ESCUELA SUPERIOR

POLITÉCNICA DEL LITORAL

PROYECTO DE
ESTADÍSTICA
MUESTREO DE ACEPTACIÓN
 Dedicado a:

Nuestros padres y a toda persona

que nos motiva a seguir adelante.

1
Contenido
INTRODUCCIÓN.............................................................................................................................3
MARCO TEORÍCO...........................................................................................................................4
ESTADÍSTICA DESCRIPTICA........................................................................................................5
Obtención de las Muestra...............................................................................................................5
Tabla de Frecuencias......................................................................................................................6
Frecuencias Absolutas y Relativas.............................................................................................6
Tablas de Frecuencias................................................................................................................7
Cuantiles de una Muestra...............................................................................................................7
Gráficos de Frecuencia...................................................................................................................9
Diagrama de Cajas.......................................................................................................................12
Media Y Varianza de Datos Agrupados.......................................................................................13
CÁLCULOS DE PROBABILIDADES...........................................................................................14
Distribución Hipergeometrica......................................................................................................14
Media y Varianza de la Variable Aleatoria Hipergeométrica.......................................................16
MUESTREO DE ACEPTACIÓN....................................................................................................18
Tipos de Muestreo de Aceptación................................................................................................18
Variables características...............................................................................................................19
Muestreo de Aceptación Simple...................................................................................................20
Curvas de operación OC...............................................................................................................21
Trazado de la curva......................................................................................................................21
Ejemplo de aplicación..................................................................................................................24
Gráfico de Operación OC.............................................................................................................26
CONCLUSIONES...........................................................................................................................27
BIBLIOGRAFIA..............................................................................................................................28

2
INTRODUCCIÓN

El propósito de este documento, es simular la inspección de calidad de una X

bodega o contenedor a través de un muestreo de aceptación.

Para hacer esta simulación se colocó 40 bolitas en un ánfora, de las cuales 8

estuvieron marcadas. Las ánforas representan lotes o contenedores de cierto
artículo que se compra de algún lugar, y las bolitas marcadas representan
artículos defectuosos.

Para llevar a cabo este proyecto se necesitó conocimientos básicos en

estadísticas descriptivas, cálculo de probabilidades y saber cómo elaborar una
curva de operación (OC). De hecho el primer tema es únicamente relacionado a
Estadísticas Descriptivas.

El experimento consistió en extraer 5 bolitas de una ánfora e ir anotando cuantas

salieron marcadas, se hizo esto 100 veces obteniendo así la Tabla de Muestreo. A
partir de la tabla de muestreo se elaboró la tabla de frecuencias con las seis
posibles resultados {0, 1, 2, 3, 4, 5}. Con los datos de la tabla de frecuencias se
hicieron gráficas y cálculos, con sus respectivos análisis.

Finalizada la parte descriptiva como segundo tema se realizó la parte

probabilística, utilizando la Distribución Hipergeometrica. Se calculó la probabilidad
para cada valor de nuestro soporte {S} (los seis valores antes mencionados).
Obteniendo las verdaderas media y varianza. Realizando una comparación entre
las media y varianza experimentales con las teóricas.

Por último, y como tercer tema de este proyecto, se menciona el Muestro de

Aceptación, en que consiste, cuales son las variables que definen al muestreo de
aceptación, y por consiguiente mediante el ejemplo antes descrito se mostrara la
manera de graficar una curva de operación (Curva OC), a través de la función
binomial, es decir se modelara el experimento como una Variable Aleatoria
Discreta Binomial.

3
MARCO TEORÍCO

Las mediciones que realizamos a elementos de un conjunto establecido, lo

denominaremos Población Objetivo. Realizamos una selección de n unidades
de esta población objetivo, a este conjunto de n valores medidos los llamaremos
Muestra. (Msc. Gaudencio Zurita)

La estadística es un valor resumido, calculado, como base en una muestra de

observaciones que generalmente, aunque no por necesidad, se considera como
una estimación de parámetro de determinada población; es decir una función de
valores de una muestra. (Kendall y Buckland)

La probabilidad de un suceso es un número, comprendido entre 0 y 1,

que indica las posibilidades que tiene de verificarse cuando se realiza
un experimento aleatorio. (Pag. Vitutor)

Distribución Hipergeométrica Sea una población objeto de tamaño N con “a”

elementos que tienen una característica de interés del investigador y se extrae una
muestra de tamaño “n” de esta Población Objetivo. Se define a X como el número
de elementos que estando en la muestra cumplen con la característica “a” del
investigador. (Luis Angulo)

El muestreo de aceptación es un procedimiento de inspección que se

usa para determinar si se acepta o se rechaza una cantidad específica
de material. Este involucra tomar muestras aleatorias de tandas de
materias primas o de productos terminados para que el inspector las
mida contra estándares predeterminados. (Carro-González)

Las curvas OC son una representación gráfica del rendimiento de un

plan de muestreo, trazando la probabilidad de que el lote sea aceptado,
para una gama de proporciones de unidades defectuosas. (Carro-
González)

4
ESTADÍSTICA DESCRIPTICA

Es una gran parte de la estadística que se dedica a recolectar, ordenar, analizar y

representar un conjunto de datos, con el fin de describir apropiadamente las
características de este. Este análisis es muy básico. 

Obtención de las Muestra

Para llevar a cabo esto, se llenará una ánfora con 40 bolitas de las cuales 8 tienen
que estar marcadas (simulará algún artículo defectuoso). Se deberá extraer al
azar 5 bolitas y anotar cuántas de las 5 son defectuosas. Repetiremos 100 veces,
obteniendo de esta manera 100 números, que representará nuestra muestra.

Podremos ver a través de esta muestra que habrá mayor probabilidad de que se
encuentre con un artículo defectuoso. Pero de probabilidades nos encargaremos
en el siguiente capítulo.

La muestra que obtuvimos es la siguiente (Fig. 1.1):

Fig1.1 Tabla de Muestreo

5
Tabla de Frecuencias

Frecuencias Absolutas y Relativas

Supondremos que ya se tiene conocimiento de lo que es clase y marca de clase,

pasamos realizar unas cuantas definiciones que tienes que ver con el tamaño de
la Muestra y el número de observaciones en cada clase.

Primero debemos ordenas los datos de menor a mayor y determinar las 6 clases;
vamos a darle un tratamiento adicional a esta Muestra Ordenada. Estamos
seguros que todos los elementos de la Muestra pertenecen a alguna de las 6
clases, ya que hemos clasificado nuestra muestra de tal manera que pertenezca a
un intervalo [0,6] con seis subintervalos de longitud uno.

Denotaremos a f1 al número de observaciones en la muestra que pertenecen a la

primera clase, esto es el intervalo [0,1); a f1 lo denotaremos Primera Frecuencia
Absoluta. Hacemos esto para cada clase.

Debemos recordar que la suma de las frecuencias absolutas de una Muestra es n,

en este caso n=100, esto es,
6
f 1+ f 2+ f 3+ f 4+ f 5+f 6=100=∑ fi
i=1

Ahora definiremos Frecuencia Relativa de una Clase. La Primera Frecuencia

Relativa resulta de dividir f1para n=100, esto haremos en cada una de las 6
Clases.

Toda frecuencia relativa debe cumplir con lo siguiente:

fi
0≤ ≤1 ; i=1,2,3,4,5,6
100

La Frecuencia Acumulada Absoluta de la Primera Clase, F 1, se la define igual a f 1,

y la que le sigue será la suma de las frecuencias absolutas anteriores, esto es:

F 1=f 1

F 2=f 1+f 2

Hasta llegar a F6 = f1+f2+f3+f4+f5+f6=100

6
Tablas de Frecuencias
Ya con las definiciones previas pasamos a realizar nuestra tabla de frecuencia que
es un arreglo rectangular de7 columnas y (k=6)+1 filas.

La presentaremos a continuación (Fig. 1.2):

Figura 1.2 Tabla Frecuencias

FRECUENCIA FRECUENCIA
MARCA DE FRECUENCIA FRECUENCI
ORDINAL CLASE ABSOLUTA RELATIVA
CLASE ABSOLUTA A RELATIVA
ACUMULADA ACUMULADA
1 [0,1) 0,5 30 0,3 30 0,3
2 [1,2) 1,5 43 0,43 73 0,73
3 [2,3) 2,5 17 0,17 90 0,9
4 [3,4) 3,5 10 0,1 100 1
5 [4,5) 4,5 0 0 100 1
6 [5,6) 5,5 0 0 100 1

A través de esta tabla podemos ver lo siguiente:

En las Clases 5, 6 no hay una cantidad de cero, ya que de los valores posibles de
salir 4 o 5 bolitas defectuosas no se dio en el momento de la extracción.

Usando la Frecuencia Relativa nos damos cuenta que hay mayor proporción de
observaciones en la Clase 2 y que no hay datos en las Clases 5,6 ya que su
proporción es nula.

Ahora utilizando Frecuencia Relativa Acumulada multiplicada por 100 nos dará
el porcentaje de observaciones pertenecientes a una clase y a todas las previas.

Cuantiles de una Muestra

Nos ayudaremos de esta parte para hacer nuestra gráfica de Ojiva que
expondremos en la sección siguiente.

Cuando hablamos de Cuantiles hacemos referencias a percentiles, deciles y

cuartiles.

Hacemos referencia de que el Primer Cuartil quiere decir un 25% de la muestra

toma valores menores o iguales a Q 1. Para el Q2 y Q3 sería el mismo concepto
solo que con 50% y 75% respectivamente.

7
Con respecto a los deciles son 9, bajo el mismo concepto del Primer Cuartil solo
que con 10%, 20% así hasta llegar al 90% respectivamente.

Los percentiles son noventa y nueve. Se emplea la misma definición solo que con
1%, 2% hasta el 99% respectivamente.

Sabiendo esto presentaremos la siguiente fórmula para el cálculo de cuantiles.

m=( Cuantil )( n+1 )=i. a

Cuantil=X ( i. a ) =X ( i ) +0. a (X ( i+1 ) −X ( i ))

Realizaremos a continuación el cálculo de unos cuantos cuantiles entre ellos Q1,

Q2 y Q3. Lo presentamos en la siguiente tabla (Fig. 1.3)

Figura 1.3 Cálculo de unos Cuantiles

Decil 10
m=0,10(100+1)=10,1
D10=X(10,1)=X(10)+0,10(X(10+1)-
X(10))
D10=0+0,1*(0+0)=0
Cuartil 1
m=0,25(100+1)=25,25
Q1=0+0,25(0-0)=0
Cuartil 2
m=0,50(100+1)=50,5
Q2=1+0,5(1-1)=1
Cuartil 3
m=0,75(100+1)=75,75
Ahí podemos decir en D1 Q3=2+0,75(2-2)=2 que no más del 10% de
las observaciones Percentil 85 tomaran valores menores
o iguales a 0 m=0,85(100+1)=85,85
Q3=2+0,85(2-2)=2

8
Con Q1, no más del 25% de las observaciones toman valores menores o iguales a
0.

En Q2, no más del 50% de las observaciones toman valores menores o iguales a
1.

En Q3, no más del 75% de las observaciones toman valores menores o iguales a 2

En P85, que cuando más el 15% de las observaciones toman valores mayores a 2.

Gráficos de Frecuencia
Ahora vamos a construir el Histograma de frecuencia con la ayuda de la Tabla
de Frecuencias.

En el eje horizontal ubicaremos las 6 Clases, en el eje vertical irán los valores de
las Frecuencias Relativas. Debemos respetar las escalas, ya que esto nos permite
visualizar la proporción de datos que hay en cada clase definida. (Fig. 1.4)

Figura 1.4 Histograma de Frecuencias

40
40
30
30
20
20
10
10
00

Análisis.-
Cero Uno Dos Tres
La mayor

9
proporción está en la clase dos debido a que nos salió más repeticiones que
registramos con una bolita marcada.

Las proporciones de las Clases 5, 6 no aparecen, pero sabemos que es de 0 ya

que en las repeticiones no se registraron 4 o 5 bolitas marcadas.

Es el turno de construir gráfico de Distribución de Frecuencia Acumulada o

también llamada Ojiva.

En el eje horizontal encontraremos la característica (bolitas marcadas) de interés,

ahí mismo también se ubican las 6 clases. En el eje vertical sabemos que siempre
estarán ubicados valores de 0 a 1, lo ubicaremos de 0.25 en 0.25 hasta el 1.

IMPORTANTE los datos deben estar los datos ordenados.

A continuación los presentamos:

YT = ( 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
1111111111111111111111111111111122222222
2222222223333333333)

Para poder graficar nuestro gráfico de Ojiva nos ayudaremos de los cuartiles Q 1,
Q2, y Q3 porque sabremos que: (Q1, 0.25) – (Q2, 0.50) y (Q3, 0.75) con esto
tendremos tres puntos que nos ayudara para hacer nuestra curva.

F1
Obtendremos el inicio de la gráfica con (a1, ) esto lo sacamos de nuestra Tabla
n
F1
de Frecuencias, a1=0 y =0.3.
100

El grafico de una ojiva es continua y creciente. Por lo tanto tomaremos estos

valores posibles de bolitas marcadas como continuos.

F6
El punto final de la curva es (a7, ) = (6, 1).
n

Todos los puntos son los siguientes:

P1 (a1, 0) = (0, 0)

F1
P2 (a2, ) = (1, 0.3)
100

10
 F2
P3 (a3, ) = (2, 0.73)
100

F3
P4 (a4, ) = (3, 0.9)
100

F4
P5 (a5, ) = (4, 1)
100

F5
P6 (a6, ) = (5, 1)
100

F6
P7 (a7, ) = (6, 1)
100

Nos queda la gráfica de la siguiente manera (Fig. 1.5)

Figura 1.5 Ojiva

1.2

1
FRECUENCIARELATIVAACUMULADA

0.8

0.6
F.Relativa Acumulada
0.4

0.2

0
0 1 2 3 4 5
X ES EL NUMERO DE BOLILLAS MARCADAS EN LOS EXPERIMENTOS

Análisis.- La grafica muestra una clara pendiente en el intervalo de 0 a 1, esto se

debe a que el mayor número de resultados posibles se dio cuando las bolillas
marcadas contenidas era una sola. Un hecho curioso es que para los valores del
soporte 4 y 5 el valor de la frecuencia relativa acumulada es 1, esto se puede
claramente explicar observando la tabla de frecuencias, donde se evidencia que
para estos valores no se obtuvieron resultados, y debido a la elaboración de los
valores e la frecuencia relativa acumulado estos valores son los mismos a cuando
se considera el valor del soporte 3.

11
Diagrama de Cajas
Para eso necesitamos los cuartiles Q1, Q2, y Q3 que ya los obtuvimos previamente,
así como los valores máximo y mínimos en la Muestra.

El bigote del lado izquierdo de Q1 va de X(1) a Q1, Dándoles valores queda:

RI=Q3-Q1

Longitud bigote derecho {Q3 + 1.5RI} = I 0-0I = 0

Esto quiere decir que no hay bigote izquierdo o que esta sobre Q 1.

El bigote derecho va de Q3 a X(100), queda de la siguiente manera:

Longitud bigote izquierdo {Q1 – 1.5RI} = I 2-3I = 1

La longitud de la caja es Q3 es Q1.

(Q3 - Q1) = (2-0) = 2

Dentro de la caja va a ver una línea que va a representar la mediana que es igual
a Q2.

El diagrama de cajas nos queda (Fig. 1.6):

Figura 1.6 Diagrama de Cajas

12
Análisis.- La grafica nos muestra que la mayoría de los valores se ubicaron entre
0 y 2, y que el valor que más se obtuvo fue 1. No se obtuvieron valores aberrantes
y esto lo sabemos a analizar la longitud de los bigotes de la gráfica. También se
puede apreciar claramente los valores de soporte, y que no necesariamente los
cuartiles pertenecen al soporte.

Media Y Varianza de Datos Agrupados

Ahora hallaremos la media y varianza de datos agrupados y el capítulo venidero
hallaremos lo mismo pero teóricamente.

Yi será la marca de clase y fi la frecuencia absoluta de cada clase.

Para hallar la media aritmética Ῡ de los datos agrupados:

6
fi Yi
Ῡ =∑
i=1 100

Para la Varianza de Datos de Agrupados:

6
fi(Yi−Ῡ )2
s2=∑
i =1 99

Para no estar en lo monótono de cálculos lápiz – hoja, nos ayudamos de un

programa estadístico “R”, este cálculo es sencillo, pero hacemos uso del programa
para estar relacionado con él. De hecho lo hemos estado usando desde el
principio del proyecto.

Usando las funciones mean (datos) y var (datos) nos arroja la media y la varianza
(Fig. 1.7)

Figura 1.6 Media (superior) y Varianza (inferior)

13
La desviación estándar la obtenemos sacando la raíz cuadrada positiva de la
varianza.

Viéndolo desde “R” sería sqrt (var (datos)) (Fig. 1.7)

Figura 1.7 Desviación Estándar

CÁLCULOS DE PROBABILIDADES

Para realizar los cálculos probabilísticos utilizaremos la variable aleatoria discreta

Hipergeometrica, de la que definiremos directamente su función de probabilidad, y
a partir de esta y aplicando definiciones obtendremos la media y la varianza.

a N−a
P ( X=x )=f ( x )=
( x )( n−x )
; para todo x ∈ R
N
(n )
Siendo S= {01; 2; 3;…; k}; con k=min {a; n}

Distribución Hipergeometrica
Sea una población objeto de tamaño N con “a” elementos que tienen una
característica de interés del investigador y se extrae una muestra de tamaño “n” de
esta Población Objetivo. Importante, se define a X como el número de elementos
que ESTANDO EN LA MUESTRA cumplen con la característica “a” del
investigador.

Figura 2.1 Grafico para D. Hipergeométrica

14
 N

Con esto sabemos que:

X: # de bolitas maracas que sale en la muestra;

S= [0, 1, 2, 3, 4,5], soporte del experimento.

N= 40 es el número total de bolillas de la muestra.

a= 8 característica de interés del investigador.

n= 5 muestra que seleccionaremos de la población.

1.1. Cálculos a través de la Variable Aleatoria Hipergeometrica

La función distribución de probabilidades es:

a N−a
P ( X=x )=f ( x )=
( x )( n−x )
; para todo x ∈ R
N
(n )

Ahora procederemos a calcular las probabilidades para cada valor del Soporte:

a N−a
P ( X=x )=f ( x )=
( x )( n−x )

( Nn )

15
 8
8 40−8 ∗32

P ( X=0 )=f ( 0 )=
( )( )
0 5−0
( 8−0 ) ! 0!
= ( 32−5 ) ! 5 ! 0.306
40 =¿
( )
5
40
( 40−5 ) ! 5 !

8
8 40−8 ∗32

P ( X=1 ) =f ( 1 )=
( )( )
1 5−1
( 8−1 ) ! 1 !
= ( 32−4 ) ! 4 ! 0.437
40 =¿
( )
5
40
( 40−5 ) ! 5 !

8
8 40−8 ∗32

P ( X=2 )=f ( 2 )=
( )( )
2 5−2
( 8−2 ) ! 2 !
= ( 32−3 ) ! 3 ! 0.211
40 =¿
( )
5
40
( 40−5 ) ! 5 !

8
8 40−8 ∗32

P ( X=3 )=f ( 3 )=
( )( )
3 5−3
( 8−3 ) ! 3 !
= ( 32−2 ) ! 2 ! 0.042
40 =¿
( )
5
40
( 40−5 ) ! 5!

8
8 40−8 ∗32

P ( X=4 )=f ( 4 )=
( )( )
4 5−4
( 8−4 ) ! 4 !
= ( 32−1 ) ! 1 ! 3.40*(10^-3)
40 =¿
5( ) 40
( 40−5 ) ! 5!

8
8 40−8 ∗32

P ( X=5 )=f ( 5 )=
( )( )
5 5−5
( 8−5 ) ! 5 !
= ( 32−0 ) ! 0 ! 8.51*(10^-5)
40 =¿
( )
5
40
( 40−5 ) ! 5!

P ( X=0 ) + P ( X=1 ) + P ( X=2 )+ P ( X =3 ) + P ( X=4 )+ P ( X =5 )=1

Media y Varianza de la Variable Aleatoria Hipergeométrica

La Media y la Varianza de una Variable Aleatoria Hipergeométrica son
respectivamente:

16
 an 2 an(N−a)( N −n)
μ= ; y, σ =
N N 2 ( N−1)

DEMOSTRACIONES

a N−a
Media: μ= E [ x ] =∑ x
( x )( n−x )
n

= N
1
∑ x
n
a! ( N−a ) !
x ! ( a−x ) ! ( n−x ) ! ( ( N −a )−( n−x ) ) !
x=0 N
(n ) ( n ) x=0

n
1 a (a−1)!
= N
∑ x x ( x−1 ) ! ¿ ¿ ¿
( )
n
x=0

a−1 ( N −1)−(a−1)
1 ( x−1) ( ( n−1)−( x−1) )
n
= a∑ ; y=x −1
N N−1
(n) x=0
( n−1 )
a−1 (N−1)−(a−1)
( y ) ( ( n−1 )− y ¿ )
1
a ( N−1 )
n−1 ¿
1
= a∑ = N n−1
N
(n) y=0 N −1
( n−1 ) ( n )
n ! ( N−n ) ! ( N−1 ) ! na
=a = = μ( Media)
N! ( n−1 ) ! ( N −n ) ! N

2
Varianza: σ 2=E [ x2 ]−[ E [ x ] ]

a N −a a N −a
2
E [ x ]=∑ x
( )(
n
x n−x 2
) n
=∑ [ x ( x−1 ) ]
( x )( n− x )
x=0
( Nn ) x=0
( Nn )
a N −a a N −a
n

= ∑ x(x −1)
( )(
x n−x ) +∑ x
( x )( n−x )
n

x=0
( Nn ) ( Nn )
x=0

17
 n
1 a! ( N −a ) ! na
= N
∑ x ( x−1) x ! ( a−x +
) ! ( n−x ) ! ( ( N −a ) −( n−x ) ) ! N
n ( ) x=0

n
1 a! ( N−a ) ! na
= N
∑ x ( x−1) x ( x−1 )( x−2 +
) ! ( a−x ) ! ( n−x ) ! ( ( N −a )−( n−x )) ! N
n ( ) x=0

n
1 a(a−1)( a−2)!
= N
∑ x (x−1) ( x−2 ) ! ¿ ¿
¿
n ( ) x=0

a(a−1)
= N
(x a−2 n
( N−2)−(a−2)
x−2 (n−2)−(x−2) ) na
) ( + ; y=x −2
∑
n ( ) x=0 N −2
( n−2 )
N

a−2 ( N −2 )−( a−2 )

a ( a−1 ) ( y ) ( ( n−2 )− y ) na
n−2
= ∑ x +¿ ¿
N N −2 N
(n) y=0
( y)
a ( a−1 ) N −2
= N (
n−2 + = )
na a ( a−1 )( N−n ) ! n! ( N−2 ) !
+
na
( )
n
N N! ( N−n ) ! ( n−2 ) ! N

a ( a−1 )( n−1 ) n na
= +
N ( N −1) N
2
σ 2=E [ x2 ]−[ E [ x ] ]

a ( a−1 )( n−1 ) n na na 2
= + +( )
N (N −1) N N

na (a−1)(n−1) na na N ( an−a−n+1 )+ N ( N −1 )−( N −1 ) na

=
N [ ( N −1)
+1−
N
=
N ] [
N ( N−1) ]
na Nna−Na−Nn+ N + N 2−N −Nna+ na na N 2−Na−Nn+na
=
N [ N (N −1)
=
N N ( N−1) ] [ ]
na N ( N−a )−n( N −a) na ( N −n)( N −a)
=
N [ N ( N−1)
=
N ] [
N (N−1) ]
18
 an(N −n)(N−a) 2
= =σ (Varianza)
N 2 ( N−1)

Con los datos previos reemplazamos en nuestras variables respectivamente

Media Teórica

na (5)( 8)
μ= = =1
N 40

La media experimental fue de 1.07 como se aprecia en la fig. 1.6, esto se debe al riguroso
procesos matemático básico con que se obtiene la media experimental, mientras que la
pureza matemática de trabajar la media, nos da un valor más aceptable. Se puede pensar
también que la media experimental es más real, debido a que utiliza cada uno de los
valores obtenidos.

Varianza

an(N −n)(N−a) (8)(5)( 40−5)(40−8)

σ 2(Varianza) = = =0.718≈ 0.72
N 2 ( N−1) ¿¿

La varianza experimental varía considerablemente de la varianza teórica, como se

mencionó antes esto se debe a la cantidad de resultados con los que se trabajó
experimentalmente, comparando con la simpleza de una formula.

MUESTREO DE ACEPTACIÓN

Un muestreo de aceptación es una técnica que le permite al operario reducir los

esfuerzos de inspección, la técnica consiste en tomar una muestra aleatoria de
una población que debe estar homogenizada, se va a evaluar cierta característica
de la muestra pero se lo debe hacer como si se estuviera investigando en toda la
población esa misma característica.

Bajo el punto de vista estadística un muestreo de aceptación es un contraste de

hipótesis en el que se evalúa una característica (parámetro de observación) a
través de unos valores muéstrales.

19
Tipos de Muestreo de Aceptación
Se pueden clasificar de distintas maneras:

1. De acuerdo a la naturaleza de la población base

 Lote aislado
 Lote a lote (producción uniforme de lotes)
 Fabricaciones continuas (industria química, fábricas de botellas, etc.)
2. De acuerdo a la naturaleza de la población base
 Atributos. Hablamos de características cualitativas (pasa /no pasa)
 Variables. Referimos características cualitativas (masa, unidades, etc.)
3. Numero de muestras a tomar
 Simples. Se toma una muestra con la cual habrá que decidir si el lote se
acepta o no.
 Dobles. Se toma dos muestras no necesariamente del mismo tamaño,
por medio de estas muestras habrá que decidir si el lote se acepta o no,
por ejemplo si la primera muestra nos da valores extremos no será
necesaria una segunda, pero si obtenemos valores intermedios
procederemos a tomar una segunda.
 Múltiples. Se extraen n muestras, todas diferentes.
 Secuencial. Se va analizando el elemento uno a uno por lo cual se los
va descartando o aceptando, llegara un momento en que se tenga
suficiente información para decidir si el lote es aceptable.

Para nuestro análisis, el tipo de muestreo de aceptación será el de Número de

muestras a tomar y más específicamente el Simple, debido a las características
de nuestro proyecto porque nuestra población es pequeña al igual que nuestra
muestra.

Nota: Para cada una de los tipos de muestreo de aceptación existe un análisis
que lo caracteriza, por lo tanto los temas que se presentan a continuación
corresponden exclusivamente al muestreo de aceptación simple o también
llamado plan de muestreo simple. Esto se debe principalmente, en que nos
enfocamos en lo que hemos visto en clase, aplicando nuestros conocimientos
previos, enfocarnos en otro tipo de muestreo de aceptación conllevaría estudiar
temas de capítulos siguientes que no corresponden al estudio de este parcial.

Variables características
Para elaborar nuestro muestreo de aceptación, se debe tener en cuenta dos
niveles de calidad. El primero es el nivel de calidad aceptable AQL por sus siglas
en inglés (aceptable quality level); este nivel es el deseado por el consumidor o

20
comprador. Por ejemplo un consumidor desea un lote de 2000 unidades de las
cuales se aceptan dos unidades defectuosas, el AQL sería de 0.001 el productor
siempre quiere acercarse a este nivel. Existe un concepto ligado a este nivel que
es el riesgo del productor (∝¿, que es cuando el muestreo de aceptación ha
determinado valores no aceptables en el lote y en consecuencia se lo debe
rechazar. Lo más frecuente es que el riesgo del productor se establezca en 0.05;
es decir un 5%.

La proporción defectuosa tolerable en el lote es el segundo nivel de calidad se lo

denomina LTPD (por sus siglas en inglés; lot tolerance proportion defective); es el
peor nivel de calidad que el consumidor puede tolerar. La LTPD es una definición
de la mala calidad. La probabilidad de que el consumidor acepte un lote con LTPD
es el riesgo del consumidor ( β ) . Un valor muy común para el riesgo del
consumidor es 0.10 o sea 10%.

Separando las variables definidas tenemos:

AQL: nivel de calidad aceptable, es el deseado por el consumidor.

LTPD: la proporción defectuosa tolerable, peor nivel de calidad que el consumidor

puede tolerar.

(∝¿: Es el riesgo del productor de entregar un lote con valores no aceptables.

( β ): es el riesgo del consumidor de aceptar un lote con LTPD.

Además se establece que:

∝=1− AQL

β=1−LTPD

Refiriéndonos a los niveles de calidad, en español tienen las siguientes siglas:

AQL se lo conoce como NCA (Nivel de calidad aceptable)

LTPD se lo conoce como CL (Calidad Limite)

Los muestreos de aceptación tienen como propósitos establecer los riesgos tanto
para el consumidor como para el proveedor. Sin embargo lo que más le conviene
al consumidor es que el número de elemento inspeccionados sea mínimo pues así
disminuye costos.

21
Muestreo de Aceptación Simple
Tomamos una muestra de tamaño n de una población de tamaño N, de la muestra
se va a analizar cierta característica y como resultado se va a calificar a cada uno
de los elementos de la muestra como defectuoso o aceptable. Si del análisis se
obtiene un número menor a un valor especificado c, el lote es aceptado. Si se
obtiene un número mayor a c, el lote es revisado en su totalidad elemento por
elemento, por lo tanto este puede ser rechazado o aceptado en parte. Los
elementos defectuosos de la muestra son devueltos, además los elementos deben
ser elegidos de forma aleatoria para la muestra.

Curvas de operación OC
Es una gráfica que representa el rendimiento de un plan de muestreo, trazando la
probabilidad de que el lote sea aceptado, para toda una gama de proporciones de
unidades defectuosas. Esta gráfica, llamada curva característica de operación
(OC), describe el grado en que un muestreo de aceptación permite distinguir entre
los lotes buenos y los malos.

La curva OC típica para un muestreo de aceptación simple, muestra la

probabilidad α de rechazar un lote bueno (riesgo del productor) y la probabilidad β
de aceptar un lote malo (riesgo del consumidor). Caemos en cuenta que la
persona encargada de aceptar los lotes será la responsable de elegir un tamaño
de muestra n y un número de aceptación c para conseguir el nivel de rendimiento
especificado por el AQL, el α, la LTPD y el β.

22
Figura3.1.Curvas características de operación para una muestra de
aceptación simple

Trazado de la curva
Para una muestra de aceptación simple o también llamado plan de muestreo
simple, se utiliza la distribución binomial de una variable aleatoria discreta, para
calcular la probabilidad de aceptación, lo importante es que de una población N, la
muestra de tamaño n es la que va a decidir si el lote es aceptado o rechazado,
claro existe una cantidad c de elementos defectuosos o elementos tolerables por
parte del consumidor y que el proveedor obviamente no buscar pasar. En algunos
casos sucede que n es mayor que 20 o es considerada relativamente grande por
lo que el cálculo de probabilidades de aceptación se lo realizara por una
distribución binomial aproximada por la distribución Poisson. Existen tablas
establecidas que permiten el ahorro de cálculos tediosos.

En el primer caso, aplicando la distribución binomial consideraremos en el eje de

las y, la probabilidad de aceptación mientras que en el eje de las x se colocara los
porcentajes defectuosos con los que se evaluara la muestra, por ejemplo si
tenemos un c de aceptación de dos productos defectuosos, de acuerdo al
porcentaje de nivel defectuoso se calculara la probabilidad de aceptación de que
la muestra sea aceptada con cero elementos defectuosos más la probabilidad de
que la muestra sea aceptada con un elemento defectuoso. Esto se describe
matemáticamente de la sencilla manera.

C de aceptación de 2, esto quiere decir que:

P ( X ≤2 ) =P ( X=0 )+ P ( X =1 ) + P( X =2)

Siempre se debe tener en cuenta que la muestra n determinara el experimento de

Bernoulli, es decir si se acepta o se rechaza.

Propiedades de las curvas de operación

Las curvas CO correspondientes a números de aceptación c=0 son cóncavas. En

caso contrario son inicialmente convexas, después tienen una inflexión para
finalizar de forma cóncava.

En el entorno del NCA o AQL, la curva tienen una mayor pendiente cuando mayor
es el tamaño de la muestra (mejor discriminación).

23
Si se mantiene constante el tamaño de la muestra pero se aumenta el número de
aceptación c, la curva se desplaza hacia la derecha, lo que aumenta el riesgo del
consumidor.

Cuando se pide hallar la curva de operación, con valores establecidos de NCA y

CL, no siempre se va a tener una solución exacta ni siquiera en el caso de
muestreo simple debido a la restricción de que tanto el tamaño de la muestra
como el número de aceptación han de ser enteros.

Figura2.Efecto de mantener el tamaño de la muestra y aumentar el número

de aceptación.

En cambio, si mantenemos constante el número de aceptación, y aumentamos el

tamaño de la muestra, notaremos que la curva se desplaza hacia la izquierda lo
que quiere decir que el riesgo del productor aumento pues de un lote de N
unidades, puede haber ciertamente más de un artículo defectuoso, lo que
aumenta las probabilidades de que el consumidor rechace el lote.

24
Figura3. Efectos de mantener constante el número de aceptación y aumentar
el tamaño de la muestra.

Ejemplo de aplicación
Dibujar la Curva de Operación (OC) para un lote con 40 artículos en el que se
toma una muestra de 5 y se acepta el lote si entre los cinco hay a lo mucho 1
articulo defectuoso. La curva OC se calculara para los siguientes
porcentajes de defectuosos: 0%,2%,4%,…,50%.

Análisis

Tenemos una población de 40 entes de los cuales se toma una muestra de 5

entes, debido a que la muestra es pequeña podemos utilizar la distribución
binomial. Tenemos 25 valores de porcentajes defectuosos, los que vendrían a ser
la probabilidad p de la ecuación, para cada p de la ecuación debemos calcular la
probabilidad acumulada, en este caso de que al menos 1 elemento sea
defectuoso, es decir puede haber cero elementos defectuosos, como también
puede haber 1, para cada p se deberá calcular su probabilidad acumulada. Para
poder calcular estos datos utilizamos una de las funciones de distribución del
programa Excel, como es obvio la función de distribución es la binomial.

Teniendo de conocimiento que:

La función de masa de probabilidad es:

25
B(x, n, p)=( nx) p ( 1− p)
x n−x

donde ( nx) es la combinatoria de (n, x)

La distribución Binomial acumulada es:

B(x, n, p)=∑ b(x ,n , p)

Utilizando la función de Excel:

=DISTR.BINOM (núm_éxito; ensayos; prob_éxito; acumulado)

Núm_éxito: es el número de éxitos en los ensayos.

Ensayos: es el número de ensayos independientes.

Prob_éxito: es la probabilidad de éxito en cada ensayo.

Acumulado     es un valor lógico que determina la forma de la función. Si el

argumento acumulado es VERDADERO, DISTR.BINOM devuelve la función de
distribución acumulada, que es la probabilidad de que exista el máximo número de
éxitos; si es FALSO, devuelve la función de masa de probabilidad, que es la
probabilidad de que un evento se reproduzca un número de veces igual al
argumento núm_éxito.

En nuestro caso el número de éxitos, es igual a 1 que es el número aceptable de

elementos defectuosos. El número de ensayos es igual a 5, que es el número de
la muestra, y la probabilidad de éxito son todos los valores de p desde 2%,4%,6%,
…,50%. Para nuestro caso el acumulado debe de ser verdadero para obtener la
probabilidad total o probabilidad de aceptación que debe ser la suma de las
probabilidades de obtener al menos 1 elemento defectuoso.

Probabilidad de aceptación=P ( X ≤1 ) =P ( X=0 )+ P ( X =1 )

Porcentaj Probabilid
e de ad
defectuos aceptació
os n
0 1
0.9961576
0.02 1

26
 0.9852420
0.04 1
0.9681287
0.06 1
0.9456387
0.08 1
0.1 0.91854
0.8875491
0.12 3
0.8533327
0.14 3
0.8165090
0.16 3
0.7776494
0.18 3
0.2 0.73728
0.6958830
0.22 5
0.6538986
0.24 5
0.6117261
0.26 5
0.5697257
0.28 5
0.3 0.52822
0.4874953
0.32 7
0.4478037
0.34 7
0.4093640
0.36 7
0.3723636
0.38 7
0.4 0.33696
0.3032820
0.42 9
0.2714320
0.44 9
0.2414867
0.46 9
0.2134991
0.48 9
0.5 0.1875

27
Gráfico de Operación OC
1.2

1
Probabilidad de aceptacion

0.8

0.6

Probabilidade aceptacion
0.4

0.2

0
0% 10% 20% 30% 40% 50% 60%
Porcentaje de articulo defectuosos

Análisis.- La curva de operación es muy explícita y estricta, el lote no será

aceptado al menos que cumpla con los requerimientos del comprador. Según
nuestro experimento, comparando que estamos ante una situación real, es decir
no son bolillas sino son lotes, consideramos que solo si el lote posee el 0% de
artículos defectuosos será aceptado, si contiene el 10% de artículos defectuosos,
queda a criterio del consumidor como ya se lo menciono antes, estos criterios
tienen nombre (mencionados en el tema 3 de este proyecto).

CONCLUSIONES

28
La estadística descriptiva, nos permite ver con claridad lo que está sucediendo en
el experimento, nos permite obtener graficas que explica el comportamiento de los
datos obtenidos.

Los cálculos probabilísticos, nos permiten comprender el porqué de los resultados

obtenidos en los procesos efectuados en la estadística descriptiva, de tal manera
que nos permite comparar resultados y sacar conclusiones.

Un experimento puede ser modelado según sus características, y un poco menos

creíble según las intenciones del investigador, existen variables aleatorias
discretas y continuas, pero en este trabajo se utilizó la variable aleatoria discreta,
más específicamente la variable aleatoria discreta Hipergeometrica, la cual nos
permitía modelar nuestro experimento según las variables que utilizaba este.

La probabilidad de obtener un producto defectuoso de un lote, es realmente alta

cuando lo que se quiere es obtener ninguno. Para este problema se ideo los
muestreos de aceptación.

Los muestreos de aceptación, es un modelo estadístico que nos permiten evaluar

toda una población de entes, por medio de las características evaluadas en una
muestra de toda esa población de entes. El consumidor o comprador, busca
obtener el menos riesgo posible de comprar productos defectuosos y por ende
perder capital, el productor se enfoca en que su población de productos tenga el
menos riesgo posible de ser rechazada, es decir él quiere que sus productos se
compren, por lo que el productor se apega a los requerimientos del comprador, al
momento de evaluar sus productos.

En una muestra evaluada puede ocurrir los siguiente; o bien se acepta el lote, o
bien se lo rechaza o se lo evalúa ente por ente, con la obvia finalidad de evitar la
pérdida de dinero.

La parte probabilística del proyecto, se la puede entender como el resumen o

abreviación de la parte estadística.

BIBLIOGRAFIA

Apuntes de ayudantías con Luis Angulo.

29
Apuntes de clase. Muestreo de aceptación. Arturo Ruiz-Falco Rojas. Febrero 2008

http://web.cortland.edu/matresearch/Aceptacion.pdf

Muestreo de Aceptación. Facultad de Ciencias Sociales y Económicas.

Universidad Nacional de Mar de Plata. Roberto Carro Páez-Daniel González
Gómez

http://nulan.mdp.edu.ar/1618/1/13_muestreo_aceptacion.pdf

Probabilidad y Estadística- Fundamentos y Aplicaciones. Gaudencio Zurita.

Escuela Superior Politécnica del Litoral. Segunda Edición. Guayaquil-Ecuador

Ayudantías con Luis Angulo.

30