Está en la página 1de 48

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing.

Jess Medina Salas


1




UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
Facultad de Ingeniera
ESCUELA PROFESIONAL DE INGENIERA MECANICA

Por MSc. Ing: Jess Medina Salas
Docente de la ESMC de la UNJBG

Curso de Actualizacin 2011

TACNA PERU


Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
2


METROLOGIA EN LA CALIDAD
Metrologa de confiabilidad en el contexto de aseguramiento de la calidad industrial

PERFIL DE CURSO;
PARA EL III CURSO DE ACTUALIZACIN EN ING. MECNICA

RESUMEN

Captulo 1
INTRODUCCIN

1.1 Situacin actual de la garanta de calidad de metrologa e industrial
1.2 Propuesta del Curso
1.3 Estructura del Curso

Captulo 2
LA METROLOGIA Y EL SISTEMA DE GARANTIA DE LA CALIDAD SEGUN
LAS NORMAS ISO 9000

2.1 Conceptos
2.1.1 Garantia de la Calidad
2.1.2 Garanta de la Calidad Metrolgica
2.1.3 Confiabilidad Metrolgica
2.2 Las Normas de la Serie ISO 9000
2.2.1 Modelos de garantia de la calidad
2.2.2 NBR ISO 9004/1994 Gestin de la calidad y elementos del sistema de la calidad
Parte 1: Directrices
2.2.3 NBR ISO 9004/1993
Gestin de la calidad y elementos del sistema de la calidad Parte 4: Directrices
para la mejora de la calidad
2.2.4 NBR ISO 8402/1994 Gestin de la calidad y garanta de calidad:
Terminologia
2.2.5 NBR ISO 10012-1/1993 Aseguramiento de la calidad requisitos para equipos de
medicin Parte 1: Sistema de metrologa de comprobaciones para equipos de
medicin
2.2.6 NBR 10011/1993 Directrices para la auditora de sistemas de calidad Parte 1:
Auditoria
2.3 Un sistema de aseguramiento de calidad metrologa (SGQM) segun las normas de la
srie ISO 9000
2.4 Requisitos metrolgicos de las normas de la srie ISO 9000





Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
3
Captulo 3
DIFICULTADES EN LA APLICACIN DE SISTEMAS DE GARANTA DE
CALIDAD METROLOGA

3.1 Mtodo de bsqueda: estudio de caso
3.2 Los resultados del estudio de casos
3.2.1 Grandes dificultades en el proceso de certificacin ISO 9000
3.2.2 Dificuldades relevantes en la implementacin de los requisitos metrolgicos de
la ISO 9000 y sus documentos complementarios
3.2.3 Seleccin de sistemas de medicin crtica
3.2.4 Mtodo de clculo de incerteza de medicin en la calibracin interna
3.2.5 Metodologia para establecer el critrio de aceptacin del sistema o instrumento
de medicin calibrado
3.2.6 Metodologias para determinacin de los intervalos de calibracin
3.2.7 Herramientas estatsticas para auxiliar en la garantia da confiabilidad
metrolgica en los processos de medicin
3.2.8 Normalizacin de la terminologa que se utiliza en la preparacin de
documentos del sistema de calidad
3.2.9 Necesidades de formacin de metrologa
3.3 Conclusiones del estudio de caso

Captulo 4
GARANTIA DE LA CALIDAD METROLGICA: ANLISIS DE PROBLEMAS
Y PROPUESTAS DE SOLUCIONES

4.1 Cuestiones especficas
4.1.1 Seleccin de sistemas de medicin a los requisitos de precisin
4.1.1.1 Definicin de la grandeza especfica bajo medicin (medicin)
4.1.1.2 La tolerancia de la proporcin y la incertidumbre del procedimiento de
medicin
4.1.2 Evaluacin de la incertidumbre del procedimiento de medicin
4.1.2.1 Gua para expresar la incertidumbre de medicin - "ISO-GUM"
4.1.2.2 Gua de evaluacin de incertidumbre de medicin en la calibracin del
sistema de medicin y verificacin de producto - ISO/TR 14253-2
4.1.3 El proceso de calibracin
4.1.3.1 Incertidumbre de medicin de calibracin
4.1.3.2 Certificado de calibracin
4.1.4 Evaluacin de la conformidad
4.1.4.1 Instrumento de medicin del cumplimiento de normas o sistema
4.1.4.2 Grandeza de cumplimiento de la medida especfica (medicin)
4.2 Preguntas generales
4.2.1 Los recursos humanos en metrologa
4.2.2 La elaboracin de procedimientos
4.2.2.1 Aplicacin de los resultados de calibracin.
4.2.2.2 Identificacin del instrumento o calibrar el sistema de medicin
4.2.2.3 Seleccin de los instrumentos o el sistema de medicin por defecto
4.2.2.4 Experimento de planificacin
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
4
4.2.2.5 Aplicacin de calibracin
4.2.2.6 Tratamiento de los datos recogidos
4.2.2.7 Documentacin formal de calibracin
4.2.3 Intervalos de calibracin

Captulo 5
PROPUESTA DE METODOLOGA PARA LA IMPLEMENTACIN DE
SISTEMAS DE GARANTA DE CALIDAD METROLOGA

5.1 Objetivos do Guia para Confiabilidade Metrolgica
5.2 Caractersticas deseadas
5.3 Temas de la Gua de metrologa de confiabilidad
5.3.1 Formacin del equipo de implementacin
5.3.2 Definicin de cantidades significativas especficas
5.3.3 Identificacin de los instrumentos disponibles en la empresa de medicin
5.3.4 Documentacin de la formacin de consulta y referencia
5.3.5 Definicin de acogerse a la grandeza significativa de la tolerancia
5.3.6 Seleccin de sistemas o de instrumentos de medicin
5.3.7 Definicin del parmetro para la evaluacin de la conformidad del instrumento o
del sistema de medicin seleccionado
5.3.8 Evaluacin de la conformidad de sistemas de medicin seleccionada
5.3.9 Definicin del mtodo de calibracin y ajuste inicial
5.3.10 Actividades de independiente de la aplicacin del sistema de aseguramiento de
la calidad metrologa
- SGQM
5.3.10.1 Elaboracin de procedimientos documentados
5.3.10.2 Herramientas para garantizar la metrologa de fiabilidad
5.4 Gua de la propuesta para la confiabilidad de metrologa en forma de hipertexto

BIBLIOGRFIA

[1] DEP. MECNICA Tecnologia de Calidad Metrologia Dimensional -
FONDEF 1995- Rio de Janeiro, RJ.
[2] A ALBERTAZZI Y SOUSA,. - Fundamentos de Metrologia Cientfica & Industrial
UFSC, Florianopolis SC 10-2005,
[3] Prof. Carlos Alberto Flesch- RMetrologia e eletrnica bsica para experimentao
equipamentos de medio - Parte 1: Sistema de comprovao metrolgica para
equipamento de medio UFSC 2003, Florianopolis, SC.
[4] Martn Blank. Sistematizacin de las especificaciones metrolgicas en sistemas
automatizados de adquisicin de se;alesModern Methods for Quality Control and
Improvement - John Wiley & Sons, Inc., 1996, New York, USA.






Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
5

CAPITULO


METROLOGIA EN CONTROL DE LA CALIDAD


Una de las operaciones ms importantes de la metrologa industrial es el
control de calidad. Cada producto
1
debe atender plenamente las especificaciones tcnicas
definidas por los proyectistas de forma que puedan cumplir con calidad las funciones para
los cuales fue diseado. El control de calidad envuelve un conjunto de operaciones de
medicin, diseado para asegurar que apenas los productos que atiendan plenamente las
especificaciones tcnicas hayan sido comercializados. La calidad de los productos o
servicios es un requisito fundamental para la sobrevivencia de la cualquier empresa.
Entretanto queda una pregunta en el medio: si no existen procesos de medicin
perfectos, como es posible asegurar que cierto producto est dentro de las
especificaciones?. Es lo que tenemos que abordar ahora.

2.1.- Tolerancias. Normalmente, en el da a da el ser humano lidia con mucha naturalidad
con imperfecciones de varios tipos: Las manzanas no son esfrica y frecuentemente
presentan pequeas manchas en la cscara, ms pueden ser mucho ms sabrosas. Al mirar
de cerca y con mucha atencin, es posible percibir pequeas fallas en la pintura de un
automvil nuevo. Hay pequeos defectos en el estuque de las paredes una casa. El asfalto
de las avenidas siempre presenta pequeas ondulaciones, muchas veces no son perceptibles.
Un microscopio puede revelar pequeas fallas en el tejido de la ropa que usamos. Hasta una
cierta cantidad de microorganismos es aceptable en el agua que bebemos. No es posible
evitas esta imperfecciones. Ellas son naturales.

De la misma forma, cuando son fabricados productos, imperfecciones estn presentes. El
cuidado debe ser tomado para mantener las imperfecciones dentro de los lmites tolerables,
que no comprometan la funcin del producto. Por ejemplo, el dimetro de una manija de
escoba, tpicamente es de 22 mm. Entretanto, si una manija de escoba posee 23 mm de
dimetro, para el consumidor final la funcin de asegurar con firmeza es la conformidad
no ser comprometida. Es igualmente confortable y aceptable barrer con una escoba con
una manija de 21 o 23 mm de dimetro. No serian aceptables manijas con 5 mm o con 50
mm de dimetro, ms cualquier dimetro dentro de la faja de (22 1) mm constituye la
tolerancia para el dimetro de la manija de la escoba, considerando apenas el punto de vista
del consumidor final.

Tolerancia es la faja de variacin aceptable para una caracterstica de un producto,
definido de forma da garantizar la calidad con que esta realiza una funcin para el cual
fue diseado.

________________________________
1 El trmino producto esta aqu siendo usado de forma amplia para denominar
componentes, subsistemas y sistemas completos.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
6
La definicin de Tolerancia a ser cumplida por un producto debe ser hecha en base un
anlisis amplio. Aunque la tolerancia de la manija de escoba de (22 1) sea aceptable del
punto de vista del usuario final, ella es inaceptable para el producto cuando es llevado en
cuanta que la manija de escoba debe ser montada de forma firme en la base de la escoba,
sin holguras. Para cualquier manija de escoba encaja bien en cualquier base de escoba es
necesario definir convenientemente las tolerancias para el dimetro de manija y del hueco
de la base de escoba. As, las tolerancias estrechas deben ser establecidas para estos
dimetro de forma que la montaje siempre quede de la forma adecuada. Llevando una
escoba en que la manija no se suelte con el uso y ninguna base de escoba presente fisuras.

Por otro lado, las tolerancias demasiada estrechas envuelven procesos de fabricacin mucho
ms caras. Una produccin de manijas de escoba con tolerancias en el dimetro de (22,000
0,001) mm seria carsimo. Seria tambin no necesario, considerando la funcin. El
perfeccionismo cuesta muy caro. Es necesario encontrar un buen equilibrio tcnico
econmico, los proyectistas entonces definen las mayores tolerancias posibles que, al
mismo tiempo, preserven la calidad con que el producto realiza su funcin y envrate la
produccin. El equilibrio favorable da la relacin costo calidad debe ser siempre buscado.

Las tolerancias pueden ser establecidas por motivos comerciales. Por ejemplo, al comprar
una bolsa de 500 g de caf molido, el consumidor espera llevar para la casa 500 g de caf
molido. La mquina automtica que llena el caf no es perfecta. Puede producir bolsas con
un poco ms o un poco menos de 500 g. Es algo natural. Los rganos de control de
fiscalizacin (INDECOPI y otros) establecen entonces un lmite: por ejemplo, si el
contenido de cada bolsa de caf fuese mantenido dentro del lmite (500 10) g, la pequea
diferencia, una vez para ms, otra vez para menos, ser aceptable para el consumidor final y
para el fabricante. Ninguna de las partes estara siendo severamente afectada. Otro ejemplo
es la tensin de la red de energa elctrica cuando es mantenido, por ejemplo dentro del
campo (220 11) V para evitar problemas en los equipamientos elctricos.

La faja de variacin aceptable entallada en la tolerancia puede, o no, ser simtrica en torno
del valor nominal. La especificacin T = (220 11) V es simtrica, como tambin T = 220
V 10%, lo es; hay casos donde la faja de variacin no debe ser simtrica. Por ejemplo, las
tolerancias:

T1 = 220V
% 5
% 10
+



T2 = 22V
20 , 0
00 , 0
+
+


no son simtricas, La tolerancia T1 define como aceptable cualquier valor de tensin
entre 220 V 10% = 220 22V = 198 V y el lmite superior de 220V + 5% = 220 + 11 V =
231 V. La tolerancia T2 encima es muy comn en diseos mecnicos donde, por
convencin, las dimensiones son todas expresadas en milmetros. La faja de variacin
aceptable inicia en 22,00 mm y esta limitada al valor mximo en 22.20 mm.

Similarmente el resultado de una medicin, la tolerancia tambin es una faja de valores.
Cuando es simtrica, su notacin se asemeja al resultado de una medicin. Es importante no
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
7
confundirlas. La cantidad que sigue al da una tolerancia que define la faja de variacin
aceptable para una caracterstica de un producto. En el resultado de la medicin la incerteza
de medicin es la faja de dudas presente en la medicin.


2.2.- Aspectos econmicos del control de calidad. Las empresas son frecuentemente
movidas por varios objetivos, dentro de ellos, el de mantenerse en el mercado, para el cual
es necesario generar lucro. Las empresas dependen de la existencia de clientes dispuestos a
comprar los productos o servicios ofrecidos, en ves de escoger los de la competencia. Para
conquistar los clientes es necesario ofrecer productos o servicios con caractersticas
competitivas en trminos de calidad y costo, que muestren ventajas en relacin con los
concurrentes. Calidad y competitividad estn fuertemente relacionadas. La competitividad
de una empresa expresa su capacidad de sobrevivir y crecer en el mercado frente a la
competencia.
El xito de una empresa depende de su capacidad en ofrecer al mercado productos y
servicios que atiendan, o superen, las expectativas de los consumidores aun precio
competitivo y muchas veces, que satisfagan condiciones impuesta por normas o barreras
tcnicas. Para coger una buena condicin en el binomio costo calidad, es necesario un
esfuerzo en mltiples frentes que pasan por un proyecto adecuado, los medios y
procedimientos de fabricacin y de inspeccin conveniente dimensionados, la
identificacin y el acreditamiento de buenos proveedores, aspectos organizacionales
internos bien implementados, acciones de relacionamiento con el mercado y la atencin al
cliente, dentro de otros.
El esfuerzo por la calidad tiene un costo. La no calidad tambin cuesta muy caro. El punto
ptimo de la poltica de calidad de una empresa debe ser encontrado entre los dos extremos
formados por una postura perfeccionista y una postura completamente moderada en cuanto
a la calidad.
2.2.1.- Costos de no calidad.-La calidad percibida por el cliente final en el producto o
servicio es un tem esencial para mantener al competitividad de la empresa frente a la
competencia. Sin embargo, por mayor que sea el esfuerzo por la calidad, es prcticamente
imposible garantizar que el 100% de las etapas de los procesos productivos, de los
productos y servicios, ocurran con plena conformidad. En mayor o menor nmero, las no
conformidades en procesos, productos y servicios ocurrirn y de varias formas, provocaran
costos de no - calidad
Los costos ocurridos por fallas en los productos y procesos ocurridos internamente
(dentro de la empresa) y externamente (ocurridas fuera de la empresa) son conocidos
como costos de la no calidad.

Son ejemplos de costos de la no calidad.

- El desperdicio de energa, materia prima y mano de obra, gastados con productos
reprobados en el control de calidad.
- Rechazos errneos de productos de buena calidad, por errores de clasificacin en el
control de calidad.
- Aprobacin errnea de productos fuera de las especificaciones por error de
clasificacin en el control de calidad que llegaron hasta el consumidor final.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
8
- Atrasos en la produccin.
- Costos con retrabados de productos defectuosos o servicios mal efectuados.
- Indemnizaciones por perdidas y daos a personas y al medio ambiente.
- Rellamadas de productos para el cambio o concertaciones.
- Perdida de clientes por la ocurrencia, perjuicios en la imagen de la empresa.

Algunos de estos costos pueden reducir significativamente el margen de lucro de la
empresa. Otros pueden surgir y ser fatales para la sobrevivencia de la empresa. No son
raros los caso de rellamadas (llamada para el cambio sea gratuito) de los tems de calidad,
solo detectados despus de la venta de un grande nmero de productos, o que pude costar
mucho para la empresa. Indemnizaciones millonarias para clientes lesionados, o multas
millonarias por daos al medio ambiente, pueden ser suficientes para quebrar una
empresa.
La construccin de una buena imagen requiere de una grande y persisten esfuerzo de la
empresa. Son necesarios aos de buenos servicios y mucha inversin en el maquete para
formar en el consumidor una asociacin entre las cualidades y la marca de una empresa.
Por otro lado, la destruccin de esta imagen puede ocurrir con una velocidad
extremadamente veloz, basta un descuido de la empresa con un aspecto de la calidad que
sea impactante para el cliente. Un modelo de telfono celular problemtico, gasolina
adulterada venda por un puesto de gasolina, la comida malograda en un restaurante, son
algunos de los ejemplos que apartan a los consumidores de los establecimientos
comerciales.
2.2.2.- Costos de la calidad.- En los caminos para minimizar los problemas de la no
calidad, empresas invierten en personas, equipamientos y mtodos de trabajo, que lleven a
una mejora de la calidad de los productos. Son ejemplos:
- Adquirir sistemas de produccin nuevos, con mejor desempeo y automatizado.
- Implementar mas estaciones de inspeccin en varias fases del proceso.
- Adquirir sistemas de medicin ms sofisticados para el control de calidad.
- Calibrar ms frecuentemente los sistemas de medicin.
- Contratar personal ms especializado o entrenar mejor al personal para las
operaciones de medicin y control de calidad.
- Adecuar ambientes de medicin, creando salas y laboratorios ms protegidos de
influencias ambientales.
Al hacer esta inversin la empresa est agregando nuevo costos al sistema de produccin.
Son los costo de calidad, que incluyen todos los costos relacionados a la evaluacin e
prevencin de no conformidades.
Costos de calidad son los costos relacionados con la evaluacin y prevencin de no
conformidades.

Son ejemplos de costos de calidad:
- Inversiones con la adquisicin de nuevos sistemas de medicin para el control de
calidad.
- Elevacin de costos con inspecciones ms frecuentes y demoradas.
- Inmovilizacin de capital con los equipamientos y salas de medicin.
- Elevacin de costos con la manutencin y calibracin de instrumentos.

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
9
2.2.3.- Los costos totales de la calidad.- La suma de los costos de calidad con los costos
de no calidad resulta en los costos totales de la calidad. La postura relajada cuando la
calidad general expresivos gastos con la no calidad: desperdicios, retrabado, atrasos en la
produccin y los efectos indirectos relacionados a la degradacin de la imagen de la
empresa. Estos costos tienden a ser mayores cuando mayor fuere el grado de
relajamiento. En esta condicin, pequeas inversiones en calidad tienden a reducir mucho
los costos de la no calidad. En el otro extremo est la postura perfeccionista, que desea
producir 100% de los productos dentro de las especificaciones, o que eleva sensiblemente
los costos de la calidad sin una sensible reduccin en los costos de al no calidad. Un
equilibrio debe ser obtenido en una regin que minimiza los costos totales de la calidad. La
figura N 1 representa la compasin de los costos totales de la calidad. Ntese que el punto
mnimo no esta en ninguno de los extremos. Es en esta condicin, de mnimos costos, que
las empresas desean trabajar




Figura N 1 Costos totales de la calidad calculada como la suma
de los costos de la calidad con los costos de la no
calidad.

Los costos de calidad engloban dos categoras: evaluacin y prevencin. Cada una de estas
categoras proporciona ventajas diferentes en trminos de reduccin de problemas.
Inversiones en evaluacin (compra de nuevos equipos, aumento de la frecuencia de
inspecciones, etc.) tienden a reducir rpidamente costos con fallas externas. Eso se explica
por el hecho de que los productos malos son detectados de forma ms eficiente dentro de la
empresa y no va para el mercado. En el tanto, los costos con fallas internas no se alteran
significativamente, si la inversin no fuere acompaada de la prevencin de no
conformidades.
Si se invierte en la prevencin de problemas (nuevos equipamientos, optimizacin del
proceso, entrenamiento del personal, etc.) los costos con fallas externas reducindose a lo
largo del tiempo, y tambin son reducidos los costos con fallas internas, pues los procesos
quedaran ms capaces de producir buenos productos. Aunque las inversiones en prevencin
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
10
no posean efectos tan inmediatos cuanto las inversiones en evaluaciones, promueven una
reduccin de costos bien mayor a largo plazo. Es el viejo dictado siempre valido: es mejor
prevenir de que remediar.

2.3.- Aspectos tcnicos del Control de calidad.- Hay dos clases principales de control de
calidad practicados en la industria: control por variables y control por atributos. El control
de calidad por variables compara numricamente una variable cuantitativa, asociado a la
caracterstica de cualidad del producto a evaluar, con la tolerancia. Si estuviera dentro de la
faja especificada por la tolerancia, el componente o sistema es aprobado. La obtencin de la
variable cuantitativa es normalmente el resultado de una operacin de medicin. El control
de calidad de piezas cuyo dimetro debe estar dentro de la tolerancia (12,50 0,05) mm,
cuando realizado a partir de mediciones del dimetro, es un ejemplo de control de calidad
por variables.
En el Control de calidad por variables el valor numrico de una variable del producto
es comparado con los lmites definidos por la tolerancia.
El control de calidad por atributos envuelve la verificacin de una o ms caractersticas del
componente o del sistema esta presente o ausente. Por ejemplo, en la etapa final del control
de calidad de una fbrica de refrigeradoras debe ser verificada la existencia de fallas
perceptibles en la pintura. El resultado de una inspeccin visual ser un si o un no. Este
tipo de control es denominado de control de calidad por atributo. No envuelve valores
numricos, solo apenas valores lgicos (verdadero o falso).
En el control de calidad por atributos se verifica la presencia o ausencia de ciertas
caractersticas del producto.

2.3.1.- Limites de Especificacin e Intervalo de tolerancia. En el control de calidad por
variables, la tolerancia representa la faja de valores aceptables. Sus lmites extremos son
denominados de Lmites de Especificacin: El Limite Inferior de la Especificacin (LIE) y
el Limite Superior de la Especificacin (LSE). Cada componente, cuyas caractersticas
estuvieron dentro de estos lmites, debe ser aprobado por el control de calidad por estar en
conformidad con las especificaciones. La faja delimitada por los limites de especificacin
es tambin denominado Zona de Conformidad.

Zona de conformidad es la faja de valores comprendida entre los lmites de
especificacin, definidos por la tolerancia. Si la caracterstica del producto evaluado
estuviera dentro de la zona de conformidad, el producto es aprobado.

El valor numrico del intervalo calculado por la diferencia entre los lmites superior e
inferior de especificacin es denominado del Intervalo de Tolerancia. La figura N 2
muestra estos tres parmetros para la tolerancia de (500 10) g. La zona de conformidad
est entre 490 g y 510 g.







Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
11



Figura N 2 Limite Inferior de la Especificacin (LIE), Limite Superior de la
Especificacin (LSE) y el Intervalo de Tolerancia (IT) para la
tolerancia de (500 10) g.

2.3.2.- Limites de aceptacin. Las decisiones en el control de calidad por variables son
tomadas en base de los resultados de las mediciones de la (s) caracterstica (s) de inters del
producto. Sin embargo, a cualquier resultado de medicin estn asociadas las incertezas.
Son necesarios algunos cuidados para evitar que la incerteza de medicin del resultado
pueda llevar a la toma de decisiones erradas en el control de calidad.
Sea por ejemplo, la tolerancia de (500 10) g que deba ser pesada para la cantidad efectiva
de caf en polvo que debe estar presente en cada bolsa producida. Para el control de calidad
fue seleccionada una balanza capaz de medir la masa efectiva de caf que tenga resultados
con una incertidumbre de medicin de 4 g. Suponga que la masa efectiva de una
determinada bolsa de caf fue medida, y fue se encontr el resultado de (493 4) g. Para
investigar si el posible afirmar que esta bolsa de caf este en conformidad con la tolerancia,
considere la representacin grfica de la Figura N 3. Note que la faja correspondiente al
resultado de la medicin esta buena parte dentro de la zona de conformidad, ms hay una
parte que ultrapasa el lmite inferior del control. Como el valor verdadero de la masa
efectiva de la bolsa de caf puede ser cualquier valor dentro de la faja a la que corresponde
el resultado de la medicin, no es posible afirmar con seguridad si la bolsa medida est en
conformidad con la tolerancia. En la duda, la bolsa de caf debe ser rechazada por el
control de calidad.



Figura N 3. Verificacin si la bolsa de caf con (493 4) g guarda la tolerancia
de (500 10) g.

La masa efectiva de una segunda bolsa de caf es medido. Y el resultado obtenido fue (502
4) g. La figura N 4 deja claro que, en este caso, la tolerancia es cumplida con seguridad y
la bolsa puede ser clasificada por el control de calidad como en conformidad con la
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
12
tolerancia. Fue posible llegar a esta conclusin porque toda la faja correspondiente al
resultado de la medicin esta ntegramente dentro de la zona de conformidad.



Figura N 4. Verificacin si la bolsa de caf con (502 4) g guarda la tolerancia
de (500 10) g.

El conjunto de valores del resultado base para los cuales todo el resultado de la medicin
permanece ntegramente dentro de la zona de conformidad es denominado de zona de
aceptacin. La figura N 5 representa la zona de aceptacin. Sus lmites son denominados
de Limite Inferior de Aceptacin (LIA) y el Limite Superior de Aceptacin (LSA). Tomar
en cuenta que la Zona de Aceptacin es menor que la Zona de Conformidad de una
cantidad igual a dos veces la incerteza de medicin del resultado.



Figura N 5. Zona de conformidad para la tolerancia (500 10) g usando un
proceso de medicin con incerteza del resultado de la medicin de 4
g.

Zona de aceptacin es la faja de valores dentro de la cual el resultado base debe
encontrarse par que el producto sea aprobado en el control de calidad.

Los lmites de la zona de aceptacin son calculados a partir de los limites de especificacin
por:
LIA = LIE + IM (1)
LSA = LSE IM
Siendo:
LIA Lmite inferior de aceptacin
LIE Lmite inferior de la especificacin
IM Incerteza de medicin del resultado de medicin
LSA Lmite superior de aceptacin
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
13
LSE Lmite superior de la especificacin.

Del punto de vista de la produccin es interesante que la zona de aceptacin se aproxime al
mximo de la zona de conformidad. El nmero de piezas con clasificacin dudosa seria
menor, lo que reducira la probabilidad de ser rechazado los componentes y sistemas que
an estn dentro de las especificaciones, sea, reducira los costos de la no cualidad. La
receta para que esto sea la mejora de la incerteza del proceso de medicin, lo que hace que
hayan costos adicionales: los costos de la calidad.

El punto de equilibrio que minimiza los costos totales de la calidad est entre los dos
extremos: el perfeccionismo y el relajamiento. Su posicin exacta depende de caso a caso.
Entretanto, la experiencia muestra que, en buena parte de las situaciones de inters
industrial, la condicin de equilibrio es tocada cuando la incerteza del proceso de medicin
es de la orden de un dcimo del intervalo de tolerancia, esto es:


10
IT
IM= (2)

Siendo:
IM Incerteza de medicin del resultado del proceso de
medicin
IT intervalo de tolerancia (IT = LSE LIE)

El valor calculado por la ecuacin (2) debe ser considerado como orientativo. Hay
situaciones donde el equilibrio que minimiza los costos totales de la calidad es encontrado
con proporciones ligeramente superiores o inferiores a la dada por la ecuacin (2)

Considerando que an la tolerancia de (500 10) g, la incerteza del proceso de medicin
recomendada para el control de calidad es calculada por la ecuacin (2):

g 2
10
20

10
IT
IM = = =

La balanza a ser usada en el control de calidad debera permitir la determinacin del
resultado de la medicin con incerteza de medicin de 2 g. Si se esta condicin fuese el
caso, se calcula:

LIA = LIE + IM = 490 + 2 = 492 g

LSA = LSE IM = 510 -2 = 508 g

La masa efectiva de cada bolsa es medida y su resultado base (RB) es obtenido. La
condicin de aceptacin es la comparacin del resultado base con los lmites de aceptacin:

Si LIA RB LSA el producto es aceptado.
Si RB < LIA RB > LSA el producto es rechazado.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
14

Esta condicin est ilustrada en la Figura N 6. Fjese que tambin en este caso, el tamao
de la zona de aceptacin es menor que la zona de conformidad. Algunos componentes o
sistemas an estarn en la zona de dudas, ms sern en proporcin mucho menor que el
esperado en el esquema de la figura N 5.



Figura N 6. Zona de Aceptacin para la tolerancia (500 10) g considerando al
mejor relacin costo beneficio.

2.3.3.- Lmites de rechazo. En el control de calidad los productos que no estn dentro de la
zona de aceptacin son rechazados. Dentro de los rechazados hay algunos que claramente
no estn con las especificaciones. Otros permanecen suficientemente prximos de los
lmites de especificacin de forma que an existen dudas si estos atienden o no las
especificaciones.
Se define entonces los lmites de rechazo, que establecen los lmites para el resultado base
fuera dos cuales no hay dudas sobre o no la conformidad de los componentes o sistemas. La
Figura N 7 ilustra grficamente la construccin de estos lmites.



Figura N 7. Composicin de las Zonas de Aceptacin, rechazo y duda.

Los lmites de rechazo definen fajas en las cuales no hay dudas que el producto no
obedece a la tolerancia.

Los limites de rechazo son calculados a partir de los lmites de especificacin por las
siguientes ecuaciones:
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
15
LIR = LIE IM (3)
LSR = LSE + IM

Siendo: LIR Limite inferior de rechazo
LIE Lmite inferior de la especificacin
IM Incerteza de medicin del resultado de la medicin
LSR Lmite superior de rechazo.
LSE Lmite superior de la especificacin

Para los productos, cuyos resultados base estuvieren dentro de los lmites de rechazo, no
resta dudas que estos no obedecen las tolerancias. Entretanto, debe quedar claro que
solamente son aprobados los productos cuyo respectivo resultado base estuvieran dentro de
la zona de aceptacin.

2.3.4.- Zonas de duda.- Los productos cuyas mediciones llevasen a resultados base
situados dentro de las zonas de duda, pueden o no obedecer las tolerancias. Como hay duda,
no pueden ser aceptados por el control de calidad. En un proceso de fabricacin bien
balanceado, y sobre el control, el nmero de productos que resultan dentro de las fajas de
duda es normalmente muy pequeo.

En procesos productivos crticos puede ser interesante volver a medir los productos que se
situasen dentro de las zonas de duda. En estos casos, es necesario utilizar un proceso de
medicin que produzca resultados de medicin de mejor calidad. As, con la reduccin de
la incertezas o incertidumbre de la medicin del resultado, las zonas de duda tambin
reducirn de tamao. Como consecuencia, algunos productos pueden cambiar y salir de las
zonas de duda para la nueva zona de aceptacin o de rechazo. Otros productos an
permanecern dentro de la zona de duda. El uso de sistemas de medicin de mejor calidad,
ambientes ms bien controlados y ms estables, la correccin de los errores sistemticos o
la ejecucin de mediciones repetidas, son recursos vlidos para reducir la incerteza del
proceso de medicin.

Una prctica condenable, algunas veces errneamente adoptada, es la medicin repetida del
producto que cayo en una de las fajas de duda, usando el mismo proceso de medicin.
Repeticiones son hecha hasta que por obre de la suerte, una de la mediciones cae dentro de
los lmites de aceptacin, cuando el producto es probablemente aceptado. Esta prctica no
pude ser hecha porque la probabilidad de acertar errneamente un producto que no esta
dentro de las especificaciones aumenta artificialmente para niveles inaceptables. Para
reclasificar componentes que caen dentro de las fajas de duda es necesario utilizar otro
proceso de medicin que resulta en mejores incertezas.

2.4.- Control de calidad en un 100% y control de calidad por muestreo. Idealmente,
toda la produccin de una unidad, o de una industria, debe estar rigurosamente en
conformidad con sus especificaciones. Hay una tendencia de que cada producto sea
individualmente sometido al control de calidad y su conformidad certificada. Efectuase,
entonces, un control de calidad de 100% de produccin, las veces denominada de
inspeccin 100% de la produccin.

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
16
En el Control de calidad del 100% de la produccin todos los tems producidos son
individualmente evaluados y su conformidad verificada.

Cuando la produccin envuelve un volumen muy grande, y en funcin de las
especificaciones del producto, la inspeccin en un 100% de la produccin puede tornarse
tcnicamente y/o econmicamente inviable. La inversin necesaria, los tiempos envueltos y
el volumen de trabajo pueden ser prohibitivos.

Algunos procesos productivos son estables o suficientes de viabilizacin el control de
calidad por muestreo. La distribucin de la figura N 8 representa las caractersticas
naturales de un proceso de fabricacin de excelente capacidad. Los valores naturalmente
obtenidos para el parmetro de inters se dispersan muy poco en torno del valor medio. La
probabilidad es prcticamente cero de que los productos sean fabricados fuera de los lmites
de las especificaciones. En estos casos, no hay necesidad de aplicar el control de calidad en
100% de la produccin.



Figura N 8. Proceso de Fabricacin con elevada capacidad (Cp > 1,33).

La capacidad del proceso es un ndice que permite evaluar su habilidad de naturalmente
producir productos dentro de los lmites de las especificaciones. Para el calculo, es
necesario estimar la media
_
X
p
y la desviacin estndar del modelo natural del proceso, Sp.
Siendo la distribucin del proceso aproximadamente normal, hay una probabilidad de
99.7% de que las piezas producidas estn dentro de los lmites dados por
_
X
p
3 s
p
y
_
X
p

+ 3 s
p
. El ndice de capacidad del proceso es calculado dividiendo el tamao de la faja
comprendida entre los lmites de especificacin por seis veces la desviacin poblacional del
modelo del proceso.

p
p
s 6
LIE - LSE
C = (4)
Siendo:
C
p
es el ndice de la capacidad del proceso.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
17
LIE y LSE son lmites inferior y superior de la especificacin a ser
atendida.
s
p
es la estimacin de la desviacin estndar del modelo natural
del proceso.

El ndice de capacidad C
p
es un parmetro adimensional. Cuando su valor supera 1,33
dicese que el proceso es suficientemente capaz para operar sin control de calidad en 100%
de la produccin. La probabilidad de que las piezas sean producidas fuera de los lmites de
las especificaciones es tan pequea que puede se despreciada.
Por otro lado, no es prudente esperar que el proceso continu eternamente estable y bien
estable. Variaciones naturales de las condiciones de operacin, como las variaciones de
temperatura, de las caractersticas de la materia prima, de mano de obra de los operadores,
y la degradacin natural de los medios de produccin, como el desgaste de las herramientas
y de las mquinas, pueden traer al proceso para una condicin desfavorable, que lleve a la
produccin de un nmero acentuado de productos fuera de las especificaciones. La figura
N 9 muestra una situacin extrema. An la dispersin del proceso sea pequea, el valor
medio producido esta muy prximo del limite superior de las especificaciones, elevando la
probabilidad de que un nmero grande de piezas inaceptables pueden ser producidas
encima de los lmites definidos por las especificaciones.


Figura N 9. Proceso con grande capacidad sin embargo con valor medio alejado
del valor central de las especificaciones.

Sin embargo la condicin de la situacin ilustrada en la Figura N 9, sea inaceptable, el
indicie de capacidad C
p
calculado es superior a 1.33, indicando una condicin favorable.
Para cuantificar el desvi de la media del proceso en relacin al valor medio de la faja de
especificaciones, definiese otro ndice de capacidad, el C
pk
calculado por la siguiente
expresin:

|
|
|
.
|

\
|
=
P
P
_
P
P
_
PK
s 3
LIE - X
,
s 3
X - LSE
min C (5)
Siendo:
C
PK
es el ndice de capacidad del proceso para procesos no centrados.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
18
LIE y LSE son los lmites inferior y superior de la especificacin a ser atendida.

_
X
p
es la media natural estimada del proceso.
s
P
es la desviacin estndar del modelo natural del proceso.

Si ambos los ndices de capacidad C
P
y C
PK
superan el lmite 1,33 el proceso es capaz y el
control de calidad puede ser efectuado por muestreo.

La Figura N 10 ilustra un proceso cuyo ndice C
P
es inferior a 1,00. En este caso, la
dispersin natural del proceso es muy elevada. La probabilidad de que existan productos
producidos fuera de los lmites de las especificaciones es muy grande, tocado por niveles
inaceptables. En estas condiciones, el control de calidad tiene que ser efectuado en 100% de
la produccin. Debe ser evaluado la viabilidad tcnica y econmica de invertir en el
proceso para reducir esa variabilidad. La adquisicin de nueva mquinas, la mejora de las
condiciones ambientales, de las herramientas, de la materia prima, el entrenamiento de
operadores, son aspectos a considerar. Si las mejoras son suficientes no pueden ser
efectuadas, no hay otra alternativa que no sea el control de la calidad en 100% de la
produccin.



Figura N 10. Proceso productivo con baja capacidad (C
P
< 1,00).

El control de calidad por muestreo envuelve un esquema estadsticamente bien planeado.
Normalmente est asociado a las tcnicas de control estadstico de procesos. En esencia son
extradas muestras de productos del proceso en una frecuencia bien establecido, que puede
variar de pocas piezas por da, a varias piezas por hora. Sus parmetros de inters son
medidos y estadsticamente avalados. Si el proceso productivo permanece estable, en un
situacin prxima a la de la figura N 8, la produccin debe continuar sin intervencin. En
el momento en que son detectadas tendencia del proceso en si aproximado a la de la
condicin de la Figura N 9, una intervencin debe ser efectuada en el proceso antes que las
piezas estn fuera de las especificaciones puedan ser producidas.

La estabilidad y las tendencias del proceso son normalmente detectadas a travs de los tipos
de grficos denominados de grficos de control: o grfico de las medias y el grafico de las
amplitudes. El grafico de las medias registra la historia evolutiva de las medias del proceso
productivo a lo largo del tiempo. Si factores, como el desgaste de herramientas, la
desregularizacin de las mquinas, efectos de las condiciones ambientales, que estuvieran
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
19
afectando a las piezas producidas, estas causas provocaran alteraciones en los valores de las
medias que sern detectadas en el grfico de las medias. El grafico de las amplitudes
miden, indirectamente, las variaciones del proceso. Sbitos aumentos de las variaciones del
proceso indican la accin en una causa atpica que perturba el proceso. El factor que est
causando debe ser identificado y corregido para evitar que productos vengan a ser
producidos fuera de las especificaciones.

La forma como el control por muestreo hace semejanza a la de un malabarista
equilibrista. Que procura mantener el objeto equilibrado y hace sobre este cada vez que es
percibida una tendencia de este en desequilibrio. Como el resultado, el objeto equilibrado
no se cae.

2.5.- Posicin del control de calidad. El control de calidad puede estar situado en varias
posiciones dentro de un proceso productivo. Puede ser realizado apenas en el final del
proceso productivo, entre las varias etapas de fabricacin y dentro durante la operacin
fabril. La decisin sobre la mejor estrategia del control de calidad depende de las
caractersticas del proceso productivo y posee gran impacto en el costo total de la calidad.
En el pasado era muy frecuente localizar el control de calidad slo al final del proceso
productivo. La figura N 11 representa esta opcin. El producto acabado es medido y
comparado con los lmites de aceptacin. Si es aprobado, el producto es encaminado al
cliente, si se rechaza, el producto chatarreado.



Figura N 11. Control de calidad en el final del proceso productivo.

Hay ventajas y desventajas en situar el control de calidad slo al final del proceso
productivo. Es comn que esta estrategia de control de calidad envuelva la menor inversin
inicial, una vez que apenas una estacin de control de calidad es utilizada. El costo de la
calidad es menor, por otro lado aumentan los costos de la no calidad. Sin embargo algunos
casos el producto rechazado pueda ser remanufacturado, o sea materia prima
reaprovechada, en muchos otros, el producto rechazado es una perdida total. No solamente
la materia prima inutilizada es perdida, ms tambin todo el esfuerzo necesario al
beneficiamento del producto, como la mano de obra, hora de maquina, desgaste de
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
20
herramientas y otros insumos. Esta estrategia puede ser una buena opcin para procesos
altamente capaces y productos con bajo valor agregado por el proceso productivo.
Adems de separar los productos que son buenos de los malos que no se ajustan a las
tolerancias, el control de calidad provee informaciones importantes para ajustar y mantener
sobre el control el proceso productivo. Por ejemplo, si una mquina de ensacado de caf
produce embalajes con cantidades de caf sistemticamente por encima del valor
especificado, esta informacin, detectada en el control de calidad, debe ser usada para
regular la mquina para que la produccin se regularice. Esta idea, valida para el producto
acabado, tambin puede ser extendida para la varias operaciones intermedias de
beneficiamiento dentro de un proceso productivo. Surge as el control de calida entre las
etapas en un proceso productivo, esquematizado en la figura N 12.
El control de calidad es efectuado entre cada etapa crtica del proceso productivo. El
producto, an no acabado, es sometido al control de calidad. Las caractersticas del
producto beneficiados en la etapa inmediatamente anterior son medidas y comparadas con
las tolerancias internas del proceso. Si es aprobado, el producto no acabado sigue en frente
para las prximas etapas. Si es rechazado, es descartado, evitando los gastos que existiran
con el procesamiento de las etapas posteriores del proceso productivo. Muy importante an
es la utilizacin de las informaciones obtenidas en el control de calidad en una etapa
intermedia para detectar tendencias en el proceso productivo y tocar sobre los medios de
produccin, actuando sobre regulaciones y ajustes de las mquinas para evitar que los
productos subsiguientes tambin estn fuera de las especificaciones. En esta modalidad, el
control de calidad puede existir en la recepcin de la materia prima, realimentado al
proveedor en caso de existir no-conformidades. Puede tambin existir una etapa final del
proceso productivo, aprobando o no el producto acabado.


Figura N 12. Control de calidad entre varias etapas del Proceso Productivo.
El costo de la calidad puede elevarse considerablemente con la inversin necesaria para
implantar las varias estaciones del control de calidad. En algunas plantas industriales, el
control de calidad puede ser efectuado en una sala de medicin, lejos de las mquinas
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
21
productoras. Los productos deben ser transportados hasta el ambiente de medicin,
medidos y posteriormente transportados para la prxima etapa del proceso productivo. Esta
estrategia es adecuada para el control de calidad por muestreo o cuando el volumen de
produccin es muy pequeo. En los dems casos es necesario efectuar el control de calidad
junto al proceso productivo, el que puede envolver la adquisicin o desenvolvimiento de
sistemas y dispositivos de medicin especializados.
Los costos de la no-calidad son reducidos. El mejor control sobre las etapas del proceso
productivo lleva a la reduccin del nmero de productos acabados no conformes. La
economa efectuada cuando evitase que un producto ya fuera de las especificaciones pase
por las etapas posteriores de beneficialmente puede ser substancial. En el conjunto, las
necesidades tcnicas y las relaciones costo-beneficio deben ser analizadas para que sea
tomada una decisin sobre cuales etapas del proceso productivo deben ser seguida de una
operacin de control de calidad y cual el tipo de inspeccin a ser practicado, envolviendo
muestras o 100% de la produccin.
La medicin dentro del proceso productivo es una alternativa muy atractiva. Algunas
mquinas productoras son equipadas con sistemas de medicin integrados, que permiten
mediciones frecuentes durante el proceso productivo. La mediciones efectuadas son usadas
para realimentar la propia mquina, contribuyendo fuertemente para mantener las
caractersticas de inters del producto dentro de la faja de tolerancias. Algunos sistemas de
medicin operan de forma intermitente, esto es, periodos de fabricacin son intercalados
con momentos donde la fabricacin es interrumpida para que el sistema de medicin actu.
Otros, pueden operar de forma simultnea con las operacin de fabricacin.
La figura N 13 ilustra un ejemplo de medicin continua dentro del proceso productivo. El
eje representado en corte en la figura, esta siendo diseado con el auxilio de un eje
cilndrico. El eje gira en el sentido anti-horario y el eje en el sentido horario. El material del
eje es gradualmente removido por abrasin por el eje, reduciendo progresivamente su
dimetro. El dimetro del eje es continuamente monitoreado por un par de sensores con
contacto mecnico, provedos de puntas de contacto especiales, fuertemente resistentes al
desgaste. El valor del dimetro es medido y comparado con el valor mirado. El resultado de
la comparacin es analizado por el procesador del sistema que controla el avance del eje
para aproximarse al dimetro del eje del valor deseado. El movimiento del eje debe ser
proporcional a la diferencia entre el valor medido y el valor observado. Este sistema tiene la
capacidad de automticamente compensar el desgaste natural del eje, manteniendo las
caractersticas de la pieza producida siempre estable. Estando el proceso de medicin en
buenas condiciones, con esta estrategia es posible producir con el rechazo cero.












Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
22



Figura N 13 Medicin continua dentro del Proceso Productivo.
An es pequeo el nmero de medios de produccin que poseen sistemas de medicin
integrados, ms hay una tendencia creciente. La inversin inicial es considerablemente
mayor, Por otro lado, la operacin automtica dispensa el uso intensivo de mano de obra, o
que reduce los costos de la calidad, y, al mismo tiempo, aumenta la confiabilidad del
proceso, el que reduce los costos de la no-calidad. El balance de los costos totales de la
calidad debe ser realizado y usado como parmetro para la toma de desicin sobre la
viabilidad en adoptar la estrategia de control de calidad dentro de los medios de
produccin.
La decisin sobre la mejor estrategia de posicin del control de calidad dentro de un
proceso productivo es avalada por aspectos tcnicos y econmicos. Sea cual fuere la
alternativa adoptada, no se puede abrir la mano de garanta que el producto atienda
plenamente las especificaciones y tolerancias. La viabilidad tcnica de realizar el control de
calidad dentro de la unidad fabril puede ser un factor restrictivo que obstruya esta
alternativa. Econmicamente, los costos totales de la calidad deben ser comparativamente
avalados en todas las configuraciones posibles. La inversin inicial, el costo operacional, la
economa con la minimizacin de los rechazos y retrabados, deben ser cuidadosamente
avalados.

2.6.- Aplicaciones en el control de calidad de la curva normal. Para definir el porcentaje
de elementos que estn comprendidos entre dos valores determinados se puede recurrir al
clculo. Sin embargo, esto en realidad no es necesario, dado que las reas que quedan bajo
la curva correspondiente a los valores de Z aparecen en la Tabla A, reas comprendidas
bajo la curva normal, es una tabla de lectura a la izquierda, es decir, que las reas dadas
corresponden a la parte de la curva que va de a un valor determinado, X
i
.
El primer paso consiste en calcular el valor de Z utilizando la frmula:



Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
23

o
X
Z
i

= 6
Donde: Z = valor normal estndar.
X
i
= valor individual
= media.
= desviacin estndar de la poblacin.
Luego, utilizando el valor Z obtenido, se encontrara en la tabla A el valor del rea que est
bajo la curva, a la izquierda de X
i
. Por ejemplo, si el valor de Z es de -1.76, el
correspondiente valor del rea es de 0.0392. Dado que el rea total bajo la curva es de
10000, el valor de 0.0392 del rea se convierte al porcentaje d elementos que estn bajo la
curva tan slo desplazando el punto decimal dos lugares a la derecha. Por tanto, 3.92% de
los elementos tienen valor inferior al valor particular X
i
.
Suponiendo que los datos estn distribuidos normalmente, se puede determinar el
porcentaje de elementos de los datos que tienen un valor inferior a un valor inferior a un
valor determinado, mayor que un valor dado, y comprendido entre dos valores. Si los
valores son mayores y/o menores que las especificaciones se contar con una muy til
herramienta estadstica. Los problemas resueltos N 3 al N6 mostraran la aplicacin de est
tcnica. Siendo la Funcin de la densidad de probabilidad de la distribucin N(,
2
)
P (a<z<b) = |
.
|

\
|
o
- b
-
- a
|
.
|

\
|
o

= (i) - (j) 7
2.7.- Distribucin de la media de la muestra
_
X . Si una variable
_
X tiene una distribucin
normal con media y desviacin estndar , la distribucin de las medias de muestras
aleatorias de tamao n (pequeo) tomadas de esta poblacin tambin es una distribucin
normal con media pero con desviacin estndar igual a / n . En este caso la
compilacin resultante puede ser bimodal, aunque incluso aqu la distribucin de la medias
de la muestra tender a converger a una distribucin normal con un valor medio en un
punto. Como resultado de esta convergencia d la distribucin de la media de la muestra a la
distribucin normal, se puede usar la ecuacin siguiente para calcular las probabilidades
respecto a la media de la muestra:
z =
n
- x
_
o

8

Por lo tanto, si se muestrea de un distribucin normal con promedio y varianza
2

entonces la distribucin de
_
X es N(,
2
/n).
Como una ilustracin de la ecuacin (8), suponga que una medicin tiene un valor medio
de 0.500 pulg con una desviacin estndar de 0.002 pulg. Si se toman muestras de tamao 5
de esta poblacin. Cul es la probabilidad que la media de la muestra sea mayor que 0.501
pulg?
Tambin se podra preguntar dentro de qu intervalo 95% de las medias de la muestra se
puede esperar que caiga.


Para responder a la primera pregunta, usamos la ecuacin (8)
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
24
z = 1.12
5
002 . 0
0.500 - 0.501
_
=
de la tabla A:
P (
_
x > 0.501) = 1 (1.12) = 1 0.8686 = 0.1314
Aproximadamente 13% de las medias d el muestra tomadas de esta poblacin se puede
esperar que sea mayor que 0.501. Se espera que 100(1 )% de las medias de la muestra
caiga en el intervalo z
/2
(/ n ). Este intervalo, por ejemplo, para = 0.05 ser 0.500
1.96(0.002/ 5 = 0.500 0.0018. Es decir, 95% de las medias de las muestras de tamao
5 se espera que estn en el intervalo 0.4982 a 0.5018 pulg. Recuerde que 95% de las
mediciones individuales se esperar que estn en el intervalo.
z
/2
= 0.500 1.96 (0.002) = 0.500 0.0039 0.4961 a 0.5039

2.8.- Intervalos de confianza para promedios. Se trata de determinar un intervalo en el
que se encuentre con alta probabilidad el promedio desconocido . Si
_
X es la media
muestral de una muestra aleatoria de tamao n de una poblacin con varianza conocida
2
,
un intervalo de confianza para del 100(1 ) por ciento est dado por:


_
X - z
/2
/ n
_
X + z
/2
/ n 9

Donde z
/2
es el punto de la distribucin normal estndar que corresponde al porcentaje
/2.

Ejemplo ilustrativo.- Considrense los datos de conductividad trmica de una acero Armco,
supngase que se desea encontrar un intervalo de confianza 95% para conductividad
trmica promedio de este material, y que se sabe que la desviacin estndar de
conductividad trmica a 100 F y 550 W es = 0.30 Btu/hr-ft-F y su media muestral
_
X =
41.924 Btu/hr-ft-F de n=10 lecturas de medicin. Si se supone que la conductividad
trmica est distribuida de manera normal (o que satisfacen las condiciones del teorema
central), entonces puede aplicarse la ecuacin (9) para encontrar el intervalo de confianza.
Un intervalo del 95% implica 1 - = 0.95 de modo que = 0.05. De la tabla A, entonces
z
/2
= z
0.05/2
= z
0.025
= 1.96
El lmite inferior de confianza es:
l =
_
X - z
/2
/ n = 41.924 1.96(0.30) / 10 = 41.924 0.186 = 41.738

u =
_
X + z
/2
/ n = 41.924 + 1.96(0.30) / 10 = 41.924 + 0.186 = 42.110

Por lo tanto, el intervalo de confianza bilateral del 95% es:
41.738 42.110

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
25
2.9.- Determinacin del tamao de muestra: Si
_
X se utiliza como estimacin de ,
entonces puede tenerse una confianza del 100(1 ) por ciento de que el error
_
X
no ser mayor que una cantidad especfica E cuando el tamao de la muestra sea:

E
z
n
2
/2
|
.
|

\
|
=
o
o
10

Ejemplo ilustrativo.- Del ejemplo anterior, supngase que se desea que el error en la
estimacin de la conductividad trmica promedio del acero Armco sea menor a 0.05 Btu/hr-
ft-F, con una confianza del 95%. Puesto que = 10 Btu/hr-ft-F y z
0.025
= 1.96, el tamao
requerido de la muestra puede obtenerse a partir de la ecuacin (10), as:


E
z
n
2
/2
|
.
|

\
|
=
o
o
= 16 15.37
0.05
10 * 1.96

2
~ =
|
.
|

\
|


2.10.- Intervalo de confianza para la diferencia de dos medias, varianzas conocidas. Si
2
_
1
_
x y x son las medias de dos muestras aleatorias independientes de tamaos n
1
y n
2

tomadas de poblaciones que tienen varianzas conocidas y
2
2
2
1
o o respectivamente, entonces
un intervalo de confianza del 100(1 ) por ciento para
1
-
2
es:

2
_
1
_
x - x - z
/2

2
2
2
1
2
1
n n
o o
+
1
-
2
2
_
1
_
x - x + z
/2

2
2
2
1
2
1
n n
o o
+

Ejemplo ilustrativo.- Se llevan a cabo pruebas de resistencia a la tensin sobre 2 diferentes
clases de largueros de aluminio utilizados en la fabricacin de alas de aeroplanos
comerciales. De la experiencia pasada con el proceso de fabricacin de largueros y del
procedimiento de prueba se supone que las desviaciones estndar de las resistencias a la
tensin son conocidas. Los datos obtenidos aparecen en la Tabla 1. si
1
y
2
denotan los
promedios verdaderos de las resistencias a la tensin para las dos clases de largueros,
entonces puede encontrarse un intervalo de confianza del 90% para la diferencia de las
medias
1
-
2
de la siguiente manera.

Clase del
larguero
Tamao de
la muestra
Media muestral de la
resistencia a la tensin
(kg/mm
2
)
Desviacin
estndar
(kg/mm
2
)
1 n
1
= 10
1
_
x = 87.6

1
= 1.0
2 n
2
= 12
2
_
x = 74.5

2
= 1.0

Tabla 1 Resultado de la prueba de resistencia a la tensin para largueros de Al.

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
26
l = 2
_
1
_
x - x - z
/2

2
2
2
1
2
1
n n
o o
+ = 74.5 - 6 . 87 - 1.645
( ) ( )
12
5 . 1

10
0 . 1
2 2
+
= 13.1 - 0.88 = 12.22 kg/mm
2
.

u = 2
_
1
_
x - x - z
/2

2
2
2
1
2
1
n n
o o
+ = 74.5 - 6 . 87 + 1.645
( ) ( )
12
5 . 1

10
0 . 1
2 2
+
= 13.1 + 0.88 = 13.98 kg/mm
2
.

Por consiguiente el intervalo de confianza del 90% para la diferencia en la resistencia a la
tensin promedio es:

12.22 kg/mm
2

1
-
2
13.98 kg/mm
2
.

2.11.- Inferencias con pequeas muestras y varianzas desconocidas. El uso de la teora
anterior requiere que se conozca . Si n es grande, se puede usar tambin esa teora cuando
no se conoce y puede ser reemplazada por s. Para muestras de tamao n < 30. Llamadas
muestras pequeas, esta aproximacin no es muy buena y va siendo tanto peor a medida
que n disminuye; por lo tanto, no se puede tener mucha confianza en s como aproximacin
de .
Cuando ocurre as, se puede probar el siguiente teorema:
Si
_
X es la media de una muestra aleatoria de tamao n tomada de una poblacin normal
con la media y varianza
2
, entonces:

n
s
- x
t
_

= 11
es el valor de una variable aleatoria que tiene una distribucin t-student de parmetro r = n
1 grados de libertad.

2.12.- Intervalo de confianza para la media de una distribucin normal, varianza
desconocida. Si
_
x y s son la media y la desviacin estndar de una muestra aleatoria
tomada de una distribucin normal con varianza
2
desconocida, entonces un intervalo de
confianza del 100(1 ) por ciento para esta dado por:


n
s
t x
n
s
t - x
1 - n /2,
_
1 - n /2,
_
o o
+ ( ( 12

Donde t
/2,n-1
es el punto crtico superior que corresponde al porcentaje /2 de la
distribucin t (tabla C) con n- 1 grados de libertad.




Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
27
Ejemplo ilustrativo: Una tela, filtro de lona, presenta las siguientes 20 mediciones del
tiempo de combustin residual (en segundos) de especimenes tratados de la tela filtrante.

9.85 9.93 9.75 9.77 9.67
9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89

Se desea encontrar un intervalo de confianza del 95% para el tiempo de combustin
residual promedio. Supngase que el tiempo de combustin residual sigue una distribucin
normal.
La media y la desviacin estndar son:
_
x = 9.8525, s = 0.0965.
De la tabla C se tiene que t
0.025,19
= 2.093. Los lmites de confianza del 95% inferior y
superior son:
9.8073
20
0.0965
2.093 - 9.8525
n
s
t - x l
1 - n /2,
_
= = =
o


9.8977
20
0.0965
2.093 9.8525
n
s
t x u
1 - n /2,
_
= + = + =
o

Por consiguiente, el intervalo de confianza del 95% es:
9.8073 9.8977
Por tanto, se tiene una confianza del 95% de que el tiempo de combustin residual
promedio se encuentra entre 9.8073 y 9.8977.

2.13.- Intervalo de confianza para
1
-
2
. Por consideraciones semejantes que las
sealadas para grandes muestras, se puede demostrar que el intervalo que provee del 100(1
- ) por ciento de confianza para el intervalo de
1
-
2,
tratndose ahora de pequeas
muestras es:

2
_
1
_
x - x - t
/2,n1+n2-2
s
p

2 1
n
1

n
1
+
1
-
2
2
_
1
_
x - x + t
/2,n1+n2-2
s
p

2 1
n
1

n
1
+

Donde: s
p
=
( ) ( )
( )

2 - n n
s 1 n s 1 n
2 1
2
2 2
2
1 1
+
+
es el estimador combinado de la desviacin
estndar comn de la poblacin y t
/2,n1+n2-2
es el punto crtico superior que corresponde /2
de la distribucin t con n
1
+n
2
-2 grados de libertad.

Ejemplo ilustrativo: Se dio a conocer los resultados de un anlisis del peso de calcio en
cemento estndar y en cemento contaminado con plomo. Los niveles bajos de calcio
indican que el mecanismo de hidratacin del cemento queda bloqueado y esto permite que
el agua ataque varias partes de una estructura de cemento. Al tomar diez muestras de
cemento estndar, se encontr que el peso promedio de calcio es 1
_
x = 90.0 con una
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
28
desviacin estndar muestral s
1
= 5.0; los resultados con 15 muestras de cemento
contaminado con plomo fueron 2
_
x = 87.0 y s
2
= 4.0.
Supngase que el porcentaje de peso de calcio est distribuido de manera normal.
Encuntrese un intervalo de confianza del 95% para la diferencia entre medias
1
-
2
de
los dos tipos de cemento. Por otra parte, supngase que las dos poblaciones normales tienen
la misma desviacin estndar.
El estimador combinado de la desviacin estndar comn se obtiene con la ecuacin:


( ) ( )
( )
19.52
2 - 15 10
(4.0) 4 1 (5.0) 9

2 - n n
s 1 n s 1 n
s
2 2
2 1
2
2 2
2
1 1 2
p
=
+
+
=
+
+
=

Por tanto la estimacin combinada de la desviacin estndar es s
p
= 52 . 19 = 4.4.
Entonces el intervalo de confianza del 95% se obtiene con la ecuacin:

2
_
1
_
x - x - t
/2,n1+n2-2
s
p

2 1
n
1

n
1
+
1
-
2
2
_
1
_
x - x + t
/2,n1+n2-2
s
p

2 1
n
1

n
1
+

Y despus de sustituir los valores muestrales y utilizar t
0.025,23
= 2.069

87.0 - 90.0
_
- 2.069 (4.4)
15
1

10
1
+
1
-
2
87.0 - 90.0
_
+ 2.069 (4.4)
15
1

10
1
+

La expresin se reduce: -0.72
1
-
2
6.72
Ntese que el intervalo de confianza del 95% incluye al cero; por consiguiente, para este
nivel de confianza, no puede concluirse la existencia de una diferencia entre las medias.
Dicho de otra manera, no hay evidencia alguna de que la contaminacin del cemento por
plomo tenga efecto sobre el peso promedio de calcio, en consecuencia, con un nivel de
confianza del 95%, no es posible afirmar que la presencia del plomo afecte este aspecto del
mecanismo de hidratacin.

2.14.- Distribucin
2
JI-CUADRADA Al igual que el promedio es una variable aleatoria,
la varianza es tambin una variable aleatoria con una distribucin muestral. La distribucin
muestral terica de s
2
se encuentra ligada a una distribucin gamma de parmetros = r/2
y = 2, llamada Ji-cuadrado (
2
). Como s
2
no puede ser negativa, es de esperar una
distribucin muestral que no sea normal. Concretando se tiene: Si s
2
es la varianza
aleatoria de tamao n tomada de una poblacin normal, que tiene varianza
2
, entonces:

2
=
( )
2
2
s 1 - n
o

es el valor de una variable aleatoria que tiene distribucin
2
con parmetro r = n-1 llamado
grados de libertad. En la tabla B se anotan valores seleccionados de
2
(;r), donde el rea
bajo la curva de la distribucin
2
(tomada a la derecha) es igual a

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
29
2.15.- Intervalos de confianza para la varianza. Si s
2
es la varianza muestral de una
muestra aleatoria de n observaciones tomadas de una distribucin normal con varianza
desconocida
2
, entonces un intervalo de confianza de 100(1 - ) por ciento para
2
es:


( )

s 1 - n
2
1 ,
2
2
n
o
_

2

( )

s 1 - n
2
1 ,
2
1
2

n
o
_

Donde
2
1 ,
2
n
o
_ y
2
1 ,
2
1

n
o
_ son los puntos crticos superior e inferior que corresponden al
porcentaje de /2 de la distribucin ji-cuadrada con n - 1 grados de libertad
respectivamente.

Ejemplo ilustrativo: Un fabricante de detergente lquido esta interesado en la uniformidad
de la mquina utilizada para llenar las botellas. De manera especfica, es deseable que la
desviacin estndar del proceso de llenado sea menor que 0.5 onzas de lquido, de otro
modo, existe un porcentaje mayor del deseable de botellas con un contenido menor de
detergente. Supngase que la distribucin del volumen de llenado es aproximadamente
normal. Al tomar una muestra aleatoria de 20 botellas, se obtiene una varianza muestral s
2

=0.0153 (onzas de fluido)
2
. El intervalo superior de confianza del 95% se obtiene a partir
de la ecuacin


2

( )

s 1 - n
2
19 , 95 . 0
2
_



2

( )
2
lquido) de (onzas 0.0287
117 . 10
0.0153 19
=

La proposicin anterior puede convertirse en un intervalo de confianza sobre la desviacin
estndar al obtener la raz cuadrada de ambos miembros, lo que da como resultado:

0.17

Por consiguiente, con un nivel de confianza del 95% los datos no apoyan la afirmacin de
que la desviacin estndar del proceso es menor que 0.15 onzas de lquido.

2.16 Razn de dos varianzas de muestras. Supngase ahora que se tiene dos
distribuciones normales independientes y se quiere comparar sus varianzas
2
2
2
1
y o o
definiendo un intervalo de confianza para la relacin:
2
2
2
1
o
o

Esto es importante cuando se quiere determinar si dos muestras tienen varianzas iguales. Si
esto ocurre, las dos muestras tendrn aproximadamente la misma varianza, lo cual significa
que su razn ser aproximadamente 1. Para determinar la razn de dos varianzas de
muestras se utiliza el siguiente teorema:

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
30
Si
2
2
2
1
y o o son las varianzas de muestras aleatorias independientes de tamaos n
1
y n
2

respectivamente, tomadas de dos poblaciones normales que tienen la misma varianza
2
,
entonces:

2
2
2
1
F
o
o
=
Es un valor F con r
1
= n
1
-1 y r
2
= n
2
-1 grados de libertad. Esta distribucin aparece en la
figura:

Figura 14. Distribucin
1 n , 1 n
1 2
F



Por consiguiente:

P
|
|
.
|

\
|
s s
1 n , 1 n ,
2
2
2
2
1
2
2
2
1
1 n , 1 n ,
2
- 1
2
2
2
1
1 2 1 2

S
S

S
S
o o
o
o
f f = 1 -
Ejemplo ilustrativo: Una compaa fabrica propulsores para uso en motores de turbina. Una
de las operaciones consiste en esmerilar el terminado de una superficie particular con una
aleacin de titanio. Pueden emplearse dos procesos de esmerilado, y ambos pueden
producir partes que tienen la misma rugosidad superficial promedio. Al ingeniero de
manufactura le gustara seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para ello toma una muestra de n
1
= 12 partes del primer proceso,
la cual tiene una desviacin estndar muestral s
1
= 5.1 micropulgadas, y una muestra
aleatoria de n
2
= 15 partes del segundo proceso, la cual tiene una desviacin estndar
muestras s
2
= 4.7 micropulgadas. Se desea encontrar un intervalo de confianza del 90% para
el cociente de las dos varianzas
2
2
2
1
o
o
.
Si se supone que los dos procesos son independientes y que la rugosidad de la superficie
est distribuida de manera normal, entonces puede emplearse la ecuacin anterior de la
siguiente manera


11 , 14 , 05 . 0
2
2
2
1
2
2
2
1
11 , 14 , 95 . 0
2
2
2
1

S
S

S
S
f f s s
o
o



( )
( )
( )
( )
.74 2
4.7
5.1
.39 0
4.7
5.1
2
2
2
2
2
1
2
2
s s
o
o


.23 3 .46 0
2
2
2
1
s s
o
o

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
31

2.17 Prueba de hiptesis. Muchos problemas de ingeniera, ciencia, y administracin,
requieren que se tome una decisin entre aceptar o rechazar una proposicin sobre algn
parmetro. Esta proposicin recibe el nombre de hiptesis, y el procedimiento de toma de
decisin sobre la hiptesis se conoce como prueba de hiptesis.





La inferencia estadstica estudia los mtodos que sealan como emplear datos obtenidos de
muestras aleatorias para inducir, por generalizacin, caractersticas a las poblaciones de las
que se ha obtenido las muestras. En la forma clsica de la inferencia estadstica, estos
mtodos estn divididos en dos amplias zonas:
- Estimacin; y
- Contraste de hiptesis o prueba de hiptesis.
La estimacin se divide a su vez en: estimacin puntual o de parmetros, y estimacin de
intervalos.
Ms recientemente, los mtodos de inferencia estadstica se han unificado bajo los
conceptos generales de la teora de la decisin, es decir, bajo los conceptos generales de la
manera de tomas decisiones en condiciones de incertidumbre.
Las pruebas de hiptesis estadstica se encargan de analizar procedimientos para confirmar
o rechazar hiptesis acerca de la distribucin de variables aleatorias. Las hiptesis estn
confinadas a trminos de parmetros de poblacin. Esto es, hecha una determinada
afirmacin sobre una poblacin (usualmente sobre su parmetro), deseamos saber si los
resultados de una muestra contradicen o no tal afirmacin. Por ejemplo dos hiptesis
pueden especificar que el promedio de la tensin de ruptura de cierta aleacin es mayor (no
es mayor) que 2000 lb; o que la variabilidad de un proceso A es mayor (no es mayor) que
aquella de un proceso B; o que la tensin de traccin de 5 diferentes probetas son las
mismas (no son las mismas); etc.
Ejemplo ilustrativo: Supngase que se quiere determinar si ciertos cambios en un proceso
productivo reducen el tiempo que le toma a un obrero completar una tarea de ensamblaje de
un producto. Supngase que en condiciones normales, en promedio, un trabajador emplea
30 minutos en completar la tarea de ensamblaje. Tambin se sabe que ese tiempo promedio
presenta variacin, esto es, el tiempo de ensamblaje es una variable aleatoria que se puede
representar por X. Ms an, existe suficiente informacin para asegurar que X esta
normalmente distribuida y tiene promedio de = 30 y una desviacin estndar de = 1.
Esto implica que aproximadamente 95% de los tiempos de ensamblaje se encuentran entre
28 y 32 minutos.
En este ejemplo se va a evaluar una hiptesis relacionada al parmetro con el supuesto de
que = 1 an despus de los cambios efectuados. Luego de concretados los cambios, se
plantean en realidad dos hiptesis:
- La hiptesis de no cambio (hiptesis nula), que establece que sigue siendo 30
minutos; y
- La hiptesis alternativa que sugiere que < 30 minutos.
Para determinar la validez de una de estas hiptesis se procede a la recoleccin de
informacin.
Definicin
Una hiptesis estadstica es una proposicin sobre los parmetros de una o
ms poblaciones.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
32
Primeramente se elige aleatoriamente a un solo trabajador para evaluar el efecto de los
cambios realizados. Se observa que este trabajador emplea 29 minutos en la tarea normal de
ensamblaje. Con este dato, y teniendo en consideracin que X proviene de N(30, 1) se
evala:
P | | 0.1587
1
30 - 29
29 = |
.
|

\
|
u = s X
es decir, hay 16% de probabilidades de que el tiempo de ensamblaje sea 29 minutos, siendo
que X proviene de N(30, 1). Esto indica deque un tiempo de 29 min. no es un evento muy
raro en esa distribucin. Continuando la toma de datos se evala n = 5 trabajadores, para
los cuales min. 29
_
= X Luego de tomar n = 25 trabajadores que presentan min. 29
_
= X
Reiterando que X proviene de N(30, 1), la probabilidad de que min. 29
_
= X es:

P | | 0.0000003 5 - X P
25
1
30 - 29
29
_
=
(

s =
|
|
|
|
.
|

\
|
u = s X

Esto hace que para una N(30, 1), con n=25, min. 29
_
= X es un evento extremadamente
improbable. Ciertamente, esto quita consistencia a la hiptesis de que sigue siendo 30
minutos. Por ello se puede afirmar que, efectivamente, el tiempo de ensamblaje se ha
reducido.
En trminos tcnicos, se dice que: los cambios efectuados en el proceso productivo
originan una diferencia estadsticamente significativa en el tiempo de ensamblaje; o bien,
que la diferencia en el tiempo de ensamblaje, 30 29 = 1 es estadsticamente significativa.
Es necesario aclarar que una diferencia estadsticamente significativa no siempre es
de utilidad prctica; ya que por ejemplo, la reduccin de 01 minuto en el promedio no
podra representar ahorros importantes en el proceso productivo. La decisin final de
adoptar los cambios concierne a una evaluacin de estructura de costos, que estas tcnicas
estadsticas no pueden resolver.

2.17.1.- Definicin de hiptesis. Para llegar a tomar decisiones, conviene hacer
determinados supuestos o conjeturas acerca de las poblaciones que se estudian. Tales
supuestos, que pueden o no ser ciertos, se denominan hiptesis estadsticas. Por ejemplo, si
se quiere decidir si un procedimiento es mejor que otro, se formulan las hiptesis:
- No hay diferencia estadstica entre los dos procesos; y
- Si existe diferencia estadstica entre los dos procesos.
La primera se define como la hiptesis de no cambio o hiptesis nula y se simboliza por
H
0
. La segunda se denomina hiptesis alternativa y se simboliza por H
1
.





Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
33
Por ejemplo, una empresa produce circuitos impresos con probabilidad histrica de
producto fallado igual al 3%(P = 0.03). Un ingeniero de produccin sugiere cambios en el
proceso y asegura que tales cambios causarn una reduccin de la probabilidad de falla; es
decir, asegura que P<0.03. Por lo tanto, se deber evaluar:

H
0
: P = 0.03 (Hiptesis Nula)
H
1
: P < 0.03 (Hiptesis Alternativa)

2.17.2.- Tipos de errores. Definidas las hiptesis es posible cometer dos tipos de error. Se
ilustra estos tipos de errores con el siguiente ejemplo.

Figura 15.- Grafica del criterio tcnico para tomar decisiones con respecto a la pintura
Un fabricante de pintura asegura que un galn de pintura producida en su planta puede
cubrir en promedio 400 pies cuadrados de superficie. Se toma una muestra de 36 galones
y se observa que en promedio cubren 385ft
2
. Siendo que el promedio es desconocido,
se establece el siguiente criterio tcnico para tomar decisiones con respecto a esa pintura,
figura 15. Segn esto, es importante hacer notar que
_
x puede exceder los 400 ft
2
aunque
sea menor que 385 ft
2
que
_
x sea menor que 835 ft
2
y que exceda los 400 ft
2
. Esto
ilustra el hecho d que los errores son inevitables cuando las decisiones se toman
apoyndose en los resultados de muestras aleatorias. Consecuentemente, estos errores
pueden ser de dos tipos diferentes y se describen esquemticamente en el siguiente
esquema:

Decisin se encuentra
en la zona de
aceptacin
H
0
verdadero
se encuentra
en la zona de
rechazo
H
0
falsa
Se acepta H
0

la afirmacin
No hay
Error
Error
TIPO II
Se rechaza H
0

la afirmacin
Error
TIPO I
No hay
Error

Ntese que si esta en el intervalo de indiferencia, no hay ningn error grave, cualquiera
sea la decisin tomada.
Para juzgar las ventajas de cualquier criterio de decisin, es esencial conocer las
probabilidades de tener errores del Tipo I y del Tipo II. Estas probabilidades se denotan
con y respectivamente
= P [error tipo I]
= P [error tipo II]

2.17.3.- Nivel de significacin. La probabilidad mxima con la que en el ensayo de una
hiptesis se pueda cometer un error del tipo I se llama nivel de significacin. Esta
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
34
probabilidad se denota por y su valor debe ser establecido antes de la evaluacin de
muestras.
Se acostumbra a fijar niveles de significacin de 0.05 y 0.01, aunque se puede fijar
otros valores. Si por ejemplo, se fija un nivel de significacin del 0.05 (5%) al diseo de un
ensayo de hiptesis entonces hay aproximadamente 5 ocasiones en 100 en que se rechazara
una hiptesis cuando debera ser aceptada. En otras palabras, se estara 95% seguro de que
se toma la decisin adecuada.

2.17.4.- Hiptesis referente a la media. Se trata de contrastar la hiptesis de la media de
una poblacin igual a un valor determinado frente a otra alternativa conveniente. Es decir,
hay que contrastar:
H
0
: =
0

_
x es igual que
0


Frente a una de las siguientes hiptesis:
H
0
: <
0

_
x es significativamente menor que
0

H
0
: >
0

_
x es significativamente mayor que
0

H
0
:
0

_
x es significativamente diferente que
0

Para efectuar una prueba con un nivel de significacin se escoge una regin crtica (es
decir una regin de rechazo de H
0
) para que
_
x < c, tal que:
P[
_
x c; =
0
] =

Ya que bajo H
0

_
x es N(
0
,
2
/n ), la regin crtica esta dada por:
( ) o
o

z -
X
0
_
s

n

Donde z() es el punto superior de porcentaje de N(0,1).
La cantidad:
Z
X
0
_
=

n
o


se denomina el estadstico estandarizado o tipificado. Si este estadstico es un valor menor
de z(), se rechaza H
0
y se acepta H
1
. Por el contrario, si Z es mayo que z(), se dice
que no hay suficiente evidencia para rechazar H
1
, por lo que se acepta H
0
.
En general, las regiones crticas para contrastar H
0
: =
0
se pueden expresar como se
indica en la siguiente tabla:



Hiptesis alternativa,
H
1

Rechazar H
0
: =
0

SI
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
35
<
0
Z < -z()
>
0
Z > +z()

0
Z < -z(/2) Z < +z(/2)

Para entender la correcta orientacin de la regin crtica, la siguiente figura N16 es muy
til para el caso de H
0
: =
0
y H
1
: <
0



Figura N16 Ilustracin grfica de la prueba H
0
: =
0
versus H
1
: <
0


En la figura N 16, c representa el valor crtico. La regin a la derecha de este punto es la
regin de aceptacin de H
0
y la regin a la izquierda de c es la de aceptacin de H
1
.
Obsrvese que esta prueba estadstica alcanza cierta probabilidad de un error del tipo I.
El punto c es tal que la probabilidad de rechazar H
0
es . El grfico muestra que el valor
crtico c debe ser menor que
0
y es determinado por:
( ) | |
n
z - c
0
o
o =
El valor de depende de cada aplicacin. Un valor muy frecuentemente utilizado es =
0.05. si altos costos estn asociados a la evaluacin, conviene utilizar valores ms pequeos
de implica un valor alto de z() y la prueba se torna muy conservadora, tal que se rechaza
H
0
solo en casos muy extremos.
Otra forma de conducir las pruebas de hiptesis es utilizando el concepto de valor de
probabilidad o el valor p. Por ejemplo, en el caso de disminucin de tiempos de
ensamblaje de un producto (antes visto), si
_
x = 29.68 para N(30, 1), se puede obtener un
valor p, tal que:

P = P ( ) 0.031 1.866 -
34
1
0 3 - 29.68
Z P
n
- x
Z P x X
0
_
_ _
= u =
(
(
(
(

s =
(
(
(
(

s =
(

s
o



En este caso se rechaza H
0
si el valor de p es menor que = 0.05 (es decir para un nivel de
significacin de 0.05). Esto se ilustra en la figura N 17.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
36

Figura N 17 Ilustracin del valor de probabilidad o el valor p

Si ahora se trata de decidir si un procedimiento determinado ha producido un incremento en
, se esta en la circunstancia de probar H
0
: =
0
versus H
1
: >
0
. En este caso, se
rechaza H
0
a favor de H
1
cuando
_
x > c, como se ilustra en la Figura N 18.

Figura N 18 Ilustracin grafica de la prueba H
0
: =
0
versus H
1
: >
0

Si se quiere probar a un nivel de significacin , se requiere que una probabilidad de falso
rechazo de H
0
sea , es decir:

n
c

n
X
Z P c; X P
0
_
0
_
0
_
o
o

=
(
(
(
(

>

= =
(

= >
De modo que se rechaza H
0
si el estadstico estandarizado:

( ) o
o

z
n
X
0
_
>

equivalente

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
37
Valor p =
n
X
- 1 ; x X P
0
_
0
_ _
(
(
(
(

u =
(

= >
o



Las pruebas H
0
: =
0
versus H
1
: <
0
y H
0
: =
0
versus H
1
: >
0
son llamadas
pruebas a un solo nivel o de una cola. Hay ocasiones en que pruebas a dos lados son
apropiadas, de modo que se contrasta H
0
: =
0
versus H
1
:
0
. Esto se ilustra en la
Figura N 19.

Figura N 19 Ilustracin grfica pruebas H
0
: =
0
versus H
1
:
0


En este caso, con un nivel de significacin , se rechaza H
0
si:

|
.
|

\
|
>

2
z
n
X

0
_
o
o



Valor p = 2P
(
(
(


>
n
0
_
X
Z



2.17.5.- Hiptesis referente a medias de pequeas muestras. Los anteriores conceptos
asumen que se tiene una distribucin N(0,1) con
2
conocida. Si ahora la varianza
2
es
estimada por la varianza de muestra s
2
, la distribucin de muestra:

n
s
- x
t
_

=
Es una distribucin t con n-1 = r grados de libertad y los valores crticos z() deben ser
reemplazados por t(;n-1). Si acaso n es grande (por lo menos 30) se puede utilizar la tabla
normal.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
38
Las regiones crticas resultantes se muestran en la tabla, en donde por ejemplo t(;n-1) es el
rea a la derecha bajo la curva de distribucin t con n-1 grados de libertad y es igual a ,
figura N 20

Figura N 20 Ilustracin grfica de la prueba H
0
: =
0
versus H
1
: >
0
para muestras
pequeas
Hiptesis alternativa
H
1

Rechazar H
0
: =
0

Si:
<
0
t < -t(,r)
>
0
t < +t(,r)

0
t < -t(/2,r) t < +t(/2,r)

2.17.6.- Hiptesis referente a dos medias. Una de las pruebas ms importante que se hace
en estadstica es aquella para las que se compara dos mtodos diferentes. Por ejemplo, si se
han considerado dos tipos de cedro para ser usado en ciertas vigas de estructura metlica, se
tomarn muestras y decidir cual es mejor al comparar sus resistencias medias.
Generalmente se compara las medias de dos distribuciones, de lo que resulta que se
establecen las hiptesis nula y alternativa: H
0
: =
0
versus H
1
: <
0
H
1
: >
0
H
1
:

0


2.17.7.- Comparacin de dos muestras independientes grandes. Consideremos dos
muestras aleatorias cada una con una distribucin independiente y con promedios
1
y
2
,
varianzas
2
2
2
1
o o = respectivamente y de tamao n
1
y n
2
, denotadas por: x
1
, x
2
, ,x
n1
y : y
1
,
y
2
, ,y
n2
y que son aproximadamente: N(
1,
1
2
1
n
o
) y N(
2,
2
2
2
n
o
)

Se asume que
2
2
2
1
y o o
Bajo la hiptesis nula H
0
: =
0
que -
0
= 0, la variable aleatoria:

Z =
n n
y x
2
2
2
1
2
1
_ _
o o
+



Es N(0,1). Se rechaza H
0
y se acepta H
1
cuando Z z() a una prueba de nivel de
significacin .
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
39

2.17.8.- Comparacin con pequeas muestras. Si las varianzas
2
2
2
1
y o o son
desconocidas, estas pueden ser reemplazadas por las varianzas de muestra.
2
2
2
1
S y S . En este
caso se toma en consideracin los grados de libertad r
1
= n
1
1 y r
2
= n
2
1 y bajo la hiptesis
nula H
0
: =
0
, la variable aleatoria:
T =
( ) ( )

n
1
n
1
2 n n
S 1 - n S 1 - n
y x
2 1 2 1
2
y 2
2
x 1
_ _
|
|
.
|

\
|
+
+
+


Tiene una distribucin t Student t(;n
1
+ n
2
2). Si se rechaza H
0
: =
0
y se acepta H
1
: >

0
, cuando T +t(; n
1
+ n
2
2) se obtiene una prueba con nivel de significacin .
Similarmente, en una prueba H
0
: =
0
versus H
1
: <
0
, se acepta H
1
cuando T -t(;
n
1
+ n
2
2). En una prueba H
0
: =
0
versus H
1
:
0
, se acepta H
1
cuando T (;n
1
+ n
2
2).

2.17.9.- Pruebas de comparacin por pares. Hasta aqu se ha asumido que las
observaciones provienen de dos grupos independientes entre si. En la mayora de
aplicaciones esto es vlido, pero hay circunstancias en las que se debe asumir dependencia
entre las observaciones. Por ejemplo, considrese una mquina que mide la dureza de un
metal por la profundidad de la marca hecha por la puna de la mquina en la probeta a
evaluar. Esta mquina dispone de dos puntas, diferentes la una de la otra, an cuando la
variabilidad de las dos parece ser la misma.
Si se desea evaluar si existe diferencia en las medidas de dureza de ambas puntas, se
puede optar por ejemplo en tomar 20 probetas de metal y aleatoriamente escoger 10
probetas para cada una de las puntas. Este sencillo y lgico procedimiento pude tener
desventajas. Supngase que las 20 probetas fueron obtenidas de distintas existencias del
mismo material, que podran tener algunas diferencias fsicas entre si, (por ejemplo,
diferente dureza entre los distintos lotes). Esto contribuira a incrementar el error
experimental, variabilidad y hara ms difcil detectar las diferencias entre ambas puntas.
Para salvar esta posibilidad de obtener una conclusin errnea, se puede optar por
otro procedimiento. Si cada probeta es lo suficientemente grande, se puede utilizar cada una
de las probetas para medir la dureza con las dos puntas. El orden y ubicacin de medicin
se deber ejecutar aleatoriamente. En este caso las mediciones estn mutuamente
relacionadas y se dice que hay dependencia entre las observaciones.
En tales situaciones, se analiza las diferencias W
i
= X
i
Y
i
. Estas diferencias. W
1
=
X
1
Y
1
; W
2
= X
2
Y
2
; W
n
= X
n
Y
n
son muestras aleatorias de tamao n provenientes de
una distribucin con promedio
1
-
2
y varianza
2
w
o . Las variables W
1
, W
2
, ,W
n
son
independientes (provienen de diferentes objejtos) Asumiendo que W es normal, se puede
utilizar la prueba estadstica:
T =
n
S
W
w
_

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
40
Donde S
w
es la desviacin estndar de las diferencia, W. Una prueba de hiptesis por
ejemplo puede ser H
0
: =
0
versus H
1
: >
0
, Se acepta H
1
si
n
S
W
w
_
t(; n1) si n es
suficientemente grande, se puede utilizar la distribucin normal.

2.17.10.- Prueba para
2
2
2
1
o o = . Sean
2
y
2
x
S y S las respectivas varianzas de muestras de
tamaos n
1
y n
2
se sabe que:
F =
2
2
2
y
2
1
2
x
S
S
o
o

Tiene una distribucin F con n
1
y n
2
grados de libertad.
Se rechaza H
0
:
2
2
2
1
o o = y se acepta H
1
:
2
2
2
1
o o > si
2
y
2
x
S
S
F(; n
1
1, n
2
1).

2.18.- Problemas resueltos.
Ejemplo 1:
En un proceso productivo de resistencias elctricas de 1500 deben ser producidos dentro
de la tolerancia de 5 %. Defina las caractersticas recomendadas para un ohmimetro
indicado para efectuar el control de calidad y defina los lmites de aceptacin que deben ser
adoptados en el control de calidad.
Solucin:
La tolerancia a ser obedecida en trminos absolutos corresponde a:
T = (1500 150)
El intervalo de tolerancia es calculado por:
IT = LSE LIE = 1650 1350 = 300

Es recomendable que la incerteza de medicin del proceso de medicin a ser usado seda de
la orden de un dcimo del intervalo de tolerancia. Por lo tanto:
IM = IT/10 = 300/10 = 30
As, el ohmimetro a ser usado debe permitir medir resistencia y producir un resultado con
incerteza de medicin de 30 . Una buena alternativa es utilizar un ohmimetro cuyo error
mximo sea de esta orden, o que evitara la necesidad de efectuar clculos adicionales para
corregir los errores sistemticos.
Para estas condiciones los lmites de aceptacin son:

LIA = LIE + IM = 135 + 30 = 1380

LSA = LSE IM = 1650 30 = 1620

La estrategia del control debe envolver la comparacin del resultado en base con estos
lmites y:
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
41
Aprobar la resistencia si 1350 1620

Rechazar la resistencia si RB < 1380 si RB > 1620

Ejemplo 2:
Un radar del parque automotor debe ser regulado para automticamente fotografiar y
aplicar multas en automviles que tengan velocidad encima de la velocidad mxima
permitida en un trecho que es de 60 Km./h. Este tipo de radar mide la velocidad del
automvil con una incertidumbre no peor que 5 Km./h. Considrese an que los
velocmetros de los automviles puedan presentar incertidumbres que lleguen al 10% del
valor indicado en el mximo. De que forma el radar debe ser regulado para aplicar multas?
Solucin:
En funcin de la incertidumbre de 10 % del velocmetro es posible que un automvil,
cuyo velocmetro indique exactamente 60 Km./h, de hecho, transitando a 66 Km/h. El
chofer no debera ser multado si la falla fuese apenas del velocmetro. Esto deber ser el
lmite superior de la velocidad permisible par el trecho.
A la vez, el radar mide velocidades de automviles con incertidumbre de hasta 5 Km/h.
Para afirmar con seguridad que la velocidad de un automvil supera el lmite superior de la
velocidad permisible, es necesario adicionar el valor de la incertidumbre a este:
66 + 5 = 71 Km/h
As, las multas deben ser aplicadas a los automviles cuyo resultado base de la medicin da
velocidad por el radar superior a los 71 Km/h.

Ejemplo 3:
El valor medio del peso de un marca determinada de cereal durante el ao pasado fue de
0.297 kg (10.5 oz), su desviacin estndar fue de 0.024 kg. Suponiendo que se tata de una
distribucin normal, calcule el porcentaje de datos que esta comprendido debajo del lmite
de especificacin inferior de 0.274 kg.
Solucin:
Puesto que la media y la desviacin estndar se calcularon despus de realizar una
considerable cantidad de pruebas durante el ao, se les considera clculos validos de los
valores de la poblacin


o
X
Z
i

= 0.96 -
024 . 0
0.297 0.274
Z =

=

En la tabla A observamos que para Z = 0.96, rea = 0.1685 16.85%, por lo tanto, el
16.85% de los datos pesa menos de 0.274 kg.

Ejemplo 4:
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
42
Usando los datos del problema anterior, calcule el porcentaje de datos comprendidos arriba
de 0.347 kg.
Solucin:
Dado que la tabla A es una tabla de lectura a la izquierda, para resolver este problema hay
que usar la relacin Area
1
+ Area
2
= Area
T
= 1.0000. Por tanto se calcula el Area
2
y se le
resta 1.0000 para obtener as el Area
1
.

o
X
Z
i

= 2.08
024 . 0
0.297 0.347
Z + =

=


En la tabla A se observa que si Z
2
= +2.08, entonces Area
2
= 0.9812, luego
Area
1
= Area
T
Area
2
= 1.0000 0.9812 = 0.0188
Por tanto, el 1.88% de los datos superan a 0.347 kg.

Ejemplo 5:
Despus de realizar una gran cantidad de pruebas en las lneas de voltaje de un rea
residencial se determino un valor medio de 118.5 V una desviacin estndar de una
poblacin de 1.20 V. Calcule qu porcentaje de los datos est comprendida entre 116 y 120
V.
Solucin:
Dado que la tabla A es una tabla de lectura a la izquierda, habr que restar el rea que est a
la izquierda de 116 V del rea que est a la izquierda de 120 V. La grfica y clculos
siguientes muestran la tcnica.


o
X
Z
i
2

= 2.08 -
20 . 1
118.5 116
Z
2
=

=


o
X
Z
i
3

= 1.25
20 . 1
118.5 120
Z
3
+ =

=

En la tabla A se encuentra que si Z
2
= -2.08, el Area
2
= 0.0188;
Z
3
= +1.25, el Area
3
= 0.8944;
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
43

Luego el Area
1
= Area
3
- Area
2
= 0.8944 0.0188 = 0.8756 87.56 %
Por lo tanto, el 87.56% de los datos est comprendido entre 116 y 120V.

Ejemplo 6:
Si lo que se desea es que el 12.1% del voltaje de lnea est por debajo de los 115 V, cmo
habr que ajustar el voltaje medio? La dispersin es de = 1.20 V.
Solucin:
Lo que se pide en este problema es lo opuesto de los anteriores. Primero se localiza en la
tabla A el valor de 12.1% o 0.1210. Se obtiene el valor Z y utilizando la frmula de Z, se
despeja el voltaje medio. En la tabla A, con el area
1
= 0.1210, se obtiene -1.17 como valor
de Z



o
0
_
i
i
X X
Z

= V 116.4 X ,
20 . 1
X 115
1.17 -
_
0
_
0
=

=
Es decir, el voltaje medio debe centrarse a 116.4 V para que el 12.1% de los valores sea
inferior a 115V.


2.19.- Problemas propuestos.

1.- Con la intencin de efectuar el control de calidad del proceso productivo presentado en
el ejemplo N 1, del tem 1.5 disponemos de un ohmimetro capaz de medir
resistencias elctricas del orden de 1500 con repetividad de 15 y para el cual debe
ser aplicada una correccin de C = - 20 . Responda:
(a) Este ohmimetro puede ser usado para efectuar el control de calidad? Es
necesario aplicar la correccin o esta puede ser ignorada?
(b) Defina los lmites de la zona de aceptacin y el procedimiento a ser usado para
hacer el control de calidad de las resistencias.
(c) Una resistencia cuya indicacin directa mostrada por el ohmimetro fuese 1490
debera ser aprobado o rechazado?
2.- Un fabricante de clavos debe garantizar que el dimetro de un cierto modelo de clavo
siempre este dentro de la tolerancia (3,20 0,08) mm.
(a) Especifique las caractersticas petrolgicas de un sistema de medicin apropiado
para verificar si los clavos atienden esta tolerancia.
(b) Defina los lmites de la zona de aceptacin, rechazo y duda para este caso.
(c) Especifique detalladamente los pasos de un procedimiento a ser seguido por
operacin para verificarse si un dado clavo esta dentro de la tolerancia.
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
44
3.- Una rueda de un motor de reproductor de CDs debe poseer dimensiones dentro de la
tolerancia de (15,00 0,02) mm. Especifique las caractersticas necesarias a un proceso
de medicin adecuado para clasificar las piezas disponibles como dentro o fuera de la
tolerancia (incertidumbre necesaria al proceso de medicin, lmites de control, limites
de la zonas de aceptacin, duda y rechazo y los procedimientos para hacer el control de
calidad).
4.- Para controlar el contenido alcohlico de dos modalidades de vinos tinto que produce,
una vitivincola dispone de un medidor capaz de indicar el contenido volumtrico de
alcohol en el vino con incertidumbre de 2 ml/l. La especificacin del contenido
alcohlico de vino A es de 100 130 ml/l y del vino B de 110 a 120 ml/l. Se pregunta si
este medidor es apropiado para medir el contenido alcohlico de los dos tipo de vinos
producidos? Caso positivo, establezca los lmites de aceptacin. Caso negativo, indique
que caractersticas serian necesarias al sistema de medicin y , estas condiciones,
cuales deben ser los lmites de control?
5.- Una empresa productor de latas de aceite vegetal fue multada porque el volumen de
aceite constante en un de las latas retirada de un lote de produccin fue medio como
(880 12) ml cuando la tolerancia para este tipo de embalaje es de 900 ml 1%. Se
pregunta: esta multa fue justa?, Justifique su respuesta.

6.- Un fabricante de cereales en paquetes tiene una etiqueta indicando el peso de 12 onzas
de cereal por bolsa. Su distribucin de pesos es N (12.2, 0.04). Qu porcentaje de las
bolsas tienen peso de cereal inferior a las 12 onzas?

7.- Supngase que las especificaciones del dimetro de un eje de un motor son 0.25 0.002
pulgadas. Si la produccin de estos ejes esta distribuida normalmente con = 0.251
pulg y = 0.001 pulg. Qu porcentaje de los ejes se encuentran dentro de las
especificaciones?

8.- Si los dimetros de cojinetes de bolas se distribuyen normalmente con media 0.6140
pulgadas y desviacin estndar 0.0025 pulgadas, determinar el porcentaje de cojinetes
de bolas con dimetros:
a) entre 0.610 y 0.618 pulgadas;
b) mayor que 0.617 pulgadas;
c) menor que 0.608 pulgadas.

9.- Una mquina llena bolsas con cemento a 100 libras. El peso que se pone en cada bolsa
es una variable aleatoria con = 0.5 lb. El promedio de la distribucin puede ser fijado
por el operador. A qu peso promedio debe ser fijada la mquina para que solo el 5%
de las bolsas estn bajo el peso especificado?

10.- El peso promedio de cierta marca de carretillas es 31 Kg. Debido a la variabilidad de la
materia prima y de las condiciones de produccin, el peso de estas carretillas es una
variable aleatoria. Si la distribucin es normal con = 0.5 Kg.
a) cul es la probabilidad de que una muestra de carretilla aleatoriamente seleccionada
pese ms de 32.0 Kg?
b) cul es la probabilidad de que una muestra de carretilla aleatoriamente seleccionada
pese entre 30.0 y 30.5 Kg?
Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
45

11.- La media de los dimetros interiores de una muestra de 200 arandelas (arandela =
anillo metlico usado en las mquinas para evitar el roce entre 2 piezas) producidas por
una mquina es de 0.502 pulgadas y la desviacin estndar 0.005 pulgadas. El propsito
para el que se destinan estas arandelas permite una tolerancia mxima en el dimetro de
0.496 a 0.508 pulgadas, de otro modo las arandelas tienen que desecharse. Determinar
el porcentaje de arandelas de desecho producidas por la mquina, suponiendo que los
dimetros se distribuyen normalmente.

12.- El espesor de placas metlicas es una variable de inters. Debido a muchos factores,
tales como variaciones en las caractersticas del metal, diferentes operarios y diferentes
mquinas, el espesor vara y puede ser considerado como una variable aleatoria con =
20 mm y = 0.04 mm. Cunto de placas de desecho se puede esperar si el espesor:
a) Tiene que ser por lo menos 19.95 mm?
b) Puede ser mximo 20.10 mm?
c) Pueden diferir mximo 0.05 mm del objetivo de 20 mm?
d) Como se estableceran los lmites de tolerancia, (20 c) y (20 + c), de tal modo que
se produzca un mximo de 5% de desechos?
e) Asmase que el promedio se ha desplazado a = 20.10 mm. Calcular el porcentaje
de placas metlicas que excedan los lmites de tolerancia de la parte (d) de este
problema.

13.- En una fbrica se llenan bolsas con 12 Kg de harina. Supngase que la distribucin del
peso es N (12.2,0.04). Si X es el promedio de peso de 4 bolsas seleccionadas al azar,
evaluar P ( X < 12).

14.- Una muestra aleatoria de 36 muestras de N (, 25) tiene x = 49.2. Encontrar un
intervalo a 90% de confianza para .

15.- Las medidas de los dimetros de una muestra al azar de 200 cojinetes de bolas hechos
por una determinada mquina durante una semana dieron un promedio de 0.824
pulgadas y una desviacin estndar de 0.042 pulgadas. Hallar los lmites de confianza
para el dimetro medio de todos los cojinetes al:
a) 95%; b) 99%.

16.- Una compaa tiene 500 cables. Un ensayo con 40 cables elegidos al azar dieron una
media de resistencia a la rotura de 2400 lb y una desviacin estndar de 150 lb. Cules
son los lmites de confianza al 95% y 99% para estimar la media de la resistencia a la
rotura de los 460 cables restantes?

17.- El promedio de resistencia a la rotura de cierto papel es de inters. De 22 muestras
tomadas aleatoriamente se encontr x = 2.4 libras.
a) Si la desviacin estndar de una observacin individual se sabe que es = 0.2.
Encontrar al 95% de confianza el intervalo de confianza para .
b) Si la desviacin estndar es desconocida pero la desviacin de muestra es s = 0.2,
determine al 95% de confianza el intervalo para .

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
46
18.- Si una variable U tiene una distribucin de t-student con r = 10, hallar la constante C,
tal que:
a) P (U > C) = 0.05
b) P (-C U C) = 0.98
c) P (U C) = 0.9

19.- Una muestra de 12 medidas de resistencia a la rotura de hebras de algodn dio una
media de 7.38 onzas y una desviacin estndar de 1.24 onzas. Hallar los intervalos de
confianza para la resistencia real al:
a) 95%; b) 99%

20.- Cinco medidas del tiempo de una reaccin qumica fueron registradas como 0.28, 0.30,
0.27, 0.33, 0.31 segundos. Hallar los lmites de confianza para el tiempo real de
reaccin al:
a) 95%; b) 99%.

21.- Hallar
2
1
X y
2
2
X tales que el rea bajo la distribucin X
2
(, r) correspondiente a r =
20 entre
2
1
X y
2
2
X sea 0.95 suponiendo iguales las reas a la izquierda de
2
1
X y a la
derecha de
2
2
X

22.- Si la variable U se distribuye en X
2
(, r) con r = 7, hallar
2
1
X y
2
2
X tales que:
a) P (U >
2
2
X ) = 0.25
b) P (
2
1
X U
2
2
X ) = 0.90
c) P (U <
2
1
X ) = 0.95
23.- La desviacin estndar de la duracin de 10 bombillas fabricadas por una compaa es
de 120 horas. Hallar los lmites de confianza para la desviacin estndar de todas las
bombillas fabricadas por la compaa al:
a) 95%; b) 99%
Resolver este problema si para 25 bombillas se encuentra s = 120 horas.

24.- La efectividad de dos mtodos de enseanza son comparados. Una clase de 24
estudiantes es divida aleatoriamente en dos grupos y cada grupo recibe enseanza segn
cada uno de los mtodos. Al finalizar el semestre se observ lo siguiente:

n
1
= 13; x = 74.5;
2
1
s = 82.6

n
2
= 11; x = 71.8;
2
2
s = 112.6

Asumir una distribucin normal con
2
2
2
1
o o = . Calcular al 90% de confianza el
intervalo para
2
2
2
1
/ o o .
Hay diferencia significativa entre los dos mtodos de enseanza?

Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
47
25.- Dos compuestos de caucho fueron probados para resistencia a la traccin. Se
prepararon 14 muestras rectangulares, 7 para cada una de las muestras A y B. Durante
la experimentacin se observ que dos especimenes de b estuvieron defectuosos por lo
que se les elimino de la prueba. La fuerza de traccin (en unidades de 100 psi) fue como
sigue:
A = 32 30 33 32 29 34 32
B = 33 35 36 37 35
Calcular al 90% de confianza el intervalo para
2
2
2
1
/ o o . Comente los resultados.

26.- Se desea contrastar la hiptesis = 0 frente a la alternativa >0 sobre la base de una
muestra aleatoria de tamao 9 obtenida de una poblacin normal con
2
= 1 a un nivel
de significacin de 0.05. Verificar cul de las alternativas es la correcta.

27.- Se desea contrastar la hiptesis = 0 frente a la alternativa >0 sobre la base de una
muestra aleatoria de tamao 100 obtenida de una poblacin normal con
2
= 1. Si la
hiptesis se debe rechazar cuando x > 0.233, cul es el nivel de significacin
empleado.

28.- Queremos contrastar la hiptesis = 0 frente a la alternativa 0 sobre la base de una
muestra aleatoria de tamao 25 obtenida de una poblacin normal con
2
= 1. Si =
0.05 hallar el conjunto de valores de x para los que la hiptesis debe aceptarse.

29.- La duracin media de una muestra de 100 tubos fluorescentes producidos por una
compaa resulta ser de 1,570 horas con una desviacin estndar de 120 horas. Si el
promedio histrico de los tubos producidos pro la compaa es de 1,600. Verificar si la
duracin de los tubos es inferior a 1,600 horas a un nivel de significacin de 0.05.

30.- El tiempo para reparar desperfectos de mquinas fotocopiadoras tienen un promedio de
93 min. La compaa fabricante sostiene que con su nuevo modelo, aquellos tiempos
sern inferiores. Para probar esto se evalan 73 paradas por desperfectos y se observa
un promedio de reparacin de 88.8 minutos y una desviacin estndar de 26.26
minutos. A un nivel de significacin de 0.05 verificar la aseveracin de la compaa.

31.- Se tomaron aleatoriamente 64 fusibles y fueron sometidos a un 20% de sobrecarga y el
tiempo de falla fue registrado. Para esta muestra x = 8.5 y s = 2.4. A un nivel de
significacin del 0.05 probar si > 8.0.
32.- En el pasado una mquina ha producido arandelas con un grosos de 0.05 pulgadas.
Para determinar si la mquina sigue en buenas condiciones de produccin, se toma una
muestra de 10 arandelas que resultan tener un grosor medio de 0.053 pulgadas y una
desviacin estndar de 0.003 pulgadas. Ensayar la hiptesis de que la mquina este en
buenas condiciones de produccin a un nivel de significacin del 0.05.





Curso Act. 2011 - Metrologa en la Calidad ESMC UNJBG MSc. Ing. Jess Medina Salas
48
33.- Un ensayo sobre la resistencia a la rotura de 6 cuerdas fabricadas por una compaa
mostr una resistencia media de 7,750 lb. y una desviacin estndar de 145 lb., mientras
que el fabricante sostena que la resistencia media de sus cuerdas era de 8,000 lb. Se
puede admitir la afirmacin del fabricante a un nivel de significacin:
a) del 0.05; y b) del 0.01?

34.- Un laboratorio de pruebas desea contrastar si el promedio de vida de cierta herramienta
de corte es de 2,000 piezas, frente a la alternativa de que es menos de 2,000. Qu
conclusin se deber obtener a un nivel de significacin del 0.01, si 6 pruebas
mostraron como vidas de las herramientas 2010, 1980, 1920, 2005, 1975, y 1950
piezas?

35.- Se afirma que la resistencia de un alambre elctrico se puede reducir como mnimo en
0.05 ohms aleando el material. Se hacen 25 pruebas en alambre aleado y otras tantas en
alambre sin aleacin dando los siguientes resultados.
Media, ohms Desviacin estndar, ohms
Alambre aleado 0.089 0.003
Alambre sin aleacin 0.141 0.002
Empleando un nivel de significacin del 0.05 determinar si esa afirmacin es cierta.

36.- Una compaa desea comparar las vidas de dos piedras abrasivas y encuentra que el
promedio de vida de 10 piedras de la primera clase es de 58 piezas con una desviacin
estndar de 6 piezas; y que la vida promedio de 12 piedras de la segunda clase es de 66
piezas con una desviacin estndar de 4 piezas. Contrastar la hiptesis de que no hay
diferencia significativa entre los promedios de la vida de las dos piedras con un nivel de
significacin de 0.01.

37.- Dos productores de focos sostienen que sus productos son los de ms larga duracin.
Se toma 100 focos de cada uno de estos fabricantes y son probados. Los resultados
obtenidos son x = 798 y y = 826 horas respectivamente con
2
x
s = 7982
2
y
s = 9001.
Probar si estos dos tipos de focos son diferentes en cuanto su duracin a un nivel de
significacin del 0.005.

38.- Para evaluar el nivel de polucin dentro de un hogar, se mide la cantidad de partculas
slidas suspendidas durante un perodo de 24 horas. Se toma muestras de hogares en
donde no hay fumadores y en hogares en donde hay al menos un fumador. Siendo los
resultados n
1
= 16 x = 67.1;
2
x
s = 7.82; n
2
= 13 y = 132.3;
2
y
s = 24.12. Probar:
H
0
:
2
2
2
1
o o = contra H
1
:
2
1
o <
2
2
o con = 0.05.