote se acepte en la primera muestra + probabilidad que el lote se rechace en la
primera muestra.
5.8 PLAN DE MUESTREO MULTIPLE

Un plan de muestreo mltiple es una extensin del muestreo doble por cuanto pueden requerirse ms de dos
muestras para dictaminar un lote.
La ventaja de estos planes de muestreo es que las muestras requeridas en cada etapa por lo general son menores
que las de un muestreo nico o doble; por tanto, se relaciona cierta eficiencia econmica con el uso del
procedimiento. Sin embargo, la administracin del muestreo mltiple es mucho ms compleja.
5.9 PLAN DE MUESTREO SCUENCIAL

El muestreo secuencial es una extensin del concepto del muestreo doble y del muestreo mltiple. En el muestreo
secuencial se toma una secuencia de muestras del lote y se deja que el nmero de muestras lo determinen por
completo los resultados del proceso de muestreo. En teora, el muestreo secuencial puede continuar de manera
indefinida, hasta que se hace la inspeccin del 100% del lote. En la prctica, los planes de muestreo secuencial
suelen truncarse despus de que el nmero inspeccionado es igual a tres veces el nmero que se habra
inspeccionado utilizando el plan de muestreo simple correspondiente. Si el tamao de la muestra seleccionado en
cada etapa es mayor que 1, al proceso suele llamrsele muestreo secuencial grupal. Si el tamao de la muestra
inspeccionado en cada etapa es 1, al procedimiento suele llamrsele muestreo secuencial artculo por artculo.
5.10 MILITARY ESTNDAR 105E (ANSI/ASQCZ1.4; ISO 2859)

5.10.1
Descripcin
Este procedimiento de muestreo fue desarrollado durante la segunda guerra mundial. Actualmente, el estndar MIL
STD 105E es el sistema de muestreo de aceptacin para atributos de mayor uso en el mundo.
El estndar contempla tres tipos de muestreo: el muestreo nico, el muestreo doble, y el muestreo mltiple. Para
cada tipo de muestreo, se estipula la inspeccin normal, la inspeccin rigurosa, o la inspeccin reducida. La
inspeccin normal se usa al principio de la actividad de inspeccin. La inspeccin rigurosa se establece cuando el
historial reciente del proveedor se ha deteriorado. Los requerimientos de aceptacin para los lotes sujetos a
171

inspeccin rigurosa son ms estrictos que bajo la inspeccin normal. La inspeccin reducida se establece cuando el
historial reciente del proveedor ha sido excepcionalmente bueno. El tamao de la muestra que se usa generalmente
en la inspeccin reducida es menor que en la inspeccin normal.
El tamao de la muestra usado en el MIL STD 105E est determinado por el tamao del lote y por la eleccin del nivel
de inspeccin. Se estipulan tres niveles generales de inspeccin. El nivel II se designa como normal. El nivel I
requiere aproximadamente la mitad de la cantidad de inspeccin que el nivel II y puede usarse cuando se necesita
menos discriminacin. El nivel III requiere aproximadamente el doble de inspeccin que el nivel II y deber usarse
cuando se necesite ms discriminacin. Hay tambin cuatro niveles de inspeccin especiales, S-1, S-2, S-3 y S-4. Los
niveles de inspeccin especiales utilizan muestras muy pequeas y son tiles cuando las pruebas de aceptacin son
de tipo destructivo.
Para un AQL, un nivel de inspeccin especificados y un tamao de lote dado, el MIL STD 105E proporciona un plan de
muestreo normal que debe usarse mientras el proveedor est produciendo el producto con calidad AQL o mejor.
Tambin proporciona un procedimiento para hacer el cambio de inspeccin rigurosa, o reducida siempre que haya
una indicacin de que la calidad del proveedor ha cambiado. Los procedimientos para cambiar entre la inspeccin
normal, la rigurosa y la reducida se describen a continuacin:
Normal a rigurosa: cuando se est aplicando la inspeccin normal, la inspeccin rigurosa se establece
cuando dos de los cinco lotes consecutivos han sido rechazados en la inspeccin original.
Rigurosa a normal: cuando se est aplicando la inspeccin rigurosa, la inspeccin normal se establece
cuando cinco lotes consecutivos o cargas son aceptados en la inspeccin original.
Norma a reducida: Cuando se est aplicando la inspeccin normal, la inspeccin reducida se establece
siempre que se satisfagan 4 condiciones:
Los 10 lotes precedentes han estado bajo inspeccin normal y ninguno de ellos ha sido rechazado en la
inspeccin original.
El nmero total de artculos defectuosos en las muestras de los 10 lotes precedentes es menor o igual
al nmero limite aplicable que se ha especificado en el estndar.
La produccin se hace a una velocidad estable; es decir no ha ocurrido recientemente ninguna
dificultad como descomposturas de maquinas, dficit de materiales disponibles u otros problemas.
La autoridad responsable del muestreo considera deseable la inspeccin reducida.
Reducida a la normal: cuando se est aplicando la inspeccin reducida, la inspeccin normal se establece
siempre que se fatiga cualquiera de las cuatro condiciones siguientes:
Un lote es rechazado.
Cuando el procedimiento de muestreo termina sin que se hayan satisfecho los criterios de
aceptacin ni de rechazo, el lote o carga se acepta, pero se estable de nuevo la inspeccin normal a
partir del siguiente lote.
La produccin es irregular o sufre retrasos.
Otras condiciones que garantan el establecimiento de la inspeccin normal.
5.10.2
Procedimiento
Un procedimiento paso a paso para usar el estndar MIL STD 105E es el siguiente:
1.
Elegir el AQL (NAC).
172

2.
3.
4.
5.
6.
Elegir el nivel de inspeccin.

Determinar el tamao del lote.
Encontrar la letra cdigo apropiada para el tamao de la muestra en la tabla 5 (Seccin 7).
Determinar el tipo apropiado de muestreo que debe usarse (nico, doble, mltiple).
Consultar la tabla apropiada (Tablas 6-8, seccin 7) para encontrar el tipo de plan que debe
usarse.
7. Determinar los planes de inspeccin normal y reducida correspondientes que deben usarse
cuando sea necesario.
5.10.3
Curva de operacin caracterstica
El Estndar MIL STD 105E presenta la curva OC para los planes de muestreo nico. Todas son curvas tipo B. las
curvas OC para los planes de muestreo doble y mltiple asociados son comparables en trminos generales con la de
los planes de muestreo nico correspondientes.
Hay varios puntos del MIL STAD 105E que es necesario enfatizar:
1.
2.
3.
El MIL STD 105E est orientado al AQL.

Los tamaos de muestra seleccionados para usarse en la MIL STD 105E son
2,3,5,8,13,20,32,50,80,125,200,315,500,800,1250,2000. Por tanto no todos los tamaos de
muestra son posibles.
En el MIL STD 105E los tamaos de muestra estn relacionados con los tamaos de los lotes.
EJEMPLOS
1.
La empresa Condecal Ltda., obtiene un contrato para suministrar 20 lotes de 60.000 piezas cada uno. En el
contrato se establece que el cliente realiza una inspeccin segn MIL STD, Nivel general II con un NAC = 2,5.
Determine el tamao de la muestra y el criterio de aceptacin.
Solucin.
Haciendo uso del tamao del lote, se determina la letra cdigo, para este caso es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se puede apreciar que el tamao de la
muestra es de 500 y el nmero de aceptacin de 21.
2. Su empresa obtiene un contrato para suministrar 5 lotes de 1.000 piezas. La fabricacin de estas piezas es
relativamente sencilla pero presenta la dificultad de tener una tolerancia bilateral muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizar una inspeccin segn MIL-S TD-105E, AQL=0.10,
simple, nivel II.
a. Hallar el tamao de la muestra necesario para cada lote y el criterio de aceptacin y rechazo.
b. Dado que su empresa no tiene experiencia en la fabricacin de la pieza, su jefe le pide que calcule la
probabilidad de que su cliente acepte los 5 lotes en funcin de la fraccin defectuosa de la fabricada, si su
empresa sirve ese pedido sin realizar una inspeccin 100% final.
173

c. Para poder cumplimentar el pedido, su empresa piensa adquirir una nueva mquina para realizar la
operacin de fabricacin mencionada anteriormente. Si se supone que el proceso permanece centrado
Cul es el ndice de capacidad de proceso Cp que debe tener la mquina a adquirir si se pretende tener
una `probabilidad del 90% de que el cliente no rechace ningn lote?.
d. Debido al alto precio de la mquina anterior, su empresa decide hacer un lanzamiento piloto con la
mquina antigua. Fabrica 50 unidades que se verifican todas y 2 de ellas resultan defectuosas. Se pide
estimar la fraccin defectuosa existente mediante un intervalo de confianza del 95%.
e. Para cumplimentar el contrato con la maquinaria antigua, se planifica realizar una inspeccin final 100%
para segregar las unidades defectuosas. Alguien propone reemplazarla por un muestreo. Qu opina
usted?.
Solucin:
Se tienen los siguientes datos:
5
= 1000
2
= 0,1
a. Por tabla se tiene:
Cdigo J
= 80
=0
b. Para calcular la probabilidad de que el cliente acepte los 5 lotes se utiliza la frmula de la
distribucin Binomial:
5
( = 5) =
5 (1 )55
5
Como no se conoce Pa, pero se cabe que la combinatoria de (5C5)=1, y adems todo nmero elevado a la cero es
igual a 1, entonces:
( = 5) = 5
Como se necesita que esta probabilidad quede en funcin de la fraccin defectuosa, entonces en necesario aplicar la
siguiente frmula:
=
80 0
(1 )800
0
As como con lo mencionado anteriormente, la combinatoria de 50 = 1 y 0 = 1: entonces:
174

= (1 )80 = 5 = (1 )80 5 = (1 )400
c. Si se quiere tener una probabilidad de aceptacin igual al 90%, entonces para obtener el
porcentaje de PNC, se reemplaza en la frmula anterior teniendo:
= 0,9 = 5 = 5 0,9 = (1 )400 = 1
400
0,9 = 0,00026
Como el proceso est centrado, entonces se tiene el mismo porcentaje de PNC por cada uno de los lmites, por
tanto:
= 0,000132
Entonces:

0,000132 =

3,65 =
3,65 + =
Ahora, reemplazando lo anterior en la frmula de C_pl:
3,65 +
+ 3,65 3,65
=
=
=
= 1,2166
3
3
3
3
d. Para calcular el intervalo de confianza, es necesario aplicar la siguiente frmula:
=
= /2
(1 )
En donde
=
2
= 0,04
50
1 = 0,96
1= 0,95
= 0,05
= 0,025
2
= 50
Reemplazando los datos en la frmula tenemos:
175
0,04(0,96)
50
= 0,04 0,054
= 0,04 0,054
0,01 0,094
= 0,04 1,95
Como una proporcin no puede tomar valores negativos, entonces:

0 0,094
5.11 MUESTREO CONTINUO

Con estos planes, existe el supuesto explcito de que el producto se forma en lotes, y la finalidad del plan de
muestreo es dictaminar los lotes individuales.
CSP-1
Este modelo de inspeccin se constituye dentro de los planes de muestreo por variables como un plan de muestreo
continuo. Fue desarrollado por Harold F. Dodge. Al principio del plan, todas las unidades se inspeccionan al 100%. Tan
pronto como se llega al nmero de liberacin, es decir, tan pronto como se encuentra que i unidades consecutivas
del producto no presentan defectos, se discontina la inspeccin 100%, y slo se inspecciona una fraccin f de las
unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del flujo de la produccin. Si se encuentra
que una de las unidades muestrales es defectuosa, se reanuda la inspeccin del 100%. Todas las unidades
defectuosas encontradas se someten a reprocesamiento o se reemplazan con unidades satisfactorias.
Un plan CSP-1 tiene un AOQL global. El valor de este parmetro depende de los valores del nmero de liberacin i y
de la fraccin muestral f. Estos valores estn dados en la tabla 9 de la seccin 7.
CSP-2
En el desarrollo de este plan, la inspeccin 100% no se restablecer cuando la produccin este bajo inspeccin
muestral hasta que hayan encontrado dos unidades defectuosas dentro de un espacio de K unidades muestrales
entre s. Es una prctica comn elegir K igual al nmero de liberacin i. Estos planes estn registrados por AOQL
especficos que pueden obtenerse con diferentes combinaciones de i y f.
CSP-3
Este plan es muy similar al CSP-2 pero est diseado para brindar proteccin adicional contra la produccin
irregular. Requiere que despus de que se ha encontrado una unidad defectuosa, se restablece de inmediato la
inspeccin al 100%. Si no se encuentran unidades defectuosas, el plan contina bajo el CSP-2.
Ejemplo
176

Para lotes de 90.000 unidades un comprador y su vendedor acuerdan un plan de muestreo MIL STD por atributos,
inspeccin normal, muestreo sencillo simple. NAC = 2,5%, LTPD = 5,3%.
La lnea del fabricante es un proceso en serie y tiene una fraccin no conforme igual a 9%. Para conformar sus
despachos de los lotes, el fabricante aplica un CSP al final de la lnea de produccin que le deja un AOQL igual a 2%.
a. Calcule la probabilidad que el plan de muestreo acepte el lote.
b. Calcule el riesgo tipo II.
Solucin
Teniendo como parmetros de decisin el NAC y el tamao del lote, se determina el tamao de la muestra y nmero
de aceptacin, haciendo uso de la tabla MIL STD para inspeccin normal. De esta manera se obtiene:
= 500
= 21
a. Probabilidad de aceptacin
Como p se utiliza el valor del AOQL, puesto que es la proporcin real de productos no conformes despus de
rectificacin.
21
= 21 =
=0
500
(0,02) 1 0,02
500
= 0,99939
b. Riesgo Tipo II
Puesto que El riesgo tipo II se calcula a partir del LTPD, el cual debera ser el mayor porcentaje de productos no
conformes aceptados, pero se realiz una rectificacin, esta proporcin nunca ser mayor al AOQL, por lo tanto, el
riesgo tipo II es cero (0).
5.12 NIVEL DE CALIDAD INDIFERENTE

Abreviadamente IQL (indifference quality level), es el porcentaje no conforme al que corresponde una probabilidad
de aceptacin del 50%. Se usa a veces en las tablas de muestreo. El nivel de calidad indiferente es aquel que tiene
una probabilidad asociada del 0.5.
El nivel de calidad indiferente, puede identificarse de la siguiente manera:
177
Para ubicar el lmite de calidad indiferente, es necesario proyectar hacia la curva, con una probabilidad de
aceptacin de 0.5 para conocer la fraccin de disconformes lo que ser el IQL Como se observa en la lnea punteada
el IQL corresponde aproximadamente a un 0.16 de proporcin de productos no conformes.
EJERCICIOS PROPUESTOS
1.
Un proceso de llenad para recipiente de aceite en condiciones de estado estable, tiene una media de 100 lb y una
desviaciones estndar de 3 libras en dicha etapa, la cual suministra los recipientes llenos a la etapa de
despacho.
La situacin actual de la etapa de llenado es satisfactoria para las exigencias del despacho (1005,8799) libras,
pero considerara de psima calidad si los recipientes llenos vinieses con una variacin en la media de 3,5
libras, conservados su variabilidad. En el despacho aceptan un 5% de rechazar los lotes de buena calidad, caso
dado, que reciben de la etapa de llenado y el doble del riesgo anterior para lotes de aceptar lotes de mala
calidad y por lo tanto van a poner en aplicacin un plan de muestreo por atributos con un lector que clasifica los
recipientes como conformes o no conformes.
Cada lote que se procesa de llenado en serie en la etapa de llenado consta de 100000 recipientes.
a. Dise el plan de muestreo correspondiente

b. Suponga que el proceso de llenado est generando en total un 15% de producto no conforme, la cantidad
de productos no conformes por uno de los lmites de especificacin es el doble con relacin a la cantidad
de no conformes que se generan por el otro lmite de especificacin. Cul es la capacidad general del
proceso? Cul es la capacidad real del proceso?
2. Un fabricante de productos en serie le despacha a su cliente en lotes de 100000 unidades cada uno, quien le ha
fijado un NAC=4% y un LTPD=6%
La lnea de produccin tiene una fraccin de no conforme igual al 7%. El cliente utiliza para la recepcin Nivel
general de Inspeccin, Normal MIL STD 105E para su plan de muestreo. El fabricante utiliza un plan de muestreo
CSP1 con f=4% y un valor i=86 para el despacho de los lotes.
178
a. Calcular la probabilidad de aceptacin de los lotes por parte del cliente

b. Calcular el riesgo tipo II
c. Calcular la mnima probabilidad de aceptacin de lotes por parte del cliente.
d. Para qu valor del LTPD, el riesgo tipo II del plan del cliente es de 0,1?
3. Su empresa obtiene un contrato para suministrar 10 lotes de 50.000 piezas cada uno.
La fabricacin de estas piezas es relativamente sencilla pero representar la dificultad de tener una tolerancia
bilateral muy estrecha en una de sus dimensiones. El contrato establece que el cliente recibir una inspeccin
segn MIL STD 105E Nivel General de Inspeccin, AQL 2,5 simple, nivel II.
a. Para poder cumplir con el pedido, su empresa piensa adquirir una nueva mquina para realizar la
operacin de fabricacin mencionada anteriormente. Si se supone que el proceso se mantiene centrado,
Cul es el ndice de capacidad del proceso Cp que debe tener la maquina a adquirir si se pretende tener
una probabilidad conjunta total de 0,85 para la aceptacin de 10 lotes?
b. Cul es la probabilidad de aceptar al menos el 50% de los lotes?
4. Su empresa obtiene un contrato para suministrar 5 lotes de 1000 pieza. La fabricacin de estas piezas es
relativamente sencilla peros presenta dificultad de tener una tolerancia bilateral muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizara una inspeccin segn MIL STD 105E, AQL=0,10, simple,
nivel II.
a. Hallar el tamao de la muestra necesario para cada lote y el criterio de aceptacin.
b. Dado que su empresa no tiene experiencia en la fabricacin de la pieza, su jefe le pide que calcule la
probabilidad de que su cliente acepte los 5 lotes en funcin de la fraccin defectuosa de la fabricada, si su
empresa sirve ese pedido sin realizar una inspeccin 100% final.
c. Para poder cumplir con el pedido, su empresa piensa adquirir una nueva mquina para realizar la
operacin de fabricacin mencionada anteriormente. Si se supone que el proceso permanece centrado,
Cul es el ndice de capacidad del proceso Cp que debe tener la maquina a adquirir si se pretende tener
una probabilidad del 90% de que el cliente no rechace ningn lote?
d. Debido al alto precio de .la maquina anterior, su empresa decide hacer lanzamiento piloto con la maquina
antigua. Fabrica 50 unidades que se verifican todas y 2 de ella resultan defectuosas. Se pide estimar la
fraccin defectos existente en un intervalo de confianza del 95%
e. Para cumplir con el contrato con la maquinaria antigua, se planifica realizar una inspeccin final 100%
para segregar las unidades defectuosas. Alguien propone reemplazarla por un muestreo, Qu propone
Ud.?
5. Su empresa ha acordado con un cliente las condiciones de recepcin de su los envos de lotes de 5000 piezas. El
plan de muestreo por atributos acordado es el siguiente:
n=50
Ac=0
Por datos histricos Ud. sabe que la fabricacin de su empresa es muy estable y tiene un 0,35% de unidades
defectuosas.
179

a. Cul es la probabilidad de que se acepte un lote?
b. Si est prevista la entrega de 400 lotes qu cantidad R de lotes espera que se rechacen? Se suponen que
no se toma ninguna accin correctora sobre el proceso despus de cada retraso
c. Cul es la probabilidad de que le rechacen exactamente R lotes, ni uno ms, ni uno menos?
d. Si los lotes rechazados se re inspeccionan al 100% y se reponen las unidades defectuosas, Cul es la
calidad de salida media?
180
ANEXOS
181

TABLA 1. Factores para construir cartas de control papa variables (Constantes)
182

TABLA 2. Tabla de Distribucin Normal
183
184
185
186

TABLA 3. Tabla de Distribucin Binomial
187
188

TABLA 4. Tabla de Distribucin Poisson
189

TABLA 5. Letras de cdigo para el tamao de la muestra (MIL STD 105E)
190

TABLA 6. Tabla Maestra para la inspeccin Normal, Muestreo nico (MIL STD 105, Tabla II-A)
191

TABLA 7. Tabla Maestra para la inspeccin Rigurosa, Muestreo nico (MIL STD 105, Tabla II-B)
192

TABLA 8. Tabla Maestra para la inspeccin Reducida, Muestreo nico (MIL STD 105, Tabla II-C)
193

TABLA 9. Valores de i para planes CSP-1
0,53
53
0,79
36
1,22
23
1,9
15
2,9
10
4,94
6
7,12
5
11,46
3
140
87
59
38
25
16
10
303
182
113
76
49
32
21
13
498
360
217
135
91
58
38
25
15
11
790
623
450
270
168
113
73
47
31
18
13
1470
965
762
550
335
207
138
89
57
38
22
16
10
2890
1800
1180
930
672
410
255
170
108
70
46
27
19
12
4970
3570
2215
1450
1147
828
500
315
210
134
86
57
33
23
14
11730
6400
4590
2855
1870
1477
1067
640
400
270
175
110
72
42
29
18
14320
7810
5600
3485
2305
1820
1302
790
500
330
215
135
89
52
36
22
17420
9500
6810
4235
2760
2178
1583
950
590
400
255
165
106
62
43
26
AOQL (%)
0,198 0,33
140
84
0,018
1540
0,033
840
0,046
600
0,074
375
0,113
245
0,143
194
2550
1390
1000
620
405
321
232
3340
1820
1310
810
530
420
3960
2160
1550
965
630
4950
2700
1940
1205
6050
3300
2370
7390
4030
9110
194
195

Módulo Condecal Ed. 2014 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Módulo Condecal Ed. 2014 PDF

Transféré par

Droits d'auteur :

Formats disponibles

CONTROL ESTADISTICO DE LOS PROCESOS

ING. MANUEL CAMPUZANO H. M.Sc

CONTROL ESTADISTICO DE LOS PROCESOS

DEFINICIN DE CALIDAD .............................................................................................................................................................. 5

TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO DE LA CALIDAD. .................................................................... 18

CONTROL ESTADISTICO DE LOS PROCESOS

MUESTREO POR ACEPTACIN ................................................................................................................................................. 156

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

Desempeo (Servir el producto para el fin proyectado?)

CONTROL ESTADISTICO DE LOS PROCESOS

1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA CALIDAD

1.3. FILOSOFA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIN

CONTROL ESTADISTICO DE LOS PROCESOS

Enfocarse en el mejoramiento continuo.

Responsabilidad de la administracin de calidad

CONTROL ESTADISTICO DE LOS PROCESOS

Manejo de la produccin disconforme, acciones correctivas y preventivas.

CONTROL ESTADISTICO DE LOS PROCESOS

1.3.4. Gestin De Calidad Total (TQM)

1.4. COSTOS ASOCIADOS A LA CALIDAD

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

Costos de fallas externas

CONTROL ESTADISTICO DE LOS PROCESOS

EL MODELO TRADICIONAL DE LOS COSTOS DE LA CALIDAD

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

Figura 4. El modelo emergente de los CC. Fuente: Rao et al.(1996)

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

En este captulo se encuentra todo lo relacionado con las herramientas estadsticas

CONTROL ESTADISTICO DE LOS PROCESOS

TRMINOS ESTADSTICOS PARA RECORDAR

2. TCNICAS ESTADSTICAS TILES PARA EL MEJORAMIENTO DE LA CALIDAD.

CONTROL ESTADISTICO DE LOS PROCESOS

cualquiera de los dos eventos. La unin se denota por: 1 2

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

2.2. TEORIA DE LA PROBABILIDAD

CONTROL ESTADISTICO DE LOS PROCESOS

El nmero de puntos en ( ) corresponde a aquellos que estn simultneamente en B y en A, o sea: ,

CONTROL ESTADISTICO DE LOS PROCESOS

El numerador de expresin anterior se obtiene mediante la aplicacin del teorema de multiplicacin.

2.3. VARIABLES ALEATORIAS

2.4. DISTRIBUCIONES DE PROBABILIDAD

CONTROL ESTADISTICO DE LOS PROCESOS

Su media y varianza son:

La media y varianza son:

(1 3.5)2 + (2 3.5)2 + (3 3.5)2 + (4 3.5)2 + (5 3.5)2 + (6 3.5)2

CONTROL ESTADISTICO DE LOS PROCESOS

Su media y varianza son:

CONTROL ESTADISTICO DE LOS PROCESOS

0,02 2 (1 0,02)92 = 0,0125

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

2.4.2. DISTRIBUCIONES CONTINUAS

CONTROL ESTADISTICO DE LOS PROCESOS

CONTROL ESTADISTICO DE LOS PROCESOS

2.5. CADENAS DE MARKOV

CONTROL ESTADISTICO DE LOS PROCESOS