Modulo Academico Condecal-1 PDF

1
PRÓLOGO
El propósito del presente módulo de Control y Aseguramiento de la Calidad, es

presentar a la comunidad estudiantil perteneciente al programa de Ingeniería
Industrial los aspectos relacionados principalmente con las herramientas para
el mejoramiento de la calidad, el análisis de la capacidad de un proceso, cartas
de control, muestreo de aceptación, entre otros temas importantes, esto como
fruto de los aportes dados por nuestro docente y guía Manuel Campuzano.
De igual manera esperamos que el lector posea conocimientos básicos sobre

estadística para que sea más amena la lectura y entendimiento del mismo.
Hemos procurado a lo largo del desarrollo de este modulo ilustrar con los
ejemplos suficientes los cuales van en orden de dificultad y así los estudiantes
practiquen con modelos tipo parcial y tengan en claro todos los aspectos que
cada capitulo acarrea, finalmente es importante mencionar que están presentes
algunas notas y conceptos referentes a estadística con el fin de recordar ciertos
aspectos.
2
CONTENIDO
TABLA DE CONTENIDO
1. INTRODUCCIÓN 5
1.1. GENERALIDADES 5
1.2. HISTORIA DE LA CALIDAD 8
1.3. FILOSOFIA DE LA CALIDAD 9
1.4. COSTOS ASOCIADOS A LA CALIDAD 13
2. HERRAMIENTAS ESTADÍSTICAS 20
2.1. DEFINICIONES BÁSICAS 21
2.2. TEORÍA DE LA PROBABILIDAD 24
2.3. PRUEBA DE BONDAD DE AJUSTE 34
2.4. HERRAMIENTAS PARA EL CONDECAL 40
2.4.1. HISTOGRAMA 41
2.4.2. DIAGRAMA DE PARETO 44
2.4.3. DIAGRAMA DE DISPERSION 47
2.4.4. CARTA DE VERIFICACION 49
2.4.5. DIAGRAMA DE CONCENTRACION DE EFECTOS 50
2.4.6. CASITA DE LA CALIDAD 51
2.4.7. CARTAS DE CONTROL 52
3. CAPACIDAD DEL PROCESO 54

3.1. DEFINICIONES BÁSICAS 55
3.2. CAPACIDAD DEL PROCESO 56
3.3. ÍNDICE DE CAPACIDAD DEL PROCESO 59
3.4. EJEMPLOS 72
3.5. EJERCICIOS PROPUESTOS 76
4. CARTAS DE CONTROL 79
4.2. PROCEDIMIENTO 88
4.3. TIPOS DE CARTAS DE CONTROL 95
5. MUESTREO DE ACEPTACIÓN 132
5.2. TIPOS DE PLANES DE MUESTREO 134
5.3. CURVA DE OPERACIÓN OC 139
5.4. DISEÑO DE PLANES DE MUESTREO 144
5.5. INSPECCIÓN CON RECTIFICACIÓN 146
5.6. MUESTREO CONTINUO 148
3
5.7. EJEMPLOS 149
6. HERRAMIENTAS INFORMATICAS 166
APÉNDICE
TABLAS ESTADÍSTICAS 176
RESUMEN DE FORMULAS 184
4
1
INTRODUCCIÓN A LA
CALIDAD.
La calidad significa aportar valor al

cliente, esto es, ofrecer unas
condiciones de uso del producto o
En este capitulo podrás servicio superiores a las que el
cliente espera recibir y a un precio
encontrar y aprender todo lo accesible.
relacionado con los
conceptos y demás aspectos También, la calidad se refiere a
de la calidad, además citas minimizar las pérdidas que un

producto pueda causar a la
importantes brindadas por sociedad humana mostrando cierto
interés por parte de la empresa a
otros autores con mantener la satisfacción del cliente.
conocimientos sobre este
tema. Una visión actual del concepto de
calidad indica que calidad es
entregar al cliente no lo que quiere,
sino lo que nunca se había
imaginado que quería y que una
vez que lo obtenga, se dé cuenta
que era lo que siempre había
querido.
5
1. DEFINICIÓN DE CALIDAD1
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.
Calidad significa adecuación para uso.
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
1
Tomado de: MONTGOMERY, Douglas, Control Estadístico de la Calidad, Tercera edición, México:
Limusa Noriega Editores, 2005. Breve resumen, capítulo 1. Páginas 1-36.
6
de aseguramiento de la calidad, y la motivación de la fuerza de trabajo
para alcanzar la calidad.
La ingeniería de calidad2 maneja una definición moderna de calidad: La calidad

es un factor inversamente proporcional a la variabilidad.
Esta definición implica que si la variabilidad (variabilidad indeseable o

perjudicial) 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.
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 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.
A QUÉ LLAMAMOS CALIDAD
Hay quien opina que la Calidad es un concepto básico, que no puede ser
definido a partir de otro, y que su significado únicamente puede demostrarse de
forma práctica, sin embargo existen algunas definiciones de su significado,
entre las que destacan las siguientes:
2
Conjunto de actividades operativas, administrativas y de ingeniería que emplea una
compañía a fin de asegurar que las características de la calidad de un producto se
encuentran en los niveles nominales o requeridos.
7
 La totalidad de funciones y características de un producto o servicio
dirigidas a su capacidad para satisfacer las necesidades de un cierto
usuario; estas funciones o características son las que engloban el
concepto de calidad.
 La calidad es el grado en que las características de los productos cubren
las necesidades del 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.
DIMENSIONES DE LA CALIDAD
Existen varias maneras de evaluar la calidad de un producto. Con frecuencia es

de suma importancia distinguir estas diferentes dimensiones de la calidad.
Garvin3 ofrece una excelente discusión en los siguientes ocho componentes:
 Desempeño (¿Servirá el producto para el fin proyectado?)

 Confiabilidad (¿Con qué frecuencia falla el producto?)
 Durabilidad (¿Cuánto tiempo dura el producto?)
 Facilidad de servicio (¿Qué tan fácil es reparar el producto?)
 Estética (¿Cómo luce el producto?)
 Características incluidas (¿Qué hace el producto?)
 Calidad percibida (¿Cuál es la reputación de la compañía o de su
producto?)
 Conformidad con los estándares (¿el producto se fabrica exactamente
como lo proyectó el diseñador?)
1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA

CALIDAD
El control de calidad moderno, o control estadístico como lo llamamos hoy,

comenzó en los años 30.
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 resulto inadecuada para cumplir las exigencias del
estado de guerra y semiguerra.
3
Autor de la obra “Competing in the Eight Dimensions of Quality”, en Harvard Business
Review.
8
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 desarrollo el control
de la calidad. Gracias a los estándares de calidad que pudo desarrollar los
Estados Unidos en la guerra, genero una gran aportación económica en
términos cuantitativos y cualitativos para su país dando inicio al control total
estadístico moderno, esta situación estimulo 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

funciono, 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.
1.3. FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN
Muchas personas han contribuido en la metodología estadística del

mejoramiento de calidad. Sin embargo, en términos de la filosofía de la
implementación y la administración, surgen tres individuos como líderes: W. E.
Deming, J. M. Juran y A. V. Feigenbaum.
W. Eduwards 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:
1. Crear la constancia en los propósitos enfocados en el mejoramiento de

productos y servicios.
9
2. Adoptar la nueva filosofía de rechazar la mano de obra deficiente, los
productos defectuosos o los malos servicios.
3. No confiar en la inspección en masa para controlar la calidad.
4. No hacer contratos con proveedores atendiendo únicamente al precio,

sino considerando también la calidad.
5. Enfocarse en el mejoramiento continuo.
6. Poner en práctica métodos de capacitación modernos e invertir en la

capacitación de todos los empleados.
7. Poner en práctica métodos de supervisión modernos.
8. Sacudirse el miedo.
9. Derribar las barreras entre las áreas funcionales del negocio.
10. Eliminar objetivos, lemas y metas numéricas para la fuerza de trabajo.
11. Eliminar las cuotas y los estándares de trabajo numéricos.
12. Eliminar las barreras que desalientan a los empleados a realizar sus
trabajos.
13. Instituir un programa progresivo de capacitación y educación para todos

los empleados.
14. Crear una estructura en la alta gerencia que propugne con decisión por
los 13 primeros puntos.
Dr. Joseph M. Juran
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.
10
Dr. Armand Feigenbaum
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.
Estándares de calidad y certificación
La Organización Internacional de Normas (ISO, por sus siglas en inglés) ha

desarrollado una serie de estándares de calidad que incluyen la serie ISO
9000, los cuales también son adoptados por el Instituto Americano de
Estándares Nacionales y la ASQ. El punto central de estos estándares es el
sistema de calidad, incluyendo componentes tales como:
1. Responsabilidad de la administración de calidad
2. Control del diseño.
3. Control de datos y documentos.
4. Administración de compras y contratos.
5. Identificación y rastreabilidad de productos.
6. Inspección y prueba, incluyendo el control del equipo de medición e

inspección.
7. Control del proceso.
8. Manejo de la producción disconforme, acciones correctivas y preventivas.
9. Manejo, almacenamiento, empaque y entrega del producto, incluyendo

actividades de servicio.
10. Registros de control de calidad.
11. Auditorías internas.
12. Capacitación.
13. Metodología estadística.
11
Seis Sigma
De manera típica, son grandes las probabilidades de que ocurran fallas o

defectos en los productos de alta tecnología con muchos componentes
complejos. Motorola desarrolló el programa seis sigma a fines de los años 1980
en respuesta a la demanda de estos productos. Este programa se centra en
llevar la variabilidad de las características de calidad clave a niveles en los que
las fallas o los defectos sean en extremo improbables.
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.
Justo a tiempo, manufactura, Poka-Yoke, y otras.
Ha habido muchas iniciativas destinadas a mejorar el sistema de producción.

Entre ellas se encuentra el enfoque justo a tiempo, es una filosofía que tiene
como su objetivo la eliminación de pérdidas. Las pérdidas pueden ser partes
rechazadas, niveles excesivos de inventario, colas interoperativas, manejo
excesivo de materiales, tiempos de preparación y cambio muy prolongados, y
otras. JIT enaltece la necesidad de hacer calzar la cuota de producción con la
demanda actual, y elimina las actividades que no aumentan el valor.
La filosofía de eliminación de pérdidas ha probado ser de ayuda virtualmente

en todos 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.
12
Gestión De Calidad Total (TQM)
El objetivo perseguido por la Gestión de Calidad Total es lograr un proceso de

mejora continua de la calidad por un mejor conocimiento y control de todo el
sistema (diseño del producto o servicio, proveedores, materiales, distribución,
información, etc.) de forma que el producto recibido por los consumidores este
constantemente en correctas condiciones para su uso (cero defectos en
calidad), además de mejorar todos los procesos internos de forma tal de
producir bienes sin defectos a la primera, implicando la eliminación de
desperdicios para reducir los costos, mejorar todos los procesos y
procedimientos internos, la atención a clientes y proveedores, los tiempos de
entrega y los servicios post-venta.
La Gestión de Calidad involucra a 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) a los 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.
1.4. COSTOS ASOCIADOS A LA CALIDAD
Los costos de la calidad son aquéllos costos asociados con la producción,

identificación y reparación de productos o servicios que no cumplen con las
expectativas impuestas por la organización que los produce. Durante muchos años,
los costos de calidad fueron ignorados. Sin embargo, desde la década de 1950,
numerosas empresas comenzaron a evaluarlos formalmente, por diversas razones:
 La conveniencia de comunicar mejor la importancia de la calidad a una

audiencia entrenada en el uso de variables financieras.
 La mejor comprensión de las categorías de Costos de la calidad y de los
diversos costos asociados con el ciclo de vida del producto, incluyendo los
costos de la mano de obra y el mantenimiento necesarios para el
aseguramiento de la calidad de los productos y servicios.
 La mayor complejidad de los productos y procesos manufactureros,
asociada con nuevas tecnologías que llevaron a un incremento en los Costos
de calidad.
En el último medio siglo, los cotos 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.
13
CLASIFICACIÓN DE LOS COSTOS DE LA CALIDAD
Es usual clasificar a los costos de la calidad según el esquema de la Figura 1.

Los costos de conformidad son aquéllos en 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.
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
Figura 1: Clasificación de los costos de calidad.
COSTOS DE CONFORMIDAD
Costos de prevención Costos de evaluación
Planificación e ingeniería de la calidad Inspección y ensayo de productos,

materiales y
Revisión de nuevos productos
servicios consumidos
Ingeniería de diseño de productos y
procesos Auditorías
Control de procesos Control de la documentación
Entrenamiento Inspección final
Adquisición y análisis de datos para la Control analítico

calidad
Evaluación rutinaria del personal
Estudios de capacidad
Inspección de prototipos
Mantenimiento preventivo
Inspección de despacho
Desarrollo y puesta a punto de técnicas
Inspección y test de ensayos
Inventario de mercadería
Tests en equipos de mantenimiento
Pronósticos
Informes de inspección
Descripción de tareas
14
Análisis de mercado
Documentación
Ensayos con prototipos
Ingeniería de materiales
Encuestas
Estudios de movimientos y tiempos
Evaluación y selección de proveedores
Incentivos para la calidad
COSTOS DE NO CONFORMIDAD
Costos de falla interna Costo de falla externa
Trabajos repetidos Respuesta a las quejas
Ensayos repetidos Productos y materiales devueltos
Análisis de fallas Costo de la garantía
Disminución de rendimientos Costos de la responsabilidad legal
Accidentes Costos indirectos
Corrección de errores contables Falta de satisfacción del cliente
Rotación del personal Equipo adquirido por el cliente fuera de

uso
Cambios desde Ingeniería
Costos de instalación no previstos en el
Paradas de máquina contrato de compra de equipos
Sobre stock Sobrestock por falta del producto en el
Sobreconsumo por manejo del material mercado
Reparación posventa
Obsolescencia debida a cambios de
diseño Costos de distribución de productos
Horas extras (sobresueldos) devueltos
Rediseño Pérdidas por ventas menores (Calidad -

Precio)
Reparaciones
Pérdida de market share
Repetición de controles
Obsolescencia del producto por mejoras
Reprogramación en el
15
Repetición de análisis diseño
Margen de contribución perdido por mala Concesiones de precio

calidad
Errores en la facturación
Repetición de mecanografiado de
documentos por fallas Las 5 R
Cambios de diseño por fallas anteriores Visitas por reclamos de clientes
Entrenamiento postservice por reclamos
Tabla No 1: Ejemplo de costos de la calidad
Figura 2. Esquema clasificador de los Costos de la calidad. Fuente: Comité de

costes de la calidad, ASQCet al. (1992).
16
EL MODELO TRADICIONAL DE LOS COSTOS DE LA CALIDAD
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.
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;
17
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%.
Figura 4. El modelo emergente de los CC. Fuente: Rao et al.(1996)
Ejemplo de costos:
En la fabricación de una determinada pieza con una producción de 200 piezas días 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 re procesables 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 re procesables. El nuevo sistema de control estadístico del proceso se
evalúa en $50000 el día. $29000 por pieza fabricada.
Hallar Producción y costos antes y después y beneficio recibido.
 Antes
Costo total:
18
Producción: ( )
Beneficio: 5.452.000- 5.000.000- 140.000= 312.000
( ) ( )
 Despues
10 piezas 70% 7piezas*5.000= 35.000
Producción 200-(10-7)= 197 piezas
197*29.000=5.713.000
Beneficio= 5.713.000-5.000.000- 35.000-50.000 = 628.000
Nota: todo en unidades monetarias.
19
2
HERRAMIENTAS
ESTADÍSTICAS PARA LA
CALIDAD.
Las Herramientas y Técnicas de la

Calidad, son procedimientos o
técnicas escritas y formalizadas
En este capitulo podrás que ayudan a las empresas
encontrar y aprender todo lo (líderes o no) a medir la calidad de
sus servicios y a planificar mejor
relacionado con las sus procesos para llevar a cabo
herramientas estadísticas una mejora de sus productividad y
servicio al Cliente.
que ayudan al mejoramiento
de la calidad.
De igual forma encontrarás Se dice que sólo existen siete

“Herramientas Básicas” que han
algunos conceptos para sido ampliamente adoptadas en las
hacer recorderis de temas actividades de mejora de la
Calidad y utilizadas como soporte
pertenecientes a estadística para el análisis pero creo que
los cuales te ayudarán en los deben ser más porque cada área
laboratorios. merece un análisis más preciso de
cómo mejorar su rendimiento.
TÉRMINOS ESTADÍSTICOS PARA RECORDAR
20
Es importante recordar que la Estadística es la ciencia encargada de la
recolección, organización e interpretación de datos, para obtener conclusiones
de una población.
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.
2. TÉCNICAS ESTADÍSTICAS ÚTILES PARA EL MEJORAMIENTO DE

LA CALIDAD.
2.1 DEFINICIONES BÁSICAS
POBLACIÓN: Es el conjunto de todos los elementos, individuos o entes

sujetos a estudio y de los cuales se quiere obtener un resultado.
MUESTRA: Subconjunto de la población.
VARIABLE: Característica o propiedad de los elementos o individuos de la

población a estudiar.
Existen dos categorías o tipo de variables:
Variable cualitativa: se refieren a atributos o cualidades que no pueden ser

medidas con números.
Variable cuantitativa: se refiere a aquellas características que pueden ser

expresadas numéricamente. Esta a su vez se subdivide en:
 Variable discreta: es aquella que entre dos valores próximos puede

tomar a lo sumo un número finito de valores.
 Variable continua: es aquella que puede 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
21
experimento de lanzar un dado, si el interés se centra en el número que
muestra la cara superior, el espacio muestral sería:
{ }
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:
{ }
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:
 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:
 Complemento de un evento: Es el conjunto de resultados en el
espacio muestral que no están en el evento. La complemento se denota
por:
 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 son
mutuamente excluyentes.
MEDIDAS DE TENDENCIA CENTRAL
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
22
población, este indicador será µ; en el caso de que estemos trabajando con
una muestra, el símbolo será ̅ .
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 es el punto C.
Existen entonces dos segmentos iguales:
AC = CB
Formula:
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.
( ) ( )
Donde equivale al límite superior del intervalo anterior donde se encuentra

la Moda.
MEDIDAS DE DISPERSIÓN
23
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
 Población
∑( ̅)
√
Es la desviación estándar de la variable de interés tomada del total de la

población de tamaño N.
 Muestral
∑( ̅)
√
Es la medida de variabilidad de un conjunto de n datos que se obtiene al

promediar las desviaciones individuales de cada dato.
Varianza (S2): Es el cuadrado de la desviación estándar.
2.2 TEORIA DE LA PROBABILIDAD:
Leyes de probabilidad
Definición de términos utilizados
( ) ( )
( ) 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.
24
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:
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
En el caso de eventos mutuamente excluyentes,
( ) (
Y se tiene que:
( ) ( ) ( )
Teorema de la multiplicación:
( ) ( ) ( ⁄ )
Se puede explicar esta relación aplicando la definición de probabilidad al

evento ⁄ así:
( ⁄ ) ( )
( ⁄ )
( ) ( )
El número de puntos en ( ⁄ ) corresponde a aquellos que están

simultáneamente en B y en A, o sea: ( ), 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,
25
( ), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurrió.
Ahora,
( ) ( )⁄ ( )
( ⁄ )
( ) ( )⁄ ( )
Y se obtiene que: ( ) ( ) ( ⁄ )
Si se intercambia el orden de los eventos, se llega también a esta otra

expresión del teorema de multiplicación:
( ) ( ) ( ⁄ )
Si A y B son eventos independientes, entonces:
( ) ( ) ( )
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 H i , haya

originado el evento A, al cual ya se ha observado al realizar el evento:
( ) ( ) ( ⁄ )
( ⁄ )
( ) ( ) ( ) ( )
El numerador de expresión anterior se obtiene mediante la aplicación del

teorema de multiplicación.
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.
Por lo tanto, la fórmula de Bayes de expresa así:
( ) ( ⁄ )
( ⁄ )
∑ ( )
2.3 VARIABLES ALEATORIAS
26
Una variable aleatoria es una función que asigna un numero real a cada
resultado en el espacio muestral de un experimento aleatorio 4.
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 numéricas5.
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.
2.4 DISTRIBUCIONES DE PROBABILIDAD

La distribución de probabilidad o distribución de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X), junto con la
probabilidad asociada a cada uno de estos valores. Hay dos tipos de
distribuciones de probabilidad:
1. Distribuciones Discretas: Se utilizan cuando el parámetro que se está

midiendo sólo puede asumir ciertos valores dentro de un intervalo.
2. Distribuciones Continuas: Se utilizan cuando la variable que se está

midiendo se expresa en escala continua (variable aleatoria continua).
2.4.1 DISTRIBUCIONES DISCRETAS
Varias distribuciones de probabilidad discretas se presentan con frecuencia en

el control estadístico de calidad, entre estas tenemos:
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 X 1,
X2, X3,…, Xn, cada uno de estos con una probabilidad idéntica 1/n, es decir, con
probabilidad uniforme.
La distribución de probabilidad o función de masa de esta variable aleatoria es:
( ) ( )
Su media y varianza son:
4
MONTGOMERY, Douglas. Probabilidad y Estadística aplicada a la Ingeniería, 2° Edición.
México D.F: Limusa. 2005. Pág. 100.
5
CANAVOS, George. Probabilidad y Estadística, Aplicaciones y métodos. México D.F: McGraw
Hill. 1998. Pág. 53.
27
∑ ∑ ( )
( ) ( )
Ejemplo: Cuando se lanza un dado de seis caras, la función de masa de la

variable aleatoria es:
( )
La media y varianza son:

( )
( ) ( ) ( ) ( ) ( ) ( )
Distribución Binomial6
Un experimento aleatorio que consta de n ensayos repetidos, tales que:
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”.
3) La probabilidad de un “éxito” en cada ensayo, denotada como p,
permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al número de ensayos nque producen un
éxito tiene una distribución binomial con parámetros py n = 1, 2,…
La función de masa de probabilidad de X es:
( ) ( ) ( )
Su media y varianza son:
( ) ( ) ( )
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.
6
Síntesis tomada de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda edición,
México D.F: Limusa, c2005.Parte final del Capítulo 3 y Capítulo 4, Páginas 91-136.
28
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.
( ) ( ) ∑( ) ( )
( ) ( ) ∑( )( ) ( )
( ) [ ( ) ( ) ( )]
( ) ( )( ) ( )
( ) ( )( ) ( )
( ) ( )( ) ( )
( ) [ ]
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:
( ) ( )
( ) ⁄ ⁄
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.
Un conjunto de N objetos contiene
K objetos clasificados como éxitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamaño de n objetos, al azar (sin reemplazo) de
entre los N objetos, donde y
29
Sea que la variable aleatoria X denote el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica, con:
( )( )
( ) ( )
( )
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n,
entonces la media y la varianza de X son:
( ) ( ) ( )( )
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:
( )( )
( )
( )
¿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?
( )( )
( ) ( )
( )
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
1) La probabilidad de más de una ocurrencia en un subintervalo es cero.
30
2) La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos y proporcional a la longitud del subintervalo.
3) El conteo de ocurrencias en cada subintervalo es independiente de los
demás subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el número promedio de ocurrencias en el intervalo es 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
( )
Si X es una variable aleatoria de Poisson con parámetro entonces la media y
la varianza de X son:
( ) ( )
Ejemplo:
La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre
en un disco óptico tiene una distribución de Poisson y el número promedio de
partículas por centímetro cuadrado de superficie del disco es 0.1. El área de un
disco bajo estudio es 100 cm2. Encuentre la probabilidad de que ocurran 12
partículas en el área del disco bajo estudio.
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 cm 2.
Por lo tanto,
( ) ⁄
( )
2.4.2 DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN NORMAL7
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.
Una variable aleatoria X con función de densidad de probabilidad
( )
( )
√
7
Tomado de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda
edición, México D.F: Limusa, c2005.Pág. 157-171
31
Tiene una distribución normal con parámetros , donde y .
Además
( ) ( )
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.
Gráfica de la Distribución de Probabilidad Normal
A una variable aleatoria normal con y 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
( ) ( )
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:
Es una variable aleatoria normal con ( ) ( ) . Es decir, Z, es una

variable aleatoria normal estándar.
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
32
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.
a) ¿Qué porcentaje de los resistores tendrán una resistencia inferior a 16
ohmios?
( ) ( ) ( )
Lo que implica que el 0.25% de los resistores tienen una resistencia
inferior a 16 ohmios.
b) ¿Qué porcentaje de resistores tendrán una resistencia superior a 35
ohmios?
( ) ( ) ( ) ( )
Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a

35 ohmios.
c) ¿Qué porcentaje de resistores tendrán una resistencia entre 20 y 32

ohmios?
( ) ( ) ( )
( ) ( )
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?
( )
33
2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA
La prueba de bondad de ajuste es una prueba de hipótesis que se realiza con

frecuencia cuando no se conoce la distribución fundamental de la población y
se quiere probar la hipótesis de que una distribución particular será satisfactoria
como modelo de la población.
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 la cantidad de observaciones en cada clase
Con el modelo de distribución especificado se puede calcular la probabilidad

que un dato cualquiera pertenezca a una clase .
Con este valor de probabilidad se puede encontrar la frecuencia esperada

para la clase , es decir, la cantidad de datos que según el modelo
especificado deberían estar incluidos en la clase :
Tenemos entonces dos valores de frecuencia para cada clase i

: Frecuencia observada (corresponde a los datos de la muestra)
: Frecuencia esperada (corresponde al modelo propuesto)
Estadístico para la prueba de bondad de ajuste Ji-cuadrado es:
( )
∑
Distribución Ji-cuadrado con grados de libertad
Donde p es la cantidad de parámetros de la distribución hipotética, estimados

por los estadísticos muéstrales. Esta aproximación mejora conforme n
incrementa.
Es una condición necesaria para aplicar esta prueba que
Formalmente, se está interesado en probar las hipótesis siguientes:
34
Dado un valor de (error deseado tipo I), aceptamos si ( )
y aceptamos si ( ) .
Ejemplo, distribución normal:
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.
Datos del diámetro de los agujeros X sigma

promedio
16 16 16,2 16,2 15,5 15,98 0,28635642
16 16,2 15,6 16 16,2 16 0,24494897
15,8 16,2 15,9 15,8 16,2 15,98 0,20493902
15,7 15,6 16,2 16,1 16,5 16,02 0,37013511
16,2 15,7 16,3 15,7 16,1 16 0,28284271
15,9 16 15,9 15,8 16,1 15,94 0,11401754
15,3 16,3 15,8 15,9 15,6 15,78 0,37013511
15,6 16,1 16,3 15,7 16 15,94 0,28809721
15,9 15,9 15,8 15,8 16 15,88 0,083666
16,1 15,8 16,2 16,2 16,1 16,08 0,16431677
16 16,3 15,6 16,4 15,9 16,04 0,32093613
15,7 15,9 15,9 15,7 15,6 15,76 0,13416408
15,9 16,2 16,1 16,1 16 16,06 0,11401754
15,6 16,4 16,2 15,9 15,7 15,96 0,33615473
35
15,8 15,6 16,1 15,8 15,6 15,78 0,20493902
16 15,7 15,9 15,8 15,9 15,86 0,11401754
16,1 16 15,7 15,7 16,2 15,94 0,23021729
16 15,5 16,1 16,2 16,2 16 0,29154759
16 15,6 16,1 15,9 16 15,92 0,19235384
16,4 16,7 15,9 15,6 16,2 16,16 0,42778499
15,954 0,23877938
Pasos:
1. Planteamos las hipótesis
2. Se halla el numero de intervalos de clase k y la longitud del intervalo h
( )
3. Se verifica cuantos datos caen el intervalo, así como lo muestra la

siguiente tabla:
k intervalos de clase frecuencia
INF SUP
1 15,3 15,475 1
2 15,475 15,65 13
3 15,65 15,825 20
4 15,825 16 29
5 16 16,175 26
6 16,175 16,35 20
36
7 16,35 16,525 4
8 16,525 16,7 1
4. Luego se halla la probabilidad para cada intervalo
̅
( ( ))
( ( )) ( )
( ( )) ( ( ))
( ) ( )
( ( )) ( ( ))
( ) ( )
Así sucesivamente, los datos se muestran en la tabla siguiente:
37
k intervalos de clase Z probabilidad
acumulado
INF SUP P(Z<z)
1 15,3 15,475 -2,006 0,02242621
2 15,475 15,65 -1,273 0,07905766
3 15,65 15,825 -0,540 0,19302925
4 15,825 16 0,192 0,28186894
5 16 16,175 0,925 0,24627553
6 16,175 16,35 1,658 0,12872752
7 16,35 16,525 2,391 0,04022113
8 16,525 16,7 3,124 0,00750238
5. Luego se obtienen las frecuencias esperadas las cuales salen de

multiplicar
38
k intervalos de clase frecuencia esperada
INF SUP
1 15,3 15,475 1 2
2 15,475 15,65 13 8
3 15,65 15,825 20 19
4 15,825 16 29 28
5 16 16,175 26 25
6 16,175 16,35 20 13
7 16,35 16,525 4 4
8 16,525 16,7 1 1
suma 100
Debido que es una condición necesaria que , entonces los datos

observados del intervalo 1 se le suma al intervalo 2, de la misma manera 6, 7 y
8 se suman y luego se le aplica el estadístico de la chi cuadrada.
K intervalos de clase observada esperada prueba chi
INF SUP
1 15,3 15,65 14 10 1,6
2 15,65 15,825 20 19 0,05263158
3 15,825 16 29 28 0,03571429
4 16 16,175 26 25 0,04
5 16,175 16,7 25 18 2,72222222
Chi calculado 4,45056809
O sea:
( ) ( ) ( ) ( ) ( )
( )
( )
39
Chi de la tabla:
Por lo tanto como el estadístico observado es menor que el estadístico de la

tabla ( ( ) ), se acepta la hipótesis
nula.
2.4 HERRAMIENTAS ESTADÍSTICAS BÁSICAS PARA EL CONTROL

DE LA CALIDAD:
Existen herramientas que apoyan el efectivo desarrollo del Control Estadístico

de Procesos, estas facilitan la identificación de las oportunidades de mejora,
así como también a reducir la variabilidad del proceso y por consiguiente a la
reducción de los desperdicios. Las herramientas básicas se enlistan a
continuación proporcionan a cualquier organización los medios para recolectar,
presentar y analizar la mayor parte de sus datos:
2.4.1 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.
 En peine: puntos anormales no definidos.
 Plana: tendiendo a ser una distribución uniforme.
 Sin distribución definida.
2) Localización o tendencia central.
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.
40
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.
Para la construcción de un histograma es aconsejable seguir los siguientes

pasos:
1) Colocar los datos a representar en filas de aproximadamente diez

números.
2) Identificar y señalar el máximo y el mínimo de cada fila.
3) A partir del máximo y el mínimo de cada fila, localizar el máximo y el
mínimo global.
4) Calcular el Rango de los datos.
5) Seleccionar un número de intervalos que se ajuste al número de datos

obtenidos, para lo cual se recomienda usar la siguiente tabla:
Número de Datos Número de Intervalos
<50 5-7
50-100 6-10
100-250 7-12
>250 10-20
O haciendo √
6) Determine la amplitud de los intervalos: y redondear el valor
obtenido a un múltiplo exacto de la precisión de los datos.
7) Fijar los límites de los intervalos (marca de clase). Se recomienda fijar el
valor del extremo mínimo la mitad de la amplitud.
8) Rellenar la tabla de frecuencias, indicando el número de veces que
aparecen datos dentro de cada uno de los intervalos definidos.
41
Intervalos Frecuencia ( ) (Marca
de los datos de clase)
por
intervalo
( )
1 ( ) A -2 -2A 4A2
2 ( ) ( ) B -1 -B B2 -
3 - C 0 0 0 -
4 - D 1 D D2 -
5 ( ( )) E 2 2E 4E2 -
N = número
de datos =
(∑ )
Cabe anotar que en Ui, si se tiene un k par, toma el valor de cero en el intervalo
de mayor frecuencia.
9) Construir el histograma.
10) Además se puede calcular la media y la varianza de los datos, utilizando
las siguientes fórmulas:
Para la media:
̅
Para la varianza:
∑
Donde es el promedio de las marcas de clase( ).
Y los valores de y se obtiene haciendo:
∑( )
2.4.2 DIAGRAMA DE PARETO:
42
Existen muchos aspectos de cualquier actividad industrial y no industrial
susceptibles de mejoras. En algunos casos, la mejora es obligada, pero el
problema a abordar es de tal envergadura que parece imposible de resolver.
En este sentido el Diagrama de Pareto es de mucha utilidad, éste pone en

manifiesto que cuando se analizan las causas de un problema, en realidad son
algunas pocas las responsables de su mayor parte. A estas pocas se les llama
causas fundamentales y al resto, que son muchas pero ocasionan una
pequeña parte del problema se les denomina causas triviales. Todo el esfuerzo
debe concentrarse en la eliminación de las causas fundamentales, ignorando
en principio las triviales, que ya serán atacadas en el futuro. En este orden de
ideas, el Diagrama de Pareto puede aplicarse a situaciones muy distintas con
el fin de establecer las prioridades de mejora y siempre refleja el mismo
principio de “pocas fundamentales y muchas triviales” o dicho de otra manera el
20% de las causas ocasionan el 80% del problema.
Para la construcción de un Diagrama de Pareto se pueden seguir los siguientes

pasos:
1) Plantear con exactitud el problema a investigar, qué datos serán

necesarios, cómo recogerlo y durante qué periodo.
2) Tabular los datos recogidos, para facilitar enumerar la frecuencia de
cada causa.
3) Ordenar las cusas de mayor a menor importancia, situando las triviales
al final.
4) Iniciar la realización del diagrama dibujando los ejes. Se coloca un eje
horizontal dividido en tantas partes como causas y dos ejes verticales. El
eje de la izquierda se marca desde 0 hasta el total ocurrencias de las
causas y en el eje de la derecha se colocan los porcentajes marcándose
de 0 a 100%.
5) Construir el diagrama de barras. La altura de cada barra de
corresponder al número de observaciones correspondiente a cada
causa, de acuerdo con la variación del eje de la izquierda.
6) Graficar el porcentaje acumulado, el cual se obtiene así:
43
Causa Núm. de veces Frecuencia Porcentaje Porcentaje
que se Acumulada acumulado
presenta la
causa
A 104 104 52 52
B 42 146 21 73
C 20 166 10 83
D 10 176 5 88
E 6 182 3 91
F 4 186 2 93
Otras 14 200 7 100
Total 200 100
DIAGRAMA DE PARET0
200 100%
80%
150
60%
100
40%
50
20%
0 0%
A B C D E F Otras
2.4.3 DIAGRAMA DE CAUSA Y EFECTO
En muchas ocasiones cuando se presenta un problema, se confunde su

resolución con la eliminación de los efectos que produce y esto puede traer
consigo malas consecuencias.
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
44
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:
1) Determinar e identificar claramente cuál es el efecto (el problema, la

característica de calidad, etc.) a estudiar.
2) Realizar una lista de posibles causas.
3) Construir el diagrama teniendo en cuenta que en este diagrama
presentan de forma jerarquizada y agrupada grandes grupos
denominados causas primarias, las cuales suelen ser: mano de obra,
maquinaria, materiales, métodos, medio ambiente y mantenimiento
(conocidas como las seis M); cada causa primaria está integrada por
varias secundarias, esta por terciarias y así sucesivamente, tal como se
muestra en la siguiente figura.
2.4.4 DIAGRAMA DE DISPERSIÓN:
45
Un Diagrama de Dispersión es la forma más sencilla de definir si existe o no
una relación causa efecto entre dos variables y que tan firme es esta relación,
El Diagrama de Dispersión es de gran utilidad para la solución de problemas de

la calidad en un proceso y producto, ya que nos sirve para comprobar que
causas (factores) están influyendo o perturbando la dispersión de una
característica de calidad determinada o variable del proceso a controlar.
Los motivos más comunes de este tipo de diagrama son analizar:
 La relación entre una causa y un efecto.

 La relación entre una causa y otra.
 La relación entre una causa y otras dos causas.
 Un efecto y otro efecto.
La construcción de un diagrama de dispersión puede realizarse de la siguiente

manera:
1) Reunir pares de datos de las variables cuya relación se desea investigar.

Con menos de 30 pares es difícil sacar conclusiones, 50 suele ser
suficiente.
2) Trazar los ejes. Decidir las escalas de forma que ambos ejes tengan
aproximadamente la misma longitud. Si una variable es una
característica de calidad y la otra un factor (de diseño o de producción),
se sitúa la primera en el eje vertical.
3) Situar los puntos en el gráfico. Si dos o más puntos coinciden, se señala

marcando círculos concéntricos.
4) Incorporar toda la información pertinente que ayude a interpretar el

gráfico (título del diagrama, número de pares de datos, título y unidades
de cada eje, etc.).
Los diagramas de dispersión pueden presentar distintos aspectos según

el tipo de relación que exista entre las variables a continuación se
representan diversos tipos de diagramas que aparecer.
46
2.4.5 CARTA DE VERIFICACIÓN:
Es común que con frecuencia sea necesario colectar datos de operación, sean
históricos o actuales, acerca del proceso bajo investigación, una hoja de
verificación puede ser de gran utilidad en esta actividad. En esta se resume
información en función del tiempo, lo cual es particularmente valioso para
buscar tendencias y otros patrones importantes. Por ejemplo, si muchos
defectos ocurren durante el verano, una posible causa que deba investigar es
la contratación de obreros eventuales durante un periodo vacacional.
47
Cuando se diseña una hoja de verificación, es importante especificar
claramente el tipo de datos que van obtenerse, el número de parte u operación,
la fecha, el analista y cualquier otra información útil para diagnosticar la causa
del desempeño pobre. Si la hoja de verificación es la base para realizar
cálculos adicionales, o si se usa como hoja de trabajo para capturar datos en
una computadora, entonces es importante asegurarse de que la hoja de
verificación adecuada para este propósito antes de que se inviertan esfuerzos
considerables en la obtención real de los datos.
48
HOJA DE VERIFICACIÓN
DATOS DE DEFECTOS DE 1988-1989 A LA FECHA
Nº de parte TAX
Lugar Bellevue
Fecha de estudio 06/05/1989
Analista TCB 1088 1989
Defecto 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 Total
Partes Dañadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de Maquinado 3 3 1 8 3 8 3 29
Partes Suministradas Oxidadas 1 1 2 9 13
Obturación Insuficiente 3 6 4 3 1 17
Soldadura desalineada 2 2
Procesamiento fuera de orden 2 2 4
Remisión de la parte incorrecta 1 2 3
Estructura aerodinámica no 3 3
determinada
Falla de adherencia 1 1 2 1 1 6
Alodino en polvo 1 1
Pintura fuera de los límites 1 1 2
Pintura dañada por corrosión 1 1
Película sobre las partes 3 1 1 5
Latas de pintura tapa poros 1 1

dañada
Vacíos en piezas fundidas 1 1 2
Compuesto deslaminado 2 2
Dimensiones incorrectas 13 7 13 1 1 1 36
Procedimiento de prueba 1 1
inadecuado
Falla de roció de sal 4 4
4 5 14 12 5 9 9 6 10 14 20 7 29 7 7 6 2 166
49
2.4.5. DIAGRAMA DE CONCENTRACIÓN DE DEFECTOS
Un diagrama de concentración de defectos es un dibujo de la unidad, donde se

muestran todas las vistas relevantes, se marcan en el dibujo los diferentes tipos
de defectos, y el finalmente se analiza para determinar si la localización de los
defectos en la unidad transmite cualquier información útil sobre las causas
potenciales de los defectos.
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 la siguiente figura se muestra un diagrama de concentración de defectos en

la etapa de ensamblaje final de un proceso de fabricación de refrigeradores:
Parte Superior
Lado Parte posterior Lado

Frent
Izquierdo Derecho
e
Parte inferior
En este diagrama se puede observar los defectos de terminado superficial que

se identifican como las áreas sombreadas oscuras en el refrigerados. 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
50
trabajo apropiados y el manejo mejorado de los materiales probablemente
mejorarán este proceso sustancialmente.
2.4.6 CASITA DE LA CALIDAD
La casa de la calidad tal y como se vio en teoría es un método gráfico mediante

el cual se relacionan las necesidades del cliente con los atributos del diseño.
Utilizando una estructura matricial se puede determinar los grados de relación
entre los deseos de los clientes y el cómo llevarlos a cabo en la realización del
producto. De cara a nuestro caso particular es importante dejar definido tanto el
producto sobre el cual vamos a construir la casa de la calidad como quienes
son los clientes.
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.
Pasos para la casita de la calidad:
1. Seleccionar un producto/servicio importante a mejorar

2. Obtener la voz del cliente
3. Extraer las necesidades del cliente
4. Organizar las necesidades del cliente
5. priorizar las necesidades del cliente
6. Establecer los parámetros de diseño
7. Generar la matriz de relaciones
8. Obtener la evaluación de desempeño del cliente
9. Correlacionar los parámetros de diseño
10. Analizar los resultados
11. Iterar el proceso
51
2.4.7. CARTAS DE CONTROL
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.
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.
52
3
CAPACIDAD DEL PROCESO.
La mayor parte de los procesos

En este capitulo podrás industriales, especialmente en las
encontrar y aprender todo lo industrias de procesos químicos,
funcionan bajo estado e control
relacionado con los estadístico.
conceptos y demás aspectos
del análisis de la capacidad Para estos procesos, la capacidad del
de un proceso, este tema es proceso calculada de 6 σ puede ser
comparada diferente a las
muy importante ya que de especificaciones y se puede hacer
aquí iniciamos a ver en que juicio sobre su adecuación. Sin
embargo la mayoría de los procesos
estado se encuentra nuestro industriales muestran desviaciones y
proceso a trabajar. 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.
53
ANÁLISIS DE CAPACIDAD DEL PROCESO
El análisis de la capacidad del proceso es un paso básico dentro de

cualquier programa de control de calidad. Su objetico es tratar de analizar
hasta qué punto pueden resultar conformes al proyecto los artículos
producidos mediante un proceso. El objetivo del análisis de capacidad es
determinar la variación natural de un proceso cuando se han minimizado los
efectos de todos los factores ajenos y que no contribuyen al mismo.
Además en la variación natural, hay dos factores que influyen en la

capacidad del proceso; en primer lugar, las tolerancias y especificaciones
del producto y, en segundo, las mismas tolerancias y especificaciones en la
medida en que afectan a la producción.
3.1. 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
54
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
3.2 Capacidad de proceso
Producción bajo control no significa que el proceso satisfaga las

especificaciones de calidad (externas) fijada por el diseñador, el productor o el
comprador, sobre todo si la variabilidad es muy grande. Se utiliza este método
estadístico 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 ene l intervalo de
especificación.
Tiene como objetivo:
 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 sigma 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 , es
decir:
Si la característica de calidad es normal y el proceso esta 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 puede diferir
considerablemente de 0.27%.
55
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:
 Los datos obtenidos en el desarrollo de un muestreo se ajustan a una

Distribución Normal.
 El proceso se encuentra bajo control estadístico, es decir, es afectado
únicamente por su variabilidad natural.
Este análisis debe realizarse cuando:
 Se trata de una nueva maquina o proceso.

 Se ha modificado en sus partes esenciales.
 Se ha reajuste para fabricar nuevos productos.
 Existencias de nuevos proveedores.
 Se requiera asistencia en el desarrollo, diseño del producto y muestreo
del proceso.
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.
CAUSAS COMUNES Y ESPECIALES DE VARIACION
 Causas Comunes o causas Naturales: La variabilidad natural siempre

existe en cualquier proceso de producción, no importa que tan bien
56
diseñado esté. Esta variabilidad natural es denominada causas comunes
o aleatorias de variabilidad, es decir:
 Inherentes al proceso. Siempre existen.
 Esta variación es el efecto de varias pequeñas causas y no puede ser
totalmente eliminada.
 Cuando la variación es pequeña se dice que el sistema está en estado
estable de causas comunes  bajo control estadístico.
Ejemplos:
 Variación de materia prima de un proveedor calificado.

 Vibración de la maquinaria.
 Cambios en las condiciones de trabajo.
 Causas Asignables o Especiales: Se trata de variaciones en un

proceso de producción que pueden atribuirse a causas especificas, 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:
• Uso de herramientas inadecuadas

• Inadecuada materia prima.
• Errores de los operadores.
Gr grafica de proceso estadístico
Proceso controlado
3.3. INDICE DE CAPACIDAD POTENCIAL

Proceso fuera de
DEL PROCESO
control
La capacidad del proceso es la medida de la

reproducibilidad intrínseca del producto resultante de un proceso.
Dado que los términos no científicos son inadecuados para la comunicación en el
ámbito industrial, se define:
Proceso: Es una combinación única de maquinas herramientas, métodos materiales y

hombres.
57
Capacidad: Esta palabra se usa en el sentido de posibilidad basada en realizaciones
contrastadas y lograr resultados mensurables.
Medida: Se refiere al hecho de que la capacidad del proceso sea cuantificada con los
datos que, a su vez, son el resultado de la medición del trabajo realizado por el
proceso.
Reproductibilidad intrínseca: Se refiere a la uniformidad del producto resultante de

un proceso que está en estado de control estadístico. ”Reproductibilidad instantánea”
sería un sinónimo.
Producto: La medición se hace sobre el producto dado que la variación del producto
es el resultado final.
TIPOS DE PROCESOS
El concepto de capacidad del proceso puede ser comprendido mejor con la exposición
de algunos de los conceptos más frecuentes. La figura siguiente presenta el caso ideal
de un proceso en estado de control estadístico, pero esta no será siempre la condición
que se presente cotidianamente.
Proceso ideal de manufactura en

estado de control estadístico
Y - AXIS
X - AXIS
Algunos tipos de procesos más comunes
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.
58
e. Cambios en la dispersión y en la cota debido a cambios en las condiciones de
operación o cambios en la materia prima.
b.
a.
c. d.
e.
59
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.
CAPACIDAD DE PROCESO
¿Qué es?
Es un conjunto de indicadores que definen que tan capaz es un proceso de
cumplir las especificaciones establecidas por el cliente. Se puede decir
también que es una forma cuantitativa simple para expresar la capacidad del
proceso. Su valor está dado a partir de una relación entre la Tolerancia de las
especificaciones del proceso, determinadas por petición del cliente, y la
variabilidad natural del proceso, para este caso seis sigma ( ).
¿Por qué usarlo?
Porque ayuda a reducir la variabilidad del proceso, compara el desempeño de

distintos proveedores y proporciona un estimado del porcentaje de artículos
que no cumplen con las especificaciones.
¿Qué hace?
• Ayuda al a responder a la pregunta “¿El proceso es capaz de satisfacer al
cliente?”
• Ayuda a determinar si ha habido un cambio en el proceso
• Ayuda a determinar el porcentaje del producto o servicio que no satisface los
requisitos de los clientes.
¿Cómo lo hago?
1. Determine el límite de especificación superior (LSE) y el límite de

especificación inferior (LIE) .
2. Calcule la desviación estándar y el promedio del proceso.
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.
60
En este orden de ideas, de acuerdo al valor que tome el índice de capacidad
, 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.
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 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
61
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:
Situación en la que el índice es ineficaz
INDICE DE CAPACIDAD REAL DEL PROCESO
Este índice si toma en cuenta el centrado del proceso respecto a las

especificaciones, en este caso se denomina Cpk, cuando el índice es
ineficaz, es decir, cuando no hay coincidencia entre la media del proceso y la
media de las especificaciones, es necesario el uso de , índice conocido
también como capacidad real del proceso. De esta manera, es común decir
que mide la capacidad potencial del proceso, mientras que la capacidad
real.
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 del los límites de especificación
Se evalúa tomando el mínimo entre los Cp’s correspondientes a cada lado de
la media, como sigue,
( )
62
Donde Capacidad de proceso teniendo en cuenta únicamente la
especificación superior del proceso.
LIE: Limite de especificación inferior de la variable
LSE: Limite de especificación superior de la variable
X: Valor promedio encontrado de los datos
σ: Desviación estándar del proceso
y 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.
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:
a. El proceso no esta en capacidad de cumplir con las especificaciones.
63
b. Proceso cuyo centro esta desplazado y el proceso esta en peligro de
generar producto fuera de la especificación, sin embargo la amplitud del
proceso indica que este puede cumplir la tolerancia demarcada por las
especificaciones.
c. En este caso ya se han presentado productos fuera de las
especificaciones, generando no conformidades del proceso
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
Especificaciones
Frecuencias
a.
Desviación estándar
Medidas
Aceptable. Cpk > 1
Frecuencias
b.
Promedio aun aceptable Especificaciones
aceptable. Cpk = 1
Medidas
Frecuencias
Especificaciones
Promedio muy alto
c.
potencialmente aceptable
Medidas
Cpk = Cpu < 1
Frecuencias
Especificaciones
Promedio aceptable
d.
muy grande
Cpu y Cp1 < 1

Medidas
64
Frecuencias
Promedio muy alto Especificaciones
e.
Desviación estándar muy
grande
Medidas
Cpk = Cpu < 1
rocesos con Cpk = 1 pero con centrado diferente
C
LIE Pro LS LIE
𝝁 ces E
𝝁
o A:
En general: CP
k=
1. Proceso Capaz y centrado ( )
1
2. Proceso potencialmente capaz pero descentrado ( )
3. Proceso Incapaz y centrado ( )
4. Proceso Incapaz y descentrado ( )
Cada una de estas situaciones en un proceso productivo es presentada a

continuación:
65
Esquema general para implementación de un programa de control
estadístico o para el mejoramiento de los procesos con base en esta
herramienta
Inicio
Definir variables de proceso a

medir
Definir plan de
mediciones
Realizar las mediciones de

acuerdo al plan establecido
Evaluar el comportamiento
con gráficos de control
Identificar Eliminar
No
Proceso C. causas causas
estadístico asignables de asignables de
variación variación
Si
Decisión Evaluar la capacidad del

gerencial proceso
No
ICP>1
?
Si
No Verificar Programas de
ICP>1.33 centrado del mejoramiento
proceso del proceso
? Si
Decisión
gerencial
66
¿Cómo buscar porcentaje de productos no conformes?
Dado que el proceso se ajusta a una distribución normal, la proporción de

productos no conformes (%PNC), es el porcentaje de productos por cada límite
de la función de densidad de probabilidad Normal que rebasa los límites de
especificación.
Para el límite superior:

̅
Luego,
( ) ( ) ( )
Para el límite inferior:

̅
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 , 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 tienen algunas alternativas:
Pro LSE
ces
Reducir la desviación estándar
67
LIE LSE
Cambiar la media y hacer Centramiento
LIE LSE
Lo ideal sería cambiar ambas
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:
68
n (Para este caso, 4) ̅
k
1 2 3 4
1 3,4 5,3 2,1 3,8 3,65 3,2
2 - - - - - -
3 - - - - - -
4 - - - - - -
5 - - - - - -
∑̅ ̅ ∑ ̅
Los valores utilizados para realizar el análisis de la capacidad del proceso son
̅ y ̅.
El valor de la desviación estándar se determina de la siguiente manera:
Donde es una constante, 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.
Es útil la construcción e interpretación de histogramas para el manejo de este

tema, este procedimiento es explicado en la sección 2 del módulo.
EJEMPLOS:
1)
En cierto proceso de maquinado se ha llevado una grafica ̅ ̅ 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.
a) Calcule los índices Cp y Cpk y haga un análisis completo de la

capacidad del proceso.
69
b) Obtenga la proporción esperada fuera de especificación unilateral y de
manera total.
c) Calcular el inciso a) y b) con el proceso centrado
d) Entre que valores debe oscilar ̅ , de tal manera que la fracción de no
conformes sea a lo sumo de 1% (Ventana de Operación).
SOLUCIÓN
a) Índices de Capacidad
̅
Se obtuvo de la tabla factores para construir cartas de control para

variables.
Como decimos que el proceso no es capaz
( )
( )
El es menor que 1 entonces está arrojando productos no conformes por

el límite superior.
b) %PNC
̅
( )
( )
El proceso arroja 1,25% de productos no conformes.
Entonces se dice que el proceso no es capaz, no está centrado y arroja 1,25%

de productos no conformes.
70
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).
c) Teniendo en cuenta el ejemplo desarrollado, si centramos el proceso, se

tiene:
Con el proceso centrado el
̅
( )
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 ,
para arrojar a lo sumo una proporción de productos no conformes especificada.
En este caso esa proporción de productos es de 1%.
Para producción no conforme por el límite superior:
( )
( )
̅ ( )
Para producción no conforme por el límite inferior:
( )
71
̅
̅ ( )
La ventana de operación para una producción de productos no conformes de

1% es [ ].
2)
Un proceso productivo tiene un , y está centrado.
a) Estime la proporción de productos no conformes

b) Si el proceso esta descentrado a , que valor toman los índices y
Solución
a) Como el proceso está centrado
%PNC
( ) ( )
Como está centrado está arrojando la misma cantidad de productos no

conformes por ambos lados tenemos
b) Si el proceso esta descentrado a
72
[ ]
[ ]
[ ]⁄
[ ]⁄
73
4
CARTAS DE CONTROL.
En este capítulo podrás Una carta de control es un gráfico

en el que se representa el
encontrar y aprender todo lo comportamiento de un proceso en
relacionado con los el tiempo.
conceptos y demás aspectos Las cartas de control enfocan la
de las distintas Cartas de atención hacia las causas especiales
Control con las cuales se de variación cuando estas aparecen y
reflejan la magnitud de la variación
puede detectar lo antes debida a las causas comunes.
posible cambios en el
proceso que puedan dar
Las causas comunes o aleatorias se
deben a la variación natural del
lugar a la producción de proceso.
unidades defectuosas. Las causas especiales o atribuibles
son por ejemplo: un mal ajuste de
máquina, errores del operador,
defectos en materias primas.
Se dice que un proceso está bajo

Control Estadístico cuando presenta
causas comunes únicamente.
74
4 CARTAS DE CONTROL
a. 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 hacia las causas especiales
de variación cuando estas aparecen y reflejan la magnitud de la variación
debida a las causas comunes.
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 se puedan tomar acciones al
momento.
TIPOS DE CAUSAS
Causas asignables (causas especiales): Son causas que pueden ser

identificadas y que se necesitan descubrir y eliminar, por ejemplo, una falla de
la maquina por desgaste de una pieza, un cambio muy notorio en la calidad del
plástico, etc. Estas causas provocan que el proceso no funcione como se
desea y por lo tanto es necesario eliminar las para lograr el correcto
funcionamiento del proceso. Estas variaciones no son normales, no pertenecen
al proceso y no serán aceptadas.
El objeto del Control estadístico de Calidad, es encontrar y separar las Causas

Asignables. (Aun cuando no estén causando defectos). Estas causas se
comportan de manera irregular e inestable en el tiempo, por lo que resultan
imprevisibles.
Cuando los puntos se encuentran fuera de los límites de control o muestran

una tendencia particular, decimos que el proceso está fuera de control, y esto
es debido a las Causas Asignables.
Causas no asignables o fortuitas (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.
75
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.
Principios básicos
A continuación se muestra una carta de control típica, que representa alguna

característica de calidad de un producto.
La carta contiene, una línea central (LC), que representa el valor promedio de
la característica de calidad que corresponde al estado bajo control(es decir
cuando únicamente están presentes causas fortuitas.) También se muestran
dos líneas horizontales, llamadas límite de control superior (LCS) y limite de
control inferior (LCI). Estos límites de control se eligen de tal modo que si el
proceso está bajo control, casi todos los puntos muéstrales se localizan entre
ellos. En tanto los puntos graficados se localicen dentro de los límites de
control, se supone que el proceso está bajo control y no es necesaria ninguna
acción. Sin embargo, puede ocurrir que todos los puntos se encuentran dentro
de los límites de control, pero si su comportamiento ocurre de manera
sistemática o no aleatoria, podría ser un indicio de que el proceso se encuentra
fuera de control. Estos y otros comportamientos se estudiaran más adelante.
76
b. OBJETIVOS DE LAS CARTAS DE CONTROL.
Estandarizar los procesos.

Verificar si el proceso está bajo control estadístico.
Ayudar a reducir la variabilidad.
Monitorear el proceso.
Inferir sobre tendencias futuras.
Proveer evidencias de problemas de calidad.
Ofrecer información confiable para tomar acciones oportunas.
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.
c. CARTAS DE CONTROL Y PRUEBA DE HIPÓTESIS.
Existe una estrecha relación entre las cartas de control y la prueba de

hipótesis; si decimos que:
: 𝑗 í
1: 𝑗 í
Cuando un punto se localiza dentro de los límites de control es equivalente a

no poder rechazar la hipótesis de control estadístico, y cuando un punto se
localiza fuera de los límites de control es equivalente a rechazar la hipótesis de
control estadístico.
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o
errores.
ó : Decir que el proceso está fuera de control, cuando en

realidad no lo está, es decir.
ó 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
77
potencia que tiene la carta para detectar puntos por fuera de los límites de
especificación.
Entonces:
La potencia: 𝛽; es 𝛽= { h 0| 0 }
La confiabilidad: 𝛼; es 𝛼= { h 0| 0 }
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.
d. ANALISIS DE PATRONES EN LAS CARTAS DE CONTROL
Una carta de control puede indicar una condición fuera de control aún cuando
ningún punto particular se localice fuera de los límites de control, cuando el
patrón que forman los puntos graficados muestra un comportamiento no
aleatorio o sistemático.
En muchos casos, el patrón de los puntos graficados proporcionará información

de diagnostico útil sobre el proceso, y esta información puede usarse para
realizar modificaciones que reduzcan la variabilidad. Estos patrones ocurren
con bastante frecuencia y su eliminación es necesaria para poner el proceso
bajo control.
En general, los gráficos de control se limitan a registrar la variabilidad existente.

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.
Punto fuera de control
Un punto único fuera de los límites de control casi siempre se produce por una
causa especial.
Una razón común por la que un punto cae por fuera de un límite de control, es
un error en el cálculo de para la muestra. Cada vez que esto ocurra, se
deberán revisar los cálculos. Otras causas posibles son una interrupción de
energía repentina, una herramienta descompuesta, un error en la medición o
una operación incompleta u omitida del proceso.
78
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o
más indican una situación fuera de control. 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.
Corrimiento en la media del proceso: 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 desplazo 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.
Este corrimiento puede ser generado por un cambio en métodos, operadores,

materias primas, métodos de inspección, etc.
79
Estratificación: ocurre cuando casi todos los puntos caen cerca de la línea
central y se muestra como una adhesión a la media. Esto puede ser causado
por límites mal calculados, tomar piezas de procesos diferentes o falta de
resolución del equipo de medición.
Patrones cíclicos: los ciclos son patrones cortos repetidos, que alternan
crestas elevadas y valles bajos. Son el resultado de causas que vienen y van
en forma regular.
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.
80
Para reconocer un patrón de comportamiento no sólo se requiere conocer las
técnicas estadísticas, sino también tener un conocimiento profundo del
proceso.
En resumen los patrones de anormalidad más comunes son:
Un punto fuera de los límites de control.

Siete puntos formando una tendencia ascendente o descendente.
Dos de tres puntos a más de dos sigma de la línea central en el mismo
lado.
Cuatro de cinco puntos consecutivos que se encuentren a una distancia de
1-sigma o más allá a partir de la línea central.
Catorce puntos alternándose arriba y debajo de la media.
Quince puntos consecutivos encontrados entre más menos 1-sigma de la
línea central (adhesión a la media).
Un patrón no usual o no aleatorio de datos.
Hay que tener cuidado de no exagerar en la aplicación de las reglas ya que se
pueden tener muchas falsas alarmas.
e. CONDICIONES NECESARIAS PARA APLICAR LAS CARTAS DE

CONTROL
Para que tenga sentido la aplicación de los gráficos de control, el proceso ha

de tener una estabilidad suficiente que, aún siendo aleatorio, permita un cierto
grado de predicción. En general, un proceso caótico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el gráfico de
control ni tiene sentido hablar de capacidad.
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.
81
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).
Estrictamente hablando, este desgaste de la herramienta sería una causa

especial; sin embargo si puede conocerse la velocidad de desgaste, podría
compensarse resultando un proceso análogo al caso anterior.
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.
f. TIPOS DE CARTAS DE CONTROL
En general, los gráficos de control dirigen la atención hacia las causas

especiales y hacia la magnitud de la variación. Aportan pruebas de que el
proceso está bajo control estadístico. Se pueden analizar en ellos tanto
variables como atributos.
Según las características a estudiar, los gráficos de control se pueden clasificar
de la siguiente manera:
i. CARTAS DE CONTROL PARA VARIABLES
Muchas características de calidad pueden expresarse en términos de una

medición numérica, por ejemplo, el diámetro de un rodamiento podría medirse
con un micrómetro y expresarse en milímetros. A una característica particular
medible de la calidad, tal como una dimensión, peso o volumen se le llama
variables.
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 .
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:
𝐺
𝐺
𝐺
Las cartas y R (ó S) se encuentran entre las técnicas estadísticas de

monitoreo y control de procesos en línea más importantes y útiles.
Cartas de Medias/Rangos ( ; )
82
El conjunto de estos dos gráficos es el procedimiento de control estadístico de
proceso más utilizado. Su uso es demandado cuando se tiene una
característica en particular que se desea controlar, puesto que estos gráficos
se utilizan cada vez para una sola característica.
La carta monitorea la variabilidad entre las muestras (la variabilidad del

proceso con el tiempo) y la carta R mide la variabilidad dentro de las muestras
(la variabilidad instantánea del proceso en un tiempo dado). 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.
4.2. Procedimiento para realizar las cartas de control
Paso 1: Recolectar los datos.
Los datos son el resultado de la medición de las características del producto,

los cuales deben de ser registrados y agrupados.
Paso 2: Calcule el rango promedio Ry la media del proceso X .  
R = X mayor – X menor
R=
Paso 3: estime la desviación 𝝈 para ;
Paso 4: Calcule los límites de control
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:
Limites de control para la carta R
83
̅
y son constantes que dependen de la muestra
Límites de control para la carta
𝝈
̅ | |
√
̅
𝝈
̅ | |
√
Para , manejando una filosofía
̅ ̅
̅ ̅
Donde, ( )
√
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.
Paso 5: Trace la gráfica de control y analícela.
Dibuje las líneas de promedios y límites de control en las gráficas.

Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera
el comportamiento del proceso.
Estructura de una carta de control
84
Estructura de una carta de control
85
Análisis de la carta ;
Al determinar si un proceso está bajo control estadístico, siempre se analiza

primero la grafica R. Debido a que los límites de control de la carta dependen
del rango promedio. Sin embargo es importante aclarar que el análisis de estas
cartas es conjunto.
Los limites 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 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
limites 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.
Limites de control, especificación y tolerancia natural
Algo que debe tenerse muy claro es que no hay ninguna relación entre los
límites de control de la carta y los límites de especificación del proceso.
Pues los limites de control están regidos por la variabilidad natural del proceso
(medida por la desviación estándar del proceso), es decir, por los limites 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
86
relación matemática o estadística entre los límites de control y los limites de
especificación.
Monitoreo de un proceso a través de una carta 𝐗
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:
Donde 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.
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:
𝛽=( > 2 )
Si por el contrario, fue hacia el límite inferior, se tiene:
𝛽=( < + 2 )
Donde 2 es una relación entre el corrimiento y la desviación estándar del

proceso, a saber:
2=
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:
Sea X, el evento en el cual se detecta el corrimiento de la media en la muestra

k, se tiene
( )=1–𝛽
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:
87
= (1 – 𝛽) + 2 𝛽 (1 – 𝛽) + 3 𝛽2 (1 – 𝛽) 𝛽 1 (1 – 𝛽)
Un parámetro importante para el monitoreo del proceso, es el tamaño de la

muestra a monitorear, esta se puede determinar haciendo uso de la siguiente
ecuación:
=[ ]
Finalmente, existe un factor que mide el número de muestras que es necesario

analizar antes de encontrar puntos por fuera de los límites de control, este
factor se conoce como longitud promedio de corrida (LDP). Su valor se calcula
de la siguiente manera:
Sea ( ) la probabilidad de encontrar puntos por fuera de los límites de control
Trabajando con alfa en los límites de control de la carta
𝐷 = ;𝐷 ( ) = 2𝛼
( )
Trabajando con alfa medio en los límites de control de la carta
𝐷 = ;𝐷 ( )=𝛼
( )
Cartas de Medias/Desviaciones (; )
Aún cuando es muy común la utilización de las cartas , 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 , donde S es la desviación estándar. En general las cartas ; son
preferibles a sus contrapartes familiares, las cartas ; , cuando:
El tamaño de la muestra n es moderadamente grande.

Cuando el tamaño de la muestra n es variable.
El procedimiento para realizar las cartas de control ; es similar al de las

cartas ; 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 ; requieren aproximadamente la

misma secuencia de pasos que para la carta ; . Las formulas a utilizar son:
88
√∑ ( ̅̅̅̅)
=
=( )
Limites de control cartas ;
= ̅+ 1
= ̅
= ̅ 1
=( )
√
Limites de control Carta
= 4 ̅
= ̅
= 3 ̅
∴ 3; 4 4, 𝑞 ñ .
EJEMPLOS:
Ejemplo 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 = 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 = 16 en

lugar de = 9? Justifique su respuesta.
89
Datos:
= 12,7
= 15,7
= 9,7
Para la carta ̅ ,
=5
𝛼 𝛼 = 0,988
= 14,5
= 12,5
SOLUCION:
Datos
a) ̅ = = = 13,5
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 . Los límites de control se

trabajan con 𝛼/2.
( ̅) √
̅ | | | |
√ | |
( ) √
| |
( )
̅ ̅
{ } { }
{ } { }
( ) ( )
Como decimos que el proceso esta descentrado. Además, = =

0,824 lo cual nos indica que el proceso está arrojando productos no conformes
por el límite superior.
90
Ahora procedemos a determinar el porcentaje de PNC.
̅
% = ( > ) ( < )= ( )
% = ( ) ( )
% = 0,0068 = 0,68%
b) Si: % , 𝛼 = 0,10 y = 9;
Dado que los productos no conformes se están presentando por el límite

superior y 𝛼 = 0,10 entonces el valor de Z es:
= 0,88 = 1,175
A partir del valor de Z podemos hallar el nuevo valor de la media:
̅
̅
̅ ( ) ̅
𝛼 |̅ ̅| | |
La potencia con la que la carta detectaría el cambio en la media es:
𝛽=( 𝛽> 𝛼 2 √ ); | 𝛼| = | |= | |
𝛽=1–[ 𝛽< (1,28 – √ )] P( )
𝛽 = 0,9952
c) =
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 ( 𝛼), por lo tanto si n
aumenta, la carta se hace más confiable y por consiguiente 𝛼 será menor.
Esto se comprueba a continuación:
| | | |
=[ ] | | √ | | √ | |
91
| 𝛼| | 𝛼| = 𝛼= 2,57
Por tabla de Distribución Normal tenemos que para 𝛼= 2,57:
𝛼 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.
Ejemplo 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.
Recientemente FIBRAS S.A está en negociando un importante contrato de

suministro de componentes. De momento se encuentran en la fase de
aprobación del prototipo. Para ello debe presentar unos prototipos,
acompañados de sus protocolos de ensayos, en los que se debe indicar el
valor medio de la característica de calidad, con un nivel de confianza del 95%.
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.
Si la media del proceso cambia se cambia a un valor de 11,1 uf:
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.
92
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:
= 7,5
= 12,5
=5
= 10,2
= 1,93
𝛼 = 0,95
= 25000 /𝑗
𝐽 =3 24
= 30
=7
̅̅̅ = 11,1
a)
̅
Análisis de la capacidad del proceso con la media original: = ,
> 1, 𝑞 .
{ }
= = 0,9240
El proceso esta descentrado y arrojando productos no conformes por el límite

superior.
93
̅
( > ) ( < 2,7720 )=
( > I )= ( < -3,2541 )=
Análisis de la capacidad del proceso con la media corrida: ´= ,
> 1, 𝑞 .
{ }
= = 0,5624
El proceso esta descentrado y arrojando productos no conformes por el límite

superior.
̅
( > ) ( < )=
( > I )= ( < )=
Ahora calculamos la probabilidad de detectar el cambio en las primeras 5

muestras: 𝛽 .
𝛽= ( | 𝛼| √ )
94
| 𝛼 |= | |=| |= 1,645
𝛼 | |
𝛽= ( 𝛽 √ )
𝛽=1–( 𝛽 )
𝛽 𝛽 = 0,1103
𝛽 = 0,9999
El valor esperado de productos no conformes con es:
= (1 – 𝛽) + 2 𝛽(1 – 𝛽) + 3 𝛽 (1 – 𝛽)+ 4 𝛽 (1 – 𝛽)+

5 𝛽 (1 – 𝛽)
Pero: =% , entonces:
= (1 – 𝛽) ( 1 + 2𝛽 + 3𝛽 + 4𝛽 + 5𝛽 )
Tenemos que:
% = 4,6%
= 25000
=( ) ( ) ( )[ ( )
( ) ( ) ( )]
b) Hay un corrimiento hacia la izquierda: = 0,8
𝛽 = 0,90
𝛼 = 0,06
Para calcular los límites de control debemos conocer primero el valor de n:
2= = = 0,9642
𝛽 𝛽= √ 𝛽 = 0,5359
| | | | | | | |
[ ] [ ] [ ]
95
Ahora si podemos calcular los límites de control de la carta ̅ :
= ̅̅̅̅= 10,3
̅̅̅̅ | | | |
√ √ √
̅̅̅̅ | | | |
√ √ √
Observación: en esta ocasión se decidió trabajar con 𝛼y no con 𝛼/2 para

calcular los límites de control.
c) Si: ´´´ = , y% 𝑵 = , , entonces:
( > )
Buscando en la tabla de distribución Normal, tenemos que:

= 1,645
Con el valor de podemos hallar el valor de y posteriormente calcular el

valor de :
̅̅̅̅
< 1, por lo tanto decimos que el proceso no es capaz.
Ejemplo 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%.
96
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
Numero de Replicas
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
11 48,8 50,7 49,9 50,1
12 50,3 49,9 49,4 49,3
13 49,3 49,3 49,2 50,5
14 50,2 50,5 50,2 50,9
15 48,8 50,2 49,5 49,6
a) Realice una carta de control X-R y analice los resultados. ¿El proceso está
bajo control estadístico?
b) ¿Cuál es la capacidad del proceso? ¿Se están generando productos no
conformes?
Solución
Datos:
a)
97
Numero de Muestras ( )
1 2 3 4 ̅ R
1 50,2 49,9 49 50,1 49,8 1,2
2 50,3 50,2 50 49,3 49,95 1
3 49,8 50 50 49,7 49,875 0,3
4 50 49,4 50,1 50,5 50 1,1
Numero de Replicas
5 50,2 49,8 49,1 49,9 49,75 1,1

6 49,2 50,7 49,1 49,8 49,7 1,6
7 49,6 49,9 49,5 49,9 49,725 0,4
8 50,2 49,8 49,5 50,6 50,025 1,1
9 50,1 49,3 49 49,3 49,425 1,1
10 50,8 49,6 49,8 50,4 50,15 1,2
11 48,8 50,7 49,9 50,1 49,875 1,9
12 50,3 49,9 49,4 49,3 49,725 1
13 49,3 49,3 49,2 50,5 49,575 1,3
14 50,2 50,5 50,2 50,9 50,45 0,7
15 48,8 50,2 49,5 49,6 49,525 1,4
49,8366667 1,0933
Para realizar los cálculos debemos conocer primero el valor de la media del
proceso y el rango promedio, para ello es necesario hacer el siguiente
procedimiento:
Donde:
[∑ ]
̅
Media del Proceso
̅̅̅ [∑ ̅]
Rango Promedio
[∑ ̅]
̅
Sabemos que
98
Antes de hallar los límites de control de las cartas debemos conocer el estado
del proceso.
( )
̅̅̅
̅̅̅
( )
Como entonces el proceso no esta centrado. Además son

menores que 1 entonces me están arrojando productos no conformes por
ambos límites.
̅̅̅
( )
̅̅̅
( )

Limites carta X-barra
̅̅̅ | | | |
√ √
̅̅̅ | | | |
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
𝐷
99
𝐷
̅𝐷
̅𝐷
= = 1,0933
Las gráficas para ambas cartas son las siguientes:
Carta de Control ´ del proceso actual.
Carta de Control del proceso actual.
La carta de control 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.
100
Volvemos a calcular los parámetros y posteriormente los límites de
control de las cartas ̅ y R:
Donde:
[∑ ]
̅
Media del Proceso
̅̅̅ [∑ ̅]
Rango Promedio
101
[∑ ̅]
̅
Sabemos que
Limites carta X-barra
̅̅̅ | | | |
√ √
̅̅̅ | | | |
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8) Con
𝐷
𝐷
̅𝐷
̅𝐷
= = 1,12143
Las nuevas cartas de control para el proceso cuando se ha cepillado son

las siguientes:
Carta de Control actualizada.
102
Carta de Control actualizada
En las graficas podemos ver que ningún punto está por fuera de los límites de
control. Por consiguiente podemos decir que el proceso está bajo control
estadístico.
b) Ahora que el proceso está bajo control estadístico, procedemos a

calcular su capacidad y verificar si se están o no productos no
conformes:
Como < 1 decimos que el proceso no es capaz
( )
̅̅̅
̅̅̅
( )
Como entonces el proceso no está centrado. Además son

menores que 1 entonces el proceso está arrojando productos no conformes por
ambos límites. Sin embargo, = = 0,4853, esto nos indica que el proceso
está arrojando mayor porcentaje de productos no conformes por el límite
inferior.
̅̅̅
( )
103
̅̅̅
( )
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.
Ejemplo 4
Este problema se refiere a los requerimientos del torque respectivo al

movimiento vertical del lado brillante de un espejo de prueba. El diseño
especifica de 8 a 14 pulg-lb de torque en el movimiento vertical y un torque
ligeramente mayor en el movimiento horizontal (no considerado en el estudio).
En un intento para corregir el problema, se han gastado $2’500.000 durante un

periodo de 2 años en el mantenimiento de la matriz, a fin de controlar una
dimensión en el mecanismo de rodilla, además en los periodos en los que se
tuvieron dificultades extremas con las herramientas, se detuvo la producción en
la línea de ensamble hasta que se pudieran efectuar los cambios requeridos en
la matriz. Los costos de reparación de un espejo de alto torque son
considerablemente menores que los de un espejo de bajo torque. Un
mecanismo de rodilla ajustado puede repararse usualmente aceitándolo y
haciéndolo girar hasta que el aceite quede entre este y el asiento. La operación
la realizó una persona del grupo de operación de la línea de ensamble y su
costo fue aproximadamente de $7 por espejo. El costo de reparación de un
mecanismo de rodilla flojo es mucho mayor, ya que no puede repararse en la
línea y tiene que enviarse al departamento de recuperación, en donde se le
quita el espejo, y se desensambla el mecanismo. El costo por retirar el espejo
es de $6 por pieza. Además, debe tomarse en cuenta que un 10% de los
espejos se rompen y cada uno cuesta $6,5. Otros costos son desensamblar el
mecanismo ($14 por espejo) y reensamblar el mecanismo ($58 por espejo).
Para determinar el porcentaje de cada defecto producido se utilizó una gráfica

Xbarra R para registrar las medidas del torque, con muestras de 8 piezas
tomadas al azar cada hora durante un periodo de 20 horas, dando por
resultado:
∑̅
Como puede observarse, el torque promedio está por debajo del requerido.
Una investigación demostró que esto ha ocurrido para remediar las demandas
de la planta de ensamble, con respecto al esfuerzo para obtener un alto torque.
104
Al mismo tiempo, también hubo demandas acerca del bajo torque. Además, las
preguntas que se expusieron mostraron que el método de comprobación del
torque varió entre los departamentos de producción e inspección. Cuando se
examinaron las cartas en forma crítica, se comprendió el por qué la planta de
ensamble malinterpretó el método de comprobación. Se habló con el
departamento de ingeniería y este estuvo de acuerdo en emitir nuevas cartas
para aclarar el método apropiado.
El siguiente paso concierne al departamento de herramientas. Los datos del

estudio se utilizaron para demostrar que existió el torque. Se explicó que si el
asiento del mecanismo puede mantenerse en el límite alto, el torque debe
dirigirse al lado alto (14 pulg-lb). Además si el departamento de proceso puede
mantener el asiento dentro de una redondez de 0,0001 y 0,0003 pulgadas en
su ubicación, pueden conservarse las especificaciones del torque, y se realizó
otro estudio del torque con el mismo número de muestras y de igual tamaño
dando como resultado:
∑̅
De esta manera, se logró estabilizar el proceso.
La planta tiene una capacidad de producir 4800 piezas en un día de trabajo y

ésta trabaja a tres turnos.
A partir de la información suministrada anteriormente, desarrolle los siguientes

puntos:
1. Realice un análisis de capacidad y determine si el costo total se vio

reducido por el cambio.
2. El ingeniero de la planta sabe por el comportamiento del proceso que a

medida que la media aumenta su valor, los costos de reproceso van
disminuyendo, hasta llegar a un punto donde los costos comienzan a
tener un nuevo ascenso. Por el contrario, si la media disminuye, el costo
de los reprocesamientos se aumentaría y por restricciones económicas
se sabe que este no puede exceder en cuatro veces el costo cuando el
proceso se encuentre en estado estable, esto es que la media no debe
superar el valor de 9,645 pulg-lb. Para ello monitorean el proceso con
muestras de tamaño 12. Dadas estas condiciones:
a) ¿con qué probabilidad se detectará el cambio anteriormente
mencionado?
b) ¿cuál es la probabilidad de que la carta detecte el cambio,
posterior a la segunda muestra consecutiva después de que el
cambio ocurre?
105
3. Para el gerente de la planta sería grave que el cambio no se detectara a
tiempo, por lo que realiza un análisis del proceso y obtiene que se
requiere un 99% de probabilidad de detectar el cambio a lo sumo en la
segunda muestra después de que el cambio ocurre para evitar
inconvenientes a posteriori. Le solicita a usted como ingeniero que le
recomiende un tamaño de muestra para monitorear el proceso. ¿Qué
tamaño de muestra le recomendaría usted?
4. Suponga que la corrida de los incisos anteriores realmente ocurrió.

Después de eso se conformaron lotes de 100 artículos de manera
aleatoria y eran inspeccionados 100%. ¿Cuál es la probabilidad de
encontrar a lo sumo 5% de espejos no conformes debido a un torque
flojo?
Solución
Datos
Las muestras se tomas cada hora
Costos de reparar espejo defectuoso por alto torque = $7/espejo
Costos de reparar espejo defectuoso por bajo torque

costo de retirar el espejo=$6/espejo
costo de reemplazar espejos rotos=$6,5/espejo
%espejos rotos=10% de los no conformes por bajo torque
costo de desensamblar el mecanismo=$14/espejo
costo re-ensamblar el mecanismo= $58/espejo
106
1. Capacidad del proceso antes del reprocesamiento de la matriz.
̅
Sabemos que
Luego
( )
( )
Como entonces el proceso no esta centrado. Además es menor

que 1 entonces me están arrojando productos no conformes por el límite
inferior.
̅
( )

Productos no conformes/día=4800*0,6736=3233,28≈3234productos no
conformes por día
( ) ( ) ( ) ( )
( ) 254354,1/dia
El costo por día por reparar las unidades no conformes es de $254354,1/día
107
Capacidad del proceso después del reprocesamiento de la matriz.
̅
Sabemos que
Luego
( )
( )

ambos límites.
̅
( )
̅
( )

Productos no conforme/día por alto torque= 4800*0,0401 = 193
( )
( )
108
Productos no conformes/día por bajo torque =4800*0,1762= 845,76 ≈ 846
productos no conformes por día
( ) ( ) ( ) ( )
( ) 66537,9/día
El costo por dia por reparar las unidades no conformes es de $67888,9/día.
Ahorro 254354,1-67888,9= 186465,2
2. Análisis Ingeniero de planta
Como la media tuvo un corrimiento debemos calcular nuevamente la capacidad

del proceso, esto es.
( )
( )

ambos límites.
( ) 0,9741 0,0259
̅
( )
109
a) Potencia de la carta.
b)
Luego como el corrimiento de la media es hacia la izquierda la potencia de la

carta es:
Con
𝛽 ( √ )
𝛽 ( √ )
𝛽 ( )
La carta detecta el cambio con una probabilidad del 70,02%.
c) La probabilidad de que la carta detecte el cambio después de la

segunda muestra que ocurrió el cambio es:
( 𝛽 ) 𝛽
3. El tamaño de la muestra recomendado para que la probabilidad de

detectar el corrimiento de la media a lo sumo en la segunda muestra sea
99%, es:
( 𝛽 )
𝛽 √
𝛽
| | | |
[ ]
| | | |
[ ]
110
4. .3. CARTAS DE CONTROL PARA ATRIBUTOS
Los diagramas de control por atributos constituyen una herramienta esencial

para controlar características de calidad cualitativas, esto es, características no
cuantificables numéricamente. El termino atributo, es la propiedad que tiene
una unidad de producto de ser buena o mala, esto es, la característica de
calidad esta dentro de los requisitos especificados o no. Este tipo de carta
surge porque existen muchas situaciones en que la característica de calidad
que interesa controlar no es una característica medible, sino que es cierto
atributo que puede poseer o no el producto. Incluso se pueden estudiar varias
cualidades del mismo producto y analizar si permanecen estables a lo largo del
tiempo.
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 obtenidos
de un proceso.
Las cartas de control por atributos se pueden clasificar de la siguiente manera:
𝐺
𝐺
𝐺
𝐺
Ventajas frente a los gráficos para variables
1) Los gráficos de atributos se pueden utilizar para estudiar diferentes tipos

de errores al mismo tiempo, en tanto que en un grafico de variable sólo
sirve para estudiar una característica de calidad.
2) La toma de datos en los gráficos de atributos es mucho más simple que

en los gráficos de variables. Simplemente necesitamos conocer si el
artículo inspeccionado cumple las especificaciones requeridas.
3) Los gráficos de atributos se pueden utilizar en inspecciones visuales

para atributos, tales como limpieza, etiquetado correcto, color correcto,
etc.
4) Los gráficos de variable 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.
Grafico o 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
111
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.
Pasos a seguir en la implementación del gráfico p:
1) Frecuencia y tamaño de la muestra
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:
El número de partes inspeccionadas n

El número de partes defectuosas np
Calcule la fracción defectuosa (p) para cada muestra mediante:
3) Cálculo de porcentaje defectuoso promedio para los k subgrupos se

calcula con la siguiente fórmula:
( )
̅
4) Calcular los límites de control del gráfico mediante las formulas:
̅( ̅)
̅ √
112
̅( ̅)
̅ √
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:
Cuanto mayor es n más precisión se tiene en la estimación del parámetro

p.
Los límites de control así elegidos están basados en la aproximación a la

normal. En general, esta aproximación es válida para la mayoría de los
procesos industriales en los cuales la proporción defectuosa se puede estimar
en partes por cien. En aquellos otros procesos industriales en los cuales se
habla de defectos por mil, se utiliza más la aproximación a la ley Poisson.
5) Se traza la gráfica y se analizan los resultados. A continuación se

muestra la estructura de una carta p:
Grafico 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 es más fácil de construir que el segundo,
ya que no hace falta hallar la fracción defectuosa, y si se quiere interpretaren
términos de proporciones sólo se tiene que dividir por n la escala vertical del
gráfico.
Para la construcción del gráfico se utiliza de distribución de referencia la ley

Binomial (n, p).En esta distribución, el número promedio de individuos
113
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.
Los límites se calculan mediante las siguientes fórmulas:
̅ √ ̅( ̅)
̅ √ ̅( ̅)
Para este tipo de gráfico de control se define la longitud promedio de corrida

como:
𝐷 ( )
( ) ( ̅ )
∑ ̅
( ) ( )
( ) ( ∑ ̅ )
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.
Si existe evidencia de que alguna causa asignable ha entrado en el proceso,
antes de continuar es necesario identificar tal causa y tomar las medidas
pertinentes.
A continuación se muestra la estructura de una carta np:
Carta C
114
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:
El individuo puede no ser defectuoso y presentar defectos;
el carácter defectuoso puede ser de distinta magnitud dependiendo de la

cantidad de defectos que presenta.
En la grafica 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 ( ), donde representa el
número medio de ocurrencias por unidad de tiempo, superficie, etc.
Cuando 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 , En tal caso

construir los gráficos basándose en los límites:
̅ √ ̅
̅ √ ̅
El promedio de defectos por subgrupo se calcula de la siguiente forma:
∑
Donde = = =
Cuando el valor de 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.
115
3) Acomodar los datos obtenidos en y seguir las mismas reglas de control
que con los gráficos anteriores.
A continuación se muestra la estructura de una carta c:
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:
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
= ° e
=
= / á ú ,
116
ó :
∑
̅
∑
Por lo que los limites de control se obtendrán con las ecuaciones:
̅ ̅⁄
√
̅ ̅⁄
√
A continuación se muestra la estructura de una carta u:
Ejemplo de una carta U
Interpretación de los gráficos de control por atributos
Para interpretar los gráficos de control por atributos debe atenderse a los
siguientes aspectos:
Puntos por fuera de los límites de control
Tendencias o tramos
Distribución de los puntos en el área de control.
Puntos por fuera de los límites de control

Pueden estar situados:
Por encima del límite superior, lo que significa generalmente que:

Hay error en el cálculo o en la señalización
El proceso ha empeorado
El criterio de aceptación es más riguroso
117
Por debajo del límite inferior, indicándonos:
Error de cálculo o de representación

Que el proceso ha mejorado
Un criterio de aceptación menos riguroso
Tendencias ascendentes o tramos por encima de la media, dan a entender

que:
El proceso ha empeorado y puede estar empeorando aún

El criterio de aceptación ha sido modificado
Tendencias descendentes o tramos por debajo de la media, indican que:
El proceso ha mejorado y puede seguir mejorando. Debemos estudiarlo

para introducir mejoras permanentes.
El criterio de aceptación fue modificado
Distribución de los puntos en el área de control
Se identifica como sigue:
Si más del 90% de los puntos están cerca de la media, puede ser debido a:
Errores de cálculo o trazado.
Muestreo estratificado.
Datos modificados (eliminando o cambiando valores que se alejan mucho
de la media)
Si al menos el 40% de los puntos están cerca de la media, podemos atribuirlo

a:
Errores de cálculo o trazado.
Que las muestras contienes medidas de dos o más fuentes de
comportamiento diferentes.
118
5
MUESTREO DE ACEPTACIÓN.
El muestreo de aceptación se
En este capítulo podrás ocupa de la inspección y la toma
de decisiones respecto de los
encontrar y aprender todo lo productos, uno de los aspectos
relacionado con los más antiguos del aseguramiento
conceptos y demás aspectos de la calidad. Consiste en tomar
de los distintos tipos de una muestra de un lote de
artículos (productos o partes en
muestreo e inspección, con proceso, o terminados),
las cuales se puede detectar inspeccionar alguna característica
unidades defectuosas por de calidad de las unidades de la
medio de procesos llevados a muestra, y con base en esta
cabo tanto por el productor información, tomar una decisión
acerca del destino del lote.
como por el cliente.
119
1.5. GENERALIDADES
El muestreo de aceptación se ocupa de la inspección y la toma de decisiones

respecto de los productos, uno de los aspectos más antiguos del
aseguramiento de la calidad. Consiste en tomar una muestra de un lote de
artículos (productos o partes en proceso, o terminados), inspeccionar alguna
característica de calidad de las unidades de la muestra, y con base en esta
información, tomar una decisión acerca del destino del lote. Los lotes
aceptados se incorporan a la producción; los lotes rechazados pueden
devolverse al proveedor o someterse a otra acción de disposición del lote.
Tres aspectos del muestreo son importantes:
 El propósito del muestreo de aceptación es dictaminar los lotes, no

estimar su calidad.
 Los planes de muestreo de aceptación no proporcionan ninguna forma
directa de control de calidad. El muestreo de aceptación se limita a
aceptar algunos lotes y rechazar otros.
 El uso más efectivo del muestreo de aceptación no es para inspeccionar
la calidad de un producto, sino más bien como una herramienta de
auditoría a fin de asegurarse de que la salida de un proceso cumpla con
los requerimientos.
En general hay tres enfoques para la dictaminarían de lotes:
1) La aceptación 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 existen justificaciones
económicas para encontrar unidades defectuosas. Por ejemplo, si la capacidad
real del proceso se estima entre 3 o 4, es poco probable que en un muestreo
de aceptación se descubra alguna unidad defectuosa.
2) La inspección del 100%
Se emplea cuando el componente es en extremo crítico y dejar 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 con las especificaciones.
3) El muestreo de aceptación
Es de mayor utilidad en las siguientes situaciones:
 Cuando las pruebas son destructivas

 Cuando el costo de la inspección del 100% es muy alto
 Cuando la inspección del 100% no es tecnológicamente factible o
requeriría tanto tiempo de calendario que se impactaría seriamente la
programación de la producción
120
 Cuando son muchos los artículos por inspeccionar y la tasa de los
errores de inspección es tan elevada que la inspección del 100% podría
hacer que se aprobara un porcentaje más alto de unidades defectuosas
que con la aplicación de un plan de muestreo.
 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.
 Cuando existen riesgos de responsabilidad legal del producto
potencialmente serios y, aún cuando el proceso del proveedor sea
satisfactorio, se necesita un programa de monitoreo continuo del
producto.
VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando el muestreo de aceptación se compara con la inspección del 100%,

presenta las siguientes ventajas:
 Suele tener costos más bajos, debido a que hay menos inspección.
 Hay menos manejo del producto y, en consecuencia, se reducen los
daños.
 Puede aplicarse en las pruebas destructivas
 Menos personal participa en las actividades de inspección
 Con frecuencia reduce en gran medida la cantidad de errores de
inspección
 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:
 Existe el riesgo de aceptar lotes malos y rechazar lotes buenos

 Por lo general se genera menos información acerca del producto o
acerca del proceso con que se fabricó el producto.
 El muestreo de aceptación requiere la planeación y documentación del
procedimiento, mientras que la inspección del 100% no.
5.2. TIPOS DE PLANES DE MUESTREO
Existen diferentes maneras de clasificar los planes de muestreo de aceptación.

Una clasificación principal es por atributos y variables. Las variables son, desde
luego, características de la calidad que se miden en una escala numérica. Los
atributos son características de la calidad permisibles a través de nuestros
sentidos y que se expresan en una base “pasa, no pasa”. A continuación, se
hará una explicación detallada de los planes de muestreo por atributos.
121
Plan de muestreo simple
Supongamos que se ha sometido a inspección un lote de tamaño . Un plan

de muestreo simple está definido por el tamaño de la muestra y el número de
aceptación .
El lote será aceptado solamente si el número de productos defectuosos en es

menor o igual a .
A partir de esto datos, se puede definir la probabilidad de aceptación del lote o

, la cual está dada por:
( )(𝑵 )
( ) ∑
( 𝑵)
Como se puede apreciar, esta probabilidad es determinada haciendo uso de

una distribución hipergeométrica con parámetros ( ), donde es la
proporción de productos no conformes dentro del lote, y su valor se estima del
producto entre . Luego, el valor de , 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
De esta manera, el valor de la probabilidad de aceptación podría determinarse

así:
( ) ∑( )( ) ( )
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 . 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:
122
( ) ∑( )( ) ( )
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:
( )( )
( ) ∑
( )
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.
Plan de muestreo doble
Un plan de muestreo doble es un procedimiento en el que, bajo determinadas

circunstancias, se necesita una segunda muestra antes de poder dictaminar el
lote. Un plan de muestreo doble se define por cuatro parámetros:
Siendo la cantidad de productos no conformes en la muestra 1, y la

cantidad de productos no conformes en la muestra 2, el plan de muestreo doble
se opera de la siguiente forma:
 se acepta el lote
 se rechaza el lote
 se pasa a una segunda muestra
 se rechaza el lote
 se acepta el lote
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.
123
Este ejercicio puede resolverse utilizando un árbol de decisión. Inicialmente, se
analizan los valores que pueden tomar , teniendo en cuenta las
restricciones dadas para este tipo de plan.
𝑿𝟏 𝟎
𝑿𝟐 𝟎
𝑿𝟏 𝟏 𝑿𝟐 𝟏
𝑿𝟐 𝟐
𝑿𝟐 𝟎
𝑿𝟏 𝟐
𝑿𝟐 𝟏
𝑿𝟏 𝟑 𝑿𝟐 𝟎
La probabilidad para cada uno de los casos encontrados son las siguientes:
 Para la primera muestra

( )( )
( )
( )
( )( )
( )
( )
( )( )
( )
( )
( )( )
( )
( )
 Para la segunda muestra

( )( )
( )
( )
124
( )( )
( )
( )
( )( )
( )
( )
La probabilidad de aceptación se determina de la siguiente manera:
( ) { ( ) [ ( ) ( ) ( )]}
{ ( ) [ ( ) ( )]} [ ( ) ( )]
( ) ( )
Plan de muestreo múltiple
Un plan de muestreo múltiple es una extensión del muestreo doble por cuanto
pueden requerirse más de dos muestras para dictaminar un lote.
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.
Plan de muestreo secuencial
El muestreo secuencial es una extensión del concepto del muestreo doble y del
muestreo múltiple. En el muestreo secuencial se toma una secuencia de
muestras del lote y se deja que el número de muestras lo determinen por
completo los resultados del proceso de muestreo. En teoría, el muestreo
secuencial puede continuar de manera indefinida, hasta que se hace la
inspección del 100% del lote. En la práctica, los planes de muestreo secuencial
suelen truncarse después de que el número inspeccionado es igual a tres
veces el número que se habría inspeccionado utilizando el plan de muestreo
simple correspondiente. Si el tamaño de la muestra seleccionado en cada
etapa es mayor que 1, al proceso suele llamársele muestreo secuencial grupal.
Si el tamaño de la muestra inspeccionado en cada etapa es 1, al procedimiento
suele llamársele muestreo secuencial artículo por artículo.
125
5.3. LA CURVA DE OPERACIÓN (OC)
Una medida importante del desempeño de un plan de muestreo es la curva de

operación característica, la cual, es una representación gráfica del plan de
muestreo. En esta curva se grafica la probabilidad de aceptar el lote (eje y)
contra la fracción defectuosa del lote (eje x). 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. A continuación, en la figura 19 se muestran tres curvas de
operación características, para diferentes valores de muestra y criterios de
aceptación.
Figura 19. Ejemplos de Curvas de operación.
Como se puede apreciar, las curvas de operación son más estrictas conforme
aumenta el tamaño de la muestra. Gráficamente, este hecho se puede apreciar
por la disminución del área bajo la curva, lo que muestra un plan de muestreo
estricto.
Curva de Operación perfecta
Un plan de muestreo que hiciera la discriminación perfecta entre los lotes

buenos y los malos tendría una curva OC como la que se muestra en la figura
14 La curva OC corre horizontalmente en una probabilidad de aceptación igual
a 1, hasta que se alcance un nivel de calidad considerado malo para el lote,
126
punto en el cual la curva cae verticalmente a una probabilidad de aceptación
igual a cero.
Figura 20. Curva de Operación perfecta
Para graficar una curva de operación, basta solo con darle valores a , y
teniendo en cuenta el tamaño de la muestra y número de aceptación dado para
el plan, se hallan diferentes valores para .
Ejemplo
Trace la curva de operación característica para el siguiente plan de muestreo:

Utilizando la distribución de probabilidad Binomial para determinar se tiene:
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
127
De esta manera la gráfica resulta de la siguiente forma:
Puntos específicos en la Curva OC
Frecuentemente, el interés del ingeniero de calidad se centra en determinados

puntos de la curva OC. El proveedor suele estar interesado en saber cuál es el
nivel de calidad del lote o proceso que produce una alta probabilidad de
aceptación.
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
128
puntos NAC y LTPD para este fin. Cuando los niveles de calidad del lote
especificados son 𝐷, 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:
𝑵
𝑵
∑( )( ) ( )
𝜷 ∑( )( ) ( )
Figura 21. Representación gráfica de los parámetros NAC, LTPD, 𝜷
129
5.4. DISEÑO DE PLANES DE MUESTREO
Diseñar un plan de muestreo es buscar un valor para y que satisfaga cuatro

parámetros establecidos: NAC, LTPD, 𝛼 𝛽
Existen diferentes herramientas para el diseño de planes de muestreo, entre

estas, las más importantes son las Tablas Military Standard 105D (ANSI/ASQC
Z1.4, ISO 2849), y el método matemático.
5.4.1. Tablas Military Standard
Este procedimiento de muestreo fue desarrollado durante la segunda guerra

mundial. Actualmente, el estándar MIL STD 105E es el sistema de muestreo de
aceptación para atributos de mayor uso en el mundo.
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 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.
Procedimiento
Un procedimiento paso a paso pausar el estándar MIL STD 105E es el

siguiente:
1. Elegir el AQL (NAC)
130
2. Elegir el nivel de inspección
3. Determinar el tamaño del lote
4. Encontrar la letra código apropiada para el tamaño de la muestra en la tabla

5 (Sección 7)
5. Determinar el tipo apropiado de muestreo que debe usarse (único, doble,

múltiple).
6. Consultar la tabla apropiada (Tablas 6-8, sección 7) para encontrar el tipo de

plan que debe usarse.
7. Determinar los planes de inspección normal y reducida correspondientes que

deben usarse cuando sea necesario.
Ejemplo
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.
5.4.2. Método matemático
Esta herramienta para el diseño de planes de muestreo no tiene en cuenta

únicamente el NAC como parámetro de decisión en el diseño del plan de
muestreo, sino cada uno de los parámetros dados para su diseño, NAC, LTPD,
el riesgo del productor y el del consumidor. El valor de y se determina
utilizando cada una de las siguientes ecuaciones:
| | 𝜷√ ⁄
⁄
⁄
[ ]
131
√ 𝜷√
5.5. INSPECCIÓN CON RECTIFICACIÓN
Los programas de muestreo de aceptación suelen requerir una acción

correctiva cuando los lotes son rechazados. Esto generalmente adopta la forma
de una inspección del 100% exhaustiva de los lotes rechazados, donde todos
los artículos defectuosos descubiertos se sacan para reprocesamiento
posterior, se devuelven al proveedor o se reemplazan de un inventario de
artículos satisfactorios comprobados. A estos programas de muestreo se les
llama programas de inspección con rectificación, debido a que la actividad de
inspección afecta la calidad final del producto de salida.
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.
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 . Es
sencillo desarrolla una fórmula para el AOQ. Suponer que el tamaño del lote es
y que todas las unidades defectuosas se reemplazan con unidades
satisfactorias. Entonces en lotes de tamaño , se tiene:
1. artículos en la muestra que, después de la inspección, no contienen

unidades defectuosas, debido a que todas las unidades defectuosas
descubiertas se reemplazan.
2. artículos que, si el lote es rechazado, tampoco contienen unidades

defectuosas.
3. artículos que, si el lote es aceptado, contiene ( ) unidades

defectuosas.
132
Por tanto, los lotes en la etapa de salida de la inspección tienen un número
esperado de unidades defectuosas igual a ( ), que puede expresarse
como una fracción defectuosa promedio, llamada la calidad de salida promedio:
(𝑵 )
𝑵
Cuando el tamaño del lote se hace grande en comparación al tamaño de la
muestra, esta ecuación puede escribirse como:
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.
Figura 22. Representación gráfica del AOQ y localización del AOQL.
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
133
sea la fracción defectuosa en los lotes de entrada, los lotes de salida nunca
tendrán un nivel de calidad peor que el AOQL.
5.6. MUESTREO CONTINUO
Con estos planes, existe el supuesto explícito de que el producto se forma en

lotes, y la finalidad del plan de muestreo es dictaminar los lotes individuales.
5.6.1. 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 unidades consecutivas del producto no presentan defectos, se
discontinúa la inspección 100%, y sólo se inspecciona una fracción 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.
5.6.2. 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 unidades muestrales entre sí.
Es una práctica común elegir igual al número de liberación . Estos planes
están registrados por AOQL específicos que pueden obtenerse con diferentes
combinaciones de y .
5.6.3. 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.
134
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%.
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%.
a) Calcule la probabilidad que el plan de muestreo acepte el lote

b) Calcule el riesgo tipo II
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:
a) Probabilidad de aceptación
Como se utiliza el valor del AOQL, puesto que es la proporción real de
productos no conformes después de rectificación.
( ) ∑( )( ) ( )
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).
135
6
HERRAMIENTAS INFORMATICAS.
El muestreo de aceptación se
En este capítulo podrás ocupa de la inspección y la toma
de decisiones respecto de los
encontrar y aprender todo lo productos, uno de los aspectos
relacionado con los más antiguos del aseguramiento
conceptos y demás aspectos de la calidad. Consiste en tomar
de los distintos tipos de una muestra de un lote de
artículos (productos o partes en
muestreo e inspección, con proceso, o terminados),
las cuales se puede detectar inspeccionar alguna característica
unidades defectuosas por de calidad de las unidades de la
medio de procesos llevados a muestra, y con base en esta
cabo tanto por el productor información, tomar una decisión
acerca del destino del lote.
como por el cliente.
136
6. HERRAMIENTAS INFORMÁTICAS PARA EL CONTROL DE CALIDAD
6.1 CAPACIDAD DEL PROCESO
En Minitab, usted puede evaluar gráficamente la capacidad de procesos al

generar histogramas y gráficas de capacidad. Estas gráficas ayudan a evaluar
la distribución de los datos y a verificar que el proceso esté bajo control. Sin
embargo Los índices de capacidad son una forma más simple de evaluar la
capacidad de los procesos. Minitab ofrece análisis de capacidad para muchos
tipos de distribuciones, incluidas la normal, exponencial, Weibull, gamma,
Poisson y binomial.
Ejemplo
A continuación se muestran los datos de cierto proceso productivo del que se

desea conocer la capacidad, se sabe que la media es 264,6 y su desviación
estándar 32,02, el LSE: 350 y el LIE:220
Los datos se muestran a continuación y fueron tomados consecutivamente
349,310166 283,121728 271,570921 259,294887 242,57373

334,135004 280,309148 267,051921 252,716382 242,297691
318,453416 277,807806 266,157908 251,181872 240,902895
313,971604 275,555244 265,557412 249,583709 234,9163
306,503002 275,135635 265,531748 248,659022 225,195575
303,195881 274,318162 265,225026 248,512587 221,955739
300,727785 273,853313 262,289964 246,600136 221,636142
296,238577 273,046443 261,123392 246,022968 219,922422
286,104083 272,685957 261,049152 245,363693 216,841732
285,604855 271,745358 260,379235 243,738912 216,055131
Solución
Si queremos comprobar que los datos se distribuyen normalmente podemos

seguir la siguiente ruta después de introducidos los datos.
Estadísticas>Estadísticas Básicas>Prueba de normalidad, como se

muestra en la imagen de abajo.
1
Capitulo
Luego de aceptar se generará una imagen como la que sigue:
Gráfica de probabilidad de C1
Normal
99
Media 265,4
Desv.Est. 29,30
95 N 50
AD 0,495
90
Valor P 0,206
80
70
Porcentaje
60
50
40
30
20
10
1
200 220 240 260 280 300 320 340 360
C1
En la que si sus datos son perfectamente normales, entonces los puntos en la

gráfica conformarán una línea recta. La línea de referencia es un estimado de
la función de distribución acumulada para la población a partir de la cual se
extrajeron los datos.
Nota: Un software que es muy potente también para calcular el tipo de

distribución que siguen los datos obtenidos, es el simulador ARENA con su
herramienta input analyzer.
2
Posterior a esto y centrándonos en la capacidad del proceso procedemos con
la siguiente ruta Estadísticas < Herramientas de calidad < Análisis de
capacidad < Normal.
Aparecerá la siguiente ventana donde se debe hacer en su orden, esto:
Luego
HER
2. CLI
C
1. CLIC
3. CLIC
4. Se
define el
Al igual que con otros comandos de Minitab, usted puede modificar el análisis
de capacidad al especificar información en el cuadro de diálogo principal o al
hacer clic en uno de los botones del cuadro de diálogo, para esto deberá dar
clic al recuadro opciones que está en la parte superior derecha de la imagen
anterior.
Finalmente aparecerá una grafica con los respectivos resultados de la

capacidad del proceso.
3
Capacidad de proceso de C1
LIE LSE
P rocesar datos Dentro de
LIE 220 General
O bjetiv o *
LS E 350 C apacidad (dentro) del potencial
M edida de la muestra 265,435 Cp 0,76
C PL 0,53
N úmero de muestra 50
C P U 0,99
Desv .E st. (Dentro) 28,3796
Desv .E st. (G eneral) 29,304 C pk 0,53
C apacidad general
Pp 0,74
PPL 0,52
PPU 0,96
P pk 0,52
C pm *
200 220 240 260 280 300 320 340

Desempeño observ ado E xp. Dentro del rendimiento E xp. Rendimiento general
P P M < LIE 60000,00 P P M < LIE 54693,01 P P M < LIE 60515,65
P P M > LS E 0,00 P P M > LS E 1442,23 P P M > LS E 1952,11
P P M Total 60000,00 P P M Total 56135,23 P P M Total 62467,76
Aquí se puede ver claramente que el proceso no es capaz porque todas las
estadísticas de potencial son menores que 1, además se observa claramente
que se están generando productos no conformes en mayor proporción por el
límite inferior.
4
6.2 CARTAS DE CONTROL
El siguiente ejercicio explica de forma clara el procedimiento para realizar una

carta de control para variables con Minitab.
Ejercicio 1
En un cierto proceso de fabricación, una de las operaciones consiste en

efectuar un corte en una pieza de plástico. Dicho corte debe tener una
profundidad especificada en los planos. Dado que en el procesado posterior de
dichas piezas se tenían problemas debido a piezas con cortes no adecuados,
un ingeniero decide recoger información del proceso.
Para ello tomó datos de 20 conjuntos de piezas cada uno en intervalos de

tiempo de 2 días y midió la profundidad del corte obtenido. Los datos obtenidos
se muestran a continuación:
X1 X2 X3 X4
1 8,3 8 8,4 8,4
2 8,1 8 7,9 8
3 8,1 8,2 8,2 8,2
4 8 8,2 8 8
5 7,9 8 8 8
6 9 8,4 8,5 8,5
7 8,3 8,4 8,4 8,4
8 8,1 8,2 8,2 8,1
9 8 7,9 8 8
10 8 8,1 8,1 8,1
11 7,8 7,5 7,5 7,5
12 8,1 8,2 8,2 8,2
13 7,6 7,7 7,9 7,7
14 7,5 7,6 7,7 7,7
15 7,5 7,5 7,5 7,5
16 7,5 7,8 7,8 7,8
17 7,8 7,5 7,5 7,5
18 8,2 8 8,2 8
19 8,2 8,2 8,2 8,2
20 8,2 8,3 8 8,1
5
Para realizarlos por MINITAB es necesario hacer el siguiente procedimiento:
1) Los datos se ingresan de la siguiente manera
2) Debido a que la característica de calidad que se está midiendo es una

variable continúa, utilizaremos la grafica ̅ , por lo que tendremos que
hacer lo siguiente. Estadística<Graficas de control<Graficas de
variables para subgrupos<Xbarra-R.
6
3) Después de esto aparecerá una ventana, en donde escogeremos del
submenú la opción las observaciones para un subgrupo están en
una fila de columnas:
4) Luego aparecerá la siguiente ventana, en donde ingresaremos los datos

en la segunda casilla haciendo doble clic a cada uno de nuestros
subgrupos, tengan en cuenta que las observaciones para un subgrupo
se encuentran en distintas columnas es por eso que seleccionaremos la
segunda opción que se muestra en la caja de selección.
7
5) Finalmente y después de hacer lo anterior, se genera una grafica como
se muestra a continuación.
Gráfica Xbarra-R de X1; ...; X4

1
8,50
M edia de la muestr a
1
1
8,25 1 1 1
U C L=8,174
_
_
8,00 X=8
LC L=7,826
7,75
1 1
1
7,50 1 1
1
1 3 5 7 9 11 13 15 17 19
M uestr a
1
0,60
U C L=0,5447
Rango de la muestr a
0,45
0,30 _
R=0,2387
0,15
0,00 LC L=0
1 3 5 7 9 11 13 15 17 19
M uestr a
Análisis
El primer grafico correspondiente al grafico X-barra, nos indica que el proceso

no se encuentra bajo control estadístico, porque hay 12 puntos por fuera de los
límites de control.
Por su parta el grafico R nos muestra que el proceso es variable, y hay muchas
observaciones cerca del límite de control inferior, lo que indica que la mayoría
de los cortes están por debajo del promedio de cortes adecuados. De la misma
manera podemos ver claramente un punto por encima del límite superior que
se debe investigar.
Nota: Si es necesario eliminar y cambiar los datos insertados en Minitab, se lo

puede hacer sin ningún problema, solo que se debe actualizar la grafica; para
esto se da clic derecho sobre la grafica anterior y se elige la opción actualizar
grafica automáticamente. Para que el cambio surja efecto.
8
6) Si se quiere realizar una prueba del comportamiento de los datos en
Minitab, se debe seguir la siguiente ruta:
herramienta<opciones<graficas de control y herramientas de
calidad<pruebas. Como lo muestra la imagen:
Si lo desea se pueden modificar los valores de estas casillas, por ejemplo de

acuerdo con las pautas de AIAG, para todas las gráficas de control, usted
puede usar un valor de 7 para las pruebas 2 y 3.
Cartas de control por atributos
Se introducen los datos y realiza el procedimiento de la imagen, escogiendo el

tipo de grafico por atributo que corresponda en cada caso. La ruta es
Estadísticas<Graficas de control<Graficas de atributos
9
Para la grafica P
5. Se definen los valores de los límites
Aparecera esta ventana donde se tendra que hacer:
3. Se hace clic en
el espacio junto a
Tamaño de los
subgrupos
5. Clic en
aceptar
En una
columna se
consignan los
tamaños de
2. Clic sobre la columna que los subgrupos
contiene el número de no
y junto a
conformidades 6. CLIC
10
Para la grafica Np
1. Se hace clic en el espacio debajo de

Variables
Luego continuamos asi :
3. Se hace clic en el
espacio junto a
Tamaño de los
subgrupos y se
consigna el tamaño
de estos
(constante)
4. clic en
Aceptar
En una
columna se
consignan el
numero de
no
conformida
des (NP)
4. Clic sobre la encontrado
columna que
11
Para la grafica C
2. Clic sobre la columna que

contienen el número de no
conformidades
Ahora seguimos con los pasos mostrados en la imagen.
3. Clic en
ACEPTAR
En una
columna se
consignan el
número de
defectos para
cada muestra
(C)
espacio debajo de
Variables
12
Para la grafica U
2. Clic sobre la columna que contienen el

número de no conformidades
Luego continuamos como sigue:
3. Se hace clic
en el espacio
junto a Tamaño
En una de los
columna se
consignan
espacio debajo de
los tamaños Variables
2. Clic sobre la
columna que 1. Se hace clic en el
contienen el número espacio debajo de
de defectos
13
PARA EL MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
Ejemplo
Supongamos que un proveedor le suministra bolígrafos con el logotipo de su

compañía, los cuales usted obsequia en eventos comerciales. Usted recibe los
bolígrafos en lotes de 5000 y el hecho de que muchos de estos bolígrafos no
funcionan adecuadamente le ha causado frustración. Usted decide implementar
un plan de muestreo que le permita tomar la decisión de aceptar el lote entero
o rechazar el lote entero. Usted tiene previsto enviar un mensaje a su
proveedor en el que le informa que no aceptará bolígrafos de baja calidad.
Usted y su proveedor convienen en que el AQL es 1.5% y el LTPD es 10%.
Solución:
Primero hacemos lo siguiente:
1 Elija Estadísticas > Herramientas de calidad > Muestreo de aceptación

por atributos.
Luego aparecerá una ventana donde se deberán ingresar los datos

correspondientes para hacer las respectivas graficas y se debe hacer lo
siguiente:
1) Elija Crear un plan de muestreo.

2) En Tipo de medición, elija Pasa / no pasa (defectuosos).
3) En Unidades para niveles de calidad, elija Porcentaje de
defectuosos.
14
4) En Nivel de calidad aceptable (AQL), ingrese 1.5. En Nivel de calidad
rechazable (RQL o LTPD), ingrese 10.
5) En Riesgo del productor (alfa), ingrese 0.05. En Riesgo del
consumidor (beta), ingrese 0.10.
6) En Tamaño del lote, ingrese 5000.
7) Haga clic en Aceptar y aparecerá lo siguiente:

AOQ (pct. elementos defectuosos)
Curva Característica de operación (OC) Curva de calidad saliente promedio (A OQ)
2,4
1,0
1,8
1,2
0,8
0,6
Probabilidad de aceptación
0,0
0,6 0 5 10 15 20
Pct. elementos defect. en lote entrante
Curva de inspección total promedio (A TI)

0,4
5000
Inspección total promedio
0,2 3000
1000
0,0
0 5 10 15 20 0 5 10 15 20
Porcentaje de defectuosos en el lote Porcentaje de defectuosos en el lote
Tamaño de la muestra = 52, Número de aceptación = 2
15
Análisis
Para cada lote de 5000 bolígrafos, usted necesita seleccionar e inspeccionar

aleatoriamente 52 de ellos. Si encuentra más de 2 defectuosos entre estos 52
bolígrafos, debe rechazar todo el lote. En caso de encontrar 2 o menos
bolígrafos defectuosos, se acepta todo el lote.
En este caso, la probabilidad de aceptación en el AQL (1.5%) es de 0.957 y la

probabilidad de rechazo es de 0.043. Cuando se configuró el plan de muestreo,
el consumidor y el proveedor convinieron en que los lotes con 1.5% de
defectuosos serían aceptados aproximadamente el 95% de las veces, a fin de
proteger al productor. La probabilidad de aceptación en el LTPD (10%) es de
0.097 y la probabilidad de rechazo es de 0.903. El consumidor y el proveedor
convinieron en que los lotes con 10% de defectuosos serían rechazados la
mayor parte de las veces, a fin de proteger al consumidor.
Los procesos de muestreo de aceptación por lo general requieren acciones

correctivas cuando se rechazan lotes. Cuando la acción correctiva consiste en
realizar una inspección al 100%, además de reparar las unidades defectuosas,
la Calidad saliente promedio (AOQ) representa la calidad promedio del lote y la
Inspección total promedio (ATI) representa el número promedio de unidades
inspeccionadas después de realizar una exploración adicional.
El nivel AOQ es de 1.4% en el AQL y de 1.0% en el LTPD. Esto se debe a que

cuando los lotes son muy satisfactorios, o muy deficientes, la calidad saliente
será satisfactoria debido al trabajo de reparación y reinspección de los lotes
deficientes. El Límite de calidad saliente promedio (AOQL) = 2.603 en 4.3 por
ciento de defectuosos, representa el nivel de calidad saliente en el peor de los
casos.
La ATI por lote representa el número promedio de bolígrafos inspeccionados en

un nivel de calidad particular. Para el nivel de calidad de 1.5% de defectuosos,
el número total promedio de bolígrafos inspeccionados por lote es de 266.2.
Para el nivel de calidad de 10% de defectuosos, el número total promedio de
bolígrafos inspeccionados por lote es de 4521.9.
16
Diagrama de Pareto
Para realizar un diagrama de pareto con Minitab.
4. Clic sobre la columna que

contienen el tamaño de los
subgrupos
Luego en la opción estadística, se escoge herramientas de calidad y enseguida

diagrama de pareto como se muestra en la imagen de abajo.
17
1. Se escoge la
opción Tabla de
defectos de
gráfica
En una columna se consignan las

etiquetas de los efectos y junto a dicha
etiqueta la frecuencia de ocurrencia del
5. Se hace clic en el nombre de la columna que
5. Clic en
contiene lasclic
2. Se hace frecuencias, en este
en el espacio juntocaso C2
a Etiquetas en
ACEPTAR
3. Se hace clic en el nombre 4. Se hace clic en el espacio

de la columna que contiene
junto a Frecuencias en
Finalmente obtenemos nuestro diagrama de Pareto
18
Ejercicios propuestos resueltos
19
EJERCICIOS PROPUESTOS CAPÍTULO 3:
ANÁLISIS DE CAPACIDAD DE PROCESO
1) Un proceso está bajo control con . Las especificaciones

del proceso son . El tamaño de la muestra es .
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.
Solución:
Tenemos los siguientes datos:
La gráfica de capacidad del proceso es:
Capacidad del proceso
0,20
0,15
0,10
0,05
0,00
70 72 75 80 85 88 90
LIE X LSE
a) Para calcular la capacidad potencial del proceso se emplea la

siguiente fórmula:
Reemplazando los valores:

20
( )
Lo anterior indica que el proceso es capaz, pero no se encuentra centrado pues

la media del proceso no coincide con el valor nominal de las especificaciones.
b) Como el proceso no se encuentra centrado, la capacidad calculada

anteriormente es considerada potencial, pues no es la que
verdaderamente tiene el proceso.
Para calcular la capacidad real del proceso se tiene:
{ }
Además se sabe que:
Reemplazando los valores se tiene:
( )
( )
Entonces,
Lo anterior indica que se están arrojando productos no conformes por el límite

inferior de especificación. Calculando el porcentaje de PNC, se tiene:
( )
Pero:
Buscando en tablas:
21
c) Cambiando la media del proceso por del valor nominal, es decir,
centrándolo, se tiene:
Entonces el porcentaje de PNC será:
( )
Por tabla se tiene:
Como el proceso está centrado, entonces la misma proporción que se arroja

por un límite es la misma para el otro límite, por tanto la cantidad total de PNC
es:
Por lo tanto, se concluye que al centrar el proceso el se reduce en un
La gráfica de capacidad del proceso cuando el proceso está centrado es:
0,20
0,15
0,10
0,05
0,00
70 72 75 80 85 88 90
LIE X LSE
22
2) Una fábrica de herbicidas tiene un reactor donde fabrica un producto, 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.
Las especificaciones para el ingrediente activo liberable son:
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.
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 de tal manera que la fracción de no

conforme sea a lo sumo 10%?
De los lotes no conforme que exceden el límite superior de especificación el

60% de ellos se pueden reprocesar a un costo unitario de 80u.m y quedan
aceptables. Los lotes no conforme por el límite inferior son reprocesables en un
90% y ocasionan un costo unitario adicional de 30u.m. el costo de producción
de cada lote es de 300u.m; ¿Cuánto cuesta producir un lote conforme?
Solución:
Se tienen los siguientes datos:

Especificaciones:
23
El histograma es:
Histograma
Media 6,32
50 Desv .Est. 1,543
N 200
40
Frecuencia
30
20
10
0
2 4 6 8 10
Especificaciones
Completando la tabla de frecuencias se tiene:
Intervalo Marca ( )
1 30,84075 1 -5 -5 25
2 31,23565 0 -4 0 0
3 31,63055 4 -3 -12 144
4 32,02545 14 -2 -28 784
5 32,42035 43 -1 -43 1849
6 32,81525 51 0 0 0
7 33,21025 44 1 44 1936
8 33,60515 25 2 50 2500
9 33,99995 14 3 42 1764
10 34,39485 4 4 16 256
11 34,78975 0 5 0 0
32,81527 200 64 9258
Para calcular la media y la desviación se utilizan las siguientes fórmulas:
√ ( )
Pero:
24
∑
∑( )
Y es el promedio de las marcas de clase
Entonces:
√ ( )
Entonces, la gráfica de capacidad del proceso es:
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
25,0 27,5 30,0 32,5 35,0 37,5 40,0 42
42,5
LIE LSE
X
Ya teniendo los valores de la media y la desviación, se procede a calcular la

capacidad del proceso empleando la fórmula:
25
( )
El proceso es no capaz y además necesita de cambios en el proceso.
{ }
Se sabe que:
Reemplazando valores:
( )
( )
Entonces:
De acuerdo a lo anterior es posible decir que el mayor porcentaje de productos

nos conformes se encuentra por el límite inferior de especificación.
Ahora calculando el porcentaje de productos no conformes por los dos límites

de especificación tenemos:
Por el límite superior:
( ) ( )
̅
( )
( )
Por el límite inferior:
( )
26
̅
( )
( )
Entonces el porcentaje total de productos no conformes es:
Para que a lo sumo se presente un 10% de productos no conformes, se

presenta lo siguiente:
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅
( ) ̅
( )
Entonces,
̅
̅ ( ) ̅
( ) ̅
Entonces la ventana de operación es: [ ]
El %PNC del LSE es reprocesable en un 60% a un costo unitario de 80 u.m.,

mientras que el %PNC del LIE es reprocesable en un 90% a un costo unitario
de 30 u.m.
El costo de producir un lote es de 300 u.m. por lo tanto, el costo de producir un

lote conforme será de:
27
( ) ( )
[ ] ( ) ( )
3) Un proceso está bajo control estadístico con parámetros ̅ y

desviación . Las especificaciones son . Entre que valores
puede oscilar ̅ de tal manera que la fracción 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 80u.m. y quedan aceptables. Los artículos no conformes por el límite
inferior no son reprocesables y ocasionan un costo unitario de 30u.m. el
costo de producción de cada artículo es de 250u.m. ¿Cuánto cuesta
producir un artículo conforme?
Solución:

̅
La gráfica de capacidad del proceso es:

0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
60 65 70 75 80 85 90
LIE X LSE
28
Para que a lo sumo se presente un 4% de productos no conformes, se
presenta lo siguiente:
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅ ( )
̅
( )
Entonces,
̅
̅ ( ) ̅ ( )
̅
Se tiene que el 70% de PNC por LSE es reprocesable a un costo de 80 u.m.; y

los PNC por el LIE no son reprocesables y se incurre en un costo de 30 u.m.
El costo de producción de un lote es de 250 u.m., pero para poder calcular el

costo de producir un lote conforme es necesario conocer el porcentaje de
productos no conformes tanto por el límite inferior como el superior, por tanto:
( ) ( )
̅
( )
( )
Como el proceso se encuentra centrado, entonces por el límite inferior se

presenta el mismo porcentaje de PNC, por lo que el porcentaje de PNC total
será:
29
Entonces el costo de producir un lote conforme será:
( ) ( )
4) Aceros S.A. produce láminas de acero de 3mm de espesor y 1200 mm

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 , la carta
y su media es ̅ y el promedio de la carta rango ̅ . Las
especificaciones requeridas por la lámina son mm 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 cumplan las especificaciones por el
límite superior perdiendo el 10% del precio de venta de la lámina. Por
cada lámina que no cumple por el límite inferior se obtiene solo una
utilidad del 15%. La empresa recibe un pedido de 1000 láminas.
a) ¿Cuál es su opinión sobre la capacidad del proceso?

b) Calcular la fracción productos no conformes del proceso
c) ¿Qué debo hacer para reducir la cantidad de productos no
conformes?
d) De acuerdo al numeral 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.
Solución:
Se cuenta con los siguientes datos:
̅
̅
La gráfica de la capacidad del proceso es:
30
0,006
0,005
0,004
0,003
0,002
0,001
0,000
900 1000 1100 1160 1200 1240 1300 1400
LIE X LSE
a) Realizando un análisis de capacidad de proceso tenemos que:
Como no se cuenta con el valor de la desviación estándar, pero contamos con

el tamaño de la muestra y del rango promedio, entonces empleamos la
siguiente fórmula:
Ahora reemplazando los valores en la fórmula de capacidad de proceso

tenemos:
( )
Es un proceso que debe ser cambiado por completo, pues la forma en cómo
está funcionando está arrojando muchos productos no conformes por ambos
límites.
Ahora se procede a calcular la capacidad real del proceso,
{ }
Se sabe que:
31
Y
Reemplazando valores:
( )
( )
Entonces:
De acuerdo a lo anterior podemos decir que el mayor porcentaje de PNC se

arroja por el límite inferior.
b) Ahora calculando el porcentaje de productos no conformes por los

dos límites de especificación tenemos:
( ) ( )
̅
( )
( )
( )
̅
( )
( )
c) La gráfica de capacidad del proceso centrado es:

32
0,006
0,005
0,004
0,003
0,002
0,001
0,000
1000 1100 1160 1200 1240 1300 1400
LIE LSE
X
Para reducir la cantidad de productos no conformes se debe centrar el proceso,

entonces calculando la capacidad del proceso cuando está centrado tenemos:
( )
El proceso es no capaz y requiere que lo cambien por completo.
Como el proceso está centrado, entonces:
Entonces:
( )
̅
( )
( )
Como el proceso está centrado, el porcentaje de PNC es la mima con ambos

límites, por tanto:
d) De acuerdo al numeral anterior calcule el precio de venta promedio

de cada lámina
Se sabe que:
33
Entonces:
( )( )( ) ( )( )( ) ( )( )( )
( )( )( ) ( )( )( ) ( )( )( )
e) Para que se genere un corrimiento en la media que genere 30% de

PNC, tenemos:
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅
( ) ̅
( )
Entonces,
̅
̅ ( ) ̅
( ) ̅
Tal como se puede observar, el rango de la ventana de operación no coincide

con los límites de especificación, pues la desviación estándar es muy grande,
34
por lo que se debe realizar un análisis de las 6M para poder buscar una forma
de que se reduzca la desviación estándar del proceso.
5) Un proceso tiene un índice de capacidad , pero la media esta, dos

desviaciones típicas por encima del límite superior de especificación.
¿Cuál es la probabilidad de fabricar un producto dentro de los límites de
especificación?
Solución
Primero calculamos el porcentaje de productos conforme por el límite superior,

teniendo en cuenta que el porcentaje de productos nos conforme por el límite
superior es;
( ) ( )
Por lo tanto el porcentaje de productos conformes es;
[ ( )] ( )
Ahora,
̅ ( )
Por tabla de la distribución normal encontramos;
( )
Ahora hallamos el porcentaje de productos conforme por el límite inferior,
( ) ( )
Calculamos ;
Pero se determina,
35
Entonces;
( )
Por tabla;
( )
Como la media del proceso esta después del LSE, para calcular el porcentaje
de productos conforme real le restamos él %PC del límite superior al %PC del
límite inferior, obteniendo
Entonces la probabilidad de fabricar un producto dentro de los límites de control

es , es decir; 97,72%.
6) Arturito S.A., fabrica tubos de aluminio. Para tener el proceso bajo

control estadístico emplea un gráfico XbarraR. Se encontró que el
promedio de los promedios de las muestras es 105 mm, tomando
muestras de tamaño 5, y el promedio de los promedios fue de 12 mm.
Las especificaciones del diámetro de los tubos, es de y si
una unidad es defectuosa por el es reprocesada a un costo de 35
u.m. y sólo el 77% de estas queda como producto conforme. Además
producir una unidad cuesta 250 u.m. El precio de venta es de 400 u.m.
a) Actualmente, ¿Cuál es la cantidad de productos no conformes del

proceso?
b) ¿Cómo podría mejorarse la situación actual? ¿En cuánto se reduce?
c) ¿Qué corrimientos serían permitidos en la media del proceso, para
que se genere un 8% de productos no conformes?
d) ¿Según la capacidad del proceso que tipo de proceso es?
e) Si los costos y gastos fijos de la empresa son de 150.000 u.m., ¿Cuál
es el punto de equilibrio de la empresa? Tenga en cuenta que una
unidad defectuosa se puede rematar a 60% del costo de producción
Solución
̅
a) Primero determinamos la desviación estándar
36
Calculamos el porcentaje de productos no conforme por el límite superior;
( )
Donde ;
Por tabla;
( ) ( )
Por lo tanto;
Por el límite inferior;
( )
Donde ;
Por tabla
( ) ( )
Sumando los dos porcentajes tenemos que;
Por lo tanto el porcentaje de productos no conforme es 5,69%.
b) Para mejorar el proceso la mejor opción es centrar el proceso. Es decir;
Comenzamos a calcular por el límite superior,
( )
Donde ;
37
Por tabla;
( ) ( )
Por lo tanto;
Como el proceso está centrando, tiene el mismo porcentaje por el límite

inferior, por lo tanto;
Al centrar el proceso el porcentaje de productos no conforme es 5,24%, y se

redujo en un 0,45%.
c) Calculamos la ventana de operación comenzando por el límite superior;
( )
Por tabla
Ahora despejamos la media del proceso
̅
̅ ̅ ( )
Ahora calculamos por el límite inferior;
( )
Por tabla;
Ahora despejamos la media del proceso
̅
̅ ̅ ( )
Por lo tanto el intervalo que se puede mover la media del proceso si sobrepasar
el 8% el %PNC es; [ ]
d) Primero calculamos la capacidad potencial del proceso;
38
Ahora la capacidad real del proceso;
( )
Por lo tanto
El tipo del proceso es IV es, decir no capaz y requiere seria modificaciones,

además se encuentra descentrando por el límite superior.
La gráfica es la siguiente;
e) Sabemos que el Costo Fijo es 150.000 u.m., el Precio de Venta es 400

u.m. y el costo por unidad 250 u.m.
Elaboramos un diagrama de árbol para determinar el Costo de Venta (CV)
39
Producto
Conforme 250 * 0,9431 = 235.775 u.m.
Producto (250 + 35) * 0,77 * 0,0405 =

Proceso Conforme 8.887 u.m.
Por el LSE
Prodcuto No [(250 * 0,4) + 35 ] * 0,23 * 0,0405 =
Producto No Conforme 2.6547 u.m.
Conforme
Producto No (250 * 0,4) * 0,0164 =

Por el LIE
Conforme 1.64 u.m.
Si sumamos todos los costos este tiene un valor de 247.5302 u.m.
Calculamos el punto de equilibrio por unidades;
( )
El punto de equilibrio es 984 unidades.
7) Un proceso está bajo control estadístico con ̅ ,

las especificaciones del proceso son . La característica de la
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?
Solución:

̅
a) Calculando la capacidad potencial del proceso tenemos:

40
( )
Entonces es capaz más que suficiente
Gráficamente se ve así:

85 105
0,4
0,3
0,2
0,1
0,0
85 90 95 100 105
LIE X
LSE
b) Para calcular la capacidad real del proceso, empleamos la siguiente

fórmula:
{ }
Pero tenemos que:
Ahora reemplazando valores:
( )
( )
41
Entonces:
Ahora calculando el porcentaje de PNC tenemos:
( ) ( )
̅
( )
( )
( )
̅
( )
( )
c) Con el proceso centrado la gráfica de capacidad de proceso es:
0,4
0,3
0,2
0,1
0,0
85 90 95 100 105
LIE X LSE
42
El porcentaje de PNC será:
( )
̅
( )
( )
Por lo tanto, no se reduce el porcentaje de PNC, pues aunque el proceso se

encuentra descentrado inicialmente, no arroja PNC por ninguno de sus límites
de especificación.
8) 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 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.
Solución:
a) Para calcular la capacidad del proceso, se emplea la siguiente fórmula:
Como no sabemos el valor exacto de los límites de especificación, pero

sabemos el porcentaje de los PNC que se arrojan por ambos, tenemos que:
43
Entonces por el límite superior tenemos:
( ) ( ) ( )
( )
̅
̅

( )
Entonces,
̅
̅
Ahora, reemplazando lo obtenido en la fórmula tenemos:
(̅ ) (̅ ) ̅ ̅
Se concluye que el proceso es no capaz y está descentrado, además, requiere

de cambios urgentes en el proceso.
b) La capacidad real del proceso es:
{ }
Se sabe que:
Reemplazando los valores de la fórmula tenemos:
̅ ̅
̅ (̅ ) ̅ ̅
Entonces:
44
c) Si por cada uno de los límites se arroja la misma proporción de PNC,
entonces se deduce que el proceso está centrado, por tanto:
Por el límite superior tenemos:
( ) ( ) ( )
( )
̅
̅

( )
̅
̅
Entonces la capacidad del proceso será:
(̅ ) (̅ ) ̅ ̅
Como el proceso está centrado, entonces:
45
EJERCICIOS PROPUESTOS CAPITULO 4
CARTAS DE CONTROL
1) Un proceso de fabricación de determinado articulo tiene, en estado

estable, una media de 102 pulgadas y un rango promedio de 6 pulgadas.
El estudio y estabilización del proceso se hizo con muestras de tamaño
artículos y ahora se continuara monitoreando con muestras de
tamaño . Las especificaciones son pulgadas. La
velocidad de producción es de 6000 artículos cada tres horas. Las
muestras para el monitoreo se toman una cada treinta (30) minutos. La
carta tienen un ( ) Si la media del proceso cambiase a 95
pulgadas, responda:
a) Si el cambio no se ha detectado antes de la decima muestra consecutiva
(a partir del momento en el cual dicho cambio tuviese lugar), calcular el
valor esperado de artículos no conformes fabricados hasta ese
momento.
b) Diseñe una carta X barra con un riesgo tipo 1 de 0,07 para el caso en
que la media del proceso disminuyese en cinco (5) pulgadas (con
relación al valor original de la media del proceso), de tal forma que ocho
(8) de cada diez (10) medias de las muestras, en promedio, queden por
fuera de los límites de control de la carta.
Solución
̅
̅̅̅
̅
a) Se hace necesario usar la media del corrimiento, luego conocer la

desviación para calcular las capacidades potenciales del proceso, y
luego el VEPNC.
El valor de para un n = 7
46
Proceso potencialmente capaz. Luego se calculan las capacidades reales.
( )
̅ ̅
( )
( )
( ) ( )
( )
Ya teniendo las capacidades de los procesos, se puede observar que se están

generando PNC por el límite inferior.
Se pasa a hallar el %PNC
( )
( )
Luego por el LIE
( )
( )
47
Conocido el porcentaje de no conformes, se pasa a conocer el valor de estos
que se obtiene durante el tiempo en que no se ha detectado el cambio.
( 𝛽)
[ 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽
𝛽 𝛽 ]
Se calcula beta por el límite inferior, ya que este es el que está generando
productos no conformes.
( 𝛽) ( √ )
|̅ ̅| | |
Se usa un n=8, por ser este el de monitoreo.
( 𝛽) ( ( √ )
( 𝛽) ( )
( 𝛽)
La potencia es del 100%
Luego:
El anterior valor hace que gran parte de la ecuación
( 𝛽)
[ 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽
𝛽 𝛽 ]
tome el valor de cero, quedando:
( 𝛽)
( )
48
b) Tenemos;
( )
𝛼 ̅
Primero determinamos ;
Ahora calculamos ̅ ;
̅ ̅
Hallamos 𝛼;
( ) 𝛼 𝛼 𝑗 𝛼⁄
Determinamos ;
| | | | | | | | | | | |
[ ] [ ] [ ]
Por último calculamos los límites de control
̅ | | | |
√ √
̅ | | | |
√ √
2) Tubos de Colombia S.A. es una empresa dedicada a la fabricación de

tubos de aluminio. Las especificaciones en la longitud de los tubos es
32±2 mm. Tomando tamaños de muestras de 4, las cartas X-bar y R
manejan los siguientes limites de control: Para la carta X-bar los limites
son 33±1 mm y para la carta rango 0 y 3,6mm.
De acuerdo a la información anterior, determine:
49
a) ¿Cuál es la capacidad del proceso? ¿Es engañosa esta?
b) ¿Cuál es el porcentaje de productos no conformes que genera el
proceso?
c) ¿Cuál es la probabilidad de cometer el error tipo I?
d) Después de haber examinado 40.000 muestras, ¿cuántos puntos
pueden estar por fuera de los límites de control?
e) ¿Cuál debe ser el corrimiento en la media para que el proceso produzca
a lo sumo el 12% de productos no conformes a las especificaciones del
fabricante?
f) ¿Cuál es la probabilidad que con una carta cuya confiabilidad sea del
99% con n=8 se detecte el corrimiento en la media del proceso del inciso
e) dado que este ha ocurrido y no fue detectado en las tres primeras
muestras consecutivas después que el cambio ocurrió?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,12
de cometer el error tipo II, entonces ¿A qué nivel máximo de productos
no conformes ocurre esto?
h) ¿Con que tamaño de muestras se debe trabajar para que la carta del
inciso f) detecte el cambio en la media del proceso en al menos una de
las primeras cinco muestras consecutivas después que este ha ocurrido
con una probabilidad de 0,8, cuando se está produciendo el porcentaje
de productos no conformes dado en el inciso e)?
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 tubos no conformes con las
especificaciones. Si la tasa de producción es de 1.000 tubos cada 12
minutos, ¿a qué velocidad se toman las muestras aproximadamente?
j) ¿Que se debería mejorar en el proceso actual y en cuanto para que los
tubos se produzcan con un 1% de productos no conformes?
Solución
Del enunciado tenemos que,
Para la carta ̅
Para la carta ̅
50
a) Se procede a calcular , ya que este valor es necesario para obtener los
Cp.
De la carta de rangos tenemos que,
̅
𝐷
Como 𝐷 para , despejamos ̅
̅
𝐷
Luego se obtiene el valor de mediante la ecuación,
Conocido el valor de se procede a calcular .
( )
La capacidad potencial del proceso muestra que el proceso no es capaz.

Luego,
( )
̅ ̅
( )
( )
( ) ( )
( )
Como entonces se concluye que el proceso se encuentra

descentrado y generando PNC por el límite inferior de especificación.
b) Es necesario calcular el porcentaje de productos no conformes por

ambos extremos, para luego hacer la suma de éstos. En este caso, si se
analiza los valores obtenidos para y , se encuentra que la
51
cantidad de producto no conforme generado por límite inferior es tan
pequeña que es despreciable. Por ende solo se hará énfasis en el limite
superior.
Se sabe que:
( )
Además, por tablas Z se tiene que:
( )
c) Se pregunta por la probabilidad de rechazar productos en buen estado,

osea por 𝛼.
De la ecuación,
̅ ( )
√
Despejamos el valor de Z, y reemplazamos los demás valores, ya conocidos

previamente.
( ̅ )√ ( )√
Buscando en la tabla Z se tiene,
𝛼
( ) ( )
𝛼 ( )
d) Tenemos
( ) Probabilidad de hallar puntos por fuera de los limites de control.
( ) 𝛼
Los puntos por fuera serán.

52
( )
e) Se tiene que;
Este valor de Z, por ser por el límite superior, debe ser tomado como el
complemento de esa probabilidad, osea, el 88%, para poder cumplir con lo que
la distribución normal establece. Por tabla se busca Z(0.88)
( )
Con ese Z, haciendo uso de la ecuación del LCI hallamos el nuevo valor de la
media del proceso.
̅ ( )
Se sabe que,
Luego, el corrimiento es,
̅ ̅
f) Probabilidad de detectar un corrimiento en la tercera muestra ( 𝛽 )
Para este caso, como se pide la probabilidad de no detectar el corrimiento en la

tercera muestra, es necesario obtener ( 𝛽 ).
Procediendo:
( 𝛽) ( | | √ )
Donde:
53
Luego:
( 𝛽) ( ( ( √ ))
( 𝛽) ( )
( 𝛽)
Luego,
( 𝛽 ) ( )
g) Es necesario conocer un nuevo valor de ̅ el cual proporciona por

medio de la distribución normal un nuevo porcentaje de productos no
conformes con las condiciones previamente dadas.
̅ ̅
̅ ̅
Procediendo,
| | | |
( )
Despejando
| | | |
√
Donde:
Luego de:
54
( )( )
Y la nueva media del proceso es:
Como el corrimiento es hacia el límite superior, solamente tenemos en cuenta

este aspecto para el cálculo del %PNC ya que por el otro límite es
despreciable.
( )
Luego;
( )
( )
Para tener un 𝛽 el proceso debe generar máximo 47.21% de productos

no conformes.
h) Para un se tiene que;
( 𝛽 )
Luego;
𝛽 √
De la ecuación;
| | | |
( )
55
Donde
Reemplazando;
( )
i) Del inciso e tenemos:
Además,
De la fórmula:
( 𝛽)( 𝛽)
Es necesario despejar que es el valor de la velocidad con que son tomadas

las muestras.
( 𝛽)( 𝛽) ( )) (
( )
j) No se puede porque centrando el proceso la cantidad de productos no

conforme es mayor que 1, por lo tanto es imposible hallar un punto en la
línea del promedio del proceso donde cumpla la condición de arrojar por
mucho 1% de productos nos conforme.
3) Ladrillos y CIA es una empresa fabricante de bloques, ladrillos,

adoquines y demás productos afines a la construcción. Todos los
procesos de la fabrica marchan de manera excelente excepto por un
56
pequeño problema, el cual radica en que es bastante complicado
mantener centrado el proceso de fabricación de los ladrillos, debido a
que actualmente estos se fabrican a partir de una nueva materia prima y
aun se desconocen los porcentajes de contracción del material.
Un estudio detallado de la capacidad del proceso mostró que la media en la

longitud de los ladrillos es 100,25 mm y que se halla corrida 1,58 desviaciones
estándar hacia la izquierda. Por otro lado la tolerancia del proceso es 37,5 mm
y solo es consumida en un 80%, además el rango de los límites de control de la
carta ̅ , construida en este estudio, es 5,45 mm. Tenga en cuenta que el
análisis del proceso se realizó con tamaños de muestra n=9 y que para el
monitoreo posterior se implementaran tamaños de muestra n=5.
La empresa trabaja con un triple turno de 2 horas durante los 7 días a la

semana y 4 semanas al mes y produce 1000 ladrillos en cada turno. Las
muestras para el monitoreo se toman cada media hora. El costo de producción
de un ladrillo es 200 UM, no hay reprocesamientos pero se carga un
sobrecosto de 20 UM por eliminar cada unidad que no cumpla con las
especificaciones.
a) Analice el proceso y comente acerca de él, determine además que tan

confiable es la carta de control construida en el estudio.
b) Si la media del proceso cambia a 97mm, calcular la probabilidad de que
el cambio se haya detectado entre las primeras 3 muestras (a partir de
que dicho cambio tuvo lugar) y calcular el valor esperado de ladrillos no
conformes fabricados hasta ese momento.
c) Hay una disminución en la media del proceso en 3.25mm. Diseñe una
carta ̅ que detecte con probabilidad del 90% el cambio en alguna de
las dos primeras muestras consecutivas a partir del cual el cambio tuvo
lugar y con riesgo tipo I de 0.06.
d) Si la media del proceso cambiara a 99.5mm, ¿Cuál es el mínimo valor
que puede tomar el Cp general del proceso de manera que por lo menos
el 95% de los ladrillos producidos sean conformes?
e) Para un margen de contribución del 35% encuentre la utilidad neta

mensual de la empresa si carga costos y gastos fijos a razón de 500
UM por hora.
Solución
Del enunciado se tiene:

̅
57
̅
a) Luego;
Despejamos para obtener la variabilidad del proceso con las condiciones

dadas previamente.
( )
Se sabe que la media se encuentra corrida hacia la derecha, por tanto:
̅ ( )( )
Teniendo el valor nominal y la tolerancia podemos calcular los limites de

especificación.
Iniciando con el análisis de capacidad del proceso.
( )
̅
( )
̅
( )
Luego:
El proceso es incapaz por el límite inferior de especificación.
Se determina la confiabilidad del proceso.
𝛼
58
̅
̅ ( )
√
Donde es la desviación muestral del proceso, y es igual a:
√ √
Se puede decir, que la media del proceso menos la mitad del rango, representa
el límite inferior de control.
Ya tenemos un valor necesario para despejar de la ecuación del LCI
̅ ( )
√
(̅ )√ ( )
Por ser el LCI, al resultado de la ecuación anterior se le poner el signo

negativo, buscando ser consistente con las tablas z.
De la tabla tenemos
b) Tenemos;
( 𝛽) ( √ )
̅
̅
59
|̅ ̅| | |
( 𝛽) ( ( ) √ )
( 𝛽) ( )
( 𝛽)
Luego, la probabilidad de detectar el corrimiento en la tercera muestra es
( 𝛽 )
El porcentaje de productos no conformes es:
( )
( )
( )
( )
( )
60
( 𝛽)( 𝛽 𝛽 )
La tasa de producción es:
Entonces, la cantidad de productos no conformes corresponde
Luego
( ) ( ) ( ) ( ( ) ( )
c) Tenemos;
Son necesarios los siguientes parámetros para el diseño de la carta de control
( 𝛽 )
Se despeja beta…
𝛽 √
Luego:
61
| | | |
( )
Donde
Sustituyendo
( )
Se usa la ecuación del corrimiento para despejar la nueva media del proceso.
̅ ̅
̅ ̅
Teniendo ya todos los valores, se construyen los límites de control de la nueva

carta
̅ ( )
√
̅ ( )
√
| |
√
| |
√
d) Tenemos;
62
̅
Es necesario despejar la varianza, para luego calcular la capacidad del

proceso.
Luego, con los límites de especificación del proceso.
( )
Ese es el mínimo requerido para un 5% de productos no conformes.
e) Tenemos;
Se tiene que el margen de contribución es:
( )
Donde PV es el precio de venta y CV es el costo variable.
Los egresos son:
Donde CF son los costos fijos. Calculando:
63
En el cálculo del costo variable se tendrá en cuenta tanto lo que se produce,
como el costo generado por las unidades defectuosas.
( )
Se procede a despejar el precio de venta:
( )
( )
( )
Sustituyendo:
Al precio de venta se le restan los egresos totales y se obtiene la utilidad.
𝐺 𝐺
4) Un fabricante desea que la longitud de las varillas que se producen se

encuentre entre 50mm y 54mm. El fabricante para asegurar que su
proceso esté bajo control implementa una carta ̅ , la cual tiene una
sensibilidad del 95% cuando los tamaños de las muestras son de 5 y el
corrimiento en la media es de 2 desviaciones estándares.
a) ¿Cuál es error tipo I de la carta?

b) ¿Cuál es la potencia para detectar un corrimiento de 3 ? ¿De un ?
c) ¿Cuál es la probabilidad de que un cambio de no sea detectado sino
hasta después de la séptima muestra consecutiva, dado que ocurrió
después de la tercera muestra?
64
d) ¿Cuántas muestras se deben examinar para que la probabilidad de que
el cambio no sea detectado dado que ocurrió sea de 0,2, en un
corrimiento de un ?
e) Si el Cp del proceso es 1 y la media del proceso esta corrida un
respecto al valor nominal, ¿Cuántos productos no conformes adicionales
se producen cuando la media se corre un respecto a la media del
proceso y se han producido 1000 varillas?
f) Interprete el LDP del proceso.
Solución
a) Hallamos
Luego de la ecuación para calcular la muestra se despeja el valor de alfa, que

representa el error tipo uno en que se puede incurrir.
| | | |
( )
| | | |
( )
√ ( )
En tabla se tiene que:
( )
b) Tenemos que hallar

65
( 𝛽)
Con
Con la ecuación para hallar la probabilidad de detectar un corrimiento de 3

desviaciones.
( 𝛽) ( | | √ )
( 𝛽) ( √ )
( 𝛽) ( ) ( )
( 𝛽)
( 𝛽)
Para un corrimiento de una desviación se deja para estudio.
c) Tenemos
Como es la probabilidad de no encontrar puntos por fuera hasta la séptima

muestra, a partir de la tercera es necesario contar 4 muestras. De esto se tiene
que:
( 𝛽 ) ( )
d) Se tiene que:
Se halla la cantidad de muestras:
66
| | | |
( )
Donde:
Sustituyendo:
( )
e) Se tiene que:
Hallando sigma:
El primer corrimiento es:
El segundo corrimiento es:
̅ ̅
Ahora en primera instancia, se calcula el %PNC que genera el primer

corrimiento.
Primero, por el LIE
( )
̅
( )
67
( )
( )
Luego por el LSE
( )
̅
( )
( )
( )
( )
En segundo lugar, se realiza el mismo procedimiento anteriormente realizado,

con la diferencia que se usará la media que resulta del segundo corrimiento.
̅ ̅
( )
̅
( )
( )
( )
68
Luego por el LSE
( )
̅
( )
( )
( )
( )
Si con el primer corrimiento tan solo se producen 21.2 productos no conformes,

y ahora en el segundo esta cifra aumenta a 151.5 productos no conformes,
adicionalmente se generaron 130.3 productos no conformes producto del
segundo corrimiento.
f) Interprete el LDP del proceso.
𝐷
( )
Donde, ( ) 𝛼, para un valor de
Se sabe que 𝛼 , por tanto ( )
Se hace necesario tener alrededor de 435 muestras para encontrar puntos por
fuera de los límites de control.
69
5) Una siderúrgica es especialista en trabajo de metales mediante
procesos de troquelado y estirado. Está fabricando un nuevo producto,
cuya longitud debe cumplir con especificaciones de 30m y 34 m. Juan
Pérez es el ingeniero mecánico que está encargado de los procesos y
maneja una carta de control la cual es diseñada con tamaños de
muestra 4 y la cual indica que el proceso está bajo control estadístico
cuando las medias están entre 32m y 34m y los rangos entre 0 y 3,6m.
Usted ha sido contratado para estudiar el proceso actual y cambios que
se puedan presentar en él.
a) ¿Cuál es el porcentaje de productos no conformes que genera el

proceso?
b) ¿Cuál es la capacidad del proceso? ¿Es engañosa esta?
c) ¿Cuál es la probabilidad de cometer el error tipo I?
d) Después de haber examinado 10000 muestras, ¿Cuántos puntos
pueden estar por fuera de los límites de control?
e) ¿Cuál debe ser el corrimiento en la media para que el proceso produzca
a lo sumo el 10% de productos no conformes a las especificaciones del
producto?
f) ¿Cuál es la probabilidad de que una carta cuya confiabilidad sea del
98% con n=7, detecte el corrimiento en la media del proceso en el inciso
e) dado que este ha ocurrido y no fue detectado en las tres primeras
muestras consecutivas después que el cambio ocurrió?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,86
de no cometer el error tipo II, entonces ¿a qué nivel máximo de
productos no conformes ocurre esto?
h) Con que tamaño de muestra se debe trabajar en la carta del inciso f)
para que detecte el cambio con una probabilidad de 0,6 en alguna de
las primeras 5 muestras después que el cambio ocurrió.
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 productos no conformes con las
especificaciones. Si la tasa de producción es de 1000 productos cada 12
minutos, ¿A qué velocidad se toman las muestras?
Solución
70
Para la carta de control ̅ , se sabe que:
𝐷 ̅ ̅ ∴ 𝐷 ( )
𝐷
Se calcula la desviación:
̅
∴ ( )
Luego se calcula la capacidad del proceso:
( )
a)
 Por el límite superior
̅
( )
( )
( )
Por lo tanto 𝑵
 Por el límite inferior
̅
( )
( )
( )
Por lo tanto 𝑵
Finalmente el porcentaje total de productos no conformes es:
b) Para conocer la capacidad real del proceso, sabemos que:
( )
71
̅
( )
̅
( )
c) Se desea saber cuál es la probabilidad de cometer el error tipo 1, como

no se tienen todas las variables correspondientes a la fórmula, entonces
se calculará mediante la de el límite de control inferior o superior:
√
̅ | ⁄ |( ) | ⁄ | ( ̅ )( ) ( )( )
√ √
Como se está empleando el límite inferior, el valor se toma negativo, por lo

tanto
𝛼
| ⁄ | 𝛼
d) Después de haber examinado 10000 muestras, si deseamos saber

cuántos puntos pueden estar por fuera de los límites de control
debemos calcular ( ), que se toma como 𝛼, por lo tanto:
( ) 𝛼
e) Para saber cuál debe ser el corrimiento en la media para que el proceso
produzca a lo sumo el 10% de productos no conformes se realiza
mediante el %PNC, se supondrá que el corrimiento es hacia la derecha,
pero éste también puede ser calculado por la izquierda:
Como es por el límite superior ( )
Se sabe que por el límite superior
̅
̅ ( )
𝛼
f)
72
̅
El corrimiento es:
̅ ̅
Luego el parámetro es:
Finalmente por el límite superior tenemos:
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) }
𝛽 𝛽
Luego se calcula la probabilidad de detección en las 3 primeras muestras:
g) 𝛽
Para saber el nivel de PNC, primero debemos conocer el corrimiento de la

media, esto se realizará mediante el cálculo del parámetro
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
{| | √
Se sabe además que
73
Luego
̅ ̅ ̅ ̅
Finalmente calculamos el PNC
 Por el límite superior
̅
( )
( )
( )
Por lo tanto
 Por el límite inferior
̅
( )
( )
( )
Por lo tanto
Finalmente el porcentaje total de productos no conformes es:
h) | |
𝛽 𝛽 𝛽 𝛽
Para calcular el se tiene la siguiente fórmula:
| | | | | | | |
[ ] [ ]
i)
̅
74
𝛽 𝛽
Calcularemos la velocidad de la toma de muestras mediante la fórmula del
( 𝛽) [ ( 𝛽)]
( ) ( ) [ ( )]
( )
6) Z&B LTDA es una compañía dedicada a la fabricación de un

determinado producto. Z&B LTDA lleva mucho tiempo en el mercado
nacional y por experiencia sabe que la longitud de este producto debe
estar entre 101,5mm y 120,6mm. Sin embargo su proceso de producción
indica que al tomar muestras de tamaño cuatro, el promedio de los
promedios de las medias es 113 mm, con un rango promedio de 12 mm
y una confiabilidad del 98%. Los grupos de muestras son tomados cada
5 minutos, la tasa de producción de la empresa es de 200 artículos
conformes por minuto, los productos no conformes son reprocesados a
un 30% adicional de su costo de producción.
a) ¿Cuál es el error tipo II en el que incurre esta carta si la verdadera media

del proceso es 117 mm?
b) ¿Cuántos puntos están propensos a no estar registrados dentro de los
límites de control, cuando la carta indique que el proceso está bajo
control estadístico?
c) ¿Puede el proceso estar bajo control estadístico y al mismo tiempo la
capacidad del proceso indicarnos que la empresa está mal? ¿Por qué?
d) ¿Cuántas muestras se necesitarían tomar para encontrar un punto por
fuera de los límites de especificación?
e) ¿En qué intervalo debe moverse la media del proceso de tal forma que
se produzca entre 3% y 11% de productos no conformes?
f) Un estudio muestra que la causas principales de productos no
conformes es que la carta de control actual no es muy efectiva para
detectar cambios en la media del proceso, y el gerente de producción de
Z&B LTDA en estos momentos está pensando en diseñar otra carta que
75
detecte los corrimientos de la media antes de que la quinta muestra
consecutiva después que el cambio ocurra sea inspeccionada, además
se desea un error tipo I de 7%, cuando el corrimiento sea de .
g) ¿Cuál es la probabilidad de que la carta detecte el cambio en la media
del proceso cuando se está produciendo un 10% de productos no
conformes?
h) Para tener una probabilidad de 0,6 de detectar un cambio en la media
antes de la tercera muestra consecutiva sea inspeccionada, ¿qué
porcentaje de productos no conformes se está produciendo?
i) Z&B LTDA está pensando en adquirir una maquinaria para mejorar el
proceso. El costo de producción de un artículo es de $250 y el vendedor
de la maquina estima que este costo se puede reducir a $240. Si la
empresa trabaja 8 horas diarias, 5 días a la semana, 4 semanas al mes,
entonces ¿Cuál es la cantidad máxima que se puede pagar por el
alquiler de la maquina?
Solución
̅
̅
En cuanto a los costos:
a) ̅
Inicialmente calculamos la desviación con el rango;
Luego el parámetro es:
̅ ̅
Luego el error tipo 2 es:
76
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
b) Se sabe que𝛼 , por lo tanto ( ) , quiere decir que se

espera que el 2% de los productos estén propensos a estar fuera de los
límites de control
c) Para poder realizar éste análisis debemos calcular primero los límites de
control:
 Límite superior
̅ | ⁄ |( ) | |
√ √
 Límite inferior
̅ | ⁄ |( ) | |( )
√ √
Luego se calculará el índice de capacidad potencial y real para tener un mejor

análisis:
( )
̅
( )
̅
( )
Si es posible, puesto que los límites de control son propios del productor y los
límites de especificación son propios del cliente, así que para el productor por
más que se encuentre bajo control, no cumple con los requerimientos del
cliente.
77
d) Se sabe que ( ) 𝛼 , por lo tanto:
𝐷
( )
e) Es imposible determinar ese intervalo donde se pueda mover la media

del proceso puesto que centrando el proceso obtenemos un %PNC de
10,1%, eso quiere decir que menor a ese porcentaje no se puede mover
la media.
f) Hallar
Tenemos
Entonces;
𝛽 ( | | √ )
Calculamos;
Entonces;
𝛽 ( | | √ )
𝛽 ( ) 𝛽 ( ) 𝛽
𝛽 𝛽
g) Hallar
Tenemos
Calculamos la nueva media del proceso, teniendo en cuenta el %PNC
78
( )
Despejamos ̅ ;
̅ ( )
Ahora calculamos;
𝛽 ( | | √ )
𝛽 (| | √ )
𝛽 ( )
h) Hallamos la nueva media ̅
Primero determinamos 𝛽
𝛽 𝛽
Por medio de calculamos

| | | |
[ ]
| | | | | | | | | | | |
Ahora
Pero
| ̅ ̅| ̅ ̅
79
Calculamos el
Primero por el límite superior;
( ) ( )
( ) ( )
( )
( )
Por lo tanto el es
i) Sabemos que la tasa de producción es 200 artículos conforme por min.
Primero hallamos el
Primero por el límite superior;
( ) ( )
( ) ( )
( )
( )
Por lo tanto el es
80
Determinamos la cantidad de unidades producidas por min;
( ) ( )
Es decir;
Ahora calculamos las unidades producidas en un mes;
Ahora calculamos el costo total de producción por mes con el costo antes y
después.
Entonces
[ ⁄ ( ) ⁄ ]
[( ⁄ ) ⁄ ]
Ahora;
81
[ ⁄ ( ) ⁄ ]
[( ⁄ ) ⁄ ]
Para saber la cantidad máxima que se debe pagar por el arriendo de la

maquina restamos el de antes con el de después;
⁄ ⁄ ⁄
Por lo tanto la cantidad máxima a pagar es $22´380,192 al mes.
82
EJERCICIOS PROPUESTOS CAPITULO 5
MUESTREO DE ACEPTACIÓN
1) Un proceso de llenado para recipiente de aceite en condiciones de

estado estable, tiene una media de 100 lb y una desviación estándar de
3 libras en dicha etapa, la cual suministra los recipientes llenos a la
etapa de despacho.
La situación actual de la etapa de llenado es satisfactoria para las exigencias

de despacho ( ) libras, pero consideraría de pésima calidad si los
recipientes llenos viniesen con una variación en la media de ±3.5 libras,
conservando 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 riego anterior para 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 en serie en la etapa de llenado, consta de 100.000

recipientes.
a) Diseñe el plan de muestreo correspondiente.

b) Suponga que el proceso de llenado está generando en total el 15%
de producto no conforme, la cantidad de productos no conformes por
uno de los límites de especificación es el doble con relación a la
cantidad de no conformes que se generan por el otro limite de
especificación. ¿Cuál es la capacidad general del proceso? ¿Cuál es
la capacidad real del proceso?
Solución:
( )
83
a) Se considerará que el NAC será igual al nivel actual de PNC en el
proceso ya que nos dicen que este es aceptable para las exigencias
del despacho, por tanto, calculando tenemos:
( )
( ) ( )
Como el proceso se encuentra centrado, entonces el porcentaje total de

PNC es:
Además, se considerará que el LTPD será igual al nivel de PNC cuando

la media varía ya que nos dicen que este nivel de PNC se
considera pésimo.
Si se produce una variación en la media de lb, supongamos que se

corre la media hacia la derecha, entonces:
Recalculando el porcentaje de PNC se tiene:
( ) ( )
( ) ( )
El porcentaje total de PNC es:
Ya teniendo los valores del NAC y LTDP se procede al diseño del plan
de muestreo empleando el método matemático, para lo cual se emplean
las siguientes fórmulas:
| | | |√ ⁄
⁄
[ ]
⁄
84
√ √
| | | |√ ⁄
[ ]
| | | |√ ⁄
[ ]
√ ⁄
[ ]
√ ( )√
√ ( )√
Entonces se dice que el plan de muestreo a utilizar es:
b) Con un , entonces el porcentaje de PNC por cada límite

se tiene:
85
Ahora calculando la nueva media se tiene:
̅
( )
Despejando el LIE:
̅ ( ) ̅
También se tiene que:
̅
( )
̅
( )
̅
( )
Despejando a LSE
( ) ̅ ̅
La capacidad potencial del proceso se calcula empleando la siguiente

fórmula:
Reemplazando los valores tenemos:
86
̅ ( ̅ ) ̅ ̅
( ) ( )
Para calcular la capacidad real del proceso se tiene:
( )
̅ ̅ ̅
( )
̅ ̅ ( ̅ ) ̅ ̅
( ) ( )
2) Un fabricante de productos en serie le despacha a su cliente en lotes de

100.000 unidades cada uno, quien le ha fijado un NAC=4% y un
LTPD=6%.
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 105 E para su plan de muestreo. El fabricante utiliza un plan de
muestreo CSP 1 con f=4% y un valor de i=86 para el despacho de los
lotes.
a) Calcular la probabilidad de aceptación de los lotes por parte del

cliente.
b) Calcular el riego tipo II
c) Calcular la mínima probabilidad de aceptación de los lotes por parte
del cliente.
d) ¿para qué valor del LTPD, el riesgo tipo II del plan del cliente es de
0.1?
Solución:
𝐷
87
a) Por tabla tenemos que:
Código “N”
Aplicando la siguiente fórmula se tiene:
∑[( )( ) ( ) ]
Por medio de la calculadora el proceso se hace muy largo, por lo tanto,

empleando Microsoft Excel se tiene:
b) Para calcular el riesgo tipo II empleamos:
𝛽 ∑ [( )( ) ( ) ]
c) La mínima probabilidad de aceptación de los lotes por parte del

cliente será igual al NAC, que es
𝛼 ∑ [( )( ) ( ) ]
d) Para conocer el valor del LTDP cuando 𝛽 se debe iterar la

fórmula, pues no es posible despejar el LTDP de la misma, por tanto
se tiene que el valor del LTDP será:
𝐷
3) 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 muy estrecha en una de las
dimensiones. El contrato establece que el cliente realizará una
inspección según MIL-STD-105E, AQL=0.65, simple, nivel II.
Previamente al lanzamiento de la fabricación usted realiza un estudio de
capacidad del proceso de fabricación de la cota problemática y obtiene
. Debido a la naturaleza del proceso de fabricación resulta
sencillo mantenerlo centrado. Si su empresa sirve ese pedido sin realizar
una inspección final:
a) ¿Cuál es la probabilidad de que el cliente acepte los cinco lotes?
88
b) Si el cliente no ha rechazado ningún lote ¿cuál ha sido la fracción
defectuosa de los lotes fabricados?
c) Si el cliente ha rechazado algún lote ¿cuál ha sido la fracción defectuosa
de los lotes fabricados?
Solución:
a) Por tablas se tiene:

Código “J”
La cantidad de artículos no conformes en la muestra se aproxima a una

distribución binomial con y
Como no se conoce el porcentaje de PNC, y el proceso se encuentra centrado,

entonces se calcula de la siguiente manera:
Y además:
Entonces:
̅
̅
̅
( )
( )
( )
Como el proceso está centrado, entonces el porcentaje total de PNC es:
Por tanto:
Ahora calculando la probabilidad de aceptación tenemos:
89
∑( ) ( )
∑( ) ( )
La aceptación de los lotes tiene una distribución Binomial con y
Sea
( ) ( ) ( )
( )
b) Si el cliente no ha rechazado ningún lote, entonces;
( )
Por lo tanto;
( ) ( ) ( ) ( )
( )
Ahora calculamos el
( ) ∑( ) ( )
Por tanteo y utilizando Microsoft Excel, obtenemos el
c) Si el cliente ha rechazado algún lote, entonces
( ) ( ) ( ) ( ) ( ) ( )
Por lo tanto;
( ) ∑( ) ( )
Por tanteo y utilizando Microsoft Excel obtenemos un

90
Ahora calculamos el
( ) ∑( ) ( )
Por tanteo y utilizando Microsoft Excel, obtenemos el
4) 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
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:
a) Por tabla se tiene:

91
Código “J”
b) Para calcular la probabilidad de que el cliente acepte los 5 lotes se utiliza

la fórmula de la distribución Binomial:
( ) ( ) ( )
Como no se conoce , pero se cabe que la combinatoria de ( ) ,

y además todo número elevado a la cero es igual a 1, entonces:
( )
Como se necesita que esta probabilidad quede en función de la fracción

defectuosa, entonces en necesario aplicar la siguiente fórmula:
( ) ( )
Así como con lo mencionado anteriormente, la combinatoria de

( ) y , entonces:
( ) ( ) [( ) ] ( )
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:
( ) ( ) √
Como el proceso está centrado, entonces se tiene el mismo porcentaje

de PNC por cada uno de los límites, por tanto:
Entonces:
̅
( )
92
̅
Ahora, reemplazando lo anterior en la fórmula de :
̅ ̅ ( ̅) ̅ ̅
d) Para calcular el intervalo de confianza, es necesario aplicar la siguiente

fórmula:
̂( ̂)
̂ √
En donde
Reemplazando los datos en la fórmula tenemos:
( )
√
Como una proporción no puede tomar valores negativos, entonces:
e) La mejor opción es proponer un plan de muestreo y no una inspección

100%, debido al alto costo que significaría realizar esta actividad
teniendo en cuenta que él %PNC oscila entre 0 y 9,4%.
93
5) Su empresa ha acordado con un cliente las condiciones de recepción de
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 0,25% de unidades defectuosas.
a) ¿Cuál es la probabilidad de que se acepte un lote?

b) Si está prevista la entrega de 400 lotes ¿qué cantidad R de lotes espera
que le rechacen? Se supone que no se toma ninguna acción correctora
sobre el proceso después de cada retraso.
c) ¿Cuál es la probabilidad de que le rechacen exactamente “R” lotes, ni
uno más, ni uno menos?
d) Si los lotes rechazados se reinspeccionan al 100% y se reponen las
unidades defectuosas ¿Cuál es la calidad de salida media?
Solución:
a) La probabilidad de que se acepte un lote será:
( ) ( ) ( ) ( )
b) La cantidad “R” de lotes que se esperan que se rechacen es:
c) La probabilidad de que le rechacen exactamente “R”,
( ) ( ) ( )
94
d) La calidad de salida media será:
( )
6. Suponga que un proveedor envía componentes en lotes de 5000. Se

utiliza un plan de muestreo simple con n = 50 y c = 2 para inspección en
la recepción. Se tamizan los lotes rechazados y se remplazan los
artículos defectuosos.
a) Trace la curva CO para este plan.

b) Obtenga el nivel de calidad del lote que se rechazaría el 90 % de las
veces.
c) La administración se opuso al empleo del procedimiento anterior, y
quiere usar un plan con c = 0, argumentando que esto es más acorde
con su programa de cero defectos. ¿Qué opina de esto?
d) Diseñe un plan de muestreo simple con c = 0 que corresponde a una
probabilidad 0.90 de rechazar lotes con el nivel encontrado en b). trace
la curva OC para este plan y compárelo con aquel para el cual
Solución:
a) Para trazar la curva CO necesitamos realizar la siguiente tabla:

Con un y
Utilizando la distribución de probabilidad binomial para determinar se tiene:
0,02 0,921572252
0,04 0,676714004
0,06 0,416246472
0,08 0,225974275
0,1 0,111728756
0,12 0,051264176
0,14 0,022082463
0,16 0,008996555
0,18 0,003483126
95
0,2 0,001285415
De esta manera la grafica resulta de la siguiente forma:

Curva Característica de operación (OC)
1,0
Probabilidad de aceptación 0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10 12 14 16 18
Porcentaje de defectuosos en el lote
b) Como la probabilidad de rechazo es igual a entonces la probabilidad de

aceptación de un lote seria de 𝛼
Aplicando la siguiente formula:
𝛼 ∑( )( ) ( )
El nivel de calidad aceptable seria:
∑( )( ) ( )
Por tanto el nivel aceptable de calidad que satisface la siguiente ecuación es

con un
c) Aplicando un plan de muestreo con número de aceptación no es

necesario realizar un cálculo estadístico para demostrar que el plan se hace
mas estricto, por tanto la probabilidad de aceptar un lote defectuoso es
pequeña en relación al plan anterior, es decir que este plan resulta mas
acorde con el programa de cero defectos que quiere implementar la
administración.
d) Utilizando un hallado en el inciso b), un criterio de

aceptación de y con una probabilidad de aceptar lotes con
dicho nivel de calidad, entonces el objetivo es hallar el tamaño de la
muestra a seleccionar:
96
∑( )( ) ( )
∑( )( ) ( )
( ) ( )
( )
( ) ( )
( )
Por tanto para cumplir con dichas especificaciones se debe tener un plan de
muestreo con un tamaño de muestra igual a 22 con un criterio de
aceptación igual a 0
Trazando la curva de operación para este plan tenemos y comparando:

Tamaño de la muestra = 50, Número de aceptación = 2 Curva Característica de operación (OC)
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0,0
0 2 4 6 8 10 12 14 16 18 0,0
Porcentaje de defectuosos en el lote 0 2 4 6 8 10 12 14 16 18
Podemos notar claramente que la curva CO para el plan de muestreo con

es más estricta, por tanto su probabilidad de aceptar un lote
con relación al otro plan de muestro va a ser mas pequeña.
7. Cada semana, Melissa Bryant Ltd. recibe un lote de 1.000 relojes

Swiss para su cadena de tiendas de la Costa Este. Bryant y el
fabricante Swiss han acordado el siguiente plan de muestreo
𝛽 , 𝐷 . Construya una curva
OC para el plan de muestreo con ¿Satisface este
plan los requisitos del fabricante y del consumidor? Si se decide
implementar un plan con rectificación, cual es la mínima probabilidad
de aceptación que tendrá este plan sobre el lote. Cual es el riesgo
que corre Melissa Bryand Ltd
97
Solución:
La curva de operación con un seria:

1,0
0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10 12 14 16 18
Se han acordado los siguientes parámetros:
Mediante las siguientes formulas podemos verificar si el plan de muestreo

satisface con los requisitos del fabricantes y del consumidor
 𝛼 ∑ ( )( ) ( )
 𝛽 ∑ ( )( 𝐷 ) ( 𝐷 )
𝛼 ∑( )( ) ( )
𝑞 𝛼
𝛽 ∑( )( ) ( )
En conclusión podemos decir que el plan de muestreo no satisface los

requisitos del fabricante y de consumidor ya que los riesgos tanto del productor
como del consumidor son mayores a los especificados.
98
Para poder obtener un plan de muestreo que cumpla con las anteriores
especificaciones, el más acertado es el siguiente:

1,0
0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10
8) En la inspección de un producto eléctrico cuyos lotes son de

unidades y , previo a su aceptación es posible aplicar uno de los
siguientes planes:
 Plan simple de parámetros:

 Plan doble de parámetros:
a) Si la elección del plan a utilizar se basa únicamente en el tamaño de la

muestra, indique cual será la elección a tomar. Justifique.
b) Cuál es la probabilidad de aceptación del plan elegido.
c) Si se quiere optar entre el plan doble de la parte a) pero ahora con
rectificación y el plan simple , con rectificación para
inspeccionar los lotes antes mencionados, ¿qué plan será más
conveniente utilizar? Justifique.
Solución:
a) Si nos basamos únicamente en el tamaño de la muestra entonces:
La probabilidad de aceptación inmediata seria
( ) (( )
99
( ) ∑( )( ) ( )
La probabilidad de rechazo inmediata seria:
[ ( ) (( ) ( ) (( ) ( )]
[∑ ( )( ) ( ) ]
Por tanto la probabilidad de tomar la primera muestra seria:
Una vez hallada la probabilidad anterior, se halla la probabilidad de tomar la

segunda muestra:
En conclusión el número esperado de muestras a tomar para este plan de

muestreo doble seria:
( ) ( )
Por tanto, el plan a seleccionar seria el simple, ya que se utilizan 200 muestras
mientras que para el plan de muestre doble se espera que se utilicen 220
muestras.
b) Este ejercicio puede resolverse utilizando un diagrama de árbol de

decisión, inicialmente, se analizan los valores que pueden tomar
teniendo en cuenta las restricciones dadas para este plan.
100
𝑥
𝑥
𝑥
𝑥 𝑥
𝑥 𝑥
𝑥
𝑥
𝑥 𝑥
Haciendo uso de la ecuación de la distribución binomial hallamos las siguientes

probabilidades
 ( )
 ( )
 ( )
 ( )
 ( )
Para la segunda muestra
 ( )
 ( )
 ( )
La probabilidad de aceptación se determina de la siguiente manera:
( ) ( ) ( )
[ ( ) ( ) ( )] ( )
[ ( ) ( )] ( )[ ( )]
c) Para saber que plan resulta mas conveniente utilizar, nuestro objetivo es
hallar el (calidad de salida promedio) para ambos planes y
101
compararlos; el que menor porcentaje me arroje será el mas indicado
pues esta generando menor fracción defectuosa promedio.
 Para el plan simple con tenemos:
( ) ∑( )( ) ( )
( )
( )
 Para el plan doble tenemos:

( )
En conclusión el plan doble es más conveniente utilizar.
9. Una empresa de montaje compra componentes a tres proveedores A, B, C

que aseguran que su calidad de fabricación es del 1% defectuoso. Sin
embargo, cada uno de los proveedores realiza un plan de muestreo
diferente antes de enviar el pedido a la empresa de montaje:
Proveedor A: n=30 y c=1 Proveedor B: n=60 y c=2

Proveedor C: n=90 y c= 3
a) ¿Cuál de los proveedores es más exigente con su muestreo?

b) Si los tres proveedores envían sus productos en lotes de 2800
elementos ¿Cuál de ellos tiene un menor costo de inspección?
c) La empresa planea una calidad límite de 10% defectuoso ¿cuál de los
tres planes conlleva una protección mayor frente a lotes tan
defectuosos?
Solución:
a) Existen dos formas de verificar cual de los tres proveedores es mas

exigente con su plan de muestreo: graficando la curva CO o haciendo
uso de la distribución binomial, con el mismo porcentaje de productos no
conformes, con el fin de conocer la probabilidad de aceptación de cada
proveedor.
 Para el proveedor A
Con
102
( ) ∑( )( ) ( )
 Para el proveedor B
Con
( ) ∑( )( ) ( )
 Para el proveedor C
Con
( ) ∑( )( ) ( )
En conclusión podemos decir que para un porcentaje de productos defectuosos

del 1% el proveedor que es mas exigente con su muestreo es el A debido a su
probabilidad de aceptación es menor con relación a los demás proveedores
b) Si se envían productos en lotes de 2800 elementos, el proveedor que

tenga el menor numero de inspección promedio total (ATI) será el que
represente el menor costo de inspección, ya que entre menor numero de
muestras en promedio halla, el costo de inspección se ira reduciendo.
 Para el proveedor A:
( )( )
( )( )
 Para el proveedor B:
( )( )
 Para el proveedor C:
( )( )
De lo anterior podemos decir que el que menor presenta un costo de

inspección es el proveedor B
103
c) Si se tiene una calidad limite de 𝐷 entonces:
𝛽 ∑( )( 𝐷 ) ( 𝐷 )
 Para el proveedor A:
𝛽 ∑( )( ) ( )
 Para el proveedor B:
𝛽 ∑( )( ) ( )
 Para el proveedor C:
𝛽 ∑( )( ) ( )
De lo anterior podemos concluir que el plan de muestreo del proveedor C le

brinda mayor protección a la empresa de recibir lotes defectuosos.
104
105
2. TABLAS (SPC)
TABLA 1. Factores para construir cartas de control papa variables

(Constantes)
106
TABLA 2. Tabla de Distribución Normal
107
108
109
110
TABLA 3. Tabla de Distribución Binomial
111
112
TABLA 4. Tabla de Distribución Poisson
113
TABLA 5. Letras de código para el tamaño de la muestra (MIL STD 105E)
114
TABLA 6. Tabla Maestra para la inspección Normal, Muestreo único (MIL STD 105, Tabla II-A)
110
TABLA 7. Tabla Maestra para la inspección Rigurosa, Muestreo único (MIL STD 105, Tabla II-B)
TABLA 8. Tabla Maestra para la inspección Reducida, Muestreo único (MIL STD 105, Tabla II-C)
111
112
TABLA 9. Valores de i para planes CSP-1.
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
⁄ 1540 840 600 375 245 194 140 84 53 36 23 15 10 6 5 3
⁄ 2550 1390 1000 620 405 321 232 140 87 59 38 25 16 10 7 5
⁄ 3340 1820 1310 810 530 420 303 182 113 76 49 32 21 13 9 6
⁄ 3960 2160 1550 965 630 498 360 217 135 91 58 38 25 15 11 7
⁄ 4950 2700 1940 1205 790 623 450 270 168 113 73 47 31 18 13 8
⁄ 6050 3300 2370 1470 965 762 550 335 207 138 89 57 38 22 16 10
⁄ 7390 4030 2890 1800 1180 930 672 410 255 170 108 70 46 27 19 12
⁄ 9110 4970 3570 2215 1450 1147 828 500 315 210 134 86 57 33 23 14
⁄ 11730 6400 4590 2855 1870 1477 1067 640 400 270 175 110 72 42 29 18
⁄ 14320 7810 5600 3485 2305 1820 1302 790 500 330 215 135 89 52 36 22
⁄ 17420 9500 6810 4235 2760 2178 1583 950 590 400 255 165 106 62 43 26
113
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
RESUMEN DE FORMULAS
Limites de tolerancia natural
Capacidad potencial del proceso
Desviación
̅
Capacidad Real
( )
Estandarización
Probabilidad
( )
( )
Cartas de control
Limites De Control (Carta X)

𝝈
̅ | |
√
̅
𝝈
̅ | |
√
Limites de control x-Bar (3σ)
̅ ̅
̅ ̅
∴ ( )
√
Limites de control (Carta R)
𝐷 ̅
̅
𝐷 ̅
∴ 𝐷 𝐷 𝑞
Limites de control cartas X-Bar-σ

̅
̅ ̅
̅
̅ ̅
∴ ( )
√
Limites de control Carta 𝝈
̅
̅
∴ 𝑞
De la muestra
Nota: un proceso está bajo control estadístico cuando las dos cartas están bajo control.
Cuando no se corrió.
𝜷 𝑞
Cambiado, cuando si cambio.
𝛽
𝛼
Monitoreo de un proceso
Corrimiento
| ̅ ̅|
Potencia para detectar un cambio en la media
Corrimiento hacia el límite superior
𝛽 ( | | √ )
Corrimiento hacia el límite inferior
𝛽 ( √ )
𝜷
Cambio dado que ocurra
𝜷
𝜷
Cambio en las primeras k muestras
𝜷 𝛽
Probabilidades
 ( ) 𝛽 ( 𝛽)
 ( ) ( )
( 𝛽 ) 𝛽
 ( ) 𝛽
 ( ) 𝛽
 ( ) ( )
( 𝛽 ) 𝛽
Calculo de n
| | | |
[ ]
Valor esperado de productos no conformes generados hasta llegar a una muestra k.

( 𝛽) 𝛽( 𝛽)
𝛽 ( 𝛽) 𝛽 ( 𝛽)
Determinado tiempo.
[( 𝛽) 𝛽( 𝛽) 𝛽 ( 𝛽)]
PNC=%PNC*Tm
Longitud promedio de corrida (LDP): Numero de muestras que se necesitan analizar antes de
encontrar puntos por fuera.
Trabajando con alfa
𝐷 𝐷 ( ) 𝛼
( )
Trabajando con alfa medio
𝐷 𝐷 ( ) 𝛼
( )
( ) Fuera de los límites de control.
Cartas de Control por Atributos
Carta P y NP. Distribución Binomial.

Cartas P: cuando la muestra es variable o constante
Cartas Np: la muestra siempre es constante
P=proporción no conforme
n= tamaño de la muestra
∑
̅
∑
Limites de control cartas p

̅( ̅)
̅ √
̅
̅( ̅)
̅ √
Limites de control carta Np
̅ √ ̅ ( ̅)
̅
̅ √ ̅ ( ̅)
Potencia para la carta p
̅ √ ̅( ̅) ̅
𝛽
̅
√ ( ̅)
[ ]
Calculo de n, para la carta p.
√ ̅( ̅) √̅( ̅)
[ ̅ ]
̅
Calculo de LDP
Para la carta x
( ) ( ̅ )
̅ ̅
( ) ( )
⁄ ⁄
√ √
𝐷
( )
Para la carta p
( ) ( 𝐷 )
Condición
Cartas C
∑
̅ ̅
̅ √ ̅
̅
̅ √ ̅
Cartas U
∑
̅
∑
Por lo que los limites de control se obtendrán con las ecuaciones
̅ √ ̅⁄
̅ √ ̅⁄
¡Para Recordar!
Distribución Binomial
( ) ( ) ( )
( )
( ) ( )
Distribución de Poisson
Expresa la probabilidad que ocurra un determinado número de eventos durante cierto
periodo de tiempo.
( )
( ) ( )
𝛽
𝛽
MUESTREO DE ACEPTACION
Usando Binomial (La más usual y generalmente para lotes grandes)
Pa: Probabilidad de aceptación
( ) ∑( )( ) ( )
Usando Hipergeométrica.
( )(𝑵 )
( ) ∑ 𝑵
( )
∑( )( ) ( )
: Probabilidad de aceptación para lotes con fracción defectuosa p´.
NAC: Nivel de calidad aceptable, es el nivel de calidad más pobre del proceso del proveedor.
𝜷 ∑( )( ) ( )
LTPD: Nivel de calidad más pobre que el consumidor está dispuesto a aceptar.
| | 𝜷√ ⁄
⁄
[ ]
⁄
| |√
| 𝜷 |√
Numero esperado de unidades defectuosas:

(𝑵 )
: Calidad de salida promedio, esta calidad resulta de la inspección con rectificación.
(𝑵 )
𝑵
: Limite de calidad de salida promedio
Cuando el tamaño del lote se hace grande en comparación con el tamaño de la muestra:
El número promedio de inspección total por lote es ATI.
( )(𝑵 )
BIBLIOGRÁFIA
 MONTGOMERY, Douglas. (2005) Control Estadístico de la Calidad,

Tercera edición, México: Limusa Wiley Editores.
 JURAN, Joseph y GODFREY, Blanton (2001) “Manual de Calidad”, Quinta

Edición, Volumen III, Mc Graw Hill.
 BANKS, Jerry. (2002) “Control de calidad”. México: Editorial Limusa Wiley.
 EVANS, J. y LINDSAY, W. (2005) “Administración y control de la calidad”.

México: Thomson.
 KUME, H. (2002) “Herramientas estadísticas básicas para el mejoramiento

de la calidad”. Bogotá: Grupo Editorial Norma.
 KENETT, R., y SHELEMYAHU, Z. (2000), Estadística Industrial Moderna:

Diseño y control de la calidad y la confiabilidad, International Thomson
Editores, S.A. de C.V.

Modulo Academico Condecal-1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo Academico Condecal-1 PDF

Cargado por

Copyright:

Formatos disponibles

1

El propósito del presente módulo de Control y Aseguramiento de la Calidad, es

De igual manera esperamos que el lector posea conocimientos básicos sobre

3. CAPACIDAD DEL PROCESO 54

TABLAS ESTADÍSTICAS 176

RESUMEN DE FORMULAS 184

La calidad significa aportar valor al

de la calidad, además citas minimizar las pérdidas que un

El concepto del término CALIDAD, así como su desarrollo ha sufrido un

En los últimos tiempos el desarrollo e implantación de los sistemas de calidad

La calidad se ha convertido en uno de los factores de decisión más importantes

Hay muchas maneras de definir calidad. La definición tradicional de calidad se

Calidad significa adecuación para uso.

En la adecuación para uso se distinguen dos aspectos generales: calidad de

 Calidad de Diseño: Todos los productos o servicios se producen con

 Calidad de Conformidad: La calidad de conformidad es la medida en

La ingeniería de calidad2 maneja una definición moderna de calidad: La calidad

Esta definición implica que si la variabilidad (variabilidad indeseable o

En este orden de ideas, surgen las siguientes definiciones, cuya

 Gestión de la calidad: Actividades coordinadas para dirigir y controlar

 Mejoramiento de la calidad: Reducción de la variabilidad en procesos y

 Administración de la calidad: Según Juran, es el proceso de identificar

 Aseguramiento de la calidad: Parte de la gestión de calidad orientada

 Planificación de la calidad: Parte de la gestión de la calidad enfocada

 Control de la calidad: Es el sistema por medio del cual se establece

A QUÉ LLAMAMOS CALIDAD

Lo que se entiende por un Sistema de Calidad es la estructura organizativa, las

Existen varias maneras de evaluar la calidad de un producto. Con frecuencia es

 Desempeño (¿Servirá el producto para el fin proyectado?)

1.2. BREVE HISTORIA DEL CONTROL Y MEJORAMIENTO DE LA

El control de calidad moderno, o control estadístico como lo llamamos hoy,

La II guerra mundial fue el catalizador que permitió ampliar el cuadro de control

Podría especularse que la Segunda Guerra Mundial la ganaron el

Algunos japoneses quisieron adoptar la estadística moderna, pero no les

Al terminar la II Guerra mundial Japón que estaba destruido debido a eso

1.3. FILOSOFÍA DE CALIDAD Y ESTRATEGIAS DE ADMINISTRACIÓN

Muchas personas han contribuido en la metodología estadística del

La filosofía del Dr. Deming es un importante marco para implementar el

1. Crear la constancia en los propósitos enfocados en el mejoramiento de

3. No confiar en la inspección en masa para controlar la calidad.

4. No hacer contratos con proveedores atendiendo únicamente al precio,

5. Enfocarse en el mejoramiento continuo.

6. Poner en práctica métodos de capacitación modernos e invertir en la

7. Poner en práctica métodos de supervisión modernos.

9. Derribar las barreras entre las áreas funcionales del negocio.

10. Eliminar objetivos, lemas y metas numéricas para la fuerza de trabajo.

11. Eliminar las cuotas y los estándares de trabajo numéricos.

13. Instituir un programa progresivo de capacitación y educación para todos

Dr. Joseph M. Juran

La filosofía de Juran se basa en la organización del cambio y en la

Fue el primero en introducir el concepto de control de calidad en toda la

El interés del Dr. Feigenbaum se centra más en la estructura organizativa y en

Estándares de calidad y certificación

La Organización Internacional de Normas (ISO, por sus siglas en inglés) ha

1. Responsabilidad de la administración de calidad

2. Control del diseño.

3. Control de datos y documentos.

4. Administración de compras y contratos.

5. Identificación y rastreabilidad de productos.

6. Inspección y prueba, incluyendo el control del equipo de medición e

7. Control del proceso.

8. Manejo de la producción disconforme, acciones correctivas y preventivas.

9. Manejo, almacenamiento, empaque y entrega del producto, incluyendo