SCE = 16.

54

GLE = GL (tot) - GLT – GLB

GLE = 49 – 4 9 = 36

b.2. Cuadrados Medios

b.2.1 Cuadrado Medio de Tratamientos

CMT = SCT/GLT
= 31.75/4
CMT = 7.94

b.2.2 Cuadrado Medio de Bloques

CMB = SCB/GLB
= 16.02/9
CMB = 1.78

b.2.3 Cuadrado Medio del Error

CME = SCE/GLE
= 16.54/36
CME = 0.46

CUADRO DE ANVA

FUENTE DE
VARIABILIDAD GL SC CM 𝐹𝑐𝑎𝑙

BLOQUES 9 16.03 1.78 CMB/CME = 3.87

TRATAMIENTOS 4 31.75 7.94 CMT/CME = 17.26
ERROR
EXPERIMETAL 36 16.54 0.46 …….

TOTAL 49 64.32 …… ……

b.3. Cálculo del F tabular

𝑭 𝒕𝒂𝒃(𝜶, 𝑮𝑳𝑻, 𝑮𝑳𝑬)

𝑭 𝒕𝒂𝒃 = 𝑭(𝟎.𝟗𝟓; 𝟒.𝟑𝟔) = 𝟐. 𝟔𝟑2

b.4. Análisis

Se acepta Hp si Fc ≤ 2.63

Se rechaza Hp si Fc > 2.63

c. Conclusión
Como Fc = 17.26 > F tab = 2.63 entonces se acepta Ha y se concluye a un nivel
de significancia del 5% que las evidencias estadísticas nos indican al menos que una de las
diluciones de néctar de pepino dulce presenta diferencias significativas en el sabor con
respecto a los demás.

d. Prueba de comprensión de promedios de Duncan

d.1. Hipótesis
Hp: los efectos promedios del sabor de las 5 disoluciones del néctar de pepino dulce al
Ser tomadas de dos en dos son similares entre sí.
Ha: algún efecto promedio del sabor de las 5 disoluciones del néctar de pepino dulce al
Ser tomadas de dos en dos son diferentes entre sí.

d.2. Cálculo del estadístico de Duncan

 Hallar en la tabla de Duncan los valores de las ´´amplitudes estandarizadas

significativas’’ de Duncan (los valores AES(D)), para los valores de a, GLE y p =2, 3, t,
siendo t es número de tratamientos.
P= numero de promedios abarcadas por la comparación.
Valores AES(D) = a = 0.05 GLE = 35 (tablas de Duncan)

P 2 3 4 5
AES(D) 2.872 3.022 3.108 3.182

 Hallar los valores de las ‘‘amplitudes límites de significación de Duncan’’ [AES(D)] para
cada para de comparaciones.
 Ordenar los tratamientos

ALS(D) = AES………COMPLETAR NO SE VE

Donde ………completar
P 2 3 4 5
ALS(D) 0.616 0.642 0.647 0.682
  Ordenar los tratamientos de acuerdo a su promedio

Tratamientos A B C D E
Ŷ𝑖, 5.3 5.4 6.0 6.7 7.4
I II III IV V

 Efectuar la comparación:

COMPARACION PROMEDIO Ŷ𝑖, - Ŷ𝑖, 𝐴𝐿𝑆(𝐷)𝑖𝑗 Signif.

7.4, 5.3 2.1 0.682 *
V- I
7.4, 5.4 2.0 0.667 *
V-II
7.4, 6 1.4 0.642 *
V-III
7.4, 6.7 0.7 0.616 *
V-IV
6.7, 5.3 1.4 0.667 *
IV-I
6.7, 5.4 1.3 0.642 *
IV-II
6.7, 6 0.7 0.616 *
IV-III
6, 5.3 0.7 0.642 *
III-I
6, 5.4 0.6 0.616 n.s,
III-II
5.4, 5.3 0.1 0.616 n.s,
II-I

Para determinar el valor del ALS(D) corresponde se cuentan los lugares que hay entre los
tratamientos comparados incluyendo a estos y se iguala este valor a p y se busca su ALS(D)

Ejemplo:
V- I p=5 ALS(D) = 0.682

Decisión:
Si Ŷ𝑖, - Ŷ𝑖, ≤ ALS(D) entonces se acepta Hp
Si Ŷ𝑖, - Ŷ𝑖, > ALS(D) entonces se rechaza Hp
  Por lo tanto
I II III IV V
………
…….
d.3. CONCLUSION

Se observa que no existen diferencias significativas entre el sabor de diluciones del néctar
A y C.
Las muestras D y E son diferentes, así como D y C, D y B; y A. la muestra que presenta el
mejor sabor fue la muestra ‘‘E’’, debido a que presenta mayor sumatoria con respecto a la
región de la escala usada.
 TABLA PARA LA PRUEBA DE TRIANGULO
Numero de observaciones correctas requeridas para diferentes niveles de
significación

NUMERO DE OBSERVACIONES CORRECTAS

Numero total de
observaciones 95:1 99:1 999:1
Nivel 5% Nivel 1% Nivel 0,1%

4 - - 0

6 5 6 0

8 6 7 8

10 7 8 9

12 9 8 10

15 10 11 12

18 11 12 13

21 12 14 15

24 14 15 16

27 15 16 18

30 16 18 19

35 18 20 22

40 20 22 24

45 22 24 26

50 25 26 28

60 29 30 32

70 33 35 37

80 37 39 41

90 41 43 45

100 45 47 49
 TABLA PARA LA PRUEBA DE TRIANGULO
Numero de observaciones correctas requeridas para diferentes niveles de
significación

NUMERO DE OBSERVACIONES CORRECTAS

Numero total de 95:1 99:1 999:1
observaciones Nivel 5% Nivel 1% Nivel 0,1%

6 6 - -

8 7 8 -

10 9 10 -

12 10 11 -

14 11 12 14

16 13 14 15

18 14 15 17

20 15 16 18

25 16 20 22

30 21 23 25

35 24 26 28

40 27 29 32

45 30 32 35

50 33 35 38

60 38 41 44

70 44 46 50

80 50 52 56

90 55 58 62

100 60 63 67

200 113 116 121

300 165 169 175

400 218 223 230

500 270 276 284

600 332 338 347

700 374 480 490

800 427 484 445

900 439 487 499

1000 531 539 552

PRÁCTICA N°. 6

PRUEBA DE BONDAD DE AJUSTE

(Trabajo Encargados)

I. OBJETIVOS

Aplicar la prueba de Bondan de Ajuste para establecr si una variable cuantitativa continua
‘‘variable ’’, relacionada con algun aspecto de calidad en los procesos de la industria
alimentaria se ajusta a una distribucion normas o a otras distribuciones como: Binomial,
Hipergeometrica o Poisson.

II. METODOLOGIA EXPERIMENTAL

2.1 Materiales
 Producto en el cual se evaluará o medirá una variable cuantitativa continua ‘‘variable’’.
 Dispositivos de medicion de la ‘‘variable’’: regla, balanza, refractómetro, dencimetro,
etc.

2.2 Metodologia

Consisite en medir una variable cuantitativa continua ‘‘variable’’ en un producto

alimenticio, considerando para ello como minimo 150 mediciones, las que se
analizaran,para establecer si se aproxima a una distribucion normal, siguiendo la metologia
de la prueba de Bondad de ajuste, que en general considera:

1º. Hipotesis

Hp ó Ho: Se supone que la variable siguen una distribucion teorica definida

(Distribuccion Normal)
Ha ó H₁: Se supone que la variable no siguen una distribucion teorica
definida (Distribuccion Normal)

2º. Definir el nivel de significacion. Generalmente se usa α=0.05

3º. Obtener el estadístico calculado (x²) y el estadistico tabular (x²).

Estadistico calculado:

( 𝜃𝑖 −𝐸𝑖 )²
𝑋𝐶2 = ∑𝐾
𝑖=1 𝐸𝑖

( 𝜃𝑖 )²
𝑋𝐶2 = ∑𝐾
𝑖=1 − ∑𝐾
𝑖=1 𝐸𝑖
𝐸𝑖

( 𝜃𝑖 )2
𝑋𝐶2 = ∑𝐾
𝑖=1 −𝑛
𝐸𝑖

Donde :
𝜃𝑖 = frecuencia observada de la clase i
𝐸𝑖 = Frecuencia esperada de la clase i
K = Número de clases cuando la muestra es grande (𝐸𝑖 ≥ 5)
N = Tamaño de muestra

Estadístico tabular:

2
𝑋1−𝛼, 𝐾−𝑝−1𝑔𝑙)

Donde: p= Número de parámetros estimados con la muestra.

Nota:
𝐸𝑖 = 𝑛𝜋 donde 𝜋 = Pobabilidad teórica
𝐸𝑖 = n𝑃𝑖 , donde 𝑃𝑖 = Probabilidad estimada

4º. Conclusiones

Si 𝑋𝐶2 ≤ 𝑋 2 , se acepta la hipótesis planteada (Hp)

Si 𝑋𝐶2 ≤ 𝑋 2 , se acepta la hipótesis alternante (Ha)

5º. Si la conclusión fue aceptar la hipotesis alternamente (Ha), continuar con la

evaluación y establecer a que distribucion ( Binomial, Hipergeometrica o Poisson),
se aproxima la ‘‘variable’’ analizada.
PRÁCTICA N°. 7

SEMINARIO DE GRÁFICOS DE CONTROL

PARA VARIABLES Y ATRIBUTOS

I. OBJETIVOS
Revisar la metodología de elaboración de gráficos de control para el control de calidad de
una variable o atributos asociado a los procesos productivos en la industria alimentaria.
II. ASPECTOS TEORICOS

2.1 Definición

Los graficos se definen como un ‘‘metodo gráfico para evaluar si un proceso está o
no en un estado de control estadistico’’. Es una comparacion gráfica-tecnológica
(hora a hora, día a día) de las características de calidad reales del producto, de acuerdo
con la experiencia.
Se emplean para vigilar la estabilidad de un proceso. Se agregan los limites de control
ala grafica como ayuda para decidir cuándo ajustar el proceso.
Estos limites se basan en la variabilidad inherente del proceso y se establecen en ±
3 sigma (s). es de hacer notar que que los limites de control no son los de la
especificacion (Valor nominal y/o tolerancia superior, inferior): estos se establecen
fuera del proceso.
En funcion al tipo de característica de calidad (parametro o característica), los
graficos de control puede ser para variables y para atributos.

2.2 Grafico de control para variables

Un gráfico de control para variables es un trazo estadístico que por lo general se
calcula a partir de subgrupos que muestran la conducta de una característica de
calidad de un proceso en el transcurso del tiempo. Estos pueden ser:
 Gráficos de control para el promedio (𝑋̅)
 Gráficos de control para el Rango (R) y rangos variables (RV) y
 Gráficos de control para la desfiación estandar (S).

Se usan las graficas de 𝑋̅ yR cuando es posible preparar subgrupos que tenga una
dimensión de cinco o menos. El gráfico del promedio (𝑋̅) y vigila la variabilidad a lo
 largo plazo y el gráfico del rango (R) vigila la variabilidad a corto plazo. Estos son los
gráficos de control por variables que más se utilizan.

El gráfico de la desfiación estadar (S) se emplea en vez del rango (R) si el tamaño del
grupo es de seis o más a si su dimensiónes variable.

2.3 GRAFICO DE CONTROL PARA ATRIBUTOS

Un gráfico de control para atributos es un trazo de un estadistica que por lo general tambien
se calcula a partir de subgrupo que muestran la conducta deuna característica del proceso
en función altiempo, los gráficos de control para atributos pueden ser:
 Gráfico de control para defectuosos
 Número de defectuosos (np)
 Fracción de defectuosos (p)
 Porcentaje de defectuosos (100p)

 Gráfico de control para defectos

 Número de defectos por muestra (c)
 Número de defectos por unidad de uestra(u)
 Número de defectos por 100 unidades de muestra (100u)
III. PROBLEMAS

3.1. GRÁFICO DECONTROL PARA VARIABLES

Se desea conocer la variabilidad del proceso de llenado en fresas congeladas, a fin

de determinar que porcentaje de los pesos se encuentran arriba del peso nominal
de 100gr. Para tal efecto se colectan 5 bolsas de fresas congeladas y se re registran
los pesos considerando la variabilidad en decimas de gramo. Los datos son
registrados en la siguiente tabla y la operación se repite 10 veces.
 REGISTRO DE PESOS
GRUPO
1 2 3 4 5 6 7 8 9 10
A 2 4 3 0 2 1 3 4 2 0
B 0 3 2 2 0 -2 4 6 4 2
C 4 4 4 -1 3 0 2 2 0 -2
D 1 0 2 2 1 2 1 3 2 3
E -2 3 2 -2 0 0 2 1 2 2
Σ 5 14 13 1 6 1 12 16 10 5

𝑋̅ 1 2.8 2.6 0.2 1.2 0.2 2.4 3.2 2 1

R 6 4 2 4 3 4 3 5 4 5

𝑋̿ = 1.66
𝑅̅ = 4
Se pide:
a. Calcular los limites de control para los gráficos 𝑋̅ Y R.
b. Construir los gráficos de control 𝑋̅ y R.
c. Calcular el porcentaje de pesos por encima del valor nominal
d. Calcular los nuevos limetes de control si desea que solo un 10% de los pesos
esten bajo el peso nominal.

Solución:
a. Cálculo de los limites de control para el promedio: 𝑋̅ y el rango: R
a.1 Cálculo de los limites de control para el promedio 𝑋̅

LCS 𝑋̅ = 𝑋̿ ± A₂𝑅̅

Calculo de A₂:

El valor de A₂ se determina en la tabla 1 (factores para determinar los limites

de 3𝜎 de los gráficos de control por variables), conociendo el tamaño de la
muestra n=5.

Entonces para n=5 ⇢ A₂ = 0.58

Cálculo de los limites del 𝑋̅:

LCS 𝑋̅ = 𝑋̿ + A₂𝑅̅ = 1.66 + 0.58(4) = 3.98

 LCC 𝑋̅ = 𝑋̿ = 1.66

LCI 𝑋̅ = 𝑋̿- A₂𝑅̅ = 1.66 + 0.58(4) = -0.66

a.2 Cálculo de los limites de control para el rango: R

LCS R= D₄𝑅̅ = 2.11(4) = 8.44
LCC R= 𝑅̅ =4
LCI R =D₃𝑅̅ = 0(4) = 0

Nota:
Las constantes D₄ y D₃ se hallaron en la tabla 1, conociendo el tamaño de
Muestra que es n= 5.

b. Construción de los graficos de control para el promedio: 𝑋̅ y el rango: R

 Para ello se debe buscar el número Z que dio origen a dicho 10%. Por lo tanto al
ingresar a la tabla Z se obtiene que Z = -1.29

Luego de la fórmula Z, se despeja el 𝑋̅, para calcular con ello los nuevos límites.

𝑉𝑁−𝑋̅
𝑍= ⇢ 𝑋̅ = VN – Z𝜎
𝜎

𝑋̅ = 0 – (-1.29)(1.79)

𝑋̅ = 2.309

Por lo tanto, los nuevos limites serán:

LCS 𝑋̅ = 2.309 + 0.58 (4) = 4.629
LCS 𝑋̅ = 2.309
LCS 𝑋̅ = 2.309 – 0.58 (4) = 0.011

3.2. GRÁFICO DE CONTROL PARA ATRIBUTOS

3.2.1 GRÁFICO DE CONTROL PARA DEFECTUOSOS

Una industria productora de dulces decide construir un gráfico de control de
defectuosos de su producto final y para lo cual se extraen durante los 20 días útiles
del mes de julio una muestra de 200 barras de chocolate, obteniendo los siguientes
resultados.

Día 1 2 3 4 5 6 7 8 9 10
N° defectuosos 15 30 40 50 10 30 32 44 55 100
Día 11 12 13 14 15 16 17 18 19 20
N° defectuosos 20 35 10 20 25 18 10 11 15 16

Se pide:

a. Determinar los límites de control expresado en número de defectuosos (np),

fracción defectuosa (p) y porcentaje de defectuosos (100p).
b. Construir los respectivos gráficos de control.
c. Determiación del porcentaje de pesos por encima del valor nominal

Para ello se debe transformar el valor nominal: VN (dato de problema) a un número

‘‘Z’’ (de la distribución normal), tal que al encontrar las probabilidades superiores a
este valor se establezca el porcentaje de pesos sobre dicho valor nominal.
𝑉𝑁 − 𝑋̅
𝑍=
𝜎

Cálculo de la desviación estándar (𝜎):

𝑅̅
𝑅̅ = 𝑑2 𝜎 ⇢ 𝜎 =
𝑑2

Según la tabla 1: para n = 5 ⇢ 𝑑2 = 2.236

Luego ⇢ 𝜎 = 1.79

Cálculo del VN: el valor nominal del problema equivale a 100 g, sin embargo
como se está analizando los datos en función a décimas de gramo entonces es
equivalente a ‘‘0 g’’.

Asimismo: 𝑋̅ = 1.66

Cálculo de Z:

𝑉𝑁−𝑋̅ 0−1.66
𝑍= = = −0.93
𝜎 1.79

Cálculo del porcentaje de pesos por encima del valor nominal:

Como el VN fue transformado aun número Z = -0.93, en la tabla estadistica ‘‘Z’’,

obtenemos una probabilidad inferior a este valor equivalente a 0.1762, es decir el
porcentaje de pesos por debajo del valor nominal es de 17.62%, porlo tanto el
porcentaje de pesos por encima del VN = 82.38%.

d. Cálculo de los nuevos límites de control, si se desea que sólo el 10% de los pesos
estén por debajo del valor nominal o especificado
3.2.2 GRÁFICO DE CONTROL PARA DEFECTOS

La producción de kekes de frutas requiere una carta de control por defectos. Con
este objeto se toma una muestra (01) de cada uno de los 10 lotes evaluados. Así
mismo de cada muestra se extrae una unidad de muestra (01) para determinar los
defectos, obteniendose los siguientes resultados:

Kekes de frutas 1 2 3 4 5 6 7 8 9 10
(N° de lote)
1 2 3 4 5 4 3 2 1 0
N° de defectos
 Solución

a. Determinación los limites de control expresando en número de defectuosos,

fracción defectuosa y porcentaje de defectuoso.

Cuadro de datos a ser empleados en el desarrollo

Fecha: mes Número Número de Fracción de Porcentaje de
de julio Inspeccionado defectuosos fectuosa defectuosos
(n) (np) (p) (100p)
1 200 15 0.075 7.5

2 200 30 0.150 15

3 200 40 0.200 20

4 200 50 0.250 25

5 200 10 0.05 55

6 200 30 0.150 15

7 200 32 0.160 16

8 200 44 0.220 22

9 200 55 0.275 27.5

10 200 100 0.500 50

11 200 20 0.100 10

12 200 35 0.175 17.5

13 200 10 0.05 5

14 200 20 0.100 10

15 200 25 0.125 12.5

16 200 18 0.090 9

17 200 10 0.050 5

18 200 11 0.055 5.5

19 200 15 0.075 7.5

20 200 16 0.080 8

Σn= 4000 Σnp = 586

 Cálculo de 𝑝̅ :

∑ 𝑛𝑝 586
𝑝̅ = ∑𝑛
= 4000

𝑝̅ = 0.1465

Por lo tanto:

100 𝑝⃛ = 14.65

a.1 Límites para el número de defectuosos (np)

LC: n𝑝̅ ± 3 √(𝑛𝑝̅ (1 − 𝑝̅ ))

LCS = 29.3 + 15 = 44.3

LCC = 29.3
LCI = 29.3 – 15 = 14.3

a.2 Límites para lña fracción de defectuosos (p)

LC: n𝑝̅ ± 3 √( 𝑝̅ (1 − 𝑝̅ )/𝑛)/𝑛)

LCS = 0.1465 + 0.075 = 0.2215

LCC = 0.1465
LCI = 0.1465 – 0.075 = 0.0715

a.3 Límites para el porcentaje de defectuosos (100p)

LC: 100 𝑝̅ ± 3 √(100𝑝̅ (100 − 100𝑝̅ )/𝑛)

LCS = 14.65 +7.50 = 22.15

LCC = 14.65
LCI = 14.65 +7.50 = 7.15

b. Construcción de los recpectivos gráficos de control

a. Calcular los límites de control, expresados en: número de defectos en la muestra
(c), número de defectos por unidad (u) y número de defectos por 100 unidades
(100u).
b. Construir los recpectivos gráficos decontrol,

Solución:

Cuadro de datos a ser empleados en el desarrollo

Número de Número de
Número de Número Número de defectos por defectos por
lotes (m*) inspeccionado defectos (c ) unidad (u) 100 unidades
u= c/n (100u)
1 1 1 1 100
2 1 2 2 200
3 1 3 3 300
4 1 4 4 400
5 1 5 5 500
6 1 4 4 400
7 1 3 3 300
8 1 2 2 200
9 1 1 1 100
10 1 0 0 0
Σn =10 Σc = 25

̅ y 100 𝒖
Cálculo 𝑐̅ , 𝒖 ̅:

∑𝑐 25
𝑐̅ = = 10 𝑐̅ = 2.5
𝑚.

∑𝑐 25
𝑢̅ = = 10 𝑢̅ = 2.5
𝑚.

100 ∑ 𝑐 2500
100u ∑𝑛
= 100 𝑢̅ = 250
10

Nota: m* es el número de muestra (de n unidades cada una).

a.1 Límites para el número de defectos en la muestra

LC: 𝑢̅ ± 3√(𝑢̅)

LCS =2.5 + 4.7434 = 7.2434

LCC = 2.5
LCI = 2.5 – 4.7434 = -2.2434 = 0

a.2 Límites para el número de defectos por unidad

LC: 𝑢̅ ± 3 √(𝑢̅/𝑛)

LCS = 2.5 + 4.7434 = 7.2434

LCC = 2.5
LCI = 2.5 - 4.7434 = -2.2434 = 0

a.3 Límites para el número de defectos por cien unidades

LC: 100𝑢̅ ± 100 [3√(𝑢̅ / n)]

LCS = 250 + 474.34 = 724.34

LCC= 250
LCI = 250 – 474.34 = -224.34 = 0

b. Construcción de los gráficos de control

 TABLA 1: FACTORES PARA DETERMINAR LOS LIMITES DE CONTROL (3𝜎) DE LOS
GRAFICOS DE CONTROL POR VARIABLES

FACTORES PARA EL GRAFICO

N° de
d₂ = R C₂ = 𝜎 𝑋̅ R 𝜎
observa-
𝜎’ 𝜎’
ciones A₂ A₁ A D₃ D₄ D₁ D₂ B₃ B₄

2 1.128 0.5642 1.88 3.76 2.12 0 3.27 0 3.69 0 3.27

3 1.693 0.7236 1.02 2.39 1.73 0 2.57 0 4.36 0 2.57

4 2.059 0.7979 0.73 1.88 1.50 0 2.28 0 4.70 0 2.27

5 2.236 0.8407 0.58 1.60 1.34 0 2.11 0 4.92 0 2.09

6 2.534 0.8686 0.48 1.41 1.22 0 2.00 0 5.08 0.03 1.97

7 2.704 0.8882 0.42 1.28 1.13 0.08 1.92 0.20 5.20 0.12 1.88

8 2.847 0.9027 0.37 1.17 1.06 0.14 1.86 0.39 5.31 0.19 1.81

9 2.970 0.9139 0.34 1.09 1.00 0.18 1.82 0.55 5.39 0.24 1.76

10 3.078 0.9227 0.31 1.03 0.95 0.22 1.78 0.69 5.47 0.28 1.72

11 3.173 0.9300 0.29 0.97 0.90 0.26 1.74 0.81 5.53 0.32 1.68

12 3.258 0.9353 0.27 0.93 0.87 0.28 1.72 0.92 5.59 0.35 1.65

13 3.336 0.9410 0.25 0.88 0.83 0.31 1.69 0.81 5.65 0.38 1.62

14 3.407 0.9453 0.24 0.85 0.80 0.33 1.67 1.12 5.69 0.41 1.59

15 3.472 0.9490 0.22 0.82 0.77 0.35 1.65 1.21 5.74 0.43 1.57

16 3.532 0.9523 0.21 0.79 0.75 0.36 1.64 1.28 5.78 0.45 1.55

17 3.588 0.9551 0.20 0.76 0.73 0.38 1.62 1.36 5.82 0.47 1.53

18 3.640 0.9576 0.19 0.74 0.71 0.39 1.61 1.43 5.85 0.48 1.52

19 3.689 0.9599 0.19 0.72 0.69 0.40 1.60 1.49 5.89 0.50 1.50

20 3.735 0.9619 0.18 0.70 0.67 0.41 1.59 1.55 5.92 0.51 1.49
 Solución

a. Cálculo del tamaño de muestra ‘‘n’’ y del número de defectuosos ‘‘c’’

(establecimiento del plan de muestreo).

Para establecer n y c, se empleara del gráfico de Thorndike o la tabla de Poisson.

Riesgo del vendedor Riesgo del comprador

(Productor) (Consumidor)
Número de
defectuosos Pa = 0.95 p′ = 0.01 PC = 0.10 p′ = 0.03
‘‘c’’
Muestra Muestra
np′ np′
n = (np′/0.01) n = (np′/0.03)
0 0.00 0.00 2.20 73.33

1 0.34 34 3.75 125.00

2 0.80 80 5.20 173.33

3 1.30 130 6.50 216.66

4 1.90 190 7.80 260.00

5 2.60 260 9.20 306.65

6 3.15 315 10.40 346.66

7 3.95 395 12.00 400.00

8 4.60 460 13.00 433.00

Por lo tanto el plan de muestreo es:

n = 400

c=7

b. Gráfico de la curva operativa de plan establecido n = 400 c = 7

Para dicha construcción se empleará la gráfica de Thorndike: para ello se ingresará

seleccionado un grupo de valores de np′ (eje X), los cuales se interceptarán con la curva
c= 7 y luego se obtendrán las Pa (eje Y).
Para construir la curva operativa se deben generar los pares ordenados:
(p′ en %, Pa), donde p′ = (np′/n) * 100, ya que p′ está en fracción.
c. Hallar la probabilidad de aceptación de lotes con 1.8% de defectuosos.

Del gráfico anterior o a partir de la interpolación de valores del porcentaje de

defectuosos: Pa =

d. Halle el AOQL para los lotes aceptados con el plan de muestreo.

GRAFICO DE AOQ

Puede ser a partir del gráfico del AOQL o del cuadro anterior. El AOQL es el valor
maximo del AOQ, es decir la peor calidad que le puedo dar al consumidor sin que
este se de cuenta, por lo tanto para el valor de:
AOQL = 1.11, le corresponde un porcentaje de defectuosos de 1,5%.