Control Estadistico de La Calidad

Control Estadístico de
Calidad
Carlos Viesca González
Carlos Viesca González 1

CAPÍTULO 1
Conceptos básicos y
variabilidad.

CALIDAD
(ISO 9000:2000)
 Grado en el que un conjunto de
características (rasgos diferenciadores)
inherentes (existen en algo, especialmente
como características permanentes) cumple
con los requisitos (necesidad o expectativa
establecida, generalmente implícita u
obligatoria).

Dimensiones de la
calidad (Garvin, 1987)
La calidad de un producto se puede evaluar
de varias formas:
1. Desempeño. ¿Desempeñará el producto la
función para la cual fue creado?
2. Confiabilidad. ¿Con qué frecuencia falla el
producto?
3. Durabilidad. ¿Cuánto dura el producto?
4. Disponibilidad del servicio. ¿Qué tan fácil
es reparar un producto?
Dimensiones de la
calidad (Garvin 1987)
5. Estética. ¿Cómo se ve el producto?

6. Características distintivas. ¿Qué más hace
el producto?
7. Calidad percibida. ¿Cuál es la reputación de
la compañía o de sus productos?
8. Conformancia o cumplimiento con los
estándares. ¿Está hecho el producto
conforme el diseñador lo pretendía?

 Calidad significa adecuación
para el uso.
Adecuación para el uso

Calidad de diseño. Un producto o
servicio se produce con un grado o
nivel de calidad, el cual es
intencional.

Adecuación para el uso
 Calidad de conformancia. Qué tan bien
cumple un producto o servicio con las
especificaciones de diseño. Se ve afectada
por: el proceso de manufactura, el
entrenamiento y la supervisión, el sistema
de calidad, el grado al cual se aplican los
procedimientos del sistema de calidad y la
motivación de la fuerza de trabajo, entre
otros factores.

Algunas definiciones de
calidad
 Adecuación para el uso o para la

función.
 El grado al cual un producto específico
satisface los deseos de un cliente en
particular.
 Proveer productos y servicios que
cumplan con las expectativas de los
clientes a lo largo de la vida del
producto o servicio a un costo que
represente valor para el cliente.
calidad
 El grado al cual un producto es conforme
a las especificaciones del diseño.
 Las características o atributos que
distinguen a un artículo de otro.
 Conformancia con los requerimientos de
ingeniería aplicables, de acuerdo con las
especificaciones, dibujos y demás
documentos de ingeniería relacionados.

calidad
 Las definiciones anteriores no han
sido muy útiles por alguno o varios
de los siguientes aspectos:
a) Están basados en atributos y son de
naturaleza cualitativa.
b) Están basados en manufactura y no
en diseño (se ve la calidad hasta el
final del proceso de manufactura)
calidad
c) No establecen claramente la
relación apropiada entre deseos,
necesidades, expectativas del
cliente y la función del producto.
Un producto se puede vender por
un atributo pero perderá mercado
por su función, por su calidad.

Función de pérdida de
Taguchi.
 La pérdida impartida a la sociedad
durante el uso de un producto es
un resultado de la variación
funcional y de los efectos dañinos
derivados del uso del mismo
(efectos colaterales que no están
relacionados con la función del
producto).
Función de pérdida de
Taguchi.
Ejemplo de las agendas:
Para este ejemplo:

Pérdidas ($)
• Valor nominal u objetivo= 22 cm

Pérdidas Pérdidas
menores mayores
• Especificaciones o tolerancias= 22 ± .3 cm
• Límite inferior de especificación (LIE) = 21.7
cm
• Límite superior de especificación (LSE) =
21.7 22.3 22.3 cm
Longitud del corte del forro por agenda

Actualmente función de
pérdida
Pérdida de calidad
Se comporta de forma
exponencial en las
pérdidas
Valor nominal
Características de calidad

Actualmente función de
pérdida
En algunos estudios empíricos se ha encontrado:
Tendencia
Pérdidas ($)
• Actualmente la tendencia de
control de calidad es la reducción
de variabilidad
Pérdida de calidad
Característica de calidad
Valor nominal

Variabilidad
(Devor, 1992)
 No existen dos productos exactamente
iguales.
 La falla de un producto para alcanzar la
función que se pretende, según el
cliente, puede surgir de alguna o de
las dos siguientes fuentes:
1. Falla para lograr el desempeño nominal
requerido por el diseño.
2. Variación excesiva alrededor del nivel de
desempeño nominal pretendido.

Variabilidad
 Las fuentes de variación son fuentes de
desperdicio e ineficiencias y por cada
fuente de variación identificada y
removida se experimentarán
incrementos en calidad y productividad.
 La variabilidad se puede describir en
términos estadísticos y aquí es dónde
encaja el uso de métodos estadísticos
en el mejoramiento de la calidad.
Mejoramiento de la
calidad (Montgomery, 1997)
 Reducción de la variabilidad en
procesos y productos. Excesiva
variabilidad en el desempeño de un
proceso se traduce frecuentemente
en desperdicio.
 ¿Y en servicios? Reducción de
desperdicio.
Control estadístico de la
Calidad
(Besterfield, 1995)
 Consiste en el acopio, análisis e

interpretación de datos para su uso
en el control de calidad. Dos
elementos importantes del CEC son
el Control Estadístico de Procesos
(CEP) y el Muestreo de Aceptación.

CAPÍTULO 2
Gráficas de Control

Gráficas de control
µˆ + 3σˆ x Límite superior de control (LSC)
µ̂
Línea central (LC)
µˆ − 3σˆ x
Límite inferior de control (LIC)
tiemp
o
Dónde el tiempo representa la muestra o subgrupo

 Las gráficas de control nos muestran cómo se
compara una característica a través del tiempo.
 Si todos los puntos están dentro de los límites y no
siguen un patrón específico, se dice que el proceso
está bajo control o bajo control estadístico.
 Los límites de control dependen del
comportamiento de los datos.

 Concepto de control estadístico de
Shewhart:
 Se dice que un fenómeno está controlado cuando,
a través del uso de la experiencia pasada, se
puede predecir al menos dentro de ciertos límites
como se espera que varie el fenómeno en el
futuro.
 Si un proceso no está en estado controlado, la
productividad o el éxito económico no se
garantiza.
 Límites de especificación:
dependen del diseño o del cliente.
 Límites de control: los

determina el proceso.

Zonas de una gráfica
de control
 Zona A= media + 3σ = 99% de los datos

 Zona B= media + 2σ = 95% de los datos
 Zona C= media + σ = 68% de los datos

Ocho pruebas para verificar que una gráfica está
bajo control estadístico:
Prueba # 1: un dato fuera del límite de control
LSC
A
B
C
LC
C
B
A
LIC
tiempo

Prueba # 2: Prueba # 3:
Ocho puntos en forma Cinco puntos consecutivos en

consecutiva por arriba o por forma ascendente o
debajo del promedio descendente
LSC
LSC
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Catorce puntos alternándose Dos o tres puntos en la zona A

en forma consecutiva arriba y o más allá
abajo.
LSC
LSC
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Cuatro de cinco puntos Quince puntos consecutivos en

consecutivos en la zona B o la zona C
más allá
LSC
LSC
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Prueba # 8:
Ocho puntos consecutivos que no caigan en la zona C
LSC
A
B
C
LC
C
B
A
LIC
tiempo

 Cuando una gráfica no está en control
estadístico, se puede deber a:
 Causas comunes de variación: fuentes de
variación dentro de un proceso que tienen una
distribución estable y repetible en el tiempo.
 Causas especiales de variación: factores que
causan variación y que no están actuando
siempre sobre el proceso.

Estadística de las
gráficas de control
 Prueba de hipótesis:
Ho: El proceso está bajo control vs

Ha: El proceso no está bajo control
 Error tipo I: Rechazar Ho cuando Ho es

verdadero. Se concluye que “el proceso no
está bajo control, cuando realmente si lo
está”.
P(Error tipo I)= α

Estadística de las
 Error tipo II: Aceptar Ho cuando Ho es falsa.
Se concluye que “el proceso está bajo
control, cuando realmente no lo está”.
P(Error tipo II)= β
 Para fines de cálculo de α y β , suponga

que el proceso no está bajo control si hay
un cambio en la media del mismo.

Estadística de las
 Fórmulas:
x − µx σ
Z= σx =
σx n

Estadística de las
LSC
La media cambia
LIC
El error tipo II se obtiene con la nueva media

Curva característica de
operación
 Es una medida de de la bondad de una gráfica
de control para detectar cambios en los
parámetros de los procesos (µ , σ ).
P(no detectar cambios)=β
Cambios en la media del proceso

ARL (Average run
length)
 Denota el número de muestras que en
promedio se requieren para detectar
una señal fuera de control.
 Si el proceso está bajo control:
1
ARL =

α
Entre más grande sea el ARL es mejor, ya que no se
tienen muchas falsas alarmas.

ARL (Average run
length)
 Si el proceso no está bajo control:
1
ARL =
1− β
 Entre más pequeño sea el ARL necesito
menos muestras para calcular el error tipo II

Efectos de los límites
de control sobre α y β
a) si los límites de control son más anchos:
 α se reduce
 β se incrementa
a) si los límites de control son más angostos:

 α se incrementa
 β se reduce
a) si se toman muestras más grandes:

 α se reduce
 β se reduce

Tasa global de error
tipo II
α = P (total de error tipo I )
k
= 1 − Π (1 − α i )
i =1
 Donde:
 K= # de reglas independientes usadas como

criterios para situaciones fuera de control.
 α i= P(error tipoI) con la regla
Tipos de gráficas de
control
 Para valores continuos:
 Gráfica de medias y desviación estándar.
 Gráfica de medias y rangos.
 Gráfica de observaciones individuales y
rangos móviles.

Tipos de gráficas de
control
 Para valores discretos (atributos):
 Gráfica de proporción de artículos defectuosos (p)
 Gráfica de número de artículos defectuosos (np)
 Gráfica de número de defectos o disconformidades (C)
 Gráfica de número de defectos por unidad (U)

Beneficios de las
1. Son herramientas efectivas para entender la variación del
procesoy ayudan a lograr el control estadístico.
2. Si un proceso está en control estadístico su desempeño es

predecible y tanto el fabricante como el cliente pueden
confiar en niveles consistentes de calidad y en costos
estables para lograr la calidad.
3. Un proceso bajo control estadístico se puede mejorar a

través de la reducción de variación y el centrado en un valor
objetivo; esto reduce costos y mejora la productividad.

Beneficios de las
4. Las gráficas de control proporcionan un lenguaje
común para comunicar información sobre el
desempeño de un proceso entre muy diversas
personas dentro y fuera de la empresa.
5. Las gráficas de control indican dónde está o quien
tiene la posible solución de un problema, con lo
cual se minimiza la confusión, frustración y el
costo de los esfuerzos mal dirigidos para la
solución de un problema.

CAPÍTULO 2.1
Gráficas para variables

( x − R)
( x − S)
Gráfica de medias y
rangos
( x − R)
Gráficas de medias y
rangos
 El procedimiento es el mismo que

en las gráficas de medias y
desviación estándar.
 La forma de obtener los límites de
control y la línea central es la
siguiente:
rangos
 Gráfica de rangos:
LC = R
LSC = D4 R
LSC = D3 R
rangos
 Gráfica de medias: antes de calcular
los límites es necesario que esté bajo
control la gráfica de rangos.
L C= x
LSC = x + A2 R
LSC = x − A2 R
rangos
 σ = se puede obtener a partir de
los datos recopilados, pero
generalmente se obtiene de la
información proporcionada por la
gráfica de un proceso bajo control.
R
σˆ =
d2
Interpretación de
gráfica de rangos
 Esta gráfica se debe analizar primero,
ya que el comportamiento de los
promedios y de los rangos de los
subgrupos depende de la variabilidad
estimada de las piezas.
 Se deben verificar las ocho pruebas
 Verificar que no haya tendencias
Interpretación de
gráfica de medias
 Si la gráfica de rangos está bajo control, la dispersión del
proceso está estable y por lo tanto se puede analizar la
gráfica de los promedios; los límites de control de esta
gráfica se basan en la cantidad de variación de los
rangos. Con la gráfica de medias se determina si el
centro del proceso está cambiando con el tiempo y si ese
es el caso, entonces existen causas especiales de
variación que están ocasionando esos problemas.

Gráfica de medias y
desviación estándar
(x − S)
Procedimiento para
elaborar una gráfica x -
S
1. Defina cuál será la característica de la
calidad: Otorgar la máxima prioridad a
aquellas variables o características medibles y
expresables mediante números y que causen
problemas en producción o costos.
2. Escoja el subgrupo racional: Los elementos
que conformen cada subgrupo deberán de
haberse producido básicamente dentro de las
mismas condiciones.

Procedimiento para
S
3. Recolectar los datos: Recoger información de 25
subgrupos con más de 10 datos en cada subgrupo.
Regístrelos en una hoja de datos.
4. Calcular los promedios para cada subgrupo
5. Calcular : dividiendo el total de los promedios
de cada subgrupo por el número de subgrupos.
=
x

Procedimiento para
S
6. Calcular S: Calcular la desviación estándar de
cada subgrupo.
∑ i
( x − x ) 2
S= i =1
n −1
7. Calcular : dividiendo el total de las S de
cada subgrupo por el número de subgrupos.
S

Procedimiento para
S
8. Calcular las líneas de control:

Calcular cada una de las líneas de
control para la gráfica y la gráfica S
x
con las siguientes fórmulas:

Procedimiento para
S
 Gráfica S:
 Línea central:
LC = S
LSC = B4 S
 Límite superior de control:
 Límite inferior de control:

LIC = B3 S
Nota importante: En estas gráficas de control la desviación
estándar se estima con la expresión
S
c4
Procedimiento para
S
 Gráfica x :

LC = x
Línea central:
 LSC = x + A3 S
Límite superior de control:

Límite inferior de control:LIC = x − A3 S

Procedimiento para
S
9. Dibujar las líneas de control: Preparar una hoja de papel
cuadriculado; dividirla en dos partes iguales para las dos gráficas,
colocando en la parte inferior la de desviaciones estándar y en la
parte superior la de medias; marcar cada eje vertical de la
izquierda con los valores de las media y de las desviaciones
estándar, según sea el caso, y el eje horizontal con los números de
los subgrupos. Dibuje una línea sólida para la línea central y una
línea punteada para los límites.

Procedimiento para
S
10. Localizar los puntos: Registrar los valores
de la media y de la desviación estándar de
cada subgrupo, por partes, según el
número del subgrupo.
11. Registrar los datos que puedan ser de

utilidad: Escriba el tamaño del subgrupo
(n) en el extremo superior izquierdo de la
gráfica de medias.

Interpretación de
gráfica S
 Primero se debe analizar esta gráfica, ya que si
no está bajo control estadístico los límites de la
gráfica de medias no tendrán sentido.
 En caso de que no este bajo control estadístico,
se deberán encontrar las causas especiales de
variación y eliminar los puntos fuera de control y
recalcular los límites.

Interpretación de
gráfica de medias
 Después de haber revisado la gráfica S, es
cuando se interpreta la de medias.
 Nunca se deben relacionar los puntos en una
gráfica de medias con los límites de
especificación, ya que los puntos en la gráfica
son promedios y las especificaciones
corresponden a valores individuales,
presentando una variabilidad mayor que los
subgrupos.
Para ambas gráficas
 Se deben verificar las ocho pruebas

 Verificar que no se presente ningún
patrón.
 Datos normales.

Límites de tolerancia
natural
 Estos límites se basan en
observaciones individuales.
LímiteSuperiorde Tolerancia(LSTN)= μ̂ + 3σ̂
LímiteInferiorde Tolerancia(LITN) = μ̂ − 3σ̂

Capacidad del proceso
 Cp
 Cpk

Índices de capacidad
del proceso
 Los índices de capacidad del proceso
intentan en un solo número si un proceso
puede cumplir consistentemente con los
requerimientos impuestos sobre un proceso
por clientes internos o externos.
 Estos índices no tienen unidades, lo cual
permite comparar dos procesos
completamente diferentes.
del proceso
 La limitante principal de estos índices
es que no tienen significado si los
datos analizados provienen de un
proceso fuera de control y la razón es
que la capacidad del proceso es una
predicción y solo se puede predecir
algo que es estable.

del proceso
 Para estimar la capacidad de un
proceso, es necesario que se
cumplan dos condiciones:
 Proceso bajo control estadístico
 Que los datos se distribuyan
normalmente

del proceso
 Generalmente se usan dos índices para
evaluar la capacidad del proceso para
producir dentro de especificaciones:
 Cp: índice de capacidad potencial del proceso.
No toma en cuenta la media observada del
proceso.
 Cpk: índice de capacidad o habilidad real del
proceso. Si toma en cuenta la media observada
en el proceso.

del proceso
 Antes de ver como calcular el Cp y el Cpk, es
necesario revisar algunos conceptos.
LITN = x − 3σ LIE
x LSE LSTN = x + 3σ
del proceso
 Dónde:
 LSTN = límite superior de tolerancia natural
 LITN = límite inferior de tolerancia natural
 LSE = límite superior de especificación
 LIE = límite inferior de especificación

del proceso
 6σ se puede considerar como la
dispersión real del proceso.
 Puesto que ambos límites se disponen
a una distancia de la media ± 3σ
respectivamente, entonces la
proporción de observaciones entre
ambos límites es del 99.73%
del proceso
 La diferencia LSE – LIE se puede
considerar que es la dispersión
permitida del proceso.
 Si no se conoce la µ , la x doble barra
es la media estimada del proceso, la
cual se obtiene como la línea central
de un gráfica de medias.
del proceso
 La σ es la desviación estándar del proceso, la cual
si no se conoce, se estima de la gráfica de control
de la variabilidad del proceso.
R
 ( x − R)
d 2
S =
S


( x − S)
c4
Límites de
especificación o
tolerancias
 Son característicos de una parte o
artículo determinado.
 Están basados en consideraciones
funcionales.
 Están relacionados con una
medición de una sola parte.
Límites de control de
una gráfica de control
 Son característicos de un proceso determinado.
 Están basados en la media y en la variabilidad de un

proceso.
 Dependen de los parámetros de muestreo, como

tamaño de muestra y el riesgo alfa.
 Se usan para identificar la presencia o ausencia de

causas especiales de variación en el proceso.

Cálculo del Cp
LSE − LIE
Cp =
6σ̂

Interpretación del Cp
 Antes de hacer algo sobre ese punto, cerciorese
de que el proceso esté bajo control estadístico, si
es así, entonces:
1. Cp > 1; el proceso es potencialmente capaz de
producir dentro de los límites de especificación y
genera un porcentaje de defectuosos menor del .27%

Interpretación del Cp
2. Cp = 1; el proceso es apenas capaz, la
proporción de defectuosos es .27%. Los
límites de especificación son iguales a los
límites de tolerancia natural.
3. Cp < 1; el proceso no es potencialmente

capaz, la proporción de defectuosos es
mayor a 27 en 10, 000.

Nivel de habilidad de
un proceso
Nivel de habilidad % producto fuera de
especificaciones
± 3σ 2700 ppm
± 4σ 64 ppm
± 5σ 6 partes en 10 millones
± 6σ Menos de 1 parte en 10
millones
* Considerando un proceso centrado y media fija

Cálculo del Cpk
 Es un índice o medida del desempeño real del proceso
que toma en cuenta la media del mismo. Un proceso con
su media centrada puede tener un Cp de 2, mientras
que otro proceso con su media cercana al LSE también
puede tener un Cp de 2, siempre que su disposición sea
la misma. Si se compara el desempeño de ambos
proceso con base en el Cpk, los resultados serían muy
diferentes.

Cálculo del Cpk
 LSE − µˆ µˆ − LIE 
Cpk = mínimo  , 
 3σˆ 3σˆ 

Interpretación del Cpk
1. Cpk > 1.33; el proceso es capaz y
es comúnmente usado como una
meta para muchas compañías.
2. 1 < Cpk < 1.33; el proceso es

marginalmente capaz.
3. Cpk < 1; el proceso no es capaz

Gráfica de
observaciones
individuales y rangos
móviles
( x − Rm )
Gráfica de observaciones
móviles
 Se usa para procesos lentos que

conducen a bajas tasas de
producción o cuando es muy
costoso tomar muestras grandes o
bien, en procesos automatizados.

Gráfica de observaciones
móviles
 Gráfica de rangos móviles: está gráfica
no tiene interpretación, debido a la forma en
que se obtienen los rangos.
LC = R
LSC = D4 R
LIC = D3 R
Gráficas de observaciones
móviles
 Gráfica de observaciones individuales:
para ser interpretada necesita estar bajo
control.
R
LC = x LSC = x + 3
d2
R
LIC = x − 3
d2
CAPÍTULO 2.2
Gráficas para atributos:
 p, np
 C, U

Gráficas para atributos
 Algunas características de calidad
recolectadas como datos de
atributos sólo toman dos valores:
 Conforme, no conforme
 Pasa, no pasa
 Presencia, ausencia de algo

Gráficas para atributos
 Tales disconformidades o defectos se
observan frecuentemente de manera
visual y ocasionan que un producto o
una parte de un producto sea
considerado como defectuoso.
 En estos casos, la calidad se evalúa
por atributos.

Importancia
 Se pueden aplicar tanto en procesos
técnicos como administrativos.
 En muchas ocasiones se dipone de datos
que son de atributos y no se requiere
incurrir en gastos adicionales.
 Si no existe información disponible, se
recolecta rápidamente y a un bajo costo.
Importancia
 Muchos reportes, resúmenes que maneja la
administración son atributos y se pueden
aprovechar más si se analizan como gráficas de
control.
 El uso de las gráficas de control de atributos en
medidas de calidad globales claves,
frecuentemente puede indicar a áreas
específicas del proceso que pueden requerir un
análisis más detallado.

Definiciones
importantes
 Defecto: falla o no conformidad que ocasiona
que un artículo no satisfaga los requerimientos
especificados.
 Artículo defectuoso: artículo que tiene uno o
más defectos.
 Fracción defectuosa: es la razón del número
de artículos defectuoso en la muestra (d),
respecto al total de los artículos de la muestra
(n)
Gráfica para la
proporción de piezas
defectuosas
Gráfica p

Gráfica para la
defectuosas
 La gráfica p, miden la proporción de piezas
disconformes en un grupo de artículos que
se inspeccionan.
 Esto puede aplicar a una muestra de 100
piezas.
 Las muestras pueden constantes o
variables.

Gráfica para la
defectuosas
Para muestras constantes:
LC = p
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Gráfica para la
defectuosas
Para muestras variables:
LC = p =
∑ d i
∑n i
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Interpretación
 Para interpretar la gráfica p, se hace de la misma
manera que las otras gráficas, se debe:
 Verificar que los puntos no excedan los límites de control.
 Los puntos se deben distribuir aleatoriamente dentro de
los límites de control.
 No deben mostrar tendencias
 Los puntos debe apareceren orden aleatorio en el tiempo.

Gráfica para el número
de piezas defectuosas
Gráfica np

 En algunas ocasiones es conveniente hacer
una gráfica de control, en la que se grafique
el número de defectuosos en la muestra en
lugar de la proporción de defectuosos. Para
hacer esto se requiere que el tamaño de la
muestra sea constante.
 En esencia proporciona la misma
información que una gráfica p.
 Para muchas personas este tipo de gráficas es
más fácil de interpretar que la p. La desventaja
que presenta la gráfica np es que no es fácil
manejar e interpretar el número de dectuosos si
se desconoce el tamaño de la muestra.
 Tanto la gráfica p y np, tienen fundamento en la
distribución binomial, la interpretación es la
misma que la gráfica p.

LC = np
LSC = np + 3 np (1 − p )
LIC = np − 3 np (1 − p )

Gráfica para
proporciones y piezas
defectuosas
 Cuando se tienen diferentes
tamaños de muestras se debe usar
una gráfica de proporciones
adecuada al caso.

Gráfica de número de
defectos en la muestra
Gráfica C

 Es posible desarrollar gráficas de control ya sea para el
número total de no conformidades en una unidad o el
número promedio de no conformidades por unidad.
Estas gráficas de control usualmente asumen que la
ocurrencia de una no conformidad en una muestra es
bien modelada por una distribución Poisson.

 Para poder realizar esta gráfica

se requiere que el tamaño de
la muestra sea constante.

Si c i = # de defectos en la muestra i (i = 1,2,..., k)
LC =
∑ c i
=c
k
LSC = c + 3 c
LIC = c − 3 c
defectos por unidad
Gráfica U

defectos por unidad
 Esta gráfica se basa en el número promedio de no
conformidades por unidad inspeccionada. Si
encontramos x cantidad de no conformidades en la
muestra de n unidades inspeccionadas, entonces
podemos obtener el número promedio de no
conformidades por unidad inspeccionada de la siguiente
manera:
x
u=
n
defectos por unidad
 Se utiliza para unidades de longitud,
área, volumen, etc.
 n puede ser constante o variable.
 Con n variable:
 n promedio
 Límites para cada n
 Límites para ciertas n
 Límites estandarizados
defectos por unidad
ci
ui = dónde:
ni
i = 1,2  ,k
ci = #defectos
ni = tamaño de la muestra
u LIC = u − 3 u
LC = u LSC = u + 3
ni ni
CAPÍTULO 2.3
Gráficas CUSUM y EWMA

Gráfica CUSUM
 La gráfica CUSUM, se usa para

detectar pequeños cambios en
la media del proceso.

Gráfica CUSUM
Ci = ∑ ( x j − µ o )
i
j =1
donde :
x j = media de una muestra u
observación individual.
µ o = valor objetivo

Construcción de una
gráfica CUSUM
 Proceso tabular:
 Se basa en los cálculos de los CUSUM
unilaterales, superior e inferior:
i
+
{
C = max 0, xi − ( µ o + k ) + C +
i −1 }
C i
−
= max{0, ( µ o − k ) − xi + C −
i −1 }
gráfica CUSUM
 El procedimiento se inicia haciendo:
+ −
C =C =0
o o
 K es un valor de referencia o de
holgura y frecuentemente se
determina como:
µ1 − µ o
k=
2
gráfica CUSUM
 El proceso está fuera de control si
C+ o C- exceden el valor de H, un
valor razonable para H es .5σ .
 Para esta gráfica no se realizan las
8 pruebas, ya que los datos
dependen unos de otros.
gráfica CUSUM
 Cuando el ajuste que se debe hacer en el
proceso tiene por objetivo hacer que la media
regrese al valor objetivo puede ser útil estimar
la media actual del proceso.
 Ci+
µ o + k + + ,
+
si C > H
i
 Ni
µˆ =  +
 µ o − k − Ci , si C > H−
 Ni+ i

Gráfica EWMA
 La gráfica EWMA, constituye una buena
alternativa a las gráficas de control de
Shewart para el caso en que interesa
detectar pequeños cambios en la media
del proceso.
 Se usa típicamente para muestras de
tamaño 1, aun cuando se puede usar con
tamaños de muestra mayores.
Gráfica EWMA
 La gráfica EWMA para la media del proceso:
 Un promedio móvil exponencialmente
ponderado se define de la siguiente forma:
zi = λxi + (1 − λ ) zi −1
 donde:
 0< λ ≤ 1 es una constante

El valor de inicio (que se requiere con la primera
muestra cuando i = 1) es el objetivo del proceso, con lo
cual z0 = µ 0
 En ocasiones z0 = promedio de los datos preliminares

Gráfica EWMA
 Los límites de control para una

gráfica EWMA están dados por las
siguientes expresiones:
LSC = µ0 + Lσ
λ
2−λ
[1 − (1 − λ ) ]
2i
LC = µ0
LIC = µ0 − Lσ
λ
2−λ
[1 − (1 − λ ) ]
2i

Gráfica EWMA
 Dónde:
 L es la anchura de los límites de control, el
múltiplo de sigma. Es común tomar L = 3,
proporciona buenos resultados sobre todo
cuando lambda es grande.
 En general, cuanto más pequeños sean los
cambios que se desea detectar, más
pequeños serán los valores de lambda.

Gráfica EWMA
 La gráfica se elabora colocando en el eje

horizontal el número de la muestra i
(tiempo) y en el eje vertical el valor de la z
que le corresponde.

CAPÍTULO 3
Muestreo para aceptación

de lotes

Muestreo para
aceptación de lotes
 Objetivos:
1. Comprender y aplicar los conceptos
básicos del muestreo de aceptación.
2. Identificar y diferenciar los sistemas de
muestreo de aceptación para atributos,
particularmente el MIL - STD - 105E.
3. Comprender el funcionamiento de un
sistema de muestreo de aceptación para
variables.
Muestreo para
 Introducción:
 El muestreo para aceptación es un campo importante
del control estadístico de la calidad, es otra herramienta
para evaluar la calidad de un producto.
 Los fundamentos de muestreo para aceptación se
desarrollaron en 1925 a 1927 en los Laboratorios Bell;
después sólo se aplica esporádicamente y no es sino
hasta la Segunda Guerra Mundial cuando se incorpora
en los estándares militares de calidad. A partir de ese
momento se difunde el uso masivo del muestreo de
aceptación, el cual se aplica hasta la fecha.

Muestreo para
 Conceptos generales:
 Aspectos importantes en el muestreo:
 El propósito del muestreo de aceptación es juzgar
lotes, no estimar su calidad.
 Los planes de muestreo para aceptación no
proporcionan alguna forma directa de control de
calidad, sólo admite o descarta lotes.
 El uso más eficiente del muestreo para aceptación no
es “inyectar calidad al producto mediante la
inspección”, sino más bien como una herramienta de
verificación para asegurar que la producción o salida
de un proceso está conforme a los requisitos.
Muestreo para
 Enfoques para juzgar un lote:

 Aceptarlo sin inspección: Útil en casos
en que el proceso del proveedor es tan
adecuado (relación de capacidad de
proceso de 3 ó 4) que casi nunca genera
artículos defectuosos, o en los que no
existe una justificación económica para
juzgar artículos defectuosos.
Muestreo para
 Efectuar una inspección al 100%: esto es
inspeccionar cada artículo en el lote, quitar todas
las unidades defectuosas encontradas (se pueden
devolver al proveedor, retrabajarlas, cambiarlas por
artículos conformes o rechazarlas). Se usa cuando
el componente es muy crítico y dejar pasar un
artículo defectuoso daría como resultado un costo
inaceptablemente alto de una falla en etapas
sucesivas, o cuando la capacidad del proceso del
abastecedor es inadecuada para satisfacer las
especificaciones.

Muestreo para
 Utilizar el muestreo para aceptación: Es muy
probablemente útil cuando:
1. La prueba es destructiva
2. Es muy alto el costo de una inspección al 100%
3. una inspección al 1005 no es tecnológicamente factible, o
cuando se necesitaría tanto tiempo que la planeación de
la producción se vería seriamente afectada.

Muestreo para
4. Hay que inspeccionar muchos artículos y la tasa de
errores de inspección es lo suficientemente alta como
para que una inspección al 100% pudiera dejar pasar
un mayor porcentaje de artículos defectuosos que un
plan de muestreo.
5. El proveedor tiene un excelente historial de calidad, y
se desea alguna reducción en la inspección al 100%,
pero la relación de capacidad de su proceso es lo
suficientemente baja como para que la no inspección
no sea una buena alternativa.
6. Existen riesgos potencialmente serios respecto a la
posibilidad legal por el producto, y aunque es
satisfactorio el proceso del abastecedor, se requiere
aplicar un proceso de vigilancia continua.

Muestreo para
 Ventajas del muestreo por aceptación:
 Es menos costoso, pues requiere menor inspección.
 Menor daño del producto, al haber menor manejo del
mismo.
 Menos inspectores y por lo tanto menos capacitación.
 Reducción de los errores de inspección.
 Puede aplicarse en el caso de pruebas destructivas.
 El rechazo de lotes completos, en lugar de la simple
devolución de los artículos defectuosos, constituye una
motivación más fuerte para que el proveedor mejore la
calidad de sus productos.

Muestreo para
 Desventajas del muestreo para
aceptación:
 Existe el riesgo de aceptar lotes “malos” y
rechazar lotes “buenos”.
 Hay que agregar planeación y
documentación.
 Generalmente la muestra proporciona
menor información acerca del producto

Muestreo para
 ¿Porqué es válido el muestreo?
 Una pieza da rápida información sobre la calidad de
las piezas de un lote. Pero además, de la muestra
se pueden obtener conclusiones acerca de lo bien o
mal que se desarrolló un proceso en el momento de
extraer una muestra (aplicación en gráficas de
control). Así, el proceso puede hablar del producto.
El muestreo de aceptación también es válido para las
piezas no inspeccionadas obtenidas del mismo
proceso que las inspeccionadas.

Muestreo para
 Razones para usar muestreo de aceptación:
 No se puede asumir que el proceso sea estable, ni es siempre
posible que a la larga lo sea.
 En operaciones que se realizan bajo trabajo intensivo, las
causas asignables no siempre se pueden conocer.
 Aún cuando se puedan conocer las causas asignables, existen
procesos que no se pueden parar y ajustar de inmediato.
 Es común una gran variación entre operadores y el manejo de
las gráficas de control para cada operador no es tan sencillo.

Muestreo para
 Formación de lotes:
 El muestreo por aceptación puede desarrollarse en una
base de lote por lote o en un flujo continuo de
productos, aunque los planes de muestreo más
comúnmente usados se basan en muestreo por lotes.
 Entre los diferentes tipos de lotes que se pueden
formar (de manufactura, de embarque, etc.), los lotes
de inspección son los que se utilizan en muestreo de
aceptación.

Muestreo para
 Frecuentemente los lotes de inspección se constituyen por
la forma en que el producto se maneja o se embarca; en
otras ocasiones se puede influir en el tamaño y en la forma
en que se constituyen estos lotes, en cuyo caso se deben
aplicar los siguientes dos principios:
 Es deseable que haya homogeneidad dentro del lote.
 Si los lotes son homogéneos, son mejores lotes grandes que

pequeños.

Muestreo para
 Si se tienen lotes grandes, los tamaños de

muestra también serán grandes y se
obtendrá una determinación más confiable
de la aceptabilidad del lote, siempre que
el lote en cuestión sea homogéneo.

Muestreo para
 Muestreo aleatorio:
 Las tablas de muestreo publicadas suponen que
las muestras se obtienen al azar, esto es, que
cada una de las unidades de producto no
inspeccionadas tienen la misma probabilidad de
ser la siguiente seleccionada para la muestra.
Para realizar un muestreo aleatorio, se requiere
numerar las piezas de un lote y seleccionar
números aleatorios que indiquen cuáles unidades
serán seleccionadas.

Muestreo para
 Selección de números aleatorios:
 Usando una tabla de números aleatorios
 A través de una calculadora que incluye esta opción
 Un recipiente de bolas o papeles numerados
El método de selección influye en los resultados del
muestreo, buscándose obtener una “muestra
representativa” de un lote.

Muestreo para
 Sesgo del muestreo:
 Tomar una muestra de la misma localización
dentro de cajas, estantes, etc.
 Echar un vistazo al producto y seleccionar
sólo aquellas piezas defectuosas o no
defectuosas.
 Ignorar las partes del lote difíciles de
muestrear.

Muestreo para
 Clasificación de los planes de muestreo:
1. Planes por atributos: Un lote se acepta o se
rechaza según el número de defectuosos que se
presentan en el mismo.
2. Planes por variables: Un lote se acepta o se
rechaza según el valor de la media (por ejemplo) de
la característica de calidad en la muestra; la media
se compara con un valor admitido que define el plan.

Planes de muestreo de
aceptación por
atributos
 Errores de inspección:
 En la implantación de un muestreo de
aceptación se supone que el inspector
sigue el plan de muestreo que debe
aplicar y que la inspección se hace sin
errores.

aceptación por
atributos
 Terminología:
 Defecto: Alejamiento de una característica de la
calidad del nivel o estado deseado que se presenta
con gravedad suficiente para dar un producto que
no satisface los requisitos de utilización normales o
razonablemente previstos.
 Disconformidad: Alejamiento de una
característica de la calidad del nivel deseado, que
se presenta con gravedad suficiente para dar un
producto o servicio que no cumple con los
requisitos de la especificación.

aceptación por
atributos
 Clasificación de los defectos
según su gravedad:
1. El muestreo sea distinto para cada clase
de defecto (tamaños de muestra).
2. Sea común el plan de muestreo. pero
que el número de defectos permitidos
sea diferente para cada clase, según su
gravedad.

aceptación por
atributos
 Tipos de planes de muestreo
de aceptación por atributos:
 Planes de muestreo simple
 Planes de muestreo doble:

aceptación por
atributos
 Curva Característica de Operación (Curva CO):
 Gráfica en la que se muestra la probabilidad de que el plan de
muestreo acepte el lote en función de la fracción defectuosa
de un lote, con base en la cual se observa cómo reaccionará
el plan a cualquier nivel de disconformes en el lote.
 Con la curva CO para un plan de muestreo (determinado por
el valor de n y de c) se puede evaluar si este proporciona un
buen grado de control sobre la calidad del lote; de no ser así
entonces se busca otro plan que corresponda con las
necesidades del usuario.

aceptación por
atributos
 Probabilidad de aceptar un lote:
 Para calcular la probabilidad de aceptar un lote (Pa),
primero se debe definir qué tipo de plan de muestreo
se aplicará. Así tenemos planes de muestreo tipo A
(planes que seleccionan piezas de lotes simples de
tamaño N y que se basan en el modelo
Hipergeométrico) y planes tipo B (planes para
seleccionar piezas de una serie de lotes, se extraen
muestras aleatorias de tamaño n de una población
infinita, y que están fundamentados en el modelo
probabilístico Binomial).
aceptación por
atributos
 Riesgos y parámetros de muestreo:
 Riesgo del vendedor o del productor se
conoce como riesgo alfa y es la probabilidad de
que un “buen” lote (de lata calidad) sea rechazado
por el plan de muestreo. Se fija en 0.01, 0.05 ó
0.10.
 Riesgo del comprador (empresa o quién usará
un producto). También llamado riesgo beta. Es la
probabilidad de que un lote “malo” o de baja
calidad sea aceptado por el plan de muestreo.
aceptación por
atributos
 Planes, esquemas y sistemas de muestreo:
 Plan de muestreo: Plan específico que establece el
tamaño o tamaños de muestra a utilizar y el
correspondiente criterio de aceptación o no aceptación.
 Esquema de muestreo: Conjunto específico de
procedimientos que, habitualmente, consisten en planes
de muestreo para aceptación en los que se establecen los
tamaños de los lotes, los tamaños de las muestras y los
criterios de aceptación, o el alcance de la inspección y
muestreo al 100%.

aceptación por
atributos
 Sistema de muestreo:
 Con el uso de un sistema de muestreo se evita el
trabajo de calcular la curva CO para diferentes
valores de n y c y seleccionar el que cumpla con
los riesgos del comprador y del vendedor
preestablecidos.
 Los sistemas de muestreo incluyen las curvas
CO, con base en las cuales se selecciona el plan
de muestreo que proporcione el nivel de
protección que el usuario desea.

aceptación por
atributos
 Medidas de desempeño:

Nivel de Calidad Aceptable (NCA o AQL).
 El porcentaje de Defectuosos Tolerados
en el Lote (PDTL o LTPD).

El límite de Calidad Media de Salida
(LCMS o AOQL), y

La inspección Total Promedio (ITP o ATI).

aceptación por
atributos
 El Nivel de Calidad Aceptable:
 El AQL es el nivel de calidad o porcentaje de
defectuosos que, para los fines de
inspección, es el límite de una medida
satisfactoria del proceso. El promedio del
proceso es el porcentaje promedio de
defectuosos o número promedio de
defectuosos por 100 unidades de producto
enviado por el proveedor para la inspección
original.
aceptación por
atributos
 La inspección original es la primera
inspección de una cantidad particular de un
producto. El AQL es un valor designado del
porcentaje de defectuosos, para el cual los
lotes serán aceptados la mayor parte de las
veces por el procedimiento de muestreo
utilizado. El AQL especifica un valor del nivel
de calidad del productor.

aceptación por
atributos
 Porcentaje de unidades defectuosas
toleradas en el lote (PDTL):
 El LTPD es un valor numérico específico
para el nivel de calidad del consumidor;
generalmente se refiere a un punto en la
curva CO en el cual el Pa es 0.10 y la
mayoría de los sistemas basados en el
PDTL se basan en ese valor de Pa.

aceptación por
atributos
 El Límite de Calidad Media de
Salida (LCMS o AOQL):
 Se aplica sólo al muestreo en el que a
los lotes rechazados se les hace una
inspección al 100% para sustituir los
artículos defectuosos encontrados por
piezas buenas, que es lo que se
denomina inspección rectificadora.
aceptación por
atributos
 La inspección Total Promedio (ITP
o ATI):
 Se puede graficar la ITP esperada para
cualquier nivel de calidad de un lote (p)
contra el valor de p y usar esta gráfica
para determinar los costos asociados a la
inspección rectificadora.

aceptación por
atributos
 El sistema de muestreo MIL - STD - 105E:
 El manejo de normas publicadas como ésta (entre las
más comunes también está la ANSI/ASQC Z1.4),
presenta la ventaja de que facilita la negociación entre
vendedor y comprador. Es el más conocido de los
planes de muestreo que utilizan como índice de calidad
el NCA; proporciona una gran seguridad en la
aceptación de los lotes cuando la proporción de
defectuosos es menor o igual al NCA.

aceptación por
atributos
 Tipos de inspección:
 La MIL . STD - 105E incluye planes para
muestreo de aceptación simple, doble y
múltiple basados en el AQL.
 Los AQL contenidos en los planes varían de
0.01% hasta 10% (para el conteo de
disconformes) y de arriba del 10% hasta
1000% (para el conteo de disconformes en
100 unidades).

aceptación por
atributos
 Dado un AQL el sistema proporciona
varios planes de muestreo con el fin de
motivar al proveedor en función de la
calidad del producto que envía; así, es
posible aplicar tres tipos de inspección
para cada uno de los tres tipos de
muestreo señalados líneas arriba: normal,
estricta y reducida.
aceptación por
atributos

La inspección normal se utiliza al inicio del proceso
de inspección y continúa aplicándose durante el tiempo
que el vendedor esté produciendo aparentemente
piezas con el NCA o mejores.

La inspección estricta se aplica cuando hay
evidencia de que la calidad del producto se ha
deteriorado, lo cual forzará al productor a enviar
productos que sean tan buenos o mejores que el NCA.
 Si la historia reciente de la calidad de un producto ha
sido excepcionalmente buena, se puede adoptar la
inspección reducida, con lo cual se obtiene una
reducción de costos de inspección al revisarse una
muestra más pequeña.Carlos Viesca González 162
aceptación por

atributos
Reglas para el cambio de tipos de inspección:
 De normal a estricta. Si se realiza una inspección
normal, se establece la inspección estricta cuando
dos de cinco lotes consecutivos se han rechazado en
la inspección original.
 De estricta a normal. Cuando se ha estado aplicando
una inspección estricta, la inspección normal se
establece si se han presentado cinco lotes aceptables
consecutivos en la inspección original.

aceptación por
atributos
 De normal a reducida. Se puede pasar de
la aplicación de una inspección normal a
una reducida si se satisfacen las
siguientes cuatro condiciones:
1. A los diez lotes anteriores se les ha aplicado

inspección normal y ninguno ha sido
rechazado en la inspección original.

aceptación por
atributos
2. El número total de defectuosos en las
muestras de los diez lotes anteriores es
menor o igual al número límite.
3. Si la autoridad responsable lo aprueba.
4. Si la producción está en fase estable.

aceptación por
atributos
 De reducida a normal. Se puede
pasar de la inspección reducida a la
normal si ocurre alguna de las
siguientes situaciones en la
inspección original:
1. Se rechaza un lote.
2. Se acepta un lote al que se aplicó
inspección reducida, pero el número de
defectuosos encontrado es mayor que el
número de aceptación y menor que el
número de rechazo.
aceptación por
atributos
3. La producción ha venido a menos
o ha sido irregular.
4. Otras condiciones que propicien el

establecimiento de la inspección
normal.

aceptación por
atributos
 Los niveles de inspección:
 En la MIL - STD - 105E, el tamaño
de muestra se determina con base en el
tamaño del lote, el tipo de inspección y
el nivel de inspección; existen tres
niveles de inspección generales para
cada uno de los tipos ya mencionados
anteriormente: el I, el II y el III.

aceptación por
atributos
 Al nivel II le corresponde una inspección normal y es
el que generalmente se usa. El nivel I se usa cuando
se permite una menor discriminación en el proceso
de muestreo y requiere cerca de la mitad de la
cantidad a inspeccionar del nivel II.

aceptación por
atributos
 El nivel III se adopta cuando se requiere una
mayor discriminación y usualmente requiere
dos veces la cantidad a inspeccionar del nivel II.
 El nivel de inspección se establece en un

contrato o por la autoridad responsable.

aceptación por
atributos

Los niveles especiales S-1, S-2, S-3 y S-4
se usan cuando se requiere tamaños de
muestra pequeños (se involucran pruebas
destructivas o muy caras) y pueden o
deben tolerarse grandes riesgos en el
muestreo (menor poder discriminatorio).

aceptación por
atributos
 Operación del sistema de
muestreo MIL - STD - 105E:
1. Seleccionar los planes apropiados de las
tablas publicadas en el estándar.
2. Usar las reglas de cambio del nivel de
inspección, cuando la calidad del lote
cambia.

aceptación por
atributos
 Procedimiento para el uso estándar:
1. Determinar el NCA aceptable (basado en un
acuerdo entre el productor y el cliente)
2. Decidir el nivel de inspección a usar.
3. Determinar el tamaño del lote.
4. Usar la tabla de Letras de Código del
Tamaño de Muestra para seleccionar la letra
código apropiada (anexo).

aceptación por
atributos
5. Decidir el tipo de procedimiento de muestreo:
simple, doble o múltiple.
6. Usar la tabla correspondiente al procedimiento
de muestreo seleccionado y al nivel de
inspección para encontrar el tamaño de
muestra y los números de rechazo y
aceptación para el plan.
7. Empiece usando el plan seleccionado y lleve
un registro de las aceptaciones y rechazos
para que pueda aplicar las reglas de cambio.

CAPÍTULO 4
Confiabilidad

Confiabilidad
 Se basa en la distribución normal,
exponencial y weibull.
Tasa de falla
Etapa de madurez
tiempo

Confiabilidad
 La confiabilidad se define como la probabilidad de que
un producto desempeñe la función para la cual fue
elaborado , bajo condiciones dadas y durante un
periodo de tiempo determinado.
 La confiabilidad es un aspecto de la calidad que
específicamente considera el comportamiento de la
calidad a lo largo del tiempo.

Confiabilidad
 Sistema en serie: todos los
componentes están relacionados
de manera que el sistema deja de
funcionar si alguno de sus
componentes falla.
n
Ro = Π Ri
i =1
Confiabilidad
 Sistema en paralelo: todos sus
componentes están relacionados
de manera que el sistema deja de
funcionar si todos sus
componentes fallan.
n
Ro = 1 − Π (1 − Ri )
i =1
Confiabilidad
 Ejemplo:
RA= .
A
90
RB= .
B 95
Entonces la confiabilidad del sistema es:
P ( A ∪ B ) − P ( A ∩ B ) = ( .90 + .95) − ( ( .90 )( .95) )

= .995
Distribución del tiempo
de falla
1. Los artículos de mala

calidad son eliminados.
Tasa de falla
2. Periodo de vida útil.
3. Etapa de reemplazo.
1.- 2.- Etapa de 3.-
periodo madurez envejecimiento
inicial
tiempo

Tiempo entre fallas
 t= variable aleatoria que representa el
tiempo de vida del producto, tiempo
entre fallas de un producto.
 f(t)= función de probabilidad o función
de densidad.
f (t ) ≥ 0
0
∫ f (t )dt = 1
−∞
Tiempo entre fallas
 F(t)= función de probabilidad o
densidad acumulada (probabilidad de
que un producto falle hasta antes del
tiempo t) t
F (t ) = P( T < t ) = ∫ f (t )dt
−∞

Tiempo entre fallas
 Confiabilidad (R(t))= confiabilidad de que un producto
no falle antes del tiempo t.
∞
R(t ) = 1 − f (t ) = P (T > t ) = ∫ f (t )dt
t
f(t) tiene una varianza y una media.

Tiempo entre fallas
 Media: puede ser el tiempo media

hasta que el producto falla (MTTF)
es decir, que no se puede reparar.

Tiempo entre fallas
 Tiempo medio entre fallas (MTBF): se
aplica para productos que se puedan reparar,
es el tiempo medio entre fallas.
∞
µ = E (t ) = MTTF o MTBF = ∫ t ( f (t ))dt
−∞

Tiempo entre fallas
 Tasa de fallas:
Z (t ) = f (t )
= 1 − F ( z)

Funciones de
probabilidad
 Exponencial:
 Cuando la tasa de fallas es constante, la
función de probabilidad que describe la
vida de un producto es exponencial.
− λt 1 −t µ
f (t ) = λe = e ; t >0
µ
Funciones de
probabilidad
exponencial
 λ = número de fallas por ud. de tiempo.
 µ = tiempo medio por fallas (MTBF) o
tiempo medio para fallas.
1 1
λ= ⇒ µ=
µ λ
tasa de fallas = z (t ) = λ
Funciones de
probabilidad
exponencial
 Esta distribución es útil para representar la tasa
de fallas en la etapa de madurez en la gráfica
similar a la tina de baño.

Funciones de
probabilidad
exponencial
λ 1
f(t) R(t)
tiempo tiempo
R (t ) = 1 − F (t ) = P (T > t )
Funciones de
probabilidad
exponencial
Tasa de fallas
Z(t)
tiempo
t t t
 −1 
P(T ≤ t ) = ∫ f (t )dt = ∫ λe −λt dt = λ  e −λt 
0 0 λ 0
[ ]
F (t ) = P (T ≤ t ) = −1 e −λt − 1 = 1 − e −λt prob. falla
∞
[ ]
R(t ) = P (T > t ) = ∫ λe −λt dt = 1 − 1 − e −λt = e −λt confiabilidad
t
Funciones de
probabilidad
 Normal:
 Esta distribución puede representar
situaciones en las cuales no se presentan
fallas durante un periodo de tiempo, y
repentinamente muchas o todas las pzas.
comienzan a fallar, alrededor de cierto
tiempo que coincide con la media µ .

Funciones de
probabilidad
normal
 Como la tasa de fallas tiene un
comportamiento creciente, la
distribución puede modelar algunas
situaciones en el periodo de
envejecimiento.

Funciones de
probabilidad
normal
f(t) f(t)
tiempo tiempo
(t − µ )2
−. 5
σ
e
f (t ) = ; t > 0, µ > 0, σ > 0
σ 2π
Funciones de
probabilidad
normal
Tasa de fallas
Z(t)
tiempo
t−µ
R (t ) = 1 − f ( z ) ; z=
σ
Funciones de
probabilidad
 Weibull:
 Esta distribución es la más utilizada en
estudios de confiabilidad, ya que puede
modelar casi cualquier situación ya sea
en periodos con tasa creciente,
constante o decreciente.

Funciones de
probabilidad
weibull
m −1  − ( t −t o )  m
m  t − to   θ 
f (t ) =  
e 
, t ≥ to
θ  θ 
 La tasa de falla es:
m −1
m  t − to 
Z (t ) =  
θ  θ 
Funciones de
probabilidad
weibull
 Confiabilidad:
 − ( t −t o )  m
 θ 
R (t ) = e  
 La media es:
 1
µ = MTTF = MTBF = to + θ Γ1 + 
 m
Γ(v) = función gamma de v
Γ(v) = vΓ(v − 1)
Funciones de
probabilidad
weibull
 Los parámetros de la distribución son:
 m: representa la forma de la distribución
 θ : representa la magnitud de la media
 to: es un parámetro de posición
 La combinación apropiada de valores de los

tres, es lo que facilita su uso en diversas
condiciones.
Funciones de
probabilidad
weibull
m =.5
m =1
f(t)
m =2
m =4
θ 2θ

Funciones de
probabilidad
weibull
m =.5
m =1
R(t)
m =2
m =4
θ 2θ

Funciones de
probabilidad
weibull
m =.5
m =1
Z(t)
m =2
m =4
θ 2θ

Funciones de
probabilidad
weibull
 Para m<0 la tasa de falla es decreciente y para
m>0 creciente.
 Con m=1 la tasa de falla es constante y la
distribución weibull es identica a la exponencial.
 El efecto del parámetro to es desplazar la función

hacia la derecha, ya que se supone que no
ocurren fallas para un periodo t<to

Modelo exponencial en
confiabilidad
 Confiabilidad del sistema en serie:
 n 
−λt
−
 ∑ λi t

R (t ) =Πe =e  i =1 
n
λs = ∑λi
i =1
1
MTBF = n
∑λ
i =1
i

Modelo exponencial en
confiabilidad
 Confiabilidad del sistema en paralelo:
( )
n
−λi t
R p (t ) = 1 − Π 1 − e
i =1

si toda λi es igual ∨ λi entonces :
(
R p (t ) = 1 − 1 − e −λt n
)
1 1 1 1
MTBF = 1 + + +  + 
λ 2 3 n
Pruebas de vida
fallas observadas
 En base a fallas observadas se selecciona de un
lote una muestra aleatoria de n pzas y es
sometida a pruebas bajo condiciones
ambientales determinadas, observándose los
tiempos de falla de los componentes
individuales, los tiempos de falla observados
son:
t1 ≤ t 2 ≤ t3 ≤  ≤ t r
Pruebas de vida
fallas observadas
 Si el tamaño de la muestra es n, la vida
acumulada por las uds probadas hasta
la falla r, sera Tr. Si en la prueba se
reemplazan los elementos que fallan,
entonces:
Tr = nt r
Pruebas de vida
fallas observadas
 Si las piezas que fallan no se
reemplazan, entonces:
r
Tr = ∑ ti + ( n − r )t r
i =1
 Para ambos casos, el estimador de vida

normal será:
Tr
µ̂ =
r
Pruebas de vida
fallas observadas
 Un intervalo de confianza para vida
media, se puede encontrar ya que el
estadístico 2Tr/µ tiene una distribución
ji – cuadrada con 2r grados de libertad.
2Tr 2Tr
< µ <
χα , 2 r
2
χ1−α , 2 r
2
2 2

Pruebas de vida
tiempo transcurrido
 En base al tiempo transcurrido,
otro porcedimiento de prueba de
vida consiste en suspender la
prueba después de transcurrido
cierto tiempo fijo T y considerar el
número de fallas observadas k
como una variable aleatoria.
Pruebas de vida
tiempo transcurrido
 En el caso de que la prueba se
realice con reemplazo, entonces:
Tk = nT

Pruebas de vida
tiempo transcurrido
 Si las pruebas se realizan sin
reemplazo, entonces:
k
Tk = ∑ ti + (n − k )T
i =1

Pruebas de vida
tiempo transcurrido
 El estimador y el intervalo de
confianza para la vida media será:
Tk
µˆ =
k
2Tk 2Tk
<µ<
χ 2
α , 2 ( k +1) χ 2
1−α , 2 ( k +1)
2 2
Modelo Weibull en
confiabilidad
 Confiabilidad en componentes:
β −1  1−γ 
β
β  t −γ   
f (t ) =   e α 
, t ≥γ
α α 

Modelo Weibull en
confiabilidad
 En relación a la expresión vista
anteriormente:
β =m α =θ to = γ
−( t ) ( α) β
β
− t
F (t ) =1 − e α
R (t ) = e
1 
MTBF =αΓ  β +1 
 
f (t ) βtβ −1
Z (t ) = r (t ) = = β
R (t ) α
Función gamma
α
Γ(k ) = ∫ x k −1e − x dx ; x≥0
0
 Resultados conocidos:
Γ(1) = 1
( 2) =
Γ1 π
Γ( k ) = (k − 1)Γ( k − 1) ; k >1
Γ( n ) = (n − 1)! ; para n entero
Función weibull
 Si α =1 y β =3.5, la tasa de falla
aumenta y la distribución weibull es
útil para modelar la vida de productos
en la etapa de envejecimiento.
También en este caso la distribución
weibull se aproxima a la distribución
normal.
Función weibull
 Si α =1 y β =.5, la tasa de fallas
decrece y la distribución es útil
para modelar el tiempo de vida de
los componentes en la etapa inicial
o depuración.

Función weibull
 Si α =0 y β =1, entonces la distribución weibull
se convierte en la exponencial.
1 −t α
f (t ) = e ; α=µ
α

Control Estadistico de La Calidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Control Estadistico de La Calidad

Cargado por

Copyright:

Formatos disponibles

Control Estadístico de

Carlos Viesca González

Carlos Viesca González 1

Carlos Viesca González 2

Carlos Viesca González 3

5. Estética. ¿Cómo se ve el producto?

Carlos Viesca González 5

Adecuación para el uso

Carlos Viesca González 6

Carlos Viesca González 7

 Adecuación para el uso o para la

Carlos Viesca González 9

Carlos Viesca González 11

Para este ejemplo:

• Valor nominal u objetivo= 22 cm

Carlos Viesca González 13

Carlos Viesca González 14

Carlos Viesca González 15

Carlos Viesca González 16

 Consiste en el acopio, análisis e

Carlos Viesca González 19

Carlos Viesca González 20

µˆ + 3σˆ x Límite superior de control (LSC)

Dónde el tiempo representa la muestra o subgrupo

Carlos Viesca González 21

Carlos Viesca González 22

 Límites de control: los

Carlos Viesca González 24

 Zona A= media + 3σ = 99% de los datos

Carlos Viesca González 25

Carlos Viesca González 26

Ocho puntos en forma Cinco puntos consecutivos en

Catorce puntos alternándose Dos o tres puntos en la zona A

Cuatro de cinco puntos Quince puntos consecutivos en

Carlos Viesca González 30

Carlos Viesca González 31

Ho: El proceso está bajo control vs

 Error tipo I: Rechazar Ho cuando Ho es

P(Error tipo I)= α

P(Error tipo II)= β

 Para fines de cálculo de α y β , suponga

Carlos Viesca González 33

Carlos Viesca González 34

El error tipo II se obtiene con la nueva media

Cambios en la media del proceso

Carlos Viesca González 36

Carlos Viesca González 37

Carlos Viesca González 38

a) si los límites de control son más angostos:

a) si se toman muestras más grandes:

Carlos Viesca González 39

 K= # de reglas independientes usadas como

Carlos Viesca González 41

Carlos Viesca González 42

2. Si un proceso está en control estadístico su desempeño es

3. Un proceso bajo control estadístico se puede mejorar a

Carlos Viesca González 43

Carlos Viesca González 44

Gráficas para variables

 El procedimiento es el mismo que

Carlos Viesca González 52

Carlos Viesca González 54

Carlos Viesca González 55