CASO 1 Brix

LIE 13
LSE 14
T (promedio limites) 13.5
Tiempo (min) Brix
0 14 Promedio 13.57
10 13.8 Desv. Estandar 1.29
20 14.3
30 12
40 13 Cp 0.13
50 13.7
60 14.2
70 14.1
80 15
90 16
100 10
110 13.8
120 13.9
130 12.7
140 12.9
150 13.4
160 13.9

CpK sup 0.111

CpK inf 0.148

CpK sup < CpK inf

El promedio tiende al LSE

Especificaciones 995 ml 1000 ml 1005 ml

Tolerancia ± 5 ml

Proceso 1002 ml

Temperatura (ºC) 41 43 45
CASO 2 Brix
LIE 13
LSE 14
T (promedio limites) 13.5
Tiempo (min) Brix
0 14 Promedio 13.45
10 13.8 Desv. Estandar 0.64
20 14.3
30 12
40 13 Cp 0.26
50 13.7
60 14.2
70 14.1
80 13
90 13
13
110 13.8
120 13.9
130 12.7
140 12.9
150 13.4
160 13.9

CpK sup 0.286

CpK inf 0.237

CpK inf < CpK sup

El promedio tiende al LIE

998 ml
PARETO

Una empresa fabrica y entrega sus productos a varias tiendas mino

devoluciones. Para ello, investigó la cantidad de ocurrencias que ge
último semestre, como se muestra en la siguiente tabla:

Razón Numero de ocurrencias

AE 140
AT 125
PD 65
FI 60
SE 45
PE 30
PrE 20
OTROS 15
TOTAL 500
s a varias tiendas minoristas y quiere reducir el número de
de ocurrencias que generaron devolución de entrega en el
ente tabla:

Casos acumulados Porcentaje unitario Porcentaje acumulado Razón

140 28 28 AE
265 25 53 AT
330 13 66 PD
390 12 78 FI
435 9 87 SE
465 6 93 PE
485 4 97 PrE
500 3 100 OTROS
100 TOTAL
Numero de ocPorcentaje acumulado Este gráfico no está disponible en su versión de Excel.
140 28
125 53 Si edita esta forma o guarda el libro en un formato de archivo diferente, el
65 66 gráfico no se podrá utilizar.
60 78
45 87
30 93
20 97
15 100
500
l.

e archivo diferente, el
Y Y Y

r=1
0<r<1

X
X

CORRELACIÓN TOTAL CORRELACIÓN PARCIAL AJUSTE DE CURV

POSITIVA POSITIVA
Y
Y

r = -1 -1 < r < 0
 X X

CORRELACIÓN TOTAL CORRELACION PARCIAL AJUSTE CON LIMI

NEGATIVA NEGATIVA
 Peso fruta Peso Peso fruta Peso
1 8 1 8
2 7 2 7
3 1 3 9
4 15 4 12
5 20 5 11
6 8 6 8
7 7 7 7
8 6 8 6
9 9 9 9
10 1 10 10

Promedio 8.2 Promedio 8.7

Desv. Estandar 5.8 Desv. Estandar 1.9

Coef. Variación 70.1 Coef. Variación 21.7

8.2 ± 5.8 8.7 ± 1.9

25
Fresa Brix real Brix predicho
1 15 16
2 13 14

f(x) = 1.08714
X 3 9 7
20

4 5 4
AJUSTE DE CURVA
− 1.08639
5 20 21
15
6 18 19
Brix predicho

R² = 0.969339
7 12 11
8 6 7
10
9 4 3
10 18 19

5
 R² = 0.969339

Brix pre
10

11 17 16
5
X 12 14 13
13 11 12
AJUSTE CON LIMITES 14 16 16 0
2 4 6 8 10
15 9 9
Bri

Función identidad y=x

Coef. Correlacion 250.9846

Coef. Determinación 0.9693 0.96933937

20 f(x) = 1.08714392803598 x − 1.08639430284858
R² = 0.969339367743119
Intersección -1.0864
Pendiente 151.0871

10

0
2 4 6 8 10 12 14 16 18
 Resumen

x) = 1.08714 x Estadísticas de la regresión

Coeficiente de correlación múltiple

1.08639
Coeficiente de determinación R^2
R^2 ajustado

= 0.969339367743119
Error típico
Observaciones

ANÁLISIS DE VARIANZA
 = 0.969339367743119
Grados de libertad

Regresión
Residuos
Total
2 4 6 8 10 12 14 16 18 20 22

Brix real

Intercepción
Variable X 1

25

08639430284858 20 f(x) = − 0.0000450393 x⁶ + 0.00332306 x⁵ − 0.0979096 x⁴ + 1.46615 x³ − 11.688 x²

+ 47.7251 x − 73.1605
R² = 0.973580538500555

15

10

0
12 14 16 18 20 22 2 4 6 8 10 12 14 16 18 20 22
a regresión
0.98455034
0.96933937
0.96698086
1.01141706
15
 Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F

1 420.434795 420.434795 410.996475 3.2007542506E-11 p<0.05

13 13.2985382 1.02296448
14 433.733333

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Superior 95.0%
-1.0863943 0.7177219 -1.51367027 0.15403694 -2.6369382051173 0.4641496 -2.63693821 0.4641496
1.08714393 0.05362509 20.273048 3.20075E-11 0.9712939745596 1.20299388 0.97129397 1.20299388

46615 x³ − 11.688 x²

18 20 22
perior 95.0%
Muestra Valores PROMEDIO
1 28 28
2 27 28
3 28.5 28
4 29.5 28
5 30.5 28
6 28 28
7 27 28
8 28.5 28
9 28 28
10 29 28

31
30

29
28

Presión (psi)
27
26
25
24

23
0 1 2 3 4
Nº

Valores PROME
 L SUP L INF % Azucar
26 30 0
26 30 0.5
26 30 1
26 30 1.5
26 30 2
26 30 2.5
26 30 3
26 30 3.5
26 30 4
26 30 4.5
5
31 5.5
6
30
6.5
29
7
28 7.5
27 8
26 8.5
9
25
9.5
24
10
23 10.5
0 1 2 3 4 5 6 7 8 9 10 11
11
Nº Muestra
11.5
12
Valores PROMEDIO L SUP L INF
12.5
13

R2 CRITICO
Aceptabilidad sabor
Escala no estructurada (10 cm)
0
0.2
0.4
0.6 10
0.7
0.8 9
1
1.5 8 f(x) = 0.702930402930403 x − 0.857936507936509
2 R² = 0.938374272586182
7
2.4
Aceptabilidad sabor

2.6 6
2.7
3 5
3.3
3.6
4
3.7 3
4
4.3 2
4.6
4.8 1
5
6.5
0
0 2 4 6 8 10 12 14
7
8.5 % Azucar
8
9
10
CONCLUSIÓN: La relación del % azúcar y la aceptabilidad sabor es lineal (R2=0.93>0.7;

70%
85%
100%
 Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9686972
Coeficiente de determinación R^2 0.93837427
R^2 ajustado 0.93590924
Error típico 0.7290583
Observaciones 27

ANÁLISIS DE VARIANZA
936509 Grados de libertad
Suma de cuadrados
Promedio de los cuadrados
Regresión 1 202.338516 202.338516
Residuos 25 13.2881502 0.53152601
Total 26 215.626667

Coeficientes Error típico Estadístico t

Intercepción -0.85793651 0.27299475 -3.14268501
Variable X 1 0.7029304 0.0360276 19.5108873

10 12 14

ad sabor es lineal (R2=0.93>0.7; p=0.00<<0.05)

 F Valor crítico de F
380.674725 1.21176E-16 p<0.05

Probabilidad Inferior 95% Superior 95%Inferior 95.0%

Superior 95.0%
0.00427477 -1.42017972 -0.2956933 -1.42017972 -0.2956933
1.21176E-16 0.62873018 0.77713063 0.62873018 0.77713063
 Observación (pulgadas)
Nº 1 2
1 0.5014 0.5022
2 0.5021 0.5041
3 0.5018 0.5026
4 0.5008 0.5034
5 0.5041 0.5056

1
2
3
4
5
UCL (X) 0.5042
LCL (X) 0.5012

1
2
3
4
5

0.505

0.504
Promedio (pulgadas)

0.503

0.502

0.501

0.5

0.499
0.5 1 1.5 2 2.5
Número
Promedi
0.501

0.5

0.499
0.5 1 1.5 2 2.5
Número
 pulgadas pulgadas
3 4R X
0.5009 0.5027 0.0018 0.5018
0.5024 0.502 0.0021 0.5027
0.5035 0.5023 0.0017 0.5026
0.5024 0.5015 0.0026 0.5020
0.5034 0.5047 0.0022 0.5045
Rprom 0.0021 0.5027 pulgadas
D4 2.282
D3 0
A2 0.729

GRAFICO R

UCL R 0.00474656 pulgadas

LCL R 0 pulgadas

R R prom UCL R LCL R

0.0018 0.0021 0.00474656 0
0.0021 0.0021 0.00474656 0
0.0017 0.0021 0.00474656 0
0.0026 0.0021 0.00474656 0
0.0022 0.0021 0.00474656 0

0.006

0.005

0.004
Rango (pulgada)

0.003

0.002

0.001

0
 0.004

Rango (pulgada)
0.003

0.002

0.001

-0.001
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra

pulgadas
pulgadas

X X prom UCL x LCL x

0.5018 0.5027 0.5042 0.5012
0.50265 0.5027 0.5042 0.5012
0.50255 0.5027 0.5042 0.5012
0.502025 0.5027 0.5042 0.5012
0.50445 0.5027 0.5042 0.5012

505

504

503

502

501

0.5

499
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra
501

0.5

499
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra
Consideremos un lote de tamaño de 1.000 unidades (N=1.000) sobre el cual quere
un muestreo simple tomando una muestra de tamaño 80 unidades (n=80) y defi
número de aceptación 4 unidades, es decir, se aceptará el lote completo si de l
obtiene un máximo de 4 unidades defectuosas (n,c)=(80,4). Si consid
históricamente los lotes de similares características han presentado un 5%
defectuosas (p=5%) la probabilidad de aceptación del lote es de un Pa=62,9%.

Si se considera que el costo unitario de inspección es de $100 (I=$100) y que el co

de falla externa por un artículo defectuoso que pasa la inspección es de $2.000
se requiere estimar el costo del muestreo.

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I
Si se considera que el costo unitario de inspección es de $100 (I=$100) y que el co
de falla externa por un artículo defectuoso que pasa la inspección es de $2.000
se requiere estimar el costo del muestreo.

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I

Cm = 80*$100 + (1.000 - 80)*0,05*$2.000*0,629 + (1.000 - 80)*(1 - 0,629)*$100 =

Se concluye que el costo del muestreo es de $100.000. Esta información es útil t
se requerirá comparar en términos de costo si el plan de muestreo utilizado es m
que otras alternativas de muestreo propuestas. El visitante puede verificar por e
más económico utilizar un plan de muestreo simple con (n,c)=(50,3).

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I

Cm = 80*$100 + (1.000 - 80)*0,05*$2.000*0,629 +
0,629)*$100 = $100.000

Costo inspección: $ 8000

Costo de rechazo posterior: $ 57868
Costo de no realizar la inspección: $ 34132
 CASO 1

00) sobre el cual queremos realizar Lote N 1000

unidades (n=80) y definiendo como Muestra n 80
lote completo si de la muestra se Nº aceptación c 4
c)=(80,4). Si consideramos que (n,c)=(80,4)
n presentado un 5% de unidades Datos p 5%
s de un Pa=62,9%. historicos Pa 62.90%

00 (I=$100) y que el costo unitario Costo unitario I 100

spección es de $2.000 (A=$2.000), de inspección
Costo unitario A 2000
de falla externa
 00 (I=$100) y que el costo unitario
spección es de $2.000 (A=$2.000),

Costo de muestreo Cm 100000

Costo de inspección 8000

Costo de rechazo posterior 57868
80)*(1 - 0,629)*$100 = $100.000 Costo de no realizar la inspección 34132

a información es útil toda vez que

muestreo utilizado es más eficiente En términos generales si el costo de la falla (externa) es
puede verificar por ejemplo si es se seleccionaran tamaños de muestra "grandes".
c)=(50,3). Por el contrario, si el costo de falla es menor en compara
tamaños de muestra "pequeños".

- Pa)*I
$2.000*0,629 + (1.000 - 80)*(1 -

4132
CASO 2

Lote N 1000
Muestra n 400
Nº aceptación c 4
(n,c)=(100,4)
Datos p 5%
historicos Pa 62.90%

Costo unitario I 100

de inspección
Costo unitario A 2000
de falla externa
 Costo de muestreo Cm 100000

Costo de inspección 40000

Costo de rechazo posterior 37740
Costo de no realizar la inspección 22260

de la falla (externa) es alto en comparación al costo de inspección

stra "grandes".
es menor en comparación al costo de inspección se seleccionaran
N=1.000, p=5%
 MUESTREO SIMPLE

N 1000
n 80
c 4
p 5%

N=1.000, p=5% y (n,c)=(80,4).

np 4
c 0 1 2 3 4 5 6

Pa 0.02 0.09 0.24 0.43 0.63 0.79 0.89

 MUESTREO DOBLE

(n1,c1)=(50,2)

8
(n2,c2)=(10,4)

0.98

Consideremos un lote de
queremos realizar un m
características: (n1,c1)=(50
de unidades defectuosas e
Consideremos un lote de
queremos realizar un m
características: (n1,c1)=(50
de unidades defectuosas e
de un p=2%. Se desea estim

En cons

PA = 0,3
+ 0,015

Se conc
de un
anterio
de tab
encuen
Gestión
 n1 50
p 2%
np 1

c Pp
0 36.79%
(10,4) 1 36.79%
2 18.39%
3 6.13%
4 1.53%

PA = Pp(0) + Pp(1) + Pp(2) + Pp(3)*[Pb(0) + Pb(1)] + Pp(4)*Pb

PA 99.25%

s un lote de tamaño de N=1.000 unidades sobre el cu

alizar un muestreo doble que tiene las siguiente
s: (n1,c1)=(50,2) y (n2,c2)=(10,4). El porcentaje históric
defectuosas en lotes de similares características ha sid
s un lote de tamaño de N=1.000 unidades sobre el cu
alizar un muestreo doble que tiene las siguiente
s: (n1,c1)=(50,2) y (n2,c2)=(10,4). El porcentaje históric
defectuosas en lotes de similares características ha sid
Se desea estimar la probabilidad de aceptación del lote

En consecuencia la probabilidad de aceptación de

PA = 0,3679 + 0,3679 + 0,1839 + 0,0613*[0,8171

+ 0,0153*0,8171 = 99,25%

Se concluye que la probabilidad de aceptación

de un 99,25%. Las probabilidades puntuales
anteriormente se pueden obtener adicionalmen
de tablas de probabilidad las cuales usual
encuentran disponibles en la bibliografía asoc
Gestión de Calidad.
 n2 10

Pb
0.81707
0.16675

Pb(1)] + Pp(4)*Pb(0)

sobre el cual
s siguientes n>15 ; p<10% ; N > 10*n
taje histórico
ticas ha sido
sobre el cual
s siguientes
taje histórico
ticas ha sido 50>15 OK
ón del lote. 2%<10% OK
1000>10*50 OK

10<15 X
2%<10% OK
eptación del lote es: 1000>10*10 OK

13*[0,8171 + 0,1667]

ceptación del lote es

puntuales calculadas
cionalmente a través
ales usualmente se
grafía asociada a la
DIST. POISSON

DIST. BINOMIAL
 (n1,c1)=(7,1)

(n2,c2)=(50,2)
(n3,c3)=(80,3)

PA = PB (0) + PB (1) + PB (2)*PP(0) + PB(2)*PP(1)*PP(0) + PB (3)*PP(0)*PP(0)

PA 97.46%
 n>15 ; p<10% ; N > 10*n
MUESTREO TRIPLE N 3000
p 4%
(n3,c3)=(80,3) n1 7 n2 50 n3 80
c1 1 c2 2 c3 3
n2*p 2 n3*p 3.2
PB: n1<15 PP: n2>15 PP: n3>15

c Muestreo 1 Muestreo 2 Muestreo 3

0 75.14% 13.53% 4.08%
1 21.92% 27.07%
2 2.74%
3 0.19%

En consecuencia la probabilidad de aceptación del lote es:

PA = 0,7514 + 0,2192 + 0,0274*0,1353 + 0,0274*0,2707*0,0408 + 0,0019*0,1353*0,0408 = 97,46

Se concluye que la probabilidad de aceptación del lote es de un 97,46%. Las probabilida

calculadas anteriormente se pueden obtener adicionalmente a través de tablas de probabil
usualmente se encuentran disponibles en la bibliografía asociada a la Gestión de Calidad.
 Consideremos un lote de tamaño
de N=3.000 unidades sobre el cual
queremos realizar un muestreo
múltiple que tiene las siguientes
características: (n1,c1)=(7,1),
(n2,c2)=(50,2), (n3,c3)=(80,3). El
porcentaje histórico de unidades
defectuosas en lotes de similares
características ha sido de un p=4%.
Se desea estimar la probabilidad de
aceptación del lote.

Como primer paso construimos un

diagrama que muestre las distintas
combinaciones que permiten
aceptar un lote luego de ser
expuesto al plan de muestreo
descrito. En este caso en particular
el diagrama es el siguiente:

9*0,1353*0,0408 = 97,46%

97,46%. Las probabilidades puntuales

és de tablas de probabilidad las cuales
estión de Calidad.
Entrada (p) Pa Pr
0% 100.00% 0.00%
1% 99.86% 0.14% 120.00%
2% 97.63% 2.37%
3% 90.41% 9.59% 100.00%
4% 78.06% 21.94%
5% 62.88% 37.12% 80.00%
6% 47.63% 52.37%
7% 34.22% 65.78% 60.00%
8% 23.51% 76.49%
9% 15.55% 84.45%
40.00%
10% 9.96% 90.04%
11% 6.21% 93.79%
20.00%
12% 3.78% 96.22%
13% 2.25% 97.75%
0.00%
14% 1.32% 98.68% 0% 2% 4% 6% 8% 10%
15% 0.76% 99.24%

En forma similar si el porcentaje de artículos defectuosos a la entrada es un 2%, la probabilidad de aceptación de

Si esto se considera "buena calidad" el diferencial de un 2,4% (100% - 97,6%) representa la probabilidad de recha
 Consideremos un plan de muestreo que está definido por N=1.000
Se requiere trazar la curva característica de operación para distinto
(porcentaje de artículos defectuosos). Con el apoyo de una plan
trazar la curva de operación es sencillo como se muestra en la siguie

N 1000
n 80
c 4

n>15 ; p<10% ; N > 10*n

80>15 1000>10*80

4% 6% 8% 10% 12% 14% 16%

a probabilidad de aceptación del lote es de un 97,6%.

resenta la probabilidad de rechazar este lote de "buena calidad". Esto es el "riesgo del productor".
 finido por N=1.000 y (n,c)=(80,4).
ración para distintos valores de p
apoyo de una planilla de cálculo
muestra en la siguiente imagen:
El muestreo queda definido por N=5.000, p=4% y
determinar la probabilidad de aceptación del
Distribución de Poisson dado que se satisfacen la
utilizar dicha distribución (n>15 ; p<10% ; N > 10*
Entrada (p) Pa Salida (AOQ) AOQ = Pa*p
0.01 99.98% 1.00%
0.02 99.63% 1.99%
0.03 98.14% 2.94%
0.04 94.73% 3.79%
0.05 89.12% 4.46%
0.06 81.53% 4.89%
0.07 72.54% 5.08% AOQL
0.08 62.88% 5.03%
0.09 53.21% 4.79%
0.1 44.05% 4.40%
0.11 35.75% 3.93%
0.12 28.51% 3.42%

La tabla muestra el cálculo de AOQ para distintos

a la entrada, por ejemplo, para una fracción d
defectuosas el plan de muestreo nos dará un
aceptación del lote de un 94,73% y por ta
 La tabla muestra el cálculo de AOQ para distintos
a la entrada, por ejemplo, para una fracción d
defectuosas el plan de muestreo nos dará un
aceptación del lote de un 94,73% y por ta
rectificación en promedio los lotes de calidad sim
tendrán a la salida un 3,79% de unidades
consecuencia AOQ = 0,9473*0,04 = 3,79%.

Siguiendo este procedimiento para distintos valor

puede estimar la Calidad a la Salida (AOQ). Lueg
valor de p que determina la "peor" Calidad a la
obtiene el Límite Promedio de Calidad a la Salida (
nuestro ejemplo para una fracción de defectuosos
entrada se obtiene la peor calidad a
Aproximadamente AOQL = 5,08%. El siguien
muestra que la calidad promedio a la salida (eje v
alcanza aproximadamente para un valor de p
corresponde a la calidad a la entrada (eje horizonta
5.000, p=4% y (n,c)=(50,4). Para
eptación del lote se utiliza la
e satisfacen las condiciones para
10% ; N > 10*n).
OQ = Pa*p
Chart Title
6.00%

5.00%

4.00%

3.00%

2.00%

1.00%

0.00%
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14
para distintos niveles de calidad
na fracción de 4% de unidades
nos dará una probabilidad de
3% y por tanto luego de la
para distintos niveles de calidad
na fracción de 4% de unidades
nos dará una probabilidad de
3% y por tanto luego de la
de calidad similar (a la entrada)
de unidades defectuosas. En
3,79%.

distintos valores de p se
a (AOQ). Luego, para el
" Calidad a la Salida se
ad a la Salida (AOQL). En
defectuosos del 7% a la
calidad a la salida.
. El siguiente gráfico
a salida (eje vertical) se
n valor de p=7% que
(eje horizontal).