INSTITUTO TECNOLOGICO DE PUEBLA

Control estadístico de calidad.

HORARIO MARTES-JUEVES 9-11
Trabajo final.

ING. José Gregorio Hernández Delgado

INVESTIGACION DOCUMENTAL

Gráficos de control por atributos.

Muestreo de aceptación.
Preparado Por
ISMAEL JUAREZ SANCHEZ
15070492

FECHA DE ENTREGA: 29 DE MAYO 2018

 INDICE

Contenido
INTRODUCCION..................................................................................................................3
TEMA 1: GRAFICOS DE CONTROL POR ATRIBUTOS...................................................4
OBJETIVO GENERAL..........................................................................................................4
OBJETIVO ESPECIFICO......................................................................................................5
GRAFICOS DE CONTROL POR ATRIBUTOS...................................................................5
CONCEPTO GENERALES DE ATRIBUTOS......................................................................5
FORMATOS UTILIZADOS POR DIFERENTES EMPRESAS...........................................7
LOS TIPOS DE GRÁFICOS DE CONTROL POR ATRIBUTOS QUE EXISTEN SON:..11
ELABORACIÓN E INTERPRETACIÓN DE GRÁFICAS PARA ATRIBUTOS...............11
TIPOS DE GRÁFICOS........................................................................................................17
GRÁFICO P..........................................................................................................................17
GRÁFICO NP.......................................................................................................................20
GRÁFICO C.........................................................................................................................22
GRÁFICO U.........................................................................................................................24
CAPACIDAD DE PROCESO..............................................................................................25
CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL........................................36
EJERCICIOS PROPUESTOS PARA CADA TIPO DE GRAFICO....................................38
3 EJERCICIOS DE GRAFICO P.........................................................................................38
3 EJERCICIOS DE GRAFICO NP.....................................................................................40
3 EJERCICIOS DE GRAFICO C.........................................................................................43
3 EJERCICIOS DE GRAFICO U.........................................................................................45
3 EJERCICIOS DE LA CAPACIDAD DEL PROCESO.....................................................47
CONCLUSION DE TEMA 1...............................................................................................49
BIBLIOGRAFIAS................................................................................................................50
TEMA 2 MUESTREOS DE ACEPTACION........................................................................50
MUESTREOS POR ATRIBUTOS.......................................................................................51
CURVA DE OPERACIÓN (CO)..........................................................................................52
NIVEL DE CALIDAD ACEPTABLE (NCA) Y CALIDAD LÍMITE (CL)..................53
PROCEDIMIENTO APROXIMADO PARA DETERMINAR UN PLAN DE MUESTREO
QUE SATISFAGA UN NCA Y UNA CL FIJADA...............................................................55
CURVA DE CALIDAD DE SALIDA MEDIA....................................................................56
MUESTREOS LOTE A LOTE: MIL-STD-105E.................................................................57
OTROS PLANES DE MUESTREO POR ATRIBUTOS DE USO CORRIENTE..............59
SISTEMA PHILIPS..............................................................................................................60
USO DE TABLAS DE MUESTREO (MIL-STD, 414, 105D Y DODGE ROMING).........60
EJEMPLO TABLA MILITAR MIL –STD 414....................................................................60
MUESTREOS POR VARIABLES.......................................................................................62
INSPECCIÓN POR VARIABLES: MIL-STD-414, ISO 3951:1989, MIL-STD-1916........66

Página 2 de 68
 EJERCICIOS PROPUESTOS MUESTREO POR VARIABLES........................................67
EJERCICIOS PROPUESTOS MUESTREO POR ATRIBUTOS........................................68
CONCLUSIONES DE TEMA 2...........................................................................................69

INTRODUCCION
La Calidad se ha convertido en los últimos años en uno de los factores decisivos más
importante entre los consumidores a la hora de elegir un producto o servicio.

La historia del concepto de la calidad se remonta a la preocupación por el trabajo bien

hecho, por tanto, siempre ha existido un concepto intuitivo de la calidad.

Los gráficos de control se pueden definir como una herramienta estadística que se
utiliza para controlar un proceso. Permite al responsable del mismo distinguir entre las
causas de variación que aparecen en el mismo: • Variabilidad debida a causas
comunes, que nos permite realizar predicciones sobre el estado del proceso. •
Variabilidad debida a causas especiales, que no nos permiten predecir la situación del
proceso en un determinado momento.
Un gráfico de control nos facilita (Carot 1998) :
1. Vigilancia y control del proceso evitando la producción de defectos. Sigue la filosofía:
hágalo bien a la primera.
2. Aumento de la homogeneidad de la producción mediante la disminución de la
variabilidad del proceso.
3. Evita los ajustes innecesarios, con el lema de si no está roto, no lo repares.
4. Proporciona información sobre los parámetros del producto y del proceso, lo que
permitirá conocer mejor nuestra actividad productiva. Los gráficos de control se pueden
clasificar en dos grandes grupos en función de la característica de calidad que se
controle:
• Gráficos de Control por Variables: La característica de calidad es una variable, que
puede medirse y expresarse como un número en una escala de medición continua.
Muchas características de calidad no se miden en una escala continua o en una escala
cuantitativa. En estos casos, cada unidad del producto puede juzgarse como conforme
o disconforme en base a si posee o no ciertos atributos, o puede contarse el número de

Página 3 de 68
disconformidades (defectos) que aparecen en una unidad del producto.

Existen gráficos de control para la media, la dispersión, la proporción de piezas

defectuosas y la proporción de defectos o sus frecuencias. Para controlar la media
destacamos los siguientes, entre otros muchos:
• Media Muestral (Shewhart 1931 )
• Medias Móviles (Montgomery 1991 )
• CUSUM (Page 1954 ; Lucas and Saccucci 1990 )
• EWMA (Roberts 1959 ; Crowder 1987 )

Y además, se puede aplicar cada uno de estos gráficos con distintas metodologías:
• Parámetros constantes (PC)
• VSS (Variable Sample Size). No se mantiene el tamaño de muestra constante, sino
que que se adapta al proceso, en función de su comportamiento.

Por último, hay cuatro tipos de gráficos de control para atributos según la naturaleza del
control a realizar, que son los siguientes: Basados en la distribución Binomial: • Gráfico
np- Número de unidades defectuosas en muestras de tamaño constante. • Gráfico p -
Porcentaje de unidades defectuosas en muestras de tamaño variable. Basados en la
distribución de Poisson: • Gráfico c - Número de defectos por muestra en muestras de
tamaño constante. • Gráfico u - Número de defectos por unidad en muestras de tamaño
variable.

TEMA 1: GRAFICOS DE CONTROL POR ATRIBUTOS.

OBJETIVO GENERAL.
CONOCER LOS DIFERENTES GRAFICOS DE CONTROL POR ATRIBUTOS Y SU

Página 4 de 68
ELABORACION.

OBJETIVO ESPECIFICO.
ANALIZAR LAS DIFERENTES TECNICAS PARA LOS GRAFICOS DE CONTROL.

GRAFICOS DE CONTROL POR ATRIBUTOS.

El control estadístico de la calidad surge luego de la Segunda Guerra Mundial. Las
gráficas de control estadístico fueron propuestas por Walter A. Shewart en el 1920.

Los diagramas de control por atributos constituyen la herramienta esencial utilizada

para controlar características de calidad cualitativas, esto es, características no
cuantificables numéricamente. Ejemplos de tales características no medibles son la
fracción o porcentaje de unidades defectuosas en la producción (P), el número de
unidades defectuosas en la producción (NP), el número de defectos por unidad
producida (U), y el número de defectos de todas las unidades producidas (C).

CONCEPTO GENERALES DE ATRIBUTOS

Un atributo es una característica de calidad que no puede ser medida; sólo se podrá
observar (por ejemplo, la aplicación de pintura, grietas, la costura de una camisa, etc.),
clasificando el producto en defectuoso o bueno, en conforme, no conforme,
dependiendo de que tenga o no dicha característica Sin embargo, también hay muchas
variables medibles que se pueden considerar como atributos, cuando no interesa
su valor, sino sólo conocer si está dentro de un determinado intervalo.
Las gráficas de control por atributos son importantes por las siguientes razones:

a) Las operaciones medidas por atributos existen en cualquier proceso de manufactura

o ensamble, por lo que estas técnicas de análisis son muy útiles.

b) Los datos por atributos están disponibles en múltiples situaciones siempre que
exista inspección, listado de reparaciones, material seleccionado o rechazado, etc. En
estos casos, no se requiere gasto adicional de búsqueda de datos sólo el trabajo

Página 5 de 68
de incorporarlos a la gráfica de control.

c) Cuando se requiere obtener datos, la información por atributos es generalmente

rápida y barata de obtener y con medios simples (pasa-no pasa) no necesita de
personal especializado.

d) Muchos de los datos presentados a la gerencia en forma de resúmenes, es del tipo

de atributos y se pueden beneficiar con el análisis de las gráficas de control.
Ejemplos: Desarrollo del departamento en cuando al número de unidades buenas,
índices de desecho, auditorías de calidad y rechazo de materiales.

e) Al introducir las gráficas de control en las plantas, es importante dar prioridad a

las áreas con problemas y utilizarlas donde más se necesiten. El uso de las gráficas
de control por atributos en las áreas claves de control de calidad indicaría cuáles son
los procesos que requieren un análisis más detallado -incluyendo la posibilidad de
utilizar gráficas de control por variables.

f) Finalmente, las gráficas de control por atributos son más fáciles de construir
e interpretar que las gráficas por variables.

Página 6 de 68
FORMATOS UTILIZADOS POR DIFERENTES EMPRESAS.

Página 7 de 68
Página 8 de 68
Página 9 de 68
Página 10 de 68
 LOS TIPOS DE GRÁFICOS DE CONTROL POR ATRIBUTOS
QUE EXISTEN SON:

*Gráfico p o de fracción de unidades defectuosas.

*Gráfico np o de número de unidades defectuosas por muestra.
*Gráfico c o de número de defectos por muestra.
*Gráfico U o de número de defectos por unidad.

ELABORACIÓN E INTERPRETACIÓN DE GRÁFICAS PARA

ATRIBUTOS.

Ventajas

 Resume varios aspectos de la calidad del producto; es decir si es aceptable o no.

 Son fáciles de entender.
 Provee evidencia de problemas de calidad.

Desventajas

 Interpretación errónea por errores de los datos o los cálculos utilizados

 El hecho de que un proceso se mantenga bajo control no significa que sea un buen
proceso, puede estar produciendo constantemente un gran número de no
conformidades.
 Controlar una característica de un proceso no significa necesariamente controlar
el proceso. Si no se define bien la información necesaria y las características del
proceso que deben ser controladas, tendremos interpretaciones erróneas debido a
informaciones incompletas.

Página 11 de 68
 Elección del tipo de gráfica

Paso 1: Establecer los objetivos del control estadístico del proceso

 La finalidad es establecer qué se desea conseguir con el mismo.

Pasó 2: Identificar la característica a controlar

 Es necesario determinar qué característica o atributo del producto/servicio o

proceso se van a controlar para conseguir satisfacer las necesidades de información
establecidas en el paso anterior.

Pasó 3: Determinar el tipo de Gráfica de Control que es conveniente utilizar.

 Conjugando aspectos como:

 Tipo de información requerida.
 Características del proceso.
 Características del producto.
 Nivel de frecuencia de las unidades no conformes o disconformidades.

Paso 4: Elaborar el plan de muestreo (Tamaño de muestra, frecuencia de

maestreo y número de muestras)

 Las Gráficas de Control por Atributos requieren generalmente tamaños de

muestras grandes para poder detectar cambios en los resultados.
 Para que el gráfico pueda mostrar pautas analizables, el tamaño de muestra, será
lo suficientemente grande (entre 50 y 200 unidades e incluso superior) para tener
varias unidades no conformes por muestra, de forma que puedan evidenciarse
cambios significativamente favorables (por ejemplo, aparición de muestras con cero
unidades no conformes).
 El tamaño de cada muestra oscilará entre +/- 20% respecto al tamaño medio de las
muestras

Página 12 de 68
 n = (n^ + n2 + ... + nN) / N N = Número de muestras
 La frecuencia de muestreo será la adecuada para detectar rápidamente los
cambios y permitir una realimentación eficaz.
 El periodo de recogida de muestras debe ser lo suficientemente largo como
para recoger todas las posibles causas internas de variación del proceso.
 Se recogerán al menos 20 muestras para proporcionar una prueba fiable de
estabilidad en el proceso.

Pasó 5: Recoger los datos según el plan establecido

 Se tendrá un especial cuidado de que la muestra sea aleatoria y representativa de

todo el periodo de producción o lote del que se extrae.
 Cada unidad de la muestra se tomará de forma que todas las unidades del periodo
de producción o lote tengan la misma probabilidad de ser extraídas. (Toma de
muestras al azar).
 Se indicarán en las hojas de recogida de datos todas las informaciones y
circunstancias que sean relevantes en la toma de los mismos.

Pasó 6: Calcular la fracción de unidades

 Para cada muestra se registran los siguientes datos:

1. El número de unidades inspeccionadas "n".

2. El número de unidades no conformes.
3. La fracción de unidades no conformes
4. El número de defectos en una pieza
5. La fracción de defectos por pieza

Pasó 7: Calcular los Límites de Control

Gráficas de Control por Atributo

Página 13 de 68
 Tamaño de
Tipo Data FormulaCL UCL LCL
Muestra

p Piezas defectuosasVaria p=np/n p=Σnp/Σn p+3√p(1-P)/√n p-3√p(1-P)/√n

n=Σn/k

np PiezasdefectuosasConstante p=np/n np=Σnp/k np+3√np(1-P) np-3√np(1-P)

c DefectosporPieza Constante c=Σc/k c+3√c c-3√c

u DefectosporPieza Varia u=c/n u=Σc/Σn u+3√u/√n u-3√u/√n

Pasó 8: Definir las escalas de la gráfica.

 El eje horizontal representa el número de la muestra en el orden en que ha sido

tomada.
 El eje vertical representa los valores de la fracción de unidades
 La escala de este eje irá desde cero hasta dos veces la fracción de unidades no
conformes máxima.

Paso 9: Representar en el gráfico la Línea Central y los Límites de Control.

 Línea Central
- Marcar en el eje vertical, correspondiente al valor de la fracción

 Línea de Control Superior

- Marcar en el eje vertical el valor de UCL. A partir de este punto trazar una recta
horizontal discontinua (a trazos). Identificarla con UCL.
 Límite de Control Inferior

Página 14 de 68
- Marcar en el eje vertical el valor de LCL. A partir de este punto trazar una recta
horizontal discontinua (a trazos). Identificarla con LCL.

Nota: Usualmente la línea que representa el valor central se dibuja de color azul y las
líneas correspondientes a los límites de control de color rojo. Cuando LCL es cero, no
se suele representar en la gráfica.

Paso 10: Incluir los datos pertenecientes a las muestras en la gráfica.

 Representar cada muestra con un punto, buscando la intersección entre el número

de la muestra (eje horizontal) y el valor de su fracción de unidades no conformes (eje
vertical).
 Unir los puntos representados por medio de trazos rectos.

Paso 11: Comprobación de los datos de construcción de la Gráfica de Control.

 Se comprobará que todos los valores de la fracción de unidades de las muestras

utilizadas para la construcción de la gráfica correspondiente están dentro de sus
Límites de Control.
 LCL < gráfica < UCL
 Si esta condición no se cumple para alguna muestra, esta deberá ser desechada
para el cálculo de los Límites de Control.
 Se repetirán todos los cálculos realizados hasta el momento, sin tener en cuenta
los valores de las muestras anteriormente señaladas.
 Este proceso se repetirá hasta que todas las muestras utilizadas para el cálculo de
los Límites de Control muestren un proceso dentro de control.
 Los Límites, finalmente así obtenidos, son los definitivos que se utilizarán para la
construcción de las Gráficas de Control.

Pasó 12: Análisis y resultados.

 La Gráfica de Control, resultado de este proceso de construcción, se utilizará para

el control habitual del proceso.

Página 15 de 68
 Interpretación de la gráfica e Identificación de causas especiales o asignables.

Pautas de comportamiento que representan cambios en el proceso:

 Un punto exterior a los límites de control.

- Se estudiará la causa de una desviación del comportamiento tan fuerte.

 Dos puntos consecutivos muy próximos al límite de control.

- La situación es anómala, estudiar las causas de variación.

 Cinco puntos consecutivos por encima o por debajo de la línea central.

- Investigar las causas de variación pues la media de los cinco puntos indica una
desviación del nivel de funcionamiento del proceso.
 Fuerte tendencia ascendente o descendente marcada por cinco puntos
consecutivos.
- Investigar las causas de estos cambios progresivos.

 Cambios bruscos de puntos próximos a un límite de control hacia el otro

límite.
- Examinar esta conducta errática.

TIPOS DE GRÁFICOS

GRÁFICO P

Un gráfico P es un gráfico de control del porcentaje o fracción de unidades

defectuosas (cociente entre el número de artículos defectuosos en una población y el
número total de artículos de dicha población).

Los principios estadísticos que sirven de base al diagrama de control P se basan en

la distribución Binomial: supóngase que el proceso de producción funciona de manera

Página 16 de 68
estable, de tal forma que la probabilidad de que cualquier artículo no esté conforme
con las especificaciones es p, y que los artículos producidos sucesivamente son
independientes; entonces, si seleccionamos k muestras aleatorias de n artículos del
producto cada una, y representando por al número de artículos defectuosos en la

muestra iésima, tendremos que

Página 17 de 68
 p (1  p )
n

x
p m

n

p (1  p )
p±3
ni

Normalmente se usan límites de control de tres sigmas en el diagrama de control P.

Como ya comentamos en el capítulo anterior, el uso de límites de control más
estrechos hacen que el diagrama de control sea más sensible a pequeños cambios
en p, pero ello también hace aumentar la probabilidad de que se produzcan falsas
alarmas de proceso fuera de control (error de tipo II).

Debe advertirse que este diagrama de control se basa en el modelo probabilístico

binomial, en el cual se supone que la probabilidad de ocurrencia de un artículo con
disconformidad es constante, y que unidades sucesivas en la producción son
independientes. Por otra parte, hay que tener cuidado con la interpretación de los
puntos del diagrama de control que se hallan por debajo del límite inferior de control.
Tales puntos norepresentan a menudo una mejora real en la calidad del proceso.

Página 18 de 68
Frecuentemente son el resultado de errores en el método de inspección o recogida de
datos.

GRÁFICO NP

El diagrama NP está basado en el número de unidades defectuosas. Este tipo de

gráficos permite tanto analizar el número de artículos defectuosos como la posible
existencia de causas especiales en el proceso productivo. Los principios estadísticos
que sirven de base al diagrama de control NP se basan en la distribución Binomial:

Supóngase que el proceso de producción funciona de manera estable, de tal forma

que la probabilidad de que cualquier artículo no esté conforme con las
especificaciones es p, y que los artículos producidos sucesivamente son
independientes; entonces, si seleccionamos k muestras aleatorias de n artículos del
producto cada una, y representando por X i al número de artículos defectuosos en la
np(1  p) que Xi  B(n,p).
muestra i-ésima, tendremos

Página 19 de 68
Página 20 de 68
 GRÁFICO C

El diagrama C está basado en el número total de defectos (o no conformidades) en la

producción. Los principios estadísticos que sirven de base al diagrama de control C
se basan en la distribución de Poisson:

Para construir el diagrama de control C empezamos por tomar k muestras X 1,

X2, ...,XK , de ni unidades cada una, i.e.: X i = (Xi1, ..., Xi ni ). Sea u el número esperado
de unidades defectuosas en cada una de las muestras.

Página 21 de 68
Página 22 de 68
 GRÁFICO U

El diagrama U está basado en el número de defectos por unidad de inspección

producida. Los principios estadísticos que sirven de base al diagrama de control U se
basan en la distribución de Poisson:

Para construir el diagrama de control U empezamos por tomar k muestras X 1,

X2, ...,XK , de ni unidades cada una, i.e.: X i = (Xi1, ..., Xi ni ). Sea u el número esperado
de unidades defectuosas en cada una de las muestras.

 Para cada muestra se calcula el número uij de defectos de la unidad Xij , j = 1,...,ni .

Página 23 de 68
 i

CAPACIDAD DE PROCESO

Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad
y a mejorar la capacidad de los procesos.

Definiciones básicas.

Página 24 de 68
 Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la producción.

 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada

en el desempeño probado, para lograr resultados que se puedan medir.

 Capacidad del proceso: Es la aptitud del proceso para producir productos

dentro de los límites de especificaciones de calidad.

 Capacidad medida: Esto se refiere al hecho de que la capacidad del

proceso se cuantifica a partir de datos que, a su vez, son el resultado de la medición
del trabajo realizado por el proceso.

 Capacidad inherente: Se refiere a la uniformidad del producto que resulta de

un proceso que se encuentra en estado de control estadístico, es decir, en ausencia
de causas especiales o atribuibles de variación.

 Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo actúan las
causas comunes de variación en las características de calidad.

 Valor Nominal:Las características de calidad tienen un valor ideal óptimo

que es el que desearíamos que tuvieran todas las unidades fabricadas pero que no
se obtiene, aunque todo funcione correctamente, debido a la existencia de la
variabilidad natural.

La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:

1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.

2. Apoyar a los diseñadores en la selección o modificación de un proceso.

3. Soportar la determinación de intervalos de muestreo para monitoreo del

proceso.

Página 25 de 68
4. Determinar el desempeño de un equipo nuevo.

5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo

de procesos o tolerancias.

6. Seleccionar de entre diversos proveedores.

7. Reducir la variabilidad de un proceso de manufactura.

La capacidad de los procesos para cumplir especificaciones se refiere a la

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:

1. La variabilidad natural en un cierto tiempo (variabilidad instantánea).

2. La variabilidad en el tiempo.

Es usual tomar 6-sigma de la población  como la dispersión en la distribución de la

característica de calidad del producto como medida de la capacidad del proceso.

Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en  3 , o sea:

LTNS =  + 3  (6.1)
LTNI =  - 3 

Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la

variable, sólo el 0.27% (2700 ppm) de la salida del proceso se encontrará fuera de
estos límites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:

Página 26 de 68
 .00135 LTNI  LTNS .00135

Fig. 6.1 Localización de los límites de tolerancia natural

Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y experimentos
diseñados.

Fig. 6.2 Fracción defectiva fuera de especificaciones

p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.

En el área sombrada observamos medidas fuera de los límites de especificación.

Página 27 de 68
 Para solucionar este problema, podemos reducir la desviación estándar.

También podríamos cambiar la media.

Lo ideal sería, por supuesto cambiar ambas.

Fig. 6.3 Algunas alternativas para mejorar la capacidad

Condiciones para realizar un estudio de capacidad del proceso

Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos1:

 El proceso se encuentre bajo control estadístico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso está fuera de control la media
y/o la desviación estándar del proceso no son estables y, en consecuencia, su
variabilidad será mayor que la natural y la capacidad potencial estará infravalorada,
en este caso no es conveniente hacer un estudio de capacidad.

Página 28 de 68
 Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los índices de habilidad. Si los datos se componen de
menos de 100 valores, entonces deben calcularse los límites de confianza inferiores.

 Los datos se recolectan durante un periodo suficientemente largo para asegurar

que las condiciones del proceso presentes durante el estudio sean representativos de
las condiciones actuales y futuras.

 El parámetro analizado en el estudio sigue una distribución de probabilidad

normal, de otra manera, los porcentajes de los productos asociados con los índices
de capacidad son incorrectos.

También es importante al realizar un estudio de capacidad, asegurarnos que la

variación en el sistema de medición no sea mayor al 10%.

Variación a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:

Variación a corto plazo (Zst) – Los datos son recogidos durante un periodo de tiempo
suficientemente corto para que sea improbable que haya cambios y otras causas
especiales.

Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.

Fig. 6.4 Variabilidad a corto plazo

Página 29 de 68
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea
probable que contenga algunos cambios de proceso y otras causas especiales. Aquí
todas las familias de variación exhiben su contribución en la variación del proceso
general.

Fig. 6.5 Variabilidad a largo plazo

Para el cálculo de Z utilizamos las siguientes formulas:

Z st 
 límite especif .  nom.
desv.std ST
límite especif .  media
Z LT 
desv.std LT
Dónde:

Zst = variación a corto plazo.

nom = Valor nominal u objetivo
Zlt = variación a largo plazo.

Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5

desviaciones estándar.

Zlt = Zst-1.5shift

Página 30 de 68
Índice de capacidad potencial Cp

El índice de capacidad potencial Cp = PCR compara la amplitud de variación

permitida por las especificaciones entre la amplitud de variación entre los límites de
tolerancia naturales del proceso.

LSE  LIE
Cp  PCR  (6.2)
6

Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE=

R
73.95mm y de la carta R se estimó    0.0099 por tanto se tiene:
d2

Cp = PCR = (LSE – LIE) / 6

= (74.05 – 73.95) / 6 (0.0099) = 1.68

La función P (inverso de Cp) es el porcentaje de la banda de especificaciones usada

por el proceso.

 1 
P   100 (6.3)
 Cp 

Para el caso del ejemplo se tiene:

P = [(1/1.68)] 100 = 59.5%

Cuando sólo existe un límite de especificaciones, el índice de capacidad potencial Cp

o PCR se define como:

Página 31 de 68
 LSE  
Cps  PCRS  para el límite superior (6.4)
3

  LIE
Cpi  PCR I  para el límite inferior
3

Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE =

200psi,

264  200 64
Cp  PCRI    0.67
3(32) 96

Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:

LIE   200  264

ZI    2
 32
P(x <= ZI) = 0.0228 o 2.28% por debajo del límite inferior de especificaciones

Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes

por millón (ppm) que están fuera de especificaciones se muestran a continuación:

Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
1.10 484 967
1.20 159 318
1.30 48 96
1.40 14 27

Página 32 de 68
 1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018

Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67

para procesos críticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.

Este índice no toma en cuenta la localización relativa de la media del proceso

respecto a los límites de especificaciones. Por lo que es necesario otro índice
adicional.

Indice de capacidad real Cpk

Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones,
en este caso se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s
correspondientes a cada lado de la media, como sigue,

Cpk  PCRk  min( PCRS , PCR I ) debe ser mayor a 1

(6.5)
Donde,
LSE  
Cps  PCRS  Para el límite superior (6.6)
3

  LIE
Cpi  PCR I  para el límite inferior
3

Ejemplo 6.3 Para un proceso donde los límites de especificación sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviación estándar =2, se tiene:

Página 33 de 68
 62  53
Cps  PCRS   1.5 Para el límite superior
32

53  38
Cpi  PCR I   2.5 Para el límite inferior
32

Por tanto, el índice de capacidad real es:

Cpk  PCRk  min( PCRS , PCRI )  min(1.5,2.5)  1.5

Note que el PCR a considerar corresponde al límite de especificación más cercano a

la media del proceso. Siempre se cumple que,
Cpk<= Cp

Siendo el Cpk menor cuando el proceso no está centrado

Normalidad y capacidad del proceso

Las consideraciones anteriores se basan en la suposición que el proceso tiene un
comportamiento normal, si no es así, puede ser necesario transformar los datos con
alguna función matemática para dar la apariencia de normalidad, por ejemplo la
distribución siguiente de acabado superficial en una parte maquinada no es normal:
Frec.
a)

Micro dureza

Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribución transformada es la siguiente (ver método de Box Cox con Lamda óptima
en Minitab):

Página 34 de 68
Frec.

b)

Y=1/x

Fig. 6.6 Transformación de datos para normalizarlos

Lo cual representa una distribución normal.

CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL

La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso esté en control ya sea en forma instantánea
o durante el tiempo antes de evaluar la capacidad.

Se puede observar que cuando el proceso está en control, no existen causas

asignables que puedan ser corregidas, y la única alternativa para reducir la
variabilidad es con la intervención de la administración.

En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.

?
? ?
? ?
? ?

Fig. 6.10 Comportamiento de un proceso fuera de control

Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”.
La distribución será “predecible” en el tiempo.

Predicción

Página 35 de 68
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control

Cálculo de la desviación estándar del proceso

R S
  ó   C (Para cartas de control X-R y X-S respectivamente)
d2 4

Donde,

S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S

En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos /
(n -1)

Ejemplo 6.7 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después de
que el proceso se estabilizó quedando sólo con causas comunes: x = 64.06 , R =
77.3

Por tanto estimando los parámetros del proceso se tiene:

  x  media de medias 

R 77.3
    33.23
d 2 2.326

Si el límite de especificación es: LIE = 200.

 200  264.06
El C pk  = 0.64 por tanto el proceso no cumple con las
3  33.23
especificaciones.
Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después de

que el proceso se estabilizó quedando sólo con causas comunes: x  100, s  1.05

Por tanto estimando los parámetros del proceso se tiene:

  x  100
s 1.05
  =  1.117
C4 .094

Página 36 de 68
C4 para n = 5 tiene el valor 0.94

Si el límite de especificación es: LIE = 85 y el LSE = 105.

105  100
El C pk   1.492
3  1.117

105  85
El C p   2.984
6  1.117

EJERCICIOS PROPUESTOS PARA CADA TIPO DE GRAFICO

3 EJERCICIOS DE GRAFICO P
1._Un proceso produce un porcentaje de art´ıculos defectuosos igual al 1%.
Contruir un gr´afico P para un taman˜o muestral de n = 8.

2._Supongamos un proceso que produce una proporción de defectuosos p, en estado

de control, desconocida y que se utiliza el gr´afico P anterior. Supongamos tambi´en
que se inspecciona el 100% de la producci´on
¿Cuantos art´ıculos defectuosos debe haber en la muestra de tamaño n = 8 para dar
la señal de que se esta fuera de control?

SOLUCIO´N:

Página 37 de 68
Sea pˆ la proporci´on de art´ıculos defectuosos en una muestra de taman˜o n donde
cada art´ıculo tiene una probabilidad desconocida de ser defectuoso. Se dar´a la
sen˜al de alarma si pˆ > LCS, es decir,

pˆ > 0.1155

Pero, si n = 8, basta que haya un solo art´ıculo defectuoso para que pˆ = 1/8 = 0.125
> 0.1155, por tanto, aunque el gra´fico esta´ disen˜ado para dar la sen˜al de alarma si
p > 0.01, en realidad se da la sen˜al de alarma para cualquier p > 0 en cuanto se
observa un solo art´ıculo defectuoso, debido a que el taman˜o muestral es muy
pequen˜o. El gr´afico no tiene la sensibilidad deseada porque esta´ construido
suponiendo que el taman˜o muestral es grande (np(1 − p) > 5) y por tanto que la
proporci´on muestral es aproximadamente normal. En nuestro caso tenemos que np(1
− p) = 8 × 0.01 × 0.99 = 0.0792, que est´a muy lejos de asegurarnos una buena
aproximaci´on a la normal.
3._Un criterio muy habitual para elegir el taman˜o muestral es que n sea lo
suficientemente grande como para poder detectar un cierto desajuste con una
probabilidad deseada. Siguiendo esta recomendaci´on,
¿cu´al debe ser el taman˜o muestral n del problema 1 para que se detecte un
cambio de la proporci´on de defectuosos de p = 0.01 a p = 0.05 con probabilidad
del 85%?

3 EJERCICIOS DE GRAFICO NP

1._Se desea construir un gráfico de control NP para controlar un proceso que fabrica
un chip que se insertará en una tarjeta de telefonía. Se tienen 25 muestras, cada una
formada por 50 chips. El número de chips defectuosos en cada una de las muestras
se muestra en la tabla

Muestra Número de Artículos Artículos Defectuosos

Página 38 de 68
1 50 3 0.06

2 50 5 0.10

3 50 5 0.10

4 50 1 0.02

5 50 10 0.20

6 50 4 0.08

7 50 2 0.04

8 50 5 0.10

9 50 6 0.12

10 50 4 0.08

11 50 1 0.02

12 50 0 0.00

13 50 4 0.08

14 50 6 0.12

15 50 2 0.04

16 50 2 0.04

17 50 3 0.06

18 50 4 0.08

19 50 2 0.04

20 50 5 0.10

21 50 4 0.08

22 50 5 0.10

Página 39 de 68
 23 50 2 0.04

24 50 4 0.08

25 50 2 0.04

Total 1250 91

2._Considera ahora que se va a realizar el muestreo con un tamaño uniforme de

subgrupos de 1000 unidades. Después de 30 días se han obtenido los siguientes
datos. También se ha encontrado que en los días 18 y 19 se dio un número anormal
de unidades defectuosas.

3._ El ingeniero de calidad de una empresa toma muestras de la producción diaria

con el objeto de elaborar una gráfica np.
La tabla anexa muestra los rechazos encontrados y la cantidad de piezas revisadas
cada día. Si el número de rechazos de cierto día excede los límites de control el
ingeniero debe inspeccionar al 100% el lote producido.
a) Determine los límites de control y contruya la gráfica
b) Determine los límites de control futuros, suponiendo que se identifican las causas especiales
de puntos fuera de control.

Página 40 de 68
 Rechazos Muestra
20 98
18 104
14 97
16 99
13 97
29 102
21 104
14 101
6 55
6 48
7 50
7 53
9 56
5 49
8 56
9 53
9 52
10 51
9 52
10 47
240 1424

3 EJERCICIOS DE GRAFICO C
1._ Se han observado los defectos de 50 muestras sucesivas de 40 tarjetas
electrónicas de circuitos impresos.

Página 41 de 68
Las 50 muestras contienen 515 defectos, entonces c barra puede ser calculada
mediante:

2._ -En la siguiente tabla tenemos el número de defectos por unidad observados en
26 muestras sucesivas de 100 filtros de seguridad. Construir el grafico c y dar su
interpretación.

Página 42 de 68
3._ La tabla mostrada presenta el número de defectos encontrados en un rollo de
tela.
Todos los rollos de tela son de igual tamaño. Construya una gráfica c y determine si el
proceso está en control.

Muestra Defectos encontrados

1
2 11
3 13
4
5 15
6 13
7

Página 43 de 68
 8 16
9 10
10 17
11 10
12 10
13
14
15 12
16
17 15
18 10
19
20
21
22 12

3 EJERCICIOS DE GRAFICO U
1._ En una planta textil se inspecciona el producto controlando el número de defectos
por cada 50 m2 de tela (ésta es la unidad de inspección).
En la tabla se muestran los datos de 10 rollos de tela de distinto tamaño.
Construya una gráfica u y determine si el proceso está en control.

Página 44 de 68
2._ Un operario inspecciona la calidad de unos circuitos impresos (arañazos, bandas
incorrectas, grosor no uniforme, etc.). Los circuitos que inspecciona son muy diversos. Según
el tipo de circuito se apunta su superficie y el número de defectos. Tras inspeccionar 12 placas
obtiene los datos de la tabla.

Superficie cm2 50 50 34 38 54 22 22 25 50 34 34 38

Nº de defectos 4 3 4 4 4 3 5 3 4 2 2 4

El número total de defectos es 42 y la superficie total 451cm 2.

3._ En una fábrica de ceniceros de vidrio con producción diaria de varias

milesde piezas, se toman cada día muestras de diferentes tamaños,contabilizando los
defectos y encontrando el siguiente resultado:

Página 45 de 68
a) Calcule los valores de defectos por unidad para cada subgrupo, los defectos
promedio por unidad y los límites de control.

b) Elabore la gráfica correspondiente

c) Interprétela

d) Ponga en control estadístico el proceso

e)Vuelva a elaborar la gráfica final.

f) Interprete esta última gráfica

3 EJERCICIOS DE LA CAPACIDAD DEL PROCESO

1._ De una carta de control X - R (con tamaño de subgrupo n = 5), después de que el
proceso se estabilizó quedando sólo con causas comunes (LIE = 36, LSE = 46) se
obtuvo lo siguiente:

Xmedia de medias = 40 Rmedio = 5

a) Determinar la desviación estándar del proceso

b) Determinar los límites de tolerancia natural del proceso

Página 46 de 68
c) Determinar la fracción defectiva o porcentaje fuera de especificaciones

d) Determinar el Cp

e) Determinar el Cpk

f) Determinar el Cpm

g) Determinar el Cpkm

h) Establecer conclusiones de los resultados anteriores

2._De una carta de control X - R (con subgrupos de n = 5), después de que el

proceso se estabilizó quedando sólo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parámetros del proceso se tiene:

 = X media de medias  = Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326]

Si el límite de especificación es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las
especificaciones

3._
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente,
después de que el proceso se estabilizó quedando sólo con causas
comunes: x  100, s  1.05
Por tanto estimando los parámetros del proceso se tiene:

Página 47 de 68
  x  100

s 1.05
  =  1.117
C4 .094

C4 para n = 5 tiene el valor 0.94

Si el límite de especificación es: LIE = 85 y el LSE = 105.

105  100
El C pk   1.492
3  1.117

105  85
El C p   2.984
6  1.117

CONCLUSION DE TEMA 1
Del desarrollo de los conceptos y ejemplos se puede observar el enorme potencial que posee la
utilización del Control Estadístico de la calidad como instrumento y herramienta destinada a un
mejor control, una forma más eficaz de tomar decisiones en cuanto a ajustes, un método muy
eficiente de fijar metas y un excepcional medio de verificar el comportamiento de los procesos.

Página 48 de 68
 BIBLIOGRAFIAS
• Acheson J. Duncan; Control de calidad y estadística industrial; Quinta Edición, Alfa- Omega,
Colombia, 2000.
• Montgomery Douglas, Control estadístico de calidad
• Control total de calidad, Armand V. Feigenbaum
• Control de calidad, HC CHARBONNEUA Y GL WEBSTER

TEMA 2 MUESTREOS DE ACEPTACION.

El muestreo por el que se toma la decisión de aceptar o rechazar un lote en

función de la información obtenida por la muestra.

Un plan de muestreo simple es un procedimiento en el que se toma una muestra

aleatoria de n unidades del lote para su inspección y determinación del destino del
mismo en función de la información procedente de la muestra. Consiste, por tanto, en
fijar de modo preciso un par de números (n, c), donde n es el tamaño de la muestra y
c el número máximo de unidades defectuosas que puede tener la muestra para que el
lote sea aceptado.

TIPOS DE MUESTREOS DE ACEPTACIÓN

Los planes de muestreo se pueden clasificar de diversas formas:

De acuerdo con la naturaleza de la población base. Pueden ser:

Lote aislado.
Lote a lote (producción uniforme de lotes).
Fabricaciones continuas (por ejemplo industria química, plantas embotelladoras, etc.).
De acuerdo con la naturaleza de la característica inspeccionada. Pueden ser:

Página 49 de 68
Por atributos. La característica es de tipo cualitativo (pasa /no- pasa). Una variante es
la que considera “el número de defectos”, de modo que un pieza puede estar
penalizada por varios defectos.
Por variables. La característica es de tipo cuantitativo (por ejemplo longitud, peso,
etc.).
De acuerdo con el número de muestras a tomar. Pueden ser:
Simples. Se toma una muestra con la que hay que decidir la aceptación o el rechazo.
Dobles. Se toman hasta dos muestras con las que hay que decidir la aceptación o el
rechazo. Es posible aceptar o rechazar solo con la primera muestra si el resultado es
muy bueno o muy malo. Si es un resultado intermedio, se extrae una segunda
muestra. En principio el tamaño de las dos muestras puede ser diferente.
Múltiple. Conceptualmente es igual al muestreo doble pero en este caso se extrae
hasta n muestras diferentes.
Secuencial. En este caso se van extrayendo los elementos uno a uno y según los
resultados que se van acumulando de elementos aceptados y rechazados, llega un
momento en el que se tiene información suficiente para aceptar o rechazar el lote.

MUESTREOS POR ATRIBUTOS.

GENERALIDADES
El muestreo por atributos se puede aplicar a lotes aislados o series homogéneas de
lotes. En el primer caso la población es finita y se rige por la distribución
hipergeométrica (muestreo de tipo A), aunque para lotes grandes se puede aproximar
por la binomial. En el segundo caso se supone la población compuesta de infinitos
elementos y por tanto se rige por la distribución binomial (muestreo de tipo B). En el
caso que el muestreo sea por número de defectos, la función a aplicar es la de
Poisson, independientemente que se trate de un lote aislado o una serie de lotes.

Página 50 de 68
 CURVA DE OPERACIÓN (CO)
Un plan de muestreo se caracteriza por su CURVA DE OPERACION (ver Fig. 2). En
el eje de abscisas OX se representa la fracción defectuosa p del lote a inspeccionar
(o el número de defectos medio  en el caso de contabilizar defectos). En el eje de
ordenadas OY se representan las probabilidades de aceptación de los lotes de esas
características. Evidentemente P(0) = 1 y P(1) = 0.

Página 51 de 68
En el caso de planes de muestreos simples, la ecuación de la CO se calcula
simplemente a partir de la función de distribución aplicable. Por ejemplo, supongamos
que se quiere calcular la CO de un plan de muestreo en el que se toman muestras de
50 unidades y se rechaza si hay más de un elemento no conforme en la muestra. Se
supone un muestreo lote a lote. En este caso resulta aplicable la distribución binomial.

En el caso de muestreos dobles o múltiples, el cálculo anterior se complica

ligeramente dependiendo de lo complejo que sean los criterios de aceptación, pero el
fundamento es, naturalmente el mismo.

NIVEL DE CALIDAD ACEPTABLE (NCA) Y CALIDAD

LÍMITE (CL)

NCA (NIVEL DE CALIDAD ACEPTABLE). En inglés AQL (Acceptable Quality Level).

Es el valor de p ( c en el caso de defectos) que tiene una probabilidad de aceptación

de 0.95. La probabilidad de rechazo de un lote con estas características,   0.05, se
denomina riesgo del fabricante.

CL (CALIDAD LIMITE). En inglés QL (Quality Limit) o LTPD (Lot Tolerance Percent

Defective).

Página 52 de 68
 Es el valor de p ( c en el caso de Defectos) que tiene una probabilidad de
aceptación de 0.10. La probabilidad de aceptación de un lote con estas
características, B= 0.10 , se denomina riesgo del consumidor.

LAS CURVAS CO TIENEN LAS SIGUIENTES PROPIEDADES:

Las curvas CO correspondientes a números de aceptación Ac=0 son cóncavas. En
caso contrario son inicialmente convexas, después tienen una inflexión para finalizar
de forma cóncava.
 En el entorno del NCA, la curva tiene una pendiente mayor cuanto mayor es el
tamaño de la muestra (mejor discriminación) .
 Si se mantiene constante el tamaño de la muestra pero se aumenta el número de
aceptación Ac, la curva se desplaza hacia la derecha.
 En el caso de atributos, el problema de hallar la curva CO que pase por un NCA y
un CL dados no siempre tiene solución exacta ni siquiera en el caso de muestreo
simple debido a la restricción de que tanto el tamaño de la muestra como el número
de aceptación han de ser enteros. En el párrafo 4.4 se describe un procedimiento
aproximado.

Página 53 de 68
 PROCEDIMIENTO APROXIMADO PARA DETERMINAR UN
PLAN DE MUESTREO QUE SATISFAGA UN NCA Y UNA
CL FIJADA

Supongamos que se quiere determinar un plan de muestreo que satisfaga NCA

= 0.01 y CL=0.06. Es decir, P(aceptar un lote p=0.01)=0.95 y P(aceptar un lote
p=0.06)=0.10. Si el tamaño de la muestra es suficientemente grande y p pequeño (tal
que pn >1 y p <0.10) se puede aproximar la distribución binomial por una distribución
de Poisson:

De manera general, la resolución de este sistema de ecuaciones en el que una de las

incógnitas está en el índice sumatorio, es complicada. Para cada valor del número de
aceptación Ac, existe una solución única de (n*NCA) y (n*CL). En la tabla siguiente se
recogen las soluciones para algunos valores de Ac:

Ac P(n*NCA) = 0.95P(n*CL) = 0.10 CL / NCA

0 n*NCA =0.051 n*CL =2.303 44.89
1 n*NCA=0.352 n*CL =3.881 11.02
2 n*NCA=0.817 n*CL =5.314 6.50
3 n*NCA=1.360 n*CL =6.678 4.91

La relación entre CL y NCA da una idea de la pendiente que ha de tener la curva de

operación. En este caso CL / NCA 0.06/ 0.01 = 6 y por lo tanto la familia de curvas
que más se aproxima es la que corresponde a Ac = 2.
Una vez fijado Ac, resultan dos ecuaciones con una incógnita. En este caso:

Página 54 de 68
El plan de muestreo n=82 y Ac = 3 tiene un NCA de 0.01 y una CL próxima a 0,06,
mientras que el plan de muestreo n=89 y Ac = 3 tiene una CL = 0.06 y un NCA
próximo a 0.01. A partir de ahí se puede optar por tomar la solución más
conservadora (tamaño de muestra mayor n= 89) o una solución de compromiso
(tamaño de muestra medio n =85.

CURVA DE CALIDAD DE SALIDA MEDIA

Si se aplica un plan de muestreo a una serie de lotes, de modo que aquellos que se
rechazan se inspeccionan al 100%, la CALIDAD MEDIA de SALIDA (CSM) es:

CSM  Pa( p) p  (1  Pa( p))0  Pa( p) p

La CSM en inglés se denomina Average Outgoing Quality (AOQ) y el valor depende
de p. El máximo es el LIMITE DE LA CALIDAD DE SALIDA MEDIA (LCSM), en inglés
Average Outgoing Quality Limit (AOQL). En la Fig. 5 se ha representado esta curva.

Página 55 de 68
Otro parámetro importante a la hora de decidir cuál es el plan de muestreo más
apropiado es el TAMAÑO DE MUESTRA MEDIO, en inglés Average Sample Number
(ASN). Evidentemente en planes simples, el ASN coincide con la muestra del lote,
pero para planes dobles o múltiples este valor varía con la calidad de los lotes
inspeccionados. Si ésta es muy buena o muy mala, los lotes se aceptarán /
rechazarán generalmente sin necesidad de coger una segunda muestra y el ASN será
pequeño. Si los lotes tienen una calidad intermedia, entonces frecuentemente se
cogerá una segunda muestra y el ASN será grande.

MUESTREOS LOTE A LOTE: MIL-STD-105E.

Este plan de muestreo es posiblemente el que ha tenido mayor difusión. Ha sido
adoptado con pequeñas variaciones por casi todos los cuerpos de normas
importantes (ANSI, ISO, BS, JIS, UNE, etc.). La revisión anterior (MIL-STD- 105D)
estuvo en vigor más de 25 años y la primera revisión data de 1950. La revisión actual
no incluye ningún cambio en los fundamentos estadísticos, pero si actualiza su
aplicación contractual.
El contenido de la norma es el siguiente:
Los planes de muestreo de MIL-STD-105E se basan en el NCA, que deberá fijarse
entre cliente y proveedor. En principio estos planes están pensados para inspección

Página 56 de 68
lote a lote aunque también se puede utilizar para el caso de lotes aislados; en este
caso es necesario especificar cuál es la CL máxima que se admite.
Existen tres niveles ordinarios de inspección, niveles I, II, y III, y otros cuatro
especiales, niveles S-1, S-2, S-3 y S-4, que se utilizan en caso de ensayos
destructivos o de inspecciones muy costosas. Estos niveles van en función de la
complejidad y la responsabilidad del producto. Cuanto más alto es el nivel, mayor es
el tamaño de la muestra y aumenta la discriminación del plan de muestreo. Si no se
indica otra cosa se toma el nivel II.

Existen tres tipos de planes: simples, dobles y múltiples, cuya elección queda a cargo
del inspector que aplica la norma.

Como se ha dicho anteriormente, esta norma está diseñada para series de lotes.
Existen por tanto tres niveles de muestreo distintos según haya sido la historia de los
lotes anteriores:
Inspección Rigurosa.
Inspección Normal.
Inspección Reducida.

La inspección comienza en normal. Si dos de los 5 últimos lotes se han rechazado

debe pasarse a rigurosa. Si estando en rigurosa se aceptan 5 lotes consecutivos,
entonces debe pasarse a normal. Para pasar de normal a reducida es necesario que
lo acepte el cliente, que los últimos 10 lotes (o más según los casos ver TABLA VIII)
hayan resultado aceptables, que el número de componentes defectuosos no supere
el marcado por la TABLA VIII y que la fabricación siga uniforme

Página 57 de 68
La mecánica para la utilización de esta norma es la siguiente:

Fijación del NCA y nivel de inspección (por ejemplo NCA=0.65 Nivel II). Dato:
tamaño del lote (por ejemplo 300).
Búsqueda de la letra-código en la Tabla I. En este caso resulta ser la H.
A continuación, si se desea un plan simple se irá a las Tablas II, si doble a las
Tablas III y si múltiple a las Tablas IV. En el ejemplo busquemos el plan
correspondiente a simple en inspección normal:
Tabla II-A: El tamaño de la muestra es 50 pero se observa que la casilla
correspondiente al número de aceptación está ocupada por una flecha que nos
lleva hasta el plan: muestra=80, Ac=1 y Re=2 . Si se tratara de un lote aislado sería
necesario comprobar que la CL es aceptable. Ello se puede comprobar en este
caso utilizando la Tabla X-J, en la que se lee CL=5%.

OTROS PLANES DE MUESTREO POR ATRIBUTOS DE

USO CORRIENTE.

Además del MIL-STD-105E, son de uso corriente los siguientes planes:

Página 58 de 68
 SISTEMA PHILIPS.
Se basa en curvas CO que pasan por el punto de indiferencia (fracción defectuosa
que tiene igual probabilidad de ser aceptada que rechazada). Este punto se
acuerda entre proveedor y cliente. Los planes dan el tamaño de la muestra según
el tamaño del lote y el número máximo de unidades defectuosas admitido. Los
planes son simples para lotes inferiores a 1000 unidades y dobles para lotes
mayores. La segunda muestra es de doble tamaño que la primera.

Tablas de Dodge-Romig.

Las tablas Dodge-Romig contienen dos juegos distintos. El primero de ellos utiliza
la CL y por lo tanto es apropiado para lotes aislados. El segundo de ellos utiliza el
LIMITE DE LA CALIDAD MEDIA DE SALIDA y proporciona el plan cuya inspección
media total es mínima. Para la aplicación de estas tablas se precisa conocer
aproximadamente la fracción defectuosa con la que se fabricaron las piezas.

USO DE TABLAS DE MUESTREO (MIL-STD, 414, 105D Y

DODGE ROMING)
EJEMPLO TABLA MILITAR MIL –STD 414
Considérese la embotelladora de gaseosas, que compra botellas a un proveedor. El límite
inferior de especificación para la resistencia a la presión interna es 225lb/plg2. Supóngase
que el NCA para este límite de especificación es 1%. Además considérese que se embarcan
lotes de tamaño 100 000. Se desea obtener un plan de muestreo por variable que use el
procedimiento de la MIL STD 414, admitiendo que se desconoce la desviación estándar del
lote.

A partir de la tabla 11-1, utilizando el nivel de inspección IV, se obtiene la letra código para
el tamaño de muestra O. En la tabla 11-2 se encuentra que la letra de código para el tamaño
de muestra O implica un tamaño de muestra de n=100. A un nivel de calidad aceptable de
1%, el valor de M es 2.20% para la inspección normal. Si se aplica la inspección estricta se
utiliza las mismas tablas el valor aproximado de M será 1.53%. Los valores del NCA para

Página 59 de 68
la normal se indican en la parte superior de la tabla, mientras los valores para la estricta se
encuentran en la parte inferior de la tabla.

Página 60 de 68
 MUESTREOS POR VARIABLES

GENERALIDADES
El muestreo por variables presenta algunas particularidades como por ejemplo que
el problema de encontrar el plan de muestreo que pase por el NCA y CL tiene
siempre solución. En general el muestreo por variables tiene la ventaja de precisar
tamaños de muestra menores que su equivalente por atributos. Las contrapartidas
son:

1. En general es más costoso medir un componente que realizar una inspección

por atributos.

2. Lleva consigo la servidumbre de recogida de datos y cálculos.

3. En caso de que un elemento esté definido por varias características variables,

es necesario realizar varios planes de muestreo simultáneamente para cada
una de las características, mientras que en el caso de atributos es posible
globalizarlo en uno.
Indudablemente estos inconvenientes pasan a tener una importancia menor con
sistemas de inspección automáticos

PLANTEAMIENTO ESTADÍSTICO
El muestreo por variables requiere que las características a inspeccionar estén
distribuidas según una ley normal y se trata de estimar la media poblacional a
través de la media muestral.

Pueden presentarse los casos siguientes:

conocida y un solo límite de tolerancia.
conocida y dos límites de tolerancia (tolerancias bilaterales).

Página 61 de 68
desconocida y un solo límite de tolerancia.
desconocida y dos límites de tolerancia (tolerancias bilaterales).

El hecho de que se conozca o no la  determina la distribución estadística a emplear

en la estimación de la media.

Por otra parte, si las piezas tienen tolerancias bilaterales implica que deben
considerarse las dos colas de la distribución, mientras que si hay un solo límite debe
considerarse una sola cola.

PARÁMETRO ESTADÍSTICO DISTRIBUCI

ÓN
 ( conocido) x   
/ n N(0,1)
 ( n 2
x    ∑ x  x  tn-1
desconocido)

, donde s  i1 i

s/ n n1

SIGMA CONOCIDA Y UN SOLO LÍMITE DE TOLERANCIA

De manera análoga al muestreo por atributos, se define el NCA como aquella fracción
defectuosa con la que un lote tiene el 95% de probabilidades de ser aceptado por el
plan de muestreo. En el caso de que exista un solo límite de tolerancia, la distancia
de la media del lote y la tolerancia deberá ser tal que:

Página 62 de 68
Página 63 de 68
SIGMA CONOCIDA Y DOS LÍMITES DE TOLERANCIA

Pueden darse tres casos:

Qué las tolerancias estén tan próximas de modo que del conocimiento de
la fracción defectuosa y  se deduzca que el lote no cumple la
especificación sin necesidad de tomar ninguna muestra:

Página 64 de 68
Qué las tolerancias estén muy separadas (T s- Ti > 3). En este caso el
problema se reduce al caso de un solo límite de tolerancia considerando
solo la tolerancia más próxima.
El caso intermedio, en el que parte de la fracción defectuosa corresponde
a cada una de las colas. En efecto, si p = p 1+ p2 es la fracción defectuosa,
la misma podrá obtenerse con un lote centrado en 1 ó 2 (ver Fig. 9).
Sobre esa figura se indican las regiones de aceptación y rechazo de k.

INSPECCIÓN POR VARIABLES: MIL-STD-414, ISO

3951:1989, MIL-STD-1916.

La MIL-STD-414 establece los procedimientos y tablas de muestreo para la

inspección por variables de acuerdo al porcentaje de no conformes. Esta norma
fue cancelada según la NOTA 2 del 2 de febrero de 1999, estando vigente la
ANSI/ASQC Z1.9-1993 en la vida civil.

Página 65 de 68
 La ISO tiene la norma ISO 3951-1:2005 que especifica un sistema de muestreo
para aceptación formado por planes de aceptación por variables en los cuales la
aceptabilidad de un lote es implícitamente determinada a partir de un estimado del
porcentaje de unidades no conformes basado en muestreo aleatorio. Para su
aplicación, entre otros requisitos, es necesario que el error de medición sea
despreciable, o sea con una desviación estándar no mayor de la del proceso y que
el parámetro x que se mide siga una distribución normal o cercana a ella.
En abril de 1996 se aprobó la MIL-STD-1916 para muestreo por atributos, por
variables y continuo. En esta norma vienen ejemplos claros de su aplicación.
El fundamento ya fue visto. Veamos un ejemplo de utilización de la MIL-STD-
414. Para ello se anexan las tablas más importantes de esa norma, con la misma
consideración que hicimos anteriormente en cuanto a la calidad del material
obtenido en Internet.
Se recibe un aditivo en lotes de 200 unidades con especificación de que el
contenido de aditivo no debe ser inferior a 50%. Se desea aplicar un nivel de
inspección IV con un NCA del 1%.
De la tabla A2 vemos que el código de letra es H. En la tabla B1 se observa que
para este código de letra n = 20 y que con NCA = 1 k = 1.82. Entonces es
necesario tomar 20 unidades, determinar el contenido de aditivo, hallar el valor
medio y la desviación estándar. Supongamos que se obtienen los valores 51.2 y
0.65 respectivamente. Entonces tenemos que:
Z = (51.2 – 50)/0.65 = 1.85 > k por lo que se acepta el lote.

EJERCICIOS PROPUESTOS MUESTREO POR

VARIABLES.
1._ (a) Un control de calidad que trabaja con muestras de tamaño n = 20 da una
probabilidad de aceptación de 0.7358 para un lote con un 5 % de piezas defectuosas,
¿cuál es el valor de aceptación del control? (b) Un control de calidad que trabaja con
muestras de tamaño n = 100 da una probabilidad de rechazo de 0.238 para el mismo
lote, ¿cuál es el valor de aceptación del control?

Página 66 de 68
2._ Para controlar la calidad de diferentes envíos de naranjas se proponen los siguientes planes
de muestreo por cada 10 Tm

PLA TAMAÑO DE NÚMERO DE

N MUESTRA ACEPTACIÓN
(n) (a)
A 20 2
B 40 4
C 200 15
(a) Calcula, para cada plan, la probabilidad de ser aceptado de un envío con 5%
de defectuosos. (b) Calcula, para cada plan, la probabilidad de ser aceptado de un
envío con 15% de defectuosos. (c) Responde razonada y escuetamente a las
siguientes cuestiones: (c1) Sin considerar su coste ¿qué plan es más preciso, el A
o el B? (c2) ¿Qué plan es más exigente, el B o el C?

3._ Se realiza un control de calidad con un tamaño de muestra n = 30 y un valor de

aceptación a = 2. Hallar la probabilidad de aceptación de un lote con 5% de piezas
defectuosas.
Hallar la probabilidad de rechazo del mismo lote con n = 150 y a = 10.
Comparando la probabilidad de aceptación del lote en los apartados (a) y (b)
razonar por qué es mayor en uno que en otro.

EJERCICIOS PROPUESTOS MUESTREO POR

ATRIBUTOS.
1._ Un fabricante desea establecer un control de calidad en su empresa definido
por las siguientes condiciones: (A) que sea el más barato posible, (B) que el
porcentaje aceptable de piezas defectuosas en un lote sea del 20 %, (C) que un
lote con 10 % de piezas defectuosas tenga una probabilidad de aceptación de al
menos un 90 %, (D) que un lote con 30 % de piezas defectuosas tenga una
probabilidad de rechazo de al menos un 75 %. Establecer las características del
control elegido justificando razonadamente la propuesta.

2._ Un Departamento de Calidad propone tres planes de muestreo:

Página 67 de 68
 Pla n a
n
A 10 2
B 25 5
C 50 10
a) Dibuja las curvas operativas características (de forma aproximada) en términos
de probabilidad de rechazo para p = 10 %, 17.15 %, 30 %. Comenta los resultados
que se obtienen. (b) ¿Cuál de los tres planes es más exigente? (c) ¿Cuál es más
preciso, sin tener en
cuenta el coste asociado? (d) Indica las características de los tres planes cuando
p  17.15 %.
Justifica todas las respuestas que des.

CONCLUSIONES DE TEMA 2
El muestreo de aceptación sirve para reducir el esfuerzo de inspección y comporta unos
riesgos.
La muestra debe ser representativa, lo que requiere que se extraiga aleatoriamente.
Aunque se basan en distribuciones de probabilidades, existen normas para facilitar su
aplicación y reconocimiento.

BIBLIOGRAFIA

Evans, James R., Lindsay William; “Administración y Control de la Calidad”

Thompson Editores, International, México, 2000

Gutiérrez Pulido Humberto y De la Vara Salazar Román; Control Estadístico de

Calidad y Seis Sigma, Mc Graw Hill, Primera Edición, México 2004.

Gutiérrez Pulido Humberto, Control Total y Productividad, Segunda Edición, Mc

Graw Hill, México, 2005.

L. Grant y Leaven Worth, Control estadístico de calidad, Ed. C.E.C.S.A. •

Montgomery Douglas, Control estadístico de calidad

Página 68 de 68