Está en la página 1de 23

C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 625

23. ¿Cuálesson los tres tipos principalesde estudiosde la capacidaddel proceso?Analice


la metodoiogía para llevar a cabo un estudio de la capacidaddel proceso.
24. Defina los índices de capacidad del proceso,Cr, Crty Cru,y explique la forma en que
pueden utilizarse para establecero mejorar políticas de calidad en áreas de operación
o con los proveedores.
25. ¿Cuálesson las ventajasy desventajasdel índice de capacidadCr^?
26. Explique el conceptoseissigma.
27. Analice las mediciones de calidad de servicios que serían aplicables para 10 siguiente:
a. transporte por autobús urbano y entre ciudades
b. recorridos turísticos
c. tiendas de departamentos
d empresade servicioseléctricos
e. hotel y moteles
28. ¿Cuálesson los dos factores que influyen los procedimientos de muestreol
29. Analice los problemas básicos a abordar en un estudio de muestreo.
30. Describa los diferentes métodos de selección de muestras y dé un ejemplo en el cual
cada uno sería el más adecuado.
31. ¿Cuálesson las fuentes.deerror sistemáticoen el muestreo?¿Cómose pueden superar
los erroressistemáticos?

PRo¡utrlrs
I
I .Un fabricante estima que en un proceso la proporción de elementos que no cumplen
t, con las especificacioneses de 4.5%. El costo estimado de inspeccionar cada uno de los
I elementos es de $0.60, en tanto que el costo de reemplazar un elemento que no
' cumpla, después de salido del área de producción, es de $30. Desde un punto de vista
1

económico,¿cuáles la mejor decisiónde inspección?


2. El costo de inspeccionar un estado de tarjeta de crédito en un banco es de $0.25,en
tanto que corregir un error posteriormente asciendea $500.¿Cuál es el punto de equi-
librio en errores por mil transacciones,para el cual una inspección al 100% no resulte
ni más costosani más económica que si no existiera inspección?
a
J. Los técnicos de la calidad midieron veinticinco (25) piezas utilizando dos micrómetros
diferentes.La dimensión real de cada una de las piezases de 0.06.¿Cuálde los instru-
mentos es más exacto?¿Cuáles más preciso?¿Cuáles el mejor?

Micrómetro A Micrómetro B

0.06 0.05 0.03 0.07 0.06 0.06 0.06 0.0s 0.07 0.06
0.05 0.04 0.0s 0.05 0.04 0.05 0.05 0.05 0.06 0.07
0.05 0.06 0.04- 0.06 0.06 0.07 0.06 0.07 0.06 0.06
0.05 0.06 0.04 0.05 0.05 0.06' 0.06 0.06 0.05 0.05
0.06 0.05 0.06 0.03 0.07 0.06 0.06 0.06 0.05 0.07

=.
i
Veinticinco muestras de hamburguesa de un restaurante de comida rápida en In-
glaterra fueron pesadas dos veces utilizando dos balanzas distintas. Los resultados
aparecen a continuación. Las muestras se pesaron en gramos, y el proveedor ha ase-
gurado que iada una de las hamburguesas en crudo pesa 114gramos. ¿Cuál de las ba-
Ianzas es más exacta?¿Cuál es la más precisa?¿Cuál es la mejor balartza?
626 Parte 3 Temas técnicos sobre la calidad

Balanza A Balanza B

113 112 115 115 113 118 116 116 115 116
114 115 114 116 114 114 115 115 116 116
115 116 112 114 115 115 116 117 116 115
114 112 113 113 114 117 117 116 117 118
113 114 115 114 114 114 114 116 116 117

5. Aplique como herramientas de análisis las estadísticas descriptivas y el histograma


que existen en Excel para calcular la media, la desviación estándar y offas estadísticas
relevantes, así como la distribución de la frecuencia y el histograma de los datos si-
guientes. ¿De qué tipo de distribución podría usted tsospechar que fueron extraídos
estosdatos?

3.49 2.70 2.66 3.02 1.91 2.45 3.06 3.14 3.03 2.44
2.56 3.32 3.51 3.16 2.81 3.32 2.80 4.36 3.59 3.13
2.94 2.84 2.23 2.74 4.24 3.17 3.30 2.59 2.89 3.39
2.21 2.76 3.22 2.54 4.16 2.74 3.19 2.81 2.92 2.45
2.75 2.96 3.56 2.33 3.17 2.19 2.93 3.03 3.61 3.61
3.72 3.53 3.13 3.60 3.14 3.65 3.50 3.08 3.12 2.34
2.32 2.87 3.51 3.17 2.51 3.39 3.86 3.22 2.08 2.96
3.22 2.51 3.15 2.52 2.27 2.10 2.80 2.68 2.97 2.87
3.48 3.05 2.48 2.09 2.76 3.89 2.48 3.34 3.09 2.82
3.84 2.71 .2.64 2.43 2.65 3.43 3.21 3.27 3.28 3.44

6. Aplique como herramientas de análisis las estadísticasdescriptivas y el histograma de


Excel para calcular la media, la desviación estándar y otras estadísticasrelevantes,así
como la distribución de frecuencias y el histograma de los datós.siguientes. ¿De qué
tipo de distribución podrí4 usted sospechar que fueron extraídos los datos?

I 8 2 88 13 106 56 47 51 28
30 14 25 37 62 23 2 16 3 15
1 80 45 35 2 14 22 52 71 3
37 63 15 100 115 2 7 13 25 8
88 12 39 32 23 16 41 47 80 15
18 39 4 99 34 21 6 9 3t 49
-42
11 23 19 .26 70 2 3 42 65
47 101 28 43 1 35 176 12 5 58
73 ,|
37 12 1 1 8 58 24 17
18 11 22 14 15 2 34 152 17 13

7. JamaicanpunÁ se vende en latas de 11 onzas. El número medio de onzas que se colo-


ca en un bote es de 1.0.75,con una desviación estándar de 0.1 onzas. Süponiendo una
distribución normal, ¿cuál es la probabilidad de que la máquina de llenado causeun
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 627

derrame en una lata, esto es, cuál sería la probabilidad de que se Ponga más de 11
onzas en la lata?
8. Tásmanian Blend se vende en latas de 700 mililitros (ml). El volumen medio de jugo
que se pone en una lata es de 675 ml, con una desviación estándar de 15 mi.
Suponiendo una dislribución normal, ¿cuál es la probabilidad de que la máquina de
llenado cause un derrame en una lata, y cuál es la probabilidad de que se coloque
más de 700 ml en la lata?
9 . La desviación estándar del peso en envasesllenos es de 0.7 onzas. Si 3% de los envases
contiene menos de 20 onzas, ¿crráles el peso de llenado medio de los contenedores?
10. Seha determinado que las botellas de Outback Beer tienen una desviación estándar de
5 ml. Si 5% de las botellas contienen menos de 622 ml, ¿cuál es el volumen de llenado
promedio de las botellas?
1 1 . Al llenar las botellas de E & L Cola, el promedio de sobrellenado deberá mantenerse
tan bajo como sea posible. Si el volumen de llenado medio es de 16.05onzas y la
desviación estándar de 0.03 onzas,¿quéporcentajede las botellas tendrár1menos de
L6 onzas?¿Y más de 16.10onzas (suponiendoque no hay derrame)?
L2. En una hnea de llenado de E & L Foods,Ltd., el límite medio de llenado de las bolsas
de arroz es de 450 gramos y la desviación estándar, de 3 grarnos. ¿Qué porcentaje de
los contenedores tendrá menos de 443gramos? ¿Más de 456 gramos (suponiendo que
no se derrama)?
13. Los datos y el histograma que aparecena continuaciónmuestran el peso de las piezas
de fuhdición (en kilogramos) que se cuelan en la fundición Staunton Metalwork. Con
base en esta muestra de 100 piezas de fundición, encuentrela media y la desviación
estándar de la muestra. Trace los datos sobre un papel de probabilidad normal, para
determinar si la distribución de los datos es'aproximadamentenormal.

Tablade frecuencias

de f recuencias
Distribución
-ímitesde.la
:eldasuperior Frecuencias
Celda9 39.90
Celda8 JY.OU

Letoa / l0
Celda6 ?o nn 22
Celda5 38.70 25
Celda4 38.40
Celda3 3 8 . 01 8
Celda2 37.80
O) | CO | ¡\ | (O I U)¡ <' | Í) | (\ |
Celda1 37.50 oo o6 clc c)o oo oo oo oc oo
O)D (oO (r)! O! F-! sf! r! @E |.c)E

e8 eB s3 e8 ts8sB s3 u8 DB
Celdasde datos

1,4. Los datos y el histograma que aparecena continuación muestran el peso de las piezas
de fundición (en kilogramos) que se cuelan en la fundición Staunton Metalwork, des-
pu.ésde ocurridos cambios en los procesos.Con base en esta muestra de 100 piezas,
encuentre la media y la desviación estándar de la muestra. Tracelos datos en papel de
distribución normal, para determinar si la distribución de los datos es aproximada-
mente normal.
628 Parte 3 Temas técnicos sobre la calidad

Tablade frecuencias

Distribuciónde frecuencias
Lfmitesde la
:eldasuperior Frecuencias
uetoaI JY. /U
Celda8 39.45 o
uetoa/ éY.¿U l¿

Celda6 38.95
Celda5 38.70 23
Celda4 38.45 17
Celda3 .5ó.¿U t¿

Celda 2 37.95 5
Celdai 37.70 ¿ o)¡ @r F |J)r +r ctr (\l
R€ S€ R€ Eü RSqS REE€ Rü
e8 eB eB s8 s8 s8 s8 u8 D8
J
Celdasde datos

1.5. Un estudio de la repetiüvidad y de la reproducibiüdad de galgas en Frankford Brake


. Systems recolectó los datos siguientes. Analice los datos. La éspecificación del com-
ponente es 1.0 + 0.06.

Operador1 Operador2
PiezalEnsayo 123 123
1 0.97 0.99 0.99 0.96 0.99 1.00
2 0.94 0.96 0.97 0.95 1.00 1.00
3 1.00 1.00 0.99 1.02 1.03 1.00
4 0.97 1.00 0.99 0.96 0.98 0.98
5 0.99 1.00 1.00 1.01 1.01 1.03
6 1.02 1.04 1.03 0.99 1.02 1.02
7 0.96 1.01 0.98 0.97 0.97 0.99
I 1.00 1.02 0.97 1.07 1.02 1.00
I 1.03 1.01 1.00 1.04 1.02 0.98
10 0,96 0.98 0.95 0.99 0.95 . 0.95

16' Un estudiode la capacidadde repeüciónde galgasen SpecialtyMotors,[rc., recolectó


los datos siguientes.Analice estosdatos.La especificacióndel compo4dntepara la
lainaqueseestámidiendoesde 1.2+ 0.2mm. , _ _-.'

Operador1 Operador| ",t


Pieza/Ensayo 123 1 2 '3
'\1
1.05 1.00 0.9& 1.05 0.90 0.9s
2 1.44 1.42. 1.45 1.35 1.45 1.45
3 1.25 1.26 1.22 1.15 1.20 1.20
4 1.25 1.28 1.24 1.15 1.20 1.20
5 0.89 0.85 0.84 0.80 0.85 0.90
6 1.45 1.40 1.45 1.40 1.40 1.40
7 1.35 1.35 1.32 1.35 1.35 1.35
8 1.25 1.20 1.23 1.10 1.20 1.20
9 1.40 1.40 1.40 1.35 1.45 1.45
10 1.08 1.10 1.06 0.90 1.25 1.20 fj
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 629

17. Haciendo referencia al problema 13, si el límite superior de tolerancia (UTL) del pro-
cesoesa0.5yellímiteinferiordetolerancia(LTL) es36.9,calculeelÍndicedelacapaci-
dad del proceso, Cr. ¿Está dentro del límite satisfactorio? ¿Cuánta reducción se
requeriría en la desviación estándar de la muestra para llevar el índice de la capacidad
del procesohasta 2.00?
18. Haciendo referencia al problema 1.4,si el límite superior de tolerancia (UTL) del pro-
cesoes 40.0y el límite de tolerancia[fL) es 38.5,calculeel índice de la capacidaddel
proceso Co.¿Estádentro del lÍmite satisfactorio?¿Cuántareducción se requeriría en la
desviación estándar de la muestra para hacer que el Índice de la capacidad del proce-
so volviera a2.00?
19. Un proceso de maquinado en una pieza requiere una dimensión de 0.575+ 0.007pul-
gadas. Se midieron veinticinco piezas según se observa a continuación. ¿Cuál es su
capacidad para producir dentro de límites aceptables?

0.557 0.576 0.577 0.564 0.580


0.566 0.578 0.574 0.573 0.584
0.587 0.577 0.573 0.579 0.580
. 0.578 0.582 0.575 0.573 0.578
0.565 0.576 0.576 0.572 0.574

20. Sehicieron ajustesal proceso analizado en el problemal9, tomando veinticinco mues-


tras adicionales. Los resultados se dan a continuación. ¿Qué observa respecto al pro-
ceso?¿Cuál es ahora su capacidad para producir dentro de lÍmites aceptables?

0.571 0.578 0.576 0.579 0.574


0.575 0.575 0.573 0.577 0.576
0.573 0.574 0.571 0.575 0.579
0.576 0.571 0.577 0.570 0.575
0.576 0.574 0.575 0.575 0.576

2L, Para los siguientes datos, construya tm histograma y estime la capacidad del proceso.
Si las especificacionesson 24 + 0.03,estime el porcentaje de piezas que no cumplirán
con la especificación.Finalmente, calcule C, C*y Cr.

24.029 24.023 24.001 23.984 24.015


24.003 24.020 24.000 24.000 23.990
24.020 24.004 24.001 23.994 24.013
23.991 24.008 24.007 23.971 24.010
24.008 23.996 23.995 24.008 23.995
23.996 24.010 24.000 24.011 23.994
23.991 24.002 24.004 24.015 24.010
24.006-. ?4.005 24.002 23.998 23.988
23.986 2issg 23.998 23597 24.003
24.001 24.000 23.993 24.009 24.009
23.995 23.991 24.016 23.995 24.005
24.013 24.007 24.010 23.999 24.009
23.990 23.992 23.984 24.005 24.018
24.000 23.994 24.001 23.985 24.003
24.005 23.997 23.996 24.002 23.998
24.011 23.995 24.013 23.991 23.983
23.989 23.994 23.999 24.008 24.001
630 Parte 3 Temas técnicos sobre la calidad

24.003 23.988 24.001 24.009 23.996


24.006 23.996 24.000 23.995 24.000
23.996 23.995 24.001 23.999 24.013
24.000 24.004 24.007 24.005 24.009
24.013 23.994 23.995 23.985 24.019
24.009 24.O01 24.000 24.OO2 24.007
24.019 23.997 24.015 24.001
24.007 23.995 23.998 24.003
23.997 23.994 23.997 24.006

22. k tomaronmuestrasde trespiezas,comoseve a continuación.

Pieza1 Pieza2 Pieza3

1.74831 2.01144 1.25426


1.75740 2.00448 1.24775
1.75134 2.01492 1.24558
1.73316 2.00448 1.24992
1.75134 2.00448 1.23907
1.71498 2.00100 1.25860
1.75437 2.00796 1.25643
1.73619 2.00100 1.25209
1.73922 1.98708 1.25426
1.73619 1.99752 1.24341
1.74528 1.99752 1.25643
1.74831 2.00100 1.24775
1.76346 1.99404 1.24341
1.74528 2.00796 1.24558
1.76952 2.00448 1.23907
1.70892 2.00448 1.24124
1.75134 2.00100 1,24558
1.71195 1.99752 1.24992
1.74831 2.00100 1.25209
1.77861 2.00100 1.24992
1.75740 1.98708 1.24992
1.73619 1.99404 1.24558
1.74225 1.98708 1.24992
1.74528 1.98360 1.24775
1.73922 2.00100 1.24775

'a. Calculela media y las desviacionesestándarde cadauna de


las piezasy compáre-
las con los límites de especificación
que se dan a continuación:

Pieza Nominal Tolerancia

1 1.750 r 0.045
2 2.000 t 0.060
3 1.250 t 0.030
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 637

b. ¿Permitiráel procesode producción que por 1omenos eI99.73'/ode todas las piezas
se ajusten a una esPecificaciónde 5 + 0.081?
23. Suponga que un proceso, con un resultado normalmente distribuido, tiene una media
de 50.25y una varianza de 2.25.
a. Si las especificacionesson 50.25+ 4.00,calcule C* Crry Cr .
b. Suponga que la media se desplaza hasta 48.50,peio la'varíanza se mantiene sin
cambio. Vuelva a calcular y a interpretar los índices de la capacidaddel proceso.
c. Si la varianza puede reducirse al 8I% de su valor original, ¿cómo cambiarán los
Índices de la capacidaddel proceso(utilizando la media original de 50.25)?
24. Un proceso tiene limites superior e inferior de tolerancia de 5.60 y 5.20, respecti-
vamente. Si el cliente requiere un C,demostrado de valor 2.0, ¿cuáldeberá ser la ca-
pacidad del proceso?Si tanto Cruy Co,tambiéndeben ser igual a 2.0, determine la
media y la desviación estándar del proceso,suponiendo una distribución normal del
resultado.
25. a. Uülizando la figura L2.21,demuestrepor qué calidad seis sigma correspondea un
C-= 2.0. i
b. Cálcule los valores de C, correspondientesa cada uno de los demás niveles sigma
de la tabla 12.24.
c. Si un proceso está operando a un nivel Co= 1..33,dibuje una gráfica similar a la de
la figura 12.21,a fin de ilustrar la relación de la variación con la tolerancia de diseño
para valoresdescentrados de 0, 1,1.5 y 2.
26. Un servicio público requiere operadores de servicio que contesten las llamadas tele-
fónicas de los clientes en un tiempo promedio de 0.1 minuto, con una tolerancia de
+0.04 y -0.06. Se extrajo una muestra de 50 tiempos reales de operador, y los resulta-
dos aparecenen la tabla siguiente.Además, se esperaque los operadoresse aseguren
de las necesidadesdel cliente y respondan a ellas o refieran al cliente al departamen-
to adecuadodentro de los siguientes0.5 minutos, con una tolerancia de +0.20y -0.30.
Se tomó otra muestra de 50 vecespara esta actividad y también apareceen la tabla. Si
se puede considerar que estas variables son independientes, ¿qué tan a menudo se
puede esperar que el tiempo total se desvíe de 0.6 minutos, con una tolerancia de +0.24
y 4.36?

Gomponente fempo medio Desviación estándar

Demoraen contestar 0 . 10 2 3 0.0183


Servicio 0.5044 0.0902

27. Determine el tamaño apropiado de la muestra para estimar la proporción de errores


de clasificación en una oficina de correos con un nivel de confianza de 95%.
Históricamente, la tasa de error es de 0.022,y usted deseatener un error permisible
de 0.01.
28. Un distribuidor de automóviles le ha pedido que desarrolle una encuesta de satisfac-
ción del cliente, para determinar el porcentaje de clientes satisfechoscon el servicio. El
año pasado se dio se4vicioa 3,200clientes. Usted deseaun nivel de confianzá de 95o/o,
con un error permisiblE de t 0.03.A partir de estimaciones antériores, el gerente cree
que aproximadamente L5% de los clientes han expresádo alguna falta de satisfacción.
¿Qué tamaño de muestra deberá usted utilizar para esta encuesta?
29. Una empresa telefónica local entrevistó a 150 clientes para determinar su nivel de sa-
tisfacción con relación al servicio. Veintisiete expresaron falta de satisfacción. Calcule
un intervalo de confianza de 90o/"para la proporción satisfecha,con un error permisi-
ble de 0.05.
30. Un ingeniero de'intendencia en el City Hope Hospital ha determinado que necesita,
preparar un estudio de muestreo del trabajo, para ver si la proporción de tiempo
632 Parte 3 Temas técnicossobre la calidad

ocioso en el laboratorio de hematología ha cambiado desde que fue medido en un


estudio previo hace varios años. En aquel momento, el porcentaje de tiempo ocioso era
del L0%. Si el ingeniero sólo puede tomar una muestra de 550 observacionespor
razones de costo, y sólo puede tolerar un error permisible del 0.025,¿quénivel de con-
hNtza en porcentaje se puede obtener del estudio?
31. Utilizando la tabla L2.5,suponga que la población está formada por 2,000unidades.
La tasa crítica de ocurrencia es del 1%, y usted desea tener una confianza de 99'/" de
encontrar por lo menos una falta de cumplimiento. ¿Qué tamaño de muestra debería
usted seleccionar?

Gsos
1,.Aow¡ PenrsLro.
Acme Parts Ltd. (APL) es una pequeña empresa manu- De igual forma,los datos en las columnas 3 y 4 eran
facturera que produce diversos componentes para fa- 'observacionesrespecto a exactamenúe las mismas
bricantes de herramientas. Uno de los procesos de pro- piezas, hechas por un segundo operador, utilizando su
ducción de APL involucra la producción de una placa galga asignada, que es diferente. Por 1otanto,los datos
espaciadora metálica, con una tolerancia de 0.05 a provenían de dos operadores, dos galgas y 15 compo-
0.1.00cm de espesor.Por recomendacióndel depar- nentes que fueron medidos dos veces,de manera inde-
tamento de aseguramiento de la calidad (QA) y a pendiente, por los dos operadores.
pesar de las objeciones del gerente de Ia planta, APL
acaba de adquirir un equipo nuevo para la fabricación Asignación 2
de estaspiezas. Recientemente,el gerente de produc-
ción estaba recibiendo quejas de los clientes sobre el ¿Qué preguntas debería ahora hacer el gerente de pro-
ducción para asegurarsede que tiene los datos "correc-
elevado nivel de componentes que no cumplía con la
tos" sobre los debe que tomar una decisión y dar una
especificación. Sospechabadel equipo nuevo/ pero ni
recomendación sobre el proceso?
el aseguramiento de la calidad ni la gerencia de planta
El ingeniero hizo la observación de que Ias varia-
le hacían caso.
El gerente analizó el problema con uno de sus ciones en los datos se originan por tres causas:Pro-
blemas de repetitividad (variación en el equipo, es
supervisores de producción, quien mencionó que
decir VE), variaciones en la reproducibilidad
acababade recolectar algunos datos de proceso para
un estudio que el departamento de aseguramiento de
la calidad estaballevando a cabo. El gerente decidió que
podría próbar su manera de pensar demostrando que el Tabla12.6Conjuntooriginalde datos
nuevo equipo no era capaz de cumplir con las especi-
ficaciones. La tabla 12.6 muestra datos proporcionados Muestra Observaciones
por el supervisor.
1 .0650 .0600 .0650 .0550
Asignación 1 2 .1000 .1 050 .1050 .0950
3 .0850 .0800 .0820 .0750
Realice el estudio de la capacidad del proceso con base 4 .0850 .0950 .0820 .0940
en estos da'tos-einterpretesgs resultados. 5 .0550 .0580 .048"5 .0525
/'
6 .087s . 0 9 1 5 .0945 .0925
Cuando el gerente de producción comparüó estos '7
"0920 .0880 .0990 .0900
resultados con aseguramiento de la calidad, uno de los
8 .0850 .0800 .0750 .0700
ingenieros de aseguramiento de la calidad, de manera .0890 .0980 .0920 .0990
9
jocosa, observó que los datos de hecho se recolectaron 10 .0600 .0700 .0550 .0640
como parte de un estudio de verificación de galgas. 11 .0680 .0750 .0670 .0720
Los datos de las columnas 1y 2 eran dos observa- 12 .0545 .0500 .0525 .0495
ciones hechas por un mismo operador, utilizando la 13 .0800 .0910 .0870 .0820
galga asignada, sin conocimiento de.las mediciones 14 .0700 ,0805 .0865 .0830
que,anteriormente había hecho sobre la misma píeza' 15 .0750 .0650 .0650 .0680

l
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 633

Tabla12.7 Número de componentesen función de los factores K,

Número de componentes en el estudio

5 6 7 8 I 10 11 12 13 14 15

2.08 1.93 1.82 1 . 74 1.67 1.62 1.57 1.54 1.51 1.48 t.43

(variación en evaluación, es decir VA) y variación en El valor Rose obtiene calculando el rango de los
el proceso (variación en los componentes, es decir promedios de la muestra en un estudio de galga. El
VC. Por lo tanto, la variación total (VT) se puede valor K, depende del número de componentesmedi-
considerar como compuesta por las variaciones por dos en el estudio. Algunos de estos valores se encuen-
repetitividad y reproducibilidad (R&R)y la variabili- tran en la tabla 127.
dad de los componentes. Los miembros del equipo
habían oído de VE, VA y R&R en una clase de capa- Asignación 3
citación sobre medición, pero se dieron cuenta de
que el último componente era un punto obvio, Calcule la variación de R&& del procesoy la variación
aunque importante, que antes no habían tornado en total correspondientea los datos.26Utilizando VT como
consideración. Para el cálculo de VC y VT les dieron divisor, calcule el porcentaje de aariacióntotal que repre-
las siguientes fórmulas: sentan VA, VE, R&R y VP. (Nota: Estasvariacionesno
están relacionadasdirectamente una con otra, por lo que
PV=RoxK, Ios porcentajesno surnaran 100%¿A qué conclusiones
puede usted llegar respectoa las variacionesobser-
v vadas?Con baseen su análisis, ¿quérecomendaciones
haría usted sobre la manera de mejorar el sistemade
w=.fincnt'*1nvt' medición? ¿Quéle diría usted al gerente de producción?

II Tu¡ Hyoneulrc Ltrr Covpewy

The Hydraulic Lift Company (HLC) manufactura ele- Un estudio para determinar la magnitud del pro-
vadores de carga y elevadores de automóvil utilizados blema reveló que a lo largo de los tres años se habían
en garajesy estacionesde servicio. La fi,gura12.25. enviado a desperdicio aproximadamente 92,200de com-
muestra un diagrama simplificado de un elevador ponentes al mes (ver la figura 12.26).Esta cifra corres-
hidráulico. La válvula de retención es un componente ponde a aproximadamente 14%de la producción total
importante del sistema. Su objetivo es controlar el fluio de componentes,una tasa de desperdiciosque se con-
de fluido o aceitehidráulico del depósito de aceiteal sidera inaceptable.Aproximadamente la mitad de los
cilindro cuando el elevador se está elevando. pistones defectuososfueron enviados a desperdicio
Conforme el elevador desciende,lavelocidad a la cual debido a incapacidad del proceso de mantener una tole-
el aceite fluye del cilindro de vuelta al depósito tam- rancia del 0.4990/ 0.4985de pulgada en el vástagode la
bién la controla la válvula de retención. válvula (véasela figura 12.2n. La operaciónde maquina-
Uno de los componentes de mayor importancia de do utilizada para conformar el vástago de la válvula se
la válvula de ietención es ebpistón, que se mueve en el lleva a cabo en una máquina rectificadora que, en condi-
interior del cuerpo de la válvula, conforme se abre o se cienes de operación normal, debería tener capacidadde
cierra la válvula. El gerentede calidad de HLC notó mantener una tolerancia dentro de 0.001-0.002 de pui-
que a lo largo de los últimos tres años la tasa,dedes- gada. Los ingenieros de manufactura y el gerentede ca-
perdicio en el pistón era muy elevada. Se están fa- lidad decidieron efecfuar un estudio de la capacidaddel
bricando dos modelos de pistón para la válvula de proceso en uno de los componentes (número 117227),a
retención (números de componente 117227y 117228). fin de reunir datos estadísticossobre el problema del
Debido a tolerancias extremadamente severas,estos vástago y poder recomendar alguna mejora.
componentes son de.ios más difíciles de producir en el Como primer paso, un operador fabricó 100 com-
taller de maquinado. ponentes, utilizando métodos de producción estándar.
634 Parte 3 Temas técnicos sobre la calidad

Figura12.25Diagramasimplificadode un elevadorhidráulico

Tuberíade aceite

Los resultados del estudio [véaseel histograma de la una investigación sobre la posibiüdad de inestabilidad
figura 12.28(a)] revelaron que había un problema de del proceso. El equipo de estudio observó que el ope-
máquina. Los datos mostraban que unas cuantas rador estaba ajustando la máquina constantemente,a
piezas se estabanproduciendo fuera de especifica- fin de intentar mantener la tolerancia especificada.
ciones. Además, la forma tan extraña del histograma Como verificación de la capacidad de la máquina,
para dimensiones dentro de especificacionesoriginó el equipo pidió al operador que fabricara20 compo-

Figura12.26Costopromediode desechospor mes

11722&
7 117228
1300
1250
1200
11 5 0
11 0 0
1050
1000
950
900
850
800
a 750
o
E 700
9 ncn

É 600
8 550
500
450
400
--=gso
300
250
200
150
100
50
n
Diámetro ContracciónRanuraen Asiento Ranuras Vástago D¡ámetro Long¡tud Eliminación
de 0.4990 el vástago defectuoso foto oez.tza de rebabas

Razonesdel desecho
C a p í t u l o1 2 A s e g u r a m i e n t od e I a c a l i d a d 635

Figura12.27Pistónde la válvulade retencióndel componente117227

del procesoparaHydraulicLift Company


Figura12.28Capacidad

20
18
to
14
12
10
I
o

4
2

C
10
q)
e
q)
o
L

12
10
I
o
4
2

-20
636 Parte3 Temastécnicossobrela calidad

nentes sin ajustar la máquina, lo que dio como resulta- El equipo, aun asi no consideraba que el proceso
do el desecho de seis de los 20 componentes, una tasa era totalmente satisfactorio. El técnico del fabricante
de desechode 30% [véasefigura 12.28(b)]. Esta prueba dijo que las "guías"(canalessobrelos cualesse desliza
comprobó que la máquina necesitabaalgunos ajustes el cabezal de la máquina) tendrían que rectificarse y
mayores. que habría que reemplazar algunos de los compo-
Se comunicaron con el fabricante de la máquina y nentes de la máquina. Se hizo esta recomendación a la
éste envío un técnico a la planta. Se llevó a cabo una gerencia, que estuvo de acuerdo en reconstruir la
corrida de 30 componentes para mostrar la forma en máquina como se requería.
que la máquina estabafuncionando. De las 30 piezas, Una vez terminado el trabajo, se hizo una corrida
doce resultaron defectuosas,con la dimensión del de fabricación de 35 componentes. Los resultados,
vástago fuera de tolerancia [véase figura 12.28(c)]. El mostrados en la figura 72.28 (e), indican que todos los
técnico
hizorossiguiente
ajustes:
¿"#iJilil1l"ilT,:::?:*::::1fifi"x:J:l;rancia
. lnstaló juntas nuevas. mantenimiento se les capacitó en el uso y cuidado
. Limpió la máquina, agregó aceite y refrigerante. adecuado de la máquina.-
r Recargó el cojinete de la rueda de mano pa¡a un
control más positivo. Asisnación
. Reajustó la presión de retardo en la rueda de la v
rectificadora. 1. Utilizando el histograma de la figtra12.28,
. Ajustó el mecanismo de limpieza de la piedra. estime los Índices de la capacidad del proceso de
. Reajustóel tiempo de detención (tiempo que la pie- cada una de las situaciones.
dra rectificadorase detiene sobrela pieza que está 2. ¿Quélecciones se pueden aprender con relación
trabajando,despuésde llegar al diámetro final). a la elaboración de estudios de la capacidad del
procesoy de interpretación de los resultados?
Los resultados de estosajustesfueron significativos. 3. Analice el procedimiento utilizado en este caso en
Se fabricaron otos 30 componentes,y sólo dos quedaron función de los procesos de solución de problemas
fuera de límites de tolerancia [véasefigura 12.28(d)]. presentados en el capítulo 9.

DilüP¡Turo
ApÉllorcr l2
DrsrnrsucloNEs DE pRoBABILTDAD
TMpoRTANTES

Ciertas distribuciones discretas describen muchos fenómenos natu¡ales y tienen amplia apli-
cación en el control estadístico de los procesos.Dos de ellas son la distribución binomial y la
distribución de Poisson,que se analizan a continuación. Posteriormente, se presentaránalgu-
nas distribuciones de probabilidad continuas importantes.

Distribución binomial

La distribución binomial describe la probabilidad de obtener exactamentex"éxilos" en una


secuencia de n experimentos idénticos, conocidos como ensayos. Un ériúo puede ser
cualquiera de los resultados posibles de cada experimento. En algunas situaciones podría
resultar un elemento defecfuoso, y en otras un elemento bueno. La probabilidad de éxito en
cada ensayo es una valor constante p. La ftrnción de probabilidad binomial está dada por la
formulqsiguiente:

(n\
,.-
f(x¡=l'*ln'$- il"-'
t'-l

= #f(I_p\n-, x = 0 , I , 2 , . . . ,f l
x ! ( n- x ) l '

donde p es la probabilidad de un éxito, n es eI numero de elementos en la muestra y r es el


número de elementospara el cual se deseala probabilidad (0, 1,2, ...,n).Elvalor esperado,la
varianza y la desviación estándar de la distribución binomial son
Capítulo 12 Aseguramiento de la calidad 637

E ( P ) =P = n P
oz=np(I-p)
o =Jrpe..-p)

En el apéndice D sefran tabulado las probabilidades binomiales para valores selecciona-


dos de P y de z¡.Naturalmente, también están.disponibles progra*ai de computadora y las
funciones de Excel para facilitar los cálculos binomiales.

Ejemplo 1: Chips de silicio defectuosos. Para ilustrar el uso de la distribución binomial,


suPonga que un nuevo Procesopara la producción de chips de siücio está promediando 40%
de defecfuosos.Si un supervisor de calidad toma una muestra de cinco elémentos para bus-
car los defecfuosos,¿cuáles la probabilidad de encontrar 0,I,2,3,4 o 5 defectuósosen la
mup-stra,y cuál es el número esperado de defectuosos?Para este problem d, n =.S y p = 0.4.
Por lo tanto, la distribución binomial de este experimento es

f(x)=(i),o.r' (1-0.4)F
(l
= _ -l_(0.4), (0.6)F,
¡!(5-r)!'

La tabla l2A.L muestralos cálculosdetalladosrequeridospara calcularprobabilidades


individuales.(Quizásusted deseerevisa¡la tabla de p-robabiüdadbinomial áeI apéndiceD
para verificar estasrespuestas.)
Por lo tanto, la probabilidadde encontrarexactamentecero defectosen la muestrad.e
cinco es de 0.0778,laprobabilidadde encontrarun defectuosoes de 0.ZS9Z,y así sucesiva-
mente.El número esperadode defectuosos y la varianzaestándadospor

p=np=5(0.4)=2.0

d = np(L- il = 2.0(0.6)
= 1.2

La figura l2A.L muestrala gráficade estadistribuciónde probabüdades.

Tabla12A.1Valoresde probabilidadbinomial

5!
m- 'x (o.4)¡(o.61!-¡ flxl
0 t 0.07776 0.0778
1 5 0.05184 0.2592
2 10 0.03456 0.3456
3 10 0.02304 0.2304
4 5 0.01536 0.0768
5 1 0:01024 0.0102
1.0000
638 Parte 3 Temas técnicos sobre la calidad

de probabilidades
Figura12A.1Distribución binomial

0.40
0.30
0.20
0 . 10
ñ

Distribución de Poisson

La segunda distribución discreta usada a menudo en el control de la calidad es la distribu-


ción de Poisson,que está dada por

e-rut
Jf \( f )' = - -
L

donde # = al valor esperadoo numero promedio de ocurrencias,r = 0,I,2,3, ...,y e =2.71828,


que es una constante.
La distribución de Poisson está relacionada Íntimamente con la distribución binomial. Se
obtiene permitiendo que el tamaño de la muestra (n) se haga muy grande (se acerque al
infinito) y la probabilidad de éxito o de falla (p) se convierta en muy pequeña (tienda a cero),
en tanto que el valor esperado (np) se mantiene constante.Por lo tanto, cuando n es grande en
relación con p, se puede utilizar la ecuación de Poisson como una aproximación a la dis-
tribución binomial. Una regla práctica común es que si p S 0.05 y n >20,1a distribución de
Poisson resultará ser una buena aproximación con p = np.También es utilizada para calcular
el número de ocurrenciasde un sucesoo evento, a lo largo de un intervalo especificadode
tiempo o de espacio,como por ejemplo el número de ralladuras por pulgada cuadrada de una
superficie pulida.

Ejemplo 2: Uso de la distribución de Poisson. El ejemplo 1 se puede ampliar para mostrar


Ia forma en que la dist¡ibución de Poisson puede ser utilizada en problemas de control de ca-
iidad. Suponga que se efectúan mejoras en el proceso de producción para llevar el nivel
promedio de defectoshasta 5%, partiendo del nivel anterior de 40o/o. El supervisor de calidad
ahora decide utilizar un tamaño de muestra de 30 componentes, a fin de detectar los cambios
en el nivel de la calidad del proceso, con un periodo de tiempo más largo entre muestras.
¿Cuálps la probabilidad de encontrar cinco o menos elementos defectuosogen una muesJ
tra seledcionadaal azar de 30 componentes?
En vista de que la tarea requiere encontrar las probabilidades discretas de 0, 1, 2,3,4 o 5
defectuosos,calcule cada una de las probabilidades y sume los resultados:

P (x 3 5) = P(r = 0) + P(x = t) + P(x =2) + P(x = 3) + P(x = 4) + P(x = 5)

Como una aproximación a la distribúción binomial, puede utilizarse la relación p = np = 30


(0:05) = 1.5. Esta relación entonces se convierte en el parámetro ¡r de la distribución de
'Poisson.
Los cálculos se dan en la tabla 12A.2.
Capítulo 12 Aseguramiento de la calidad 639

Entonces,si el valor promedio es 5% de defecfuosos,es probable que en una muestra de


30 componentes ocurran cinco o menos defectuosos.De hecho, ese caso tiene una probabili-
dad de 0.99552.
La probabilidad de encontrar más de cinco defecfuosos es muy pequeña. Sólo sería de

I - P (x < 5) = 1 - 0.99552=0.00448

Tabla12A.2.Valoresde probabilidadde Poisson

(1,5)x
€1's xl
0 0.22313 1.00000 0.22313
1 0.22313 1.50000 0.33467
2 0.22313 1.12500 0.25102
3 0.22313 0.56250 0.12551
4 0.22313 0.21094 0.04707
5 0.22313 0.06328 0.01412
0.99552

Observeque se han cumpüdo las condicionesantesenunciadas,en las cualesla distribución


de Poissones una buena aproximación de la distribución binomial; esto es,n 2 20 y p < 0.05.La
tabla 124.3 compara estosvalores de probabilidad con valores realesutilizando una distribu-
ción binomial. Los resultadosmuestran que la distribución de Poissonsí proporciona una buena
aproximación de las probabilidades binomiales, cuando se cumplen las condiciones especifi-
cadas.Si no es posible cumplir las condicionesde aproximación de Poisson,podría resulta¡ útil
una aproximación normal a la binomial, misma que se verá en la secciónsiguiente.
Dos de las distribuciones de probabilidades continuas de uso más frecuente son la dis-
tribución normal y la distribución exponencial. Son la base de muchos análisis estadísticos
que se realizan actualmente en el aseguramiento de la calidad.

Distribución normal
La función de densidad de probabilidad de la distribución normal está representada gráfi-
camente por la familiar curva en forma de campana. Sin embargo, no todas las curvas uni-
modales simétricas son una distribución normal, ni es posible suponer que todos los datos de
una muestra o una población se ajusten a una distribución normal. Sin embargo, a fin de sim-
plificar ciertos cálculos, se supone que están normalmente distribuidos, En la mayoría de los
casos, esta hipótesis no causa mucha diferencia en los resultados, aunque es importante
desde un punto de vista teórico.
La función de densidad de probabiüdad para la distribución normal es como sigue
I

-e<r<6
f(x) = $¿-G1i2rzo2
42no'

Tabla12A.3Valoresde plobabilidadbinomialen comparación


cgn Poisson
Probabilidad Piobabilidad
x binomial de Poisson

0 0.21464 0.22313
4
I 0.33890 0.33467
2 0.25864 0.25102
3 0.12705 0.12551
4 0.04514 0.o4707
5 0.01235 0.01412
0.99672 0.99552
&0 Parte3 Temastécnicossobrela calidad

donde ¡r = media de la variable aleatoria x

d = varianzade x
e = 2.71828...
'n = 3.1.4159...

Si una variable aleatoria normal tiene una media p = 0 y una desviación estándar o = 1, se le
conoce como una distribución normal estándar. La letra z esla que normalmente se utiliza
para representar esta variable aleatoria particular. Utilizando las constantes 0 y 1 para la
media y para la desviación estándar, respectivamente, la función de densidad de probabili-
dad para la distribución normal se puede simplificar como

f ( z ) =4{¿71
¿-'r'

Esta función de distribución normal estiándarapareceen la figura 72A.2. Dado que o= \,la
escalaen el eje de las z se da en tmidades de desviación est¡ándar.Se han desarrollado tablas
especialesde áreas bajo la curva normal como ayuda en el cálculo de probabilidades. Una
tabla de ese tipo apareceen el apéndice A.
Afortunadamente, cualquierdistribución normal que involucre una variable aleatoria x
con r¡na media y una desviación estándar conocidas (o estimadas) puede ser transformada
fácilmerite a una distribución normal estándar, usando la fórmula siguiente:

x-u
z = ----:-
o

Esta fórmula toma el valor de la variable de interés (r), le resta el valor medio (¡r) y lo divide
entre la desviación estándar (o). Este cálculo nos da una variable aleatoria de z, que tiene una
distribución normal estándar. Las probabiüdades de esta variable pueden entoncesdetermi-
narse de la tabla del apéndice A.
El área bajo la curya correspondiente a una desviación est¡ándara partir de la media es
0.3413;por lo tanto, la probabiüdad de que el valor de una variable aleatoria normal ocurra
dentro de una desviación estándar (t1o) de la media será de 0.6826.Los valores r corres-
pondientes suelen conocerse como límites 1.sigmaen terminología del control estadístico de
la calidad. Dos desviacionesestiíndar a cada lado de la media corresponden a un áreabajo la
curva de0.4772, por lo que la probabilidad de que una variable aleatoria normal caiga den-
tro de wtlímite 2 sigmaes de dos vecesdicha cifra, es decir 0.9544.Tres desviacionesestándar
abarcan un á¡ea de 0.4986bajo la curva, a ambos lados de la media, es decir un área total de
0.9972.Por lo tanto, el límite 3 sigmaabarcaprácticamente la totalidad de la distribución nor-
mal. Estas ideas forman la base de las gráficas de control que se verán en el capítulo 15.

Figura12A.2 Distribuciónnormal estándar


f(z)

0.20

0.10
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 641,

Ejemplo 3: Cálculos de probabilidad normal. Las temperaturasseleccionadasal azar de un


homo de secado,en un proceso de fabricación de alambre esmaltado, exhiben una distribu-
ción normal, con V =49 y 6 = 7. Con esta información, calcule tres probabilidades (que se
muestran en las figuras 124.3 (a), @) y (c), respectivamente):(1) que un valor de la muestra
x caiga entre 42 y 49, (2) que sea inferior a Q y (3) que caiga entre 50 y 57.
Haciendo referencia a la figura 12A.3 (a) para calcular la probabilidad de que la variable
aleatoria x caígaentre 42 y 49, convierta estosvalores a desviacionesnormales estándar (va-
lores z):

x-u 42-49 49-49-


z,' o=7-" 7 = ------=- = -i.u v z, - - u

En vista de que este caso está limitado hacia la derecha por la media de la distribución,
simplemente lea la tabla normal en función del valor z'y oblenga la probabilidad sin más
cálculos.La tabla indica que el áreabajo la curva entre -1.0 y 0 es de 0.3413.Esta cifra indica
que 34J.3o/'de los valores tomados de esta población se esperaría que cayeran en intervalos
especificados/y que existe una probabilidad de 34.13%de obtener un valor dentro de dicho
intervalo, dada una observación aleatoria en la temperatura en el horno.
Para calcular para el segundo caso la probabitiáad que ¡ sea inferior a 42,determine el
área bajo la curva normal, desde menos infinito hasta:

42- 49 -L.0
z, =:---: =
/

Este valor es 0.5 menos el área desde -1 hasta 0, que es 0.341.3,según se puede ver en el
apéndice A. Por lo tanto, la probabilidad de obtener una lectura de temperatura inferior a 42
grados centígradoses 0.5 - 0.3413= 0.1587.Este resultado apareceen la figura 12A.3&).
Finalmente ipara el tercer caso, transforme r = 50 y x = 57 para valores normales están-
dar y obtenga

x-u 5 0 - 4 9=
y =!f=
0.1.4

Lt--- 1.14
",

Figura12A.3(a)Cálculode probabilidades
de la distribuciónnormalestándar

p = 49 gradoscentfgrados
o=TgradoscentÍgrados
P \ 4 2 < x < 4 9 \= 0 . 3 4 1 3

graoos
centÍgrados

a<x< b 42<x549
x- tr
4 = - 1. o

fla<x<bl 0.3413
642 Parte3 Temastécnicossobrela calidad

Figura12A.3(b)Cálculode probabilidades
de la distribuciónnormalestándar

f(x) p = 49 gradoscentígrados
o=Tgradoscentigrados

flx<42l,

graoos
35 42 4V 5b
centígrados

a<x3b *3x<42
x-u,
-o
? ¿ zt = -3'99*
- 1. 0
4=
H , a <x < b l 0.1587

r Nota: El límite izquierdo (el más bajo) de la distribución, utilizando la tabla normal estándar del apéndice A, es un valor z
de -3.99. De hecho, el lfmite inferior se extiende hasta *.

El áreade 0 hastazz= 1.14sepuedeleer en la tablacomo 0.3729.El áreade 0 hastaz, =


0.14es0.0557.Acontinuaciónresteel areamenor de la mayor,para obtener0.3729- 0.0557=
0.3172,el áreaque nos intere$a.Por lo tanto, hay una probabilidad de 0.3172de observar
una temperaturadel homo entre 50 y 57 gradoscentígrados.Estoscálculosseresumenen
la figura 12A.3(c).

Figura12A.3(c)Cálculode probabilidades
de la distribuc¡ónnormalestándar

f(x) p = 49 gradoscentígrados
6=Tgradoscentígrados
fl50 s x < 5 7 ]=' 0 . 3 1 7 2

grados
centígrados
35 42 49 56

a<xSb 503x<57
x-u '
z-L zt = oj4
z"' 1.14

Pla<x3 bl u . 3 tt ¿
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d b+J

Aproximación normal a la binomial Aunque la distribución binomial sea en extremo útil,


tiene una limitación seria, al intentar ya sea con probabilidades pequeñas o con tamaños
grandesde muestra; su cálculo es muy tedioso.El análisisde la aproximación de la ecuación
respectoa la binomial demostró que cuando la probabilidad de éxito o de falla se hace muy
pequeña, Ia distribución de Poisson permite calcular valores similares de probabilidad con
mayor facilidad que la binomial. También, conforme el tamaño de la muestra se hace muy
grande (se acercaal infinito), la distribución binomial se aceria como límite a la distribución
normal. Por lo tanto, para muestras de tamaño grande, con una distribución normal se puede
obtener una buena aproximación de probabilidades en comparación con la que se hubiera
calculado utiiizando la distribución binomial. La aproximación normal funciona bien cuando
np2.5yn(7-il>5.

Ejemplo 4: Aproximación nonnal. Como ilustración, se harán dos cambios en las hipótesis
del ejemplo del chip de silicio. Suponga que en vez de utilizar un tamaño de muestra
pequeño, el tamaño de muestra es de 50. La probabilidad de encontrar un elemento defec-
tuoso sigue siendo 0.40. Para determinar la probabilidad de encontrar entre 1.5y 20 ele-
mentos defectuosos en la muestra, utilice la distribución binomial para calcular las proba-
bilidades.

/ qo\
I Y
- 0.4¡so-'
f (*)=l "_"l(0.¿)'(t ¡\
\/

= ,,fo! , (0.4)'(0.6)so-'
r!(50- x)l

Esta ecuacióntendría que evaluarsepara x = 15,16,17,18,19 y 20, ya que

P(15< x < 20) = P(x = 15) + P(r = 16) + P(x = 17) + P(x = 18) + P(r = 19) + P(x = 20)

Estos cálculos serían difíciles y tardados, ¡incluso con una buena calculadora electrónica!
Al utilizar la aproximación normal, se obtiene una estimación razonablemente exacta de
la probabilidad. Los cálculos son como sigue:

p =np=50(0.40)=20

oi = np(t- il = 20(0.60)
= 1Z

o, = &2 =3.46

x = Í t 7 5 - 2 0= -\ .L, 4- 5 2 0 - 2 0= 0
,r=;= ,r=
,,n6 !46

Uülizando la tabla del apéndice A, el valor para P(-1.45 S z S 0) = 0.4265.Por lo tanto, la pro-
babilidad de obtener entre 1.5y 20 defectuosos en una muestra de 50 componentes es de
0.4265.Este resultado apareceen la figura 12A.4.
6M

Figura12A.4Aproximaciónnormala la binomial
fh)
fl-1 .45 s zS 0) = 0.4265
n It

0.09

0.06

0.03

n
-1 012
p = 20 componentesdefectuosos
o = 3.46 componentesdefectuosos

Distribución exponencial

Otra distribución continua de uso común en el aseguramiento de la calidad es la distribución


exponencial. La distribución exponencial se utiliza ampliamente en la estimación de la con-
fiabilidad, misma que se verá en el capitulo 15. La función de densidad de frobabilidad de
la distribución exponencial es mucho más sencilla que la de la distribución normal. Por lo
tanto,la evaluación directa es más fácil, aunque también están fácilmente disponibles valores
tabulados de la distribución exponencial (vea eI apéndice F). La fórmula de la función de
densidad de probabilidades exponencial es
1
'f u
(x)=! '-xrtt, x>0

donde/¿ = valor medio de la distribución


¡ = tiempo o distanciaa travésde la cual se extiendela variable
e = 2.77828...

La integraciónde estafunción entre0 y x da comoresultadola función de distribuciónacu-


mulada

f(x)=1'-t'/t'
La figura 12A.6resumelas cuatrodistribucionesde importanciaque sehan visto en este
apéndice.

Ejemplo 5: Distribución de la vida de lámparas. Para ilustrar una aplicación de la distribución


'
exponencial, suponga que el gerente de mantenimiento de un edificio de oficinas está inten-
tandorp¡ogramar el equipo de mantenimiento encargado de cambiar las lámparas de ilumi-
nación utilizadas para alumbrar el exterior del edificio. El gerente es informado por el provee-
dor de las lámparas, de que el tiempo medio entre fallas de las que se están utilizando es de
aproximadaménte 1,000horas. ¿Cuál es la probabüdad de que el tiempo real entre dos fallas
sucesivassea d'e750 horas o menos?Para este ejemplo, F = 1,000y x = 750.Por lo tanto,

- t' - -
f(x) = 1. r'/ = I C'7s= 1. 0.4724= 0.5276
'
Por Io tanto, existe una probabüdad de 0.5276de que el tiempo entre dos fallas sucesi-
vas sea de 750 horas o menos. El problema se muestra gráficamente en la figura 12A5.
Capítulo 12 Aseguramiento de la calidad
&5

del tiempoentrefallas
exponencial
Figura12A.5Distribución

F(x)

1.00

.25
n
0.50 0.75 1.0 1,25 t.c |.tc

Milesde horasentrefallas

de probabilidad
Figura12A.6Resumende distribuciones en el aseguramiento
comunesutilizadas
de la calidad

Distribución Forma Funciónde probabilidad Comentariossobresu aplicación

Normal -8,#
y=--7=e'"
t Aolicablecuandouna concentrac¡ón de
observaciones cae cercade la media,y
61 ;4t cuandolas observaciones tienen una misma
probabilidad de ocurrirpor arribay por abajo
F = Media de la media.Las variacionesen observaciones
o = Desviaciónestándar son por lo generalresultadode causas
muy pequeñas.

Exponencial 1-! cuandolo másprobable


Aplicable
r¡ es queocurran másobservaciones
Y =; "
porabajode la mediaqueporarriba.

p
'
Poisson Lo mismoquéen el casobinomial, pero
Y=_T
e-tsu'
particularmente
de aplicación
cuandoson
posiblesmuchasoportunidades de ocurrencia
n = Númerode ensayos de un eventoo suceso,peroen cadaensayo
conunabajaprobabilidad(inferior
a 0.10).
p = Probabilidad
de ocurrencia
x = Númerode ocurrencias
P=nP
nl
Binomial ':' -d'QÉx Aplicableal definirla probabilidad
de x ,
'v - xtn - ilt' ocurrenciasen n ensayosde un evento,
cóñ una probabilidad constantede ocurrencia
n = Número
de ensayos' en cadaensayo,de maneraindependiente.

x = Probabilidad
de ocurrencia

P = Númerode ocurrencias
q=1-P

Fuente Adaptadode J. M. Juran y F.M. Gryna,Jr., Manualde instructorque acompañaal QualityPlanning Analyslsl[ueva York McGraw'Hill,
1980),p. 125.@ 1980McGraw-Hill, Inc.Reproducido con autorizac¡ón.
Parte 3 Temas técnicos sobre la calidad

NOTAS

L. William M. Carley, "To Keep GE's Profits Rising, 17.Paul,F. McCoy, "Using Performance Indexes to
Welch Pushes Quality-Control Plan", WaII Streetlournal Monitor Production Processes",Quality Progress24, no.
(enero 13 de 1997)A1,A8; y notas de presentación pro- 2 (febrerode 1991),49-55;véasetambién Fred A.
porcionadas por Stefanie A. Darlington, Leader-Total Spring, "The Cpm L:ldex", Quality Progress
24, no.2
Product Quality, GE Aircraft Engines, Cincinnati, Ohio. (febrero de 1991),57-61.
2. Cincinnati Milacron U.S. Machine Tool Group 18. Helmut Schneider,JamesPruett y Cliff
Quality Manual, septiembre de 1997. Lagrange, "IJses of ProcessCapability lndices in the
3. Dan K. Fitzsimmons, "Gaining Acceptancefor Supplier Certification Process", Quality Engineering8,
AcceptanceSampling", Quality Progress(abril de no. 2 (1995-1996),225-235.
!989),46-48. 19.Adaptado de Schnieder,et aI., véasela nota 18.
4. Douglas C. Montgomery,Introductíonto 20. Pandu R. Tadikamalla, "The Confusion
StatistícalQuality Control(Nueva York: John Wiley & over Six-Sigma Quality" , Quality Progress27, no.11.
Sons,1991) (noviembre de 1,994),83-85.Reproducido con
5. Thomas Pyzdek, Pyzdek'sGuide To SPC, Volume autorización de Pandu R. Tadikamalla y Quality
Two-Applícations and SpecialTopics(Milwaukee, Progress.
WI:ASQC Quality Press, 1992). 21. Adaptado de K.M. Casarreal,J. I. Mills y M.A.
6. Ed Pena, "Motorola's Secretto Total Quality Plant, "Improving Service through Patient Surveys in a
Control", Quality Progiess(octubrede 1990),43-45. Multihospital Organizatton", Hospital & Health Seraices
Administration, Health Administration Press,Ann
7. Douglas H. Harris y Frederick B. Chaney,
Arbor, MI (marzo/ abril 1986), 41-52.@ 1986,
Human Factorsin Qttalíty Assurance(Nueva York: ]ohn
Foundation of the American College of Health Care
Wiley, 1969).
Executives.
8. Stuart F. Brown, "Building Cars with Machines
22. Adaptado del Ritz-Carlton Hotel Company
that See",PopularScience(octubre de 1985).
Application Summary para el Premio Nacional de
9. Fortune,jurrto 27 de 1994,I31.. Calidad Malcolm Baldrige de1992.
10. C. Hsiang y L. Lee, "Zero Defects: A Quality 23.H. P. Hill, i. L. Roth y H. Arkin, Samplingin
Costs Approach", Communicatíons in Statistics-Theory Auditing: A Simplifud Guideand StatisticalTables(Nueva
and Methods14, no. 11 (1985),2641,-2655. York:@ Ronald Press1962).Reproducido con auto-
11.J. M. ]uran y Frank M. Gryna, Jr.,Quality rización de John Wiley & Sons, [rc.
Planningand Analysís,2a.ed. (Nueva York: McGraw- 24. Reproducido con autorización de George
Hill, 1980),35. Tagaras,Patroklos Georgiadis y Dimitris Psoinos,
12. Galen Britz, Don Emerling, Lyne Hare, Roger "Development of a Quality-Assurance System for a
Hoerl y JaniceSchade, "How to TeachOthers to Apply Wine Producer in Greece", Interfaces24, no.6 (no-
Statistical Thinking", Quality Progress30, no. 6 (junio viembre-diciembre de 1994),1-13.@ 1994,Institute
de 1997),67-79. for OperationsResearchy ManagementSciences,290
Westminster Street, Providence, Rhode Island 02903,
13. Frank H. Squires, "The Triumph of Statistics", EUA.
Quality, febrero de 1982,75.
25. Adaptad o de Ql for AssemblyPlaTús.Derechos.
1a.Adaplado de G.I.I{"}- y W.Q.Meeker, de autor Ford Motor Company, 1989.Reproducido con
"Assumptions for Statistical'fnference", TheAmerican
autorización.
Statistician47 (1993),7-L1,.
26. Nota: Aquellos lectores que tengan necesidad
15.ASQC AutomotiaeDiuisionStatísticalProcess
de softwareprofesional para llevar a cabo extensos
Control Manual (Milwaukee, WI: American Society for
estudios de R&R o para llevar control de registros y
Quality Control, 1986). calibraciones de galgas quizás deseeninvestigar eI soft-
'ware
16.No se ha trazadoel punto (10.90,1.000),ya que la de R&Rpack@y GAGEpack@ desarrollados y dis-
curva nornal se extiende hasta el infinito, y ningún valor tribuidos por PQ Systems,Inc.,P.O.Box L0, Daytory
finito tiene una probabilidad acumulada igual a L.0. oH 45475-0010.
C a p í t u l o1 2 A s e g u r a m i e n t od e l a c a l i d a d 647

BIBLIOGRAFÍA

AmerícanNational Standard:Guide to Inspection Washington, D.C.: Department of Defense,30 de


Planning, ANSI / ASQC E-2-1984.American Society for junio de 1965.
Quality Control, 310 W. Wisconsin Ave., Milwaukee, Puma, Maurice. "Quality Technology in
wI53203. Manufacturing", Quality Progress13, no. 8 (agosto de
Boser, Robert8., y CherylL. Christ."Whys, L980),1.6-19.
Whens, and Hows of Conducting a Process Rice, George O. "Metrology". Quality Management
Capability Study". Presentation at the ASQC/ASA Handbook,Loren WalstURalph Wurster, y Raymond i.
35th Annual Fall Technical Conference, Lexington, Kimber (editores). Nueva York:
Kentucky, 1991. Marcel Dekker (7986),517-530.
Casse, Kenneth E. y Lynn L. Jones.Profít through Robbins,C.L.,y W.A. Robbins."What Nurse
Qualíty: Quality AssuranceProgramsfor Manufacturers. Managers Should Know about Sampling Techniques".
Norcross, GA: American Institute of Industrial Nursing Management20,no.6 (junio de 1989),46-48.
Engineers, L978. Sherman, Wiiliam H. "Inspection: Do We Need it?"
Chatfield, Christopher. Statisticsfor Technology: A Manufacturing Engineering(mayo de 1988),39-42.
Coursein Applied Statistics.Nueva York: Halstead Press, Tomas,Sam. "Six Sigma: Motorola's Quest f.orZero
Div. de John Wiley & Sons, 1987. Defects". APICS, The PerformanceAdaantage(juiio de
Duncan, Acheson J. Quality Control and Industríal 199L),36-41.
Statistics,5a. ed. Homewood, IL: Richard D. Irwin, "What is Motorola's Six Sigma Product Qvality?",
1986. AmericanProductionand InaentoryControlSociety1.990
Ferdeber, Charles J. "Measuring Quality and Conference Proceedings. Falls Church, VA: APICS,27-31..
Productivity in a Service Environm ent" . Industrial Troxell, Joseph R. "Service Time Quality
Engineering(julio de 198L),193-201.. Standards". Quality Progress14,no. 9 (sepüembrede
Griffith, Gary. Quality Technician'sHandbookNueva 1981),35-37.
York: |ohn Wiley, 1986. "Standards for Quality Control in Service
Gunter, Bert. "Process Capability Studies Part I: lndustries" . Quality Progress12, no.1 (enero de 7979),
What Is a ProcessCapability Study?" Quality Progress 32-34.
24, no.2 (febrero de 1991),97-99. Tedaldi, Michael, Fred Seaglione/y Vincent
Holm, Richard A. "Fulfilling the New Role of Russotti.A. Beginner'sGuideto Quality in
Lrspection" . Manufacturing Engineeríng(mayo de 1988), Manufacturing. Milwaukee, WI: ASQC Quality Press,
43-46. 1992.
Lapin, Lawrence L. Statisticsfor Modern Business Zttbairi, Mazhar M. "statistical ProcessControl
Decisíons,4a.ed. San Diego: Harcourt Brace Management Issues". 1985 IIE Fall Conference
Jovanovich,Inc., 1987. Proceedings. Reproducido en Sepehri, Mehran, editor.
MIL-HD B 53 K- -1-
A, Mil it ary Handbook, Guide Quest for Quality: Managing the Total System.
for Attribute Lot SamplingInspectionand Norcross, GA: Industrial Engineering & Management
MIL-STD-1.05. Press,1987.