Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap 20 Anderson
Cap 20 Anderson
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
1
J. R. Evans y W. M. Lindsay, The management and control of quality, 6a. ed., Cincinnati, OH., South-Western, 2005,
pp. 18–19.
906 Capítulo 20 Métodos estadísticos para el control de calidad
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.
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.
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
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.
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
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.
FIGURA 20.4 Distribución normal del peso de llenado de las cajas de cereales
σ ! 0.10
16.05
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.
912 Capítulo 20 Métodos estadísticos para el control de calidad
16.20
UCL ! 16.17
16.15
Media muestral x
16.10
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
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.
donde
xj ! media de la j-ésima muestra j ! 1, 2, . . . , k
k ! número de muestras
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
914 Capítulo 20 Métodos estadísticos para el control de calidad
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
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
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
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.
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
916 Capítulo 20 Métodos estadísticos para el control de calidad
x ! 3.4995
3.495
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
0.06
UCL ! 0.053
0.05
Rango muestral
0.04
0.03
R ! 0.0253
0.02
0.01
5 10 15 20
Número de la muestra
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
np # 5
n(1 " p) # 5
918 Capítulo 20 Métodos estadísticos para el control de calidad
p(1 " p)
σp !
n
p
p
E(p)
Con p ! 0.03 y la muestra de tamaño n ! 200, la ecuación (20.16) indica que el error
estándar es
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.
20.2 Control estadístico de procesos 919
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:
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
920 Capítulo 20 Métodos estadísticos para el control de calidad
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).
20.2 Control estadístico de procesos 921
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?
c) ¿El proceso está bajo control para una muestra de la que se obtienen los siguientes datos?
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.
*Centésimas de pulgada
922 Capítulo 20 Métodos estadísticos para el control de calidad
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).
Muestra seleccionada
Inspección de la calidad
de la muestra
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
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.
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.
926 Capítulo 20 Métodos estadísticos para el control de calidad
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.
1.00
0.90
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
928 Capítulo 20 Métodos estadísticos para el control de calidad
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
0.40
0.30
0.20
0.10
0 5 10 15 20 25
p0 p1
Porcentaje defectos en el lote
20.3 Muestreo de aceptación 929
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.
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
?
930 Capítulo 20 Métodos estadísticos para el control de calidad
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.
932 Capítulo 20 Métodos estadísticos para el control de calidad
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
Rango promedio
p(1 % p)
σp $ (20.16)
n
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?
934 Capítulo 20 Métodos estadísticos para el control de calidad
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?
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.
936 Capítulo 20 Métodos estadísticos para el control de calidad
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.
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.
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