oe DS P IIe Iie aPe Control Estadistico de Proce Ciilculo de limites de contro’ jotacién: UCL — Limite de control superior ‘ Promedio de las ediciones LCL — Limite de control inferior ‘-— Promedio de promedios CL — Linea central K Rango n Tamano de la ravestra R Promedio de a PCR — indice de capacidad del proc USL — Limite de especificacién sup o Desviaciin estindar del proceso LSL — Limite de especiticacién int atos de variables (Cartas de control ura de control n \ D D. UCL = 3'+ AR 3 1880 0.000, 3.267 LCI Ak 31.023 0.000 2.874 cL. =i 4 #29 0.000> * 3.282 > 0.000 2.115 una de conirot & sy Gi ames UCL = RD, é re ECL = Rp s (30 I cL =R 9 337 Tete tudio de capacidad 10 308 220 C, = (USL — LSLIM6a): donde & = Rid atos de atributos(Cartas de control p. np, cy «) Formulas de las cartas de c fa 7 = 5 cs = | rp (imero de «© sconteo de sviconteo de | pciraveiony tnidades disconformes) | disconformidades) | disconformidades / unidad) | P np | t a | : fe t 4 np + 3Nnplt — p> Bone mp | cu (=? mont Sous | Sin varia, usar fon, debe ser in debe ser Sin varia, usar Zion, mediciones inividules | ansecorstne | _unaconstne ediciones individvales : JContenido CAPITULO 1 EI mejoramiento de calidad en el ambiente moderno de los negocios 1 1-1 Significado de calidad y de mejoramiento de calidad 2 I-11 Dimensiones de ta calidad 2 11.2 Terminologia de la ingenieria de calidad 6 1-2 Breve historia del control y mejoramiento de calidad 8 1-3 Métodos estad calidad 12 tigos de control y mejoramiento de 1-4 Otros aspectos del control y mejoramiento de calidad 17 1.4.1 Filosofia de calidad! y estrategias de administracién 18 1-4.2 La conexi6n entre calidad y productividad 25 1-4.3 Costos de la calidad 26 1-44 Aspectos legales de la calidad 32 1.4.5 Implementacién del mejoramiento de calidad 34 PARTE I Métodos estadisticos sitiles en el mejoramiento de calidad 37 CAPITULO 2 ‘Modelado de la calidad del proceso 39 2-1 Descripei6n de la variacién 40 2-11 Diagrama de tallo y hoja 40 2-1.2 Distribucién de frecuencia y el histograma 43 2-13 Resumen numérico de datos 45 2-1.4 Diagrama de caja 48 5 Muestra de una salida de computadora 49 2-1.6 Distribuciones de probabilidad 51 2-2 Distribuciones discretas importantes 56 2-2.1 Distribucién hipergeométrica 56 2.2.2 Distribucién binomial $8 2-2.3 Distribucién de Poisson 60 2-24 Distribucion de Pascal y otras distribuciones relacionadas 61 2.3 Distribuciones continuas importantes 62 2-3.1 Distribucién normal 63 2.3.2 Distribucién exponencial 69 2.3.3 Distribucién gamma 71 2-3.4 Distribucién de Weibull 73 2-4 Algunas aproximaciones tiles 74 2-4.1 Aproximacion binomial de la distribucién hipergeométrica 75 2-4.2 Aproximacién de Poisson de la distribucidn binomial 75 3 Aproximacién normal de la distribucién binomial 75 2-4.4 Comentarios sobre las aproximaciones 76 2-5 Ejercicios 77 CAPITULO 3 Inferencias sobre la calidad del proceso 82 3-1 Los estadisticos y las distribuciones de muestreo 83 3-11 Muestreo de una distribuci6n normal 85CONTENIDO. 3.1.2 Muestreo de una distribucién de Bernoulli 89 streo de una distribucidn de Poisson 89 ‘macién puntual de pardmetros de procesos 90 nforencia estadistica para una sols muestra 93 | Inferencia de la media de una poblac varianza conocida 94 211 uso de valores P para probar hipdtesis 98. 33 Infer a de la media de una distribucisn normal, varianza desconocida 99 3.3.4 Inferencia de la varianza de una distribucién normal 103 5.5 Inferencia de una proporcidn poblacional 105 3.6 La probabilidad del error tipo Il 107 3.3.7 Graficacién de probabilidades 110 3 Inferencia estadistica para dos muestras 114 %-4.1 Inferencia para una diferencia de medias, varianzas conocidas 114 3-42 Inferencia para una diferencia de medias de dos distribuciones normales, varianzas desconocidas 117 44.3 Inferencia de las varianzas de dos distribuciones normales 127 3.4.4 Inferencia de las proporciones de dos poblaciones 128 3-5 ; Qué ocurre cuando hay més de dos poblaciones? El anilisis de varianza 130 3:5.1 Un ejemplo 131 3.5.2 El andlisis de varianza 133 3.5.3 Verificacién de supuestos: andlisis de residuales 140 Fjercicios 142 PARTE IL Métodas hisicos de control estadistico de procesos y indlisis de capacidad de procesos 151 CAPITULO 4 Métodos y filosofia del control estadistico de drocesos 153 4-1 Introduccin 154 4-2 Causas fortuitas y asignables de la variacién de la calidad 184 4-3 Fundamentos estadisticos de la carta de control 186 4-3.1 Principios basics 156 4.3.2 Elecci6n de los limites de control 164 4-3.3 Tamafo de la muestra y frecuencia del muestreo 166 les 170 4-2.5 Anilisis de patrones en cartas de contol 172 4.3.4 Subgrupos racion 4-26 Discusi6n de las reglas de sensibilizacién para cartas de control 175 te magni 4-5 Implementacién del SPC 184 4-6 Una aplicacién del SPC 186 4-7 Aplicaciones de! control estadistico de pro. de la manufactura 193 4-8 Ejercicios 201 4-4 El resto de las 7 CAPITULO 5 Cartas de control para variables 206 5-1 Introduccién 207 Caras de control para Ty R207 5-2.1 Fundamentos estadisticos de las cartas 207 5-2.2 Desarrollo y uso de las cartas T y R212 5-2.3 Cartas basadas en valores estindares 228 5-2.5 El efecto del incumplimiento de la normalidad en las cartas Fy R 232 5-2.6 La funcién de operacién caracteristica 233 5-2.7 La longitud promedio de la corrida para la carta F236 5-3 Cartas de control para ¥ y S239 5-3.1 Consiruccién y operacién de las cartas ¥ y s 239 5-3.2 Las eartas de control ¥ y § con tamafo de la ‘muestra variable 244 5-3.3 La carta de control S$? 248 5-4 La carta de control de Shewhart para mediciones individuales 249 5-5 Resumen de procedimientos para las cartas ¥. R yS 260 5-6 Aplicaciones de las cartas de control para variables 260 5-7 Bjercicios 265CAPITULO 6 ‘artas de control para atributos 283 6-1 Introduceién 284 6-2 La carta de control para 6-2.1 Desarrollo y operacién de Ia carta de control 286 6-2.2 Tamaiio de Ja muestra variable 298 fracci6n disconforme 284 6 3 Aplicaciones fuera de la manufactur 303 6-2.4 La funcién de operaci6n caracteristica y el sulo de la longitud promedio de la corrida 30S 6-3 Cartas de control para disconformidades (defectos) 308 6-3.1 Procedimientos con tamaiio de la muestra constante 308 6-3.2 Procedimientos con tamaito de la muestra iable 319 eal 6-34 La funcién de operacién caracteristica 324 sistemas de demérito 322 6-35 Tratamiento con lox niveles de defectos bajos 325 6-3.6 Aplicaciones fuera de la manufactura 328 6-4 Elecci6n entre cartas de control para atributos y para variables 329 6-5 Lineamientos para implementar cartas de control 333 6-6 Ejercicios 339 CAPITULO 7 Anilisis de capacidad del proceso y de sistemas de medicién 349 7-1 Introduccién 350 7-2 Analisis de capacidad del proceso utilizando un histograma o una gréfica de probabilidad 352 7-2.1 Utilizando un histograma 352 7-2.2 Graficacién de probabilidades 385 7-3 {ndices de capacidad del proceso 357 7-3.1 Uso e interpretacion de C, 357 7-3.2 indice de capacidad del proceso para un proceso fuera del centro 362 7-3.3 La normalidad y el indice de capacidad del proceso 364 CONTENIDO xv 7-3.4 Mis acerca del centrado de procesos 365, 7-3.5 Imtervalos de confianza y pruebas para los indices de 7-4 Anilisis de control 373 idad del proceso 367 icidad del proceso usando una carta de 7-5 Anélisis de capacidad del proceso usando experimentos disefiados 376 7-6 Estudios de medici acidad de instrumentos y sistemas de 377 7-6.1 Cartas de control y métodos tabulares 377 7-6.2 Métodos basados en el andlisis de varianza 384 7-1 Establecimiento de los limites de las especificacién para componentes discretos 388 7-7.1 Combinaciones lineales 388 7-7.2 Combinaciones no lineales 392 7-8 Estimacién de los limites de tolerancia natural de un proceso 394 7-8.1 Limites de tolerancia basados en la distribucién normal 395 7-8.2 Limites de tolera 7-9 Ejercicios 397 cia no paramétricos 396 PARTE IIL Otras téenieas de monitoreo y control estadistico de procesos 403 CAPITULO 8 Cartas de control de suma acumulada y de promedio mévil ponderado exponencialmente 405 8-1 La carta de control de suma acumulada 406 8-1.1 Principios basicos: la carta de control cusum para ‘monitorear la media del proceso 406 8-1.2 La cusum tabular 0 algoritmica para monitorear Ia media del proceso 410 8-1.3 Recomendaciones pata el disefio de la cusum 415 8-14 La cusum estandarizada 417 8-1.5 Subgrupos racionales 418 8-1.6 Mejoramiento de la respuesta de la cusum para corrimientos grandes 418 8-1.7 La respuesta inicial répida o caracteristica de ventaja anticipada 419XVi CONTENIDO X-1.8 Cusums unilaterales 421 81.9 Una cusum para monitorear la variabilidad del proceso 421 $1.10 Cusums para otros estadisticos muestrales 422 8-1. El procedimiento de la mascara V_ 423 8-2 Lavearta de control del promedio mévil ponderado exponencialmente 425 8-21 La carta de control del promedio mévil ponderado exponencialmente (EWMA) para monitorear la media del proceso 426 Di fio de una carta de control EWMA 431 Subgrupos racionales 432 Robustez del EWMA para la no normalidad 432 Extensiones del EWMA 433 8-4 La carta de control del promedio mévil 437 440 CAD Otras técnicas de monitoreo y control estadistico de Procesos con una sola variable 443 ‘ 1.09 1 Control estadistico de procesos para corridas de produccién cortas 444 9-11 Cartas de control ¥ y R para corridas de producci6n cortas 444 9-1.2 Cartas de control de atributos para corridas de produccién cortas 447 91.3 Otros métodos 448 Cartas de control modificadas y de aceptacién 449 9-21 Limites de control modificados para la carta F449 9-2.2 Cartas de control de aceptacién 453 ©-3 Cartas de control para procesos de flujos imiltiples 454 9.3.1 Procesos de flujos miltiples 454 9-3.2 Cartas de control grupales 455 9-3.3 Otros enfoques 457 Y-4 SPC con datos de procesos autocorrelacionados 458 9-4.1 Fuentes y efectos de autocorrelacién en datos de process 458 9-4.2 Enfoqves basados en modelos 462 9-43 Unenfoque sin modelo 473 9.5 Procedimientos de muestreo aduptables 478 9.6 Disefio econsmico de eartas de control 479 9.6.1 9.6.2 Caracteristicas:del proceso 480 9.6.3 Parémetros del costo 481 9-64 Trabajos iniciales y diser semieconémico 482 El diseno de una carta de control 479 9.6.5 Un modelo econémico de la carta de control X 484 9.6.6 Otros trabajos 493 9-7 Visidn breve de otros procedimientos 494 9-7. Desgaste de herramientas 494 9-7.2. Cartas de control basadas en otros estadisticos muestrales 495 9.7.3. Problemas de control de lenado 496 9-74 Precontrol 497 9.8 Ejercicios 499 CAPITULO 10 Monitoreo y control de procesos con variables miltiples 507 10-1 El problema del control de calidad con variables miltiples 508 10-2 Descripeién de datos de variables miltiples $10 10-2.1 La distribucién normal de variables miiltiples 510 10-2.2 El vector de la media muestral y la matriz de covarianza muestral 511 10-3 La carta de control T? de Hotelling 512 10-3.1 Datos subagrupados $12 10-3.2 Observaciones individuales 522 10-4 La carta de control EWMA para variables miltiples 526 i 10-5 Ajuste de regresién 529 10-6 Cartas de control para monitorear la variabilidad 532 10-7 Métodos de estructura latente 535 10-7.1 Componentes principales $35 10-7.2 Minimos cuadrados parciales $42 10-8 Ejercicios 542CAPITULO 11 Ingenieria de control de procesos (EPC) y SPC 546 wl 11-2 Control del proceso por ajuste de retroalimentacion 5. Monitoreo del proceso y regulacidn del proceso 547 11-2.1 Un esquema de ajuste 548, imple: el control imtegeal 11-2.2 La arta de ajuste 11-2.3 Variantes de la carta de ajuste $87 11-2.4 Otros tipos de controladores de coNTENIDO. xvii CAPITULO 13 Optimizacién de procesos con experimentos diseftados 639 13-1 Métodoy y disenos de superficie de respuesta 640 13-1.1 El metodo del ascenso mas pron 13-1.2. Analisis dew Superficie de respuesta de 645 ndo orden 13-2 Estudios de robuster de procesos 651 13 651 13-2. 2.1 Antecedentes El enfoque de la superficie de respuesta para Feaal lmenecion 36h los estudios de robustez de procesos 653 11-3. Combinacién del SPC y el EPC 562 18°3 Operacion cvoleivas 662 V1 Blerahd oan E64 13.4 Ejercicios 668 PARTE IV PARTE V Disefio y mejora de procesos con experimentos Muestreo de aceptacién 673 disefiados 569 : CAPITULO 14 CAPITULO 12 Experimentos factoriales y factoriales fraccionados _yuestreo de aceptacidn lote por lote para para el disefio y mejora de procesos 571 trina G75 12-1 {Qué es el diseito experimental? $72 14-1 El problema del muestreo de aceptacién 676 12-2 Bjemplos de experimentos diseftados en el 14-11 Ventajas y desventajas del muestreo 677 See ie 14-1.2 Tipos de planes de muestreo 678 3 Pautas para el disefio de los experimentos 577 Wiig ae yams 12-4 Experimentos factoriales $79 Le te a a te A Ge a ee 14-1.5 Lineamientos para usar el muestreo de 12-4.2 Anilisis estadistico 583 aceptacién 680 12-4.3 Analisis de residuales $88 14-2 Planes con una sola muestra para atributos 682 12-5 El disefio factorial 2" 591 14.2.1. Definicién de un plan con una sola 2.5.1 El diseno 2 591 muestra 682 12-5.2 El disefio 2* para k 2 3 factores 598 EncuraOG 682 12-5.3 Una sola réplica del diseiio 2* 12 ol 5.4 Adicién de puntos centrales en el dis lo “615 12-5.5 Separacién en bloques y confusién (mezclado) en el diseito 2* 620 622 12-6.1 La fraccién un medio del diseio 2 Réplicas fraccionadas del disefio 2 622 12-6.2 Fracciones menores: el disefio factorial fraccionado 2" 628 12-7 Rjercicios 635 Disefto de un plan de una sola muestra con una curva OC especificada 689 14.2.4 Inspeccién con rectificacién 690 14-3 Muestreo doble, miiltiple y secuencial 694 14-3.1 Planes de muestreo doble 694 14.3.2 Planes de muestreo miltiple 701 14-33 Planes de muestreo secuencial 701 ndard 105E (ANSUASQC Z.L4, ISOxviii CONTENIDO 14.4.1 Descripeién del estindar 705 14.4.2 Procedimiento 707 14-43 Discusién 712 14.5 Los planes de muestreo de Dodge-Romig 714 14-5.1 Planes AOQL. 716 14.5.2 Planes LTPD 716 14.5.3, Estimacidn del promedio del proceso 719 14.6 Hjercicios 719 CAPITULO 15 Otras técnicas de muestreo de aceptacién 722 15 I Muestreo de aceptacién por variables 723 15-1.1 Ventajas y desventajas del muestreo por variables 723 15-1.2 Tipos de planes de muestreo existentes 724 15-1.3 Precauciones en el uso del muestreo por variables 725 15-2 Disefo de un plan de muestreo por variables con una curva OC especificada 726 15.3 MIL STD 414 (ANSUASQC Z1.9) 729 15-3.1 Descripeién general del estindar 729 15-3.2 Uso de las tablas 730 15-3.3 Discusi6n del MIL STD 414 y el ANSASQC Z19 733 15-4 Otros procedimientos de muestreo por variables 734 15-4.1 Muestreo por variables para dar seguridad acerca de Ia media del lote o proceso 734 15-4.2 Muestreo secuencial por variables 735 15-5 15-6 Muestreo continuo 737 15-6.1 CSP-1 738 15-6.2 Otros planes de muestreo continuo 740 Muestreo en cadena 735 15-7 Planes de muestreo por salto de lotes 741 15-8 Bjercicios 748 Apéndice 749 1. Resumen de las distribuciones de probabilidad comunes usadas en el control estadistico de calidad 751 IL. Distribucién normal esténdar acumulada 752 IIL. Puntos porcentuales de Ia distribucién 2754 IV, Puntos porcentuales de la distribucién 758 V. Puntos porcentuales de la distribucién F 756 VI. Factores para construir cartas de control para variables 761 VIL, Factores para limites de tolerancia normales bilaterales 162 VILL. Factores para limites de tolerancia normales uunilaterales 763 IX. Numeros aleatorios 764 Bibliografia 765 Respuestas de ejercicios seleccionados 777 Indice 791Glosario de abreviaturas Sighas en Término 0 nombre completo ‘Traduecién inglés en espaiiol al espafiol AIAG Automotive Industry Action Group Grupo de Accién de la Industria Automotriz ANOVA Analysis of Variance Anélisis de varianza ANSI American National Standards Institute Instituto Nacional Americano para Normatividad A0Q Average Outgoing Quality Calidad de salida promedio AOQL Average Outgoing Quality Limit Limite en la calidad de salida promedio APC Automatic Process Control Control automético del proceso AQL Acceptable Quality Levei Nivel de calidad aceptable AR() Autoregressive Models (lag 1) Modelos autorregresivos (desfasamiento 1) ARIMA Autoregressive Integrated Moving Average Modelos autorregresivos de promedio mévil Models integrados ARL. Average Run Length Longitud promedio de la corrida ARMA, Autoregressive Moving Average Models Modelos autorregresivos de promedio mévil ASN Average Sample Number Niimero de muestra promedio ASN(R) Average Sample Number of the Reference- Niimero de muestra promedio de! plan sampling plan de muestreo de referencia ASQC ‘American Society for Quality Control Sociedad Americana para el Control de Calidad ATI Average Total Inspection Inspeccién total promedio ATS Average Time to Signal Tiempo promedio hasta la seftal c ‘One-sided lower CUSUM Lateral inferior de la suma acumulads cS One-sided upper CUSUM Lateral superior de la suma acumutada cep Central Composite Design Diseio central compuesto ChsP-1 Chain Sampling Plan Plan de muestreo en cadena cL Central Line Linea central ic Process Capability Ratio (PCR) indice de capacidad del proceso C,@) ‘Quantile-based PCR: Indice de capacidad del proceso basado en cuantiles c.. Confidence PCR (Lucefio, 1) Indice de capacidad del proceso confiable ca One-sided PCR (min(C,.. C,,)) {ndice de capacidad del proceso unilateral cy PCR (lower specification only) Indice de capacidad del proceso (especificacién inferior tnicamente) ce PCR (better indicator of centeri indice de capacidad de! proceso (mejor indicador del centrado) xixCSP-1 CUSUM cwec DNOM A) EC) EL) Er) EPC EVoP EWMA EWMS EWMV EWRMS FIR ccc GMA IQR Iso. Det LNTL LOL LSI LSL LTPD MAD MEWMA, MIL STD MR MR MSP NID ICAP GLOSARIO DE ABREVIATURAS PCR (upper specification only) Continuous § sampling Process Cummulative Sum Company-Wide Quality Control Deviation from Nominal (control chart based on) Expected cost per unit time Expected total cost incurred during a cycle Expected loss per hour incurred by the process Expected length (long term average length) of a cycle Engineering Process Control Evolutionary Operation lly Weighted Moving Average Exponentially Weighted Mean Square error Exponent Expontentially Weighted Moving Variance Exponentially Weighted Root Mean Square Fast Initial Response Group Control Chart Geometry Moving Average InterQuartile Range Internation 1 Organization for Standarization Lower Control Limit Lower Natural Tolerance Limits Limiting Quality Level Large-Scale Integration Lower Specification Limit Lot Tolerance Percent Defective Mean Absolute Deviation Multivariate EWMA Military Starxiard Sampling Plans Average of the Moving Ranges Moving Range (of two successive observations) Multiple-Stream Process Normal and Independently Distributed Operating-Characteristic Out-of-Control Action Plan Indice de capacidad del proceso (especificacisn superior tinicamente) Proceso de muestreo continuo ‘Suma acumulada Control de calidad en toda la compania Desviacién del valor nominal (basado en la) Costo esperado (por unidad de tiempo) Costo total esperado (incurrido durante un ciclo) Pérdida esperada (por hora, obligada por el proceso) Longitud esperada (longitud promedio a largo plazo) de un ciclo Ingenieria del control de procesos Operacién evolutiva Promedio mévil ponderado exponencialmente Error cuadrético medio ponderado exponencialmente Varianza mévil ponderada exponencialmente Raiz cuadritica media ponderada exponencialmente Respuesta inicial ripida Carta de contro! grupal Promedio geométrico movil Rango intercuarti Organizacién Internacional para la Normatividad Limite inferior de control Limite de tolerancia natural inferior Nivel de calidad limite Integracién en gran escala Limite de especificacién inferior Tolerancia del porcentaje defectuoso en un lote Desviaci6n absoluta promedio Promedio movil ponderado exponencialmente muttivariado Planes de muestreo del Military Standard Promedio de los rangos méviles Rango mévil (de dos observaciones sucesivas) Proceso de flujo miiltiple Normal ¢ independientemente distribuida Operacién caracteristica Plan de accién para condiciones fuera de controlpr PC lines PCA PCR PL PID ac Precision-to-Tole! nce ratio Precontrol Limits Principal Components Analysis, Process Capability Ratio Proportior Integral control equation Proportional Integral Derivative control equation Partial Least Squares Process Performance Indices Quality Control Quesenberry run SPC) Robust Parameter Design Rejectable Quality Level Response Surface Methodology Skip-lot Sampling Plan Statistical Process Control Sequential Probability Ratio Test art (procedures for short- Sum of Squares ‘Total Quality Assurance Total Quality Management Unweighted Batch Means Upper Control Limits Upper Natural Tolerance Limits Upper Specification Limits Upper Specification Limits Video Cassette Recorder Very-Large-Scale Integration GLOSARIO DE ABREVIATURAS, xxi Razén precisi6n-toleranci Limites de precontrol And indice de capacidad del proceso s de componentes principales Ecuacién de control integral proporcional Ecuacién de control derivada integral proporcional Minimos cuadrados parciales indices de desempefo (cumplimiento) del proceso Control de calidad Carta Quesenberry (procedimiento para el control estadistico de procesos de corrida corta) Disefto paramétrico robusto Nivel de Metodologia para superticies de respuesta alidad rechazable Planes de muestreo por salto de lote Control estadistico de procesos Raz6n de prueba de la probabilidad secuencial Suma de cuadrados Aseguramiento de calidad total Administraci6n de calidad total Medias de cargas (lotes) no ponderadas Limites de control superior Limites de tolerancia natural superior Limites de especificacién superior Limites de especificacién inferior Grabadora de cassette de video Integraci6n a muy grande escalaEl mejoramiento de calidad en el ambiente moderno de los. negocios PLAN GENERAL DEL CAPITULO 1-1 SIGNIFICADO DE CALIDAD Y DE 1-4 OTROS ASPECTOS DEL CONTROL Y MEFJORAMIENTO DE CALIDAD MEJORAMIENTO DE CALIDAD 11.1 Dimensiones de 1a calidad 1.4.1. Filosofia de calidad y estrategias de {1.2 Terminologia de la ingenieria de or, calidad 1-4.2 La conexién entre calidad y productividad 1-2, HREVE HISTORIA DEL CONTROL Y 1-4,3 Costos de la calidad MEJORAMIENTO DE CALIDAD 1-4.4. Aspectos legates de la calidad 1-3 METODOS ESTADISTICOS DE 1-4.5 Implementacién del mejoramiento de (CONTROL Y MEJORAMIENTO DE calidad CALIDAD VISION BREVE DEL CAPITULO Este libro trata de Jos métodos estadisticos y otras técnicas para resolver problemas dirigidos a mejorar la calidad de los productos utilizados en nuestra sociedad, Estos productos son bienes manufacturados tales como automéviles, computadoras y ropa, as{ como servicios como la gene- racidn y distribucién de energia eléctrica, el transporte pablico, la banca y la atencién médica. Los métwlos de mejoramiento de calidad pueden aplicarse en cualquier drea de una compafifa u orga- nizwwidn, incluyendo la manufactura, el desarrollo de procesos, el disefio de ingenieria, las finan- zas y contabilidad, la comercializacion y el servicio en campo de productos. En este texto se preseutan las herramientas téenicas que se necesitan para conseguir el mejoramiento de calidad en estas organizaciones.w Ll 1-1 )R AMIENTO DE CALIDAD EN EL AMBIENTE MODERNO 0 CAPITULO I ELM Jo s¢ presentan las definiciones bésicas de calidad, mejoramiento de calida empleada en la ingenierfa de calidad. Se discute asimismo el desarrollo hist6rico de la metodolog:: de! mejoramiento de calidad y se da una visién general de las herramientas estadisticas esenczles ea la practica profesional moderna. También se ofrece una breve discusién de algunos aspec:>s aSninistrativos y de negocios para implementar el mejoramiento de calidad. En este capit otra terminolog SIGNIFICADO DE CALIDAD Y DE MEJORAMIENTO DE CALIDAD zs <¢ definir calidad. El concepto de calidad que se forma la mayoria de las one con una 0 mas caracteristicas deseables que deberfa poser un producto 0 So esta comprensién conceptual es ciertamente un buen punto de partida, se Hay muchas me personas se re servicio. Aun ¢ dard una definic La calidad se he dores para elegir portar si el cons rus precisa y titi evertido en uno de los factores de decisiGn mas importantes de los consumi- < productos y servicios que compiten. El fenémeno es generalizado, sin im- «es un individuo, una organizacién industrial, una tienda minorista 0 un programa de defecs: =ilitar. Por consiguiente, entender y mejorar la calidad es un factor clave que lleva al éxito de ios negocios. al crecimiento y a una posicién competitiva fortalecida. La calidad mejorada y la uriizacion exitosa de la calidad como una parte integral de la estrategia de negocios global redundan ea ez -etorno sobre la inversién sustancial, En esta secci6n se presentan algunas definiciones opersivzs Je calidad y mejoramiento de calidad. Se empieza con una breve discusién de las diferentes :m=-siones de la calidad y parte de la terminalogia basica. Dimensiones de ta calidad Existen varias mzners: Je evaluar la calidad de un producto. Con frecuencia es de suma importan- cia distinguir estzs Gverentes dimensiones de Ia calidad. Garvin (1) ofrece una excelente discu- sin de los ocho comzenentes © dimensiones de la calidad. Resumimos sus puntos clave respecto de estas dimensiones -2mo sigue: 1. Desempefio _ !2; caracte- risticas de la calidad en los componentes y subensamblajes que constituyen ¢1 producto, asf como Jos valores deseados para las caracteristicas de la calidad en el producto final. Por ejemplo, el didmetro de una flecha usada en una transmisin automotriz no puede ser demasiado grande por- que no cabré en el cojinete de acoplamiento, y tampoco puede ser demasiado pequeflo, porque resultaré en un ajuste holgado que producira vibracién, desgaste y una falla prematura del ensam- blaje. En las industrias de servicios, es tipico hacer las especificaciones en términos de la cantidad ‘maxima de tiempo para procesar un pedido o proporcionar un servicio dado "Al valor de una medicién que corresponde con el valor deseado para es caracterfstica de la alidad se le llama el valor objetivo o nominal de dicha caracteristica. Estos valores objetivos suelen estar acotados por un rango de valores que, la mayorfa de las veces, se considera que estarin lo suficientemente cerca del objetivo como para no impactar ef funcionamiento o desempefio del pro- ducto si la caracteristica de la calidad se encuentra en ese rango. Al valor maximo permitido de una caracterfstica de la calidad se le llama el limite superior de la especificacién (USL, por sus siglas en inglés) y al valor minimo permitido de una caracteristica de la calidad se le lama el limite inferior de la especificacién (LSL, por sus sigias en inglés), Algunas caracterfsticas de la calidad tienen Iimites de las especificaciones en un solo lado del objetivo. Por ejemplo, es probable que la resisten- cia a la compresién de un componente usado en la defensa de un automévil tenga un valor objetivo y tun Iimite inferior de la especificacién, pero no un limite superior de la especificacién. sificar los datos sobre las carac-CAPITULO 1 EL MEJORAMIENTO DE CALIDAD EN EL AMBIENTE MODERNO DE LOS NEGOCIOS Las especificaciones son generalmente el resultado del proceso de diseito de ingenieria del pro- ducto. Tradicionalmente, los ingenieros de disefio Hegan a una configuracién del disefio del producto mediante el uso de los principios cientificos de la ingenieria, lo cual suele resultar en la espe ficacidn por parte del disefiador de los valores objetivo de los pardmetros criticos del disefio. Se procede entonces a la construcciGn y prueba del prototipo. Esta prueba con frecuencia se hace de manera no estructurada, sin el uso de procedimientos de disefio experimental con una base esta- distica y sin mucha interaccién © conocimi ducir las partes componentes y el producto final. Sin embargo, mediante este procedimiento general, el ingeniero de disefio determina generalmente los limites de las especificaciones. tonces el producto final se libera para su fabricacién. Hacemos referencia a este enfoque del disefio como el enfoque asistematico. Los problemas con la calidad del producto suelen ser mayores cuando se utiliza el enfoque asistemdtico en el disefio. En este enfoque, las especificaciones con frecuencia se establecen sin tomar en consideracién la variabilidad inherente que existe en materiales, procesos y otras partes del sistema, lo cual resulta en componentes 0 productos que son disconformes; es decir. que dejan de cumplir con una o més de sus especificaciones. A un tipo especffico de falla se le Hama disconformidad. Un producto disconforme no es necesariamente inapropiado para su uso; por ejemplo, un detergente puede tener una concentracién del ingrediente activo que esté abajo del limite inferior de la especificaci6n, pero atin asf puede tener un desempefio aceptable si el con- sumidor utiliza una cantidad mayor del producto. Un producto disconforme se considera defec- tuoso si tiene uno o mds defectos, que son disconformidades que son lo suficientemente graves para afectar de manera importante la seguridad o el uso efectivo del producto. Obviamente, e1 fracaso por parte de la compafifa para mejorar sus procesos de manufactura también pueden causar disconformidades y defectos. EI proceso del disefio asistematico ha sido objeto de gran atencién en los tiltimos 20 afos. Los sistemas CAD/CAM han contribuido en mucho para automatizar el proceso de disefio y para trans- formar con mayor efectividad las especificaciones en procesos y actividades de manufactura. El disefio de manufacturabilidad y ensamblaje ha surgido como una parte importante para superar los problemas inherentes del enfoque asistemtico del disefio, y hoy en dia la mayorfa de los ingenie- ros reciben cierta formacién sobre esas areas como parte de su educacién formal. El énfasis recien- te en la ingenierfa de concurrencia ha fortalecido el enfoque de equipo en el disefio, gracias al cual especialistas en manufactura, ingenierfa de calidad y otras disciplinas trabajan juntos con el disefiador del producto en las etapas iniciales del proceso de disefio del producto. Ademés, la aplicacién efectiva de la metodologia de mejoramiento de calidad que se discute en este libro —en todos los niveles del proceso empleado en el disefio, desarrollo y fabricacién del producto— juega un papel crucial en el mejoramiento de calidad, nto de los procesos de manufactura que deben pro 1-2. BREVE HISTORIA DEL CONTROL Y ' MEJORAMIENTO DE CALIDAD La calidad ha sido siempre parte integral de virtualmente todos los productos y servicios. Sin ‘embargo, nuestra conciencia de su importancia y la introduccién de métodos formales de control y mejoramiento de calidad han tenido un desarrollo evolutivo. En la tabla 1-1 se presenta la cronolo- gia de algunos parteaguas importantes en este proceso de evoluci6n. Se discutirén brevemente algunos de los eventos de esta cronologia. eniie1-2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE CALIDAD 9 ‘Tabla 1-1 Cronologfa de los métodos de calidad 1700-1900 1875 1900-1930, 1901 1907-1908 1908 1915-1919 1919 Anos 1920 1922-1923 1924 1928 1931 1932 1932-1933 1933 1938 1940. 1940-1943 1942 1942-1946 1944 1946 1946-1949 La calidad se determina en gran medida por los esfuerzos de los artesanos individuales. Eli Whitney introduce las partes estandarizadas intercambiables para simplificar el ensamblaje Frederick W. Taylor introduce los principios de la “Administracién Cientifica” para dividir el trabajo en unidades mis pequeias que pueden Hevarse a cabo con mayor facilidad —el primer enfoque para abordar los productos y procesos mas complejos. El interés se centraba en la productividad. Gilbreth y Gantt hicieron aportaciones posteriores. Henry Ford introdux ea de ensamblaje, un refinamiento adicional en los métodos de trabajo a fin de mejorar la productividad y la calidad; Ford desarroll6 conceptos de ensamblaje a prueba de errores, la autoverificacién y la inspeceién dentro del proceso. Se establecen en Gran Bretafia los primeros laboratorios de estindares. ATT inicia la inspeccién y prueba sistematica de productos y materiales. W, S. Gosset (bajo el seudénimo “Student”) introduce la distribucién 1, resultado de su trabajo en el control de calidad en la Cervecerfa Guiness WWI; el gobierno briténico inicia un programa de certificacién de proveedores Se funda en Inglaterra la Asociacién de Inspeccién Técnica; posteriormente se convierte en el Instituto de Aseguramiento de Calidad. Los Laboratorios Bell de AT&T forman un departamento de calidad, centrindose en la calidad, la inspeccién y las pruebas, y en la confiabilidad del producto. B. P. Dudding emplea métodos estadisticos en General Electric de Inglaterra para controlar la calidad de las bombillas eléctricas. R.A, Fisher publica una serie de escritos fundamentales sobre experimentos disefiados y su aplicacién en las ciencias agricolas W. A. Shewhart introduce el concepto de carta de control en un memordndum técnico de los Laboratorios Bell. H. F. Dodge y H. G. Romig desarrollan y perfeccionan la metodologia del muestreo de aceptacién en los Laboratorios Bell. W. A. Shewhart publica Economic Control of Quality of Manufactured Product, donde se describen métodos estadisticos para usarlos con los métodos de cartas de produccién y control. W. A. Shewhart dicta conferencias sobre métodos estadisticos de cartas de produccién y control en la Universidad de Londres. La industria textil y de la lana en Gran Bretafia y la industria quimica en Alemania inician el uso de experimentos disefiados para el desarrollo de productos y procesos. La Real Sociedad de Estadistica instituye la Secci6n de Investigaci6n Industrial y Agricola. W. E, Deming invita a Shewhart a presentar seminarios sobre las cartas de control en la Escuela de Graduados del Departamento de Agricultura de Estados Unidos. El Departamento de Guerra de Estados Unidos publica una guia para usar cartas de control en el anilisis de datos de procesos. Los Laboratorios Bell desarrollan los precursores de los planes de muestreo. “military standards” para el ejército estadounidense. Se funda en Gran Bretafia el Ministerio de Servicios de Aseso de Calidad para Suministros. Se imparten en la industria cursos de capacitacién sobre control estadistico de calidad. Tnicia sus publicaciones Industrial Quality Control. Se funda la Sociedad Americana de Control de Calidad (ASQC, por sus siglas en inglés) como una fusién de diferentes sociedades de calidad Deming es invitado a Japén por la Seccién de Servicios Econémicos y Cientificos del Departamento de Guerra de Estados Unidos para ayudar a las fuerzas de ocupaci6n a reconstruir la industria japonesa. Se funda la Unidn Japonesa de Cientificos e Ingenieros (JUSE, por sus siglas en inglés). Deming es invitado a dar seminarios de control estaclistico de calidad en la industria japonesa. con ka fa en Métodos Estadisticos y Control (continiia)10 CaPfroLo 1 EL MEIORAMIENTODE CALIDAD E MODERNO DE LOS NEGOCIOS Tabla 1-1 (Continuacién) 1948 Profesor G. Taguchi inici: © sido y aplicacin del disefio experimental 1950 Deming inicia ta educacién ce «:-sinistradores industriales japoneses: se ini generalizada de los métodos ~ -ntrol estadistico de calidad en Japén EI profesor K. Ishikawa inti.» +1 diggrama de causa y efveta. Ms 1950//°Se publican ls textos sin 4» control estidticn de calidad de Eugene. Granvy A, J.-D 1951 EI Dr. A. V. rblica la primera edicién de su libro Tonal Quality. Control La JUSE establece el ng” para los logroy importantes en el control de calidad y en lt metodologia de calidad ost+ G. E-F Bax y KB. Wilks ubmecan obra. fundaaipeninee sobre el uso de los experimentos diseiados. ¥ la metodologia de superticie. sx respuesta Para la optimizacin de procesos: el interés se centra en indestria quimica: Las pti aa de ios" ckperinseaice Achar era industria quimica crecen de manera sostenida después oh os. 954 El'DevJoseph Mtluran cs ities ie Toe! eines a UII ¥ mejoramiento de call) El especialista en estalistis teitgrice ES, Page introduce la carta de control de suma acumulada (CUSUM. por sus siglts en inp ri 057 Pascoe Dera lena Cra ral ce eae Non i y FM. Gryna, ee Ss finds Technorati. ou pein deugendislicaipaadannicnceeme quimicas y de ingenieria): J. Stuart Hunter esc; editor fundador S, Roberts inode Is catia de conceal del praemetin et oe cea exponencialmente (EWMA. Por sus siglas en inglés) El programa de Vclos espacial tpulados de. Estates Unidos hace USAW etl la industria de la necesidad de’ productos'cuifistle\” este’ e8 el Punto de partida para el desarrollo del campo de I ingenierfa de confiabilidad ja enseftanza wean, algunas conferencias sobre administracién 60) G.E. P. Box y J. S. Hunter exesiten trabajos fundamentales sobre los diseftos factoriales 2». Et cones pls dé: efeculs ue Cavin de daligad os tnkeaierioien Japén por K. Ishikawa. 61 Se,finda.en Gran, Becton olitenaaia NadionslsdevCaligad ¥ Productividad (NCQP, por sus siglas en inglés) como pete dell Colca Briaice de ERRUCIV is TP atta le CONG GH idGce-calidadine geacalienafeosion Programas académicos de Ingenierfa Industrial Se introducen programas de ¢444, defectos (ZD. por sus siglas en inglés) en algunas industrias estadounidenses. 59 Deja de publicarse Industria Quality Control; es reemplazada por Quality Progress y Journal of (Qicliy Technotony tel Lee TNipa SNe ed alee Tia ali os JOT) os 1970 En Gran Bretafia se fusionan ce! NCOP y el Instituto de Aseguramiento de Calidad para formar la Asociacién Briténica de ( '5-1978 Empiezan a aparecer lity.» Hida " solte experimentos disefiados dirigidos a ingenieros y cientificos Fippiezs e! interés por. ls ofr aid oalataticabnte tie es Eee a erece hasta formar el Se Hae a administicicn de calidad total CTQM, por sus siglas om inglés). > 1980. Se introducen y son adopwidin ln mélodos del dicate experimental en un grupo més amplio de Se Tadnese aap ete00 Ny luting eectrGnica, sespegperial, Ae seh ee ¥ automotiz. Seen be dita Nel eh (xccloe Uniting tor Tabata eel profesor G. Taguchi sobre experimentos diseftados, 4 La Asociacion Americana de Hsjdistica (ASA, por sus siglas en inglés) establece el Comité Ad Hoc Bary Calidad y Erblctiyidlad ae coamieiae cons eel aka las cA Seccién completa de la ASA. 6 Box y otros especialistay-visitin Yapgn, donule observa el use generalizado de los experimentos disefiados y otros métodos o ; El Congreso de Estadox Unidos establece:el Premio’ Nacional de Calidad Malcolm Baldrige. ) Aparece la revista Quality Laincering Nace la iniciativa seis sigma de Motecola 1 aD iyencreenean 185 aetividaly da cern aeRO en la industria estadounidense; los ore radar el Pet Mi lesaumenaniic maseneeneee ce estados patrocinan Premios Se celica WERK ci kon crlssioms cel Pear Baldrige.1995 1997 1998 1-2 BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE CALIDAD, Il Muchos programas de posgrado en ingenieria exigen cursos formales en técnicas estadisticas, enfocdndose en los métodos biisicos para Ia caracterizacién y mejoramiento de procesos. El enfoque seis sigma de Motorola se extiende a otras industrias. La Sociedad Americana de Control de Calidad se convierte en la Sociedad Americana de Calidad (ASQ, por sus sighas en inglés), en un mejoramiento de calidad lento por seiialar los aspectos mas amplios det campo del Frederick W. Taylor introdujo algunos principios de Ia administracidn cientifica cuando empez- ron a desarrollarse las industrias de produccién en masa antes de 1900, Taylor fue pionero en kat divisi6n del trabajo en tareas para que fuera mas facil la fabricacién y ensamblaje del producto. Su trabajo lev6 a mejoras sustanciales de la productividad. Asimismo, como consecuencia de la estandarizacién de los métodos de produccién y ensamblaje, también hubo un impacto positivo en Ja calidad de los bienes manufacturados. Sin embargo, junto con la estandarizaci6n de los métodos de trabajo vino el concepto de estandares de trabajo —un tiempo estindar para Hevar a cabo el trabajo, © un ntimero especificado de unidades que deben producirse por periodo. Frank Gilbreth y otros ampliaron este concepto al estudio del mecanismo y el disefio del trabajo. Mucho de esto tuvo un impacto positivo sobre la productividad, pero con frecuencia resté énfasis al aspecto de la calidad del trabajo. Ademas, llevados a los extremos, los estandares de trabajo tienen el riesgo de detener la innovacién y el mejoramiento continuo, lo cual reconocemos hoy como uno de los aspectos vitales de todas las actividades laborales. Los métodos estadisticos y su aplicacién cn el mejoramicnto de calidad han tenido una larga historia. En 1924, Walter A. Shewhart de Bell Telephone Laboratories desarroll6 el concepto de carta de control estadistico, el cual suele considerarse como el inicio formal del control estadistico de calidad. Hacia el final de los afios 1920, Harold F. Dodge y Harry G. Romig, ambos en la misma empresa citada, desarrollaron el muestreo de aceptacién basado en la estadistica, como una alter- nativa para la inspecci6n del 100%. Para mediados de los afios 1930, los métodos de control esta- distico de calidad se usaban ampliamente en Western Electric, el brazo manufacturero de Bell System. Sin embargo, el valor del control estadistico de calidad no disfrutaba ina aceptacién generalizada en la industria. La Segunda Guerra Mundial presenci6 un uso y aceptacién mucho més amplios de los conceptos del control estadistico de calidad en las industrias manufactureras. La experiencia de la guerra puso de manifiesto que las técnicas estadfsticas eran necesarias para mejorar y controlar la calidad de los productos. En 1946 se fund6 la Sociedad Americana de Control de Calidad. (on pro- mueve el uso de las técnicas del mejoramiento de calidad para todo tipo de productos y servicios. Hasta la fecha, ofrece diversas conferencias, publicaciones técnicas y programas de capacitacién de aseguramiento de calidad. Los afios 1950 y 1960 vieron el surgimiento de la ingenieria de contiabilidad, asi como la introduccién de varios libros de texto importantes sobre control estadistico de calidad y del punto de vista de que la calidad es una manera de administrar una organizaci6n. En los afios 1950 se introdujeron por primera vez en Estados Unidos los experimentos disefia- dos para el mejoramiento de productos y procesos. Las aplicaciones iniciales fueron en la industria quimica, Estos métodos se explotaron ampliamente en la industria quimica y se citan con frecuen- cia como una de las principales razones de que la industria quimica estadounidense sea una de las mas competitivas del mundo y de que haya perdido pocos negocios frente a compaifas extranjeras. La expansién de estos métodos fuera de la industria quimica fue relativamente lenta hasta fines de los afios 1970 y principios de los 1980, cuando muchas compaffas occidentales descubrieron que sus competidores japoneses habian estado utilizando experimentos disefiados de manera sistemsti- Esta organizaCAPITULO 1 EL MEJORAMIENTO DE CALIDAD EN EL AMBIENTE MODERNO DE_ ;OCIOs ca desde los afios 1960 en la eliminacién de problemas de procesos, el desarrollo de nuevos proce- sos, la evaluacion de disefios de nuevos productos, el mejoramiento de la confiabilidad y del desempefio en campo de los productos, y muchos otros aspectos del disefio de productos, incluyen- do la seleccidn de las tolerancias de componentes y sis Este descubrimiento despert6 un mayor interés en los experimentos disefiados estadisticamente y redund6 en esfuerzos extensivos para introducir la metodologia en la ingenieria y las organizaciones de desarrollo de ta indust asf como en los programas de estudio de ingenieria Desde 1980 ha habido un profundo crecimiento en el uso de los métodos estadisticos para el mejoramiento de calidad en Estados Unidos. Esto ha sido motivado, en parte, por la amplia pérdida de negocios y mercados sufrida por muchas compaiifas estadounidenses que se inicié durante los 5 1970. Por ejemplo, la industria automotriz de Estados Unidos précticamente fue destruida por la ‘competencia extranjera durante este periodo. Una compaiifa automotriz. estadounidense estimaba sus pérdidas de operacién en cerca de 1 millén de délares por hora en 1980. La adopcién y el uso de métodos estadisticos ha jugado un papel central en el resurgimiento de la industria estadounidense. También han surgido varias estructuras de administracién como marcos en los cuales implementar el mejoramiento de calidad. En las dos secciones siguientes se discuten brevemente los métodos esta- disticos que son el centro de interés de este libro y se ofrece un panorama general de algunos aspectos clave de la administraci6n de calidad total (TQM, por sus siglas en inglés). 1-3. METODOS ESTADISTICOS DE CONTROL Y MEJORAMIENTO DE CALIDAD Este libro de texto se concentra en la tecnologia estadistica y de ingenierfa itil en el mejoramiento de calidad. Especificamente, nos enfocamos en tres Areas principales: el control estadistico de procesos, el disefio de experimentos y (en menor grado) el muestreo de aceptacién. Ademés de estas técnicas, varias otras herramientas estadisticas son utiles para analizar los problemas de calidad y para mejorar el desempefio de los procesos de produccién. El papel de algunas de estas Entradas controlables a % 5 Entrada, materias primas, ‘componentes y subensamblajes Salida Producto Caracteristica de lacalidad 4 Ps . Entradas no controlables Figura 1-3 Entradas y salidas de un proceso de producci6n:1-3. METODOS ESTADISTICOS DE CONTROL Y MEJORAMIENTO DE CALIDAD, 13 uct. cu. Z : 5 Le. ‘Tiempo (0 niimero de muestra) ra 1-4 Una carta de control tipica herramientas se ilustra en la figura 1-3, donde se presenta un proceso de produccién como un sistema con una serie de entradas y una salida. Las entradas x,,.x,. ... .x, son factores controlables, tales como temperaturas, presiones, velocidades de alimentacién y otras variables de procesos. Las entradas z,, z,, . » ¢, Son entradas no controlables (o dificiles de controlar), tales como los factores ambientales 0 las propiedades de las materias primas suministradas por el proveedor. El proceso de manufactura transforma estas entradas en un producto terminado que tiene varias caracterfsticas de la calidad, La variable de salida y es una medida de la calidad del proceso. La carta de control cs una de las principales técnicas del control estadistico de procesos 0 SPC (por sus siglas en inglés). En la figura 1-4 se muestra una carta de control tipica. En esta carta los promedios de las mediciones de una caracteristica de la calidad hechas en muestras tomadas de! proceso se grafican contra el tiempo (0 el nimero de muestra). La carta tiene una linea central (CL, por sus siglas en inglés) y los limites de control superior e inferior (UCL y LCL, por sus siglas en inglés, en la figura 1-4), La linea central representa el sitio donde deberia localizarse esta caracte~ ristica del proceso en caso de no estar presentes fuentes inusuales de variabilidad. Los limites de control se determinan a partir de consideraciones’estadisticas simples que se discutiran en los capitulos 4, 5 y 6. De manera tipica, las cartas de control se aplican a la 0 las variables de salida en un sistema como en la figura 1-4. Sin embargo, en algunos casos también se han aplicado con buenos resultados a las entradas. La carta de control es una técnica de monitoreo del proceso muy util; cuando estén presentes fuentes inusuales de variabilidad, los promedios muestrales graficados se localizaran fuera de los limites de control. Esta es una sefial de que debera hacerse cierta investigacién del proceso y emprenderse una accién correctiva para eliminar estas fuentes inusuales de variabilidad. El uso sistematico de una carta de control es una excelente manera de reducir la variabilidad. Un experimento disefiado es de suma utilidad para descubrir las variables clave que influyen en las caracteristicas de la calidad que son de interés en el proceso. Un experimento disefiado es un enfoque para hacer variar de manera sistematica los factores de entrada controlables del proceso y determinar el efecto que tienen estos factores sobre los parémetros del producto de salida. Los experimentos disefiados estadisticamente son invaluables para reducir la variabilidad de las carac- terfsticas de la calidad asf como para determinar los niveles de las variables controlables que optimizan el desempeno del proceso. Un tipo importante de los experimentos diseftados es el disefto factorial, en el cual los factores se hacen variar conjuntamente de tal modo que se prueban todas las combinaciones posibles de los niveles de los factores. En la figura 1-5 se muestran dos disefios factoriales posibles para el proceso14 CAPITULO | EL MEIORAMIENTO DE CALIDAD EN EL AMBIENTE MODERNO DE Lt (CH | Bajo S NEGOCIOS Alto Bajo 4 4) Dos factores, x,y x, 2) Tres tactores, x, x.y X, Figura 1-5 _Disenios factoriales para el proceso de la figura 1-3 de la figura 1-3, para los casos en que los factores controlables son p = 2 y p = 3. En la figura 1-Sa los factores tienen dos niveles, bajo y alto, y las cuatro combinaciones de prueba posibles en este experimento factorial forman los vértices de un cuadrado. En la figura 1-5b hay tres factores con dos niveles cada uno, que dan lugar a un experimento con ocho combinaciones de prueba dispue: tas en los vértices de un cubo. Ls distribuciones que se muestran en los vértices del cubo represen- tan el desempefio del proceso para cada combinacién de los factores controlables x, x, y x. Es evidente que algunas combinaciones de los niveles de los factores producen mejores resultados que otras. Por ejemplo, cuando x, se incrementa del nivel bajo al alto, el nivel promedio de la salida del Proceso se incrementa y podria apartarlo del valor objetivo (7). Adem, la variabilidad del proce- So parece sufrir una reducci6n sustancial cuando el proceso se opera en la cara posterior del cubo, donde x, y x, estén en sus niveles altos. Los experimentos diseftados son una importante herramienta de control de calidad fuera de linea. ya que por lo general se utilizan durante las actividades de desarrollo y en las etapas iniciales de Ia manufactura, en vez de usarse como un procedimiento rutinario en linea o dentro del proce- So. Juegan un papel crucial para reducir la variabilidad. imeem,}ODOS ESTADISTICOS DE CONTROL Y MEJORAMIENTO DE CALIDAD. 15 Una vez que se ha identificado una lista de variables importantes que afectan la salida del proceso, suele ser necesario modelar la relacién entre las variables de entrada influyentes y las caracteristicas de la calidad a la salida. Entre las técnicas estadisticas titiles para construir estos modelos se encuentran el anélisis de regresiGn y el anzlisis de series de tiempo. Montgomery (3). Montgomery y Peck (9) y Box, Jenkings y Reinsel (7) incluyen discusiones detalladas del modela- do con experimentos disefiados, andlisis de regresién y series de tiempo Cuando se han identificado las variables importantes y se ha cuantificado Ja naturaleza de la relaci6n entre las variables importantes y la salida del proceso, es posible aplicar con considerable efectividad una técnica de control estadistico de procesos en linea para monitorear y vigilar el proc so. Téenicas tales como las cartas de control pueden usarse para monitorear la salida del proceso y detectar cusndo son necesarios cambios en las entradas para regresar el proceso a un estado bajo control. Los modelos que relacionan las entradas influyentes con las salidas de los procesos ayudan a determinar la naturaleza y la magnitud de los ajustes necesarios. En muchos procesos. una vez. que se comprende la naturaleza dinémica de las relaciones entre las entradas y las salidas, puede ser posible hacer el ajuste rutinario del proceso para que los valores futuros de las caracterfsticas del producto estén aproximadamente en el objetivo. A este ajuste rutinario suele llamérsele control de ingenieria, control automiitico o control de retroalimentacién. En el capitulo 11 se discutiran brevemente estos tipos de esquemas de control de procesos, y se ilustraré cémo los métodos del SPC puede! integrarse exitosamente en un sistema de manufactura en el que se aplica el control de ingenieria La tercera area del control y mejoramiento de calidad que se discute es cl muestreo de acepta- cin. Guarda una estrecha relacién con la inspeccién y prueba del producto, que es uno de los Primeros aspectos del control de calidad, cuyos origenes se remontan mucho antes de que se desa- rrollara una metodologia estadistica para el mejoramiento de calidad. La inspeccién puede ocurrir en muchos puntos de un proceso. El muestreo de aceptaciGn, definido como la inspecci6n y clasi- ficacién de una muestra de unidades seleccionadas al azar de una carga 0 lote més grande y la decisién final acerca de la forma en que se dispondri del lote, ocurre por lo general en dos puntos: en las materias primas 0 componentes de entrada o en la produceién final En la figura 1-6 se muestran diferentes variantes del muestreo de aceptaci6n. En la figura 1-6a la operacién de inspecci6n se realiza inmediatamente después de la produccién, antes de que el producto se embarque al cliente, Suele llamérsele inspeccién de salida. En la figura 1-6b se ilustra la inspeccién de entrada; es decir, una situacién en la que se hace el muestreo de varios lotes o cargas del producto cuando se reciben del proveedor. En la figura 1-6c se ilustran varias decisiones acerca de la forma en que se dispondra de los lotes, Los lotes muestreados pueden ser aceptados © rechazados. De manera tipica, los articulos de un lote rechazado se desechan 0 se reciclan, o pueden reprocesarse 0 reemplazarse con unidades buenas. A este tiltimo caso suele llamarsele inspeccién de rectificacién. : Los sistemas modernos de aseguramiento de calidad frecuentemente hacen menos énfasis en el muestreo de aceptacién y procuran concentrar sus esfuerzos en el control estadistico del proceso y en los experimentos disefiados. El muestreo de aceptacién tiende a reforzar el punto de vista de la “conformidad con las especificaciones” de la calidad y no sirve de retroalimentacién para el proce- so de produccién o para el disefio o desarrollo de ingenieria que Ilevaria necesariamente al mejora- miento de calidad. En la figura 1-7 se muestra la evolucién tipica de la utilizaciGn de estas técnicas en la mayoria de las organizaciones. En el nivel de madurez més bajo, la administracion puede no saber absolutamente nada de cuestiones de calidad, y es posible que no haya ningtin esfuerzo organizado efectivo para el mejoramiento de calidad. Con frecuencia habré aplicaciones modestas de los métodos del muestreo16 CAPITULO | EL MEJORAMIENTO DE CALIDAD EN EL AMBIENTE MODERNO DE LOS NEGOCIOS Embarq Proceso [-——=| _inspeccion pease] Cente a) Inspeccion de salida rae Inspaccion Cente 2) Inspeccién do entradarecepcion Aceptado Proceso Inspeceién +O Cente otal oe rmiento @) Forma de disponer de los loles Figura 1-6 Variantes det muestreo de aceptacién. de aceptacién, por lo general en Ia inspeccién de recepcién. La primera actividad cuando aumenta la madurez es intensificar el uso de la inspecci6n de muestras. El uso del muestreo aumentard hasta que haya conciencia de que la calidad no puede inspeccionarse © probarse dentro del producto, En ese punto, la organizacién por lo general empieza a enfocarse en el mejoramiento del proceso. El control estadistico del proceso y el diseflo experimental tienen un impacto potencial importante sobre la manufactura, las actividades de diseiio del producto y el desarrollo del proceso. La introduc- cin sistemética de estos métodos con frecuencia marca el principio de mejoramientos sustanciales de la calidad, de los costos y la productividad en la organizacion. En los niveles més altos de madu- rez, las compafias utilizan de manera intensiva los experimentos disefiados y los métodos de control estadistico de procesos y hacen un uso relativamente modesto del muestreo de aceptacién. 100 Muosteo de s apicacn a 4 Control dot z proceso, 2 3 i é Diseho de experimentos Tiempo Figura 1-7 Diagrama de fase del uso de los métodos de la ingenierfa de calidad1-4 OTROS ASPECTOS DEL CONTROL Y MEJORAMIENTO DE CALIDAD a Limite superior de la especificacion roe =r" 7 ( Media del proceso, 1 t Limite interior det mie : | specticacion Mucstreo de Control estadistico Diseho de aceptacen el roces0 expermentos Figura 1-8. Aplicacién de las téenicas de la ingenierfa de calidad y la reduccién sistemtiea de la variabilidad del proceso. El objetivo principal de los esfuerzos de la ingenieria de calidad es la reduccién sistemética de Ia variabilidad en las caracterfsticas clave de la calidad del producto. En la figura 1-8 se mues- tra cémo ocurre esto con el tiempo. En las etapas iniciales. cuando el muestreo de aceptacién es la principal técnica en uso, la “poreién caida” del proceso, 0 las unidades que no cumplen con Jas tspecificaciones, constitayen un porcentaje elevado de la salida del proceso. La introduccién del control estadisti¢o del proceso lo estabilizard y reduciré la variabilidad. Sin embargo, no es satis- factorio limitarse a cumplir con los requerimientos —la reduccién adicional de la variabilidad por Jo general lleva a mejorar el desempefio del producto y a tener una posicién competitiva fortaleci- da, como lo demostré con toda claridad el ejemplo de las transmisiones automotrices discutido antes. Los experimentos disefiados estadisticamente pueden emplearse en conjuncién con el con- trol estadistico del proceso para minimizar la variabilidad de los procesos en précticamente todos Jos escenarios industriales. 1-4 OTROS ASPECTOS DEL CONTROL Y MEJORAMIENTO DE CALIDAD ‘Aun cuando las técnicas estadisticas son las herramientas criticas en el control y el mejoramiento de Ia calidad, para que su uso sea més efectivo deben implementarse y ser parte de un sistema de administraciGn cuya motivacién sea la calidad. De hecho, el sistema de administraci6n debe dirigir Ia filosoffa de mejoramiento de calidhd y asegurar su implementaci6n en todos los aspectos del negocio. Uno de los marcos administrativos usados para llevar a cabo esto es la administracién de calidad total (o TQM), aun cuando otros nombres de uso comin incluyen control de calidad en toda la compafifa (CWQC, por sus siglas en inglés), aseguramiento de calidad total (TQA. por sus siglas en inglés) y seis sigma. En esta secci6n se hace una breve revisién general de los elementos clave de la TQM. Se discuten algunas de las principales filosofias de calidad, la conexidn entre calidad y productividad, tas implicaciones legales y econ6micas de la calidad, y algunos aspectos de la implementacion.18 1-4.1 CAPITULO | EL MEIORAMIENTO DE CALIDAD EN EL AMBIE} ITE MODERNO DE LOS NEGOCIOS Filosofia de calidad y estrategias de administracién Muchas personas han contribuido en la metodologia estadistica del mejoramiento de calidad. Sin embargo. en términos de ta filosofia de la implementaciGn y la administracion, sureen tres indivi- duos como lideres: W. E. Deming. J. M. Juran y A. V, Feigenbaum, Se revisan ahora los enfoques ¥ la filosofia de estos Iideres en, la administracién de calidad. W. Edwards Deming Lina de las razones de que los fabricantes japoneses exhibieran una gran capacidad en el control fAadistico y el mejoramiento de la calidad durante los aiios 1970 y 1980.es el trabajo del De. W. jdwards Deming. Durante la Segunda Guerra Mundial. el Dr. Deming trabajé para el Departamento de Guerra y la Oficina del Censo. Después de la guerra, se hizo consultor de las industriae japonesas Y convencid a sus ejecutivos del poder de los métodos estadisticos y de la importancia de la calidad como arma competitiva, Este compromiso con los métodos estadisticos y su aplicacién ha side un elemento clave en la expansion de la industria y la economia de Japén. La Unién Faponesa de Cien. Liicos ¢ Ingenieros instituy6 el Premio Deming para el mejoramiento de calidad en su honor, Hlaxta Su muerte en 1994, el Dr. Deming fue un activo consultor y conferencista: fue una fuerva de inspira- cién para el mejoramiento de calidad en Estados Unidos y en todo el mundo. Era su firme convieeion ue la responsabilidad de la calidad descansa en la administracién; es decir, la mayoria de lac oportu- nidades para mejorar la calidad requieren la aecién de la administracion, y que muy pocas oportuni- dades se encuentran en el nivel de Ia fuerza de trabajo 0 de los operadores. El Dy Deming fue un severo criticw de muchas pricticas administrativas estadounidenses. 1. Tilosoffa del Dr. Deming es un importante marco para implementar el mejoramiento de la calidad y la productividad. Se presenta ahora una breve enunciacién y discusién de los Lt puntos del Dr. Deming: 1. Crear la constancia en los propésitos enfocados en el mejoramiento de productos y servi- Cios. Intentar constantemente mejorar el disefio y el desempeiio del producto. La inver Si6n en Investigacion, desarrollo e innovacién tendré una retribucién en el largo plaro para la organizacién. 2. Adoptar la nueva filosofia de rechazar la mano de obra deficiente, los productos defectuo- S08 0 los malos servicios. Cuesta lo mismo producir una unidad defectuosa que producir una buena (y muchas veces més). El costo para manejar los desechos. el reprocesamiento ¥ otras pérdidas creadas por unidades defectuosas representa una enorme sangria de los recursos de una compafifa. 3. No confiar en la inspeccién en masa para “controlar” la calidad. Lo vnico que puede hacer la inspecci6n es descartar las unidades defectuosas, y en este punto es demasiado tarde Porque se ha pagado ya por producirlas. La inspeccién ocurre tipicamente demasiado tarde en el proceso, es costosa y con frecuencia es ineficaz. La calidad resulta de la preven- Cién de unidades defectuosas a través del mejoramiento del proceso, no de Ia inspeccion, 4. No hacer contratos con proveedores atendiendo tinicamente al precio, sino considerando también la calidad. El precio sélo es una medida significativa del producto del proveedor si se considera en relaci6n con una medida de la calidad. En otras palabras, debe conside. arse el costo total del articulo, no s6lo el precio de compra. Cuando se considera la10. Ae 12. 13. 1-4 OTROS ASPECTOS DEL CONTROL Y MEJORAMIENTO DE CALIDAD a9 calidad, muchas veces quien presenta la cotizacién mas baja no es el proveedor con el costo mais bajo. Deberd darse preferencia a los proveedores que emplean métodos de mejoramiento de calidad modernos en sus negocios y que puedan demostrar el control y Ia capacidad del proceso. 0 y 0

es una estimacién del verdadero valor desconocido del parémetro binomial p. La distribucién de probabilidad de p se obtiene a partir de la distribucién binomial, ya que eel ipsam? {Esa ptesne=$("lora-py : donde [1a] denota el entero més grande menor © igual que na. Es sencillo demostrar que la media dep es py que la varianza de jp es 1=p) ot = Pil=p : n Distribucién de Poisson Una distribucién discreta util en el control estadistico de calidad es la distribucién de Poisson, definida como sigue. Definicion | La distribucién de Poisson es P(x) (2-15) x! donde el parémetro 4. > 0. La media y la varianza de la distribucién de Poisson son wad (2-16) (217) Obsérvese que la media y la varianza de la distribuci6n de Poisson sort ambas iguales al parme- tro A. Una aplicacién tipica de la distribucién de Poisson en el control de calidad es como un modelo del nimero de defectos o disconformidades que ocurren en una unidad de producto. De hecho, la distribucién de Poisson suele ser una aproximacién adecuada de cualquier fendmeno aleatorio que ocurre sobre una base por unidad (0 por unidad de area, por unidad de volumen, por unidad de tiempo, etc.). Como un ejemplo, suponer que el ntimero de defectos por unidad en la conexi6n de alambres que ocurre en un dispositive semiconductor sigue una distribucién de Poisson con2-24 2:2. DISTRIBUCIONES DISCRETAS IMPORTANTES 61 aed Figura 2-14. Distribuciones de probabilidad de Poisson para valores selecciona- dos de A parimetro A = 4. Entonces la probabilidad de que un dispositivo semiconductor seleccionado al azar contenga dos o menos defectos en la conexién de alambres es = 0.0183+ 0.0733 + 0.1464 = 0.2380 En la figura 2-14 se muestran varias distribuciones de probabilidad de Poisson. Obsérvese que s trata de una distribuci6n sesgada; es decir, la cola de la derecha es més larga. Conforme el parémetr 2 se hace més grande, la apariencia de la distribucién de Poisson se hace simétrica La distribuci6n de Poisson puede derivarse como una forma limite de la distribucién binomial Es decir, si en una distribucién binomial con pardmetros n y p se hace que 1 tienda a infinito y tienda a cero de tal modo que np = 2 sea una constante, se obtiene la distribucién de Poissor También es posible derivar la distribucién de Poisson utilizando un razonamiento de probabilida puro, Para mayor informacién acerca de la distribuci6n de Poisson, ver Hines y Montgomery (1 Montgomery y Runger (12). ribucién de Pascal y otras distribuciones relacionadas La distribucién de Pascal, al igual que la distribucién binomial, tiene su base en los ensayos ¢ Bernoulli, Considérese una secuencia de ensayos independiente, cada uno con probabilid: de éxito p, y Sea que x denote los ensayos en los que ocurre el éxito r-ésimo. Entonces + ¢s w variable aleatoria de Pascal con la distribucién de probabilidad definida como sigue.n CAPITULO 2 MODELADO DE LA CALIDAD DEL PROCESO. | Definicién La distribucién de Pascal es resi (Ft an renrthrr2, (2-18) donde r2 1 es un entero. La media y la varianza de la distribucién de Pascal son (2-19) (2-20) respectivamente. Dos casos especiales de la distribucién de Pascal son de interés. El primero de ellos es cuando r > Oy no es necesariamente un entero. A la distribuci6n resultante se le Hama distribucién binomial negativa. Es relativamente comin referirse a la ecuacién 2-18 como la distribucin binomial nega- tiva, aun cuando r es un entero. La distribucién binomial negativa, al igual que la distribucin de Poisson, en ocasiones es itil como el modelo estadfstico fundamental para varios tipos de datos Conteos”, tales como la ocurrencia de disconformidades en una unidad de producto (ver la seccién 6-3.1). Existe una importante dualidad entre la distribucién binomial y la binomial negativa. En la distribucién binomial se establece el tamafio de la muestra (el niimero de ensayos de Bernoulli) y se observa el ntimero de éxitos; en la distribucién binomial negativa se establece el nimero de Exitos y se observa el tamafio de la muestra (el ntimero de ensayos de Bernoulli) que se necesita para conseguirlos. Este concepto es de particular importancia en varias clases de problemas de muestreo. 8 El otro caso especial de la distribucién de Pascal es cuando r = 1, en cuyo caso se tiene la distribucién geométrica. Se trata de la distribucién del nimero de ensayos de Bernoulli hasta que ocurre el primer éxito. ‘ -3 DISTRIBUCIONES CONTINUAS IMPORTANTES En esta seccién se discuten varias distribuciones continuas que son importantes en el control esta- distico de calidad, las cuales incluyen la distribucién normal, la distribucién exponencial, la distri- bucion gamma y la distribucién de Weibull.2.3 DISTRIBUCIONES CONTINUAS IMPORTANTES, 63 2-3.1 Distribucién normal Probablemente la distribucién normal sea la la apl proba ibucién més importante tanto en la teoria como en cacién de la estadistica, Si x es una variable aleatoria normal, entonces la distribucién de lad de x se define como sigue. Definicion La distribucién normal es f= ec x 0. La utilizacién de la distribucién normal es tan frecuente que muchas veces se emplea una notacién especial, x ~ Niu, 6°), para denotar que x sigue una distribucién normal con media jt y varianza o° La apariencia visual de la distribucién normal es una curva simétrica, unimodal o en forma de campana, la cual se muestra en la figura 2-15. Hay una interpretacién simple de la desviacién estindar o de una distribucién normal, la cual se ilustra en la figura 2-16. Obsérvese que 68.26% de los valores de la poblaci6n se localizan entre los limites definidos por la media mas menos una desviaci6n esténdar (\1 + 16); 95.46% de los valores se localizan entre los limites definidos por la media mas menos dos desviaciones esténdar (1 + 26); y 99.73% de los valores de la poblacién se localizan dentro de los limites definidos por la media mas menos tres desviaciones estindar (i + 36). Por tanto, la desviacién estindar mide la distancia sobre la escala horizontal asociada con los limites que contienen 68.26%, 95.46% y 99.73% de los valores. Es una prictica comin redondear estos porcentajes en 68%, 95% y 99.7%. fe) # Figura 2-15 La distribucién normal.CAPITULO 2 MODELADO DE LA CALIDAD DEL PROCESO #-30 4-20-10 wt lop+2ou+30 | sazen— 95.46% 99.73% Figura 2-16 Areas bajo la distribucién normal La distribucién normal acumulada se define como 1a probabilidad de que 1a variable aleatoria normal x sea menor o igual que cierto valor a, 0 P(x sa)=Fla Esta integral no puede evaluarse en forma elemental o cerrada. Sin embargo, utilizando el cambio de variable (2-23) la evaluacién puede hacerse de manera independiente de 1 y 0°. Es decir, uieaadhr Geel aa o o donde (-) es la funcién de distribucién acumulada de la distribucién normal estandar (media = 0, desviacin esténdar = 1). En la tabla II del apéndice se presenta una tabla de Ia distribucién normal esténdar acumulada. A Ja transformacién 2-23 suele lamérsele estandarizacién, ya que convierte una variable aleatoria Nu, 6°) en una variable aleatoria N(O, 1). EJEMPLO 2-56 sccccsccccccncnvecnseccssesvccssectnes La resistencia de tensiin del papel empleado para hacer bolsas para viveres es una caracteristica importante de la calidad. Se sabe que la resistencia —por ejemplo, x— tiene una distribucién normal con media {t = 40 Ib/pulg? y desviaci6n estindar o = 2 Ib/pulg?, lo cual se denota x ~ N(40, 2). El comprador de las bolsas requiere que éstas tengan una resistencia de por lo menos 35 Ib/ pulg?. La probabilidad de que una bolsa hecha con este papel cumplira con esta especificacién o la excederd es P{x 2 35}, Obsérvese que2:3. DISTRIBUCIONES CONTINUAS IMPORTANTES 65 Figura 2-17 Calculo de P[r< 35} en el ejemplo 2-5. Para evaluar esta probabilidad en las tablas normales estdndar, se estandariza el punto 35 y se encuentra asa Peemere | ee =P{z<-2.5} = @(-2.5) = 0.0062 Por consiguiente, la probabilidad buscada es P{x> 35} =1— Plx $35} = 10.0062 = 0.9938 En la figura 2-17 se muestra la probabilidad tabulada para la distribucién N(40, 2”) y para la distribucién normal esténdar. Obsérvese que el rea sombreada a la izquierda de 35 Ib/pulg? en Ia figura 2-17 representa la fraccién disconforme 0 “porcién caida” producida en el proceso de fabricacién de las bolsas. En la tabla II del apéndice s6lo se dan las probabilidades a la izquierda de los valores positivos de z, Serd necesario utilizar la propiedad de simetria de la distribucién normal para evaluar las proba- bilidades. Especificamente, obsérvese que Pix a} Plx 1 1485 < x $ 0.2515} = Pix <0. 15} — P(x $ 0.2485} _ of 0.2515—0.2508 } 0.2485 - a 0.0005 0.0005 = (1.40) -(—4.60) = 0.9265~0,0000 = 0.9265 2 que el rendimiento del proceso sea aproximadamente de 92.65%; es decir, <= los ejes producidos cumpliran con las especificaciones. si todos los ejes disconformes son demasiado grandes, debido a que la media = -PSN S ccaza muy cerea del limite superior de la especificacién. Supéngase que el proce- =u suede volver a centrarse, quiz4s mediante un ajuste de la méquina, de tal modo so sea exactamente igual al valor nominal de 0.2500. Se tiene entonces 2485 x $ 0.2515) = P(x $ 0.2515) — Plx $ 0.2485) = ate =) 0.0005 0.0005 = (3.00) (-3.00) = 0.99865—0.00135 = 0.9973 a = 0.0005 TES 02508 0.2515 SS OSO == Limite superior de: —_ la espectfieacion (ust) isaac del didmetro de los2.3. DISTRIBUCIONES CONTINUAS IMPORTANTES 67 ‘Al volver a centrar el proceso el rendimiento se ha incrementado a-aproximadamente 99.73%. «.e+ EJEMPLO2-7 -- Fn ocasiones en vez de encontrar la probabilidad asociada con un valor particular de una variable slentocia hoemmal.ae ecpeann Semmens cates un valor particular de una variable aleatoria normal que da como resultado una probabilidad dada. Por ejemplo. suponer que + NCO, 9) ¥ que quiere encontrarse el valor de x Por ejemplo, a— tal que P{x > a} = 0.05. Por tanto 5 {: aa l0) 3 0.95 Pix>a@ 05 Por la tabla II del apéndice, se tiene P{z $ 1.645} = 0.95, de donde a-10 = 1.645 ° a = 10+ 3(1.645) = 14.935 La distribucién normal pose muchas propiedades tiles Una de ellas se refiere a las combinacio- nes lineales de variables aleatorias que tienen una distribucién normal y son independientes. Si x,, Xm X, Son variables aleatorias que estan normal ¢ independientemente distribuidas con medias hy Hyy os Hh, ¥ Varianzas: Gj 2.62, respectivamente, entonces la distribucién de yeay tax; tt a%e es normal con media fe Say Fat FF (2:25 y varianza 70; +4303 + +420; (2-26 donde a, dy.» @, son constantes: El teorema del limite central Fs come soponer gue In qaytuaice normal gb et bdo? de probabilidad apropiado para uw variable aleatoria. Més adelante se discutiré la manera de verificar la validez de este supuesto; s68 ‘APITULO 2 MODELADO DE LA CALIDAD DEL PROCESO a justificacién de la normalidad apro: ‘embargo, con frecuencia el teorema del limite central es u mada. Definicién: El teorema del limite central Six.) 1, son variables aleatorias independientes con media 4, y varianza G), ysiy= x, +4, +o +x, entonces la distribucién de Da, tiende a la distribucién N(O, 1) cuando n tiende a infinito. El teorema del limite central implica que la suma de 1 variables aleatorias con distribuciones inde- pendientes es aproximadamente normal, sin importar cuales sean las distribuciones de las variables individuales. La aproximacin se hace mejor cuando n se incrementa. En muchos casos la aproxima- i6n serd buena para n pequeita —por ejemplo, n < 10—, mientras que en otros casos puede reque- rirse una n muy grande —por ejemplo, n > 100— para que la aproximacién sea satisfactoria, En general, si las x, tienen la misma distribucién, y la distribucién de cada x, no se aparta radical- mente de la distribucién normal, entonces el teorema del limite central funciona bastante bien Para 2 3 0 4, Estas condiciones se cumplen frecuentemente en los problemas de control de calidad. Figura 2-19 Distribuciones exponenciales para valores seleceionados de 2.2.3. DISTRIBUCIONES CONTINUAS IMPORTANTES 69 2.3.2. Distribucién exponencial La distribuci6n de probabilidad de la variable aleatoria exponencial se define como sigue. ion La distribucién exponencial es fay=he™ x20 (227) donde A > 0 es una constante. La media y la varianza de la distribucién exponencial son | (2-28) * (2-29) respectivamente. En la figura 2-19 se muestran varias distribuciones exponenciales. La distribucién exponencial acumulada es F(a) = P(x Sa} iF edt a0 2:30) En la figura 2-20 se ilustra la funcién de distribucién acumulada exponencial. | = ° Figura 2-20 La funcién de distribucién exponencial acumulada70 CAPITULO 2 MODELADO DE LA CALIDAD DEL PROCESO La distribucién exponencial se usa ampliamente en el campo de la ingenier! como modelo del tiempo hasta la falla de un componente o s pardmetro 2. se le llama el indice de falla del sistema, y a la media I/A de la distribucion se le llama tempo medio hasta tna falla. Por'ejemplo, suponer que un componente electronica de un sistema de radar en vuelo tiene una vida util descrita por una distribucién exponencial con indice de falla 10M: es decir, A = 10+, El tiempo medio para una falla de este componente es 1/k = 10 = 10000 h. Si quisiera determinarse Ia probabilidad de que este componente falle antes de su vida espera- da, se evaluaria de confiabilidac ples tle [ne “dt =1—e" = 0.63212 Este resultado es vélido independientemente del valor de 2; es decir, Ia probabilidad de que un Nalor de la variable aleatoria exponencial sea menor que su media es 0.63212, Esto ocurre, desde luego, porque la distribuci6n no es simétrica. Existe una importante relacién entre la distribucién exponencial y la de Poisson. Si la distribu. cin de Poisson se considera como un modelo del niimero de ocurrencias de algtin evento en el imtervalo (0, 1], entonces por la ecuacién 2-15 se tiene ex Ply >t}= p(0)= donde y es la variable aleatoria que denota el intervalo hasta la primera ocurrencia Puesto que F()= Plys1)=1-e* ¥ utilizando el hecho de que fly) = dF(y)/dy, se tiene 1 del intervalo hasta la primera ocurrencia, La ecuaci6n 2-31 se identifica como ial con pardmetro 2. Por Io tanto, se observa que si el nimero de ocu. del ae, Un evento sigue una distribucién de Poisson con pardmetro A, entonces la distribucion del intervalo entre las ocurrencias es exponencial con parémetro 2DISTRIBUCIONES CONTINUAS IMPORTANTES, 71 2-3.3 Distribucién gamma La distribucién de probabilidad de 1a variable aleatoria gamma se define como sigue. Definicién La distribucién gamma es Deets oa fa)=FoOayte™ x20 (2-32) con pardmetro de forma r > 0 y pardmetro de la escala 2 > 0. La media y la varianza de la distribuci6n gamma son Aas (2-33) (2-34) respectivamente. En la figura 2-21 se muestran varias distribuciones gamma. Obsérvese que si r = 1, la distribu- cién gamma se reduce a la distribucién exponencial con parémetro A (seccién 2-3.2). La dis- tribucién gamma puede adoptar muchas formas diferentes, dependiendo de los valores elegidos para ry A, Esto la hace dtl como modelo para una amplia variedad de variables aleatorias continuas. Si el parmetro r es un entero, entonces la distribucién gamma es la suma de r distribuciones exponenciales independientes ¢ idénticas, todas con parimetro 2. Es decir, si x,,.X, ... X, Son expo- nenciales con pardmetro A e independientes, entonces Ata, tet, tiene la distribucién gamma con parémetros r y 2. Este resultado tiene varias aplicaciones impor- tantes. +++ EJEMPLO 2-8 -- Considérese el sistema ilustrado en la figura 2-22. Se le llama sistema redundante en estado de espera, porque mientras el componente | esta encendido, el componente 2 est apagado, y cuando *T(r) en el denominador de la ecuacién 2-32 es la funcién gamma, definida como T(r: positivo, entonces P(r) = (r~ 1)! Pxe"dx.r > 0. Siresun entero72 CAPITULO 2 MODELADO DE LA CALIDAD DEL PROCESO. 1 reas rae os era os| oa oa ° 2 4 6 8 10 12 igura 2-21 Distribuciones gamma para valores seleccionados de r y el componente 1 falla, el interruptor enciende autométicamente el componente 2. Si cada compo- hente tiene la vida Util descrita por una distribucién exponencial con A = 10“/h, por ejemplo. entonces la vida dtil del sistema sigue la distribucién gamma con pardmetros r= 2 y A = 10+. Por tanto, el tiempo medio hasta una falla es jt = r/ = 2/10* = 2 x 10'h La distribucién gamma acumulada es Fla)=1-[ an To (2-35) Si res un entero, entonces la ecuacién 2-35 queda como a " F(a)=1-e* aa (2-36) Por consiguiente, la distribucién gamma acumulada puede evaluarse como la suma de r términos de Poisson con parémetro Aa. Este resultado no es sorprendente, si la distribucién de Poisson se considera como un modelo del nimero de ocurrencias de un evento en un intervalo fijo, y la distribucién gamma como el modelo de la porcién del intervalo requerido para obtener un niimero especifico de ocurrencias. Figura 2-22 Sistema redundante en estado de espera de! ejemplo 2-8,2:3 DISTRIBUCIONES CONTINUAS IMPORTANTES, 23.4 aS La distribucién de Weibull es Beye xy JO=5 3) exp|-| 3} x20 (2-37) donde @ > 0 es el pardmetro de escala, y B > 0 es el pardmetro de forma. La media y la varianza de la distribucién de Weibull son 1 =Or|l+— H ( 7 (2-38) 9 wefr{ied}r(0op) | (2-39) respectivamente. La distribucién de Weibull es muy flexible, y B, la distribucin puede adoptar una amy varias distribuciones de Weibull para @ = Figura 2-23 Distribuciones de Weibull para valores seleccionados del pardmetro de forma B y el pardmetro de escala 0 = I mediante la seleccién apropiada de los pardmetros @ variedad de formas. En la figura 2-23 se muestran |, 2. y 4. Obsérvese que cuando B = 1, la