Cap 20 Anderson

CAPÍTULO 20
Métodos estadísticos
para el control de calidad
CONTENIDO Gráfica R
ESTADÍSTICA EN LA PRÁCTICA: Gráfica p
DOW CHEMICAL COMPANY Gráfica np
Interpretación de las gráficas
20.1 FILOSOFÍAS Y MARCOS de control
DE REFERENCIA
Malcolm Baldrige 20.3 MUESTREO DE ACEPTACIÓN
National Quality Award KALI, Inc.: un ejemplo
ISO 9000 de muestreo de aceptación
Six Sigma Cálculo de la probabilidad
de aceptación de un lote
20.2 CONTROL ESTADÍSTICO Selección de un plan
DE PROCESOS de muestreo de aceptación
Gráficas de control Planes de muestreo múltiple
Gráfica x: media y desviación
estándar del proceso conocidas
Gráfica x: media y desviación
estándar del proceso
desconocidas
904 Capítulo 20 Métodos estadísticos para el control de calidad
ESTADÍSTICA en LA PRÁCTICA
DOW CHEMICAL COMPANY*
FREEPORT, TEXAS
En 1940, Dow Chemical Company compró un terreno de
800 acres en Texas, en la costa del Golfo, para construir
una planta de producción de magnesio. La planta original
ha crecido hasta cubrir más de 5 000 acres y engloba uno de
los complejos petroquímicos más grandes del mundo. En-
tre los productos de Dow Texas Operations se encuentran
el magnesio, estireno, plásticos, adhesivos, solventes, glicol
y cloro. Algunos productos se fabrican únicamente para ser
utilizados en otros procesos, pero muchos terminan como
ingredientes esenciales de productos farmacéuticos, pastas
dentales, alimentos para perros, mangueras, refrigeradores,
envases de cartón para leche, bolsas para basura, shampoos
y muebles. El control estadístico de la calidad ha permitido a Dow
Dow’s Texas Operations produce más de 30% del mag- Chemical mejorar sus métodos de producción y sus
nesio en el mundo, el cual es un metal extremadamente li- productos. © PR Newswire Dow Chemical USA/AP Images,
gero que se emplea en diversos productos, como raquetas de
tenis y rines de “magnesio”. El Departamento de Magnesio desarrollado dentro de los límites previstos. En un examen
fue el primer grupo de Texas Operations que capacitó a su más cuidadoso de las gráficas de control y de la operación
personal técnico y a sus gerentes para utilizar el control es- misma, los analistas encontraron que las variaciones po-
tadístico de la calidad. Algunas de las primeras aplicaciones dían deberse a algún problema relacionado con el operador.
fueron en los procesos químicos. Después de capacitarlo nuevamente, las gráficas x indicaron
En una aplicación que implica el funcionamiento de una mejora significativa en la calidad del proceso.
un secador, se tomaban muestras del producto a intervalos En cualquier parte en que Dow aplica el control esta-
periódicos, se calculaba el valor promedio de cada muestra dístico de la calidad se logra una mejora. Se han consegui-
y se registraba en una gráfica llamada gráfica x. Estas gráfi- do ahorros documentados de cientos de miles de dólares
cas permitían a los analistas de Dow monitorear las tenden- por año, y continuamente se han descubierto nuevas apli-
cias en los productos que pudieran indicar que el proceso caciones.
no se estaba desarrollando correctamente. En una ocasión En este capítulo se mostrará cómo elaborar una gráfi-
los analistas empezaron a observar que las medias muestra- ca x como las empleadas por Dow. Estas gráficas son parte
les presentaban valores que no correspondían a un proceso del control estadístico de la calidad conocido como con-
trol estadístico de procesos. También se verán métodos de
*Los autores agradecen a Clifford B. Wilson, director técnico del De-
control de calidad que se utilizan en situaciones en que la
partamento de Magnesio de Dow Chemical Company, por aportar este decisión de aceptar o rechazar un conjunto de artículos se
artículo para Estadística en la práctica. basa únicamente en una muestra.
Visión de ASQ: “Al hacer La American Society for Quality (ASQ) define la calidad como “la totalidad de rasgos y carac-
de la calidad una prioridad terísticas de un producto o un servicio relacionada con la capacidad de satisfacer determinada
mundial, un método
necesidad”. En otras palabras, la calidad mide si un producto o un servicio cumple con las ne-
fundamental y una ética
personal, la American cesidades del cliente. Las organizaciones reconocen que para ser competitivos en la economía
Society for Quality (ASQ) global actual deben esforzarse por lograr un alto nivel de calidad. Como resultado, ponen mayor
se convierte en una énfasis en los métodos de monitoreo y mantenimiento de la calidad.
comunidad de todos que Hoy el enfoque orientado al cliente, que es fundamental para las organizaciones de alto
busca conceptos de calidad,
desempeño, ha transformado el ámbito de aplicación de las cuestiones de calidad, desde la
tecnología y herramientas
para mejorarse a sí misma simple eliminación de los defectos en una línea de producción, hasta el desarrollo de estrategias
y su mundo.” (Página web de calidad corporativa con base amplia. La ampliación del alcance de la calidad, naturalmente,
ASQ). conduce al concepto de calidad total (TQ).
La calidad total (total quality, TQ) es un sistema de gestión enfocado en las personas que aspiran
a incrementar la satisfacción del cliente a un costo real más bajo. TQ es un sistema de enfoque
20.1 Filosofías y marcos de referencia 905
total (no de un área separada o un programa de trabajo) y parte integral de una estrategia de alto
nivel; funciona horizontalmente por medio de funciones y departamentos; involucra a todos los
empleados, desde el más alto hasta el más bajo, y se extiende hacia atrás y hacia adelante, inclu-
yendo la cadena de proveedores y la cadena de clientes. TQ hace hincapié en el aprendizaje y la
adaptación al cambio continuo como claves para el éxito de una organización.1
Independientemente de cómo se aplica en diferentes organizaciones, la calidad total se basa en

tres principios fundamentales: el enfoque en los clientes y grupos de interés; la participación y
el trabajo en equipo en todas las organizaciones, y un enfoque en la mejora continua y el apren-
dizaje. En la primera sección del capítulo se presenta una breve introducción a las tres estructu-
ras en el manejo de la calidad: el Malcolm Baldrige Quality Award, ISO 9000 y la filosofía Six
Sigma. En las dos últimas secciones se presentan dos herramientas estadísticas para monitorear
la calidad: el control estadístico de procesos y el muestreo de aceptación.
20.1 Filosofías y marcos de referencia

A comienzos del siglo XX las prácticas de control de calidad se limitaban a la inspección de
productos terminados y a la eliminación de artículos defectuosos. Pero todo cambió como re-
sultado de los primeros esfuerzos de un joven ingeniero llamado Walter A. Shewhart. Después
Después de la Segunda de completar su doctorado en física en la Universidad de California en 1917, el Dr. Shewhart
Guerra Mundial, el
Dr. W. Edwards Deming
se unió a la Western Electric Company, trabajando en el Departamento de Ingeniería de Ins-
se convirtió en consultor pección. En 1924 preparó un memorando que incluía un conjunto de principios que son las ba-
de la industria japonesa. ses para lo que hoy se conoce como control del proceso. Su memorando también contenía un
Se le atribuye haber gráfico que sería reconocido como diagrama de control estadístico. Continuó con su trabajo
convencido a los altos sobre la calidad en Bell Telephone Laboratories, hasta que se retiró en 1956. El Dr. Shewhart
directivos de utilizar el
reunió las disciplinas de la estadística, la ingeniería y la economía y, al hacerlo, cambió el curso
control estadístico de la
calidad.
de la historia industrial. Es conocido como el padre del control estadístico de la calidad y fue
el primer miembro honorario de la ASQ.
Otras dos personas que han tenido gran influencia en el concepto de la calidad son el
Dr. W. Edwards Deming, un estudiante del Dr. Shewhart, y Joseph Juran. Estos cientificos ayu-
daron a la educación de los japoneses en la gestión de la calidad poco después de la Segunda
Guerra Mundial. Aunque la calidad es tarea de todos, Deming enfatizó que el enfoque debe
ser dirigido por los gerentes. Desarrolló una lista de 14 puntos que a su juicio representan sus
responsabilidades clave. Por ejemplo, declaró que los directivos debían dejar la dependencia
de la inspección en masa; poner fin a la práctica de hacer negocios únicamente en función del
precio; buscar la mejora continua en todos los procesos de producción y servicios; fomentar un
entorno orientado al trabajo en equipo, y eliminar los objetivos, consignas y metas de trabajo
que recomiendan cuotas numéricas. Tal vez lo más importante estriba en que los gerentes deben
crear un ambiente de trabajo en el que se mantiene un compromiso con la calidad y la produc-
tividad en todo momento.
Juran propuso una definición sencilla de calidad: la aptitud para el uso. Su método se en-
foca en tres procesos: planeación de la calidad, control de la calidad y mejora de la calidad. En
contraste con la filosofía de Deming, que requería un cambio cultural importante en la orga-
nización, los programas de Juran fueron diseñados para mejorar la calidad al trabajar dentro
del sistema organizacional actual. Sin embargo, las dos filosofías se parecen en que ambas se
centran en la necesidad de que los altos directivos participen y hagan hincapié en la importancia
de la mejora continua, la capacitación y el uso de técnicas de control de calidad.
Muchas otras personas jugaron un papel importante en el movimiento de la calidad, como
Philip B. Crosby, A. V. Feigenbaum, Karou Ishikawa y Genichi Taguchi. Libros más especia-
lizados dedicados exclusivamente a la calidad proporcionan detalles de las contribuciones de
cada uno. Las aportaciones de todos los involucrados en el movimiento de la calidad ayudaron
a definir un conjunto de mejores prácticas y dieron lugar a numerosos premios y programas de
1
J. R. Evans y W. M. Lindsay, The management and control of quality, 6a. ed., Cincinnati, OH., South-Western, 2005,
pp. 18–19.
certificación. Los dos programas más significativos son el Malcolm Baldrige National Award,
de Estados Unidos, y el proceso internacional de certificación ISO 9000. En los últimos años
también se ha incrementado el uso de Six Sigma, una metodología para mejorar el desempeño
de la organización que se basa en la recolección de datos y en el análisis estadístico.
El Malcolm Baldrige National Quality Award

El Instituto de Normas El Malcolm Baldrige National Quality Award es entregado por el presidente de Estados Unidos
y Tecnología (NIST) del a las organizaciones que apliquen y se les considere destacadas en siete áreas: liderazgo; pla-
Departamento de
neación estratégica; enfoque en el cliente y el mercado; gestión de medición, análisis y adminis-
Comercio de Estados
Unidos administra el tración del conocimiento; enfoque en los recursos humanos; gestión de procesos, y resultados de
Baldrige National Quality negocios. El Congreso estadounidense estableció el programa de premios en 1987 para recono-
Program. Se puede obtener cera las organizaciones por sus logros en calidad y desempeño, y para crear una mayor concien-
más información en el sitio cia sobre la importancia de este factor como ventaja competitiva. El premio lleva por nombre
web del NIST.
Malcolm Baldrige en honor de quien se desempeñó como secretario de Comercio desde 1981
hasta su muerte en 1987.
2004 fue el último año para Desde la entrega de los primeros premios en 1988, el Baldrige National Quality Program
Baldrige Stock Study, debido (BNQP) ha crecido en magnitud e impacto. Desde ese año se han distribuido aproximadamente
al aumento en el número de
2 millones de ejemplares de los criterios, así como un número significativo de reproducciones
empresas sin fines de lucro
o de propiedad privada. a gran escala realizadas por las organizaciones, además del acceso electrónico. Por octavo año
consecutivo, el índice accionario hipotético formado por empresas estadounidenses que cotizan
en bolsa y que han recibido el Baldrige Award, supera al Standard & Poor’s 500. En 2003, el
“Índice Baldrige” superó al S&P 500 por 4.4 a 1. En la ceremonia del Baldrige Award 2003, Bob
Barnett, vicepresidente ejecutivo de Motorola, Inc., dijo: “Ingresamos a la entrega de premios no
con la idea de ganar, sino con el objetivo de recibir la evaluación de los examinadores Baldrige.
Esa evaluación fue integral, profesional e intuitiva, por lo que es quizás la consulta más rentable
y con mayor valor agregado disponible en cualquier lugar en el mundo actual.”
ISO 9000
Las normas del ISO 9000 El ISO 9000 es una serie de cinco normas internacionales publicadas en 1987 por la Organización
se revisan periódicamente Internacional de Estandarización (ISO) con sede en Ginebra, Suiza. Las empresas pueden utilizar
para mejorar el estándar
las normas a efecto de determinar qué se necesita para mantener un sistema de calidad con un
de calidad.
desempeño eficiente. Por ejemplo, las normas describen la necesidad de un sistema de calidad
eficaz que garantice que los equipos de medición y prueba sean calibrados con regularidad, y
mantener un sistema de registro adecuado. El registro ISO 9000 establece si una empresa cum-
ple con su propio sistema de calidad. En general, esta certificación abarca menos de 10% de los
criterios del Baldrige Award.
Six Sigma
A finales de la década de 1980 Motorola reconoció la necesidad de mejorar la calidad de sus
productos y servicios. Su objetivo era lograr un nivel de calidad tan bueno que por cada millón
de operaciones no se presentaran más de 3.4 defectos. A este nivel de calidad se le conoce como
nivel de calidad six sigma, y a la metodología de investigación creada para este objetivo se le
denomina Six Sigma.
Una organización puede comprender dos tipos de proyectos Six Sigma:
• DMAIC (definir, medir, analizar, mejorar y controlar) para ayudar a rediseñar los proce-
sos existentes.
• DFSS (diseño para Six Sigma) para diseñar nuevos productos, procesos o servicios.
Para contribuir a rediseñar los procesos existentes, Six Sigma hace un fuerte énfasis en el aná-
lisis estadístico y en la medición cuidadosa. Hoy es una herramienta importante para ayudar
a las organizaciones a alcanzar niveles Baldrige de desempeño de negocios y de la calidad en
20.1 Filosofías y marcos de referencia 907
los procesos. Muchos examinadores Baldridge ven a Six Sigma como el método ideal para la
aplicación de programas de mejoramiento Baldridge.
Six Sigma: límites y defectos por millón de oportunidades En la terminología

de Six Sigma, un defecto es cualquier error que le llega al cliente. El proceso define el desem-
peño de calidad como defectos por millón de operaciones (dpmo). Como se ha indicado antes,
Six Sigma representa un nivel de calidad de por lo menos 3.4 dpmo. Para ilustrar cómo se mide
este nivel, se considerará la situación de KJW Packaging.
KJW opera una línea de producción en la que se llenan cajas de cereales. El proceso de
llenado tiene una media de µ ! 16.05 onzas y una desviación estándar de α ! 0.10 onzas. Ade-
más, se supone que el peso de llenado tiene una distribución normal. La distribución de estos
pesos se muestra en la figura 20.1. Suponga que los gerentes consideran que de 15.45 hasta
16.65 onzas son los límites aceptables de calidad para el proceso de llenado. Por tanto, cual-
quier caja de cereal que contenga menos de 15.45 o más de 16.65 onzas será considerada con
defecto. Al utilizar Excel o Minitab se puede demostrar que 99.9999998% de las cajas llenas
tendrá entre 16.05 # 6(0.10) ! 15.45 y16.05 & 6(0.10) ! 16.65 onzas. En otras palabras, sólo
0.0000002% de las cajas llenas contendrá menos de 15.45 o más de 16.65 onzas. Así que la
probabilidad de obtener una caja de cereales defectuosa durante el proceso de llenado parece
ser muy pequeña, porque en promedio sólo dos cajas en 10 millones estarán en esta condición.
Desde los primeros trabajos con Six Sigma Motorola se convenció de que la media en un
proceso de cambio puede significar en promedio hasta 1.5 desviaciones estándar. Por ejemplo,
suponga que la media del proceso de KJW aumenta 1.5 desviaciones estándar o 1.5(0.10) ! 0.15
onzas. Con este cambio, la distribución normal del peso de llenado estaría centrada en µ !
16.05 & 0.15 ! 16.20 onzas. Con una media del proceso de µ ! 16.05 onzas, la probabilidad
de obtener una caja de cereal con más de 16.65 onzas es extremadamente pequeña. Pero ¿cómo
cambiaría la probabilidad si la media del proceso se desplazara hasta µ ! 16.20 onzas? La
figura 20.2 muestra que para este caso el límite de calidad superior de 16.65 es de 4.5 desvia-
ciones estándar a la derecha de la nueva media µ ! 16.20onzas. Al utilizar esta media y Excel
o Minitab, encontramos que la probabilidad de obtener una caja con más de 16.65 onzas es de
0.0000034. Por tanto, si la media del proceso se desplaza hacia arriba 1.5 desviaciones están-
dar, aproximadamente 1 000 000(0.0000034) ! 3.4 cajas de cereales superará el límite superior
de 16.65 onzas. En la terminología de Six Sigma, se dice que el nivel de calidad del proceso es
FIGURA 20.1 Distribución normal de los pesos de llenado de las cajas de cereal con una media
del proceso µ ! 16.05
σ ! 0.10
Defecto Defecto
15.45 16.05 16.65

Límite más bajo Límite superior
de calidad de calidad
Media del proceso
FIGURA 20.2 Distribución normal de los pesos de llenado de las cajas de cereales con una media
del proceso µ ! 16.20
σ ! 0.10
0.0000034 o
3.4 dpmo
µ ! 16.20 16.65
Límite superior
de calidad
Proceso de incrementos medio
de 1.5 desviaciones estándar
de 3.4 defectos por millón de oportunidades. Si los gerentes de KJE consideran que 15.4 hasta
16.65 onzas son límites aceptables de calidad para el proceso de llenado, el de KJW sería con-
siderado un proceso Six Sigma. Así, si la media del proceso medio se mantiene dentro de 1.5
desviaciones estándar de su valor objetivo µ ! 16.05 onzas, se puede esperar un máximo de sólo
3.4 defectos por millón de cajas llenas.
Las organizaciones que desean alcanzar y mantener un nivel de de calidad Six Sigma de-
ben hacer hincapié en los métodos de control y mantenimiento de la calidad. La garantía de ca-
lidad se refiere a todo el sistema de políticas, procedimientos y directrices establecido por una
organización para lograr y mantener este indicador. La garantía de calidad consiste en dos
funciones principales: ingeniería de calidad y control de calidad. El objeto de la ingeniería de
calidad debe incluir la calidad en el diseño de productos y procesos, y para identificar problemas
de calidad antes de la producción. El control de calidad consiste en una serie de inspecciones
y acciones dirigidas a determinar si las normas de calidad se cumplen. Si no se cumplen, se apli-
can acciones correctivas o preventivas para lograr y mantener la conformidad. En las siguientes
dos secciones se presentarán dos métodos estadísticos utilizados en el control de calidad. El
primero, el control estadístico de procesos, utiliza representaciones gráficas conocidas como
gráficas de control para monitorear un proceso; el objetivo es determinar si éste puede continuar
o si se deben aplicar acciones correctivas para lograr el nivel de calidad deseado. El segundo
método, el muestreo de aceptación, se utiliza en situaciones en que la decisión de aceptar o
rechazar un grupo de elementos debe basarse en la calidad encontrada en una muestra.
20.2 Control estadístico de procesos

En esta sección se estudiarán los procedimientos de control de calidad dentro de un proceso
de producción mediante el cual los artículos se fabrican de forma continua. Con base en un
muestreo e inspección de la producción, se tomará la decisión ya sea de continuar el proceso de
producción o de ajustarlo para que los artículos o bienes que se fabriquen logren estándares
de calidad aceptables.
20.2 Control estadístico de procesos 909
La mejora continua es A pesar de los altos estándares de calidad manejados en la operación de fabricación y pro-
uno de los conceptos más ducción, las herramientas del equipo invariablemente se desgastan, las vibraciones desajustan
importantes del movimiento
las máquinas, los materiales de compra están defectuosos y los operadores humanos cometen
de gestión de la calidad
total. El uso más importante
errores. Cualquiera o todos estos factores pueden dar lugar a una producción de mala calidad.
de una gráfica de control Por fortuna, los procedimientos están disponibles para dar seguimiento a la producción, a efecto
se centra en la mejora del de que una pobre calidad sea detectada a tiempo y el proceso de producción se pueda ajustar o
proceso. corregir.
Si la variación en la calidad de producción se debe a causas imputables, como el desgaste
de las herramientas, una configuración incorrecta de máquinas, materias primas de baja calidad
o un error del operador, el proceso debe ajustarse o corregirse tan pronto como sea posible. Sin
embargo, si la variación se debe a lo que se llama causas comunes, es decir, variaciones que se
presentan de forma aleatoria en los materiales, la temperatura, la humedad, etc., causas que no
pueda controlar el fabricante, no es necesario ajustar el proceso. El objetivo principal del con-
trol estadístico de procesos es determinar si las variaciones de la producción se deben a causas
imputables o a causas comunes.
Cuando las causas imputables son detectadas, se concluye que el proceso está fuera de con-
trol. En este caso, se aplicarán acciones correctivas para hacer que el proceso regrese a un nivel
de calidad aceptable. Sin embargo, si la variación en el resultado de un proceso de producción
se debe únicamente a causas comunes, se concluye que el proceso está bajo control estadístico,
o simplemente bajo control, en cuyo caso no es necesario efectuar cambios o ajustes.
Los procedimientos de Los procedimientos estadísticos para el control de procesos se basan en la metodología de
control de procesos están pruebas de hipótesis presentadas en el capítulo 9. La hipótesis nula H0 se formula en términos
estrechamente relacionados
con los procedimientos
de un proceso de producción que está bajo control. La hipótesis alternativa Ha se plantea en
de prueba de hipótesis términos de un proceso de producción que está fuera de control. En la tabla 20.1 se muestra
estudiados en este libro. cómo se toman las decisiones correctas para continuar un proceso bajo control, y el ajuste para
Las gráficas de control un proceso fuera de control. Sin embargo, al igual que con otros procedimientos de prueba de
permiten realizar sobre la hipótesis, también es posible cometer errores tipo 1 (ajuste de un proceso bajo control) y errores
marcha pruebas de hipótesis de tipo II (que permiten continuar con un proceso fuera de control).
de que el proceso está bajo
control.
Gráficas de control
Una gráfica de control proporciona una base para decidir si las variaciones en el producto se
deben a causas comunes (bajo control) o a causas imputables (fuera de control). Siempre que
se detecten situaciones de este último tipo, se realizarán los ajustes u otra acción correctiva
que hagan recobrar el control del proceso.
Las gráficas de control Las gráficas de control se clasifican por el tipo de datos que contienen. Una gráfica x se
basadas en datos que se utiliza cuando la calidad del producto de un proceso se mide en términos de una variable, como
pueden medir en una escala longitud, peso, temperatura, etc. En ese caso la decisión de continuar o de ajustar el proceso
continua se llaman gráficas
de producción se basará en el valor de la media encontrado en una muestra del producto. Para
de control de variables.
La gráfica x es de este tipo.
introducir algunos de los conceptos más comunes en todas las gráficas de control, se considera-
rán algunas características de una gráfica x.
En la figura 20.3 se presenta la estructura general de una gráfica x. La línea central de la
tabla corresponde a la media del proceso cuando está bajo control. La línea vertical identifica
TABLA 20.1 Resultados del control estadístico de procesos
Estado del proceso de producción

H0 verdadera H0 Falsa
Proceso bajo control Proceso fuera de control
Continuación del proceso Decisión correcta Error tipo II
(permite que continúe
Decisión un proceso fuera de control)
Ajuste del proceso Error tipo I Decisión correcta

(ajuste de un proceso bajo control)
FIGURA 20.3 Estructura de una gráfica x
UCL
Media muestral
Línea central Media del proceso
Cuando está bajo control
LCL
Tiempo
la escala de medición para la variable de interés. Cada vez que se toma una muestra del proceso
de producción, se calcula el valor de la media muestral x y se grafica el punto que indica el va-
lor de x en la gráfica de control.
Las dos líneas etiquetadas como UCL y LCL son importantes para determinar si el proceso
está bajo control o fuera de control. Las líneas se denominan límite de control superior y límite
de control inferior, respectivamente. Estos límites se eligen de modo que cuando el proceso está
bajo control, exista una probabilidad alta de que el valor de x esté dentro de estos dos límites.
Los valores que están fuera proporcionan una fuerte evidencia estadística de que el proceso está
fuera de control y se deberán aplicar acciones correctivas.
Con el tiempo, más y más puntos de datos se agregarán a la gráfica de control. El orden de
los puntos será de izquierda a derecha como se realiza en la muestra del proceso. En esencia,
cada vez que un punto se posiciona en una gráfica de control, se está llevando a cabo una prueba
de hipótesis para determinar si el proceso está bajo control.
Además de la gráfica x, se pueden utilizar otras gráficas de control para monitorear el rango
de las mediciones en la muestra (gráfica R), la proporción de defectos en la muestra (gráfica p),
y el número de artículos defectuosos en la muestra (gráfica np). En cada caso, la gráfica tiene
un LCL una línea central y un ULC similar a la gráfica x de la figura 20.3. La principal diferencia
entre las gráficas radica en lo que el eje vertical mide; por ejemplo, en una gráfica p la escala
de medición indica la proporción de artículos defectuosos en la muestra en lugar de la media
muestral. En el estudio siguiente se ilustrará la construcción y uso de las gráficas x, R, p y np.
Gráfica x: media y desviación estándar

del proceso conocidas
Para ilustrar la construcción de una gráfica x, se reconsiderará la situación de la KJW Packaging.
Recuerde que esta empresa opera una línea de producción en la que llena cajas de cereales.
Cuando el proceso está funcionando correctamente, y por tanto el sistema está bajo control, el
peso medio de llenado es µ ! 16.05 onzas, y la desviación estándar es σ ! 0.10 onzas. Ade-
más, se supone que los pesos de llenado siguen una distribución normal. Ésta se muestra en la
figura 20.4.
La distribución de muestreo de x, como se presentó en el capítulo 7, se utiliza para deter-
minar la variación que se puede esperar en x valores para un proceso que está bajo control.
Realicemos primero una breve revisión de las propiedades de la distribución de muestreo de x.
En primer lugar, recuerde que el valor esperado o la media de x es igual a µ, la media del peso
de llenado cuando la línea de producción está bajo control. Para muestras de tamaño n, la ecua-
ción para la desviación estándar de x, llamada error estándar de la media, es
σ
σx ! (20.1)
$n
FIGURA 20.4 Distribución normal del peso de llenado de las cajas de cereales
σ ! 0.10
16.05
Muestral del proceso µ
FIGURA 20.5 Distribución de muestreo de x para una muestra de n pesos de llenado
σ
σx !
n
E(x)
Además, debido a que los pesos de llenado tienen una distribución normal, la distribución de
muestreo de x es normal para cualquier tamaño de muestra. Por tanto, es una distribución normal
con media µ y desviación estándar σx. Esta distribución se muestra en la figura 20.5.
La distribución de muestreo de x se utiliza para determinar qué valores de x son razonables
cuando el proceso está bajo control. La práctica general en el control de calidad es definir qué
tan razonable es cualquier valor de x que esté dentro de las 3 desviaciones estándar o errores
estándar, arriba o abajo del valor de la media. Recuerde que al estudiar la distribución de proba-
bilidad normal se vio que aproximadamente 99.7% de los valores de una variable aleatoria con
distribución normal está dentro de "3 desviaciones estándar de su valor medio. Por tanto, si un
valor de x se encuentra dentro del intervalo de µ # 3σx a µ $ 3σ x , se admitirá que el proceso
está bajo control. Los límites de control para una gráfica x se muestran a continuación.
FIGURA 20.6 Gráfica x para el proceso de llenado de las cajas de cereales
16.20
UCL ! 16.17
16.15
Media muestral x
16.10
16.05 Media del proceso
16.00
15.95
LCL ! 15.93
15.90 Proceso fuera de control
1 2 3 4 5 6 7 8 9 10
Número de muestra
LÍMITES DE CONTROL PARA UNA GRÁFICA x: MEDIA DEL PROCESO Y DESVIACIÓN

ESTÁNDAR CONOCIDA
UCL ! µ " 3σ x (20.2)

LCL ! µ # 3σ x (20.3)
Retomando el ejemplo de KJW Packaging, el proceso de distribución de los pesos de lle-

nado se muestra en la figura 20.4 y la distribución de muestreo de x en la figura 20.5. Suponga
que un inspector de control de calidad toma periódicamente muestras de seis cajas de cartón y
utiliza la media muestral del peso de llenado para determinar si el proceso está bajo control o
fuera de control. Mediante la ecuación (20.1) se determina que el error estándar de la media es
σx ! σ#$n ! 0.10#$6 ! 0.04. Por tanto, como la media del proceso es 16.05, los límites de
control son UCL ! 16.05 " 3(0.04) ! 16.17 y LCL ! 16.05 # 3(0.04) ! 15.93. En la figura
20.6 se presenta la gráfica de control con los resultados de 10 muestras tomadas en un periodo
de 10 horas. Para facilitar la lectura, las muestras número 1 hasta la 10 se listan bajo la gráfica.
Observe que la media de la quinta muestra de la figura 20.6 muestra que existe una fuerte
evidencia de que el proceso está fuera de control. La quinta media muestral está debajo de
LCL, lo que evidencia que existen causas imputables que ocasionan variación de la calidad del
producto y que se está realizando un llenado insuficiente. Como resultado, la acción correctiva
se aplica en este punto para que el proceso esté nuevamente bajo control. El hecho de que los
demás puntos de la gráfica x estén dentro de los límites de control superior e inferior indica que
la acción correctiva se ha realizado adecuadamente.
Gráfica x: media y desviación estándar

del proceso desconocidas
Con el ejemplo de KJW Packaging se ilustró cómo se desarrolla una gráfica x cuando la media
y la desviación estándar del proceso son conocidas. En la mayoría de los casos el proceso de
ambos indicadores se calcula utilizando muestras que se seleccionan cuando el proceso está bajo
control. Por ejemplo, KJW podría seleccionar una muestra aleatoria de cinco cajas por la mañana
y cinco cajas por la noche durante 10 días de operación bajo control. La media y la desviación
estándar de la muestra se calculan para cada subgrupo o muestra. El promedio total de ambas se
utiliza para la elaboración de gráficas de control, tanto para la media como para la desviación
estándar del proceso.
Es importante mantener En la práctica, es más común monitorear la variabilidad del proceso mediante el uso del
el control tanto de la media rango en lugar de la desviación estándar, ya que el rango es más fácil de calcular. Éste puede
como de la variabilidad
servir para obtener una buena estimación de la desviación estándar del proceso, por lo que se
de un proceso.
utiliza para construir los límites de control superior e inferior de la gráfica x con poco esfuer-
zo computacional. Para ilustrar esto, se tomará como ejemplo el caso de Jensen Computer
Supplies, Inc.
Jensen Computer Supplies (JCS) fabrica discos para computadora de 3.5 pulgadas de diá-
metro; acaba de terminar el ajuste del proceso de su producción, de manera que éste opera bajo
control. Suponga que fueron seleccionadas de cinco discos muestras aleatorias durante la pri-
mera hora de operación, cinco discos durante la segunda hora de operación, y así sucesivamente,
hasta que se tienen 20 muestras. En la tabla 20.2 se presentan los diámetros de cada una de las
muestra del disco, así como la media xj y el rango Rj para cada una de las muestras (Sample
Mean y Sample Range, respectivamente). También se listan el número de cada muestra (Sam-
ple Number) y las observaciones (Observations).
La estimación de la media del proceso µ está dada por la media muestral general.
MEDIA MUESTRAL GENERAL
x1 " x2 " . . . " xk

x! (20.4)
k
donde
xj ! media de la j-ésima muestra j ! 1, 2, . . . , k
k ! número de muestras
TABLA 20.2 Datos del problema de Jensen Computer Supplies
Sample Sample
Sample Mean Range
Number Observations xj Rj
1 3.5056 3.5086 3.5144 3.5009 3.5030 3.5065 0.0135
2 3.4882 3.5085 3.4884 3.5250 3.5031 3.5026 0.0368
3 3.4897 3.4898 3.4995 3.5130 3.4969 3.4978 0.0233
WEB archivo 4 3.5153 3.5120 3.4989 3.4900 3.4837 3.5000 0.0316
Jensen 5 3.5059 3.5113 3.5011 3.4773 3.4801 3.4951 0.0340
6 3.4977 3.4961 3.5050 3.5014 3.5060 3.5012 0.0099
7 3.4910 3.4913 3.4976 3.4831 3.5044 3.4935 0.0213
8 3.4991 3.4853 3.4830 3.5083 3.5094 3.4970 0.0264
9 3.5099 3.5162 3.5228 3.4958 3.5004 3.5090 0.0270
10 3.4880 3.5015 3.5094 3.5102 3.5146 3.5047 0.0266
11 3.4881 3.4887 3.5141 3.5175 3.4863 3.4989 0.0312
12 3.5043 3.4867 3.4946 3.5018 3.4784 3.4932 0.0259
13 3.5043 3.4769 3.4944 3.5014 3.4904 3.4935 0.0274
14 3.5004 3.5030 3.5082 3.5045 3.5234 3.5079 0.0230
15 3.4846 3.4938 3.5065 3.5089 3.5011 3.4990 0.0243
16 3.5145 3.4832 3.5188 3.4935 3.4989 3.5018 0.0356
17 3.5004 3.5042 3.4954 3.5020 3.4889 3.4982 0.0153
18 3.4959 3.4823 3.4964 3.5082 3.4871 3.4940 0.0259
19 3.4878 3.4864 3.4960 3.5070 3.4984 3.4951 0.0206
20 3.4969 3.5144 3.5053 3.4985 3.4885 3.5007 0.0259
La media muestral general de los datos de JCS presentados en la tabla 20.2 es x ! 3.4995.
Este valor será el eje central de la gráfica x. El rango de cada muestra, que se denota Rj, es sim-
plemente la diferencia entre el valor mayor y el valor menor de cada muestra. El rango promedio
de las k muestras se calcula de la siguiente manera.
RANGO PROMEDIO
R1 " R2 " . . . " Rk

R! (20.5)
k
donde
Rj ! rango de la j-ésima muestra j ! 1, 2, . . . , k
k ! número de muestras
El rango promedio de los datos de JCS que se presenta en la tabla 20.2 es R ! 0.0253.
En la sección anterior se explicó que los límites de control superior e inferior de la gráfi-
ca x son
σ
x$3 (20.6)
$n
Se utiliza la media muestral Por tanto, para obtener los límites de control de la gráfica x, es necesario estimar µ y σ la media
general x para estimar µ, y la desviación estándar del proceso. La estimación de µ está dada por x. Una estimación de σ
y los rangos muestrales
se obtiene utilizando los datos de los rangos.
para desarrollar una
estimación de σ. Se puede demostrar que un estimador del proceso de desviación estándar σ es el prome-
dio de los rangos divididos entre d2, una constante que depende del tamaño de la muestra n. Es
decir,
R
Estimador de σ ! (20.7)
d2
En el Manual on presentation of data and control chart analysis de la American Society for
Testing and Materials (ASTM) se obtienen los valores para d 2 mostrados en la tabla 20.3. Por
ejemplo, cuando n ! 5, d 2 ! 2.326, y la estimación de σ es el rango promedio dividido entre
2.326. Si se sustituye R / d2 por σ en la fórmula (20.6), se pueden expresar los límites de control
para la gráfica x como
R#d 2 3
x$3 !x$ R ! x $ A2R (20.8)
$n d 2 $n
Observe que A 2 ! 3/(d 2 $n) es una constante que sólo depende del tamaño de la muestra. Los
valores de A2 se obtienen de la tabla 20.3. Para n ! 5, A 2 ! 0.577, por lo que los límites de la
gráfica de control x son
3.4995 $ (0.577)(0.0253) ! 3.4995 $ 0.0146
Por tanto, UCL ! 3.514 y LCL ! 3.485.

TABLA 20.3 Factores para x y para las gráficas de control R
Observaciones
en la muestra, n d2 A2 d3 D3 D4
2 1.128 1.880 0.853 0 3.267
3 1.693 1.023 0.888 0 2.574
4 2.059 0.729 0.880 0 2.282
5 2.326 0.577 0.864 0 2.114
6 2.534 0.483 0.848 0 2.004

7 2.704 0.419 0.833 0.076 1.924
8 2.847 0.373 0.820 0.136 1.864
9 2.970 0.337 0.808 0.184 1.816
10 3.078 0.308 0.797 0.223 1.777
11 3.173 0.285 0.787 0.256 1.744

12 3.258 0.266 0.778 0.283 1.717
13 3.336 0.249 0.770 0.307 1.693
14 3.407 0.235 0.763 0.328 1.672
15 3.472 0.223 0.756 0.347 1.653
16 3.532 0.212 0.750 0.363 1.637

17 3.588 0.203 0.744 0.378 1.622
18 3.640 0.194 0.739 0.391 1.608
19 3.689 0.187 0.734 0.403 1.597
20 3.735 0.180 0.729 0.415 1.585
21 3.778 0.173 0.724 0.425 1.575

22 3.819 0.167 0.720 0.434 1.566
23 3.858 0.162 0.716 0.443 1.557
24 3.895 0.157 0.712 0.451 1.548
25 3.931 0.153 0.708 0.459 1.541
Fuente. Adaptación de la tabla 27 de ASTM STP 15D, ASTM Manual on presentation of data and control chart analysis. Copyright 1976,
American Society for Testing and Materials, Philadelphia, PA. Impreso con autorización.
En la figura 20.7 se presenta la gráfica x para el problema de Jensen Computer Supplies.

Se utilizaron los datos de la tabla 20.2 y la rutina de Minitab para obtenerla. La línea central se
observa en la muestra media general x ! 3.4995. El límite de control superior (UCL) es 3.514 y
el de control inferior (LCL) es 3.485. La gráfica x muestra las 20 medias muestrales graficadas
en el tiempo. Debido a que estás se encuentran dentro de los límites de control, confirman que
la media del proceso ha estado bajo control durante el periodo de muestreo.
Gráfica R
Ahora se estudiarán las gráficas de rango (gráfica R) que se utilizan para controlar la variabilidad
de un proceso. Para desarrollar una gráfica R se necesita considerar el rango de una muestra
como una variable aleatoria con su media y desviación estándar propias. El rango promedio
R proporciona una estimación de la media de esta variable aleatoria. Por otra parte, se puede
demostrar que una estimación de la desviación estándar del rango es
R
σ̂R ! d3 (20.9)
d2
FIGURA 20.7 Gráfica x para el problema de Jensen Computer Supplies
3.515 UCL ! 3.514
Media muestral 3.505
x ! 3.4995
3.495
3.485 LCL ! 3.485
5 10 15 20
Número de la muestra
donde d2 y d3 son constantes que dependen del tamaño de la muestra. Los valores de d2 y d3 se
obtienen de la tabla 20.3. Por tanto, el UCL para la gráfica R está dado por
d3
R " 3σ̂R ! R 1 " 3 (20.10)
d2
y el LCL es
d3
R # 3σ̂R ! R 1 # 3 (20.11)
d2
Si se deja
d3
D4 ! 1 " 3 (20.12)
d2
d3
D4 ! 1 # 3 (20.13)
d2
Se pueden expresar los límites de control para la gráfica R como
UCL ! RD4 (20.14)
LCL ! RD3 (20.15)
Los valores de D3 y D4 también se obtienen de la tabla 20.3. Observe que n ! 5, D3 ! 0 y

D4 ! 2.114. Por tanto, con R ! 0.0253, los límites de control son
Si la gráfica R indica que UCL ! 0.0253(2.114) ! 0.053

el proceso está fuera de
control, la gráfica x no debe LCL ! 0.0253(0) ! 0
interpretarse hasta que
la gráfica R indique que la
variabilidad del proceso La figura 20.8 muestra la gráfica R para el problema de Jensen Computer Supplies. Se utilizaron
está controlada. los datos de la tabla 20.2 y la gráfica de control de rutina de Minitab para obtenerla. La línea
FIGURA 20.8 Carta R para el problema de Jensen Computer Supplies
0.06
UCL ! 0.053
0.05
Rango muestral
0.04
0.03
R ! 0.0253
0.02
0.01
0.00 LCL ! 0.000
5 10 15 20
Número de la muestra
central se observa en la media general de los 20 rangos de la muestra, R ! 0.0253. El UCL es

0.053 y el LCL es 0.000. La gráfica R presenta los 20 rangos de la muestra trazada en el tiempo.
Debido a que los 20 rangos están dentro de los límites de control, se confirma que la variabilidad
del proceso estuvo bajo control durante el periodo de muestreo.
Gráfica p
A las gráficas de control Se considera el caso en que la calidad del producto se mide tanto por los artículos no defectuosos
basadas en datos que como por los defectuosos. La decisión de continuar o de ajustar el proceso de producción se
indican la presencia de
basará en p, la proporción de artículos defectuosos que se encuentra en una muestra. A la gráfica
un defecto o un número
de defectos se les denomina de control utilizada para conocer la proporción de los datos defectuosos se le llama gráfica p.
gráficas de control de Para ilustrar su elaboración, considere el uso de máquinas automáticas para la clasificación
atributos. Una gráfica p de las cartas que se utilizan en una oficina de correos. Estas máquinas escanean los códigos
entra en esta clasificación. postales de las cartas y asignan cada una a la ruta de entrega adecuada. Aun cuando una máquina
esté funcionando correctamente, algunas misivas no son asignadas de forma adecuada. Suponga
que cuando una máquina está funcionando en forma apropiada, o bajo control, 3% de las cartas
no es asignado correctamente. Así que p, la proporción de cartas no asignadas correctamente
cuando el proceso está bajo control, es 0.03.
La distribución de muestreo de p, como se presenta en el capítulo 7, se utiliza para deter-
minar la variación que puede esperarse en los valores p para un proceso que está bajo control.
Recuerde que el valor esperado de la media de p es p, la proporción de unidades defectuosas
cuando el proceso está bajo control. Con muestras de tamaño n, la fórmula para la desviación
estándar de p, llamado error estándar de la proporción, es
p(1 " p)
σp ! (20.16)
n
Se estudió también en el capítulo 7 que la distribución de muestreo de p se puede aproximar por

una distribución normal siempre que el tamaño de la muestra sea grande. Con p el tamaño de la
muestra puede considerarse grande toda vez que las siguientes dos condiciones sean satisfechas.
np # 5
n(1 " p) # 5
FIGURA 20.9 Distribución de muestreo de p
p(1 " p)
σp !
n
p
p
E(p)
En resumen, siempre que el tamaño de la muestra sea grande, la distribución de muestreo de p

se puede aproximar mediante una distribución normal con la media p y la desviación estándar σp.
Esta distribución se presenta en la figura 20.9.
Para establecer los límites de control de una gráfica p se sigue el mismo procedimiento
que se utilizó en el caso de una gráfica x. Es decir, los límites para la gráfica de control se es-
tablecen a 3 desviaciones estándar, o errores estándar, por arriba y por abajo de la proporción
de unidades defectuosas cuando el proceso está bajo control. Por tanto, se tienen los siguientes
límites de control.
LÍMITES DE CONTROL PARA UNA GRÁFICA p
UCL ! p $ 3σp (20.17)

LCL ! p " 3σp (20.18)
Con p ! 0.03 y la muestra de tamaño n ! 200, la ecuación (20.16) indica que el error
estándar es
0.03(1 " 0.03)

σp !
200
Por tanto, los límites de control son UCL ! 0.03 $ 3(0.0121) ! 0.0663, y LCL ! 0.03 "
3(0.0121) ! "0.0063. Siempre que la ecuación (20.18) proporcione un valor negativo para LCL,
éste es igual a cero en la gráfica de control.
La figura 20.10 ilustra la gráfica de control para el proceso de clasificación del correo.
Los puntos graficados indican la proporción muestral defectuosa encontrada en la muestra de
cartas tomadas del proceso. Todos los puntos están dentro de los límites de control, lo que indica
que no existe evidencia alguna para concluir que el proceso de selección está fuera de control.
Si no se conoce la proporción de artículos defectuosos de un proceso bajo control, ese
valor se puede estimar inicialmente utilizando datos de la muestra. Suponga, por ejemplo, que
se toman k muestras diferentes, cada una de tamaño n, seleccionadas de un proceso que está
bajo control. Se determina la fracción o proporción de artículos defectuosos en cada muestra.
FIGURA 20.10 Gráfica p para la proporción de defectos en el proceso de clasificación de las cartas
0.07
UCL ! 0.0663
0.06
Proporción muestral
0.05
0.04
Porcentaje defectuoso
0.03
cuando el proceso está
bajo control
0.02
0.01
0.00 LCL ! 0
5 10 15 20 25
Número de muestra
El tratamiento como una sola muestra grande de todos los datos obtenidos permite calcular la
proporción de artículos defectuosos en todos los datos; ese valor puede utilizarse para estimar p,
la proporción de artículos defectuosos observada cuando el proceso está bajo control. Note que
esta estimación de p también permite calcular el error estándar de la proporción y determinar
los límites de control superior e inferior.
Gráfica np
Una gráfica np no es una gráfica de control construida por el número de artículos defectuosos
en una muestra. En este caso, n es el tamaño de la muestra y p es la probabilidad de observar un
artículo defectuoso, cuando el proceso está bajo control. Siempre que el tamaño de la muestra
sea grande, es decir, cuando np # 5 y n(1 " p) # 5, la distribución del número de artículos
defectuosos observados en una muestra de tamaño n se puede aproximar por una distribución
normal con media np y desviación estándar $np(1 " p) . Por tanto, en el ejemplo de clasifica-
ción de correspondencia, con n ! 200 y p ! 0.03, el número de artículos defectuosos obser-
vados en una muestra de 200 cartas se puede aproximar mediante una distribución normal con
una media de 200(0.03) ! 6 y una desviación estándar de $200(0.03)(0.97) ! 2.4125
Los límites de control para una gráfica np se fijan en tres desviaciones estándar arriba y
abajo del número de artículos defectuosos esperado, cuando el proceso está bajo control. Por
consiguiente, se tiene que los límites de control son los siguientes:
LÍMITES DE CONTROL EN UNA GRÁFICA np
UCL ! np $ 3 $np(1 " p) (20.19)
LCL ! np " 3 $np(1 " p) (20.20)
En el ejemplo del proceso de clasificación de un correo, con p ! 0.03 y n ! 200, los límites
de control son UCL ! 6 $ 3(2.4125) ! 13.2375 y LCL ! 6 " 3(2.4125) ! "1.2375. Cuando
LCL es negativo, LCL es igual a cero en la carta de control. Por tanto, si el número de cartas que
no se asigna a las rutas correctas es mayor de 13, se concluye que el proceso está fuera de control.
La información que proporciona una gráfica np es equivalente a la proporcionada por la
gráfica p, la única diferencia radica en que la gráfica np es la gráfica del número de artículos
defectuosos observados, mientras que la gráfica p es sobre la proporción de artículos defec-

tuosos observados. Así, si se llega a la conclusión de que el proceso en particular está fuera
de control sobre la base de la gráfica p, se concluye lo mismo sobre la base de una gráfica np.
Interpretación de las gráficas de control

La ubicación y el patrón de puntos en una gráfica de control permiten determinar, con una
pequeña probabilidad de error, si un proceso está estadísticamente bajo control. La principal
indicación de que un proceso está fuera de control es que un punto de los datos se encuentre fuera
de los límites de control, como el punto 5 en la figura 20.6. Determinar ese punto es evidencia
estadística de que el proceso está fuera de control, en cuyo caso la acción correctiva debe ser
aplicada tan pronto como sea posible.
Además de los puntos que están fuera de los límites de control, existen ciertos patrones de
los puntos dentro de tales límites que pueden representar señales de advertencia de problemas
de control de calidad. Por ejemplo, suponga que todos los puntos de los datos están dentro de
los límites de control, pero que un gran número está al lado de la línea central. El patrón pue-
de indicar que existe un problema de equipo, que hay un cambio en los materiales, o que se ha
presentado alguna otra causa imputable que ha ocasionado un cambio en la calidad. Se debe
llevar a cabo una investigación cuidadosa en el proceso de producción para determinar si la
Aun cuando todos los puntos calidad se ha modificado.
estén dentro de los límites de Otro patrón a observar en una gráfica de control es un cambio gradual, o tendencia, en el
control superior e inferior, tiempo. Por ejemplo, por el desgaste de las herramientas, las dimensiones en la fabricación de
el proceso puede no estar una pieza poco a poco se apartan de sus niveles de diseño. Los cambios graduales en la tempe-
bajo control. Las tendencias ratura o la humedad, el deterioro del equipamiento en general, la acumulación de suciedad o la
en los puntos de datos fatiga del operador también pueden resultar en un patrón de tendencia en las gráficas de control.
muestrales o secuencias
Seis o siete puntos en una fila que indiquen ya sea una tendencia de aumento o de disminución
inusualmente largas que
pasen por encima o por debe ser motivo de preocupación aunque los puntos de datos estén dentro de los límites de
debajo de la línea central control. Cuando este patrón se presenta, el proceso deberá revisarse para evitar posibles modi-
también pueden indicar una ficaciones o cambios en la calidad. Será necesario aplicar las accioness correctivas para que el
situación fuera de control. proceso esté de nuevo bajo control.
NOTAS Y COMENTARIOS
1. Dado que los límites de control para una gráfica x tiempo. En el apéndice 20.1 se describen los pasos
dependen del valor del rango promedio, estos lí- para este procedimiento.
mites no tienen mucho significado, a menos que 2. La gráfica np se utiliza para monitorear un pro-
la variabilidad del proceso esté bajo control. En la ceso en términos del número de defectos. El ni-
práctica, la gráfica R se elabora por lo general antes vel de calidad Six Sigma de Motorola establece
que la carta x; si la primera indica que la variabi- como objetivo producir no más de 3.4 defectos
lidad del proceso está bajo control, entonces se ela- por millón de operaciones. Este objetivo implica
bora la gráfica x. Con la opción de Minitab Xbar-R p ! 0.0000034.
se obtienen la gráfica x y la gráfica R al mismo
Ejercicios
Métodos
1. En un proceso que está bajo control se tiene una media de µ ! 12.5 y una desviación estándar
de σ ! 0.8.
a) Elabore una gráfica de control x para este proceso si se utilizaran muestras de tamaño 4.
b) Repita el inciso a) para muestras de tamaño 8 y 16.
c) ¿Qué sucede con los límites de la gráfica de control a medida que el tamaño de la muestra
aumenta? Explique por qué es razonable.
2. Veinticinco muestras, cada una de tamaño 5, fueron seleccionadas de un proceso que está bajo
control. La suma de todos los datos obtenidos fue de 677.5 libras.
a) ¿Cuál es la estimación de la media del proceso (en términos de libras por unidad) cuando
el proceso está bajo control?
b) Elabore una gráfica de control x para este proceso si las muestras a utilizar son de tama-
ño 5. Suponga que la desviación estándar es 0.5 cuando el proceso está bajo control, y que
la media del proceso es la estimación que se obtuvo en el inciso a).
3. De 25 muestras de 100 artículos, cada uno inspeccionado cuando el proceso se considera que
funciona satisfactoriamente. En las 25 muestras se determinó que un total de 135 artículos
estaba defectuoso.
a) ¿Cuál es la estimación de la proporción de defectos cuando el proceso está bajo control?
b) ¿Cuál sería el error estándar de la proporción si muestras de tamaño 100 se utilizaran para
el control estadístico de procesos?
c) Calcule los límites de control superior e inferior de la gráfica de control.
4. En un proceso del que se toman 20 muestras, cada una de tamaño 8, resultan x ! 28.5 y R ! 1.6.
AUTO evaluación Calcule los límites de control superior e inferior para las gráficas x y R de este proceso.
Aplicaciones
5. La temperatura se utiliza para medir el resultado de un proceso de producción. Cuando éste
está bajo control, la media del proceso es µ ! 128.5 y la desviación estándar es σ ! 0.4.
a) Elabore una gráfica x para este proceso si las muestras que se utilizarán son de tamaño 6.
b) ¿El proceso está bajo control para una muestra de la que se obtienen los siguientes datos?
128.8 128.2 129.1 128.7 128.4 129.2
c) ¿El proceso está bajo control para una muestra de la que se obtienen los siguientes datos?
129.3 128.7 128.6 129.2 129.5 129.0
6. En un proceso de control de calidad se supervisa el peso por paquete de un detergente para la-
vandería. Los límites de control se establecen en UCL ! 20.12 onzas y LCL ! 19.90 onzas. Se
utilizan muestras de tamaño 5 en el proceso de muestreo e inspección. ¿Cuáles son la media del
proceso y el proceso de desviación estándar para la operación de manufactura?
7. Goodman Tire and Rubber Company realiza pruebas periódicas de desgaste (Tread Wear) de
los neumáticos en la banda de rodamiento bajo condiciones de una carretera simulada. Para
estudiar y controlar el proceso de manufactura, 20 muestras (Sample), cada una con tres neu-
máticos radiales, fueron seleccionadas en diferentes turnos durante varios días de operación,
con lo que se obtuvieron los siguientes resultados. Suponiendo que estos datos se recabaron
cuando el proceso de manufactura operaba bajo control, desarrolle las gráficas de R y x.
Sample Tread Wear*

1 31 42 28
2 26 18 35
3 25 30 34
WEB archivo 4 17 25 21
5 38 29 35
Tires 6 41 42 36
7 21 17 29
8 32 26 28
9 41 34 33
10 29 17 30
11 26 31 40
12 23 19 25
13 17 24 32
14 43 35 17
15 18 25 29
16 30 42 31
17 28 36 32
18 40 29 31
19 18 29 28
20 22 34 26
*Centésimas de pulgada
8. A lo largo de varias semanas de operación normal, o bajo control, 20 muestras, cada una de
150 paquetes de cuerdas sintéticas para raquetas de tenis, fueron analizadas para probar su
resistencia a la rotura. Como resultado, un total de 141 paquetes de 3 000 que se probaron no
se ajustan a las especificaciones del fabricante.
a) ¿Cuál es la estimación de la proporción de defectos durante el proceso cuando el sistema
está bajo control?
b) Calcule los límites de control superior e inferior para una gráfica p.
c) Con los resultados del inciso b), ¿a qué conclusión se debe llegar acerca del proceso si en
las pruebas con una nueva muestra de 150 paquetes se encuentra que 12 están defectuo-
sos? ¿Parece haber causas imputables en esta situación?
d) Calcule los límites de control superior e inferior para una gráfica np.
e) Responda el inciso c) utilizando los resultados del inciso d).
f ) ¿Qué gráfica de control sería preferible en esta situación? Explique.
9. Un proveedor de la industria automotriz produce pistones para varios modelos de automóvi-
les. Se analizaron 20 muestras, cada una compuesta de 200 pistones, con conocimiento de que
el proceso estaba funcionando correctamente. A continuación se presentan los números de
pistones defectuosos que se hallaron en la muestra.
8 10 6 4 5 7 8 12 8 15
14 10 10 7 5 8 6 10 4 8
a) ¿Cuál es la estimación de la proporción de unidades defectuosas cuando el proceso de
fabricación del pistón está bajo control?
b) Elabore una gráfica p para el proceso de fabricación asumiendo que cada muestra tiene
200 pistones.
c) Con los resultados del inciso b), ¿a qué conclusión se debe llegar si una muestra de 200
pistones tiene 20 defectuosos?
d) Calcule los límites de control superior e inferior para una gráfica np.
e) Responda el inciso c) con los resultados del inciso b).
20.3 Muestreo de aceptación

En el muestreo de aceptación los elementos de interés pueden ser los embarques entrantes de
materias primas, o partes compradas, así como productos terminados de montaje final. Suponga
que se desea decidir si se acepta o rechaza un conjunto de artículos sobre la base de las caracterís-
ticas de calidad especificadas. En la terminología de control de calidad, el conjunto de artículos
es un lote, y el muestreo de aceptación es un método estadístico que permite basar la decisión
de aceptación o de rechazo en la inspección de una muestra de los elementos del lote.
En la figura 20.11 se ilustran los pasos generales que se siguen en el muestreo de acepta-
ción. Después de recibir un lote se selecciona una muestra de artículos para su inspección. Los
resultados de la inspección se comparan con las características de calidad especificadas. Si éstas
se cumplen, el lote se acepta y se envía a producción o a los clientes. Si es rechazado, los ge-
rentes tendrán que decidir su destino. En algunos casos la decisión puede ser quedarse con el
lote y eliminar los artículos no aceptados o con los que se están inconforme. En otros casos,
el lote podrá ser devuelto al proveedor a cuenta de éste; el trabajo extra y los costos cargados
El muestreo de aceptación al proveedor pueden motivarlo buscar una alta calidad en su producción. Por último, si el lote
tiene las siguientes ventajas
sobre el 100% de inspección:
rechazado se compone de artículos terminados, los productos deben ser desechados o revisados
a fin de cumplir con los estándares de calidad aceptables.
1. Es por lo general menos
costoso. El procedimiento estadístico de muestreo de aceptación se basa en la metodología de prue-
2. Reporta menos daños al ba de hipótesis presentada en el capítulo 9. Las hipótesis nula y alternativa se detallan a con-
producto debido a menor tinuación.
manipulación y menos
pruebas. H 0: lote de alta calidad
3. Requieren menos Ha: lote de baja calidad
inspectores.
4. El único enfoque posible
es si debe utilizarse En la tabla 20.4 se muestran los resultados del procedimiento de prueba de hipótesis. Observe
la prueba destructiva. que las decisiones correctas corresponden a la aceptación de un lote de alta calidad y al rechazo
20.3 Muestreo de aceptación 923
FIGURA 20.11 Procedimiento de muestreo de aceptación
Recepción del lote
Muestra seleccionada
Inspección de la calidad
de la muestra
Comparación de los resultados

con las características de
Calidad calidad especificadas Calidad no
satisfactoria satisfactoria
Aceptación de un lote Rechazo de un lote
Enviar a producción Decidir sobre el destino

o al cliente del lote
de un lote de baja calidad. Sin embargo, como con los demás procedimientos de prueba de hi-
pótesis, hay que tener cuidado de no cometer un error tipo I (rechazar un lote de buena calidad)
o un error tipo II (aceptar un lote de baja calidad).
La probabilidad de cometer un error tipo I crea un riesgo para el productor del lote y se le
conoce como riesgo del productor. Por ejemplo, un riesgo del productor de 0.05 indica 5%
de probabilidad de que un lote de alta calidad sea erróneamente rechazado. La probabilidad de
cometer un error tipo II, por el contrario, crea un riesgo para el consumidor del lote y se cono-
ce como riesgo del consumidor. Por ejemplo, un riesgo del consumidor de 0.10 significa que hay
10% de probabilidad de que un lote de baja calidad sea admitida por error y por tanto utilizado
en la producción o entregado al cliente. Los valores específicos para los riesgos del productor
TABLA 20.4 Los resultados del muestreo de aceptación
Estado del lote

H0 verdadera H0 Falsa
Lote de alta calidad Lote de baja calidad
Aceptación de un lote Decisión correcta Error tipo II
(aceptación de un lote de baja calidad)
Decisión
Rechazo de un lote Error tipo I Decisión correcta
(rechazo de un lote
de alta calidad)
y del consumidor pueden ser controlados por la persona que diseña el procedimiento de mues-
treo de aceptación. Para ilustrar la forma de asignar valores de riesgo se considerará el proble-
ma de KALI, Inc.
KALI, Inc.: un ejemplo de muestreo de aceptación

KALI, Inc. fabrica electrodomésticos que se venden bajo diferentes nombres comerciales. Sin em-
bargo, la empresa no fabrica todos los componentes que utiliza en sus productos, sino que varios
los compra directamente a los proveedores. Por ejemplo, uno de los componentes que compra
es el que usa en aparatos de aire acondicionado para casas que es un protector de sobrecarga,
un dispositivo que apaga el compresor si éste se sobrecalienta. El compresor puede verse se-
riamente dañado si el protector de sobrecarga no funciona correctamente y, por tanto, KALI está
preocupada por la calidad de estos protectores. Una forma de asegurar la calidad consiste en
poner a prueba todos los componentes recibidos por medio de un método que se conoce como
inspección al 100%. Sin embargo, para determinar el buen funcionamiento de un protector de
sobrecarga, el dispositivo debe ser sometido a pruebas que requieren mucho tiempo y que son
costosas, y KALI no puede justificar la prueba de cada protector de sobrecarga que recibe.
A cambio, la empresa utiliza un plan de muestreo de aceptación para monitorear la cali-
dad de los protectores de sobrecarga. Dicho plan requiere que los inspectores de control de ca-
lidad de KALI seleccionen y prueben una muestra de los protectores de cada embarque. Si en la
muestra se encuentran pocas unidades defectuosas, el lote es probablemente de buena calidad y
deberá ser aceptado. Sin embargo, si se detecta un gran número de unidadas defectuosas, el lote
es probablemente de baja calidad y deberá ser rechazado.
Un plan de muestreo de aceptación consiste de una muestra de tamaño n y un criterio de
aceptación c. El criterio de aceptación es el número máximo de artículos defectuosos que se
puede encontrar en una muestra para que el lote se considere aceptable. Por ejemplo, para el
problema de KALI, suponga que una muestra de 15 artículos será seleccionada de cada lote o
pedido. Por otra parte, suponga que el gerente de control de calidad decide que el lote puede ser
aceptado únicamente si ningún defecto se encuentra en las unidades de la muestra. En este caso,
el plan de muestreo establecido por el gerente es n ! 15 y c ! 0.
Este plan de muestreo de aceptación es fácil de poner en práctica para el inspector de control
de calidad. Él simplemente selecciona una muestra de 15 artículos, realiza las pruebas y llega a
una conclusión basada en la siguiente regla de decisión.
• Aceptar el lote si encuentran cero artículos defectuosos.

• Rechazar el lote si se detectan uno o más defectos en los artículos.
Antes de implementar este plan de muestreo de aceptación, el gerente de control de calidad

quiere evaluar los riesgos o posibles errores en el plan, el cual será llevado a cabo únicamente
si tanto el riesgo del productor (error tipo I) como el riesgo del consumidor (error tipo II) están
controlados en niveles razonables.
Cálculo de la probabilidad de aceptación de un lote

La clave para analizar tanto el riesgo del productor como el del consumidor es un tipo de análisis
de “qué sucedería si”. Es decir, suponga que un lote tiene algún porcentaje conocido de artícu-
los defectuosos y se calcula la probabilidad de aceptarlo para un determinado plan de muestreo.
Al variar el porcentaje previsto de los artículos defectuosos, se puede examinar el efecto del
plan en ambos tipos de riesgos.
Comience por suponer que se ha recibido un gran cargamento de protectores de sobrecarga
y que en el envío 5% está defectuoso. Para un envío o lote con 5% de artículos defectuosos,
¿cuál es la probabilidad de que n ! 15, c ! 0 en el plan de muestreo lleve a aceptar el lote?
Debido a que cada protector de sobrecarga que se prueba puede estar o no defectuoso y el ta-
maño del lote es grande, el número de artículos defectuosos en una muestra de 15 tiene una
distribución binomial. A continuación se presenta la función de probabilidad binomial expuesta

en el capítulo 5.
FUNCIÓN DE PROBABILIDAD BINOMIAL PARA UN MUESTREO DE ACEPTACIÓN
n!
f (x) ! p x(1 " p)(n"x) (20.21)
x!(n " x)!
donde
n ! tamaño de la muestra
p ! proporción de artículos defectuosos en el lote
x ! número de artículos defectuosos en la muestra
f (x) ! probabilidad de x artículos defectuosos en la muestra
Para el plan de muestreo de aceptación de KALI, n ! 15; por tanto, para un lote con 5% de
defectos (p ! 0.05) se tiene
15!
f (x) ! (0.05)x(1 " 0.05)(15"x) (20.22)
x!(15 " x)!
Al utilizar la ecuación (20.22), f (0) proporcionará la probabilidad de que cero de los protectores
de sobrecarga estén defectuosos y que el lote sea aceptado. Respecto de la ecuación (20.22),
recuerde que 0! ! 1. Por tanto, el cálculo de probabilidad para f (0) es
15!
f (0) ! (0.05)0(1 " 0.05)(15"0)
0!(15 " 0)!
15!
! (0.05)0(0.95)15 ! (0.95)15 ! 0.4633
0!(15)!
Ahora ya se sabe que el plan de muestreo n ! 15, c ! 0 tiene una probabilidad de 0.4633 de
aceptación de un lote con 5% de artículos defectuosos. Por tanto, debe existir una probabilidad
correspondiente de 1 " 0.4633 ! 0.5367 para rechazar un lote con 5% de artículos defectuosos.
La probabilidad binomial Las tablas de probabilidades binomiales (vea la tabla 5, anexo B) ayudan a reducir el es-
también puede calcularse fuerzo de cálculo para determinar la probabilidad de aceptación de lotes. Las probabilidades
utilizando Excel o Minitab.
binomiales seleccionadas para n ! 15 y n ! 20 figuran en la tabla 20.5. Usando esta tabla pode-
mos determinar que si el lote contiene 10% de artículos defectuosos, existe una 0.2059 probabili-
dad de que el plan de muestreo n ! 15, c ! 0 indicará que es aceptable. En la tabla 20.6 se
resume la probabilidad de que n ! 15, c ! 0 del plan de muestreo lleve a la aceptación de un
lote con 1%, 2%, 3% . . . de artículos defectuosos.
Mediante el uso de las probabilidades de la tabla 20.6, se trazará una gráfica de la proba-
bilidad de aceptar el lote con respecto al porcentaje de unidades defectuosas de un lote, como
se muestra en la figura 20.12. Esta gráfica, o una curva, se llama la curva característica de
operación (OC) para el plan de muestreo de aceptación n ! 15, c ! 0.
Tal vez deban considerarse otros planes de muestreo con diferentes tamaños n de muestra
o distintos criterios de aceptación c. Considere primero el caso en que el tamaño de la mues-
tra sigue siendo n ! 15, pero el criterio de aceptación aumenta de c ! 0 a c ! 1. Es decir, ahora
se aceptará el lote si se encuentran en la muestra 0 o 1 componente defectuoso. Para un lote
con 5% de artículos defectuosos (p ! 0.05), la tabla 20.5 indica que con n ! 15 y p ! 0.05,
f (0) ! 0.4633 y f (1) ! 0.3658. Por tanto, existe una 0.4633 # 0.3658 ! 0.8291 probabilidad
de que el plan de muestreo n ! 15, c ! 1 conduzca a la aceptación de un lote con 5% de ar-
tículos defectuosos.
TABLA 20.5 Selección de probabilidades binomiales para muestras de tamaño 15 y 20
p
n x 0.01 0.02 0.03 0.04 0.05 0.10 0.15 0.20 0.25
15 0 0.8601 0.7386 0.6333 0.5421 0.4633 0.2059 0.0874 0.0352 0.0134
1 0.1303 0.2261 0.2938 0.3388 0.3658 0.3432 0.2312 0.1319 0.0668
2 0.0092 0.0323 0.0636 0.0988 0.1348 0.2669 0.2856 0.2309 0.1559
3 0.0004 0.0029 0.0085 0.0178 0.0307 0.1285 0.2184 0.2501 0.2252
4 0.0000 0.0002 0.0008 0.0022 0.0049 0.0428 0.1156 0.1876 0.2252
5 0.0000 0.0000 0.0001 0.0002 0.0006 0.0105 0.0449 0.1032 0.1651
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0019 0.0132 0.0430 0.0917
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0030 0.0138 0.0393
8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0005 0.0035 0.0131
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0007 0.0034
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0007
20 0 0.8179 0.6676 0.5438 0.4420 0.3585 0.1216 0.0388 0.0115 0.0032
1 0.1652 0.2725 0.3364 0.3683 0.3774 0.2702 0.1368 0.0576 0.0211
2 0.0159 0.0528 0.0988 0.1458 0.1887 0.2852 0.2293 0.1369 0.0669
3 0.0010 0.0065 0.0183 0.0364 0.0596 0.1901 0.2428 0.2054 0.1339
4 0.0000 0.0006 0.0024 0.0065 0.0133 0.0898 0.1821 0.2182 0.1897
5 0.0000 0.0000 0.0002 0.0009 0.0022 0.0319 0.1028 0.1746 0.2023
6 0.0000 0.0000 0.0000 0.0001 0.0003 0.0089 0.0454 0.1091 0.1686
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0020 0.0160 0.0545 0.1124
8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0004 0.0046 0.0222 0.0609
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0011 0.0074 0.0271
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0020 0.0099
11 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0005 0.0030
12 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0008
Al continuar con estos cálculos se obtiene la figura 20.13, que presenta las curvas caracte-
rísticas de operación de cuatro planes alternos de muestreo de aceptación para el problema de
KALI. Se consideraron muestras de tamaño 15 y 20. Observe que independientemente de la pro-
porción de unidades defectuosas en el lote, el plan de muestreo n ! 15, c ! 1 proporciona la
mayor probabilidad de aceptarlo. El plan de muestreo n ! 20, c ! 0 ofrece la menor probabili-
dad de aceptar el lote; sin embargo, el plan también prevé la más alta probabilidad de rechazarlo.
TABLA 20.6 Probabilidad de aceptación del lote para el problema de KALI n ! 15 y c ! 0
Porcentaje de defectos en el lote Probabilidad de aceptación del lote

1 0.8601
2 0.7386
3 0.6333
4 0.5421
5 0.4633
10 0.2059
15 0.0874
20 0.0352
25 0.0134
FIGURA 20.12 Curva característica de operación para el plan de muestreo de aceptación

n ! 15, c ! 0
1.00
0.90
Probabilidad de aceptación del lote 0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0 5 10 15 20 25
Porcentaje de defectos en el lote
FIGURA 20.13 Curvas características de operación para cuatro planes de muestreo de aceptación
1.00
0.90
Probabilidad de aceptación del lote
0.80 n ! 15, c ! 1
0.70
0.60
0.50
0.40
n ! 20, c ! 1
0.30
n ! 20, c ! 0
0.20
0.10 n ! 15, c ! 0
0 5 10 15 20 25
Porcentaje de defectos en el lote
Selección de un plan de muestreo de aceptación

Ahora que se sabe cómo utilizar la distribución binomial para calcular la probabilidad de acep-
tación de un lote con determinada proporción de defectos, es posible elegir los valores de n y c
que determinan el plan de muestreo de aceptación deseado, por ser la aplicación de estudio. Para
desarrollar este plan, los gerentes deben especificar dos valores para la proporción de defec-
tos de un lote: un valor, denotado p0, para controlar el riesgo del productor, y otro valor, denotado
p1, para controlar el riesgo del consumidor.
Usaremos la siguiente notación.
α ! riesgo del productor; probabilidad de rechazar un lote con p0 artículos defectuosos

β ! riesgo del consumidor; la probabilidad de aceptar un lote con p1 artículos defectuosos
Suponga que para el problema de KALI, los gerentes especifican que p0 ! 0.03 y p1 ! 0.15. De
la curva OC para n ! 15, c ! 0 en la figura 20.14, vemos que p0 ! 0.03 provee un riesgo del
productor de aproximadamente 1 " 0.63 ! 0.37, y p1 ! 0.15 proporciona un riesgo del consu-
midor de aproximadamente 0.09. Por tanto, si los gerentes están dispuestos a tolerar tanto una
0.37 probabilidad de rechazar un lote con 3% de artículos defectuosos (riesgo del productor) co-
mo una 0.09 probabilidad de aceptar un lote con 15% de artículos defectuosos (riesgo del con-
sumidor), el plan de muestreo de aceptación n ! 15, c ! 0 será aceptable.
Suponga, sin embargo, que los gerentes desean que el riesgo del productor sea α ! 0.10
y el riesgo del consumidor sea β ! 0.20. Observamos que ahora el plan de muestreo n ! 15,
c ! 0 tiene un riesgo del consumidor mejor que el deseado, pero un riesgo del productor dema-
siado grande para aceptarlo. El hecho de que α ! 0.37 indica que 37% de los lotes será re-
chazado erróneamente cuando sólo 3% de los artículos que contienen son defectuosos. El riesgo
del productor es demasiado alto y se tendrá que considerar un plan diferente de muestreo de
aceptación.
FIGURA 20.14 Curva característica de operación para n ! 15, c ! 0 con p0 ! 0.03 y p1 ! 0.15
1.00
0.90
riesgo del productor
Probabilidad de aceptación del lote
0.80 (probabilidad de cometer

un error de tipo I)
0.70
riesgo del consumidor
0.60 (probabilidad de cometer
un error de tipo II)
0.50
0.40
0.30
0.20
0.10
0 5 10 15 20 25
p0 p1
Porcentaje defectos en el lote
El ejercicio 13 al final En la figura 20.13 se observa que para p0 ! 0.03, α ! 0.10, p1 ! 0.15 y β ! 0.20, el plan
de esta sección le pedirá de muestreo de aceptación con n ! 20 y c ! 1 está más cerca de satisfacer los requerimien-
calcular los riesgos del
productor y el riesgo
tos de riesgo tanto del productor como del consumidor.
del consumidor para el Como se muestra en esta sección, puede ser necesario considerar varios cálculos y varias
plan de muestreo de curvas características de operación para determinar un plan de muestreo con el riesgo deseado
n ! 20 y c ! 1. para el productor y el consumidor. Por fortuna, ya exiten tablas de los planes de muestreo pu-
blicadas. Por ejemplo, la American Military Standard Table, MIL-STD-05D, ofrece información
útil para el diseño de planes de muestreo de aceptación. Los libros más avanzados sobre control
de calidad, como los que figuran en la bibliografía, describen el uso de dichas tablas. En estos
libros también se estudia la función de los costos de muestreo para determinar un plan óptimo.
FIGURA 20.15 Plan de muestreo de aceptación de dos etapas
Muestra de n 1
artículos
Encontrar x 1
artículos defectuosos
en esta muestra
Es Sí Aceptar
x 1 ! c1
el lote
?
No
Sí Es
Rechazar
x 1 " c2
el lote
?
No
Muestra de n 2
artículos adicionales
Buscar x 2
artículos defectuosos
en la muestra
No Es Sí
x1 # x 2 ! c3
?
Planes de muestreo múltiple

El procedimiento del muestreo de aceptación que presentamos para el problema de KALI es un
plan de muestreo sencillo. Se llama así porque se utiliza sólo una muestra o etapa de muestreo.
Después de que se determina el número de componentes defectuosos en la muestra, debe tomar-
se una decisión de aceptar o rechazar el lote. Una alternativa al plan de muestreo sencillo es el
plan de muestreo múltiple, en el que se utilizan dos o más etapas de muestreo. En cada etapa
se toma una decisión entre tres posibilidades: dejar de muestrear y aceptar el lote, dejar de mues-
trear y rechazar el lote, o continuar con el muestreo. Aunque los muestreos son más complejos,
múltiples planes suelen dar como resultado tamaños de la muestra más pequeños que los planes
de muestreo sencillo con las mismas probabilidades α y β.
En la figura 20.15 se ilustra la lógica del plan de dos etapas, o de doble muestra. Inicialmente
se selecciona una muestra de n1 artículos. Si el número de elementos defectuosos x1 es menor
o igual que c1, se acepta el lote. Si x1 es mayor o igual que c2, se rechaza el lote. Si x1 está entre
c1 y c2 (c1 ! x1 ! c2), se toma una segunda muestra de n2 elementos. Enseguida se determina
la suma o el total de los componentes defectuosos a partir de la primera muestra (x1) y la segun-
da muestra (x2). Si x1 " x2 # c3, se acepta el lote; de lo contrario se rechaza. El plan de doble
muestra es más difícil porque el tamaño de las muestras n1 y n2 y los números de aceptación c1,
c2 y c3 deben cumplir tanto los riesgos deseados del productor como del consumidor.
NOTAS Y COMENTARIOS
1. El uso de la distribución binomial en el muestreo nes de muestreo publicados también utilizan ín-
de aceptación se basa en el supuesto de grandes lo- dices como el nivel de calidad indiferente (IQL) y
tes. Si el tamaño del lote es pequeño, la distribu- el límite de la calidad promedio de salida (AOQL).
ción hipergeométrica es la adecuada. Expertos en Los libros más avanzados que se listan en la bi-
el campo del control de calidad indican que la dis- bliografía proporcionan un estudio completo de
tribución de Poisson proporciona una buena apro- estos índices.
ximación para el muestreo de aceptación cuando 3. En esta sección se ofrece una introducción a los
el tamaño de la muestra es de por lo menos 16, el atributos de los planes de muestreo. En estos pla-
tamaño del lote es de por lo menos 10 veces el ta- nes, cada artículo de la muestra se clasifica como
maño de la muestra, y p es menor que 0.1. Para no defectuosa o defectuoso. En los planes de mues-
los tamaños de muestras más grandes se puede treo de variables se toma una muestra y se miden
utilizar la aproximación normal a la distribución las características de calidad. Por ejemplo, en el
binomial. caso de joyas de oro, una medida de la calidad
2. En las tablas de muestreo MIL-ST-105D, a p0 se podría ser la cantidad de oro que contienen. Una
le llama nivel de calidad aceptable (AQL). En estadística sencilla como la cantidad promedio de
algunas tablas de muestreo, a p1 se le denomina oro en una muestra de joyas se calcula y compara
porcentaje de defectos tolerable por lote (LPTD) con un valor permisible para determinar si el lote
o nivel de calidad rechazable (RQL). Muchos pla- se debe aceptar o rechazar.
Ejercicios
Métodos
10. Para un plan de muestreo de aceptación con n $ 25 y c $ 0, determine la probabilidad de
AUTO evaluación aceptar un lote que tiene un porcentaje de defectos de 2. ¿Cuál es la probabilidad de aceptarlo
si la tasa de defectos es de 6%?
11. Considere un plan de muestreo de aceptación con n $ 20 y c $ 0. Calcule el riesgo del pro-
ductor para cada uno de los siguientes casos.
a) El porcentaje de defectos que tiene el lote es de 2%.
b) El porcentaje de defectos que tiene el lote es de 6%.
12. Repita el ejercicio 11 para el plan de muestreo de aceptación con n $ 20 y c $ 1. ¿Qué sucede
con el riesgo del productor cuando aumenta el número de aceptación de c? Explique.
Glosario 931
Aplicaciones
13. Consulte el problema de KALI presentado en esta sección. El gerente de control de calidad requi-
rió un riesgo del productor de 0.10 cuando p0 fue de 0.03 y un riesgo del consumidor de 0.20
cuando p1 fue de 0.15. Considere un plan de muestreo de aceptación basado en una muestra de
tamaño 20 y un número de aceptación de 1. Conteste las siguientes preguntas.
a) ¿Cuál es el riesgo del productor si el plan de muestreo es n $ 20, c $ 1?
b) ¿Cuál es el riesgo del consumidor con el mismo que en a) plan de muestreo?
c) ¿El plan de muestreo n $ 20, c $ 1 satisface el riesgo requerido por el gerente de control
de calidad? Comente.
14. Para inspeccionar un pedido de materia prima, el fabricante estudia muestras de tamaños 10,
15 y 20. Utilice las probabilidades binomiales de la tabla 5 del apéndice B para seleccionar un
plan de muestreo que proporcione un riesgo del productor de α $ 0.03 cuando p0 es 0.05, y
un riesgo del consumidor de β $ 0.12 cuando p1 es 0.30.
15. Un fabricante nacional de relojes compra cristales de cuarzo a una empresa suiza. Los cristales
son enviados en lotes de 1 000. El procedimiento de muestreo de aceptación utiliza 20 cris-
tales elegidos al azar.
a) Trace las curvas características de operación para los números de aceptación de 0.1, y 2.
b) Si p0 es 0.01 y p1 $ 0.08, ¿cuáles son los riesgos del productor y del consumidor con cada
uno de los planes de muestreo del inciso a)?
Resumen
En este capítulo se estudió cómo utilizar el método estadístico en el control de calidad. En pri-
mer lugar se presentaron las gráficas de control de x, R, p y np como ayudas gráficas para
monitorear el proceso de calidad. En cada una de estas gráficas se establecen los límites de con-
trol; se seleccionan muestras periódicamente, y se grafican los puntos de los datos en la gráfica
de control. Los puntos de datos fuera de los límites de control indican que el proceso está fue-
ra de control y que debe aplicarse la acción correctiva. Los patrones de puntos de datos que se
encuentran dentro de los límites de control también indican posibles problemas en el control de
calidad y sugieren que se apliquen acciones correctivas.
También se consideró la técnica conocida como muestreo de aceptación. Con este proce-
dimiento se selecciona una muestra y se inspecciona. El número de artículos defectuosos en la
muestra proporciona la base para aceptar o rechazar el lote. El tamaño de la muestra y el criterio
de aceptación se pueden ajustar para controlar tanto el riesgo del productor (error tipo I) como
el riesgo del consumidor (error tipo II).
Glosario
Calidad total (TQ) Enfoque total del sistema para mejorar la satisfacción del cliente y reducir
los costos reales por medio de una estrategia de mejora y aprendizaje continuos.
Causas comunes Variaciones normales o naturales en los resultados de un proceso que se
deben únicamente a la casualidad. Ninguna acción correctiva es necesaria cuando las variacio-
nes en los resultados de un proceso se deben a causas comunes.
Causas imputables Variaciones en los resultados de un proceso atribuibles a factores como
desgaste de la maquinaria, una configuración incorrecta de la máquina, materia prima de baja
calidad, errores del operador, y así sucesivamente. La acción correctiva se debe aplicar cuando
se detectan las causas imputables en la variación del resultado.
Control de calidad Serie de inspecciones y mediciones que determinan si se cumplen los
estándares de calidad.
Criterio de aceptación Número máximo de artículos defectuosos que se pueden encontrar en
la muestra y que a pesar de ello indican que se acepte un lote.
Curva característica de operación (OC) Gráfica en la que se muestra la probabilidad de acep-
tar un lote en función del porcentaje de artículos defectuosos que contiene. Esta curva se utiliza
para determinar si un plan de muestreo de aceptación particular satisface los requerimientos de
riesgo tanto del productor como del consumidor.
Gráfica de control Herramienta gráfica que se utiliza para ayudar a determinar si un proceso
está bajo control o fuera de control.
Gráfica np Gráfica de control que supervisa la calidad de los resultados de un proceso en
términos del número de artículos defectuosos.
Gráfica p Gráfica de control que se utiliza para medir la calidad de los resultados de un pro-
ceso en términos de la proporción de unidades defectuosas.
Gráfica R Gráfica de control que mide la calidad del resultado de un proceso en términos del
rango de una variable.
Gráfica x Gráfica de control que se utiliza cuando se mide la calidad de los resultados de un
proceso en términos del valor medio de una variable, como longitud, peso, temperatura, etcétera.
Lote Conjunto de artículos, como embarques recibidos de materia prima o piezas compradas,
así como bienes terminados para ensamblar un producto final.
Muestreo de aceptación Método estadístico en el que se utiliza el número de artículos defec-
tuosos en una muestra para determinar si un lote debe ser aceptado o rechazado.
Plan de muestreo múltiple Forma de muestreo de aceptación en la que se utiliza más de una
muestra o etapa. Con base en el número de artículos defectuosos que se encuentra en una mues-
tra, se decide si se acepta o rechaza el lote, o si se continúa con el muestreo.
Riesgo del consumidor Riesgo de aceptar un lote de buena calidad; error tipo II.
Riesgo del productor Riesgo de rechazar un lote de buena calidad; error tipo I.
Six Sigma Metodología que utiliza la medición y el análisis estadístico para lograr un nivel de
calidad tan bueno, que por cada millón de oportunidades no haya más de 3.4 defectos.
Fórmulas clave
Error estándar de la media

σ
σx $ (20.1)
$n
Límites de control para una gráfica x: media del proceso

y desviación estándar conocida
UCL $ µ " 3σ x (20.2)

LCL $ µ % 3σ x (20.3)
Media muestral general
x1 " x2 " . . . " xk

x$ (20.4)
k
Rango promedio
R1 " R2 " . . . " Rk

R$ (20.5)
k
Límites de control para una gráfica x: media del proceso y desviación

estándar desconocida
x & A2R (20.8)
Límites de control para una gráfica R
UCL $ RD4 (20.14)

LCL $ RD3 (20.15)
Ejercicios complementarios 933
Error estándar de la proporción
p(1 % p)
σp $ (20.16)
n
Límites de control para una gráfica p
UCL $ p " 3σp (20.17)

LCL $ p % 3σp (20.18)
Límites de control para una gráfica np
UCL $ np " 3 $np(1 % p) (20.19)
LCL $ np % 3 $np(1 % p) (20.20)
Función de probabilidad binomial para un muestreo de aceptación
n!
f (x) $ p x(1 % p)(n%x) (20.21)
x!(n % x)!
Ejercicios complementarios
16. Muestras de tamaño 5 proporcionaron las siguientes 20 medias muestrales para un proceso de
producción que se considera bajo control.
95.72 95.24 95.18
95.44 95.46 95.32
95.40 95.44 95.08
95.50 95.80 95.22
95.56 95.22 95.04
95.72 94.82 95.46
95.60 95.78
a) Con base en estos datos, ¿cuál es la estimación de la media cuando el proceso está bajo
control?
b) Suponga que la desviación estándar del proceso es σ $ 0.50. Desarrolle la gráfica de con-
trol x para este proceso de producción. Suponga que la media del proceso es la estimación
desarrollada en el inciso a).
c) ¿Algunas de las 20 medias muestrales indican que el proceso está fuera de control?
17. En un proceso, los pesos de llenado se distribuyen normalmente con una media de 350 gramos
y una desviación estándar de 15 gramos.
a) Obtenga los límites de control de la gráfica x para muestras de tamaño 10, 20 y 30.
b) ¿Qué le sucede a los límites de control a medida que aumenta el tamaño de la muestra?
c) ¿Qué ocurre cuando se comete un error tipo I?
d) ¿Qué sucede si se comete un error tipo II?
e) ¿Cuál es la probabilidad de cometer un error tipo I con muestras de tamaño 10, 20 y 30?
f ) ¿Cuál es la ventaja de aumentar el tamaño de la muestra para los propósitos de una gráfica
de control? ¿Qué probabilidad de error se reduce conforme este tamaño se incrementa?
18. Con 25 muestras de tamaño 5 se obtuvieron x $ 5.42 y R $ 2.0. Calcule los límites de control
de las gráficas x y R, y estime la desviación estándar del proceso.
19. Los datos de control de calidad que se presentan en la primera tabla de la página siguiente se
obtuvieron de un proceso de manufactura en Kensport Chemical Company. Los datos muestran
la temperatura en grados centígrados medida en cinco puntos durante un ciclo de manufactura.
La empresa está interesada en emplear gráficas de control para monitorear la temperatura de su
proceso de manufactura. Construya las gráficas x y R. ¿A qué conclusión se puede llegar acerca
de la calidad del proceso?
Muestra x R Muestra x R
1 95.72 1.0 11 95.80 0.6
2 95.24 .9 12 95.22 0.2
3 95.18 .8 13 95.56 1.3
4 95.44 .4 14 95.22 0.5
5 95.46 .5 15 95.04 0.8
6 95.32 1.1 16 95.72 1.1
7 95.40 .9 17 94.82 0.6
8 95.44 .3 18 95.46 0.5
9 95.08 .2 19 95.60 0.4
10 95.50 .6 20 95.74 0.6
20. Los siguientes datos se obtuvieron del proceso de producción de Master Blend Cofee y repre-
sentan las cinco observaciones (Observations) de 10 muestras (Sample) de los pesos de llenado
de latas de café de 3 libras. Utilice estos datos para construir las cartas x y R. ¿A qué conclusión
se puede llegar sobre la calidad del proceso de producción?
Observations
Sample 1 2 3 4 5
1 3.05 3.08 3.07 3.11 3.11
WEB archivo 2
3
3.13
3.06
3.07
3.04
3.05
3.12
3.10
3.11
3.10
3.10
Coffee 4 3.09 3.08 3.09 3.09 3.07
5 3.10 3.06 3.06 3.07 3.08
6 3.08 3.10 3.13 3.03 3.06
7 3.06 3.06 3.08 3.10 3.08
8 3.11 3.08 3.07 3.07 3.07
9 3.09 3.09 3.08 3.07 3.09
10 3.06 3.11 3.07 3.09 3.07
21. Considere las siguientes situaciones. Opine acerca de si la situación podría ser motivo de preo-
cupación debido a la calidad del proceso.
a) En una gráfica p se tiene LCL $ 0 y UCL $ 0.068. Cuando el proceso está bajo control, la
proporción de unidades defectuosas es 0.033. Represente gráficamente los siguientes siete
resultados de la muestra: 0.035, 0.062, 0.055, 0.049, 0.058, 0.066 y 0.055. Comente.
b) En una gráfica x se tiene LCL $ 22.2 y UCL $ 24.5. La media es µ $ 23.35 cuando el
proceso está bajo control. Represente gráficamente los siguientes siete resultados de la
muestra: 22,4, 22.6, 22.65, 23.2, 23.4, 23.85 y 24.1. Comente.
22. Dos veces al mes los gerentes de 1 200 comercios minoristas distintos ordenan pedidos de
reposición de existencias a la casa matriz. La experiencia pasada demuestra que 4% de los pedi-
dos resultó con uno o más errores, como el envío de artículos equivocados, cantidad del envío
incorrecta y el artículo solicitado pero no enviado. Cada mes, muestras aleatorias de pedidos
200 son seleccionadas y se verifica su exactitud.
a) Construya una gráfica de control para esta situación.
b) Los datos de los últimos seis meses muestran los siguientes números de los pedidos con
uno o varios errores: 10, 15, 6, 13, 8 y 17. Disponga estos datos en una gráfica de control.
¿Qué indica la gráfica acerca de este proceso de pedido?
23. Se está considerando un plan de muestreo de aceptación con n $ 10, c $ 2. Suponga que
p0 $ 0.05 y p1 $ 0.20.
a) Calcule los riesgos tanto del productor como del consumidor en este plan de muestreo de
aceptación.
b) ¿Estará inconforme el productor, el consumidor, o ambos, con el plan de muestreo pro-
puesto?
c) ¿Recomendaría algún cambio en su plan de muestreo?
Apéndice 20.2 Cartas de control al utilizar StatTools 935
24. Un plan de muestreo de aceptación fue diseñado con n $ 15 y c $ 1, con un riesgo del pro-
ductor de 0.075.
a) ¿Cuál es el valor de p0 0.01, 0.02, 0.03, 0.04 o 0.05? ¿Qué significa este valor?
b) ¿Cuál es el riesgo del consumidor asociado con este plan si p1 es 0.25?
25. Un fabricante elabora productos alimenticios enlatados. Sea p la proporción de los lotes que no
cumplen con las especificaciones de calidad del producto. El plan de muestreo de aceptación
utilizará n $ 25, c $ 0.
a) Calcule los puntos en la curva características de operación cuando p $ 0.01, 0.03, 0.10 y
0.20.
b) Trace la curva característica de operación.
c) ¿Cuál es la probabilidad de que el plan de muestreo de aceptación rechace un lote que
contenga 0.01 defectos?
Apéndice 20.1 Gráficas de control con Minitab

En este apéndice se describen los pasos necesarios para trazar las gráficas de control con Minitab
WEB archivo utilizando los datos de Jensen Computer Supplies que se muestran en la tabla 20.2. El número
Jensen de la muestra aparece en la columna C1, la primera observación en la columna C2, la segunda
observación en la columna C3, y así sucesivamente. Los pasos siguientes describen cómo utili-
zar Minitab para producir al mismo tiempo tanto la gráfica x como la gráfica R.
Paso 1. Seleccione el menú Stat.

Paso 2. Elija Control Charts.
Paso 3. Seleccione Variables Charts for Subgroups.
Paso 4. Elija Xbar-R.
Paso 5. Cuando el cuadro de diálogo Xbar-R Chart aparezca:
Seleccione Observations for a subgroup are in one row of columns.
En el cuadro que se encuentra debajo, introduzca C2-C6.
Seleccione Xbar-R Options.
Paso 6. Cuando el cuadro de diálogo Xbar-R-Options aparezca:
Seleccione la pestaña Tests.
Seleccione Perform selected tests for special causes.
Elija 1 point > K standard deviations from center line*.
Introduzca 3 en la caja K.
Haga clic en OK.
Paso 7. Cuando el cuadro de diálogo Xbar-R Chart aparezca:
Haga clic en OK.
Las gráficas x y R aparecen juntas en el resultado de Minitab. Las alternativas disponibles en el

paso 3 del procedimiento anterior facilitan el acceso a una variedad de opciones de gráficas de
control. Por ejemplo, se puede seleccionar que las gráficas x y R aparezcan por separado. Las
opciones adicionales incluyen la gráfica p, la gráfica np, y otras.
Apéndice 20.2 Gráficas de control utilizando StatTools

En este apéndice se muestra cómo utilizar StatTools para elaborar las gráficas x y R con los
WEB archivo datos de Jensen Computer Supplies mostrados en la tabla 20.2. La figura 20.16 es una hoja
Jensen de cálculo de Excel con los datos de Jensen. Comience usando Data Set Manager para crear un
1
Minitab proporciona pruebas adicionales para detectar causas especiales de variación, así como las situaciones fuera de
control. El usuario puede seleccionar varios de estos análisis de forma simultánea.
conjunto de datos con StatTools mediante el procedimiento descrito en el apéndice del capí-
tulo 1. Los pasos siguientes describen cómo utilizar StatTools para elaborar las gráficas de
control.
Paso 1. Haga clic en la barra de herramientas de StatTools.

Paso 2. En el grupo Analyses, haga clic en Quality Control.
Paso 3. Elija la opción de X/R Charts.
Paso 4. Cuando el cuadro de diálogo StatTools-Xbar and R Control Charts aparezca:
Seleccione X-Bar/R Chart en el cuadro Chart Type.
En la sección Variables, elija Observation 1, Observation 2,
Observation 3, Observation 4 y Observation 5.
Haga clic en OK.
Aparecerá una gráfica x similar a la de la figura 20.7. Luego seguirá una gráfica R similar a la
de la figura 20.8.
FIGURA 20.16 Hoja de cálculo de Excel para Jensen Computer Supplies
A B C D E F G
1 Sample Observation 1 Observation 2 Observation 3 Observation 4 Observation 5
2 1 3.5056 3.5086 3.5144 3.5009 3.5030
3 2 3.4882 3.5085 3.4884 3.5250 3.5031
4 3 3.4897 3.4898 3.4995 3.5130 3.4969
5 4 3.5153 3.5120 3.4989 3.4900 3.4837
6 5 3.5059 3.5113 3.5011 3.4773 3.4801
7 6 3.4977 3.4961 3.5050 3.5014 3.5060
8 7 3.4910 3.4913 3.4976 3.4831 3.5044
9 8 3.4991 3.4853 3.4830 3.5083 3.5094
10 9 3.5099 3.5162 3.5228 3.4958 3.5004
11 10 3.4880 3.5015 3.5094 3.5102 3.5146
12 11 3.4881 3.4887 3.5141 3.5175 3.4863
13 12 3.5043 3.4867 3.4946 3.5018 3.4784
14 13 3.5043 3.4769 3.4944 3.5014 3.4904
15 14 3.5004 3.5030 3.5082 3.5045 3.5234
16 15 3.4846 3.4938 3.5065 3.5089 3.5011
17 16 3.5145 3.4832 3.5188 3.4935 3.4989
18 17 3.5004 3.5042 3.4954 3.5020 3.4889
19 18 3.4959 3.4823 3.4964 3.5082 3.4871
20 19 3.4878 3.4864 3.4960 3.5070 3.4984
21 20 3.4969 3.5144 3.5053 3.4985 3.4885
22

Cap 20 Anderson

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap 20 Anderson

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 20

Independientemente de cómo se aplica en diferentes organizaciones, la calidad total se basa en

20.1 Filosofías y marcos de referencia

El Malcolm Baldrige National Quality Award

Six Sigma: límites y defectos por millón de oportunidades En la terminología

15.45 16.05 16.65

20.2 Control estadístico de procesos

TABLA 20.1 Resultados del control estadístico de procesos

Estado del proceso de producción

Ajuste del proceso Error tipo I Decisión correcta

FIGURA 20.3 Estructura de una gráfica x

Gráfica x: media y desviación estándar

Muestral del proceso µ

FIGURA 20.5 Distribución de muestreo de x para una muestra de n pesos de llenado

FIGURA 20.6 Gráfica x para el proceso de llenado de las cajas de cereales

16.05 Media del proceso

LÍMITES DE CONTROL PARA UNA GRÁFICA x: MEDIA DEL PROCESO Y DESVIACIÓN

UCL ! µ " 3σ x (20.2)

Retomando el ejemplo de KJW Packaging, el proceso de distribución de los pesos de lle-

Gráfica x: media y desviación estándar

MEDIA MUESTRAL GENERAL

x1 " x2 " . . . " xk

TABLA 20.2 Datos del problema de Jensen Computer Supplies

R1 " R2 " . . . " Rk

3.4995 $ (0.577)(0.0253) ! 3.4995 $ 0.0146

Por tanto, UCL ! 3.514 y LCL ! 3.485.

TABLA 20.3 Factores para x y para las gráficas de control R

6 2.534 0.483 0.848 0 2.004

11 3.173 0.285 0.787 0.256 1.744

16 3.532 0.212 0.750 0.363 1.637

21 3.778 0.173 0.724 0.425 1.575

En la figura 20.7 se presenta la gráfica x para el problema de Jensen Computer Supplies.

FIGURA 20.7 Gráfica x para el problema de Jensen Computer Supplies

3.515 UCL ! 3.514

Media muestral 3.505

3.485 LCL ! 3.485

Se pueden expresar los límites de control para la gráfica R como

UCL ! RD4 (20.14)

LCL ! RD3 (20.15)

Los valores de D3 y D4 también se obtienen de la tabla 20.3. Observe que n ! 5, D3 ! 0 y

Si la gráfica R indica que UCL ! 0.0253(2.114) ! 0.053

FIGURA 20.8 Carta R para el problema de Jensen Computer Supplies

0.00 LCL ! 0.000

central se observa en la media general de los 20 rangos de la muestra, R ! 0.0253. El UCL es

Se estudió también en el capítulo 7 que la distribución de muestreo de p se puede aproximar por

FIGURA 20.9 Distribución de muestreo de p

En resumen, siempre que el tamaño de la muestra sea grande, la distribución de muestreo de p

LÍMITES DE CONTROL PARA UNA GRÁFICA p

UCL ! p $ 3σp (20.17)

0.03(1 " 0.03)

LÍMITES DE CONTROL EN UNA GRÁFICA np

UCL ! np $ 3 $np(1 " p) (20.19)

LCL ! np " 3 $np(1 " p) (20.20)

defectuosos observados, mientras que la gráfica p es sobre la proporción de artículos defec-

Interpretación de las gráficas de control

128.8 128.2 129.1 128.7 128.4 129.2

129.3 128.7 128.6 129.2 129.5 129.0

Sample Tread Wear*

20.3 Muestreo de aceptación

FIGURA 20.11 Procedimiento de muestreo de aceptación

Recepción del lote

Comparación de los resultados

Aceptación de un lote Rechazo de un lote