Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modulo 2014-II PDF
Modulo 2014-II PDF
ESTADISTICO
DE PROCESOS
POR:
KEVIN AMAYA BAUTISTA
FRANKLYN CHOLES MENDOZA
JAVIER CONTRERAS ARISTIZABAL
LIBARDO ESCOBAR TOLEDO
YOHANY GIRALDO
CARLOS RODRIGUEZ MORENO
MODULO ACADÉMICO
CONTENIDO
CAPÍTULO 1 …………………………………………………………………………………………………………………………………………………………………………….3
1. DEFINICIÓN DE CALIDAD .............................................................................................................................................................. 5
1.1. GENERALIDADES ........................................................................................................................................................................ 5
1.1.1. ¿A QUÉ LLAMAMOS CALIDAD? ........................................................................................................................................ 6
1.1.2. DIMENSIONES DE LA CALIDAD ....................................................................................................................................... 6
1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA CALIDAD ................................................................................ 7
1.3. FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN......................................................................................... 7
1.3.1. Estándares de calidad y certificación........................................................................................................................ 8
1.3.2. Seis Sigma ...................................................................................................................................................................... 9
1.3.3. Justo a tiempo, manufactura, Poka-Yoke, y otras................................................................................................. 9
1.3.4. Gestión De Calidad Total (TQM) ................................................................................................................................. 10
1.4. COSTOS ASOCIADOS A LA CALIDAD ..................................................................................................................................... 10
1.4.1. CLASIFICACIÓN DE LOS COSTOS DE LA CALIDAD ...................................................................................................... 10
CAPÍTULO 2…………………………………………………………………………………………………………………………………………………………………………….16
TÉRMINOS ESTADÍSTICOS PARA RECORDAR ....................................................................................................................................... 17
2. TÉCNICAS ESTADÍSTICAS ÚTILES PARA EL MEJORAMIENTO DE LA CALIDAD. .................................................................... 17
2.1. DEFINICIONES BÁSICAS ......................................................................................................................................................... 17
2.2. TEORIA DE LA PROBABILIDAD ............................................................................................................................................. 20
2.3. VARIABLES ALEATORIAS ...................................................................................................................................................... 22
2.4. DISTRIBUCIONES DE PROBABILIDAD ................................................................................................................................. 22
2.4.1. DISTRIBUCIONES DISCRETAS ..................................................................................................................................... 23
2.4.2. DISTRIBUCIONES CONTINUAS.................................................................................................................................... 27
2.5. Cadenas de markov ............................................................................................................................................................. 29
2.6. PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA ............................................................................................................. 32
2.7. HERRAMIENTAS ESTADÍSTICAS BÁSICAS PARA EL CONTROL DE LA CALIDAD ............................................................ 37
2.7.1. Histograma.................................................................................................................................................................... 37
2.7.2. DIAGRAMA DE PARETO ................................................................................................................................................39
2.7.3. DIAGRAMA DE CAUSA Y EFECTO ................................................................................................................................. 41
2.7.4. DIAGRAMA DE DISPERSIÓN ........................................................................................................................................ 42
1
MODULO ACADÉMICO
2
MODULO ACADÉMICO
3
MODULO ACADÉMICO
CAPÍTULO 1
INTRODUCCIÓN A LA CALIDAD
Este capítulo proporciona una breve introducción a los principios básicos, definiciones
y conceptos relacionados con el control y mejoramiento de la calidad. Enmarca ejemplo
de aplicabilidad y establece las herramientas estadísticas necesarias para facilitar el
entendimiento de la temática tratada.
4
MODULO ACADÉMICO
1. DEFINICIÓN DE CALIDAD
1.1. GENERALIDADES
El concepto del término CALIDAD, así como su desarrollo ha sufrido un proceso variable a lo largo del tiempo.
Antiguamente existía únicamente la “idea” de calidad, conocida tanto por el vendedor como por el cliente. Con el paso
del tiempo la “idea” se ha comenzado a cuantificar, convirtiéndose en algo “ponderable” a través de diferentes
sistemas de gestión de calidad, en algunos casos obligatorio para empresas de nueva creación, como es el Análisis
de Peligros y Puntos de Control Críticos (APPCC), y en otros recomendable para la obtención de un distintivo que haga
el producto más competitivo en el mercado, como son las normas ISO 9000.
En los últimos tiempos el desarrollo e implantación de los sistemas de calidad en todas las industrias, y principalmente
en la industria alimentaria ha servido como elemento diferenciador y potenciador de las mismas ante un mercado
cada vez más exigente, siendo la certificación ISO 9001/2000 un objetivo común perseguido por la gran mayoría de
empresas.
La calidad se ha convertido en uno de los factores de decisión más importantes de los consumidores para elegir entre
productos y servicios que compiten. El fenómeno es generalizado, sin importar si el consumidor es un individuo, una
organización industrial, una tienda minorista o un programa de defensa militar.
Hay muchas maneras de definir calidad. La definición tradicional de calidad se basa en el punto de vista de que los
productos y los servicios deben cumplir con los requerimientos de quienes los usan.
En la adecuación para uso se distinguen dos aspectos generales: calidad de diseño y calidad de conformidad.
Calidad de Diseño: Todos los productos o servicios se producen con varios grados o niveles de calidad.
Estas variaciones en los grados o niveles de calidad son internacionales y, por consiguiente, el término
técnico apropiado es calidad de diseño. Este factor engloba todas las funciones y características de un
producto.
Calidad de Conformidad: La calidad de conformidad es la medida en que el producto se ajusta a las
especificaciones requeridas por el diseño. Este elemento está influido por varios factores, incluyendo la
elección de los procesos de manufactura, la capacitación y supervisión de la fuerza de trabajo, el tipo de
sistema de aseguramiento de la calidad que se utiliza, la medida en que se siguen estos procedimientos de
aseguramiento de la calidad, y la motivación de la fuerza de trabajo para alcanzar la calidad.
La ingeniería de calidad maneja una definición moderna de calidad: La calidad es un factor inversamente proporcional
a la variabilidad.
Esta definición implica que si la variabilidad de las características importantes de un producto disminuye, la calidad
de un producto aumenta. Es aquí donde entra en juego el control estadístico de la calidad, cuyo principal objetivo es
el análisis y reducción de este factor, haciendo uso de diferentes herramientas de tipo estadístico.
5
MODULO ACADÉMICO
En este orden de ideas, surgen las siguientes definiciones, cuya conceptualización será dada a partir de la Norma ISO
9000:
Gestión de la calidad: Actividades coordinadas para dirigir y controlar una organización en lo relativo a la
calidad.
Mejoramiento de la calidad: Reducción de la variabilidad en procesos y productos.
Administración de la calidad: Según Juran, es el proceso de identificar y administrar las actividades
necesarias para lograr los objetivos de calidad de una organización.
Aseguramiento de la calidad: Parte de la gestión de calidad orientada a proporcionar confianza en que se
cumplirán los requisitos de la calidad.
Planificación de la calidad: Parte de la gestión de la calidad enfocada al establecimiento de los objetivos y
a la especificación de los procesos operativos necesarios y de los recursos relacionados para cumplir los
objetivos de la calidad.
Control de la calidad: Es el sistema por medio del cual se establece que un producto reúne o no las
condiciones necesarias para su aceptación por el cliente.
Lo que se entiende por un Sistema de Calidad es la estructura organizativa, las responsabilidades, los procedimientos,
los procesos y los recursos necesarios para llevar a cabo la gestión de la calidad. Es decir, que todas y cada una de
las actividades de la empresa estén coordinadas a través de un sistema de calidad.
6
MODULO ACADÉMICO
La II guerra mundial fue el catalizador que permitió ampliar el cuadro de control a diversas industrias en los Estados
Unidos, cuando la simple reorganización de los sistemas productivos resultó inadecuada para cumplir las exigencias
del estado de guerra y semiguerra.
Estados Unidos pudo desarrollar una calidad a través de un bajo costo pero de gran calidad y utilidad en artículos de
guerra creando así sus estándares y normas de calidad; poco después la Gran Bretaña también desarrolló el control
de la calidad. Gracias a los estándares de calidad que pudo desarrollar los Estados Unidos en la guerra, generó una
gran aportación económica en términos cuantitativos y cualitativos para su país dando inicio al control total
estadístico moderno, esta situación estimuló los avances tecnológicos.
Podría especularse que la Segunda Guerra Mundial la ganaron el perfeccionamiento del control de la calidad y la
utilización de la estadística moderna. Sé podría decir que gracias al control de la calidad también derrotaron a la
Alemania Nazi.
Algunos japoneses quisieron adoptar la estadística moderna, pero no les funcionó, logrando un lenguaje matemático
que casi nadie podía entender. En Japón utilizaban el método Taylor y seguían compitiendo en costos y precios pero
no en la calidad, ya que de todas maneras estaban en la época de los productos “baratos y malos”.
Al terminar la II Guerra mundial Japón que estaba destruido debido a eso comenzó a utilizar el control de la calidad
para educar a la industria. Esto inicio en Mayo de 1946.
W. Edwards Deming
La filosofía del Dr. Deming es un importante marco para implementar el mejoramiento de la calidad y la productividad.
A continuación se presenta los 14 principios de administración manejados por Deming:
7
MODULO ACADÉMICO
Uno de los padres fundadores del control estadístico de calidad. Fue invitado a dar pláticas a líderes de la industria
japonesa cuando iniciaron su transformación industrial a principios de los años 1950. Es coautor (con Frank M. Gryna)
de Quality Control Handbook, una referencia obligada para los métodos y el mejoramiento de calidad desde su
publicación original en 1957.
La filosofía de Juran se basa en la organización del cambio y en la implementación de mejoras que él llama la
“penetración administrativa”. La secuencia de la penetración es en realidad un proceso estructurado para la solución
de problemas.
Fue el primero en introducir el concepto de control de calidad en toda la compañía en su histórico libro Total Quality
Control (la primera edición se publicó en 1951). Este libro ejerció una gran influencia en los inicios de la filosofía de la
administración de calidad en Japón a principios de los años 1950.
El interés del Dr. Feigenbaum se centra más en la estructura organizativa y en el enfoque de los sistemas para mejorar
la calidad que en los métodos estadísticos.
8
MODULO ACADÉMICO
12. Capacitación.
13. Metodología estadística.
Six Sigma se basa en la curva de la distribución normal para conocer el nivel de variación de cualquier actividad,
posterior a esto desarrolla una serie de pasos para el control de calidad y la optimización de procesos industriales.
Estos pasos se conocen como el ciclo DMAMC (Definición, Medición, Análisis, Mejora, Control)
La finalidad del Six Sigma es proporcionar la información adecuada para ayudar a la implementación de la máxima
calidad del producto o servicio en cualquier actividad, así como crear la confianza y comunicación entre todos los
participantes, pues se debe tener en cuenta que la actividad del negocio parte de la información, las ideas y la
experiencia, lo cual ayuda a elevar la calidad y el manejo administrativo.
La filosofía de eliminación de pérdidas ha probado ser de ayuda entodos los tipos de ambientes de manufactura (y de
servicio), con la salvedad de que algunos tipos de manufactura ofrecen mayores oportunidades que otros. La siguiente
tabla lista las mejoras estimadas para distintos tipos de manufactura:
Porcentajes estimados de mejoras para distintas industrias como un resultado de la implementación de JIT
Productos Productos Equipos Componentes
Reducciones Impresos Rango
automotrices de moda mecánicos eléctricos
Manufactura
Tiempo Perdido 89 86 92 83 85 83-92
Inventario
Materias Primas 35 70 70 73 50 35-73
En proceso 89 82 85 70 85 35-73
Prod. Terminados 61 71 70 0 100 0-100
Tpo. de Cambio 75 75 91 75 94 75-94
Mano de obra
Directa 19 50 5 0 0-50
Indirecta 60 50 29 21 38 21-60
Exenta ? ? 22 ? ? ?-22
Espacio 53 39 ? 80(Est.) 39-80
Costo de Calidad 50 63 61 33 26 26-63
Mat. Comprados ? 7 11 6 6-11
Capac. Adicional 36 42 0 0-42
9
MODULO ACADÉMICO
La Gestión de Calidad involucra todos los sectores, es tan importante producir el artículo que los consumidores
desean, y producirlos sin fallas y al menor coste, como entregarlos en tiempo y forma, atender correctamente a los
clientes, facturar sin errores, y no producir contaminación. Así como es importante la calidad de los insumos y para
ello se persigue reducir el número de proveedores (llegar a uno por línea de insumos) para efectos de asegurar la
calidad (evitando los costos de verificación de cantidad y calidad), la entrega justo a tiempo y la cantidad solicitada;
así también es importante la calidad de la mano de obra (una mano de obra sin suficientes conocimientos o no apta
para la tarea implicará costos por falta de productividad, alta rotación, y costos de capacitación). Esta calidad de la
mano de obra al igual que la calidad de los insumos o materiales incide tanto en la calidad de los productos, como en
los costos y niveles de productividad.
En el último medio siglo, los costos de la calidad se han transformado en un método de control financiero que, en
manos de los gerentes, permite identificar oportunidades para reducir los costos de la firma y fortalecer sus procesos
de mejora continua y actualización de procesos.
Los costos de conformidad son aquéllos en los que se incurre para asegurar que los bienes y servicios provistos
responden a las especificaciones; incluyen los costos de las etapas de diseño y fabricación destinados a
prevenir la falta de adecuación a los estándares, y se clasifican en costos de prevención y de evaluación.
10
MODULO ACADÉMICO
Los costos de no conformidad se presentan asociados a fallas, es decir, están vinculados con productos o servicios
que no responden a las especificaciones. Se clasifican en costos de falla interna y costos de falla externa. La Figura 2
es un esquema clasificador de los Costos de la calidad que permite identificarlos siguiendo una secuencia lógica.
COSTOS DE CONFORMIDAD
Costos de prevención
Costos de evaluación
COSTOS DE NO CONFORMIDAD
Costo de falla interna
Costo de falla externa
COSTOS DE NO CONFORMIDAD
Costos de fallas internas Costos de fallas externas
Desechos Ajustes de quejas
Reprocesamientos Productos/materiales devueltos
Repetición de pruebas Cargospor garantía
Análisis de fallas Costos de responsabilidad legal
Tiempo ocioso Costos indirectos
Pérdidas de rendimiento
Degradación (fuera de especificación)
Cambios desde Ingeniería
Sobreconsumo por manejo del material
11
MODULO ACADÉMICO
Figura 2. Esquema clasificador de los Costos de la calidad. Fuente: Comité de costes de la calidad, ASQCet al. (1992).
El modelo tradicional de los costos de la calidad supone un compromiso entre dos categorías de costos: Mientras
que los costos de fallas internas y externas (la primera categoría) disminuyen con el incremento del porcentaje de
conformidad de los productos, los costos de evaluación y prevención (la segunda categoría) aumentan cuando se
busca lograr un porcentaje de conformidad mayor. Estas relaciones se presentan gráficamente en la Figura 3.
12
MODULO ACADÉMICO
Figura 3. El modelo tradicional de los Costos de la calidad. Fuente: Rao et al. (1996)
Se observa en la figura que existe un punto mínimo para los costos totales de la calidad. Ese extremo se verifica para
algún valor de la calidad de conformidad menor que el 100%. Para valores bajos de calidad de conformidad, ésta se
puede incrementar significativamente con pequeñas inversiones en prevención y evaluación. Sin embargo, al
acercarse la conformidad al 100%, los costos de prevención y evaluación tienden a infinito. Por el contrario,
los costos de falla disminuyen gradualmente, hasta alcanzar un valor nulo, cuando la conformidad se acerca al
100%.
MODELOS ALTERNATIVOS
El modelo emergente
El modelo emergente de los costos de la calidad es una derivación del modelo tradicional y, al igual que éste, presta
atención exclusiva a los costos de conformidad y no conformidad, es decir, a los estándares. El modelo emergente,
esquematizado en la Figura 4, responde mejor a las tendencias de gestión actuales y busca superar algunas
de las limitaciones del modelo tradicional Se destacan los siguientes aspectos:
1. Se presta mayor interés a la prevención y evaluación, de modo de poder realizarlas aún cerca del 100% de
conformidad;
2. Los costos de prevención y evaluación son relativamente proporcionales al nivel de conformidad y no
se disparan cuando éste se aproxima al 100%.
3. La caída de los costos de falla interna y externa también es menos abrupta que en caso del modelo
tradicional, debido a un aumento en la fiabilidad de los nuevos materiales y procesos de fabricación.
4. El menor costo de la calidad se obtiene cuando la conformidad se acerca al 100%.
13
MODULO ACADÉMICO
Ejemplo de costos:
En la fabricación de una determinada pieza con una tasa producción de 200 piezas diarias y un costo de fabricación
de $25000 la pieza, se detectó que el 80% de las piezas cumplían con las especificaciones de calidad y el 20% tenían
alguna no conformidad o defecto. De este 20% el 70% eran reprocesables a un costo de $5000 la pieza. Mediante de
la implementación de un nuevo control estadístico de calidad se consiguió reducir el porcentajes de piezas no
conformes o defectuosas al 5 %, un 70% de las cuales eran reprocesables. El nuevo sistema de control estadístico
del proceso se evalúa en $50000 el día y el fabricante percibe $29000 por pieza fabricada y vendida.
Hallar producción de piezas, costos antes y después del sistema de control estadístico del proceso y el beneficio
recibido.
Antes:
%𝑃𝑁𝐶 = 20%
% 𝑃𝑁𝐶 = 0.20 ∗ 200
= 40 𝑝𝑖𝑒𝑧𝑎𝑠
14
MODULO ACADÉMICO
= 5.140.000
5.140.00
𝑐𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 = = 27340.42/𝑝
188𝑝
%𝑃𝑁𝐶 = 5%
% 𝑃𝑁𝐶 = 0.05 ∗ 200
= 10 𝑝𝑖𝑒𝑧𝑎𝑠
5.085.000
𝑐𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 = = 25812,37/𝑝
197𝑝
15
MODULO ACADÉMICO
CAPÍTULO 2
HERRAMIENTAS ESTADÍSTICAS PARA LA CALIDAD
16
MODULO ACADÉMICO
Según se haga el estudio sobre todos los elementos de la población o sobre un grupo de ella, se diferencian dos tipos
de Estadística:
Estadística Descriptiva: Realiza el estudio sobre la población completa, observando una característica
de la misma y calculando unos parámetros que den información global de toda la población.
Estadística Inferencial: Realiza el estudio descriptivo sobre un subconjunto de la población llamado
muestra y, posteriormente, extiende los resultados obtenidos a toda la población.
Variables cualitativas: se refieren a atributos o cualidades que no pueden ser medidas con números.
Variables cuantitativas: se refieren a aquellas características que pueden ser expresadas numéricamente.
Esta a su vez se subdivide en:
Variables discretas: son aquella que entre dos valores próximos puede tomar a lo sumo un número
finito de valores, es decir, características que únicamente tomarán valores enteros.
Variables continuas: son aquellas que pueden tomar infinitos valores dentro de un intervalo.
EXPERIMENTO ALEATORIO: Es aquel experimento que puede producir resultados diferentes, aún cuando se repita
siempre de la misma manera.
ESPACIO MUESTRAL: Es el conjunto de todos los resultados posibles de un experimento aleatorio. Se denota por S.
Por ejemplo, se considera el experimento de lanzar un dado, si el interés se centra en el número que muestra la cara
superior, el espacio muestral sería:
𝑆 = {1,2,3,4,5,6}
17
MODULO ACADÉMICO
EVENTO: Es un subconjunto del espacio muestral de un experimento aleatorio. Para cualquier experimento dado, se
puede estar interesado en la ocurrencia de ciertos eventos, por ejemplo se puede estar interesado en el evento A en
que el resultado cuando se lanza un dado sea divisible entre 3; este ocurrirá si el resultado es un elemento del
subconjunto:
𝐴 = {3,6}
Con frecuencia es necesario describir nuevos eventos a partir de combinaciones de eventos existentes:
Unión de dos eventos: Es el evento que consta de todos los resultados que están contenidos en cualquiera
de los dos eventos. La unión se denota por: 𝐸1 ∪ 𝐸2
Intersección de dos eventos: Es el evento que consta de todos los resultados que están contenidos en los
dos eventos. La intersección se denota por: 𝐸1 ∩ 𝐸2
Complemento de un evento: Es el conjunto de resultados en el espacio muestral que no están en el evento.
La complemento se denota por: 𝐸′
Eventos mutuamente excluyentes: Se dice que dos eventos son mutuamente excluyentes, si estos no
presentan elementos en común; dos eventos denotados como E1 y E2 tales que 𝐸1 ∩ 𝐸2 = ∅ son
mutuamente excluyentes.
Son indicadores estadísticos que muestran hacia qué valor (o valores) se agrupan los datos.
Existen varios procedimientos para expresar matemáticamente las medidas de tendencia central, de los cuales, los
más conocidos son: la media aritmética, la mediana y la moda.
LA MEDIA ARITMÉTICA
Equivale al cálculo del promedio simple de un conjunto de datos. Para diferenciar datos muéstrales de datos
poblacionales, la media aritmética se representa con un símbolo para cada uno de ellos: si trabajamos con la población,
este indicador será µ; en el caso de que estemos trabajando con una muestra, el símbolo será X ̅.
LA MEDIANA
Valor que divide una serie de datos en dos partes iguales. La cantidad de datos que queda por debajo y por arriba de
la mediana son iguales.
La definición de geométrica se refiere al punto que divide en dos partes a un segmento. Por ejemplo, la mediana del
segmento 𝐴𝐵 es el punto C.
18
MODULO ACADÉMICO
̅̅̅̅ = 𝐴𝐶
𝐴𝐶 ̅̅̅̅
Formula:
𝑁
− 𝐹𝑖−1
𝑀ℯ = 𝐿𝑖−1 + 2 𝑎𝑖
𝑓𝑖
𝑁
= 𝐸𝑠 𝑙𝑎 𝑠𝑒𝑚𝑖𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑎𝑠 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠 𝑎𝑏𝑠𝑙𝑢𝑡𝑎𝑠.
2
𝑁
𝐿𝑖−1 = 𝐸𝑠 𝑒𝑙 𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑑𝑜𝑛𝑑𝑒 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑎
2
𝑎𝑖 = 𝐸𝑠 𝑙𝑎 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒.
LA MODA
Indica el valor que más se repite, o la clase que posee mayor frecuencia. En el caso de que dos valores presenten la
misma frecuencia, decimos que existe un conjunto de datos bimodal. Fórmula para determinar la moda para tablas
de frecuencia.
𝑓𝑖 − 𝑓𝑖−1
𝑀𝑂 = 𝐿𝑆−1 + 𝐴 ∗
(𝑓𝑖 − 𝑓𝑖−1 ) + (𝑓𝑖 − 𝑓𝑖−1 )
Donde 𝐿𝑆−1 equivale al límite superior del intervalo anterior donde se encuentra la Moda.
MEDIDAS DE DISPERSIÓN
Las medidas de dispersión permiten reconocer que tanto se dispersan los datos alrededor de un punto central; es
decir, nos indican cuanto se dispersan o separan las observaciones alrededor de su valor central. Las medidas de
dispersión más importantes y las más utilizadas son la Varianza y la Desviación estándar.
Desviación Estándar:
∑𝑖 (𝑥𝑖 − 𝑥̅ )2
𝑆=√
𝑛−1
19
MODULO ACADÉMICO
Poblacional
Muestral
Es la medida de variabilidad de un conjunto de n datos que se obtiene al promediar las desviaciones individuales de
cada dato.
𝑃(𝐴 + 𝐵) → Probabilidad de que ocurra por lo menos uno de los dos eventos o, lo que es lo mismo, de que ocurra
A o B, o ambos simultáneamente.
Eventos mutuamente excluyentes: A y B son eventos mutuamente excluyentes cuando no pueden ocurrir
simultáneamente, o sea que no existen puntos muestrales que pertenezcan simultáneamente a ambos.
Eventos Independientes: A y B son dos eventos independientes cuando la ocurrencia o no ocurrencia de uno de ellos
no afecta la probabilidad de ocurrencia o no ocurrencia del otro.
En estos casos,
Teorema de la Adición:
Si aplicamos la definición básica de probabilidad para el caso de experimentos equiprobables, tenemos que:
# 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑒𝑛 (𝐴 + 𝐵)
𝑃(𝐴 + 𝐵) =
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠
20
MODULO ACADÉMICO
Y se tiene que:
Teorema de la multiplicación:
𝑃(𝐴𝐵) = 𝑃(𝐴)𝑃(𝐵⁄𝐴)
Se puede explicar esta relación aplicando la definición de probabilidad al evento 𝐴⁄𝐵 así:
𝑛(𝐴⁄𝐵) 𝑛(𝐴𝐵)
𝑃(𝐴⁄𝐵 ) = =
𝑛(𝐴) 𝑛(𝐴)
El número de puntos en (𝐵⁄𝐴) corresponde a aquellos que están simultáneamente en B y en A, o sea: 𝑛(𝐴𝐵),
porque el evento expresa que A ya ocurrió.
El número total de puntos muestrales, que se utiliza como denominador en la anterior expresión, es el número de
puntos que corresponden al evento A, 𝑛(𝐴), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurrió.
Ahora,
Si se intercambia el orden de los eventos, se llega también a esta otra expresión del teorema de multiplicación:
𝑃(𝐴𝐵) = 𝑃(𝐵)𝑃(𝐴⁄𝐵)
𝑃(𝐴𝐵) = 𝑃(𝐴)𝑃(𝐵)
21
MODULO ACADÉMICO
Formula de Bayes:
Esta fórmula nos permite hallar probabilidades de causa de un resultado experimental que ya se ha observado.
Si se supone que un evento A puede ocurrir como consecuencia de k causas diferentes: H1 , H2 ,…,Hi, …, Hk, mutuamente
excluyentes.
Se desea hallar una expresión para la probabilidad de que la causa Hi , haya originado el evento A, al cual ya se ha
observado al realizar el evento:
El denominador es una aplicación del teorema de adición, ya que el evento A puede ocurrir conjuntamente con H1, o
con H2, o con Hk.
𝑃(𝐻𝑖 )𝑃(𝐴⁄𝐻𝑖 )
𝑃(𝐻𝑖 ⁄𝐴) =
∑𝐾
𝑖=1 𝑃(𝐻𝑖 𝐴)
Se dice que X es aleatoria porque involucra la probabilidad de los resultados del espacio muestral, y X es una función
definida sobre el espacio muestral, de manera que transforme todos los posibles resultados del espacio muestral en
cantidades numéricas.
Variable Aleatoria Discreta: Aquella tal que la cantidad de valores posibles que puede tomar es finita, o infinita pero
numerable.
Variable Aleatoria Continua: Aquella tal que la cantidad de valores posibles es infinita y no numerable.
1. Distribuciones Discretas: Se utilizan cuando el parámetro que se está midiendo sólo puede asumir ciertos
valores dentro de un intervalo.
22
MODULO ACADÉMICO
2. Distribuciones Continuas: Se utilizan cuando la variable que se está midiendo se expresa en escala continua
(variable aleatoria continua).
Distribución Uniforme
Es la más simple de todas las distribuciones de probabilidad discreta pues la variable aleatoria discreta X puede tomar
una cantidad finita de n valores X1, X2, X3,…, Xn, cada uno de estos con una probabilidad idéntica 1/n, es decir, con
probabilidad uniforme.
1
𝑓𝑥 (𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = 𝑝𝑎𝑟𝑎𝑖 = 1, … , 𝑛
𝑛
Ejemplo: Cuando se lanza un dado de seis caras, la función de masa de la variable aleatoria es:
1
𝑃(𝑋 = 𝑖) = ; 𝑝𝑎𝑟𝑎 𝑖 = 1,2,3,4,5,6
6
1+2+3+4+5+6
𝜇 = 𝐸(𝑋) = = 3.5
6
Distribución Binomial
1. Los ensayos son independientes, es decir el resultado de cada ensayo no depende del resultado de ensayos
anteriores.
2. Cada ensayo produce únicamente dos resultados posibles, etiquetados como “éxito” y “fracaso”.
23
MODULO ACADÉMICO
La variable aleatoria X que es igual al número de ensayos n que producen un éxito tiene una distribución binomial con
parámetros p y n = 1, 2,…
Donde:
p = Probabilidad de éxito.
1 - p = Probabilidad de fracaso
x = Número de éxitos deseados
n = Número de ensayos efectuados
Para indicar que una variable X es una binomial de parámetros n y p, se escribirá X∼ B(n, p).
Ejemplo:
Se tiene una línea de producción de cilindros para gas natural vehicular. Se sabe que la probabilidad de que un cilindro
sea defectuoso es de 0,02. Adicionalmente para el jefe de producción es conocido que el primer cilindro que se fabrica
al día es defectuoso debido a la calibración de la maquinaria. Encuentre la probabilidad de obtener más de dos cilindros
defectuosos en los primeros dos cilindros que se fabrican en un día.
𝑛 = 10 − 1 = 9
%𝑃𝑁𝐶 = 0,02
𝑑
𝑛
𝑓(𝑥) = 𝑃(𝑥 > 𝑑) = ∑ ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
𝑥=0
2
9
𝑓(𝑥) = 1 − 𝑃(𝑥 ≤ 2) = 1 − ∑ ( ) (0,02)𝑥 (1 − 0,02)9−𝑥
𝑥
𝑥=0
24
MODULO ACADÉMICO
9
𝑃(𝑥 = 0) = ( ) (0,02)0 (1 − 0,02)9−0 = 0,8337
0
9
𝑃(𝑥 = 1) = ( (0,02)1 (1 − 0,02)9−1 = 0,1531)
1
9
𝑃(𝑥 = 2) = ( ) (0,02)2 (1 − 0,02)9−2 = 0,0125
2
Distribución Geométrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad constante de éxito p, sea la variable aleatoria
X el número de ensayos hasta la obtención del primer éxito. Entonces X tiene una distribución geométrica con
parámetro p y
Si X es una variable aleatoria geométrica con parámetros p, entonces la media y la varianza de X son:
(1 − 𝑝)
𝜇 = 𝐸(𝑋) = 1⁄𝑝 𝜎 2 = 𝑉(𝑋) = ⁄𝑝2
Distribución Hipergeométrica
Se emplea para calcular la probabilidad de obtener determinado número de éxitos en un espacio muestral de n
ensayos; pero que a diferencia de la distribución binomial, aquí los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una población finita; por esto es que el resultado de una observación es
afectado por el resultado de observaciones anteriores.
Se selecciona una muestra con tamaño de n objetos, al azar (sin reemplazo) de entre los N objetos, donde 𝐾 ≤ 𝑁 y
𝑛≤𝑁
Sea que la variable aleatoria X denote el número de éxitos en la muestra. Entonces X tiene una distribución
hipergeométrica, con:
25
MODULO ACADÉMICO
𝐾 𝑁−𝐾
( )( )
𝑓(𝑥) = 𝑥 𝑛 − 𝑥 𝑥 = 0,1,2, … , 𝑚í𝑛(𝑛, 𝐾)
𝑁
( )
𝑛
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n, entonces la media y la varianza de X son:
𝑁−𝑛
𝜇 = 𝐸(𝑋) = 𝑛𝑝𝜎 2 = 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝) ( )
𝑁−1
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor de tuberías del estado
vecino. Si se seleccionan cuatro piezas al azar y sin reemplazo ¿Cuál es la probabilidad de que todas sean del
proveedor local?
Sea X igual al número al número de piezas de la muestra del proveedor local. Entonces, X tiene una distribución
hipergeométrica y la probabilidad pedida es P(X=4). Por consiguiente:
100 200
)(( )
𝑃(𝑋 = 4) = 4 0 = 0.0119
300
( )
4
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
100 200
)( ) (
𝑃(X ≥ 1) = 1 − P(X = 0) = 1 − 0 4 = 0.196
300
( )
4
Distribución de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy pequeña en cualquier instancia
específica, pero a la vez, el número de instancias posibles sea enormemente grande, la distribución de los sucesos se
realiza mediante la distribución de Poisson.
Dado un intervalo de números reales, suponga que el conteo de ocurrencias es aleatorio en dicho intervalo. Si puede
hacerse la partición del intervalo en subintervalos con una longitud suficientemente pequeña tales que
26
MODULO ACADÉMICO
Si el número promedio de ocurrencias en el intervalo es 𝜆 > 0, la variable aleatoria X, que es igual al número de
ocurrencias en el intervalo, tiene una distribución de Poisson con parámetro, y la función de masa de probabilidad
de X es
𝑒 −𝜆 ∗ 𝜆𝑥
𝑓(𝑥) = , 𝑥 = 0, 1, 2, …
𝑥!
Si X es una variable aleatoria de Poisson con parámetro 𝜆 entonces la media y la varianza de X son:
𝜇 = 𝐸(𝑋) = 𝜆𝜎 2 = 𝑉(𝑋) = 𝜆
Ejemplo:
Sea que X denote el número de partículas en el área de un disco bajo estudio. Puesto que el número promedio de
partículas es 0.1 partículas por cm2.
Por lo tanto,
𝑒 −10 ∗ 𝜆12
P(X = 12) = = 0.095
12!
El modelo de uso más generalizado para la distribución de una variable aleatoria continua es la distribución normal.
Siempre que se hace la repetición de un experimento aleatorio, la variable aleatoria que es igual al resultado promedio
(o total) de las repeticiones tiende a tener una distribución normal, cuando el número de repeticiones es grande. Una
distribución Normal también se conoce como distribución de Gauss o Gaussiana.
27
MODULO ACADÉMICO
1 −(𝑥−𝜇)2
𝑓(𝑥) = 𝑒 2𝜎2 𝑝𝑎𝑟𝑎 −∞ < 𝑥 < ∞
√2𝜋𝜎
Tiene una distribución normal con parámetros 𝜇, donde −∞ < 𝜇 < ∞ y 𝜎 > 0. Además
𝐸(𝑋) = 𝜇 𝑦 𝑉(𝑋) = 𝜎 2
Para graficar la función de densidad de probabilidad de una distribución normal, en el eje horizontal se levantan
perpendiculares en dos puntos a y b, el área bajo la curva delimitada por esas líneas indica la probabilidad de que la
variable de interés X, tome un valor cualquiera en ese intervalo. Puesto que la curva alcanza su mayor altura en torno
a la media, mientras que sus "ramas" se extienden asintóticamente hacia los ejes, cuando una variable siga una
distribución normal, será mucho más probable observar un dato cercano al valor medio que uno que se encuentre
muy alejado de éste.
A una variable aleatoria normal con 𝜇 = 0 y 𝜎2 = 1 se le llama variable aleatoria normal estándar. Una variable
aleatoria normal estándar se denota como Z.
La función de distribución acumulada de una variable aleatoria normal estándar se denota como
Φ(𝑧) = 𝑃(𝑍 ≤ 𝑧)
Existen un sinnúmero de distribuciones de probabilidad normal, cada una de las distribuciones puede tener una media
(µ) o una desviación estándar distinta (σ). Por tanto, el número de distribuciones normales es ilimitado y sería
imposible proporcionar una tabla de probabilidades para cada combinación de µ y σ.
Para resolver este problema todas las distribuciones de probabilidad normales se relacionan algebraicamente a una
distribución normal estándar, haciendo antes una transformación simple.
Primero, convertiremos la distribución real en una distribución normal estándar utilizando un estadístico Z, así:
𝑋−𝜇
𝑍=
𝜎
Es una variable aleatoria normal con 𝐸(𝑍) = 0 𝑦𝑉(𝑍) = 1. Es decir, Z, es una variable aleatoria normal
estándar.
28
MODULO ACADÉMICO
De esta manera, un valor Z mide la distancia entre un valor especificado de X y la media aritmética, en las unidades
de la desviación estándar. Al determinar el valor Z utilizando la expresión anterior, es posible encontrar el área de
probabilidad bajo cualquier curva normal haciendo referencia a la distribución normal estándar en las tablas
correspondientes (Tabla normal estándar-Anexos), dicha tabla proporciona la probabilidad de que la variable aleatoria
normal estándar Z tome un valor situado a la izquierda de un número z, P (Z<z). En otras palabras, esta tabla nos da
el valor del área encerrada por f(x) entre -∞ y z.
Ejemplo:
Cierta máquina fabrica resistores eléctricos que tienen una resistencia promedio de 25 ohmios y una desviación
estándar de 3.2 ohmios. La resistencia tiene una distribución normal.
16 − 25
𝑃(𝑋 < 16) = 𝑃 (𝑍 < ) = 𝑃(𝑍 < 2.81) = 0.0025
3.2
Lo que implica que el 0.25% de los resistores tienen una resistencia inferior a 16 ohmios.
35 − 25
𝑃(𝑋 > 35) = 𝑃 (𝑍 > ) = 𝑃(𝑍 > 3.13) = 1 − 𝑃(𝑍 < 3.13)
3.2
= 1 − 0.9991 = 0.0009
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a 35 ohmios.
20 − 25 32 − 25
𝑃(20 < 𝑋 < 32) = 𝑃 ( <𝑍< ) = 𝑃(−1.56 < 𝑍 < 2.19)
3.2 3.2
= 𝑃(𝑍 < 2.19) − 𝑃(𝑍 < −1.56) = 0.9857 − 0.0594 = 09263
Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y 32 ohmios.
d) ¿Por encima de qué valor está el 10% de los resistores con mayor resistencia?
29
MODULO ACADÉMICO
Llamemos E1, E2…, Ek los estados (resultados) exhaustivos y mutuamente excluyentes de un experimento aleatorio en
cualquier tiempo. Inicialmente en el tiempo t0, el sistema puede estar en cualquiera de estos estados. Sea a0j (j = 0,
1,.. ., k) la probabilidad absoluta de que el sistema se encuentre en el estado Ej en t0. Definamos pij como la probabilidad
de transición de un paso de ir al estado i en tn-1, al estado j en tn, es decir, la probabilidad de que en el siguiente periodo
(paso) se encuentre en Ej, dado que en el periodo (paso) inmediatamente anterior estuvo en Ei. Supongamos que estas
probabilidades son estacionarias (no cambian) a través del tiempo. Las probabilidades de transición del estado Ei al
estado Ej se describen de manera más conveniente en forma matricial como sigue:
Por ejemplo p21 es la probabilidad de estar en el estado 1 en el siguiente paso, dado que en este momento se encuentra
en el estado 2. La matriz P se llama matriz de transición homogénea porque todas las probabilidades pij son fijas,
independientes del tiempo. Las probabilidades pij deben satisfacer las condiciones:
𝑘
∑ 𝑝𝑖𝑗 = 1, ∀𝑖 𝑦 𝑝𝑖𝑗 ≥ 0
𝑗
Las cadenas de markov se utilizan para hallar probabilidades luego que haya pasado n cantidad de tiempo. Esto se
realiza para cualquier días en el futuro en que se quiera hacer la predicción seda que P2=PxP el cual corresponde a
las probabilidades de transición en dos pasos, por tanto si P3 corresponde a tres pasos y P4, P5… Pn corresponde a
las probabilidades de 4, 5 y n pasos. La matriz Pn se conoce como la matriz de transición en n pasos de la cadena de
Markov.
Una matriz de transición P se dice que es regular si para algún entero positivo k, la matriz Pk no tiene elementos
iguales a cero. Si P es una matriz de transición regular, entonces sin importar la matriz de estado inicial, las matrices
de estado sucesivas se aproximan a alguna matriz de estado fija B en donde B.P = B. La matriz B se denomina matriz
estacionaria del sistema:
𝜋1 , 𝜋2 … 𝜋𝑘 = 1
30
MODULO ACADÉMICO
Nota: a la hora de resolver el sistema de ecuaciones producto de la operación matricial, se debe escoger siempre la
ecuación de restricción.
Ejemplo:
El ascensor de un edificio con bajo y dos pisos realiza viajes de uno a otro piso. El piso en el que finaliza el viaje n-
ésimo del ascensor sigue una cadena de Markov. Se sabe que la mitad de los viajes que parten del bajo se dirigen a
cada uno de los otros dos pisos, mientras que si un viaje comienza en el primer piso, sólo el 25% de las veces finaliza
en el segundo. Por último, si un trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:
a. Los estados de la cadena los denotaremos por {0, 1, 2} haciendo corresponder el 0 al bajo y 1 y 2 al
primer y segundo piso respectivamente.
Las probabilidades de transición son:
p00 = P(Rn=0 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta baja si en la
etapa anterior estaba en la planta baja. Obviamente es 0, porque se supone que de etapa a etapa el ascensor
se mueve.
p01 = P(Rn=1 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta primera si en la
etapa anterior estaba en la planta baja. Obviamente es ½ ya que la mitad de los viajes parten para el primer
piso y la otra mitad para el segundo.
Y así sucesivamente vamos obteniendo las distintas probabilidades de transición cuya matriz es:
𝑝00 𝑝01 𝑝02 0 1⁄2 1⁄2
𝑃 = (𝑝10 𝑝11 𝑝12 ) = (3⁄ 1⁄ )
𝑝20 𝑝21 𝑝22 4 0 4
1 0 0
b.
0 1
2
c. 𝐵 = (𝜋1 , 𝜋2 , 𝜋3 )
31
MODULO ACADÉMICO
0 1⁄ 1⁄
2 2
(𝜋1 , 𝜋2 , 𝜋3 ) (3⁄ 0 1⁄4) = (𝜋1 , 𝜋2 , 𝜋3 )
4
1 0 0
Solucionando, tenemos:
8 4 5
𝜋1 = ; 𝜋2 = ; 𝜋3 =
17 17 17
Un procedimiento formal para probar la bondad de ajuste es el basado en la distribución ji-cuadrada. Este
procedimiento requiere una muestra aleatoria de tamaño n de la población cuya distribución de probabilidad es
desconocida.
Suponer que las observaciones de la muestra están agrupadas en k clases, siendo 𝑶𝒊 la cantidad de observaciones
en cada clase 𝒊 = 𝟏, 𝟐, 𝟑 … , 𝒌
Con este valor de probabilidad se puede encontrar la frecuencia esperada 𝑬𝒊 para la clase 𝒊, es decir, la cantidad de
datos que según el modelo especificado deberían estar incluidos en la clase 𝒊:
𝑬𝒊 = 𝒑𝒊 ∗ 𝒏, 𝒊 = 𝟏, 𝟐, … , 𝒌
32
MODULO ACADÉMICO
𝒌
𝟐 (𝑶𝒊 − 𝑬𝒊 )𝟐
𝑿 =∑
𝑬𝒊
𝒊=𝟏
Donde p es la cantidad de parámetros de la distribución hipotética, estimados por los estadísticos muéstrales. Esta
aproximación mejora conforme n incrementa.
Dado un valor de 𝜶 (error deseado tipo I), aceptamos 𝑯𝟎 si 𝑿𝟐 (𝒐𝒃𝒔) ≤ 𝑿𝟐 𝜶,𝒌−𝒑−𝟏 y aceptamos 𝑯𝒂 si
𝑿𝟐 (𝒐𝒃𝒔) > 𝑿𝟐 𝜶,𝒌−𝒑−𝟏 .
En la siguiente tabla se muestra los datos que representa el diámetro de los agujeros realizados por un taladro sobre
la base giratoria de una grúa. Se desea saber si los datos presentan una distribución normal lo cual certifica que el
taladro está trabajando en buena condición.
33
MODULO ACADÉMICO
𝑘 = 1 + 3.3 ∗ log(100)
𝑘 = 7,6 ≅ 8
𝑟𝑎𝑛𝑔𝑜 1,4
ℎ= = = 0,175
𝑘 8
3. Se verifica cuantos datos caen el intervalo, así como lo muestra la siguiente tabla:
34
MODULO ACADÉMICO
6 16,175 16,35 20
7 16,35 16,525 4
8 16,525 16,7 1
4. Luego se halla la probabilidad para cada intervalo
𝑥 − 𝑋̅
𝑃(𝑍 ≤ ( ))
𝜎
𝒌=𝟏
𝒌=𝟐
𝒌=𝟑
35
MODULO ACADÉMICO
𝑛 ∗ 𝑝7 = 100 ∗ 0,04 = 𝟒
36
MODULO ACADÉMICO
Es decir:
𝟐 (𝟏𝟒 − 𝟏𝟎)𝟐 (𝟐𝟎 − 𝟏𝟗)𝟐 (𝟐𝟗 − 𝟐𝟖)𝟐 (𝟐𝟔 − 𝟐𝟓)𝟐 (𝟐𝟓 − 𝟏𝟖)𝟐
𝑿 (𝒐𝒃𝒔) = + + + +
𝟏𝟎 𝟏𝟗 𝟐𝟖 𝟐𝟓 𝟏𝟖
Por lo tanto como el estadístico observado es menor que el estadístico de la tabla (𝑿𝟐 (𝒐𝒃𝒔) = 𝟒. 𝟒𝟓 <
𝑿𝟐 𝟎,𝟎𝟓,𝟓−𝟐−𝟏 = 𝟓, 𝟗𝟗𝟏𝟒𝟔𝟒𝟓𝟓), se acepta la hipótesis nula.
Las 7 herramientas estadísticas utilizadas para el control de la calidad son las siguientes:
Histograma.
Diagrama de Pareto.
Diagrama de causa y efecto.
Diagrama de dispersión.
Cartas de verificación.
Diagrama de concentración de defectos.
Cartas de control.
2.7.1. Histograma
En muchos casos, si los datos han sido tomados de forma correcta, se puede obtener conclusiones a partir de los
mismos de forma inmediata; pero si no es así, con frecuencia puede ser necesaria una adecuada representación
gráfica de los mismos. El histograma es una representación gráfica de los datos en la que se puede observar:
1. Forma.
Simétrica
Asimétrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
37
MODULO ACADÉMICO
Si el histograma no es simétrico, entonces los datos no están centralizados. Se debe comparar la media muestral con
el valor nominal para darnos cuenta si se pueden cumplir con las especificaciones.
3. Dispersión o expansión.
Cuando la variabilidad de un proceso es muy amplia, se pueden presentar un número de defectos, es decir, el no
cumplimiento con las especificaciones. Para saber si esto ocurrirá, se hace el estudio de capacidad de los procesos.
Fase 1: Si se tiene un conjunto de datos, de los datos registrados se toma el máximo (M) y el mínimo (m). Seguidamente,
se calcula el denominado rango (R) como diferencia entre el valor máximo y el mínimo.
Fase 2: Ahora, se define el número de clases. El número de clases que se indica mediante K, se elige en función del
número de datos N, para lo que puede usarse el criterio de la raíz cuadrada; K≅√N.
Fase 3: La amplitud de cada clase (H) se obtiene dividiendo el rango de R por el número de clases K. Normalmente,
la amplitud de cada clase se redondea a un valor más cómodo.
Fase 4: En este punto se definen los límites de las clases empezando por el valor mínimo. Este valor se asume como
el límite inferior de la primera clase. El límite superior de la primera clase se calcula sumando al límite inferior la
amplitud de la clase.
Fase 5: Se prepara la tabla de las frecuencias y se registran los datos. El registro de datos requiere especial atención,
ya que ciertos valores pueden corresponder exactamente a los límites.
38
MODULO ACADÉMICO
Fase 6: Posteriormente se procede a realizar la gráfica pertinente y a completar el diagrama, en el que es conveniente
añadir también la fecha, el título y el nombre de quien lo haya preparado.
1. Construir el histograma.
2. Además se puede calcular la media y la varianza de los datos, utilizando las siguientes fórmulas:
Para la media:
𝛴 𝑥𝑖 ∗ 𝐹𝑖
𝑥̅ =
𝑁
Para la desviación:
El uso del diagrama de Pareto permite solucionar este tipo de problema con eficiencia.
Paso 1: Decida qué problemas se van a investigar y como recoger los datos.
1. Decida qué clase de problemas son los que usted quiere investigar.
2. Decida qué datos va a necesitar y como clasificarlos.
39
MODULO ACADÉMICO
Paso 2: Diseñe una tabla para conteo de datos, con espacio suficiente para registrar los totales.
Paso 4: Elabore una tabla de datos para el diagrama de Pareto con la lista de ítems, los totales individuales, los totales
acumulados, la composición porcentual y los porcentajes acumulados.
Paso 5: Organice los ítems por orden de cantidad y llena la tabla de datos.
1) Ejes verticales.
a) Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general.
b) Eje derecho: Marque este eje con una escala desde 0% hasta el 100%.
2) Eje horizontal.
40
MODULO ACADÉMICO
Diversos son los usos que se pueden hacer del diagrama de Pareto. El diagrama de Pareto representa uno de los
primeros pasos que deben darse para realizar mejoras. Efectivamente:
El diagrama de Pareto responde plenamente a estas exigencias es muy útil para aprender a concentrar los esfuerzos
en los aspectos más importantes y rentables del problema analizado, es decir, en los aspectos que ocupan las partes
más elevadas del propio diagrama.
Kaoru Ishikawa, en su libro ¿Qué es el control total de calidad?, relata un caso de su propia experiencia. Explica que
cierto dispositivo iba unido a una máquina por medio de cuatro pernos, el perno 1 se rompía con frecuencia por lo que
se decidió sustituirlo por otro de mayor diámetro. A partir del cambio no se volvió a partir el perno 1, pero el perno 2
se empezó a romper, ante la nueva situación se decidió que los cuatro pernos debían ser más grandes y se procedió
al cambio. Con estas medidas ya no se volvió a romper ningún perno, pero empezaron a aparecer fracturas en la
placa de hierro en la que estaba situado el dispositivo, por tal motivo se procede a cambiar la placa de hierro por otra
más gruesa. Posteriormente con la realización de un estudio profundo se puso en manifiesto que una vibración que
llegaba al dispositivo era lo que ocasionaba los fenómenos de ruptura y que si no se eliminaba terminaría rompiendo
la nueva placa metálica o inutilizando el dispositivo por graves consecuencias.
En este caso lo que se estaba haciendo era intentar evitar el efecto del problema, pero sin eliminar su causa y si la
causa permanece el efecto vuelve a manifestarse de forma aún más perjudicial.
Por tal razón, para solucionar un problema deben estudiarse sus causas y eliminarlas, en el caso que planteaba
Ishikawa la causa era la vibración, aunque también debería haberse investigado el origen de la misma.
Para saber cuáles son las posibles causas que hay detrás de un efecto es conveniente construir un diagrama de
causa-efecto, para lo cual se sugiere seguir los siguientes pasos:
41
MODULO ACADÉMICO
Para comprender la relación entre estas, es importante, en primer lugar, hacer un diagrama de dispersión y
comprender la relación global.
Paso 1: Reúna pares de datos (x,y), cuyas relaciones usted quiere estudiar, y organice esa información en una tabla.
Es deseable tener al menos 30 pares de datos.
Paso 2: Encuentre los valores mínimo y máximo para x y y. Decida las escalas que va a usar en los ejes horizontal y
vertical de manera que ambas longitudes sean aproximadamente iguales, lo cual hará que el diagrama sea más fácil
de leer. Trate de mantener el número de divisiones de cada eje entre 3 y 10 y use números redondos para facilitar la
lectura. Cuando las dos variables sean un factor y una característica de calidad, use el eje horizontal x para el factor
y el eje vertical y para la característica de calidad.
Paso 3: Registre los datos en el gráfico. Cuando se obtengan los mismos valores en diferentes observaciones,
muestre estos puntos haciendo círculos concéntricos, o registre el segundo punto muy cercano al primero.
42
MODULO ACADÉMICO
Paso 4: Registre todos los aspectos que puedan ser de utilidad, de tal forma que cualquier persona que utilice el
diagrama lo interprete fácilmente: Nombre, unidades de variables, número de puntos, periodo de tiempo en que se
realizó el diagrama, autor o autores, aparato de medida, etc.
43
MODULO ACADÉMICO
Cuando los datos de los defectos se representan en un diagrama de concentración de defectos para u número
suficiente de unidades, es común que surjan patrones y la localización de estos patrones suele contener mucha
información sobre la causa de los defectos.
En este diagrama se puede observar los defectos de terminado superficial que se identifican como las áreas
sombreadas oscuras en el refrigerador. Al inspeccionar el diagrama parece claro que el manejo de material es el
causante de la mayoría de estos defectos. La unidad se mueve fijando un cinturón en la parte media y este cinturón
está muy flojo(o muy apretado), desgastado, está hecho de un material abrasivo o es demasiado angosto. Además,
cuando la unidad se mueve se están dañando las esquinas. Es posible que la fatiga del trabajador sea un factor en este
proceso. De cualquier modo, los métodos de trabajo apropiados y el manejo mejorado de los materiales probablemente
mejorarán este proceso sustancialmente.
Esto simplemente nos permite evaluar las necesidades de los clientes, basándose en encuestas, entrevistas, etc., para
centrar las necesidades prioritarias y saber cómo centrar los esfuerzos en el rediseño del proceso de negocios.
44
MODULO ACADÉMICO
Las cartas de control son la herramienta más poderosa para analizar la variación en la mayoría de los procesos. Han
sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atención hacia las causas especiales de variación cuando estas aparecen y
reflejan la magnitud de la variación debida a las causas comunes. Las causas comunes o aleatorias se deben a la
variación natural del proceso. Las causas especiales o atribuibles son por ejemplo: un mal ajuste de máquina, errores
del operador, defectos en materias primas.
45
MODULO ACADÉMICO
Se dice que un proceso está bajo Control Estadístico cuando presenta causas comunes únicamente. Cuando ocurre
esto tenemos un proceso estable y predecible. Cuando existen causas especiales el proceso está fuera de Control
Estadístico; las gráficas de control detectan la existencia de estas causas en el momento en que se dan, lo cual permite
que podamos tomar acciones al momento.
Los tipos de cartas de control y la manera de utilizarlas será una temática tratada a profundidad en el capítulo 4 de
este módulo.
46
MODULO ACADÉMICO
CAPÍTULO 3
ANÁLISIS DE CAPACIDAD DE PROCESOS
47
MODULO ACADÉMICO
DEFINICIONES BÁSICAS
Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos, materiales y personas
involucradas en la producción.
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los límites de especificaciones
de calidad.
Estado de control: Un proceso se dice que se encuentra bajo control estadístico si sólo se ve afectado por un conjunto
de causas aleatorias de variación.
Si el proceso se encuentra afectado por causas asignables de variación, se dice que está fuera de control.
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.
Es considerando como una técnica muy útil en el ciclo de un producto, incluye las actividades de desarrollo previas a
la manufactura, para cuantificar la variabilidad del proceso, analiza la variabilidad respecto a los requerimientos o
especificaciones del producto y ayuda al personal de desarrollo y manufactura a eliminar o reducir en gran medida
esta variabilidad.
En términos generales el análisis de capacidad del proceso es un parte vital de un programa integral de mejoramiento
de calidad. Entre los usos principales de los datos de un análisis de capacidad del proceso se encuentran los siguientes:
48
MODULO ACADÉMICO
Brindar asistencia a las responsables del desarrollo y diseño del producto para seleccionar o modificar un
proceso.
Ofrecer asistencia para establecer un intervalo entre el muestreo para monitorear el proceso.
Especificar los requerimientos de desempeño para el equipo nuevo.
Seleccionar entre proveedores competidores.
Plantear la secuencia de los procesos de producción cuando está presente un efecto interactivo de los
procesos sobre las tolerancias.
Reducir la variabilidad en un proceso de manufactura.
Ejemplos:
Causas Asignables o Especiales: Se trata de variaciones en un proceso de producción que pueden atribuirse a
causas específicas, es decir:
La variabilidad originada por causas asignables es algo para lo cual se puede determinar una razón.
La magnitud de la variación en estas circunstancias es mayor que la influencia de causas comunes.
Ejemplos:
49
MODULO ACADÉMICO
X - AXIS
50
MODULO ACADÉMICO
a. Cambio repentino debido al ajuste de la herramienta, cambio en las características de la materia prima.
b. Interrupción, durante la cual la máquina se enfría y luego gradualmente se calienta de nuevo hasta que se
restablece la dimensión original.
c. Puesta en marcha de una máquina el lunes en la mañana con el correspondiente ajuste del equipo.
d. Ajustes frecuentes o corrección.
e. Cambios en la dispersión y en la cota debido a cambios en las condiciones de operación o cambios en la
materia prima.
La mayor parte de los procesos industriales, especialmente en las industrias de procesos químicos, funcionan bajo
estado e control estadístico. Para estos procesos, la capacidad del proceso calculada de 6 σ puede ser comparada
diferente a las especificaciones y se puede hacer juicio sobre su adecuación. Sin embargo la mayoría de los procesos
industriales muestran desviaciones y cambios repentinos. Estas desviaciones de lo ideal son un hecho real y deben
tenerse en cuenta en el momento de calcularse los índices de capacidad del proceso.
51
MODULO ACADÉMICO
para medir el funcionamiento de un proceso. Se dice que un proceso está funcionando bajo control estadístico cuando
las únicas causas de variación son causas comunes (naturales).
El estudio de capacidad trata de determinar la habilidad que tiene un proceso de cumplir dichas especificaciones; es
decir, la capacidad del proceso nos indica cuantas veces cabe la variabilidad natural del proceso en el intervalo de
especificación.
Cuantificar la variabilidad
Analizar la variabilidad respecto a las especificaciones del producto.
Reducir en lo posible la variabilidad(revisando o modificando el proceso)
Se acostumbra tomar la dispersión seis sigmas en la distribución de la característica de la calidad del producto como
una medida de la capacidad del proceso. A continuación se muestra un proceso para el que la característica de calidad
tiene una distribución normal con media μ y desviación estándar σ. Los “límites de tolerancia natural” superior e
inferior del proceso son 𝜇 ± 3𝜎, es decir:
𝐿í𝑚𝑖𝑡𝑒 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟 = 𝜇 + 3𝜎
𝐿í𝑚𝑖𝑡𝑒 𝐼𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 𝜇 − 3𝜎
Si la característica de calidad es normal y el proceso está bajo control, los limites naturales incluyen el 99,73% de
los valores, es decir, el proceso fabrica un 0.27% de productos no conformes.
El valor 0.27% fuera de las tolerancias naturales suena pequeño, pero corresponde a 3.4 partes por millón
disconformes.
Si la distribución de la salida del proceso no es normal, entonces el porcentaje de la salida que quedara
fuera de 𝜇 ± 3𝜎 puede diferir considerablemente de 0.27%.
La estimación de la capacidad del proceso puede estar en la condición de una distribución de probabilidad que tenga
una forma, centro (media) y dispersión (desviación estándar) especificados.
En el estudio de capacidad del proceso por lo general se miden las dimensiones físicas del producto, no el proceso en
sí. Cuando el analista puede observar directamente el proceso y puede controlar y monitorear la colección de datos,
el estudio es un verdadero estudio de capacidad del proceso, ya que al controlar la colección de datos y conocer la
secuencia en el tiempo de los datos, es posible hacer inferencias en la estabilidad del proceso en el tiempo. Por esta
razón, para desarrollar un análisis de capacidad del proceso, es necesario utilizar los siguientes supuestos, o
comprobarlos a través de herramientas estadísticas:
52
MODULO ACADÉMICO
En la manufactura hay tres fases importantes sobre cualquier producto: diseño, producción, e inspección. Las
especificaciones generalmente son establecidas en la fase de diseño, y durante la producción se intentan cumplir
esas especificaciones. Finalmente, durante la inspección se determina el grado con el cual las unidades producidas
cumplen las especificaciones.
En el análisis de capacidad del proceso se utilizan tres técnicas principales: histogramas, graficas de probabilidad,
cartas de control y experimentos diseñados.
El índice Cp mide la capacidad potencial, suponiendo que el promedio del proceso es igual al punto medio de los límites
de especificación y que el proceso está operando bajo control estadístico.
En este orden de ideas, de acuerdo al valor que tome el índice de capacidad Cp , los procesos pueden clasificarse de
la siguiente manera:
NOTA: El Cp solo compara el ancho de las especificaciones con la amplitud de la variación del proceso, por lo que NO
mira cuan bien está centrado el promedio del proceso con relación al valor de la meta.
Si la variación del proceso es mayor que la amplitud de las especificaciones, entonces el Cp es menor que uno; es
evidencia de que no se está cumpliendo con las especificaciones. Por el contrario si el índice Cp es mayor que uno,
entonces es evidencia de que el proceso es potencialmente capaz de cumplir con las especificaciones.
53
MODULO ACADÉMICO
En general, el Cp se utiliza para conocer y tomar decisiones sobre el proceso, dependiendo de su valor es el tipo de
proceso y la decisión que ha de tomarse. Si al analizar un proceso se encuentra que su capacidad no es compatible
con las tolerancias, existen tres opciones:
Modificar el proceso.
Modificar las tolerancias o especificaciones.
Inspeccionar el 100% de los productos.
Aunque este parámetro es de gran utilidad, su cálculo no toma en consideración dónde se localiza la media del proceso
respecto de las especificaciones. El 𝐶𝑝 solamente mide la extensión de las especificaciones en comparación con la
dispersión seis sigma del proceso. En distintas situaciones su valor puede indicar un proceso más que adecuado, es
decir, capaz, pero si la media del proceso no coincide con la media de las especificaciones ( Valor Nominal), es muy
probable que se encuentre arrojando productos fuera de especificaciones, o sea, no conformes, ya sea por el límite
superior o por el inferior. Esta situación se puede apreciar en la siguiente distribución de datos:
Si el promedio actual es igual al punto medio del rango de especificación, entonces Cpk= Cp. Entre más alto sea el
valor de Cpk, más baja será la cantidad de producto que esté fuera de los límites de especificación
Se evalúa tomando el mínimo entre los Cp’s (Cpu y Cpl) correspondientes a cada lado de la media, como sigue,
54
MODULO ACADÉMICO
𝐿𝑆𝐸−𝑋̅
𝐶𝑝𝑢 = (Sólo especificación Superior)
3𝜎
𝑋̅ −𝐿𝐼𝐸
𝐶𝑝𝑙 = (Sólo especificación Inferior)
3𝜎
Donde:
𝐶𝑝𝑢 : Capacidad de proceso teniendo en cuenta únicamente la especificación superior del proceso.
𝐶𝑝𝑢 y 𝐶𝑝𝑙 solo evalúan la mitad de la distribución de los datos teniendo en cuenta solo 3σ. Es útil cuando la
especificación de la variable, solo se expresa como un máximo o como un mínimo, para indicar al analista en que
sector de la especificación (superior o inferior) se presenta más riesgo de incumplimiento de los valores establecidos.
Los valores de Cpk, son ampliamente utilizados como indicadores de la calidad de un proceso o producto. El valor de
Cpk = 1.33 se ha establecido como un parámetro deseado porque la obtención de este valor en un proceso o producto
significa que por cada 10000 mediciones 3 de ellas existe la probabilidad estadística que se encuentre fuera de los
limites d especificación.
55
MODULO ACADÉMICO
La relación entre los parámetros de la variable y los límites de especificación. Incluyendo los valores de Cpk que
pueden asumir según su comportamiento frente a las especificaciones:
Cuando el problema está en centrar correctamente el proceso con respecto a las especificaciones, la administración
debe investigar las causas de la mala dirección técnica del proceso.
Promedio Aceptable
Frecuencias Especificaciones
a.
Desviación estándar
Medidas
Aceptable. Cpk > 1
b.
Promedio aun aceptable
Frecuencias
Especificaciones
Desviación estándar
Aceptable. Cpk = 1
Medidas
Especificaciones
Desviación estándar
Potencialmente aceptable
Medidas
Cpk = Cpu < 1
Promedio aceptable
Frecuencias
Especificaciones
d.
Desviación estándar
Medidas
muy grande
56
MODULO ACADÉMICO
Frecuencias
Especificaciones
Desviación estándar muy
e.
grande Medidas
En general:
57
MODULO ACADÉMICO
58
MODULO ACADÉMICO
Esquema general para implementación de un programa de control estadístico o para el mejoramiento de los
procesos con base en esta herramienta.
59
MODULO ACADÉMICO
̅
𝐿𝑆𝐸 − 𝑋´
𝑍𝐿𝑆𝐸 =
𝜎′
Luego,
̅
𝐿𝐼𝐸 − 𝑋´
𝑍𝐿𝐼𝐸 =
𝜎´
Luego,
De esta manera, la cantidad total de productos no conformes es la suma de la proporción por cada uno de los límites.
En el momento de hallar 𝐶𝑝𝑢 𝑦 𝐶𝑝𝑙 , se debe tener en cuenta que si el primer valor es mayor que 1, entonces la
proporción de productos no conformes por el límite superior es tan insignificante que no se tiene en cuenta, de igual
forma sucede con el segundo valor pero para el porcentaje de productos no conformes por el límite inferior.
Para un proceso que genera una proporción de productos no conformes como el siguiente, se pueden considerar las
siguientes alternativas para disminuir la fracción de productos no conformes:
Proc LSE
eso
Reducir la desviación estándar
LIE LSE
60
MODULO ACADÉMICO
LIE LSE
LIE LSE
¿Cómo hacer una recolección de datos para hacer un análisis de capacidad o cualquier estudio estadístico?
Para la recolección de los datos se toman k muestras de tamaño n, en un tiempo determinado por días, horas o
minutos, según los requerimientos del proceso, la media, la desviación estándar y el recorrido de los datos se obtienen
de la siguiente manera:
Los valores utilizados para realizar el análisis de la capacidad del proceso son 𝑋̅′ y 𝑅̅ .
𝑅̅
𝜎´ =
𝑑2
Donde 𝑑2 es una constante (Tabla anexo “Factores para construir cartas de control para variables cuando no se da
una especificación”), su valor depende del tamaño de la muestra y puede tomarse de las tablas de constantes para el
manejo de la calidad de un proceso.
61
MODULO ACADÉMICO
Es útil la construcción e interpretación de histogramas para el manejo de este tema, este procedimiento es explicado
en la sección 2 del módulo.
3.3.4. Intervalos de confianza y pruebas para los índices de capacidad del proceso:
Gran parte de la aplicación industrial de los índices de capacidad del proceso se enfoca en calcular e interpretar la
estimación puntual de la cantidad deseada. Los usuarios en la práctica olvidan con frecuencia que cp o cpk son
simplemente estimaciones puntuales y, como tales, están sujetas a la fluctuación estadística. Una alternativa que
debería convertirse en práctica común es reportar los intervalos de confianza para los índices de capacidad del
proceso.
Calculo:
𝜶 𝜶
𝒙𝟐 𝟏 − ; 𝒏 − 𝟏 𝒙𝟐 𝜶/𝟐; 𝒏 − 𝟏 𝜶 𝟏 𝒙𝟐 𝟏 − ; 𝒏 − 𝟏
̂
𝒄𝒑 √ 𝟐 ̂
≤ 𝑪𝑷 ≤ 𝒄𝒑 √ ̂
𝒄𝒑𝒌 𝟏 − 𝒁 √ + 𝟐 ≤ 𝑪𝒑𝒌
𝒏−𝟏 𝒏−𝟏 𝟐 𝟗𝒏(𝒄𝒑𝒌̂ 𝟐) 𝟐(𝒏 − 𝟏)
[ ]
𝜶
𝜶 𝟏 𝒙𝟐 𝟏 − ; 𝒏 − 𝟏 ∝ 𝟏 𝒙𝟐 𝟏−∝/𝟐; 𝒏 − 𝟏
̂ 𝟏−𝒁 √
𝒄𝒑𝒌 + 𝟐 ≤ 𝑪𝒑𝒌 ≤ [𝟏 + 𝒁 √ +
𝟐 𝟗𝒏(𝒄𝒑𝒌 ̂ 𝟐) 𝟐(𝒏 − 𝟏) ̂𝟐 )
𝟐 𝟗𝒏 (𝒄𝒑𝒌 𝟐(𝒏 − 𝟏)
[ ]
∝ 𝟏 𝒙𝟐 𝟏−∝/𝟐; 𝒏 − 𝟏
≤ [𝟏 + 𝒁 √ +
̂𝟐 )
𝟐 𝟗𝒏 (𝒄𝒑𝒌 𝟐(𝒏 − 𝟏)
EJEMPLOS:
1. En cierto proceso de maquinado se ha llevado una grafica 𝑆𝑃𝐶 𝑋̅ 𝑅̅ sobre el diámetro de cierta parte.
Después de verificar si el proceso está bajo control estadístico y que los datos se comportan como una distribución
normal, se tienen los siguientes datos.
𝑅̅ = 0,169
𝑛=5
𝑋̅ = 0,738
𝐿𝐼𝐸 = 0,5
𝐿𝑆𝐸 = 0,9
a. Calcule los índices Cp y Cpk y haga un análisis completo de la capacidad del proceso.
b. Obtenga la proporción esperada fuera de especificación unilateral y de manera total.
c. Calcular el inciso a) y b) con el proceso centrado
62
MODULO ACADÉMICO
d. Entre que valores debe oscilar 𝑋̅, de tal manera que la fracción de no conformes sea a lo sumo de 1%
(Ventana de Operación).
SOLUCIÓN
a) Índices de Capacidad
𝑅̅
𝜎´ =
𝑑2
0,169
𝜎´ = = 0,0726
2,326
0,9 − 0,5
𝐶𝑝 = = 0,9182
6 ∗ 0,0726
El Cpu es menor que 1 entonces está arrojando productos no conformes por el límite superior.
b) %PNC
Entonces se dice que el proceso no es capaz, no está centrado y arroja 1,25% de productos no conformes.
63
MODULO ACADÉMICO
Para reducir la cantidad de productos no conformes arrojados por el proceso, incurriendo en el menor costo, lo
recomendable es centrar el proceso, es decir, hacer que coincida la media del proceso con el valor nominal. Esta
técnica resulta más económica que la reducción de la variabilidad, que sería lo ideal, aunque muy costosa, pues
requiere un análisis riguroso de las 6M de producción (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente,
Métodos y Materiales).
𝐶𝑝 = 0,9175
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2 =0,006
%PNC = 0,6%
D) La Ventana de Operación son los valores entre los que puede oscilar 𝑋 ´ , para arrojar a lo sumo una proporción
de productos no conformes especificada. En este caso esa proporción de productos es de 1%.
𝑍𝐿𝑆𝐸 = 2,325
𝐿𝑆𝐸 − 𝑋̅´
2,325 =
𝜎
64
MODULO ACADÉMICO
𝑍𝐿𝐼𝐸 = −2,325
𝐿𝐼𝐸 − 𝑋̅´
−2,325 =
𝜎
SOLUCIÓN
%PNC
𝐿𝑆𝐸 − 𝑥̅
𝐶𝑃𝑈 = 0,95 =
3𝜎
𝐿𝑆𝐸 − 𝑥̅
0,95 ∗ 3 =
𝜎
𝐿𝑆𝐸 − 𝑥̅
2,85 =
𝜎
𝑍𝐿𝑆𝐸 = 2,85
Como está centrado está arrojando la misma cantidad de productos no conformes por ambos lados tenemos
𝐿𝑆𝐸 + 𝐿𝐼𝐸
𝑥̅ = + 0,15𝜎
2
65
MODULO ACADÉMICO
𝐿𝑆𝐸 − 𝑥̅
𝐶𝑃𝑈 =
3𝜎
𝐿𝑆𝐸 + 𝐿𝐼𝐸
𝐿𝑆𝐸 − [ + 0,15𝜎] 2
𝐶𝑃𝑈 = 2 ∗
3𝜎 2
𝐶𝑃𝑈 = 𝐶𝑃 − 0,05
𝐶𝑃𝑈 = 0,90
𝑥̅ − 𝐿𝐼𝐸
𝐶𝑃𝐿 =
3𝜎
𝐿𝑆𝐸 + 𝐿𝐼𝐸
[ + 0,15𝜎 − 𝐿𝐼𝐸]⁄
𝐶𝑃𝐿 = 2
3𝜎
𝐶𝑃𝐿 = 1
3. Cierto proceso tiene unas especificaciones de 75 ± 15, se ajusta a una distribución normal y está bajo control
estadístico con parámetros 𝑥̅ = 77 y 𝜎 = 4,5.
Entre que valores puede oscilar la media de tal manera que la fracción de productos no conformes sea a lo
sumo 4%. De los artículos no conformes que excedan el límite de especificación superior, el 70% se pueden
reprocesar a un costo unitario de 80 U.M y quedan aceptables. Los artículos no conformes por el límite
66
MODULO ACADÉMICO
inferior no son reprocesables y ocasionan un costo unitario de 30 U.M. El costo de producción de cada
artículo es de 250 U.M. ¿Cuánto cuanta producir un artículo conforme?
Solución:
Datos:
𝑥̅ = 77
𝜎 = 4,5
𝐿𝑆𝐸 = 90
𝐿𝐼𝐸 = 60
𝐿𝑆𝐸 − 𝐿𝐼𝐸 90 − 60
𝐶𝑝 = = = 1,11 > 1.
6∗𝜎 6 ∗ 4,5
𝐿𝑆𝐸 − 𝑥̅ 90 − 77
𝐶𝑝𝑢 = = = 0,9629
3∗𝜎 3 ∗ 4,5
𝑥̅ − 𝐿𝐼𝐸 77 − 60
𝐶𝑝𝑙 = = = 1,2592
3∗𝜎 3 ∗ 4,5
𝐿𝑆𝐸 − 𝑥̅ 90 − 77
𝑍𝐿𝑆𝐸 = = = 2,8888
𝜎 4,5
%𝑃𝑁𝐶 ∗ 𝐿𝑆𝐸 = 1 − 𝑝(𝑍 < 𝑍𝐿𝑆𝐸 ) = 1 − 𝑝(𝑍 < 2,8888) = 1 − 0,9980 = 0,002 ∗ 100
= 0,2%
𝐿𝐼𝐸 − 𝑥̅ 60 − 77
𝑍𝐿𝐼𝐸 = = = −3,7777
𝜎 4,5
%𝑃𝑁𝐶 ∗ 𝐿𝐼𝐸 = 𝑝(𝑍 < 𝑍𝐿𝐼𝐸 ) = 𝑝(𝑍 < −3,7777) = 0,00008 ∗ 100 = 0,008%
Como el Cp>1, se dice que el proceso es capaz, es adecuado para el trabajo, pero requiere de un control estricto
conforme el Cp se acerca a 1, además está arrojando más productos no conformes por el límite superior según el Cpk
67
MODULO ACADÉMICO
con una proporción de 0,2% y por el límite inferior se está arrojando un 0,008% para un total de 0,208% de
productos no conformes.
Para encontrar los valores entre los cuales puede oscilar la media de tal manera que la fracción de productos no
conformes sea a lo sumo 4%, se debe hallar la ventana de operación:
%𝑃𝑁𝐶 = 𝑝(𝑍 < 𝑍𝐿𝐼𝐸 ) = 0,04 = 𝑝(𝑍 < 𝑍𝐿𝐼𝐸 ) => 𝑍𝐿𝐼𝐸 = −1,750
𝐿𝐼𝐸 − 𝑥̅
𝑍𝐿𝐼𝐸 = => 𝜎 ∗ 𝑍𝐿𝐼𝐸 = 𝐿𝐼𝐸 − 𝑥̅ => 𝑥̅ = 𝐿𝐼𝐸 − 𝜎 ∗ 𝑍𝐿𝐼𝐸 = 60 − 4,5 ∗ (−1,750)
𝜎
𝑥̅ = 60,7875
%𝑃𝑁𝐶 = 1 − 𝑝(𝑍 < 𝑍𝐿𝑆𝐸 ) = 0,04 = 1 − 𝑝(𝑍 < 𝑍𝐿𝑆𝐸 ) => 𝑝(𝑍 < 𝑍𝐿𝑆𝐸 ) = 1 − 0,04
= 0,96
𝑍𝐿𝑆𝐸 = 1,750
𝐿𝑆𝐸 − 𝑥̅
𝑍𝐿𝑆𝐸 = => 𝜎 ∗ 𝑍𝐿𝑆𝐸 = 𝐿𝑆𝐸 − 𝑥̅ => 𝑥̅ = 𝐿𝑆𝐸 − 𝜎 ∗ 𝑍𝐿𝑆𝐸 = 90 − 4,5 ∗ (1,750)
𝜎
𝑥̅ = 82,125
Ahora para sacar el costo de fabricar un artículo conforme se sabe que por el límite superior hay un 0,2% de PNC y
que solo el 70% de ellos se reprocesa a un costo de 80 U.M, por el límite inferior hay un 0,008% que genera un costo
de 30 U.M.
4. Para cierto producto químico, el porcentaje de arsénico presente en él, condiciona la calidad y efectividad
de este. El producto que contiene 16% a 24% de arsénico se clasifica como tipo C y es el más común en el
mercado para la lucha contra roedores; la clasificación tipo B se le da al producto que tenga un contenido
de 24% a 28% de arsénico y debido a su alta concentración es utilizado para evitar la proliferación de
mosquitos y bacterias en lugares húmedos; la clasificación tipo A se le da al producto cuyo contenido de
arsénico oscila entre 10% y 16% y es usado en la lucha contra cucarachas, las cuales detectan con fiabilidad
las altas concentraciones de arsénico, pero son presa fácil a las bajas concentraciones.
68
MODULO ACADÉMICO
El producto con el porcentaje de arsénico por debajo del 10% debe ser enriquecido bajo un proceso con una
efectividad del 70% y tiene un costo de $5000 por kilogramo procesado. Por otro lado, los productos con el
porcentaje de arsénico por encima del 28%, deben ser sometidos a un empobrecimiento con el fin de
disminuir su concentración, este proceso es efectivo en un 80% y tiene un costo de $3.000 por kilogramo
de sustancia. Los residuos de los dos procesos anteriores son tratados para su aprovechamiento y las
sustancias recuperadas pasan a ser nuevas materias primas de otros productos, este proceso se carga un
costo de $1.000 por kilogramo.
El proceso productivo del producto químico comienza con la creación de una mezcla altamente viscosa que
no alcanza la total homogeneidad. Después del proceso de deshidratación se forma una masa solidad llamada
sustancia base. Por la forma como es dividida esta masa para su procesamiento, se conoce que el porcentaje
de arsénico se ajusta a una distribución normal con media de 20% de arsénico y una desviación estándar
de 5%. Diariamente son procesados 100 kg de sustancia base, en lo que se genera un costo de $5.000.000.
La clasificación en sus diferentes calidades y otros procesos realizados a la sustancia base generan otros
$2.000.000.
Los tipos A, B y C son distribuidos en diferentes presentaciones: el tipo C se distribuye al menudeo en sobres
de pastillas de 20 gramos y su precio de venta es $1.000; mientas que los tipo B y A se distribuyen en grandes
almacenes en envases plásticos de 250 gramos del producto en polvo y un precio de venta de $27.500 y
$30.000 respectivamente.
Solución:
Datos:
𝑥̅ = 20%
𝜎 = 5%
𝐿𝑆𝐸 = 28%
69
MODULO ACADÉMICO
𝐿𝐼𝐸 = 10%
𝐿𝑆𝐸 − 𝐿𝐼𝐸 28 − 10
𝐶𝑝 = = = 0,6 < 1.
6∗𝜎 6∗5
𝐿𝑆𝐸 − 𝑥̅ 28 − 20
𝐶𝑝𝑢 = = = 0,5333
3∗𝜎 3∗5
𝑥̅ − 𝐿𝐼𝐸 20 − 10
𝐶𝑝𝑙 = = = 0,6667
3∗𝜎 3∗5
Como el Cp = 0,6, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y requiere
serias modificaciones, además el Cpk nos advierte que el proceso está arrojando productos no conformes en mayor
proporción por el límite superior de especificación.
Para encontrar el costo promedio de producir un kilogramo de esta sustancia se deben hallar primero el porcentaje
de productos no conformes que está arrojando el proceso.
LSE − x̅ 28 − 20
ZLSE = = = 1,60
σ 5
%PNC ∗ LSE = 1 − p(Z < ZLSE ) = 1 − p(Z < 1,60) = 1 − 0,94520 = 0,0548 ∗ 100
= 5,48%
LIE − x̅ 10 − 20
ZLIE = = = −2
σ 5
%PNC ∗ LIE = p(Z < ZLIE ) = p(Z < −2) = 0,0227 ∗ 100 = 2,27%
5.000.000 $ 2.000.000 $ $
C. prom = + + (0,0227 ∗ 0,70 ∗ 5000) + (0,0548 ∗ 0,80
100 kg 100 kg 𝑘𝑔
$ $
∗ 3000) + 1000[0,0227 ∗ 0,30 + 0,0548 ∗ 0,20]
𝑘𝑔 𝑘𝑔
70
MODULO ACADÉMICO
$
C. prom = 70.228,74
𝑘𝑔
Cada producto tiene su presentación por lo tanto se debe llevar cada producto a su precio de venta en kilogramos.
1000 $ 1000 𝑔𝑟 $
𝑇𝑖𝑝𝑜 𝐶 𝑠𝑒 𝑣𝑒𝑛𝑑𝑒 𝑒𝑛 ∗ = 50000
20 𝑔𝑟 1 𝑘𝑔 𝐾𝑔
27500 $ 1000 𝑔𝑟 $
𝑇𝑖𝑝𝑜 𝐵 𝑠𝑒 𝑣𝑒𝑛𝑑𝑒 𝑒𝑛 ∗ = 110000
250 𝑔𝑟 1 𝑘𝑔 𝐾𝑔
30000 $ 1000 𝑔𝑟 $
𝑇𝑖𝑝𝑜 𝐴 𝑠𝑒 𝑣𝑒𝑛𝑑𝑒 𝑒𝑛 ∗ = 120000
250 𝑔𝑟 1 𝑘𝑔 𝐾𝑔
Gráfica de distribución
Normal. Media=20. Desv.Est.=5
10 16 24 28
0,09
0,08
0,07
0,06
Densidad
0,05
0,04
0,03
0,02
0,01
0,00
5 10 15 20 25 30 35
X
Luego se debe conocer el % que se fabrica de cada producto conforme según la concentración de arsénico.
𝑥−𝜇 24 − 20 𝑥−𝜇 16 − 20
𝑍= = = 0,8 𝑦 𝑍 = = = −0,8
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐶 = 0,57628
71
MODULO ACADÉMICO
𝑥−𝜇 24 − 20 𝑥−𝜇 28 − 20
𝑍= = = 0,8 𝑦 𝑍 = = = 1,6
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐵 = 0,15706
𝑥−𝜇 16 − 20 𝑥−𝜇 10 − 20
𝑍= = = −0,8 𝑦 𝑍 = = = −2
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐴 = 0,18911
Ahora se calcula la cantidad de sustancia comercializable el cual es la suma del producto conforme más la cantidad
de producto no conforme que fue reprocesado por empobrecimiento y enriquecimiento.
𝑡𝑖𝑝𝑜 𝐶 = 0,63601
𝑡𝑖𝑝𝑜 𝐵 = 0,21679
𝑡𝑖𝑝𝑜 𝐴 = 0,24884
𝑈𝐵 = 𝑃𝑣 − 𝐶𝑣
$
𝑈𝐵 = (0,63601 ∗ 50000 + 0,21679 ∗ 110000 + 0,24884 ∗ 120000)
𝐾𝑔
$
− 70.228,74
𝑘𝑔
$
𝑈𝐵 = 15279,46
𝑘𝑔
72
MODULO ACADÉMICO
𝐿𝑆𝐸 − 𝑥̅ 28 − 22
𝐶𝑝𝑢 = = = 0,4
3∗𝜎 3∗5
𝑥̅ − 𝐿𝐼𝐸 22 − 10
𝐶𝑝𝑙 = = = 0,8
3∗𝜎 3∗5
Como el Cp no se altera, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y requiere
serias modificaciones, además el Cpkse altera y como la media se aproxima más al límite de especificación superior
es de esperarse que la cantidad de producto no conforme aumente por el lado superior.
LSE − x̅ 28 − 22
ZLSE = = = 1,20
σ 5
%PNC ∗ LSE = 1 − p(Z < ZLSE ) = 1 − p(Z < 1,20) = 1 − 0,88493 = 0,11507 ∗ 100
%PNC ∗ LSE = 11,507%
LIE − x̅ 10 − 22
ZLIE = = = −2,40
σ 5
%PNC ∗ LIE = p(Z < ZLIE ) = p(Z < −2,4) = 0,00819 ∗ 100 = 0,81975%
5.000.000 $ 2.000.000 $ $
C. prom = + + (0,0081975 ∗ 0,70 ∗ 5000) + (0,11507
100 kg 100 kg 𝑘𝑔
$ $
∗ 0,80 ∗ 3000) + 1000[0,0081975 ∗ 0,30 + 0,11507 ∗ 0,20]
𝑘𝑔 𝑘𝑔
$
C. prom = 70.330,33
𝑘𝑔
Como se puede observar aumentar en 2% la cantidad de arsénico en la sustancia base aumentaría el costo promedio
de producción en 101,59 $/Kg procesado con respecto al costo hallado inicialmente.
73
MODULO ACADÉMICO
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme según la concentración
de arsénico con la nueva media.
𝑥−𝜇 24 − 22 𝑥−𝜇 16 − 22
𝑍= = = 0,4 𝑦 𝑍 = = = −1,2
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐶 = 0,54035
𝑥−𝜇 24 − 22 𝑥−𝜇 28 − 22
𝑍= = = 0,4 𝑦 𝑍 = = = 1,2
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐵 = 0,22951
𝑥−𝜇 16 − 22 𝑥−𝜇 10 − 22
𝑍= = = −1,2 𝑦 𝑍 = = = −2,4
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐴 = 0,10687
𝑡𝑖𝑝𝑜 𝐶 = 0,638139
𝑡𝑖𝑝𝑜 𝐴 = 0,204659
74
MODULO ACADÉMICO
𝑈𝐵 = 𝑃𝑣 − 𝐶𝑣
$
𝑈𝐵 = (0,638139 ∗ 50000 + 0,327299 ∗ 110000 + 0,204659 ∗ 120000)
𝐾𝑔
$
− 70.330,33
𝑘𝑔
$
𝑈𝐵 = 22138,59
𝑘𝑔
Analizando la segunda opción que costa de disminuir en un 2% la cantidad de arsénico en la sustancia base:
𝐿𝑆𝐸 − 𝑥̅ 28 − 18
𝐶𝑝𝑢 = = = 0,667
3∗𝜎 3∗5
𝑥̅ − 𝐿𝐼𝐸 18 − 10
𝐶𝑝𝑙 = = = 0,533
3∗𝜎 3∗5
Como el Cp no se altera, el proceso no es capaz y se encuentra descentrado, no es adecuado para el trabajo y requiere
serias modificaciones, además el Cpk se altera y como la media se aproxima más al límite de especificación inferior
es de esperarse que la cantidad de producto no conforme aumente por el lado inferior.
LSE − x̅ 28 − 18
ZLSE = = =2
σ 5
%PNC ∗ LSE = 1 − p(Z < ZLSE ) = 1 − p(Z < 2) = 1 − 0,97725 = 0,02275 ∗ 100
%PNC ∗ LSE = 2,275%
LIE − x̅ 10 − 18
ZLIE = = = −1,6
σ 5
%PNC ∗ LIE = p(Z < ZLIE ) = p(Z < −1,6) = 0,054799 ∗ 100 = 5,4799%
75
MODULO ACADÉMICO
5.000.000 $ 2.000.000 $ $
C. prom = + + (0,054799 ∗ 0,70 ∗ 5000) + (0,02275
100 kg 100 kg 𝑘𝑔
$ $
∗ 0,80 ∗ 3000) + 1000[0,054799 ∗ 0,30 + 0,02275 ∗ 0,20]
𝑘𝑔 𝑘𝑔
$
C. prom = 70267,39
𝑘𝑔
Como se puede observar disminuir en 2% la cantidad de arsénico en la sustancia base aumentaría el costo promedio
de producción en 38,64 $/Kg procesado con respecto al costo hallado inicialmente.
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme según la concentración
de arsénico con la nueva media.
𝑥−𝜇 24 − 18 𝑥−𝜇 16 − 18
𝑍= = = 1,2 𝑦 𝑍 = = = −0,4
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐶 = 0,54035
𝑥−𝜇 24 − 18 𝑥−𝜇 28 − 18
𝑍= = = 1,2 𝑦 𝑍 = = =2
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐵 = 0,09232
𝑥−𝜇 16 − 18 𝑥−𝜇 10 − 18
𝑍= = = −0,4 𝑦 𝑍 = = = −1,6
𝜎 5 𝜎 5
%𝑡𝑖𝑝𝑜 𝐴 = 0,290681
76
MODULO ACADÉMICO
𝑡𝑖𝑝𝑜 𝐶 = 0,5969
𝑡𝑖𝑝𝑜 𝐴 = 0,34724
𝑈𝐵 = 𝑃𝑣 − 𝐶𝑣
$
𝑈𝐵 = (0,5969 ∗ 50000 + 0,14887 ∗ 110000 + 0,34724 ∗ 120000)
𝐾𝑔
$
− 70267,39
𝑘𝑔
$
𝑈𝐵 = 17622,11
𝑘𝑔
La primera propuesta es la mejor ya que aumenta la utilidad bruta esperada en 6859,13 $/kg de sustancia
comercializada aunque el costo por cada kilogramo promedio es mucho mayor en comparación con los otros
resultados, esto se debe a que aumenta la cantidad de producto conforme y no hay tanto material para reprocesar
por el límite inferior pues sale muy costoso enriquecer la sustancia con arsénico.
La nueva maquinaria aumenta la capacidad actual del proceso un 25%, entonces la nueva capacidad del proceso es:
Se reemplaza en la fórmula de capacidad de procesos y se despeja la desviación estándar, puesto que es la única
variable que cambia de valor.
La nueva desviación estándar es 4, ahora se sigue el mismo procedimiento que en los incisos anteriores para
encontrar el costo promedio y la utilidad bruta esperada.
77
MODULO ACADÉMICO
𝐿𝑆𝐸 − 𝑥̅ 28 − 20
𝐶𝑝𝑢 = = = 0,667
3∗𝜎 3∗4
𝑥̅ − 𝐿𝐼𝐸 20 − 10
𝐶𝑝𝑙 = = = 0,833
3∗𝜎 3∗4
Como el Cp = 0,75, el proceso esincapaz y se encuentra centrado, no es adecuado para el trabajo y requiere un análisis
de proceso, además el Cpk nos advierte que el proceso está arrojando productos no conformes en mayor proporción
por el límite superior de especificación.
LSE − x̅ 28 − 20
ZLSE = = =2
σ 4
%PNC ∗ LSE = 1 − p(Z < ZLSE ) = 1 − p(Z < 2) = 1 − 0,97725 = 0,02275 ∗ 100
%PNC ∗ LSE = 2,275%
LIE − x̅ 10 − 20
ZLIE = = = −2,50
σ 4
%PNC ∗ LIE = p(Z < ZLIE ) = p(Z < −2,50) = 0,0062097 ∗ 100 = 0,62097%
5.000.000 $ 2.000.000 $ $
C. prom = + + (0,0062097 ∗ 0,70 ∗ 5000) + (0,02275
100 kg 100 kg 𝑘𝑔
$ $
∗ 0,80 ∗ 3000) + 1000[0,0062097 ∗ 0,30 + 0,02275 ∗ 0,20]
𝑘𝑔 𝑘𝑔
$
C. prom = 70.082,74
𝑘𝑔
Para la hallar la utilidad bruta se debe conocer el % que se fabrica de cada producto conforme según la concentración
de arsénico con la nueva desviación estandar.
78
MODULO ACADÉMICO
𝑥−𝜇 24 − 20 𝑥−𝜇 16 − 20
𝑍= = = 1𝑦𝑍 = = = −1
𝜎 4 𝜎 4
%𝑡𝑖𝑝𝑜 𝐶 = 0,68268
𝑥−𝜇 24 − 20 𝑥−𝜇 28 − 20
𝑍= = =1𝑦𝑍 = = =2
𝜎 4 𝜎 4
%𝑡𝑖𝑝𝑜 𝐵 = 0,13591
𝑥−𝜇 16 − 20 𝑥−𝜇 10 − 20
𝑍= = = −1 𝑦 𝑍 = = = −2
𝜎 4 𝜎 4
%𝑡𝑖𝑝𝑜 𝐴 = 0,13591
𝑡𝑖𝑝𝑜 𝐶 = 0,70523
𝑡𝑖𝑝𝑜 𝐵 = 0,15846
𝑡𝑖𝑝𝑜 𝐴 = 0,15846
𝑈𝐵 = 𝑃𝑣 − 𝐶𝑣
Ahora se le agrega la producción mensual de la sustancia base pues diario se fabrican 100 Kg.
79
MODULO ACADÉMICO
𝑘𝑔 𝑑𝑖𝑎 𝑘𝑔
100 ∗ 20 = 2000
𝑑𝑖𝑎 𝑚𝑒𝑠 𝑚𝑒𝑠
$ 𝑘𝑔
𝑈𝐵 = (0,70523 ∗ 50.000 + 0,15846 ∗ 110.000 + 0,15846 ∗ 120.000) ∗ 2000
𝐾𝑔 𝑚𝑒𝑠
$ 𝑘𝑔 $
− 70.330,33 ∗ 2000 − 1.200.000
𝑘𝑔 𝑚𝑒𝑠 𝑚𝑒𝑠
$
𝑈𝐵 = 1.553.940
𝑚𝑒𝑠
Ahora se trae la utilidad bruta que se calculó en el inciso c para compararla con esta.
$ 𝑘𝑔 $
𝑈𝐵 = 15279,46 ∗ 2000 = 30.558.920
𝑘𝑔 𝑚𝑒𝑠 𝑚𝑒𝑠
No vale la pena alquilar la maquinaria nueva pues sin la nueva maquinaria obtengo una utilidad bruta de 30, 558,920
$/mes mucho mayor a si la alquilara. Este se debe a que con la nueva maquinaria se produciría más producto tipo c,
el cual tiene el precio de venta más pequeño en comparación con los de sus productos hermanos.
Proceso 1:
𝑥̿ 𝑎 = 100
𝑆̅𝑎 = 3
Proceso 2:
𝑥̿ 𝑏 = 105
𝑆̅𝑏 = 1
Las especificaciones son 100 ± 10. Calcular Cp, Cpk y Cpu e interpretar estos índices ¿Qué proceso preferiría usarse?
¿Porque?
2. Un proceso con una distribución normal tiene las especificaciones LSE=75 y LIE=85 en la salida. Una muestra
aleatoria de 25 partes indica que el proceso está centrado en la banda de las especificaciones y que la
desviación estándar es S=15.
a. Encontrar una estimación puntual de Cp.
b. Encontrar un intervalo de confianza de 95% para Cp comentar la anchura de este intervalo.
3. Un proceso de manufactura tiene una tolerancia de 60 y solo es consumido el 80% de esta. La media del
proceso es 214 y está a 1.75 desviaciones estándares por encima del valor nominal.
80
MODULO ACADÉMICO
La producción de cada labial genera un costo de $ 2 dólares y cada unidad se vende en $ 20 dólares. Si es
necesario recortar el labial se incurre en un costo de $ 0,5 dólares en una operación que tiene una
efectividad de 80%, pero aplicable una vez en cada labial. Cada unidad no conforme pasa a ser parte de la
materia prima de otros productos, pero se incurre en un costo de $ 1.5 dólares.
Suponga que mensualmente los costos y gastos fijos son de $ 15000 dólares.
a. Realice un estudio detallado del proceso de corte para el labial donde se muestre:
Capacidad del proceso y capacidad real del proceso, además sus interpretaciones.
El porcentaje de productos no conformes.
Tipo de proceso y recomendaciones.
b. Calcule el costo de producción de un labial conforme y el punto de equilibrio para el labial.
c. Determine el mínimo Cp que permitirá que estando el proceso de corte centrado, el producto tenga un
punto de equilibrio por debajo de 900 unidades.
d. Se sospecha que la media de la longitud de los labiales ha cambiado debido al desgaste de una pieza de
la herramienta de corte, por tal motivo se tomaron 30 labiales al azar y se encontró que la media de
la longitud fue de 98,528 mm. ¿se puede concluir que existe evidencia que indique que la media ha
cambiado?
e. Se toman 4 muestras, cada una de 25 labiales escogidos al azar. ¿Cuál es la probabilidad de que en al
menos dos muestras la media en la longitud de los labiales exceda los 102 mm?
6. Una fábrica de herbicidas tiene un reactor donde fabrica un producto activo el TX-100.
El TX-100 es un ingrediente selectivo que tiene un ingrediente activo el cual al entrar en contacto con la
maleza, se libera y la ataca alterando el fenómeno de la fotosíntesis. Ello conduce a que la maleza muera y
que el cultivo quede libre.
Se quiere conocer el patrón estadístico del proceso en el reactor y para tal efecto se han tomado datos de
los últimos 200 lotes de cada uno de ellos con relación al % del ingrediente activo liberable y se le han
construido los respectivos histogramas. Haga un análisis estadístico exhaustivo sobre la capacidad del
proceso, para cada uno de los reactores. Se anexa cuadro extraído del histograma
81
MODULO ACADÉMICO
INTERVALO Fi
[30,6433 – 31,0382] 1
[31,0382 – 31,4331] 0
[31,4331 – 31,8280] 4
[31,8280 – 32,2229] 14
[32,2229 – 32,6178] 43
[32,6178 – 33,0127] 51
[33,0127 – 33,4078] 44
[33,4078 – 33,8025] 25
[33,8025 – 34,1974] 14
[34,1974 – 34,5923] 4
[34,5923 – 34,9872] 0
Total 200
¿Entre que valores puede oscilar 𝑋 de tal manera que la fracción de no conformes sea a lo sumo 10%?
De los lotes no conformes que exceden el límite superior de especificación el 60% de ellos se pueden
reprocesar a un costo unitario de 80 u.m y quedan aceptables. Los lotes no conformes por el límite inferior
son reprocesables en un 90% y ocasionan un costo unitario adicional de 30 u.m el costo de producción de
cada lote es de 300 u.m ¿Cuánto cuesta producir un lote conforme?
7. Un proceso está bajo control con X=75 y σ=2. Las especificaciones del proceso son 80±8. El tamaño de la
muestra es n=5.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. ¿Cuánto podría reducirse la porción caída del proceso cambiando la media a la dimensión nominal?
Suponer que la característica de calidad tiene una distribución normal.
d. Para este proceso productivo, resulta muy costoso reprocesar aquellos productos que no cumplen
las especificaciones por el límite inferior. ¿cómo minimizaría los costos ocasionados por los
productos no conformes por este límite? Justifique.
8. Un proceso tiene un índice de capacidad Cp=2, pero la media está a dos desviaciones típicas por encima del
límite superior de especificaciones, ¿Cuál es la probabilidad de fabricar un producto dentro de los límites
de especificación?
9. ¿Cuál es el Cp de un proceso que produce un 10% de productos no conformes, si por fuera de uno de los
límites de especificación hay un 6% más de productos no conformes que por el otro?
10. Un proceso está bajo control estadístico con 𝑋 = 100, 𝜎 = 2 𝑦 𝑛 = 5, las especificacines del proceso
son 95 10. La característica de a calidad tiene una distribución normal.
a. Estimar la capacidad potencial
b. Estimar la capacidad real
c. ¿Cuánto podría reducirse la porción de productos no conformes si la media del proceso toma el valor
nominal?
11. Un proceso de llenado de bolsas de harina está generando en total 15% de productos no conformes con
relación al peso mínimo y máximo de la bolsa llena. La cantidad de productos no conforme por uno de los
82
MODULO ACADÉMICO
límites de especificación es el doble con relación a la cantidad de productos no conformes que se generan
por el otro límite de especificación
a. Calcule la capacidad general del proceso
b. Calcule la capacidad real del proceso.
c. Repetir a y b si el 15% total de no conformes se genera en igual proporción por cada uno de los límites
de especificación.
12. Aceros S.A produce láminas de acero de 3mm de espesor y 1200mm de ancho, característica que se
considera la más relevante por el cliente debido al uso que se puede dar. Por esto se implementa un
programa de control con esta característica de calidad con una muestra n=8, la carta y su media es X=1186
y el promedio de la carta Rango=150. Las especificaciones requeridas por la lámina son 1200 40mm para
el ancho de las láminas. El costo de producción de las láminas es 11000u.m por políticas de la empresa por
cada lámina que cumpla con las especificaciones, se obtiene una utilidad del 35% sobre costos de
producción. Las láminas que no cumplen con las especificaciones por el límite superior perdiendo el 10% del
precio de venta de la lámina. Por cada lámina que no cumple con el límite inferior se obtiene solo una utilidad
del 15%. La empresa recibió un pedido de 1000 láminas.
a. ¿Cuál es su opinión sobre la capacidad de proceso?
b. Calcular la fracción de productos no conformes del proceso
c. ¿Qué debo hacer para reducir la cantidad de productos no conforme?
d. De acuerdo al inciso anterior calcule el precio de venta promedio de cada lámina.
e. ¿Cuál debe ser el corrimiento de la media para que se genere en total un 30% de productos no
conformes?
13. Un proceso productivo consume solo el 75% del ancho de banda de las especificaciones y cada hora se
producen 500 unidades.
a. ¿Cuántos productos no conformes por hora arroja el proceso cuando su media está a una desviación
estándar del valor nominal?
b. ¿Qué tan alejada puede estar la media del proceso respecto al valor nominal para que al cabo de una
hora se hayan producido 25 unidades defectuosas?
c. Si el Cp del proceso se redujeran en un 25%, ¿Cuál es la máxima probabilidad de encontrar a lo sumo
dos productos no conformes durante la producción de las próximas dos horas?
14. La empresa Metales del caribe S.A, es una reconocida compañía fabricante de tornillos de todo tipo. Unos de
sus productos líderes es el tornillo de rosca fina y cabeza hexagonal. Su proceso se encuentra bajo control
estadístico según el ingeniero de calidad, el cual realizo un monitoreo a este con 20 muestras de tamaño
cuatro cada una, Obteniéndose una ∑x ̅=213,6 y una ∑R=7,79.
83
MODULO ACADÉMICO
15. Festival S.A, es una empresa que fabrica globos para todo tipo de fiestas y algunos de sus clientes han
presentado quejas por fallas en los globos inflables, pues no soportan la presión del aire de llenado y estallan
antes de estar totalmente inflados.
El gerente llama a su jefe de producción el cual entrega la siguiente información relacionada con el proceso
de fabricación de los globos:
El proceso está bajo control estadístico, diseñado y monitoreado con tamaños de muestra de 6. Presenta
una media de 200 mm en el radio máximo que tomaron los globos una vez inflados y un rango promedio de
20,272 mm. Según el proveedor, las especificaciones de calidad con las que deben cumplir el radio máximo
de los globos son 180 mm y 210 mm a una presión de 100 Psi.
a. ¿Cuál es el índice de capacidad del proceso? ¿puede cumplir con las especificaciones?
b. ¿Cuál es la capacidad real el proceso? ¿qué tipo de proceso es?
c. De no cumplir con las especificaciones, ¿Cuál es el porcentaje de globos no conformes? ¿se puede
reducir este valor? ¿cómo y cuál sería la mejoría?
d. ¿Cuál es el porcentaje de productos no conformes que se producen por encima del límite superior
cuando por debajo del límite inferior se está produciendo un 2%?
e. ¿Cuál es el rango de valores en los que puede moverse la media del proceso de fabricación de los
globos para que se produzcan al menos el 88% de globos conformes a las especificaciones?
f. ¿cuál es el mínimo Cp que permitirá que el proceso estando centrado, produzca a lo sumo un 2% de
globos no conformes?
g. Se toman 10 globos al azar ¿Cuál es la probabilidad de que no más de la mitad de ellos fallen por no
soportar la presión de 100 Psi?
16. CHOCOLATIN S.A, es una empresa dedicada a la elaboración de barras de chocolate, pero la calibración del
peso en las barras se ha convertido en un problema para la empresa, las especificaciones del peso son de
13,5 ± 2,3 gramos.
Actualmente producen 11,506% y 3,097% de barras de chocolate que no cumplen con las especificaciones
en el peso; el primer porcentaje supera al valor máximo permitido y el segundo porcentaje está por debajo
del mínimo valor permitido.
Se va a adquirir una nueva maquinaria que incrementara el Cp en un 60% y tendrá un costo de $500 millones.
CHOCOLATIN S.A opera en dos turnos diarios de 4 horas cada uno, 20 días al mes y su tasa de producción
es 600 barras de chocolate por hora. La producción de cada unidad le cuesta $400 y toda la unidad no
conforme se devuelve a la cadena productiva, pero antes se penaliza con un costo igual al 40% del precio
de venta de cada barra de chocolate.
a. ¿Cuál es el precio de venta que permitirá que la nueva maquinaria se pague así misma en 5 años?
b. Determine el Cp que debería tener el proceso una vez centrado, para que el costo promedio de producir
una unidad conforme sea de $420 y a su vez los ingresos por venta sean maximizados. Tenga en cuenta
84
MODULO ACADÉMICO
que CHOCOLATIN vende cada unidad en $500 y tiene actualmente una demanda de 700 mil barras de
chocolate, pero por cada peso que se disminuya en el precio de venta la demanda aumenta en 1000
unidades.
17. Una prestigiosa empresa de gaseosa presenta problemas con el llenado de las botellas de 750 ml. La
estimación de la variabilidad y la media del volumen de llenado se realiza mensualmente en base a la toma
de mil muestras, cada una de tamaño 4. Durante 10 días. Las especificaciones en el volumen de llenado de
estas botellas de gaseosa admite un error máximo de 10 ml.
Durante los primeros 8 días se han tomado 750 muestras y los resultados fueron una media de 744 ml con
un rango promedio de 8,23 ml. El ingeniero de calidad decide dejar el muestreo hasta aquí, ahorrándose ese
dinero y en su reemplazo simulara la toma de muestras restantes; para luego presentar el informe donde
se mostrara que la media en el volumen de llenado cumple con el valor nominal y que la variabilidad del
proceso es de 3 ml.
Según un estudio de costos que se le hizo al proceso muestra que el llenado de cada envase le cuesta a la
empresa $1.000 y el reproceso de las botellas no conformes cuesta $200 por unidad.
Durante el muestreo se puede volver a calibrar la maquina si la media en el volumen de llenado no es igual
al valor nominal; pero dicho procedimiento necesita de una cantidad de tiempo significativo, durante el cual
se perdería mucho dinero al parar la cadena productiva, así de ser necesaria la calibración se haría única
vez y según el estudio de costos, esto cuesta $1.000.000.
Se produce mensualmente 2500 cajas de 12 botellas cada una y se desea saber si la manera de actuar fue
o no fue acertada, por lo que es necesario dar respuesta a los siguientes interrogantes.
a. ¿Cuál debe ser la media y el rango promedio de los datos simulados que permiten presentar los
resultados del informe?
b. ¿Qué se puede concluir y esperar del proceso de llenado a la luz de la información presentada?
c. ¿Cuál es la situación real del proceso?
d. A pesar que se mintió en la presentación de los resultados ¿se hizo en busca de un beneficio económico
para le empresa?
e. ¿Determine el máximo costo de la calibración por debajo del cual la manera de actuar del ingeniero de
calidad es totalmente deshonrosa para con la empresa?
18. ¿A qué valor 𝛼 se debe incrementar el Cp de un proceso para que su variabilidad se reduzca en un porcentaje
1 − 𝛼?
19. Demuestre:
𝑍𝑙𝑠𝑒 − 𝑍𝑙𝑖𝑒
𝐶𝑝 =
6
𝐶𝑝𝑙 + 𝐶𝑝𝑢
𝐶𝑝 =
2
85
MODULO ACADÉMICO
86
MODULO ACADÉMICO
CAPÍTULO 4
CARTAS DE CONTROL
En este capítulo se presente todo lo relacionado con los conceptos y demás aspectos
de las distintas Cartas de Control con las cuales se pueden detectar lo antes posible
cambios en el proceso que puedan dar lugar a la producción de unidades defectuosas.
87
MODULO ACADÉMICO
4. CARTAS DE CONTROL
4.1. GENERALIDADES
Las cartas de control son la herramienta más poderosa para analizar la variación en la mayoría de los procesos. Han
sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del
proceso. Las cartas de control enfocan la atención en identificar las variaciones del proceso debido a la entrada
causas especiales. Además, sirven para determinar de manera sencilla si un proceso se encuentra bajo Control
Estadístico.
Se dice que un proceso está bajo Control Estadístico cuando presenta causas comunes de variación únicamente,
cuando ocurre esto tenemos un proceso estable y predecible. Cuando existen causas especiales el proceso está fuera
de Control Estadístico; las gráficas de control detectan la existencia de estas causas en el momento en que se dan, lo
cual permite que se puedan tomar acciones al momento.
Causas comunes: La característica principal que define a este tipo de causas es que actúan constantemente, de una
forma estable, provocando una variabilidad homogénea y sobre todo previsible. Son causas que aparecen y
desaparecen de forma aleatoria, produciendo una variabilidad regular que podemos disminuir pero no eliminar. Este
tipo de causas son inevitables en el proceso y tratar de eliminarlas puede resultar estéril y en la mayoría de los casos
extremadamente caro. Por lo que no pueden ser reducidas o eliminadas a menos que se modifique el proceso. Por
otra parte estas variaciones dentro de ciertos límites pueden ser totalmente tolerables y no causan reales
disminuciones en la calidad del producto. Estas variaciones se aceptan y se les consideran inherentes al proceso.
Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias no controladas
(causas no asignables) se dice que está funcionando bajo control estadístico.
88
MODULO ACADÉMICO
Línea Central (LC): Esta línea representa el valor promedio de la característica de calidad que corresponde al estado
bajo control.
Límite de Control Superior (LCS) y Límite de Control Inferior (LCI): Representan el valor máximo y mínimo que
debe tomar la característica de calidad que se esté analizando, para considerar que el proceso se encuentra bajo
control estadístico. Estos valores, son calculados matemáticamente, y la forma de calcularlos así como los
parámetros que se utilizan para ello, depende del tipo de carta que se deseé construir.
Cuando un proceso está en control estadístico puede predecirse su desempeño respecto a las especificaciones. En
consecuencia, tanto el productor como el cliente pueden contar con niveles consistentes de calidad y ambos pueden
contar con costos estables para lograr ese nivel de calidad.
89
MODULO ACADÉMICO
Dependiendo del patrón que se presente, se pueden hacer inferencias y hacer que el analista centre la búsqueda de
las causas especiales sobre algún aspecto en particular del proceso, así mismo, la información obtenida puede
utilizarse para la toma de acciones de tipo correctivo y preventivo en el futuro. Es importante aclarar, que los patrones
de comportamiento deben ser eliminados para que se pueda considerar que el proceso se encuentra bajo control.
Nuestra labor consistirá en interpretar la información que nos proporcionan, identificando las posibles variaciones y
anomalías que pueden presentarse y aplicando las medidas convenientes en cada caso. A continuación se muestran
los patrones más comunes en las cartas de control.
Un punto único o varios por fuera de los límites indican que el proceso no se encuentra bajo control estadístico. Casi
siempre son originados por la intervención de una causa especial de variación. Cuando son pocos puntos los que caen
por fuera, se proceden a eliminarlos de la carta y volver a calcular los límites de control. A este procedimiento se le
conoce como “cepillado”
90
MODULO ACADÉMICO
Tendencias
Corresponde a una serie de puntos que se ubican en forma ascendente o descendente. Las tendencias suelen deberse
al desgaste o deterioro gradual de una herramienta o de algún otro componente crítico del proceso, también pueden
ser resultado de causas humanas, tales como fatiga del operador o la presencia del supervisor así como resultar de
influencias estacionales, como la temperatura. Se puede considerar que el proceso está fuera de control estadístico
cuando se encuentran 7 o más puntos con este patrón.
Un número inusual de puntos consecutivos que caen a un lado de la línea central casi siempre es una indicación de
que el promedio del proceso se desplazó de forma repentina. Una regla sencilla para detectar el cambio es que si 8
puntos consecutivos caen en un lado de la línea central, se podría llegar a la conclusión de que la media cambio.
91
MODULO ACADÉMICO
Estratificación
Sucede cuando una sucesión de puntos tienden a ubicarse sobre la línea central. Puede ser ocasionado por unos
límites de control mal calculados.
Patrones cíclicos
Son patrones que se presentan en determinados espacios de tiempo. Son atribuibles a causas especiales que
entran y salen al proceso, generando picos o valles.
92
MODULO ACADÉMICO
Mezclas de lotes
Se presenta cuando los puntos graficados se localizan cerca o fuera de los límites de control, con muy pocos puntos
cerca de la línea central, puede ser causada por un sobre control de los operadores sobre el proceso o cuando se
toman productos de varias fuentes con diferente media.
Para reconocer un patrón de comportamiento no sólo se requiere conocer las técnicas estadísticas, sino también
tener un conocimiento profundo del proceso.
En lo sucesivo, se supondrá que los procesos tienen un cierto grado de estabilidad. Podemos distinguir dos casos:
El proceso está regido por una función de probabilidad cuyos parámetros permanecen constantes a lo largo
del tiempo. Este sería el caso de un proceso normal de media constante y desviación típica constante. Este
es el caso ideal y al que se pueden aplicar los gráficos de control para detectar la presencia de causas
asignables.
El proceso está regido por una función de probabilidad alguno de cuyos parámetros varía ligeramente a lo
largo del tiempo. Este sería el caso de un proceso normal cuya media varía a lo largo del tiempo (por ejemplo,
una herramienta de corte que va desgastando la cuchilla de corte).
Debe tratar de conocerse todo lo que sea posible de los fundamentos tecnológicos del proceso, ya que puede dar
pistas sobre el tipo de distribución que seguirán los datos. En ningún caso debe “darse la normalidad por supuesta”.
Debe comprobarse y en caso de que los datos no sean normales, deben aplicarse métodos especiales.
93
MODULO ACADÉMICO
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o errores.
𝑬𝒓𝒓𝒐𝒓 𝒕𝒊𝒑𝒐 𝟏 o 𝜶: Decir que el proceso está fuera de control, cuando en realidad no lo está, es decir.
𝑬𝒓𝒓𝒐𝒓 𝒕𝒊𝒑𝒐 𝟐 o 𝜷: Decir que el proceso está bajo control, cuando en realidad no lo está. Es decir.
Así mismo el error tipo 1 representa el complemento de la confiabilidad con la que se maneja la prueba de hipótesis y
el error tipo 2 el complemento de la potencia que tiene la carta para detectar puntos por fuera de los límites de
especificación.
Entonces:
Estos riesgos son inversamente proporcionales, puesto que cuanto más confiable se es, la potencia disminuye, y
cuanto más potente se es la confiabilidad es menor.
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se incrementa el riego de
error tipo II y viceversa. Con límites de control de 3-sigma la probabilidad de error tipo I es de 0.0027.
94
MODULO ACADÉMICO
Según las características a estudiar, los gráficos de control se pueden clasificar de la siguiente manera: Por variables
o por atributos.
Las cartas de control por variables son aplicables a los siguientes campos:
De igual manera, las cartas de control por atributos se aplican a los siguientes casos:
Cuando se trata con una característica de la calidad que es una variable, por lo general es necesario monitorear tanto
el valor medio de la característica de calidad como su variabilidad. El control del promedio del proceso, o nivel de
calidad medio, suele hacerse con la carta de control para medias, o carta 𝑋.
Por su parte la variabilidad del proceso puede monitorearse con una carta de control para la desviación estándar,
llamada carta S, o bien con una carta de control para el rango, llamada carta R. Por lo que tenemos:
𝐺𝑟𝑎𝑓𝑖𝑐𝑜 𝑑𝑒 𝑚𝑒𝑑𝑖𝑎𝑠 𝑋
95
MODULO ACADÉMICO
𝐺𝑟𝑎𝑓𝑖𝑐𝑜 𝑑𝑒 𝑅𝑎𝑛𝑔𝑜𝑠 𝑅
𝐺𝑟𝑎𝑓𝑖𝑐𝑜 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑆
Las cartas 𝑋 y R (ó S) se encuentran entre las técnicas estadísticas de monitoreo y control de procesos en línea más
importantes y útiles.
La carta 𝑋 monitorea la variabilidad entre las muestras y la carta R mide la variabilidad dentro de las muestras.
Estas cartas se grafican de forma separada, pero su análisis es conjunto, solo el hecho de que una no cumpla los
requisitos o criterios establecidos, indica que el proceso no se encuentra bajo control estadístico.
Los datos son el resultado de la medición de las características del producto, los cuales deben de ser registrados y
agrupados.
𝑅1 + 𝑅2 + … + 𝑅𝐾
𝑅=
𝐾
𝑋1 + 𝑋2 + … + 𝑋𝐾
𝑋̅ =
𝐾
𝑅̅
𝜎=
𝑑2
Los límites de control son calculados para determinar la variación de cada subgrupo, están basados en el tamaño de
los subgrupos y se calculan de la siguiente forma:
96
MODULO ACADÉMICO
̅ 𝑫𝟒
𝑳𝑪𝑺 = 𝑹
̅
𝑳𝑪 = 𝑹
̅ 𝑫𝟑
𝑳𝑪𝑰 = 𝑹
̅
𝑳𝑪 = 𝑿
𝝈
̅ − |𝒁∝ |
𝑳𝑪𝑰 = 𝑿
√𝒏
̅ + 𝑨𝟐 𝑹
𝑳𝑪𝑺 = 𝑿 ̅
̅
𝑳𝑪 = 𝑿
̅ − 𝑨𝟐 𝑹
𝑳𝑪𝑰 = 𝑿 ̅
Donde,
3
𝐴2 = ( )
√𝑛 𝑑2
Nota: Las constantes A2, d2, D3 y D4 se encuentran tabuladas en función de n para facilitar el cálculo de los límites de
control, en las tablas de constantes para gráficos de control.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera el comportamiento del proceso.
97
MODULO ACADÉMICO
Análisis de la carta 𝑿- 𝑹
Al determinar si un proceso está bajo control estadístico, siempre se analiza primero la gráfica R. Debido a que los
límites de control de la carta 𝑥 dependen del rango promedio. Sin embargo es importante aclarar que el análisis de
estas cartas es conjunto.
Los límites de control representan el rango en que se espera se ubiquen todos los Puntos; si el proceso está bajo
control estadístico. Si cualquiera de los puntos cae fuera de los límites de control o si se observa algún patrón fuera
98
MODULO ACADÉMICO
de lo común, es posible que alguna causa especial haya afectado el proceso y éste se deberá estudiar para determinar
la causa.
Cuando existen puntos fuera de los límites de control, es necesario revisarlos examinando cada uno de los puntos por
fuera y buscando una causa asignable. Si no se encuentra una causa asignable, el punto se descarta y los límites de
control se calculan de nuevo utilizando únicamente los puntos restantes. Luego es necesario volver a examinar para
el control, porque con el cambio, los límites de control se tornan más estrechos y es posible que los puntos que
inicialmente estaban bajo control ahora no lo estén. Este proceso se realiza hasta que todos los puntos estén bajo
control y se hace tantas veces como sea necesario.
Por otro lado cuando muchos puntos se localizan fuera de control, no es recomendable eliminarlos de manera
arbitraria porque se tendrá una situación insatisfactoria, ya que quedarían pocos datos con los cuales volver a
calcular límites de control confiables. Este enfoque ignoraría mucha información útil contenida en estos datos. Además
es poco probable que la búsqueda de una causa asignable para cada punto fuera de control sea exitosa. Para estos
casos lo mejor es concentrarse en el patrón que forman estos puntos.
Generalmente, es sencillo identificar la causa asignable asociada con el patrón de puntos fuera de control. Una vez
que se establece un conjunto de límites de control confiables, la carta de control se usa para monitorear la producción
futura.
Algo que debe tenerse muy claro es que no hay ninguna relación entre los límites de control de la carta 𝑋 𝑦 𝑅 y los
límites de especificación del proceso. Pues los límites de control están regidos por la variabilidad natural del proceso
(medida por la desviación estándar 𝜎 del proceso), es decir, por los límites de tolerancia natural del proceso.
La determinación de los límites de especificación es externa. Pueden ser establecidos por la administración, por los
ingenieros de manufactura, por los desarrolladores/diseñadores del producto, teniendo en cuenta las necesidades
de los clientes. Es necesario conocer la variabilidad inherente cuando se establecen las especificaciones, pero
recuérdese que no existe ninguna relación matemática o estadística entre los límites de control y los límites de
especificación.
En el monitoreo de un proceso, una carta detecta un cambio en la media, dependiendo del tamaño de este. Si es
considerablemente grande su detección será inmediata, de lo contrario la potencia de la carta será menor. A este
cambio en la media lo llamaremos corrimiento, y su valor será determinado por:
𝑎 = 𝑋 ′′ − 𝑋 ′
Donde 𝑋 ′′ es el nuevo valor de la media, después que el corrimiento tuvo lugar. Es importante tener claro que dos
procesos no se pueden evaluar si no se encuentran bajo las mismas circunstancias, es decir, solo se pueden comparar
cuando presentan un mismo corrimiento y una misma desviación.
99
MODULO ACADÉMICO
Por otro lado, la potencia o capacidad que tiene la carta para detectar un cambio en la media del proceso se calcula
de la siguiente manera. Si el corrimiento fue hacia el límite superior, se tiene:
1 − 𝛽 = (𝑍1−𝐵 > 𝑍∝ − 𝐾2 𝑛)
Si por el contrario, fue hacia el límite inferior, se tiene:
1 − 𝛽 = (𝑍1−𝐵 < 𝑍∝ + 𝐾2 𝑛)
Donde 𝐾2 es una relación entre el corrimiento y la desviación estándar del proceso, a saber:
𝑎
𝐾2 =
σ′
El valor de n dado en esta ecuación, es distinto al tamaño de la muestra para la toma de datos y análisis del proceso,
pues ahora indica el tamaño de la muestra utilizada en el monitoreo.
Si se desea conocer la probabilidad de que la carta detecte el corrimiento en la media en una muestra determinada,
este puede ser calculado de la siguiente manera:
𝑃 (𝑋) = 1 – 𝛽𝑘
De la misma manera, si se desea conocer el valor esperado de productos no conformes generados hasta llegar a una
muestra k, se puede hallar, inicialmente, determinando la cantidad generada en el tiempo que se toman las muestras
para el monitoreo (PNC), y se aplica la siguiente ecuación:
Sea (𝐴) la probabilidad de encontrar puntos por fuera de los límites de control
1
𝐿𝐷𝑃 = ; 𝐷𝑜𝑛𝑑𝑒 𝑃 (𝐴) = 2𝛼
𝑃(𝐴)
100
MODULO ACADÉMICO
1
𝐿𝐷𝑃 = ; 𝐷𝑜𝑛𝑑𝑒 𝑃 (𝐴) = 𝛼
𝑃(𝐴)
Cuando es muy común la utilización de las cartas 𝑋 𝑦 𝑅, en ocasiones es deseable estimar la desviación estándar
del proceso directamente, en vez de indirectamente mediante el uso de rango R. Esto lleva a las cartas de control
para 𝑋 𝑦 𝑆, donde S es la desviación estándar. En general las cartas 𝑋- 𝑆 son preferibles a sus contrapartes
familiares, las cartas 𝑋; 𝑅, cuando:
El procedimiento para realizar las cartas de control 𝑋- 𝑆 es similar al de las cartas X- 𝑅 la diferencia consiste en
que el tamaño de la muestra puede variar y es mucho más sensible para detectar cambios en la media o en la
variabilidad del proceso.
Mientras la Carta X monitorea el promedio del proceso para vigilar tendencias, la Carta S monitorea la variación en
forma de desviación estándar.
Establecer y operar las cartas de control 𝑋-𝑆 requieren aproximadamente la misma secuencia de pasos que para la
carta X- 𝑅. Las formulas a utilizar son:
√∑𝑛 ̅̅̅̅2
𝑖=1(𝑥𝑖 −𝑋)
𝑆= 𝑛−1
𝑆
𝜎≈𝐶
2
𝐿𝐶𝑆 = 𝑥̅ + 𝐴1𝑆
𝐿𝐶 = 𝑥̅
𝐿𝐶𝐼 = 𝑥̅ − 𝐴1𝑆
3
𝐴1 =(𝐶 )
2 √𝑛
101
MODULO ACADÉMICO
𝐿𝐶𝑆 = 𝐵4𝑆̅
𝐿𝐶 = 𝑆̅
𝐿𝐶𝐼 = 𝐵3𝑆̅
∴ 𝐵3 ; 𝐵4 𝑦 𝐶4, 𝑠𝑜𝑛 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛 𝑑𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎.
EJEMPLOS:
1. La empresa Magdalena S.A. fabrica repuestos para una ensambladora automotriz. Las especificaciones de
la ensambladora son 12,7 ± 3 milímetros. El departamento de calidad utiliza una carta X barra para
monitorear el proceso con muestras de tamaño 5. El riesgo de que una carta me indique que la media del
proceso ha cambiado siendo que no ha cambiado es de 0,012. Los límites de control de la carta son 12,5
milímetros y 14,5 milímetros.
a. Calcular el % de productos no conformes que produce Magdalena S.A.
b. Si se acepta a lo sumo 12% de productos no conformes, ¿Cuánto es la probabilidad de que una carta
con ∝= 0,10 𝑦 𝑛 = 9, detecte el cambio en la media del proceso cuando se está produciendo el
porcentaje de productos no conformes fijado anteriormente?
c. ¿Qué pasa con ∝ de la carta del inciso b) si trabajamos con 𝑛 = 16 en lugar de 𝑛 = 9? Justifique
su respuesta.
Datos:
𝑉𝑁 = 12,7 𝑚𝑚
𝐿𝑆𝐸 = 15,7 𝑚𝑚
𝐿𝐼𝐸 = 9,7 𝑚𝑚
Para la carta 𝑿
̅,
𝑛=5
𝛼 = 0,012 → 1 − 𝛼 = 0,988
𝐿𝐶𝑆 = 14,5
𝐿𝐶𝐼 = 12,5
SOLUCION:
𝐿𝐶𝑆+𝐿𝐶𝐼 14,5+12,5
a) 𝑋̅ = = = 13.5
2 2
102
MODULO ACADÉMICO
NOTA: Siempre es recomendable trabajar con 𝛼/2 pues la carta se hace más potente, ya que los límites de la misma
se tornan más estrechos, no obstante es opción del estudiante trabajar con alfa.
Conociendo el valor LCS podemos calcular 𝜎. Los límites de control se trabajan con 𝛼/2.
𝜎 (𝐿𝐶𝑆 − 𝑋̅) ∗ √𝑛
𝐿𝐶𝑆 = 𝑋̅ + |𝑍∝/2 | → 𝜎= 𝐶𝑜𝑛 |𝑍∝/2 | = 𝑍0,006
√𝑛 |𝑍∝/2 |
(14,5 − 13,5) ∗ √5
𝜎= = 0,89
|−2,51|
𝐿𝑆𝐸 − 𝑋̅ 𝑋̅ − 𝐿𝐼𝐸
𝐶𝑃𝑘 = 𝑀𝑖𝑛 {𝐶𝑃𝑈 ; 𝐶𝑃𝐿 } = 𝑀𝑖𝑛 { ; }
3𝜎 3𝜎
Como 𝐶𝑝 ≠ 𝐶𝑝𝑘 decimos que el proceso esta descentrado. Además, 𝐶𝑝𝑘 = 𝐶𝑝𝑢 = 0,824 lo cual nos indica que el
proceso está arrojando productos no conformes por el límite superior.
Dado que los productos no conformes se están presentando por el límite superior y 𝛼 = 0,10 entonces el valor de Z
es:
103
MODULO ACADÉMICO
̅
𝐿𝑆𝐸 − 𝑋′
𝑍𝐿𝑆𝐸 = ̅ = 𝐿𝑆𝐸 − 𝑍𝐿𝑆𝐸 ∗ 𝜎
→ 𝑋′
𝜎
̅ = 15,7 − (1,175 ∗ 0,89) → 𝑋′
𝑋′ ̅ = 14,65
𝛼 1,15
𝑘2 = = = 1,29
𝜎 0,89
1 − 𝛽 = 0,9952
c) 𝒏 = 𝟏𝟔
Sabemos teóricamente que mientras más grande sea el tamaño de la muestra, más confiable es el resultado del
monitoreo. También sabemos que el error tipo I (𝛼) es el complemento de la confiabilidad de la carta (1 − 𝛼), por lo
tanto si n aumenta, la carta se hace más confiable y por consiguiente 𝛼 será menor.
1 − 𝛼 = 0,9949 → 𝛼 = 0,0051
Como podemos ver, el valor de 𝛼 disminuyó con respecto al valor dado en el inciso b) y esto es, como se dijo
anteriormente, por el aumento que se dio en el tamaño de la muestra.
104
MODULO ACADÉMICO
2. FIBRAS S.A. es una empresa dedicada a la fabricación de piezas en materiales compuestos a base de fibra
de vidrio, kevlar y fibra de carbono. Sus clientes son empresas de alta tecnología que precisan incorporar
a sus diseños componentes con un elevado límite elástico y bajo peso. Las exigencias de estos clientes son
cada vez mayores y las especificaciones impuestas a la pieza son 7,5 uf y 12,5 uf.
FIBRAS S.A. es licenciataria de una empresa norteamericana, AMERICAN COMPOSITES, Inc., que es quien
aporta el know-how. En este acuerdo los técnicos de AMERICAN COMPOSITES realizaron el diseño de los
procesos de fabricación, formaron al personal de FIBRAS y aportaron toda la documentación técnica
necesaria para operar los procesos de fabricación, además estabilizaron el proceso con 50 muestras de
tamaño 5, arrojando como resultado una media de 10,2 uf y un rango promedio de 1,93 uf. A partir de ese
momento, los técnicos de FIBRAS S.A se hicieron cargo de la operación de la planta, monitoreando el proceso
con muestras de tamaño n=7. Además, AMERICAN COMPOSITES realiza una auditoría anual de los procesos,
comprobando que éstos se llevan a cabo sin desviaciones de las instrucciones técnicas.
FIBRAS S.A. está en capacidad de producir 25000 piezas por jornada laboral. Se trabaja durante 3 turnos
las 24 horas del día, y las muestras para el monitoreo se toman cada 30 minutos.
a. Realice un análisis de la capacidad del proceso y calcule la probabilidad de que el cambio en la media
se detecte entre las primeras 5 muestras (a partir del momento en que dicho cambio tuvo lugar).
Calcular el valor esperado de productos no conformes fabricados hasta el momento.
b. Hay una disminución en la media del proceso en 0,8 uf. Diseñe una carta X barra que detecte con una
probabilidad del 90%, el cambio en alguna de las 3 muestras consecutivas a partir del cual el cambio
tuvo lugar y con riesgo tipo 1 de 0,06.
c. Si la media del proceso cambiara a 10,8 uf, ¿Cuál es el mínimo valor que puede tomar el CP general del
proceso, tal que por lo menos el 95% de los artículos producidos sean conformes?
SOLUCION:
Datos:
𝐿𝐼𝐸 = 7,5 𝑢𝑓
𝐿𝑆𝐸 = 12,5 𝑢𝑓
𝑛=5
𝑋 = 10,2 𝑢𝑓
105
MODULO ACADÉMICO
𝑅 = 1,93 𝑢𝑓
1 − 𝛼 = 0,95
𝑇𝑃 = 25000 𝑝𝑖𝑒𝑧𝑎𝑠/𝑗𝑜𝑟𝑛𝑎𝑑𝑎
𝑇𝑚𝑢𝑒𝑠𝑡𝑟𝑎 = 30 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝑛𝑚𝑜𝑛𝑖𝑡𝑜𝑟𝑒𝑜 = 7
̅̅̅ = 11,1 𝑢𝑓
𝑋’’
𝑅̅ 1,93
𝜎= = = 0,8297
𝑑2 2,326
̅
𝐿𝑆𝐸 − 𝑋′ 12,5 − 10,2
𝑍𝐿𝑆𝐸 = = = 2,7720
𝜎 0,8297
̅
𝐿𝐼𝐸 − 𝑋′ 7,5 − 10,2
𝑍𝐿𝐼𝐸 = = = −3,2541
𝜎 0,8297
106
MODULO ACADÉMICO
%𝑃𝑁𝐶𝑇𝑂𝑇𝐴𝐿 = 0,34%
̅
𝐿𝑆𝐸 − 𝑋′ 12,5 − 11,1
𝑍𝐿𝑆𝐸 = = = 1,6873
𝜎 0,8297
̅
𝐿𝐼𝐸 − 𝑋′ 7,5 − 11,1
𝑍𝐿𝐼𝐸 = = = −4,3389
𝜎 0,8297
%𝑃𝑁𝐶𝑇𝑂𝑇𝐴𝐿 = 4,6%
𝛼 |11,1 − 10,2|
𝑘2 = = = 1,0847
𝜎 0,8297
107
MODULO ACADÉMICO
1 − 𝛽 = 0,8897 → 𝛽 = 0,1103
1 − 𝛽 5 = 1 − 0,11035 = 0,9999
Tenemos que:
%𝑃𝑁𝐶𝑐𝑜𝑟𝑟𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = 4,6%
𝑝𝑖𝑒𝑧𝑎𝑠
𝑉𝐸𝑃𝑁𝐶 = (53 𝑚𝑖𝑛 ) ∗ (4,6%) ∗ (0,8897)[30 𝑚𝑖𝑛 + (60 𝑚𝑖𝑛 ∗ 0,1103) +
(90 𝑚𝑖𝑛 ∗ 0,11032 ) + (120𝑚𝑖𝑛 ∗ 0,11033 ) + (150𝑚𝑖𝑛 ∗ 0,11034 )]
𝑉𝐸𝑃𝑁𝐶 ≈ 81 𝑝𝑖𝑒𝑧𝑎𝑠
1 − 𝛽 3 = 0,90
𝛼 = 0,06
𝛼 0,8
𝐾2 = = = 0,9642
𝜎 0,8297
108
MODULO ACADÉMICO
2 2
|𝑍𝛼 | + |𝑍1−𝛽 | |𝑍0,06 | + |𝑍0,5359 | 1,555 + 0,090 2
𝑛=[ ] = [ ] = [ ] ≈3
𝐾2 0,9642 0,9642
𝐿𝐶 = ̅̅̅̅
𝑋′′= 10,3
𝜎 0,8297 0,8297
𝐿𝐶𝑆 = ̅̅̅̅
𝑋′′ + |𝑍∝ | = 10,3 + |𝑍0,06 | ∗ = 10,3 + 1,555 ∗ = 11,0448
√𝑛 √3 √3
𝜎 0,8297 0,8297
𝐿𝐶𝐼 = ̅̅̅̅
𝑋′′ − |𝑍∝ | = 10,3 − |𝑍0,06 | ∗ = 10,3 − 1,555 ∗ = 9,5551
√𝑛 √3 √3
Observación: en esta ocasión se decidió trabajar con 𝑍𝛼 y no con 𝑍𝛼/2 para calcular los límites de control.
𝑍𝐿𝑆𝐸 = 1,645
Con el valor de 𝑍𝐿𝑆𝐸 podemos hallar el valor de 𝜎 y posteriormente calcular el valor de 𝐶𝑝:
𝐿𝑆𝐸 − ̅̅̅̅
𝑋′′ 12,5 − 10,8
𝑍𝐿𝑆𝐸 = → 1,645 = → 𝜎 = 1,0334
𝜎 𝜎
3. Una empresa empaca el producto A en sacos de 50 Kg, pero el cliente ve mal que los sacos pesen menos de
50 Kg por lo que se establece una tolerancia inferior de 49 Kg y una superior de 51 Kg, tal que el valor nominal
sea 50 Kg por lo que si un saco cae dentro del rango 49 – 51, se considera tolerable para el caso se toman
cada hora una muestra de 4 sacos que han sido llenado consecutivamente, los datos obtenidos en 3 días de
muestra se observan en la siguiente tabla. La confiabilidad de la carta es 95%.
109
MODULO ACADÉMICO
1 2 3 4
1 50,2 49,9 49 50,1
2 50,3 50,2 50 49,3
3 49,8 50 50 49,7
4 50 49,4 50,1 50,5
5 50,2 49,8 49,1 49,9
6 49,2 50,7 49,1 49,8
7 49,6 49,9 49,5 49,9
8 50,2 49,8 49,5 50,6
9 50,1 49,3 49 49,3
10 50,8 49,6 49,8 50,4
Numero de Replicas
Solución
Datos:
𝐿𝑆𝐸 = 51
𝐿𝐼𝐸 = 49
𝑛 =4
𝛼 = 0,05
𝑍0,05 = −1,654
a)
110
MODULO ACADÉMICO
Donde:
[∑4𝑖=1 𝑥𝑖 ]
𝑋̅ =
4
𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
Rango Promedio
[∑15 ̅
𝑖=1 𝑅𝑖 ]
𝑅̅ = = 1,0933
15
Sabemos que
𝑅̅ 1,0933
𝜎= = = 0,5310
𝑑2 2,059
Antes de hallar los límites de control de las cartas debemos conocer el estado del proceso.
𝐿𝑆𝐸 − 𝐿𝐼𝐸 51 − 49
𝐶𝑝 = = = 𝟎, 𝟔𝟐𝟕𝟕
6∗𝜎 6 ∗ 0,5310
111
MODULO ACADÉMICO
̅̅̅
𝑋 ´ − 𝐿𝐼𝐸 49,8367 − 49
𝐶𝑝𝑙 = = = 0,5252
3𝜎 3 ∗ 0,5310
𝐿𝑆𝐸 − ̅̅̅
𝑋 ´ 51 − 49,8367
𝐶𝑝𝑢 = = = 0,7303
3𝜎 3 ∗ 0,5310
Como 𝐶𝑝 ≠ 𝐶𝑝𝑘 entonces el proceso no esta centrado. Además 𝐶𝑝𝑢 𝑦 𝐶𝑝𝑙 son menores que 1 entonces me están
arrojando productos no conformes por ambos límites.
𝐿𝑆𝐸 − ̅̅̅
𝑋 ´ 51 − 49,8367
𝑍𝐿𝑆𝐸 = = = 2,2 → %𝑃𝑁𝐶 = 1 − 𝑃(𝑍 < 2,2) = 1 − 0,9861
𝜎 0,5310
= 1,39%
𝐿𝐼𝐸 − ̅̅̅
𝑋 ´ 49 − 49,8367
𝑍𝐿𝐼𝐸 = = = −1,58 → %𝑃𝑁𝐶 = 𝑃(𝑍 < −1,58) = 5,71%
𝜎 0,5310
Entonces se dice que el proceso no es capaz, no está centrado y arroja 7,1% de productos no conformes.
𝜎 0,5310
𝐿𝐶𝑆 = ̅̅̅
𝑋 ´ + |𝑍𝛼/2 | ∗ = 49,8367 + |−1,96| ∗ = 50,357
√𝑛 √4
𝜎 0,5310
𝐿𝐶𝐼 = ̅̅̅
𝑋 ´ − |𝑍𝛼/2 | ∗ = 49,8367 − |−1,96| ∗ = 49,316
√𝑛 √4
Límites de la carta 𝑹
̅
Con 𝑛=4
𝐷3 = 0
𝐷4 = 2,282
𝐿𝐶𝑆 = 𝑅̅ 𝐷4 = 1,0933 ∗ 2,282 = 2,4949
𝐿𝐶𝐼 = 𝑅̅ 𝐷3 = 0 ∗ 1,0933 = 0
112
MODULO ACADÉMICO
𝐿𝐶 = 𝑅 = 1,0933
La carta de control 𝑋 nos muestra que hay un punto por encima del límite de control superior, es decir, que el proceso
no está bajo control estadístico. Para procurar hacer que el proceso esté bajo control es necesario eliminar la causa
que ocasiona la alteración (cepillar) y diseñar una nueva carta.
113
MODULO ACADÉMICO
Volvemos a calcular los parámetros y posteriormente los límites de control de las cartas 𝑿
̅ y R:
Donde:
[∑4𝑖=1 𝑥𝑖 ]
𝑋̅ =
4
𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
[∑14
𝑖=1 𝑥̅𝑖 ]
̅̅̅
𝑋´ = = 49,7929
14
114
MODULO ACADÉMICO
Rango Promedio
[∑14 ̅
𝑖=1 𝑅𝑖 ]
𝑅̅ = = 1,12143
14
Sabemos que
𝑅̅ 1,12143
𝜎= = = 0,5446
𝑑2 2,059
𝜎 0,5446
𝐿𝐶𝑆 = ̅̅̅
𝑋 ´ + |𝑍𝛼/2 | ∗ = 49,7929 + |−1,96| ∗ = 50,3266
√𝑛 √4
𝜎 0,5446
𝐿𝐶𝐼 = ̅̅̅
𝑋 ´ − |𝑍𝛼/2 | ∗ = 49,7929 − |−1,96| ∗ = 49,2592
√𝑛 √4
Límites de la carta 𝑹
̅
Con 𝑛 = 4𝐷3 = 0
𝐷4 = 2,282
𝐿𝐶𝐼 = 𝑅̅ 𝐷3 = 0 ∗ 1,12143 = 0
𝐿𝐶 = 𝑅 = 1,12143
Las nuevas cartas de control para el proceso cuando se ha cepillado son las siguientes:
115
MODULO ACADÉMICO
En las gráficas podemos ver que ningún punto está por fuera de los límites de control. Por consiguiente podemos decir
que el proceso está bajo control estadístico.
Ahora que el proceso está bajo control estadístico, procedemos a calcular su capacidad y verificar si se
están o no productos no conformes:
𝐿𝑆𝐸 − 𝐿𝐼𝐸 51 − 49
𝐶𝑃 = = = 0,6120
6𝜎 6 ∗ 0,5446
116
MODULO ACADÉMICO
̅̅̅
𝑋 ´ − 𝐿𝐼𝐸 49,7929 − 49
𝐶𝑝𝑙 = = = 0,4853
3𝜎 3 ∗ 0,5446
𝐿𝑆𝐸 − ̅̅̅
𝑋 ´ 51 − 49,7929
𝐶𝑝𝑢 = = = 0,7388
3𝜎 3 ∗ 0,5446
Como 𝐶𝑝 ≠ 𝐶𝑝𝑘 entonces el proceso no está centrado. Además 𝐶𝑝𝑢 𝑦 𝐶𝑝𝑙 son menores que 1 entonces el proceso
está arrojando productos no conformes por ambos límites. Sin embargo, 𝐶𝑝𝑘 = 𝐶𝑝𝑙 = 0,4853, esto nos indica
que el proceso está arrojando mayor porcentaje de productos no conformes por el límite inferior.
𝐿𝑆𝐸 − ̅̅̅
𝑋 ´ 51 − 49,7929
𝑍𝐿𝑆𝐸 = = = 2,216
𝜎 0,5446
𝐿𝐼𝐸 − ̅̅̅
𝑋 ´ 49 − 49,7929
𝑍𝐿𝐼𝐸 = = = −1,455 → %𝑃𝑁𝐶 = 𝑃(𝑍 < −1,455) = 7,28%
𝜎 0,5446
El proceso está arrojando 1,34% de PNC por el límite superior y 7,28% de PNC por el límite inferior. Decimos entonces
que el proceso no es capaz, no está centrado y arroja 8,62% de productos no conformes.
Dado que los atributos son características de calidad no medibles, los gráficos de control por atributos se basaran
en la determinación de la cantidad o porcentaje de unidades defectuosas en una población de productos o partes
obtenidos de un proceso. Antes de continuar es conveniente definir los términos siguientes:
117
MODULO ACADÉMICO
a. Defecto: cualquier característica individual que no esté de acuerdo con los requisitos de calidad
establecidos.
b. Defectuoso: cualquier unidad que tiene uno o más defectos.
1. Las cartas por atributos pueden ser utilizadas para estudiar diferentes tipos de errores de forma
simultánea, en tanto que en un gráfico de variable sólo sirve para estudiar una característica de calidad.
2. La toma de datos para la construcción de las cartas por atributos es mucho más simple que por variable.
Simplemente se necesita conocer si el artículo inspeccionado cumple o no con las especificaciones
requeridas.
3. Las cartas por atributos se pueden utilizar en inspecciones visuales para atributos, tales como limpieza,
etiquetado correcto, color correcto, etc.
4. Las cartas por variables necesitan un menor tamaño de muestra.
5. Las cartas por atributos son particularmente útiles en la industria de servicios y en los esfuerzos de
mejoramiento de la calidad fuera de la manufactura, ya que no es sencillo medir en una escala numérica un
gran número de características de calidad.
CARTA P
El gráfico p mide la proporción de unidades defectuosas en relación al tamaño de la muestra, se utiliza cuando los
individuos de un proceso se clasifican en defectuosos-no defectuosos, enfermo-sano, conforme-no conforme, etc., y
se desea controlar la proporción p de individuos en uno de estos grupos.
El control del proceso se realiza anotando la proporción de individuos defectuosos en el gráfico. Los principios
estadísticos que sirven de base a la carta de control p se basan en la distribución Binomial.
Para este grafico se necesitan muestras grandes, recogidas en un mismo periodo de operación del proceso, y estas
han de tener un tamaño tal que permita la aparición de defectos. Del mismo modo el grafico de control p se puede
utilizar cuando el tamaño de la muestra es o no constante.
118
MODULO ACADÉMICO
p (1 p )
p2
n
Se establece la frecuencia con la cual los datos serán tomados (horarios, diarios, semanales). Los intervalos cortos
entre tomas de muestras permitirán una rápida retroalimentación al proceso ante la presencia de problemas. Los
tamaños de muestra grandes permiten evaluaciones más estables del desarrollo del proceso y son más sensibles a
pequeños cambios en el promedio del mismo. Se aconseja tomar tamaños de muestra iguales aunque no
necesariamente se tiene que dar esta situación, el tamaño de muestra debería de ser mayor a 30. El tamaño de los
subgrupos será de 25 o más.
2. Cálculo del porcentaje defectuoso (p) del subgrupo. Se registra la siguiente información para cada subgrupo:
3. Cálculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente fórmula:
∑𝑘𝑖=0 𝑛𝑝𝑖
𝑝̅ =
𝑛∗𝑘
𝑝̅ (1 − 𝑝̅)
𝐿𝐶𝑆 = 𝑝̅ + 3√
𝑛
𝐿𝐶 = 𝑝̅
𝑝̅(1 − 𝑝̅)
𝐿𝐶𝐼 = 𝑝̅ − 3√
𝑛
Así mismo cuando p y/o n es pequeño, el límite de control inferior puede resultar negativo, en estos casos el valor
del límite se asumirá como: 0 Nótese que los valores de los límites superior e inferior cambian con el tamaño del
subgrupo:
119
MODULO ACADÉMICO
La carta P consiste en tres líneas de guía: Límite de control inferior, línea central y límite de control superior. La línea
central es la proporción de defectos promedio y los dos límites de control son fijados más o menos a tres desviaciones
estándar.
Cada subgrupo se identifica en la gráfica como un punto, un círculo o una cruz según se establezca, cada punto
corresponde a un valor pi.
Un fabricante de latas de aluminio registra el número de partes defectuosas, tomando muestras cada hora de 40
latas, con 25 subgrupos. Construir la carta de control p (proporción de defectuosos) para la siguiente serie de datos
obtenida durante el muestreo además dar un informe de la interpretación de carta obtenida.
120
MODULO ACADÉMICO
5 14
6 6
7 11
8 11
9 4
10 8
11 10
12 6
13 8
14 13
15 2
16 7
17 5
18 10
19 4
20 3
21 13
22 12
23 15
24 18
25 3
𝑛 = 40
𝑘 = 25
np
Primeramente se calcula del porcentaje defectuoso (p) del subgrupo. p = n
Subgrupo Latas P
defectuosas
1 9 0,225
2 20 0,5
3 8 0,2
4 7 0,175
5 14 0,35
6 6 0,15
7 11 0,275
8 11 0,275
9 4 0,1
10 8 0,2
11 10 0,25
121
MODULO ACADÉMICO
12 6 0,15
13 8 0,2
14 13 0,325
15 2 0,05
16 7 0,175
17 5 0,125
18 10 0,25
19 4 0,1
20 3 0,075
21 13 0,325
22 12 0,3
23 15 0,375
24 18 0,45
25 3 0,075
Luego se calcula de porcentaje defectuoso promedio para los k subgrupos:
∑𝑘𝑖=1 𝑛𝑝𝑖
p̅ =
n∗k
227
p̅ =
40 ∗ 25
p̅ = 0,227
p̅(1 − p̅)
LCS = p̅ + 3√
n
0,227(1 − 0,227)
LCS = 0,227 + 3√
40
LCS = 0,42569
LC = p̅
LC = 0,227
p̅(1 − p̅)
LCI = p̅ − 3√
n
0,227(1 − 0,227)
LCI = 0,227 − 3√
40
122
MODULO ACADÉMICO
LCI = 0,0283
Como hay 2 puntos por fue de los límites de control se hace un cepillado eliminado los datos atípicos.
Subgrupo Latas P
defectuosas
1 9 0,225
3 8 0,2
4 7 0,175
5 14 0,35
6 6 0,15
7 11 0,275
8 11 0,275
9 4 0,1
10 8 0,2
11 10 0,25
12 6 0,15
13 8 0,2
14 13 0,325
15 2 0,05
16 7 0,175
17 5 0,125
18 10 0,25
19 4 0,1
20 3 0,075
21 13 0,325
123
MODULO ACADÉMICO
22 12 0,3
23 15 0,375
24 18 0,45
25 3 0,075
Sin los puntos por fuera los nuevos límites ahora son:
LCS = 0,3970
LC = 0,2054
LCI = 0,01379
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos, entonces se concluye que no se tienen presentes
problemas controlables por el operador, por tanto las causas de variabilidad son comunes y su reducción depende
sólo del control de la administración, una vez que interviene e Ingeniería realiza una serie de ajustes a la máquina, se
monitorea la mejora.
Continuando con el ejemplo, se toman 12 muestras adicionales durante los siguientes 2 turnos, la gráfica se hizo
Subgrupo Latas P
defectuosas
24 9 0,225
25 3 0,075
26 4 0,1
27 5 0,125
28 2 0,05
29 6 0,15
30 9 0,225
31 7 0,175
32 3 0,075
124
MODULO ACADÉMICO
33 2 0,05
34 3 0,075
35 7 0,175
Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos, difiere de la fracción no conforme
preliminar, con el procedimiento de prueba de hipótesis:
H0: p1 = p2
H1: p1 > p2
(p1 =0.2182) y p2 es la fracción no conforme del periodo actual. Para estimar p2 se toman las últimas 12 muestras o
sea:
∑35
𝑖=24 𝑛𝑝𝑖 60
𝑃̅ = = = 0,125
𝑚∗𝑛 (40 ∗ 12)
𝑃̅1 − ̅̅̅
𝑃2
𝑍𝑜 =
𝑛 +𝑛
√𝑃̅(1 − 𝑃̅ )( 1𝑛 𝑛 2
1 2
Con
𝑛1𝑃̅̅̅1 + 𝑛2𝑃̅̅̅2
𝑃̅ =
𝑛1 + 𝑛2
125
MODULO ACADÉMICO
Por tanto:
𝑃̅ = 0,1920
0,227 − 0,125
𝑍𝑜 =
√0,192(1 − 0,192)(920 + 480)
920 ∗ 480
𝑍𝑜 = 4,5993
𝑍0,05 = 1,64
Como 𝑍𝑜 = 4,5993 > 𝑍0,05 = 1,64 entonces se rechaza la hipótesis Ho concluyendo que hubo una reducción
en la fracción defectiva promedio del proceso.
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
0,125(1 − 0,125)
LCS = 0,125 + 3√
40
LCS = 0,281873
LC = 0,125
0,125(1 − 0,125)
LCS = 0,125 − 3√
40
LCI = −0,031873 ≈ 0
126
MODULO ACADÉMICO
Es muy importante que para identificar fácilmente las causas asignables, se lleve una bitácora de cambios, donde se
anote cada cambio que ocurra, independientemente que afecte o no al proceso.
Método 1.
El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una unidad no conforme
por muestra sea al menos.
Ejemplo, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme sea al menos 0.95, si D
es el número de artículos no conformes, entonces:
𝑃(𝐷 ≥ 1) ≥ 0,95
Con la distribución de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p = 0.01, implica que el
tamaño de muestra debe ser al menos de 300.
Método 2.
Duncan sugiere que el tamaño de muestra debe ser tal que se tenga aproximadamente un 50% de probabilidad de
detectar el corrimiento de la media de un proceso en una cierta cantidad.
Asumiendo que la distribución normal es una buena aproximación a la binomial, se selecciona n de tal forma que el
límite superior de control coincida con la fracción defectiva en el estado fuera de control.
127
MODULO ACADÉMICO
𝑝(1 − 𝑃)
𝛿 = 𝐿√
𝑛
Donde L es la distancia de la línea central a los límites de control en desviaciones estándar, por tanto,
𝐿 2
𝑛 = ( ) 𝑃(1 − 𝑃)
𝛿
Ejemplo, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de 0.50, entonces =
0.05 – 0.01 = 0.04 y si L = 3-sigma, se tiene:
3 2
𝑛=( ) (0,01)(0,99) = 56
0,04
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar n tan grande de tal forma que el
límite inferior tenga un valor positivo, para poder investigar la causa de generación de muy bajas cantidades de
artículos defectuosos con objeto de identificar errores de inspección o de los equipos de medición. Se tiene:
p̅(1 − p̅)
LCI = p̅ − L√ >0
n
Implica que,
(1 − 𝑝) 2
𝑛> 𝐿
𝑝
0,95 2
𝑛> 3 = 171
0,05
Es importante notar que la carta de control p se basa en la distribución normal, es decir que la probabilidad de
ocurrencia de artículos defectivos es constante y que las unidades producidas son independientes. Si no es el caso,
se debe desarrollar una carta de control basada en el modelo de probabilidad adecuado.
Método 4
128
MODULO ACADÉMICO
2
̅ (1 − 𝑝´
𝑍𝛼 √𝑝̅ (1 − 𝑝̅ ) + 𝑍1−𝛽 √𝑝´ ̅)
𝑛=[ ]
̅ − 𝑝̅
𝑝´
𝑝̅ (1 − 𝑝̅ ) ̅
𝑝̅ + 3√ − 𝑝´
𝑛
1−𝛽 = 𝑧 >
̅
√𝑝´(1 − 𝑝̅´)
[ 𝑛 ]
CARTA NP
Este grafico mide el número de unidades defectuosas encontradas en las muestras. Se aplica al mismo tipo de
problemas que el gráfico P, pero cuando el tamaño de muestra es fijo. En tales casos, el control calidad en el proceso
se puede realizar por el número de individuos defectuosos observados en lugar de la proporción defectuosa. El
primero resulta más cómodo representar directamente la cantidad de unidades defectuosas en la muestra en vez de
su proporción, en este caso el gráfico de control correspondiente se denomina np puesto que en ordenadas se
representa esa magnitud.
Para la construcción del gráfico se utiliza de distribución de referencia la ley Binomial ( n, p).En esta distribución, el
número promedio de individuos defectuosos es igual a np y la varianza igual a np(1-p). Como en el apartado anterior,
sólo se realiza un gráfico y éste controlará el número promedio de unidades defectuosas en n.
1. Cálculo de porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente fórmula:
∑𝑘𝑖=1 𝑛𝑝𝑖
𝑝̅ =
n∗k
𝐿𝐶 = 𝑛𝑝̅
Así mismo cuando p y/o n es pequeño, el límite de control inferior puede resultar negativo, en estos casos el valor
del límite se asumirá como: 0 Nótese que los valores de los límites superior e inferior cambian con el tamaño del
subgrupo:
3. Se traza la gráfica y se analizan los resultados. A continuación se muestra la estructura de una carta p:
129
MODULO ACADÉMICO
La grafica np consiste en tres líneas de guía: Límite de control inferior, línea central y límite de control superior. La
línea central es el promedio de número de defectos por subgrupo y los dos límites de control son fijados más o menos
a tres desviaciones estándar.
Cada subgrupo se identifica en la gráfica como un punto, un círculo o una cruz según se establezca, cada punto
corresponde a un valor npi.
Para este tipo de gráfico de control se define la longitud promedio de corrida como:
𝐿𝐷𝑃 = 1/𝑃(𝐴)
∑𝑝̅
𝑃(𝐴) = 1 − 𝑃(𝐿𝐶𝐼 ≤ ≤ 𝐿𝐶𝑆)
𝑛
Por último se llevan los valores del número de defectuosos por grupo al gráfico, y se comprueba que durante la
obtención de las muestras, el proceso ha estado bajo control.
Ejemplo
En la siguiente tabla se encuentran consignados los datos obtenidos en una inspección mediante la apertura al azar
de una caja seleccionada de cada envío y contando el número de duraznos golpeados que tenía cada caja. Había 300
melocotones por caja. Construir una carta de control np (número de defectuosos) y hacer la interpretación de la
misma.
130
MODULO ACADÉMICO
𝑘 = 25
∑𝑘𝑖=1 𝑛𝑝𝑖
𝑝̅ =
n∗k
p̅ = 0,094
131
MODULO ACADÉMICO
𝐿𝐶𝑆 = 43,36386
𝐿𝐶 = 𝑛𝑝̅
𝐿𝐶 = 300 ∗ 0,094
𝐿𝐶 = 28,2
𝐿𝐶𝐼 = 13,03613
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos, ni corrimiento de medias.
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de los lotes producidos en un
periodo de tiempo, por tanto la muestra será variable. Se tiene varios métodos para llevar una carta de control:
132
MODULO ACADÉMICO
Se calculan límites de control para cada muestra en base en la fracción defectiva promedio p y su tamaño de muestra
con p 3 p(1 p) / ni . La amplitud de los límites es inversamente proporcional a la raíz cuadrada del tamaño
de muestra.
Ejemplo, Un fabricante de módems para computadora hace una recopila de los datos tomados en una prueba final a
la que se somete el producto los resultados obtenidos se presenta en la siguiente tabla. Construir una carta de control
p (variable)
133
MODULO ACADÉMICO
3 1900 50 0,02631579
4 2400 43 0,01791667
5 2000 65 0,0325
6 2100 52 0,0247619
7 1900 47 0,02473684
8 1900 34 0,01789474
9 2000 27 0,0135
10 1500 53 0,03533333
11 2000 48 0,024
12 1400 25 0,01785714
13 2000 48 0,024
14 1600 36 0,0225
15 2300 32 0,01391304
16 2300 37 0,01608696
17 1500 29 0,01933333
18 2100 32 0,0152381
19 2200 70 0,03181818
20 2200 57 0,02590909
Luego se calcula de porcentaje defectuoso promedio para los k subgrupos:
∑𝑘𝑖=1 𝑛𝑝𝑖
p̅ =
∑𝑘𝑖=1 𝑛𝑖
856
p̅ =
38800
p̅ = 0,02206
134
MODULO ACADÉMICO
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos.
En este caso, se toma el promedio de los tamaños de muestra para calcular los límites de control aproximados, se
asume que los tamaños de muestra no diferirán en forma apreciable de los observados, aquí los límites de control
son constantes. Si existen grandes diferencias mayores al promedio más o menos 25%, este método no es adecuado.
∑𝑘𝑖=1 𝑛𝑖
n̅ =
k
38800
n̅ =
20
135
MODULO ACADÉMICO
n̅ = 1940
0,02206(1 − 0,02206)
LCS = 0,02206 + 3√
1940
LCS = 0,03206
LC = 0,02206
0,02206(1 − 0,02206)
LCI = 0,02206 − 3√
1940
LCI = 0,012055
Como hay 3 puntos por fuera de los límites de control (2, 5 y 10) se hace un cepillado eliminado los datos atípicos.
Sin los puntos por fuera los nuevos límites ahora son:
∑𝑘𝑖=1 𝑛𝑖
n̅ =
k
33800
n̅ =
17
n̅ = 1988
136
MODULO ACADÉMICO
0,02206(1 − 0,02206)
LCS = 0,02206 + 3√
1988
LCS = 0,0310
LC = 0,0213
0,02206(1 − 0,02206)
LCI = 0,02206 − 3√
1988
LCI = 0,0116
Como hay 1 punto por fuera de los límites de control se hace un cepillado eliminado los datos atípicos.
Sin los puntos por fuera los nuevos límites ahora son:
∑𝑘𝑖=1 𝑛𝑖
n̅ =
k
31600
n̅ =
16
n̅ = 1975
0,02206(1 − 0,02206)
LCS = 0,02206 + 3√
1975
LCS = 0,0302
LC = 0,0206
137
MODULO ACADÉMICO
0,02206(1 − 0,02206)
LCI = 0,02206 − 3√
1975
LCI = 0,0110
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos.
En este método, los puntos se grafican en unidades de desviación estándar. En la carta de control estandarizada, la
línea central es cero y los límites de control están a +3 y –3 respectivamente, la variable a graficar en la carta es:
𝑃𝑖 − 𝑃
𝑍𝑖 =
𝑃(1 − 𝑃)
√
𝑛𝑖
Donde p (o p si no hay estándar) es la fracción defectiva media del proceso en su condición de control estadístico;
pi, ni son datos de la muestra.
La curva OC muestra en forma gráfica la probabilidad de aceptar incorrectamente la hipótesis de control estadístico
(i.e. cometer un error tipo II o ). Esta curva proporciona una evaluación de la sensibilidad de la carta de control, o
sea la habilidad de detectar un corrimiento en la fracción no conforme del proceso, desde su valor nominal p a
algún otro valor p .
138
MODULO ACADÉMICO
La probabilidad de error tipo II para la carta de control de fracción defectiva o no conforme es:
Como D es una variable aleatoria binomial con parámetros n y p, el error puede ser obtenido de la función de
distribución acumulativa (la distribución de Poisson se puede utilizar como una aproximación).
Ejemplo, Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
139
MODULO ACADÉMICO
Para esta carta de control, también se puede calcular la longitud de corrida media ARL.
1
𝐴𝑅𝐿0 =
𝛼
140
MODULO ACADÉMICO
1
𝐴𝑅𝐿1 =
(1 − 𝛽)
Estas probabilidades de errores tipo I y II se pueden obtener o por cálculo de probabilidades o usando las curvas OC.
Ejemplo, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la curva OC se observa
que en este caso es 0.9973 estando en control, en este caso = 1 - = 0.0027 y el valor de ARL0 es:
1
𝐴𝑅𝐿0 = = 370
0,0027
Indicando que cada 370 puntos se puede tener una falsa alarma.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamaño constante son modeladas bien
por la distribución de Poisson, es decir implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia de una no conformidad en cualquier
localización sea pequeña y constante. Además cada unidad de inspección debe representar una “área de oportunidad”
idéntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de Poisson no es
apropiado.
Carta C.
En muchas ocasiones la característica que nos interesa controlar no es el número de individuos defectuosos sino el
número de defectos que aparecen en un individuo. Este tipo de control puede ser más completo que los presentados
anteriormente, puesto que:
En la gráfica C es completamente necesario que todas las muestras tengan un tamaño fijo, es decir, el tamaño de los
subgrupos sea constante.
En aquellos procesos que no generan individuos, como por ejemplo, los procesos continuos, también nos puede
interesar el control del número de defectos por cierta unidad definida: metro, metro-cuadrado, hora, etc. Otros
ejemplos en los que se puede aplicar estos gráficos son cuando se desea controlar el nº de pasajeros que toman un
vuelo determinado por día, o el nº de camas ocupadas en un hospital por semana, etc. En uno u otro caso, la
distribución subyacente es la distribución de poisson (𝜆), donde 𝜆 representa el número medio de ocurrencias por
unidad de tiempo, superficie, etc.
141
MODULO ACADÉMICO
Cuando 𝜆 es suficientemente grande se puede hacer una aproximación de la ley Poisson por la ley normal.
Los pasos que se deben seguir en la construcción del gráfico C son los siguientes:
1. Seleccionar lo que va a ser una unidad de medición: un individuo, un metro de cable, un metro cuadrado de
tela, una hora, etc.
2. Investigar si existe información histórica del parámetro 𝐶 , En tal caso construir los gráficos basándose en
los límites:
𝐿𝐶𝑆 = 𝐶̅ + 3√𝐶̅
𝐿𝐶 = 𝐶̅
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 ∑𝑘
𝑖=1 𝐶𝑖
Donde 𝜆 = 𝐶 = 𝑁º 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠 = 𝑘
Cuando el valor de𝐶 no es muy grande, la convergencia a la normal no es muy buena. En tales casos el límite inferior
suele ser negativo, lo cual no tiene ningún sentido, y se sustituye por 0.
1. Acomodar los datos obtenidos en y seguir las mismas reglas de control que con los gráficos anteriores.
142
MODULO ACADÉMICO
Ejemplo, Para el número de no conformidades observadas en 26 unidades de inspección sucesivas de 100 muestras
de circuitos impresos, se obtuvieron los datos siguientes:
∑𝐾
𝐼=0 𝐶𝑖
𝐶̅ =
𝑘
516
𝐶̅ =
26
𝐶̅ = 19,85
𝐿𝐶𝑆 = 33,21
𝐿𝐶 = 19,85
𝐿𝐶𝐼 = 6,48
143
MODULO ACADÉMICO
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
472
𝐶̅ =
24
𝐶̅ = 19,67
𝐿𝐶𝑆 = 32,97
𝐿𝐶 = 19,67
𝐿𝐶𝐼 = 6,36
144
MODULO ACADÉMICO
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos.
Continuando con el ejemplo, se toman 20 muestras adicionales durante los siguientes 2 turnos, la gráfica se hizo
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos.
Carta U
El gráfico U se utiliza para el mismo tipo de problemas que el gráfico C, pero cuando el tamaño de las muestras es
variable. Aquí las muestras están formadas por más de un elemento y cada elemento puede tener más de un defecto.
A continuación se presentan algunos ejemplos donde esto ocurre y que pueden ser representativos de las situaciones
generales:
145
MODULO ACADÉMICO
Puede resultar difícil tomar exactamente un metro cuadrado de tela, por lo que se toman piezas similares
de aproximadamente un metro cuadrado.
En el control del número de personas que acuden a una máquina registradora en una tienda, en lugar de
tomar las mediciones en intervalos de tiempo iguales, se toman las mediciones en intervalos más flexibles.
Cuando se mide el número de defectos por lote, éste puede no contener un número fijo de individuos.
En el gráfico U se colocan igualmente el número de defectos por unidad, pero ahora no tiene porqué ser un valor
entero. La distribución de referencia en la cual está basado el gráfico U puede ser calculada a través de la ley Poisson.
En efecto si
𝐶𝑖 = 𝑁° 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢e𝑠𝑡𝑟𝑎 𝑖
𝑛𝑖 = 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑖
𝑈𝑖 = 𝐶𝑖 /𝑛𝑖 𝑠𝑒𝑟á 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑖, 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒
𝑈𝑖 𝑠𝑒𝑔𝑢𝑖𝑟𝑎𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐io𝑛 𝑑𝑒 𝑝𝑜𝑖𝑠𝑠𝑜𝑛 𝑑𝑒 𝑚𝑒𝑑𝑖𝑎:
∑ 𝐶𝑖
̅=
𝑈 𝑑𝑜𝑛𝑑𝑒 𝑖 = 1,2, … , 𝑘
∑ 𝑛𝑖
̅
𝑈
̅ + 3√
𝐿𝐶𝑆 = 𝑈
𝑛
̅
𝐿𝐶 = 𝑈
̅
𝑈
̅ − 3√
𝐿𝐶𝐼 = 𝑈
𝑛
146
MODULO ACADÉMICO
Ejemplo, Para un fabricante de computadoras registrando los defectos en su línea de ensamble final. La unidad de
inspección es una computadora y se toman 5 unidades de inspección a un tiempo.
k Ci Ui k Ci Ui
1 10 2 11 9 1,8
2 12 2,4 12 5 1
3 8 1,6 13 7 1,4
4 14 2,8 14 11 2,2
5 10 2 15 12 2,4
6 16 3,2 16 6 1,2
7 11 2,2 17 8 1,6
8 7 1,4 18 10 2
9 10 2 19 7 1,4
10 15 3 20 5 1
Luego se calcula el U promedio:
∑ 𝐶𝑖
̅=
𝑈
𝑛∗𝑘
193
̅=
𝑈
5 ∗ 20
̅ = 1,93
𝑈
147
MODULO ACADÉMICO
̅
𝑈
̅ + 3√
𝐿𝐶𝑆 = 𝑈
𝑛
1,93
𝐿𝐶𝑆 = 1,93 + 3√
5
𝐿𝐶𝑆 = 3,79
̅
𝐿𝐶 = 𝑈
𝐿𝐶 = 1,93
̅
𝑈
̅ − 3√
𝐿𝐶𝐼 = 𝑈
𝑛
1,93
𝐿𝐶𝐼 = 1,93 − 3√
5
𝐿𝐶𝐼 = 0,066
En la carta de control no se observa falta de control estadístico, por tanto los límites preliminares se pueden utilizar
en corridas futuras.
148
MODULO ACADÉMICO
En algunos casos las cartas de control para no conformidades se utilizan en la inspección 100% de la producción o
lotes de producto, por tanto las unidades de inspección no son constantes. En esta carta se tiene una línea central
constante y los límites de control varían inversamente con la raíz cuadrada del tamaño de muestra n.
̅
𝑈
̅ + 3√
𝐿𝐶𝑆 = 𝑈
𝑛𝑖
̅
𝐿𝐶 = 𝑈
̅
𝑈
̅ − 3√
𝐿𝐶𝐼 = 𝑈
𝑛
Ejemplo, En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a continuación.
Unid.Insp. No Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
∑𝑘𝑖=0 𝐶𝑖
̅=
𝑈
∑𝑘𝑖=0 𝑛𝑖
153
̅=
𝑈
107,5
̅ = 1,42
𝑈
149
MODULO ACADÉMICO
Este proceso está bajo control estadístico debido a que en la carta de control no se encontró puntos por fuera de los
límites de control, ni tampoco secuencias, ni patrones cíclicos.
∑ 𝑛𝑖
𝑛̅ =
𝑘
107,5
𝑛̅ =
10
150
MODULO ACADÉMICO
𝑛̅ = 10,75
1,42
𝐿𝐶𝑆 = 1,42 + 3√
10,75
𝐿𝐶𝑆 = 2,51
𝐿𝐶 = 1,42
1,42
𝐿𝐶𝐼 = 1,42 − 3√
10,75
𝐿𝐶𝐼 = 0,329
2. Usando una de control estandarizada (opción preferida). Se grafica Zi con límites de control en +3 y –3, línea
central cero.
̅
𝑈𝑖 − 𝑈
𝑍𝑖 =
̅
√𝑈
𝑛𝑖
151
MODULO ACADÉMICO
La curva característica de operación (OC) puede ser obtenida tanto para la carta c como para la carta u a partir de
la distribución de Poisson. Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la media real
del número de defectos c, se expresa como sigue:
Ejemplo, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
c P(x<=33|c) P(x<=6|c) β
1 1 0,999 0,001
3 1 0,966 0,034
5 1 0,762 0,238
7 1 0,449 0,550
10 0,999 0,130 0,869
15 0,999 0,007 0,992
20 0,997 0,000 0,997
30 0,744 0,000 0,744
33 0,546 0,000 0,546
35 0,410 0,000 0,410
40 0,151 0,000 0,151
45 0,038 0,000 0,038
152
MODULO ACADÉMICO
153
MODULO ACADÉMICO
CAPÍTULO 5
MUESTREO PARA ACEPTACIÓN
154
MODULO ACADÉMICO
Aun en muchas ocasiones cuando se acostumbra a considerar el muestreo de aceptación como una actividad de
inspección de recepción, existen otros usos de los métodos de muestreo. Por ejemplo es común que un fabricante
haga muestreos e inspecciones de su propio producto en varias etapas de la producción. Los lotes que son aceptados
se remiten al procesamiento subsecuente y los lotes rechazados pueden reprocesarse o desecharse.
La alternativa sin inspección es útil en situaciones en que el proceso del proveedor es tan bueno que casi nunca se
encuentran unidades defectuosas o cuando no existe justificación económica para buscar unidades defectuosas. Por
ejemplo si el Cp del proceso es 3 o 4 es poco probable que en un muestreo de aceptación se descubra alguna unidad
defectuosa. La inspección del 100% se emplea generalmente cuando el componente es en extremo critico y deja pasar
unidades defectuosas daría como resultado un costo por fallas inaceptablemente elevado en las etapas subsecuentes,
o cuando la capacidad del proceso del proveedor es inadecuada para cumplir las especificaciones. El muestreo de
aceptación probablemente será de mayor utilidad en las siguientes situaciones:
155
MODULO ACADÉMICO
3. Cuando la inspección del 100% no es tecnológicamente factible y requeriría tanto tiempo de calendario que
se impactaría seriamente la programación de la producción.
4. Cuando son muchos los artículos por inspeccionar y la tasa de errores de inspección es tan elevada que la
inspección 100% podría hacer que se aprobara un porcentaje más alto de unidades defectuosas que con la
aplicación de un plan de muestreo.
5. Cuando el proveedor tiene un historial de calidad excelente, y se desea cierta reducción en la inspección del
100% pero la capacidad del proceso del proveedor es lo suficientemente baja para hacer que la cancelación
de la inspección no sea una alternativa satisfactoria.
6. Cuando existen riesgos de responsabilidad legal del producto potencialmente serios y aun cuando el proceso
del proveedor sea satisfactorio, se necesita un programa de monitoreo continuo del producto.
1. Suele tener costos más bajos, debido a que hay menos inspección.
2. Hay menos manejo del producto, y en consecuencia, se reducen daños.
3. Puede aplicarse en pruebas destructivas.
4. Menos personal participa en las actividades de inspección.
5. Con frecuencia reduce en gran medida la cantidad de errores de inspección.
6. El rechazo de lotes completos, por oposición a la simple devolución de las unidades defectuosas, con
frecuencia proporciona una motivación mayor para que el proveedor atienda el mejoramiento de calidad.
Sin embargo el muestreo de aceptación también presenta varias desventajas. Entre ellas se encuentran:
156
MODULO ACADÉMICO
Supongamos que se ha sometido a inspección un lote de tamaño N. Un plan de muestreo simple está definido por el
tamaño de la muestra n y el número de aceptación c.
A partir de esto datos, se puede definir la probabilidad de aceptación del lote o P_a, la cual está dada por:
𝒄
(𝒌𝒙)(𝑵−𝑲
𝒏−𝒙
)
𝑷𝒂 = 𝑷(𝒙 ≤ 𝒄) = ∑
𝒙=𝟎
(𝑵𝒏)
Como se puede apreciar, esta probabilidad es determinada haciendo uso de una distribución hipergeométrica con
parámetros (N,n,k), donde k es la proporción de productos no conformes dentro del lote, y su valor se estima del
producto entre p’ y N. Luego, el valor de p’, que es la probabilidad de hallar un producto no conforme dentro del lote,
puede ser determinado por medio de un análisis de capacidad del proceso de fabricación.
Para disminuir la complejidad de los ejercicios y teniendo en cuenta la relación existente entre las distribuciones
Hipergeométrica y Binomial, la probabilidad de aceptación puede ser determinada, también, a partir de una
aproximación a Binomial con probabilidad de éxito p’.
Ejemplo
Un fabricante de cierto producto, a partir de un análisis de capacidad de su proceso productivo, pudo determinar que
el porcentaje de productos no conformes arrojado era de 10%. Antes del despacho de los artículos al cliente, forma
lotes de 500 productos, cada uno. Su cliente principal maneja un plan de muestreo, donde n=50 y c=3. Determinar la
probabilidad de aceptación de estos lotes por parte del cliente.
Si se intenta determinar esta probabilidad a partir de una distribución hipergeométrica, su valor será imposible
determinarlo, haciendo uso de una calculadora, por esta razón, se recomienda el uso de una distribución binomial. En
este sentido se tiene:
3
50
𝑃𝑎 = 𝑃(𝑥 ≤ 3) = ∑ ( ) (0,1)𝑥 (1 − 0,1)50−𝑥 = 0,25029
𝑥
0
Haciendo uso de Microsoft Excel, es posible determinar el valor de esta probabilidad, utilizando una distribución
hipergeométrica, es decir, de la manera correcta. Así, se tiene:
157
MODULO ACADÉMICO
3
(50
𝑥
450
)(50−𝑥 )
𝑃𝑎 = 𝑃(𝑥 ≤ 3) = ∑ = 0,235858
0
(500
50
)
Como se puede apreciar ambas probabilidades se asemejan, lo que indica que la distribución binomial es una buena
alternativa de encontrar la probabilidad de aceptación cuando no se cuenta con programas avanzados para su cálculo.
Los planes de muestreo único y doble pueden diseñarse de tal modo que produzcan resultados equivalente. Es decir
estos procedimientos pueden diseñarse para un lote con una calidad especificada, tengan exactamente la misma
probabilidad de aceptación bajo los cuatro tipos de planes de muestreo. Por consiguiente se selecciona el tipo de
procedimiento de muestre, deben considerarse factores tales como la eficiencia administrativa, el tipo de información
producida por el plan, la cantidad de inspección promedio requerida por el procedimiento y el impacto que puede tener
dado sobre el flujo de material en la organización manufacturera.
Un plan de muestreo múltiple es una extensión del concepto del muestreo doble, por cuanto pueden necesitarse más
de dos muestras para llegar a una decisión respecto del destino del lote. Los tamaños de la muestra en el muestreo
múltiple suelen ser más pequeños que en el muestreo único o en el doble. La extensión última del muestreo múltiple
es el muestreo secuencial, en el que las unidades del lote se seleccionan una vez, y después de inspeccionar cada
unidad se toma la decisión de aceptar, rechazar el lote o seleccionar otra unidad.
La manera en que se forme el lote puede influir en la efectividad del plan de muestreo de aceptación, hay varias
consideraciones importantes cuando se forman los lotes para inspección. Algunas de ellas son las siguientes.
Los lotes deben ser homogéneos, es decir las unidades deberán producirse por las mimas maquinas, los
mismos operadores y con materias primas comunes, aproximadamente en el mismo tiempo. Cuando los lotes
no son homogéneos, como cuando se mezcla la salida de dos líneas de producción diferentes, el esquema de
muestreo de aceptación quizá no funcione con tanta efectividad como podría hacerlo.
Son preferibles los lotes grandes a pequeños, suele haber más eficiencia económica al inspeccionar lotes
grandes que pequeños.
Los lotes deberán ajustarse a los sistemas de manejar de materiales usados en las instalaciones del
proveedor y del consumidor, además, de los artículos de los lotes deberán ser empacados de tal modo que
se minimicen los riesgos en el embarque y manejo y que sea relativamente sencillo de seleccionar de las
unidades de la muestra.
158
MODULO ACADÉMICO
Un plan de muestreo por aceptación es un enunciado del tamaño de la muestra que debe usarse y los criterios de
aceptación o rechazo asociados para dictaminar lotes individuales.
n=82
c=2
Significa que se inspecciona una muestra aleatoria de n=82 unidades del lote de tamaño 10.000 y que si el número de
artículos defectuosos observados es menor o igual que c=2, el lote será aceptado, si el número de artículos
defectuosos es mayor que 3 el lote será rechazado. Puesto que la característica de calidad inspeccionada es un
atributo, cada unidad de muestra se dictamina como conforme o disconforme, puede inspeccionarse uno o varios
atributos en la misma muestra: en general, se dice que una unidad disconforme respecto a las especificaciones; en
uno o más atributos, es una unidad defectuosa. A este procedimiento se le llama un plan de muestreo único porque el
lote se dictamina con base en la información contenida en una sola muestra de tamaño n.
159
MODULO ACADÉMICO
5.5.2 La curva OC
Una medida importante del desempeño de un plan de muestreo único es la curva de operación característica (OC). En
esta curva grafica la probabilidad de aceptar el lote contra la fracción defectuosa del lote. Por tanto la curva OC
indica la potencia discriminatoria del plan de muestreo. Es decir, indica la probabilidad de que un lote con cierta
fracción defectuosa propuesto sea aceptado o rechazado.
Ejemplo
n=80 c=5
𝑝’ 𝑃𝑎
0,02 0,9945
0,04 0,8988
0,06 0,6521
0,08 0,3750
0,1 0,1769
0,12 0,0709
0,14 0,0248
0,16 0,0077
0,18 0,0021
0,2 0,0005
De esta manera la gráfica resulta de la siguiente forma:
160
MODULO ACADÉMICO
Para graficar una curva de operación, basta solo con darle valores a p’, y teniendo en cuenta el tamaño de la muestra
y número de aceptación dado para el plan, se hallan diferentes valores para P_a.
161
MODULO ACADÉMICO
En este orden de ideas, es común que el consumidor establezca un plan de muestreo para un abastecimiento continuo
de componentes o materia prima con referencia a un nivel aceptable de calidad (NAC) o AQL (por sus siglas en inglés).
El NAC representa el nivel de calidad más pobre del proceso del proveedor que el consumidor consideraría aceptable
como promedio del proceso. Este parámetro es una propiedad del proceso de manufactura del proveedor; no es una
propiedad del plan de muestreo. Muchas veces el consumidor diseñará el procedimiento de muestreo de tal modo que
la curva OC dé una alta probabilidad de aceptación en el NAC. Se espera que el proceso del proveedor opere con un
nivel de porción caída que sea considerablemente mejor que el AQL.
El consumidor también estará interesado en el otro extremo de la curva OC, es decir, en la protección que se obtiene
para los lotes individuales de calidad pobre. En una situación así, el consumidor puede establecer una tolerancia del
porcentaje defectuoso de un lote (LTPD, por sus siglas en inglés). El LTPD es el nivel de calidad más pobre que el
consumidor está dispuesto a aceptar en un lote individual.
Aún cuando podrían utilizarse dos puntos cualesquiera en la curva OC para definir el plan de muestreo, en muchas
industrias se acostumbra usar los puntos NAC y LTPD para este fin. Cuando los niveles de calidad del lote especificados
son p_1=AQLyp_2=LTPD, suele hacerse referencia a los puntos correspondientes en la curva OC como el riesgo del
producto y el punto del riesgo del consumidor. Por tanto, α se llamaría el riesgo del productor y β se llamaría el
riesgo del consumidor. Gráficamente, se puede apreciar esta relación en la figura 21, donde para el ejemplo se trabaja
con un NAC de 2% y un LTPD de 7%. En este sentido, teniendo en cuenta la curva de operación anterior, es posible
determinar el valor de ambos riesgos de la siguiente manera:
𝑯𝒐 = 𝑳𝒐𝒕𝒆𝒅𝒆𝒃𝒖𝒆𝒏𝒂𝑪𝒂𝒍𝒊𝒅𝒂𝒅
𝑯𝟏 = 𝑳𝒐𝒕𝒆𝒅𝒆𝒎𝒂𝒍𝒂𝑪𝒂𝒍𝒊𝒅𝒂𝒅
𝑹𝒆𝒄𝒉𝒂𝒛𝒐𝑯𝒐
𝜶= = 𝑹𝒆𝒄𝒉𝒂𝒛𝒐𝒖𝒏𝒍𝒐𝒕𝒆𝒃𝒖𝒆𝒏𝒐
𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒂
𝑵𝒐𝒓𝒆𝒄𝒉𝒂𝒛𝒐𝑯𝒐
𝜶= = 𝑵𝒐𝒓𝒆𝒄𝒉𝒂𝒛𝒐𝒖𝒏𝒍𝒐𝒕𝒆𝒎𝒂𝒍𝒐
𝑭𝒂𝒍𝒔𝒂
𝒄
𝒏
𝟏 − 𝜶 = ∑ ( ) (𝒑𝟏 )𝒙 (𝟏 − 𝒑𝟏 )𝒏−𝒙 𝒅𝒐𝒏𝒅𝒆 𝒑𝟏 = 𝑨𝑸𝑳
𝒙
𝒙=𝟎
𝒄
𝒏
𝜷 = ∑ ( ) (𝒑𝟐 )𝒙 (𝟏 − 𝒑𝟐 )𝒏−𝒙 𝒅𝒐𝒏𝒅𝒆 𝒑𝟐 = 𝑳𝑻𝑷𝑫
𝒙
𝒙=𝟎
162
MODULO ACADÉMICO
La curva OC tipo A se usa para calcular probabilidades de aceptación de un lote aislado de tamaño infinito. Suponer
que el lote de tamaño N, con tamaño de muestra n y que el número de aceptación c. la distribución de muestreo exacta
del número de artículos defectuosos en la muestra es la distribución hipergeométrica.
Los programas de inspección con rectificación se usan en situaciones en las que el fabricante desea conocer el nivel
promedio de calidad que es posible resulte en una etapa dada de las operaciones de manufactura. Por tanto, estos
programas se usan en la inspección de recepción, en la inspección dentro del proceso de productos semiterminados
o en la inspección final de bienes terminados.
163
MODULO ACADÉMICO
La calidad de salida promedio (AOQ, por sus siglas en inglés) se usa ampliamente para la evaluación de un programa
de muestreo con rectificación. Este factor es la calidad en el lote que resulta de la aplicación de la inspección con
rectificación.
Es el valor promedio de la calidad del lote que se obtendría en una secuencia larga de lotes de un proceso con fracción
defectuosa p’. Es sencillo desarrollar una fórmula para el AOQ. Suponer que el tamaño del lote es N y que todas las
unidades defectuosas se reemplazan con unidades satisfactorias. Entonces en lotes de tamaño N, se tiene:
Por tanto, los lotes en la etapa de salida de la inspección tienen un número esperado de unidades defectuosas igual a
𝑃𝑎 𝑝′(𝑁 − 𝑛), que puede expresarse como una fracción defectuosa promedio, llamada la calidad de salida
promedio:
𝑷𝒂 𝒑′(𝑵 − 𝒏)
𝑨𝑶𝑸 =
𝑵
Cuando el tamaño del lote se hace grande en comparación al tamaño de la muestra, esta ecuación puede escribirse
como:
𝑨𝑶𝑸 ≈ 𝑷𝒂 𝒑′
La calidad promedio de salida variará cuando la fracción defectuosa de los lotes de entrada varíe. A la curva que
grafica la cantidad de salida promedio contra la calidad del lote de entrada se le llama curva AOQ. A continuación la
figura 22 hace una presentación de esta gráfica.
164
MODULO ACADÉMICO
Por el examen de esta curva se observa que cuando la calidad de entrada es muy buena, la calidad de salida promedio
también es muy buena. En contraste, cuando la calidad del lote de entrada es muy mala, la mayoría de los lotes son
rechazados y se examinan, lo que lleva a un nivel de calidad muy bueno en los lotes de salida. En medio de los extremos,
la curva AOQ sube, pasa por un máximo y desciende. La ordenada máxima en la curva AOQ representa la peor calidad
promedio posible que resultaría del programa de inspección con rectificación, y a este punto se le llama el límite de
la calidad de salida promedio (AOQL, por sus siglas en inglés). Es decir, sin importar lo mala que sea la fracción
defectuosa en los lotes de entrada, los lotes de salida nunca tendrán un nivel de calidad peor que el AOQL.
𝟐
|𝒁𝜶 | + 𝒁𝜷 √𝒑𝟐⁄𝒑𝟏
𝝀𝟏 = 𝒑𝟐 𝒄𝟏 + 𝒄𝟐
⁄𝒑𝟏 − 𝟏 𝒄=
𝟐
[ ]
165
MODULO ACADÉMICO
𝒑𝟐 𝝀𝟏
𝝀𝟐 = 𝝀𝟏 ∗ ⁄𝒑𝟏 𝒏𝟏 =
𝒑𝟏
𝒄𝟏 = 𝝀𝟏 + 𝒁𝜶 √𝝀𝟏
𝝀𝟐
𝒏𝟐 =
𝒑𝟐
𝒄𝟐 = 𝝀𝟐 − 𝒁𝜷 √𝝀𝟐
𝒏𝟏 + 𝒏𝟐
𝒏=
𝟐
166
MODULO ACADÉMICO
La ventaja principal del plan de muestreo doble con respecto al plan de muestreo único es que puede reducir la
cantidad total de inspección requerida. Suponer la primera muestra tomada en un plan de muestreo doble es menor
que la muestra que se habría requerido al usar un plan de muestreo único que ofrece la misma protección al
consumidor. En todos los casos, entonces, en que un lote sea aceptado o rechazado en la primera muestra, el costo
de inspección será más bajo para el muestreo doble del que sería para un muestreo único. También es posible
rechazar un lote sin hacer la inspección completa a la segunda muestra. Por consiguiente el uso del muestreo doble
con frecuencia puede llevar a costos totales de inspección más bajo.
El muestreo doble tiene dos ventajas potenciales. Primera, a menos que se use el cercenado en la segunda muestra,
bajo determinadas circunstancias de muestreo doble puede requerir más inspección total de la que se necesitaría en
un plan de muestreo único que ofrezca la misma protección.
La segunda desventaja del muestreo doble es que presenta mayor complejidad administrativa, lo cual puede aumentar
la oportunidad para la ocurrencia de errores de inspección.
Ejemplo
Dado un lote de 80 artículos, con un porcentaje de productos no conformes de 5%, determine la probabilidad de
aceptación de los lotes para el siguiente plan de muestreo doble.
𝑛1 = 20 𝑐1 = 1
𝑛2 = 10 𝑐1 = 3
Este ejercicio puede resolverse utilizando un árbol de decisión. Inicialmente, se analizan los valores que pueden tomar
𝑋1 𝑦𝑋2, teniendo en cuenta las restricciones dadas para este tipo de plan:
167
MODULO ACADÉMICO
La probabilidad para cada uno de los casos encontrados son las siguientes:
(40)(76
20
)
𝑷(𝑿𝟏 = 𝟎) = = 0,3083
(80
20
)
(41)(76
19
)
𝑷(𝑿𝟏 = 𝟏) = = 0,4327
(80
20
)
(42)(76
18
)
𝑷(𝑿𝟏 = 𝟐) = = 0,2126
(80
20
)
(43)(76
17
)
𝑷(𝑿𝟏 = 𝟑) = = 0,0432
(80
20
)
168
MODULO ACADÉMICO
(40)(76
10
)
𝑷(𝑿𝟐 = 𝟎) = = 0,5797
(80
10
)
(41)(76
9
)
𝑷(𝑿𝟐 = 𝟏) = = 0,3461
(80
10
)
(42)(76
8
)
𝑷(𝑿𝟐 = 𝟐) = = 0,0687
(80
10
)
𝑷𝒂 = 0,9604
5.7.2 La curva OC
El desempeño de un plan de muestreo doble puede resumirse de manera conveniente por medio de su curva de
operación característica (OC). La curva OC para un plan de muestreo doble es poco más complicada que la curva OC
para un muestreo único. Un plan de muestreo doble tiene una curva OC primaria que da la probabilidad de aceptación
como una función de la calidad del lote o proceso. Tiene también curvas OC complementarias que muestran la
probabilidad de aceptación o de rechazo en la primera muestra. La curva OC para la probabilidad de rechazo en la
primera muestra es simplemente la curva OC para el plan de muestreo único.
169
MODULO ACADÉMICO
Donde P1 es probabilidad que el lote se acepte en la primera muestra + probabilidad que el lote se rechace en la
primera muestra.
La ventaja de estos planes de muestreo es que las muestras requeridas en cada etapa por lo general son menores
que las de un muestreo único o doble; por tanto, se relaciona cierta eficiencia económica con el uso del procedimiento.
Sin embargo, la administración del muestreo múltiple es mucho más compleja.
El estándar contempla tres tipos de muestreo: el muestreo único, el muestreo doble, y el muestreo múltiple. Para cada
tipo de muestreo, se estipula la inspección normal, la inspección rigurosa, o la inspección reducida. La inspección
normal se usa al principio de la actividad de inspección. La inspección rigurosa se establece cuando el historial
reciente del proveedor se ha deteriorado. Los requerimientos de aceptación para los lotes sujetos a inspección
170
MODULO ACADÉMICO
rigurosa son más estrictos que bajo la inspección normal. La inspección reducida se establece cuando el historial
reciente del proveedor ha sido excepcionalmente bueno. El tamaño de la muestra que se usa generalmente en la
inspección reducida es menor que en la inspección normal.
El tamaño de la muestra usado en el MIL STD 105E está determinado por el tamaño del lote y por la elección del nivel
de inspección. Se estipulan tres niveles generales de inspección. El nivel II se designa como normal. El nivel I requiere
aproximadamente la mitad de la cantidad de inspección que el nivel II y puede usarse cuando se necesita menos
discriminación. El nivel III requiere aproximadamente el doble de inspección que el nivel II y deberá usarse cuando se
necesite más discriminación. Hay también cuatro niveles de inspección especiales, S-1, S-2, S-3 y S-4. Los niveles de
inspección especiales utilizan muestras muy pequeñas y son útiles cuando las pruebas de aceptación son de tipo
destructivo.
Para un AQL, un nivel de inspección especificados y un tamaño de lote dado, el MIL STD 105E proporciona un plan de
muestreo normal que debe usarse mientras el proveedor esté produciendo el producto con calidad AQL o mejor.
También proporciona un procedimiento para hacer el cambio de inspección rigurosa, o reducida siempre que haya
una indicación de que la calidad del proveedor ha cambiado. Los procedimientos para cambiar entre la inspección
normal, la rigurosa y la reducida se describen a continuación:
Normal a rigurosa: cuando se esté aplicando la inspección normal, la inspección rigurosa se establece
cuando dos de los cinco lotes consecutivos han sido rechazados en la inspección original.
Rigurosa a normal: cuando se está aplicando la inspección rigurosa, la inspección normal se establece
cuando cinco lotes consecutivos o cargas son aceptados en la inspección original.
Norma a reducida: Cuando se está aplicando la inspección normal, la inspección reducida se establece
siempre que se satisfagan 4 condiciones:
Los 10 lotes precedentes han estado bajo inspección normal y ninguno de ellos ha sido rechazado en la
inspección original.
El número total de artículos defectuosos en las muestras de los 10 lotes precedentes es menor o igual
al número limite aplicable que se ha especificado en el estándar.
La producción se hace a una velocidad estable; es decir no ha ocurrido recientemente ninguna dificultad
como descomposturas de maquinas, déficit de materiales disponibles u otros problemas.
La autoridad responsable del muestreo considera deseable la inspección reducida.
Reducida a la normal: cuando se está aplicando la inspección reducida, la inspección normal se establece
siempre que se fatiga cualquiera de las cuatro condiciones siguientes:
Un lote es rechazado.
Cuando el procedimiento de muestreo termina sin que se hayan satisfecho los criterios de aceptación
ni de rechazo, el lote o carga se acepta, pero se estable de nuevo la inspección normal a partir del
siguiente lote.
La producción es irregular o sufre retrasos.
Otras condiciones que garantían el establecimiento de la inspección normal.
5.10.2 Procedimiento
Un procedimiento paso a paso para usar el estándar MIL STD 105E es el siguiente:
171
MODULO ACADÉMICO
Hay varios puntos del MIL STAD 105E que es necesario enfatizar:
EJEMPLOS
1. La empresa Condecal Ltda., obtiene un contrato para suministrar 20 lotes de 60.000 piezas cada uno. En el
contrato se establece que el cliente realiza una inspección según MIL STD, Nivel general II con un NAC = 2,5.
Determine el tamaño de la muestra y el criterio de aceptación.
Solución.
Haciendo uso del tamaño del lote, se determina la letra código, para este caso es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se puede apreciar que el tamaño de la
muestra es de 500 y el número de aceptación de 21.
2. Su empresa obtiene un contrato para suministrar 5 lotes de 1.000 piezas. La fabricación de estas piezas es
relativamente sencilla pero presenta la dificultad de tener una tolerancia bilateral muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizará una inspección según MIL-S TD-105E, AQL=0.10, simple,
nivel II.
a. Hallar el tamaño de la muestra necesario para cada lote y el criterio de aceptación y rechazo.
b. Dado que su empresa no tiene experiencia en la fabricación de la pieza, su jefe le pide que calcule la
probabilidad de que su cliente acepte los 5 lotes en función de la fracción defectuosa de la fabricada, si su
empresa sirve ese pedido sin realizar una inspección 100% final.
c. Para poder cumplimentar el pedido, su empresa piensa adquirir una nueva máquina para realizar la
operación de fabricación mencionada anteriormente. Si se supone que el proceso permanece centrado ¿Cuál
172
MODULO ACADÉMICO
es el índice de capacidad de proceso Cp que debe tener la máquina a adquirir si se pretende tener una
`probabilidad del 90% de que el cliente no rechace ningún lote?.
d. Debido al alto precio de la máquina anterior, su empresa decide hacer un lanzamiento piloto con la máquina
antigua. Fabrica 50 unidades que se verifican todas y 2 de ellas resultan defectuosas. Se pide estimar la
fracción defectuosa existente mediante un intervalo de confianza del 95%.
e. Para cumplimentar el contrato con la maquinaria antigua, se planifica realizar una inspección final 100%
para segregar las unidades defectuosas. Alguien propone reemplazarla por un muestreo. ¿Qué opina usted?.
Solución:
5 𝑙𝑜𝑡𝑒𝑠
𝑁 = 1000
𝑁𝐴𝐶 = 0,1
Código “J”
𝑛 = 80
𝑐=0
b. Para calcular la probabilidad de que el cliente acepte los 5 lotes se utiliza la fórmula de la
distribución Binomial:
5
𝑃(𝑋 = 5) = ( ) 𝑃𝑎5 (1 − 𝑃𝑎)5−5
5
Como no se conoce Pa, pero se cabe que la combinatoria de (5C5)=1, y además todo número elevado a la cero es igual
a 1, entonces:
𝑃(𝑋 = 5) = 𝑃𝑎5
Como se necesita que esta probabilidad quede en función de la fracción defectuosa, entonces en necesario aplicar la
siguiente fórmula:
80 0
𝑃𝑎 = ( ) 𝑝 (1 − 𝑝)80−0
0
Así como con lo mencionado anteriormente, la combinatoria de (5𝐶0) = 1 y 𝑝0 = 1: entonces:
173
MODULO ACADÉMICO
c. Si se quiere tener una probabilidad de aceptación igual al 90%, entonces para obtener el
porcentaje de PNC, se reemplaza en la fórmula anterior teniendo:
400
𝑃𝑎 = 0,9 → 𝑃(𝑋 = 5) = 𝑃𝑎5 → 0,9 = (1 − 𝑝)400 → 𝑝 = 1 − √0,9 = 0,00026
Como el proceso está centrado, entonces se tiene el mismo porcentaje de PNC por cada uno de los límites, por tanto:
𝑃𝑁𝐶𝐿𝐼𝐸 = 0,000132
Entonces:
𝐿𝐼𝐸 − 𝑥̅
𝑃(𝑧 ≤ 𝐿𝐼𝐸) → 𝑍𝐿𝐼𝐸 ≤
𝜎
𝐿𝐼𝐸 − 𝑥̅
𝑍0,000132 =
𝜎
𝐿𝐼𝐸 − 𝑥̅
−3,65 =
𝜎
−3,65𝜎 + 𝑥̅ = 𝐿𝐼𝐸
Ahora, reemplazando lo anterior en la fórmula de C_pl:
𝑃̂(1 − 𝑃̂ )
𝑃 = 𝑃̂ ± 𝑍∝/2 √
𝑛
En donde
2
𝑃̂ = = 0,04
50
1 − 𝑃̂ = 0,96
1−∝= 0,95
∝= 0,05
∝
= 0,025
2
𝑛 = 50
0,04(0,96)
𝑃 = 0,04 ± 1,95√
50
174
MODULO ACADÉMICO
𝑃 = 0,04 ± 0,054
𝑃 = 0,04 ± 0,054
−0,01 ≤ 𝑃 ≤ 0,094
0 ≤ 𝑃 ≤ 0,094
CSP-1
Este modelo de inspección se constituye dentro de los planes de muestreo por variables como un plan de muestreo
continuo. Fue desarrollado por Harold F. Dodge. Al principio del plan, todas las unidades se inspeccionan al 100%. Tan
pronto como se llega al número de liberación, es decir, tan pronto como se encuentra que i unidades consecutivas del
producto no presentan defectos, se discontinúa la inspección 100%, y sólo se inspecciona una fracción f de las
unidades. Estas unidades muestrales se seleccionan al azar, una a la vez, del flujo de la producción. Si se encuentra
que una de las unidades muestrales es defectuosa, se reanuda la inspección del 100%. Todas las unidades defectuosas
encontradas se someten a reprocesamiento o se reemplazan con unidades satisfactorias.
Un plan CSP-1 tiene un AOQL global. El valor de este parámetro depende de los valores del número de liberación i y de
la fracción muestral f. Estos valores están dados en la tabla 9 de la sección 7.
CSP-2
En el desarrollo de este plan, la inspección 100% no se restablecerá cuando la producción este bajo inspección
muestral hasta que hayan encontrado dos unidades defectuosas dentro de un espacio de K unidades muestrales entre
sí. Es una práctica común elegir K igual al número de liberación i. Estos planes están registrados por AOQL específicos
que pueden obtenerse con diferentes combinaciones de i y f.
CSP-3
Este plan es muy similar al CSP-2 pero está diseñado para brindar protección adicional contra la producción irregular.
Requiere que después de que se ha encontrado una unidad defectuosa, se restablece de inmediato la inspección al
100%. Si no se encuentran unidades defectuosas, el plan continúa bajo el CSP-2.
Ejemplo
Para lotes de 90.000 unidades un comprador y su vendedor acuerdan un plan de muestreo MIL STD por atributos,
inspección normal, muestreo sencillo simple. NAC = 2,5%, LTPD = 5,3%.
175
MODULO ACADÉMICO
La línea del fabricante es un proceso en serie y tiene una fracción no conforme igual a 9%. Para conformar sus
despachos de los lotes, el fabricante aplica un CSP al final de la línea de producción que le deja un AOQL igual a 2%.
Solución
Teniendo como parámetros de decisión el NAC y el tamaño del lote, se determina el tamaño de la muestra y número
de aceptación, haciendo uso de la tabla MIL STD para inspección normal. De esta manera se obtiene:
𝑛 = 500 𝑐 = 21
a. Probabilidad de aceptación
Como p’ se utiliza el valor del AOQL, puesto que es la proporción real de productos no conformes después de
rectificación.
21
500
𝑃𝑎 = 𝑃(𝑥 ≤ 21) = ∑ ( ) (0,02)𝑥 (1 − 0,02)500−𝑥 = 0,99939
𝑥
𝑥=0
b. Riesgo Tipo II
Puesto que El riesgo tipo II se calcula a partir del LTPD, el cual debería ser el mayor porcentaje de productos no
conformes aceptados, pero se realizó una rectificación, esta proporción nunca será mayor al AOQL, por lo tanto, el
riesgo tipo II es cero (0).
176
MODULO ACADÉMICO
Para ubicar el límite de calidad indiferente, es necesario proyectar hacia la curva, con una probabilidad de aceptación
de 0.5 para conocer la fracción de disconformes lo que será el IQL Como se observa en la línea punteada el IQL
corresponde aproximadamente a un 0.16 de proporción de productos no conformes.
EJERCICIOS PROPUESTOS
1. Un proceso de llenad para recipiente de aceite en condiciones de estado estable, tiene una media de 100 lb y una
desviaciones estándar de 3 libras en dicha etapa, la cual suministra los recipientes llenos a la etapa de despacho.
conservados su variabilidad. En el despacho aceptan un 5% de rechazar los lotes de buena calidad, caso dado, que
reciben de la etapa de llenado y el doble del riesgo anterior para lotes de aceptar lotes de mala calidad y por lo
tanto van a poner en aplicación un plan de muestreo por atributos con un lector que clasifica los recipientes como
conformes o no conformes.
Cada lote que se procesa de llenado en serie en la etapa de llenado consta de 100000 recipientes.
La línea de producción tiene una fracción de no conforme igual al 7%. El cliente utiliza para la recepción Nivel
general de Inspección, Normal MIL STD 105E para su plan de muestreo. El fabricante utiliza un plan de muestreo
CSP1 con f=4% y un valor i=86 para el despacho de los lotes.
177
MODULO ACADÉMICO
La fabricación de estas piezas es relativamente sencilla pero representar la dificultad de tener una tolerancia
bilateral muy estrecha en una de sus dimensiones. El contrato establece que el cliente recibirá una inspección
según MIL STD 105E Nivel General de Inspección, AQL 2,5 simple, nivel II.
a. Para poder cumplir con el pedido, su empresa piensa adquirir una nueva máquina para realizar la operación
de fabricación mencionada anteriormente. Si se supone que el proceso se mantiene centrado, ¿Cuál es el
índice de capacidad del proceso Cp que debe tener la maquina a adquirir si se pretende tener una
probabilidad conjunta total de 0,85 para la aceptación de 10 lotes?
b. ¿Cuál es la probabilidad de aceptar al menos el 50% de los lotes?
4. Su empresa obtiene un contrato para suministrar 5 lotes de 1000 pieza. La fabricación de estas piezas es
relativamente sencilla peros presenta dificultad de tener una tolerancia bilateral muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizara una inspección según MIL STD 105E, AQL=0,10, simple,
nivel II.
a. Hallar el tamaño de la muestra necesario para cada lote y el criterio de aceptación.
b. Dado que su empresa no tiene experiencia en la fabricación de la pieza, su jefe le pide que calcule la
probabilidad de que su cliente acepte los 5 lotes en función de la fracción defectuosa de la fabricada, si su
empresa sirve ese pedido sin realizar una inspección 100% final.
c. Para poder cumplir con el pedido, su empresa piensa adquirir una nueva máquina para realizar la operación
de fabricación mencionada anteriormente. Si se supone que el proceso permanece centrado, ¿Cuál es el
índice de capacidad del proceso Cp que debe tener la maquina a adquirir si se pretende tener una
probabilidad del 90% de que el cliente no rechace ningún lote?
d. Debido al alto precio de .la maquina anterior, su empresa decide hacer lanzamiento piloto con la maquina
antigua. Fabrica 50 unidades que se verifican todas y 2 de ella resultan defectuosas. Se pide estimar la
fracción defectos existente en un intervalo de confianza del 95%
e. Para cumplir con el contrato con la maquinaria antigua, se planifica realizar una inspección final 100% para
segregar las unidades defectuosas. Alguien propone reemplazarla por un muestreo, ¿Qué propone Ud.?
5. Su empresa ha acordado con un cliente las condiciones de recepción de su los envíos de lotes de 5000 piezas. El
plan de muestreo por atributos acordado es el siguiente:
n=50
Ac=0
Por datos históricos Ud. sabe que la fabricación de su empresa es muy estable y tiene un 0,35% de unidades
defectuosas.
178
MODULO ACADÉMICO
179
MODULO ACADÉMICO
ANEXOS
180
MODULO ACADÉMICO
181
MODULO ACADÉMICO
182
MODULO ACADÉMICO
183
MODULO ACADÉMICO
184
MODULO ACADÉMICO
185
MODULO ACADÉMICO
186
MODULO ACADÉMICO
187
MODULO ACADÉMICO
188
MODULO ACADÉMICO
189
MODULO ACADÉMICO
TABLA 6. Tabla Maestra para la inspección Normal, Muestreo único (MIL STD 105, Tabla II-A)
190
MODULO ACADÉMICO
TABLA 7. Tabla Maestra para la inspección Rigurosa, Muestreo único (MIL STD 105, Tabla II-B)
191
MODULO ACADÉMICO
TABLA 8. Tabla Maestra para la inspección Reducida, Muestreo único (MIL STD 105, Tabla II-C)
192
MODULO ACADÉMICO
AOQL (%)
f 0,018 0,033 0,046 0,074 0,113 0,143 0,198 0,33 0,53 0,79 1,22 1,9 2,9 4,94 7,12 11,46
𝟏⁄ 1540 840 600 375 245 194 140 84 53 36 23 15 10 6 5 3
𝟐
𝟏⁄ 2550 1390 1000 620 405 321 232 140 87 59 38 25 16 10 7 5
𝟑
𝟏⁄ 3340 1820 1310 810 530 420 303 182 113 76 49 32 21 13 9 6
𝟒
𝟏⁄ 3960 2160 1550 965 630 498 360 217 135 91 58 38 25 15 11 7
𝟓
𝟏⁄ 4950 2700 1940 1205 790 623 450 270 168 113 73 47 31 18 13 8
𝟕
𝟏⁄
𝟏𝟎 6050 3300 2370 1470 965 762 550 335 207 138 89 57 38 22 16 10
𝟏⁄
𝟏𝟓 7390 4030 2890 1800 1180 930 672 410 255 170 108 70 46 27 19 12
𝟏⁄
𝟐𝟓 9110 4970 3570 2215 1450 1147 828 500 315 210 134 86 57 33 23 14
𝟏⁄
𝟓𝟎 11730 6400 4590 2855 1870 1477 1067 640 400 270 175 110 72 42 29 18
𝟏⁄
𝟏𝟎𝟎 14320 7810 5600 3485 2305 1820 1302 790 500 330 215 135 89 52 36 22
𝟏⁄
𝟐𝟎𝟎 17420 9500 6810 4235 2760 2178 1583 950 590 400 255 165 106 62 43 26
193
MODULO ACADÉMICO
194