Gestio de La Qualitat PDF

E. Griful - M..
Canela
Eullia Grful es Doctora en Matemticas por la Universitat de Barcelona (UB). Es profesora del Departamento de Estadstica e Investigacin Operativa
de la Escola Tcnica Superior dEnginyeria Industrial de Terrassa (ETSEIT) de la UPC. Actualmente
es subdirectora de Innovacin Acadmica en la ETSEIT y responsable de los estudios semipresenciales de gestin de la calidad. Colabora en los programas de doctorado del Departamento de Estadstica
e Investigacin Operativa, en el Mster de Calidad
en la Empresa y en el programa de posgrado Seis
Sigma de la UPC. Ha trabajado como consultora de
gestin de la calidad en el Departamento de Toxicologa Medioambiental de la UPC y en el Institut
Catal de Tecnologia (ICT).
Miguel . Canela es Doctor en Matemticas por la
UB. Ha trabajado como profesor en el Departamento de Matemtica Aplicada y Anlisis de dicha Universidad desde 1976. Ha colaborado como profesor
en los programas de doctorado de la Universitat
Pompeu Fabra y del IESE, y como consultor de gestin de la calidad en el ICT.
Ambos autores han colaborado, en los ltimos diez
aos, en proyectos de asesoramiento y formacin
en gestin de la calidad en empresas industriales
de Catalua.
85
AULA POLITCNICA
/ ORGANIZACIN DE EMPRESAS
Eullia Griful Ponsati

Miguel ngel Canela Campos
Gestin de la calidad
Este libro trata de las nociones bsicas de la gestin de la calidad y de algunas tcnicas estadsticas
tiles en el contexto de la ingeniera en organizacin
industrial. Presenta las tendencias actuales sobre
gestin de la calidad, incluyendo los modelos ms
comunes: el Malcolm Baldrige Award, el European
Quality Award de la EFQM y las normas de la serie ISO 9000. Proporciona la metodologa y la formulacin estadstica para poder disear planes de
muestreo de recepcin de materiales, construir grcos de control, realizar estudios de capacidad de
un proceso y estudios de control de los equipos de
medida. La terminologa empleada es la que propone la International Organization for Standardization
(ISO), el organismo internacional de normalizacin
(v. ISO 9000). Aunque su orientacin es industrial,
muchas de las cuestiones que se abordan en este
libro tambin son vlidas para empresas de servicios e incluso para la Administracin pblica.
9 788483 017913
EDICIONS UPC
AULA POLITCNICA
/ ORGANIZACIN DE EMPRESAS
Eullia Griful Ponsati

Miguel ngel Canela Campos
EDICIONS UPC
Primera edicin: septiembre de 2002

Reimpresin: septiembre de 2005
Diseo de la cubierta: Jordi Calvet
Los autores, 2002
Edicions UPC, 2002

Edicions de la Universitat Politcnica de Catalunya, SL
Jordi Girona Salgado 31, 08034 Barcelona
Tel. 93 401 68 83 Fax 93 401 58 85
Edicions Virtuals: www.edicionsupc.es
e-mail: edicions-upc@upc.edu
Produccin: CPET (Centre de Publicacions del Campus Nord)

La Cup. Gran Capit s/n, 08034 Barcelona
Depsito legal: B-35993-2002
ISBN: 84-8301-791-1
Quedan rigurosamente prohibidas, sin la autorizacin escrita de los titulares del copyright, bajo las sanciones establecidas en las leyes, la reproduccin total o parcial de esta obra por cualquier medio o procedimiento, comprendidos la reprografa y el tratamiento informtico, y la distribucin de ejemplares de ella
mediante alquiler o prstamo pblicos.
Este libro trata de las nociones bsicas de la gestin de la

calidad y de algunas tcnicas estadsticas tiles en el contexto de la ingeniera en organizacin industrial.
Presenta las tendencias actuales sobre gestin de la calidad,
incluyendo los modelos ms comunes: el Malcolm Baldrige
Award, el European Quality Award de la EFQM y las normas
de la serie ISO 9000.
Proporciona la metodologa y la formulacin estadstica para
poder disear planes de muestreo de recepcin de materiales, construir grficos de control, realizar estudios de capacidad de un proceso y estudios de control de los equipos de
medida.
La terminologa empleada es la que propone la International
Organization for Standardization (ISO), el organismo internacional de normalizacin (v. ISO 9000). Aunque su orientacin
es industrial, muchas de las cuestiones que se abordan en
este libro tambin son vlidas para empresas de servicios e
incluso para la Administracin pblica.
QGLFH

QGLFH

0yGXOR,QWURGXFFLyQDODJHVWLyQGHODFDOLGDG
,1752'8&&,1

$OJXQDVGHILQLFLRQHVGHFDOLGDG
/RVFOLHQWHV\VXVUHTXLVLWRV
/DJHVWLyQ\HOFRQWUROGHODFDOLGDG
/DSODQLILFDFLyQ\ORVREMHWLYRVGHFDOLGDG
(ODVHJXUDPLHQWRGHODFDOLGDG\ODVDXGLWRUtDV
/DJHVWLyQGHODFDOLGDGWRWDO
/DVWHQGHQFLDVDFWXDOHVGHODJHVWLyQGHODFDOLGDG
/DFHUWLILFDFLyQODKRPRORJDFLyQ\ODDFUHGLWDFLyQ
/$*(67,1'(/$&$/,'$'
/RVVLVWHPDVGHJHVWLyQGHXQDHPSUHVD
(OFRQFHSWRGHSURFHVR
/DJHVWLyQSRUSURFHVRV
/DSODQLILFDFLyQGHFDOLGDG
(OSURFHVRGHGLVHxR\GHVDUUROORGHOSURGXFWR
(OFRQWUROGHODVRSHUDFLRQHV
/DORJtVWLFD
/2602'(/26'(/$*(67,1'(/$&$/,'$'
/DVQRUPDV,62
(OSUHPLR0DOFROP%DOGULJH
(OPRGHOR()40
0RGHORVGHJHVWLyQPHGLRDPELHQWDO
$(92/8&,1+,675,&$
$ 8QDSHUVSHFWLYDKLVWyULFD
$ 'HVDUUROORKLVWyULFR
$ /DJHVWLyQGHODFDOLGDGWRWDO740
$ /RVWHyULFRVGHODJHVWLyQGHODFDOLGDG
$ (OFRQWUROHVWDGtVWLFRGHODFDOLGDG

0yGXOR3ODQHVGHPXHVWUHR
,1752'8&&,1

,163(&&,1325$75,%8726
3ODQHVGHPXHVWUHR
&XUYDFDUDFWHUtVWLFD
,QVSHFFLyQFRQUHFWLILFDFLyQ

*HVWLyQGHODFDOLGDG
7$%/$6'(08(675(2325$75,%8726
7DEODVGHPXHVWUHR
6LVWHPD0,/67',62
6LVWHPD,62
2WUDVWDEODVGHPXHVWUHR
$&/&8/2'(352%$%,/,'$'(6'($&(37$&,1
$&$6235&7,&2
$(-(03/26180e5,&26

0yGXOR&RQWUROHVWDGtVWLFRGHSURFHVR
,1752'8&&,1

*5),&26'(&21752/
$OJXQDVIyUPXODVHVWDGtVWLFDV
3ULPHUDVLGHDVVREUHORVJUiILFRVGHFRQWURO
9DULDQWHVGHORVJUiILFRVGHFRQWURO
/tPLWHVGHFRQWURO
3DXWDVHQXQJUiILFRGHFRQWURO
&$3$&,'$''(81352&(62
9DULDQWHVHQODH[SUHVLyQGHODFDSDFLGDG
,QGLFHVGHFDSDFLGDG
9DOLGH]GHORVtQGLFHV
*5),&26'(&21752/3$5$9$5,$%/(6
*UiILFRVGHFRQWUROSDUDVXEJUXSRV
*UiILFRV ; 5\ ; V
*UiILFRVSDUDREVHUYDFLRQHVLQGLYLGXDOHV
*5),&26'(&21752/3$5$$75,%8726
&RQWUROGHODSURSRUFLyQGHXQLGDGHVQRFRQIRUPHV
&RQWUROGHODVQRFRQIRUPLGDGHV
&RQWUROGHOQ~PHURGHGHPpULWRV
$',675,%8&,21(6'(352%$%,/,'$'
$ 'LVFXVLyQJHQHUDO
$ 'LVWULEXFLRQHVFRQWLQXDV
$ 'LVWULEXFLRQHVGLVFUHWDV
$ 'LVWULEXFLyQQRUPDO
$ 'LVWULEXFLyQ%LQRPLDO\3RLVVRQ
$&$6235&7,&2
$&$6235$&7,&2

Los autores, 2004; Edicions UPC, 2004.
QGLFH

0yGXOR&RQWUROPHWUROyJLFR
,1752'8&&,1

&21&(3726)81'$0(17$/(6
&RQWUROGHXQSURFHVRGHPHGLGD
([DFWLWXG
&DOLEUDFLyQ\SDWURQHV
,QFHUWLGXPEUH
([SUHVLyQGHOVHVJR\ODLPSUHFLVLyQ
3/$1'(&21752/0(752/*,&2
3ODQWHDPLHQWRJHQHUDO
5HTXLVLWRVPHWUROyJLFRV
3ODQGHFRQWUROPHWUROyJLFR
3URFHGLPLHQWRVGHFRQWUROPHWUROyJLFR
5HJLVWURVGHOFRQWUROPHWUROyJLFR
&$/,%5$&,1
2EWHQFLyQGHOVHVJR
)DFWRUHVGHFDOLEUDFLyQ
5HFWDGHFDOLEUDFLyQ
(678',26'(35(&,6,1
&RQVLGHUDFLRQHVSUHYLDV
&iOFXORFRQYDULDQ]DV
&RPSRQHQWHVGHLPSUHFLVLyQ
5HSHWLELOLGDG\UHSURGXFLELOLGDG

0yGXOR$XWRHYDOXDFLRQHV



6ROXFLRQHVDODVDXWRHYDOXDFLRQHV

*ORVDULR

7DEODVHVWDGtVWLFDV

%LEOLRJUDItD

&DStWXOR,QWURGXFFLyQ
/DFHUWLILFDFLyQ\ODKRPRORJDFLyQ
&DStWXOR*HVWLyQGHODFDOLGDG
/RVVLVWHPDVGHJHVWLyQ
(OFRQFHSWRGHSURFHVR
/DJHVWLyQEDVDGDHQORVSURFHVRV
/DSODQLILFDFLyQGHODFDOLGDG
/DORJtVWLFD
&DStWXOR/RVPRGHORVGHJHVWLyQGHODFDOLGDG
/DVQRUPDV,62
(OSUHPLRHXURSHRGHODFDOLGDG
/RVPRGHORVGHJHVWLyQPHGLRDPELHQWDO
$QH[R$(YROXFLyQKLVWyULFDGHODFDOLGDG
$8QDSHUVSHFWLYDKLVWyULFD
$'HVDUUROORKLVWyULFR
$/DJHVWLyQGHODFDOLGDGWRWDO
$/RVWHyULFRVGHODJHVWLyQGHODFDOLGDG
$(OFRQWUROHVWDGtVWLFRGHODFDOLGDG
*HVWLyQGHODFDOLGDG

,1752'8&&,1
(VWDVQRWDVWLHQHQXQDRULHQWDFLyQLQGXVWULDODXQTXHPXFKDVGHODVFRVDVTXHDTXtVHGLFHQYDOJDQ
SDUD HPSUHVDV GH VHUYLFLRV H LQFOXVR SDUD OD $GPLQLVWUDFLyQ /D WHUPLQRORJtD HPSOHDGD HV OD TXH
SURSRQHHORUJDQLVPRLQWHUQDFLRQDOGHQRUPDOL]DFLyQ,62Y,62(QJHQHUDOODVGHILQLFLRQHV
LQFOXLGDVHQHOWH[WRVRQODVXVDGDVSRU,62DXQTXHKHPRVVXVWLWXLGRDOJXQDGHHOODVSRURWUDPiV
FRORTXLDO(QHOJORVDULRVHSXHGHQKDOODUODVGHILQLFLRQHVQRUPDOL]DGDVUHSURGXFLGDVWH[WXDOPHQWH
(OREMHWLYRGHHVWHFDStWXORHVIDPLOLDUL]DUDOOHFWRUFRQORVFRQFHSWRVEiVLFRVGHODJHVWLyQGHODFDOL
GDG FRPR HO FRQWURO GH OD FDOLGDG HO VLVWHPD GH FDOLGDG HWF (Q SULPHU OXJDU LQWHQWDUHPRV DFODUDU
TXpVHHQWLHQGHSRUFDOLGDGSRUFOLHQWH\SRUUHTXLVLWRVGHOFOLHQWHHQHOFRQWH[WRGHODJHVWLyQGHOD
FDOLGDG GRQGH HVWRV WpUPLQRV GHEHQ VHU XVDGRV FRQPXFKD SUHFLVLyQ (Q OD SUHVHQWDFLyQ GH HVWRV
FRQFHSWRVVHJXLPRVODOtQHDGH5RWJHU \&DQHODDXQTXHKHPRVDFWXDOL]DGRODVGHILQLFLRQHV
GHDFXHUGRFRQODQXHYDYHUVLyQGHODQRUPD,627DPELpQFRPHQWDPRVHQHVWHFDStWXORDOJX
QDVWHQGHQFLDVUHFLHQWHVGHODJHVWLyQGHODFDOLGDGDVtFRPRORVPRGHORVPiVXWLOL]DGRVDFWXDOPHQ
WH
$FWXDOPHQWHODFDOLGDGHVXQDVXQWRLPSRUWDQWHSDUDFXDOTXLHUHPSUHVDTXHDVSLUHDVHUFRPSHWLWLYD
1RREVWDQWHVHWUDWDGHXQFRQFHSWRGLItFLOGHGHILQLUGHPRGRXQLYHUVDOSXHVWRTXHSXHGHWHQHUVLJ
QLILFDGRGLVWLQWRSDUDGLIHUHQWHVSHUVRQDV'LFKRGHRWUDIRUPDODFDOLGDGHVDOJRFXDOLWDWLYR\VXEMHWL
YR3RUHMHPSORSDUDDOJXLHQXQFRFKHGHFDOLGDGSRGUtDVHUDOJRDVtFRPRXQ5ROOV5R\FHPLHQWUDV
TXHRWURVVHGDUtDQSRUVDWLVIHFKRVFRQXQ$XGL
6HJ~QHOFRQWH[WRVHSXHGHQHQFRQWUDUGLVWLQWDVGHILQLFLRQHVGHFDOLGDG
x
$SOLFDGDDOSURGXFWRVHUHILHUHDXQDVHULHGHDWULEXWRVGHVHDEOHV
x
$SOLFDGDDOXVRGHOSURGXFWRDORDGHFXDGRTXHHVSDUDODDSOLFDFLyQSUHYLVWD
x
$SOLFDGDDODSURGXFFLyQDTXHORVSDUiPHWURVGHOSURFHVRWRPHQXQRVGHWHUPLQDGRVYDORUHV
x
$SOLFDGD DO YDORU GHO SURGXFWR D TXH HO FRPSUDGRU TXHGH VDWLVIHFKR FRQ OR TXH REWLHQH SRU HO
SUHFLRTXHSDJD(QHOOHQJXDMHFRORTXLDOHVWRHVODUHODFLyQFDOLGDGSUHFLR
x
(QXQFRQWH[WRPiVLGHROyJLFRVHSXHGHUHIHULUDODH[FHOHQFLDHPSUHVDULDO
$VtODIUDVHHQHOWDOOHUKD\PXFKRVSUREOHPDVGHFDOLGDGTXLHUHGHFLUTXHVHSURGXFHQDPHQXGR
SLH]DVGHIHFWXRVDVWHQHPRVTXHFRPSHWLUSRUFDOLGDG\QRSRUSUHFLRVLJQLILFDTXHKD\TXHIDEULFDU
SURGXFWRVGHDOWRYDORUDxDGLGRXQWXULVPRGHFDOLGDGVHUHILHUHDOGHDOWRQLYHODGTXLVLWLYRPLHQWUDV
TXHEXHQDUHODFLyQFDOLGDGSUHFLRDOXGHDXQDFRUUHFWDSURSRUFLyQHQWUHORTXHVHSDJD\ODVDWLVIDF
FLyQTXHVHREWLHQH
/RV SULQFLSDOHV WHyULFRV GH OD JHVWLyQ GH OD FDOLGDG KDQ SURSXHVWR FDGD XQR VX SURSLD GHILQLFLyQ GH
FDOLGDG$Vt-0-XUDQKDEODGHDGHFXDFLyQDOXVRPLHQWUDVTXHSDUD3%&URVE\ODFDOLGDGHVHO
FXPSOLPLHQWRGHORVUHTXLVLWRV'HQDWXUDOH]DGLVWLQWDHVODGHILQLFLyQQHJDWLYDGH*7DJXFKLGHOD
FDOLGDGFRPRSpUGLGDTXHHOXVRGHOSURGXFWRFDXVDDODVRFLHGDG/DLGHDGHODFDOLGDGPiVH[WHQ
GLGD HQ HO PDUFR GH OD JHVWLyQ GH OD FDOLGDG VH FRUUHVSRQGH FRQ OD GHILQLFLyQ GH $ )HLJHQEDXP
SDUDTXLHQODFDOLGDGHVODVDWLVIDFFLyQGHODVH[SHFWDWLYDVGHOFOLHQWH6HHQWLHQGHDTXtHOFOLHQWHHQ
VHQWLGRDPSOLRLQFOX\HQGRDORVHPSOHDGRVORVRSHUDULRVORVGLUHFWLYRVORVSURYHHGRUHVORVDFFLR
QLVWDV ORV SURSLHWDULRV HWF HV GHFLU D ORV GLVWLQWRV FROHFWLYRV LQWHUHVDGRV HQ ODV DFWLYLGDGHV GH OD
HPSUHVD

(QODWHUPLQRORJtDQRUPDOL]DGD,62Y,62ODFDOLGDGHVODIDFXOWDGGHXQFRQMXQWRGHFDUDF

WHUtVWLFDVLQKHUHQWHVGHXQSURGXFWRVLVWHPDRSURFHVRSDUDFXPSOLUORVUHTXLVLWRVGHORVFOLHQWHV\GH
RWUDVSDUWHVLQWHUHVDGDV/RVUHTXLVLWRVGHFDOLGDGTXDOWLW\UHTXLUHPHQWVVHREWLHQHQDOWUDVODGDUD
ODV FDUDFWHUtVWLFDV GHO SURGXFWR ODV QHFHVLGDGHV R H[SHFWDWLYDV GH ORV FOLHQWHV 8QD QHFHVLGDG R
H[SHFWDWLYD GH XQ FOLHQWH SXHGH VHU LPSOtFLWD R H[SOtFLWD 8QD QHFHVLGDG LPSOtFLWD VH VREUHHQWLHQGH
VLQTXHKD\DTXHHVSHFLILFDUOD3RUHMHPSORXQHQYDVHGHUHIUHVFRKDGHVHUIiFLOGHDEULU\HOWUDWR
HQXQVHUYLFLRWHOHIyQLFRGHEHVHUDPDEOH(QFDPELRORVUHTXLVLWRVH[SOtFLWRVGHXQSURGXFWRRVHUYL
FLRVHHVSHFLILFDQHQXQGRFXPHQWRTXHHVVXHVSHFLILFDFLyQ
3DUDSRGHULGHQWLILFDUODVQHFHVLGDGHVRH[SHFWDWLYDVTXHKDGHVDWLVIDFHUXQSURGXFWRHVLPSRUWDQWH
VDEHUDTXLpQYDGLULJLGRHVGHFLUTXLpQHVVRQORVFOLHQWHVRFROHFWLYRVLQWHUHVDGRVHQpO$FWXDOPHQ
WHVHXVDHOWpUPLQR VWDNHKROGHUTXHVHVXHOHWUDGXFLUSRU SDUWHLQWHUHVDGD SDUDUHIHULUVHDFXDO
TXLHUFROHFWLYRLQWHUHVDGRHQODHPSUHVDRHQVXVSURGXFWRV,62FRQVLGHUDFRPRSDUWHVLQWHUHVDGDV
GHXQDHPSUHVDDORVFOLHQWHVSURSLDPHQWHGLFKRVDORVSURSLHWDULRVDOSHUVRQDODORVSURYHHGRUHV
DORVVLQGLFDWRVDORVVRFLRVDORVEDQTXHURVDODVRFLHGDGHQJHQHUDOHWF
(QHVWDVQRWDVDGRSWDPRVXQDGHILQLFLyQGHFDOLGDGEDVDGDHQODVDWLVIDFFLyQGHODVQHFHVLGDGHVR
H[SHFWDWLYDVGHODVSDUWHVLQWHUHVDGDV,GHQWLILFDUpVWDVHVSRUORWDQWRHOSULPHUSDVRHQODJHVWLyQGH
ODFDOLGDG
&RPRLOXVWUDFLyQSRGHPRVFRQVLGHUDUHOHMHPSORGHXQDHPSUHVDGHGLVWULEXFLyQGHWHOpIRQRVPyYLOHV
+D\GRVWLSRVGHFOLHQWHHOFOLHQWHGLUHFWRTXHHVHOYHQGHGRU\HOFOLHQWHILQDOTXHHVHOFRQVXPLGRU
2WUDV SDUWHV LQWHUHVDGDV VRQ ORV SURSLHWDULRV ORV WUDEDMDGRUHV \ OD VRFLHGDG 4Xp HVSHUDQ GH OD
HPSUHVDODVGLVWLQWDVSDUWHVLQWHUHVDGDV"
x
(OFRQVXPLGRUHVSHUDXQSURGXFWRVDWLVIDFWRULRTXHVHDOLJHUR\IiFLOGHPDQHMDUTXHODGXUDFLyQ
GHODVEDWHUtDVVHDySWLPDTXHKD\DXQEXHQVHUYLFLRGHPDQWHQLPLHQWRHWF
x
(OYHQGHGRUQHFHVLWDXQEXHQVHUYLFLRSOD]RVGHHQWUHJDIOH[LEOHV\FRUWRVTXHHOSHUVRQDOVHD
DPDEOHHPEDODMHIXQFLRQDOHWF
x
/RVSURSLHWDULRVHVSHUDQODUHQWDELOLGDGGHVXVLQYHUVLRQHV\HQDOJXQRVFDVRVHOSUHVWLJLRGHOD
HPSUHVD
x
(OSHUVRQDOGHODHPSUHVDHVSHUDXQDUHWULEXFLyQMXVWDHVWDELOLGDGHQHOWUDEDMRFRQGLFLRQHVGH
WUDEDMRFRUUHFWDVXQDPELHQWHDJUDGDEOHODSDUWLFLSDFLyQHQODVGHFLVLRQHVGHODHPSUHVDHOUH
FRQRFLPLHQWRGHVXWUDEDMRSRUSDUWHGHVXVVXSHULRUHVSRVLELOLGDGHVGHIRUPDFLyQ\GHSURPR
FLyQHWF
x
/RVSURYHHGRUHV\VXEFRQWUDWLVWDVTXLHUHQFRRSHUDFLyQHVWDELOLGDGHQODVUHODFLRQHVEXHQDFR
PXQLFDFLyQHWF
x
/DVRFLHGDGHVSHUDTXHODHPSUHVDUHVSHWHHOPHGLRDPELHQWHDGPLQLVWUDQGRGHIRUPDHILFLHQWH
ORV UHFXUVRV HQHUJpWLFRV TXH UHVSHWH ORV GHUHFKRV GH VXV WUDEDMDGRUHV TXH FRODERUH HQ RUJD
QLVPRVGHQRUPDOL]DFLyQTXHHMHU]DDOJ~QWLSRGHPHFHQD]JRHWF
8QD YH] LGHQWLILFDGRV HVWRV FROHFWLYRV \ VXV QHFHVLGDGHV GH pVWDV VH GHULYDQ XQRV UHTXLVLWRV GH
FDOLGDG GHO SURGXFWR &XDQGR XQD XQLGDG R ORWH GH SURGXFWR FXPSOH ORV UHTXLVLWRV VH GLFH TXH HV
FRQIRUPHPLHQWUDVTXHSRUQRFRQIRUPLGDGVHHQWLHQGHHOLQFXPSOLPLHQWRGHDOJ~QUHTXLVLWR/RV
UHTXLVLWRVGHOSURGXFWRTXHVHUHILHUHQDDOJXQDVGHVXVFDUDFWHUtVWLFDVVHUHFRJHQHQVXHVSHFLIL
FDFLyQ 1RUPDOPHQWH OD HVSHFLILFDFLyQ GHO SURGXFWR LQFOX\H VXV FDUDFWHUtVWLFDV HVHQFLDOHV 6L pVWDV
VRQ QXPpULFDV VH HVSHFLILFDQ VXV OtPLWHV GH WROHUDQFLD 3DUD HYLWDU VLWXDFLRQHV HQ ODV TXH QR HV
SRVLEOH FXPSOLU OR SDFWDGR FRQ HO FOLHQWH HV DFRQVHMDEOH TXH DO GHILQLU ORV OtPLWHV GH WROHUDQFLD VH
*HVWLyQGHODFDOLGDG

FRQVXOWH D TXLHQHV LQWHUYLHQHQ HQ OD HODERUDFLyQ GHO SURGXFWR FRPSUDV YHQWDV SURGXFFLyQ HWF \
TXHVHWHQJDHQFXHQWDODFDSDFLGDGGHOSURFHVRGHIDEULFDFLyQ\ODGHORVHTXLSRVGHPHGLFLyQTXH
VHXVDQHQHOFRQWUROGHODSURGXFFLyQ+D\TXHREVHUYDUTXHDYHFHVQRHVIiFLOGHILQLUORVUHTXLVL
WRV GH XQ SURGXFWR SDUWLHQGR GH ODV QHFHVLGDGHV GH ORV FOLHQWHV HVSHFLDOPHQWH FXDQGR VH WUDWD GH
QHFHVLGDGHVLPSOtFLWDV+D\ WpFQLFDVHVSHFLDOHVFRPRODVPDWULFHV4)'TXHVLPSOLILFDQHVWDWDUHD
Y&DStWXOR
/DFDOLGDGQRVHREWLHQHSRUFDVXDOLGDGVLQRPHGLDQWHORVUHFXUVRV\ORVSURFHGLPLHQWRVDGHFXDGRV
HVGHFLUDWUDYpVGHODJHVWLyQ/DSDUWHGHODJHVWLyQGHXQDHPSUHVDTXHVHUHODFLRQDFRQODREWHQ
FLyQGHODFDOLGDGHVOD JHVWLyQGHODFDOLGDG/DJHVWLyQGHODFDOLGDG LQFOX\H DFWLYLGDGHVFRPROD
SODQLILFDFLyQGHODFDOLGDGHOFRQWURO GH ODFDOLGDG HODVHJXUDPLHQWR GH ODFDOLGDG \ ODPHMRUDGH OD
FDOLGDG
/DJHVWLyQGHODFDOLGDGVHOOHYDDFDERPHGLDQWHXQVLVWHPDHVGHFLUPHGLDQWHXQFRQMXQWRGHHOH
PHQWRV PXWXDPHQWH UHODFLRQDGRV R TXH DFW~DQ HQWUH Vt (Q HO FDVR GH OD JHVWLyQ GH OD FDOLGDG VH
WUDWDGHOVLVWHPDGHJHVWLyQGHODFDOLGDGRVLVWHPDGHFDOLGDG/DHPSUHVDGHEHDSRUWDUORVUHFXU
VRV QHFHVDULRV SDUD TXH OD SROtWLFD GH FDOLGDG VHD YLDEOH \ GRFXPHQWDU HO VLVWHPD SDUD TXH QR VH
SLHUGDHOHVIXHU]RUHDOL]DGR(OVLVWHPDGHFDOLGDGVHGHVFULEHHQXQGRFXPHQWROODPDGRPDQXDOGH
ODFDOLGDG
+D\TXHGLVWLQJXLUHQWUHODJHVWLyQ\HOFRQWUROGHODFDOLGDG(OFRQWUROGHODFDOLGDGHVODSDUWHGHOD
JHVWLyQGHODFDOLGDGRULHQWDGDDODVDWLVIDFFLyGHORVUHTXLVLWRVGHFDOLGDG/D JHVWLyQGHODFDOLGDG
LQFOX\HRWURVDVSHFWRVFRPRODLGHQWLILFDFLyQGHORVFOLHQWHV\VXVUHTXLVLWRVRODSODQLILFDFLyQGHOXVR
GH ORV UHFXUVRV (O FRQWURO GH OD FDOLGDG FOiVLFR VH OLPLWDED D OR TXH DFWXDOPHQWH OODPDPRV LQVSHF
FLyQ GHO SURGXFWR IXHVH pVWH SURSLR R DMHQR (Q OD DFWXDOLGDG DSDUWH GH HVH DVSHFWR LQFOX\H XQ
FRQMXQWR GH YHULILFDFLRQHV GHO FXPSOLPLHQWR GH GLVWLQWRV UHTXLVLWRV QR VyOR GHO SURGXFWR VLQR WDP
ELpQGHORVSDUiPHWURVGHSURFHVRGHOPDQWHQLPLHQWRSUHYHQWLYRY&DStWXORGHOFRQWUROPHWUROy
JLFRY0yGXORHWF
/RVUHTXLVLWRVGHODVGLVWLQWDVSDUWHVLQWHUHVDGDVGHXQDHPSUHVDSXHGHQHQWUDUHQFRQWUDGLFFLyQ3RU
HMHPSORHQODHODERUDFLyQGHXQSURGXFWRQXHYRORVSURSLHWDULRVDPELFLRQDQREWHQHUJDQDQFLDVORV
WUDEDMDGRUHVTXLHUHQXQDVFRQGLFLRQHVGHWUDEDMRFRUUHFWDVODVRFLHGDGHVSHUDTXHODIDEULFDFLyQGHO
SURGXFWRUHVSHWHHOPHGLRDPELHQWH\ORVFOLHQWHVTXLHUHQTXHHOSURGXFWRVDWLVIDJDVXVH[SHFWDWLYDV
(VWRH[LJHDODHPSUHVDXQRVFRPSURPLVRVTXHGHSHQGHQGHOSHVRUHODWLYRTXHVHGpDFDGDWLSRGH
QHFHVLGDG\TXHHVWiQHQIXQFLyQHQWUHRWURVDVSHFWRVGHORVYDORUHVGHODHPSUHVD
(VWRVFRPSURPLVRVKDQGHHVWDUGHILQLGRVHQODSROtWLFDGHODFDOLGDGTXHVHFRPSRQHGHODVLQWHQ
FLRQHV\GLUHFFLyQJOREDOGHXQDRUJDQL]DFLyQUHODWLYDVDODFDOLGDGWDOFRPRVHH[SUHVDQIRUPDOPHQWH
SRUODDOWDGLUHFFLyQ(VDFRQVHMDEOHSDUDKDFHUODSROtWLFDGHFDOLGDGPiVRSHUDWLYDTXHODGLUHFFLyQ
ODH[SUHVHSRUHVFULWR3RUHOORDOJXQRVPRGHORVGHJHVWLyQGHODFDOLGDGFRPRHOGHODQRUPD,62
H[LJHQ TXH OD SROtWLFD VHD FRPXQLFDGD \ HQWHQGLGD GHQWUR GH OD RUJDQL]DFLyQ /D SROtWLFD GH
FDOLGDGGHEHVHUFRKHUHQWHFRQODSROtWLFDJOREDOGHODHPSUHVD\SURSRUFLRQDUXQPDUFRGHUHIHUHQFLD
SDUDHVWDEOHFHUORVREMHWLYRVGHODFDOLGDG
/DSODQLILFDFLyQGHODFDOLGDGHVODSDUWHGHODJHVWLyQGHODFDOLGDGHQIRFDGDDOHVWDEOHFLPLHQWRGH
ORVREMHWLYRVGHODFDOLGDG\DODHVSHFLILFDFLyQGHORVSURFHVRVRSHUDWLYRVQHFHVDULRV\GHORVUHFXU
VRVUHODFLRQDGRVSDUDFXPSOLU ORVREMHWLYRVGHODFDOLGDG /D SODQLILFDFLyQHVXQDGH ODVDFWLYLGDGHV
SULQFLSDOHVGHODJHVWLyQGHODFDOLGDG\HVDFRQVHMDEOHOOHYDUODDFDERDQWHVGHSRQHUHQPDUFKDXQ
QXHYRSURGXFWRRVHUYLFLR$PHQXGRODSODQLILFDFLyQVHUHDOL]DFXDQGRORVSURGXFWRVRVHUYLFLRV\D
VHHVWiQSURGXFLHQGR\SRUHOORHVXQRGHORVDVSHFWRVPiVGHOLFDGRVGHODJHVWLyQGHODFDOLGDG(V

LPSRUWDQWHSODQWHDUODSODQLILFDFLyQGHODFDOLGDGGHIRUPDJOREDOWHQLHQGRHQFXHQWDWRGRVORVDVSHF
WRV GH OD HPSUHVD TXH DIHFWDQ D OD FDOLGDG GHO SURGXFWR GHO SURFHVR SURGXFWLYR R GHO VHUYLFLR VLQ
FDHUHQHOHUURUGHDVRFLDUODDREMHWLYRVYDJRVFRPRHYLWDUHUURUHVHQHOWUDEDMRGLDULR
(QODGHILQLFLyQGHORVREMHWLYRVHOSULPHUSDVRHVDFODUDUKDVWDGyQGHVHTXLHUHOOHJDU\TXpHVSHUDQ
ODVSDUWHVLQWHUHVDGDV$SDUWLUGHDTXtVHSXHGHQSODQWHDUREMHWLYRVJHQHUDOHVDORVTXHVHVXERUGL
QDQRWURVPiVHVSHFtILFRV8QPpWRGRDFHSWDGRSDUDHVWDEOHFHU ORVREMHWLYRV FRQVLVWHHQHPSH]DU
SRUORVREMHWLYRVHVSHFtILFRVSDVDQGRSRUORVSDUFLDOHVKDVWDOOHJDUDORVPiVJHQHUDOHV3RUHMHPSOR
XQREMHWLYRHVSHFtILFRGHFDOLGDGSXHGHVHUUHGXFLUODVQRFRQIRUPLGDGHVGHXQSURFHVRGHIDEULFD
FLyQ6LVHDOFDQ]DHVWHREMHWLYRSXHGHSODQWHDUVHXQVHJXQGRREMHWLYRGHUHGXFFLyQGHFRVWHVGH
IDEULFDFLyQ\SRVWHULRUPHQWHRWURPiVJHQHUDOFRPRVHUHOOtGHUGHOPHUFDGRSDUDXQGHWHUPLQDGR
WLSR GH SURGXFWR (VWD PDQHUD GH GHVJORVDU ORV REMHWLYRV GHEH LU DFRPSDxDGD GH OD DSOLFDFLyQ GHO
FLFOR3'&$YPiVDEDMRHQFDGDSDVRGHIRUPDTXHPLHQWUDVQRVHKD\DFRQVHJXLGRHOREMHWLYR
PiVLQPHGLDWRQRVHSODQWHDHOVLJXLHQWH
3DUDSRGHUDERUGDUORVREMHWLYRVGHFDOLGDGSDVRDSDVRpVWRVGHEHQHYDOXDUVHPHGLDQWHLQGLFDGR
UHV/RVLQGLFDGRUHVSXHGHQHYDOXDUODHILFDFLDHVGHFLUODPHGLGDHQTXHVHDOFDQ]DQORVREMHWLYRV
RODHILFLHQFLDHVGHFLUORVUHFXUVRVTXHVHXVDQSDUDDOFDQ]DUORV$OJXQRVLQGLFDGRUHVVHSXHGHQ
REWHQHUDSDUWLUGHLQIRUPDFLyQGLVSRQLEOHHQODHPSUHVDSRUFHQWDMHGHXQLGDGHVQRFRQIRUPHVGHXQ
SURGXFWR SRUFHQWDMH GH FXPSOLPLHQWR GH ORV SOD]RV GH HQWUHJD SDFWDGRV FRVWHV GH OD IDEULFDFLyQ
HWFPLHQWUDVTXHRWURVVHWHQGUiQTXHHODERUDUSRUHMHPSORDSDUWLUGHODVHQFXHVWDVGHVDWLVIDF
FLyQGHORVFOLHQWHV
8QPRGHORGHDFWXDFLyQFOiVLFRHQODJHVWLyQGHODFDOLGDGHVHOFLFOR3'&$3ODQ'R&KHFN$FW
IRUPXODGRSRU:$6KHZKDUW \SRSXODUL]DGRSRVWHULRUPHQWHSRU:('HPLQJ(VWHFLFORFRQVLVWH
HQ
x
3ODQLILFDUGHTXpPDQHUDVHSXHGHDOFDQ]DUXQDPHMRUDHQODHPSUHVD
x
+DFHUHVGHFLUSRQHUHQSUiFWLFDHOSODQ
x
&RPSUREDUORVUHVXOWDGRVREWHQLGRVXVDQGRORVLQGLFDGRUHVDGHFXDGRV
x
$FWXDUHQHOVHQWLGRGHFRQYHUWLUHQQRUPDODVROXFLyQSURSXHVWD
8QDYH]FRQVROLGDGDODPHMRUDVHSODQWHDXQREMHWLYRPiVDPELFLRVR\HOFLFORYXHOYHDHPSH]DU
(ODVHJXUDPLHQWRGHODFDOLGDGTXDOLW\DVVXUDQFHWDPELpQOODPDGRJDUDQWtDGHFDOLGDGSRUHMHP
SOR HQ HO VHFWRU IDUPDFpXWLFR VH FRQVLJXH FXDQGR VH ORJUD LQIXQGLU FRQILDQ]D HQ ORV SURGXFWRV R
VHUYLFLRVGHODHPSUHVDRHQODFDOLGDGGHODSURSLDRUJDQL]DFLyQ$OFRQWUDULRGHORTXHVXFHGHFRQ
HO FRQFHSWR GH FDOLGDG KD\ XQD FLHUWD XQDQLPLGDG VREUH TXp VH HQWLHQGH SRU DVHJXUDPLHQWR GH OD
FDOLGDG DXQTXH HQ OD OLWHUDWXUD VH SXHGDQ KDOODU GLVWLQWDV GHILQLFLRQHV FRPR JDUDQWL]DU TXH HO FRQ
VXPLGRUSXHGDDGTXLULUXQSURGXFWRRVHUYLFLRFRQODFRQILDQ]D\VHJXULGDGGHTXHpVWHOHVHUiGHXVR
VDWLVIDFWRULR SDUD XQ ODUJR SHUtRGR ,VKLNDZD R FRPR OD DFWLYLGDG TXH GD D WRGDV ODV SDUWHV
LQWHUHVDGDVODHYLGHQFLDQHFHVDULDSDUDWHQHUFRQILDQ]DHQTXHODIXQFLyQGHFDOLGDGVHHVWiUHDOL]DQ
GRDGHFXDGDPHQWH-XUDQ
(QJHQHUDODVHJXUDUODFDOLGDGGHXQSURGXFWRLPSOLFDSRGHUSUHYHUVXVFDUDFWHUtVWLFDV(VGHFLUHO
DVHJXUDPLHQWRGHODFDOLGDGVXSRQH
x
$SOLFDGRDOSURGXFWRDVHJXUDUTXHFXPSOHVLHPSUHORVUHTXLVLWRVGHFDOLGDG
*HVWLyQGHODFDOLGDG

x
$SOLFDGRDOSURFHVRGHSURGXFFLyQPDQWHQHUORVSURFHVRVFRQWURODGRVGHIRUPDFRQWLQXDGDSDUD
JDUDQWL]DUHOFXPSOLPLHQWRGHORVUHTXLVLWRV
x
$SOLFDGRDOSURFHVRGHGLVWULEXFLyQTXHSRUHMHPSORVHFXPSODQORVSOD]RVGHHQWUHJDSDFWDGRV
FRQORVFOLHQWHV
(QODGHILQLFLyQ,62Y,62HODVHJXUDPLHQWRGHODFDOLGDGHVODSDUWHGHODJHVWLyQGHODFDOL

GDGRULHQWDGDDSURSRUFLRQDUFRQILDQ]DHQTXHVHFXPSOLUiQORVUHTXLVLWRVGHODFDOLGDG(QJHQHUDO\
HQSDUWLFXODUHQHOPRGHOR,62TXHHVHOPiVFOiVLFR\TXHFRPHQWDUHPRVFRQPiVGHWDOOHHQ
HOFDStWXORVHVXSRQHTXHHVWDVDFFLRQHVVHUHDOL]DQGHIRUPDVLVWHPiWLFDGHDFXHUGRFRQXQRV
SURFHGLPLHQWRVGHWUDEDMRTXHKDQVLGRGRFXPHQWDGRV\TXHKD\HYLGHQFLDVREMHWLYDVGHTXHVH
VLJXHQHVRVSURFHGLPLHQWRV3DUDHOORVHFRQVHUYDQORVUHJLVWURVTXHVRQGRFXPHQWRVTXHSURSRU
FLRQDQ UHVXOWDGRV FRQVHJXLGRV R HYLGHQFLD GH DFWLYLGDGHV HIHFWXDGDV /RV UHJLVWURV FRPR HO UHVWR
GHORVGRFXPHQWRVGHOVLVWHPDGHFDOLGDGSXHGHQVHUGRFXPHQWRVLQIRUPiWLFRVVLHPSUHTXHHOVLV
WHPDGHODHPSUHVDSHUPLWDFRQWURODUORVGHIRUPDHIHFWLYD
7DQWRODGRFXPHQWDFLyQFRPRODVHYLGHQFLDVGHVXYLJHQFLDVHH[DPLQDQHQXQDDXGLWRUtDGHOVLVWH
PDGHJHVWLyQGHODFDOLGDG8QDDXGLWRUtDHVXQSURFHVRVLVWHPiWLFRLQGHSHQGLHQWH\GRFXPHQWDGR
SDUDREWHQHUHYLGHQFLDV\HYDOXDUODVGHPDQHUDREMHWLYDFRQHOILQGHGHWHUPLQDUHODOFDQFHDOTXHVH
FXPSOHQORVFULWHULRVGHODDXGLWRULD/DVFRQFOXVLRQHVGHOH[DPHQTXHVHUHFRJHQHQHOLQIRUPHGH
ODDXGLWRUtDVHGHEHQEDVDUHQHYLGHQFLDVREMHWLYDVTXHHQVXPD\RUSDUWHVHH[WUDHQGHORVUHJLV
WURVGHODHPSUHVD
(QWRGDDXGLWRUtDKD\TXHGLVWLQJXLUWUHVDJHQWHVHOFOLHQWHGHODDXGLWRUtDTXHHVTXLHQODHQFDUJD
HODXGLWDGR\HOHTXLSRDXGLWRUTXHDYHFHVLQFOX\HXQH[SHUWRWpFQLFRTXHDSRUWDFRQRFLPLHQWRV
HVSHFtILFRV 6L HO FOLHQWH HV OD SURSLD HPSUHVD DXQTXH HO HTXLSR DXGLWRU VHD H[WHUQR VH KDEOD GH
DXGLWRUtDLQWHUQDRGHSULPHUDSDUWH8QDDXGLWRUtDLQWHUQDSXHGHFRQVWLWXLUODEDVHSDUDODDXWRGH
FODUDFLyQ GH FRQIRUPLGDG GH XQD HPSUHVD (Q SDUWLFXODU XQR GH ORV FRPSRQHQWHV GHO PRGHOR ,62
Y&DStWXORHVODHMHFXFLyQGHDXGLWRUtDVLQWHUQDVSHULyGLFDV
&XDQGRHOFOLHQWHHVRWUDHPSUHVDWHQHPRVXQDDXGLWRUtDH[WHUQDGHVHJXQGDRWHUFHUDSDUWH(Q
ODVDXGLWRUtDVGHVHJXQGDSDUWHHOFOLHQWHGHODDXGLWRUtDHVXQDSDUWHLQWHUHVDGDFRPRXQFOLHQWH
GHODHPSUHVDRXQLQYHUVRU/DDXGLWRUtDGHWHUFHUDSDUWHODOOHYDDFDERXQDRUJDQL]DFLyQLQGH
SHQGLHQWH TXH HYHQWXDOPHQWH FHUWLILFD HO FXPSOLPLHQWR GH UHTXLVLWRV FRPR ORV GH ODV QRUPDV ,62
H,62&XDQGRGRVRPiVRUJDQL]DFLRQHVFRRSHUDQSDUDDXGLWDUDXQ~QLFRDXGLWDGRVH
KDEODGHDXGLWRUtDFRQMXQWD1RUPDOPHQWHODDXGLWRUtDH[WHUQDGHXQVLVWHPDGHFDOLGDGVHOOHYDD
FDERHQGRVSDVRV3ULPHURVHH[DPLQDODGRFXPHQWDFLyQGHOVLVWHPDHVGHFLUHOPDQXDOGHFDOLGDG
\ORVSURFHGLPLHQWRVWtSLFDPHQWHDJUXSDGRVHQXQPDQXDOGHSURFHGLPLHQWRV\GHVSXpVHOJUDGR
HQTXHODGRFXPHQWDFLyQHVWiYLJHQWHUHFRJLHQGRODVHYLGHQFLDVGHODDXGLWRUtD
(OFRQFHSWRGHFDOLGDGKDLGRHYROXFLRQDQGRGXUDQWHODVHJXQGDPLWDGGHOVLJOR;;GHVGHHOFRQWURO
GHODFDOLGDGKDVWDODJHVWLyQGHODFDOLGDGWRWDO(OFRQFHSWRDFWXDOGHJHVWLyQGHODFDOLGDGWRWDO
DEUHYLDGDPHQWH 740 WRWDO TXDOLW\ PDQDJHPHQW SURFHGH GHO FRQFHSWR GH FRQWURO GH OD FDOLGDG
WRWDO DEUHYLDGDPHQWH 74& WRWDO TXDOLW\ FRQWURO GHILQLGR SRU SULPHUD YH] SRU $ )HLJHQEDXP Y
$QH[R $FRPR XQVLVWHPDGHLQWHJUDUHVIXHU]RVHQODHPSUHVDSDUDFRQVHJXLU HOPi[LPRUHQGL
PLHQWRHFRQyPLFRFRPSDWLEOHFRQODVDWLVIDFFLyQGHORVFOLHQWHV$QiORJDPHQWHODVQRUPDVLQGXVWULD
OHVMDSRQHVDVGHILQHQODJHVWLyQGHODFDOLGDGWRWDOFRPRXQVLVWHPDGHPpWRGRVGHSURGXFFLyQTXH
HFRQyPLFDPHQWHJHQHUDELHQHVWDURVHUYLFLRVGHFDOLGDGDFRUGHVFRQORVUHTXLVLWRVGHORVFRQVXPL
GRUHV
(QODH[SUHVLyQJHVWLyQGHODFDOLGDGWRWDOHODGMHWLYRWRWDOVHDSOLFDDOWLSRGHJHVWLyQQRDODFDOL
GDG(VWDYLVLyQHVPiVDPSOLDTXHODWUDGLFLRQDOGHOFRQWUROGHODFDOLGDG\VHDMXVWDDODDFHSFLyQGH
FRQWUROFRPRGRPLQLRLQFOX\HQGRWRGRVORVDVSHFWRVGHODRUJDQL]DFLyQTXHDIHFWDQDODFDOLGDG$Q

WHVVHKDEODEDGHFDOLGDGUHILULpQGRVHDORVDVSHFWRVGHSURGXFFLyQRGLVHxRGHSURGXFWRSHURDF
WXDOPHQWHHODOFDQFHGHHVWHWpUPLQRVH KDDPSOLDGRFRQVLGHUDQGRODFDOLGDGHQWRGD OD RUJDQL]D
FLyQ
+D\ QXPHURVDV DSRUWDFLRQHV GH GLVWLQWRV DXWRUHV SDUD GHILQLU OD FDOLGDG FRPR KHPRV YLVWR HQ HO
DSDUWDGRDXQTXHWRGRVFRQFXHUGDQHQOLJDUODDODVDWLVIDFFLyQGHOFOLHQWH(VLPSUHVFLQGLEOHTXH
ODFDOLGDGVHGpHQWRGRVORVDVSHFWRVGHODHPSUHVD\QRVyORHQDOJXQDViUHDVRIXQFLRQHV\DTXH
VHSXHGHQFUHDUYDFtRVRGHVHTXLOLEULRVHQWUHODVGLVWLQWDViUHDV6HJ~QODQRUPD,62ODJHV
WLyQGHODFDOLGDGWRWDOHVXQHVWLORGHJHVWLyQGHXQDRUJDQL]DFLyQFHQWUDGRHQODFDOLGDGEDVDGRHQ
ODSDUWLFLSDFLyQGHWRGRVVXVPLHPEURVRULHQWDGRDODUHQWDELOLGDGDODUJRSOD]RDWUDYpVGHODVDWLV
IDFFLyQGHOFOLHQWH\TXHSURSRUFLRQDEHQHILFLRVDWRGRVORVPLHPEURVGHODRUJDQL]DFLyQ\DODVRFLH
GDG
/DVLGHDVEiVLFDVTXHSRGHPRVHQFRQWUDUHQODPD\RUtDGHORVDXWRUHVHQUHODFLyQFRQODJHVWLyQGH
ODFDOLGDGWRWDOVRQODVDWLVIDFFLyQGHOFOLHQWHODJHVWLyQEDVDGDHQKHFKRVODGLUHFFLyQWHQLHQGRHQ
FXHQWDODVSHUVRQDV\ODPHMRUDFRQWLQXDY'DKOJDDUGHWDO(QODOLWHUDWXUDDSDUHFHFRQIUH
FXHQFLDXQDLGHDGHODJHVWLyQGHODFDOLGDGWRWDOFRPRODFRPELQDFLyQGHXQHVWLORFRQHOXVRGHXQDV
GHWHUPLQDGDVWpFQLFDVGHJHVWLyQ(VGLItFLOVLQHPEDUJRGDUXQDGHILQLFLyQSUHFLVDGHODJHVWLyQGH
ODFDOLGDGWRWDO\D~QPiVHVWDEOHFHUXQDVSDXWDVGHDFWXDFLyQHVSHFtILFDV3RUWRGRHVWRODVFRQ
FHSFLRQHVSUiFWLFDVGHOD *HVWLyQ GHOD&DOLGDG7RWDOGHPiVp[LWRYDQ OLJDGDVDFULWHULRVFRPRORV
GHO3UHPLR(XURSHRGHOD&DOLGDGRWRUJDGRSRUOD(XURSHDQ2UJDQL]DWLRQIRU4XDOLW\0DQDJDPHQW
()40RORVGHO0DOFROP%DOGULJH1DWLRQDO$ZDUG(VWRVFULWHULRVSURSRUFLRQDQPRGHORVGHJHV
WLyQUHODWLYDPHQWHFRQFUHWRV\DSOLFDEOHVTXHVHUHVXPHQHQHOFDStWXORGHHVWHPyGXOR
'HVGHSULQFLSLRVGHORVDxRVODJHVWLyQGHODFDOLGDGVHRULHQWDDODH[FHOHQFLDHPSUHVDULDO&RPR
PRGHORVSDUDDOFDQ]DUODH[FHOHQFLDVHXVDQHOPRGHORGHOD()40HOGHO0DOFROP%DOGULJH$ZDUG
\ HO GH OD QRUPD ,62 ([LVWHQ YHUVLRQHV GH HVWRV PRGHORV DGDSWDGDV WDQWR D RUJDQL]DFLRQHV
LQGXVWULDOHVFRPRGHVHUYLFLRVLQFOX\HQGRVHFWRUHVFRPRODDGPLQLVWUDFLyQS~EOLFDKRVSLWDOHVWUDQV
SRUWHV HGXFDFLyQ HWF (VWRVPRGHORV GDQ GLUHFWULFHV SDUD HO GHVDUUROOR GH XQ VLVWHPD GH FDOLGDG \
SDUDOLJDUORDORVUHVXOWDGRVGHODHPSUHVD/RVGRVSULPHURVTXHVRQORVPiVSRSXODUHVFRQVLVWHQ
HQ XQD VHULH GH SXQWRV R FULWHULRV /D RUJDQL]DFLyQ VH DXWRHYDO~D VLJXLHQGR ORV FULWHULRV GHO SUHPLR
PHGLDQWHXQFXHVWLRQDULRGHDXWRHYDOXDFLyQRDOWHUQDWLYDPHQWHPHGLDQWHXQDXWRLQIRUPHVHJ~QXQ
JXLyQSURSLR$SDUWLUGHOLQIRUPHGHQRPiVGHSiJLQDVVHGHWHUPLQDQORVSXQWRVIXHUWHVGHOD
RUJDQL]DFLyQ \ ODV iUHDV GRQGH VH GHEH PHMRUDU (O VLJXLHQWH SDVR VXHOH VHU OD GHILQLFLyQ GHO SODQ
HVWUDWpJLFRGHODHPSUHVDHVWDEOHFLHQGRREMHWLYRVOLJDGRVDORVSXQWRVGpELOHV$OJXQDVRUJDQL]DFLR
QHVSUHILHUHQHYDOXDGRUHVH[WHUQRV\DTXHVXHOHQVHUPiVREMHWLYRV
3RUH[LJHQFLDGHOPHUFDGRHXURSHRPXFKDVHPSUHVDVVREUHWRGRODVLQGXVWULDOHVVHKDQYLVWRREOL
JDGDVDSDUWLFLSDUHQHOSURFHVRGHFHUWLILFDFLyQGHODVQRUPDV,62(QRWURVVHFWRUHVH[LVWHQ
QRUPDVHVSHFtILFDVDXQTXHQRKD\DXQVLVWHPDGHFHUWLILFDFLyQIRUPDOL]DGR3RUHMHPSORHQHOVHF
WRUGH DXWRPRFLyQ)RUG *HQHUDO0RWRUV \ &KU\VOHULQWURGXMHURQ HQ ORVDxRVODQRUPD46
TXHHVXQDDPSOLDFLyQGHOD,62GHODYHUVLyQGH2WURVIDEULFDQWHVGHDXWRPyYLOHVGH
VDUUROODURQQRUPDVDOWHUQDWLYDV$964($4)\9'$FUHDQGRXQDFLHUWDFRQIXVLyQTXHVH
KD WUDWDGR GH FRUUHJLU FRQ OD QRUPD ,62 TXH DUPRQL]D ODV GLVWLQWDV QRUPDV GHO VHFWRU (VWD
QRUPD KD VLGR UHYLVDGD HQ HO DxR SRU ORV IDEULFDQWHV GH DXWRPyYLOHV HXURSHRV DPHULFDQRV
MDSRQHVHV \ SRU HO FRPLWp ,62 7& OOHJDQGR D XQ FRQVHQVR (Q ORV VHFWRUHV IDUPDFpXWLFR \ DOL
PHQWDULRH[LVWHQJXtDVHQODVTXHVHGHVFULEHQODVEXHQDVSUiFWLFDVGHIDEULFDFLyQSDUDHVHVHF
WRUODV*03*RRG0DQXIDFWXULQJ3UDFWLFHV(VWDV\PXFKDVRWUDVJXtDVVHGLIXQGHQJUDWXLWDPHQWH
D WUDYpV GH ODV SiJLQDV ZHE GH OD )'$ Y KWWSZZZIGDJRY (8'5$ Y
KWWSSKDUPDFRVHXGUDRUJ\RWURVRUJDQLVPRV
(VWRV~OWLPRVDxRVGHVGH((88VHKDFULWLFDGR HVWHSODQWHDPLHQWR HXURSHR HQHOTXH ODFHUWLILFD
FLyQ,62HVHO~QLFRFDPLQRSDUDDERUGDUODJHVWLyQGHODFDOLGDG-XUDQDSXQWDTXHSDUDHQ
*HVWLyQGHODFDOLGDG

WUDUHQHOPHUFDGRHXURSHRHVQHFHVDULDODFHUWLILFDFLyQDXQTXHVHDYROXQWDULD\KDFHXQSURQyVWLFR
SHVLPLVWDVREUHORVVLVWHPDVGHFDOLGDGGHODVHPSUHVDVHXURSHDVTXHVHEDVDQVyORHQODFHUWLILFD
FLyQ(OPRGHOR,62KDVLGRFULWLFDGRSRUQRDSRUWDUPHMRUDVFXDQWLILFDEOHV\SRUVHUGH
GLItFLO DSOLFDFLyQ HQ DOJXQRV VHFWRUHV HPSUHVDULDOHV VREUH WRGR HQ HO GH ORV VHUYLFLRV (Q OD ~OWLPD
UHYLVLyQGHODVQRUPDV,62WRGRHVWRVHKDWHQLGRSUHVHQWH\ODQRUPD,626LVWHPDVGH
*HVWLyQGHODFDOLGDG5HFRPHQGDFLRQHVSDUDODPHMRUDGHOIXQFLRQDPLHQWRWLHQHODPLVPDHVWUXFWXUD
TXHOD,62\XQVLVWHPDGHDXWRHYDOXDFLyQ
$FWXDOPHQWHODPD\RUtDGHODVHPSUHVDVTXHKDQSDVDGRSRUHOSURFHVRGHFHUWLILFDFLyQ\RVHKDQ
DXWRHYDOXDGRXVDQGRHOPRGHOR()40VLJXHQSURJUDPDVGHPHMRUD(QHOORVVHXVDQWpFQLFDVVHQFL
OODV\QRVRQQHFHVDULDVLQYHUVLRQHVLPSRUWDQWHV+D\QXPHURVDVWpFQLFDVGHPHMRUDHQWUHODVTXH
FDEHGHVWDFDUODVIDPRVDVVLHWHKHUUDPLHQWDVGH,VKLNDZDY$SpQGLFH$
(QJHQHUDOWRGDVORVSURJUDPDVGHPHMRUDXVDQXQDXRWUDYDULDQWHGHODQiOLVLVFDXVDHIHFWRSDUD
LGHQWLILFDUODVFDXVDVGHORVSUREOHPDVREVHUYDGRV/DVWpFQLFDVGHUHVROXFLyQGHSUREOHPDVVHSUH
VHQWDQDPHQXGROLJDGDVDODVGHPHMRUDFRQWLQXDGHSHQGLHQGRHOXVRGHXQDXRWUDGHODVSUHIHUHQ
FLDV SHUVRQDOHV R GHO SHUILO SURIHVLRQDO GHO DXWRU R FRQVXOWRU +D\ GLVWLQWDV YDULDQWHV OLJDGDV D ORV
GLVWLQWRVHQIRTXHVHQODUHVROXFLyQGHSUREOHPDV/DVPiVSRSXODUHVVRQHOGLDJUDPDGHHVSLQDGH
SH] R GLDJUDPD GH ,VKLNDZD TXH HV XQD GH ODV VLHWH KHUUDPLHQWDV \ HO PpWRGR GH OD FDXVDUDt]
URRWFDXVHDQDO\VLVXWLOL]DGRHQGLVWLQWRVFRQWH[WRVSRUHMHPSORHQHOPpWRGR'GHJUDQGLIXVLyQ
HQHOVHFWRUGHDXWRPRFLyQ1RUPDOPHQWHHVWDVWpFQLFDVVHDSOLFDQHQHOVHQRGHXQJUXSRGHWUD
EDMRTXHHQPXFKRVFDVRVVHFUHDHVSHFtILFDPHQWHSDUDWUDWDUXQGHWHUPLQDGRSUREOHPDRH[SORWDU
XQDRSRUWXQLGDGGHPHMRUDY6FKROWHV
$PHQXGRWRGDVODVPHMRUDVGHORVSURFHVRVSURGXFWLYRV\ORJtVWLFRVY&DStWXOREXVFDQDSUR[L
PDUVHDXQHVWDGRLGHDODOTXHVHDOXGHDPHQXGRGHIRUPDYDJDFRPR-XVW,Q7LPH-,72ULJL
QDULDPHQWHHVWDGHQRPLQDFLyQVHUHIHUtDDOVLVWHPDGHRUJDQL]DFLyQGHODSURGXFFLyQGHODFRPSDxtD
7R\RWD 0RWRUV \ SRU FRQVLJXLHQWH QR D DOJR TXH SXHGD VHU GHILQLGR GH IRUPD EUHYH Y 6KLQJR
$OGLIXQGLUVHHQ2FFLGHQWHHO-,7VHSURGXMRXQDSUROLIHUDFLyQGHGHILQLFLRQHVTXHUHFRJHQVyOR
DVSHFWRVSDUFLDOHVGHOVLVWHPD7R\RWD3RUHMHPSORVHKDEODLPSURSLDPHQWHGH-,7SDUDUHIHULUVHD
ODHOLPLQDFLyQGH ORV VWRFNVTXHQR HVVLQRXQDVSHFWR(VHQFLDOPHQWH-,7VLJQLILFD ODUHVSXHVWD D
ODVGHPDQGDVGHORVFOLHQWHVHQHOPtQLPRWLHPSR\XWLOL]DQGRORVPtQLPRVUHFXUVRVORVVWRFNVVRQ
XQUHFXUVRPiV$OJXQRVPpWRGRVOLJDGRVDO-,7VRQ
x
/RVVLVWHPDVGHFRPXQLFDFLyQ.DQEDQRULJLQDULDPHQWHXQDVWDUMHWDVXVDGDVHQ7R\RWD&XDQGR
XQHTXLSRQHFHVLWDEDFRPSRQHQWHVTXHSURGXFtDRWURHTXLSRHQYLDEDDpVWHODEDQGHMDGHHVDV
FRPSRQHQWHVYDFtDFRQHO.DQEDQFRUUHVSRQGLHQWH
x
/RVPpWRGRV60('GHUHGXFFLyQGHOWLHPSRGHFDPELR
x
/RVPpWRGRV6GHRUJDQL]DFLyQGHO OXJDUGHWUDEDMR/D GHQRPLQDFLyQ 6 SURYLHQHGHFLQFR

SDODEUDVMDSRQHVDVFX\DYHUVLyQHQQXHVWURDOIDEHWRHPSLH]DSRU66HLULRUJDQL]DFLyQ6HLWRQ
RUGHQ 6HLVR OLPSLH]D 6KHLNHWVX HVWDQGDUL]DFLyQ \ 6KLWVXNH GLVFLSLQD 6H WUDWD GH LGHDV
VHQFLOODV SHUR ~WLOHV VREUH OD RUJDQL]DFLyQ \ OLPSLH]D GHO HQWRUQR GH WUDEDMR VREUH OD SXOFULWXG
GHOWUDEDMR\HOGHVDUUROORGHHVWiQGDUVY2VDGD
x
/RV PpWRGRV 730 SDUD RSWLPL]DU OD GLVSRQLELOLGDG GH ORV UHFXUVRV GH SURGXFFLyQ Y 1DNDMLPD

x
/RVPpWRGRV.DL]HQGHPHMRUDFRQWLQXDY,PDLRULHQWDGRVDODREWHQFLyQGHXQDVHULH

GHSHTXHxDVPHMRUDVLQFUHPHQWDOHV
8QDRULHQWDFLyQDFWXDOGHPHMRUDGHODFDOLGDGHVODOODPDGD6L[6LJPD4XDOLW\Y+DUU\ 6FKURH

GHU 6H WUDWD GH XQ SURJUDPD GH DFWLYLGDGHV GH PHMRUD TXH H[LJH XQD PD\RU GHGLFDFLyQ GH
SHUVRQDO \XVDWpFQLFDVGHUHFRJLGD \DQiOLVLVGHGDWRVHQWUH ODVTXHGHVWDFDGHIRUPDHVSHFLDOHO
GLVHxRGHH[SHULPHQWRV3DUDODSXHVWDHQPDUFKDGHXQSURJUDPD6L[6LJPDHVQHFHVDULRXQFRP

SURPLVRGHODGLUHFFLyQSDUDLQYHUWLUHQODIRUPDFLyQGHORVHPSOHDGRV6HSXHGHKDOODUXQDUHFRSLOD
FLyQGHPpWRGRVOLJDGRVD6L[6LJPDHQ%UH\IRJOH6L[6LJPDVHUHPRQWDDORVDxRVFXDQ
GRODHPSUHVD0RWRURODREOLJDGDSRUODFRPSHWHQFLDMDSRQHVDGHVDUUROOyHOSULPHUSURJUDPDGHHVWH
WLSRREWHQLHQGRXQRVDxRVPiVWDUGHHOSUHPLR0DOFROP%DOGULJH7DPELpQIXHDGRSWDGDHQ8QLV\V
TXHOHDxDGLyXQDSHFXOLDUFODVLILFDFLyQGHORVSDUWLFLSDQWHVHQFDWHJRUtDVGHDUWHVPDUFLDOHV\SRVWH
ULRUPHQWHHQ$%% $OOLHG 6LJQDO \*HQHUDO(OHFWULF TXHDSRUWDURQ RWURVDVSHFWRV(Q(VSDxDVH KD
LQWURGXFLGR D WUDYpV GH HPSUHVDV PXOWLQDFLRQDOHV FRPR 6RQ\ (ULFVVRQ \ *HQHUDO (OHFWULF HQWUH
RWUDV )RUG KD DQXQFLDGR HQ HQHUR GH TXH DGRSWDUi ORVPpWRGRV 6L[ 6LJPD (V SUREDEOH TXH
HVWD GHFLVLyQ SURYRTXH XQD UHDFFLyQ HQ FDGHQD HQ VXV SURYHHGRUHV (Q ((88 OD GLIXVLyQ GH ORV
PpWRGRV6L[6LJPDVHKDFRQYHUWLGRHQHOQXHYRLPSXOVRUGHODPHMRUDGHODFDOLGDG
/DFHUWLILFDFLyQODKRPRORJDFLyQ\ODDFUHGLWDFLyQ
/DV RUJDQL]DFLRQHV WLHQGHQ DFWXDOPHQWH DGTXLULU IXHUD RXWVRXUFLQJ FDGD YH] PiV FRPSRQHQWHV \
VHUYLFLRV$GHPiVVHHQFXHQWUDQHQXQFRQWH[WRHFRQyPLFRGRQGHORVLQWHUFDPELRVVHKDFHQDHV
FDODPXQGLDO\GRQGHPXFKDVYHFHVVHSLHUGHHOFRQWDFWRGLUHFWRYHQGHGRUFRPSUDGRU(VSRUHVR
OyJLFRTXHVHKD\DSRSXODUL]DGRXQPRGHORGHFHUWLILFDFLyQTXH JDUDQWLFHTXHHOVLVWHPDGHFDOLGDG
GHOYHQGHGRUHVDGHFXDGR
$SDUWHGHODVHPSUHVDVFOLHQWHVWDPELpQODDGPLQLVWUDFLyQS~EOLFDSXHGHH[LJLUODFHUWLILFDFLyQGHORV
SURYHHGRUHVGHHTXLSRVVRPHWLGRVDH[LJHQFLDVUHJODPHQWDULDV/DGHPRVWUDFLyQH[LJLGDSRUOD$G
PLQLVWUDFLyQ GH TXH XQ SURGXFWR FXPSOH ORV UHTXLVLWRV WpFQLFRV UHJODPHQWDULRV TXH OH DIHFWDQ HV OD
KRPRORJDFLyQTXHVHDVLPLODDXQDFHUWLILFDFLyQREOLJDWRULD/DFHUWLILFDFLyQTXHSHUPLWHHVWDEOH
FHUODFRQIRUPLGDG GHXQDHPSUHVD SURGXFWRSURFHVRRVHUYLFLRFRQ ORVUHTXLVLWRVHVWDEOHFLGRVHQ
QRUPDVRHVSHFLILFDFLRQHVWpFQLFDVOOHYDDOUHFRQRFLPLHQWRGHTXHHOSURGXFWRFXPSOHXQDRYDULDV
QRUPDVWpFQLFDV\FRPSRUWDHOGHUHFKRGHXVRGHODPDUFDFRPRGLVWLQWLYRGHOSURGXFWR/DFHUWLIL
FDFLyQGDFRQILDQ]DDORVFRQVXPLGRUHVDGHPiVGHGLIHUHQFLDUHOSURGXFWRGHORVGHODFRPSHWHQFLD
3RGHPRV GLIHUHQFLDU GRV WLSRV GH FHUWLILFDFLyQ GH SURGXFWR \ GH HPSUHVD (Q OD FHUWLILFDFLyQ GH
SURGXFWR HO RUJDQLVPR FHUWLILFDGRU VH EDVD HQ XQ GLFWDPHQ GH XQ ODERUDWRULR GH HQVD\R VREUH OD
FRQIRUPLGDGGHXQDPXHVWUDGHODSURGXFFLyQFRQODQRUPDFRUUHVSRQGLHQWH\HQXQLQIRUPHGHDXGL
WRUtD GHO VLVWHPD GH JHVWLyQ GH OD FDOLGDG GHO IDEULFDQWH TXH JDUDQWLFH HO FXPSOLPLHQWR GH OD QRUPD
,62HPLWLGRSRUXQDHQWLGDGGHLQVSHFFLyQ
/DFHUWLILFDFLyQGHHPSUHVDHVHOUHFRQRFLPLHQWRSRUSDUWHGHXQRUJDQLVPRGHFHUWLILFDFLyQGHTXH
VXVLVWHPDGHJHVWLyQGHODFDOLGDGFXPSOHORVUHTXLVLWRVGHODQRUPD,62/DFHUWLILFDFLyQ,62
HVYROXQWDULD\~QLFDPHQWHODSXHGHOOHYDUDFDERXQRUJDQLVPRDFUHGLWDGR(Q(VSDxDH[LV
WHQ YDULRV RUJDQLVPRV DFUHGLWDGRV /D DFUHGLWDFLyQ HV HO UHFRQRFLPLHQWR IRUPDO GH OD FRPSHWHQFLD
WpFQLFDGHXQDHQWLGDGSDUDFHUWLILFDULQVSHFFLRQDURDXGLWDUODFDOLGDGRGHXQODERUDWRULRGHHQVD\R
RFDOLEUDFLyQLQGXVWULDO(QWUHORVRUJDQLVPRVDFUHGLWDGRVSDUD ODFHUWLILFDFLyQ GHHPSUHVDRGHSUR
GXFWRVHSXHGHQFLWDU
x
$(125$VRFLDFLyQ(VSDxRODGH1RUPDOL]DFLyQ
x
/*$,/DERUDWRUL*HQHUDOG$VVDLJVL,QYHVWLJDFLRQV
x
'19'HW1RUVNH9HULWDV1RUXHJD
x
%94,%XUHDX9HULWDV4XDOLW\,QWHUQDWLRQDO
x
/OR\G65HJLVWHU5HLQR8QLGR
x
7h95KHLQODQG$OHPDQLD
x
7h93URGXFW6HUYLFH$OHPDQLD
*HVWLyQGHODFDOLGDG

/$*(67,1'(/$&$/,'$'
(QODSULPHUDSDUWHGHHVWHFDStWXORSUHVHQWDPRVODJHVWLyQGHODFDOLGDGFRPRSDUWHGHODJHVWLyQGH
XQDHPSUHVDFRQXQHQIRTXHHQODOtQHDGHODJHVWLyQSRUSURFHVRVVLJXLHQGRODVUHFRPHQGDFLRQHV
GH OD QRUPD ,62 $ ILQ GH VLQWHWL]DU OD H[SRVLFLyQ GLVWLQJXLPRV HQWUH SURFHVRV RSHUDWLYRV GH
VRSRUWH\HVWUDWpJLFRV\GHQWURGHORVSULPHURVHQWUHODVRSHUDFLRQHVSURSLDPHQWHGLFKDV\ORVSUR
FHVRVORJtVWLFRV(QODVHJXQGDSDUWHSUHVHQWDPRVXQDGHVFULSFLyQLOXVWUDGDFRQGLDJUDPDVJHQpUL
FRVGHDOJXQRVGHHVWRVSURFHVRVFRPRODSODQLILFDFLyQGHODFDOLGDGHOGLVHxR\GHVDUUROORGHQXH
YRVSURGXFWRVODUHDOL]DFLyQGHOSURGXFWR\ORVSURFHVRVGHVRSRUWHGHODSURGXFFLyQ
'HGLFDPRVXQDSDUWDGRH[FOXVLYRDOSURFHVRGHGLVHxR\GHVDUUROORSRUWUDWDUVHGHXQSURFHVRFODYH
HQODPD\RUtDGHODVHPSUHVDVLQGXVWULDOHV&DEHGHVWDFDUTXHQRKD\XQSURFHVRGHGLVHxR\GHVD
UUROORFRPSOHWRHQWRGDVODVHPSUHVDV\DTXHHQDOJXQRVFDVRVHOSURGXFWRYLHQHHVSHFLILFDGRWRWDO
RSDUFLDOPHQWHSRUHOFOLHQWH6LQHPEDUJRVLHPSUHTXHKD\DXQSURFHVRGHIDEULFDFLyQODHPSUHVD
GHEH YHULILFDU TXH HO SURFHVR SURGXFWLYR HV DGHFXDGR SDUD ORV QXHYRV SURGXFWRV FDSDFLGDG GH ODV
LQVWDODFLRQHVSUHSDUDFLyQGHOSHUVRQDOH[LVWHQFLDGHSURYHHGRUHVFXDOLILFDGRVHWF
/RVVLVWHPDVGHJHVWLyQGHXQDHPSUHVD
3RGHPRVFRQVLGHUDUHQXQDHPSUHVDGLVWLQWRVVLVWHPDVGHJHVWLyQHOGHFDOLGDGHOGHJHVWLyQILQDQ
FLHUD HO GH JHVWLyQ PHGLRDPELHQWDO HO GH VHJXULGDG ODERUDO HWF ([LVWHQ GLVWLQWDV QRUPDV TXH GDQ
GLUHFWULFHVSDUDODJHVWLyQGHODVHPSUHVDVLQGXVWULDOHVFRPRODVQRUPDV,62 \JHVWLyQ
GHODFDOLGDGOD,62JHVWLyQGHOPHGLRDPELHQWHODVQRUPDWLYDVODERUDOHVODOH\GHSUHYHQ
FLyQGHULHVJRVODERUDOHV/H\HOVLVWHPDGHJHVWLyQSDUDODSUHYHQFLyQGHULHVJRVODERUDOHV
6*35/\ODQRUPD81((;(QDOJXQRVFDVRVXQRUJDQLVPRDFUHGLWDGRSXHGHFHUWLILFDUTXH
ODHPSUHVDFXPSOHORVUHTXLVLWRVGHXQDGHHVWDVQRUPDV'HELGRDODVH[LJHQFLDVGHOPHUFDGRGHOD
DGPLQLVWUDFLyQ\GHODVRFLHGDGORVSURFHVRVGHFHUWLILFDFLyQFRQVXVFRQVLJXLHQWHVDXGLWRUtDV\UHYL
VLRQHVSHULyGLFDVWDQWRGHFDOLGDGFRPRGHPHGLRDPELHQWH\GHVHJXULGDGODERUDOKDQLGRFREUDQGR
PD\RULPSRUWDQFLDHQODPD\RUtDGHODVHPSUHVDVLQGXVWULDOHV
$FWXDOPHQWHVHWLHQGHDLQWHJUDUORVVLVWHPDVGHFDOLGDGPHGLRDPELHQWH\VHJXULGDGDILQGHVLP
SOLILFDUODJHVWLyQ\HOLPLQDUODGRFXPHQWDFLyQLQQHFHVDULD(VWRVXSRQHXQDPD\RUHILFLHQFLD\DTXH
ORVWUHVWLHQHQDVSHFWRVFRPXQHVFRPRODSROtWLFD\ORVFRPSURPLVRVGHODHPSUHVDHOFRQWUROGHOD
GRFXPHQWDFLyQ \ORVUHJLVWURVHOFRQWUROGHODVRSHUDFLRQHV \ODVDXGLWRUtDV\UHYLVLRQHVSHULyGLFDV
GHOVLVWHPD$GHPiVHQHOGLVHxRGHLQVWDODFLRQHV\SURGXFWRVHQODVFRPSUDVHQODJHVWLyQGHORV
DOPDFHQHVHQHOPDQWHQLPLHQWR\HQODIRUPDFLyQLQWHUYLHQHQODViUHDVGHFDOLGDGPHGLRDPELHQWH\
VHJXULGDG
(OFRQFHSWRGHSURFHVR
(O IXQFLRQDPLHQWR GH XQD HPSUHVD VH SXHGH FRQFHELU FRPR XQD UHG GH SURFHVRV LQWHUUHODFLRQDGRV
TXH SXHGH OOHJDU D VHU EDVWDQWH FRPSOHMD 8Q SURFHVR HV XQ VLVWHPD GH DFWLYLGDGHV TXH XWLOL]DQ
UHFXUVRVSDUDWUDQVIRUPDU HQWUDGDV LQSXWVHQVDOLGDVRXWSXWV&XDOTXLHUDFWLYLGDGTXHWUDQVIRUPD
XQLQSXWHQXQRXWSXWSXHGHFRQVLGHUDUVHFRPRXQSURFHVRY)LJXUD\JHQHUDOPHQWHXQRXW
SXWGHXQSURFHVRHVXQLQSXWGHRWURSRVWHULRU3RUHMHPSORXQSURGXFWRGHXQSURFHVRGHIDEULFD
FLyQHVXQRGHORVLQSXWVGHOSURFHVRGHHPEDODMHRWURHVHOHQYROWRULRGHOSURGXFWRHPEDODGRVHDQ
FDMDVVDFRVRORTXHFRUUHVSRQGD8QRXWSXWSXHGHVHUXQSURGXFWRWDQJLEOHRDOJRLQWDQJLEOH3RU
HMHPSORSRGHPRVFRQVLGHUDUODVH[SHFWDWLYDVJHQHUDGDVHQHOFOLHQWHRXWSXWLQWDQJLEOHGHODVYHQ
WDV XQD IDFWXUD FRPSUDV XQ SURJUDPD LQIRUPiWLFR HODERUDFLyQ GH SURJUDPDV XQ FRPEXVWLEOH
OtTXLGRSURGXFFLyQXQVHUYLFLREDQFDULRDWHQFLyQDOFOLHQWHRXQSURGXFWRLQWHUPHGLRGHOVXESUR
FHVRGHODGHVFDUJDGHXQUHDFWRU0iVDGHODQWHYHUHPRVHMHPSORVGHSURFHVRVGHVJORVDGRVFRQ
VXVLQSXWVRXWSXWVUHFXUVRV\GLUHFWULFHVTXHWDPELpQVRQXQWLSRGHLQSXWV

)LJXUD(VTXHPDGHXQSURFHVRFRQHQWUDGDV\VDOLGDV

8QDGHODVDFWLYLGDGHVFHQWUDOHVGHODJHVWLyQGHODFDOLGDGHVHOFRQWUROGHORVSURFHVRVTXHIRUPDQ
GHOHQWUDPDGRGHODRUJDQL]DFLyQ3RUXQODGRKD\TXHFRQWURODUORVSDUiPHWURVGHORVSURFHVRV \
SRURWURODFDOLGDGGHOSURGXFWR/DVWpFQLFDVGHFRQWUROHVWDGtVWLFRGHSURFHVR63&TXHSUHVHQ
WDPRVHQHOPyGXORGHHVWDVQRWDVVHSXHGHQXVDUSDUDDPERVILQHV(OREMHWRGHOFRQWUROHVWDGtV
WLFRGHSURFHVRHVFRQVHJXLUTXHHOUHVXOWDGRGHOSURFHVRVHDSUHGHFLEOH\FXPSODORVUHTXLVLWRVHV
WDEOHFLGRV1RUPDOPHQWHHOFRQWUROVHEDVDHQPHGLFLRQHVHIHFWXDGDVDORODUJRGHXQSURFHVRDOD
HQWUDGDDODVDOLGD\HQSXQWRVLQWHUPHGLRV
/RVLQSXWV \RXWSXWVGHXQSURFHVRSXHGHQVHUSURGXFWRVWDQJLEOHVRLQIRUPDFLyQY7DEOD6H
WLHQHTXHVXEUD\DUTXHHQHVWHFRQWH[WRHOWpUPLQRSURGXFWRFXEUHODVFXDWURFDWHJRUtDVJHQpULFDV
x
+DUGZDUH(VWDGHQRPLQDFLyQVHUHILHUHDODIDEULFDFLyQGHSLH]DVFRPSRQHQWHVRDOHQVDPEOD
GRGHHOODV(OKDUGZDUHVHSUHVHQWDHQIRUPDGLVFUHWDFRPRXQLGDGHVTXHSXHGHQFXPSOLURQR
ORVUHTXLVLWRVGHFDOLGDGLQGHSHQGLHQWHPHQWHXQDGHRWUD3RUFRQVLJXLHQWHHQXQORWHRSDUWLGD
SXHGHKDEHUXQLGDGHVFRQIRUPHV\XQLGDGHVQRFRQIRUPHV
x
0DWHULDOHVSURFHVDGRV(VWDGHQRPLQDFLyQVHUHILHUHDPDWHULDOHVVyOLGRVOtTXLGRVSROYRJD
VHV HWF TXH KDQ VLGR WUDQVIRUPDGRV ItVLFDPHQWH \ TXH VH SUHVHQWDQ HQ IRUPD PiV R PHQRV
FRQWLQXD VLQ KDEHU XQLGDGHV /D FRQIRUPLGDG VH UHILHUH HQ JHQHUDO D XQ ORWH \ VH GLFWDPLQD
SRUPHGLRGHYHULILFDFLRQHVUHDOL]DGDVVREUHXQDPXHVWUDH[WUDtGDGHOORWH
x
6HUYLFLRV /RV VHUYLFLRV VRQ SURGXFWRV JHQHUDGRV SRU DFWLYLGDGHV HQ OD LQWHUID] SURYHH
GRUFOLHQWHRSRUDFWLYLGDGHVLQWHUQDVGHOSURYHHGRUSDUDUHVSRQGHUDQHFHVLGDGHVGHOFOLHQWH(Q
ODPD\RUtDGHORVFDVRVORVVHUYLFLRVVHGDQHQIRUPDGHDFWXDFLRQHVSXQWXDOHVRXQLGDGHV\HQ
FDVRGHKDEHUXQDHVSHFLILFDFLyQORTXHQRVLHPSUHHVFLHUWRFDGDXQLGDGSXHGHVHUFRQIRUPHR
QRLQGHSHQGLHQWHPHQWHGHODVRWUDV
x
6RIWZDUH/DGHQRPLQDFLyQVRIWZDUHVHDSOLFDDODLQIRUPDFLyQFRQFHSWRVWUDQVDFFLRQHVRSUR
FHGLPLHQWRVTXHSXHGHQUHJLVWUDUVHSRUHVFULWRRHQRWURPHGLRSRUHMHPSORHQVRSRUWHPDJQpWL
FR(MHPSORVGHVRIWZDUHVRQORVSURJUDPDVGHRUGHQDGRUHOVRIWZDUHGHOOHQJXDMHFRORTXLDO
VXVPDQXDOHV\HQJHQHUDOHOFRQWHQLGRGHFXDOTXLHUOLEUR
0XFKRVSURGXFWRVLQGXVWULDOHVLQWHJUDQHOHPHQWRVTXHSHUWHQHFHQDGLIHUHQWHVFDWHJRUtDV3RUHMHP
SORDOYHQGHUXQWHOpIRQRPyYLOVHDFRPSDxDpVWHFRQODEDWHUtDKDUGZDUHHO0DQXDOGHIXQFLRQD
PLHQWRVRIWZDUH \XQDH[SOLFDFLyQGHFyPRIXQFLRQDVHUYLFLR(QOD7DEODVHPXHVWUDQHMHP
SORVGHLQSXWV\RXWSXWVVHJ~QVHWUDWHGHXQSURGXFWRWDQJLEOHRGHXQDLQIRUPDFLyQ
*HVWLyQGHODFDOLGDG

7DEOD(MHPSORVGHWLSRVGHHQWUDGDV\VDOLGDVGHXQSURFHVR
UHODFLRQDGDVFRQSURGXFWRVWDQJLEOHV\FRQLQIRUPDFLyQ
7LSRGHHQWUDGDRVDOLGD
(MHPSORV
5HODFLRQDGDV FRQ SURGXFWRV 0DWHULDVSULPDV

WDQJLEOHV
3URGXFWRVLQWHUPHGLRV
3URGXFWRVILQDOHV
&DUDFWHUtVWLFDVGHOSURGXFWRREWHQLGDVGHXQDPXHVWUD
GHODSURGXFFLyQ
5HODFLRQDGDVFRQLQIRUPDFLyQ 5HTXLVLWRVGHOSURGXFWR
&DUDFWHUtVWLFDVGHOSURGXFWRHLQIRUPDFLyQGHVXHVWDGR
6RSRUWHGHOHVFRPXQLFDFLRQHV
5HDOLPHQWDFLyQGHODVSUHVWDFLRQHV\QHFHVLGDGHV
GHOSURGXFWR
0HGLGDVHIHFWXDGDVVREUHXQDPXHVWUDGHODSURGXFFLyQ
/DJHVWLyQEDVDGDHQORVSURFHVRV
&RPR\DKHPRVFRPHQWDGRODJHVWLyQGHODFDOLGDGHQODHPSUHVDDFWXDOVHEDVDHQORVSURFHVRV
HVGHFLUHQODLGHQWLILFDFLyQ\HOFRQWUROGHORVGLVWLQWRVSURFHVRVTXHDIHFWDQDODFDOLGDG(VWDRULHQ
WDFLyQUHFRJLGDHQODQRUPD,62URPSHFRQODWUDGLFLRQDOHVWUXFWXUDYHUWLFDOGHODRUJDQL]DFLyQ
SRUIXQFLRQHVSURSRQLHQGRXQDHVWUXFWXUDPiVGLQiPLFD \FRQPiVFRPXQLFDFLyQ /D LGHQWLILFDFLyQ
GHORVSURFHVRVSULQFLSDOHVVHSODVPDDYHFHVHQXQGRFXPHQWRHOPDSDGHSURFHVRVGHODHPSUH
VD(QHOPDSDGHSURFHVRVVHUHSUHVHQWDQJUiILFDPHQWHORVGLVWLQWRVSURFHVRVSULQFLSDOHVGHODHP
SUHVD\ODVUHODFLRQHVHQWUHHOORV
8QDIRUPDGHFODVLILFDUORVSURFHVRVGHXQDHPSUHVDHVGLYLGLUORVHQWUHVJUXSRVVHJ~QVXIXQFLyQHQ
ODHPSUHVD\VXHIHFWRVREUHHOFOLHQWHH[WHUQR$VtGLVWLQJXLPRVHQWUH
x
/RVSURFHVRVRSHUDWLYRVOLJDGRVD ORVIOXMRVGHPDWHULDO \GHLQIRUPDFLyQFRQLPSDFWRGLUHFWR

VREUHHOFOLHQWH(QXQDHPSUHVDLQGXVWULDOVXHOHQVHUORVGH FRPSUDVYHQWDV\SURGXFFLyQ(Q
XQDRUJDQL]DFLyQGHVHUYLFLRVSRUHMHPSORHOGHDWHQFLyQDOFOLHQWH
x
/RVSURFHVRVGHVRSRUWHTXHQRHVWiQQHFHVDULDPHQWHOLJDGRVDOIOXMRGHPDWHULDOSHURUHVXO
WDQ QHFHVDULRV SDUD HO IXQFLRQDPLHQWR VDWLVIDFWRULR GH ORV RSHUDWLYRV (MHPSORV GH SURFHVRV GH
VRSRUWH SRGUtDQ VHU HO GH IRUPDFLyQ GHO SHUVRQDO R HO GH PDQWHQLPLHQWR GH ORV HTXLSRV GH SUR
GXFFLyQ
x
/RVSURFHVRVHVWUDWpJLFRVTXH SURSRUFLRQDQGLUHFWULFHVD ORV GHPiV6RQSURFHVRVHVWUDWpJL

FRVSRUHMHPSORHOGHPDUNHWLQJRHOGHSODQLILFDFLyQGHODFDOLGDG
/D ILJXUD HV XQ HVTXHPD GH XQD RUJDQL]DFLyQ LQGXVWULDO HVWUXFWXUDGD SRU SURFHVRV 6H WUDWD GH
XQD HPSUHVDGHOVHFWRUGHDXWRPRFLyQ TXHVXPLQLVWUDFRPSRQHQWHV DGLIHUHQWHVIDEULFDQWHVGHFR
FKHV/DSDUWHVXSHULRUFRUUHVSRQGHDORVSURFHVRVHVWUDWpJLFRVODSDUWHFHQWUDODORVRSHUDWLYRV\OD
LQIHULRUDORVGHVRSRUWH/RVH[SHUWRVDFRQVHMDQ TXHHOPDSD GHSURFHVRVGHXQDHPSUHVDVHDOR
PiVVLPSOHSRVLEOHGHDSURFHVRVGHSHQGLHQGRGHODPDJQLWXG\ODFRPSOHMLGDGGHODHPSUH
VD\TXHVHGHVJORVHQORVSURFHVRVSULQFLSDOHVPHGLDQWHKHUUDPLHQWDVFRPRHOOHQJXDMHGHGHILQL
FLyQLQWHJUDGD,'()TXHSHUPLWHDVXYH]GHVFRPSRQHUORVSURFHVRVHQVXESURFHVRV/DUH
SUHVHQWDFLyQJUiILFDEDVDGDHQDO,'()OpDVHLGHIFHURSHUPLWHDQDOL]DU\RGLVHxDUVLVWHPDVGH
JUDQFRPSOHMLGDG(OPpWRGR,'()QDFHDSDUWLUGHXQDPRGLILFDFLyQGHOVLVWHPD6$'76WUXFWXUHG

$QDO\VLV DQG 'HVLJQ 7HFKQLTXH GH OD )XHU]D $pUHD GH ((88 SXEOLFDGR HQ MXQLR GH &RQ HO
WLHPSRHVWHPRGHORVHKDFRQYHUWLGRHQODQRUPDSDUDODUHSUHVHQWDFLyQODGHILQLFLyQHODQiOLVLV\OD
HVWUXFWXUDFLyQ GHO VLVWHPD HQ OD )XHU]D $pUHD \ OD 1$6$ 0iV DGHODQWH YHUHPRV DOJXQRV GH HVWRV
GLDJUDPDV

)LJXUD0DSDGHSURFHVRVGHXQIDEULFDQWHGHFRPSRQHQWHVGHDXWRPRFLyQ

&DEH WDPELpQ UHVDOWDU TXH HQ ORV VLVWHPDV GH JHVWLyQ HPSUHVDULDO (53 (QWHUSULVH 5HVRXUFH 3ODQ
QLQJPX\H[WHQGLGRVDFWXDOPHQWHHQODVRUJDQL]DFLRQHVJUDQGHVHVQHFHVDULRGHILQLUODHVWUXFWXUD
GHODHPSUHVDPHGLDQWHXQPDSDGHSURFHVRV(VWRVVLVWHPDVVXUJLGRVDSULQFLSLRVGHORVDxRV
KDQWHQLGRJUDQGLIXVLyQHQHVWRV~OWLPRVDxRV(QWUHORVSURJUDPDVLQIRUPiWLFRVGHVRSRUWHGHVWDFD
6$35TXHDFDSDUDODPD\RUSDUWHGHODVLPSODQWDFLRQHVGHWRGRHOPXQGR
/RVSUHFXUVRUHVGHORVVLVWHPDV(53VRQORVVLVWHPDV0530DWHULDOV5HTXLUHPHQWV3ODQQLQJTXH
VRQVLVWHPDVGHSODQLILFDFLyQGHODSURGXFFLyQTXHDSDUWLUGHODSUHYLVLyQGHYHQWDVGHORVQLYHOHV
GHVWRFNV \ GHOD LQIRUPDFLyQVREUHORVPDWHULDOHVQHFHVDULRVSDUDIDEULFDUFDGDSURGXFWRJHQHUDQ
ODVyUGHQHVGHFRPSUD\GHIDEULFDFLyQ(QHOVLVWHPD053SURSLDPHQWHGLFKRVHSODQLILFDODFRPSUD
GH ORV PDWHULDOHV QHFHVDULRV SDUD OD SURGXFFLyQ SHUR QR OD FDSDFLGDG GH SURGXFFLyQ 'HO 053 VH
SDVyDO053,,HQHOTXHQRVyORVHSODQLILFDQODVFRPSUDVVLQRWDPELpQODGLVSRQLELOLGDGGHORVUH
FXUVRVQHFHVDULRVSDUDJDUDQWL]DUODFDSDFLGDGQHFHVDULDSDUDFXPSOLUORVSODQHVGHSURGXFFLyQ/RV
SXQWRVPiVLPSRUWDQWHVTXHGHEHQWHQHUVHHQFXHQWDDOSRQHUHQPDUFKDXQVLVWHPD053VRQ
*HVWLyQGHODFDOLGDG

x
/DQHFHVLGDGGHTXHODLQIRUPDFLyQTXHDOLPHQWDHOVLVWHPDVHDORPiVH[DFWDSRVLEOH
x
/D QHFHVLGDG GH UHFXUVRV LQIRUPiWLFRV SDUD DOPDFHQDU \ SURFHVDU OD LQIRUPDFLyQ 3DTXHWHV GH
VRIWZDUHGHJHVWLyQFRPR%3&6R6$3VRQWtSLFRVGHORVVLVWHPDV053
8QDRUJDQL]DFLyQRULHQWDGDDORVSURFHVRVFDPELDVXHVWUXFWXUDMHUiUTXLFDSRURWUDSODQDDOUHGHGRU
GHVXVSURFHVRVFRPRVHSXHGHREVHUYDUHQODILJXUDTXHPXHVWUDHOIOXMRGHWUDEDMRDWUDYpVGH
ODRUJDQL]DFLyQ(QODILJXUDVHPXHVWUDQODVGLIHUHQFLDVHQWUHODHVWUXFWXUDIXQFLRQDOYHUWLFDOGH
XQDRUJDQL]DFLyQ\ODRULHQWDGDDORVSURFHVRVKRUL]RQWDO/DVHVWUXFWXUDVIXQFLRQDOHVSHUVSHFWLYD
YHUWLFDOVHRUJDQL]DQDOUHGHGRUGHODVIXQFLRQHVFRQORTXHVHSXHGHQSHUGHUGHYLVWDORVFOLHQWHV
FUHDQGRXQDLVODPLHQWRHQWUHODVGLVWLQWDVIXQFLRQHVFRQYDFtRVHQWUHHOODVGLILFXOWDQGRHOWUDWDPLHQWR
GHORVWHPDVLQWHUIXQFLRQDOHV

)LJXUD/DVGRVYLVLRQHVGHODHVWUXFWXUDRUJDQL]DWLYDGHXQDHPSUHVD

/DQRUPD,62VXJLHUHXQ HQIRTXHEDVDGRHQORVSURFHVRVLQGLFDQGRTXHXQDRUJDQL]DFLyQ
QHFHVLWD LGHQWLILFDURUJDQL]DU \JHVWLRQDUODUHGGH SURFHVRV \VXVLQWHUIDFHV \UHFRPLHQGDTXH ORV
SURFHVRVHVWpQVXMHWRVDDQiOLVLV\PHMRUDFRQWLQXDEDVDGRVHQHYLGHQFLDVREMHWLYDV/DYLVLyQ,62
DFWXDOHVXQUHIOHMRGHODLPSRUWDQFLDTXH~OWLPDPHQWHVHGDDODLGHQWLILFDFLyQODJHVWLyQ\ODPHMRUD
GHORVSURFHVRVGHODHPSUHVDY'DYHQSRUW+DPPHU\+DUULQJWRQ
(QODJHVWLyQSRUSURFHVRVUHVXOWD~WLOODILJXUDGHOSURSLHWDULRGHOSURFHVRTXHSHUPLWHGHILQLUPHMRU
ODVLQWHUIDFHV\ODVUHVSRQVDELOLGDGHVHVSHFLDOPHQWHHQSURFHVRVDPSOLRV\TXHFRPSUHQGHQGLVWLQ
WDVIXQFLRQHV7DPELpQVRQ~WLOHVORVGLDJUDPDVGHIOXMRTXHVRQUHSUHVHQWDFLRQHVJUiILFDVGHORV
SURFHVRV+D\GLVWLQWRVWLSRVGHGLDJUDPDGHIOXMR$OJXQRVWLHQHQXQDHVWUXFWXUDVHFXHQFLDO\PXHV
WUDQHOIOXMRGHPDWHULDOHVRGHLQIRUPDFLyQGHXQVXESURFHVRDRWURY)LJXUDV \PLHQWUDV

TXHRWURVY)LJXUDVPXHVWUDQORVLQSXWVORVRXWSXWVODVGLUHFWULFHV\ORVUHFXUVRVQHFHVD

ULRV(QHVWHFDStWXORXVDUHPRVORVGLDJUDPDVGHIOXMRHQODGHVFULSFLyQGHDOJXQRVGHORVSURFHVRV
GHXQDHPSUHVDLQGXVWULDOEDViQGRQRVHQHOHVTXHPDVLJXLHQWH
x
7tWXORGHOSURFHVR
x
3URSyVLWR
x
3URSLHWDULR
x
,QSXWV
x
2XWSXWV
x
3URYHHGRUHV
x
&OLHQWHV
x
5HFXUVRVQHFHVDULRV
x
'LUHFWULFHVSDUDODJHVWLyQGHOSURFHVR
x
,QGLFDGRUHVGHHILFDFLD\GHHILFLHQFLD
/DSODQLILFDFLyQGHODFDOLGDG
(O SURSyVLWR GH OD SODQLILFDFLyQ GH OD FDOLGDG HV GHILQLU \ FRRUGLQDU ODV DFWLYLGDGHV QHFHVDULDV SDUD
DOFDQ]DU ORV REMHWLYRV GH FDOLGDG 8QD GH HOODV HV HVWDEOHFHU ODV HVSHFLILFDFLRQHV GH ORV SURFHVRV
RSHUDWLYRV\ORVUHFXUVRVUHODFLRQDGRVFRQHOORV/DGLUHFFLyQGHODHPSUHVDGHEHGHILQLU\GRFXPHQ
WDUODIRUPDHQTXHVHDVHJXUDHOFXPSOLPLHQWRGHORVUHTXLVLWRVGHFDOLGDGSDUDORVSURGXFWRV\ORV
VHUYLFLRV\SURFHVRVUHODFLRQDGRVFRQHOORV
/DSODQLILFDFLyQVHKDGHRULHQWDUGHIRUPDTXHVHFXPSODQORVUHTXLVLWRVGHWRGRVODVSDUWHVLQWHUH
VDGDVWHQLHQGRHQFXHQWDWRGRVORVDVSHFWRVTXHOHVDIHFWDQ3RUHMHPSORHQHOGLVHxRGHXQSUR
GXFWRQXHYRFXDQGR\DVHKDGHWHUPLQDGRFyPRKDGHVHUHOSURGXFWRVHSODQWHDQFXHVWLRQHVFR
PR
x
'yQGH REWHQHU ODV PDWHULDV SULPDV FyPR FRQWURODUODV \ VL KDFHQ IDOWD VHUYLFLRV VXEFRQWUDWDGRV
UHTXLVLWRVGHORVSURYHHGRUHV
x
4XpSURFHVRVSURGXFWLYRVGHEHQSRQHUVHHQPDUFKD\FXiOHVVRQODVWpFQLFDVPpWRGRV\HTXL
SRVQHFHVDULRVUHTXLVLWRVGHIDEULFDFLyQ
x
&yPRRUJDQL]DUHOFRQWUROGHORVQXHYRVSURFHVRVGHIDEULFDFLyQODVYHULILFDFLRQHVGHODVFDUDF
WHUtVWLFDVGHOSURGXFWR\GHORVSDUiPHWURVGHSURFHVR
x
&RQTXpHTXLSRV\PpWRGRVVHKDUiQODVYHULILFDFLRQHVUHTXLVLWRVGHORVFOLHQWHV
x
4XpIRUPDFLyQGHEHWHQHUHO SHUVRQDO TXHLQWHUYHQGUiHQODIDEULFDFLyQGHO QXHYR SURGXFWRUH

TXLVLWRVGHOSHUVRQDO
x
&yPR RUJDQL]DU OD HPSUHVD SDUD FRRUGLQDU ODV RSHUDFLRQHV UHODFLRQDGDV FRQ OD IDEULFDFLyQ GHO
SURGXFWRGHVGHODDFHSWDFLyQGHOSHGLGRKDVWDODH[SHGLFLyQDOFOLHQWHGHPRGRTXHVHFXPSODQ
VXVUHTXLVLWRV\VHREWHQJDQEHQHILFLRVUHTXLVLWRVGHODSURSLHGDG
x
&yPRUHDOL]DUORVFDPELRVGHIRUPDFRQWURODGDGHPRGRTXHOD LQWHJULGDGGHOVLVWHPDVHPDQ
WHQJDGXUDQWHHOORV
*HVWLyQGHODFDOLGDG

6L VH FRQVLGHUD OD SODQLILFDFLyQ FRPR XQ SURFHVR TXH WUDQVIRUPD LQSXWV HQ RXWSXWV DOJXQRV GH ORV
LQSXWVSULQFLSDOHVSRGUtDQVHU
x
/DVQHFHVLGDGHV\H[SHFWDWLYDVGHODVSDUWHVLQWHUHVDGDV
x
(OUHVXOWDGRGHORVSURGXFWRV\DH[LVWHQWHV
x
(OFDSDFLGDG\HOUHQGLPLHQWRGHORVSURFHVRVGHOVLVWHPDGHJHVWLyQGHODFDOLGDG
x
/DVRSRUWXQLGDGHVGHPHMRUD
x
/DHYDOXDFLyQ\SUHYHQFLyQGHULHVJRV
/RVUHVXOWDGRVGHODSODQLILFDFLyQGHODFDOLGDGGHODHPSUHVDGHEHUtDQGHILQLUORVSURFHVRVGHUHDOL
]DFLyQGHOSURGXFWR\GHVRSRUWHGHIRUPDTXHVHSXHGDQLGHQWLILFDU
x
/DVSHUVRQDVTXHLQWHUYHQGUiQHQHOORVSDUDTXHWHQJDQODSUHSDUDFLyQVXILFLHQWH
x
/RVSURFHVRVRSHUDWLYRV
x
/RVSODQHVGHPDQWHQLPLHQWRGHODVPiTXLQDVTXHLQWHUYLHQHQHQHVWRVSURFHVRV
x
/RVSODQHVGHPHMRUDGHODFDOLGDGODVSHUVRQDVUHVSRQVDEOHVORVPpWRGRV\ODVKHUUDPLHQWDV
QHFHVDULDV
x
/RVUHFXUVRVILQDQFLHURV\GHLQIUDHVWUXFWXUDHTXLSRVPDWHULDOHVVRIWZDUHHWF
x
/DGRFXPHQWDFLyQ\ORVUHJLVWURVQHFHVDULRV
$SDUWLUGHHVWRVUHVXOWDGRVODHPSUHVDKDGHLGHQWLILFDU\JHVWLRQDUODVHFXHQFLDHLQWHUDFFLyQGHORV
SURFHVRV TXH DIHFWHQ D OD FDOLGDG GHO SURGXFWR (VWR JDUDQWL]DUi TXH ORV SURFHVRV GH OD HPSUHVD
HVWpQFRQWURODGRV\VHDQWHQLGRVHQFXHQWDWDQWRHQODSROtWLFDFRPRHQORVREMHWLYRVGHFDOLGDG
3DUDTXHORVSURFHVRVRSHUDWLYRVVHDQHILFDFHV\FRQVLVWHQWHVHV~WLOHVWDEOHFHUHQODSODQLILFDFLyQ
x
/RVSDUiPHWURVVLJQLILFDWLYRVGHORVSURFHVRVTXHDIHFWDQDODVFDUDFWHUtVWLFDVGHORVSURGXFWRVR
VHUYLFLRV
x
/RVPpWRGRVXVDGRVSDUDFRQWURODUORVSURFHVRVUHODFLRQDGRVFRQODFDOLGDG
x
&XDQGR FRUUHVSRQGD ODV QRUPDV \ ORV PDQXDOHV GH IXQFLRQDPLHQWR UHODFLRQDGRV FRQ SURFHVRV
SDUWLFXODUHV
x
/DVPHGLFLRQHV\UHJLVWURV
/D FDOLGDG GH FXDOTXLHU SURGXFWR HVWi FRQGLFLRQDGD SRU VX GLVHxR 3RU HOOR HO SURFHVR GH GLVHxR \
GHVDUUROORHVXQHOHPHQWRIXQGDPHQWDOGHOVLVWHPDGHFDOLGDG(OLQSXWGHOSURFHVRGHGLVHxRSXHGH
VHUXQDSURSXHVWDGHXQSURGXFWRQXHYRKHFKDSRUXQFOLHQWHRXQDLGHDREWHQLGDGHXQHVWXGLRGH
PHUFDGR 1RUPDOPHQWH HO RXWSXW VH PDWHULDOL]D HQ XQ GRFXPHQWR XQ SUR\HFWR TXH VHUYLUi SDUD
IDEULFDUHOSURGXFWRRSUHVWDUXQVHUYLFLR8QDVHFXHQFLDJHQpULFDGHOSURFHVRGHGLVHxRGHQXHYRV
SURGXFWRVSRGUtDVHUODGHODILJXUD
&RPRHVLPSRUWDQWHTXHORVLQSXWVGHOSURFHVRGHGLVHxRHVWpQELHQGHILQLGRV\VHDQFRPSOHWRVOD
QRUPD,62H[LJHTXHVHHVWDEOH]FDGHDQWHPDQRODIRUPDHQTXHVHUHFRJHUiQ\GRFXPHQWDUiQ
ORVGDWRVGHSDUWLGD'HEHWHQHUVHHQFXHQWDTXHVLHVWRVGDWRVSURYLHQHQGHOFOLHQWHORPiVQRUPDO
HVTXHUHIOHMHQVXVH[SHFWDWLYDV\DOJXQDVUHVWULFFLRQHVWpFQLFDVROHJDOHV3RUWDQWRVHUiWDUHDGHOD

HPSUHVDH[SHUWDHQHOSURGXFWRGHWHUPLQDUORVUHTXLVLWRVTXHKDGHFXPSOLUHOSURGXFWR&XDQGRVH

WUDWDGHELHQHVGHFRQVXPRHOLQSXWGHOGLVHxRVXHOHVHUXQHVWXGLRGHPHUFDGRPiVRPHQRVIRUPDO
\FRPSOHWR6HJ~QODLPSRUWDQFLDGHOSUR\HFWRODHPSUHVDKDGHGHFLGLUHOULJRUTXHWHQGUiHOHVWXGLR
/DSODQLILFDFLyQGHOSURFHVRGHGLVHxR\GHVDUUROORGHEHHVWDEOHFHUODVHFXHQFLDGHIDVHVTXHSRGUtD
VHU
x
)DVH,SODQLILFDFLyQGHOSURGXFWR
x
)DVH,,GHVDUUROORGHORVFRPSRQHQWHV
x
)DVH,,,GHVDUUROORGHOSURFHVRGHSURGXFFLyQ
x
)DVH,9SODQLILFDFLyQGHODSURGXFFLyQ
$ILQGHTXHHOSURGXFWRGLVHxDGRFXPSODORVUHTXLVLWRVGHOFOLHQWHVHGHEHOOHYDUDFDERGXUDQWHHO
SHUtRGRGHGLVHxRXQDVHULHGHUHYLVLRQHV&XDQWRPiVODUJR\FRPSOHMRVHDHOSUR\HFWRPiVQHFH
VDULDVVHUiQODVUHYLVLRQHV(QHOODVVHUHSDVDHOFXPSOLPLHQWRGHORVREMHWLYRVSODQLILFDGRV\VHHIHF
W~DQYHULILFDFLRQHVGHORVUHTXLVLWRVHVWDEOHFLGRVSDUDHOGLVHxRHQHVDHWDSD&XDQGRHOREMHWRGHOD
YHULILFDFLyQ HV OD IXQFLRQDOLGDG GHO SURGXFWR R SURFHVR HV GHFLU VX DGHFXDFLyQ SDUD OD DSOLFDFLyQ
SUHYLVWDVHGHQRPLQDYDOLGDFLyQ(QODPD\RUtDGHPRGHORVGHDVHJXUDPLHQWRGHODFDOLGDGVHSUH
YpXQDYDOLGDFLyQILQDOSRUORPHQRVGHOSURGXFWR

)LJXUD(VTXHPDVHFXHQFLDOGHOSURFHVRGHGLVHxR
*HVWLyQGHODFDOLGDG

(QFLHUWRVVHFWRUHVLQGXVWULDOHVH[LVWHQ GLUHFWULFHVPiVSUHFLVDVVREUH ODIRUPDGHOOHYDU DFDER ODV

YDOLGDFLRQHV/DVWpFQLFDVHVWDGtVWLFDVGHFRQWUROGHSURFHVRFRPRORVJUiILFRVGHFRQWURO\ORVHVWX
GLRVGHFDSDFLGDGGHSURFHVRY0yGXORVHSXHGHQXVDUSDUDYHULILFDU\YDOLGDUHOSURFHVRGHSUR
GXFFLyQ(QHOPRGHOR46GHOVHFWRUGHDXWRPRFLyQY$343VHGHWDOODODIRUPDHQTXHGHEHQ
YDOLGDUVH HO GLVHxR GHO SURGXFWR \ GHO SURFHVR GH SURGXFFLyQ VHULH SLORWR HVWXGLRV GH FDSDFLGDG
HWF(QHOVHFWRUIDUPDFpXWLFRLQIOXLGRSRUODVJXtDVGHOD)'$ODH[SUHVLyQYDOLGDFLyQGHOSURFHVR
WLHQHXQVLJQLILFDGRPX\SUHFLVRH[LVWLHQGRXQDJXtDHVSHFtILFDYKWWSZZZIGDJRY
6HKDPHQFLRQDGRODLPSRUWDQFLDGHORVGDWRVGHSDUWLGDVHDQYiOLGRV\VXILFLHQWHV3DUDHOORGHEHQ
LGHQWLILFDUVHORVLQSXWVGHOSURFHVRGHGLVHxR$OJXQRVHMHPSORVVHUtDQ
x
,QSXWV LQWHUQRV QRUPDV \ HVSHFLILFDFLRQHV FDSDFLGDG GHO SHUVRQDO UHTXLVLWRV GH VHJXULGDG GH
IXQFLRQDPLHQWRLQIRUPDFLyQVREUHSURGXFWRV\DH[LVWHQWHV\RXWSXWVGHRWURVSURFHVRV
x
,QSXWVH[WHUQRVQHFHVLGDGHV\H[SHFWDWLYDVGHOFOLHQWHRGHOPHUFDGRHVSHFLILFDFLRQHVGHOSUR
GXFWR \SOD]RVGHHQWUHJDHVWDEOHFLGRVSRUORVFOLHQWHVUHTXLVLWRVOHJDOHV \UHJODPHQWDULRVUHOH
YDQWHVQRUPDVQDFLRQDOHVRLQWHUQDFLRQDOHV\PDQXDOHVGHIXQFLRQDPLHQWRGHODLQGXVWULD
x
2WURVLQSXWVTXHLGHQWLILFDQDVSHFWRVGHOSURGXFWRRSURFHVRTXHVRQFUXFLDOHVSDUDODVHJXULGDG
\HOIXQFLRQDPLHQWRFRPRHOPDQXDOGHRSHUDFLRQHVODVLQVWUXFFLRQHVGHLQVWDODFLyQ\IXQFLRQD
PLHQWR\ODVFRQGLFLRQHVGHPDQLSXODFLyQ\FRQVHUYDFLyQ
x
3DUiPHWURVItVLFRV\DPELHQWDOHV
(QHOGLVHxR\GHVDUUROORGHQXHYRVSURGXFWRVORVUHTXLVLWRVGHOXVXDULRILQDODVtFRPRORVGHOFOLHQWH
GLUHFWR KDQ GHVHULGHQWLILFDGRV \GRFXPHQWDGRV(VWRVUHTXLVLWRVGHEHUtDQIRUPXODUVHGHWDOIRUPD
TXHHOSURGXFWRSXHGDSUREDUVHHIHFWLYDPHQWHDWUDYpVGHODYDOLGDFLyQ/RVUHVXOWDGRVGHFDGDIDVH
GHO SURFHVR GHEHUtDQ LQFOXLU OD LQIRUPDFLyQ QHFHVDULD SDUD OD YHULILFDFLyQ GH ORV UHTXLVLWRV SODQLILFD
GRV$OJXQRVHMHPSORVSRGUtDQVHUORVOtPLWHVGHWROHUDQFLDSDUDODVFDUDFWHUtVWLFDVPHGLEOHVGHOSUR
GXFWRORVUHTXLVLWRVGHIRUPDFLyQGHOSHUVRQDOORVPpWRGRVGHWUDEDMRORVUHTXLVLWRVGHFRPSUD\ORV
FULWHULRVGHDFHSWDFLyQSDUDORVPDWHULDOHVXVDGRVHQODIDEULFDFLyQGHOSURGXFWR
'HEHQLGHQWLILFDUVH\HYDOXDUVHORVSRVLEOHVIDOORVGHORVQXHYRVSURGXFWRVRSURFHVRVDQWHVGHVHU
LPSODQWDGRVGHIRUPDTXHXQRGHORVRXWSXWVGHOSURFHVRGHGLVHxR\GHVDUUROORVHDSODQLILFDUHOOH
YDUDFDERDFFLRQHVSUHYHQWLYDV3DUDLGHQWLILFDU\HYDOXDUORVSRVLEOHVIDOORVGHOSURGXFWRRSURFHVR
GHIDEULFDFLyQHQODIDVHGHGLVHxR\GHVDUUROORVHSXHGHQXVDUWpFQLFDVFRPRHODQiOLVLVGHPRGRV
GH IDOORV \ VXV HIHFWRV $0)( HO DQiOLVLV PHGLDQWH iUEROHV GH IDOOR )7$ X RWUDV WpFQLFDV GH
ILDELOLGDGGHVLVWHPDVDVtFRPRPpWRGRVGHVLPXODFLyQ
(O$0)(HQLQJOpV)0($)DLOXUH0RGHDQG(IIHFW$QDO\VLVHVXQPpWRGRGHDQiOLVLVGHODVHJXUL
GDGGHIXQFLRQDPLHQWRGHXQVLVWHPDXQDPiTXLQDXQVLVWHPDGHVHJXULGDGXQHTXLSRHOHFWUyQLFR
GHFRQVXPRHWF(O$0)(FRQVLGHUDWRGRVORVPRGRVGHIDOORSRWHQFLDOHVGHOVLVWHPDDQDOL]DQGR
VXVFDXVDV\VXVHIHFWRVVREUHHOXVXDULRRFOLHQWH/DVGLVWLQWDVRULHQWDFLRQHVGHO$0)(UHVXOWDQGHO
SXQWRGHYLVWDEDMRHOTXHVHHYDO~DQORVHIHFWRVFDOLGDGVHJXULGDGPHGLRDPELHQWHHWF([LVWHQ
GLIHUHQWHVIRUPDWRVSDUDHO$0)(/RVPiVSRSXODUHVHQODLQGXVWULDHVSDxRODVRQORVGH)RUG0RWRU
&RPSDQ\TXHVHSXHGHQKDOODUHQXQRGHORVPDQXDOHVGHODQRUPD46Y)0($(Q
JHQHUDOHQWRGRVHOORVORVGLIHUHQWHVPRGRVGHIDOORVRQSULRUL]DGRVHQIXQFLyQGHVXSUREDELOLGDGGH
DSDULFLyQGHODFDSDFLGDGGHGHWHFWDUORV\GHODJUDYHGDGGHVXVHIHFWRVDILQGHDGRSWDUPHGLGDV
FRUUHFWLYDVSDUDORVSULQFLSDOHV(OPDQXDO)0($SUHVHQWDIRUPDWRVSDUDHO$0)(GHOGLVHxR\SDUD
HOGHOSURFHVRFX\RXVRHVREOLJDGRHQHOFRQWH[WRGHODQRUPD46
(O DQiOLVLV GH ULHVJRV \ FRQWURO GH SXQWRV FUtWLFRV DEUHYLDGDPHQWH $5&3& HQ LQJOpV +$&&3
KD]DUGDQDO\VLVDQGFULWLFDOFRQWUROSRLQWHVXQPpWRGRGHDQiOLVLVGHORVIDOORVGHXQSURFHVRDQiOR
JRDO $0)( (VPX\ XVDGRHQODLQGXVWULDDOLPHQWDUtDHQFLHUWRVFDVRVSRULPSHUDWLYROHJDOHQOD

WHUPLQRORJtDXVDGDHQHO%2(VHGHQRPLQD$33&&DQiOLVLVGHSHOLJURV\SXQWRVFUtWLFRVGHFRQWURO
(O $5&3& VH EDVD HQ OD LGHQWLILFDFLyQ GH ORV SXQWRV GH ORV SURFHVRV GH SURGXFFLyQ \ GLVWULEXFLyQ
GRQGH VH SXHGH SURGXFLU XQD FRQWDPLQDFLyQ GHO SURGXFWR HQ HO FRQWURO GH ODV GHVYLDFLRQHV GH ORV
SDUiPHWURVGHOSURFHVR\HQODVPHGLGDVSUHYHQWLYDVY)$2:+2&RGH[$OLPHQWDULXV
(O )7$ )DLOXUH 7UHH $QDO\VLV HV XQ PpWRGR GH DQiOLVLV GH OD VHJXULGDG GH IXQFLRQDPLHQWR GH XQ
VLVWHPD XQD PiTXLQD XQ VLVWHPD GH VHJXULGDG XQ HTXLSR HOHFWUyQLFR GH FRQVXPR HWF (O )7$
SDUWHGHOIDOORWDOFRPRORSHUFLEH HOXVXDULR \SURFHGHGHGXFWLYDPHQWHKDVWD KDOODUODV FDXVDVSUL
PDULDVHVGHFLUODVTXHQRVHH[SOLFDQSRURWUDFDXVDPDWHULDOL]iQGRVHHQXQJUiILFRDUERUHVFHQWH
TXH VH UDPLILFD D PHGLGD TXH VH SURJUHVD HQ HO DQiOLVLV (Q HVWRV JUiILFRV VH XVDQ XQRV VtPERORV
OyJLFRV QRUPDOL]DGRV SDUD GHVLJQDU ORV GLVWLQWRV VXFHVRV TXH SXHGHQ GDUVH \ ODV FRQH[LRQHV HQWUH
HOORVY*yPH]\&DQHOD
(QHOSURFHVRGHGLVHxRVHGHEHQWHQHUHQFXHQWDHOFLFORGHYLGDODVHJXULGDGODVHJXULGDGGHIXQ
FLRQDPLHQWRODGXUDELOLGDGODIDFLOLGDGGHPDQWHQLPLHQWRODHUJRQRPtD\HOPHGLRDPELHQWH5$06
HVXQDFUyQLPRGHILDELOLGDGGLVSRQLELOLGDGPDQWHQLELOLGDG\VHJXULGDG5HOLDELOLW\$YDLODELOLW\0DLQ
WDLQDELOLW\DQG6HFXULW$ODQiOLVLV5$06\ODVPHMRUDVTXHGHpOVHGHULYHQVRQH[LJLGDVDYHFHVD
ORVSURYHHGRUHVGHHTXLSRVSDUDUHGXFLUORVFRVWHVIXWXURVGHPDQWHQLPLHQWR/DVKHUUDPLHQWDVWtSL
FDVGHODQiOLVLV5$06VRQHO$0)(HO)7$ORVPpWRGRVGHSUHGLFFLyQGHODILDELOLGDG\HODQiOLVLVGH
PDQWHQLELOLGDG
(QHOSURFHVRGHGLVHxRHVPX\LPSRUWDQWHXQDFRODERUDFLyQHVWUHFKDHQWUHWRGRVORVGHSDUWDPHQWRV
TXH LQWHUYLHQHQ /D LQJHQLHUtD VLPXOWiQHD Y %DUED HV XQD WpFQLFD TXH FRQVLVWH HQ
WUDEDMDUHQSDUDOHORHQODSODQLILFDFLyQGHOSURGXFWR\HQODGHOSURFHVRGHSURGXFFLyQDILQGHDFRUWDU
ODHWDSDGHGLVHxR
3DUDPHMRUDUHOGLVHxRGHOSURGXFWRSXHGHQXWLOL]DUVHPDWULFHV4)'4XDOLW$XQFWLRQ'HSOR\PHQW
6HWUDWDGHXQDVPDWULFHVRWDEODVTXHVHSXHGHQXVDUHQODVGLVWLQWDVHWDSDVGHOSUR\HFWRHQFX\D
HODERUDFLyQ LQWHUYLHQHQ GLVWLQWRV GHSDUWDPHQWRV GH OD HPSUHVD 3DUD YHU DOJ~Q HMHPSOR GH WpFQLFD
4)'VHSXHGHFRQVXOWDU5RWJHU\&DQHOD\SDUDREWHQHUXQDLQIRUPDFLyQPiVFRPSOHWD.LQJ
R$NDR
(OGLVHxRUREXVWRGHPRGDHQORVDxRVIXHLQWURGXFLGRHQ-DSyQSRU*7DJXFKL6HDSR\DHQ
ODVWpFQLFDVHVWDGtVWLFDVGHGLVHxRGHH[SHULPHQWRVGLVWLQJXLHQGRHQWUHORVSDUiPHWURVGHFRQWURO
TXHVRQDTXHOORVFX\RYDORUVHSXHGHFRQWURODU\ORVSDUiPHWURVGHUXLGRVREUHORVTXHQRVHSXH
GHDFWXDU6XREMHWRHVKDOODUORVYDORUHVGHORVSDUiPHWURVGHFRQWUROSDUDORVFXDOHVODLQIOXHQFLDGH
ORVSDUiPHWURVGHUXLGRHVPtQLPDGHIRUPDTXHHOSURGXFWRUHVXOWDQWHVHDSRFRVHQVLEOHDODVFRQ
GLFLRQHV GH WUDEDMR HV GHFLU TXH VHD UREXVWR 3DUD PiV LQIRUPDFLyQ VREUH HVWH WHPD VH SXHGHQ
FRQVXOWDU7DJXFKL7DJXFKL :X3DGNKH5RVVRWDPELpQ0RQWJRPHU\
TXHHVXQDH[FHOHQWHLQWURGXFFLyQDOGLVHxRGHH[SHULPHQWRV
(Q OD ILJXUD VH SUHVHQWD XQ GLDJUDPD JHQpULFR GHO SURFHVR GH GLVHxR GH XQ QXHYR SURFHVR GH
IDEULFDFLyQ GH XQD HPSUHVD GH FRPSRQHQWHV GHO VHFWRU GHO DXWRPyYLO $ FRQWLQXDFLyQ GDPRV XQD
GHVFULSFLyQGHOSURFHVRVLJXLHQGRODSDXWDGDGDPiVDUULED
7tWXOR'LVHxRGHQXHYRVSURFHVRVGHSURGXFFLyQ
3URSLHWDULR'LUHFWRUGHODHPSUHVDGLUHFWRUGH,'GLUHFWRUWpFQLFR
3URSyVLWR$SDUWLUGHOGLVHxRGHOSURGXFWRUHDOL]DUHOGLVHxRGHOSURFHVRSURGXFWLYRSRQHUHQPDUFKD
HOSURFHVR\UHDOL]DUODVPRGLILFDFLRQHV\DMXVWHVQHFHVDULRV
,QSXWV 'LVHxR GHO QXHYR SURGXFWR SURWRWLSR GHO QXHYR SURGXFWR UHTXLVLWRV HVSHFLILFDGRV SRU ORV
FOLHQWHVHQHOVHFWRUGHDXWRPRFLyQDPHQXGRHOFOLHQWHDSRUWDHOSODQRGHODSLH]DRHTXLSR\QH
FHVLGDGHVGHPRGLILFDFLyQ
*HVWLyQGHODFDOLGDG

2XWSXWV 'LUHFWULFHV GH IDEULFDFLyQ GLUHFWULFHV GH FDOLGDG PRGLILFDFLRQHV HIHFWXDGDV HQ HO SURFHVR
FRPXQLFDFLyQ GH ORV FDPELRV DO SHUVRQDO HVSHFLILFDFLRQHV GH FRPSUD GHPDWHULDOHV HVSHFLILFDFLyQ
GH ORV SDUiPHWURV GH SURGXFFLyQ WHPSHUDWXUD SUHVLyQ YHORFLGDG GH OD FLQWD WUDQVSRUWDGRUD HWF
SODQHVGHPDQWHQLPLHQWRUHTXLVLWRVGHORVHTXLSRVGHVHJXLPLHQWR\PHGLGD
5HFXUVRVQHFHVDULRV*HVWLyQGHOVLVWHPDGHLQIRUPDFLyQ6,JHVWLyQGHODVSHUVRQDVTXHLQWHUYLH
QHQ55++PDTXLQDULDHTXLSRVGHVHJXLPLHQWR\PHGLGD
'LUHFWULFHV'LUHFWULFHVHVWUDWpJLFDVSROtWLFDGHODHPSUHVDGH,'\GHOFOLHQWH
,QGLFDGRUHV7LHPSRGHVGHHOLQLFLRGHXQSUR\HFWRKDVWDVXLQGXVWULDOL]DFLyQQ~PHURGHPRGLILFDFLR
QHVUHDOL]DGDV
3URYHHGRUHV3UR\HFWRV,'FOLHQWHVSURYHHGRUHV
&OLHQWHV2WURVSURFHVRVGHODHPSUHVD\HOFOLHQWHH[WHUQR

)LJXUD'LVHxRGHQXHYRVSURFHVRVGHSURGXFFLyQ
HQXQSURYHHGRUGHFRPSRQHQWHVGHDXWRPRFLyQ


)LJXUD'HVFRPSRVLFLyQGHOGLVHxRGHQXHYRVSURFHVRVGHSURGXFFLyQ

(Q HVWDV QRWDV OODPDPRVJHQpULFDPHQWH RSHUDFLRQHV D ORV SURFHVRV GH SURGXFFLyQ UHFHSFLyQ GH
PDWHULDVSULPDVHPEDODMHDOPDFHQDPLHQWRFRQVHUYDFLyQ\HQWUHJD/DSURGXFFLyQQRVHGHEHFRQ
VLGHUDUDLVODGDPHQWHVLQRFRPRXQDHWDSDGHXQDVHFXHQFLDGHSURFHVRV/DILJXUDSRGUtDVHUHO
HVTXHPDGHODVRSHUDFLRQHVOLJDGDVDXQSURGXFWRGHVGHVXLQLFLRFXDQGRHOGHSDUWDPHQWRGHYHQ
WDVHPLWHXQSHGLGRTXH LPSOLFDXQDRUGHQGHIDEULFDFLyQFRQ ODVHWDSDVGHFRPSUDGHPDWHULDOHV
UHFHSFLyQSURGXFFLyQPRQWDMHLQVSHFFLyQDOPDFHQDPLHQWR\ILQDOPHQWHODGLVWULEXFLyQ(OREMHWLYR
GHODIDVHGHRSHUDFLRQHVHVREWHQHUXQSURGXFWRTXHFXPSODORVUHTXLVLWRVGHOFOLHQWHFRQHOPtQLPR
FRVWH3DUDHOORGHEHQLGHQWLILFDUVHORVUHTXLVLWRVGHODVRSHUDFLRQHV\DVHJXUDUVXFXPSOLPLHQWR$O
HVWDEOHFHUORVUHTXLVLWRVODHPSUHVDGHEHUHYLVDUVXFDSDFLGDGGHFXPSOLUORVUHTXLVLWRVODIRUPDFLyQ
\FRPSHWHQFLDGHOSHUVRQDOODFRPXQLFDFLyQ\ORVUHTXLVLWRVOHJLVODWLYRV\UHJODPHQWDULRVUHOHYDQWHV
(V LPSRUWDQWH TXH HQ FXDOTXLHU PRPHQWR SXHGD FRQRFHUVH HO HVWDGR GH ORV SURGXFWRV LQFOX\HQGR
VXVFRPSRQHQWHVORVUHTXLVLWRVGHOFRQWUDWRORVUHTXLVLWRVOHJLVODWLYRV\UHJODPHQWDULRVUHOHYDQWHVHO
XVRRDSOLFDFLyQSUHYLVWRV\ORVPDWHULDOHVSHOLJURVRV3DUDHOORVHKDGHHVWDEOHFHUXQSURFHVRSDUD
HOFRQWUROGHORVSURGXFWRVDVtFRPRODGRFXPHQWDFLyQQHFHVDULDSDUDODLGHQWLILFDFLyQ\WUD]DELOL
GDGGHORVSURGXFWRV
/DHPSUHVDGHEHHVWDEOHFHUSURFHVRVGHPDQHMRHPEDODMHDOPDFHQDPLHQWRFRQVHUYDFLyQ\HQWUH
JDSDUDSUHYHQLUHOGDxRHOGHWHULRURRHOPDOXVRGXUDQWHHOSURFHVDGRLQWHUQR\ODHQWUHJDGHOSUR
GXFWR$VLPLVPRKDGHLGHQWLILFDUORVUHFXUVRVQHFHVDULRVSDUDPDQWHQHUHOSURGXFWRHQFRQGLFLRQHV
ySWLPDVDORODUJRGHVXFLFORGHYLGDHLQIRUPDUDORVFOLHQWHVVREUHODVFRQGLFLRQHVGHFRQVHUYDFLyQ
*HVWLyQGHODFDOLGDG

$SDUWHGHOFXPSOLPLHQWRGHORVUHTXLVLWRVGHOFOLHQWHH[WHUQRVHUtDGHVHDEOHTXHODHPSUHVDREWXYLHUD
EHQHILFLRVSDUDODVSDUWHVLQWHUHVDGDVPHGLDQWHODPHMRUDGHORVSURFHVRVRSHUDWLYRV\ORVGHVRSRU
WH(VWRVEHQHILFLRVSRGUtDQVHUODUHGXFFLyQGHGHVSHUGLFLRVODIRUPDFLyQGHOSHUVRQDOODFRPXQLFD
FLyQ\HOUHJLVWURGHODLQIRUPDFLyQHOGHVDUUROORGHODFDSDFLGDGGHORVSURYHHGRUHVODPHMRUDGHODV
LQIUDHVWUXFWXUDV\ODSUHYHQFLyQGHSUREOHPDV
/RVHTXLSRVGHVHJXLPLHQWR\PHGLFLyQVHXVDQHQHOH[DPHQGHOUHVXOWDGRGHXQSURFHVRSDUDYHUL
ILFDUHOFXPSOLPLHQWRGHORVUHTXLVLWRVHVSHFLILFDGRV3DUDGDUFRQILDQ]DHQORVUHVXOWDGRVGHEHDVH
JXUDUVHTXHHVWRVHTXLSRVVHDQFDOLEUDGRV\PDQWHQLGRV(VLPSRUWDQWHHVWDEOHFHUORVSURFHVRVSDUD
DVHJXUDUTXHHOVHJXLPLHQWR\ODVPHGLFLRQHVSXHGDQUHDOL]DUVH\VHUHDOLFHQGHIRUPDFRKHUHQWHFRQ
ORV UHTXLVLWRV GH VHJXLPLHQWR \ PHGLFLyQ (VWR VLJQLILFD TXH OD PDJQLWXG GH ORV HUURUHV DVRFLDGRV D
ODVPHGLFLRQHVUHDOL]DGDVHQORVSURGXFWRV\SURFHVRVGHEHVHUFRQRFLGD\SHTXHxDIUHQWHDODWROH
UDQFLD(QHOPyGXORVHSUHVHQWDQORVPpWRGRVGHOFRQWUROGHORVSURFHVRVGHPHGLGD
(QODILJXUDVHSUHVHQWDXQGLDJUDPDGHIOXMRJHQpULFRGHO SURFHVRGHSURGXFFLyQTXHGHVFULEL
PRVDFRQWLQXDFLyQ
7tWXOR)DEULFDFLyQGHSURGXFWRV
3URSLHWDULR-HIHGHSURGXFFLyQ
3URSyVLWR)DEULFDUXQSURGXFWRTXHFXPSODORVUHTXLVLWRVGHFDOLGDGHVSHFLILFDGRVVLJXLHQGRHOSODQ
GHSURGXFFLyQ
,QSXWV2UGHQHVGHIDEULFDFLyQVXPLQLVWURGHPDWHULDOHVPDQWHQLPLHQWR
2XWSXWV3URGXFWRDFDEDGRSURGXFWRQRFRQIRUPHUHJLVWURVGHIDEULFDFLyQFXPSOLPLHQWRGHODSODQL
ILFDFLyQ
3URYHHGRUHV5HVSRQVDEOHGHODSODQLILFDFLyQGHODSURGXFFLyQDOPDFpQGHPDWHULDOHVGHSDUWDPHQWR
GHFRPSUDVGHSDUWDPHQWRGHPDQWHQLPLHQWR
&OLHQWHV([SHGLFLyQGHSURGXFWRVDOPDFpQGHSURGXFWRDFDEDGRHQFDUJDGRVGHOGHVSHUGLFLRFRQ
WUROGHODJHVWLyQFRQWUROGHVWRFNV

)LJXUD(VTXHPDJHQpULFRGHORVSURFHVRVGHXQSURGXFWR

QHQHQODSURGXFFLyQ55++FRQWUROGHORVHTXLSRVGHVHJXLPLHQWR\PHGLGDPDQWHQLPLHQWRGHODV
LQVWDODFLRQHVSURYHHGRUHVGHODPDTXLQDULD
'LUHFWULFHV3ODQGHSURGXFFLyQSODQGHFRQWUROGLUHFWULFHVHVWUDWpJLFDVSROtWLFDGHFRVWRV\FDOLGDG
GLUHFWULFHVGHIDEULFDFLyQGHQXHYRVSURGXFWRV
,QGLFDGRUHV 5HV~PHQHV HVWDGtVWLFRV GHO FRQWURO GH SURFHVR SRUFHQWDMH GH GLVFRQIRUPLGDGHV LQIRU
PHVVREUHHOGHVSHUGLFLRHtQGLFHVGHVDWLVIDFFLyQGHOSHUVRQDO
*HVWLyQGHODFDOLGDG

)LJXUD3URFHVRGHSURGXFFLyQ
/DORJtVWLFD
&RQVLGHUDPRVDTXtFRPRSURFHVRVORJtVWLFRVORVGHFRPSUDVYHQWDVGLVWULEXFLyQDOPDFHQDPLHQWR\
UHFHSFLyQGHPDWHULDOHV(OSURSyVLWRGHOSURFHVRGHFRPSUDVHVDGTXLULUSURGXFWRVHQODVFDQWLGD
GHV\HQORVWLHPSRVSUHYLVWRVHQORVSODQHVGHSURGXFFLyQ/RVSURGXFWRVDGTXLULGRVGHEHQWHQHUOD
FDOLGDGH[LJLGD\VXVSUHFLRVVHUORVPiVEDMRVSRVLEOHV8QSURFHVRGHVRSRUWHGHOGHFRPSUDVHVHO
GH HYDOXDFLyQ GH ORV SURYHHGRUHV 6X REMHWR HV FRQVHJXLU OD FDOLGDG FRQFHUWDGD OR TXH VLJQLILFD
QHJRFLDUFRQORVSURYHHGRUHVTXHHOSURGXFWRVHDFRQWURODGRGXUDQWHODIDEULFDFLyQHYLWDQGRODLQV
SHFFLyQHQODUHFHSFLyQ(QDOJ~QVHFWRUODFDOLGDGFRQFHUWDGDVHDVRFLDDODFHUWLILFDFLyQUHVSHFWRD
DOJXQDQRUPDHVSHFtILFDSRUHMHPSORHQHOVHFWRUGHDXWRPRFLyQODQRUPD46GH)RUG*0\
&KU\VOHU
3DUDVHOHFFLRQDUHYDOXDU\FRQWURODUORVPDWHULDOHVFRPSUDGRVODHPSUHVDGHEHRUJDQL]DUHOSURFHVR
GHFRPSUDVGHIRUPDTXHSHUPLWDDVHJXUDUTXHHVRVPDWHULDOHVFXPSOHQORVUHTXLVLWRVGHODVRSHUD
FLRQHVGHSURGXFFLyQ3DUDHOORORVSURFHVRVGHFRPSUDGHEHUtDQLQFOXLUDFFLRQHVFRPR
x
,GHQWLILFDUODVQHFHVLGDGHVGHODVRSHUDFLRQHVGHSURGXFFLyQ
x
(YDOXDUHOFRVWHWRWDOGHOSURGXFWRFRPSUDGRWHQLHQGRHQFXHQWDODVSUHVWDFLRQHVHOSUHFLR\ODV
FRQGLFLRQHVGHVXPLQLVWUR
x
$QDOL]DUODVGLVWLQWDVRIHUWDVSDUDREWHQHUSUHFLRVDMXVWDGRV
x
9HULILFDUORVPDWHULDOHVFRPSUDGRVLGHQWLILFDQGRODVGLVFRQIRUPLGDGHV
x
(YDOXDUORVULHVJRVDVRFLDGRVDOSURGXFWRFRPSUDGR
/D FRODERUDFLyQ FRQ ORV SURYHHGRUHV LQFUHPHQWD HO YDORU GH XQD HPSUHVD (V DFRQVHMDEOH FXDQGR
HOORVHD SRVLEOHTXHORVUHTXLVLWRVGHO SURFHVRGHFRPSUDVVH HVWDEOH]FDQHQFRODERUDFLyQFRQ ORV
SURYHHGRUHVSDUDDSURYHFKDUVXVFRQRFLPLHQWRV/RVSURYHHGRUHVSRGUtDQWDPELpQLPSOLFDUVHHQOD
HVSHFLILFDFLyQGHORVUHTXLVLWRVGHOVLVWHPDGHJHVWLyQGHODFDOLGDGUHODFLRQDGRVFRQVXVSURGXFWRV
&RQ HVWD ILQDOLGDG SXHGH VHU LQWHUHVDQWH PHMRUDU HO SURFHVR GH FRPSUDV PHGLDQWH ODV VLJXLHQWHV
DFFLRQHV
x
2SWLPL]DUHOQ~PHURGHSURYHHGRUHV

x
(VWDEOHFHUFRPXQLFDFLyQHQDPERVVHQWLGRVSDUDIDFLOLWDUODVROXFLyQUiSLGDGHSUREOHPDV\HYLWDU
UHWUDVRV\GLVSXWDVFRVWRVRV
x
,QYROXFUDUDORVSURYHHGRUHVHQODVDFWLYLGDGHVGHGLVHxR\GHVDUUROORSDUDFRPSDUWLUHOFRQRFL
PLHQWR\PHMRUDUORVSURFHVRVSURGXFWLYRV
(QODILJXUDVHSUHVHQWDXQGLDJUDPDGHIOXMRJHQpULFRGHXQSURFHVRGHFRPSUDVTXHGHVFULEL
PRVDFRQWLQXDFLyQ
7tWXOR&RPSUDUPDWHULDOHV
3URSyVLWRGHOSURFHVR$GTXLULUPDWHULDOHVHQODVFDQWLGDGHV\WpUPLQRVTXHGHWHUPLQHHOSODQGHSUR
GXFFLyQFRQODFDOLGDGH[LJLGD\FRQORVSUHFLRVPiVEDMRVHYDOXDU\DQDOL]DUORVSUHFLRV\HVWDEOHFHU
ODFDOLGDGFRQFHUWDGDFRQORVSURYHHGRUHV
,QSXWV,QIRUPDFLyQGHOSURYHHGRUPDWHULDSULPDSURYHHGRUHV
2XWSXWV3HGLGRVUHDOL]DGRVPDWHULDVSULPDVUHFLELGDVyUGHQHVGHSDJRSODQHVGHFDOLGDGFRQFHU
WDGD\UHODFLRQHVDODUJRSOD]RFRQORVSURYHHGRUHV
QHQHQODVFRPSUDV55++\JHVWLyQGHVWRFNV
'LUHFWULFHV 'LUHFWULFHV HVWUDWpJLFDV SROtWLFD GH SUHFLRV \ SDJRV HVSHFLILFDFLRQHV WpFQLFDV GH ORV
PDWHULDOHVSODQGHSURGXFFLyQPHQVXDO
,QGLFDGRUHV 3RUFHQWDMH GH GLVFRQIRUPLGDGHV HQ ORV PDWHULDOHV SHQDOL]DFLyQ HFRQyPLFD D ORV SUR
YHHGRUHV\WLHPSRSDUDHODSURYLVLRQDPLHQWRGHPDWHULDOHV
3URYHHGRUHV3URYHHGRUHVGHPDWHULDOHV
&OLHQWHV'LUHFWRUGHODOPDFpQGHSDUWDPHQWRGHSURGXFFLyQ\GHSDUWDPHQWRGHFRQWDELOLGDG

)LJXUD3URFHVRGHFRPSUDV
*HVWLyQGHODFDOLGDG

(OSURFHVRGHYHQWDVVHRFXSDGHUHYLVDU\DFHSWDUORVSHGLGRVHODERUDUODVRIHUWDV\SUHVXSXHVWRV
\ FRQWDFWDU FRQ HO FOLHQWH (V LPSRUWDQWH TXH ODV VROLFLWXGHV GH RIHUWDV ORV FRQWUDWRV \ ORV SHGLGRV
VHDQUHYLVDGRVSDUDDVHJXUDUTXHORVUHTXLVLWRVHVWpQELHQGHILQLGRV\TXHHOVXPLQLVWUDGRUHVWpHQ
FRQGLFLRQHV GH FXPSOLU HO FRQWUDWR \ UHVROYHU ODV SRVLEOHV GLIHUHQFLDV HQWUH OD RIHUWD \ HO FRQWUDWR
3DUDOOHYDUDFDERHOSURFHVRGHYHQWDVHVQHFHVDULDXQDEXHQDJHVWLyQGHOVLVWHPDGHLQIRUPDFLyQ
GHODHPSUHVD\XQDEXHQDFRPXQLFDFLyQHQWUHORVGHSDUWDPHQWRVGHSURGXFFLyQFDOLGDGODERUDWR
ULRFRPSUDV\DOPDFpQ
(QOD)LJXUDVHUHSUHVHQWDJUiILFDPHQWHXWLOL]DQGRODPHWRGRORJtD,'()GHOSURFHVRGHYHQWDV
TXHVHGHVFULEHDFRQWLQXDFLyQ
7tWXOR9HQGHUSURGXFWRV
3URSLHWDULR'LUHFWRUFRPHUFLDO
3URSyVLWR5HYLVDU\DFHSWDUORVSHGLGRVUHDOL]DUODVRIHUWDV\SUHVXSXHVWRV\FRQWDFWDUFRQHOFOLHQWH
SDUDFDSWDUVXVH[SHFWDWLYDV
,QSXWV6ROLFLWXGGHRIHUWDVFRQVXOWDVWpFQLFDVGHOFOLHQWHH[SHFWDWLYDVGHOFOLHQWH
2XWSXWV 3HGLGRV UHYLVDGRV \ DFHSWDGRV RIHUWDV SUHVXSXHVWRV LQIRUPDFLyQ VREUH ODV H[SHFWDWLYDV
GHOFOLHQWHVROLFLWXGHVD,'
QHQHQHOSURFHVR55++UHGGHYHQWDVPDWHULDOHVGHSUHVHQWDFLyQFDWiORJRVHWF
'LUHFWULFHV'LUHFWULFHVSUHVXSXHVWDULDVSROtWLFDGHSUHFLRVQRUPDWLYDGHULHVJRV\SURFHGLPLHQWRV
,QGLFDGRUHV1~PHURGHSHGLGRVUHDOL]DGRVWLHPSRTXHVHWDUGDHQDFHSWDUXQSHGLGRJUDGRGHVD
WLVIDFFLyQGHORVFOLHQWHVILGHOLGDGGHORVFOLHQWHV
3URYHHGRUHV&OLHQWHV
&OLHQWHV5HVSRQVDEOHGHODSODQLILFDFLyQGHODSURGXFFLyQFOLHQWHVGHODHPSUHVD\WRGRVORVSURFH
VRVGHODHPSUHVDHQJHQHUDO

)LJXUD3URFHVRGHYHQWDV

(OSURSyVLWRGHOSURFHVRGHGLVWULEXFLyQHVDVHJXUDUTXHHOSURGXFWROOHJXHDOFOLHQWHGHFXPSOLHQGR
VXVUHTXLVLWRVHVGHFLUHQHOSOD]RGHHQWUHJD SUHYLVWRVLQ HUURUHV \HQODVFRQGLFLRQHVGHFDOLGDG
HVWDEOHFLGDV/RVLQSXWVGHOSURFHVRGHGLVWULEXFLyQGHOSURGXFWRSXHGHQVHUSRUHMHPSORXQORWHGH
SURGXFWRDFDEDGRXQDRUGHQGHH[SHGLFLyQRHOWUDQVSRUWHGHXQSURGXFWR&RPRRXWSXWVSRGHPRV
PHQFLRQDUODH[SHGLFLyQGHXQORWHGHSURGXFWR\ODFRQWUDWDFLyQGHOWUDQVSRUWHSDUDXQVXPLQLVWUR
3DUDFRQWURODUHOSURFHVRGHGLVWULEXFLyQSXHGHVHULQWHUHVDQWHOOHYDUDFDERHOVHJXLPLHQWRGHDOJX
QRVLQGLFDGRUHVFRPRSRUHMHPSORHOWLHPSRGHUHWUDVRHQODVHQWUHJDVHOQ~PHURGHHUURUHVHQODV
HQWUHJDV\HOQ~PHURGHGLVFRQIRUPLGDGHVGHELGDVDOWUDQVSRUWH
*HVWLyQGHODFDOLGDG

/2602'(/26'(/$*(67,1'(/$&$/,'$'
(QHVWHFDSLWXORVHSUHVHQWDQFRQPiVGHWDOOHORVSULQFLSDOHVPRGHORVGH JHVWLyQGH ODFDOLGDGTXH
KDQVLGRPHQFLRQDGRVDQWHULRUPHQWH(QHODSDUWDGRVHGHVFULEHHOPRGHORGHODQRUPD,62
YHUVLyQ (Q HO DSpQGLFH $ VH SXHGH KDOODU XQ JXLyQ SDUD GHVDUUROODU XQ PDQXDO GH FDOLGDG
EDVDGRHQOD,62TXHFRPSOHWDHVWDSUHVHQWDFLyQ(QORVDSDUWDGRV\VHSUHVHQWDQORV
PRGHORV0DOFROP%DOGULJH\()40UHVSHFWLYDPHQWH(QHOVHGHVFULEHQVXFLQWDPHQWH\DTXHQR
VRQHOREMHWRGHHVWDVQRWDVORVPRGHORVGHJHVWLyQPHGLRDPELHQWDOGHDFWXDOLGDGHQODFRPXQLGDG
HXURSHD
/DVQRUPDV,62
/D 2UJDQL]DFLyQ ,QWHUQDFLRQDO GH 1RUPDOL]DFLyQ ,62 HV XQD IHGHUDFLyQ GH RUJDQLVPRV QDFLRQDOHV
GH QRUPDOL]DFLyQ/RVFRPLWpVWpFQLFRV GH ,62,627&OOHYDQDFDER HOWUDEDMRGHHODERUDFLyQ GH
ODVQRUPDVLQWHUQDFLRQDOHV7RGRVORVRUJDQLVPRVPLHPEURVLQWHUHVDGRVHQXQDPDWHULDSDUDODFXDO
VHKD\D HVWDEOHFLGRXQFRPLWpWpFQLFRWLHQHQGHUHFKRDHVWDUUHSUHVHQWDGRVHQGLFKRFRPLWp2WUDV
RUJDQL]DFLRQHVLQWHUQDFLRQDOHVS~EOLFDV\SULYDGDVHQFRRUGLQDFLyQFRQ,62SDUWLFLSDQHQHOWUDEDMR
,62FRODERUDHVWUHFKDPHQWHFRQOD&RPLVLyQ(OHFWURWpFQLFD,QWHUQDFLRQDO,(&HQWRGDVODVPDWHULDV
GH QRUPDOL]DFLyQ HOHFWURWpFQLFD /RV SUR\HFWRV R ERUUDGRUHV GH QRUPDV LQWHUQDFLRQDOHV ,62',6
HODERUDGRVSRUORVFRPLWpVWpFQLFRVVRQHQYLDGRVDORVRUJDQLVPRVPLHPEURVSDUDVXYRWDFLyQTXH
UHTXLHUHSDUDVXDSUREDFLyQXQDPD\RUtDGHO
/DVQRUPDV,62GHDVHJXUDPLHQWRGHODFDOLGDGDSDUHFLHURQ HQ\DXQTXHQRIXHURQODV
SULPHUDVHQSURSRQHUVROXFLRQHVDORVSUREOHPDVDVRFLDGRVDODFDOLGDGVtORIXHURQHQXQLILFDUPX
FKRVGHORVFULWHULRVTXHDFWXDOPHQWHVHXWLOL]DQ \HQREWHQHU DFHSWDFLyQ \UHFRQRFLPLHQWRDHVFDOD
PXQGLDO 6X REMHWLYR HUD ILMDU ODV FRQGLFLRQHV PtQLPDV GHO VLVWHPD GH FDOLGDG GH XQD HPSUHVD SDUD
JDUDQWL]DUHOFXPSOLPLHQWRGHORVUHTXLVLWRVHVSHFLILFDGRVSDUDVXVSURGXFWRV$FWXDOPHQWHODQXHYD
IDPLOLDGHQRUPDV,62DSUREDGDDILQDOHVGHOWLHQHFRPRREMHWLYRD\XGDUDODVHPSUHVDV
HQHOGHVDUUROORGHXQVLVWHPDGHFDOLGDG/DWUDGXFFLyQHVSDxRODVHKDHODERUDGRFRQHOFRQVHQVR
GHORVUHSUHVHQWDQWHVGHRUJDQLVPRVQDFLRQDOHVGHQRUPDOL]DFLyQGHRQFHSDtVHVGHOHQJXDHVSDxR
ODORTXHFRPSRUWDHOXVRGHDOJ~QWpUPLQRQRXVXDOHQ(VSDxD3RUHMHPSORSDUDSHUIRUPDQFHGH
GLItFLOWUDGXFFLyQVHXVDHOWpUPLQRGHVHPSHxR\SDUDVWDNHKROGHUVSDUWHVLQWHUHVDGDV
/DVHULH,62VHFRPSRQHGHODVVLJXLHQWHVSDUWHV
x
/DQRUPD,62GHVFULEHORVIXQGDPHQWRVGHORVVLVWHPDVGHODFDOLGDG\HVSHFLILFDODWHUPL
QRORJtDGHORVVLVWHPDVGHFDOLGDG
x
/D,62HVSHFLILFDORVUHTXLVLWRVGHXQVLVWHPDGHFDOLGDGGHXQDRUJDQL]DFLyQTXHQHFHVLWH
GHPRVWUDUVXFDSDFLGDGSDUDSURSRUFLRQDUSURGXFWRVTXHFXPSODQORVUHTXLVLWRVGHVXVFOLHQWHV
6XREMHWLYRHVDXPHQWDUODVDWLVIDFFLyQGHORVFOLHQWHV
x
/D,62HVXQFRQMXQWRGHGLUHFWULFHVTXHFRQVLGHUDQWDQWRODHILFDFLDFRPRODHILFLHQFLDGHO
VLVWHPDGHODFDOLGDG(OREMHWLYRGHHVWDQRUPDHVODPHMRUDGHODRUJDQL]DFLyQ\ODVDWLVIDFFLyQ
GHODVSDUWHVLQWHUHVDGDV
x
/D,62HVXQDJXtDSDUDDXGLWDUORVVLVWHPDVGHFDOLGDG\PHGLRDPELHQWH
/DVQRUPDV,62LGHQWLILFDQRFKRSULQFLSLRVGHJHVWLyQGHODFDOLGDGTXHODGLUHFFLyQGHODVHP
SUHVDVSXHGHXWLOL]DUSDUDPHMRUDUODSHUIRUPDQFHGHVXVLVWHPDGHFDOLGDG/DVLGHDVTXHHQFLHUUDQ
HVWRVSULQFLSLRVVRQ

D /DRUJDQL]DFLyQHVWiRULHQWDGDDOFOLHQWH8QDRUJDQL]DFLyQGHSHQGHGHVXVFOLHQWHV\SRUORWDQ
WRGHEHLGHQWLILFDUVXVQHFHVLGDGHVDFWXDOHV\IXWXUDVFXPSOLUVXVUHTXLVLWRV\HVIRU]DUVHHQVX
SHUDUVXVH[SHFWDWLYDV
E /LGHUD]JR /RV OtGHUHV GH XQD RUJDQL]DFLyQ HVWDEOHFHQ OD XQLGDG GH REMHWLYRV \ OD RULHQWDFLyQ
+DQGHFUHDUHODPELHQWHSURSLFLRHQODRUJDQL]DFLyQGHIRUPDTXHHOSHUVRQDOSXHGDLQYROXFUDU
VHHQHOORJURGHORVREMHWLYRVGHODRUJDQL]DFLyQ
F 3DUWLFLSDFLyQGHOSHUVRQDO(OSHUVRQDODWRGRVORVQLYHOHVHVODHVHQFLDGHXQDRUJDQL]DFLyQ\
VXFRPSURPLVRSRVLELOLWDTXHVXVKDELOLGDGHVVHXWLOLFHQHQEHQHILFLRGHODRUJDQL]DFLyQ
G 2ULHQWDFLyQ D ORV SURFHVRV 8Q UHVXOWDGR GHVHDGR VH DOFDQ]D PiV HILFLHQWHPHQWH PHGLDQWH OD
JHVWLyQSRUSURFHVRV
H 2ULHQWDFLyQDODJHVWLyQGHOVLVWHPD,GHQWLILFDUHQWHQGHU \JHVWLRQDUORVSURFHVRVFRQREMHWLYRV
FODURVFRQWULEX\HDODHILFDFLD\ODHILFLHQFLDGHXQDRUJDQL]DFLyQ
I 0HMRUDFRQWLQXD/DPHMRUDFRQWLQXDHQWRGDVODViUHDVGHODRUJDQL]DFLyQGHEH VHUXQREMHWLYR
SHUPDQHQWH
J 'HFLVLRQHVEDVDGDVHQKHFKRV/DVGHFLVLRQHV\DFFLRQHVHILFDFHVVHEDVDQHQHODQiOLVLVGHORV
GDWRV\ODLQIRUPDFLyQ
K 5HODFLRQHV PXWXDPHQWH EHQHILFLRVDV FRQ HO SURYHHGRU 8QD RUJDQL]DFLyQ \ VXV SURYHHGRUHV
SXHGHQFUHDUYDORULQFUHPHQWDQGRODVUHODFLRQHVPXWXDPHQWHEHQHILFLRVDV
(OPRGHORGHDVHJXUDPLHQWRGHODFDOLGDGGHODQRUPD,62VHXVDSDUDGHPRVWUDUTXHORVSUR
GXFWRV R VHUYLFLRV VH UHDOL]DQ VHJ~Q VH LQGLFD HQ HO PDQXDO \ ORV SURFHGLPLHQWRV GH FDOLGDG GH OD
HPSUHVD/RVUHTXLVLWRVGHODQRUPDHVWiQEDVDGRVHQODVWHQGHQFLDVDFWXDOHVGHODJHVWLyQSRUSUR
FHVRV7DOFRPRSURSRQHODPLVPDQRUPDHVWHPRGHORSXHGHVHUXQSXQWRGHSDUWLGDSDUDOOHJDUDOD
H[FHOHQFLDHPSUHVDULDOVLVHFRPSOHWDFRQODVGLUHFWULFHVGHODQRUPD,62
3DUD OD HODERUDFLyQ GH OD QXHYD QRUPD ,62 OD PLVPD RUJDQL]DFLyQ ,62 KD KHFKR XQ HVWXGLR
SUHYLR FRQVXOWDQGR D HPSUHVDV \ DVHVRUHV GH WRGR HO PXQGR SDUD PHMRUDU ODV DQWHULRUHV QRU
PDV,62\TXHGDWDEDQGH3XHGHQHQFRQWUDUVHHQODOLWHUDWXUDPXFKRVHVWX
GLRVGHOLPSDFWRGHODFHUWLILFDFLyQ,62HQODVRUJDQL]DFLRQHV3RUHMHPSOR35RPDQR
KDFHXQHVWXGLRGHYHQWDMDV\GHVYHQWDMDVGHODFHUWLILFDFLyQ,62DSDUWLUGHXQDPXHVWUDGH
RUJDQL]DFLRQHVLWDOLDQDVFHUWLILFDGDV/D~OWLPDHGLFLyQGHODQRUPDTXHOOHYDSRUWLWXOR5HTXLVLWRVGH
ODJHVWLyQGHODFDOLGDG\DQRLQFOX\HHOWpUPLQRDVHJXUDPLHQWRGHODFDOLGDGGHODYHUVLyQGH
'HHVWDIRUPDVHUHVDOWDHOKHFKRGHTXHORVUHTXLVLWRVGHODJHVWLyQGHODFDOLGDGHVWDEOHFLGRVHQOD
QRUPDDGHPiVGHODVHJXUDPLHQWRGHODFDOLGDGGHOSURGXFWRSUHWHQGHQWDPELpQDXPHQWDUODVDWLV
IDFFLyQGHOFOLHQWH
/DV QRUPDV ,62 \ ,62 HVWiQ HVWUXFWXUDGDV HQ ORV PLVPRV RFKR DSDUWDGRV \ OD SULPHUD
LQFOX\HODVHJXQGD+D\TXHUHFRUGDUQRREVWDQWHTXHOD,62VHXVDHQXQPDUFRSUHVFULSWLYR
HQHOVHQWLGRTXHXQDHPSUHVDDGTXLHUHHOGHUHFKRDH[KLELUHOFHUWLILFDGRGXUDQWHXQDxRRPiVVL
HVUHYLVDGR/DQRUPD,62DxDGHGLUHFWULFHV\SDXWDVGHD\XGDSDUDODLPSODQWDFLyQGHOD
\GHVFULEHXQPRGHORGHJHVWLyQGHODFDOLGDGSDUDOOHJDUDODH[FHOHQFLDHPSUHVDULDOHQFRPSHWHQFLD
FRQORVPRGHORVGHOSUHPLRHXURSHR()40\DPHULFDQR0DOFROP%DOGULJH
/RVRFKRSXQWRVVRQ
2EMHWR\FDPSRGHDSOLFDFLyQ
1RUPDVSDUDFRQVXOWDV
*HVWLyQGHODFDOLGDG

7pUPLQRV\GHILQLFLRQHV
6LVWHPDGHJHVWLyQGHODFDOLGDG
5HVSRQVDELOLGDGGHODGLUHFFLyQ
*HVWLyQGHORVUHFXUVRV
5HDOL]DFLyQGHOSURGXFWR
0HGLFLyQDQiOLVLV\PHMRUD
(QORVDSDUWDGRVGHODOVHGHVDUUROODQORVSURFHVRVGHODRUJDQL]DFLyQLQGLFDQGRORVREMHWLYRVORV
LQSXWV ORV RXWSXWV ORV UHFXUVRV \ ODV GLUHFWULFHV /DV HPSUHVDV GH VHUYLFLRV WLHQHQ OD RSFLyQ GH QR
GHVDUUROODUHOSXQWRGHODQRUPD3RUHVWRORVUHTXLVLWRVGHORVSURFHVRVGHPHGLGDVHHQFXHQWUDQ
HQHODSDUWDGRHQOXJDUGHHQHOSXQWR
/DQRUPD,62SHUPLWHHODERUDUDODVRUJDQL]DFLRQHVHOPDQXDOGHFDOLGDG\ORVSURFHGLPLHQWRV
EDVDGRVHQODRULHQWDFLyQSRUSURFHVRVSDUDSRGHUVHUFHUWLILFDGD(QWUHRWURVSURFHVRVTXHH[SOLFLWD
SRGHPRVGHVWDFDUODSODQLILFDFLyQGHODFDOLGDGDSDUWDGRGHODQRUPDGLVHxR\GHVDUUROOR
ODVFRPSUDVODSURGXFFLyQ\ODSUHVWDFLyQGHVHUYLFLRGRQGHLQWHUYLHQHQHODOPDFHQDPLHQ
WRODFRQVHUYDFLyQGHOSURGXFWRORVSURFHVRVUHODFLRQDGRVFRQHOFOLHQWHSRUHMHPSOROD
YHQWDV \ OD DWHQFLyQ DO FOLHQWH /D ILJXUD LOXVWUD HO PRGHOR GH JHVWLyQ SRU SURFHVRV GH OD
QRUPD,62PRVWUDQGRFyPRODVSDUWHVLQWHUHVDGDVVRQUHVSRQVDEOHVGHORVLQSXWVGHODHP
SUHVD(ORXWSXWHVODVDWLVIDFFLyQGHODVSDUWHVLQWHUHVDGDVSRUORTXHVHUHTXLHUHODHYDOXDFLyQGH
VXSHUFHSFLyQVREUHHOFXPSOLPLHQWRGHORVUHTXLVLWRVGHFDOLGDG

)LJXUD0RGHORGHXQVLVWHPDGHJHVWLyQGHODFDOLGDGEDVDGRHQSURFHVRVVHJ~QODVHULH,62
/DVIOHFKDVFRQWLQXDVDxDGHQYDORU\ODVGLVFRQWLQXDVVRQHOIOXMRGHODLQIRUPDFLyQ

(O SUHPLR 0DOFROP %DOGULJH IXH FUHDGR HQ SRU HO &RQJUHVR GH ORV (VWDGRV 8QLGRV FRPR XQD
PRGLILFDFLyQGHOD/H\GH,QQRYDFLyQ7HFQROyJLFDGH\HVXQYHKtFXORGHGLIXVLyQGHXQHVWLOR
GHJHVWLyQ\DTXHORVJDQDGRUHVHVWiQREOLJDGRVDFRPSDUWLUVXVH[SHULHQFLDV(QORV~OWLPRVDxRV
ORVFULWHULRVGHOSUHPLRKDQHYROXFLRQDGRSDUDFXEULUODVWHQGHQFLDVDFWXDOHVGHODJHVWLyQGHODFDOL
GDG WRWDO SODQLILFDFLyQ HVWUDWpJLFD GH ODV RSHUDFLRQHV OD JHVWLyQ SRU SURFHVRV OD RULHQWDFLyQ GH OD
JHVWLyQDODVSDUWHVLQWHUHVDGDVHWF(Q((88ORVFULWHULRVGHOSUHPLRVRQFRQVLGHUDGRVFRPRXQ
PRGHOR QR SUHVFULSWLYR GH JHVWLyQ WRWDO GH OD FDOLGDG R GH H[FHOHQFLD HPSUHVDULDO (Q HVWDV QRWDV

QRVUHIHULPRVDODYHUVLyQGHHQHURGHO TXHQRSUHVHQWDYDULDFLRQHVVLJQLILFDWLYDVUHVSHFWRDOD
GHO
/RVFRQFHSWRVTXHVHHYDO~DQVHDJUXSDQHQVLHWHFDWHJRUtDVY)LJXUDTXHDVXYH]VHGHVJOR
VDQHQtWHPV(QODILJXUDVHSXHGHYHUWDPELpQHOSHVR TXHWLHQHFDGDFDWHJRUtDHQODSXQ
WXDFLyQJOREDO(OUHVXOWDGRPi[LPRHVSXQWRV/DVWUHVSULPHUDVFDWHJRUtDVVRQOLGHUD]JR
SODQLILFDFLyQ HVWUDWpJLFD \ RULHQWDFLyQ D FOLHQWH \ PHUFDGR TXH UHSUHVHQWDQ OD WUtDGD GH OD
GLUHFFLyQ/DVFDWHJRUtDVIRUPDGDVSRUODLPSOLFDFLyQGHOSHUVRQDOODJHVWLyQGHORVSURFHVRV
\ ORVUHVXOWDGRVGHOQHJRFLRVRQOD WUtDGDGHORV UHVXOWDGRV(VWR LQGLFD TXHORVUHVXOWDGRVGHO
QHJRFLRYDQOLJDGRVDTXHVHREWHQJDQEXHQRVUHVXOWDGRVGHOSHUVRQDO\GHORVSURFHVRVFODYHGHOD
RUJDQL]DFLyQ7RGDVODVDFFLRQHVDSXQWDQDORVUHVXOWDGRVGHOQHJRFLRTXHVRQODVDWLVIDFFLyQGHORV
FOLHQWHVORVUHVXOWDGRVILQDQFLHURVODVDWLVIDFFLyQGHOSHUVRQDO\ODUHVSRQVDELOLGDGS~EOLFD/DFDWH
JRUtDGHLQIRUPDFLyQ\DQiOLVLVHVFUtWLFDSDUDPHMRUDU\VHUFRPSHWLWLYR
/DVLGHDVTXHIRUPDQHOFRQMXQWRGHFULWHULRVGHOSUHPLRVRQ
/LGHUD]JR6HH[DPLQDODFDSDFLGDGGHORVOtGHUHVGHODHPSUHVDSDUDHVWDEOHFHUREMHWLYRVEDVD
GRVHQXQDFXOWXUDGHFDOLGDGHVGHFLUODIRUPDHQTXHODGLUHFFLyQVHFRQFHQWUDHQORVYDORUHV
GHODHPSUHVD\HQODVH[SHFWDWLYDVGHORVFOLHQWHV\RWUDVSDUWHVLQWHUHVDGDVODIRUPDHQTXHGH
OHJDODDXWRULGDGHPSRZHUPHQW\FyPRHQIRFDODLQQRYDFLyQ\ODIRUPDFLyQHQODRUJDQL]DFLyQ
HQODHPSUHVD
3ODQHVHVWUDWpJLFRV6HH[DPLQDHOSURFHVRGHGHVDUUROORHVWUDWpJLFRGHODHPSUHVDHVGHFLUHO
PRGRHQTXHGHVDUUROODORVREMHWLYRVHVWUDWpJLFRVORVSODQHVGHDFWXDFLyQ\ORVSODQHVGHSHUVR
QDO7DPELpQFyPRVHOOHYDDFDERHOVHJXLPLHQWRGHODSHUIRUPDQFHHQODHPSUHVD
2ULHQWDFLyQDOFOLHQWH\DOPHUFDGR6HH[DPLQDODIRUPDHQTXHVHLGHQWLILFDQODVQHFHVLGDGHV\
H[SHFWDWLYDVGHORVFOLHQWHV\HOPHUFDGR\VHHVWDEOHFHQODV UHODFLRQHVFRQHOORV\VHPLGHVX
VDWLVIDFFLyQ
,QIRUPDFLyQ\DQiOLVLV6HH[DPLQDODIRUPDHQTXHVHSODQLILFDQGLULJHQ\HMHFXWDQORVSURFHVRV
GHPHGLGD\VHDQDOL]DODLQIRUPDFLyQ
2ULHQWDFLyQDOSHUVRQDO6HH[DPLQDGHTXpPDQHUDVHUHDOL]DQODVRSHUDFLRQHVHQODHPSUHVD\
FyPRVHWUDWDQODIRUPDFLyQODFDSDFLGDG\HOGHVDUUROORGHOSHUVRQDO7DPELpQFyPRVHFRQVLJXH
XQEXHQFOLPDGHWUDEDMR\ODVDWLVIDFFLyQ\ODPRWLYDFLyQGHOSHUVRQDO
*HVWLyQGHSURFHVRV6HH[DPLQDQORVDVSHFWRVFODYHGHODJHVWLyQGHORVSURFHVRVGHODHPSUH
VDLQFOX\HQGRORVSURFHVRVFODYHTXHKHPRVFRPHQWDGRHQHOFDStWXORDQWHULRU\ORVSURFHVRV
GHVRSRUWH
5HVXOWDGRV GHO QHJRFLR 6H H[DPLQD OD PDQHUD HQ TXH VH DQDOL]DQ VH HYDO~DQ DOFDQ]DQ \ VH
PHMRUDQORVREMHWLYRVHQODViUHDVFODYHVGHODHPSUHVDDVtFRPRHOQLYHOGHODHPSUHVDUHVSHF
WRDVXFRPSHWHQFLD

(Q OD GLUHFFLyQ HOHFWUyQLFD UHIHUHQFLDGD HQ OD ELEOLRJUDItD HQFRQWUDUi XQ GRFXPHQWR SGI GH OLEUH
DFFHVRGHXQDVSiJLQDVGRQGHHVWiGHVDUUROODGRHOSUHPLR
*HVWLyQGHODFDOLGDG

3DUDVHUHYDOXDGDODHPSUHVDGHEHHODERUDUXQLQIRUPHFX\RIRUPDWRGHSHQGHGHOVHJ~QHOVHFWRU
HPSUHVDULDOVLJXLHQGRORVtWHPVGHFDGDFULWHULR/DSXQWXDFLyQVHDVLJQDWHQLHQGRHQFXHQWDODVWUHV
GLPHQVLRQHVGHOSUHPLR0DOFROP%DOGULJH
x
$SUR[LPDFLyQDSSURDFK(VHOPRGRHQTXHVHDERUGDQORVtWHPVGHOSUHPLR(QODHYDOXDFLyQ

VHWLHQHHQFXHQWDDORDSURSLDGRVTXHVRQORVPpWRGRVXVDGRVEODHILFDFLDGHHVWRVPpWRGRV
FVLVHEDVDQHQLQIRUPDFLyQ\GDWRVILDEOHVGORDFRUGHVTXHVRQORVPpWRGRVFRQODVQHFHVL
GDGHVGHODRUJDQL]DFLyQ\HODHYLGHQFLDGHTXHKD\LQQRYDFLyQHQODHPSUHVD
x
'HVSOLHJXH6HUHILHUHDODOFDQFHGHORVPpWRGRVDORVTXHQRVKHPRVUHIHULGRHQHOSiUUDIRDQ
WHULRU(QODHYDOXDFLyQVHWLHQHHQFXHQWDODPDQHUDHQTXHVHSODQWHDODDSOLFDFLyQGHHVWRVPp
WRGRV\VXGLIXVLyQHQODVGLVWLQWDVXQLGDGHVGHWUDEDMRGHODHPSUHVD
x
5HVXOWDGRV6HUHILHUHDODFRQVHFXFLyQGHORVREMHWLYRVUHODWLYRVDORVGLVWLQWRVtWHPV6HWLHQH
HQFXHQWDODSHUIRUPDQFHGHODRUJDQL]DFLyQODFRPSDUDFLyQFRQODFRPSHWHQFLDEHQFKPDUNLQJ
ODVPHMRUDVLQFRUSRUDGDVHWF

)LJXUD&ULWHULRVGHOSUHPLR0DOFROP%DOGULJH

(OPRGHOR()40
&RQHOILQGHDXPHQWDUODFRPSHWLWLYLGDGGHODVHPSUHVDVHXURSHDVXWLOL]DQGRODILORVRItDGHODJHVWLyQ

GH OD FDOLGDG WRWDO FDWRUFH HPSUHVDV IXQGDURQ HQ OD RUJDQL]DFLyQ (XURSHDQ )RXQGDWLRQ IRU
4XDOLW\0DQDJHPHQW()40FRQHOVRSRUWHGHOD8QLyQ(XURSHD(OSULPHUSUHPLRHXURSHRGHFDOL
GDG(4$IXHFUHDGRHQHODxRFRQHOSURSyVLWRGHGDUXQLPSXOVRDODVRUJDQL]DFLRQHVHXUR
SHDV TXH XWLOL]DEDQ ORV SULQFLSLRV GH OD JHVWLyQ WRWDO GH OD FDOLGDG (O PRGHOR ()40 GLVSRQH GH XQ
HVTXHPDSURSLR)LJXUDVLPLODUDOSURSXHVWRSRUHOSUHPLR0DOFROP%DOGULJHIRUPDGRSRUQXHYH
FULWHULRVGHHYDOXDFLyQGHODH[FHOHQFLDGHXQDRUJDQL]DFLyQ(QODILJXUDVHLQGLFDODSRQGHUDFLyQ

GHFDGDFULWHULR

)LJXUD0RGHORHXURSHRGHOD&DOLGDG

(O SUHPLR HXURSHR DGPLWH GLVWLQWDV IRUPDV GH DSOLFDFLyQ 8QD HV OD DXWRHYDOXDFLyQ LQGHSHQGLHQWH
PHQWHGHODSXQWXDFLyQSDUDHQFRQWUDU ORVSXQWRVIXHUWHV \ ODV iUHDVGHPHMRUDGHOD RUJDQL]DFLyQ
XWLOL]iQGROR FRPR SDUWH GHO FLFOR GH PHMRUD 2WUD IRUPD FRQVLVWH HQ OD HODERUDFLyQ GHO LQIRUPH SDUD
TXHODHPSUHVDVHSUHVHQWHFRPRFDQGLGDWDDOSUHPLR/DVHPSUHVDVDVSLUDQWHVGHEHQSUHVHQWDUXQ
LQIRUPHGHXQDVSiJLQDVVLJXLHQGRODVSDXWDVGHORVQXHYHFULWHULRV$FWXDOPHQWHHVXQPRGHORQR
SUHVFULSWLYR
(OPRGHORVHEDVDHQODVWHQGHQFLDVDFWXDOHVGHODJHVWLyQGHODFDOLGDGODRULHQWDFLyQDOFOLHQWHODV
DOLDQ]DVFRQORVSURYHHGRUHVODLPSOLFDFLyQGHOSHUVRQDOODVGHFLVLRQHVEDVDGDVHQSURFHVRV\KH
FKRVHOOLGHUD]JR \ ODFRKHUHQFLDFRQORVREMHWLYRVODUHVSRQVDELOLGDGVRFLDOODPHMRUDFRQWLQXDOD
LQQRYDFLyQ\ODRULHQWDFLyQKDFLDHOORJURGHUHVXOWDGRV
(O SULPHU DVSHFWR D FRQVLGHUDU HQ HVWH PRGHOR )LJXUD HV TXH HVWi GLYLGLGR HQ GRV SDUWHV ORV
DJHQWHV IDFLOLWDGRUHV \ ORV UHVXOWDGRV /RV DJHQWHV IDFLOLWDGRUHV VRQ OD PDQHUD GH FRQVHJXLU ORV
UHVXOWDGRV6HGDHOPLVPRSHVRDOTXpVHREWLHQHUHVXOWDGRV\DOFyPRDJHQWHVVHREWLHQH/RV
DJHQWHVVRQHOOLGHUD]JRODVSHUVRQDVTXHFRQVWLWX\HQODRUJDQL]DFLyQODSROtWLFD\ODHVWUDWH

%7SOF5REHUW%RVFK*PE+%XOO6$&LED*HLJ\$*'DVVDXOW$YLDWLRQ$%(OHFWUROX[)LDW$XWR6S$./0
5R\DO'XWFK$LUOLQHV1HVWOp$*3KLOLSV(OHFWURQLFV192OLYHWWL6S$5HQDXOW6XO]HU$*\9RONVZDJHQ$*

(OLPSUHVRGHOPRGHORHXURSHRHQWHURHQFDVWHOODQRSXHGHFRPSUDUVHHQODGLUHFFLyQHOHFWUyQLFD

GHOFOXEGHJHVWLyQGHODFDOLGDGUHIHUHQFLDGRHQODELEOLRJUDItD
*HVWLyQGHODFDOLGDG

JLDODVDOLDQ]DV\UHFXUVRV\ODJHVWLyQGHORVSURFHVRV/RVUHVXOWDGRVVHUHILHUHQDWRGRV

ORVUHVXOWDGRVGHORVFOLHQWHVGHOSHUVRQDOGHODVRFLHGDG\GHORVSURFHVRVFODYH
$FRQWLQXDFLyQVHH[SRQHQEUHYHPHQWHORVDVSHFWRVTXHVHFRQVLGHUDQHQFDGDXQRGHORVFULWHULRV
/LGHUD]JR (VWH FULWHULR H[DPLQD FyPR ORV OtGHUHV GHVDUUROODQ \ IDFLOLWDQ OD PLVLyQ LPSODQWDQ ORV
YDORUHVGHODHPSUHVDLPSOLFDQDOSHUVRQDO \PDQWLHQHQHOFRPSURPLVRFRQODVSDUWHVLQWHUHVD
GDV
3ROtWLFD\HVWUDWHJLD6HUHILHUHDFyPRVHLPSODQWDQODPLVLyQ\ODYLVLyQFRQXQDHVWUDWHJLDFHQ
WUDGDHQODVSDUWHVLQWHUHVDGDV/DSROtWLFD \ODHVWUDWHJLDKDQGHHVWDUIXQGDPHQWDGDVHQODLQ
IRUPDFLyQGHOVHJXLPLHQWRGHOUHQGLPLHQWR\ODVDFWLYLGDGHVUHODFLRQDGDVFRQODFUHDWLYLGDGODLQ
YHVWLJDFLyQ\HODSUHQGL]DMH
*HVWLyQGHOSHUVRQDO6HUHILHUHDFyPRVHJHVWLRQDQGHVDUUROODQ\DSURYHFKDQHOFRQRFLPLHQWR\
HOSRWHQFLDOGHODVSHUVRQDVTXHWUDEDMDQHQODHPSUHVD\DFyPRVHXWLOL]DODIRUPDFLyQFRPRHO
Pi[LPR SRWHQFLDO GHO SHUVRQDO SDUD PHMRUDU FRQWLQXDPHQWH /RV VXEFULWHULRV LQFOX\HQ DSDUWDGRV
UHIHULGRVDO GLiORJR GHOSHUVRQDO \ ODHPSUHVDRDFyPRHOSHUVRQDOHVSUHPLDGRUHFRQRFLGR \
FXLGDGR
$OLDQ]DV\UHFXUVRV6HUHILHUHDFyPRODRUJDQL]DFLyQSODQLILFD\JHVWLRQDODVDOLDQ]DVH[WHUQDV
FRQORVSURYHHGRUHV\ORVUHFXUVRVLQWHUQRVDSR\DGDSRUVXSROtWLFD\HVWUDWHJLD5HVSHFWRDORV
UHFXUVRV LQWHUQRV YDORUD FyPR VH JHVWLRQDQ ODV ILQDQ]DV ODV LQVWDODFLRQHV OD WHFQRORJtD OD LQ
IRUPDFLyQ\HOFRQRFLPLHQWR
3URFHVRV$OXGHDFyPRVHLGHQWLILFDQJHVWLRQDQ\UHYLVDQORVSURFHVRV\DFyPRVHFRUULJHQD
ILQGHDVHJXUDUODPHMRUDFRQWLQXDHQWRGDVODVDFWLYLGDGHV
5HVXOWDGRVHQORVFOLHQWHV6HUHILHUHDTXpFRQVLJXHODRUJDQL]DFLyQHQORUHODWLYRDVXVFOLHQWHV
H[WHUQRVLQFOX\HQGRPHGLGDVGHSHUFHSFLyQH[WHUQDVFRPRORVUHVXOWDGRVGHODVHQFXHVWDVGH
VDWLVIDFFLyQGHOFOLHQWHFRPRLQGLFDGRUHVGHOUHQGLPLHQWR
5HVXOWDGRV HQ HO SHUVRQDO 6H UHILHUH D TXp FRQVLJXH OD HPSUHVD HQ UHODFLyQ FRQ ODV SHUVRQDV
TXHODLQWHJUDQWHQLHQGRHQFXHQWDWDQWRLQGLFDGRUHVLQWHUQRVGHUHQGLPLHQWRFRPRODSHUFHSFLyQ
TXHHOSHUVRQDOWLHQHGHODHPSUHVDSRUHMHPSORPHGLDQWHODVHQFXHVWDVGHVDWLVIDFFLyQGHOSHU
VRQDO
5HVXOWDGRVHQODVRFLHGDG6HUHILHUHDTXpORJURVHVWiDOFDQ]DQGRODHPSUHVDHQUHODFLyQFRQOD
VRFLHGDGWDQWRORFDOFRPRQDFLRQDO \H[WUDQMHUDWHQLHQGRHQFXHQWDWDQWRORVLQGLFDGRUHVGHOD
SHUFHSFLyQ GH OD HPSUHVD SRU OD VRFLHGDG FRPR ORV LQWHUQRV UHFLFODMH PHFHQD]JR UHVLGXRV
HWF
5HVXOWDGRVFODYH6HUHILHUHDTXpORJURVFRQVLJXHODHPSUHVDFRQUHODFLyQDOUHQGLPLHQWR7DQWR
UHVXOWDGRVFRPRLQGLFDGRUHV
3DUDDSOLFDUORVGLVWLQWRVFULWHULRVHOPRGHORHXURSHRVHEDVDHQXQFRQMXQWRGHUHJODVGHHYDOXDFLyQ
EDVDGDVHQODOyJLFD5('(5TXHFRQVLVWHHQHOFLFOR5HVXOWDGRV(QIRTXH'HVSOLHJXH(YDOXDFLyQ
\5HYLVLyQ
x
5HVXOWDGRV6HUHILHUHDORVUHVXOWDGRVTXHODHPSUHVDKDORJUDGR\HVWiORJUDQGR/RVUHVXOWDGRV
KDQGHPRVWUDUWHQGHQFLDVSRVLWLYDVRXQEXHQUHQGLPLHQWRVRVWHQLGR\ORVREMHWLYRVKDQGHVHU
DGHFXDGRV \DOFDQ]DUVH/RVUHVXOWDGRVKDQGHVHUIDYRUDEOHVFRPSDUDGRVFRQORVFRPSHWLGR
UHV\DGHPiVHODOFDQFHGHORVUHVXOWDGRVGHEHFXEULUWRGDVODViUHDVUHOHYDQWHVGHODHPSUHVD\
VHUODEDVHGHOHQIRTXH

x
(QIRTXH /R TXH OD HPSUHVD KD SODQLILFDGR KDFHU \ ODV UD]RQHV SDUD HOOR (Q XQD RUJDQL]DFLyQ
H[FHOHQWHHOHQIRTXHKDGHHVWDUELHQIXQGDPHQWDGRHLQWHJUDGRFRQSURFHVRVELHQGHILQLGRV\
GHVDUUROODGRVDSR\DGRHQODSROtWLFD\ODHVWUDWHJLDGHODRUJDQL]DFLyQ\DGHFXDGDPHQWHHQOD]D
GRFRQRWURVHQIRTXHV
x
'HVSOLHJXH/RTXHKDFHODHPSUHVDSDUDSRQHUHQSUiFWLFDHOHQIRTXHHQWRGDVODViUHDVUHOH
YDQWHV
x
(YDOXDFLyQ\UHYLVLyQ/RTXHVHKDFHSDUDHYDOXDU\UHYLVDUHOHQIRTXH\VXGHVSOLHJXH(QXQD
RUJDQL]DFLyQH[FHOHQWHHOHQIRTXH\VXGHVSOLHJXHHVWDUiQVXMHWRVFRQUHJXODULGDGDPHGLFLRQHV
VH HPSUHQGHUiQ DFWLYLGDGHV GH DSUHQGL]DMH \ ORV UHVXOWDGRV VHUYLUiQ SDUD LGHQWLILFDU SULRUL]DU
SODQLILFDU\SRQHUHQSUiFWLFDPHMRUDV
/DVLVWHPDWL]DFLyQ\ODHVWUXFWXUDFLyQGHOPRGHORVHEDVDQHQHOXVRGHKHFKRV\GDWRVFRQREMHWR
GHHYLWDUORVHUURUHVTXHVHGHULYDUtDQGHODXWLOL]DFLyQGHRSLQLRQHVSHUVRQDOHVRGHYDORUDFLRQHVQR
REMHWLYDEOHV
(QUHVXPHQODVFDUDFWHUtVWLFDV\YHQWDMDVGHOPRGHORHXURSHRVRQODVVLJXLHQWHV
x
(OPRGHORVLUYHSDUDFXDOTXLHUWLSRGHRUJDQL]DFLyQ\FXDOTXLHUFODVHGHDFWLYLGDG
x
(VWiRUGHQDGRVLVWHPiWLFDPHQWH
x
6HEDVDHQKHFKRV\HQH[SHULHQFLDVFRQWUDVWDGDVQRHQRSLQLRQHVSHUVRQDOHV
x
(VXQPDUFRGHUHIHUHQFLDTXHGDXQDEDVHFRQFHSWXDOFRP~QDWRGRHOSHUVRQDO
x
&RQVWLWX\HXQLQVWUXPHQWRGHIRUPDFLyQHQODJHVWLyQGHFDOLGDGSDUDWRGRHOSHUVRQDO
x
6LUYHSDUDGLDJQRVWLFDUODVLWXDFLyQUHDOGHXQDHPSUHVD

)LJXUD/yJLFD5('(5XWLOL]DGDHQHOPRGHOR()40
*HVWLyQGHODFDOLGDG

0RGHORVGHJHVWLyQPHGLRDPELHQWDO

(Q(XURSDH[LVWHQDFWXDOPHQWHGRVDOWHUQDWLYDVSDUDLPSODQWDUODJHVWLyQPHGLRDPELHQWDO HO5HJOD

PHQWR(XURSHRGH(FRJHVWLyQR(FRDXGLWRUtD(0$6 \ODQRUPD81((1,62(OUHJOD
PHQWRHXURSHRVHKDSHQVDGRSDUDLQVWDODFLRQHVILMDVGHWLSRLQGXVWULDO\HVGHGLItFLOLPSODQWDFLyQHQ
HPSUHVDVQRLQGXVWULDOHVFRPHUFLDOHVGHVHUYLFLRV\HQDFWLYLGDGHVQyPDGDVFRPRODFRQVWUXFFLyQ
/D QRUPD ,62 HV PHQRV H[LJHQWH TXH HO 5HJODPHQWR \ VH FHQWUD PiV HQ OD DFWXDFLyQ PH
GLRDPELHQWDO GH OD HPSUHVD TXH HQ ORV UHVXOWDGRV 7LHQH XQD HVWUXFWXUD EDVDGD HQ HO FLFOR 3'&$
3ODQ'R&KHFN$FW\HVXQVLVWHPDTXHJHVWLRQDORVSURGXFWRVQRLQWHQFLRQDGRVTXHVHREWLHQHQ
DO IDEULFDU HO SURGXFWR GHVHDGR 6X GLVSRVLFLyQ HV FRPSDWLEOH FRQ OD ,62 OR TXH OD KDFH PiV
DVHTXLEOH \PiVIiFLOGHLQWHJUDUFRQHOVLVWHPDGHFDOLGDG&XDQGRVHDXGLWDQVLVWHPDVGHJHVWLyQ
DPELHQWDO\GHODFDOLGDGMXQWRVVHKDEODGHDXGLWRUtDFRPELQDGD
/DOH\VREUHORVUHVLGXRVLQGXVWULDOHVDSUREDGDSRUHO3DUODPHQWRGH&DWDOXxDHVODFRQFUH
FLyQGHOPRGHORFDWDOiQGHJHVWLyQGHUHVLGXRV,QFRUSRUDORVREMHWLYRVGHPLQLPL]DFLyQYDORUDFLyQ\
WUDWDPLHQWR FRUUHFWR GHO GHVSHUGLFLR TXH VRQ DFWXDOPHQWH ORV HMHV SULQFLSDOHV GH OD JHVWLyQ GH ORV
UHVLGXRVEDVDGDHQODSURWHFFLyQGHOPHGLRDPELHQWH\HQHOGHVDUUROORVRVWHQLEOHGHDFXHUGRFRQOD
HVWUDWHJLDGHO4XLQWR3URJUDPDGHOD&RPXQLGDG(XURSHD(Q HVWHVHQWLGROD LQWHJUDFLyQDUPyQLFD
HQWUH HO GHVDUUROOR VRFLRHFRQyPLFR \ OD SURWHFFLyQ GHO PHGLR VH EDVD IXQGDPHQWDOPHQWH HQ WUHV

SULQFLSLRV HO GH SUHYHQFLyQ R DFWXDFLyQ HQ HO RULJHQ HO GH FRUUHVSRQVDELOL]DFLyQ \ HO SULQFLSLR GH
TXLHQFRQWDPLQDSDJD

(Q(XURSD
(FRPDQDJHPHQWDQG$XGLW6FKHPH
,PSOLFDFLyQGHWRGRVORVDJHQWHVSRGHUHVS~EOLFRVHPSUHVDULRV\FLXGDGDQRV

$(92/8&,1+,675,&$
$8QDSHUVSHFWLYDKLVWyULFD
&RQRFHUVXHYROXFLyQKLVWyULFDD\XGDDHQWHQGHUHOFRQFHSWRDFWXDOGHODJHVWLyQGHODFDOLGDG(VWD
HYROXFLyQ VH SXHGH UHVXPLU HQ XQD VHULH GH HWDSDV TXH QR UHSUHVHQWDQ YLVLRQHV HQIUHQWDGDV VLQR
FDGDYH]PiVDPSOLDVGHPDQHUDTXHFDGDXQDHQJOREDDODDQWHULRU
&DOLGDGEDVDGDHQODLQVSHFFLyQ(VWDHWDSDHVWDEDRULHQWDGDDOSURGXFWR\FHQWUDGDHQODLQVSHF
FLyQGHVSXpVGHODSURGXFFLyQ$OJXQDVDFWLYLGDGHVWtSLFDVGHHVWDIDVHVRQODVDXGLWRUtDVGHSURGXF
WRDFDEDGRODUHVROXFLyQGHSUREOHPDV\ODLQVSHFFLyQSRUPXHVWUHRHQODUHFHSFLyQGHPDWHULDOHV
(VWDVDFWLYLGDGHVKDFHQSRFRSRUODFDOLGDGGHOSURGXFWRSXHVWRTXHHQJHQHUDOWLHQHQOXJDUOHMRV
GHODIDEULFDFLyQ \HQFDVRGHGHWHFWDUVHDOJXQDGLVFRQIRUPLGDGODUHDFFLyQSRUSDUWHGHOGHSDUWD
PHQWRGHSURGXFFLyQHVOHQWD(VOD~QLFDHWDSDTXHVHSXHGHFRQVLGHUDUUHDOPHQWHVXSHUDGDHQHO
SODQRWHyULFR\DTXHFRPRODLQVSHFFLyQQRDxDGHYDORUODJHVWLyQKDGHHVWDUHQFDPLQDGDDKDFHU
LQQHFHVDULDVRSRUORPHQRVDUHGXFLUDOPi[LPRODVLQVSHFFLRQHV
&RQWUROGHODFDOLGDG(VWDHWDSDVHFHQWUDHQHOSURFHVRGHIDEULFDFLyQ\HQHOODVHXVDQWpFQLFDV
GHFRQWUROHVWDGtVWLFRGHSURFHVR(VWDVWpFQLFDVGHVDUUROODGDVSRU6KHZKDUWHQORVDxRVVHHP
SH]DURQDDSOLFDUGXUDQWHOD6HJXQGD*XHUUD0XQGLDODODVJUDQGHVSURGXFFLRQHVHQVHULH(QHVWD
HWDSD 6KHZKDUW LQWURGXFH OD LGHD GH TXH HO FRQWURO GH FDOLGDG SXHGH D\XGDU D GLVWLQJXLU HQWUH GRV
WLSRVGHYDULDFLyQGHOSURFHVRGHIDEULFDFLyQODYDULDFLyQGHELGDDFDXVDVDOHDWRULDV\ODTXHVHSXH
GHDWULEXLUDDOJXQDFDXVDHVSHFLDOY6KHZKDUW6KHZKDUWWDPELpQVXJLHUHTXHXQSURFHVRGH
IDEULFDFLyQ SXHGH VHU SUHGHFLEOH VL VH FRQVLJXH LGHQWLILFDU \ HOLPLQDU ODV FDXVDV HVSHFLDOHV \ SDUD
HOOR LQWURGXFH ORV JUiILFRV GH FRQWURO 3RVWHULRUPHQWH HVWDV WpFQLFDV IXHURQIXHUWHPHQWH LPSXOVDGDV
SRUORVIDEULFDQWHVGHDXWRPyYLOHVTXHODVLPSXVLHURQDVXVSURYHHGRUHV
$VHJXUDPLHQWRGHODFDOLGDG (VWDHWDSDFRQWLHQH ODVDQWHULRUHVHQHOVHQWLGRGH TXHVHWUDWDGH
GDU FRQILDQ]D GH TXH HO SURGXFWR FXPSOH ORV UHTXLVLWRV GHO FOLHQWH 3DUD HOOR VH LPSOLFD D WRGRV ORV
GHSDUWDPHQWRV GH OD HPSUHVD \ HQ PXFKRV FDVRV WDPELpQ D ORV SURYHHGRUHV (VWD HWDSD DUUDQFD
SRUUHTXHULPLHQWRGHODLQGXVWULDQXFOHDUHQORVDxRV\VHFRQVROLGDHQFXDQGRVHHVWDEOHFH
OD VHULH GH QRUPDV ,62 GH DVHJXUDPLHQWR GH OD FDOLGDG (Q HVWD HWDSD OD DWHQFLyQ VH GLULJH
KDFLDODHODERUDFLyQ GHOPDQXDOGHFDOLGDG ODHYDOXDFLyQGH ORVFRVWHVGHFDOLGDGHOFRQWUROGHORV
SURFHVRV\ODVDXGLWRUtDVGHOVLVWHPDGHFDOLGDGLQVLVWLHQGRHQODVPHGLGDVSUHYHQWLYDVRULHQWDGDVD
HYLWDUODDSDULFLyQGHODVGLVFRQIRUPLGDGHV
2SWLPL]DFLyQGHOGLVHxRGHQXHYRVSURGXFWRV\SURFHVRV(ODUUDQTXHGHHVWDHWDSDVHSXHGHVL
WXDUHQORVDxRVHQ-DSyQ\HQORVDxRVHQ2FFLGHQWH(QHOODVHXVDQWpFQLFDVFRPRHOGLVHxR
GHH[SHULPHQWRVSDUDPHMRUDUORVSURGXFWRV\SURFHVRVODVPDWULFHV4)'SDUDLGHQWLILFDU\SULRUL]DU
ORVUHTXLVLWRVGHORVFOLHQWHV\ORVHVWXGLRVFRPSDUDWLYRVGHPHUFDGR\HOEHQFKPDUNLQJY&DPS
/RVSULQFLSDOHVLPSXOVRUHVGHOGLVHxRGHH[SHULPHQWRVKDQVLGR*7DJXFKLHQHO-DSyQ\*(3%R[
HQ2FFLGHQWH
/DJHVWLyQGHODFDOLGDGWRWDOVHLQWURGXFHHQ(XURSDHQORVDxRV(VXQDHWDSDHQODTXHODV
HPSUHVDVWRPDQFRQFLHQFLDGHTXHODFDOLGDGHVDOJRTXHDIHFWDDWRGRVORVGHSDUWDPHQWRV/DJHV
WLyQEDVDGDHQORVSULQFLSLRV740H[LJHLPSODQWDUORVHQWRGRVORVQLYHOHV\GHSDUWDPHQWRVHVGHFLU
HQHOFRQMXQWRGHODHPSUHVD/DILORVRItD740H[LJHHOXVRGHWpFQLFDVGHJHVWLyQGHODFDOLGDGPiV
VRILVWLFDGDV\UHODFLRQHVPiVHVWUHFKDVFRQORVSURYHHGRUHV
$'HVDUUROORKLVWyULFR
/DSUHRFXSDFLyQSRUODFDOLGDGYLHQHGHPX\OHMRVDXQTXHHQODLQGXVWULDODFDOLGDGHPSH]yVLHQGR
XQDFRPSHWHQFLDH[FOXVLYDGHORVGHSDUWDPHQWRVGHFDOLGDG3DUWLHQGRGHHVWDVLWXDFLyQVHKDHYR
*HVWLyQGHODFDOLGDG

OXFLRQDGRKDVWDODDFWXDOHQODTXHODJHVWLyQGHODFDOLGDGLQYROXFUDDWRGRVORVGHSDUWDPHQWRVGHOD
HPSUHVD ,QWHQWDUHPRV GHVFULELU EUHYHPHQWH HVWD HYROXFLyQ WHQLHQGR HQ FXHQWD ORV WHyULFRV ORV
OODPDGRVJXU~VGHODFDOLGDGTXHPiVKDQLQIOXLGR
(QRSLQLyQGH-XUDQY-XUDQODKLVWRULDGHODJHVWLyQGHODFDOLGDGHPSLH]DFRPRUHDFFLyQD
XQHIHFWRQRGHVHDGRGHODUHYROXFLyQWD\ORULVWDTXHVLJQLILFyODLQWURGXFFLyQGHODRUJDQL]DFLyQFLHQ
WtILFDGHOWUDEDMR/DSUHVLyQSRUODSURGXFWLYLGDG\ODVHSDUDFLyQGHIXQFLRQHVFRQGXMRDXQDSpUGLGD
GHLQWHUpVSRUODFDOLGDG/RVGHSDUWDPHQWRVGHFDOLGDGVHGHGLFDEDQEiVLFDPHQWHDODLQVSHFFLyQ
GHOSURGXFWRHQIUHQWDGRVDPHQXGRFRQORVGHSDUWDPHQWRVGHSURGXFFLyQ(VWDVLWXDFLyQGXUyKDV
WDPHGLDQRVGHORVDxRV
(OWD\ORULVPRHQWHQGLGRFRPRXQVLVWHPDGHJHVWLyQDUUDQFDDILQDOHVGHOVLJOR;,;HQ ((88 \VH
DGHQWUDHQHO;;KDVWDPiVDOOiGHOD6HJXQGD*XHUUD0XQGLDO7LHQHXQDYLVLyQFOiVLFDGHOKRPEUH
FRPRVHUUDFLRQDO6XPi[LPRH[SRQHQWHIXH):7D\ORUTXHIXHHOSULPHURHQHVWXGLDUGHIRUPD
VLVWHPiWLFDODRUJDQL]DFLyQGHOWUDEDMR\VXVGLYHUVRVDVSHFWRVFRPRHOVLVWHPDGHSULPDVODUDOHQWL
]DFLyQGHODSURGXFFLyQSRUORVREUHURV\HOFURQRPHWUDMHGHODVWDUHDVHQODOtQHDGHSURGXFFLyQ(V
HOSULPHULQWHQWRGHRUJDQL]DUGHIRUPDFLHQWtILFDHOWUDEDMRGHORSHUDULRUHGXFLGRDXQDVXFHVLyQGH
RSHUDFLRQHVHOHPHQWDOHVGHILQLGDVGHWDOODGDPHQWHTXHpOVHOLPLWDEDDDSUHQGHU\UHSHWLU(ORSHUDULR
QRUHVROYtDORVSUREOHPDVTXHVHUHVHUYDEDQDORVHVSHFLDOLVWDV
&RQ6KHZKDUWVHLQLFLDODWHRUtDDFWXDOGHODJHVWLyQGHODFDOLGDGDSULQFLSLRVGHORVDxRV6KHZ
KDUWHVFRQVLGHUDGRFRPRHOSUHFXUVRUGHODFDOLGDG SRUKDEHU LQWURGXFLGRORVSULQFLSLRVGHOFRQWURO
HVWDGtVWLFRGHSURFHVR\GLVHxDGRORVJUiILFRVGHFRQWUROHQODPLVPDIRUPDHQTXHVHXVDQKR\ORV
JUiILFRVGH6KHZKDUWSDUDDSOLFDUHVRVSULQFLSLRVDODSURGXFFLyQHQVHULH/DLGHDGHJHVWLyQGHOD
FDOLGDGTXHVHH[WUDHGHVXVHVFULWRVY6KHZKDUWVHEDVDHQXQVHJXLPLHQWRPHWyGLFR\FRQ
WLQXDGRGHOSURFHVRSURGXFWLYRSDUDPDQWHQHUORVHVWDEOHVHQHVWDGRGHFRQWURO\HQODPHMRUDSRV
WHULRU6KHZKDUWIXHHOSULPHURDIRUPXODUHOFLFOR3'&$GHOTXH\DKHPRVKDEODGRHQHOFDStWXOR
'HPLQJIDOOHFLGRUHFLHQWHPHQWHHVHOSHUVRQDMHPiVHPEOHPiWLFR(OFRQFHSWRGHFDOLGDGGH
'HPLQJ HV GHO GH VDWLVIDFFLyQ GHO FOLHQWH LQFOXVR PiV DOOi GH VXV H[SHFWDWLYDV 'HVGH HO SXQWR GH
YLVWDPHWRGROyJLFR'HPLQJGLRXQDLPSRUWDQFLDSULPRUGLDODOFRQWUROGHORVSURFHVRV\DOXVRGHPp
WRGRVFLHQWtILFRV\SUHIHUHQWHPHQWHHVWDGtVWLFRV

)LJXUD$&LFORGHFDOLGDG3'&$IRUPXODGRSRU6KHZKDUW\SRSXODUL]DGRSRU'HPLQJ

+DFLD ORV DxRV OD SURGXFFLyQ HQ PDVD KDEtD DXPHQWDGR GH WDO IRUPD TXH VH KL]R LPSRVLEOH OD
LQVSHFFLyQDO(QHVWDpSRFDVXUJHHQORV(VWDGRV8QLGRVODDSOLFDFLyQGHWpFQLFDVHVWDGtVWLFDV
EDVDGDVHQHOPXHVWUHR\VHSXEOLFDQODVQRUPDVPLOLWDUHV 0LOLWDU\6WDQGDUGGHVWLQDGDVDIRUPDOL]DU
HOFRQWUROGHODFDOLGDGGHORVSURGXFWRVGHVXVSURYHHGRUHV(Q((88OD6HJXQGD*XHUUD0XQGLDO
LPSOLFDXQDXPHQWRGHODSURGXFWLYLGDG\HOJRELHUQRLPSXOVDDWUDYpVGHO:DU3URGXFWLRQ%RDUGXQD
IXHUWHFDPSDxDGHGLIXVLyQGHODVWpFQLFDVHVWDGtVWLFDVGHFRQWUROGHFDOLGDG
'HVSXpVGHODJXHUUDDxRVVHGHVDUUROODURQODVWpFQLFDVGHILDELOLGDGSUHYHUOD YLGD~WLO GH ORV
SURGXFWRVHQODVTXHODHVWDGtVWLFDHVXQDKHUUDPLHQWDLQGLVSHQVDEOH&RQODLPSODQWDFLyQGHHVWDV
WpFQLFDV\HODYDQFHGHOVHFWRUQXFOHDUDHURQiXWLFR\GHGHIHQVDVHKDFHQHFHVDULRDVHJXUDUTXHHO
SURGXFWR VDWLVIDJD ORV UHTXLVLWRV GH FDOLGDG HVSHFLILFDGRV GHVDUUROOiQGRVH HO FRQFHSWR GH DVHJXUD
PLHQWRGHODFDOLGDG
(QHVWHFRQWH[WR-XUDQIRUPXODVXGHILQLFLyQGHODFDOLGDGFRPRDGHFXDFLyQDOXVR-XUDQFRQVLGHUD
EDODJHVWLyQGHODFDOLGDGXQSUREOHPDRUJDQL]DWLYRTXH GHEtDVHUWUDWDGRSDUDOHODPHQWHD ORV DV
SHFWRVILQDQFLHURVHLQVLVWtDHQTXHODPHMRUDFRQWLQXDFRPRXQRGHORVSULQFLSLRVIXQGDPHQWDOHVGH
ODJHVWLyQGHODFDOLGDG0iVDGHODQWH)HLJHQEDXPLQWURGXMRHO74&GHOTXH\DKHPRVKDEODGRHQHO
FDStWXOR
(OLQFUHPHQWRGHOFRPHUFLRLQWHUQDFLRQDO\ODGLYHUVLGDGGHHVSHFLILFDFLRQHVUHJODPHQWDFLRQHVHWF
SURYRFDQODHODERUDFLyQGHQRUPDVWpFQLFDV',1HQ$OHPDQLD%6HQ,QJODWHUUDHWF/DSURGXFFLyQ
GH ((88 GXUDQWH OD JXHUUD IXH FXDQWLWDWLYDPHQWH FXDOLWDWLYD \ HFRQyPLFDPHQWH PX\ VDWLVIDFWRULD
GHELGRHQSDUWHDODLQWURGXFFLyQGHOFRQWUROHVWDGtVWLFRGHODFDOLGDGTXHDVXYH]HVWLPXOyDYDQFHV
WHFQROyJLFRV &RPR DQpFGRWD SRGHPRV UHFRUGDU TXH FLHUWDV WpFQLFDV HVWDGtVWLFDV GH FRQWURO GH OD
FDOLGDG GHVDUUROODGDV HQ ((88 \ HO 5HLQR 8QLGR ODV SRWHQFLDV DOLDGDV IXHURQ FODVLILFDGDV FRPR
VHFUHWRVPLOLWDUHV
(QORVWLHPSRVGHSUHJXHUUD\GXUDQWHOD*XHUUD0XQGLDOVHKDEtDQLQWURGXFLGRHQ-DSyQODVSULPH
UDVQRUPDV%ULWLVK6WDQGDUGVDVtFRPRORVPpWRGRVGH7D\ORUTXHHQDTXHOPRPHQWRVHFRQ
VLGHUDEDQFRPRHOHQIRTXHPiVPRGHUQRGHODSURGXFFLyQLQGXVWULDO
'XUDQWH OD SRVJXHUUD 1RUWHDPpULFD IXH HO ~QLFR SURGXFWRU GHO PXQGR GH SURGXFWRV \ VHUYLFLRV GH
FDOLGDGDVtFRPRHO~QLFRFX\DLQIUDHVWUXFWXUDQRVyORQRKDEtDVLGRGDxDGDSRUODJXHUUDVLQRTXH
LQFOXVRKDEtDVLGRPHMRUDGDGHVGHVXHQWUDGDHQHOOD(QORVDxRV\ORVSURGXFWRVDOHPDQHV\
MDSRQHVHVIXHURQGHVDUUROODGRVFRQLQIUDHVWUXFWXUDVGHVIDVDGDVRGHILFLHQWHVQRVLHQGRFRPSDUDEOHV
HQQLQJ~QDVSHFWRFRQORVDPHULFDQRV/DLQGXVWULDDPHULFDQDYHQGtDWRGRORTXHHUDFDSD]GHSUR
GXFLU\VHYROYLyDXWRFRPSODFLHQWHODFDOLGDGIXHGHVSOD]DGDSRUODFDQWLGDG(VWHGHFOLYHGHODFDOL
GDGQRWXYRUHSHUFXVLyQHQODSULPHUDHFRQRPtDPXQGLDOPLHQWUDVODVHPSUHVDVGH((88QRWXYLHURQ
FRPSHWHQFLD$SULQFLSLRVGHORVODPD\RUSDUWHGHODVPHMRUDV\ODVWpFQLFDVGHFDOLGDGFRQVH
JXLGDVGXUDQWHODJXHUUDVHSHUGLHURQRVHDEDQGRQDURQ
'HPLQJ\-XUDQH[SOLFDURQHQVXVFRQIHUHQFLDVHQ-DSyQFyPRODLQGXVWULDDPHULFDQDHPSH]DEDD
PRVWUDUHVWRVVtQWRPDV-XUDQ\)HLJHQEDXPGLIXQGLHURQODLGHD GHUHVSRQVDELOL]DUDFDGDLQGLYLGXR
HQHVSHFLDO\DWRGRVORVGHSDUWDPHQWRVGHXQDHPSUHVDHQXQDJHVWLyQGHODFDOLGDGWRWDOEDVDGD
HQHOHQIRTXHHVWDGtVWLFRGH'HPLQJ/DLQGXVWULDMDSRQHVDDGRSWyVHULDPHQWHHVWRVFRQFHSWRVFRQ
SURFHVRVGHPHMRUDFRQWLQXD\VXVSURGXFWRVDOFDQ]DURQXQDFDOLGDG\XQDILDELOLGDGPX\VXSHULRUHV
DODVGHORVDPHULFDQRV$PHGLDGRVGHORV-DSyQHUDHOSULQFLSDOPHUFDGRSDUD((88ORVMDSR
QHVHV LPSRUWDEDQ UDGLRV SRUWiWLOHV TXH IXQFLRQDEDQ FRQ WXERV GH YDFtR HQ PLQLDWXUD TXH VH GLVWLQ
JXtDQSRUVXHOHYDGRSHVR\SRUDJRWDUUiSLGDPHQWHODVSLODV3RUDTXHOHQWRQFHV-DSyQLQWURGXMRHQ
VXV GLVHxRV HO WUDQVLVWRU TXH SUHVHQWDED LQQXPHUDEOHV YHQWDMDV VREUH ODV YiOYXODV DXQTXH HQ XQ
SULQFLSLRHUDPXFKRPiVFDUR/RVSURGXFWRVPHMRUDGRVSRUORVMDSRQHVHVIXHURQOOHJDQGRDORVPHU
FDGRVRFFLGHQWDOHV
$ ILQDOHV GH ORV FLQFXHQWD HO FRQVXPLGRU DPHULFDQR HPSH]DED D H[LJLU PHMRUHV SUHVWDFLRQHV PiV
IDFLOLGDGGHXVRPiVILDELOLGDG\PiVFDOLGDGDORVSURGXFWRVTXHFRPSUDED/DLQGXVWULDDPHULFDQD
HPSHxDGD HQ OD SURGXFFLyQ FXDQWLWDWLYD SHUPDQHFtD LJQRUDQWH DO SURJUHVR H[WHULRU 'H HVWH PRGR
*HVWLyQGHODFDOLGDG

SURQWR FRPHQ]y -DSyQ D H[SRUWDU HTXLSRV PD\RUHV FRPR PDJQHWyIRQRV \ WHOHYLVRUHV H LQLFLy FRQ
$OHPDQLD OD FRQTXLVWD GHO PHUFDGR DPHULFDQR GH OD IRWRJUDItD FRQ 1LNRQ $JID 3HQWD[ 0LQROWD \
&DQRQ
(QHODxRQDFHQHQ-DSyQORVOODPDGRVFtUFXORVGHFDOLGDGHQORVTXHVHSURPXHYHODIRUPD
FLyQGHWRGRHOSHUVRQDOHQODVKHUUDPLHQWDVEiVLFDVGHORVSURFHVRVGHPHMRUDODVVLHWHKHUUDPLHQ
WDVGH,VKLNDZD,VKLNDZD\RWURVOtGHUHVMDSRQHVHVHVWDEOHFLHURQODVUHJODVSDUDHOIXQFLRQDPLHQWRGH
ORVFtUFXORVGHFDOLGDG\RWUDVDFWLYLGDGHVSDUWLFLSDWLYDVHQODVTXHVHLQYROXFUDEDDWRGRHOSHUVRQDO
GHODHPSUHVDHQODPHMRUDFRQWLQXD/DVLGHDVDGRSWDGDVEDVDGDVHQTXHWRGDVODVSHUVRQDVGHOD
RUJDQL]DFLyQHUDQUHVSRQVDEOHVGHODFDOLGDG\HQTXHORVGHSDUWDPHQWRVGHFDOLGDGGHEtDQVHUSH
TXHxRVFRQWULEX\HURQDVXFRPSHWLWLYLGDG6HDFHUFDURQDXQDFRQFHSFLyQGHODFDOLGDGHQODTXHHO
IDFWRUKXPDQRHVLPSRUWDQWH,VKLNDZDDGRSWDGHVGHHOLQLFLRXQVLVWHPDTXHWLHQGHDODJHVWLyQWRWDO
GHODFDOLGDGEDVDGRHQODHILFDFLDGHOWUDEDMRHQJUXSR\ODPRWLYDFLyQGHORVWUDEDMDGRUHVLQFRUSR
UDQGRDWRGRHOSHUVRQDOHQODPHMRUDGHODFDOLGDGSDUDDSURYHFKDUODVFDSDFLGDGHVGHWRGRVEXV
FDQGRHOEHQHILFLRGHODSHUVRQD\GHODHPSUHVD
$SULQFLSLRGHORVDxRVVHSURGXFHXQDFHUFDPLHQWRGH2FFLGHQWHKDFLDODVLGHDVGHO-DSyQSD
VDQGRDLQFRUSRUDUHOHOHPHQWRKXPDQRHQODFRQVHFXFLyQGHODFDOLGDG$OHQWRUQRFRPHUFLDOVHSUR
GXFHQFDPELRVLPSRUWDQWHVXQDPXQGLDOL]DFLyQGHODRIHUWD\LQWHJUDFLyQGHODVHPSUHVDVGHVHUYL
FLRVHQHOiUHDGHQHJRFLRV
(O GHVDUUROOR GH 2FFLGHQWH KD VLGR HYROXWLYR PLHQWUDV TXH HO GH -DSyQ VH SXHGH FRQVLGHUDU FRPR
UHYROXFLRQDULR 7UDWDQGR GH UHVXPLU SRGHPRV GHFLU TXH pVWH ~OWLPR VH DSR\D EiVLFDPHQWH HQ WUHV
SLODUHV
x
/RVSURJUDPDVIRUPDOHVGHPHMRUDGHODFDOLGDGFRQXQVHJXLPLHQWRHVWULFWRGHOFXPSOLPLHQWRGH
ORVREMHWLYRV
x
(OOLGHUD]JRGHODGLUHFFLyQHQORVSURJUDPDVGHPHMRUDGHODFDOLGDG
x
/DIRUPDFLyQDWRGRVORVQLYHOHVGHODRUJDQL]DFLyQ
'XUDQWHODVHJXQGDPLWDGGHOVLJOR;;ODFDOLGDGKDVLGRXQIDFWRUFRPSHWLWLYRGHLPSRUWDQFLDFUHFLHQ
WH(OFRQFHSWRGHFDOLGDGVHKDGHVDUUROODGRHQFDVLODWRWDOLGDGGHORVSDtVHVLQGXVWULDOL]DGRV\HQ
PXFKRVGHHOORVVHKDQFUHDGRRUJDQL]DFLRQHVHQVXPD\RUtDGHiPELWRQDFLRQDOSDUDUHFRSLODUH
LQIRUPDUGHWRGDODWHFQRORJtDHLQIRUPDFLyQH[LVWHQWHVREUHHVWHWHPDFRPRSRUHMHPSOR
x
/D2UJDQL]DFLyQ$PHULFDQDSDUDHO&RQWUROGHOD&DOLGDG$64&HQ((88
x
/D8QLyQ-DSRQHVDGH,QJHQLHURV\&LHQWtILFRV-86(HQ-DSyQ
x
/D2UJDQL]DFLyQ(XURSHDSDUDHO&RQWUROGHOD&DOLGDG(24&HQ(XURSD
x
/D$VRFLDFLyQ(VSDxRODSDUDHO&RQWUROGHOD&DOLGDG$(&&HQ(VSDxD
(Q ORV DxRV VH SURGXFH XQD VHULH GH DFRQWHFLPLHQWRV TXH PDUFD XQ FDPELR HQ OD HYROXFLyQ GHO
FRQFHSWRGHODJHVWLyQGHODFDOLGDG+DVWDHQWRQFHVORVWHyULFRVGHODJHVWLyQGHODFDOLGDGKDEtDQ
GHVDUUROODGRORVFRQFHSWRV\SULQFLSLRVHQTXHVHIXQGDPHQWDODJHVWLyQGHODFDOLGDGSHURHQ2FFL
GHQWH ODV RUJDQL]DFLRQHV QR GLVSRQtDQ GH PRGHORV GH UHIHUHQFLD SDUD GHVDUUROODU VXV VLVWHPDV GH
FDOLGDG
(OFRPLWpWpFQLFR,627&VHFUHyHQFRQODPLVLyQGHHODERUDUXQPRGHORGHDVHJXUDPLHQWR
GHODFDOLGDG(QDSDUHFHQODVSULPHUDVQRUPDVGHODVHULH,62$SDUWLUGHHQWRQFHVKDQ
DSDUHFLGRGRVYHUVLRQHVPiVXQDHQ\ODDFWXDOHQHO

(Q((88ODRUJDQL]DFLyQ1DWLRQDO%XUHDXRI6WDQGDUGV ODQ]DODFDPSDxD6L-DSyQSXHGHSRU
TXpQRQRVRWURV(VWRHVGHELGRDTXHHQHVRVPRPHQWRVODLQGXVWULDMDSRQHVDHUDPiVFRPSHWLWLYD
TXH OD DPHULFDQD \ SDUWH GH HVD YHQWDMH VH DWULEXtD D OD JHVWLyQ GH OD FDOLGDG HVSHFLDOPHQWH D ORV
PpWRGRVLQWURGXFLGRV SRU 'HPLQJHQ ORVDxRVVLJXLHQWHVD OD 6HJXQGD*XHUUD0XQGLDOY5RWJHU \
&DQHOD (Q -DSyQ OD -86( LQVWLWX\y HQ HO DxR HO SULPHU SUHPLR D OD FDOLGDG HO SUHPLR
'HPLQJ(OSUHPLR0DOFROP%DOGULGJHIXHFUHDGRHQSRUHOFRQJUHVRGH((88Y&DStWXOR(O
SUHPLR HXURSHR GH OD FDOLGDG IXH LQVWLWXLGR SRU OD ()40 HQ SDUD SURSRUFLRQDU XQ PDUFR GH
WUDQVIHUHQFLDGHLQIRUPDFLyQ\FUHDFLyQGHPRGHORVGHH[FHOHQFLDFRP~QPHQWHDFHSWDGRV
$/DJHVWLyQGHODFDOLGDGWRWDO740
/DV WHQGHQFLDV DFWXDOHV HQ DGPLQLVWUDFLyQ \ GLUHFFLyQ GH HPSUHVD FRQGXFHQ D GHVLJQDU XQ QXHYR
HVWLORGHJHVWLyQHPSUHVDULDOFHQWUDGRHQODPHMRUDGHHIHFWLYLGDGIOH[LELOLGDG\FRPSHWLWLYLGDGGHXQD
RUJDQL]DFLyQTXHVHFRQRFHFRQHOQRPEUHGHJHVWLyQWRWDOGHODFDOLGDG740GHODTXH\DKHPRV
KDEODGRHQHOFDStWXOR/DILORVRItD740YDPXFKRPiVDOOiGHOVHQWLGRTXHWUDGLFLRQDOPHQWHWRPD
EDODJHVWLyQGHODFDOLGDGOLJDGDH[FOXVLYDPHQWHDODFDOLGDGGHOSURGXFWR\OLPLWDGDDODVLQVSHFFLR
QHV6HWUDWDGHXQHVWLORGHJHVWLyQJOREDOEDVDGRHQODVDWLVIDFFLyQGHOFOLHQWH\ODPHMRUDFRQWLQXD
GHSURFHVRVTXHFRPELQD QXHYDVWpFQLFDVGHJHVWLyQFRQKHUUDPLHQWDV \DWUDGLFLRQDOHV6H RULHQWD
KDFLDODH[FHOHQFLDHPSUHVDULDO
8QDGHOHVSUHPLVDVEiVLFDVGHO740UHFDHHQHOFRPSURPLVRGHWRGRHOSHUVRQDOGHODHQWLGDGGH
FXDOTXLHUQLYHOGHVGHODGLUHFFLyQJHQHUDOKDVWDHOQLYHORSHUDWLYR\HQODFRQILDQ]DHQODJHQWH/D
QHFHVLGDG GH XQ OLGHUD]JR VyOLGR \ SHUPDQHQWH GHVGH OD GLUHFFLyQ JHQHUDO DVt FRPR OD IRUPDFLyQ
JHQHUDO \ FRQWLQXDGD GH WRGRV ORV PLHPEURV VH FRQIRUPDQ FRPR IDFWRUHV FODYHV GHO p[LWR GH HVWH
SODQWHDPLHQWR
/DPHMRUDFRQWLQXDGHSURFHVRVHVXQDFDUDFWHUtVWLFDLQKHUHQWHDOPLVPR740/RVPHGLRVXWLOL]DGRV
SDUDDOFDQ]DUODPHMRUDFRQWLQXDVRQODFRQFHQWUDFLyQHQODFUHDFLyQGHSURGXFWRVRVHUYLFLRV\HQOD
XWLOL]DFLyQGHHVWRVSURGXFWRVRVHUYLFLRVFRPRLQGLFDGRUHVGHODDGHFXDFLyQGHOSURFHVR
,VKLNDZDLQWHQWyGLIHUHQFLDUHOHVWLORRFFLGHQWDOGHOHVWLORMDSRQpVLQWURGXFLHQGRHOFRQWUROWRWDOGHFDOL
GDG HQ WRGD OD HPSUHVD EDViQGRVH EiVLFDPHQWH HQ GRV FRQFHSWRV QRYHGRVRV OD IRUPDFLyQ HQ OD
HPSUHVD\ODSDUWLFLSDFLyQGHFXDOTXLHUSHUVRQDUHODFLRQDGDFRQHOODGHVGHORVPLVPRVWUDEDMDGRUHV
KDVWDORVVXEFRQWUDWLVWDV\GLVWULEXLGRUHV$VtUHVDOWyODLPSRUWDQFLDGHODIRUPDFLyQGHWRGRHOSHUVR
QDOGHWRGRVORVQLYHOHVSDUDDOFDQ]DUDOWRVHVWiQGDUHVGHFDOLGDG
(OWpUPLQR740YLHQHDVHUHOHQYROYHQWHGHXQFRQMXQWRGHWpFQLFDV\KHUUDPLHQWDVXWLOL]DGDVSDUDOD
PHMRUDGHOUHQGLPLHQWRDSOLFDEOHVDWRGRVORVQLYHOHVGHODRUJDQL]DFLyQ$GHPiVHVWDVWpFQLFDVVRQ
~WLOHVHQODVDFWLYLGDGHVLQWUtQVHFDVGHODHPSUHVDILQDQ]DVGHVDUUROORSURGXFFLyQPiUTXHWLQJYHQ
WDVGLVWULEXFLyQUHFXUVRVKXPDQRVHWF(VIiFLOGDUVHFXHQWDGHTXHHOFRQFHSWRGH740HVFRP
SOHMR\PXOWLGLVFLSOLQDULR
+D\ XQ JUDQ Q~PHUR GH WpFQLFDV LQFOXLGDV GHQWUR GH HVWH FRQMXQWR 4)' DQiOLVLV GHO YDORU +RVKLQ
3ODQQLQJ.DL]HQ-,7LQJHQLHUtDVLPXOWiQHDODVVLHWHKHUUDPLHQWDVGH,VKLNDZDHOGLVHxRGHH[SHUL
PHQWRVHWF(QFDGDDFWLYLGDGGHODRUJDQL]DFLyQVHOHSXHGHQDVRFLDUGLYHUVDVWpFQLFDVRpVWDVVRQ
DGHFXDGDVSDUDGLIHUHQWHVIDVHV
8QD GH ODV DSRUWDFLRQHV RULJLQDOHV TXH LQWURGXFH HO 740 HV HO FRQFHSWR GH OD FDGHQD FOLHQWH
SURYHHGRULQWHUQR(VHVHQFLDOGHWHUPLQDUODVQHFHVLGDGHVGHORVFOLHQWHVWDQWRH[WHUQDVFRPRLQWHU
QDV (V KDELWXDO TXH GHQWUR GH OD HPSUHVD OD WUDQVIHUHQFLD GH LQIRUPDFLyQ VHD PX\ UHGXFLGD \ HQ
DOJXQRV FDVRV QXOD /DV UHODFLRQHV FOLHQWHSURYHHGRU LQWHUQR GHEHUtDQ GH JHVWLRQDUVH FRQ HO ILQ GH
VDWLVIDFHU ORV UHTXHULPLHQWRV /D IRUPD PiV VHQFLOOD GH HQWHQGHU HVWD FDGHQD HV LQFRUSRUDQGR RWUR

$FWXDOPHQWH1DWLRQDO,QVWLWXWHRI6WDQGDUGVDQG7HFKQRORJ\1,67
*HVWLyQGHODFDOLGDG

FRQFHSWR WDQWR R PiV LPSRUWDQWH HO GH SURFHVR &XDOTXLHU DFWLYLGDG TXH WUDQVIRUPD XQ LQSXW HQ XQ
RXWSXWSXHGHFRQVLGHUDUVHFRPRXQSURFHVR
$/RVWHyULFRVGHODJHVWLyQGHODFDOLGDG
:DOWHU$6KHZKDUWHVFRQVLGHUDGRHOSUHFXUVRUGHODWHRUtDPRGHUQDGHODJHVWLyQGHODFDOLGDG/D
SXEOLFDFLyQHQHODxRGHVXOLEUR (FRQRPLF&RQWURORI4XDOLW\RI 0DQXIDFWXUHG3URGXFWVHQHO
TXHSUHVHQWDORVIXQGDPHQWRVGHOFRQWUROHVWDGtVWLFRGHORVSURFHVRVFXOPLQDORVWUDEDMRVHPSH]D
GRVVHLVDxRVDQWHV
:(GZDUGV'HPLQJ HVHOSHUVRQDMHPiVHPEOHPiWLFR \UXSWXULVWDGHOPRYLPLHQWRSDUD ODFDOLGDG
6X HVWLOR GH JHVWLyQ VH UHVXPH HQ OR TXH DxRV PiV WDUGH VH FRQRFH FRPR ORV FDWRUFH SXQWRV GH
'HPLQJ$FRQWLQXDFLyQSUHVHQWDPRVHVWRVSXQWRV
&UHDUFRQVWDQFLDHQHOSURSyVLWRGHPHMRUDUHOSURGXFWR\HOVHUYLFLR
$GRSWDUXQDQXHYDILORVRItDFRQXQFDPELRHQHOHVWLORGHJHVWLyQ
'HMDUGHGHSHQGHUGHODLQVSHFFLyQHQPDVD
$FDEDUFRQODSUiFWLFDGHKDFHUQHJRFLRVVREUHODEDVHGHOSUHFLR
0HMRUDUFRQVWDQWHPHQWH\VLHPSUHHOVLVWHPDGHSURGXFFLyQ\VHUYLFLR
,PSODQWDUODIRUPDFLyQ
$GRSWDUHLPSODQWDUHOOLGHUD]JR
(OLPLQDUHOPLHGR1DGLHSXHGHGDUORPHMRUGHVtPLVPRVLQRVHVLHQWHVHJXUR
'HUULEDUODVEDUUHUDVHQWUHGHSDUWDPHQWRV
(OLPLQDUHVOyJDQHV\H[KRUWDFLRQHVSDUDORVWUDEDMDGRUHV
(OLPLQDUODVFXRWDVSDUDODPDQRGHREUD\ORVREMHWLYRVQXPpULFRVSDUDORVGLUHFWLYRV
(OLPLQDUODVEDUUHUDVTXHSULYHQDODJHQWHGHVHQWLUVHRUJXOORVDGHVXWUDEDMR
(VWLPXODUODHGXFDFLyQ\ODDXWRVXSHUDFLyQGHWRGRV
$FWXDUSDUDFRQVHJXLUODWUDQVIRUPDFLyQGHDFXHUGRFRQORVRWURVWUHFHSXQWRV
6HJ~Q+51HDYHY1HDYHGHOD%ULWLVK'HPLQJ$VVRFLDWLRQORVFDWRUFHSXQWRVQRVRQXQ
UHVXPHQ GH VX SHQVDPLHQWR VLQR VX FRQVHFXHQFLD XQD FRQVHFXHQFLD QDWXUDO GH OD DSOLFDFLyQ GHO
OODPDGR VLVWHPD GHO FRQRFLPLHQWR SURIXQGR V\VWHP RI SURIRXQG NQRZOHGJH D OD WUDQVIRUPDFLyQ
GHODFWXDOHVWLORGHJHVWLyQRFFLGHQWDOHQRWURRULHQWDGRDODRSWLPL]DFLyQ6HJ~Q1HDYHHVWHVLVWHPD
HVWiEDVDGRHQ
x
/DYLVLyQGHODHPSUHVDFRPRXQVLVWHPDGHSURFHVRVPXWXDPHQWHUHODFLRQDGRVTXHKDQGHVHU
RSWLPL]DGRVHQFRQMXQWR
x
(OFRQRFLPLHQWRGHODYDULDELOLGDGTXHSHUPLWHGLVFHUQLUHQWUHFDXVDVFRPXQHV\FDXVDVDVLJQD
EOHV
x
8QDWHRUtDGHOFRQRFLPLHQWREDVDUVHHQKHFKRV\VHUFDSDFHVGHFRQVWUXLUPRGHORV\GHILQLFLR
QHVRSHUDWLYDV
x
&RQRFLPLHQWRVGHVLFRORJtDTXHQRVD\XGHQDHQWHQGHUDODJHQWH

$ )HLJHQEDXP IXH HO FUHDGRU GHO FRQFHSWR 74& TXH GHILQH FRPR XQ VLVWHPD HILFD] SDUD LQWHJUDU
ORVHVIXHU]RVHQPDWHULDGHGHVDUUROORDVHJXUDPLHQWR\PHMRUD GH ODFDOLGDGUHDOL]DGRV SRUORVGL
YHUVRVJUXSRVHQXQDRUJDQL]DFLyQGHPRGRTXHVHDSRVLEOHSURGXFLUELHQHV\VHUYLFLRVDORVQLYHOHV
PiVHFRQyPLFRV\TXHVHDQFRPSDWLEOHVFRQODVDWLVIDFFLyQGHORVFOLHQWHV8QHOHPHQWRHVHQFLDOGH
VXSHQVDPLHQWRHVTXHODFDOLGDGFXEUHWRGRHOFLFORGHXQSURGXFWR \TXHSDUDFRQVHJXLUODGHEHQ
FRRUGLQDUVHWRGDVODVIXQFLRQHVGHODHPSUHVD
/DREUDGH-0-XUDQHVPX\H[WHQVD6HJ~Q-XUDQODFDOLGDGHVODDGHFXDFLyQDOXVR\HVWDGHIL
QLFLyQ OD FRQVLGHUD DSOLFDEOH D WRGD FODVH GH RUJDQL]DFLRQHV LQGXVWULDOHV R GH VHUYLFLRV (QWUH VXV
LGHDVFDEHGHVWDFDUODGH TXH ODFDOLGDGHVMX]JDGD SRUHOFRQVXPLGRU SRU ORFXDOQRHVVXILFLHQWH
FXPSOLUORVUHTXLVLWRVHVSHFLILFDGRV(OHVWLORGHJHVWLyQTXHSURSXJQDVHEDVDHQODOODPDGDWULORJtD
GHODFDOLGDGODSODQLILFDFLyQHOFRQWURO\ODPHMRUD/DFDUDFWHUtVWLFDPiVGHVWDFDEOHGHODREUDGH
-XUDQHVODPHMRUDFRQWLQXDGHORVSURGXFWRV\ORVSURFHVRV'HVDUUROOyPpWRGRVSDUDVLVWHPDWL]DUOD
PHMRUD FRQWLQXD PHGLDQWH HO WUDEDMR HQ HTXLSR (V XQR GH ORV SUHFXUVRUHV GHO VHJXLPLHQWR GH ORV
FRVWHVDVRFLDGRVFRQODFDOLGDGORVOODPDGRVFRVWHVGHQRFDOLGDG-XUDQFRQVLGHUDTXHODWUDGXF
FLyQ D XQLGDGHV PRQHWDULDV GHO FRVWH GH OD JHVWLyQ GH OD FDOLGDG \ GH ORV HUURUHV FRPHWLGRV HV ~WLO
SDUDVHQVLELOL]DUDODGLUHFFLyQ\SDUDFXDQWLILFDUORVHVIXHU]RVGHPHMRUD
3KLOLS&URVE\IXHXQRGHORVSUHFXUVRUHVGHODFDPSDxDLQLFLDGDSRUHO'HSDUWDPHQWRGH'HIHQVDGH
((88HQORVDxRVHQODTXHVHDERJDEDSRUORVFHURGHIHFWRV(VWDLGHDIXHSRVWHULRUPHQWHPX\
FULWLFDGDSRUODWULYLDOLGDGGHOWUDWDPLHQWRGHODJHVWLyQGHODFDOLGDGTXHSUHVHQWDEDFHQWUDGDHQDF
FLRQHVSXQWXDOHV \ QRHQ XQHVWLORGH RUJDQL]DFLyQ +DLQIOXLGRVREUHWRGRDWUDYpVGHVXVFXUVRV
(QWUHVXVHVOyJDQHVFDEHGHVWDFDU
x
/DFDOLGDGHVHOFXPSOLPLHQWRGHORVUHTXLVLWRVHVWDEOHFLGRVSDUDHOSURGXFWRTXHODHPSUHVDKD
GHHVSHFLILFDUFODUDPHQWH
x
(OVLVWHPDGHFDOLGDGVHEDVDHQODSUHYHQFLyQ
x
(OUHVXOWDGRHVSHUDGRHVFHURGHIHFWRV
x
/DPHGLGDGHODFDOLGDGHVHOFRVWHGHODGLVFRQIRUPLGDG
6HFRQVLGHUDD.DRUX,VKLNDZDFRPRHOSDGUHGHODFDOLGDGHQ-DSyQ6HJ~QpOHOGHORVSUR
EOHPDVSXHGHQVHUUHVXHOWRVFRQ ODVVLHWHKHUUDPLHQWDV,VKLNDZDIXHXQR GH ORVLPSXOVRUHVGH ORV
FtUFXORVGHFDOLGDGTXHQDFLHURQHQHQ-DSyQSDUDSRQHUHQSUiFWLFDODVVLHWHKHUUDPLHQWDV\
RWUDVWpFQLFDVTXH,VKLNDZDLEDSXEOLFDQGRGHPDQHUDSHULyGLFD/DVVLHWHKHUUDPLHQWDVVRQHOIRU
PXODULRGHWRPDGHGDWRVHOEUDLQVWRUPLQJHOGLDJUDPDGH3DUHWRHOGLDJUDPDFDXVDHIHFWRHOKLV
WRJUDPDHOJUiILFRGHFRQWURO\HODQiOLVLVGHODFRUUHODFLyQ(VWDVWpFQLFDVSXHGHQHQFRQWUDUVHGHV
DUUROODGDVHQ,VKLNDZD\UHVXPLGDVHQ5RWJHU\&DQHOD(QORVFtUFXORVGHFDOL
GDG UHXQtDQ PLHPEURV 6HJ~Q .RQGR ODV FRQGLFLRQHV TXH ,VKLNDZD FUHtD LPSUHV
FLQGLEOHVSDUDHOp[LWRGHODJHVWLyQGHODFDOLGDGHUDQ
x
7RGRVORVHPSOHDGRVGHEHQHQWHQGHUFODUDPHQWHORVREMHWLYRVGH ODHPSUHVDDILQGHSRGHULQ
WURGXFLUODILORVRItD740
x
/DVFDUDFWHUtVWLFDVGHODJHVWLyQWRWDOGHODFDOLGDGHQHOFRQMXQWRGHODHPSUHVD\HQFDGDXQR
GHORVGHSDUWDPHQWRVKDQGHVHUSUHVHQWDGDVGHPDQHUDFODUD
x
(O FLFOR 3'&$ KD GH JLUDU HQ HO FRQMXQWR GH OD HPSUHVD FRPR PtQLPR FDGD WUHV DxRV 'HEHQ
XWLOL]DUVHODVWpFQLFDVHVWDGtVWLFDV\HODQiOLVLVGHORVSURFHVRV
x
/DHPSUHVDKDGHWHQHUFDSDFLGDGGHHVWDEOHFHUXQSODQDODUJRSOD]RSDUDOD740\HMHFXWDUOR
GHPDQHUDVLVWHPiWLFD
x
'HEHQURPSHUVHODVEDUUHUDVHQWUHGHSDUWDPHQWRV\HVWDEOHFHUXQDJHVWLyQLQWHUGHSDUWDPHQWDO
x
6HGHEHDFWXDUFRQFRQILDQ]DFUH\HQGRTXHHOWUDEDMRGDUiIUXWR
*HVWLyQGHODFDOLGDG

/DPHGLGDGHOp[LWRYHQGUtDGDGDSRUWUHVGDWRV
(OFXPSOLPLHQWRGHOFDOHQGDULRGHOGHVDUUROORGHQXHYRVSURGXFWRV
(OQ~PHURGHXQLGDGHVGHIHFWXRVDVQROOHJDDOXQDVHPDQDDQWHVGHOLQLFLRGHODSURGXFFLyQ
HQVHULH
(OSURGXFWRVHYHQGHELHQVLQUHFODPDFLRQHVGHOFOLHQWH
*HQLFKL7DJXFKLHVGHORVFOiVLFRVHOTXHGDXQDYLVLyQPiVRULJLQDO1ROOHJDDXQSODQWHDPLHQWR
JOREDOGHODJHVWLyQGHODFDOLGDGVLQRTXHVHOLPLWDDDOJXQRVGHVXVDVSHFWRVTXHDIHFWDQPiVD
WpFQLFDVFRQFUHWDVDSOLFDGDVDODJHVWLyQGHODFDOLGDG'HILQHODFDOLGDGSRUHOFRVWHTXHHOXVRGHO
SURGXFWR SXHGD FDXVDU DO FRQMXQWR GH OD VRFLHGDG \ UHODFLRQD HVWH FRVWH FRQ OD GHVYLDFLyQ GH ORV
SDUiPHWURVGHOSURGXFWRUHVSHFWRDVXVYDORUHVQRPLQDOHVDWUDYpVGHODIXQFLyQGHSpUGLGD2WURGH
ORVFRQFHSWRVPiVYDOLRVRV \ TXHPiVLQIOXHQFLDKDQWHQLGR HQ2FFLGHQWH HO GHGLVHxRUREXVWRVH
GHEHWDPELpQD7DJXFKL
$(OFRQWUROHVWDGtVWLFRGHODFDOLGDG
(OFRQWUROHVWDGtVWLFRGHODFDOLGDGSXHGHGHILQLUVHFRPRHOFRQMXQWRGHDFWLYLGDGHVGHFRQWUROGHOD
FDOLGDGTXHXWLOL]DQWpFQLFDVHVWDGtVWLFDV/RVFRQFHSWRVIXQGDPHQWDOHVGHOFRQWUROHVWDGtVWLFRGH OD
FDOLGDG IXHURQ H[SXHVWRV SRU SULPHUD YH] SRU : ( 6KHZKDUW HQ XQ PHPRUiQGXP SUHVHQWDGR HQ
HQ%HOO7HOHSKRQH/DERUDWRULHV(VWDVLGHDVIXHURQGHVDUUROODGDVHQXQDVHULHGHDUWtFXORVHQ
%HOO6\VWHP7HFKQLFDO-RXUQDO\FRQODDSDULFLyQGH6KHZKDUWTXHGyHVWDEOHFLGDEXHQDSDUWH
GHODWHUPLQRORJtDTXHD~QKR\HVKDELWXDO\VHLQLFLyODGLIXVLyQGHODVWpFQLFDVHVWDGtVWLFDVFOiVLFDV
GHOFRQWUROGHODFDOLGDG/RVJUiILFRVGLVHxDGRVSRU6KHZKDUWSDUDHOFRQWUROGHSURFHVRVLQGXVWULDOHV
VH VLJXHQ FRQVWUX\HQGR WRGDYtD WDO FRPR pO ORV FRQFLELy \ VH XVD OD GHQRPLQDFLyQ GH JUiILFRV GH
FRQWUROGH6KHZKDUWSDUDGLVWLQJXLUORVGHRWURVLQWURGXFLGRVSRVWHULRUPHQWH
2WURVGRVKRPEUHVGH%HOO+)'RGJH\+*5RPLJGLHURQXQQXHYRLPSXOVRFRQHOGHVDUUROORGH
PpWRGRVHVWDGtVWLFRVGHPXHVWUHRSDUDODLQVSHFFLyQGHSURGXFWRDFDEDGR$HOORVVHGHEHQORVSUL
PHURVSODQHVGHPXHVWUHRTXHGDWDQGH
'HVGHTXHGDURQPDUFDGDVGRVGLUHFFLRQHVHQHOGHVDUUROORGHWpFQLFDVHVWDGtVWLFDVGHFRQWURO
GH OD FDOLGDG OD GH ORV JUiILFRV GH FRQWURO GHVWLQDGRV DO FRQWURO GXUDQWH OD IDEULFDFLyQ \ OD GH ORV
SODQHVGHPXHVWUHRXVDGRVSDUDWRPDUGHFLVLRQHVGHDFHSWDFLyQUHFKD]RGHORWHVGHPDWHULDOVXPL
QLVWUDGRSRUXQSURYHHGRURGHFLVLRQHVGHH[SHGLFLyQUHFWLILFDFLyQHQORVFRQWUROHVILQDOHVGHSURGXF
WRDFDEDGR
(QORVDxRV \VHDVLVWLyD XQQRWDEOHHVIXHU]RHQHO GHVDUUROORGHWDEODVGHPXHVWUHR(O
HPSXMHLQLFLDOGHOHTXLSRGH%HOOIXHUHIRU]DGRSRUODDSDULFLyQHQHOHVFHQDULRGHO'HSDUWDPHQWRGH
'HIHQVDGHORV(VWDGRV8QLGRVHQVXSDSHOGHFRPSUDGRUPDVLYRGXUDQWHOD6HJXQGD*XHUUD0XQ
GLDO(OSURGXFWRPiVFRQRFLGRGHHVWDpSRFDHVVLQGXGD ODFpOHEUHQRUPD0LOLWDU\ 6WDQGDUG
TXHWRGDYtDVLJXHXViQGRVHHQDOJXQDVLQGXVWULDVDXQTXHVXXVRKDGHFDtGRQRWDEOHPHQWH)UXWRGH
DTXHOHVIXHU]R\GHVXFRQWLQXDFLyQHQpSRFDVPiVUHFLHQWHVHVXQFRQMXQWRGHPpWRGRVHVWDGtVWL
FRVDOJXQRVPX\LQWHUHVDQWHVGHVGHHOSXQWRGHYLVWDGHODHVWDGtVWLFDFRPRGLVFLSOLQDFLHQWtILFD
3RURWURODGRORVJUiILFRVGHFRQWUROFRQRFLHURQSRFDVQRYHGDGHVGHVGHORVDxRVDODSRVJXHUUD
'HKHFKRXQRGHORVPDQXDOHVPiVFLWDGRVHOGH:HVWHUQ(OHFWULF&RPSDQ\DFWXDOPHQWH$7 7
GDWD GH \ODSUROLIHUDFLyQUHFLHQWHGHWH[WRVVREUHFRQWUROHVWDGtVWLFR GH SURFHVRVKDRIUHFLGR
SRFDVQRYHGDGHVPHWRGROyJLFDV(OPDQXDOGH:HVWHUQ(OHFWULFFRQVROLGyORVPpWRGRV\ODWHUPLQR
ORJtDTXHKDQ YHQLGR XViQGRVHPD\RULWDULDPHQWHKDVWDQXHVWURVGtDV/DVUD]RQHVGHHVWDIDOWD GH
DOWHUQDWLYDVKD\TXHEXVFDUODVVLQGXGDHQODVLPSOLFLGDGGHORVJUiILFRVRULJLQDOPHQWHGLVHxDGRV\
HQODRSRUWXQLGDGGHVXDSOLFDFLyQGHVGHHOSXQWRGHYLVWDHFRQyPLFR

/RVQXHYRVSODQWHDPLHQWRVLQGXVWULDOHVHQ OR TXHVHUHILHUHD ODUHGXFFLyQGH VWRFNVUHGXFFLyQGH

FRVWHVGHSHUVRQDO\SODQLILFDFLyQGHODSURGXFFLyQKDQLGRDUULQFRQDQGRORVPpWRGRVGHLQVSHFFLyQ
SRUPXHVWUHRHQEHQHILFLRGHRWUDVWpFQLFDVGLULJLGDVDJDUDQWL]DUODFDOLGDGDQWHVGHOFRQWUROGHSUR
GXFWR DFDEDGR /RV SODQHV GH PXHVWUHR VH KDQ FRQYHUWLGR SHVH DO PpULWR GH DOJXQRV GH HOORV HQ
FXULRVLGDGHVSDUDHVWXGLRVRV(OOHFWRULQWHUHVDGRSXHGHHQFRQWUDUPDWHULDOYDOLRVRHQORVWUDWDGRVGH
'XQFDQ\VREUHWRGRGH6FKLOOLQJ
/DLQVSHFFLyQSRUPXHVWUHRDSOLFDGDDOSURGXFWRDFDEDGRSURSLRRDMHQRKDVXIULGRHQORVDxRV
XQFUHFLHQWHGHVSUHVWLJLRFRQWUHVDUJXPHQWRVFRPRIRQGR
x
6XFDUiFWHUDQWLHFRQyPLFR6XDSOLFDFLyQUHVXOWDFDUDHVSHFLDOPHQWHHQVHFWRUHVLQGXVWULDOHVHQ
ORVTXHDFDXVDGHODOWR QLYHOGHFDOLGDGH[LJLGRVX XVRHVSURKLELWLYRSRU ODJUDQFDQWLGDGGH
PDWHULDOTXHGHEHUtDLQVSHFFLRQDUVH
x
6X FDUiFWHU DQWLSHGDJyJLFR 1R SURSRUFLRQD XQD YtD SDUD DSUHQGHU VREUH OD QDWXUDOH]D GH ORV
SUREOHPDVGHFDOLGDGTXHSODQWHDODIDEULFDFLyQ\EXVFDUOHVVROXFLRQHV
x
/DH[LVWHQFLDGHDOWHUQDWLYDVFRPRHOGHVDUUROORGHXQVLVWHPDGHFDOLGDGSRUHOSURYHHGRUTXH
SXHGDVHUDXGLWDGRSRUHOFRPSUDGRU
(QJHQHUDOVHDVLVWHSXHVDXQGHVSOD]DPLHQWRGHOFRQWUROGHODFDOLGDGKDFLDHOSURFHVRGHSURGXF
FLyQ\D~QDQWHVDOGLVHxRPLVPRGHOSURGXFWRGHVXVFRPSRQHQWHV\GHOSURFHVRSURGXFWLYR8QD
FUtWLFDIHUR]GHORVPpWRGRVGHLQVSHFFLyQSRUPXHVWUHRHQJHQHUDO\GHODQRUPD0LOLWDU\6WDQGDUG
HQSDUWLFXODUSXHGHHQFRQWUDUVHHQ'HPLQJXQRGHORVOLEURVPiVLQIOX\HQWHVGHODGpFD
GDGHORV'HEHUHFRUGDUVHVLQHPEDUJRTXHODFXHVWLyQDGHEDWHHVODUHQWDELOLGDGGHHVWDVWpF
QLFDVQRODWHRUtDHVWDGtVWLFDTXHORVVXVWHQWD
5HFLHQWHPHQWH KDQ UHFXSHUDGR SURWDJRQLVPR ORV JUiILFRV GH 6KHZKDUW \ FRQ HOORV RWURV JUiILFRV
FX\R XVR VH YD KDFLHQGR FDGD YH] PHQRV UHVWULQJLGR (QWUH ODV DSRUWDFLRQHV PiV UHFLHQWHV FDEH
GHVWDFDU
x
/RV JUiILFRV GH VXPDV DFXPXODGDV DEUHYLDGDPHQWH &8680 FXPXODWLYH VXP LQWURGXFLGRV
SRUHO HVWDGtVWLFREULWiQLFR(63DJHHQ&RQODQRUPDEULWiQLFD%6 VXXVRTXHGy
QRUPDOL]DGRDXQTXHHQXQDYHUVLyQDOJRGLIHUHQWHGHODLQLFLDO7LHQHQDOJXQRVSXQWRVLQWHUHVDQ
WHVDXQTXHVXXVRHVEDVWDQWHUHVWULQJLGRGHELGRSULQFLSDOPHQWHDTXHVRQPiVFRPSOHMRVGH
HODERUDU\PiVGLItFLOHVGHLQWHUSUHWDUTXHORVJUiILFRVGH6KHZKDUW
x
/RV JUiILFRV GH PHGLD PyYLO HQ HVSHFLDO ORV GH PHGLD PyYLO SRQGHUDGD H[SRQHQFLDOPHQWH
DEUHYLDGDPHQWH (:0$ H[SRQHQWLDOO\ ZHLJKWHG PRYLQJ DYHUDJH FOiVLFRV HQ RWURV FRQWH[WRV
FRPRODHFRQRPHWUtD(QHOFRQWH[WRGHODFDOLGDGLQGXVWULDOIXHURQLQWURGXFLGRVSRU6:5REHUWV
HQ EDMR OD GHQRPLQDFLyQ GH JUiILFRV GH PHGLD PyYLO JHRPpWULFD 3DVDURQ EDVWDQWH GHV
DSHUFLELGRVKDVWDVHUUHFXSHUDGRVHQSRU-6+XQWHUTXHOHVGLRVXDFWXDOGHQRPLQDFLyQ
+DQ LGR JDQDQGR DFHSWDFLyQ VLHQGR DFWXDOPHQWH EDVWDQWH FRPXQHV HQ OD LQGXVWULD GH SURFHVR
QRUWHDPHULFDQDDXQTXHSRFRXVDGRVIXHUDGHHVHiPELWR
x
2WURV PpWRGRV PHQRV FRQRFLGRV QR SDVDQ DFWXDOPHQWH GH VHU PHUDV FXULRVLGDGHV REMHWR GH
LQYHVWLJDFLRQHVGHiPELWRDFDGpPLFRRGHDSOLFDFLRQHVSXQWXDOHVDSUREOHPDVFRQFUHWRV4XL]iV
HO PiV FRQRFLGR GH HVWRV PpWRGRV HV HO GH ORV JUiILFRV GH FRQWURO PXOWLYDULDQWH TXH SXHGH
HQFRQWUDUVHHQ5\DQ
/D GHILQLFLyQ GH SURFHVR HQ HVWDGR GH FRQWURO GDGD HQ HVWDV QRWDV VH EDVD HQ OD GH :KHHOHU
&KDPEHUV\KDVLGRIRUPXODGDHQVHQWLGRDPSOLRDILQGHUHVDOWDUHOFRQFHSWRSRUHQFLPDGH
ORVDOJRULWPRVUHJODV:HVWHUQ(OHFWULF\RWURVXWLOL]DGRVSDUDFRPSUREDUVXYDOLGH]HQFLHUWRVFDVRV
/DSULPHUDGHILQLFLyQGHSURFHVRHQHVWDGRGHFRQWURODSDUHFHHQ6KHZKDUW'LUHPRVTXHXQ
IHQyPHQRHVWiFRQWURODGRFXDQGRDWUDYpVGHODH[SHULHQFLDDQWHULRUSRGHPRVSUHGHFLUSRUORPH
*HVWLyQGHODFDOLGDG

QRVGHQWURGHXQRVOtPLWHVFyPRSXHGHHVSHUDUVHTXHYDUtHHOIHQyPHQRHQHOIXWXUR 6HHQWLHQGH
DTXtTXHXQDSUHGLFFLyQHQWUHXQRVOtPLWHVVLJQLILFDTXHSRGHPRVHVWDEOHFHUDOPHQRVDSUR[LPDGD
PHQWHODSUREDELOLGDGGHTXHHOIHQyPHQRREVHUYDGRFDLJDGHQWURORVOtPLWHVGDGRV
/D DSUR[LPDFLyQ FOiVLFD GHO FRQWURO HVWDGtVWLFR GH SURFHVR VH EDVD HQ XQD GLVWLQFLyQ IXQGDPHQWDO
TXHFRQWHPSODGRVQLYHOHVGHYDULDELOLGDG
x
9DULDELOLGDGFRQWURODGDHVGHFLUFDUDFWHUL]DGDSRUXQDSDXWDFRQVLVWHQWHDORODUJRGHOWLHPSR
x
9DULDELOLGDG QR FRQWURODGD HV GHFLU FDUDFWHUL]DGD SRU XQD SDXWD TXH YDUtD FRQ HO WLHPSR GH
IRUPDLPSUHYLVLEOH
&XDQGRXQSURFHVRPDQLILHVWDYDULDELOLGDGFRQWURODGDVHGLFHTXHHVWiHQHVWDGRGHFRQWURO6HFRQ
VLGHUD TXH OD YDULDELOLGDG FRQWURODGD HUD FRQVHFXHQFLD GH OD DFWXDFLyQ GH XQDV FDXVDV TXH LQGLYL
GXDOPHQWHWLHQHQSRFDLPSRUWDQFLD\QRVRQIiFLOHVGHWHFWDURLGHQWLILFDUODVFDXVDVDOHDWRULDVQR
DVLJQDEOHV3RURWUDSDUWHODYDULDELOLGDGQRFRQWURODGDVHGHEHDRWURWLSRGH FDXVDVFX\DDFWXD
FLyQ HV HVSRUiGLFD VLQ XQD SDXWD FRQVLVWHQWH ODV FDXVDV DVLJQDEOHV &XDQGR WRGD OD YDULDELOLGDG
GHOSURFHVRSXHGHVHUDWULEXLGDDFDXVDVQRDVLJQDEOHVHOSURFHVRVHKDOODHQHVWDGRGHFRQWURO'H
HVWHPRGRVHDOFDQ]DHOHVWDGRGHFRQWUROFXDQGRKDQHOLPLQDGRODVFDXVDVDVLJQDEOHV\ODYDULDELOL
GDGUHVWDQWHSXHGHDWULEXLUVHDFDXVDVDOHDWRULDV(OHVWDGRGHFRQWUROQRHVHVSRQWiQHR\OOHJDUDpO
UHTXLHUHQRUPDOPHQWHXQDLQWHUYHQFLyQVREUHHOSURFHVR(OREMHWLYRGHOFRQWUROGHSURFHVRVHVOOHYDU
DO SURFHVR DO HVWDGR GH FRQWURO \ PDQWHQHUOR HQ pO 0LHQWUDV HO SURFHVR VH PDQWLHQH HQ FRQWURO OD
YDULDELOLGDGHVFRQVLVWHQWH \ SRU WDQWRVXV HIHFWRVSRUHMHPSOR OD SURSRUFLyQGHXQLGDGHVQRFRQ
IRUPHVVRQSUHYLVLEOHV
'HPLQJKDVLGRSUREDEOHPHQWHXQRGHODVSHUVRQDVTXHPiVKDLQIOXLGRHQODFRQFHSFLyQDFWXDOGH
ODFDOLGDG\XQRGHORVLQVSLUDGRUHVGHODUHYROXFLyQLQGXVWULDOGHORVDxRVVHWHQWD\RFKHQWDHQ-D
SyQ 'HPLQJ TXH KDEtD WUDEDMDGR FRQ 6KHZKDUW HQ :HVWHUQ (OHFWULF UHIRUPXOy ORV FRQFHSWRV GH
FDXVDDOHDWRULD\FDXVDDVLJQDEOHLQVLVWLHQGRHQODGHOLPLWDFLyQGHUHVSRQVDELOLGDGHVHQODDFWXDFLyQ
IUHQWHDODVFDXVDVGHYDULDELOLGDG'HPLQJDSOLFDVXDQiOLVLVDORVSURFHVRVHQJHQHUDO\FRQVLGHUD
ORVGRVWLSRVGHFDXVDVGH6KHZKDUWDORVTXHVHUHILHUHFRPRFDXVDVFRPXQHV\FDXVDVHVSHFLD
OHV/DVSULPHUDVVRQSDUWHGHOVLVWHPDRFRQVHFXHQFLDGHODJHVWLyQ\VRQSRUFRQVLJXLHQWHUHV
SRQVDELOLGDG GHORVJHVWRUHV3RUHOFRQWUDULRODVFDXVDVHVSHFLDOHVQRVRQSDUWHGHOVLVWHPDVLQR
TXH UHVXOWDQ GH OD DFWXDFLyQ GH DJHQWHV TXH KD\ TXH LGHQWLILFDU \ FRPEDWLU /DV FDXVDV HVSHFLDOHV
VRQ HQ JHQHUDO UHVSRQVDELOLGDG GH ORV WUDEDMDGRUHV R GH ORV HQFDUJDGRV \ ORV JUiILFRV GH FRQWURO
VRQ ODV KHUUDPLHQWDV SDUD GHWHFWDUODV 'HPLQJ SURIXQGL]D HQ ODV LGHDV GH 6KHZKDUW OOHYiQGRODV DO
FDPSRGHODJHVWLyQ\EXVFDQGRODVFDXVDVFRPXQHV\HVSHFLDOHVHQXQDPSOLRDEDQLFRGHDFWLYLGD
GHVKXPDQDVPiVDOOiGHODIDEULFDFLyQ6XVLGHDVVRQWDPELpQVLPSOLVWDVSHURWLHQHQXQJUDQSRGHU
SHUVXDVLYRSRUTXHLQFLGHQHQODIUXVWUDFLyQTXHJHQHUDXQSURGXFWRQRVDWLVIDFWRULRDTXLHQORSURGX
FH
/DQRFLyQGHHVWXGLRGHFDSDFLGDGVHUHPRQWDDO0DQXDOGH:HVWHUQ(OHFWULFGRQGHVHXVDODH[SUH
VLyQCCHVWXGLRGHFDSDFLGDGGHSURFHVR6HJ~QHO0DQXDOXQHVWXGLRGHFDSDFLGDGGHSURFHVRHV
(OHVWXGLRVLVWHPiWLFRGHXQSURFHVRSRUPHGLRGHJUiILFRVGHFRQWUROHVWDGtVWLFRFRQHOILQGHGHVFX
EULUVLVHFRPSRUWDGHPDQHUDQDWXUDORQRQDWXUDOPiVODLQYHVWLJDFLyQGHFXDOTXLHUFRPSRUWDPLHQWR
QRQDWXUDOSDUDGHWHUPLQDUVXFDXVDPiVODDFFLyQGHHOLPLQDUFXDOTXLHUFRPSRUWDPLHQWRQRQDWXUDO
TXHVHDGHVHDEOHHOLPLQDUSRUUD]RQHVGHFDOLGDGRHFRQyPLFDV(OFRPSRUWDPLHQWRQDWXUDOGHOSUR
FHVR GHVSXpV GH TXH ODV SHUWXUEDFLRQHV QR QDWXUDOHV VHDQ HOLPLQDGDV VH GHQRPLQD FDSDFLGDG GHO
SURFHVR
&RPRWRGDODOLWHUDWXUDGHODpSRFDHOWH[WRUHVXOWDVLPSOLVWDH[LVWHQFRPSRUWDPLHQWRVQRQDWXUDOHV
XQQDWXUDOEHKDYLRXUTXHGHEHQHOLPLQDUVHSDUDOOHJDUDXQHVWDGRHQHOTXHHOSURFHVRVHFRPSRUWD
GH PDQHUD QDWXUDO UHIOHMiQGRVH HVWD QDWXUDOLGDG HQ HO FXPSOLPLHQWR GH ODV IDPRVDV UHJODV GH ORV
JUiILFRV GH FRQWURO /D UHDOLGDG HVPiV FRPSOHMD 8Q SURFHVRPDQLILHVWD XQD YDULDELOLGDG TXH WLHQH
YDULDV FRPSRQHQWHV /D HYROXFLyQ GH HVWD YDULDELOLGDG D OR ODUJR GHO WLHPSR SXHGH SUHVHQWDU JUDQ

GLYHUVLGDGGHXQSURFHVRDRWUR(OREMHWLYRGHXQDQiOLVLVGHFDSDFLGDGHVKDFHULQWHOLJLEOHWRGRHVWR
\ORVJUiILFRVGHFRQWUROQRVRQPiVTXHXQDKHUUDPLHQWDVHQFLOOD\~WLOSDUDHOVHJXLPLHQWRGHODYD
ULDELOLGDG GHO SURFHVR D OR ODUJR GHO WLHPSR (O DQiOLVLV GH FDSDFLGDG RIUHFH IUHFXHQWHPHQWH FRPR
SURGXFWRVHFXQGDULRODUHGXFFLyQGHODYDULDELOLGDGTXHVHDQDOL]DFRPRFRQVHFXHQFLDGHODLGHQWLIL
FDFLyQGHDOJXQRVIDFWRUHVTXHSXHGHQHOLPLQDUVH
(Q OD FRQFHSFLyQ GH :HVWHUQ (OHFWULF HO HVWXGLR GH FDSDFLGDG GH SURFHVR HV XQD IDVH GHO FRQWURO
HVWDGtVWLFR GH OD FDOLGDG HQ OD FXDO VH UHDOL]D XQ VHJXLPLHQWR GH XQ SURFHVR PHGLDQWH JUiILFRV GH
FRQWURO\VHLQWHQWDHOLPLQDUODVFDXVDVDVLJQDEOHVSDUDOOHYDUHOSURFHVRDOHVWDGRGHFRQWUROHVWDGtV
WLFR(QWRQFHVHPSLH]DXQDVHJXQGDIDVHHQODTXHDSDUWLUGHORVYDORUHVHVWLPDGRVGHORVSDUiPH
WURV HVWDGtVWLFRV REWHQLGRV HQ HO HVWXGLR GH FDSDFLGDG VH XVDQ JUiILFRV GH FRQWURO FRQ OtPLWHV ILMRV
SDUDHOFRQWUROGHODSURGXFFLyQSRUORVRSHUDULRV
/RVtQGLFHVGHFDSDFLGDGWDOFRPRVHKDQGHILQLGRHQHVWDVQRWDVVRQPX\SRSXODUHVHQODLQGXVWULD
GHDXWRPRFLyQ\VXXVRHVREOLJDGRSDUDORVSURYHHGRUHVTXHRSWHQDODFHUWLILFDFLyQVHJ~QODQRUPD
46Y63&(QRWURVFRQWH[WRVVRQPHQRVKDELWXDOHV)UHFXHQWHPHQWHVHROYLGDTXHORV
YDORUHVGHORVHVWDGtVWLFRVPHGLDV\GHVYLDFLRQHVWtSLFDVTXHVHXVDQHQHOFiOFXORGHORVtQGLFHVGH
FDSDFLGDGVRQYDORUHVH[SHULPHQWDOHVVXMHWRVDXQDYDULDELOLGDGGHPRGRTXHYDUtDQQHFHVDULDPHQ
WHGHXQDH[SHULHQFLDDRWUDSRFRVLHOSURFHVRHVWiHQHVWDGRGHFRQWURO3RUFRQVLJXLHQWHGHEHQ
FRQVLGHUDUVHORVYDORUHVGHORVtQGLFHVGHFDSDFLGDGFRPRYDORUHVHVWLPDGRV'HKHFKRSXHGHHVWX
GLDUVHODGLVWULEXFLyQGHSUREDELOLGDGGH&S\&SNVXSRQLHQGRTXHODYDULDEOHGHSDUWLGDWLHQHGLVWULEX
FLyQQRUPDO3XHGHQKDOODUVHPiVGHWDOOHVHQ5RGUtJXH]
'LYHUVRVDXWRUHVKDQSURSXHVWRDOWHUQDWLYDVDORVtQGLFHVGHFDSDFLGDGWUDGLFLRQDOHV/DVSURSXHVWDV
YDQ DFRPSDxDGDV GH DUJXPHQWRV GH WLSR SUREDELOtVWLFR D VX IDYRU 3XHGH KDOODUVH LQIRUPDFLyQ HQ
5RGUtJXH]\%LVVHOO.RW] -RKQVRQHVXQDPRQRJUDItDVREUHtQGLFHVGHFDSD
FLGDG
Mdulo 2.Planes de muestreo
55
Mdulo 2. Planes de muestreo

Captulo 1. Introduccin
Captulo 2. Inspeccin por atributos
2.1 Planes de muestreo
2.2 Curva caracterstica
2.3 Inspeccin con rectificacin
Captulo 3. Tablas de muestreo por atributos

3.1 Tablas de muestreo
3.2 Sistema MIL-STD-105
3.3 Sistema ISO 2859-2
3.4 Otras tablas de muestreo
ANEXO A3. Clculo de probabilidades de aceptacin

ANEXO A4. Caso prctico
ANEXO A5. Ejemplos numricos
56
1. INTRODUCCIN
El propsito de este mdulo es familiarizar al lector con los sistemas de muestreo para la inspeccin
de hardware. En la terminologa normalizada (ISO), el trmino hardware designa cualquier producto
formado por unidades que no pueden dividirse ni unirse. Estas unidades se inspeccionan para verificar que cumplen unos requisitos de calidad, que se han especificado de forma que cada unidad
puede ser cumplirlos o no independientemente de las otras. Cuando una unidad cumple estos requisitos, decimos que es conforme.
Una no conformidad es cualquier aspecto de una unidad del producto que hace que no cumpla alguno de los requisitos, y, por tanto, que sea no conforme. Como normalmente los requisitos afectan a
ms de una caracterstica del producto, hay no conformidades de varios tipos, y a veces una unidad
puede presentar varias no conformidades del mismo tipo. Por ejemplo, un requisito de calidad de un
tapn para un frasco de perfume puede ser que no se observe en l ninguna raya, pero un tapn no
conforme puede presentar una o varias rayas. Se usa aqu, como es costumbre en la literatura del
control de la calidad, la expresin no conformidad, evitando expresamente el trmino defecto, ms
habitual en el lenguaje ordinario, pero que implica cierta subjetividad. Un producto puede as tener
requisitos distintos para clientes distintos, pudiendo cumplir los de un cliente y no los del otro, independientemente de que consideremos que tiene defectos''.
Los mtodos que se comentan en este texto se aplican para tomar decisiones sobre la aceptacin o
el rechazo de conjuntos (en general grandes) de unidades de un producto, propio o ajeno. El conjunto aceptado o rechazado se llama lote, y, en general, ha sido producido en condiciones estables, de
forma que se puede suponer en l cierta homogeneidad, y tiene sentido aceptarlo o rechazarlo globalmente. En este contexto, se llama productor a quien suministra el lote sobre el cual se ha de decidir y consumidor a quien realiza la inspeccin para tomar la decisin de aceptar o no el lote.
Debe tenerse en cuenta que la inspeccin, por s misma, no influye sobre la calidad del producto, que
es consecuencia de la fabricacin. En la inspeccin para la aceptacin o rechazo de lotes se trata
simplemente de recoger datos a partir de los cuales se toma una decisin, no habiendo posibilidad de
mejora en el caso de que sta sea negativa. Su objetivo no es evaluar la calidad del lote, sino decidir
si se acepta o no.
En general, el muestreo es la seleccin de una parte o muestra dentro de un conjunto o poblacin.
La expresin inspeccin por muestreo se refiere a la inspeccin que se limita a una muestra extrada de un lote, a partir de cuyos resultados se decide la aceptacin o rechazo de la totalidad. En el
contexto de la inspeccin por muestreo, la poblacin es, a veces, el lote que se acepta o rechaza, y,
otras veces, el conjunto de la produccin del proveedor.
Cuando la inspeccin consiste en la medicin de una caracterstica medible, que vara de forma continua, como la longitud, el grosor, el peso, etc., se habla de inspeccin por variables. La aceptacin o
rechazo de un lote se basa en la media y la desviacin tpica de los valores que toma esa caracterstica en las unidades inspeccionadas. En la inspeccin por atributos, en cambio, consiste en examinar si la unidad que se inspecciona presenta o no disconformidades, como agujeros, rayas, abolladuras, etc. Entonces, la aceptacin o rechazo se basa en la cantidad de no conformidades halladas
en la muestra. En general, en la inspeccin por variables se trabaja con muestras menores, el coste
de la inspeccin es menor. No obstante, los mtodos de muestreo por variables presuponen la validez de determinadas hiptesis estadsticas, lo que, en general, es poco realista. En la prctica, la
inspeccin por muestreo se realiza casi siempre por atributos.
En este mdulo nos limitamos a la inspeccin por atributos. Se describen con algn detalle los mtodos de la norma ISO 2859 (atributos). En cuanto al resto de mtodos de muestreo que se mencionan,
nos limitamos a un breve comentario.
57
La referencia bsica sobre la inspeccin por muestreo es Schilling (1982), que cubre casi todos los
mtodos. Duncan (1986) y Wadsworth et al. (1986) tratan el control de la calidad en general, y en
particular los planes de muestreo. En la bibliografa se han incluido algunas referencias que pueden
ser tiles para el lector que est interesado en otros mtodos, como las reglas skip-lot, o el muestreo
continuo.
58
2. INSPECCIN POR ATRIBUTOS

2.1 Planes de muestreo
En la inspeccin por atributos se supone definido un criterio inequvoco para determinar la conformidad de las unidades del producto, y, en ella, la aceptacin o rechazo del lote resulta del nmero de
unidades no conformes halladas en la muestra inspeccionada. En algunos casos, no obstante, una
misma unidad puede presentar varias no conformidades, por lo que la aceptacin o rechazo del lote
se decide en funcin del nmero total de no conformidades halladas en la muestra. Ambos problemas
se tratan igual en los planes de muestreo. Designamos por p el porcentaje de unidades no conformes, o porcentaje no conforme, aunque todo lo que se dice se puede aplicar a la situacin en que p
designa el nmero de no conformidades por 100 unidades, sin ms que pequeos cambios de
terminologa.
A menudo, en el control de la calidad se distingue entre no conformidades ms y menos graves, y se
considera razonable una mayor permisividad para las de menor gravedad. La norma MIL-STD-105,
por ejemplo, distingue entre no conformidades crticas, mayores y menores, y en la ISO 2859-1, entre
las de clase A y clase B (se puede ampliar la clasificacin aadiendo la clase C). A veces se inspeccionan muestras distintas que pueden tener distinto nmero de unidades para aplicar distintos criterios de aceptacin, referidos a distintos tipos de no conformidad, aunque es poco frecuente. Normalmente los distintos tipos de no conformidad se examinan en una misma muestra, a la que se aplican
varios criterios de aceptacin diferentes.
La inspeccin por muestreo se lleva a cabo siguiendo planes de muestreo. Un plan de muestreo
consta de dos partes:
Instrucciones sobre cmo extraer la muestra
Criterio para aceptar o rechazar un lote segn los resultados obtenidos
Un plan de muestreo por atributos indica el nmero de unidades de cada lote que se tienen que inspeccionar, que es el tamao de la muestra, designado habitualmente por n, y el criterio para aceptar
o rechazar el lote, que habitualmente se concreta en el nmero de aceptacin (Ac) y el nmero de
rechazo (Re). Si el nmero de unidades no conformes no supera Ac, se acepta el lote. Al alcanzar
Re, se rechaza.
Se puede distinguir entre distintos tipos de planes de muestreo. En los planes simples, que son los
ms usados, slo se inspecciona una muestra. El plan especifica el tamao de muestra y el criterio de
aceptacin. En los planes dobles, se inspecciona una muestra y, en funcin del resultado, se acepta
el lote, se rechaza o se inspecciona otra muestra. El plan especifica el tamao y el criterio de aceptacin y rechazo para cada muestra. El criterio de aceptacin para la segunda muestra se refiere a la
unin de ambas muestras.
Ejemplo 1
El esquema de funcionamiento de un plan de muestreo simple ( n1=50 c1=1) sera:
59
Se inspecciona una muestra aleatoria de n1=50 unidades de un lote y se observan d1 no conformidades

Si d1c1=1
Si d1>c1=1
ACEPTAMOS
RECHAZAMOS
EL LOTE
EL LOTE
Ejemplo 2
El esquema de funcionamiento de un plan de muestreo doble (n1=50 c1=1 n2=100 c2=3) sera:
Se inspecciona una primera muestra aleatoria de

n1=50 unidades de un lote y se observan d1 no
conformidades
Si d1c1=1
Si d1>c2=3
ACEPTAMOS
RECHAZAMOS
EL LOTE
EL LOTE
Si 2 d1 3
Se inspecciona una segunda muestra aleatoria
de n1=100 unidades de un lote y se observan d2
no conformidades
Si d1+d2c2=3
Si d1+d2>c2=3
ACEPTAMOS
RECHAZAMOS
EL LOTE
EL LOTE
En general, se dice que un plan de muestreo es ms eficiente que otro cuando consigue objetivos
similares con menor esfuerzo de inspeccin. Mediante clculos basados en argumentos de tipo probabilstico, se puede probar que los planes dobles son ms eficientes que los simples.
En los planes mltiples se sigue un procedimiento similar, pero el nmero de muestras adicionales
que se pueden tomar despus de la primera es mayor que 1, tpicamente 5 o 6. Despus de cada una
de las muestras sucesivas se realiza la misma discusin: si se cumple el criterio de aceptacin, se
interrumpe el muestreo y se acepta el lote; si se cumple el de rechazo, se rechaza, y, si no se cumple
ninguno de ambos, se extrae una nueva muestra hasta llegar al nmero mximo de muestras autorizado en el plan. Los planes mltiples son ms eficientes que los dobles.
60
Los planes secuenciales son el caso lmite de los planes mltiples porque en ellos no hay un nmero mximo de muestras a inspeccionar. Las unidades se inspeccionan una a una y despus de cada
inspeccin se decide si se acepta el lote, se rechaza o se contina la inspeccin. Estos planes son
ms eficientes que los anteriores, aunque se usan poco. McWilliams (1989) es una monografa sobre
el tema.
En los clculos que dan las probabilidades de aceptacin de los planes de muestreo que se encuentran en la literatura sobre la inspeccin por muestreo se acepta, en general, una de las dos hiptesis
siguientes:
La muestra se extrae aleatoriamente, es decir, de modo que todas las muestras son igualmente
probables, y las distintas unidades del lote tienen la misma probabilidad de entrar en la muestra.
Este supuesto se hace cuando se quiere aplicar un plan de muestreo para tomar una decisin
sobre un lote aislado, por ejemplo en el sistema ISO 2859-2/A (v. Captulo 3). En los clculos se
usa la distribucin hipergeomtrica, o la distribucin binomial cuando el lote es mucho mayor
que la muestra (v. Anexo A3). En la prctica, el muestreo aleatorio se da poco y, en muchas ocasiones, es fsicamente imposible. Para efectuar un muestreo que realmente fuese aleatorio se
deberan numerar todas las unidades que integran el lote y seleccionar las que componen la
muestra usando una tabla de nmeros aleatorios, extrada de un libro de estadstica o generada
por un ordenador (por ejemplo, en una hoja Excel). En la mayora de los casos, una inspeccin
que involucre semejante complicacin tiene un coste prohibitivo.
Las disconformidades aparecen de modo aleatorio, y el lote que se inspecciona es homogneo

en el sentido de que el porcentaje no conforme puede considerarse el mismo en las distintas partes del lote. En este caso no tiene importancia la forma en que se extraiga la muestra. En el sistema MIL-STD-105 (v. Captulo 3) se supone que la inspeccin se aplica a lotes de un proveedor
con un proceso de produccin estable, de forma que la probabilidad de extraer una unidad no
conforme es siempre la misma, no slo dentro del mismo lote, sino tambin en lotes distintos. En
los clculos se supone que la poblacin de la que se extrae la muestra es infinita (toda la produccin del proveedor) y se usa la distribucin binomial.
En general, estas hiptesis son poco realistas y, por consiguiente, las probabilidades de aceptacin
que se hallan en la literatura sobre inspeccin por muestreo deben considerarse a ttulo indicativo.
2.2 Curva caracterstica

En un plan de muestreo, la curva caracterstica o curva OC (operating characteristic curve) es una
funcin (o una curva, si la representamos grficamente) que da la probabilidad de aceptacin Pa de
un lote en trminos de p. La probabilidad de aceptacin se calcula, bajo una de las dos hiptesis comentadas en la seccin anterior, usando alguna de las frmulas del Apndice A3. Las curvas elaboradas bajo el primero de los supuestos, el del muestreo aleatorio en una poblacin finita, se llaman
curvas de tipo A, y las que se basan en el supuesto del muestreo en una poblacin infinita homognea, curvas de tipo B. Esta distincin desaparece, a efectos prcticos, cuando el lote es mucho mayor que la muestra. Sea cual sea el mtodo de clculo, la probabilidad de aceptacin decrece al aumentar p. En general, la curva caracterstica tiene forma de S invertida.
El nivel de calidad aceptable es el porcentaje no conforme que se considera aceptable en la inspeccin. Se designa por AQL (acceptable quality level). El AQL es una indicacin que se da al productor,
y depende de criterios econmicos y tcnicos. Al usar este parmetro, es importante tener bien claro
lo que significa, ya que, de lo contrario, puede generar expectativas sin fundamento. El AQL puede
ser cualquier valor de p para el cual la probabilidad de aceptacin sea muy alta (en general superior
al 90%). Por consiguiente, podemos asignar distintos valores de AQL a un mismo plan. Por ejemplo,
si en un plan de muestreo la probabilidad de aceptacin de un lote con p = 2% es aproximadamente
igual al 95%, podemos asignar a este plan AQL = 2%, pero tambin AQL = 1,5%, o AQL = 2,25%, etc.
61
La calidad lmite es el porcentaje no conforme mximo que se considera aceptable en la inspeccin.

Se designa por LQ (limiting quality), LQL (limiting quality level), RQL (rejectable quality level) o LTPD
(lot tolerance percent defective). El significado de la LQ en un plan de muestreo es similar al del AQL,
pero de sentido contrario. Si p = LQ, la probabilidad de aceptacin es baja (en general inferior al
10%). Estos valores se usan en la seleccin de planes de muestreo, siendo el AQL el ms corriente.
Hay dos probabilidades asociadas a estos parmetros que aparecen a veces en la literatura sobre la
inspeccin por muestreo. El riesgo del productor es la probabilidad de rechazar un lote con p
=AQL (que debera ser aceptado). Al hacer p = AQL, la curva caracterstica nos da Pa = 1 - . Naturalmente, representa el riesgo de cometer un error, que, en un plan bien escogido, debe ser bajo. El
riesgo del consumidor, , es la probabilidad de aceptar un lote con p = LQ (que debera ser rechazado). Una vez fijados el AQL y la LQ, los riesgos y son las probabilidades de error al usar el plan
de muestreo, sea rechazando lo que debera ser aceptado, sea aceptando lo que debera rechazarse.
En la seleccin del plan deben tenerse en cuenta estos riesgos, ya que, para que un plan sea aceptable, ambos deben ser bajos (ordinariamente por debajo del 10%). Las tablas de muestreo disponibles, como las de la norma MIL-STD-105, son recopilaciones de planes de muestreo que cumplen
este criterio.
El nivel de calidad indiferente, abreviadamente IQL (indifference quality level), es el porcentaje no
conforme al que corresponde una probabilidad de aceptacin del 50%. Se usa, a veces, en las tablas
de muestreo.
El modo habitual de presentar los planes de muestreo en tablas; es identificarlos por el AQL No obstante, si alguien utiliza un plan seleccionado en una tabla de muestreo usando un cierto AQL podra
creer que, como promedio, los lotes aceptados tienen un porcentaje no conforme inferior o igual al
AQL, pero, en realidad, no es as. El AQL no representa ms que un nivel de calidad que se considera aceptable, y, por lo tanto, el plan tendr entre otras consecuencias, la de no rechazar ms que una
proporcin muy pequea de lotes cuyo porcentaje no conforme sea inferior o igual al AQL. Pero eso
no asegura que los lotes que aceptamos tengan esa calidad. Dicho de otro modo, el uso de un AQL
determinado supone una proteccin del productor en el sentido de que los lotes con p AQL sern
rechazados muy raramente, pero no una garanta para el consumidor, en el sentido de que los lotes
aceptados cumplan p AQL.
Si el consumidor desea protegerse de la aceptacin de lotes de calidad inferior, el camino es establecer un valor de LQ adecuado. Si, por ejemplo, LQ = 8%, con un riesgo del consumidor = 0,05, en un
plan de muestreo que cumpla estos requisitos ser aceptado un 5%, aproximadamente, de los lotes
con p = 8%. Si p > 8%, el porcentaje de lotes aceptados ser menor del 5%.
Naturalmente, se puede rebajar y con muestras mayores, pero eso aumenta el coste de inspeccin. La eleccin del plan debe resultar de un compromiso entre la moderacin del coste y el poder de
discriminacin del plan. En general, en los esquemas de muestreo, que son conjuntos de planes escogidos con un cierto mtodo, se propone el plan ms barato dentro de los que mantienen los riesgos
en un nivel satisfactorio.
Ejemplo 3
Vamos a calcular algunas probabilidades de aceptacin para dos planes de muestreo simple:
Plan A: Extraer una muestra de 20 unidades y aceptar el lote si no hay unidades no conformes
(n = 20, Ac = 0).
Plan B: Extraer una muestra de 50 unidades y aceptar el lote si hay, como mximo, una no conforme (n = 50, Ac = 1).
62
La tabla 2.1 da algunos valores de la probabilidad de aceptacin para estos planes, calculados a partir de la frmula binomial en una hoja Excel. Se puede pasar de la tabla a un grfico (la curva caracterstica) en la misma hoja de clculo (Figura 2.1).
Probabilidad aceptacin del

lote
TABLA 2.1 Probabilidades de aceptacin en funcin del porcentaje

no conforme del lote para los planes A y B
1,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0,0%
Porcentaje
Plan A
Plan B
0,1%
0,9802
0,9988
0,2%
0,9608
0,9954
0,5%
0,9046
0,9739
1%
0,8179
0,9106
2%
0,6676
0,7358
3%
0,5438
0,5553
4%
0,4420
0,4005
5%
0,3585
0,2794
6%
0,2901
0,1900
7%
0,2342
0,1265
8%
0,1887
0,0827
9%
0,1516
0,0532
10%
0,1216
0,0338
15,0%
0,0388
0,0029
20,0%
0,0115
0,0002
1,5%
3,0%
4,5%
6,0%
7,5%
9,0%
10,5%
12,0%
13,5%
15,0%
Porcentaje de no conformidades
Figura 2.1 Curvas caractersticas de los planes A (lnea con cuadrado)

y B (lnea con rombo) del Ejemplo 3.
De la tabla resulta que el plan A slo podra ser adecuado para AQL < 0.50%, mientras que el plan B
sera adecuado para AQL 1%. Por otro lado, el plan A no sera adecuado para LQ = 8%, pero el
plan B s.
63
2.3 Inspeccin con rectificacin

A veces se aplica una variante de la inspeccin por muestreo, en la cual los lotes rechazados (segn
el plan usado) se inspeccionan al 100%, separndose las unidades no conformes, que, a veces, se
reemplazan por conformes. Se reemplacen o no las unidades no conformes, se llama lotes rectificados a los lotes inicialmente rechazados en los que, despus de la inspeccin 100%, el porcentaje de
no conformidades es p = 0. Cuanto ms estricto es el criterio de aceptacin, mayor es la calidad resultante, al haber ms lotes rectificados. La calidad resultante media, abreviadamente AOQ (average outgoing quality), es el porcentaje no conforme final medio (contando los lotes aceptados inicialmente y los rectificados). Se puede dar en funcin de p, obteniendo la curva AOQ. Su valor mximo
es el lmite de calidad resultante media, abreviadamente AOQL (average outgoing quality limit).
Los planes de inspeccin con rectificacin se clasifican por LQ o AOQL. Se usaban tradicionalmente
en la inspeccin final de la produccin propia. Modernamente, la eliminacin de los stocks de materiales obliga, a veces, a usar estos mtodos en el control de recepcin para asegurar el cumplimiento de
los planes de fabricacin. En estos caso, el coste de la inspeccin 100 % de los lotes rechazados se
traslada al proveedor.
Es fcil ver que la calidad resultante media se puede obtener como el producto de la abscisa por la
ordenada de la curva caracterstica,
AOQ = p Pa .
Ejemplo 4
Vamos a calcular la calidad resultante media los planes de muestreo simple A y B del ejemplo 3. Suponemos ahora que se rectifican los lotes no aceptados. Si, por ejemplo, p = 1%, con el plan A se
acepta el 81,8% de los lotes. El 18,2% restante ser rectificado y acabar teniendo el 0% de unidades
no conformes. En total, como promedio, tendremos
AOQ = (1%) (81,8)% = 0,818%.
Para el plan B, un razonamiento anlogo da
AOQ = (1%) (91,1%) = 0,911%.
La tabla 2.2 da algunos valores del porcentaje de la calidad resultante media en funcin del porcentaje de no conformidades del lote antes del muestreo rectificativo para los planes A y B, calculados a
partir de la frmula AOQ = Pa p en una hoja Excel. A partir de la tabla se puede calcular de forma
aproximada el AOQL que para el plan A es un porcentaje de 1,79 de no conformidades y en el plan B
de 1,67. Esto indica que en el caso ms desfavorable en media saldrn 1,79% de unidades no conformes para el plan A despus de un muestreo rectificativo, y un 1,67% para el plan B.
Se puede pasar de la tabla 2.2 a un grfico (la curva de calidad resultante media AOQ) utilizando la
hoja de clculo (Figura 2.2).
64
Tabla 2.2 Porcentajes de la calidad resultante media AOQ

en funcin del porcentaje de no conformidades del lote
Porcentaje
Plan A
Plan B
0,1%
0,10%
0,10%
0,2%
0,19%
0,20%
0,5%
0,45%
0,49%
1%
0,82%
0,91%
2%
1,34%
1,47%
3%
1,63%
1,67%
4%
1,77%
1,60%
5%
1,79%
1,40%
6%
1,74%
1,14%
7%
1,64%
0,89%
8%
1,51%
0,66%
9%
1,36%
0,48%
10%
1,22%
0,34%
15,0%
0,58%
0,044%
20,0%
0,23%
0,004%
2,00%
1,80%
Plan A
AOQ
1,60%
1,40%
Plan B
1,20%
1,00%
0,80%
0,60%
0,40%
0,20%
0,00%
0,0%
2,0%
4,0%
6,0%
8,0% 10,0% 12,0% 14,0% 16,0% 18,0% 20,0%
Porcentaje no conformidades
Figura 2.2 Curvas de calidad resultante media AOQ de los planes A y B
65
Para evaluar el coste de la inspeccin con rectificacin se puede usar otro parmetro, la inspeccin
total media, abreviadamente ATI (average total inspection), que es el nmero medio de unidades
inspeccionadas, teniendo en cuenta las proporciones de lotes aceptados y rectificados. En estos ltimos, la inspeccin acaba realizndose al 100%. El ATI se calcula con la frmula:
ATI = n + (1 - Pa)(N - n),
en la que N es el tamao de lote, n es el tamao de la muestra y Pa es la probabilidad de Si representamos el ATI como funcin de p, obtenemos la curva ATI, que tiene forma de S.
Ejemplo 5
Vamos a calcular la inspeccin total media de los planes de muestreo simple A y B del Ejemplo 3.
Suponemos ahora que se rectifican los lotes no aceptados. Para un lote de tamao N = 1000, la inspeccin total media del plan A, si el lote tiene un 1% de no conformidades, es
ATI = 20 + (1 - 0,818)(1000 - 20) = 198,36,
y la del plan B,
ATI = 50 + (1 - 0,911)(1000 - 50) = 134,56
La tabla 2.3 da algunos valores de la inspeccin total en funcin del porcentaje de no conformidades
del lote antes del muestreo rectificativo para los planes A y B, calculados a partir de la frmula ATI = n
+ (1 - Pa)(N - n) en una hoja Excel. Se puede pasar de la tabla 2.3 a un grfico (la curva de inspeccin
total media ATI) en la misma hoja de clculo (Figura 2.3).
Tabla 2.3 Inspeccin total media para los planes A y B en funcin del porcentaje de no conformidades del lote de 1.000 unidades
Porcentaje
Plan A
Plan B
0,1%
39,41
51,13
0,2%
58,46
54,37
0,5%
113,48
74,82
1%
198,45
134,96
2%
345,74
301,02
3%
467,08
472,48
4%
566,84
619,54
5%
648,68
734,54
6%
715,70
819,50
7%
770,45
879,83
8%
815,08
921,42
9%
851,39
949,42
10%
880,85
967,90
15,0%
962,02
997,24
20,0%
988,70
999,82
ATI
66
1000
900
800
700
600
500
400
300
200
100
0
0,00%
Plan A
Plan B
2,00%
4,00%
6,00%
8,00% 10,00% 12,00% 14,00% 16,00% 18,00% 20,00%
Porcentaje no conformidades
Figura 2.3 Curvas de la inspeccin total media (ATI) de los planes A y B
67
3. TABLAS DE MUESTREO POR ATRIBUTOS

3.1 Tablas de muestreo
Habitualmente, los tcnicos seleccionan los planes de muestreo de entre los contenidos en las tablas
de muestreo de los manuales de control de la calidad, o en normas como la MIL-STD-105 o la ISO
2859, donde las tablas suelen venir agrupadas en esquemas y sistemas de muestreo. Un esquema
de muestreo es un conjunto de planes con reglas para cambiar de unos a otros. Naturalmente, esto
slo tiene sentido cuando se aplica a una serie continua de lotes. Normalmente, un esquema est
tabulado por el tamao del lote y por AQL, LQ o AOQL. Un sistema de muestreo es una coleccin
de esquemas con instrucciones para escoger el ms adecuado.
El sistema MIL-STD-105 es el ms conocido y mejor documentado, pudiendo encontrarse una descripcin ms o menos resumida de l en casi todos los manuales de control de calidad. Fue desarrollado bajo el patrocinio del Departamento de Defensa de los Estados Unidos, ms tarde adoptado en
el resto del mundo, y finalmente incorporado a diversas normas internacionales. La primera versin
apareci en la norma MIL-STD-105A (1950). La ltima versin es la MIL-STD-105E (1989). La versin
civil equivalente es la ANSI Z1.4, adoptada en 1974 como norma internacional, presentada como
norma ISO 2859 y ms tarde (1989) como norma ISO 2859-1. En el sistema MIL-STD-105, los planes
de muestreo estn tabulados por el AQL.
Las tablas de Dodge-Romig constituyen uno de los sistemas de muestreo ms antiguos. Fueron
desarrolladas en los aos 30 en los Bell Telephone Laboratories por H. F. Dodge y H. G. Romig, pioneros de la inspeccin por muestreo. Los planes de estas tablas son planes para inspeccin con rectificacin, simples o dobles, con valores bajos de AOQL.
Recientemente, la tendencia se ha desplazado hacia los planes tabulados por la LQ, particularmente
en la industria electrnica, donde es necesario trabajar con valores de muy ajustados cuando se
trata de elementos como circuitos integrados. En particular, esta tendencia ha dado lugar a sistemas
LQ, compatibles con los esquemas AQL de la MIL-STD-105. El ms comn es el que propone la
norma ISO 2859-2 (y anteriormente la norma britnica British Std. 6.001). En ella se ha intentado
garantizar al mximo la compatibilidad con el sistema AQL del MIL-STD-105, en el aspecto de que los
tamaos de lote y muestra sean los mismos. Las tablas de Dodge-Romig tambin puede usarse como un sistema LQ. En los sistemas LQ no hay reglas para cambiar de plan, ya que se aplican a lotes
aislados.
3.2 Sistema MIL-STD-105 (ISO 2859-1)

El sistema MIL-STD-105 es un conjunto de planes, simples, dobles y mltiples, tabulados segn el
tamao de lote y AQL, estructurado en la forma que comento ms abajo. Se aplica en la recepcin de
series de lotes fabricados de forma continua, y las curvas caractersticas son de tipo B, calculadas
con la distribucin binomial o la distribucin de Poisson (ver Anexo A3). Contiene dos tablas con
informacin sobre valores de LQ a los que corresponderan (aproximadamente) riesgos del 10 y del
5%. Consta de tres esquemas de muestreo formados, respectivamente, por planes simples, dobles y
mltiples. Cada esquema contiene un conjunto de planes de muestreo, agrupados en varias tablas,
en las que los planes vienen tabulados por tamao de lote y AQL. Los planes se han escogido de
modo que el riesgo sea aproximadamente del 5%, aunque el valor de no se especifica en las
tablas. Tampoco tienen en cuenta explcitamente un valor de LQ ni del riesgo , aunque, para LQ = 5
AQL, suele ser pequeo. Adems de las tablas mencionadas, las normas MIL-STD-105 e ISO
2859-1 contienen informacin adicional sobre los planes de las tablas.
Conviene insistir en que este sistema es un conjunto de esquemas para ser aplicados a series de
lotes que provienen de un mismo proceso productivo, que se puede considerar estable (en estado de
68
control estadstico). Al usar este sistema, se elige un esquema (esto es, no un plan fijo, sino un conjunto de planes con unas reglas para pasar de unos a otros) y se aplica el plan que corresponde a
cada uno de los sucesivos lotes. Naturalmente, siempre se le puede considerar como una simple
recopilacin de planes de muestreo y elegir uno. Lo que se debe hacer entonces (siempre, pero con
ms razn al apartarse de la norma) es examinar la curva caracterstica del plan elegido y evaluar y
. En el caso de la norma ISO 2589-1, se indica explcitamente que no se puede acreditar que se
sigue la norma si no se respetan las reglas all establecidas.
El propsito del sistema es ejercer presin sobre el productor, a travs del rechazo de lotes (e incluso
mediante la interrupcin de la recepcin), para que suministre un material con p AQL. Por otra parte, si p < AQL, el paso a la inspeccin reducida (ver ms abajo) permite rebajar el coste de inspeccin. Observa que la norma establece unas reglas de juego'' que deben quedar claras entre el productor y el consumidor. Recuerda tambin la advertencia hecha anteriormente sobre el hecho de que
el uso de un plan de muestreo al que se le ha asociado un determinado AQL no garantiza que los
lotes aceptados cumplan p AQL.
En el sistema MIL-STD-105 se distingue entre distintos niveles y rigores de inspeccin. El nivel de
inspeccin se fija en funcin del coste de inspeccin, y, en principio, no se cambia a lo largo de la
misma. El rigor de inspeccin se va ajustando en funcin de los resultados, como se ver ms adelante, lo que en la prctica significa cambiar de una tabla a otra.
El nivel de inspeccin determina la relacin entre los tamaos del lote y de la muestra, lo que controla
la potencia del esquema de muestreo y la probabilidad de rechazar un lote con p > AQL. Hay tres
niveles de inspeccin generales, designados I, II y III, para los que los tamaos de muestra van de
menor a mayor, y que corresponden a costes de inspeccin bajo, estndar y alto, respectivamente.
Hay adems cuatro niveles de inspeccin especiales, designados como S-1, S-2, S-3 y S-4, que se
adoptan cuando es necesario usar muestras pequeas y se pueden tolerar riesgos mayores (por
ejemplo, en ensayos destructivos). Para escoger un plan de muestreo, la norma la ISO 2859 propone
que a menos que se indique lo contrario se utilizar la inspeccin para usos generales nivel II. En
general, es vlida la misma regla: cuanto mayor es la muestra, mayor la proteccin del consumidor,
aunque no hay una regla fija que prevea la forma concreta en que esto se produce para cada caso (v.
Ejemplo 6). Una vez decidido el nivel de inspeccin y conocido el tamao de lote, se consulta una
tabla, reproducida parcialmente en la tabla 3.1, para obtener una letra-cdigo de inspeccin, que se
usar despus para seleccionar el plan en las tablas de muestreo.
Tabla 3.1 Letra-cdigo del tamao de lote
Tamao de lote
16-25
26-50
51-90
91-150
151-280
281-500
501-1200
1201-3200
3201-10000
10001-35000
35001-150000
150001-500000
>500000
S-1
A
A
B
B
B
B
C
C
C
C
D
D
D
S-2
A
B
B
B
C
C
C
D
D
D
E
E
E
S-3
B
B
C
C
D
D
E
E
F
F
G
G
H
S-4
B
C
C
D
E
E
F
G
G
H
J
J
K
I
B
C
D
D
E
F
G
H
J
K
L
M
N
II
C
D
E
F
G
H
J
K
L
M
N
P
Q
III
D
E
F
G
H
J
K
L
M
N
P
Q
R
69
En las tablas del sistema MIL-STD-105 se dan valores de AQL tpicos: 0,010, 0,015, 0,025, 0,040,
etc., hasta 1000. Estos valores se pueden interpretar de dos formas: como porcentaje de unidades no
conformes (slo si el valor dado es menor o igual que 10), o como nmero de no conformidades por
cada 100 unidades. Una vez fijado el tipo de plan (simple, doble o mltiple), y el nivel de inspeccin (I,
II, etc.), se decide entre usar un plan simple, doble o mltiple, y se elige el plan en una tabla, entrando
en ella por tamao de lote y AQL. Hay tres tablas posibles, correspondientes a los tres rigores de
inspeccin: reducida, normal y rigurosa (o estricta). Una vez fijado el nivel de inspeccin, el tamao
de muestra es el mismo para la inspeccin normal y la rigurosa, pero menor para la reducida. La letra-cdigo se entra en la tabla propia del rigor de inspeccin que corresponde, dando el tamao de
muestra, y entrando el AQL se obtienen Ac y Re.
Se comienza con un plan normal y segn los resultados obtenidos en las sucesivas inspecciones, se
va variando el rigor de inspeccin. La norma contiene una coleccin de reglas para variar el rigor de
inspeccin:
Paso de inspeccin normal a rigurosa. Cuando dos de cinco lotes consecutivos sean rechazados
en inspeccin normal.
Paso de inspeccin rigurosa a normal. Cuando se acepten cinco lotes consecutivos en inspeccin
rigurosa.
Paso de inspeccin normal a reducida. Cuando se aceptan diez lotes consecutivos en inspeccin
normal.
Paso de inspeccin reducida a normal. Cuando se rechace un lote en inspeccin reducida.
En las sucesivas inspecciones se va ajustando el rigor de inspeccin siguiendo estas reglas. Las reglas se completan con la recomendacin de interrumpir el suministro, cuando se llegue a una situacin en la que se hayan rechazado cinco lotes seguidos. La suspensin debe mantenerse hasta que
haya evidencia de la aplicacin de medidas destinadas a la mejora de la calidad. En las tablas 3.2,
3.3 y 3.4 se han reproducido parcialmente las tablas de muestreo simples, para inspeccin normal,
reducida y rigurosa, respectivamente.
Tabla 3.2 Tabla de muestreo simple para inspeccin normal
Letra
cdigo
Tamao
de
muestra
0.15
Ac Re
0.25
Ac Re
0.40
Ac Re
0.65
Ac Re
A
B
C
D
2
3
5
8
E
F
G
H
13
20
32
50
01
01
01
J
K
L
M
80
125
200
315
01
12
12
23
12
23
34
12
23
34
56
N
P
Q
R
500
800
1500
2000
23
34
56
78
34
56
78
10 11
56
78
10 11
14 15
78
10 11
14 15
21 22
AQL
1.0
Ac Re
1.5
Ac Re
2.5
Ac Re
4.0
Ac Re
6.5
Ac Re
01
01
01
12
12
23
12
23
34
12
23
34
56
23
34
56
78
34
56
78
10 11
56
78
10 11
14 15
78
10 11
14 15
21 22
10 11
14 15
21 22
10 11
14 15
21 22
14 15
21 22
21 22
01
12
23
34
56
78
70
Tabla 3.3 Tabla de muestreo simple para inspeccin reducida
A
B
C
Tamao
de
muestra
2
2
2
D
E
F
3
5
8
G
H
J
13
20
32
0 1
0 1
K
L
M
50
80
125
0 2
N
P
Q
R
200
315
500
800
1
1
2
3
Letra
cdigo
0.15
Ac Re
0.25
Ac Re
0.40
Ac Re
0.65
Ac Re
AQL
1.0
Ac Re
0 1
0 1
0 1
3
4
5
6
1.5
Ac Re
2.5
Ac Re
4.0
Ac Re
0 1
0 1
0 1
0 2
0 2
1 3
0 2
1 3
1 4
1 3
1 4
2 5
1 4
2 5
3 6
2 5
3 6
5 8
6.5
Ac Re
0 1
0 2
0 2
1 3
0 2
1 3
0 2
1 3
1 4
0 2
1 3
1 4
1 3
1 4
2 5
1 4
2 5
3 6
2 5
3 6
5 8
3 6
5 8
7 10
5 8
7 10
10 13
7 10
10 13
1
2
3
5
2 5
3 6
5 8
7 10
3 6
5 8
7 10
10 13
5 8
7 10
10 13
7 10
10 13
10 13
4
5
6
8
Indica plan de muestreo inferior indica plan de muestreo superior
Tabla 3.4 Tabla de muestreo simple para inspeccin rigurosa
A
B
C
Tamao
de
muestra
2
3
5
D
E
F
G
H
J
K
L
M
8
13
20
32
50
80
125
200
315
Letra
cdigo
0.15
Ac Re
0.25
Ac Re
0.40
Ac Re
0.65
Ac Re
AQL
1.0
Ac Re
1.5
Ac Re
2.5
Ac Re
4.0
Ac Re
6.5
Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
1 2
2 3
3 4
5 6
8 9
12 13
18 19
1 2
2 3
3 4
5 6
8 9
12 13
18 19
1 2
2 3
1 2
2 3
3 4
1 2
2 3
3 4
5 6
1 2
N
500
1 2
2 3
3 4
5 6
8 9
P
800
2 3
3 4
5 6
8 9
12 13
Q
1500
3 4
5 6
8 9
12 13 18 19
R
2000
5 6
8 9
12 13 18 19
Indica plan de muestreo inferior indica plan de muestreo superior
1 2
2 3
3 4
5 6
8 9
12 13
18 19
1 2
2 3
3 4
5 6
8 9
12 13
18 19
Salvo para inspeccin reducida, en los planes simples la diferencia entre el Re y Ac es 1, con lo cual
bastara dar uno de ellos. En inspeccin reducida, si el nmero de unidades est comprendido entre
el Ac y Re, se acepta el lote, pero se restablece la inspeccin normal. En cuanto a tamao de muestra y nmero de aceptacin, los planes para inspeccin reducida coinciden con los normales del nivel
71
inferior de inspeccin, de acuerdo con la filosofa de la norma de rebajar el coste de inspeccin cuando los resultados son satisfactorios. Por el contrario, los planes para inspeccin normal y rigurosa
tienen el mismo tamao de muestra dentro del mismo nivel, y el plan para inspeccin rigurosa asignado a un cierto AQL coincide en muchos casos con el plan normal propuesto para el AQL inferior.
Ejemplo 6
Supongamos el tamao de lote comprendido entre 35.001 y 150.000. Los planes para inspeccin
normal a los niveles de inspeccin I, II y III, corresponden a las letras-cdigo L, N y P, con tamaos
de muestra 200, 500 y 800, respectivamente. En la Tabla 3.5 se pueden ver algunas probabilidades
de aceptacin, calculadas usando la frmula binomial para AQL = 0,65% donde la letra cdigo L da n
= 200 y Ac = 3, la letra cdigo N, n = 500 y Ac = 7 y la letra cdigo P, n = 800 y Ac = 10.
Tabla 3.5 Probabilidades de aceptacin (Ejemplo 6)

p
Nivel I
Nivel II
Nivel III
Nivel I
Nivel II
Nivel III
0,25%
0,998
1,000
1,000
2,25%
0,339
0,125
0,029
0,50%
0,981
0,996
0,997
2,50%
0,261
0,067
0,010
0,75%
0,935
0,963
0,958
2,75%
0,198
0,034
0,003
1,00%
0,858
0,868
0,817
3,00%
0,147
0,017
0,001
1,25%
0,758
0,710
0,583
3,25%
0,108
0,008
0,000
1,50%
0,647
0,524
0,346
3,50%
0,078
0,004
0,000
1,75%
0,536
0,352
0,173
3,75%
0,056
0,002
0,000
2,00%
0,431
0,217
0,075
4,00%
0,040
0,001
0,000
Nivel I
1
0,9
0,8
0,7
0,6
Nivel II
Nivel III
0,5
0,4
0,3
0,2
0,1
0
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
Figura 3.1 Curvas caractersticas del Ejemplo 6
3,50%
4,00%
72
Ejemplo 7
Supongamos como antes el tamao de lote comprendido entre 35.001 y 150.000, y tomemos AQL =
0,65% (valor tpico de la MIL-STD-105). Si usamos el nivel de inspeccin II, la letra-cdigo es N, que
nos da:
Inspeccin normal: n = 500, Ac = 7, Re = 8.
Inspeccin rigurosa: n = 500, Ac = 5, Re = 6.
Inspeccin reducida: n = 200, Ac = 3, Re = 6 .
En la inspeccin reducida, Ac = 3 y Re = 6 indica que el lote se acepta si la muestra (n =200) tiene

como mximo 5 no conformidades; en caso de que el nmero de no conformidades sea de 4 o 5, el
siguiente lote se pasa a inspeccin normal. Obsrvese que el plan para inspeccin rigurosa de
AQL=0,65% coincide con el plan normal correspondiente a AQL = 0,40%. En la tabla 3.6 se dan algunas probabilidades de aceptacin, calculadas con la frmula binomial. Para el plan de inspeccin
reducida se ha realizado el clculo teniendo en cuenta que un lote se acepta hasta con 5 unidades no
conformes.
Tabla 3.6 Probabilidades de aceptacin (Ejemplo 7)
Reducida
Normal
Rigurosa
Reducida
Normal
Rigurosa
0,25%
1,000
1,000
0,998
2,25%
0,704
0,125
0,031
0,50%
0,999
0,996
0,958
2,50%
0,616
0,067
0,014
0,75%
0,996
0,963
0,824
2,75%
0,528
0,034
0,006
1,00%
0,984
0,868
0,616
3,00%
0,443
0,017
0,003
1,25%
0,959
0,710
0,405
3,25%
0,365
0,008
0,001
1,50%
0,918
0,524
0,239
3,50%
0,296
0,004
0,000
1,75%
0,859
0,352
0,130
3,75%
0,236
0,002
0,000
2,00%
0,787
0,217
0,065
4,00%
0,186
0,001
0,000
Probabilidad acceptacin
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0,00%
Reducida
Rigurosa
Normal
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
Porcenteje no conformidades
Figura 3.2 Curvas caractersticas del Ejemplo 7
3,50%
4,00%
73
3.3 Sistema ISO-2859-2

El sistema ISO 2859-2 se presenta como un sistema de muestreo para lotes aislados. Aparte de
presentar una coleccin de planes de muestreo tabulados por QL, pretende cubrir una serie de situaciones en las que la primera parte de la norma (el sistema MIL-STD-105) se aplica incorrectamente.
La ms tpica de estas situaciones es la de lotes aislados. Se habla de lotes aislados cuando la regla
de decisin para aceptar o rechazar un lote se aplica a cada lote independientemente de lo sucedido
con los lotes anteriores.
El sistema ISO 2859-2 contiene una coleccin de planes de muestreo, tabulados segn QL, de forma
que <10%, salvo en una minora de casos, en los cuales no supera el 13%. Consta de dos esquemas, denominados procedimiento A (hipergeomtrica) y procedimiento B (binomial). El procedimiento A se usa cuando hay inters, por parte del productor y del consumidor, en considerar los lotes
aisladamente (puede haber razones que fuercen a hacerlo as). En este caso, el procedimiento de
clculo usado en la elaboracin de los planes de la norma ISO 2859-1, basado en la frmula binomial,
puede dar lugar a errores apreciables. La magnitud de los errores obtenidos al usar esta frmula en el
clculo de las curvas caractersticas depende de los tamaos de lote y muestra.
En cualquier caso, la norma ISO 2859-2 propone para esta situacin el uso de los planes del procedimiento A, que se ha recogido parcialmente en la tabla 3.7. El clculo de las probabilidades de aceptacin se basa en la frmula hipergeomtrica, aunque, salvo en el caso de los planes de aceptacin
cero (Ac = 0), la binomial da una buena aproximacin. Por consiguiente, las curvas caractersticas de
los planes con Ac 0 pueden aproximarse por las curvas de los planes correspondientes del procedimiento B. Cuando el tamao de muestra n supere al del lote, se entiende que el muestreo es al
100%.
Tabla 3.7. Tabla de planes de muestreo tabulados por la calidad lmite LQ (ISO 2859-2; procedimiento A). Cuando n accede el tamao del lote, utilizar la inspeccin 100% con un nmero de aceptacin cero.
Tamao
de lote
16-25
26-50
51-90
91-150
151-280
281-500
501-1200
1201-3200
3201-10000
10001-35000
35001-150000
0.5
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
n
Ac
200
0
280
0
380
0
430
0
450
0
500
0
800
1
Calidad lmite en porcentaje

0.8 1.25 2.0 3.15 5.0
25
17
0
0
50
50
28
0
0
0
90
50
44
34
0
0
0
0
150
90
80
55
38
0
0
0
0
0
170 130
95
65
42
0
0
0
0
0
220 155 105
80
50
0
0
0
0
0
255 170 125 125
80
0
0
0
1
1
280 200 200 125 125
0
0
1
1
3
315 315 200 200 200
0
1
1
3
5
500 315 315 315 315
1
1
3
5
10
500 500 500 500 315
1
3
5
10
18
LQ
8.0
13
0
22
0
24
0
26
0
28
0
32
0
50
1
80
3
125
5
200
10
200
18
12.5
9
0
15
0
16
0
18
0
20
0
32
1
32
1
50
3
80
5
125
10
200
18
20
6
0
10
0
10
0
13
0
20
0
20
1
32
3
50
5
80
10
125
18
125
18
74
El procedimiento A es muy simple, ya que se basa en una sola tabla, donde los planes se dan por
tamao de lote y LQ. La norma contiene asimismo informacin adicional sobre:
Los riesgos asociados a los valores de LQ usados para seleccionar los planes, as como valores de p con probabilidades altas de aceptacin.
Curvas caractersticas para los planes de aceptacin cero.
El procedimiento B se utiliza cuando el consumidor tiene inters en considerar el lote como aislado,
mientras que para el productor forma parte de una serie continua de lotes. De cara al consumidor,
ofrece una proteccin, basada en la LQ, y de cara al productor, proporciona el valor de AQL correspondiente al plan escogido en las tablas de la ISO 2859-1, con lo cual el productor tiene una indicacin sobre el nivel de calidad que no va a tener problemas de aceptacin.
Se trata de un esquema que consta de varios subesquemas, correspondientes a los siete niveles de
inspeccin, que son los mismos de la ISO 2859-1. El plan se identifica por LQ y tamao de lote. Para
escoger el plan se dispone de 10 tablas, correspondientes a distintos valores de LQ: 0,5%, 0,8%, etc.
Entrando en la tabla el nivel de inspeccin escogido (la norma recomienda usar, el nivel II salvo especificacin en sentido contrario) y el tamao de lote, obtenemos:
El tamao de muestra n
El nmero de aceptacin Ac
La curva caracterstica del plan
El riesgo asociado al valor de LQ fijado
El valor de AQL que la norma ISO 28591, para inspeccin normal, asigna a ese plan
Por consiguiente, los planes del procedimiento B se seleccionan de entre los de la norma ISO 2859-1
(para inspeccin normal), con lo que se consigue la compatibilidad. Por ltimo, la norma ISO 2859-2
contiene una tabla con las correspondencias entre ambos sistemas. El procedimiento B no contiene
planes de aceptacin cero, reemplazndolos por la inspeccin 100%.
3.4 Otras tablas de muestreo

En el caso de un producto que se suministra en lotes que se reciben ininterrumpidamente y provienen
de un proceso estable, puede ser interesante reducir el coste de inspeccin. El sistema MIL-STD-105
combina planes de distinto rigor, de acuerdo con unas reglas para pasar de uno a otro, segn los
resultados de las inspecciones precedentes, y la aplicacin de estas reglas puede llevar a la conclusin de que el proceso de produccin no es satisfactorio. Sin embargo, los resultados de las inspecciones precedentes no se incorporan especficamente al criterio de aceptacin, sino que slo dan
lugar a cambios de un plan de muestreo a otro.
En los planes de muestreo basados en resultados acumulados, las reglas de decisin se van
modificando en funcin de los resultados que se van obteniendo de la inspeccin. El objetivo de estos
planes es minimizar el coste de inspeccin, manteniendo una proteccin razonable. En general, los
planes basados en resultados acumulados requieren que se den ciertas condiciones, para ser aplicados de forma satisfactoria:
El lote inspeccionado forma parte de una serie continua.
Se espera que los lotes sean de calidad similar.
75
El consumidor no tiene razones para creer que el lote que se inspecciona sea de peor calidad que
los precedentes.
El consumidor tiene confianza en el productor, en el sentido de que no aprovechar los resultados

favorables de la inspeccin para suministrar lotes de calidad inferior.
Entre estos planes, los ms usados son los planes de muestreo en cadena, abreviadamente ChSP
(chain sampling plans), y los planes skip-lot, abreviadamente SkSP. Los planes de muestreo en
cadena ligan la decisin sobre un lote a los resultados de la inspeccin de los lotes precedentes, de
forma que los resultados de las sucesivas inspecciones se combinan obteniendo un efecto equivalente al proporcionado por el muestreo con tamaos mayores de muestra. Estos planes tratan de cubrir
situaciones en las cuales, por razones de coste, el tamao de muestra debe ser pequeo, lo que obliga a escoger planes de aceptacin cero, que tienen poco poder de discriminacin.
En los planes skip-lot la inspeccin se realiza slo sobre una fraccin de los lotes. La fraccin depende del resultado de la inspeccin en los lotes precedentes. Se usan cuando los resultados de la inspeccin sobre una serie de lotes han proporcionado suficiente evidencia como para considerar que el
proceso de produccin opera de forma estable a un nivel satisfactorio. Pueden hallarse planes de
muestreo de este tipo en la norma ANSI/ASQC S1 o en la tercera parte de la norma ISO 2859.
Entre los planes basados en resultados acumulados, ocupan un lugar especial los planes de muestreo en continuo, abreviadamente CSP (continuous sampling plans), que se usan cuando el producto no se recibe agrupado en lotes diferenciados, sino en un flujo continuo de unidades. Estos planes
alternan la inspeccin 100% con el muestreo, en funcin de la calidad observada. La manera de trabajar de estos planes es muy similar a la de los planes skip-lot, con la diferencia de que en lugar de
lotes se consideran aqu unidades. De hecho, los planes skip-lot fueron desarrollados a partir de los
planes de muestreo continuo.
Los primeros planes de muestreo continuo fueron propuestos por Dodge en 1943, y con el tiempo han
pasado a conocerse por las siglas CSP-1. Estos planes estaban tabulados por AOQL, es decir, para
ser usados en la inspeccin con rectificacin. Dodge y M. N. Torrey introdujeron en 1951 nuevas variantes, conocidas como CSP-2 y CSP-3, para cubrir situaciones en las que la aparicin de defectos
de poca importancia no justifica el paso a la inspeccin 100%. La norma MIL-STD-1235 incluye cinco
tipos de planes: los CSP-1 y CSP-2 citados anteriormente, y otros tres, CSP-F, CSP-T y CSP-V, a fin
de ofrecer una mayor flexibilidad para adaptarse a situaciones reales.
Bsicamente hay dos tipos de planes de muestreo continuo, segn se autorice o no alguna unidad no
conforme antes de volver a la inspeccin 100%. En los planes ms sencillos (simple continuous sampling), como los de la tabla CSP-1, se inicia la inspeccin al 100%, y se prosigue hasta hallar i unidades conformes consecutivas. Entonces se pasa a inspeccionar solamente una fraccin f de las unidades. Cuando se halla una unidad no conforme, se vuelve a la inspeccin 100% hasta haber hallado i
unidades conformes consecutivas, y as sucesivamente.
En otros planes de muestreo en continuo no se vuelve inmediatamente a la inspeccin 100% despus
de hallar una unidad no conforme (continuous sampling allowing a defective). Un ejemplo sera el
siguiente:
Se inspecciona 100% hasta hallar 50 unidades conformes consecutivas.
Se pasa a inspeccionar 10% (f = 1/10) hasta hallar alguna no conforme.
Al hallar una unidad no conforme, se prosigue inspeccionando una de cada 10, pero si se vuelve
a encontrar otra entre las siguientes 50 inspeccionadas, se vuelve a la inspeccin 100%. En caso
contrario, se prosigue con la inspeccin 10% hasta hallar otra unidad no conforme, y entonces se
vuelve a hacer el planteamiento de antes (pasar a inspeccin 100% si hay otra unidad no conforme entre las siguientes 50 inspeccionadas).
76
A3. CLCULO DE PROBABILIDADES DE ACEPTACIN

Las probabilidades de aceptacin de los lotes en los planes de muestreo se calculan, siempre bajo la
hiptesis de que el muestreo es aleatorio, usando alguna de las tres distribuciones de probabilidad
siguientes:
Distribucin hipergeomtrica
Da la probabilidad de obtener, extrayendo una muestra de tamao n de un lote de tamao N que contiene d unidades no conformes, un resultado de x no conformes (x es el nmero de no conformes en
la muestra, y d en el lote), donde este tipo de muestreo se asimila al conocido muestreo sin reposicin.
Sea X = nmero de unidades no conformes en una muestra de tamao n. X puede tomar valores
entre 0 y el mnimo de d y n.
La probabilidad de que el nmero de no conformidades de la muestra sea x es:
d N d

x nx
,
Px = Prob(X =x) =
N

n
x = 0, 1, 2, ..., min{d,n}.
donde los trminos que aparecen en el numerador y el denominador de la fraccin son nmeros
combinatorios. Por ejemplo:
N
N!
.
=
n n !(N n )!
La probabilidad de aceptacin se obtiene sumando las probabilidades Px desde x = 0 hasta x = Ac.
Nota: El clculo manual de los nmeros combinatorios resulta inasequible para los valores de N que
se dan en la industria, pero la disponibilidad de medios electrnicos de clculo permite superar esta
dificultad fcilmente y el clculo de probabilidades mediante la frmula hipergeomtrica puede realizarse sin problemas en una hoja electrnica de clculo e incluso con algunas calculadoras de bolsillo.
Distribucin binomial
Da la probabilidad de obtener x veces un resultado cuya probabilidad es p, realizando n pruebas independientes. Sea X = nmero de no conformidades en una muestra de tamao n; la probabilidad de
obtener x no conformidades es
n x
n-x
Px = Prob(X = x)= p (1 - p)
x

x = 0, 1,..., n
La distribucin binomial puede aplicarse al clculo de probabilidades de aceptacin en la inspeccin

por muestreo, suponiendo que la muestra se extrae de un conjunto muy grande, de modo que podamos considerar que las extracciones sucesivas son independientes. Como antes, la probabilidad de
aceptacin Pa se obtiene sumando las probabilidades Px desde x = 0 hasta x = Ac.
Nota: Puede probarse que la frmula hipergeomtrica da como lmite la binomial cuando N es muy
grande y d/N = p, por lo que en la prctica la binomial se usa para aproximar la hipergeomtrica
cuando n/N < 0.1.
77
Distribucin de Poisson
Da la probabilidad de que un suceso espordico, como la aparicin de una disconformidad, se d x
veces en un intervalo de tiempo dado o en una muestra de tamao dado. Para que sea vlida se ha
de suponer que el nmero medio de veces que se da ese suceso es una constante y que sus apariciones son independientes entre s.
Sea X = nmero de no conformidades por unidad; la probabilidad de x no conformidades por unidad
es
Px = Prob (X =x) = e
x
, x = 0, 1, 2 ,... , ;
x!
> 0.
Sumando Px desde x = 0 hasta x = Ac se obtiene la probabilidad de aceptacin en la inspeccin por

muestreo.
Nota: La frmula de Poisson se utilizaba clsicamente como aproximacin de la binomial para n
grande y p pequea (n > 20 y np < 5), haciendo = np, pero con los medios de clculo disponibles
actualmente estas aproximaciones han perdido inters.
78
A4. CASO PRCTICO

PRESENTACIN DEL CASO:
Una empresa dedicada a la fabricacin de aparatos de aire acondicionado va a incorporar en un nuevo producto un componente metlico suministrado por un proveedor. No se trata de un proveedor
nuevo y el responsable de calidad es consciente de que los lotes suministrados por ese proveedor
contienen a veces un porcentaje de unidades no conformes elevado (a veces superior al 10%). El
Departamento de Ingeniera ha elaborado un plano para este componente donde se establecen lmites de tolerancia para una serie de caractersticas dimensionales. Los lotes constarn de 25 cajas de
200 unidades, en total 5000 unidades.
El responsable de calidad decide reunir a los responsables de Compras, Produccin e Ingeniera y
someter a discusin la posibilidad de realizar un control de recepcin para estos componentes, por lo
menos hasta que los datos recogidos en las sucesivas recepciones permitan confiar en el control de
calidad del proveedor. En este control se inspeccionara cada lote, para decidir aceptarlo o rechazarlo
en funcin del resultado de la inspeccin. La inspeccin al 100% parece inviable, y propone inspeccionar solamente una muestra de cada lote. Propone asimismo que la inspeccin se realice de forma
sistemtica, de acuerdo con un procedimiento preestablecido y dando a todos los lotes el mismo tratamiento. Considera que se debe evitar la subjetividad de procedimientos basados en la experiencia,
en criterios personales o en el sentido comn, adoptando procedimientos cientficos, basados en
principios de tipo estadstico. A los restantes directivos les parece razonable la propuesta del responsable de Calidad. Sin embargo, al concretar los detalles de cmo se va a llevar a cabo la inspeccin
surgen numerosos interrogantes.
La primera cuestin que se plantea se refiere al mtodo a seguir para extraer la muestra. El responsable de Compras sugiere que se extraigan unidades de todas las cajas que componen el lote para
que la muestra sea representativa, aunque no consigue aclarar lo que eso significa. El responsable
de Ingeniera, que ha seguido varios cursos de Estadstica, sugiere que la extraccin de la muestra
debe hacerse de forma aleatoria, pero tampoco est claro cmo se consigue la aleatoriedad, ni qu
ventajas aporta, sino solamente que al utilizar las frmulas estadsticas siempre se da por hecho que
las muestras son aleatorias. La segunda cuestin hace referencia al nmero de unidades que hay
que inspeccionar de cada lote, es decir, al tamao de la muestra. No queda claro si es el tamao de
la muestra lo que la hace representativa o es el procedimiento de muestreo, o ambas cosas.
REFLEXIONES:
Cmo se debe extraer la muestra? Qu quiere decir que una muestra es aleatoria? Qu se ha de
hacer para que lo sea? Es esencial que la muestra sea aleatoria? Cul debe ser el tamao de la
muestra?
CONTINUACIN DEL CASO:

Se decide que se consultar una tabla de muestreo para establecer el tamao de la muestra. Una vez
aclarado este punto, habr que decidir de dnde se extrae la muestra, ya que al estar dividido el lote
en cajas, se debe especificar si la muestra se extrae de una o de varias cajas. La primera variante
simplifica el problema, pero la segunda garantiza aparentemente que la muestra sea ms representativa.
Una vez extrada la muestra e inspeccionadas las unidades que la componen, hay que disponer de
un criterio para aceptar o rechazar el lote. No est claro si deben tenerse en cuenta los valores numricos obtenidos para las medidas dimensionales, o slo si caen dentro de los lmites de tolerancia. Si
79
se decide simplificar y tener en cuenta solamente la conformidad o disconformidad para cada dimensin especificada en el plano, el criterio de aceptacin se puede basar en el nmero de unidades no
conformes, contando igual las unidades que no son conformes para una sola caracterstica y las que
presentan varias no conformidades, o por el contrario se puede basar en el nmero global de no conformidades. Se deciden por la primera alternativa. Debern ahora especificar el nmero mximo de
no conformidades admisible.
REFLEXIONES:
Est Vd. de acuerdo con los criterios con los cuales se va a decidir la aceptacin o rechazo de un
lote? Cul debe ser el nmero mximo de disconformidades para aceptar un lote?

Tanto el responsable de Calidad como el de Produccin disponen de alguna experiencia en la inspeccin por muestreo, concretamente en el uso de las tablas de la norma MIL-STD-105. En estas
experiencias previas, las unidades inspeccionadas se clasificaban en conformes y no conformes segn cumplieran o no unos requisitos especificados y conocidos por el proveedor, y la decisin de
aceptar o rechazar el lote se tomaba en funcin del nmero de unidades no conformes halladas en la
muestra, de acuerdo con la tabla de muestreo. Sin embargo, ninguno de los dos tiene una idea muy
clara sobre las garantas que proporciona seguir estas tablas. El responsable de Calidad ha odo decir que el sistema MIL-STD-105 est obsoleto y que ya no lo usa casi nadie, aunque no tiene tampoco
muy claro si est obsoleto porque las tablas son defectuosas o porque la inspeccin resulta muy cara.
El responsable de Produccin est de acuerdo en que la inspeccin segn las tablas MIL-STD-105
representa un coste elevado que slo puede asumirse con carcter excepcional.
REFLEXIONES:
As pues, es aconsejable usar las tablas MIL-STD-105 o hay otra alternativa basada en principios
estadsticos slidos?

En realidad la experiencia con el sistema MIL-STD-105 se limita al uso de una sola tabla, la titulada
Planes simples para inspeccin normal, de la que se dispone de fotocopia desde hace bastantes
aos. No se sabe muy bien qu quiere decir inspeccin normal, pero parece lgico utilizar la variante
normal cuando no se tienen las ideas claras.
Para aclararlas, se decide consultar la norma completa, que no es difcil de conseguir, ya que hay una
norma ISO equivalente, la 2859-1, de fcil adquisicin en Espaa. La verdad es que el sistema MILSTD-105 no viene presentado de forma muy pedaggica y la consulta de la norma no aclara mucho
las ideas. En primer lugar hay que usar una tabla que da una letra-cdigo, en funcin del tamao del
lote y del nivel de inspeccin. Manejando ambas tablas conjuntamente, se ve que la seleccin del
nivel de inspeccin implica un tamao de muestra mayor o menor. En experiencias previas siempre
se ha mantenido el nivel de inspeccin II, y as se decide hacerlo en este caso, con lo cual corresponde utilizar la letra-cdigo L. En la tabla de planes de inspeccin, la letra L da un tamao de muestra de 200 unidades, el equivalente de una caja, lo que representa mucho trabajo. Esto desanima a
nuestros directivos, que no obstante deciden seguir adelante.
80
REFLEXIONES:
No puede reducirse el tamao de muestra? Qu se pierde en tal caso?

Hasta el momento no se ha entendido muy bien lo que se haca, pero se han hecho las cosas como
todo el mundo. Para concluir y seleccionar efectivamente un plan en la tabla, hay que establecer un
valor para un parmetro denominado nivel de calidad admisible, que se designa habitualmente como
AQL, usando la abreviatura anglosajona. Parece que el AQL debe establecerse en funcin del perjuicio que representen las unidades no conformes que pueda contener el lote, lo que debera traducirse
a un porcentaje mximo admisible de unidades no conformes.
REFLEXIONES:
Cmo se establece el valor del AQL y qu garantas proporciona el uso de un AQL determinado?Garantiza el sistema MIL-STD-105 que el porcentaje de unidades no conformes en los lotes
aceptados no supere el valor del AQL?

El responsable de Produccin considera que lo mximo que puede aceptarse es un 5% de unidades
no conformes e interpreta que se debe hacer AQL = 5. La tabla solamente permite unos cuantos valores de AQL, y el ms cercano a 5 es AQL = 4. Si se usa este valor, la tabla da un nmero de aceptacin Ac = 14 y un nmero de rechazo Re = 15. Esto significa que se aceptar un lote cuando de las
200 unidades inspeccionadas haya, como mximo, 14 no conformes.
En este punto de la discusin, el Responsable de Compras recuerda que los lotes vienen divididos en
cajas y plantea un problema de orden prctico sobre la ejecucin del plan de muestreo. Cuando el
lote est dividido en varios cajas, puede repartirse la muestra entre ellas? Hay que repartir entonces el nmero de aceptacin, y se puede aceptar unas cajas y rechazar las otras? Por ejemplo, en
nuestro caso una muestra de 200 unidades puede repartirse entre 5 cajas para que sea ms representativa. Hay que repartir entonces el nmero de rechazo Re = 15, y rechazar una caja donde se
hallen 3 unidades no conformes?
REFLEXIONES:
Cree Vd. que tienen sentido estas operaciones con el tamao de muestra y el nmero de aceptacin
cuando un lote est dividido en varios segmentos?

La opinin de los otros tres es contraria a complicar ms el asunto. El responsable de Calidad argumenta que en la literatura de su especialidad se habla slo de aceptar y rechazar lotes. Si se quiere
aplicar el sistema a las cajas lo que debera hacerse, segn l, es usar un tamao de lote 200, lo que
encarecera mucho el coste de la inspeccin. El responsable de Compras acepta el argumento, pero
no ve claro que se rechace un lote porque una caja sea peor que las otras o vivecersa. El responsable de Calidad considera que no debe haber cajas buenas y cajas malas, si el proveedor tiene un
81
proceso en estado de control. El de Compras considera que sta es una suposicin muy cndida.
Finalmente, se decide inspeccionar slo una de las cajas, entera.
REFLEXIONES:
Est Vd. de acuerdo con esta decisin?

El responsable de Produccin, que trabajaba antes en una empresa donde se utilizaban estos planes
de muestreo, recuerda una ancdota inquietante. En su anterior empresa utilizaban estos planes por
partida doble. En primer lugar, el personal de Produccin inspeccionaba cada lote dentro del control
de proceso. Por otro lado, al entrar en el almacn de producto acabado, el personal de Calidad inspeccionaba algunos lotes. El resultado era que la segunda inspeccin rechazaba a veces lotes aceptados en la primera, lo que provocaba el consiguiente malestar, adems del coste de una inspeccin
100% para separar las unidades no conformes del lote rechazado. Sin embargo, las muestras utilizadas en la primera inspeccin, conservadas por el Departamento de Produccin, haban sido inspeccionadas correctamente.
REFLEXIONES:
Por qu pasa esto? No hay forma de evitarlo? No hay garantas de que al repetir una inspeccin
realizada con un plan del MIL-STD-105 el resultado va a ser el mismo?

El responsable de Ingeniera opina que tal cosa es posible si en ambas inspecciones las muestras
son distintas, del mismo modo que dos encuestas distintas no dan exactamente los mismos resultados, aunque est de acuerdo en que la posibilidad de que el proveedor realice el mismo tipo de inspeccin y su resultado sea distinto complica el asunto. Se decide finalmente seguir con el plan de
inspeccin propuesto por la norma, y ver ms adelante si estas complicaciones se presentan.
REFLEXIN FINAL:
Son correctos los argumentos que han conducido a nuestros directivos a adoptar este plan de inspeccin? Hay un procedimiento mejor?
82
A5. EJEMPLOS NUMRICOS

1. Sea un lote de N=30 unidades que contiene d=5 no conformes. Se toma una muestra aleatoria de
n=10 unidades del lote.
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=10 de un lote
de tamao N=30 que contiene d=5 no conformes.
La variable aleatoria X puede tomar los valores 0,1,2,3,4 y 5 donde X se distribuye segn la distribucin hipergeomtrica H(N=30;d=5;n=10).
La distribucin de probabilidades es:
P(X = x) = Px =
d N d

x n x ,
N

n
x = 1, 2, 3, 4, 5
a. Cul es la probabilidad de que contenga x=2 no conformidades?

Que la muestra contenga 2 no conformidades es el suceso X=2, por lo que la probabilidad es:
P( X = 2) =
Para
el
clculo
puede
utilizarse
=DISTR.HIPERGEOM(2;10;5;30).
5 30 5

2 10 2
30

10
la
= 0,35999
funcin
de
la
hoja
de
clculo
Excel
b. Cul es la probabilidad de que contenga como mximo x=1 no conformidades?

Que la muestra contenga como mximo 1 no conformidad es la unin de dos sucesos independientes
X=0 y X=1, por lo que la probabilidad es la suma:
P(X 1) = P(X=0) + (X=1) =
5 25 5 25

0 10 + 1 9
30
30

10
10
= 0,10879+ 0,33999= 0,44878
Para
el
clculo
puede
utilizarse
la
funcin
de
la
=DISTR.HIPERGEOM(0;10;5;30)+ DISTR.HIPERGEOM(1;10;5;30).
hoja
de
clculo
Excel
83
2. Cul es la probabilidad de aceptar un lote de tamao N=500 con 25 no conformidades si utilizamos el plan de muestreo n=16 Ac=1?
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=16.
Como n10<N=500 podemos aproximar la variable aleatoria por una binomial de parmetros n=16 y
p = probabilidad de no-conformidad=25/500=0,05.
Dado el plan de muestreo n=16, Ac=1, la probabilidad de aceptar el lote para una proporcin de no
conformidad p=0,05 es:
P(aceptar el lote | p=0,05)=P(X1)=B(1;16;0,05)=0,8108
3. Calcule el riesgo para un plan doble n1=18,c1=2,n2=25,c2=4 si el nivel de calidad aceptable (AQL)
es 0,05, suponiendo que el lote es grande.
Sea X1 la variable aleatoria nmero de no conformidades en una muestra de tamao n=18.
X1 B(18; p)
Sea X2 la variable aleatoria nmero de no conformidades en una muestra de tamao n=25.
X2 B(25;p)
P(aceptar el lote |p=0,05)=P(X12)+ P(X1=3)P(X21)+ P(X1=4) P(X2=0) = =0,9419 +(0,9891-0,9419)
0,6424+(0,9985-0,9891) 0,2774=0,9748.
=P(rechazar el lote |p=0,05)=1-0,9748=0,0252
4. Un contrato de compra estipula que el nivel de calidad aceptable es AQL=0,04 y el nivel de calidad
lmite es LQ=0,3. Se propone un plan de muestreo n=10 y Ac= 1 para recepcionar lotes de tamao
N=100.
a. Calcular la curva caracterstica utilizando para el clculo de probabilidades la distribucin hipergeomtrica.
En la segunda columna de la tabla A5.1 se encuentra el clculo de probabilidades de la curva caracterstica utilizado la frmula de la hoja de clculo Excel :
=DISTR.HIPERGEOM(0;10;A3*100;100)+DISTR.HIPERGEOM(1;10;A3*100;100)
donde A es la columna de proporciones de unidades no conformes.
La figura A5.1 es la grfica de la curva caracterstica cuyos valores estn calculados en la segunda
columna de la tabla A5.1.
84
Probabilidad aceptacin
del lote
Curva caracterstica
1,0
0,8
0,6
0,4
0,2
0,0
0
0,1
0,2
0,3
0,4
Proporcin no conformidades
Figura A5.1 Curva caracterstica del ejemplo 4 utilizando la distribucin hipergeomtrica
b. Calcular el riesgo del productor y el riesgo del consumidor.

La probabilidad de aceptacin del lote si ste tiene una proporcin de no conformidades igual al
AQL=0,04 es 0,951, por lo que el riesgo del productor es =1-0,951=0,049.
La probabilidad de aceptacin del lote si ste tiene una proporcin de no conformidades igual al
LQL=0,3 es 0,136, por lo que el riesgo del consumidor es =0,136.
c.
Cul es el nivel de calidad indiferente?
El nivel de calidad indiferente es aquel que tiene una probabilidad asociada del 0,5; en este caso es
0,16. Este ndice se interpreta de la forma siguiente: si los lotes llevarn un 16% de las unidades no
conformes, la aceptacin del lote podra decidirse al azar lanzando una moneda: si sale cara aceptarlo y si sale cruz rechazarlo. De todas formas hay que remarcar
d. Realizar los apartados anteriores utilizando para el clculo la distribucin binomial.
En la tercera columna de la tabla A5.1 se encuentran los clculos de las probabilidades de la curva
caracterstica se utiliza la hoja de clculo Excel donde la frmula en este caso es
= DISTR.BINOM(1;10;A3;VERDADERO)
y A es la columna de proporciones de unidades no conformes. Se puede pasar de la tabla al grfico
de la curva caracterstica en la misma hoja de clculo (Figura A5.2).
85
Probabilidad aceptacin del

lote
Curva caracterstica
1,000
0,800
0,600
0,400
0,200
0,000
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
Proporcin de no conformidades
Figura A5.2 Curva caracterstica del ejemplo 4 utilizando la distribucin binomial
Tabla A5.1 Clculo de las probabilidades de la curva caracterstica del ejemplo 4

utilizando la distribucin hipergeomtrica y la binomial
Probabilidad de
aceptacin del lote
Probabilidad de
aceptacin del lote
(Hipergeomtrica)
(Binomial)
0,02
0,991
0,984
0,04=AQL
0,951
0,942
0,06
0,891
0,882
0,08
0,818
0,812
Proporcin de unidades no conformes
0,1
0,738
0,736
0,12
0,657
0,658
0,14
0,576
0,582
0,16
0,500
0,508
0,18
0,428
0,439
0,2
0,363
0,376
0,22
0,333
0,318
0,24
0,278
0,267
0,26
0,229
0,222
0,28
0,187
0,183
0,3=LQL
0,136
0,149
0,32
0,108
0,121
0,34
0,085
0,096
0,36
0,066
0,076
0,38
0,051
0,060
0,4
0,039
0,046
0,42
0,029
0,036
86
Conclusin: A la vista de los clculos realizados en la tabla A5.1, puede observarse que hay diferencias utilizando la distribucin hipergeomtrica y la binomial. El procedimiento correcto en este caso
sera utilizar la distribucin hipergeomtrica puesto que el tamao del lote no es suficientemente
grande.
5. Un contrato de compra estipula la compra de componentes en lotes grandes que han de contener
como mximo un 5% de componentes no conformes (el AQL=0,05). Para comprobar la calidad se
inspeccionan 10 unidades del producto de cada lote, aceptando si hay como mximo una unidad defectuosa. Estudiar la probabilidad de aceptacin de un lote cuando la proporcin real de componentes
no conformes en los lotes es 0,05, 0,10, 0,15 y 0,20.
Se trata de un plan de muestreo simple donde el tamao de la muestra es n=10 y la aceptacin del
lote es Ac=1.
Sea X la variable aleatoria numero de no conformidades en una muestra de tamao n=10.
Como que el tamao del lote N es grande (supongamos 10n<N) podemos aproximar la distribucin de
la variable aleatoria por una binomial de parmetros n=10 y p=probabilidad de no conformidad.
Dado el plan de muestreo n=10, Ac=1, la probabilidad de aceptar el lote si la proporcin de no con1
formidad es P= 0,01; 0,05; 0,10; 0,15; 0,20 son :
P(aceptar el lote | p=0,01)=P(X=0)+P(X=1)=P(X1)=B(1;10;0,01)=0,9957
A la vista de los resultados, podemos observar que:
Si el lote tiene un 1% de piezas no conformes (por debajo del nivel aceptable), tiene una probabilidad de aceptarlo de 0,9957, con lo cual al consumidor le puede parecer bien el plan de muestreo
pero al fabricante no, ya que el contrato estipula un nivel de calidad aceptable de un 5% y si l
sirve lotes con 1% de no conformidades le devolvern un 1,47% de los lotes.
Si el lote tiene un 5% de las piezas no conformes, tiene una probabilidad de aceptarlo de 0,9139,
con lo cual al consumidor le puede parecer bien pero al fabricante no, ya que el contrato estipula
un nivel de calidad aceptable de un 5% y si l sirve lotes con esta proporcin le devolvern un
8,61% de los lotes.
Las probabilidades pueden calcularse con la hoja de clculo excel con la frmula
B(1;10;p=A3)=DISTR.BINOM(1;10;A3;VERDADERO) o con las tablas de la Binomial del Anexo
87
Si el lote tiene un 10% de las piezas no conformes, tiene una probabilidad de aceptarlo de
0,7361. con lo cual al consumidor no le parecer bien, ya que el contrato estipulaba como mximo un 5% de piezas no conformes y slo rechaza un 26,39% de los lotes con un 10% de no conformidades.
6. Dado el plan de muestreo n=25, Ac=1, utilizando la hoja de clculo Excel, resolver las siguientes
cuestiones teniendo en cuenta que el lote es de tamao N = 1.000.
a. Calcular y dibujar la curva caracterstica o curva operativa (OC) del plan de muestreo. Justificar la
distribucin de probabilidad utilizada para calcular las probabilidades.
En un plan de muestreo, la curva caracterstica, o curva OC (operating characteristic curve), es una
funcin (o una curva, si la representamos grficamente) que da la probabilidad de aceptacin Pa de
un lote en trminos de el porcentaje de no conformidades p. Dado el plan de muestreo n=25, Ac =1
para calcular las probabilidades asociadas a los porcentajes de no conformidades utilizaremos el
modelo probabilstico binomial puesto que el tamao de la muestra 25 < N/10 donde N=1000 es el
tamao del lote.
Sea la variable aleatoria X = nmero de unidades no conformes en la muestra de tamao n=25. X~
Binomial(25;p).
En la tabla A5.2 se dan algunas probabilidades de aceptacin, calculadas a partir de la distribucin
binomial.
Tabla A5.2 Probabilidades de aceptacin
Probabilidad de aceptacin
Porcentaje
1%
1,3%
1,4%
1,6%
2%
3%
4%
5%
6%
7%
8%
9%
10%
12%
14%
16%
18%
20%
22%
26%
0,974
0,958
0,952
0,940
0,911
0,828
0,736
0,642
0,553
0,470
0,395
0,329
0,271
0,180
0,117
0,074
0,045
0,027
0,016
0,005
88
Indicacin: los clculos pueden hacerse con la hoja de clculo Excel con la
=DISTR.BINOM(1;25;A3;1) o utilizando las tablas estadsticas del anexo.
frmula
Utilizando la hoja de clculo puede dibujarse la curva caracterstica:

Curva caracterstica
probabilidad de
aceptacin
1
0,8
0,6
0,4
0,2
0
0%
5%
10%
15%
20%
25%
30%
Porcentaje de no conformidades
Figura A5. Curva caracterstica del ejemplo 6 utilizando la distribucin Binomial.

b. Qu valor identificaras como nivel de calidad aceptable (AQL)?
El nivel de calidad aceptable es el porcentaje no conforme que se considera aceptable en la inspeccin. Se designa por AQL (acceptable quality level). El AQL es una indicacin que se da al productor,
y depende de criterios econmicos y tcnicos. Al usar este parmetro, es importante tener bien claro
lo que significa, ya que, de lo contrario, puede generar expectativas sin fundamento. El AQL puede
ser cualquier valor de p para el cual la probabilidad de aceptacin sea alta (en general superior al
90%) . Normalmente se escoge del 0,95 y en este caso podra ser AQL=1,4%.
c.
Qu valor identificaras como nivel de calidad lmite (LQ)?
La calidad lmite es el porcentaje no conforme mximo que se considera aceptable en la inspeccin.

Se designa por LQ (limiting quality), LQL (limiting quality level), RQL (rejectable quality level) o LTPD
(lot tolerance percent defective). El significado de la LQ en un plan de muestreo es similar al del AQL,
pero de sentido contrario. Si p=LQL, la probabilidad de aceptacin es baja (en general inferior al
10%). En este caso particular se podra coger LQ=16%. ( Tabla A5.2).
d. Cul sera el riesgo del productor () y el del consumidor (), teniendo en cuenta los valores
AQL y LQ que se haya escogido?
El riesgo del productor es la probabilidad de rechazar un lote con p=AQL (que debera ser aceptado). Al escoger AQL= 1,4 % en la tabla A5.2, le corresponde una probabilidad de aceptacin de
0,952, de donde se deduce que al hacer p=AQL la curva caracterstica nos da Pa=1-
En este caso =1-0,952=0,048
El riesgo del consumidor, , es la probabilidad de aceptar un lote con LQ de no conformidades (que
debera ser rechazado).
Si LQ = 16 %, en la tabla A5.2 le corresponde una =0,074.
89
7. Indicar el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si se
quieren inspeccionar lotes de N=20.000 unidades de forma continuada y el nivel de calidad aceptable
(AQL) pactado con el proveedor es de 0,25% no conformidades.
Para escoger un plan de muestreo, la norma la ISO 2859 propone que a menos que se indique lo
contrario se utilizar la inspeccin para usos generales nivel II.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=20.000 unidades le corresponde la letra cdigo M.
Para la letra cdigo M, para inspeccin rigurosa, mirando la tabla 3.4 del captulo 2, le corresponde
para un AQL=0,25% el plan de muestreo n=315 Ac=1
8. Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 1 parte si se quieren inspeccionar lotes de N=700 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 0,15% no conformidades.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=700 unidades le corresponde la letra cdigo J.
Para la letra cdigo J, para inspeccin normal, mirando la tabla 3.4 del captulo 2, le corresponde para
un AQL=0,15% el plan de muestreo n=80 Ac=0.
9. Indicar el plan de muestreo (para inspeccin reducida) que propone la ISO 2859 1 parte si se
quieren inspeccionar lotes de N=500 unidades de forma continuada y el nivel de calidad aceptable
(AQL) pactado con el proveedor es de 1% no conformidades.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=500 unidades le corresponde la letra cdigo H.
Para la letra cdigo H, para inspeccin reducida, mirando la tabla 3.3 del captulo 2, le corresponde
para un AQL=1% el plan de muestreo n=20 Ac=0 y Re=2, lo que indica que en caso de detectar una
unidad no conforme se acepta el lote y se restablece la inspeccin normal.
10. Con el plan escogido en el ejercicio 9 determinar cul sera la probabilidad de aceptar un lote de
N=500 con 50 no conformidades?
La proporcin de no conformidades del lote es p=50/500=0,10.
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=20. Por ser
10n<N podemos aproximar X por la distribucin binomial de parmetros n=20 y p=0,10. La probabilidad de aceptar el lote con un 10% de no conformidades es:
P(aceptar el lote p=0,10)=P( X 1)=B(1;20;0,10)=0,3917 ( mirando las tablas de la binomial).
90
Obsrvese que se ha hecho el clculo de la probabilidad de aceptar el lote con el plan de muestreo
n=20 Ac=1 ya que en el apartado anterior para inspeccin reducida, mirando la tabla 3.3 del captulo
2, le corresponde para un AQL=1% el plan de muestreo n=20 Ac=0 y Re=2, lo que indica que en
caso de detectar una unidad no conforme se acepta el lote y se restablece la inspeccin normal.
11. Con el plan escogido en el ejercicio 9 determinar cul sera la el riesgo del productor ?.
El riesgo del productor, , es la probabilidad de rechazar un lote con p=AQL (que debera ser aceptado). La probabilidad de aceptar el lote cuando p=AQL=1% es:
P(aceptar el lote p=0,01)= P( X 1)=B(1;20;0,01)=0,9831 ( mirando las tablas de la binomial).
Por lo que la probabilidad de rechazarlo es:
=1- P(aceptar el lote p=0,01)=1-0,9831=0,0169.
Mdulo 3. Control estadstico de proceso
91

Captulo 2. Grficos de control
2.1 Algunas frmulas de los grficos de control
2.2 Primeras ideas de los grficos de control
2.3 Variantes de los grficos de control
2.4 Lmites de control
2.5 Pautas en los lmites de control
Captulo 3. Capacidad de un proceso

3.1 Variantes en la expresin de la capacidad
3.2 ndices de capacidad
3.3 Validez de los ndices
Captulo 4. Grficos de control para variables

4.1 Grficos de control para subgrupos
4.2 Grficos X / R y X / s
4.3 Grficos para observaciones individuales
Captulo 5. Grficos de control para atributos

5.1 Control de la proporcin de unidades no conformes
5.2 Control del nmero de no conformidades
5.3 Control del nmero de demritos
Anexo A6. Distribuciones de probabilidad

Anexo A7. Caso prctico 1
Anexo A8. Caso prctico 2
92
1. INTRODUCCIN
Este mdulo trata sobre la construccin e interpretacin de los grficos de control. La mayor parte
de ellas est dedicada a los grficos de control clsicos, que fueron diseados por W. E. Shewhart en
los aos 20 y a los que modernamente denominamos grficos de Shewhart.
Los mtodos que presentamos se ilustran con su aplicacin a cinco ejemplos de proceso, que se han
considerado representativos y que se describen brevemente en este captulo. Tanto las tablas como
los grficos que se han incluido en estas notas, han sido preparados en hojas de clculo Excel.
La terminologa estadstica que se usa es completamente estndar y no difiere de la que se pueda
hallar en cualquier manual de control estadstico de proceso. En este sentido, estas notas son autosuficientes.
En el anexo A1 del mdulo 1 se incluyen unas notas histricas sobre la evolucin del control estadstico de la calidad, desde Shewhart hasta hoy. Confiamos en que estos apuntes, respaldados por las
referencias bibliogrficas que se dan al final, resulten suficientes para los lectores que deseen adquirir
una perspectiva histrica de los grficos de control.
Hemos incluido en la bibliografa las normas americanas, britnicas e internacionales que se ocupan
de los grficos de control y algunos artculos que pueden ayudar a los lectores a profundizar en algn
aspecto que nosotros tratamos muy por encima, como la relacin entre los mtodos SPC y el control
automtico de proceso.
En este primer captulo daremos un repaso a las nociones bsicas del control de proceso, algunas de
ellas introducidas en el mdulo 1, a fin de dejarlas bien claras y establecer la terminologa del lenguaje del control de proceso, que se usar con frecuencia en estas notas. El concepto de proceso es
fundamental en la empresa contempornea. En los orgenes del control de la calidad (aos 20), el
trmino proceso se usaba para designar un proceso de fabricacin, que implicaba operarios, mquinas, materias primas, etc. Poco a poco el concepto fue adquiriendo mayor alcance, extendindose a
los procesos de soporte o de servicio. En el lenguaje empresarial de hoy, proceso es la transformacin de unos elementos de entrada o inputs en unos elementos de salida o outputs. Un proceso
puede subdividirse en subprocesos, o fases, segn convenga desde el punto de vista prctico.
Se denomina producto al resultado de un proceso. Controlar un proceso significa gestionarlo de modo que el producto sea predecible y satisfactorio. Cuando se alcanza tal situacin, se dice que el proceso est en estado de control. El control de un proceso es el conjunto de actividades que se realizan para controlarlo. Cuando el control de un proceso se lleva a cabo segn un programa predefinido, a ste se le denomina plan de control del proceso. La existencia del plan de control no presupone que haya un documento nico, con ese nombre u otro, que lo describa.
El objetivo del control de proceso es conseguir que se satisfagan de forma continuada unos requisitos. Los requisitos hacen referencia al proceso en s (al modo en que se realiza la transformacin) o
al producto. El documento que recoge estos requisitos (si existe) se denomina especificacin (de
proceso o de producto). En caso de cumplirse los requisitos especificados, se habla de proceso o
producto conforme. Una especificacin debe indicar, en la medida de lo posible, cmo puede verificarse la conformidad.
Una estrategia clsica del control de proceso consiste en el seguimiento, a lo largo del tiempo, de uno
o varios indicadores relacionados con l. Los grficos de control, de los que trataremos en estas
notas, constituyen una herramienta sencilla para realizar este seguimiento. La denominacin control
estadstico de proceso, abreviadamente SPC (statistical process control), se refiere al uso de los
grficos de control y las frmulas estadsticas asociadas a ellos en el control de la produccin.
93
Un grfico de control muestra la evolucin, a lo largo del tiempo, de un indicador. Los indicadores
usados pueden ser:
Parmetros de proceso, como temperatura, tiempo de reaccin, etc.
Medidas de eficiencia, como rendimiento, coste, consumo, mermas, etc.
Resultados de la inspeccin del producto
En la ltima parte de este captulo daremos algunos ejemplos de procesos y de indicadores adecuados para el control de esos procesos.
Las causas o condiciones que influyen sobre la transformacin que constituye la esencia de un proceso se denominan genricamente factores del proceso. Factores tpicos en los procesos industriales son las materias primas, el medio ambiente y los operarios. Los factores del proceso no actan
siempre de la misma forma, lo que da lugar a fluctuaciones en los indicadores a travs de los cuales
vemos el proceso. La expresin variabilidad del proceso alude a este hecho. Decimos que un
proceso est en estado de control estadstico (respecto a un indicador) cuando su variabilidad sigue una pauta conocida y consistente en el tiempo. El significado exacto de esta definicin para cada
caso particular depende de la naturaleza del proceso y del indicador usado. Un proceso en estado de
control estadstico es predecible, en el sentido de que podemos predecir el intervalo de valores dentro
del cual oscilar el indicador considerado.
Decimos que un proceso es capaz (respecto a un indicador y unos requisitos relativos a ese indicador) cuando del estudio de su variabilidad se concluye que podemos esperar que satisfaga los requisitos de forma continua a lo largo del tiempo. No tiene sentido discutir la capacidad de un proceso que
no est en estado de control estadstico para el indicador correspondiente, ni sin especificar el indicador a que nos referimos, ya que un proceso puede ser capaz para un indicador, pero no serlo para
otro.
Presentamos a continuacin algunos ejemplos que ilustran las distintas clases de proceso.
Ejemplo 1: Fabricacin de hojas de acero
Una industria del sector metalrgico produce hojas de acero. Para ello se prensa una lmina de acero
entre dos rodillos y despus se corta para conseguir las dimensiones deseadas. En el proceso de
prensado se utiliza como indicador el grosor de las hojas, que se mide con un micrmetro.
Ejemplo 2: Servicio de atencin al cliente
En una empresa se ha organizado un servicio telefnico de atencin al cliente. Como indicador se
utiliza el porcentaje de llamadas que son contestadas antes de que suene la tercera seal. Tanto en
este ejemplo como en el anterior tenemos un proceso en el que el producto consiste en un conjunto
de unidades, cada una de las cuales puede ser conforme o no a la especificacin. El caso ms simple, cubierto en todos manuales de control estadstico de proceso (algunos parecen considerar nicamente ste), es aquel en el cual las unidades se producen de la misma forma, una despus de
otra. En estos procesos todos los factores tienen la posibilidad de actuar en el intervalo de tiempo que
media entre dos unidades consecutivas.
Ejemplo 3: Fabricacin de ferritas
En la fabricacin de ferritas hay una primera fase, que podemos denominar proceso de prensado, en
la cual una prensa transforma un polvo compuesto por una mezcla de xidos en unas unidades slidas. La prensa tiene uno o varios moldes y en cada golpe arroja tantas unidades como moldes tiene.
94
El nmero de golpes por minuto es elevado. Se utilizan como indicadores las dimensiones y el peso
de cada unidad.
Hay procesos, como el de este ejemplo, en los que las unidades no se producen una despus de otra
del mismo modo. Por ejemplo, consideremos una mquina con varias posiciones (orificios, cavidades
de un molde, etc.) en las que tiene lugar una transformacin de las unidades del producto. Las unidades que provienen de distintas posiciones pueden presentar diferencias entre ellas, a causa de que la
transformacin no se realiza exactamente del mismo modo en las diferentes posiciones. Estas diferencias siguen a veces una pauta consistente en el tiempo, pero otras veces no. Para analizar la variabilidad de este tipo de procesos hay que tener en cuenta las dos fuentes que la originan. Una da
lugar a diferencias entre unidades producidas en distintas posiciones y la otra a diferencias entre unidades de la misma posicin. A pesar de que esta situacin es muy frecuente en la industria, ya que
permite mayor productividad, es esquivada en la mayora de los manuales de control estadstico de
proceso. La expresin proceso multiposicional alude a este tipo de proceso.
Ejemplo 4: Tejido para asientos de automvil
En una industria textil, uno de los productos es un tejido para el revestimiento de asientos de automvil. El tejido se produce en continuo y se suministra al cliente en bobinas de 100 metros. Como indicador se utiliza el nmero de defectos por metro. En los procesos continuos, o procesos de fabricacin en continuo, no se producen unidades individuales, sino un flujo continuo de material.
Ejemplo 5: Fabricacin de productos qumicos
En una industria qumica, uno de los productos con mayor facturacin es un producto para tratamiento de superficies. Este producto se fabrica en un reactor donde se mezclan diversos componentes en
condiciones especificadas. Cada batch constituye un lote del producto. Uno de los indicadores que se
utilizan para el seguimiento de este producto es el pH de un lote, que se obtiene analizando una
muestra extrada del reactor antes de su descarga.
Un proceso en batch es una transformacin por la que se obtiene una cierta cantidad del producto,
denominada batch, en las mismas condiciones. El batch puede presentar una variabilidad interna, con
lo que no tendra sentido tratar de definirlo mediante una sola medicin, a menos que sta se realice
sobre una muestra compuesta. Si la variabilidad interna es pequea frente a la variabilidad entre batches, se puede tratar cada batch como si fuera una unidad separada. En la fabricacin en batch se
realizan a veces cambios frecuentes de producto, que pueden hacer intil el seguimiento mediante
grficos de control, a menos que se use como indicador una caracterstica o parmetro de proceso
comn a varios productos. Este hecho y la existencia de variabilidad interna hacen que no pueda
darse un mtodo general para el seguimiento de los datos de un proceso en batch.
95
2. GRFICOS DE CONTROL
2.1 Algunas frmulas estadsticas
En esta primera seccin vamos a dar un repaso a algunas frmulas estadsticas que intervienen en la
elaboracin de los grficos de control. Llamamos estadstico al resultado de realizar una operacin
matemtica sobre un conjunto de datos, normalmente con el fin de resumir la informacin y hacerla
ms comprensible. Cuanto mayor es el nmero de datos, ms interesa resumir la informacin mediante estadsticos. El estadstico ms utilizado es la media. Si x1, x2, ..., xn son resultados de la observacin de una variable aleatoria X, su media es
x
x1 + L + x n
n
La media es una medida de posicin, que marca un punto en torno al cual estn ms o menos agrupados los datos. Si aplicamos a los datos una transformacin lineal, la media se transforma de la
misma forma. Es decir, si definimos Y = a + bX, entonces la media de los datos yi = a + bxi es
y = a + bx
El recorrido es la diferencia entre el mayor y el menor de los valores hallados. Se designa habitualmente por R. El recorrido es una medida de la dispersin de los datos y puede usarse para evaluar la
variabilidad de X.
Otra medida de dispersin es la varianza,
s2 =
( x1 x )2 + L + ( x n x )2
n 1
Para comprender por qu la varianza mide la dispersin de los datos basta observar que los sumandos que hay en el numerador de esta frmula son positivos, al ser cuadrados, y mayores cuanto mayores sean las desviaciones de los valores de X respecto de su media.
Se llama desviacin estndar a la raz cuadrada de la varianza. Las dimensiones de la varianza de
2
X no son las mismas que las de X (por ejemplo, si X se mide en mm, la varianza resulta en mm ),
pero las de la desviacin estndar s, por lo que sta puede usarse como escala para medir la magnitud de la desviacin de un valor xi respecto de la media. A veces se efecta la transformacin
zi =
xi x
s
lo que equivale a dar las desviaciones respecto a la media como mltiplos de s". Esta transformacin
se denomina estandarizacin o normalizacin. La media de los zi es 0, y la desviacin estndar 1.
La desviacin estndar s y el recorrido R son dos formas alternativas de evaluar la variabilidad de X.
Si sumamos una constante a todos los datos, su valor no se altera, pero si los multiplicamos por un
factor constante, la desviacin estndar y el recorrido quedan multiplicados por ese factor. s y R tienen sus ventajas e inconvenientes:
El recorrido es ms sencillo de calcular, y mucho ms fcil de entender, que la desviacin estndar.
El recorrido slo tiene en cuenta los dos valores extremos, mientras que la desviacin estndar
considera todos los datos. Por consiguiente, el recorrido es menos aconsejable a medida que
96
aumenta el nmero de datos, ya que su uso involucra prdida de informacin. De hecho, slo se
usa cuando el nmero de datos es pequeo (5 o 6 como mximo).
La interpretacin del valor de R depende del nmero de datos a partir de los que se ha obtenido,
ya que no puede esperarse la misma magnitud para un recorrido de 5 datos que para uno de 2.
En cambio, se puede usar el valor de s independientemente del nmero de datos. En la prctica,
se usa a veces el recorrido para series de datos pequeas, pero para su interpretacin siempre
se transforma previamente en una desviacin estndar, como veremos en el captulo 4.
NOTA. La desviacin estndar, tal como la hemos definido aqu, se denomina, si hay riesgo de confusin, desviacin estndar muestral o, en el contexto de las ciencias experimentales, desviacin
estndar experimental. La desviacin estndar muestral no debe confundirse con la de una poblacin,
que es un parmetro estadstico que se usa cuando se conocen todos los valores de una variable X
para una poblacin (finita) de N individuos, cuya media es . La frmula es entonces
( x1 )2 + L + ( xN )2
N
Ejemplo 1 (continuacin)
Los lmites de tolerancia para el grosor de las hojas de acero son 0,6 0,002 mm. Para verificar el
estado de control del proceso se extraen muestras de cinco unidades de 20 lotes consecutivos y se
mide el grosor de cada unidad. Los resultados (en micras) se presentan en la tabla 2.1 junto con la
media, la desviacin estndar y el recorrido de cada muestra. En la ltima fila se dan las medias de
las cuatro ltimas columnas, es decir, la media de los 100 datos, la desviacin estndar media, la
varianza y el recorrido medio. La tabla se ha preparado en una hoja Excel.
Tabla 2.1 Grosor de una hoja de acero
2
Muestra
x1
x2
x3
x4
x5
1
2
598,0
600,0
599,8
598,8
600,0
598,2
599,8
599,4
600,0
599,6
599,5
599,2
0,856
0,707
0,732
0,5
2
1,8
3
4
599,4
599,4
599,4
599,6
600,0
599,0
598,8
599,2
599,2
600,6
599,4
599,6
0,434
0,623
0,188
0,388
1,2
1,6
5
6
598,8
600,0
598,8
600,2
599,8
600,2
599,2
599,6
599,4
599,0
599,2
599,8
0,424
0,51
0,18
0,26
1
1,2
7
8
599,0
6,000
599,8
599,2
600,8
599,8
598,8
601,2
598,2
600,4
599,3
600,1
1,006
0,743
1,012
0,552
2,6
2
9
10
600,2
599,2
599,6
599,0
599,6
599,6
599,6
600,4
600,2
600.0
599,8
599,6
0,329
0,573
0,108
0,328
0,6
1,4
11
12
599,0
600,4
599,6
599,6
599,4
600,0
599,2
600,8
597,8
600,4
599
600,2
0,707
0,456
0,5
0,208
1,8
1,2
13
14
599,4
598,8
599,0
599,2
598,4
599,6
599,0
598,6
599,6
599,8
599,1
599,2
0,46
0,51
0,212
0,26
1,2
1,2
15
16
599,6
599,6
599,2
600.0
599,6
599,6
600,2
599,2
599,8
598,6
599,7
599,4
0,363
0,529
0,132
0,28
1
1,4
17
18
599,6
600.0
601,2
599,4
599,6
599,8
600,2
599,2
600.0
599,6
600,1
599,6
0,657
0,316
0,432
0,1
1,6
0,8
19
20
599,4
599,6
600.0
599,8
600
599.0
599,2
599,6
599,4
599,4
599,6
599,5
0,374
0,303
0,14
0,092
0,8
0,8
599,54
0,544
0,3302
1,36
Promedios
97
2.2 Primeras ideas sobre los grficos de control

El grfico de control es la herramienta bsica del control estadstico de proceso. Su empleo permite
comparar los datos de un indicador de un proceso con unos lmites fijados a partir de un estudio de la
variabilidad del proceso o de requisitos previamente establecidos. En un grfico de control se representan los valores de algn estadstico, calculado a partir de datos del proceso recogidos a lo largo
de un perodo de tiempo. Hay varios tipos de grficos de control, segn el estadstico que se use para
elaborarlos y la forma de establecer los lmites.
En los grficos de control tpicos, adems de los puntos que representan los valores del estadstico
correspondiente, unidos por una lnea quebrada, se dibujan tres lneas horizontales que ayudan a la
interpretacin del grfico:
La lnea central, asociada al valor medio del estadstico utilizado.
Los lmites de control, superior e inferior, situados a ambos lados de la lnea central y, en la
mayora de los casos, equidistantes de ella.
En las figuras 2.1, 2.2 y 2.3 pueden verse grficos de control elaborados a partir de los datos de la
tabla 2.1, usando la media, la desviacin estndar y el recorrido, respectivamente. Ms adelante se
ver cmo se han obtenido los lmites de control que hay en estos grficos.
Los grficos de control se elaboran a partir de datos relativos a unos determinados indicadores. Estos
indicadores pueden obtenerse de dos formas alternativas:
A travs de mediciones de una caracterstica medible del producto (longitud, peso, etc.) o de un
parmetro del proceso (temperatura, presin, etc.). Los grficos de control que se usan en este
caso son los grficos de control por variables.
Contando las unidades no conformes o las no conformidades (incumplimientos de uno o varios

requisitos). En el primer caso hablaremos de control por la proporcin de unidades no conformes, y en el segundo de control por el nmero de no conformidades. Ambas situaciones
quedan dentro de lo que se llama control por atributos.
600,5
600
599,5
599
598,5
598
1
10 11
12
13
14
15
16
17
Figura 2.1 Grfico de control para las medias de la Tabla 2.1
18
19
20
98
1,2
1
0,8
0,6
0,4
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
Figura 2.2. Grfico de control para las desviaciones estndar de la Tabla 2.1
3,5
3
2,5
2
1,5
1
0,5
0
1
10
11
12
13
14
15
16
17
18
19
20
Figura 2.3. Grfico de control para los recorridos de la Tabla 2.1
En el control por variables se trabaja con ms informacin que en el control por atributos y, por consiguiente, el nmero de observaciones que se realizan es menor. No obstante, el control por atributos
es ms sencillo.
2.3 Variantes de los grficos de control

En el control por variables el indicador es una caracterstica medible cuyos valores se obtienen mediante la inspeccin de muestras del producto o se extraen de los registros de un parmetro de proceso. Para una caracterstica medible, la especificacin se concreta en la definicin de una zona de
tolerancia, que es la zona de valores dentro de la cual el valor de la caracterstica se considera aceptable. La zona de tolerancia viene definida por uno o dos lmites de tolerancia. Cuando hay lmite
superior e inferior, se llama tolerancia a la diferencia entre ambos.
El modelo terico habitual en el control por variables es la distribucin normal (ver Anexo A6), que
tiene dos parmetros (estadsticos), y . Se interpreta como una indicacin del nivel medio de la
caracterstica y como una medida de su variabilidad. El rasgo esencial de esta variante del control
de proceso, desde el punto de vista matemtico, es que estas variables pueden variar de forma continua, de modo que todos los valores de un intervalo son posibles. Naturalmente, esto slo es as en
99
teora, ya que, en la realidad, el instrumental usado en las mediciones slo permite obtener un conjunto finito de valores. Sin embargo, en la mayora de los casos el uso de variables continuas proporciona una aproximacin razonable y simplifica el tratamiento matemtico. Como para caracterizar el
proceso se necesitan dos parmetros, y , para su seguimiento se usan dos grficos de control.
La inspeccin por atributos consiste en verificar la presencia o ausencia de alguna caracterstica o
atributo en la muestra de producto que se inspecciona. Los datos a partir de los cuales se elaboran
los grficos de control se obtienen al contar las no conformidades presentes en la muestra y en estado primario son nmeros naturales (0, 1, 2, etc.), aunque se pueden transformar, por ejemplo, en
porcentajes para facilitar su interpretacin.
Una primera variante del control por atributos se ocupa de la proporcin de unidades no conformes
que se halla en muestras extradas de la produccin. La proporcin de unidades no conformes es el
cociente de dividir el nmero de unidades no conformes por el nmero de unidades inspeccionadas.
Esta variante de control por atributos tiene cuando el producto est formado por unidades discretas,
que se pueden clasificar en conformes y no conformes en base a la especificacin.
El modelo terico para estas variables es la distribucin binomial (ver Anexo A6), con un parmetro
p que se interpreta como la proporcin de unidades no conformes producida por el proceso. El nmero medio de unidades no conformes en una muestra de tamao n es np. En esta variante del control
de estadstico de proceso slo se usa un grfico, en el que sigue la evolucin de p (o np) a lo largo
del tiempo.
Por definicin, la proporcin de unidades no conformes est comprendida entre 0 y 1. Si la multiplicamos por 100 obtenemos el porcentaje. El uso de porcentajes es comn en el lenguaje coloquial,
pero desde el punto de vista estadstico, el multiplicar las proporciones por 100 es irrelevante. A veces se usa el smbolo p para designar porcentajes. Por ejemplo, en las tablas de muestreo MIL-STD105 (v. Mdulo 2), p es el porcentaje de unidades no conformes. Sin embargo, en este mdulo, p
siempre designa una proporcin.
Una segunda variante del control por atributos se ocupa del nmero de no conformidades halladas en
muestras extradas de la produccin. El modelo terico es, en este caso, la distribucin de Poisson
(v. Anexo A6), con un parmetro c que se interpreta como el nmero medio de no conformidades por
muestra. Como en el caso anterior, se usa un nico grfico de control para seguir la evolucin de c.
El control por el nmero de no conformidades se utiliza tpicamente en dos situaciones:
Para el hardware y los servicios, en el caso en que cada unidad pueda presentar ms de una no
conformidad e interese el nmero de stas, no el de unidades no conformes.
En material procesado en continuo que se inspecciona por atributos, como cable, papel, tejido,
etc.
Si existen unidades'', el nmero medio de no conformidades por unidad, en una muestra de tamao
n, es u = c/n. En los materiales continuos no hay unidades'', pero la definicin tambin tiene sentido.
Para ello se toma como unidad un segmento o rea de producto, de forma que las muestras consideradas sean mayores que estos segmentos. Por ejemplo, en la fabricacin de un tejido podemos considerar el nmero de defectos por metro (as lo haremos al discutir el Ejemplo 3 en el prximo captulo).
En ciertos productos interesa distinguir las no conformidades segn su gravedad. Para ello se asigna,
a cada clase de no conformidad, un coeficiente o peso w, que se interpreta como el nmero de demritos que corresponde a una no conformidad de esa clase. Al inspeccionar una muestra de producto, se multiplica el nmero de no conformidades de cada clase halladas en la inspeccin por su
peso, sumando los resultados para obtener el nmero total de demritos de la muestra. El proceso se
evala por el nmero medio de demritos por muestra (o unidad).
100
Habitualmente, en la asignacin del peso w a una clase de no conformidades se tiene en cuenta el

impacto que produce sobre el cliente o usuario del producto. Por tanto, los demritos no son algo
intrnseco, sino que dependen principalmente del destino que se d al producto.
En una situacin estndar, podemos dividir las no conformidades en cuatro clases:
Crticas. Las que representan un peligro para la integridad del usuario o que afectarn con seguridad al rendimiento del producto. Podemos asignarles un peso w = 50.
Mayores. Las que afectarn probablemente al rendimiento del producto, o que son causa de que
el usuario tenga que efectuar correcciones. Ahora w = 10.
Menores. Las que pueden causar fallos en el servicio, pero el producto podr realizar su funcin
principal. Su aparicin reiterada podra inducir al usuario a comprar el producto a la competencia.
En este caso, w = 5.
Intrascendentes. Las que no son advertidas por el usuario cuando se presentan de forma aislada, pero su aparicin reiterada podra inducir al usuario a adquirir el producto a la competencia en
el futuro. Podemos asignarles w = 1.
En otros casos, los pesos son 100, 50, 10 y 1, como en un sistema usado por AT&T. Otro ejemplo es
el sistema usado por Peugeot en sus auditoras internas, en las que se asigna w = 3 a los defectos
aceptados por el comprador medio, w = 5 a los defectos importantes que el comprador medio no admitira, y w = 15 a defectos ms notorios, que seran detectados con toda seguridad por cualquier
cliente.
2.4 Lmites de control

Los lmites de control son valores con los que se comparan los del estadstico cuyo seguimiento se
realiza en el grfico de control. La comparacin puede tener dos fines distintos:
Proporcionar un criterio de advertencia para intervenir en el proceso, corrigiendo su funcionamiento. Para ello es preciso que los lmites de control se establezcan de antemano, de forma que,
al ir aadiendo puntos al grfico, se pueda ver la posicin de cada punto respecto a los lmites.
Diremos en este caso que el grfico tiene lmites de control prefijados. Los lmites prefijados se
establecen a partir de datos anteriores, sean de un estudio previo o de otros grficos. A veces, no
son slo el resultado de un anlisis estadstico, sino que representan un compromiso entre la variabilidad observada en el proceso y los requisitos especificados.
Servir de base para juzgar si el proceso est en estado de control estadstico. En este caso, lo
normal es que los lmites se calculen a partir de los propios datos, cuando se disponga de todos
ellos. Hablamos entonces de lmites de control calculados.
Obsrvese que, con lmites de control prefijados, se puede ir trazando el grfico a medida que se va
disponiendo de los datos, mientras que para los lmites calculados hay que esperar a tenerlos todos.
Se puede usar un grfico con lmites prefijados como instruccin de trabajo grfica, para decidir
cundo se debe intervenir en el proceso. No es aconsejable establecer instrucciones de este tipo sin
un estudio previo del proceso por alguien con una cierta experiencia en el anlisis de grficos de control, ni sin que el proceso haya alcanzado el estado de control estadstico.
Un punto fuera de la banda de control definida por los lmites (punto fuera de control) puede dar lugar,
si as lo establece el procedimiento de control, a una intervencin, que puede consistir en:
101
La identificacin de la causa de la aparicin de ese punto
El ajuste del proceso
La interrupcin del proceso
Naturalmente, para que estas intervenciones tengan sentido es necesario que al establecer los lmites
de control se haya tenido en cuenta cul es la variabilidad natural del proceso, que puede determinarse mediante un estudio de capacidad como los que veremos en el captulo 3. De lo contrario, si la
banda de control fuera demasiado estrecha, se produciran falsas alarmas'', que daran lugar a intervenciones innecesarias.
Los lmites calculados se obtienen mediante frmulas escogidas, de forma que, si hay puntos ms
all de los lmites, pueda considerarse que el valor del parmetro cuyo seguimiento se realiza con el
grfico puede haber cambiado. Los grficos de control con lmites calculados son una herramienta del
anlisis de procesos y normalmente se construyen a posteriori (es decir, cuando ya se tienen los datos) con el fin de analizar el comportamiento del proceso, ver cul es su variabilidad, y si sta presenta una pauta consistente en el tiempo. Su objeto es verificar el estado de control estadstico y la capacidad del proceso o, en caso negativo, ayudar al diagnstico sobre las medidas que se deben tomar.
El control por variables se basa en la distribucin normal. Se supone que la variable que se representa en el grfico tiene una distribucin normal de parmetros y . Si los parmetros permanecen
constantes, debe haber muy pocos valores fuera del intervalo 3, con lo que ste da una banda
de variabilidad que podemos considerar como normal (v. Anexo A6). En el control por atributos se usa
tambin, para simplificar, la regla 3. Hay que advertir que la mayora de las frmulas usadas en
el clculo de los lmites de control slo son vlidas si las observaciones son estadsticamente independientes (v. Anexo A6). Frecuentemente, esta condicin no se tiene en cuenta, y muchos manuales
de Control Estadstico de Proceso ni siquiera la mencionan.
En el grfico de la figura 2.1 se ha usado, para la lnea central, el valor medio de todos los Datos,
x=599,545, que coincide con la media de los valores de la columna de medias de la tabla 2.1, y los
lmites de control UCL=600,32 Y LCL=598,77 se han obtenido a partir de los datos por un procedimiento que veremos en el Captulo 4.
En el grfico de la figura 2.2 se ha usado para la lnea central la desviacin estndar media,
s =0,544, y el lmite de control superior (calculado), UCL = 1,14, se ha obtenido por un procedimiento
que veremos ms adelante. En el de la Figura 2.3 se ha usado para la lnea central el recorrido medio, R =1,36, y el lmite de control superior (calculado) es UCL = 2,88.
2.5 Pautas en un grfico de control

Adems de verificar que todos los puntos estn entre los lmites de control, es interesante examinar si
aparecen de ciertas pautas en los grficos de control. La idea es simple: un proceso en estado de
control debe parecerse lo ms posible a un fenmeno puramente aleatorio, y por consiguiente cualquier pauta que podamos descubrir en un grfico de control puede ser un sntoma de la actuacin de
una causa que nos interese identificar.
102
Tendencias
Comportamiento
Ciclico
Rfagas
Figura 2.4 Pautas en un grfico de control
Una de las pautas ms sencillas de detectar es la racha. La racha es una serie interrumpida de puntos por encima o por debajo de la lnea central. Si la lnea central se ha escogido de forma que sea
igualmente probable encontrar un punto por encima de la lnea central como por debajo, la probabilidad de hallar una racha larga es pequea. Por consiguiente, la aparicin de una racha sugiere un
cambio en el proceso. Aunque no hay unanimidad, en general se considera que una racha de siete u
ocho puntos es una evidencia en contra del estado de control estadstico. La ltima de las reglas de
Western Electric, que veremos a continuacin, prohbe las rachas de ocho puntos.
Una tendencia en un proceso se detecta por la presencia de una serie interrumpida de puntos del
grfico en sentido ascendente o descendente. Las tendencias pueden corresponder a una deriva en
las instalaciones de fabricacin, en los mecanismos de regulacin o en los instrumentos de medida, y
su deteccin precoz es importante, de cara a adoptar medidas preventivas. De todos modos, debe
tenerse en cuenta que un grfico de control no siempre es capaz de detectar una tendencia en la
forma descrita. Una tendencia puede ser lenta y materializarse en el grfico por fluctuaciones por
encima y por debajo de una cierta curva. Estas tendencias se detectan ms claramente en una variante especial de los grficos de control, los grficos de control para la media mvil.
103
El comportamiento cclico de un proceso se da cuando se va repitiendo en los grficos de control

una cierta pauta a intervalos de tiempo ms o menos regulares. Cuando la fabricacin est organizada por turnos, se dan con frecuencia comportamientos de tipo cclico.
Cualquier cosa que pueda verse en un grfico de control es interesante, si se puede interpretar sobre
el proceso. En cualquier caso, debe tenerse presente que al aumentar el nmero de pruebas aumenta tambin la probabilidad de que alguna de ellas d positivo" por razones puramente aleatorias. Lo
que importa realmente es limitar la variabilidad del proceso, y por tanto, el principal objetivo es mantener el grfico dentro de la banda de control. Los tests adicionales son interesantes como oportunidad de descubrir algo sobre el proceso que permita mejorarlo, pero no como una va para someterlo a
un examen ms riguroso.
El que un punto caiga ms all de los lmites de 3 no es el nico test que puede usarse para verificar
si un indicador presenta un comportamiento irregular. Un manual clsico de Western Electric propona
otros tres tests. El conjunto de estos cuatro tests se populariz en la industria de los Estados Unidos
con el nombre de reglas de Western Electric. Las tres reglas restantes se basan en la divisin de
las mitades superior e inferior de la banda de control en tres zonas, designadas como A, B y C, delimitadas por lneas horizontales a distancia 3, 2 y de la lnea central. Las reglas se aplican separadamente a la mitad superior y a la inferior. Entindase siempre que se refiere a la desviacin tpica del estadstico que se dibuja y por lo tanto si se trata de un grfico de medias ser la desviacin
tpica de la caracterstica de inters dividida por n, siendo n el tamao del subgrupo.
De acuerdo con las reglas de Western Electric, se considera que un proceso no est en estado de
control estadstico cuando se da una de las condiciones siguientes:
Un punto cae ms lejos de la lnea de 3 (ms all de la zona A).
Dos de tres puntos consecutivos caen ms lejos de la lnea de 2 (zona A o ms all).
Cuatro de cinco puntos consecutivos caen ms lejos de la lnea de (zona B o ms all).
Ocho puntos consecutivos caen en la misma mitad del grfico (zona C o ms all).
En la figura 2.5 puede verse el grfico de la figura 2.1 dividido en zonas segn las reglas de Western
Electric. En este ejemplo no se incumple ninguna de las cuatro reglas.
600,5
Zona A
Zona B
Zona C
ZonaC
Zona B
Zona A
600
599,5
599
598,5
598
1
10 11
12 13
14 15 16
17 18
19 20
Figura 2.5. Grfico de medias del ejemplo 1 dividido en las zonas A, B y C
104
Adems de las reglas de Western Electric, se han propuesto otros conjuntos de pruebas para decidir
si un grfico permite considerar un proceso fuera de control estadstico. Algunos de estos sistemas
son ms sofisticados, y consideran la probabilidad de error al concluir que existe una racha o tendencia. Por ejemplo, en Duncan (1986) se puede encontrar informacin sobre las probabilidades de aparicin de rachas de diferentes longitudes.
Otros sistemas con estructura similar al de Western Electric han sido adoptados por distintas organizaciones. Las reglas Ford, por ejemplo, adoptadas por Ford para s misma y para sus proveedores,
prohben en un grfico de un proceso en estado de control las siguientes pautas:
Los puntos ms all de las lneas de 3
Una racha de 7 o ms puntos
Una tendencia de 7 o ms puntos
2/3 de los puntos del grfico en el tercio central (zona C)
Las reglas SAS deben su nombre a SAS Institute, fabricante de software estadstico. El mdulo de
control de calidad de SAS las usa para realizar un test a los datos usados en un grfico de control.
Las reglas SAS prohben:
9 o ms puntos seguidos en la zona C
14 o ms puntos alternando encima y debajo de la lnea central
2 puntos sobre 3 seguidos en la zona A
4 puntos de 5 seguidos en la zona C
8 puntos seguidos fuera de la zona C
Otro sistema es el recomendado por AFNOR, que es una organizacin francesa de normalizacin,
homloga de la espaola AENOR. En las normas AFNOR se proponen las siguientes reglas de exclusin:
2 puntos de 3 seguidos entre los lmites de control y los de vigilancia (zona B)
Una racha de 9 o ms puntos
105
3. CAPACIDAD DE UN PROCESO
3.1 Variantes en la expresin de la capacidad
El objetivo de un estudio de capacidad es verificar que un proceso es capaz respecto a un cierto
requisito, que se refiere a un indicador. La capacidad es funcin de la variabilidad del proceso y, por
lo tanto, para analizar la capacidad de un proceso y extraer conclusiones vlidas, ste debe hallarse
en una situacin de control estadstico, es decir, que las pautas que rigen la variabilidad del proceso
deben ser conocidas y permanecer estables. Recordemos que un proceso en estado de control estadstico puede no ser capaz, y que puede ser capaz respecto a la especificacin de un usuario o cliente, pero no respecto a las de otro, que sea ms restrictivo. Tambin puede ocurrir que el proceso
cumpla habitualmente la especificacin, sin estar en estado de control estadstico.
El estudio de capacidad comporta un contraste entre una evaluacin numrica de la variabilidad del
indicador considerado y los lmites de tolerancia establecidos para ese indicador. Este contraste se
denomina anlisis de capacidad. En el control por variables, el anlisis de capacidad da lugar a uno
o varios ndices de capacidad. Por eso, se confunde a veces el anlisis de capacidad con el clculo
de los ndices de capacidad, que no es sino un aspecto particular.
A veces, en el estudio de la variabilidad de un proceso se han de considerar distintas componentes.
En primer lugar, se debe examinar la variabilidad del proceso de medida que genera los datos del
indicador que consideramos. La variabilidad generada por el propio proceso de medida representa ya
de por s una limitacin a la capacidad del proceso, no en cuanto a s mismo, sino a cmo lo vemos.
Es necesario evaluar esta limitacin si se quiere saber realmente lo que el proceso puede dar de s.
Para tener informacin vlida sobre el proceso que se estudia, la variabilidad del proceso de medida
debe ser pequea comparada con la variabilidad observada en los datos de control de proceso. Por la
aditividad de la varianza, la varianza observada es la suma de la varianza del proceso ms la de la
medida,
2
OBS
2
PRO
2
MED
En la prctica, esta frmula implica que, segn cul sea la magnitud relativa de ambas varianzas, la
variabilidad del proceso de medida sea irrelevante o, por el contrario, haga justificar que las fluctuaciones observadas en el indicador cuyo seguimiento se realiza se atribuyan al proceso de medida,
con lo cual la variabilidad propia del proceso no puede ser evaluada y el anlisis de capacidad no es
viable.
NOTA. En la norma ISO 9001 se exige un anlisis previo de la variabilidad de los procesos de medida
que intervienen en el aseguramiento de la calidad y que esta variabilidad sea compatible con la capacidad de medida requerida. De hecho, un requisito como ste puede ser considerado como una exigencia de que el proceso de medida sea capaz y, en consecuencia, usar los ndices de capacidad
que veremos despus para evaluar la capacidad del proceso de medida. La norma QS-9000 del sector de automocin propone un sistema distinto al de los ndices de capacidad para evaluar la capacidad del proceso de medida (v. Measurement System Analysis, 1995). Nos ocuparemos del control de
los equipos de medida en el mdulo 4.
Conviene, asimismo, distinguir entre la variabilidad instantnea de un proceso, que se refiere a resultados separados por un margen muy estrecho de tiempo, y la variabilidad a ms largo plazo. En los
estudios de capacidad a corto plazo es viable, en general, asumir que el proceso est en estado de
control estadstico, pero no as en los estudios a largo plazo, donde hay un margen de tiempo ms
amplio para que cambien las condiciones en que trabaja el proceso.
106
El estudio de capacidad a corto plazo es tpico del sector de automocin, donde a menudo se le llama
estudio de capacidad de mquina y, en el contexto de la norma QS-9000 (v. APQP, 1995), forma
parte de la validacin del proceso de produccin de un producto nuevo, El estudio tpico de capacidad
de mquina se aplica a una mquina que produce unas piezas o componentes, y en l se produce
una serie de, por ejemplo, 100 unidades (el nmero vara en funcin de diversos factores, pero es
mayor que 40) y se evala la variabilidad a partir de un histograma (v. ms adelante), una desviacin
estndar o un ndice de capacidad. La variabilidad hallada en un estudio tal es la mnima posible y se
atribuye a la mquina, de ah la denominacin capacidad de mquina''. Presumiblemente, el proceso
presentar ms variabilidad en un intervalo de tiempo ms largo. El objetivo del estudio de capacidad de proceso, que se hace a continuacin, es conseguir que la variabilidad del proceso est lo
ms cerca posible de esta variabilidad mnima hallada en el estudio de capacidad de mquina.
3.2 ndices de capacidad

Supongamos un proceso en estado de control respecto a un indicador X, y que X tiene distribucin
normal, con parmetros y . Entonces la prctica totalidad de los valores observados deben caer
entre los lmites 3, es decir, dentro de un intervalo de longitud 6. El ndice Cp es el cociente
entre la tolerancia y 6. Si los lmites de tolerancia superior e inferior se designan por TS y TI, respectivamente, tenemos
Cp =
TS TI
6
La condicin de proceso capaz se asocia a valores de este ndice mayores que 1. Recurdese que la
discusin slo tiene sentido para procesos en estado de control.
Los datos de la tabla 3.1 proceden de un primer estudio de capacidad de mquina, realizado en una
prensa con una sola cavidad. En l se han recogido 60 unidades, prensadas consecutivamente. Se
trata de ferritas de forma cilndrica, cuyas alturas aparecen en la tabla.
Tabla 3.1 Estudio de capacidad de mquina
15,33
15,23
15,29
15,25
15,23
15,27
15,22
15,20
15,28
15,23
15,29
15,21
15,18
15,30
15,21
15,27
15,23
15,35
15,28
15,24
15,29
15,27
15,18
15,25
15,22
15,2
15,33
15,16
15,30
15,24
15,34
15,24
15,17
15,28
15,18
15,32
15,26
15,19
15,19
15,19
15,41
15,25
15,25
15,21
15,32
15,21
15,29
15,21
15,22
15,16
15,27
15,22
15,27
15,25
15,20
15,35
15,31
15,23
15,28
15,32
Los lmites de tolerancia (internos) son 15,30 0,25mm.
107
La desviacin estndar de los 60 valores es s = 0,05386. Usando s como valor estimado de , obtenemos el ndice de capacidad de mquina:
Cp =
0,5
= 1,547
6 0,05386
A veces es interesante distinguir entre capacidad de mquina y capacidad de proceso. Se puede

distinguir entre ambos ndices, designndolos respectivamente por Cp, ndice de capacidad, y Pp,
ndice de rendimiento (performance). Esta notacin es habitual en la sector de automocin y, en
general, se usa para distinguir entre distintos niveles de variabilidad en un proceso, que se atribuyen
a factores que interesa diferenciar.
Esta distincin se basa en que si la capacidad de mquina es insuficiente, no tiene sentido esforzarse
en intentar obtener del control del proceso ms de lo que puede dar de s. De hecho, el ndice Cp
debe ser netamente mayor que 1, si tenemos en cuenta que la variabilidad del proceso en la produccin real es, normalmente, mayor que la que observamos a corto plazo. Por eso, algunos clientes
exigen a sus proveedores ndices Cp superiores a 1,33. Tambin es esencial conocer la capacidad de
mquina antes de establecer una especificacin interna.
Cabe esperar que el ndice Pp sea menor que el Cp, aunque no mucho, si el proceso est realmente
en estado de control. Como los lmites de control basados en la regla 3 son muy conservadores,
puede darse una diferencia entre ambos ndices sin que en los grficos aparezcan puntos fuera de
los lmites de control.
Se realiza un segundo estudio de capacidad de proceso para la misma prensa, en el que se recogen
5 unidades cada media hora, durante 10 horas, en las que no se realiza ningn ajuste de la prensa,
obtenindose los resultados de la Tabla 3.2.
Tabla 3.2. Resultados del segundo estudio de capacidad
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
15,17
15,28
15,35
15,29
15,35
15,30
15,26
15,25
15,30
15,26
15,20
15,16
15,23
15,19
15,20
15,18
15,16
15,25
15,14
15,25
15,22
15,25
15,28
15,28
15,32
15,27
15,20
15,30
15,30
15,23
15,17
15,21
15,12
15,19
15,22
15,12
15,16
15,23
15,23
15,14
Resultados
15,30
15,28
15,36
15,29
15,38
15,34
15,16
15,30
15,33
15,22
15,35
15,20
15,29
15,21
15,23
15,16
15,14
15,15
15,20
15,19
15,25
15,26
15,34
15,32
15,37
15,31
15,43
15,32
15,23
15,28
15,19
15,17
15,21
15,21
15,24
15,17
15,15
15,22
15,10
15,19
15,25
15,35
15,30
15,27
15,36
15,41
15,29
15,36
15,15
15,21
15,19
15,17
15,16
15,23
15,16
15,16
15,16
15,16
15,18
15,17
108
La desviacin estndar de estos 100 valores es s = 0,070645, mayor que en el estudio de capacidad
de mquina comentado ms arriba. Usando este resultado como valor estimado de , aunque ms
adelante veremos que no es lo correcto, resulta Pp = 1,1796.
La diferencia entre ambos ndices puede atribuirse, como ya hemos comentado, a que la variabilidad
en 10 horas es mayor que la instantnea. La Figura 3.1 ilustra la evolucin de la altura media de las
ferritas a lo largo de las 10 horas. El grfico sugiere que se ha producido una variacin en la altura
media durante este perodo, con lo que el proceso no se halla en estado de control estadstico y no
tiene sentido el clculo del ndice Pp. Como se ver en el apartado siguiente, los ndices son vlidos si
se puede suponer que la distribucin de los datos sigue la ley normal.
15,40
15,35
15,30
CL = 15,2394
15,25
15,20
15,15
15,10
1
10
11
12
13
14
15
16
17
18
19
20
Figura 3.1 Seguimiento del proceso de prensado durante 10 horas
No tiene sentido esperar que el valor medio de una variable X coincida exactamente con el punto
medio del intervalo de tolerancia establecido para esa variable. Si la diferencia entre ambos es apreciable (proceso no centrado), el que el ndice Cp sea mayor que 1 no garantiza que se cumpla la especificacin. Por esta razn, es interesante considerar el ndice Cpk, que se define como
TS TI
,
Cpk = min
3
3
Obsrvese que, si coincide con el punto medio de los lmites de tolerancia, Cp y Cpk coinciden. Esto
no es nunca exactamente cierto, y en la prctica Cpk es menor que Cp. En la figura 3.2 se puede
apreciar cmo varan ambos ndices, dependiendo de la situacin del proceso.
109
Figura 3.2 Ejemplos de cmo varan los valores de los ndices Cp y Cpk para una caracterstica de un proceso de TI=38, TS=62 y =2, donde la media del proceso m es proceso dependiendo de la situacin del proceso.
El ndice Cpk no slo sirve para controlar que la dispersin del proceso no exceda de lo que sera admisible en relacin a la especificacin, sino tambin que el proceso no est descentrado. El ndice
Ppk puede definirse de forma anloga.
110
En el primer estudio de capacidad de mquina descrito anteriormente, se puede usar la media
x =15,252 como valor estimado de , obtenindose
Cpk =
15,252 15,05
= 1,2501
3 0,05386
Para el estudio de capacidad de proceso, si se usa como valor estimado de la media de los 100
resultados, que es x =15,2394, se obtiene
Ppk =
15,2394 15,05
= 0,8937
3 0,07064
Aqu tampoco es correcto usar el ndice Ppk, puesto que el proceso no se halla en estado de control
estadstico.
NOTA. El ejemplo 3 es un ejemplo real y muy tpico en la industria. Cuando se realizar un estudio de
capacidad de proceso la forma de proceder podra ser: primero realizar un estudio de capacidad de
mquina tomando una serie de muestras seguidas de la fabricacin (entre 50 y 100). Seguidamente,
se comprueba la validez de la distribucin normal y, en caso afirmativo los ndices de capacidad son
vlidos. En caso de que stos tengan un valor aceptable (sobradamente superiores a 1) se hace un
estudio de capacidad de proceso. Para que los ndices de capacidad sean vlidos se debe verificar
que el proceso se halla en estado de control estadstico.
El sistema de clculo de los ndices de capacidad expuesto aqu se llama, a veces, analtico, en oposicin a un mtodo grfico, poco usado actualmente. Este mtodo se basa en un grfico denominado
recta de probabilidad normal, o, en el contexto del control estadstico de calidad, recta de Henry,
que consiste en un conjunto de puntos (uno por dato) que se sitan en un diagrama XY, sobre un
papel especial, llamado papel probabilstico, en el que la escala de uno de los ejes se basa en la distribucin normal. Ajustando a ojo una recta al conjunto de puntos, se pueden obtener los valores
3 de forma grfica.
Una ventaja del mtodo grfico es que obvia los clculos, en especial el de la desviacin estndar,
que es inviable si se calcula a mano. Sin embargo, si se dispone de un ordenador convencional con
una hoja de clculo, no hay problema para calcular un ndice de capacidad directamente a partir de
los datos, por lo que hoy en da el mtodo grfico se usa poco. Ahora bien, el mtodo grfico tiene
otra ventaja: permite contrastar los datos con la distribucin normal de forma sencilla y rpida, comprobando que los puntos del grfico estn (aproximadamente) en lnea recta. Veremos en el siguiente
apartado cmo puede hacerse esto.
3.3. Validez de los ndices

Los ndices de capacidad que hemos comentado en estas notas estn basados en la distribucin
normal. Ahora bien, qu sucede si X no sigue la distribucin normal? En ese caso, al intervalo
3 ya le no corresponde una probabilidad del 99,73%, y la interpretacin de los ndices no es vlida.
No obstante, los ndices de capacidad tienen la ventaja de estar normalizados en un doble sentido:
No dependen de la escala, y su valor puede interpretarse directamente, independientemente de la

caracterstica a la que se refieren y de las unidades de medida.
Todo el mundo usa las mismas frmulas.
111
Teniendo en cuenta estas ventajas, es interesante, si se quiere disponer de una evaluacin numrica
de la capacidad, mantener las frmulas clsicas. Vamos a ver cmo se puede ver si la aproximacin
por la distribucin normal es razonable.
Una tabla de frecuencia para X es una tabla en la que se dan las frecuencias con las que X toma
valores en una serie de intervalos adyacentes (v. Tablas 3.3 y 3.4). Un diagrama de barras basado en
una tabla de frecuencia se denomina histograma. La tabla de frecuencia es el reflejo experimental de
la distribucin de frecuencia terica, dada por la curva de probabilidad (v. Apndice A6). Cuando la
tabla de frecuencia refleja una distribucin de frecuencia con un mximo en el centro, lo que en los
libros de Estadstica se llama una distribucin unimodal, y es aceptablemente simtrica respecto al
centro, el intervalo 3 se puede usar para una prediccin estadstica, como la que se quiere hacer
en un estudio de capacidad.
Tabla 3.3 Tabla de frecuencia (primer estudio)
Intervalo
15.10-15.15
15.15-15.20
15.20-15.25
15.25-15.30
15.30-15.35
15.35-15.40
15.40-15.45
Frecuencia
0
12
22
16
9
0
1
Tabla 3.4 Tabla de frecuencia (segundo estudio)

Intervalo
15.05-15.10
15.10-15.15
15.15-15.20
15.20-15.25
15.25-15.30
15.30-15.35
15.35-15.40
15.40-15.45
Frecuencia
1
8
29
23
21
11
5
2
La tabla 3.3 es una tabla de frecuencia para los resultados del primer estudio de capacidad que
hemos comentado (v. Tabla 3.1). Se puede considerar vlida, a los efectos de un estudio de capacidad, la aproximacin por el modelo normal, ya que se trata de una distribucin unimodal y razonablemente simtrica.
Qu pasa con el segundo estudio (Tabla 3.2)? Que la media va cambiando a lo largo de las diez
horas, con lo cual la frmula usada en el primer estudio para obtener un valor estimado de ya no
sirve. Sin embargo, eso es difcil de ver en la tabla de frecuencia (v. Tabla 3.4), que muestra una distribucin ms aplanada (la desviacin estndar es mayor), pero aceptable. La manera de entender lo
que sucede es utilizar un grfico como el de la figura 4.1.
112
En los cursos de Estadstica se recomienda a menudo comprobar la validez del modelo normal examinando un histograma. No obstante, a menos que el nmero de datos sea elevado (ms de 50), la
distribucin de frecuencia, sea en forma de tabla o en forma grfica, es difcil de interpretar para alguien que no tenga prctica en el anlisis de datos. Por el contrario, los grficos de probabilidad, que
presentamos a continuacin, pueden usarse aunque el nmero de datos sea pequeo. Hace algunos
aos estos grficos se dibujaban a mano, usando un papel milimetrado especial. Hoy da, la mayor
parte del software estadstico comercializado incluye la construccin de estos grficos. En una hoja
Excel, la construccin es algo ms elaborada, pero no presenta mucha dificultad, como vamos a ver.
Para dibujar un grfico de probabilidad en Excel basta construir una tabla (v. Tabla 3.5), en la
que en la primera columna se colocan los datos cuya distribucin se quiere contrastar con el modelo normal, ordenados de menor a mayor. En la segunda columna se coloca el rango correspondiente a cada dato, es decir, su nmero de orden en la lista. En la siguiente columna se calcula
el valor Pk asociado a cada dato xk, que representa la proporcin de datos menores que xk, del siguiente modo: si k es el rango de xk y n es el nmero de datos, entonces
Pk =
k 0,5
n
En la ltima columna se colocan los valores zP correspondientes las probabilidades Pk en el distribucin normal, con = 0, = 1. Si Z es una variable que sigue este modelo, zP es un valor que cumple
Prob(Z < zP) = P. En Excel, la funcin DISTR.NORM.ESTAND.INV permite obtener estos valores
fcilmente.
Finalmente, se construye un grfico XY, en el que se coloca un punto para cada dato, tomando como
abscisa el valor xk (primera columna de la tabla) y como ordenada zk (cuarta columna).
La tabla 3.5 es un resumen los resultados del primer estudio de capacidad (v. Tabla 3.1) y la figura
3.3 el grfico correspondiente. Usando una de las opciones grficas de Excel se puede agregar la
lnea de tendencia lineal sobre los puntos del grfico, lo que indica que el modelo normal da una
aproximacin aceptable.
NOTA. Si se concluye que el modelo normal no es vlido, se pueden usarse grficos de otras distribuciones de probabilidad, como la lognormal o la de Weibull. De todos modos, esto slo tiene inters
si el modelo normal no da una buena aproximacin, ya que si no, no merece la pena complicar el
estudio introduciendo un modelo que no se entienda bien. Si se descarta el modelo normal, se sustituyen los valores 3 por unos valores x1 y x2 tales que Prob(x1 < X < x2) = 0,9973.
Para un proceso multiposicional se puede hacer un estudio de capacidad como el que hemos descrito, pero no es vlido juntar los datos correspondientes a unidades producidas en diferentes posiciones para el clculo de una desviacin estndar sin haber comprobado previamente que las diferencias entre las posiciones son despreciables. Sin embargo, en la prctica, muchas veces no es as.
No es posible avanzar mucho en una discusin general sobre este tema, ya que se pueden dar situaciones muy diversas. El nmero de posiciones puede ser pequeo (2, 3, etc.) de modo que tenga
sentido analizar lo que sucede en cada posicin por separado, o grande (ms de 10), de modo que el
anlisis individualizado de las distintas posiciones sea inviable. Nos limitaremos, pues, a comentar un
ejemplo sencillo.
113
y = 18,297x - 279,06
R2 = 0,9754
4,00
3,00
2,00
1,00
0,00
15,1
-1,00
15,15
15,2
15,25
15,3
15,35
15,4
15,45
-2,00
-3,00
Figura 3.3 Grfico de probabilidad normal

Tabla 3.5. Tabla para un grfico de probabilidad normal
xk
15,16
15,16
15,17
15,18
15,18
15,18
15,19
15,19
15,19
15,20
15,20
15,20
15,21
15,21
15,21
15,21
15,21
15,22
15,22
15,22
15,22
15,23
15,23
15,23
15,23
15,23
15,24
15,24
15,24
15,25
k
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Pk
0,008
0,025
0,042
0,058
0,075
0,092
0,108
0,125
0,142
0,158
0,175
0,192
0,208
0,225
0,242
0,258
0,275
0,292
0,308
0,325
0,342
0,358
0,375
0,392
0,408
0,425
0,442
0,458
0,475
0,492
zk
-2,394
-1,960
-1,732
-1,569
-1,440
-1,331
-1,235
-1,150
-1,073
-1,001
-0,935
-0,872
-0,812
-0,755
-0,701
-0,648
-0,598
-0,549
-0,501
-0,454
-0,408
-0,363
-0,319
-0,275
-0,232
-0,189
-0,147
-0,105
-0,063
-0,021
xk
15,25
15,25
15,25
15,25
15,26
15,27
15,27
15,27
15,27
15,27
15,28
15,28
15,28
15,28
15,29
15,29
15,29
15,29
15,30
15,30
15,31
15,32
15,32
15,32
15,33
15,33
15,34
15,35
15,35
15,41
k
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Pk
0,508
0,525
0,542
0,558
0,575
0,592
0,608
0,625
0,642
0,658
0,675
0,692
0,708
0,725
0,742
0,758
0,775
0,792
0,808
0,825
0,842
0,858
0,875
0,892
0,908
0,925
0,942
0,958
0,975
0,992
zk
0,021
0,063
0,105
0,147
0,189
0,232
0,275
0,319
0,363
0,408
0,454
0,501
0,549
0,598
0,648
0,701
0,755
0,812
0,872
0,935
1,001
1,073
1,150
1,235
1,331
1,440
1,569
1,732
1,960
2,394
114
Se hace un tercer estudio de capacidad, para una prensa con tres cavidades, en el que se recogen
las unidades resultantes de siete golpes de prensa, en total 21 unidades, y se miden el peso y la altura. Los resultados obtenidos se pueden ver en la tabla 3.6. Los lmites de tolerancia para la altura son
8,15 0,10 cm y, para el peso, 4,08 0,05 g.
Tabla 3.6. Resultados del estudio de capacidad para la prensa con tres cavidades
Pieza
1
2
3
4
5
6
7
Altura (Spec 8,150,10 cm)

Izquierda
Centro
Derecha
8,09
8,08
8,11
8,08
8,07
8,12
8,08
8,08
8,12
8,09
8,09
8,12
8,09
8,08
8,11
8,08
8,08
8,12
8,08
8,07
8,12
Peso (Spec 4,080,05 g)

Izquierda
Centro
Derecha
4,09
4,00
4,10
4,08
4,01
4,10
4,09
4,01
4,10
4,09
4,00
4,10
4,08
4,00
4,10
4,08
4,01
4,10
4,08
4,01
4,10
En este caso, es obvio que la altura media y el peso medio son distintos en las tres cavidades y, por
consiguiente, no es correcto juntar los datos de distintas cavidades y calcular los ndices de capacidad como hicimos con los datos de la tabla 3.1. Por otra parte, no es necesario un ndice de capacidad para concluir que difcilmente se pueden mantener los lmites de tolerancia del peso, ya que entre
la cavidad central y la derecha se hallan diferencias de 0,10 g. Si esta situacin no se puede cambiar,
hay que ampliar la tolerancia.
115
4. GRFICOS DE CONTROL PARA VARIABLES

4.1. Grficos de control para subgrupos
Consideremos un proceso cuyo control se ejerce mediante el seguimiento de una caracterstica medible. En la variante ms habitual, los datos se obtienen realizando series cortas de observaciones,
separadas por un intervalo de tiempo de longitud ms o menos constante. Estas series se denominan
subgrupos racionales o simplemente subgrupos. Cada subgrupo da lugar a un punto en el grfico
de control. En la tabla 2.1 hemos visto un conjunto de 100 observaciones, agrupadas en 20 subgrupos de 5 observaciones. A partir de estos datos se pueden trazar grficos de control con 20 puntos
(Figuras 2.1--2.4).
Al examinar la variabilidad que presentan los datos obtenidos de esta forma, se debe distinguir entre
los datos que pertenecen al mismo subgrupo y los de subgrupos distintos. Por consiguiente, la formacin de subgrupos no puede hacerse de forma arbitraria, sino que debe satisfacer unas reglas. Las
reglas siguientes suelen dar un resultado satisfactorio:
Todas las observaciones del mismo subgrupo se obtienen en las mismas condiciones.
Un subgrupo no contiene datos de lotes distintos ni de distinta naturaleza.
Se puede aceptar que las observaciones son estadsticamente independientes (v. Apndice A6).
Las observaciones de un mismo subgrupo se realizan, en el caso ms tpico, sobre unidades de producto obtenidas en un intervalo corto de tiempo. En la mayora de los casos, el intervalo de tiempo
entre subgrupos sucesivos se establece de forma emprica. Para ello, se empieza por un intervalo
que parezca adecuado (preferentemente corto), y posteriormente se alarga o acorta el intervalo en
funcin del resultado obtenido. Desde luego, la frecuencia de muestreo debe ser compatible con la
disponibilidad de personal, pero no hay que olvidar que cada proceso tiene su propio timing, que no
tiene nada que ver con los recursos de plantilla. En bastantes casos, la misma naturaleza del proceso
impone un intervalo mnimo de tiempo. Por ejemplo, en el control de un proceso en batch, podemos
tener a lo sumo un dato por batch.
En la mayora de aplicaciones, el tamao de los subgrupos (o sea, el nmero de observaciones que
los componen) es 4 o 5, aunque no hay ninguna regla que diga que debe ser as. A favor de un mayor
tamao de subgrupo juega el que se consiga de esa forma un mayor poder de deteccin. En efecto,
de acuerdo con la frmula de la desviacin estndar de la media muestral,
x =
x
n
por lo que la variabilidad de la media disminuye al aumentar el tamao de subgrupo, reducindose la

distancia entre los lmites de control de la media, que se calculan con la regla 3 x . En contra de un
tamao de subgrupo elevado juega el coste de inspeccin que supone. Un tamao 4 o 5 representa
en muchos casos un equilibrio entre estos dos factores.
NOTA. Se han propuesto diversos mtodos para fijar la frecuencia de muestreo y el tamao de subgrupo, basados en criterios de tipo econmico. Estos mtodos son, sin embargo, aplicables en pocos
casos, ya que precisan de una evaluacin del coste de inspeccin y del coste de no detectar una
desviacin respecto al estado de control. La dificultad para evaluar este ltimo representa una limitacin importante para la aplicacin de estos mtodos. Puede hallarse informacin sobre ellos en Duncan (1986) y Montgomery (1991).
116
Para calcular los lmites de control se necesita un valor estimado de . En esencia, el mtodo para
obtener un valor estimado de a partir de subgrupos es el siguiente: se calcula un estadstico que
mida la dispersin en cada subgrupo y se promedian los valores obtenidos para obtener una estimacin de que considere la informacin de todos los subgrupos. Designaremos por el valor estimado de , siguiendo la costumbre en los libros de Estadstica de diferenciar el valor estimado de
del autntico colocando un acento circunflejo.
Se pueden usar tres estadsticos para evaluar la dispersin dentro de los subgrupos: el recorrido R, la
2
desviacin estndar s y la varianza s . Para mostrar cmo se pueden obtener valores estimados de
a partir de estos estadsticos, supongamos un conjunto de datos formado por la unin de k subgrupos
de tamao n. Designamos por xij la observacin j-sima del subgrupo i-simo, y por xi , Ri y si la media,
el recorrido y la desviacin estndar, respectivamente, del subgrupo i-simo. La tabla 4.1 es una tabla
de datos organizada de esta forma, con estructura similar a la de la tabla 2.1.
Tabla 4.1. Datos estructurados en subgrupos
Subgrupo
Observaciones
x11
x12
...
x1n
Media
x1
x21
x22
...
x2n
x2
2
s1
2
s2
...
xk2
...
...
xk1
...
xkn
xk
...
Varianza
Recorrido
Desv. estndar
R1
s1
R2
s2
2
k
Rk
sk
El procedimiento ms usado y tambin el ms sencillo si los clculos se hacen a mano, es el que usa
el recorrido medio,
R=
R1 + L + Rk
k
Dividiendo R por una constante que se designa por d2, se obtiene un valor estimado
R
d2
El valor de d2 depende de n. En la Tabla 4.2 pueden hallarse los valores de d2, junto a los de otras
constantes que comentaremos ms adelante, para 2 n 10.
Tabla 4.2. Constantes de los grficos X /R
n
A2
d2
D3
D4
1,88
1,13
0,00
3,27
1,02
1,69
0,00
2,58
0,73
2,06
0,00
2,28
0,58
2,37
0,00
2,12
0,48
2,53
0,00
2,00
0,42
2,70
0,08
1,92
0,37
2,85
0,14
1,86
0,34
2,97
0,18
1,82
10
0,31
3,08
0,22
1,78
117
En el ejemplo del grosor de las hojas de acero (tabla 2.1), obtuvimos R =1,36. Como n=5, debemos
tomar d2 = 2,37 en la tabla 4.2, lo que nos da el valor estimado
1,36
= 0,5738
2,37
Otro procedimiento clsico para obtener un valor estimado de utiliza la desviacin estndar media,
s =
s1 + L + sk
k
y es anlogo al del recorrido medio. En este caso la frmula es
s
c4
donde c4 es una constante cuyos valores, para 2 n 10, pueden verse en la tabla 4.3, junto a los de
otras constantes que aparecern ms adelante.
Tabla 4.3. Constantes de los grficos X /s

n
A3
c4
B3
B4
2,66
0,80
0,00
3,27
1,95
0,87
0,00
2,57
1,63
0,92
0,00
2,27
1,43
0,94
0,00
2,09
1,29
0,95
0,03
1,97
1,18
0,96
0,12
1,88
1,10
0,97
0,18
1,82
1,03
0,97
0,24
1,76
10
0,97
0,97
0,28
1,72
En la tabla 2.1, la desviacin estndar media es s = 0,544. Como n=5, tomamos c4 = 0,94 en la tabla
4.3, lo que nos da un valor estimado
0, 544
= 0, 5787
0, 94
Un tercer mtodo utiliza la varianza media
s12 + L + sk2
k
118
En este caso no se necesita constante, ya que las varianzas son aditivas, como ya hemos comentado
2
anteriormente. La varianza media es un valor estimado de y su raz cuadrada da un valor estimado
de . Como la raz cuadrada de la media no es igual a la media de las races cuadradas, la varianza
media no coincide con el cuadrado de la desviacin estndar media, ya que la raz cuadrada de la
media no es igual a la media de las races cuadradas.
En el ejemplo del grosor de las hojas de acero (v. Tabla 2.1), la varianza media es 0,3302. Resulta un
valor estimado
= 0,3302 = 0,5746
Como es de esperar, puesto que las frmulas son distintas, estos tres procedimientos dan valores
estimados de distintos (y, por consiguiente, si usamos estos valores en el clculo de ndices de
capacidad, obtenemos ndices distintos). As se ha visto en el ejemplo de la tabla 2.1, donde hemos
ido aplicando los tres mtodos sucesivamente. No obstante, asumiendo el estado de control estadstico y la validez del modelo normal, los tres mtodos deben conducir a resultados parecidos, como ha
ocurrido en este ejemplo.
Puede parecer que el camino ms directo para obtener un valor estimado de sera calcular la desviacin estndar s de la serie obtenida juntando las observaciones de todos los subgrupos. Sin embargo, este procedimiento no se usa hasta haber comprobado que el proceso est en estado de control (se usa entonces para el estudio de capacidad). La razn de ello es que, si hay puntos fuera de
control, la frmula de la desviacin estndar puede conducirnos a una sobreestimacin de . Si usramos este valor sobreestimado para calcular lmites de control, obtendramos una banda de control
demasiado ancha, y posiblemente la existencia de puntos fuera de control nos impedira reconocer
que estn fuera de control. De todos modos, hay que tener en cuenta que las tres frmulas que hemos dado estiman teniendo en cuenta solamente la variabilidad a corto plazo, mientras que en el
valor de la desviacin estndar s influye la variabilidad a ms largo plazo. Por eso, aunque los grficos de control no presenten puntos ms all de los lmites, el valor de s es normalmente mayor que
los valores estimados a partir de los subgrupos (y por tanto da menos capacidad).
En la tabla 2.1, la desviacin estndar de los 100 datos es
= s = 0,61929.
Este valor estimado de es mayor que los anteriores, tal como habamos previsto. La tolerancia para
el grosor de las hojas de acero es 2 2 = 4 micras, y podemos calcular ndices de capacidad usando
los diferentes valores estimados de . Por ejemplo, el ndice Cp obtenido con este ltimo valor estimado de es
Cp =
4
4
=
= 1,0764
6 6 0,6192
En cambio, los ndices obtenidos con los otros valores estimados de son
Cp =
4
4
=
= 1,1617
6 6 0,5738
119
para el valor estimado a partir del recorrido medio,

Cp =
4
4
=
= 1,1519
6 6 0,5787
para el valor estimado a partir de la desviacin estndar media, y

Cp =
4
4
=
= 1,1601
6 6 0,5746
para el valor estimado a partir de la varianza media.
4.2. Grficos X /R y X /s
Hay dos alternativas clsicas para los grficos de control para variables, segn se mida la variabilidad
dentro de los subgrupos con el recorrido, o con la desviacin estndar. En el primer caso se trabaja
con un grfico X /R, y en el segundo con un grfico X /s.
Un grfico X /R es un sistema formado por dos grficos de control. Uno se elabora con las medias de
los subgrupos y el otro con los recorridos. En el caso de lmites calculados, stos se obtienen usando
un valor estimado de la desviacin estndar obtenido a partir del recorrido medio. Anlogamente,
un grfico X /s es un sistema formado por un grfico de medias y otro de desviaciones estndar, con
los lmites de control calculados usando un valor estimado de obtenido a partir de la desviacin
estndar media.
Sea cual sea el procedimiento, debe recalcarse que el uso de los recorridos o de las desviaciones
estndar de los subgrupos para estimar , y por tanto para calcular los lmites de control para la media, slo tiene sentido si la estabilidad del parmetro es admisible, lo que se comprueba mediante
un grfico s o R. Por consiguiente, haya o no algn punto fuera de control en el grfico X , los lmites
de control no son vlidos si la variabilidad del proceso no es estable, es decir, si los valores de s o R
que intervienen en el clculo de los lmites no han pasado el test del segundo grfico.
Supongamos que X tiene distribucin normal, con media y desviacin estndar. Entonces un valor
estimado de es
= x =
x1 + ... + xk
x + ... + xkn
= 11
k
kn
La media de n observaciones independientes de X tiene distribucin normal, con media y varianza

2/n. Si el parmetro se estima a partir del recorrido medio R, se obtiene un valor estimado de la
desviacin estndar de la media haciendo
x =
R
d2 n
El lmite de control superior UCL (upper control limit) es entonces

UCL = x + 3
R
d2 n
120
y el lmite de control inferior LCL (lower control limit),

LCL = x 3
R
d2 n
Se designa por A2 el coeficiente de R en la frmula de los lmites de control,

A2 =
3
d2 n
con lo cual se obtiene una frmula simplificada para el clculo de los lmites,
x A2 R
A2 est tabulado para distintos valores de n (v. Tabla 4.2).
En la tabla 2.1, X =599,545 y R =1,36. Entrando n = 5 en la tabla 4.2 resulta A2 = 0,58. Por lo tanto,
UCL = 599,545 + 0,58 1,36 = 600,33
LCL = 599,545 - 0,58 1,36 = 598,76
Estos lmites son los que se usaron en el grfico de la figura 2.1. Anlogamente, el valor estimado de
la desviacin estndar de la media es ahora
s
c4 n
con lo que los lmites de control UCL y LCL se obtienen haciendo x A3 s , donde
A3 =
3
c4 n
es una constante que depende de n (Tabla 4.3). Por descontado, los lmites obtenidos por ambos
procedimientos sern distintos, pero la diferencia debe ser pequea si el estado de control estadstico
y la validez del modelo normal son aceptables.
En la tabla 2.1, x = 599,54 y s = 0,544. Entrando n = 5 en la tabla 4.3, resulta A3 = 1,43. Por tanto,
UCL = 599,545 + 1,43 0,544 = 600,32
LCL = 599,545 - 1,43 0,544 = 598,77
Tambin se puede usar el valor estimado de extrado de la varianza media. Entonces no se necesitan constantes, sino que se hace directamente,
x 3
121
En el ejemplo del grosor de las hojas de acero (v. Tabla 2.1), el valor estimado de a partir de la
varianza media es = 0,5746. Luego
UCL = 599, 545 + 3
0,5746
5
= 600,316; LCL = 599, 545 3
0,5746
5
= 598,74
NOTAS:
(a) Las frmulas que hemos presentado para el clculo de los lmites de control constituyen el sistema ms difundido, que ha sido recientemente normalizado (ISO 8258). Existen, no obstante, distintas variantes, unas destinadas al mismo uso que las frmulas de Shewhart, y otras a usos alternativos. Por ejemplo, algunos autores recomiendan complementar los lmites de control a distancia 3 de la lnea central con otros lmites a distancia 2, denominados lmites de vigilancia.
Estos lmites separan las zonas A y B de las reglas de Western Electric. El uso de los lmites de
vigilancia es tpico en situaciones en las que se precisa gran sensibilidad a las desviaciones, por
ejemplo, en el control de la calidad del laboratorio. Pueden hallarse ms detalles sobre los lmites
de vigilancia en la norma ISO 7873, y sobre su aplicacin en el laboratorio en Miller & Miller
(1993).
(b) La regla de fijar los lmites de control a distancia 3, en los grficos de control con lmites calculados, se extendi de los Estados Unidos al resto de los pases, con excepcin del Reino Unido,
donde ha persistido un sistema alternativo. En la norma britnica la banda de control corresponde
a una probabilidad del 99,9%, lo que equivale, para un grfico basado en la distribucin normal, a
colocar los lmites a distancia 3,09 de la lnea central. Puede encontrarse informacin sobre el
sistema britnico en Bisell (1994), en Wetherill & Brown (1991), y en la norma BS 5700.
(c) Tambin se han desarrollado grficos de control para la aceptacin/rechazo de un proceso.
Estos grficos son anlogos a los de Shewhart, aunque con un algoritmo de clculo diferente para los lmites de control, que en este caso se llaman lmites de aceptacin. Estos lmites se basan en unos parmetros denominados APL (nivel de proceso aceptable), RPL (nivel de proceso
rechazable), (riesgo del productor) y (riesgo del comprador), que son tpicos del diseo de
planes de muestreo para inspeccin de producto acabado. Pueden hallarse detalles en la norma
ISO 7966, dedicada al tema, en Duncan (1986) y en Schilling (1982).
(d) A veces se usa la mediana en lugar de la media en los grficos de control para variables. La
construccin es totalmente anloga a la de un grfico X /R, aunque, si se trabaja con lmites calculados, las frmulas son diferentes. La lnea central se sita en la media de las medianas de los
subgrupos, y los lmites de control se obtienen sumando y restando el producto del recorrido medio por una constante Am que depende de del tamao de subgrupo n (v. Tabla 4.4).
Tabla 4.4. Constantes para medianas
n
2
3
4
5
6
7
8
9
10
Am
1,88
1,19
0,80
0,69
0,55
0,51
0,43
0,41
0,36
122
Para trazar el grfico de control R se usan los recorridos de los subgrupos. Si los lmites de control se
calculan a partir de los datos, se usan las frmulas:
LCL = D3 R; UCL = D4 R,
donde D3 y D4 son constantes, que se pueden extraer de la tabla 4.2, y que resultan de aplicar el esquema 3 al recorrido R. Para ello se obtiene un valor estimado R de la desviacin estndar R,
y se hace R 3 R . Mediante una transformacin que no vamos a detallar aqu, estos lmites se pueden expresar en la forma presentada anteriormente. Este es el procedimiento que se halla, generalmente sin la menor explicacin, en los manuales de control estadstico de proceso.
Hay que mencionar que un intervalo de este tipo no corresponde en este caso a un 99,73% de las
observaciones, aunque X tenga distribucin normal, ya que R no tiene distribucin normal en ningn
caso. No obstante, este esquema es sencillo, y se aplica al clculo de los lmites de control incluso
para variables discretas, como se ver en el control por atributos.
Se observa en la tabla 4.2 que D3 = 0 para n < 6. Lo que sucede en realidad es que el valor R 3 R
es negativo en estos casos, y se hace igual a cero para evitar el absurdo que supondra un lmite de
control negativo para un estadstico que slo toma valores positivos. Como la curva de probabilidad
de R es asimtrica, puede suceder el lmite inferior obtenido por este procedimiento (basado en la
curva normal, que es simtrica) caiga fuera del intervalo de valores posibles.
En la tabla 2.1, R =1,36, y, entrando n = 5 en la tabla 4.2 resultan D3 = 0 y D4 = 2,12. Por tanto,
UCL = 2,12 1,36 = 2,88, y LCL = 0. Estos son los lmites de la figura 2.3.
Para trazar el grfico s se usan las desviaciones estndar de los subgrupos. Su interpretacin es
anloga a la del grfico R. Los lmites de control vienen dados por frmulas anlogas a las del recorrido, sustituyendo las constantes D3 y D4 por otras, B3 y B4, que se pueden extraer de la Tabla 4.3.
Por idnticas razones a las que hemos comentado para D3, se hace B3 = 0 para n < 6.
En la tabla 2.1, s = 0,544, y, entrando n = 5 en la tabla 4.3 resultan B3 = 0 y B4 = 2,09. Por tanto,
UCL = 2,09 0,544 = 1,1369 y LCL = 0. Estos son los lmites de la figura 2.2.
NOTA. Hay un mtodo alternativo para el clculo de los lmites de control del grfico s, basado en la
2
distribucin de s . Los lmites de control se obtienen multiplicando el valor estimado por unos factores que se extraen de una tabla estadstica denominada tabla chi cuadrado. Para ms detalles, puede
consultarse Ryan (1989).
4.3. Grficos para observaciones individuales

Los grficos de control X /R y X /s se pueden usar cuando las observaciones se presentan en subgrupos. Esto no siempre es posible, y a veces es posible pero no prctico. En ciertas situaciones se
debe trabajar con observaciones individuales, en lugar de medias de subgrupos. Las razones para
ello pueden ser:
123
Se dispone de pocas mediciones de la caracterstica estudiada, bien porque recoger los datos
sea demasiado caro o demasiado lento, o porque se deba limitar la inspeccin a un nmero pequeo de unidades (por ejemplo, si se trata de ensayos destructivos).
Se trata de una caracterstica para la que un solo nmero representa una condicin dada (en
general, los parmetros de proceso o las caractersticas de producto para los procesos en batch).
La tcnica para construir un grfico de observaciones individuales, o grfico X, es muy simple. Se

traza en el grfico un punto para cada observacin. Si se usan lmites de control calculados, stos
resultan de sumar y restar 3 a la media, y lo nico nuevo es cmo obtener un valor estimado de .
La solucin ms utilizada consiste en obtener un valor estimado de a partir de un recorrido medio,
que se obtiene como sigue. Supongamos que se dispone de una serie x1, x2, , xk de observaciones
de la variable X. Se considera la serie de recorrido mvil asociada a esta serie de observaciones,
MR1 = |x1 - x2|, MR2 = |x2 - x3|, ..., MRk-1 = |xk-1 - xk|
y se extrae su media MR, que es el recorrido mvil medio,
MR =
MR1 + L + MRk 1
k 1
Como se trata de recorridos de grupos de 2 valores, el recorrido mvil medio es un valor estimado de
d2 donde d2 = 1,13, se puede extraer de la tabla 4.2, tomando n = 2. Dividiendo por d2 resulta el valor estimado . Al igual que en los grficos X /R, este procedimiento equivale a sumar y restar al valor
central la cantidad
3 = 3
MR
= 2,66MR
1,13
El segundo procedimiento para el clculo de los lmites de control usa como valor estimado de la
desviacin estndar s (variabilidad a largo plazo). Recordemos que s es muy sensible a la presencia
de observaciones discordantes y, en caso de usar este procedimiento para estimar , se debe prestar
mucha atencin a la posible aparicin de estos valores, y suprimirlos si se identifica la causa que los
ha producido.
NOTA. Algunos autores desaconsejan el mtodo del recorrido mvil medio para el clculo de lmites
de control en los grficos de observaciones individuales, abogando por usar el valor estimado de
dado por la desviacin estndar s, a pesar de los inconvenientes de la estimacin directa, que ya
hemos comentado. Repasamos a continuacin las razones en contra del mtodo de los recorridos
mviles. Una discusin ms a fondo, con ejemplos reales y simulados, puede encontrarse en
Ryan(1989).
Los recorridos MR1, ..., MRk-1 no son independientes, aunque las observaciones x1, x2, , xk lo
sean (dos recorridos consecutivos tienen correlacin 1/2 o -1/2).
Si X tiene una pauta de comportamiento no detectada, los recorridos sern menores, ya que un
valor de X se parecer a los contiguos, lo que hace que el recorrido medio sea bajo y quede infraestimada.
El recorrido mvil depende fuertemente de la frecuencia del muestreo y, por consiguiente, el valor
estimado de a partir del recorrido mvil medio no es fiable en tanto no quede claro que la distancia entre observaciones consecutivas es representativa de la variabilidad del proceso.
124
Interesa conocer la variabilidad del pH de uno de los productos de mayor produccin (unos 20 lotes al
ao). Se realiza un anlisis estadstico (exploratorio) de los registros de produccin del ltimo ao
mediante un grfico de observaciones individuales. Los datos del pH de los 22 lotes producidos el
ltimo ao pueden verse en la tabla 4.5, junto con los valores del recorrido mvil.
Tabla 4.5. Valores de pH de la produccin de un ao
MR
Lote
Ph
11,23
12
11,30
0,40
11,10
0,13
13
10,95
0,35
11,20
0,10
14
11,20
0,25
11,20
0,00
15
11,57
0,37
11,40
0,20
16
11,26
0,31
11,20
0,20
17
11,21
0,05
11,20
0,00
18
11,10
0,11
11,35
0,15
19
11,45
0,35
Lote
Ph
MR
11,40
0,05
20
11,02
0,43
10
10,60
0,80
21
11,35
0,33
11
10,90
0,30
22
11,52
0,17
La media y el recorrido mvil medio son
X = 11,2141; MR = 0,2405
y los lmites de control
UCL = 11,2141 + 2,66 x 0,2405 = 11,8537
LCL = 11,2141 - 2,66 x 0,2405 = 10,5745
ph
El grfico X correspondiente se presenta en la figura 4.1. En l no hay ningn punto fuera de los lmites de control, aunque se pueden abrigar sospechas sobre el lote 10, ya que el punto del grfico que
corresponde a este lote est muy cerca del lmite inferior.
12
11,8
11,6
11,4
11,2
11
10,8
10,6
10,4
0
10 11 12 13 14 15 16 17 18 19 20 21 22
Muestra
Figura 4.1. Grfico de control para los datos de la Tabla 4.5
125
El valor estimado de a partir del recorrido mvil medio es:
MR 0,2405
=
= 0,2132
1,13
d2
Este valor no difiere mucho del de la desviacin estndar de los 22 datos de pH, que es s = 0,2184.
As pues, en este caso no tiene mucha importancia usar uno u otro mtodo.
Cuando los lmites de control se calculan a partir de los propios datos con los que se traza el grfico
de control, se plantea con frecuencia la cuestin de si hay que incluir los datos que corresponden a
puntos fuera de control. Como regla general, se admite que uno de estos puntos debe suprimirse
cuando:
Se ha hallado la causa que produjo la desviacin puesta de manifiesto por ese punto.
Se ha eliminado dicha causa.
Si la causa no ha sido identificada o, aun sindolo, no ha sido eliminada, los datos correspondientes
al punto fuera de control se consideran todava tpicos del proceso y deben tenerse en cuenta. Por
otra parte, si se efecta un cambio significativo en el proceso, los datos recogidos con anterioridad a
dicho cambio no pueden considerarse ya como tpicos del proceso y deben tratarse con precaucin.
De todas maneras, hay que tener en cuenta que, al suprimir un punto fuera de control y rehacer los
clculos, cambia la posicin de la lnea central y de los lmites de control y, en particular, la banda de
control se hace ms estrecha. Puede suceder que un punto que estaba entre los lmites de control
quede fuera al recalcular los lmites. Esto es un sntoma de que el problema no se limita a la causa
previamente detectada.
Si se decide ignorar el lote 10 de la tabla 4.5, por considerar que no es tpico del proceso, hay que
rehacer los clculos, lo que es sencillo si se usa una hoja de clculo. En la Tabla 4.6 se incluyen solamente los datos correspondientes a los 21 lotes restantes.
Tabla 4.6. Resultado de suprimir un lote en la Tabla 4.5
MR
Lote
1
Ph
11,23
Lote
12
Ph
10,95
MR
0,35
11,10
0,13
13
11,20
0,25
11,20
0,10
14
11,57
0,37
11,20
0,00
15
11,26
0,31
11,40
0,20
16
11,21
0,05
11,20
0,20
17
11,10
0,11
11,20
0,00
18
11,45
0,35
11,35
0,15
19
11,02
0,43
11,40
0,05
20
11,35
0,33
10
10,90
0,05
21
11,52
0,17
11
11,30
0,40
126
La media y el recorrido mvil medio son, ahora,
x = 11,2433; MR = 0,2225
y los lmites de control
UCL = 11,2433 + 2,66 x 0.2225 = 11,8352
LCL = 11,2433 - 2,66 x 0,2225 = 10,6515
ph
El grfico que corresponde a la tabla 4.6 se presenta en la figura 4.2. Tampoco hay ningn punto
fuera de los lmites de control, y da una mayor apariencia de regularidad.
12
11,8
11,6
11,4
11,2
11
10,8
10,6
10,4
0
10 11 12 13 14 15 16 17 18 19 20 21
Muestra
Figura 4.2 Grfico de control para los datos de la Tabla 4.6
A veces se acompaa el grfico X con un grfico de recorridos mviles o grfico MR, en el que los
lmites se pueden calcular como en el grfico R ordinario, usando las constantes D3 y D4, con n = 2
(naturalmente, D3 = 0, y por tanto LCL=0). Algunos autores critican el grfico MR con el argumento de
que los coeficientes usados en el clculo de los lmites de control no son aplicables, por no ser vlidas las hiptesis en las que se basa el procedimiento de clculo. En efecto, los recorridos no son
estadsticamente independientes, como lo eran cuando se extraan de subgrupos distintos. Al margen
de estas objeciones de naturaleza terica, la realidad es que los usuarios prestan poca atencin a los
grficos MR, debido a que no contienen informacin nueva respecto al grfico X, salvo un nuevo lmite de control.
Para los datos de la tabla 4.5 tenemos
UCL = D4 MR = 3,27 0,2405 = 0,7864

con lo que el recorrido entre el lote 9 y el 10 est fuera de control, lo que confirma las reservas que
suscitaba el grfico de la figura 4.1. La figura 4.3 es el grfico MR correspondiente.
127
1,00
0,80
MR
0,60
0,40
0,20
0,00
1
10
11
12
13
14
15
16
17
18
19
20
21
22
Muestra
Figura 4.3 Grfico MR para los datos de la Tabla 4.5

Finalmente, comentamos brevemente algunos de los inconvenientes y ventajas de los grficos de
observaciones individuales. Entre los inconvenientes podemos destacar:
No existe un mtodo satisfactorio para la estimacin de .
Tienen menor poder de deteccin, ya que la banda de control es ms estrecha.
Si la distribucin normal no da una descripcin aceptable de la variable, los lmites de control no

son vlidos. Al usar medias, en cambio, se tiene una mejor aproximacin a la distribucin normal,
por el teorema central del lmite, como se menciona en el anexo 3.1.
Entre las ventajas podemos citar:
Los clculos son ms sencillos.
Los grficos son ms fciles de entender.
En los grficos de observaciones individuales se pueden incluir los lmites de tolerancia.
128
5. GRFICOS DE CONTROL PARA ATRIBUTOS

5.1. Control de la proporcin de unidades no conformes
En el captulo 2 hemos comentado las variantes del control por atributos, que se diferencian segn el
parmetro estadstico al que se aplican:
La proporcin de unidades no conformes
El nmero medio de no conformidades por muestra o por unidad
El nmero medio de demritos por muestra o por unidad
En este captulo discutimos estas variantes y los grficos que se usan en cada una de ellas. Nos limitaremos a los grficos ms tpicos, que se construyen siguiendo las directrices dadas por Shewhart.
Consideramos en primer lugar la situacin en la cual el producto est formado por unidades, que se
clasifican en conformes y no conformes, y el control se ejerce a travs de la inspeccin de conjuntos
de n unidades. Se denomina a estos conjuntos muestras, y n es el tamao de muestra.
El tamao de muestra en el control por atributos es, en general, mucho mayor que el tamao de subgrupo del control por variables. En efecto, la proporcin de unidades no conformes es pequea, y si
las muestras no fuesen grandes, el nmero de muestras debera serlo para que apareciesen unidades no conformes. As pues, muestras de 50 y hasta 100 unidades son frecuentes en el control por
atributos, mientras que en el control por variables el tamao de los subgrupos no acostumbra pasar
de 5.
Se considera que el proceso est en estado de control estadstico cuando:
La proporcin p de unidades no conformes generadas por el proceso es estable a lo largo del

perodo en el que se han obtenido las muestras.
La aparicin de una unidad no conforme en una muestra es independiente de lo que suceda en

las otras muestras, y el que una unidad de una muestra sea no conforme es independiente de
que las restantes lo sean.
En estas condiciones, el nmero de unidades no conformes en una muestra de tamao n tiene una
distribucin binomial de parmetros n y p. El control efectivo del proceso puede hacerse llevando a un
grfico el nmero de unidades no conformes por muestra, o bien la proporcin de unidades no
conformes en las muestras inspeccionadas.
La relacin entre ambos mtodos est clara: si designamos por p la proporcin de unidades no conformes, y las muestras tienen tamao n, el nmero medio de unidades no conformes es np. Desde el
punto de vista matemtico, ambos procedimientos son equivalentes y se pueden usar indistintamente,
salvo cuando el tamao de muestra es variable, situacin en la que slo tiene sentido usar la proporcin de unidades no conformes. Los grficos de control del nmero de unidades no conformes son los
grficos np, y los de la proporcin de unidades no conformes, los grficos p.
129
Para una distribucin binomial de parmetros n y p, la media es = np. Se obtiene un valor estimado
de sustituyendo en esta frmula la proporcin p por su valor estimado, que se puede obtener como
sigue. Supongamos que se han inspeccionado k muestras de tamao n y se cuentan en cada una las
unidades no conformes, obteniendo los valores r1, r2, , Rk. Entonces el valor estimado de p es el
cociente del nmero de unidades no conformes halladas entre el nmero total de unidades
inspeccionado,
p=
r1 + L + rk
nk
y el valor estimado de es
= np
Esto equivale a calcular la proporcin de unidades no conformes en cada muestra y extraer la media.
Es decir, designando por pi=ri/n la proporcin de unidades no conformes en la muestra i-sima,
p=
p1 + L + pk
k
El valor estimado de la desviacin tpica se obtiene haciendo
= np(1- p )
Estos valores se usan directamente si el control se aplica al nmero de unidades no conformes por
muestra (grfico np). Si se aplica a la proporcin de unidades no conformes, hay que dividir la media
y la desviacin tpica por el tamao de muestra. Entonces el valor estimado de la media es = p, y el
de la desviacin tpica,
p(1 p )
n
Para estudiar la regularidad estadstica del proceso del servicio de atencin al cliente, se registran los
datos relativos a 50 llamadas seleccionadas diariamente de forma aleatoria, durante 20 das consecutivos. Las llamadas que se han contestado despus de la tercera seal se consideran no conformes.
El nmero de llamadas no conformes en cada una de estas muestras se presenta en la tabla 5.1.
130
Tabla 5.1 Respuestas no conformes

muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
No conformes
1
0
1
2
2
0
1
3
0
0
2
0
1
4
0
1
0
0
2
0
0,02
0
0,02
0,04
0,04
0
0,02
0,06
0
0
0,04
0
0,02
0,08
0
0,02
0
0
0,04
0
Hay, en total, 20 unidades no conformes y, por lo tanto, el nmero medio es np = 1, y la proporcin

media p = 0,02. La desviacin tpica estimada para el nmero de unidades no conformes es
= np(1 p ) = 0,9899
En un grfico np, en el que se efecta el seguimiento del nmero de unidades no conformes por
muestra, la lnea central se sita en np. Los lmites de control se obtienen sumando y restando 3 al
valor medio,
np 3 np(1 p )
UCL
4
CL
1
0
1
10
11
12
13
14
15
16
Figura 5.1 Grfico np para los datos de la Tabla 5.1
17
18
19
20
131
Para pasar de un grfico np a un grfico p, basta dividir todo por n. La lnea central se sita en el valor estimado de la media, que es p, y los lmites se obtienen sumando y restando 3,
p 3
p(1 p )
n
Si el tamao de muestra es variable, el grfico np no puede usarse, ya que la media cambia de una
muestra a otra. El grfico p s tiene sentido, aunque los lmites de control son distintos para muestras
de distinto tamao, lo que es muy engorroso si los grficos se hacen a mano. Designando por ni el
tamao de la muestra i-sima, p se obtiene
p=
r1 + L + rk
n1 + L + nk
y los lmites de control para la proporcin de unidades no conformes en la muestra i-sima son
p 3
p(1 p )
ni
Si los ni no son muy distintos, se puede usar un valor medio n para simplificar, y as tener los mismos
lmites a lo largo de todo el grfico. Esta reduccin simplifica efectivamente los clculos, pero introduce un error. Si las muestras tienen tamaos parecidos (en general, se recomienda no usar esta reduccin si los ni difieren en ms de un 25%) el error es pequeo, pero si no es as, puede ser importante.
NOTAS:
(a) Al igual que suceda en los grficos R y s del control por variables, las frmulas para el clculo de
los lmites de control se basan en la regla 3, derivada de la distribucin normal, y no son
exactamente ciertas para una distribucin binomial.
(b) El lmite inferior rara vez se usa, ya que casi siempre se quiere controlar que el nmero de unidades no conformes no sea demasiado grande. Por otra parte, por la asimetra de la distribucin binomial, este lmite puede ser negativo y carecer de sentido, como suceda en los grficos R y s.
La lnea central del grfico np correspondiente a los datos de la tabla 5.1 es 1, y los lmites de control
son
UCL = 1 + 3 x 0,9899 = 3,9698
LCL = 1 3 x 0,9899 = -1,9698
El lmite inferior no tiene sentido y se ignora. El grfico np correspondiente a estos resultados es la
figura 5.1. Se aprecia en ella que el valor de la muestra 14 excede el lmite de control. Al ser UCL < 4,
para que no haya puntos fuera de control, puede haber, como mximo, 3 llamadas no conformes en
una muestra de 50. No obstante, la proximidad entre el punto en cuestin y el lmite aconseja no extraer conclusiones precipitadas, ya que basta modificar ligeramente los datos para que no haya puntos fuera de control.
132
NOTA. Puede verse que, si la variable aleatoria X = nmero de no conformidades se distribuye binomialmente n = 50 y p = 0,02, la probabilidad de X = 4 es del 1,45% y la de X > 4 del 1,78% (mucho
mayor que la probabilidad del 0,27% de que X - > 3 que dimos para la distribucin normal). Si se
extraen 20 muestras, la probabilidad de que en alguna de ellas se obtenga un valor un valor mayor o
igual que 4 es superior al 30%. Tales contradicciones se dan cuando el nmero medio de unidades
no conformes por muestra es pequeo y el lmite de control es muy prximo a un nmero entero. Por
esta razn se recomienda usar un tamao de muestra suficiente para que np > 3. Cuando p es pequea, esto encarece el control por atributos y puede hacerlo inviable.
5.2. Control de las no conformidades

Consideramos ahora la situacin en la cual el seguimiento de un proceso se realiza a travs del nmero de no conformidades observado en muestras de producto inspeccionadas con frecuencia prefijada. Estas muestras pueden ser conjuntos de unidades, en el caso del hardware, o segmentos de
magnitud constante, en materiales continuos, donde las unidades son artificiales (por ejemplo, un
metro de cable).
En esta variante del control de procesos se puede escoger entre usar, como estadstico para la elaboracin de los grficos, el nmero de no conformidades por muestra (de rea, de longitud, etc.), que es
lo ms directo cuando todas las muestras tienen el mismo tamao, o el nmero de no conformidades
por unidad, que tiene sentido aun cuando las muestras no tienen el mismo tamao. En el primer caso
obtendremos un grfico c, y en el segundo un grfico u. Ambas variantes se basan en el mismo
modelo estadstico, la distribucin de Poisson (v. Apndice A6).
Supongamos que se inspeccionan muestras de n unidades (n puede ser constante o variable) y se
cuentan las no conformidades en cada muestra. Podemos considerar que el proceso est en estado
de control estadstico cuando:
El nmero medio c de no conformidades por muestra es estable.
Las no conformidades aparecen independientemente unas de otras.
Entonces el nmero de no conformidades por muestra tiene una distribucin de Poisson de parmetro
c. La media y la varianza de esta distribucin son iguales a c. (v. Anexo A6).
Supongamos en primer lugar que todas las muestras tienen el mismo tamao. Entonces el nmero de
no conformidades por muestra sigue una distribucin de Poisson, y se obtiene un valor estimado de la
media (que coincide con la varianza) como sigue. Se cuenta el nmero de no conformidades ci en
cada muestra y el valor estimado de es
c =
c1 + L + ck
k
donde k es el nmero de muestras.

Para un producto formado por unidades' podemos estar interesados en el seguimiento del nmero
de no conformidades por unidad, ui = ci/n. Entonces, si las muestras tienen n unidades, basta dividir
por n. As, el valor estimado del nmero medio de no conformidades por unidad es
= u =
u1 + L + uk c1 + L + ck
=
k
nk
siendo ui=ci/n el nmero de no conformidades por unidad en la muestra i-sima.
133
Supongamos ahora que el nmero de unidades por muestra no es constante, y que n1, n2, , nk son
los respectivos tamaos de muestra. En esta situacin no tiene sentido el seguimiento del nmero de
no conformidades por muestra, sino que el control se aplica al nmero de no conformidades por unidad, ui. El valor estimado de la media es entonces
= u =
c1 + L + c k
n1 + L + nk
Para el control del proceso de tejido se inspeccionan 20 piezas de varios metros cada una que, por
razones de organizacin, tienen distinta longitud. Los resultados de la inspeccin se presentan en la
tabla 5.2.
Tabla 5.2 Defectos hallados en la inspeccin
muestra
Longitud
defectos
Defectos / metro
13
0,31
15
0,20
12
0,42
16
0,13
0,11
16
0,25
12
0,25
16
0,25
0,25
10
18
0,28
11
13
0,23
12
14
0,21
13
16
0,38
14
15
0,33
15
14
0,07
16
13
0,23
17
14
0,14
18
15
0,33
19
20
0,35
20
14
0,14
Como las muestras tienen distinta longitud, se debe usar un grfico u. El valor estimado del nmero
medio de defectos por metro es
u=
4 + 3 +L + 2
= 0,247.
13 + 15 + L + 14
134
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1
10 11 12 13 14 15 16 17 18 19 20
Figura 5.2 Grfico u para los datos de la Tabla 5.2
Para controlar el nmero de no conformidades por muestra se usa un grfico c. La lnea central se
sita en el valor c , y los lmites de control se obtienen sumando y restando 3,
c 3 c
Para controlar el nmero de no conformidades por unidad se usa un grfico u. El valor estimado de
es
u
n
La lnea central se sita en el valor u , y los lmites de control se obtienen sumando y restando 3,
u 3
u
n
Si el nmero de unidades por muestra no es constante, el grfico c no tiene sentido, y slo puede
usarse el grfico u. Entonces, la lnea central se sita en u , y los lmites de control para la muestra isima son
u 3
u
ni
Como para el grfico p, si los ni no son muy distintos, puede usarse un valor medio, n , para simplificar,
y as tener los mismos lmites a lo largo de todo el grfico.
NOTA. Como en la seccin anterior, los lmites de control estn basados en la regla 3.
135
El tamao medio de muestra es n = 14,50. Con este valor medio, los lmites de control son
UCL = 0,247 + 3
0,247
= 0,644
14,15
LCL = 0,247 3
0,247
= 0,149
14,15
El lmite inferior es negativo y se ignora. El grfico correspondiente es la figura 5.2. No hay puntos
fuera de control.
Para mostrar cmo puede afectar a los lmites de control el tomar un tamao medio de muestra, calculamos el lmite superior para la muestra mayor y para la menor. La mayor tiene 20 metros, y por
tanto,
UCL = 0,247 + 3
0,247
= 0,581
20
UCL = 0,247 + 3
0,247
= 0,775
8
y la menor 8 metros, con lo que
La diferencia entre ambos lmites hace recomendable una cierta precaucin al usar este tipo de aproximaciones.
5.4. Control del nmero de demritos

Consideremos finalmente el caso de un producto que puede presentar varias clases de no conformidad, de distinta importancia. Puede ser interesante en esta situacin usar un mtodo que tenga en
cuenta la diferente consideracin que nos merecen los distintas clases de no conformidad, tal como
comentamos en el captulo 2. Se asigna un nmero de demritos a cada clase, y el nmero de demritos de una muestra es la suma de los productos del nmero de no conformidades de cada clase por
el nmero de demritos correspondiente a esa clase.
Se puede realizar el seguimiento del nmero de demritos por muestra en un grfico de control, que
se denomina grfico D. Consideremos, para simplificar, un producto que pueda presentar cuatro
clases de disconformidad. Atribuimos a cada clase un nmero de demritos w, que normalmente ser
un nmero entero positivo. Si una muestra presenta c1, c2, c3 y c4 no conformidades de cada clase,
respectivamente, el nmero de demritos de esa muestra ser
D = w1c1 + w2c2 + w3c3 + w4c4
Ahora D ya no tiene distribucin de Poisson, como en los grficos c, y no podemos usar el mismo
valor estimado para la media y la varianza. La media de D se estima por la media de los nmeros de
demritos de las sucesivas muestras,
= D = w1c1 + w 2c2 + w 3 c3 + w 4 c4
136
Si se puede asumir que la aparicin de un tipo de disconformidad es independiente de la aparicin de

los restantes tipos, la desviacin tpica de D puede estimarse por
= w12 c1 + w 22c2 + w 32 c3 + w 42 c4
La lnea central se sita en D y los lmites de control se obtienen sumando y restando 3,
D 3
Todo esto se aplica a un grfico de demritos que viene a ser el homlogo de un grfico c, es decir, al
grfico del nmero de demritos por muestra. Para un producto formado por unidades, se puede
considerar el nmero de demritos por unidad,
Du =
D
= w1u1 + w 2u2 + w 3u3 + w 4u4
n
La lnea central para el grfico se obtiene haciendo la media de los nmeros de demritos para las
sucesivas muestras y los lmites de control se calculan como en el caso anterior.
137
A6. DISTRIBUCIONES DE PROBABILIDAD

A6.1 Discusin general
Todo proceso presenta una variabilidad, que se pone de manifiesto en las variaciones que se observan a lo largo del tiempo en los indicadores cuyo seguimiento se realiza en el control estadstico de
proceso. El lenguaje estadstico que introducimos en este apndice es til para evaluar esa variabilidad. Una hiptesis de trabajo habitual de la estadstica consiste en suponer que el problema que se
quiere tratar puede describirse en trminos de un modelo terico. El modelo cubre todas las situaciones posibles para el problema, y entonces cada situacin particular puede caracterizarse por los
valores de unos parmetros. Identificando los valores de los parmetros podemos prever, en trminos estadsticos, las variaciones de un indicador ligado al problema que se considera. Presentaremos
aqu tres modelos, el normal, el binomial y el de Poisson.
Conocer el valor de los parmetros estadsticos es fundamental para poder prever con qu frecuencia
los valores de un indicador estarn dentro de un cierto intervalo, y poder, en consecuencia, decidir si
un proceso es capaz. Un paso previo esencial es asegurar la regularidad estadstica del proceso, es
decir, la estabilidad de los parmetros. Si no puede suponerse que los valores actuales de los parmetros estadsticos continuarn siendo vlidos, no tiene sentido hacer predicciones basadas en esos
valores.
Por probabilidad de un suceso se entiende la expectativa de la proporcin de casos en que se obtiene dicho suceso cuando el nmero de experiencias realizadas sea grande. Cuanto mayor sea el nmero de experiencias, mejor ser la aproximacin de la proporcin observada a esta expectativa.
Podemos obtener una aproximacin de la probabilidad de un fenmeno realizando un nmero elevado de experiencias y calculando la proporcin de experiencias en las que se da el fenmeno. Diremos
entonces que esa proporcin es un valor estimado de la probabilidad. Si, por ejemplo, inspeccionamos 1000 unidades de un producto, resultando 20 defectuosas, el valor 0,02 es una estimacin de la
probabilidad de que, al escoger al azar una unidad de ese producto, obtengamos una unidad defectuosa.
No obstante, las probabilidades no siempre se estiman directamente a partir de proporciones observadas, sino mediante frmulas que se deducen matemticamente de algn modelo, cuya validez se
asume, implcita o explcitamente. Por ejemplo, en el control por variables, las probabilidades se calculan a partir de los valores de la media y la desviacin tpica, asumiendo la validez de la distribucin
normal, que presentaremos en el apartado siguiente. Debe entenderse que, al proceder de este modo, los mtodos slo son exactos para aquellos casos en los que las hiptesis estadsticas implcitas
son completamente vlidas, lo que en la prctica no es verdad nunca. Por consiguiente, las predicciones que se hacen a partir del tratamiento estadstico de los datos son slo aproximaciones, tanto
mejores cuanto mayor sea la adecuacin entre la realidad y las hiptesis asumidas en los mtodos
empleados.
Un concepto importante, ligado a la probabilidad, es el de independencia estadstica. Se dice que
dos sucesos son estadsticamente independientes cuando el conocimiento de que uno de ellos se da
no modifica la probabilidad de que se d el otro. La independencia es una de las nociones bsicas de
la Estadstica y su importancia radica en el hecho de que, en general, la mayora de los mtodos clsicos de la estadstica asumen la independencia de las observaciones. Esta hiptesis, implcita en
algunas de las frmulas de los grficos de control, no siempre se tiene en cuenta. En general, la hiptesis de la independencia de las observaciones supone que stas se hacen de forma que los resultados de unas no modifican las expectativas en las otras. Aunque ambas cosas no sean exactamente lo
mismo, se dice, cuando no hay independencia, que las observaciones estn correlacionadas.
138
A6.2 Distribuciones continuas

En el control por variables se realizan mediciones de caractersticas que pueden variar de forma continua. No tiene sentido, entonces, considerar la probabilidad de que esa caracterstica tome un valor
determinado, sino que se consideran probabilidades de intervalos (por ejemplo, la probabilidad de
que el grosor de las hojas de acero del ejemplo 1 est comprendido entre los lmites de tolerancia 598
y 602 m). Estas probabilidades se calculan habitualmente a partir de distribuciones de probabilidad. Para una variable continua, la distribucin se materializa en una curva, llamada curva de densidad de probabilidad o, ms brevemente, curva de probabilidad.
La curva de probabilidad de una variable continua X permite calcular probabilidades del siguiente
modo: la probabilidad de que el valor de X est comprendido entre dos valores dados x1 y x2 (x1 < X <
x2) es igual al rea delimitada por el eje x, la curva de probabilidad y las verticales x = x1 y x = x2 (v.
Figura A6.1). Esto implica, en particular, que la probabilidad sea mayor en los intervalos sobre los
cuales la curva de probabilidad est ms separada del eje x. De este modo, una simple ojeada a la
curva de probabilidad permite saber en qu intervalos la probabilidad de hallar el valor de X es mayor.
Figura A6.1 Curva de probabilidad
La curva de probabilidad puede darse tambin a travs de su ecuacin, que es una expresin del tipo
y = f(x), donde f es una funcin matemtica. Entonces el rea entre x1 y x2 se puede calcular integrando f,
Prob( x1 < X < x2 ) =
x2
f(x)
dx.
x1
La media de una variable continua se define por
f ( x ) dx
es un parmetro asociado al modelo. Cuando se asume la validez de una determinada distribucin,

se supone que el valor de es desconocido, pero que se puede obtener un valor estimado a partir
139
de los resultados de las observaciones de la variable X. En particular, el estadstico x da un valor estimado de . De ah que se use la misma palabra para designar ambas cosas. Debe entenderse, sin
embargo, que es un valor terico constante (y desconocido) y x un valor experimental que vara de
una experiencia a otra. Puede demostrarse matemticamente que es el lmite de x cuando el nmero de observaciones tiende a infinito, con lo cual puede interpretarse como la expectativa del valor
medio que obtendramos si el nmero de observaciones fuese muy grande.
Otro parmetro del modelo es la varianza, que se define por
2 =
(x )
f ( x ) dx
La desviacin estndar es la raz cuadrada de la varianza. Algunas distribuciones, como la normal, que presentamos en el apartado siguiente, quedan determinados por los valores de y . Puede
hacerse un comentario similar al del prrafo anterior respecto a la relacin entre el parmetro y el
estadstico s, con un aadido, que s solamente da un valor estimado de cuando las observaciones
son independientes.
A6.3 Distribuciones discretas

En el control por atributos se manejan datos que resultan de contar las apariciones de un cierto fenmeno (por ejemplo, el nmero de unidades no conformes en una muestra extrada de un lote para la
inspeccin final). Si designamos por X el nmero de veces que aparece ese fenmeno en una inspeccin, X es una variable cuyos valores son 0, 1, 2, , pero X no puede tomar, por ejemplo, ningn
valor comprendido entre 1 y 2. La curva de probabilidad no tiene sentido, sino que se utiliza una distribucin de probabilidad discreta, que asigna a cada valor su probabilidad.
En general, si designamos por x1, x2, , xi, los valores de X, podemos asociar a cada uno de ellos
una probabilidad pi = Prob(X = xi). La media se define entonces por
= p1x1 + p2 x2 + L + pi xi + L
y la varianza por
2 = p1 ( x1 ) + p2 ( x2 ) + L + pi ( xi ) + L
2
La interpretacin de y es anloga a la que tienen en las distribuciones continuas.

Supongamos que el servicio de atencin al cliente responde el 18% de las llamadas despus de la
tercera seal y que la hora, la duracin y el nmero de seales antes de que la llamada sea contestada quedan registrados por el sistema informtico de la empresa. Podemos seleccionar aleatoriamente
una muestra de 10 llamadas y ver cuntas han sido respondidas despus de la tercera seal. Si designamos por X el nmero de llamadas donde eso sucede, los valores posibles de X son 0, 1, 2, ,
10. Cada valor de X tiene una probabilidad asociada que puede calcularse con la distribucin binomial
que veremos ms adelante. En la tabla A6.1 pueden verse estas probabilidades, junto a los valores
de los parmetros y que resultan de aplicar las expresiones que hemos usado para definirlos.
140
TABLA A6.1 Probabilidades en un modelo binomial con n=10 y p=0,18

X
P(X=x)
0,1374
0,3017
0,2980
0,1745
0,0670
0,0177
0,0032
0,0004
0,0000
0,0000
10
0,0000
10
Media = x P ( X = x ) =1,8
X =0
Desviacin estndar =
10
( x 1,8)
P ( X = x ) =1,21149
X =0
A6.4 Distribucin normal

El modelo habitual del control por variables y el ms usado en general en la estadstica es la distribucin normal. Otras distribuciones de inters en el control de la calidad como la exponencial o la de
Weibull, de gran importancia en la fiabilidad industrial, no se tratan en estas notas. En la distribucin
normal, la curva de probabilidad viene dada por
y=
( x )2
exp
2 2
2
donde y son los parmetros del modelo, designa el nmero pi de las Matemticas, y exp es la
funcin exponencial.
Puede demostrarse matemticamente que, al aplicar las frmulas que hemos dado al definir la media
y la desviacin estndar se obtienen precisamente los valores y que aparecen en la expresin de
f(x). De ah que hayamos usado directamente esos smbolos para los parmetros. En las figuras A6.2
y A6.3 pueden verse curvas normales con distintos valores de y .
141
Figura A6.2 Comparacin de curvas normales con distinto valor de e igual
Figura A6.3 Comparacin de curvas normales con distintos valor de e igual
Conociendo los parmetros y de una distribucin normal, se puede hallar la probabilidad de cualquier intervalo. Para ello no hace falta calcular una integral, ya que pueden usarse las tablas de la
distribucin normal de los libros de Estadstica o medios electrnicos de clculo (por ejemplo, la funcin DISTR.NORM de Excel).
Si tomamos como valor de la media de los datos de la tabla 2.1, x = 599,545 micras, y como valor
de la desviacin estndar s = 0,619299 micras, podemos calcular la probabilidad de que el grosor
de una hoja de acero, extrada al azar de la produccin, est comprendido entre los lmites de tole-
142
rancia de 598 y 602 micras. Este clculo es bastante sencillo si se dispone de una calculadora que d
probabilidades asociadas a la distribucin normal, o de una hoja de clculo (en Excel esta probabilidad es igual a la diferencia entre los valores de la funcin DISTR.NORM en 598 y 602). En este caso,
se obtiene
Prob(598 < X < 602) = Prob ( X < 602 ) Prob ( X < 598 ) = 0,999963 0,006302 = 0,99361.
No obstante, estos clculos son poco frecuentes en este contexto, y en la prctica el uso de la distribucin normal en el control de la calidad se limita, casi exclusivamente, al manejo de unos pocos
valores. En estas notas nos limitaremos a los intervalos , 2 y 3,
Prob ( - < X < + ) = 0,6826

Prob ( - 2 < X < + 2 ) = 0,9544
Prob ( - 3 < X < + 3 ) = 0,9973
En particular, la ltima de estas expresiones significa que el 99,73% del rea comprendida bajo la
curva normal corresponde a los valores cuya distancia a es inferior a 3. Una consecuencia de este
esquema es que, en la prctica, para una variable con distribucin normal no se hallan ms que muy
raramente valores fuera del intervalo 3. Este es, pues, un intervalo natural del cual no debe
salir X, a menos que cambien los valores de los parmetros. Este hecho se utiliza para calcular ndices de capacidad (v. Captulo 3) y lmites de control (v. Captulos 4 y 5).
Supongamos que X es una variable con distribucin normal de media y desviacin estndar . designamos por X la media de n observaciones independientes de X. Por ejemplo, en el Ejemplo 1, si X
es el grosor de una hoja de acero, X sera el grosor medio de una muestra de cinco unidades. Los
valores de la columna de medias en la tabla 2.1 son las observaciones de la variable X .
Un teorema clsico de la estadstica asegura que X tiene distribucin normal de media y desviacin
estndar /n. Este resultado no hace sino cuantificar el hecho de que las fluctuaciones estadsticas
de la media de n observaciones son de menor magnitud cuanto mayor es n. Usando esto podemos
calcular probabilidades para X como hicimos para X, sin ms que corregir el valor de la desviacin
estndar, cambiando por /n. Por ejemplo,

Prob 3
< X < +3
= 0,9973
n
n
Si X no tiene distribucin normal, puede asegurarse an que la media de X es , y su desviacin estndar /n, aunque no que la distribucin normal sea vlida. Sin embargo, un teorema clsico de la
estadstica, el teorema central del lmite, asegura que la curva de probabilidad de la media se aproxima a la normal cuando n es grande. Por consiguiente, aunque el nmero de observaciones que se
promedien sea pequeo, puede esperarse, razonablemente, que la distribucin normal sea una aproximacin mejor para X que para X.
La distribucin normal se viene usando regularmente desde que fuera introducida por C.F. Gauss (de
ah viene el nombre de distribucin gaussiana que se le da a veces) hace aproximadamente 200 aos
para el estudio de los errores de ciertas medidas astronmicas. Ello es debido, aparte de sus propiedades matemticas, al hecho de que tiene una curva de probabilidad simtrica, de forma acampanada, lo que hace que proporcione una aproximacin satisfactoria para las variables que intervienen en
diversas situaciones. Eso no quiere decir que otras distribuciones cuya curva de probabilidad sea
parecida no proporcionen aproximaciones igualmente buenas a situaciones en los que se usa la normal. Pero debido a las propiedades de la normal, se usa siempre que no haya razones de peso en
143
contra. Por otro lado, no hay que precipitarse en descartar la distribucin normal, aunque los primeros
datos muestren divergencias importantes con la curva normal, porque a veces estas divergencias se
deben a la inestabilidad de los parmetros estadsticos de la variable de la que se han obtenido los
datos.
Hemos dado, para la distribucin normal, las probabilidades de distintos intervalos. Estas probabilidades no son exactamente vlidas para otras distribuciones. Invalida esto los mtodos del control por
variables, que estn basados en la normal? La respuesta es que la desviacin respecto a la normal
afecta a unos mtodos ms que a otros, por lo que la cuestin es slo importante en algunas situaciones especiales. La cuestin central, en lo que concierne al control de proceso, no es si la distribucin normal es o no es la mejor descripcin de la variabilidad de un proceso, sino si los lmites 3
definen un intervalo donde se halle aproximadamente el 99,73% de las observaciones que puedan
hacerse. Los problemas se presentarn, pues, cuando el intervalo sea demasiado estrecho y los
valores obtenidos se escapen, por la izquierda o por la derecha, con mayor frecuencia de la prevista
por el modelo normal, o cuando sea demasiado ancho y los valores observados slo ocupen una
parte del intervalo.
A6.5 Distribucin Binomial y Poisson

Consideremos ahora el problema siguiente: se hacen n experiencias independientes en las que puede ocurrir un cierto suceso D, siempre con la misma probabilidad p. Por ejemplo, se extrae una
muestra de n unidades de un producto de un lote homogneo que contiene un nmero de unidades
mucho mayor que n (para que se pueda admitir que las extracciones son independientes) y se observa la aparicin de un cierto defecto que se produce, como trmino medio, en una fraccin p de la
produccin. Sea X el nmero de veces que ocurre D en n experiencias. Entonces los valores posibles
de X son 0, 1, 2, , n. Puede demostrarse, mediante un argumento de tipo combinatorio, que las
probabilidades de estos valores vienen dadas por la distribucin binomial,
n
nx
Px = Prob ( X = x ) = p x (1 p )
x = 0,1,2,K, n.
x

Esta situacin se expresa diciendo que X tiene una distribucin binomial de parmetros n y p. La media y la desviacin estndar se pueden obtener en funcin de estos parmetros mediante las frmulas
= np, = np(1 p )
Sin hacer clculos, el valor de puede preverse por intuicin: si la proporcin de casos en los que se
obtiene un cierto fenmeno es p, y se realizan n experiencias, el nmero medio de experiencias en
las que se obtiene ese fenmeno debe ser np. En cambio, el valor de no se explica por un razonamiento tan sencillo.
Es interesante tener presentes las condiciones en las que es vlido el uso del modelo binomial, que
podemos resumir en:
Que existan dos alternativas posibles para cada experiencia, por ejemplo, conforme o no conforme.
Que la probabilidad p sea la misma en cada experiencia.
Que las experiencias sean independientes.
144
Las probabilidades de la tabla A6.1 se pueden obtener mediante la frmula binomial. Por ejemplo,
10
5
5
P5 = Prob ( X = 5 ) = ( 0,18 ) ( 0,82 ) = 0,0177
5
Se pueden comprobar, asimismo, los valores de la media y la desviacin estndar,
= 0,18 10 = 1,8; = 10 0,18 0,82 = 1,2149

NOTA. El clculo de las probabilidades con la frmula binomial puede resultar muy tedioso si se hace
a mano, pero una hoja de clculo permite obtenerlas sin mucho trabajo. De hecho, la tabla A6.1 se ha
construido en una hoja Excel, usando la funcin DISTR.BINOM.
Aunque la distribucin de Poisson tiene muchas aplicaciones, nos limitaremos aqu a una presentacin breve, aunque suficiente para el uso que haremos de este modelo. Consideramos la variable X
igual al nmero de veces que aparece un cierto fenmeno espordico en una unidad de tiempo o de
espacio y asumimos la validez de las condiciones siguientes:
El nmero medio c de veces que el fenmeno aparece por unidad es fijo.
El hecho de que el fenmeno aparezca en un momento o lugar concreto es independiente del

hecho de que lo haga en otro.
No hay lmite terico al nmero posible de apariciones por unidad del fenmeno considerado.
En estas condiciones, diremos que X tiene una distribucin de Poisson de parmetro c. La probabilidad de que el fenmeno considerado ocurra k veces se calcula con la frmula
Pk
= Prob ( X = k ) = ec
ck
; k = 0,1,2,
k!
La distribucin de Poisson tiene un solo parmetro c, y la media y la varianza coinciden precisamente

con ese parmetro,
= 2 = c
En general, no es cierto que la media y la varianza de una variable coincidan, y esta igualdad es una
propiedad muy especial de la distribucin de Poisson, muy interesante en las aplicaciones. El parmetro c se estima a partir del nmero medio de apariciones del fenmeno observadas experimentalmente.
Como resultado de la inspeccin de muestras extradas de la produccin, se ha obtenido una aproximacin del nmero medio de defectos por metro, c = 0,247. Si inspeccionamos una pieza de un metro
extrada de forma aleatoria de la produccin, el nmero de defectos X puede tomar los valores 0, 1, 2,
etc., cuyas probabilidades se pueden calcular con la frmula de Poisson. Los resultados se pueden
ver en la tabla A6.2, donde se incluyen los valores de la media y la desviacin estndar.
145
Tabla A6 Probabilidades en un modelo de Poisson

X
P(X=x)
0,7811
0,1929
0,0238
0,0020
0,0001
0,0000
0,0000
Media = x P ( X = x ) =0,247
X =0
Desviacin estndar
( x 0,247)
P ( X = x ) = 0,247 =0,497
X =0
A7. CASO PRCTICO 1

Un empresa, que forma parte de una multinacional cuya actividad gira en torno al caucho y sus derivados, suministra componentes de freno a varios clientes del sector de automocin. Como la mayora
de las empresas proveedoras del sector, aplica desde hace aos los mtodos SPC, impuestos por los
fabricantes de automviles. El responsable de Produccin no est de acuerdo con los mtodos aplicados y decide exponerle sus objeciones al responsable de Calidad. Este no tiene inconveniente en
revisar los mtodos empleados, pero le recuerda que los mtodos SPC que se usan son completamente estndar y han sido impuestos por los clientes, por lo que pocas variantes pueden hacerse.
Acuerdan discutir las cuestiones planteadas por el responsable de Produccin en un grupo de trabajo
que formarn ellos dos junto al responsable de Ventas, muy sensibilizado respecto a cualquier tema
que pueda afectar a la relacin con los clientes, y el responsable de Ingeniera.
El responsable de Produccin acaba de realizar un curso de Control Estadstico de Proceso, por recomendacin del responsable de Calidad, y algunas cosas que ha aprendido en este curso no acaban de cuadrar con lo que ve en la planta. Empieza por exponer sus reservas sobre la forma en que
se realiza el control en la ltima operacin del proceso, la de rectificado. Una de las caractersticas
controladas en esta operacin es el dimetro exterior de las piezas, y el control se lleva a cabo mediante grficos SPC que trazan a mano los operarios, en tiempo real.
El procedimiento para elaborar los grficos es el siguiente. Cada 4 horas se inspeccionan 5 unidades,
se mide el dimetro de cada una, y se calculan la media x y el recorrido R. Con las medias se traza
un grfico X y con los recorridos un grfico R. Como los turnos son de 8 horas, se hace una inspeccin al empezar el turno y otra a medio turno, con lo que los datos recogidos en un da normal dan
lugar a 6 puntos en cada uno de los grficos. Normalmente, el mismo grfico se mantiene toda la
semana (de lunes a viernes), con lo que, si no ha habido cambio de producto, el grfico puede llegar
a tener 30 puntos. En ambos grficos se trazan al empezar unas lneas horizontales que correspon-
146
den a un valor medio y a los lmites de control. Cuando un punto cae ms all de los lmites, se debe
ajustar la mquina rectificadora. Tanto la lnea central como los lmites de control se dibujan a partir
de valores obtenidos mediante clculos realizados con los datos que se usaron para trazar el anterior
par de grficos.
En la tabla A7.1 puede verse una serie (semanal) de datos, relativos a un producto cuyos lmites de
tolerancia para el dimetro exterior son 39,10 0,10 mm. La tabla se ha preparado en una plantilla
Excel, lo que permite obtener automticamente las medias, los recorridos y los lmites para el siguiente grfico.
Tabla A7. 1 Datos para los grficos SPC (Caso prctico 1)
39.07
39.09
39.15
39.06
39.10
39.08
39.13
39.06
39.08
39.07
39.09
39.13
39.07
39.04
39.07
39.09
39.08
39.04
39.13
39.07
39.13
39.09
39.10
39.08
39.11
39.09
39.11
39.16
39.07
39.17
39.08
39.15
39.18
39.09
39.12
39.10
39.07
39.12
39.11
39.07
39.09
39.07
39.06
39.07
39.11
39.14
39.12
39.07
39.09
39.02
39.11
39.10
39.06
39.14
39.12
39.18
39.07
39.07
39.15
39.11
Observaciones
39.16
39.12
39.11
39.11
39.10
39.11
39.12
39.10
39.13
39.11
39.11
39.11
39.07
39.06
39.07
39.10
39.11
39.10
39.06
39.06
39.11
39.11
39.08
39.06
39.06
39.09
39.08
39.03
39.13
39.12
39.06
39.12
39.10
39.11
39.10
39.14
39.13
39.10
39.10
39.05
39.07
39.10
39.10
39.14
39.07
39.07
39.12
39.12
39.08
39.10
39.11
39.14
39.09
39.12
39.08
39.07
39.11
39.09
39.12
39.15
39.20
39.09
39.10
39.02
39.14
39.16
39.11
39.06
39.13
39.13
39.17
39.17
39.10
39.08
39.10
39.05
39.11
39.09
39.13
39.10
39.11
39.04
39.03
39.08
39.09
39.14
39.09
39.13
39.10
39.09
Media
39.114
39.114
39.128
39.078
39.112
39.118
39.112
39.088
39.110
39.086
39.106
39.116
39.080
39.078
39.084
39.090
39.108
39.084
39.098
39.070
39.114
39.096
39.072
39.096
39.092
39.114
39.092
39.096
39.114
39.128
Recorrido
0.14
0.06
0.08
0.09
0.04
0.08
0.06
0.06
0.05
0.08
0.10
0.10
0.04
0.10
0.04
0.09
0.04
0.08
0.07
0.08
0.02
0.10
0.07
0.08
0.06
0.11
0.04
0.13
0.08
0.08
El procedimiento para obtener los valores correspondientes a la lnea central y los lmites de control
es el que sigue. Primero se calculan la media total x , que es el promedio de los 30 valores medios, y
el recorrido medio R, promedio de los 30 recorridos. Estos valores se usan para las lneas centrales
de ambos grficos. Para el grfico X , los lmites de control superior (UCL) e inferior (LCL) se calculan
mediante las frmulas clsicas de Shewhart.
147
En la figura A7.1 pueden verse los grficos correspondientes a los datos de la tabla A7.1. Cada punto
del primer grfico es la media de 5 unidades, y cada punto del segundo el recorrido de 5 unidades.
Entre dos puntos consecutivos de un grfico han pasado 4 horas. En un mismo grfico intervienen
tres operarios, el del turno de maana, el de tarde y el de noche. Los grficos no presentan puntos
fuera de control y, por lo tanto, no ha habido necesidad de ajustes (eso no quiere decir que los operarios no los hayan hecho por su cuenta). En estos grficos los lmites se han calculado a partir de los
datos de la semana anterior, por el procedimiento que hemos resumido ms arriba.
39.140
UCL = 39.132
39.120
39.100
39.080
39.060
LCL = 39.046
39.040
1
11
13
15
17
19
21
23
25
27
29
Figura A7.1.a Grfico X (Caso prctico 1)

0.16
UCL = 0.151
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
1
11
13
15
17
19
21
23
25
27
29
Figura A7.1.b Grfico R (Caso prctico 1)

El responsable de Produccin presenta a los dems una serie de objeciones. La primera se refiere al
nmero de unidades inspeccionadas, 5 cada 4 horas, que considera excesivo. Por un lado, los operarios se quejan de que el control de calidad es una tarea aadida a lo que ellos consideran su trabajo,
la produccin, y no ven la necesidad de inspeccionar 5 unidades para saber si tienen que ajustar la
mquina rectificadora. Por otro lado, segn lo que l ha aprendido sobre grficos de control, para
cada punto del grfico se inspeccionan varias unidades, que forman lo que en ese contexto se denomina un subgrupo, pero los subgrupos no tienen necesariamente tamao 5, sino que pueden ser de 3
o 4 unidades.
148
REFLEXIONES:
Cmo se forman los subgrupos? Cul debe ser el tamao de los subgrupos? Qu ventajas tienen
los subgrupos de 5 unidades?

El responsable de Calidad le responde que, efectivamente, los subgrupos pueden tener tamao distinto de 5, y que no recuerda por qu se estableci el tamao de subgrupo 5, pero presume que fue a
sugerencia de algn cliente. De todos modos, los subgrupos de 5 unidades son habituales en las
aplicaciones reales del Control Estadstico de Proceso, aunque no sean obligatorios. El responsable
de Ventas considera que esto lo tienen que decidir los tcnicos, que son los otros dos, pero insiste en
que si modifican algo lo hagan de forma que los clientes no lo noten, para evitar dar explicaciones.
Deciden realizar una prueba a partir de datos ya existentes, para ver qu aspecto tendra un grfico
realizado con subgrupos de 3 unidades. El responsable de Calidad se ofrece para hacer la demostracin con los datos de la tabla A7.1, usando slo las tres primeras unidades de cada subgrupo (v. Tabla A7.2). Adems, explica a los otros dos, debe recalcular los lmites de control de ambos grficos y
la lnea central del grfico R.
TABLA A7.2 Datos para grficos SPC (tamao de subgrupo 3)
39.07
39.09
39.15
39.06
39.10
39.08
39.13
39.06
39.08
39.07
39.09
39.13
39.07
39.04
39.07
39.09
39.08
39.04
39.13
39.07
39.13
39.09
39.10
39.08
39.11
39.09
39.11
39.16
39.07
39.17
Observaciones
39.08
39.15
39.18
39.09
39.12
39.10
39.07
39.12
39.11
39.07
39.09
39.07
39.06
39.07
39.11
39.14
39.12
39.07
39.09
39.02
39.11
39.10
39.06
39.14
39.12
39.18
39.07
39.07
39.15
39.11
39.16
39.12
39.11
39.11
39.10
39.11
39.12
39.10
39.13
39.11
39.11
39.11
39.07
39.06
39.07
39.10
39.11
39.10
39.06
39.06
39.11
39.11
39.08
39.06
39.06
39.09
39.08
39.03
39.13
39.12
Media
39.103
39.120
39.147
39.087
39.107
39.097
39.107
39.093
39.107
39.083
39.097
39.103
39.067
39.057
39.083
39.110
39.103
39.070
39.093
39.050
39.117
39.100
39.080
39.093
39.097
39.120
39.087
39.087
39.117
39.133
Recorrido
0.09
0.06
0.07
0.05
0.02
0.03
0.06
0.06
0.05
0.04
0.02
0.06
0.01
0.03
0.04
0.05
0.04
0.06
0.07
0.05
0.02
0.02
0.04
0.08
0.06
0.09
0.04
0.13
0.08
0.06
149
Los nuevos grficos pueden verse en la figura A7.2. Como era de esperar, la forma de los grficos ha
cambiado. Como consecuencia de las correcciones efectuadas por el responsable de Calidad, la separacin entre los lmites de la media ha aumentado, mientras que en el grfico R la escala se ha
reducido. En el grfico X aparece un punto fuera de control y en el grfico R hay un punto muy cerca
del lmite de control.
39.160
UCL = 39.145
39.140
39.120
39.100
39.080
39.060
LCL = 39.033
39.040
39.020
1
11
13
15
17
19
21
23
25
27
29
27
29
Figura A7.2.a Grfico X (tamao de subgrupo 3)
0.15
UCL = 0.131
0.13
0.10
0.08
0.05
0.03
0.00
1
11
13
15
17
19
21
23
25
Figura A7.2.b Grfico R (tamao de subgrupo 3)
REFLEXIONES:
Por qu los lmites de control de la media estn ms separados al reducir el tamao de los subgrupos? Cmo realiz el responsable de Calidad la conversin de los lmites de control de un grfico a
otro? Por qu modific la lnea central slo en el grfico R? Qu se puede concluir del hecho de
que haya un punto fuera de control?
150

El responsable de Produccin se sorprende de que un proceso que estaba en estado de control deje
de estarlo si se usan menos datos para construir el grfico. La idea de que se deba efectuar o no un
ajuste en funcin de si se inspeccionan 3 o 5 unidades resulta desalentadora. Reconoce que el asunto es ms complejo de lo que l crea.
El responsable de Calidad no concede mucha importancia al punto fuera de control. Segn l, estas
cosas suceden a veces cuando se usan lmites de control distintos a los que resultaran de los datos
con los que se traza el grfico (por ejemplo, los lmites correspondientes a un grfico de la semana
anterior). Para convencerlos, calcula los lmites usando los datos de la tabla A7.2, y les presenta los
nuevos grficos, que pueden verse en la Figura A7.3.
39.160
UCL = 39.151
39.140
39.120
39.100
39.080
39.060
LCL = 39.043
39.040
39.020
1
11
13
15
17
19
21
23
25
27
29
Figura A7.3.a Grfico X (tamao de subgrupo 3, lmites calculados)
0.15
UCL = 0.136
0.13
0.10
0.08
0.05
0.03
0.00
1
11
13
15
17
19
21
23
25
27
29
Figura A7.3.b Grfico R (tamao de subgrupo 3, lmites calculados)
151
REFLEXIONES:
Por qu ahora ya no hay puntos fuera de control? El problema estaba en los lmites y no en los
datos?

Despus de esta demostracin, nuestros directivos consideran que es prudente realizar una prueba
piloto de tres semanas con este mismo producto. En esta prueba se inspeccionarn 3 unidades cada
4 horas. Los tres directivos se ocuparn personalmente de analizar los grficos elaborados con los
datos recogidos y de calcular los lmites al final de la semana.
El ejercicio que se lleva a cabo reafirma al responsable de Produccin en la siguiente objecin que
tena preparada, referida a los cambios continuos en los lmites de control, que segn l despistan a
los operarios. En su opinin, es correcto calcular los lmites de control al concluir un grfico para verificar la estabilidad del proceso. Sin embargo, si los lmites se usan para el control efectivo del proceso, deberan permanecer fijos, como el resto de las instrucciones de control de proceso.
REFLEXIONES:
Tiene sentido utilizar lmites de control calculados a partir de datos distintos de los que se utilizan
para trazar el grfico? Si no se hace as, cmo se puede disponer de lmites al iniciar el grfico? Si
los lmites cambian de un grfico a otro, no se dar una situacin en la que se ajuste hoy el proceso a
partir de un valor a partir del cual no se hubiera ajustado la semana pasada?

El responsable de Calidad explica a los otros que las frmulas de los grficos de control slo permiten
calcular los lmites cuando se tienen todos los datos, cosa que, efectivamente, l hace cuando el grfico est concluido. Sin embargo, para que los operarios tengan una referencia al ir trazando el grfico, usa los clculos efectuados con los datos del grfico anterior para establecer lmites. No obstante,
reconoce que resultara ms coherente para los operarios que los lmites se mantuvieran constantes.
Se compromete, pues, a hacer un estudio a partir de los datos existentes, establecer lmites de control fijos, revisndolos a los seis meses, y posteriormente, cada ao. De todos modos, l cree que si
el proceso est en estado de control, los lmites no deben cambiar mucho de un grfico a otro.
En esto estn de acuerdo todos. El principal problema con los lmites de control, en opinin del responsable de Produccin, estriba en que los operarios, al margen de lo que pase con los lmites de
control, ajustan la mquina rectificadora al iniciar el turno, lo cual introduce una fuente adicional de
variabilidad en el proceso. El diagnstico que pueda hacer el responsable de Calidad sobre la estabilidad del proceso mediante los grficos de control no tiene mucho sentido, ya que los datos no corresponden al proceso propiamente dicho, sino al proceso perturbado por una serie de intervenciones. En su opinin, estos ajustes innecesarios no deberan hacerse. Ms an, si se efecta un ajuste
motivado por un punto fuera de control, debera dividirse la serie de datos en dos partes y calcular
lmites para cada subserie.
REFLEXIONES:
Tiene sentido calcular los lmites de control a partir de una serie de datos que cubre un perodo en el
que se ha efectuado un ajuste del proceso?
152

Todos estn de acuerdo en que se debe ajustar el proceso en funcin de los datos que se van recogiendo, nunca en funcin de preferencias personales. Si cada operario ajusta cuando lo cree conveniente, los grficos no sirven para nada. El responsable de Calidad propone que dentro de la prueba
piloto que se va a realizar, los operarios respeten escrupulosamente la consigna de no efectuar un
ajuste ms que cuando el grfico indique la necesidad de hacerlo, anotando al reverso de la hoja
donde se dibuja el grfico el momento del ajuste y en qu consisti ste.
El responsable de Ventas sugiere prudencia, ya que, a fin de cuentas, el cliente est satisfecho con el
control tal como se realiza actualmente. El responsable de Produccin est de acuerdo en que el
control debe hacerse de forma que satisfaga al cliente, pero insiste en que los grficos no se hacen
solamente para ensearlos a los clientes, sino que se deben usar como una fuente de informacin
para un diagnstico del proceso y para evaluar la eficacia de los cambios introducidos. Por consiguiente, los grficos deben hacerse de forma que la empresa saque el mayor rendimiento posible.
Acuerdan finalmente realizar la prueba en la forma que sugiere el responsable de Calidad.
REFLEXIN FINAL:
Son correctos los argumentos que han conducido a los directivos de Rubber a realizar estas pruebas? Sugerira usted algo ms?
153
A8. CASO PRACTICO 2

Un empresa se dedica al desarrollo, produccin y comercializacin de productos qumicos para usos
especficos. El proceso de incorporacin de un nuevo producto a su catlogo sigue, ms o menos, el
guin siguiente. En primer lugar, el Departamento Comercial apalabra las prestaciones del producto
con los clientes potenciales. A continuacin, hace el desarrollo del producto y el proceso de produccin, estableciendo provisionalmente lmites de tolerancia para una serie de caractersticas cuyo valor
se puede determinar en el laboratorio de I+D a partir del anlisis de una muestra. Pasado un tiempo,
los lmites de tolerancia se establecen de forma definitiva.
El proceso de produccin es un proceso en batch, que en la mayora de los casos se puede resumir
como sigue. Se vierten en un reactor los componentes del producto, en las dosis adecuadas, y despus de permanecer la mezcla en el reactor, en agitacin permanente, durante un tiempo y en unas
condiciones especificadas, se analiza una muestra en el Laboratorio de Control de Calidad para verificar la conformidad con la especificacin del producto (provisional o definitiva). En caso afirmativo, el
laboratorio emite el correspondiente boletn de anlisis y se descarga el reactor envasando el producto en la forma que corresponde. En caso de no conformidad con la especificacin, se aade una cierta cantidad del componente adecuado, se mezcla, y se vuelve a analizar una muestra, y as hasta
obtener valores satisfactorios. En algunos productos, la correccin no es algo excepcional, sino que
se ha convertido en habitual, incorporndose tcitamente al procedimiento de fabricacin.
El responsable de I+D desea hacer un seguimiento de algunas caractersticas crticas de ciertos productos para establecer definitivamente los lmites de tolerancia, modificando si es preciso los lmites
establecidos provisionalmente por el laboratorio de I+D. Su deseo es que el seguimiento se haga de
forma cientfica, huyendo de criterios subjetivos tales como parece que va bien o estamos teniendo problemas. Tiene la intencin de usar grficos de control, que le servirn no slo hacer el seguimiento, sino tambin para exponer sus conclusiones a los dems. En los grficos espera ver si el
proceso de produccin de un producto es estable a lo largo del tiempo y, si as es, podr usar las
frmulas de los lmites de control para establecer lmites de tolerancia compatibles con la capacidad
del proceso.
Decide empezar por un producto de reciente introduccin, de gran volumen de ventas. Una caracterstica crtica de este producto es la viscosidad, cuyos lmites de tolerancia (mtodo de copa) son 80 y
110 segundos. Decide recoger datos de 22 lotes consecutivos, que equivalen a la produccin de un
trimestre. De acuerdo con lo que aprendi en un curso de Control Estadstico de Calidad realizado
hace algunos aos, para calcular los lmites de control los datos deben recogerse agrupados en subgrupos. Tal como l lo entiende, un subgrupo es una serie corta de observaciones realizadas en las
mismas condiciones, y de modo que el tiempo que transcurra entre dos observaciones consecutivas
sea mnimo. Estos subgrupos constan tpicamente de 5 observaciones, pero hay frmulas para subgrupos de cualquier tamao.
REFLEXIONES:
Cmo se forman los subgrupos? Cul debe ser el tamao de los subgrupos?

Para simplificar al mximo, el responsable de I+D decide construir los grficos de control usando subgrupos de tamao 2. Ahora bien, en el control de calidad se analiza una nica muestra, una sola vez
(aunque a veces se repite el anlisis si los resultados difieren de los esperados), y por consiguiente
154
slo se dispone de un dato para cada lote de produccin. Para formar los subgrupos, considera las
siguientes opciones:
Analizar por duplicado cada muestra, y con los dos resultados obtenidos formar un subgrupo de
tamao 2.
Extraer dos muestras de cada lote, y con los resultados de ambas formar un subgrupo de tamao
2.
Agrupar los lotes por parejas, de modo que cada dos lotes den lugar a un subgrupo de tamao 2.
La tercera opcin es la ms barata, ya que no supone aumentar el trabajo del laboratorio, pero el
tiempo hasta completar el mismo nmero de subgrupos es el doble. Por otra parte, le parece que este
procedimiento no est de acuerdo con la teora de los grficos de control, donde se supone que las
observaciones de un mismo subgrupo se realizan en las mismas condiciones, y el grfico sirve para
ver si de un subgrupo a otro ha habido variaciones en el proceso. Con los subgrupos de dos lotes, si
hubiera cambios en el proceso, stos podran producirse tanto dentro de un subgrupo como entre dos
subgrupos consecutivos.
Finalmente, entre las dos primeras opciones, se decide por la segunda. De este modo las diferencias
entre las observaciones de un mismo subgrupo reflejarn no slo la imprecisin en la determinacin
de la viscosidad, sino las posibles diferencias entre muestras del mismo lote, que le interesa investigar. De hecho, la gran cantidad de muestras adicionales que se extraen para confirmar los resultados
cuando la viscosidad de la primera muestra no es conforme, revela una desconfianza en el muestreo,
que le hace pensar que existe un problema en la homogeneizacin de este producto.
REFLEXIONES:
Es correcto este procedimiento para formar los subgrupos?

El responsable de I+D habla con el responsable de Calidad para ver si es viable realizar una prueba
en la que se analicen dos muestras por lote, en 22 lotes consecutivos. El responsable de Calidad
accede a realizar la extraccin y el anlisis de las muestras suplementarias, aunque slo como prueba piloto, ya que no ve muy cannico el procedimiento, y no cree que el coste de las muestras adicionales vaya a ser aceptado por la gerencia ms que en casos excepcionales. Las muestras se extraern de la parte superior y de la parte inferior del reactor.
Los grficos de control elaborados a partir de los datos recogidos para este estudio pueden verse en
la figura A8.1. Cada punto de un grfico corresponde a un lote, de modo los grficos reflejan la evolucin del proceso a lo largo del perodo cubierto por los 22 lotes. Los datos de viscosidad se presentan
en la tabla A8.1. Junto a las viscosidades obtenidas para ambas muestras se dan la media de ambos
resultados, y el recorrido. Con las 22 medias se ha trazado el grfico X (Figura A8.1.a) y, con los recorridos, el grfico R (Figura A8.1.b). En ambos grficos se trazan unas lneas horizontales que corresponden a un valor medio y a los lmites de control, ms all de los cuales no debiera hallarse ningn punto del grfico si el proceso fuese estable. La tabla se ha preparado en una plantilla Excel, lo
que permite obtener automticamente las medias, los recorridos y los lmites de control. El procedimiento que se sigue para obtener los valores correspondientes a la lnea central y los lmites de control es el clsico de Shewhart.
155
Tabla A8.1 Resultados de viscosidad de 22 lotes (Caso prctico 2)

Batch
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Muestra 1
98
82
94
70
86
102
98
94
97
79
103
86
106
74
84
105
87
92
105
101
92
100
Muestra 2
92
98
78
102
86
92
96
94
83
115
93
98
82
98
108
85
85
84
91
79
88
96
Media
95
90
86
86
86
97
97
94
90
97
98
92
94
86
96
95
86
88
98
90
90
98
Recorrido
6
16
16
32
0
10
2
0
14
36
10
12
24
24
24
20
2
8
14
22
4
4
120
UCL=117,83
110
100
90
80
LCL=66,63
70
60
1
10 11 12 13 14 15 16 17 18 19 20 21 22
Figura A8.1.a Grfico X para la viscosidad (Caso prctico 2)
156
50
45
40
35
30
25
20
15
10
5
0
UCL=44,59
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Figura A8.1.b Grfico R para la viscosidad (Caso prctico 2)
No hay puntos fuera de los lmites de control, lo que constituye una buena noticia. El grfico R tiene
un aspecto satisfactorio en cuanto que pone de manifiesto una cierta estabilidad en la diferencias
entre las muestras del mismo lote, aunque las diferencias halladas son muy grandes para una tolerancia de 30 segundos. Est claro que habr que revisar la tolerancia o mejorar la homogeneidad de
los lotes.
El grfico X presenta una pauta que extraa al responsable de I+D, porque el proceso le parece demasiado controlado. Las fluctuaciones de la media no ocupan ms que una tercera parte de la banda
determinada por los lmites de control. Parece como los lmites fueran de un proceso distinto, con
mayor variabilidad.
REFLEXIONES:
Cmo puede ser que las fluctuaciones de un proceso sean tan pequeas en relacin a la banda de
control? Si los lmites se han calculado con los mismos datos con los que se ha trazado el grfico,
no deberan reflejar la variabilidad de estos datos?

El responsable de I+D no entiende muy bien lo que sucede y decide pedirle ayuda al responsable de
Calidad. Este le hace notar que los subgrupos no pueden formarse de cualquier manera, sino de
acuerdo con unas reglas. Opina que los subgrupos formados de este modo no tienen sentido, ya que
las observaciones que integran un subgrupo deben corresponder a unidades distintas, de modo que
cada una puede ser conforme o no, independientemente de que lo sean las restantes. En este estudio, por el contrario, las diferencias entre las observaciones del mismo subgrupo se deben a errores
del proceso de medida (entendiendo como tal la secuencia formada por la extraccin de una muestra
y la medida de su viscosidad). En su opinin, la nocin de subgrupo tiene sentido cuando el producto
est formado por unidades, pero no en el caso de materiales continuos como los productos qumicos. Le pide unos das para repasar la documentacin de que dispone sobre el tema, pues cree recordar que existe un mtodo especfico para calcular los lmites de control sin necesidad de agrupar
los datos formando subgrupos.
157
REFLEXIONES:
Tiene razn el responsable de Calidad y los lmites de control calculados de esta forma no tienen
sentido? Solamente los lmites de la media carecen de sentido, o tambin los del grfico R? El
problema est el diseo del estudio o slo en los clculos que se han hecho para obtener los lmites
de control?

Transcurridos unos das, el responsable de Calidad confirma que, efectivamente, hay un mtodo para
calcular lmites de control para procesos en los que se dispone de una sola observacin para cada
inspeccin. Los grficos de control correspondientes se denominan grficos X, o grficos de observaciones individuales, y pueden ser usados para los procesos en batch.
El procedimiento de clculo de los lmites de control en este caso se puede resumir como sigue. Se
recoge una serie de datos de una variable X, por ejemplo de 22 lotes consecutivos, un dato por lote.
A partir de esta serie se forma la serie de recorrido mvil, MR, en la que hay 21 observaciones, que
son las diferencias absolutas (sin signo) entre lotes consecutivos. Se calculan la media x de las 22
observaciones de la variable X y el recorrido mvil medio MR , que es la media de los 21 valores de
la serie de recorrido mvil, y se usa una frmula similar a la que se aplica cuando efectivamente hay
subgrupos:
UCL = x + 2.66 MR; LCL = x - 2.66 MR
REFLEXIONES:
Por qu ahora los recorridos que se usan para calcular la anchura de la banda de control son diferencias entre las viscosidades medias (duplicados), mientras que antes eran diferencias entre determinaciones individuales?

Para aclarar el procedimiento, deciden construir un grfico de control para la viscosidad, calculando
los lmites de esta forma y aprovechando los datos del estudio ya realizado. Usan como variable X la
media de las viscosidades de las dos muestras de cada lote, considerando que es un valor ms fiable
que las determinaciones individuales. A partir de la tabla A8.1, preparan una nueva hoja de clculo
para obtener la serie MR, como puede verse en la tabla A8.2. La figura A8.2 es el grfico X que resulta. La banda de control se ha reducido, aunque los lmites de control todava quedan algo lejos. Por
otra parte, la anchura de la banda de control es menor que la tolerancia, lo que resulta tranquilizador.
158
Tabla A8.2 Datos para un grfico X

Batch
1
2
3
4
5
6
7
8
9
10
11
Viscosidad
media
95
90
86
86
86
97
97
94
90
97
98
Recorrido
mvil
Batch
Viscosidad
media
92
94
86
96
95
86
88
98
90
90
98
12
13
14
15
16
17
18
19
20
21
22
5
4
0
0
11
0
3
4
7
1
Recorrido
mvil
6
2
8
10
1
9
2
10
8
0
8
110
UCL = 104.8
100
90
80
LCL = 79.7
70
1
11
13
15
17
19
21
Figura A8.2 Grfico X para la viscosidad media

El responsable de I+D deseara resumir la informacin contenida en el grfico de la figura A8.2 dando
un valor medio y una desviacin estndar. La desviacin estndar corresponde a la frmula
s=
(x
- x)
n -1
Estos valores pueden obtenerse fcilmente en la hoja de clculo a partir de los datos de la tabla A8.2.
Los resultados obtenidos son
x = 92,2;
s = 4,56
Aqu hay algo que no le cuadra al responsable de I+D. La media 92,2 coincide con el valor asociado a
la lnea central en el grfico de la Figura A8.2, pero la anchura de la banda de control en el grfico
debera coincidir con 6s = 27,33, si los lmites se calculan usando la frmula habitual en los mtodos
SPC. Sin embargo la diferencia entre los lmites de control del grfico es
104,8 79,7 = 25,1
159
El responsable de Calidad le aclara que, efectivamente, los lmites de control en el grfico de la figura
A8.2 se han obtenido segn la regla 3, pero el valor de que se ha usado no ha sido el que l
supone, sino el obtenido a travs de la frmula:
MR
d2
en la que la constante d2 se extrae de la tabla de constantes de los grficos de control, tomando n =

2. As,
4,71
= 4,17.
1,13
Esta frmula alternativa proporciona tambin un valor estimado de la desviacin tpica y la diferencia
entre ambas estimaciones no es relevante, segn el responsable de Calidad.
REFLEXIONES:
Tiene razn el responsable de Calidad y la diferencia hallada entre ambos valores de no tiene
relevancia? Por qu se usan dos frmulas distintas, que dan resultados distintos, para calcular lo
mismo?
El responsable de Calidad le explica que, para el caso de observaciones individuales, tambin existe
un grfico de recorridos, denominado grfico MR, o grfico de recorrido mvil. La lnea central se
asocia al recorrido mvil medio y el lmite de control se calcula usando la constante D4 = 3,27 de la
tabla de constantes, correspondiente a n = 2,
UCL = 3,27 MR
Para ilustrar la explicacin, le presenta el grfico MR de la figura A8.3. Confiesa que l no ve muy
claro cul es el inters del grfico MR, y cree que no les va a ser de utilidad. Opina que lo ms prctico sera usar un grfico de observaciones individuales para el seguimiento de las caractersticas crticas de aquellos productos para los que se crea interesante, con los grficos de control calculados a
partir del recorrido mvil medio y prescindir de los grficos MR.
16
UCL = 15.42
14
12
10
8
6
4
2
0
1
11
13
15
17
Figura A8.3 Grfico MR para la viscosidad media
19
21
160
REFLEXIONES:
Es cierto, como dice el responsable de Calidad, que el grfico MR no tiene inters en una situacin
como sta?

El responsable de Produccin est de acuerdo en lo que se refiere al grfico MR. En lo referente al
grfico X, considera que el grfico de la figura A8.2 solamente le sirve para comprobar la estabilidad
del proceso de fabricacin del producto en lo que se refiere a la viscosidad del producto, pero que los
lmites de control slo pueden aplicarse a un promedio de las viscosidades de dos muestras y no a
una determinacin individual, que es a lo que se refiere la especificacin del producto.
El responsable de Calidad est de acuerdo y le propone que hagan una prueba para ver qu resultara de usar los valores individuales de viscosidad para los grficos X. En la prueba usan la segunda
columna de la tabla A8.1, en la que hay 3 lotes fuera de especificacin (viscosidad inferior a 80), como serie X, y preparan la correspondiente hoja de clculo, que puede verse en la tabla A8.3.
Tabla A8.3 Datos para el grfico X de la viscosidad
Batch
1
2
3
4
5
6
7
8
9
10
11
Viscosidad
98
82
94
70
86
102
98
94
97
79
103
Rec. mvil
Batch
12
13
14
15
16
17
18
19
20
21
22
16
12
24
16
16
4
4
3
18
24
Viscosidad
86
106
74
84
105
87
92
105
101
92
100
Rec. mvil
17
20
32
10
21
18
5
13
4
9
8
UCL = 129.7
130
110
90
70
LCL = 55.3
50
1
11
13
15
17
Figura A8.4 Grfico X para la viscosidad
19
21
161
La Figura A8.4 es el grfico X correspondiente, en el que los lmites de control se han calculado por el
mismo mtodo que en la Figura A8.2. No hay puntos fuera de control, pero la banda de control tiene
una anchura que excede del doble de la tolerancia. La media y la desviacin estndar son
x = 92,5,
s = 10,32
Si se mantiene la idea inicial de fijar los lmites de tolerancia a partir de los lmites de control, se obtiene una tolerancia:
129,7 56,3 = 74,5
En cambio, si se usa la frmula x 3s , resulta 6s = 61,93
Tras todo este trabajo, el responsable de I+D ha llegado a las conclusiones siguientes:
Utilizar los grficos de control como haba previsto inicialmente, pero trabajando con observaciones individuales.
Se limitar a los grficos X, dejando de lado los grficos MR.
Usar los lmites de control para definir lmites de tolerancia. Cuando hacerlo de este modo sea
incompatible con lo que requieren los clientes, deber mejorarse el proceso, reduciendo la variabilidad.
REFLEXIONES:
Son correctas estas conclusiones?

Sin embargo, hay algunas cosas que no acaban de cuadrar. En primer lugar, sigue viendo los datos
del proceso demasiado lejos de los lmites de control. De hecho, el recorrido total de los 22 lotes es
R = 106 - 70 = 36
que representa menos de la mitad de la banda de control.
REFLEXIONES:
Hay que buscar una explicacin a este hecho o se trata slo de una contradiccin aparente, que se
produce porque el responsable de I+D no ha entendido bien lo que significan los lmites de control?

El responsable de Calidad le dice que no se preocupe, porque estos datos son algo raros desde el
punto de vista de la estadstica y no responden al comportamiento aleatorio que se da por hecho en
los libros de estadstica. Como la viscosidad es una caracterstica crtica de este producto, debe corregirse cuando no es conforme. Sucede que es fcil rebajar la viscosidad, aadiendo un componente
que aumenta la fluidez del producto, pero no es sencillo aumentarla. Por esta razn se ha diseado el
proceso de forma que la viscosidad salga ms alta de lo previsto por I+D. Cuando el resultado obtenido en el control de calidad supera 110 segundos, que es el lmite de tolerancia superior, se rebaja la
162
viscosidad, y por esta razn no hay valores por encima de 110. En cambio, cuando es inferior a 80
segundos, siempre se analiza otra muestra, para ver si el resultado del segundo anlisis es conforme,
que es lo que ha pasado con los lotes 4, 10 y 14, que se han dado como buenos.
El responsable de I+D admite que su desconocimiento de los entresijos de la produccin representa
una dificultad a la hora de establecer la especificacin de un producto, pero insiste en que las diferencias de viscosidad entre muestras diferentes del mismo lote representan un problema que se debe
intentar resolver en lugar de convivir con l, que es lo que se viene haciendo con este apao de la
segunda muestra. Si no puede mejorarse la homogeneidad, debe ampliarse la tolerancia del producto.
REFLEXIN FINAL:
Son correctas las conclusiones a las que ha llegado el responsable de I+D? Aadira Vd. algo
ms?
Mdulo 4. Control metrolgico
163

Captulo 2. Conceptos fundamentales
2.1 Control de un proceso de medida
2.2 Exactitud
2.3 Calibracin y patrones
2.4 Incertidumbre
2.5 Expresin del sesgo y la imprecisin
Captulo 3. Plan de control metrolgico

3.1 Planteamiento general
3.2 Requisitos metrolgicos
3.3 Plan de control metrolgico
3.4 Procedimientos de control metrolgico
3.5 Registros del control metrolgico
Captulo 4. Calibracin
4.1 Obtencin del sesgo
4.2 Factores de calibracin
4.3 Recta de calibracin
Captulo 5. Estudios de precisin

5.1 Consideraciones previas
5.2 Clculos con varianzas
5.3 Componentes de imprecisin
5.4 Repetibilidad y reproducibilidad
164
1. INTRODUCCIN
Este mdulo trata sobre el control metrolgico en la industria, en el contexto de la gestin de la calidad. El control metrolgico, que es uno de los componentes de un sistema de calidad, recibe distintos
nombres en la literatura sobre gestin de la calidad, como control de los equipos de medida, en la
versin de 1994 de la norma ISO 9001, control de los dispositivos de seguimiento y medicin, en
la versin actual (2000), o sistema de gestin de las mediciones, en la ISO 10012. La expresin
anlisis del sistema de medida, que aparece en las normas de la industria de automocin (v. ISO
16949 o MSA, 1995), est ligada tambin al control metrolgico.
En estas notas, llamamos control metrolgico al control de los procesos de medida de una organizacin, sea una industria, un laboratorio de anlisis clnicos, un hospital, etc., usando la expresin proceso de medida'', en lugar de equipos de medida'', para recalcar que el control no se limita a unos
objetos materiales, sino tambin a los mtodos usados y a las personas que intervienen. Definiremos
formalmente estos conceptos en el captulo 2.
En los diferentes modelos de gestin de la calidad (ISO 9001, ISO 16949, etc.) se hallan requisitos de
control metrolgico que tienen una importancia mayor o menor segn la complejidad de los procesos
de medida de la empresa. En estas notas presentamos los conceptos metrolgicos fundamentales y
algunas ideas sobre cmo organizar el control metrolgico de forma prctica, garantizando el cumplimiento de los requisitos del correspondiente modelo, pero evitando procedimientos complejos y difciles de mantener. Nos centramos en los requisitos de la norma ISO 9001, teniendo presente que el
modelo de la norma ISO 16949, es de aplicacin para los proveedores del sector de automocin.
As pues, el objeto de estas notas es doble:
Facilitar la comprensin de los requisitos de control metrolgicos incluidos en la norma ISO 9001
sobre los sistemas de calidad.
Dar algunas recomendaciones de carcter prctico sobre el modo de realizar dicho control.
Ya hemos hablado en el mdulo 1 de la gestin de la calidad, y por lo tanto nos limitaremos aqu a los
requisitos de carcter metrolgico, y con especial detalle al elemento 7.6 de la versin vigente (2000)
de la norma ISO 9001, relativo al control de los dispositivos de seguimiento y medicin.
Tal como los establece la norma ISO 9001 (en su versin en castellano), los requisitos son:
La organizacin debe determinar el seguimiento y la medicin a realizar, y los dispositivos de medicin y seguimiento necesarios para proporcionar la evidencia de la conformidad del producto con los
requisitos determinados (vase 7.2.1).
La organizacin debe establecer procesos para asegurarse de que el seguimiento y medicin pueden
realizarse y se realizan de una manera coherente con los requisitos de seguimiento y medicin.
Cuando sea necesario asegurarse de la validez de los resultados, el equipo de medicin debe:
a) calibrarse o verificarse a intervalos especificados o antes de su utilizacin, comparado con patrones de medicin trazables a patrones de medicin nacionales o internacionales; cuando no existan
tales patrones debe registrarse la base utilizada para la calibracin o la verificacin;
b) ajustarse o reajustarse segn sea necesario;
c) identificarse para poder determinar el estado de calibracin;
d) protegerse contra ajustes que pudieran invalidar el resultado de la medicin;
165
e) protegerse contra los daos y el deterioro durante la manipulacin, el mantenimiento y el almacenamiento.

Adems, la organizacin debe evaluar y registrar la validez de los resultados de las mediciones anteriores cuando se detecte que el equipo no est conforme con los requisitos. La organizacin debe
tomar las acciones apropiadas sobre el equipo y sobre cualquier producto afectado. Deben mantenerse registros de los resultados de la calibracin y la verificacin (vase 4.2.4).
Debe confirmarse la capacidad de los programas informticos para satisfacer su aplicacin prevista
cuando stos se utilicen en las actividades de seguimiento y medicin de los requisitos especificados.
Esto debe llevarse a cabo antes de iniciar su utilizacin y confirmarse de nuevo cuando sea necesario.
NOTA. -- Vanse la Norma ISO 10012.
Segn nuestra experiencia, buena parte de la dificultad para el tratamiento del control metrolgico en
el contexto industrial reside en el lenguaje que se usa, y creemos oportuno hacer dos consideraciones previas. Por un lado, trminos que en el lenguaje coloquial son intercambiables (por ejemplo,
exactitud y precisin), en el mbito de la metrologa tienen significados perfectamente diferenciados.
Por otro, los profesionales de los distintos campos de la metrologa (fabricantes de balanzas, de termmetros, profesionales de laboratorio, etc.) no usan una terminologa unificada. Hay que observar
que tres trminos que en la anterior versin de la norma inducan a bastantes confusiones, la incertidumbre, la exactitud y la precisin (que en estas notas se discuten a fondo) han desaparecido en la
versin actual, donde el lenguaje es ms llano: hay que establecer unos requisitos para los dispositivos de seguimiento y medida y controlarlos para garantizar que los requisitos se cumplen. Es posible
que esta nueva presentacin de los requisitos de control metrolgico sea ms comprensible para los
usuarios.
Por otro lado, la norma ISO 9001 remite a los usuarios que necesiten una orientacin a las normas
ISO 10012-1 e ISO 10012-2. En el 2003 se ha publicado la revisin de la ISO 10012 Sistema de
gestin de las mediciones. Requisitos para los procesos de medicin y los equipos de medicin.
Para facilitar la comprensin, hemos adoptado en estas notas las siguientes directrices:
Emplear un mnimo de terminologa especfica, limitndonos a los trminos siguientes: exactitud,

sesgo, precisin (o imprecisin), resolucin, patrn, calibracin y ajuste. Es recomendable, en
general, a quien tenga que documentar el control metrolgico, que adopte alguna medida de este
tipo.
Definir todos los trminos usados, dando entre parntesis la versin en ingls.
Usar slo definiciones normalizadas, extradas de las normas y guas recogidas en la bibliografa.
Es posible que alguna de estas definiciones no coincida con las que maneje el lector, o personas
con las que haya tenido contacto profesional (clientes, auditores, consultores, etc.). Estas definiciones se pueden hallar en el Glosario.
Para entender lo que significan los requisitos de tipo metrolgico que hemos reproducido ms arriba,
puede ser til el ejemplo siguiente, en cuya presentacin se usan algunos trminos cuya definicin
formal vendr despus.
166
Ejemplo 1
Uno de los productos de un fabricante de papel para envasado de productos alimentarios es un papel
recubierto por una capa de cera. Uno de los requisitos de calidad de este producto se refiere al gra2
maje (peso por unidad de superficie) de cera La tolerancia (interna) de fabricacin es 1gr/m . El
gramaje se mide por un procedimiento que consiste esencialmente en pesar una muestra de papel de
rea especificada, quitarle la cera, y volver a pesar, obteniendo el gramaje de cera por diferencia.
Para esta medida no se dispone de un papel patrn (no existe tal cosa), aunque s de un juego de
pesas patrn para calibrar la balanza (es decir, para evaluar el sesgo). Por otro lado, la imprecisin
de la balanza es una componente poco relevante de la imprecisin del mtodo.
En un experimento para explorar la precisin del mtodo, se hacen 6 medidas del gramaje de una
muestra de produccin (que son pocas para usar de modo fiable las frmulas estadsticas que veremos despus, pero suficientes en un experimento exploratorio). Los valores obtenidos son: 12,1,
12,7, 11,6, 11,8, 11,5 y 10,7. El recorrido de estos valores (12,7-10,7 = 2,0) coincide con la tolerancia
del gramaje. Este experimento sencillo muestra que, de cualquier forma que se establezcan los requisitos de medida en este caso, si han de ser coherentes con la tolerancia de fabricacin, este proceso
de medida no los cumplir.
NOTA. No hemos considerado en esta discusin si la variabilidad observada en los resultados de
medida se debe atribuir a los instrumentos de medida o a la irregularidad del material. Resulta imposible en este caso separar una cosa de la otra, ya que el ensayo es destructivo y no se puede repetir
sobre el mismo trozo de papel. Por otro lado, tendra poco inters prctico, ya que en el control del
proceso de produccin la conformidad del producto se establece asignando el valor de gramaje obtenido a una cantidad mucho mayor de papel, normalmente a bobinas de varios miles de metros, y de
lo que se trata es de que esta asignacin sea fiable. Probablemente, el problema que se ha detectado
no radica en los instrumentos, sino en el mtodo, y es posible que modificando ste de forma que la
superficie que se pesa para obtener el gramaje sea mayor, se mejore la precisin de la medida.
167
2. CONCEPTOS FUNDAMENTALES
2.1 Control de un proceso de medida
Como en otros contextos, en el de control metrolgico resulta til el lenguaje del control de proceso, y
se usar con frecuencia en estas notas, en la misma lnea del mdulo 1. Nos ocupamos en estas
notas de los procesos de medida. En un proceso de medida:
El input es el material cuyo estado se quiere caracterizar mediante un resultado de medida.
El output es el resultado de la medida.
Las actividades estn reguladas por procedimientos y consisten en usar de una cierta forma instrumentos de muestreo, de medida, reactivos, patrones, etc.
Podemos imponer requisitos de calidad a un proceso de medida, del mismo modo que a un proceso
de produccin o distribucin. De esta forma, podemos definir el control metrolgico como el conjunto
de actividades que se llevan a cabo para garantizar que los procesos de medida cumplan los requisitos establecidos para ellos. En una industria, estos requisitos son consecuencia del papel que tienen
los procesos de medida en el plan de control de la produccin. Es, por tanto, el usuario quien debe
establecerlos, en funcin de las prestaciones que requiera el control de la produccin.
NOTA. La expresin proceso de medida es cmoda para discutir estas cuestiones. En el glosario
del VIM se define proceso de medida como un conjunto de informaciones, equipos y operaciones
relativos a la medida, mientras que en la norma ISO 10012 es un conjunto de operaciones para determinar el valor de una cantidad.
2.2 Exactitud
La exactitud (accuracy) de un resultado de medida es el grado de coincidencia entre ese resultado y
un valor de referencia aceptado. La exactitud de un resultado de medida se evala mediante el error,
que es la diferencia entre el resultado y el valor de referencia. Observa que el valor de referencia, o
valor patrn, est implcito en la nocin de exactitud. La exactitud siempre se refiere a un valor de
referencia. En esta definicin (extrada de la norma ISO 5725), se elude mencionar el valor autntico, que es una nocin bastante etrea para muchas medidas que se hacen en la industria.
La exactitud de un resultado de medida individual se evala mediante un nico nmero, el error. Sin
embargo, el error no es el mismo cada vez que se realiza la medida (aunque se repita sobre el mismo
espcimen). La variabilidad del error hace que sea interesante considerar la medida como un proceso.
La exactitud de un proceso de medida se puede definir como su aptitud para dar resultados prximos a un valor de referencia aceptado. Dada la variabilidad del error, para evaluar la exactitud de un
proceso de medida es conveniente recurrir al lenguaje estadstico. La exactitud de un proceso no
siempre se puede evaluar directamente, ya que no se dispone (salvo en casos muy especiales) de
especmenes con valores de referencia asignados. Existen patrones, pero son distintos de los especmenes que se miden en la aplicacin real del proceso de medida (ver ejemplos del final del captulo).
En el modelo clsico, que permite simplificar el examen de la exactitud de un proceso de medida, se
descompone el error de medida en dos sumandos: un trmino constante, llamado sesgo (bias), o
error sistemtico, y un trmino variable, llamado error aleatorio,
Error = Error sistemtico + Error aleatorio.
168
El error aleatorio vara de una medicin a otra, y es impredecible, aunque se pueden dar lmites a su
variacin, como veremos ms adelante. La precisin, que se puede definir como el grado de coincidencia entre los resultados de medida obtenidos al repetir la medida, es un concepto que hace referencia a la dispersin del error aleatorio. En estas notas usamos el trmino precisin en sentido cualitativo, y con el trmino imprecisin nos referimos a una medida numrica de la precisin, es decir,
de la magnitud del error aleatorio.
La resolucin de un proceso de medida es la menor diferencia que puede obtenerse entre dos resultados de medida. Para procesos de medida muy sencillos, que se reducen a la lectura de un instrumento (por ejemplo, un termmetro), la resolucin coincide con la distancia mnima entre dos indicaciones del instrumento. La conveniencia de utilizar frmulas estadsticas, como medias y desviaciones estndar, para evaluar la exactitud, depende de la resolucin, como veremos ms adelante.
2.3 Calibracin y patrones

Un patrn de medida (measure standard) es algo a lo que podemos asignar un valor de referencia
para verificar la exactitud de un proceso de medida. Un patrn puede ser:
Una medida materializada, como una pesa de 1 Kg, o una resistencia de 100 .
Un instrumento de medida, como un termmetro patrn.
Un material de referencia, como el aceite patrn del viscosmetro, o la solucin tampn del pHmetro. En general, se llama material de referencia a una sustancia de la cual una o varias propiedades son lo suficientemente conocidas como para ser usadas en la calibracin de un instrumento, la evaluacin de un mtodo de medida o para asignar valores a materiales (v. ISO Guide 30,
1981).
El valor de referencia asignado al patrn puede ser:
Un valor certificado, si figura en un certificado u otro documento que acompaa al patrn, y ha

sido obtenido por un procedimiento tcnicamente vlido. La certificacin, en este caso, es el
procedimiento para establecer, por operaciones tcnicamente vlidas, valores de una magnitud
de un material (v. ISO Guide 31, 1981).
Un valor documentado por el fabricante del patrn, pero no certificado, ni por ste ni por otro organismo.
Un valor consenso, si ha sido obtenido a travs de un ensayo inter-laboratorios, o por acuerdo

entre varios organismos.
Un valor obtenido por el usuario.
La calibracin de un proceso de medida es el conjunto de operaciones que se realizan para establecer la relacin entre los resultados de medida y uno o varios valores de referencia.
En la prctica, la relacin entre los valores de referencia y las lecturas de un instrumento puede presentar formas distintas. Se dan dos situaciones tpicas:
La lectura del instrumento se refiere a la magnitud que se mide, por ejemplo, en una balanza. En
este caso, el objeto de la calibracin es establecer la diferencia entre los valores de referencia y
los valores indicados por el instrumento en el intervalo de trabajo, es decir, obtener un sesgo para
cada valor de referencia.
169
Cuando la lectura se refiere a una magnitud diferente de la que se quiere medir, el objeto de la
calibracin es establecer la relacin matemtica entre ambas magnitudes. Por ejemplo, en un viscosmetro capilar se mide el tiempo que tarda en pasar un fluido entre dos seales de un tubo,
que se multiplica por un factor para obtener la viscosidad, y la calibracin es la operacin que
permite obtener este factor. En otros casos, por ejemplo en un espectrofotmetro, la relacin es
ms compleja, y debe hallarse una ecuacin lineal (la recta de calibracin).
Esta definicin de calibracin no se aplica slo a instrumentos de medida (por ejemplo, a una balanza), sino a procesos en los que intervienen instrumentos de medida, aparatos auxiliares y personas.
Por ejemplo, la calibracin del viscosmetro capilar es, en realidad, la calibracin del sistema formado
por: a) el propio instrumento, b) el bao termosttico, con su termmetro, c) el cronmetro, y d) la
persona que acciona el cronmetro.
En el lenguaje ordinario (y a veces en la documentacin que acompaa a los instrumentos de medida), se confunden la calibracin de un instrumento de medida y el ajuste, que es una operacin que
se realiza sobre el instrumento para eliminar el sesgo. El ajuste es una medida correctiva, que no
siempre se aplica aunque el sesgo sea diferente de cero y, por tanto, no toda calibracin va seguida
de un ajuste. Mantendremos en estas notas la diferenciacin entre ambos conceptos (que ya hace la
norma ISO 9001).
La calibracin de un patrn tiene por finalidad asignarle un valor de referencia, o establecer la validez de una asignacin previa. Por ejemplo, enviamos una pesa de 1 Kg a un laboratorio acreditado
para su calibracin y nos la devuelven con un certificado que establece que su peso es 1007 g. Se
incluye con frecuencia en el certificado una evaluacin de la incertidumbre (ver definicin en la seccin siguiente) de esta asignacin, que se llama, a veces, incertidumbre del patrn.
2.4 Incertidumbre
En general, el trmino incertidumbre (uncertainty) se asocia a la proximidad mayor o menor de los
resultados de medida a un valor autntico o verdadero. En el contexto de la metrologa profesional,
es un parmetro que informa sobre la magnitud de las diferencias que cabe esperar entre los resultados de medida y el valor autntico y, por tanto, sobre la exactitud. Este trmino, fuente de frecuentes
confusiones, ha desaparecido en la ltima revisin de la norma ISO 9001.
En el contexto del control de la calidad en la industria, no obstante, el manejo de esta nocin presenta
algunos problemas:
El significado del valor autntico en algunas mediciones que se hacen en la industria no est
claro (en especial en ciertos sectores de la industria de proceso, como el textil).
No hay consenso sobre la forma de expresar la incertidumbre (v. GUM, 1995).
Al adoptar frmulas extradas de la documentacin tcnica que acompaa a los instrumentos de

medida o a los certificados de calibracin, se produce un malentendido bastante frecuente en el
aseguramiento de la calidad: se evala la incertidumbre de una calibracin en la que las medidas
se efectan sobre un patrn, en lugar de la incertidumbre de las medidas que forman parte del
control de la calidad. Esta ltima incertidumbre, que es la que interesa al aseguramiento de la calidad, puesto que cuestiona la conformidad del producto verificada en la inspeccin, es en muchos casos, significativamente mayor que la primera, por la intervencin de factores como el
muestreo, la irregularidad de la superficie del producto, la falta de uniformidad, etc. (v. Ejemplos 2
y 3).
En estas notas proponemos una aproximacin bastante transparente y sencilla de llevar a cabo en la
prctica (sa es al menos, nuestra experiencia), que consiste en:
170
Renunciar a condensar en un nico parmetro (la incertidumbre) la informacin sobre los errores
de medida, considerando en su lugar dos parmetros, sesgo e imprecisin.
No usar el trmino incertidumbre ms que en sentido cualitativo.
2.5 Expresin del sesgo y la imprecisin

Para evaluar la exactitud de un proceso de medida, consideremos una variable X cuyos valores sean
los resultados de medida obtenidos ejecutando el proceso sobre un espcimen fijo. Si admitimos que
X tiene distribucin normal (v. Apndice A6), lo que representa una aproximacin satisfactoria para lo
que pretendemos, esto es, dar una descripcin estadstica de la exactitud, podemos evaluar la exactitud del proceso mediante dos parmetros estadsticos:
La diferencia entre la media y el valor de referencia es el sesgo.
La desviacin estndar proporciona una evaluacin de la imprecisin.
No obstante, no siempre son tiles las frmulas estadsticas para evaluar la exactitud. Para verlo,
imaginemos la siguiente situacin: aplicamos repetidamente un determinado proceso de medida sobre un mismo espcimen, obteniendo una coleccin de resultados. Entonces:
Si todos los resultados son iguales, no hacen falta frmulas estadsticas: hay o no hay sesgo, y
no tiene sentido hablar de precisin (a veces se dice que la imprecisin es inferior a la resolucin).
Si se obtienen resultados distintos, tiene sentido usar frmulas estadsticas derivadas de la distribucin normal cuando el nmero de valores distintos sea alto. En este caso es til sustituir X, que
es discreta (ya que el proceso tiene una resolucin dada), por una variable continua.
A partir de qu punto tiene sentido el uso de medias y desviaciones estndar para evaluar la exactitud? No hay ninguna norma que regule esta cuestin, por lo que slo podemos recomendar, a ttulo
privado:
Usar las frmulas estadsticas (media y/o desviacin estndar) a partir de una imprecisin igual a
5 veces la resolucin. En caso contrario, hacer una estimacin directa (v. Ejemplo 2).
Mantener una cierta cautela al usar las frmulas derivadas de la distribucin normal, cuando la
imprecisin no sea por lo menos 10 veces mayor que la resolucin.
Supongamos que se realiza n veces una medida sobre un patrn. La diferencia entre la media x de
los resultados de medida y el valor patrn es un valor estimado del sesgo. Este sesgo estimado es un
valor experimental, y si repetimos el experimento (las n mediciones), el valor obtenido ser distinto.
Dicho de otro modo, el valor del sesgo que hemos obtenido tiene un error. La desviacin estndar del
error del sesgo obtenido a partir de n medidas es igual a la del error de medida dividida por n (v.
Apndice). Entonces, si x0 es el valor patrn y la desviacin estndar en la medida del patrn, podemos dar lmites de confianza del 95% (v. Apndice) para el sesgo mediante la frmula
x x0 2
El segundo sumando de esta frmula se llama a veces incertidumbre de la calibracin o, cuando

se calibra un patrn, incertidumbre del patrn.
171
La imprecisin de un proceso de medida puede evaluarse directamente, cuando es pequea (respecto a la resolucin), o mediante una frmula estadstica. No hay un mtodo normalizado para cuantificar la precisin, por lo que conviene aclarar cul se usa. Todas las expresiones numricas de la precisin, salvo en casos de baja resolucin, estn basadas en una desviacin estndar . Citamos a
continuacin algunas variantes.
Con el valor de
Con el valor 2, de modo que 2 define (aproximadamente) un intervalo de confianza del 95%
Con el valor 2,8, que corresponde (aproximadamente) a un lmite del 95% de confianza para la
diferencia absoluta (sin signo) de dos medidas independientes. Este es el sistema establecido por
la norma ISO 5725, usado en las normas ASTM y, por la IUPAC, para evaluar la repetibilidad y la
reproducibilidad de un mtodo analtico.
Con el valor 5,15 (2,575), que corresponde a la longitud de un intervalo de confianza del 99%.
Es el sistema recomendado por la norma ISO 16969 del sector de automocin (ver Captulo 6).
Empleamos en estas notas la expresin 2, dando a el valor estimado de que se disponga. La

imprecisin la cuantificaremos por 4, cuando se compare con una tolerancia.
Ejemplo 2
En una industria qumica se calibran, por primera vez, tres viscosmetros. El primero es un viscosmetro Brookfield LVT DV-I digital, de resolucin 0,1 mps. Como patrn se usa un aceite suministrado por
Brookfield, con valor de referencia 50 mps. Se mide 10 veces la viscosidad del patrn, obteniendo los
valores: 51,3, 50,3, 51,7, 51,5, 50,9, 50,9, 51,8, 50,7, 50,9 y 51,1. La media y la desviacin estndar
de estos resultados son
x = 51,110; s = 0,468
El sesgo estimado es 51,110 - 50 = 1,110. El valor estimado para la desviacin estndar del sesgo es
s
n
0,468
10
= 0,148
Podemos expresar, usando lmites de confianza del 95%, el sesgo en la forma 1,110 0,296. La longitud de este intervalo, 2 0,296=0,492, es la incertidumbre de la calibracin. Observa que el intervalo de confianza no contiene el cero. Cuando se da esta situacin, se dice que el sesgo es estadsticamente significativo.
El segundo es un viscosmetro RVT DV-I digital, de resolucin 1 mps, para el que se usa como patrn
un aceite de 500 mps. Se hacen 10 medidas del patrn, obteniendo los resultados: 516, 517, 517,
516, 517, 517, 517, 517, 517, y 517.
Las conclusiones del experimento son:
El sesgo est comprendido entre 16 y 17 mps.
No es necesario hacer medidas replicadas para evaluar el sesgo.
Por ltimo, se calibra tambin un viscosmetro RVT DV-II analgico, de resolucin 5 mps, usando otra
vez el patrn de 500 mps. Despus de 6 medidas, se interrumpe el experimento considerando que no
tiene inters proseguir, a la vista de los resultados: 515--520, 520, 515--520, 520, 520, y 515--520.
172
El sesgo est comprendido entre 15 y 20 mps.
Como antes, las medidas replicadas no son necesarias para evaluar el sesgo.
Ejemplo 3
En una fbrica de tarjetas de plstico magnetizadas se desea evaluar el sesgo y la precisin de un
micrmetro que se usa para verificar la altura de tarjetas de plstico. Para una tarjeta tpica, los lmites de tolerancia son 53,920 y 54,030 mm. Como patrn, se usa una galga con valor nominal 54,991
mm. Se efectan cinco medidas del patrn, obteniendo los resultados siguientes: 54,995, 54,993,
54,994, 54,996, y 54,994.
Las conclusiones de este primer experimento son:
El sesgo est entre 0,003 y 0,004 mm.
La imprecisin (sobre el patrn) es del orden de 0,03 mm.
Para evaluar la precisin de la medida de la altura de una tarjeta se hace un experimento en el que
cuatro operarios miden la misma tarjeta cinco veces cada uno (ver Tabla 2.1).
TABLA 2.1 Estudio de precisin del micrmetro (Ejemplo 3)

Operario
1
2
3
4
Resultados
53,964
53,953
53,961
53,961
53,960
53,958
53,954
53,957
53,959
53,956
53,952
53,957
Media
53,957
53,957
53,952
53,955
53,956
53,953
53,952
53,953
53,9592
53,9554
53,9542
53,9566
Varianza
9,7E-06
5,3E-06
1,52E-05
8,8E-06
Las conclusiones del segundo experimento son:
La imprecisin de la medida sobre el producto es mayor que sobre el patrn (lo que es tpico en
las medidas dimensionales de materiales deformables).
Usando la media de las varianzas de los cuatro operarios como valor estimado de la varianza de
2
-6
los errores de medida (v. Apndice), tenemos s = 9,75 10 y, por lo tanto s = 0,003 mm. Esto
da una imprecisin de 0,006 mm para medidas realizadas por el mismo operario. Puede considerarse aceptable la relacin
Imprecisin 0,012
=
= 10,01%
Tolerancia
0,11
Se observan diferencias entre los resultados obtenidos por los cuatro operarios, aunque stas no
superan el 5% de la tolerancia, por lo que no parecen preocupantes. No obstante, sera oportuno
revisar el procedimiento de uso del micrmetro para ver si se puede uniformizar ms la manera
de aplicarlo.
173
Se desea ahora evaluar la precisin de un proceso de medida en el que se usa el primero de los viscosmetros del ejemplo 2. Se trata de la medida de la viscosidad de una resina. Se efectan 10 determinaciones replicadas de la viscosidad de una muestra. Con el fin de hacer el experimento ms
completo, se determina la viscosidad a 30 y 60 rpm (el mtodo Brookfield, para un fluido no newtoniano, puede dar resultados distintos, segn la velocidad de giro del husillo).
Los resultados obtenidos han sido:
A 30 rpm: 88, 76, 92, 88, 88, 72, 72, 100, 80, 76. La media es x1 = 84,00 y la desviacin estndar
s1 = 9,43.
A 60 rpm: 72, 76, 74, 70, 76, 70, 82, 74, 70, 72. La media es x2 = 73,60 y la desviacin estndar
s2 = 3,75.
La imprecisin mayor es en la muestra de produccin que en el patrn.
En algunos casos la imprecisin no depende slo del instrumento de medida, sino de cmo se
2
use. As, se obtiene mayor imprecisin a 30 rpm (F = (9,43/3,75) = 6,32, v. Apndice). Recurdese que la norma ISO 9001 establece que el seguimiento y medicin pueden realizarse y se realizan de una manera coherente con los requisitos de seguimiento y medicin.
174
3. PLAN DE CONTROL METROLGICO

3.1 Planteamiento general
Como dijimos en la introduccin, nuestra intencin es presentar un enfoque sencillo y ordenado del
control metrolgico. Para ello, lo mejor es seguir el desarrollo lgico de la planificacin de la calidad,
tratando el control metrolgico como un caso ms de control de proceso que se ejecuta de acuerdo
con un plan de control, el plan de control metrolgico.
La planificacin de la calidad requiere planes de control ms o menos formalizados. El objetivo de un
plan de control es garantizar que se cumplen unos requisitos (de un producto o proceso). En la mayora de los casos, el plan de control no existe formalmente, sino descompuesto en planes ms localizados (por ejemplo, un plan de control de producto consta del plan de control de materias primas, el
de control de proceso, el de control de producto acabado, etc.). El plan de control incluye el uso de
unos dispositivos que, en la norma ISO 9001, son los necesarios para proporcionar la evidencia de la
conformidad del producto con los requisitos determinados. El control metrolgico debe incluir estos
dispositivos, as como los que intervengan en su control (por ejemplo, una balanza que se usa para
preparar una disolucin patrn).
Un guin lgico para el desarrollo del plan de control metrolgico podra ser, siguiendo el hilo de la
norma ISO 9001:
1. Establecer el alcance del sistema de calidad. A qu productos afecta?
2. Establecer los requisitos de calidad que deben cumplir los productos afectados por el sistema.
Qu atributos? Qu caractersticas medibles? Cules son los lmites de tolerancia?
3. Identificar los dispositivos de seguimiento y medicin que proporcionan evidencia de que el producto cumple los requisitos de calidad (aqu empieza el control metrolgico).
4. Establecer los requisitos de seguimiento y medicin (metrolgicos). Qu resolucin deben tener? Cul es el error mximo permitido?
5. Validar (es decir, verificar que cumple los requisitos establecidos) el dispositivo de seguimiento y
medicin antes de empezar a usarlo.
6. Efectuar el control del dispositivo, mediante unas verificaciones que se realizan de acuerdo con
un procedimiento o instruccin de trabajo, para garantizar que sigue cumpliendo los requisitos.
7. Mantener registros de la validacin y de las verificaciones posteriores.
Hemos distinguido aqu entre la validacin y las verificaciones que forman parte del control (v. definiciones en el glosario). La razn de ello es que, normalmente, lo que llamamos aqu validacin se
hace solamente una vez, mientras que las restantes verificaciones se van repitiendo con una periodicidad que se especifica en la documentacin del sistema.
3.2 Requisitos metrolgicos

Algunos requisitos metrolgicos, como la resolucin, se aseguran al elegir adecuadamente el dispositivo de medida, y se establecen teniendo en cuenta la oferta existente. El requisito fundamental, que
afecta a la magnitud de los errores de medida, se puede desglosar en dos, uno relativo al sesgo y
otro a la precisin (esa era mi recomendacin en el captulo anterior). Un modo prctico de plantear
esta cuestin es establecer un lmite para el valor absoluto (sin signo) del error. Usaremos aqu, en
175
este sentido, la expresin error mximo permisible, extrada de las normas ISO 9000 y 10012 (a
veces se usa esta expresin, u otras similares, para referirse a un lmite del sesgo o error medio),
aunque cualquiera otra que admita una interpretacin anloga es adecuada.
Un ejemplo sencillo es el siguiente: considerando la influencia de la temperatura sobre las transformaciones que tienen lugar en un proceso qumico, un tcnico de produccin establece que los errores
de una sonda de temperatura no pueden superar 1 grado. Entonces el error mximo permisible es 1
grado. Este lmite se refiere a todos los errores de medida, no bastando, salvo cuando la precisin es
absoluta y el error es constante, con efectuar una sola observacin y verificar que el error no supera 1
grado.
Una vez establecido el error mximo permisible, los requisitos de la norma ISO 9001 son indiscutibles: hay que garantizar, de forma continuada y con evidencias objetivas (certificados, registros,
etc.), que este lmite no se supera. El conjunto de las operaciones necesarias para ello se llama confirmacin metrolgica. En general, la confirmacin metrolgica incluye la calibracin o la verificacin, cualquier ajuste o reparacin, la subsiguiente recalibracin, la comparacin con los requisitos
metrolgicos del equipo y cualquier sellado o etiquetado.
El error mximo permisible se establece en funcin de cmo los errores de medida puedan afectar a
la conformidad de los productos en cuyos planes de control interviene el equipo. Esta posible influencia se puede aclarar mediante un razonamiento terico o experimentalmente. Dada la variedad de
situaciones que pueden darse y las limitaciones que en algunas ocasiones tienen los equipos existentes, no hay reglas que establezcan qu porcentaje de la tolerancia establecida para el resultado de
medida puede admitirse. El error mximo permisible nunca puede ser inferior a la resolucin.
Una vez fijado el error mximo permisible, se comprueba la capacidad del proceso de medida. Es
aconsejable separar imprecisin y sesgo. Si no se conoce la precisin, se la puede evaluar experimentalmente realizando lo que se denomina un estudio de precisin (v. Captulo 5). Hay que documentar los estudios de precisin. En la mayora de los casos, una vez evaluada la precisin y visto
que es compatible con el lmite de error mximo permisible establecido, no hace falta reevaluarla,
salvo que pueda cambiar (desgaste de algn elemento, incorporacin de nuevos analistas, etc.).
Una vez se ha comprobado que la precisin es suficiente, debe verificarse el sesgo. Para algunos
procesos de medida, la verificacin puede hacerse globalmente, pero si no existe un patrn, hay que
verificar el sesgo de los distintos instrumentos implicados en el proceso de medida. Hay que notar
que la precisin se evala sobre una muestra, sea de materia prima o de producto (final o intermedio), y el sesgo sobre el patrn. Si la precisin es, en ambos casos, del mismo orden, el estudio resulta ms sencillo.
NOTA. En la norma QS-9000 se dan criterios numricos para establecer lmites para los errores de
medida (v. MSA, 1995).
3.3 Plan de control metrolgico

Una vez validado el equipo para su uso en el plan de control del producto, el control metrolgico consiste en una serie de verificaciones de que las prestaciones del equipo se mantienen. No existen reglas generales sobre cmo tienen que hacerse las verificaciones, ya que pueden ir desde una mera
limpieza (viscosmetro capilar) a una calibracin, y eventual ajuste, cada vez que se conecta el equipo
(pH-metro).
La finalidad del control es prevenir, y corregir si es necesario, la degradacin de las caractersticas
metrolgicas. En muchos casos, se reduce a una simple verificacin peridica del sesgo, ya que la
precisin no cambia. La frecuencia de la verificacin depende del equipo y del uso que de l se haga.
176
Una forma sencilla de documentar el plan de control metrolgico es mantener una ficha para cada
equipo objeto del control, junto con un calendario de actuaciones. Estas fichas pueden integrarse en
un nico documento o en una base de datos. Un posible contenido de esta ficha sera:
Cdigo que identifica el equipo
Descripcin del equipo. Se especifica qu clase de equipo es: balanza de laboratorio, termmetro
de mercurio, viscosmetro Brookfield, etc.
Resolucin. Conviene especificarla cuando en un mismo centro de produccin hay instrumentos

de medida de la misma magnitud, pero con distinta resolucin. Para algunos equipos (por ejemplo, un cromatgrafo), no tiene sentido especificar la resolucin, ya que depende de la aplicacin.
Uso y ubicacin. Dnde se encuentra y para qu se usa.
Intervalo de trabajo. Los valores medidos se mueven dentro de un intervalo, determinado por los
lmites de tolerancia establecidos en los planes de control en los que interviene el equipo. En la
mayora de los casos, el equipo puede trabajar fuera de este intervalo.
Precisin. Siempre que pueda establecerse de forma general e inequvoca, y no dependa de la

aplicacin.
Error mximo permisible. Se establece teniendo en cuenta todos los planes de control en que
interviene el equipo. Puede variar a lo largo del intervalo de trabajo.
Procedimiento de calibracin y/o control metrolgico (cdigo)
Intervalo de control. Es el mximo perodo que puede transcurrir entre dos confirmaciones consecutivas. Las expresiones frecuencia de control o intervalo de calibracin aluden al mismo concepto.
Documentacin de inters (identificacin)
NOTA. En la documentacin tcnica de la norma QS-9000 se presentan formatos de plan de control

de producto que permiten incluir, para cada verificacin incluida en el plan de control, informacin
sobre el equipo de medida implicado, con lo que el plan de control de los equipos de medida puede
unirse al de producto (v. APQP, 1995).
3.4 Procedimientos de control metrolgico

Las directrices generales para el control metrolgico pueden establecerse en el manual de calidad o
en un procedimiento de carcter general y el modo en que se realiza el control de un equipo individual, en un procedimiento particular.
Est bastante arraigada la costumbre de separar los casos en que el control se reduce a operaciones
de mantenimiento, como limpieza y sustitucin de componentes, de aquellos en que el control incluye
la calibracin, de forma que hay procedimientos de mantenimiento y procedimientos de calibracin. Se trata de una cuestin de orden prctico, que no tiene trascendencia si todo el control lo realizan las mismas personas. Lo que s es aconsejable, en las industrias de proceso donde unos equipos
estn acoplados a las instalaciones, mientras que otros se encuentran en uno o varios laboratorios,
es separar el control de los equipos de proceso y el control de los equipos de laboratorio, ya que generalmente lo realizan personas distintas, con calendarios distintos, puesto que el control de la instrumentacin de proceso est subordinado a la programacin de la produccin.
177
NOTA. Algunos tcnicos denominan procedimientos a los procedimientos de carcter general, que no
hacen referencia a un equipo o producto concreto, e instrucciones de trabajo a los procedimientos
que se refieren a situaciones particulares. Esta terminologa ha sido incorporada por la norma QS9000 (v. QS-9000, 1995). No obstante, en la terminologa ISO (v. ISO 9000) cualquier documento en
el que se especifica el modo de realizar una actividad es un procedimiento.
El guin de un procedimiento (o instruccin de trabajo) de control de un equipo de medida se puede
establecer del siguiente modo:
Objeto. El control del equipo, con el fin de asegurar que no se supere el lmite de error mximo
permisible.
Alcance. Los equipos afectados por el procedimiento.
Responsabilidades. Hay que especificar quin tiene la responsabilidad sobre el presente documento, quin es responsable de que se realice el control y quin lo realiza.
Patrones. Si el control incluye calibraciones, se ha de documentar la informacin relativa a los

patrones: la identificacin del patrn, su procedencia, las condiciones de conservacin, la forma
de prepararlo (por ejemplo, para un espectrofotmetro, una disolucin patrn) y la caducidad.
Operaciones. Se describen las operaciones que constituyen el control. En la mayora de los casos, estas operaciones dan lugar a resultados numricos (por ejemplo, si hay una calibracin).
Debe especificarse cmo se obtienen estos resultados, si hay operaciones matemticas que realizar (por ejemplo, calcular una media para obtener un sesgo).
Criterio de aceptacin. Se especifica el criterio que deben satisfacer los resultados obtenidos (por
ejemplo, sesgo menor que 0,1 mm). Si se satisface el criterio, el equipo es conforme, y si no, no
lo es.
Acciones correctivas. Se describen las acciones correctivas que se han de llevar a cabo si el
equipo no es conforme. Las ms tpicas son el ajuste, la sustitucin de algn elemento (o de todo
el equipo), la limpieza y la reparacin.
Registros. Se indica cmo debe registrarse el control (v. la seccin siguiente).
Identificacin del estado de control. Se indica cmo se identifica (por ejemplo, con una etiqueta) el
estado de control del equipo. La funcin de la identificacin es evitar el uso de un equipo que ha
superado el intervalo de control o que ha resultado no conforme, sin que se haya realizado la pertinente accin correctiva.
3.5 Registros del control metrolgico

En general, un registro es un documento que presenta unos resultados obtenidos o proporciona evidencia de alguna actividad realizada. Uno de los requisitos de la norma ISO 9001 es mantener registros del control metrolgico. Estos registros y, en general, todos los registros de calidad, pueden realizarse sobre papel o soporte informtico.
Una posible lista de informaciones a incluir en el registro podra ser la siguiente:
Identificacin del equipo afectado
Procedimiento de control/calibracin (cdigo)
178
Fecha de la verificacin realizada
Decisin (conforme/no conforme)
Identificacin del responsable de la verificacin
Accin correctiva (en caso de no conformidad). Se puede incluir informacin sobre la descripcin
de la accin realizada, la fecha de la nueva verificacin, los resultados obtenidos y la identificacin del responsable de la accin
Fecha de la prxima verificacin.
179
4. CALIBRACIN
4.1 Obtencin del sesgo
En el captulo anterior hemos expuesto algunas ideas bsicas sobre la organizacin del control metrolgico. En ste avanzamos algo ms en la descripcin de las verificaciones a realizar. Como las verificaciones, su frecuencia y las eventuales acciones correctivas son distintas para cada situacin, no
es posible hacer una exposicin general, por lo que nos limitaremos a considerar algunos ejemplos.
Consideremos en primer lugar un pH-metro, que es un instrumento de gran difusin en la industria de
proceso, ya que el pH es una caracterstica sustitutoria bastante habitual. En principio, el pH puede
variar entre 0 a 14, pero, en la prctica, en una industria particular, el intervalo de trabajo es mucho
ms restringido. El pH- metro se calibra frecuentemente, debido a que la mera conexin/desconexin
del equipo puede generar un sesgo, y el usuario puede ajustarlo por s mismo. Cuando no lo consigue, una accin correctiva tpica es la sustitucin de un electrodo.
Los patrones son disoluciones comerciales, cuyos valores de referencia habituales son 4, 7 y 9 (se
usa una u otra disolucin patrn segn el intervalo de trabajo). Si la disolucin patrn se prepara a
partir de otra ms concentrada, los equipos usados en la preparacin deben incluirse en el plan de
control metrolgico.
Si se trata de un pH-metro de resolucin 0,1, la imprecisin es, normalmente, de este mismo orden,
por lo que no tiene sentido hacer medidas replicadas en la calibracin. El procedimiento que resumimos a continuacin se refiere a este caso. Si la resolucin es 0.01, la discusin sera parecida a la del
viscosmetro Brookfield (v. Ejemplo 2).
El procedimiento de control del equipo debe contener:
La descripcin de los patrones y la manera de prepararlos
Las operaciones a realizar para medir el pH de la disolucin patrn con ese equipo (a menos que
se describan en otro lugar).
El criterio de aceptacin para el resultado obtenido (por ejemplo, el error obtenido al medir el pH
de la disolucin patrn no debe superar 0,1).
La forma de ajustar el equipo
Otras posibles acciones correctivas
Dnde se registra la verificacin realizada
La frecuencia con que se efecta la verificacin
El modo de identificar el estado de control
Usaremos ahora el primero de los viscosmetros del ejemplo 2 para ilustrar el modo en que se establecen, en distintas situaciones, el criterio de aceptacin y el nmero de medidas replicadas. Para el
resto del procedimiento puede servir el guin dado para el pH-metro, salvo en lo referente al ajuste,
que, en este caso, exige una cierta especializacin.
180
Situacin 1. Supongamos que el error admisible fijado para la medida de viscosidad de un producto es 10 mps, y que la imprecisin de la medida de viscosidad del producto es 6 mps (una
suposicin realista, segn lo que se vio en el captulo 2, donde obtuvimos s = 3,75 mps a 60 rpm).
Entonces el sesgo no puede superar 4 mps (10 6 = 4). Como la precisin en la medida de la
viscosidad del patrn puede estimarse como 1 mps (en el captulo 2 obtuvimos s = 0,468 mps),
puede limitarse la verificacin a realizar una medida de viscosidad del patrn, y el criterio de
aceptacin a que el error de esa medida no supere 3 mps.
Situacin 2. Supongamos que el error admisible es 5 mps y la imprecisin 3 mps. Entonces el

sesgo no puede superar 2 mps. Podemos hacer 4 medidas replicadas e imponer como criterio de
aceptacin que el sesgo obtenido (media de los 4 errores) no supere 1,5 mps, ya que los lmites
de confianza para el sesgo son:
Sesgo obtenido
= Sesgo obtenido 0,5
Situacin 3. Supongamos que el error admisible es 5 mps y la imprecisin 4 mps. Entonces el

sesgo no puede superar 1 mps. Podemos realizar 10 medidas replicadas e imponer como criterio
de aceptacin que el sesgo obtenido (media de los 10 errores) no supere 0.65 mps, ya que los
lmites de confianza son:
Sesgo obtenido
1
10
= Sesgo obtenido 0, 32
Situacin 4. Supongamos que el error admisible es 5 mps y la imprecisin 5 mps. En este caso,
el equipo no es vlido para esta aplicacin.
Como se ve, el nmero de replicados y el criterio de aceptacin se deciden en funcin de la magnitud

relativa del error admisible y la imprecisin. Cuento menor es la diferencia entre ambos, ms se complica el procedimiento.
Hemos basado la discusin en la regla:
Sesgo + Imprecisin Error admisible,
o, si se prefiere:
Error total = Error sistemtico + Error aleatorio Error admisible.
4.2 Factores de calibracin

El viscosmetro Cannon-Fenske ya ha aparecido en el captulo 2. En este caso, la calibracin es un
experimento cuyo fin es determinar un factor, el factor de calibracin, que se usar para transformar
tiempos en viscosidades. Una vez determinado el factor, el control 00puede limitarse a limpiar el tubo
y verificar su integridad. Como se limpian con frecuencia, los tubos pueden romperse, por lo que se
acostumbra a tener varios, cada uno con su factor asociado.
Los patrones son fluidos de viscosidad conocida. Los factores pueden ser distintos para los distintos
patrones. Para obtener el factor, se mide varias veces el tiempo de paso del fluido patrn, se calcula
la media, y se efecta la divisin
Factor =
Viscosidad patrn
tiempo medio
181
Para decidir el nmero de medidas replicadas, se puede razonar como en el apartado anterior. La
frmula para el clculo de los lmites de confianza del factor (la incertidumbre de la calibracin) es
ms complicada, por lo que la obviamos aqu, pero puede hacerse una simulacin sencilla para saber
cul sera la magnitud de los errores en la medida de viscosidad originados por los errores en la obtencin del factor. Para ello basta medir el tiempo de paso varias veces, y traducir las diferencias
entre los resultados a unidades de viscosidad.
Es importante tambin el control del personal que efecta la medida, ya que, en sentido estricto, el
factor slo es vlido para la persona que lo obtuvo.
El procedimiento de control debe incluir:
La descripcin de los patrones y su preparacin
Las operaciones a realizar para obtener el tiempo de paso del fluido patrn (a menos que ya se
describan en otro lugar).
El modo de obtener el factor
Dnde se registra la calibracin
Limpieza, comprobacin y sustitucin de los tubos
Control del personal que realiza las medidas
Modo de identificar el estado de control
4.3 Recta de calibracin

Por ltimo, para ilustrar el caso ms complejo, consideramos el caso de un espectrofotmetro, que se
usa para determinar el contenido de uno de los componentes de una sustancia. La calibracin del
espectrofotmetro tiene como fin determinar la funcin matemtica que permite transformar su respuesta (la absorbancia) en el contenido de ese componente, que, normalmente, es lineal. Su grfica
es la recta de calibracin. La calibracin es especfica para cada anlisis en que intervenga el equipo. Los patrones son disoluciones, normalmente preparadas por el usuario, cuya concentracin en el
componente que interesa es conocida.
Para determinar los dos parmetros de la recta, se obtienen una o varias veces las respuestas correspondientes a las disoluciones patrn, a las que se aplican las frmulas de la regresin lineal,
tomando como variable X el contenido del componente que interesa en la disolucin patrn, y como Y
la respuesta del equipo. Estos equipos disponen de software para los clculos, de modo que el usuario no tiene que preocuparse por ellos, ni anotar la ecuacin de la recta, salvo si el procedimiento
correspondiente prev hacerlo en el registro de la calibracin. En cambio, es importante la disciplina
en la realizacin del experimento, especialmente en la preparacin de las disoluciones patrn.
El procedimiento de calibracin debe incluir:
La descripcin de los patrones y su preparacin
Las operaciones a realizar para obtener la respuesta del equipo para las disoluciones patrn (a
menos que ya se describan en otro lugar)
La frecuencia de la calibracin
182
Dnde se registra la calibracin
El modo de identificar si el equipo ha sido calibrado
El control propiamente dicho puede realizarse estableciendo unos lmites de tolerancia para los parmetros de una de la recta de calibracin de uno de los anlisis en los que se use el equipo, o usando un patrn de control (check standard). El patrn de control es una sustancia, cuya composicin
no es importante conocer, para la que se hace la lectura peridicamente (sin traducirla a unidades de
concentracin). Para esta lectura se establecen lmites de tolerancia. Es aconsejable el seguimiento
de los resultados durante un tiempo en un grfico de control, antes de establecer los lmites.
Ejemplo 4
Se calibra un espectrofotmetro para la determinacin del contenido (ppm) de boro en aguas residuales. El mtodo est basado en la norma ASTM D-3082-74, y usa un blanco (un espcimen con contenido cero) de agua destilada. La calibracin se realiza con siete disoluciones patrn, cuyos contenidos de boro se presentan en la tabla 4.1, junto a las absorbancias (diferencias patrn menos blanco)
obtenidas.
Tabla 4.1 Resultados experimentales

Contenido de
boro (X)
0,0000
1,0016
2,0032
3,0048
4,0065
5,0810
10,1600
Absorbancia
(Y)
0,000
0,049
0,077
0,120
0,163
0,200
0,423
Los coeficientes de la recta de calibracin (Y = a + bX, donde Y es la absorbancia y X el contenido de

boro) son
a = 0,0015
b = 0,04128
y la correlacin,
r = 0,9991
Esta correlacin es satisfactoria (si no se obtiene una correlacin muy prxima a 1, el mtodo no es
apropiado, o ha habido algn error).
183
5. ESTUDIOS DE PRECISIN
5.1 Consideraciones previas
Para ilustrar la importancia de conocer la precisin de los procesos de medida, consideremos la situacin siguiente: se tiene un lote de producto (propio o de un proveedor), sobre una muestra del cual
se efecta una medida, obtenindose un resultado numrico a partir del cual se toma una decisin
(por ejemplo, que el lote pase al estado de disponible para su entrega al cliente). Si se repite todo el
proceso, extrayendo otra muestra y midindola, se obtiene un resultado diferente, con lo que la decisin podra ser tambin diferente. Esto significa que la imprecisin resta fiabilidad a las decisiones
que se tomen a partir de los resultados de medida. La medida en que esto ocurre depende, en general, de la magnitud relativa de la imprecisin y la tolerancia establecida para la verificacin que se
est realizando.
Por consiguiente, uno de los requisitos metrolgicos debe ser, o incluir implcitamente, la imprecisin
mxima permisible. Una sugerencia para establecer este lmite es partir de un lmite para el cociente
Imprecisin
Tolerancia
que da una medida numrica de la capacidad de la medida, parecida al ndice de capacidad Cp del
control estadstico de proceso. Este lmite se establece a priori, por ejemplo, un 10% (sin que esto
sea una norma, sino una sugerencia nuestra para quien no sepa por dnde empezar).
Pero es importante conocer con detalle la imprecisin? En la mayora de los casos, la imprecisin es
mucho menor que la tolerancia, por lo que no es importante disponer de una evaluacin muy fiable,
ya que lo que realmente interesa es tener (y garantizar) la capacidad de medida, ms que cuantificarla. Sin embargo, si la imprecisin supera, por ejemplo, el 10% de la tolerancia, se deben analizar la
distintas causas que la originan y tratar de mejorar el proceso de medida. La mejora de un proceso de
medida pasa, en muchos casos, por analizar los distintos factores de imprecisin. En este captulo
presentamos un mtodo para hacer este anlisis.
En el Captulo 2, vimos cmo evaluar la precisin a partir de una desviacin tpica y la regla dada all
se ha usado en varios ejemplos. La desviacin tpica se puede obtener a partir de la serie de resultados obtenidos repitiendo la medicin, o como promedio de desviaciones tpicas obtenidas en distintos experimentos. Esto ltimo puede hacerse de dos formas diferentes:
Promediando varianzas. As se har en el ejemplo 5.
Promediando recorridos. Este mtodo es muy intuitivo cuando los clculos se acompaan con
grficos de control (v. Mdulo 3).
5.2 Clculo con varianzas

Una varianza es una suma de cuadrados dividida por un nmero, que se llama nmero de grados
de libertad (degrees of freedom). Para una varianza muestral, el nmero de grados de libertad es
2
igual al nmero de observaciones menos 1. Si usamos la varianza muestral, s , como aproximacin
2
de la varianza de la poblacin, , el nmero de grados de libertad es una medida de la calidad de la
2
aproximacin, en el sentido de que a partir de ella se pueden obtener lmites de confianza para . No
profundizaremos aqu en esta cuestin, que es complicada, pero s presentamos en la figura 5.1, para
ilustrar el significado prctico del nmero de grados de libertad, los lmites del 95% para el cociente
s/ en el caso de una distribucin normal. Estos lmites se pueden obtener usando un modelo mate-
184
mtico llamado distribucin chi cuadrado. Se observa que, a partir de un cierto punto, el aumento
del coste experimental repercute poco en la calidad de los resultados. Bajo este punto de vista, 10
observaciones seran una opcin razonable.
225%
200%
Porcentaje valor estimado/valor real
175%
150%
125%
100%
75%
50%
25%
0%
1
10
11
12
13
14
15
16
17
18
19
20
Grados de libertad
Figura 5.1 Porcentaje del valor estimado respecto al valor real de la desviacin estndar
Una propiedad importante de la varianza es que es aditiva. Si X1, X2, , Xn son variables independientes, con varianzas 12 , 22 ,K, n2 , y X = X1 + X 2 + L + X n , la varianza de X es la suma
2 = 12 + 22 + L + n2
Los sumandos 12 , 22 ,L, n2 , se denominan componentes de la varianza. Obsrvese que lo que se
suma son varianzas y no desviaciones tpicas. Algunas aplicaciones de esta propiedad al control metrolgico son las siguientes:
La desviacin tpica de la media de n observaciones independientes de una variable con desvia2

cin tpica es n . Esto resulta de que la varianza de la suma de las n observaciones es n ,
2
por lo que, al dividir por n (o sea, dividir por n la varianza), se obtiene una varianza /n para la
media.
Si se hacen dos observaciones independientes, la varianza de la diferencia es 2 . Por tanto la

desviacin tpica de la diferencia es 2 . Este hecho se usa para calcular los lmites de repetibilidad y reproducibilidad.
185
Supongamos k experimentos independientes, en cada uno de los cuales se hacen n observaciones de una variable X, siendo las varianzas respectivas s12 , s22 ,K, sk2 , con n -1 grados de libertad todas ellas. Entonces, el promedio
s2 =
s1
+ s22 + L + sk2
k
es un valor estimado de la varianza de X, con k(n - 1) grados de libertad.
Si el error de una medida es la suma de errores independientes debidos a distintos factores que
actan independientemente, e = e1 + e2 + L + ek , la varianza del error total es la suma de las varianzas de los errores debidos a cada uno de los factores. Un enunciado equivalente sera: la imprecisin total es la raz cuadrada de la suma de los cuadrados de sus componentes.
El anlisis de la varianza, abreviadamente ANOVA (analysis of variance), es una tcnica estadstica

que consiste en descomponer la variacin total de un conjunto de datos en componentes asociadas a
distintos factores. Una de las variantes del ANOVA permite obtener valores estimados de las componentes de la varianza. A veces se alude a esta variante como ANOVA de tipo II, para diferenciarlo del
de tipo I, que es el que aparece normalmente en los cursos de Estadstica que tratan sobre Diseo de
Experimentos.
Para poder estimar las componentes de la varianza se debe organizar un experimento segn un cierto esquema o diseo experimental, que se llama diseo jerarquizado, o diseo encajado (nested).
Estos diseos son tpicos en el estudio de la variabilidad en los procesos industriales, en situaciones
en las que se descompone la variabilidad observada en las contribuciones de distintos factores.
Nos limitaremos aqu al caso en de dos componentes. El lector interesado en situaciones ms complejas puede consultar Box et al. (1978). Supongamos que los factores son A y B, y que, en la secuencia de operaciones que constituyen el procedimiento, A acta primero y B despus (por ejemplo,
A podra ser la extraccin de la muestra y B el anlisis). Un diseo experimental k n para este problema consiste en la obtencin de kn resultados, agrupados en k grupos de n observaciones, de forma que las diferencias entre resultados de un mismo grupo se atribuyan al factor B, pero las diferencias entre resultados de grupos diferentes se atribuyan a ambos factores conjuntamente (por ejemplo,
se extraen k muestras, a partir de cada una de las cuales se hacen n anlisis replicados).
Supongamos que se han recogido los datos de acuerdo con un diseo k n. Hay k grupos de n observaciones, cada uno con su media y su varianza (Tabla 5.1).
Tabla 5.1 Resultados de un diseo kn

Observaciones
Media
Varianza
x11
x12
...
x1n
x1
s12
x21
x22
...
x2n
x2
s22
xk
sk2
...
...
...
...
xk1
xk2
...
xkn
La varianza promedio da un valor estimado de la varianza asociada al factor B, o varianza dentro de

los grupos,
186
sB2 =
s1 + s2 + L + sk
2
Para obtener un valor estimado de la varianza A2 , asociada al factor A, se calcula en primer lugar la
varianza de las medias de los grupos varianza entre grupos. Una parte de esta varianza, igual a
B2 n , es atribuible al factor B, ya que se ha calculado a partir de datos obtenidos promediando n observaciones que tienen un error con varianza B2 . Por tanto, un valor estimado de A2 es la diferencia
s A2 = Var ( x1, x2 ,L, x k )
sB2
n
Un valor estimado de la varianza total es

s 2 = s A2 + sB2
NOTA. Estas operaciones pueden realizarse con una calculadora de bolsillo que sea capaz de calcular medias y varianzas, o en una hoja electrnica de clculo. Esta ltima opcin, en la que puede
usarse el formato de la tabla 5.1, aadiendo las frmulas para sA2 y sB2 , es muy prctica, ya que permite presentar juntos los datos y los resultados del anlisis y elimina los errores introducidos por los
redondeos. En los libros de estadstica, el anlisis de la varianza se presenta en una tabla, denominada tabla ANOVA, que aqu hemos obviado para aligerar la exposicin.
En un diseo experimental como ste, no slo hay que fijar las condiciones en las que se recoge cada dato, sino tambin determinar el nmero de grupos, k, y el nmero de observaciones por grupo, n.
Por un lado, cuanto mayores sean k y n, mejores sern las estimaciones y, por otro, debe limitarse el
coste del experimento. Supongamos, por ejemplo, que pensamos hacer 30 mediciones. Las opciones
son: 2 15, 15 2,3 10, 10 3,5 6 y 6 5. Cul es la mejor (en trminos estadsticos)? Un valor estimado de una varianza es tanto mejor cuanto mayor sea el nmero de grados de libertad asociado. En un diseo k k, debemos tener en cuenta lo siguiente:
sB2 es el promedio de k varianzas, todas ellas con n 1 grados de libertad, es decir, es una suma
de cuadrados dividida por k(n - 1), que es su nmero de grados de libertad.
La varianza entre grupos tiene k - 1 grados de libertad.
El problema est, pues, en mantener un nmero de grupos alto, para conseguir una buena estimacin
de A2 . Esta conclusin es importante porque, en muchos casos, el coste de aumentar k es superior
al de aumentar n. Los clculos de la tabla 5.2 muestran que el diseo 15 2 es el ms adecuado.
Tabla 5.2 Grados de libertad en distintos diseos

Diseo
Entre grupos
Dentro de grupos
215
152
310
103
56
65
1
14
2
9
4
5
28
15
27
20
25
24
187
En otro procedimiento, empleado en los grficos de control, se calculan los recorridos R1, R2, , Rk, y
su media R, que es el recorrido medio (mean range). Dividiendo el recorrido medio por una constante, que se designa por d2 y que depende de n, se obtiene un valor estimado de . d2 puede hallarse en una tabla de constantes para grficos de control (v. Tabla 5.3). Si k es elevado (por ejemplo k >
10), los recorridos se pueden representar en un grfico de control R, lo que resulta muy intuitivo. El
lmite de control superior se calcula mediante la frmula UCL = D4 R, en la que D4 es una constante
que puede hallarse en la misma tabla de constantes.
NOTA. Qu ocurre si el valor de sA2 es negativo? Un valor negativo carece de sentido, ya que una
varianza no puede serlo. Siempre que en un anlisis estadstico el valor estimado de una varianza
sea negativo, se tiene que interpretar como una indicacin de que el modelo usado no es correcto. En
este caso, lo que sucede es que la influencia de A no es significativa y para el anlisis debemos suprimirlo (el factor, no los datos). Eso no siempre quiere decir que esa influencia no exista, sino que a
veces lo que sucede es que no disponemos de suficiente informacin para evaluarla (k es demasiado
bajo).
5.3. Componentes de imprecisin

Los factores que pueden contribuir a la variabilidad de un proceso de medida son numerosos. Entre
los ms tpicos, se pueden citar:
El personal implicado en la medicin
Los instrumentos de medida y aparatos auxiliares
El medio ambiente
La extraccin de la muestra
Las manipulaciones realizadas para preparar el espcimen que se analiza
Naturalmente, cabe esperar una variabilidad mayor cuando las mediciones las hagan personas distintas, con instrumentos distintos, en condiciones ambientales distintas, etc., es decir, cuanta ms libertad se permita a la actuacin de estos factores. La evaluacin de la contribucin de estos factores a la
variabilidad total se plasma en unos valores llamados componentes de la varianza. En los estudios
de precisin, las componentes de la varianza se asocian a componentes de imprecisin.
Supongamos un proceso en batch en el que se extrae una muestra de cada batch, que se analiza en
el laboratorio, obtenindose un resultado que se registra en un boletn de anlisis, que se asocia a
ese batch y, en muchos casos, se entrega al cliente. Se considera que la imprecisin de esta medida
se debe a la actuacin de dos factores, el muestreo (A) y el anlisis (B). La componente de imprecisin B es una medida numrica del grado de coincidencia entre los resultados analticos obtenidos
sobre una misma muestra, mientras que la componente A es una medida del grado de coincidencia
entre los resultados medios de muestras distintas extradas del mismo batch. El diseo experimental
para evaluar ambas componentes podra ser el siguiente: se extraen 10 muestras de un batch y se
realizan 3 anlisis replicados de cada muestra, obtenindose una tabla de 30 resultados.
Hay que tener en cuenta que el principal beneficio de este experimento no es evaluar la precisin,
cosa que puede hacerse con un experimento ms sencillo, sino conocer la magnitud relativa de las
componentes. Frecuentemente, una es mucho mayor que la otra (v. Ejemplo 5) y su magnitud relativa
nos dice cul de los factores contribuye en mayor grado a la variabilidad del proceso de medida. Este
dato es esencial si queremos mejorar la precisin de la medida.
188
El estudio de tres componentes de la varianza lleva a estudios de mayor coste, que son poco frecuentes en la industria, ya que para un proceso de medida complejo, que conste de numerosas operaciones, se pueden integrar los distintos factores en dos, ver cul de ambos tiene una contribucin mayor
e investigar ste. En cualquier caso, siempre es recomendable un estudio exploratorio para disponer
de una primera evaluacin de la precisin que permita valorar si vale la pena realizar un estudio de
este tipo. En estas notas nos limitamos al caso de dos factores.
Ejemplo 5
Una de las caractersticas de una resina sinttica es el valor epoxi, que es una medida del grado de
polimerizacin del compuesto que la constituye. Este valor se obtiene mediante una valoracin con un
reactivo, cuya normalidad se determina en el mismo laboratorio. Se desea evaluar la precisin de la
valoracin, y se cree que, entre los diversos factores que contribuyen a la imprecisin de la medida, el
ms decisivo es la valoracin del reactivo. En consecuencia, se organiza un experimento segn un
diseo jerarquizado 10 3 con dos factores: la valoracin del reactivo (A) y la determinacin del valor
epoxi (B). Se preparan 10 reactivos, con cada uno de los cuales se hacen tres valoraciones de una
muestra de uno de los productos de mayor venta. Los resultados se presentan en la tabla 5.3, a la
que se han aadido dos columnas con las medias y varianzas de los triplicados, respectivamente.
Tabla 5.3 Constantes de los grficos de control

n
d2
D4
2
3
4
5
6
7
8
9
10
1,13
1,69
2,06
2,37
2,53
2,70
2,85
2,97
3,08
3,27
2,58
2,28
2,12
2,00
1,92
1,86
1,82
1,78
En primer lugar, se calcula la varianza dentro de los grupos (promedio de la ltima columna de la
tabla), que da sB2 = 0,000020, y es una estimacin de la varianza del anlisis. A continuacin, se calcula la varianza entre grupos (varianza de los valores de la quinta columna de la tabla), que es
0,000153. Restando sB2 3 a este valor, se obtiene
s A2 = 0,000153
0,000020
= 0,000147
3
que es una estimacin de la varianza debida a la valoracin del reactivo. La varianza total es la suma
de las varianzas debidas a ambos factores,
s 2 = 0,000147 + 0,000020 = 0,000167
Como puede verse, las contribuciones de ambos factores tienen distinto orden de magnitud. El valor
estimado de la desviacin tpica del proceso analtico es, finalmente, s = 0,0129. Este estudio muestra
que los intentos de mejorar la precisin del anlisis deben encaminarse a reducir la variabilidad generada por la valoracin del reactivo.
189
5.4 Repetibilidad y reproducibilidad

Segn la norma ISO 5725, para definir con bastante aproximacin la realidad de muchos procedimientos de medida, bastan dos medidas extremas de la precisin, la repetibilidad (r) y la reproducibilidad (R). La repetibilidad se aplica a las medidas realizadas en condiciones lo ms estables posible, con diferencias pequeas de tiempo, por un mismo operario y con el mismo equipo. Se habla
entonces de condiciones de repetibilidad. La reproducibilidad, por el contrario, se aplica a medidas
hechas en distintas condiciones (distintos operarios, distintos aparatos, distintos laboratorios, o pocas distintas). Para que una expresin de la reproducibilidad sea vlida, se deben especificar las condiciones que pueden cambiar de una medida a otra. Las restantes condiciones, que no se alteran,
son las condiciones de reproducibilidad.
Este planteamiento equivale a la descomposicin en dos componentes de imprecisin, en la que se
consideran dos factores: uno de ellos genera la imprecisin mnima, presente en condiciones de repetibilidad, y el otro la imprecisin adicional, obtenida en condiciones de reproducibilidad. Es un planteamiento especialmente adecuado para un ensayo inter-laboratorios, en el que los factores corresponden, respectivamente, a la variabilidad entre medidas repetidas en el mismo laboratorio y a la
variabilidad debida al cambio de laboratorio.
La norma ISO 5725 presenta un mtodo para la evaluacin de la repetibilidad y la reproducibilidad de
un procedimiento de medida, aplicable en un ensayo inter-laboratorios. La variabilidad debida al factor
laboratorio se suma a la variabilidad interna de los laboratorios (repetibilidad) para dar la variabilidad
total (reproducibilidad) de la medida. Segn la norma, la repetibilidad se evala dando un valor por
debajo del cual se debe obtener, con una probabilidad especificada (habitualmente del 95%), el valor
absoluto de la diferencia entre dos resultados individuales. Para ello se parte de la desviacin tpica
de repetibilidad r, o desviacin tpica en condiciones de repetibilidad, y se calcula el lmite de repetibilidad
r = 2,8 r
que puede usarse para ver si la diferencia entre dos medidas hechas en un mismo laboratorio son
significativamente diferentes. La reproducibilidad se evala de modo anlogo, mediante el lmite de
reproducibilidad,
R = 2,8 sR
El mtodo de la norma ISO 5725 coincide bsicamente con el propuesto en la norma ASTM E691,
que tiene idntico objeto, y con el recomendado por la IUPAC. En la presentacin de los mtodos de
anlisis aceptados por estos organismos, se evala la precisin mediante valores r y R.
Mdulo 2: Autoevaluaciones
191
1. Cul es la probabilidad de aceptar un lote de tamao N=500 con 25 no conformidades si
utilizamos el plan de muestreo n=16 Ac=1?
0,2525 !
0,8108 !
0,5147 !
0,3707 !
.............!
2. Cul es la calidad de salida media (AOQ) para un lote de N=500 unidades con un 1% de no
conformidades si utilizamos un plan de muestreo rectificativo n=14 Ac=0?
0,043 !
0,001 !
0,009 !
0,9913 !
.............!
3. Dado el plan de muestreo n=11 Ac=1 y el tamao del lote es N=200. Si el AQL=0.01, indique
cul es el riesgo :
0,0052 !
0,05 !
0,0062 !
0,9998 !
.............!
4. Cul es el LQL del plan de muestreo n=11 Ac=1 si el riesgo es =0.0606 y el lote de tamao
N=200?
0,30 !
0,35 !
0,20 !
0,25 !
.............!
5. Cul es la inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a

almacn es p=0.15, para un plan de muestreo rectificativo n=12 Ac=0, donde el tamao de los
lotes es de N=1000 unidades?
859,51 !
982,45 !
928,32 !
892,45 !
.............!
6.1. Indique el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si
queremos inspeccionar lotes de N=50.000 unidades de forma continuada y el nivel de calidad
aceptable (AQL) pactado con el proveedor es de 0,25% de no conformidades.
n=500 Ac=3 !
n=800 Ac=1 !
n=500 Ac=2 !
n=800 Ac=2 !
n=..... Ac=...!
6.2. Con el plan que haya escogido en el apartado 6.1., cul es la probabilidad de aceptacin de un
lote que lleve 0,2% de piezas no conformes:
0,9976 !
0,9503 !
0,7576!
0,9197 !
.............!
7. Calcule el riesgo por un plan doble n1=18, c1=2, n2=25, c2=4 si el nivel de calidad aceptable
(AQL) es 0.05, suponiendo que el lote es grande.
0,031 !
0,0341 !
0,0251 !
0,05 !
.............!
8. Dado el plan de muestreo n=12 Ac=1 y el tamao del lote N=200, si el AQL=0.01, indique cul es
el riesgo :
0,043 !
0,05 !
0,0062 !
0,3707 !
.............!
9. Cul es la calidad de salida media (AOQ) para un lote de N=500 unidades con un 5% de no
conformidades si utilizamos un plan de muestreo rectificativo n=13 Ac=1?
0,034 !
0,043 !
0,009 !
0,9913 !
.............!
192
10. Cul es la probabilidad de aceptar un lote de tamao N=1000 con 150 no conformidades si
utilizamos el plan de muestreo n=17 Ac=1?
0,2734 !
0,8108 !
0,2525 !
0,3707 !
.............!
11. Cul es el LQ del plan de muestreo n=12 Ac=1 si el riesgo =0.085 y el lote de tamao N=200?
0,30 !
0,27 !
0,20 !
0,25 !
.............!
12. Cul es la inspeccin total mediana (ATI) si la proporcin de unidades no conformes de entrada
a almacn es p=0,25, para un plan de muestreo rectificativo n=14 Ac=0, donde el tamao de los
lotes es de N=1.000 unidades?
859,51 !
982,45 !
928,32 !
892,45 !
.............!
13.1Indique el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si
queremos inspeccionar lotes de N=70.000 unidades de forma continuada y el nivel de calidad
aceptable (AQL) pactado con el proveedor es de 0,40% de no conformidades.
n=500 Ac=3 !
n=800 Ac=1 !
n=500 Ac=2 !
n=800 Ac=2 !
n=..... Ac=... !
13.2 Con el plan que haya escogido en el apartado 13.1, cul es la probabilidad de aceptacin de un
lote que lleve 0,5% de piezas no conformes?:
0,9976 !
0,9503!
0,7576 !
0,9197 !
.............!
14. Calcule el riesgo para un plan doble n1=10, c1=3, n2=12, c2=5 si el nivel de calidad aceptable
(AQL) es 0.15, suponiendo que el lote es grande.
0,031 !
0,0341 !
0,0251 !
0,05 !
.............!
15. Dado el plan de muestreo n=20 Ac=1. Si el LQL=0.15, indicar cul es el riesgo :
0, 15 !
0,18 !
0,10 !
0,05 !
............!
16. Dado un plan de muestreo n=15 Ac=2. Si el AQL=0,05, calcule el valor del riesgo :
0,05 !
0,04 !
0,08 !
0,10 !
...........!
17. Calcule la calidad de salida media (AOQ) para p=0,10 si utilizamos un plan de muestreo
rectificativo para lotes de N=1.000 unidades y n=20 Ac=1:
0,05 !
0,04 !
0,15 !
0,01 !
..........!
18. Calcule la Inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a
almacn es p=0,05, para un plan de muestreo rectificativo n=20 Ac=1, donde el tamao de los
lotes es de N=1000 unidades:
279 !
980 !
350 !
337 !
............!
19. Calcule el riesgo para un plan doble n1=15, c1=0, n2=20, c2=1 si el nivel de calidad lmite (LQL)
es 0,15.
0,10 !
0,13 !
0,15 !
0,05 !
............ !
193
20. Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 si hemos de
inspeccionar lotes de N=2000 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 0,15% de no conformidades:
n=125, Ac=3 !
n=125, Ac=0 !
n=315, Ac=1 !
n=80, Ac=0 !
n=
, Ac=
21. Dado el plan de muestreo n=20 Ac=0. Si el LQL=0,10, indicar cul es el riesgo
0, 15 !
0,18 !
0,12 !
0,05 !
..........!
22. Dado un plan de muestreo n=20 Ac=3. Si el AQL=0,05, calcule el valor del riesgo :
0,05 !
0,04 !
0,02 !
0,10 !
...........!
23. Calcule la calidad de salida media (AOQ) para p=0,20 si utilizamos un plan de muestreo
rectificativo para lotes de N=1000 unidades y n=20 Ac=2:
0,05 !
0,04 !
0,15 !
0,01 !
..........!
24. Calcule la inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a
almacn es p=0,10, para un plan de muestreo rectificativo n=20 Ac=1, donde el tamao de los
lotes es de N=1.000 unidades:
279 !
617 !
350 !
220 !
............!
25. Calcule el riesgo per un plan doble n1=20, c1=0, n2=15, c2=1 si el nivel de calidad lmite (LQ) es
0,15:
0,10 !
0,13 !
0,15 !
0,05 !
............ !
26 Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 si hemos de
inspeccionar lotes de N=1000 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 1% de no conformidades:
n=125, Ac=3 !
n=125, Ac=0 !
n=315, Ac=1 !
n=80, Ac=2 !
n= ...., Ac=.... !
195
1. En un proceso de fabricacin la altura en mm de una pieza sigue una ley normal de media m= 20
y desviacin estndar = 0,2. Calcule el % de piezas que no cumplirn la tolerancia si los lmites
de tolerancia son 20,2 0,5.
16% #
6,9% #
6,7% #
18% #
..............#
2. Cul es la de un proceso de media m=14, Cpk=1,1 y tolerancias TI=11 y TS=16:

0,47 #
0,243 #
0,606 #
1,72 #
................#
3. En un proceso de fabricacin la altura en mm de una pieza sigue una ley normal de media m= 22
y desviacin estndar =0,2. Calcule el % de peces que no cumplirn la tolerancia si los lmites
de tolerancia son 22,20,4.
16% #
6,9% #
6,7% #
19% #
..............#
4. Cul es la de un proceso de media m=12, Cpk=1,4 y tolerancias TI=11 y TS=16?

0,238 #
0,73 # 0,47 # 1,72 #
..............#
5. El dimetro de una pieza de un proceso de fabricacin sigue una ley normal. Qu porcentaje de
la fabricacin no cumple la tolerancia si las tolerancias son TI= 40 mm TS= 50 mm, el Cp= 1,4 y
el Cpk= 0:
0% #
50% #
2% #
1,4% #
............#
2
6. Calcular el Cpk de un proceso que sigue una ley normal de media m= 40, =4, Cp= 2 y la
tolerancia inferior es 20:
-1,33333 #
1,33333 #
-0.6667 #
0,6667 #
............ #
2
7. En un grfico de control u, de una fabricacin de tejido, se cogen 20 muestras de 10 m . Si

2
2
u =0,20 defectos/m y la muestra 18 tiene 0,60 defectos/m , podemos decir que
!
!
!
la muestra18 se encuentra dentro de los lmites de control

la muestra 18 se encuentra fuera de los lmites de control
no podemos decir nada sobre la muestra 18
..........................................................................
#
#
#
#
a
8. El punto de un grfico de control de medias (k= 20 y n=4) correspondiente a la 6 muestra: 3.56,

3.65, 3.72 y 3.62, utilizando las reglas del test de Western Electric de un proceso en X =3.5 mm y
2=0.01 mm2 ,se encontrar en:
Zona A #
Zona B #
Zona C #
Ms all de la zona A #
.............. #
9. El dimetro de una pieza de un proceso de fabricacin sigue una ley normal. Cul es la media
de los dimetros si un 50% de las piezas son defectuosas por exceso, las tolerancias son
TI=30mm TS=40 mm, el Cp=1,3 y el Cpk=0?:
35 #
55 #
30 #
40 #
............#
196
10. Calcular el Cpk de un proceso que sigue una ley normal de media m=40, =4, Cp=1 y la
tolerancia inferior es 20:
1,33333 #
-1,3333 #
-0,6667 #
0,6667 #
............#
2
11. En un grfico de control u, de una fabricacin de tejido, se cogen 18 muestras de 10 m . Si

2
2.
u = 0,20 defectos/m y la muestra 18 tiene 0,65 defectos/m , podemos decir que
!
!
!
!
#
#
#
#.
la muestra 18 se encuentra dentro de los lmites de control

la muestra 18 se encuentra fuera de los lmites de control
no podemos decir nada sobre la muestra 18
............................................................................................
12. El punto de un grfico de control de medias (k=20 y n=4) correspondiente a la 6 muestra: 3,45,
3,52, 3,31 y 3,75, utilizando las reglas del test de Western Electric de un proceso con X =3,5
2
mm y 2 =0,01 mm , se encontrar en:
Zona A #
Zona B #
Zona C #
..............
13. En un grfico de control con 20 observaciones individuales, x =2,90 y S 2 =0,01, utilizando las
a
reglas del Test de Western Electric la 7 muestra 3,15 se encontrar:
Zona A #
Zona B #
Zona C #
..............
14. En un grfico de control np con 20 muestras de tamao 25, si p =0,05 cual es la probabilidad de
que un punto se encuentre fuera de los lmites de control si se asume que el nmero de no
conformidades por muestra sigue la distribucin binomial.
0,8729 #
0,1271 #
0,9245 #
0,2642 #
..............
15. El punto 12 de un grfico de control de observaciones individuales es 4,54, con 20 puntos,

x =4,9 y S 2 =0,01, utilizando las reglas del Test de Western Electric se encontrar en:
Zona A #
Zona B #
Zona C #
..............
16. En un grfico de control np con 20 muestras de tamao 19, si p =0,05 cual es la probabilidad de
que un punto se encuentre fuera de los lmites de control si se asume que el nmero de no
conformidades por muestra sigue la distribucin binomial.
0,8729 #
0,7547 #
0,2453 #
0,2642 #
..............
17. Calcular el Cpk de un proceso que sigue una ley normal de media = 100, =4, Cp= 2 y la TS
es 103:
0,8333 #
0,78 #
0,25 #
3,75 #
18. Calcular los lmites de control de un grfico de medias, si

12,14 y 12,46#
12,12 y 12,48#
12,05 y 12,55#
..............
x =12,3 y R =0,24 (n=3 y k=20).
12,19 y 12,41#
.....,...... y............ #
197
19. La tolerancia de una cota de una pieza es 125mm0,5. Calcular el porcentaje de piezas de
fabricacin que sern defectuosas por defecto si la media del proceso es 225,2 mm y la
desviacin estndar 0,2 mm.
99,98% #
0,02% #
6,68% #
93,32% #
................. #
20. La tolerancia de una cota de una pieza es 125mm0,5. Calcular el porcentaje de piezas de
fabricacin que sern defectuosas por exceso si la media del proceso es 325,1 mm y la
desviacin estndar 0,2 mm.
97,72 %#
2,28% #
0,13 % #
99,87% #
.................. #
21. Calcular el Cpk de un proceso que sigue una ley normal de media = 90, =4, Cp= 2 y la TS es
93:
0,8333 #
0,78 #
0,25 #
3,75 #
22. Calcular los lmites de control de un grfico de medias, si

22,19 y 22,41#
22,16 y 22,44#
22,05 y 22,55#
..............
x =22,3 y R =0,24 (n=3 y k=20).
22,21 y 12,39 #
.....,..... y............ #
199
Calcular el sesgo y la incertidumbre de la calibracin de un equipo de medida de resolucin 0,01 cl,
2
donde se han realizado n=10 repeticiones en condiciones de repetibilidad, X =2,30 cl, s =0,0043, el
valor del patrn es 2,33cl 0,1 ml (para K=2):
1. El sesgo es
0,03 "
0,01 "
-0,03 "
0,02 "
........"
2. La incertidumbre de la calibracin expresada en ml, en trminos de 2 es

0,05247 "
0,430503 "
0,416333 "
0,05132 "
............"
3. En un estudio de repetibilidad y reproducibilidad de un pie de rey, tres operarios han cogido 10

piezas de tolerancia 250,9 mm, y se han realizado tres mediciones de cada pieza. Utilizando el
mtodo del recorrido y la media se ha obtenido: la variacin del equipo EV= 0,42mm, la variacin
de los operarios AV= 0,16 mm y la variacin de las piezas PV= 0,95. El % respecto la tolerancia
es:
42,765% "
24,969% "
44,21% "
64,444% "
............ "
Para evaluar la imprecisin de un mtodo de ensayo se han realizado dos series de n=10 valores y se
han obtenido s1=0,456 y s2=0,230. Queremos comprobar si las varianzas son estadsticamente
diferentes con un riesgo =0,10:
4.
Calcular el valor del estadstico y el valor superior de las tablas F

1,9826 y 3.18 " 3,9307 y 3,18 "
5.
3,9307 y 3.44 "
1,9826 y 3.44 "
.......... y ............ "
Las varianzas experimentales son:

!
!
!
Diferentes con un nivel de confianza del 0,90

No hay divergencia entre las varianzas en un riesgo del 0.10
..............................................................................................
"
"
"
6. El valor de reproducibilidad de un ensayo de viscosidad es R=18 mps. Se ha realizado un estudio

en dos laboratorios sobre el mismo espcimen y ha resultado 523 mps y 540 mps
respectivamente; podemos decir que:
!
!
!
!
Las diferencias no son estadsticamente diferentes con un riesgo del 0.05

Se ha de determinar cul es el valor de repetibilidad
Las diferencias son estadsticamente diferentes con una confianza 0.95
....................................................................... ................... .........................
"
"
"
"
Calcular el sesgo y la incertidumbre de la calibracin de un equipo de medida de resolucin 0,01 cl,

2
donde se han realizado n=10 repeticiones en condiciones de repetibilidad, X =4,25 cl, s =0,004, el
valor del patrn es 4,23cl 0,1 ml (para K=2):
7. El sesgo es
0,03 "
-0,02 "
-0,03 "
0,02 "
............."
200
8. La incertidumbre de la calibracin expresada en ml, en trminos de 2 es

0,05247 "
0,416333 "
0,430503 "
0,05132 "
............"
9. El valor de reproducibilidad de un ensayo de viscosidad es R=22 mps. Se ha realizado un estudio

en dos laboratorios sobre el mismo espcimen y ha resultado 123 mps y 146 mps
respectivamente; podemos decir que:
"
"
"
"
! Las diferencias no son estadsticamente diferentes con un riesgo del 0,05

! Se ha de determinar cul es el valor de repetibilidad
! Las diferencias son estadsticamente diferentes con una confianza 0,95
....................................................................... ................... .........................
10. En un estudio de repetibilidad y reproducibilidad de un pie de rey, tres operarios han cogido 10
piezas de tolerancia 250,9 mm, y se han realizado tres mediciones de cada pieza. Utilizando el
mtodo del recorrido y la media se ha obtenido: la variacin del equipo EV=0,42mm, la variacin
de los operarios AV= 0,16 mm y la variacin de las piezas PV=0,95. El % R&R respecto la
variacin del proceso es:
42,765% "
24,969% "
44,21% "
64,444% "
............"
Para evaluar la imprecisin de un mtodo de ensayo se han realizado dos series de n=9 valores y se
2
2
han obtenido s 1=0,456 y s 2=0,230. Queremos comprobar si las varianzas son estadsticamente
diferentes con un riesgo =0.10:
11. Calcular el valor del estadstico y el valor superior de las tablas F
1,9826 y 3,18 "
12.
!
!
!
3,9307 y 3,18 "
3,9307 y 3,44 "
1,9826 y 3,44 "
......... y ............ "
Las varianzas experimentales son:

Diferentes con un nivel de confianza del 0,90
No hay divergencia entre las varianzas con un riesgo del 0,10
.............................................................................................
"
"
"
Un fabricante de envases de productos alimentarios se halla en el proceso de certificacin de la ISO

9001. Para determinar los requisitos metrolgicos extrae una muestra de produccin y realiza 6
2
medidas repetidas del ensayo del gramaje donde la tolerancia de fabricacin es 5 g/m . Los
resultados son 13,9; 14,3; 14,2; 14,4; 14 y 14,4.
2
13. La imprecisin de lassaig expresado en g/m , en trminos de 2 es:

0,94 "
1,38 "
0,42 "
0,09 "
........ "
14. Se puede concluir:

La imprecisin del ensayo es coherente con los requisitos metrolgicos "
La imprecisin del ensayo No es coherente con los requisitos metrolgicos "
La repetibilidad del ensayo es 1,32
"
La reproducibilidad del ensayo es 1,93
"
.................................................................
"
Soluciones a las autoevaluaciones
201
Soluciones a las autoevaluaciones
PREGUNTA
SOLUCIN
MDULO 2
MDULO 3
MDULO 4
0,8108
6,7%
- 0,03
0,009
0,606
0,430503
0,0052
16%
24,969%
0,35
0,238
3,9307 y 3,18
Son diferentes con un nivel
de confianza del 0,9
Las diferencias no son
estadsticamente diferentes
con riesgo del 0,05
859,51
50%
6.1
n= 500 Ac= 2
0,6667
6.2
0,9197
0,0251
La muestra 18 se encuentra
fuera de los lmites de control
0,02
0,0062
Zona B
0,416333
40
Las diferencias son

estadsticamente diferentes
con una confianza 0,95
0,043
10
0,2525
- 1,3333
42,765 %
11
0,30
La muestra 18 se encuentra
fuera de los lmites de control
1,9826 y 3,44
12
982,45
Zona C
No hay divergencia entre las

varianzas con un riesgo del
0,10
13.1
n= 500 Ac= 3
Zona A
- 0,03
13.2
0,7576
14
0,031
0,1271
15
0,18
Ms all de la zona A
0,42
La imprecisin del ensayo
es coherente con los
requisitos metrolgicos
_
16
0,04
0,2453
17
0,04
0,25
18
279
12,05 y 12,55
19
0,10
0,02%
20
n= 80 Ac= 0
2,28%
21
0,12
0,25
22
0,02
22,05 y 22,55
23
0,04
24
617
25
0,05
26
n= 80 Ac= 2
Glosario
203
GLOSARIO
Accin correctiva (ISO 9000)

Accin tomada para eliminar la causa de una no conformidad existente u otra situacin indeseable.
Accin preventiva (ISO 9000)
Accin tomada para eliminar la causa de una potencial no conformidad u otra potencial situacin indeseable.
Ajuste (VIM)
Operacin destinada a llevar un aparato de medida a una situacin en la que no tenga sesgo.
Aseguramiento de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a proporcionar confianza de que se cumplirn los requisitos de la calidad.
Auditora (ISO 9000)
Proceso sistemtico, independiente y documentado para obtener evidencias y evaluarlas de manera
objetiva con el fin de determinar el alcance al que se cumplen los criterios de la auditoria.
Calibracin (VIM)
Conjunto de operaciones que establecen, bajo condiciones especificadas, la relacin entre a) los valores indicados por un equipo o sistema de medida, o b) los valores representados por un material de
referencia, y los valores correspondientes conocidos de una magnitud.
Calidad (ISO 9000)
Facultad de un conjunto de caractersticas inherentes de un producto, sistema o proceso para cumplir
los requisitos de los clientes y de otras partes interesadas.
Caracterstica (ISO 9000)
Rasgo diferenciador.
Caracterstica de la calidad (ISO 9000)
Caracterstica inherente de un producto, proceso o sistema, derivada de un requisito.
Caracterstica metrolgica (ISO 9000)
Rasgo distintivo que puede influir sobre los resultados de la medicin.
Certificacin (ISO Guide 30)
Procedimiento para establecer, por operaciones tcnicamente vlidas, los valores medidos de una
magnitud de un material.
204
Cliente (ISO 9000)

Organizacin o persona que recibe un producto.
Condiciones de repetibilidad (ISO 5725--1)
Condiciones en las que se obtienen resultados de medida independientes, usando el mismo mtodo,
sobre material idntico, en el mismo laboratorio, por el mismo operario, usando el mismo equipo y
dentro de un intervalo de tiempo corto.
Condiciones de reproducibilidad (ISO 5725--1)
Condiciones en las que se obtienen resultados de medida, usando el mismo mtodo sobre material
idntico, en distintos laboratorios, por distintos operarios, usando distinto equipo.
Confirmacin metrolgica (ISO 9000)
Conjunto de operaciones necesarias para asegurar que el equipo de medicin cumple con los requisitos para su uso previsto.
NOTA 1 La confirmacin metrolgica incluye calibracin y/o verificacin; cualquier ajuste necesario;
reparacin y posterior recalibracin; comparacin con los requisitos metrolgicos para el uso previsto
del equipo de medicin; as como cualquier sellado y etiquetado requeridos.
NOTA 2 La confirmacin metrolgica no se consigue hasta que se demuestra y documenta la adecuacin de los equipos de medicin para la utilizacin prevista.
NOTA 3 -- Los requisitos relativos a la utilizacin prevista pueden incluir consideraciones tales como
el rango, la resolucin, los errores mximos permisibles, etc.
NOTA 4 Los requisitos de la confirmacin metrolgica normalmente son distintos de los requisitos
del producto y no se encuentran especificados en los mismos.
Control de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a la satisfaccin de los requisitos de calidad.
Conformidad (ISO 9000)
Cumplimiento de un requisito.
Documento (ISO 9000)
Informacin y su medio de transporte.
Eficacia (ISO 9000)
Extensin en la que se realizan las actividades planificadas y se alcanzan los resultados planificados.
Eficiencia (ISO 9000)
Relacin entre el resultado alcanzado y los recursos utilizados.
Ensayo (ISO 9000)
Determinacin de una o ms caracterstica de acuerdo con un procedimiento.
Glosario
205
Equipo de medicin (ISO 9000)

Instrumento de medicin, software, patrn de medicin, material de referencia o equipos auxiliares o
combinacin de ellos, necesarios para llevar a cabo un proceso de medicin.
Especificacin (ISO 9000)
Documento que establece requisitos.
Estructura organizativa (ISO 9000)
Descripcin de responsabilidades, autoridades y relaciones entre el personal.
Evidencia objetiva (ISO 9000)
Datos que respaldan la evidencia o verdad de algo.
NOTA La evidencia objetiva se obtiene por medio de la observacin, medida, ensayo u otros medios.
Exactitud (ISO 5725--1)
Grado de coincidencia entre un resultado de medida y el valor de referencia aceptado.
Gestin de la calidad (ISO 9000)
Actividades coordinadas para dirigir y controlar una organizacin en lo relativo a la calidad.
Incertidumbre (GUM)
Parmetro, asociado al resultado de una medicin, que caracteriza la dispersin de los valores que
pueden ser razonablemente atribuidos a la magnitud medida.
Informacin (ISO 9000)
Datos que poseen significado
Inspeccin (ISO 9000)
Evaluacin de la conformidad por medio de observacin y dictamen, acompaado cuando sea apropiado por medidas, ensayos o clculos.
Lmite de tolerancia (ISO 3534)
Valor lmite (inferior o superior) especificado para una caracterstica medible. Cuando hay un nico
lmite especificado, se le denomina lmite simple de tolerancia. Cuando hay dos lmites, superior e
inferior, se les denomina respectivamente
Manual de la calidad (ISO 9000)
Documento que describe el sistema de gestin de la calidad de una organizacin.
206
Material de referencia (VIM)

Sustancia para la cual una o varias propiedades estn lo suficientemente bien establecidas como
para calibrar un instrumento o validar un procedimiento de medida.
Mejora de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a mejorar su eficacia y eficiencia.
Mtodo de referencia (ISO Guide 30)
Mtodo de medida que ha sido exhaustivamente utilizado y claramente descrito, habindose evaluado su exactitud, y que puede ser utilizado para evaluar la exactitud de otros mtodos (y eventualmente validarlos) y para asignar valores de referencia.
Muestra (ISO 3534)
Uno o ms objetos extrados de una poblacin y destinados a proporcionar informacin sobre la poblacin y, eventualmente, servir de base para una decisin sobre la poblacin o el proceso que la ha
producido.
Muestreo (ISO 3534)
El procedimiento usado para seleccionar o constituir una muestra.
No conformidad (ISO 9000)
Incumplimiento de un requisito.
Organizacin (ISO 9000)
Conjunto de personal e instalaciones con un claro establecimiento de responsabilidades, autoridades
y relaciones.
Parte interesada (ISO 9000)
Persona con un inters o grupo que tenga un inters compartido en el xito de una organizacin.
Patrn de medida (VIM)
Medida materializada, aparato de medida, material de referencia o sistema de medida destinado a
definir, realizar o reproducir una unidad o uno o varios valores de una magnitud para transmitirlos por
comparacin a otros instrumentos de medida.
Planificacin de la calidad (ISO 9000)
La parte de la gestin de la calidad enfocada al establecimiento de los objetivos de la calidad y a la
especificacin de los procesos operativos necesarios y de los recursos relacionados para cumplir los
objetivos de la calidad.
Glosario
207
Poltica de la calidad (ISO 9000)

Intenciones y direccin global de una organizacin relativas a la calidad tal como se expresan formalmente por la alta direccin.
Precisin (ISO 5725-1)
Grado de coincidencia entre resultados de medida independientes, obtenidos en condiciones prescritas.
Procedimiento (ISO 9000)
Forma especificada para llevar a cabo una actividad o un proceso.
Proceso (ISO 9000)
Sistema de actividades, que utilizan recursos para transformar entradas en salidas.
Proceso de medicin (ISO 9000)
Conjunto de recursos, actividades interrelacionadas e influencias relativas a una medicin.
Producto (ISO 9000)
Resultado de un proceso.
Registro (ISO 9000)
Documento que proporciona resultados conseguidos o evidencia de actividades efectuadas.
Repetibilidad (ISO 5725-1)
Precisin bajo condiciones de repetibilidad.
Reproducilidad (ISO 5725-1)
Precisin bajo condiciones de reproducibilidad.
Requisito (ISO 9000)
Necesidad o expectativa establecida o habitualmente implcita u obligatoria.
Requisito metrolgico (ISO 9000)
Requisito para una caracterstica metrolgica.
Resolucin (VIM)
Expresin cuantitativa de la aptitud de un dispositivo indicador para permitir distinguir de modo significativo entre dos valores prximos de la magnitud indicada.
208
Revisin (ISO 9000)

Actividad formal y sistemtica para asegurar la continua conformidad, la adecuacin, eficiencia y eficacia de la materia objeto de la revisin para alcanzar unos objetivos claramente establecidos.
Sesgo (ISO 5725-1)
Diferencia entre la esperanza de los resultados de medida y el valor de referencia aceptado.
Servicio (ISO 9000)
Producto intangible resultado de al menos una actividad efectuada en el interfaz entre el suministrador y el cliente.
Sistema (ISO 9000)
Conjunto de elementos mutuamente relacionados o que actan entre s.
Sistema de control de las mediciones (ISO 9000)
Conjunto de operaciones necesarias para lograr la confirmacin metrolgica y el control continuo de
los procesos de medicin.
Sistema de gestin de la calidad (ISO 9000)
Sistema para establecer la poltica de la calidad y los objetivo de la calidad y para la consecucin de
dichos objetivos.
Tolerancia (ISO 3534)
Diferencia entre los lmites superior e inferior de tolerancia.
Trazabilidad (ISO 9000)
Capacidad para seguir la historia, aplicacin o localizacin de todo aquello que est en consideracin.
Unidad de muestreo (ISO 3534)
Objeto extrado de la poblacin.
Validacin (ISO 9000)
Confirmacin mediante el examen y la aportacin de evidencia objetiva de que se han cumplido los
requisitos particulares para una utilizacin o especfica prevista.
Verificacin (ISO 9000)
Confirmacin mediante el examen y la aportacin de evidencia objetiva de que se han cumplido los
requisitos especficados.
Zona de tolerancia (ISO 3534)
La zona de valores en la cual una caracterstica medible es conforme a su especificacin.
NDICE
1. Ley de Snedecor F .................................................................................................... 211

1.1. Ley de Snedecor F: P(0,99)................................................................................. 211
2. Funcin de distribucin de la ley Normal............................................................... 214
2
3. Funcin de la distribucin X ................................................................................... 215

4. Funcin de la distribucin T- Student..................................................................... 216
5. Funcin de distribucin Binomial (Tabla 1) ........................................................... 217
6. Funcin de distribucin Poisson (Tabla 1)............................................................. 223
Tablas de Estadstica
211
1. Ley de Snedecor F
1.1. Ley de Snedecor F: P(0,99)
0,01
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,08
6,85
2
4999
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
4,98
4,79
3
5404
99,16
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,19
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,13
3,95
4
5624
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,65
3,48
5
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,34
3,17
6
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,12
2,96
7
5928
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
2,95
2,79
8
5981
99,38
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,82
2,66
9
6022
99,39
27,34
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,72
2,56
1
10
6056
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,63
2,47
11
6083
99,41
27,13
14,45
9,96
7,79
6,54
5,73
5,18
4,77
4,46
4,22
4,02
3,86
3,73
3,62
3,52
3,43
3,36
3,29
3,24
3,18
3,14
3,09
3,06
3,02
2,99
2,96
2,93
2,91
2,73
2,56
2,40
12
6107
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,50
2,34
13
6126
99,42
26,98
14,31
9,82
7,66
6,41
5,61
5,05
4,65
4,34
4,10
3,91
3,75
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,07
3,02
2,98
2,94
2,90
2,87
2,84
2,81
2,79
2,61
2,44
2,28
14
6143
99,43
26,92
14,25
9,77
7,60
6,36
5,56
5,01
4,60
4,29
4,05
3,86
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,82
2,79
2,77
2,74
2,56
2,39
2,23
15
6157
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,35
2,19
20
6209
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,20
2,03
25
6240
99,46
26,58
13,91
9,45
7,30
6,06
5,26
4,71
4,31
4,01
3,76
3,57
3,41
3,28
3,16
3,07
2,98
2,91
2,84
2,79
2,73
2,69
2,64
2,60
2,57
2,54
2,51
2,48
2,45
2,27
2,20
2,03
30
6260
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,20
2,03
40
6286
99,48
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
2,20
2,03
60
6313
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,84
1,66
120
6340
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,73
1,53
212
1.2. Ley de Snedecor F: P(0,95)
1
0,05
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20
25
30
40
60 120
1 161 199 216 225 230 234 237 239 241 242 243 244 245 245 246 248 249 250 251 252 253
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40 19,41 19,42 19,42 19,43 19,45 19,46 19,46 19,47 19,48 19,49
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,76 8,74 8,73 8,71 8,70 8,66 8,63 8,62 8,59 8,57 8,55
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,94 5,91 5,89 5,87 5,86 5,80 5,77 5,75 5,72 5,69 5,66
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,70 4,68 4,66 4,64 4,62 4,56 4,52 4,50 4,46 4,43 4,40
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00 3,98 3,96 3,94 3,87 3,83 3,81 3,77 3,74 3,70
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,60 3,57 3,55 3,53 3,51 3,44 3,40 3,38 3,34 3,30 3,27
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31 3,28 3,26 3,24 3,22 3,15 3,11 3,08 3,04 3,01 2,97
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,10 3,07 3,05 3,03 3,01 2,94 2,89 2,86 2,83 2,79 2,75
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,94 2,91 2,89 2,86 2,85 2,77 2,73 2,70 2,66 2,62 2,58
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,82 2,79 2,76 2,74 2,72 2,65 2,60 2,57 2,53 2,49 2,45
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,72 2,69 2,66 2,64 2,62 2,54 2,50 2,47 2,43 2,38 2,34
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,63 2,60 2,58 2,55 2,53 2,46 2,41 2,38 2,34 2,30 2,25
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,57 2,53 2,51 2,48 2,46 2,39 2,34 2,31 2,27 2,22 2,18
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,51 2,48 2,45 2,42 2,40 2,33 2,28 2,25 2,20 2,16 2,11
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,46 2,42 2,40 2,37 2,35 2,28 2,23 2,19 2,15 2,11 2,06
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,41 2,38 2,35 2,33 2,31 2,23 2,18 2,15 2,10 2,06 2,01
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37 2,34 2,31 2,29 2,27 2,19 2,14 2,11 2,06 2,02 1,97
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,34 2,31 2,28 2,26 2,23 2,16 2,11 2,07 2,03 1,98 1,93
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,31 2,28 2,25 2,22 2,20 2,12 2,07 2,04 1,99 1,95 1,90
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28 2,25 2,22 2,20 2,18 2,10 2,05 2,01 1,96 1,92 1,87
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,26 2,23 2,20 2,17 2,15 2,07 2,02 1,98 1,94 1,89 1,84
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,24 2,20 2,18 2,15 2,13 2,05 2,00 1,96 1,91 1,86 1,81
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,22 2,18 2,15 2,13 2,11 2,03 1,97 1,94 1,89 1,84 1,79
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,20 2,16 2,14 2,11 2,09 2,01 1,96 1,92 1,87 1,82 1,77
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18 2,15 2,12 2,09 2,07 1,99 1,94 1,90 1,85 1,80 1,75
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,17 2,13 2,10 2,08 2,06 1,97 1,92 1,88 1,84 1,79 1,73
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,15 2,12 2,09 2,06 2,04 1,96 1,91 1,87 1,82 1,77 1,71
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,14 2,10 2,08 2,05 2,03 1,94 1,89 1,85 1,81 1,75 1,70
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,13 2,09 2,06 2,04 2,01 1,93 1,88 1,84 1,79 1,74 1,68
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,04 2,00 1,97 1,95 1,92 1,84 1,78 1,74 1,69 1,64 1,58
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,95 1,92 1,89 1,86 1,84 1,75 1,75 1,75 1,75 1,53 1,47
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,87 1,83 1,80 1,78 1,75 1,66 1,66 1,66 1,66 1,43 1,35
213
1.3. Funcin de distribucin F: P(0,90)

1
0,1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20
25
30
40
60 120
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19 60,47 60,71 60,90 61,07 61,22 61,74 62,05 62,26 62,53 62,79 63,06
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,40 9,41 9,41 9,42 9,42 9,44 9,45 9,46 9,47 9,47 9,48
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,22 5,21 5,20 5,20 5,18 5,17 5,17 5,16 5,15 5,14
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92 3,91 3,90 3,89 3,88 3,87 3,84 3,83 3,82 3,80 3,79 3,78
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,28 3,27 3,26 3,25 3,24 3,21 3,19 3,17 3,16 3,14 3,12
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,92 2,90 2,89 2,88 2,87 2,84 2,81 2,80 2,78 2,76 2,74
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,68 2,67 2,65 2,64 2,63 2,59 2,57 2,56 2,54 2,51 2,49
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,52 2,50 2,49 2,48 2,46 2,42 2,40 2,38 2,36 2,34 2,32
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,40 2,38 2,36 2,35 2,34 2,30 2,27 2,25 2,23 2,21 2,18
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,30 2,28 2,27 2,26 2,24 2,20 2,17 2,16 2,13 2,11 2,08
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,23 2,21 2,19 2,18 2,17 2,12 2,10 2,08 2,05 2,03 2,00
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,17 2,15 2,13 2,12 2,10 2,06 2,03 2,01 1,99 1,96 1,93
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,12 2,10 2,08 2,07 2,05 2,01 1,98 1,96 1,93 1,90 1,88
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,07 2,05 2,04 2,02 2,01 1,96 1,93 1,91 1,89 1,86 1,83
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,04 2,02 2,00 1,99 1,97 1,92 1,89 1,87 1,85 1,82 1,79
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 2,01 1,99 1,97 1,95 1,94 1,89 1,86 1,84 1,81 1,78 1,75
2 17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,98 1,96 1,94 1,93 1,91 1,86 1,83 1,81 1,78 1,75 1,72
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,95 1,93 1,92 1,90 1,89 1,84 1,80 1,78 1,75 1,72 1,69
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,93 1,91 1,89 1,88 1,86 1,81 1,78 1,76 1,73 1,70 1,67
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,91 1,89 1,87 1,86 1,84 1,79 1,76 1,74 1,71 1,68 1,64
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,90 1,87 1,86 1,84 1,83 1,78 1,74 1,72 1,69 1,66 1,62
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,88 1,86 1,84 1,83 1,81 1,76 1,73 1,70 1,67 1,64 1,60
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,87 1,84 1,83 1,81 1,80 1,74 1,71 1,69 1,66 1,62 1,59
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,85 1,83 1,81 1,80 1,78 1,73 1,70 1,67 1,64 1,61 1,57
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,84 1,82 1,80 1,79 1,77 1,72 1,68 1,66 1,63 1,59 1,56
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,83 1,81 1,79 1,77 1,76 1,71 1,67 1,65 1,61 1,58 1,54
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,82 1,80 1,78 1,76 1,75 1,70 1,66 1,64 1,60 1,57 1,53
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,81 1,79 1,77 1,75 1,74 1,69 1,65 1,63 1,59 1,56 1,52
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,80 1,78 1,76 1,75 1,73 1,68 1,64 1,62 1,58 1,55 1,51
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,79 1,77 1,75 1,74 1,72 1,67 1,63 1,61 1,57 1,54 1,50
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,74 1,71 1,70 1,68 1,66 1,61 1,57 1,54 1,51 1,47 1,42
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,68 1,66 1,64 1,62 1,60 1,54 1,54 1,54 1,54 1,40 1,35
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,63 1,60 1,58 1,56 1,55 1,48 1,48 1,48 1,48 1,32 1,26
214
2. Funcin de distribucin de la ley Normal

Z
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
215
3. Funcin de la distribucin X2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
38
40
60
0,995
7,879
10,597
12,838
14,860
16,750
18,548
20,278
21,955
23,589
25,188
26,757
28,300
29,819
31,319
32,801
34,267
35,718
37,156
38,582
39,997
41,401
42,796
44,181
45,558
46,928
48,290
49,645
50,994
52,335
53,672
64,181
66,766
91,952
0,99
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
61,162
63,691
88,379
0,975
5,024
7,378
9,348
11,143
12,832
14,449
16,013
17,535
19,023
20,483
21,920
23,337
24,736
26,119
27,488
28,845
30,191
31,526
32,852
34,170
35,479
36,781
38,076
39,364
40,646
41,923
43,195
44,461
45,722
46,979
56,895
59,342
83,298
0,95
3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
53,384
55,758
79,082
0,9
0,016
0,211
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,041
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
27,343
29,051
46,459
0,75
1,323
2,773
4,108
5,385
6,626
7,841
9,037
10,219
11,389
12,549
13,701
14,845
15,984
17,117
18,245
19,369
20,489
21,605
22,718
23,828
24,935
26,039
27,141
28,241
29,339
30,435
31,528
32,620
33,711
34,800
43,462
45,616
66,981
0,5
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
37,335
39,335
59,335
0,25
0,102
0,575
1,213
1,923
2,675
3,455
4,255
5,071
5,899
6,737
7,584
8,438
9,299
10,165
11,037
11,912
12,792
13,675
14,562
15,452
16,344
17,240
18,137
19,037
19,939
20,843
21,749
22,657
23,567
24,478
31,815
33,660
52,294
0,1
0,016
0,211
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,041
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
27,343
29,051
46,459
0,05
0,004
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
24,884
26,509
43,188
0,025
0,001
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
22,878
24,433
40,482
0,01
0,000
0,020
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
20,691
22,164
37,485
0,005
0,000
0,010
0,072
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
19,289
20,707
35,534
216
4. Funcin de la distribucin t- Student

v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
0,1 0,05 0,025

3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,309
1,309
1,308
1,307
1,306
1,306
1,305
1,304
1,304
1,303
0,01 0,005 0,0025
0,001
6,314 12,706 31,821 63,656 127,321 318,289

2,920 4,303 6,965 9,925 14,089 22,328
2,353 3,182 4,541 5,841
7,453 10,214
2,132 2,776 3,747 4,604
5,598
7,173
2,015 2,571 3,365 4,032
4,773
5,894
1,943 2,447 3,143 3,707
4,317
5,208
1,895 2,365 2,998 3,499
4,029
4,785
1,860 2,306 2,896 3,355
3,833
4,501
1,833 2,262 2,821 3,250
3,690
4,297
1,812 2,228 2,764 3,169
3,581
4,144
1,796 2,201 2,718 3,106
3,497
4,025
1,782 2,179 2,681 3,055
3,428
3,930
1,771 2,160 2,650 3,012
3,372
3,852
1,761 2,145 2,624 2,977
3,326
3,787
1,753 2,131 2,602 2,947
3,286
3,733
1,746 2,120 2,583 2,921
3,252
3,686
1,740 2,110 2,567 2,898
3,222
3,646
1,734 2,101 2,552 2,878
3,197
3,610
1,729 2,093 2,539 2,861
3,174
3,579
1,725 2,086 2,528 2,845
3,153
3,552
1,721 2,080 2,518 2,831
3,135
3,527
1,717 2,074 2,508 2,819
3,119
3,505
1,714 2,069 2,500 2,807
3,104
3,485
1,711 2,064 2,492 2,797
3,091
3,467
1,708 2,060 2,485 2,787
3,078
3,450
1,706 2,056 2,479 2,779
3,067
3,435
1,703 2,052 2,473 2,771
3,057
3,421
1,701 2,048 2,467 2,763
3,047
3,408
1,699 2,045 2,462 2,756
3,038
3,396
1,697 2,042 2,457 2,750
3,030
3,385
1,696 2,040 2,453 2,744
3,022
3,375
1,694 2,037 2,449 2,738
3,015
3,365
1,692 2,035 2,445 2,733
3,008
3,356
1,691 2,032 2,441 2,728
3,002
3,348
1,690 2,030 2,438 2,724
2,996
3,340
1,688 2,028 2,434 2,719
2,990
3,333
1,687 2,026 2,431 2,715
2,985
3,326
1,686 2,024 2,429 2,712
2,980
3,319
1,685 2,023 2,426 2,708
2,976
3,313
1,684 2,021 2,423 2,704
2,971
3,307
217
5. Funcin de distribucin Binomial (Tabla 1)

n
2
0,01
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8
0,05
0,9801
0,9999
1,0000
0,9703
0,9997
1,0000
0,9025
0,9975
1,0000
0,8574
0,9928
0,9999
1,0000
0,9606 0,8145
0,9994 0,9860
1,0000 0,9995
1,0000
0,9510 0,7738
0,9990 0,9774
1,0000 0,9988
1,0000
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,8100
0,9900
1,0000
0,7290
0,9720
0,9990
1,0000
0,6561
0,9477
0,9963
0,9999
1,0000
0,5905
0,9185
0,9914
0,9995
1,0000
0,7225
0,9775
1,0000
0,6141
0,9393
0,9966
1,0000
0,5220
0,8905
0,9880
0,9995
1,0000
0,4437
0,8352
0,9734
0,9978
0,9999
1,0000
0,3771
0,7765
0,9527
0,9941
0,9996
1,0000
0,6400
0,9600
1,0000
0,5120
0,8960
0,9920
1,0000
0,4096
0,8192
0,9728
0,9984
1,0000
0,3277
0,7373
0,9421
0,9933
0,9997
1,0000
0,2621
0,6554
0,9011
0,9830
0,9984
0,9999
1,0000
0,2097
0,5767
0,8520
0,9667
0,9953
0,9996
1,0000
0,5625
0,9375
1,0000
0,4219
0,8438
0,9844
1,0000
0,3164
0,7383
0,9492
0,9961
1,0000
0,2373
0,6328
0,8965
0,9844
0,9990
1,0000
0,1780
0,5339
0,8306
0,9624
0,9954
0,9998
1,0000
0,1335
0,4449
0,7564
0,9294
0,9871
0,9987
0,9999
1,0000
0,1001
0,3671
0,6785
0,8862
0,9727
0,9958
0,9996
1,0000
0,4900
0,9100
1,0000
0,3430
0,7840
0,9730
1,0000
0,2401
0,6517
0,9163
0,9919
1,0000
0,1681
0,5282
0,8369
0,9692
0,9976
1,0000
0,1176
0,4202
0,7443
0,9295
0,9891
0,9993
1,0000
0,0824
0,3294
0,6471
0,8740
0,9712
0,9962
0,9998
1,0000
0,0576
0,2553
0,5518
0,8059
0,9420
0,9887
0,9987
0,9999
1,0000
0,4225
0,8775
1,0000
0,2746
0,7183
0,9571
1,0000
0,1785
0,5630
0,8735
0,9850
1,0000
0,1160
0,4284
0,7648
0,9460
0,9947
1,0000
0,0754
0,3191
0,6471
0,8826
0,9777
0,9982
1,0000
0,0490
0,2338
0,5323
0,8002
0,9444
0,9910
0,9994
1,0000
0,0319
0,1691
0,4278
0,7064
0,8939
0,9747
0,9964
0,9998
1,0000
0,3600
0,8400
1,0000
0,2160
0,6480
0,9360
1,0000
0,1296
0,4752
0,8208
0,9744
1,0000
0,0778
0,3370
0,6826
0,9130
0,9898
1,0000
0,0467
0,2333
0,5443
0,8208
0,9590
0,9959
1,0000
0,0280
0,1586
0,4199
0,7102
0,9037
0,9812
0,9984
1,0000
0,0168
0,1064
0,3154
0,5941
0,8263
0,9502
0,9915
0,9993
1,0000
0,3025
0,7975
1,0000
0,1664
0,5748
0,9089
1,0000
0,0915
0,3910
0,7585
0,9590
1,0000
0,0503
0,2562
0,5931
0,8688
0,9815
1,0000
0,0277
0,1636
0,4415
0,7447
0,9308
0,9917
1,0000
0,0152
0,1024
0,3164
0,6083
0,8471
0,9643
0,9963
1,0000
0,0084
0,0632
0,2201
0,4770
0,7396
0,9115
0,9819
0,9983
1,0000
0,25
0,75
1,0000
0,1250
0,5000
0,8750
1,0000
0,0625
0,3125
0,6875
0,9375
1,0000
0,0313
0,1875
0,5000
0,8125
0,9688
1,0000
0,0156
0,1094
0,3438
0,6563
0,8906
0,9844
1,0000
0,0078
0,0625
0,2266
0,5000
0,7734
0,9375
0,9922
1,0000
0,0039
0,0352
0,1445
0,3633
0,6367
0,8555
0,9648
0,9961
1,0000
0,9415 0,7351 0,5314

0,9985 0,9672 0,8857
1,0000 0,9978 0,9842
0,9999 0,9987
1,0000 0,9999
1,0000
0,9321 0,6983 0,4783 0,3206

0,9980 0,9556 0,8503 0,7166
1,0000 0,9962 0,9743 0,9262
0,9998 0,9973 0,9879
1,0000 0,9998 0,9988
1,0000 0,9999
1,0000
0,9227
0,9973
0,9999
1,0000
0,6634
0,9428
0,9942
0,9996
1,0000
0,4305
0,8131
0,9619
0,9950
0,9996
1,0000
0,2725
0,6572
0,8948
0,9786
0,9971
0,9998
1,0000
0,1678
0,5033
0,7969
0,9437
0,9896
0,9988
0,9999
1,0000
218

n
0,01
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0
1
2
3
4
5
6
7
8
9
10 0
1
2
3
4
5
6
7
8
9
10
0,9135
0,9966
0,9999
1,0000
0,6302
0,9288
0,9916
0,9994
1,0000
0,3874
0,7748
0,9470
0,9917
0,9991
0,9999
1,0000
0,2316
0,5995
0,8591
0,9661
0,9944
0,9994
1,0000
0,1342
0,4362
0,7382
0,9144
0,9804
0,9969
0,9997
1,0000
0,0751
0,3003
0,6007
0,8343
0,9511
0,9900
0,9987
0,9999
1,0000
0,0404
0,1960
0,4628
0,7297
0,9012
0,9747
0,9957
0,9996
1,0000
0,9044
0,9957
0,9999
1,0000
0,5987
0,9139
0,9885
0,9990
0,9999
1,0000
0,3487
0,7361
0,9298
0,9872
0,9984
0,9999
1,0000
0,1969
0,5443
0,8202
0,9500
0,9901
0,9986
0,9999
1,0000
0,1074
0,3758
0,6778
0,8791
0,9672
0,9936
0,9991
0,9999
1,0000
0,0563
0,2440
0,5256
0,7759
0,9219
0,9803
0,9965
0,9996
1,0000
0,0282
0,1493
0,3828
0,6496
0,8497
0,9527
0,9894
0,9984
0,9999
1,0000
0,0207
0,1211
0,3373
0,6089
0,8283
0,9464
0,9888
0,9986
0,9999
1,0000
0,0135
0,0860
0,2616
0,5138
0,7515
0,9051
0,9740
0,9952
0,9995
1,0000
11
0,8953
0,9948
0,9998
1
0,5688
0,8981
0,9848
0,9984
0,9999
1
0,3138
0,6974
0,9104
0,9815
0,9972
0,9997
1
0,1673
0,4922
0,7788
0,9306
0,9841
0,9973
0,9997
1
0,0859
0,3221
0,6174
0,8389
0,9496
0,9883
0,998
0,9998
1
0,0422
0,1971
0,4552
0,7133
0,8854
0,9657
0,9924
0,9988
0,9999
1
0,0198
0,113
0,3127
0,5696
0,7897
0,9218
0,9784
0,9957
0,9994
1
0,0088
0,0606
0,2001
0,4256
0,6683
0,8513
0,9499
0,9878
0,998
0,9998
1
0,0101
0,0705
0,2318
0,4826
0,7334
0,9006
0,9750
0,9962
0,9997
1,0000
0,0060
0,0464
0,1673
0,3823
0,6331
0,8338
0,9452
0,9877
0,9983
0,9999
1,0000
0,0036
0,0302
0,1189
0,2963
0,5328
0,7535
0,9006
0,9707
0,9941
0,9993
1
0,8864
0,9938
0,9998
1
0,5404
0,8816
0,9804
0,9978
0,9998
1
0,2824
0,659
0,8891
0,9744
0,9957
0,9995
0,9999
1
0,1422
0,4435
0,7358
0,9078
0,9761
0,9954
0,9993
0,9999
1
0,0687
0,2749
0,5583
0,7946
0,9274
0,9806
0,9961
0,9994
0,9999
1
0,0317
0,1584
0,3907
0,6488
0,8424
0,9456
0,9857
0,9972
0,9996
1
0,0138
0,085
0,2528
0,4925
0,7237
0,8822
0,9614
0,9905
0,9983
0,9998
1
0,0057
0,0424
0,1513
0,3467
0,5833
0,7873
0,9154
0,9745
0,9944
0,9992
0,9999
1
0,0022
0,0196
0,0834
0,2253
0,4382
0,6652
0,8418
0,9427
0,9847
0,9972
0,9997
1
0,0046
0,0385
0,1495
0,3614
0,6214
0,8342
0,9502
0,9909
0,9992
1,0000
0,0025
0,0233
0,0996
0,2660
0,5044
0,7384
0,8980
0,9726
0,9955
0,9997
1,0000
0,0014
0,0139
0,0652
0,1911
0,3971
0,6331
0,8262
0,939
0,9852
0,9978
0,9998
1
0,0008
0,0083
0,0421
0,1345
0,3044
0,5269
0,7393
0,8883
0,9644
0,9921
0,9989
0,9999
1
0,0020
0,0195
0,0898
0,2539
0,5000
0,7461
0,9102
0,9805
0,9980
1,0000
0,0010
0,0107
0,0547
0,1719
0,3770
0,6230
0,8281
0,9453
0,9893
0,9990
1,0000
0,0005
0,0059
0,0327
0,1133
0,2744
0,5
0,7256
0,8867
0,9673
0,9941
0,9995
1
0,0002
0,0032
0,0193
0,073
0,1938
0,3872
0,6128
0,8062
0,927
0,9807
0,9968
0,9998
1
0
1
2
3
4
5
6
7
8
9
10
11
12 0
1
2
3
4
5
6
7
8
9
10
11
12
219

n
13 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
16 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0,01
0,8775
0,9928
0,9997
1,0000
0,05
0,5133
0,8646
0,9755
0,9969
0,9997
1,0000
0,10
0,2542
0,6213
0,8661
0,9658
0,9935
0,9991
0,9999
1,0000
0,15
0,1209
0,3983
0,6920
0,8820
0,9658
0,9925
0,9987
0,9998
1,0000
0,20
0,0550
0,2336
0,5017
0,7473
0,9009
0,9700
0,9930
0,9988
0,9998
1,0000
0,25
0,0238
0,1267
0,3326
0,5843
0,7940
0,9198
0,9757
0,9944
0,9990
0,9999
1,0000
0,30
0,0097
0,0637
0,2025
0,4206
0,6543
0,8346
0,9376
0,9818
0,9960
0,9993
0,9999
1,0000
0,35
0,0037
0,0296
0,1132
0,2783
0,5005
0,7159
0,8705
0,9538
0,9874
0,9975
0,9997
1,0000
0,40
0,0013
0,0126
0,0579
0,1686
0,3530
0,5744
0,7712
0,9023
0,9679
0,9922
0,9987
0,9999
1,0000
0,45
0,0004
0,0049
0,0269
0,0929
0,2279
0,4268
0,6437
0,8212
0,9302
0,9797
0,9959
0,9995
1,0000
0,8687
0,9916
0,9997
1,0000
0,4877
0,8470
0,9699
0,9958
0,9996
1,0000
0,2288
0,5846
0,8416
0,9559
0,9908
0,9985
0,9998
1,0000
0,1028
0,3567
0,6479
0,8535
0,9533
0,9885
0,9978
0,9997
1,0000
0,0440
0,1979
0,4481
0,6982
0,8702
0,9561
0,9884
0,9976
0,9996
1,0000
0,0178
0,1010
0,2811
0,5213
0,7415
0,8883
0,9617
0,9897
0,9978
0,9997
1,0000
0,0068
0,0475
0,1608
0,3552
0,5842
0,7805
0,9067
0,9685
0,9917
0,9983
0,9998
1,0000
0,0024
0,0205
0,0839
0,2205
0,4227
0,6405
0,8164
0,9247
0,9757
0,9940
0,9989
0,9999
1,0000
0,0008
0,0081
0,0398
0,1243
0,2793
0,4859
0,6925
0,8499
0,9417
0,9825
0,9961
0,9994
0,9999
1,0000
0,0002
0,0029
0,0170
0,0632
0,1672
0,3373
0,5461
0,7414
0,8811
0,9574
0,9886
0,9978
0,9997
1,0000
0,8601
0,9904
0,9996
1,0000
0,4633
0,8290
0,9638
0,9945
0,9994
0,9999
1,0000
0,2059
0,5490
0,8159
0,9444
0,9873
0,9978
0,9997
1,0000
0,0874
0,3186
0,6042
0,8227
0,9383
0,9832
0,9964
0,9994
0,9999
1,0000
0,0352
0,1671
0,3980
0,6482
0,8358
0,9389
0,9819
0,9958
0,9992
0,9999
1,0000
0,0134
0,0802
0,2361
0,4613
0,6865
0,8516
0,9434
0,9827
0,9958
0,9992
0,9999
1,0000
0,0047
0,0353
0,1268
0,2969
0,5155
0,7216
0,8689
0,9500
0,9848
0,9963
0,9993
0,9999
1,0000
0,0016
0,0142
0,0617
0,1727
0,3519
0,5643
0,7548
0,8868
0,9578
0,9876
0,9972
0,9995
0,9999
1,0000
0,0005
0,0052
0,0271
0,0905
0,2173
0,4032
0,6098
0,7869
0,9050
0,9662
0,9907
0,9981
0,9997
1,0000
0,8515
0,9891
0,9995
1,0000
0,4401
0,8108
0,9571
0,9930
0,9991
0,9999
1,0000
0,1853
0,5147
0,7892
0,9316
0,9830
0,9967
0,9995
0,9999
1,0000
0,0743
0,2839
0,5614
0,7899
0,9209
0,9765
0,9944
0,9989
0,9998
1,0000
0,0281
0,1407
0,3518
0,5981
0,7982
0,9183
0,9733
0,9930
0,9985
0,9998
1,0000
0,0100
0,0635
0,1971
0,4050
0,6302
0,8103
0,9204
0,9729
0,9925
0,9984
0,9997
1,0000
0,0033
0,0261
0,0994
0,2459
0,4499
0,6598
0,8247
0,9256
0,9743
0,9929
0,9984
0,9997
1,0000
0,0010
0,0098
0,0451
0,1339
0,2892
0,4900
0,6881
0,8406
0,9329
0,9771
0,9938
0,9987
0,9998
1,0000
0,0003
0,0033
0,0183
0,0651
0,1666
0,3288
0,5272
0,7161
0,8577
0,9417
0,9809
0,9951
0,9991
0,9999
1,0000
0,0001
0,0017
0,0107
0,0424
0,1204
0,2608
0,4522
0,6535
0,8182
0,9231
0,9745
0,9937
0,9989
0,9999
1,0000
0,0001
0,0010
0,0066
0,0281
0,0853
0,1976
0,3660
0,5629
0,7441
0,8759
0,9514
0,9851
0,9965
0,9994
0,9999
1,0000
0,50
0,0001
0,0017
0,0112
0,0461
0,1334
0,2905
0,5000
0,7095
0,8666
0,9539
0,9888
0,9983
0,9999
1,0000
0,0001
0,0009
0,0065
0,0287
0,0898
0,2120
0,3953
0,6047
0,7880
0,9102
0,9713
0,9935
0,9991
0,9999
1,0000
0,0000
0,0005
0,0037
0,0176
0,0592
0,1509
0,3036
0,5000
0,6964
0,8491
0,9408
0,9824
0,9963
0,9995
1,0000
0,0000
0,0003
0,0021
0,0106
0,0384
0,1051
0,2272
0,4018
0,5982
0,7728
0,8949
0,9616
0,9894
0,9979
0,9997
1,0000
220

n
17 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
18 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
19 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0,01
0,8429
0,9877
0,9994
1,0000
0,05
0,4181
0,7922
0,9497
0,9912
0,9988
0,9999
1,0000
0,10
0,1668
0,4818
0,7618
0,9174
0,9779
0,9953
0,9992
0,9999
1,0000
0,15
0,0631
0,2525
0,5198
0,7556
0,9013
0,9681
0,9917
0,9983
0,9997
1,0000
0,20
0,0225
0,1182
0,3096
0,5489
0,7582
0,8943
0,9623
0,9891
0,9974
0,9995
0,9999
1,0000
0,25
0,0075
0,0501
0,1637
0,3530
0,5739
0,7653
0,8929
0,9598
0,9876
0,9969
0,9994
0,9999
1,0000
0,30
0,0023
0,0193
0,0774
0,2019
0,3887
0,5968
0,7752
0,8954
0,9597
0,9873
0,9968
0,9993
0,9999
1,0000
0,35
0,0007
0,0067
0,0327
0,1028
0,2348
0,4197
0,6188
0,7872
0,9006
0,9617
0,9880
0,9970
0,9994
0,9999
1,0000
0,40
0,0002
0,0021
0,0123
0,0464
0,1260
0,2639
0,4478
0,6405
0,8011
0,9081
0,9652
0,9894
0,9975
0,9995
0,9999
1,0000
0,45
0,0000
0,0006
0,0041
0,0184
0,0596
0,1471
0,2902
0,4743
0,6626
0,8166
0,9174
0,9699
0,9914
0,9981
0,9997
1,0000
0,8345
0,9862
0,9993
1,0000
0,3972
0,7735
0,9419
0,9891
0,9985
0,9998
1,0000
0,1501
0,4503
0,7338
0,9018
0,9718
0,9936
0,9988
0,9998
1,0000
0,0536
0,2241
0,4797
0,7202
0,8794
0,9581
0,9882
0,9973
0,9995
0,9999
1,0000
0,0180
0,0991
0,2713
0,5010
0,7164
0,8671
0,9487
0,9837
0,9957
0,9991
0,9998
1,0000
0,0056
0,0395
0,1353
0,3057
0,5187
0,7175
0,8610
0,9431
0,9807
0,9946
0,9988
0,9998
1,0000
0,0016
0,0142
0,0600
0,1646
0,3327
0,5344
0,7217
0,8593
0,9404
0,9790
0,9939
0,9986
0,9997
1,0000
0,0004
0,0046
0,0236
0,0783
0,1886
0,3550
0,5491
0,7283
0,8609
0,9403
0,9788
0,9938
0,9986
0,9997
1,0000
0,0001
0,0013
0,0082
0,0328
0,0942
0,2088
0,3743
0,5634
0,7368
0,8653
0,9424
0,9797
0,9942
0,9987
0,9998
1,0000
0,0000
0,0003
0,0025
0,0120
0,0411
0,1077
0,2258
0,3915
0,5778
0,7473
0,8720
0,9463
0,9817
0,9951
0,9990
0,9999
1,0000
0,8262
0,9847
0,9991
1,0000
0,3774
0,7547
0,9335
0,9868
0,9980
0,9998
1,0000
0,1351
0,4203
0,7054
0,8850
0,9648
0,9914
0,9983
0,9997
1,0000
0,0456
0,1985
0,4413
0,6841
0,8556
0,9463
0,9837
0,9959
0,9992
0,9999
1,0000
0,0144
0,0829
0,2369
0,4551
0,6733
0,8369
0,9324
0,9767
0,9933
0,9984
0,9997
1,0000
0,0042
0,0310
0,1113
0,2631
0,4654
0,6678
0,8251
0,9225
0,9713
0,9911
0,9977
0,9995
0,9999
1,0000
0,0011
0,0104
0,0462
0,1332
0,2822
0,4739
0,6655
0,8180
0,9161
0,9674
0,9895
0,9972
0,9994
0,9999
1,0000
0,0003
0,0031
0,0170
0,0591
0,1500
0,2968
0,4812
0,6656
0,8145
0,9125
0,9653
0,9886
0,9969
0,9993
0,9999
1,0000
0,0001
0,0008
0,0055
0,0230
0,0696
0,1629
0,3081
0,4878
0,6675
0,8139
0,9115
0,9648
0,9884
0,9969
0,9994
0,9999
1,0000
0,0000
0,0002
0,0015
0,0077
0,0280
0,0777
0,1727
0,3169
0,4940
0,6710
0,8159
0,9129
0,9658
0,9891
0,9972
0,9995
0,9999
1,0000
0,50
0,0000
0,0001
0,0012
0,0064
0,0245
0,0717
0,1662
0,3145
0,5000
0,6855
0,8338
0,9283
0,9755
0,9936
0,9988
0,9999
1,0000
0,0000
0,0001
0,0007
0,0038
0,0154
0,0481
0,1189
0,2403
0,4073
0,5927
0,7597
0,8811
0,9519
0,9846
0,9962
0,9993
0,9999
1,0000
0,0000
0,0000
0,0004
0,0022
0,0096
0,0318
0,0835
0,1796
0,3238
0,5000
0,6762
0,8204
0,9165
0,9682
0,9904
0,9978
0,9996
1,0000
221

n
20 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
25 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
0,01
0,8179
0,9831
0,9990
1,0000
0,05
0,3585
0,7358
0,9245
0,9841
0,9974
0,9997
1,0000
0,10
0,1216
0,3917
0,6769
0,8670
0,9568
0,9887
0,9976
0,9996
0,9999
1,0000
0,15
0,0388
0,1756
0,4049
0,6477
0,8298
0,9327
0,9781
0,9941
0,9987
0,9998
1,0000
0,20
0,0115
0,0692
0,2061
0,4114
0,6296
0,8042
0,9133
0,9679
0,9900
0,9974
0,9994
0,9999
1,0000
0,25
0,0032
0,0243
0,0913
0,2252
0,4148
0,6172
0,7858
0,8982
0,9591
0,9861
0,9961
0,9991
0,9998
1,0000
0,30
0,0008
0,0076
0,0355
0,1071
0,2375
0,4164
0,6080
0,7723
0,8867
0,9520
0,9829
0,9949
0,9987
0,9997
1,0000
0,35
0,0002
0,0021
0,0121
0,0444
0,1182
0,2454
0,4166
0,6010
0,7624
0,8782
0,9468
0,9804
0,9940
0,9985
0,9997
1,0000
0,40
0,0000
0,0005
0,0036
0,0160
0,0510
0,1256
0,2500
0,4159
0,5956
0,7553
0,8725
0,9435
0,9790
0,9935
0,9984
0,9997
1,0000
0,45
0,0000
0,0001
0,0009
0,0049
0,0189
0,0553
0,1299
0,2520
0,4143
0,5914
0,7507
0,8692
0,9420
0,9786
0,9936
0,9985
0,9997
1,0000
0,7778
0,9742
0,9980
0,9999
1,0000
0,2774
0,6424
0,8729
0,9659
0,9928
0,9988
0,9998
1,0000
0,0718
0,2712
0,5371
0,7636
0,9020
0,9666
0,9905
0,9977
0,9995
0,9999
1,0000
0,0172
0,0931
0,2537
0,4711
0,6821
0,8385
0,9305
0,9745
0,9920
0,9979
0,9995
0,9999
1,0000
0,0038
0,0274
0,0982
0,2340
0,4207
0,6167
0,7800
0,8909
0,9532
0,9827
0,9944
0,9985
0,9996
0,9999
1,0000
0,0008
0,0070
0,0321
0,0962
0,2137
0,3783
0,5611
0,7265
0,8506
0,9287
0,9703
0,9893
0,9966
0,9991
0,9998
1,0000
0,0001
0,0016
0,0090
0,0332
0,0905
0,1935
0,3407
0,5118
0,6769
0,8106
0,9022
0,9558
0,9825
0,9940
0,9982
0,9995
0,9999
1,0000
0,0000
0,0003
0,0021
0,0097
0,0320
0,0826
0,1734
0,3061
0,4668
0,6303
0,7712
0,8746
0,9396
0,9745
0,9907
0,9971
0,9992
0,9998
1,0000
0,0000
0,0001
0,0004
0,0024
0,0095
0,0294
0,0736
0,1536
0,2735
0,4246
0,5858
0,7323
0,8462
0,9222
0,9656
0,9868
0,9957
0,9988
0,9997
0,9999
1,0000
0,0000
0,0000
0,0001
0,0005
0,0023
0,0086
0,0258
0,0639
0,1340
0,2424
0,3843
0,5426
0,6937
0,8173
0,9040
0,9560
0,9826
0,9942
0,9984
0,9996
0,9999
1,0000
0,50
0,0000
0,0000
0,0002
0,0013
0,0059
0,0207
0,0577
0,1316
0,2517
0,4119
0,5881
0,7483
0,8684
0,9423
0,9793
0,9941
0,9987
0,9998
1,0000
0,0000
0,0000
0,0000
0,0001
0,0005
0,0020
0,0073
0,0216
0,0539
0,1148
0,2122
0,3450
0,5000
0,6550
0,7878
0,8852
0,9461
0,9784
0,9927
0,9980
0,9995
0,9999
1,0000
222
n
30 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0,01
0,7397
0,9639
0,9967
0,9998
1,0000
0,05
0,2146
0,5535
0,8122
0,9392
0,9844
0,9967
0,9994
0,9999
1,0000
0,10
0,0424
0,1837
0,4114
0,6474
0,8245
0,9268
0,9742
0,9922
0,9980
0,9995
0,9999
1,0000
0,15
0,0076
0,0480
0,1514
0,3217
0,5245
0,7106
0,8474
0,9302
0,9722
0,9903
0,9971
0,9992
0,9998
1,0000
0,20
0,0012
0,0105
0,0442
0,1227
0,2552
0,4275
0,6070
0,7608
0,8713
0,9389
0,9744
0,9905
0,9969
0,9991
0,9998
0,9999
1,0000
0,25
0,0002
0,0020
0,0106
0,0374
0,0979
0,2026
0,3481
0,5143
0,6736
0,8034
0,8943
0,9493
0,9784
0,9918
0,9973
0,9992
0,9998
0,9999
1,0000
0,30
0,0000
0,0003
0,0021
0,0093
0,0302
0,0766
0,1595
0,2814
0,4315
0,5888
0,7304
0,8407
0,9155
0,9599
0,9831
0,9936
0,9979
0,9994
0,9998
1,0000
0,35
0,0000
0,0000
0,0003
0,0019
0,0075
0,0233
0,0586
0,1238
0,2247
0,3575
0,5078
0,6548
0,7802
0,8737
0,9348
0,9699
0,9876
0,9955
0,9986
0,9996
0,9999
1,0000
0,40
0,0000
0,0000
0,0000
0,0003
0,0015
0,0057
0,0172
0,0435
0,0940
0,1763
0,2915
0,4311
0,5785
0,7145
0,8246
0,9029
0,9519
0,9788
0,9917
0,9971
0,9991
0,9998
1,0000
0,45
0,0000
0,0000
0,0000
0,0000
0,0002
0,0011
0,0040
0,0121
0,0312
0,0694
0,1350
0,2327
0,3592
0,5025
0,6448
0,7691
0,8644
0,9286
0,9666
0,9862
0,9950
0,9984
0,9996
0,9999
1,0000
0,50
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0007
0,0026
0,0081
0,0214
0,0494
0,1002
0,1808
0,2923
0,4278
0,5722
0,7077
0,8192
0,8998
0,9506
0,9786
0,9919
0,9974
0,9993
0,9998
1,0000
223
6. Funcin de distribucin Poisson (Tabla 1)

x/ 0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
0
1
2
3
4
5
6
7
0,9048
0,9953
0,9998
1,0000
0,8187
0,9825
0,9989
0,9999
1,0000
0,7408
0,9631
0,9964
0,9997
1,0000
0,6703
0,9384
0,9921
0,9992
0,9999
1,0000
0,6065
0,9098
0,9856
0,9982
0,9998
1,0000
1,0000
0,5488
0,8781
0,9769
0,9966
0,9996
1,0000
1,0000
0,4966
0,8442
0,9659
0,9942
0,9992
0,9999
1,0000
0,4493
0,8088
0,9526
0,9909
0,9986
0,9998
1,0000
0,4066
0,7725
0,9371
0,9865
0,9977
0,9997
1,0000
0,3679
0,7358
0,9197
0,9810
0,9963
0,9994
0,9999
1,0000
x/
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
0
1
2
3
4
5
6
7
8
9
0,3329
0,6990
0,9004
0,9743
0,9946
0,9990
0,9999
1,0000
1,0000
0,3012
0,6626
0,8795
0,9662
0,9923
0,9985
0,9997
1,0000
1,0000
0,2725
0,6268
0,8571
0,9569
0,9893
0,9978
0,9996
0,9999
1,0000
0,2466
0,5918
0,8335
0,9463
0,9857
0,9968
0,9994
0,9999
1,0000
0,2231
0,5578
0,8088
0,9344
0,9814
0,9955
0,9991
0,9998
1,0000
0,2019
0,5249
0,7834
0,9212
0,9763
0,9940
0,9987
0,9997
1,0000
0,1827
0,4932
0,7572
0,9068
0,9704
0,9920
0,9981
0,9996
0,9999
1,0000
0,1653
0,4628
0,7306
0,8913
0,9636
0,9896
0,9974
0,9994
0,9999
1,0000
0,1496
0,4337
0,7037
0,8747
0,9559
0,9868
0,9966
0,9992
0,9998
1,0000
0,1353
0,4060
0,6767
0,8571
0,9473
0,9834
0,9955
0,9989
0,9998
1,0000
x/
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0
1
2
3
4
5
6
7
8
9
10
11
12
0,1225
0,3796
0,6496
0,8386
0,9379
0,9796
0,9941
0,9985
0,9997
0,9999
1,0000
0,1108
0,3546
0,6227
0,8194
0,9275
0,9751
0,9925
0,9980
0,9995
0,9999
1,0000
0,1003
0,3309
0,5960
0,7993
0,9162
0,9700
0,9906
0,9974
0,9994
0,9999
1,0000
0,0907
0,3084
0,5697
0,7787
0,9041
0,9643
0,9884
0,9967
0,9991
0,9998
1,0000
0,0821
0,2873
0,5438
0,7576
0,8912
0,9580
0,9858
0,9958
0,9989
0,9997
0,9999
1,0000
0,0743
0,2674
0,5184
0,7360
0,8774
0,9510
0,9828
0,9947
0,9985
0,9996
0,9999
1,0000
0,0672
0,2487
0,4936
0,7141
0,8629
0,9433
0,9794
0,9934
0,9981
0,9995
0,9999
1,0000
0,0608
0,2311
0,4695
0,6919
0,8477
0,9349
0,9756
0,9919
0,9976
0,9993
0,9998
1,0000
0,0550
0,2146
0,4460
0,6696
0,8318
0,9258
0,9713
0,9901
0,9969
0,9991
0,9998
0,9999
1,0000
0,0498
0,1991
0,4232
0,6472
0,8153
0,9161
0,9665
0,9881
0,9962
0,9989
0,9997
0,9999
1,0000
224

x/
3,1
3,2
3,2
3,4
3,5
3,6
3,7
3,8
3,9
4,0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0,0450
0,1847
0,4012
0,6248
0,7982
0,9057
0,9612
0,9858
0,9953
0,9986
0,9996
0,9999
1,0000
0,0408
0,1712
0,3799
0,6025
0,7806
0,8946
0,9554
0,9832
0,9943
0,9982
0,9995
0,9999
1,0000
0,0408
0,1712
0,3799
0,6025
0,7806
0,8946
0,9554
0,9832
0,9943
0,9982
0,9995
0,9999
1,0000
0,0334
0,1468
0,3397
0,5584
0,7442
0,8705
0,9421
0,9769
0,9917
0,9973
0,9992
0,9998
0,9999
1,0000
0,0302
0,1359
0,3208
0,5366
0,7254
0,8576
0,9347
0,9733
0,9901
0,9967
0,9990
0,9997
0,9999
1,0000
0,0273
0,1257
0,3027
0,5152
0,7064
0,8441
0,9267
0,9692
0,9883
0,9960
0,9987
0,9996
0,9999
1,0000
0,0247
0,1162
0,2854
0,4942
0,6872
0,8301
0,9182
0,9648
0,9863
0,9952
0,9984
0,9995
0,9999
1,0000
0,0224
0,1074
0,2689
0,4735
0,6678
0,8156
0,9091
0,9599
0,9840
0,9942
0,9981
0,9994
0,9998
1,0000
0,0202
0,0992
0,2531
0,4532
0,6484
0,8006
0,8995
0,9546
0,9815
0,9931
0,9977
0,9993
0,9998
0,9999
1,0000
0,0183
0,0916
0,2381
0,4335
0,6288
0,7851
0,8893
0,9489
0,9786
0,9919
0,9972
0,9991
0,9997
0,9999
1,0000
x/
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
5,0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0,0166
0,0845
0,2238
0,4142
0,6093
0,7693
0,8786
0,9427
0,9755
0,9905
0,9966
0,9989
0,9997
0,9999
1,0000
0,0150
0,0780
0,2102
0,3954
0,5898
0,7531
0,8675
0,9361
0,9721
0,9889
0,9959
0,9986
0,9996
0,9999
1,0000
0,0136
0,0719
0,1974
0,3772
0,5704
0,7367
0,8558
0,9290
0,9683
0,9871
0,9952
0,9983
0,9995
0,9998
1,0000
0,0123
0,0663
0,1851
0,3594
0,5512
0,7199
0,8436
0,9214
0,9642
0,9851
0,9943
0,9980
0,9993
0,9998
0,9999
1,0000
0,0111
0,0611
0,1736
0,3423
0,5321
0,7029
0,8311
0,9134
0,9597
0,9829
0,9933
0,9976
0,9992
0,9997
0,9999
1,0000
0,0101
0,0563
0,1626
0,3257
0,5132
0,6858
0,8180
0,9049
0,9549
0,9805
0,9922
0,9971
0,9990
0,9997
0,9999
1,0000
0,0091
0,0518
0,1523
0,3097
0,4946
0,6684
0,8046
0,8960
0,9497
0,9778
0,9910
0,9966
0,9988
0,9996
0,9999
1,0000
0,0082
0,0477
0,1425
0,2942
0,4763
0,6510
0,7908
0,8867
0,9442
0,9749
0,9896
0,9960
0,9986
0,9995
0,9999
1,0000
0,0074
0,0439
0,1333
0,2793
0,4582
0,6335
0,7767
0,8769
0,9382
0,9717
0,9880
0,9953
0,9983
0,9994
0,9998
0,9999
0,0067
0,0404
0,1247
0,2650
0,4405
0,6160
0,7622
0,8666
0,9319
0,9682
0,9863
0,9945
0,9980
0,9993
0,9998
0,9999
225

x/
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6,0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0,0061
0,0372
0,1165
0,2513
0,4231
0,5984
0,7474
0,8560
0,9252
0,9644
0,9844
0,9937
0,9976
0,9992
0,9997
0,9999
1,0000
0,0055
0,0342
0,1088
0,2381
0,4061
0,5809
0,7324
0,8449
0,9181
0,9603
0,9823
0,9927
0,9972
0,9990
0,9997
0,9999
1,0000
0,0050
0,0314
0,1016
0,2254
0,3895
0,5635
0,7171
0,8335
0,9106
0,9559
0,9800
0,9916
0,9967
0,9988
0,9996
0,9999
1,0000
1,0000
0,0043
0,0279
0,0922
0,2086
0,3669
0,5392
0,6954
0,8168
0,8994
0,9493
0,9764
0,9898
0,9959
0,9985
0,9995
0,9998
0,9999
1,0000
0,0041
0,0266
0,0884
0,2017
0,3575
0,5289
0,6860
0,8095
0,8944
0,9462
0,9747
0,9890
0,9955
0,9983
0,9994
0,9998
0,9999
1,0000
0,0037
0,0244
0,0824
0,1906
0,3422
0,5119
0,6703
0,7970
0,8857
0,9409
0,9718
0,9875
0,9949
0,9980
0,9993
0,9998
0,9999
1,0000
0,0033
0,0224
0,0768
0,1800
0,3272
0,4950
0,6544
0,7841
0,8766
0,9352
0,9686
0,9859
0,9941
0,9977
0,9991
0,9997
0,9999
1,0000
0,0030
0,0206
0,0715
0,1700
0,3127
0,4783
0,6384
0,7710
0,8672
0,9292
0,9651
0,9841
0,9932
0,9973
0,9990
0,9996
0,9999
1,0000
0,0027
0,0189
0,0666
0,1604
0,2987
0,4619
0,6224
0,7576
0,8574
0,9228
0,9614
0,9821
0,9922
0,9969
0,9988
0,9996
0,9999
1,0000
0,0025
0,0174
0,0620
0,1512
0,2851
0,4457
0,6063
0,7440
0,8472
0,9161
0,9574
0,9799
0,9912
0,9964
0,9986
0,9995
0,9998
0,9999
x/
6,5
7,0
7,5
8,0
8,5
9,0
9,5
10,0
10,5
11,0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0,0015
0,0113
0,0430
0,1118
0,2237
0,3690
0,5265
0,6728
0,7916
0,8774
0,9332
0,9661
0,9840
0,9929
0,9970
0,9988
0,9996
0,9998
0,9999
1,0000
0,0009
0,0073
0,0296
0,0818
0,1730
0,3007
0,4497
0,5987
0,7291
0,8305
0,9015
0,9467
0,9730
0,9872
0,9943
0,9976
0,9990
0,9996
0,9999
1,0000
0,0006
0,0047
0,0203
0,0591
0,1321
0,2414
0,3782
0,5246
0,6620
0,7764
0,8622
0,9208
0,9573
0,9784
0,9897
0,9954
0,9980
0,9992
0,9997
0,9999
1,0000
0,0003
0,0030
0,0138
0,0424
0,0996
0,1912
0,3134
0,4530
0,5925
0,7166
0,8159
0,8881
0,9362
0,9658
0,9827
0,9918
0,9963
0,9984
0,9993
0,9997
0,9999
1,0000
0,0002
0,0019
0,0093
0,0301
0,0744
0,1496
0,2562
0,3856
0,5231
0,6530
0,7634
0,8487
0,9091
0,9486
0,9726
0,9862
0,9934
0,9970
0,9987
0,9995
0,9998
0,9999
1,0000
0,0001
0,0012
0,0062
0,0212
0,0550
0,1157
0,2068
0,3239
0,4557
0,5874
0,7060
0,8030
0,8758
0,9261
0,9585
0,9780
0,9889
0,9947
0,9976
0,9989
0,9996
0,9998
0,9999
1,0000
0,0001
0,0008
0,0042
0,0149
0,0403
0,0885
0,1649
0,2687
0,3918
0,5218
0,6453
0,7520
0,8364
0,8981
0,9400
0,9665
0,9823
0,9911
0,9957
0,9980
0,9991
0,9996
0,9999
0,9999
1,0000
0,0000
0,0005
0,0028
0,0103
0,0293
0,0671
0,1301
0,2202
0,3328
0,4579
0,5830
0,6968
0,7916
0,8645
0,9165
0,9513
0,9730
0,9857
0,9928
0,9965
0,9984
0,9993
0,9997
0,9999
1,0000
0,0000
0,0003
0,0018
0,0071
0,0211
0,0504
0,1016
0,1785
0,2794
0,3971
0,5207
0,6387
0,7420
0,8253
0,8879
0,9317
0,9604
0,9781
0,9885
0,9942
0,9972
0,9987
0,9994
0,9998
0,9999
1,0000
0,0000
0,0002
0,0012
0,0049
0,0151
0,0375
0,0786
0,1432
0,2320
0,3405
0,4599
0,5793
0,6887
0,7813
0,8540
0,9074
0,9441
0,9678
0,9823
0,9907
0,9953
0,9977
0,9990
0,9995
0,9998
0,9999
226

x/ 12,0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
0,0000
0,0001
0,0005
0,0023
0,0076
0,0203
0,0458
0,0895
0,1550
0,2424
0,3472
0,4616
0,5760
0,6815
0,7720
0,8444
0,8987
0,9370
0,9626
0,9787
0,9884
0,9939
0,9970
0,9985
0,9993
0,9997
0,9999
0,9999
1,0000
13,0
14,0
15,0
16,0
17,0
18,0
19,0
20,0
25,0
0,0000
0,0000
0,0002
0,0011
0,0037
0,0107
0,0259
0,0540
0,0998
0,1658
0,2517
0,3532
0,4631
0,5730
0,6751
0,7636
0,8355
0,8905
0,9302
0,9573
0,9750
0,9859
0,9924
0,9960
0,9980
0,9990
0,9995
0,9998
0,9999
1,0000
0,0000
0,0000
0,0001
0,0005
0,0018
0,0055
0,0142
0,0316
0,0621
0,1094
0,1757
0,2600
0,3585
0,4644
0,5704
0,6694
0,7559
0,8272
0,8826
0,9235
0,9521
0,9712
0,9833
0,9907
0,9950
0,9974
0,9987
0,9994
0,9997
0,9999
0,9999
1,0000
0,0000
0,0000
0,0000
0,0002
0,0009
0,0028
0,0076
0,0180
0,0374
0,0699
0,1185
0,1848
0,2676
0,3632
0,4657
0,5681
0,6641
0,7489
0,8195
0,8752
0,9170
0,9469
0,9673
0,9805
0,9888
0,9938
0,9967
0,9983
0,9991
0,9996
0,9998
0,9999
1,0000
0,0000
0,0000
0,0000
0,0001
0,0004
0,0014
0,0040
0,0100
0,0220
0,0433
0,0774
0,1270
0,1931
0,2745
0,3675
0,4667
0,5660
0,6593
0,7423
0,8122
0,8682
0,9108
0,9418
0,9633
0,9777
0,9869
0,9925
0,9959
0,9978
0,9989
0,9994
0,9997
0,9999
0,9999
1,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0007
0,0021
0,0054
0,0126
0,0261
0,0491
0,0847
0,1350
0,2009
0,2808
0,3715
0,4677
0,5640
0,6550
0,7363
0,8055
0,8615
0,9047
0,9367
0,9594
0,9748
0,9848
0,9912
0,9950
0,9973
0,9986
0,9993
0,9996
0,9998
0,9999
1,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0010
0,0029
0,0071
0,0154
0,0304
0,0549
0,0917
0,1426
0,2081
0,2867
0,3751
0,4686
0,5622
0,6509
0,7307
0,7991
0,8551
0,8989
0,9317
0,9554
0,9718
0,9827
0,9897
0,9941
0,9967
0,9982
0,9990
0,9995
0,9998
0,9999
0,9999
1,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0005
0,0015
0,0039
0,0089
0,0183
0,0347
0,0606
0,0984
0,1497
0,2148
0,2920
0,3784
0,4695
0,5606
0,6472
0,7255
0,7931
0,8490
0,8933
0,9269
0,9514
0,9687
0,9805
0,9882
0,9930
0,9960
0,9978
0,9988
0,9994
0,9997
0,9998
0,9999
1,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0008
0,0021
0,0050
0,0108
0,0214
0,0390
0,0661
0,1049
0,1565
0,2211
0,2970
0,3814
0,4703
0,5591
0,6437
0,7206
0,7875
0,8432
0,8878
0,9221
0,9475
0,9657
0,9782
0,9865
0,9919
0,9953
0,9973
0,9985
0,9992
0,9996
0,9998
0,9999
0,9999
1,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,0006
0,0014
0,0031
0,0065
0,0124
0,0223
0,0377
0,0605
0,0920
0,1336
0,1855
0,2473
0,3175
0,3939
0,4734
0,5529
0,6294
0,7002
0,7634
0,8179
0,8633
0,8999
0,9285
0,9502
0,9662
0,9775
0,9854
0,9908
0,9943
0,9966
0,9980
0,9988
Bibliografa
227
BIBLIOGRAFA
Libros
1. Akao, Y. (1990). Quality Function Deployment: Integrating Customer Requirements into Product
Design. Productivity Press.
2. APQP (1995). Advanced Product Quality Planning and Control Plan. Carwin.
3. Barba, E. (1993). La excelencia en el desarrollo de nuevos productos. Gesti 2000.
4. Bissell, D. (1994), Statistical Techniques for SPC and TQM. Chapman & Hall.
5. Box, G. & Luceo, A. (1997), Statistical Control by Monitoring and Feedback Adjustment. Wiley.
6. Box, G. E. P., Hunter, W. G. & Hunter, J. S. (1978). Statistics for Experimenters: An Introduction to
Design, Data Analysis, and Model Building. Wiley.
7. Breyfogle, F. W. (1999). Implementing Six Sigma: Smarter Solutions Using Statistical Methods.
ASQC Quality Press.
8. Camp, R. C. (1989). Benchmarking: Search for Industry Best Practices That Lead to Superior
Performance. ASQC Quality Press.
9. Dahlgaard, J. J. Kristensen, K. and Kanji, G. P. (1998). Fundamentals of Quality Management.
Chapman & Hall.
10. Davenport, T. H. (1993). Innovacin de procesos. Daz de Santos.
11. Deming, W. E. (1989). Calidad, productividad y competitividad: La salida de la crisis. Daz de
Santos.
12. Deming, W. E. (1993). The New Economics. Massachussetts Institute of Technology.
13. Dodge, H. F. & Romig, H. G. (1959). Sampling Inspection Tables. Wiley.
14. Duncan, A. J. (1986). Quality Control and Industrial Statistics. Irwin.
15. Feigenbaum, A. V. (1983). Total Quality control. McGraw-Hill.
16. FMEA (1995). Potential Failure Mode and Effect Analysis. Carwin.
17. Gmez, G. & Canela, M. A. (1992). Fiabilidad industrial. Edicions UPC.
18. Haavind, R. (1992). The Road to the Baldrige Award: Quest for Total Quality. ButterworthHeinemann.
19. Hammer, M. (1995). The Reengineering Revolution. Harper Business.
20. Hammer, M. & Champy, J. (1993). Reingeniera de la empresa. Parramn.
21. Harrington, H. J. (1993). Mejoramiento de los procesos de la empresa. McGraw-Hill.
22. Harrington, H. J. (1993). Los costes de la mala calidad. Daz de Santos.
23. Harry, M. J. & Schroeder, R. (2000). Six Sigma. The Breakthrough Management Strategy
Revolutionizing the Worlds Top Corporations. ASQC Quality Press.
24. Imai, M. (1986). Kaizen: The Key to Japans Competitivity Success. Random House.
25. Ishikawa, K. (1991). Introduction to Quality Control. Third Corporation.
26. Juran, J. M. (1988). Jurans Quality Control Handbook. McGraw-Hill.
27. Juran, J. M. (1992). Juran on Quality by Design.
28. Juran, J. M. (1993). Quality Planning Analysis.
228
29. King, B. (1989). Better Design in Half the Time. GOAL/QPC.

30. Kotz, S. & Johnson, N. L. (1993). Process Capability Indices. Chapman & Hall.
31. Mandel, J. (1991). Evaluation and Control of Measurements, Dekker
32. McWilliams, Th. P. (1989). How to Use Sequential Statistical Methods. ASQC Quality Press.
33. Miller, J. C. & Miller, J. N. (1993), Statistics in Analytical Chemistry, Ellis Horwood.
34. Mizuno, S. (1988). Company-Wide Total Quality Control. Asian Productivity Organization.
35. MSA (1995). Measurement System Analysis. Carwin.
36. Montgomery, D. C. (1991). Statistical Quality Control. John Wiley.
37. Montgomery, D. C. (1991). Design and Analysis of Experiments. John Wiley.
38. Nakajima, S. (1991). TPM: Programa de desarrollo. Productivity Press.
39. Neave, H. R. (1990). The Deming Dimension. SPC Press.
40. Osada, (1991). The 5 Ss: Five Keys to a Total Quality Environment. Asian Productivity
Organization.
41. Ott, E. R. & Schilling, E.G. (1990). Process Quality Control. McGraw-Hill.
42. Padkhe, M. (1989). Quality Engineering Using Robust design. Prentice-Hall.
43. Ross, P. J. (1996). Taguchi Techniques for Quality Engineering. ASQC Quality Press.
44. Ryan, T. P. (1989). Statistical Methods for Quality Improvement. John Wiley.
45. Rotger, J. J & Canela, M. A. (1996). Gestin de la Calidad: Una visin prctica. BETA.
46. Schilling, E. G. (1982). Acceptance Sampling in Quality Control, Dekker.
47. Scholtes. P. (1988). The Team Handbook. Joiner.
48. Shewhart, W. A. (1931). The Economic Control of Quality of Manufactured Product. ASQC Quality
Press.
49. Shingo, S. (1990). Tecnologas para el cero defectos: Inspecciones en la fuente y el sistema
Poka-Yoke. Productivity Press.
50. SPC (1995). Statistical Process Control. Carwin.
51. Stamatis, D. H. (1995). Failure Mode and Effect Analysis: FMEA from Theory to Execution. ASQC
Quality Press.
52. Statistical Quality Control Handbook (1956). Western Electric Co. (desde 1984, publicado por
AT&T).
53. Steeples, M. M. (1992). The Corporate guide to the Malcolm Baldrige Award. ASQC Quality
Press.
54. Stephens, K. S. (1986). How to Perform Skip-Lot and Chain Sampling. ASQC Quality Press.
55. Stephens, K. S. (1986). How to Perform Continuous Sampling (CSP). ASQC Quality Press.
56. Taguchi, G. (1986). Introduction to Quality Engineering. UNIPUB/Kraus International.
57. Taguchi, G. & Wu, Y. (1980). Introduction to Off-Line Quality Control. Central Japan Quality
Control Association.
58. Taylor, J. K. (1987), Quality Assurance of Chemical Measurements, Lewis.
59. Wadsworth, H. M., Stephens, K. S. & Godfrey, A. B. (1986). Modern Methods for Quality Control
and Improvement. Wiley.
60. Wetherill, G. B. & Brown, D. W. (1991). Statistical Process Control. Chapman & Hall.
Bibliografa
229
61. Wheeler, D. J. & Chambers, D. S. (1990). Understanding Statistical Process Control. AddisonWesley.
Normas
1. ANSI/ASQC S1 (1987), An Attribute Skip-Lot Sampling Program.
2. ANSI/ASTM E 178 (1989). Standard Practice for Dealing with Outlying 0bservations.
3. ANSI/ASTM E 456 (1991). Standard Terminology Relating to Quality and Statistics.
4. ANSI/ASTM E 691 (1979). Standard Practice for Conducting an Interlaboratory Test Program to
Determine the Precision of Test Methods.
5. ASQC (1987). Quality Assurance for the Chemical and Process Industries.
6. ASQC (1983). Glosary & Tables for Statistical Quality Control.
7. ASTM MNL 7 (1990). Manual on Presentation of Data and Control Chart Analysis.
8. BS 5700 (1984). Guide to Process Control Using Quality Control Chart Methods and CuSum
Techniques.
9. BS 5703 (1980). Data Analysis and Quality Control Using Cusum Techniques.
10. Department of Defense (1994). Framework for Managing Process Improvement: A Guide to the
Methodology.
11. FAO/WHO Codex Alimentarius (1985). Recommended international Code for Hygienic Practices
for Production Meat and Poultry Products.
12. FDA (1987). Guideline on General Principles of Process Validation.
13. GUM (1995). Guide to the expression of uncertainty in measurement. BIPM, IEC, IFCC, ISO,
IUPAC, IUPAP, OIML.
14. IDEF0 (1993). Integration Definition for Function Modeling.
15. ISO Guide 30 (1981). Termes et definitions utiliss en rapport avec les matriaux de rfrence.
16. ISO Guide 31 (1981). Contenu des certificats des matriaux de rfrence.
17. ISO 2859 (1989). Rgles d'chantillonage pour les contrles par attributs.
Partie 0. Introduction au systme d'chantillonage par attributs de l'ISO 2859.
Partie 1. Plans d'chantillonage pour les contrles lot par lot, indexs d'aprs le niveau de qualit
acceptable (NQA).
Partie 2. Plans d'chantillonage pour les contrles de lots isols, indexs d'aprs la qualit limite
(QL).
18. ISO 3534 (1993). Statistics --- Vocabulary and symbols.
Part 1. Probability and general statistical terms.
Part 2. Statistical quality control.
19. ISO 3951 (1989). Rgles et tables d'chantillonage pour les contrles par mesures des
pourcentages de non conformes.
20. ISO 5725 (1991). Accuracy (Trueness and Precision) of Measurement Methods and Results.
Part 1. General principles and definitions.
Part 2. A basic method for the determination of repeatability and reproducibility of a standard
measurement method.
Part 3. Intermediate measures on the precision of a standard measurement method.
Part 4. Basic methods for the determination of the trueness of a standard measurement method.
Part 5. Alternative methods for the determination of the precision of a standard measurement
method.
Part 6. Use in practice of accuracy values.
230
21. ISO 7870 (1988). Control Charts---General Guide and Introduction.

22. ISO 7873 (1988). Control Charts for Arithmetic Average with Warning Limits.
23. ISO 7966 (1989). Acceptance Control Charts.
24. ISO 8258 (1991). Shewhart Control Charts.
25. ISO 8422 (1988). Plans d'chantillonage progressifs par attributs.
26. ISO 8423 (1988). Plans d'chantillonage progressifs pour le contrle par mesures de la proportion
d'individus non conformes (cart-type connu).
27. ISO 14560 (2001). Acceptance sampling procedures by attributes --- Specified quality levels in
nonconforming items per million.
28. MIL-STD-105E (1989). Sampling procedures and tables for inspection by attributes.
29. MIL-STD-1235B (1962). Single and multi-level continuous sampling procedures and tables for
inspection by attributes.
30. MSA Measurement System Analysis Manual reference QS-9000 (1998). Carwin
31. QS-9000 (1995). Quality System Requirements. Carwin.
32. UNE 66175:2003. Sistema de gestin de la calidad. Gua para la implantacin del sistema de
indicadores.
33. UNE-EN ISO 9000 (2000). Sistemas de gestin de la calidad --- Fundamentos y vocabulario.(ISO
9000:2000).
34. UNE-EN ISO 9001 (2000). Sistemas de gestin de la calidad --- Requisitos. (ISO 9001:2000).
35. UNE-EN ISO 9004 (2000). Sistema de gestin de la calidad --- Directrices para la mejora del
desempeo. (ISO 9004:2000).
36. UNE-EN ISO 10012 (2003). Sistema de gestin de las mediciones. Requisitos para los procesos
de medicin y los equipos de medicin (ISO 10012:2003).
37. UNE-EN ISO 19011 (2002).Directrices para la auditoria de los sistemas de gestin de la calidad
y/o ambiental (ISO 19011:2002).
38. UNE-EN ISO 19011 (2002) ERRATUM. Directrices para la auditoria de los sistemas de gestin de
la calidad y/o ambiental.
39. UNE-EN ISO/IEC 17024:2003. Evaluacin de la conformidad. Requisitos generales para los
organismos que realizan certificacin de personas (ISO/IEC 2003).
40. UNE-EN ISO/IEC 17025:2003. Requisitos generales relativos a la competencia de los laboratorios
de ensayo y calibracin (ISO/IEC 1999).
41. UNE-EN ISO/TS 16949:2002. Sistema de gestin de la calidad. Requisitos particulares para la
aplicacin de la norma ISO 9001:2000 para la produccin en serie y de piezas de recambio en la
industria del automvil.
42. UNE-EN ISO/TS 16949:2002 ERRATUM. Sistema de gestin de la calidad. Requisitos
particulares para la aplicacin de la norma ISO 9001:2000 para la produccin en serie y de piezas
de recambio en la industria del automvil.
43. VIM (1993). International Vocabulary of Basic and General Terms in Metrology. BIPM, IEC, IFCC,
ISO, IUPAC, IUPAP, OIML.
Bibliografa
231
Artculos
1. Alt, F. B. & Smith, N. D. (1988).Multivariate Control Process, en Handbook of Statistics, ed. P.R.
Krishnaiah & C.R. Rao, pp. 333-351, Elsevier.
2. Alwan, L. C. & Roberts, H. V. (1989). Time Series Modeling for Statistical Process Control.
Journal of Bussiness & Economic Statistics 6, 87-95.
3. Box, G. & Kramer, T. (1992). Statistical Process Monitoring and Feedback Adjustement: A
Discussion. Technometrics 34, 251-285.
4. Barba, E. (1994). La ingeniera simultnea. Quaderns de Tecnologia 8, 152-153.
5. Boardman, T. J. (1994). The Statiscian who Changed the World: W. Edwards Deming, 19001993. The American Statistician 48.
6. Canela, M. A. & Rotger, J. J. (1994). La cultura de la calidad en Japn. Quaderns de Tecnologia
8, 133-136.
7. IUPAC (1990). Harmonized Protocols for the Adoption of Standardized Analytical Methods and
for the Presentation of their Performance Characteristics. Pure and Applied Chemistry 62, 149-162.
8. Juran, M. (1994). The Upcoming Century of Quality, Quality Progress.
9. Kondo (1995). Quality and people, en Total Quality Management, Proceedings of the First World
Congress. Chapman & Hall.
10. Montgomery, D. G. & Mastrangelo, C.M. (1991). Some Statistical Process Control Methods for
Autocorelated Data. Journal of Quality Technology 23, 179-204.
11. Rodrguez, R. R. (1992). Recent Developments in Process Capability Analysis. Journal of
Quality Technology 24, 176-187.
12. Romano, P. (2000). ISO 9000; What is its impact on performance? Quality Management Journal
7.
13. Vander Wiel, S. A., Faltin, F.W. & Doganaksoy, N. (1992). Algorithmic Statistical Process Control:
Concepts and Application. Technometrics 34, 286-297.
14. Woodall, W. H. & Adams, B. M. (1993). The Statistical design of CUSUM Charts. Quality
Engineering 5, 559-570.

Gestio de La Qualitat PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gestio de La Qualitat PDF

Cargado por

Copyright:

Formatos disponibles

E. Griful - M..

Eullia Griful Ponsati

Eullia Griful Ponsati

Primera edicin: septiembre de 2002

Los autores, 2002

Edicions UPC, 2002

Produccin: CPET (Centre de Publicacions del Campus Nord)

Este libro trata de las nociones bsicas de la gestin de la

 ,1752'8&&,1 

 ,1752'8&&,1 

 ,1752'8&&,1 

Los autores, 2004; Edicions UPC, 2004.

 ,1752'8&&,1 

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

(QODWHUPLQRORJtDQRUPDOL]DGD,62 Y,62 ODFDOLGDGHVODIDFXOWDGGHXQFRQMXQWRGHFDUDF

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

(QODGHILQLFLyQ,62 Y,62 HODVHJXUDPLHQWRGHODFDOLGDGHVODSDUWHGHODJHVWLyQGHODFDOL

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

/RVPpWRGRV6GHRUJDQL]DFLyQGHO OXJDUGHWUDEDMR/D GHQRPLQDFLyQ 6 SURYLHQHGHFLQFR

/RVPpWRGRV.DL]HQGHPHMRUDFRQWLQXD Y,PDL RULHQWDGRVDODREWHQFLyQGHXQDVHULH

8QDRULHQWDFLyQDFWXDOGHPHMRUDGHODFDOLGDGHVODOODPDGD6L[6LJPD4XDOLW\ Y+DUU\ 6FKURH

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

5HODFLRQDGDV FRQ SURGXFWRV 0DWHULDVSULPDV

/RVSURFHVRVRSHUDWLYRVOLJDGRVD ORVIOXMRVGHPDWHULDO \GHLQIRUPDFLyQFRQLPSDFWRGLUHFWR

/RVSURFHVRVHVWUDWpJLFRVTXH SURSRUFLRQDQGLUHFWULFHVD ORV GHPiV6RQSURFHVRVHVWUDWpJL

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

TXHRWURV Y)LJXUDV PXHVWUDQORVLQSXWVORVRXWSXWVODVGLUHFWULFHV\ORVUHFXUVRVQHFHVD

4XpIRUPDFLyQGHEHWHQHUHO SHUVRQDO TXHLQWHUYHQGUiHQODIDEULFDFLyQGHO QXHYR SURGXFWR UH

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

HPSUHVD H[SHUWDHQHOSURGXFWR GHWHUPLQDUORVUHTXLVLWRVTXHKDGHFXPSOLUHOSURGXFWR&XDQGRVH

Los autores, 2004; Edicions UPC, 2004.

(QFLHUWRVVHFWRUHVLQGXVWULDOHVH[LVWHQ GLUHFWULFHVPiVSUHFLVDVVREUH ODIRUPDGHOOHYDU DFDER ODV

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

Los autores, 2004; Edicions UPC, 2004.

$SUR[LPDFLyQ DSSURDFK (VHOPRGRHQTXHVHDERUGDQORVtWHPVGHOSUHPLR(QODHYDOXDFLyQ

Los autores, 2004; Edicions UPC, 2004.

(OLPSUHVRGHOPRGHORHXURSHRHQWHUR HQFDVWHOODQR SXHGHFRPSUDUVHHQODGLUHFFLyQHOHFWUyQLFD

Los autores, 2004; Edicions UPC, 2004.

JLD  ODVDOLDQ]DV\UHFXUVRV  \ODJHVWLyQGHORVSURFHVRV  /RVUHVXOWDGRVVHUHILHUHQDWRGRV

Los autores, 2004; Edicions UPC, 2004.

,1752'8&&,1

,1752'8&&,1

,1752'8&&,1

,1752'8&&,1

(QODWHUPLQRORJtDQRUPDOL]DGD,62Y,62ODFDOLGDGHVODIDFXOWDGGHXQFRQMXQWRGHFDUDF

(QODGHILQLFLyQ,62Y,62HODVHJXUDPLHQWRGHODFDOLGDGHVODSDUWHGHODJHVWLyQGHODFDOL

/RVPpWRGRV6GHRUJDQL]DFLyQGHO OXJDUGHWUDEDMR/D GHQRPLQDFLyQ 6 SURYLHQHGHFLQFR

/RVPpWRGRV.DL]HQGHPHMRUDFRQWLQXDY,PDLRULHQWDGRVDODREWHQFLyQGHXQDVHULH

8QDRULHQWDFLyQDFWXDOGHPHMRUDGHODFDOLGDGHVODOODPDGD6L[6LJPD4XDOLW\Y+DUU\ 6FKURH

/RVSURFHVRVRSHUDWLYRVOLJDGRVD ORVIOXMRVGHPDWHULDO \GHLQIRUPDFLyQFRQLPSDFWRGLUHFWR

/RVSURFHVRVHVWUDWpJLFRVTXH SURSRUFLRQDQGLUHFWULFHVD ORV GHPiV6RQSURFHVRVHVWUDWpJL

TXHRWURVY)LJXUDVPXHVWUDQORVLQSXWVORVRXWSXWVODVGLUHFWULFHV\ORVUHFXUVRVQHFHVD

4XpIRUPDFLyQGHEHWHQHUHO SHUVRQDO TXHLQWHUYHQGUiHQODIDEULFDFLyQGHO QXHYR SURGXFWRUH

HPSUHVDH[SHUWDHQHOSURGXFWRGHWHUPLQDUORVUHTXLVLWRVTXHKDGHFXPSOLUHOSURGXFWR&XDQGRVH

$SUR[LPDFLyQDSSURDFK(VHOPRGRHQTXHVHDERUGDQORVtWHPVGHOSUHPLR(QODHYDOXDFLyQ

(OLPSUHVRGHOPRGHORHXURSHRHQWHURHQFDVWHOODQRSXHGHFRPSUDUVHHQODGLUHFFLyQHOHFWUyQLFD

JLDODVDOLDQ]DV\UHFXUVRV\ODJHVWLyQGHORVSURFHVRV/RVUHVXOWDGRVVHUHILHUHQDWRGRV

/D2UJDQL]DFLyQ$PHULFDQDSDUDHO&RQWUROGHOD&DOLGDG$64&HQ((88

/D8QLyQ-DSRQHVDGH,QJHQLHURV\&LHQWtILFRV-86(HQ-DSyQ

/D2UJDQL]DFLyQ(XURSHDSDUDHO&RQWUROGHOD&DOLGDG(24&HQ(XURSD

/D$VRFLDFLyQ(VSDxRODSDUDHO&RQWUROGHOD&DOLGDG$(&&HQ(VSDxD

/RVQXHYRVSODQWHDPLHQWRVLQGXVWULDOHVHQ OR TXHVHUHILHUHD ODUHGXFFLyQGH VWRFNVUHGXFFLyQGH