Muestreode Aceptaci On

Control de Calidad Estadstico, Parte dos, Muestreo
Autor: Edgardo Ojeda Barcos

Derechos de autor en trmite. Prohibida su reproduccin.
Para uso acadmico exclusivo con permiso del autor Pgina 1 de 52

Autor del presente manual:

Edgardo Ojeda Barcos

Profesor de Control de Calidad y Estadstica
Inacap Universidad Tecnolgica de Chile

Licenciado en Organizacin Industrial
Universidad Argentina de La Empresa

Postgrado en Ingeniera de Calidad
Universidad de Santiago de Chile

Control de calidad Estadstico

Parte dos

Muestreo de Aceptacin


INDICE

1 Muestreo Al Azar

1.1 Definiciones
1.2 Muestreo Al Azar.
1.3 Observaciones Sobre El Uso De La Norma Nch 43:

2 Muestreo De Aceptacin Por Atributos.

2.1 Clasificacin De Los Defectos
2.2 Muestreo De Aceptacin.
2.3 Plan De Muestreo.
2.4 Establecimiento De Planes De Muestreo
2.4.1 Curvas Operativas
2.4.1.1 Curva Ideal
2.4.1.2 Clculo De Curvas Operativas
2.4.1.3 Diferentes Planes De Muestreo Dan Distintas Curvas Operativas
2.4.1.4 Planes De Muestreo Mltiplos De Otro Dan Distintas Protecciones.
2.4.1.5 Dos Puntos, El AQL Y El LTPD, Definen Una Sola Curva.
2.4.1.6 Por Un Punto Pueden Pasar Infinitas Curvas.
2.4.1.7 Si Se Mantiene Fijo El Criterio, La Proteccin Aumenta Al Aumentar N.
2.4.1.8 Si Se Mantiene Fijo N La Proteccin Decrece Al Aumentar C.
2.4.2 Clculo De n Y c A Partir De Un AQL Y LTPD Dados.
2.4.3 Calidad De Salida Y Lmite De Calidad De Salida.
2.5 Tipos De Planes De Muestreo
2.5.1 Muestreo Simple
2.5.2 Muestreo Doble
2.5.3 Muestreo Mltiple
2.5.4 Muestreo Normal
2.5.5 Muestreo Riguroso
2.5.6 Muestreo Reducido

3 Norma Chilena 44

4 Muestreo De Aceptacin Por Variables.

4.1 Introduccin
4.2 Caractersticas Del Mtodo De Recepcin Por Variables.
4.3 Conceptos Iniciales, Porcentaje De Defectuosos
4.4 Criterios Esenciales Para La Recepcin Por Variables.
4.5 Curva Caracterstica Operativa
4.6 Clculo De La Curva Caracterstica Operativa De Un Plan De Recepcin Por
Variables.

5 Muestreo por variables, Norma Chilena 1208
6 Pruebas de duracin y confiabilidad
7 Introduccin al Minitab
8 Adjuntos


1 Muestreo Al Azar

1.1 Definiciones:

El siguiente listado incorpora algunas definiciones claves en el vocabulario a utilizar
en el desarrollo de esta materia.

Poblacin: Son todas las unidades de las cuales necesitamos conocer sus
parmetros que nos indique sus valores centrales o su dispersin.

Parmetros: son los valores que describen la poblacin. Normalmente nunca
llegaremos a conocerlos con exactitud. Solo los podremos estimar.

Esta estimacin de los parmetros poblacionales es uno de los objetivos ms
importantes de la Estadstica.

Ejemplos de parmetros poblacionales: media aritmtica poblacional: X, desviacin
tpica poblacional, , etc.

Muestra: una muestra es una cantidad de unidades tomadas de la poblacin. Dicha
muestra debe reunir dos condiciones principales: a) que las unidades estn tomadas
al ms riguroso azar, y b) que la cantidad a retirar sea una cantidad estadsticamente
determinada.

Azar: Una muestra ha sido tomada al azar cuando todas las unidades han tenido las
mismas oportunidades de ser elegidas.

Estadsticos: son los valores que describen la muestra, a diferencia de los
parmetros estos si se pueden conocer y son los que se usan para inferir los
parmetros de la poblacin de donde fue sacada la muestra.

1.2 Muestreo Al Azar.

Se denomina muestreo al azar a la accin de extraer una muestra de una
determinada poblacin con el objeto de estimar los parmetros de dicha poblacin.

Existen diferentes tipos de muestreo.

En el desarrollo de esta materia se utilizar como modelo la descripcin que contiene
a Norma Chilena 43, la cual es objeto de estudio.

En ella se destaca:

Extraccin de una muestra de un lote
Extraccin de una muestra de cada uno de varios lotes.
Extraccin de una muestra de cada uno de una serie indefinida de lotes.
Extraccin sistemtica de una muestra.

En el primer caso la norma describe la tcnica para extraer mediante el uso de las
tablas de nmeros al azar, una muestra de tamao n de un lote de tamao N,

En el segundo caso se describe la tcnica para la extraccin de una muestra de
cada lote asumiendo que todos los lotes son del mismo tamao N.

En el tercer caso, la norme supone que los lotes llegan en una serie indefinida de
lotes de igual tamao. La norma comienza con la confeccin de una planilla que
luego podr usarse muchas veces, sin necesidad de volver a calcularla.

En el ltimo caso, la norma sugiere utilizar un modelo de extraccin donde el azar
est presente en la determinacin de la primera unidad. Posteriormente se extraen
a partir de ella el resto de las muestras extrayendo las muestra cada k unidades,
siendo k el cociente N/n.

1.3 Observaciones Sobre El Uso De La Norma Nch 43:

Mucho se habla sobre la inutilidad de esta norma, sobre la imposibilidad de
numerar todas las unidades para poder seleccionarlas despus cuando se conocen
los nmeros segn la tabla de nmeros al azar, que la norma esta obsoleta y ya no es
oficial, etc.

Varias de las opiniones son ciertas, excepto que ya no es oficial, pues la norma est
absolutamente vigente en todos y cada uno de los pases que la han adoptado.

El motivo por el cual sigue siendo altamente conveniente estudiarla pese a los
problemas intrnsecos a su aplicabilidad, es que a travs de su estudio se desarrolla
el concepto del azar, la necesidad de hacer bien la tarea para no desperdiciar el
tiempo de la inspeccin, ya que es ms importante, la extraccin que la misma
inspeccin.

La frase vale ms mirar por encima una muestra bien sacada que mirar con
lupa una muestra mal sacada dice en pocas palabras lo que hay que hacer y como
hay que hacerlo.

Por supuesto que hay que hacer las dos cosas bien, extraer bien e inspeccionar bien.

Una muestra bien sacada al azar, en la mayora de las veces, tiene que llevar ms
tiempo que la inspeccin, y significa el 70 % del xito de la tarea que se est
haciendo.

Muchos son los casos donde la aplicacin de esta norma es posible y sencilla,
generalmente con productos de gran tamao como refrigeradores, automviles, etc.

En los casos de grandes producciones seriadas se utilizar todo el ingenio posible
para sacar la muestra de manera que est representada la poblacin completa lo ms
al azar posible. Y este ingenio se logra cuando hemos aprendido el concepto y la
necesidad de hacerlo que imparte como consecuencia el estudio de la vapuleada
norma NCH 43.

2 Muestreo De Aceptacin Por Atributos.

2.1 Clasificacin De Los Defectos:

Existen distintas maneras de clasificarlos. aqu utilizaremos el siguiente:

Defectos crticos: son aquellos que violan leyes, agreden al consumidor o hacen
inservible al producto.

Defectos mayores: producen una disminucin en el correcto funcionamiento o
utilizacin del producto y es notado por el consumidor.

Defectos menores: producen una disminucin leve en el correcto funcionamiento o
utilizacin del producto, probablemente no lo note el consumidor. pero si lo nota, el
personal calificado de produccin y de control de calidad,

Esta definicin tiene que ser coherente con las definiciones que se utilizan en el
proceso y en la recepcin de los materiales.

2.2 Muestreo De Aceptacin.

Este muestreo se utiliza indistintamente con los productos terminados en la fbrica y
la recepcin de materiales que ingresan para ser utilizados en los procesos.
Debe notarse que en muchos caso los productos terminados de una empresa es un
material de entrada de otra empresa.

Las tcnicas por muestreo son ms eficientes que otros tipos de muestreo. Se
puede demostrar fcilmente que la inspeccin 100% es pero que las tcnicas de
muestreo.

Tmese una hoja escrita de algn libro que contenga exclusivamente texto.
Pdase a 10 o ms alumnos que cuenten las letras a de la hoja.
Luego pida a cada uno que escriba en un papel la respuesta.
Registre las respuesta,
Observe las inevitables variaciones en el recuento.
Obtenga el promedio de letras a por filas, dividiendo el total por el nmero de filas.
Conserve algunos decimales.

Luego cuente la las filas del texto.
Utilice la Norma Chilena NCH 44 para determinar la cantidad de filas que se
inspeccionarn como muestra. Utilice el Nivel II.
Utilice la Norma Chilena NCH 43 para determinar que filas se inspeccionarn.
Cuente cuidadosamente la letras a solo de las filas seleccionadas.
Obtenga el promedio, dividiendo el total de letras encontradas en la muestra
dividido el nmero de filas.
Compare el resultado con el promedio anterior.

Ambas respuestas sern muy cercanas si se trabaj con seriedad estadstica.

Es conveniente hacer la prueba con una pgina que se haya controlado en Word,
que el Software tiene la habilidad de contar las letras y de esa forma se conocer el
parmetro: media de la poblacin con el cual controlar el experimento.

Bien es sabido que hay situaciones donde el muestreo 100% es obligatorio, en esos
caso se hace indispensable automatizar el procedimiento de inspeccin o proceder
a una rotacin muy frecuente del personal involucrado para evitar errores que de
todas maneras existirn.

Otros procedimientos de muestreo no se consideran en este estudio por
considerarlos inadecuados para el control de productos terminados industriales.

2.3 Plan De Muestreo.

Un plan de muestreo debe definirse como un tamao de muestra con un criterio de
aceptacin y rechazo

Es decir se determina un tamao de muestra siguiendo procesos estadsticos o
utilizando las tablas que existen para dicho fin como la Norma Chilena 44. Luego se
elige un criterio segn el cual se defender un nivel de calidad que nos interesa para
nuestro producto.

Si al revisar la muestra se encuentra tantos defectos como el criterio indica o menos
se aprueba el lote, si se encuentra ms se rechaza.

2.4 Establecimiento De Planes De Muestreo

2.4.1 Curvas Operativas

2.4.1.1 Curva Ideal

Una curva operativa nos da la relacin entre los posibles porcentajes de defectos de
un lote que ingresa y la probabilidad de que se apruebe dicho lote.

Supongamos a modo de hiptesis que el nivel de calidad deseado y que estamos
dispuestos a aceptar sea del 2 %. Entonces, si nos llega un lote con 1% o 1,5%
defectuoso, o sea, por debajo del nivel de calidad que estamos dispuestos a tolerar,
desearamos aprobar el lote todas las veces que llegue, o sea el 100% de los lotes
que tengan un % igual o inferior a 2%.
En cambio, si el lote llega 3% o ms, vamos a desear rechazarlo todas las veces
que llegue.
Con este criterio podemos dibujar la curva ideal, que relacione la probabilidad de
aprobar y los porcentajes defectuosos que podramos recibir por parte de un
proveedor determinado.

Curva Operativa Ideal
0
20
40
60
80
100
0
0
,
2
0
,
4
0
,
6
0
,
81
1
,
2
1
,
4
1
,
6
1
,
82
2
,
2
2
,
4
2
,
6
2
,
73
3
,
2
Porcentajes de defectos en el ingreso de lotes.
P
r
o
b
a
b
i
l
i
d
a
d

d
e

a
p
r
o
b
a
r

e
l

l
o
t
e

Esta curva muestra una situacin ideal donde, si el lote llega hasta exactamente
con 2% defectuoso, la probabilidad de aprobar ser el 100% , y, si llega apenas con
un poco ms de defectos, por ejemplo, 2,1%, sera rechazado siempre.

Pero esta situacin es solo terica. Para entender mejor lo que realmente sucede,
imaginemos que tenemos 1000 unidades con 2% de defectuosos. Esto quiere decir
que en las 1000 unidades hay 20 unidades malas.
Supongamos ahora que retiramos 100 unidades del lote a modo de muestra. De
acuerdo con las proporciones, deberan salir en la muestra 2 unidades defectuosas.
Pero es intuitivo que esto no necesariamente se cumple todas las veces, en
muchas oportunidades estarn las dos unidades defectuosas, pero muchas otras,
habrn solo una o ninguna, y otras tres o ms. Esta variacin se denomina
Variaciones debidas al Muestreo y forma parte de un estudio muy especfico de
la estadstica aplicada al Control de Calidad.
Por ello, cuando recibimos un lote con 2% defectuoso, y estamos dispuestos a
recibirlo pues esta dentro de la calidad aceptable, puede suceder que al sacar la
muestra, retiremos ms defectos que los que la proporcin del lote tiene, por
ejemplo 4 defectos, el doble, y por ello pensamos que el lote es defectuoso aunque
en realidad no lo es. Y puede suceder lo contrario, (y esto es lo ms lamentable),
que llegue un lote, por ejemplo, 5% defectuoso, pero a retirar la muestra, los
defectos se escondieron y lo acepto creyendo que es solo 2% defectuoso, cuando
en realidad es 5% defectuoso.

Nos preguntamos ahora, que probabilidad tiene que sucedan estas cosas. La
respuesta la dan las curvas operativas que se obtienen utilizando las tablas de
Poisson integradas.

2.4.1.2 Clculo De Curvas Operativas

Para interpretar las curvas operativas, imaginemos que estamos recibiendo un lote
de algn producto, que tiene 2% defectuoso, este dato por supuesto, es
desconocido por nosotros que recibimos el lote, de lo contrario no nos
molestaramos en revisarlo!. Supongamos que la muestra a sacar del lote sea de
100 unidades, y que el criterio a utilizar sea c = 2, es decir que si encontramos 0,1
2 defectos aprobaremos el lote, si encontramos 3 ms, el lote ser rechazado. A
partir de ahora, tenemos que abandonar la idea de proporciones, es decir, el
concepto de % de defectos como criterio no es vlido, solo debemos pensar en los
criterios de aceptacin y asociarles la probabilidad de que suceda. Por ello nos
preguntamos, cul es la probabilidad de que al retirar al azar, 100 unidades de un
lote 2% defectuoso, encontremos 0,1 2 defectos?
La respuesta la obtendremos aplicando la frmula de Poisson, donde, n = 100, p =
0.02 y x = 0, 1 y 2.

! x
e ) np (
) x ( P
np x
=
El clculo nos da para la probabilidad de:

P(0)= 0.1353
P(1)= 0.2703
P(2)= 0.2703

Total: 0.6766

Este clculo nos dice que si retiramos 100 unidades del lote 2% defectuoso, existe,
67,66 % de probabilidad de encontrar 0, 1 2 defectos. Dicho de otra manera,
existe un 67.66% de probabilidad de aprobar el lote con el criterio c = 2 para una
muestra de n = 100

Ahora bien, siguiendo con el mismo n = 100 y c = 2, esto es, con el mismo Plan De
Muestreo, nos preguntamos, qu pasa si el lote es 3% defectuoso?
Qu probabilidad habra de aprobar el lote con el criterio c = 2 y n = 100?

En este caso los datos son:

p = 0,03
n = 100
x = 0, 1 y 2

El clculo nos da una probabilidad de 42,22%.

Es decir, a medida que el lote aumenta su fraccin defectuosa, la probabilidad de
que el lote sea aprobado ira disminuyendo.
Es necesario que se tenga claro que la decisin de aprobar un lote 3% defectuoso,
se hace creyendo que el lote es solamente 2% defectuoso, es decir, lo que sucedi
es que al sacar la muestra, los defectos se escondieron y salieron menos de lo
que la proporcin (el %) sugera.

Con este concepto claro, podemos ahora trazar nuestra curva operativa para n =
100 y c = 2 y contestarnos las distintas alternativas que se nos presenta.

C u r v a s O p e r a t i v a s
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
0 1 2 3 4 5 6 7
F r a c c i n d e f e c t u o s a
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

En este grfico podemos contestarnos, leyendo el grfico, qu pasa si recibimos
un lote 5% defectuoso?. qu probabilidad hay de aprobar el lote? La probabilidad
es aproximadamente del 12 13%.
Y qu pasa si recibimos un lote 1% defectuoso, o sea de buena calidad? La
probabilidad aproximada es del 92%. Ntese que pese a que el nivel de
defectuosos es la mitad de lo que estamos dispuestos aceptar, la probabilidad de
aprobar no es del 100%, Siempre hay una probabilidad de que al sacar 100
unidades se nos pegue en la mano ms defectos que los que corresponden.

Ahora tenemos que ver como se construye la curva, para lo cual tendremos que
usar la tabla de Poisson integrada.

p% p n np P
A
(%)
0 0,00 100 0 100
1 0,01 100 1 92
2 0,02 100 2 68
3 0,03 100 3 42
4 0,04 100 4 24
5 0,05 100 5 13
6 0,06 100 6 6
7 0,07 100 7 3
8 0,08 100 8 1

Estos porcentajes son los que se leen en el grfico anterior.

2.4.1.3 Diferentes Planes De Muestreo Dan Distintas Curvas Operativas

A continuacin mostraremos cuatro curvas para cuatro diferentes planes de
muestreo:
Plan de muestreo 1: n = 200 c = 3 (caf)
Plan de muestreo 2: n = 150 c = 1 (roja)
Plan de muestreo 3: n = 300 c = 0 (verde)
Plan de muestreo 4: n = 300 c = 3 (azul)
Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

Como podemos ver en el grfico, la curva n = 300, c = 0 ( verde) es la ms
exigente, es decir cuando aumenta el % de defectos, rpidamente disminuye la
probabilidad de aceptacin del lote, y esto sucede porque el criterio de aceptacin
es cero y por lo tanto es muy exigente.
La curva n = 300, c = 3 (azul), para la misma cantidad de muestra, el criterio es 3,
por lo tanto puede observarse que lotes con mayor % de defectos tienen ms
probabilidad de ser aceptados.
La curva n = 200, c = 3 se presenta como ms tolerante aun que la anterior, pues
para un tamao de muestra menor, acepta 3 defectos, por ello, la curva se desplaza
aun ms a la derecha.
Por ltimo, la curva n = 150, c = 1 (roja), tiene cierto parecido a la curva n = 300, c =
3 aunque se puede ver que a porcentajes defectuosos bajos es ms exigente que la
curva azul, y cuando el % defectuoso aumenta la situacin es inversa, siendo el
plan n = 300, c = 3 ms exigente.

2.4.1.4 Planes De Muestreo Mltiplos De Otro Dan Distintas Protecciones.

Ahora estudiaremos un caso muy importante, tomemos 4 curvas que sean mltiplos
unos de otros, la curva uno (caf), es n = 100, c = 2, la curva dos (roja), es n = 200,
c = 4 , la curva 3 (verde) es n = 400, c = 8 y la cuatro ( azul), es n = 600, c = 12.
Alguien podra suponer (errneamente) que por ser proporcionalmente iguales,
debieran darnos la mismas curvas, sin embargo no son iguales:

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

Las curvas van girando sobre un eje imaginario ubicado cerca de p = 2%, y a
medida que aumenta el tamao de n, se acerca a la curva ideal. Esto nos deja una
vez ms la enseanza de que en control de Calidad, cuanto ms grande es la
muestra, mejor informacin obtenemos. (Mayor confianza estadstica)

2.4.1.5 Dos Puntos, El Aql Y El Ltpd, Definen Una Sola Curva.

A continuacin fijaremos dos puntos importantes en las curvas operativas, estos
puntos son, el AQL, (siglas en ingls) conocido como Nivel de Calidad Aceptable, y
el LTPD (siglas en Ingls) conocido como Porcentaje Mximo Tolerable para una
probabilidad de 10%.

El AQL, debe definirse como el porcentaje de defectos que tiene una probabilidad
cercana al 95% de ser aceptado, y se utiliza para definir el nivel de calidad que
deseamos obtener en nuestro producto.

El AQL es el idioma que debe utilizarse entre proveedor y cliente para determinar
los niveles de calidad de cada producto y para cada tipo de defecto.

A su vez, se define como Riesgo del Productor, al 5% de probabilidad de rechazo,
pese a que el lote tenga el nivel de calidad requerido. y se conoce como Riesgo
del Consumidor, a la probabilidad de aceptar el 10% de las veces lotes que tienen
un % elevado de defectos.
El siguiente grfico ilustra lo antes dicho. El plan de muestreo es n = 100, y c = 3.

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

En este grfico, la lnea verde, corta la curva para una probabilidad del 95%, y el
cruce corresponde a un porcentaje de defectos de 1,4%. Y para el LTPD, la lnea
azul corta al 10% de probabilidad de aceptacin y corresponde a un porcentaje de
defectos del 6,7%.
En el idioma de Control de Calidad, estos porcentajes defectuosos, son los que se
denominan AQL y LTPD, pero nunca debe olvidarse que estn asociados a las
correspondientes probabilidades mencionadas.

2.4.1.6 Por Un Punto Pueden Pasar Infinitas Curvas.

Existen diferentes tipos de planes de muestreo que se basan en puntos de
referencia distintos, por ejemplo, nuestras conocidas tablas NORMA CHILENA 44
se basan en el AQL, sin embargo, otros tipos se basan en el punto de indiferencia o
el LTPD. Nosotros no vamos a estudiar estos casos pero si haremos referencia a
las distintas familias de curvas.
El siguiente ejemplo muestra 4 curvas que pasan por el AQL correspondiente a
p=0.01 (1%).
Estos planes de muestreo son:
n: 6 y c: 0 ( caf), n: 135 y c: 3(roja), n: 395 y c: 7(verde), n: 690 y c: 11(azul)

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

Como se puede observar, las cuatro curvas tienen el mismo AQL, pero, la
proteccin, por ejemplo para un lote que llegue con 3% defectuoso es muy
diferente, el plan n = 6, c = 0 prcticamente dejar pasar casi el 90% mientras que
el plan n = 690, c = 11 no permitir aprobar casi ningn lote.

El siguiente grupo de curvas tienen el mismo LTPD, es decir tienen la misma
proteccin 10%. L fraccin defectuosa corresponde a p = 0.04 (4%).
Los planes de muestreo son:

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

Sin embargo, la proteccin para porcentajes bajos es muy diferente y en el caso del
plan n = 58, c = 0 es muy exigente, probablemente mas de lo conveniente.


El siguiente grupo, muestra un punto de coincidencia correspondiente al 50% de
probabilidad de aceptacin , por esa razn se lo denomina, punto de indiferencia,
pues tiene la misma probabilidad de aprobar o de rechazar.

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

La fraccin defectuosa correspondiente a dicho punto es de p = 0,02 (2%). Las
curvas muestran un determinado tipo de proteccin antes del punto de indiferencia,
que se invierte luego de dicho punto.

2.4.1.7 Si Se Mantiene Fijo El Criterio, La Proteccin Aumenta Al Aumentar N.

El siguiente grupo muestra el efecto de aumentar n desde 100 a 400 manteniendo c
= 1 constante:
n: 100 y c: 1 ( caf), n: 200 y c: 1(roja), n:300 y c: 1(verde), n: 400 y c: 1(azul)

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8


Como se puede apreciar, cuanto ms grande es n, la curva se desplaza hacia la
izquierda aumentando la exigencia.

2.4.1.8 Si Se Mantiene Fijo n La Proteccin Decrece Al Aumentar C.

Finalmente un caso simple, para un n = constante, variaremos el criterio c
volviendo el plan ms tolerante.

Curvas Operati vas
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7
Fraccin defectuosa
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

A medida que c crece la curva se desplaza hacia la derecha aumentado la
tolerancia.

2.4.2 Clculo De n Y c A Partir De Un AQL Y Ltpd Dados.

Puede suceder que nos pongamos de acuerdo con un proveedor o cliente acerca
de ciertos requerimientos de calidad de producto y necesitemos conocer el plan de
muestreo que satisface dicho requerimiento.
Por ejemplo, supongamos que necesitamos que el plan de muestreo satisfaga un
AQL de 0,5% y el LTPD el 4%.
Para calcular n y p nos valdremos de una sencilla tabla que no es ms que un
extracto de la tabla de Poisson . La tabla contiene los valores de np para el 95% y
el 10% de probabilidad de aprobacin.

Tabla Para El Clculo De Planes De Muestreo

AQL 0,95 LTPD

C Np C np
0 0,051 0 2,302
1 0,355 1 3,890
2 0,818 2 5,322
3 1,366 3 6,680
4 1,970 4 7.993
5 2,613 5 9,274
6 3,285 6 10,531
7 3,981 7 11,771
8 4,696 8 12.995
9 5,425 9 14.206
10 6,169 10 15,406
11 6,924 11 16,598

Nota: esta tabla esta calculada con la precisin de la milsima, por ello no coincide
con tablas de menor resolucin.

Los datos a satisfacer son:
AQL = 0,005 y LTPD = 0,04

Comenzamos el clculo proponiendo np = 0.055 para c = 0.
Luego tenemos que calcular n para lo cual dividimos 0,055 / 0.005=11
Es lgico que el plan de muestreo n = 11, c = 0 pase por el AQL 0.5% pues as lo
hemos calculado, pero nos preguntamos, satisface el LTPD?
Para saberlo hacemos el producto np = 11 x 0,04 = 0,44

Consultamos en la tabla de Poisson, la probabilidad para np = 0,44 y c = 0.
La probabilidad es 64.4% por lo tanto el plan de muestreo n = 11, c = 0 no sirve
Pasamos ahora a c = 1, np = 0,360, dividimos por 0,005 y nos da 72, as que se
propone n = 72, c = 1, hacemos el clculo para el LTPD, np = 72x0,04 = 2.88.
La tabla informa que para np = 2,88 c = 1, la probabilidad es de
21.8%(aproximado) por lo tanto parece que no sirve y pasamos a c = 2.
En c = 2 es np = 0.82, 0,82 / 0,005 = 164, o sea se propone n=164, c=2,
consultamos ahora lo que sucede para el LTPD, 164 x 0,04 = 6.56, la probabilidad
es de 4%

Ahora vemos que n = 72, c = 1 no alcanz al 10% y n = 164, c = 2 se pas.
Por ello deberemos hacer un ajuste fino. Para ello tendremos que mover n dejando
fijo c.
En la tabla buscamos para c = 2 el valor de np = LTPD y nos da 5,3 Este valor lo
dividimos por 0,04 y nos da 133, as que, el plan n = 133, c = 2 satisface el 10%
para el LTPD, pero que pasa ahora en el AQL? Multiplicamos 133 x 0.005 = 0,67,
La tabla de Poisson dice que para np = 0,67 y c = 2 la probabilidad es 96,9% por lo
tanto este plan satisface satisfactoriamente los requisitos iniciales.

Tambin podemos ajustar la otra curva, n = 77, c = 1

Buscamos el valor del LTPD para c = 1, y leemos 3.90.
Dividimos 3.9 / .04 = 98, n = 98, c = 1 satisface el LTPD, veamos para el AQL,
98x.005=0,49 y la probabilidad es de 91,3%, como se puede apreciar, esta curva se
aleja bastante ms del AQL que la anterior y debera rechazarse.
El plan elegido es n = 133, c = 2. Veamos las curvas de ambos planes de muestreo.
La curva verde corresponde a n = 133, c = 2 y la de color caf a n = 77, c = 1

C u r v a s O p e r a t i v a s
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
0 1 2 3 4 5 6 7
F r a c c i n d e f e c t u o s a
P
r
o
b
a
b
i
l
i
d
a
d
d
e

a
c
e
p
t
a
c
i
{
o
n

d
e
l

l
o
t
e
8

2.4.3 Calidad De Salida Y Lmite De Calidad De Salida.

Cuando estamos trabajando con planes de muestreo y aceptamos defectos por
debajo de los criterios establecidos nos preguntamos cual ser el nivel de defectos
final o sea de salida con el cual estamos trabajando.
Para conocerlo debemos realizar un sencillo clculo.
Pero antes tenemos que establecer ciertas pautas que no son siempre aplicables
pero para este clculo necesario. Supondremos que si el lote est sin defectos, o
con defectos que no superan los criterios establecidos se aprueba el lote, pero, si el
muestreo resulta con unidades defectuosas que superan los criterios procederemos
a revisar 100% el lote retirando las unidades defectuosas y reemplazndolas por
buenas. Es decir que un lote rechazado se transforma en un lote 100% bueno.

Ahora veamos el siguiente ejemplo terico.
Para un plan de muestreo n = 100 y c = 2

El primer clculo es conocer las probabilidades de aceptacin para cada fraccin
defectuosa posible de recibir desde 0% a 8% defectuoso, tal como se hizo para el
clculo de las curvas operativas.

p% p n Np P(a) %

0 0,000 100 0.00 100
1 0,010 100 1.00 92
2 0,020 100 2.00 68
3 0,030 100 3.00 42
4 0,040 100 4.00 24
5 0,050 100 5.00 12
6 0,060 100 6.00 6
7 0,070 100 7.00 3
8 0,080 100 8.00 1

Supongamos ahora que recibimos 100 lotes de 1000 unidades, con 1% defectuoso,
de acuerdo con las probabilidades calculadas, 92 lotes sern aprobados como
estn, es decir, entrarn 92000 unidades en las cuales habrn 920 defectos (el 1%
de 92000).
Los otros 8 lotes sern rechazados y revisados 100% reemplazando los defectos
por lo cual entraran sin defectos, por lo tanto la calidad del lote ser
920/100000=0.0092 o sea 0,92% defectuoso.
Repetimos el clculo para el 2%
De 100 lotes sern aprobados 68, por lo tanto ingresan 68000 unidades de las
cuales el 2% son defectuosos, esto es 1360 unidades, los restantes 32 lotes
rechazados son revisados e ingresan sin defectos. Por lo tanto, el nivel de defectos,
en este caso ser de 1360/100000=0,0136 o sea el 1,36%
Seguimos el clculo para cada caso y obtendremos la siguiente tabla:

p% p P(a) AOQ %

0 0,000 100 0,00
1 0,010 92 0,92
2 0,020 68 1.36
3 0,030 42 1.26
4 0,040 24 0.96
5 0,050 12 0.60
6 0,060 6 0.36
7 0,070 3 0.21
8 0,080 1 0.08

Se denomina AOQL o Lmite de Calidad de Salida al mayor valor de los calculados
en la ltima columna. En nuestro caso el AOQL es 1,36%

Puede observarse que una manera simplificada de obtener los resultados de la
columna AOQ es, simplemente multiplicando la columna p por la columna P(a), es
decir:


p x P(a) = AOQ

Siendo el mayor valor el AOQL denominado como:

Lmite de la Calidad de Salida

Esto significa que con el plan de muestreo que estamos utilizando, puede esperarse
que el material o producto tenga defectuoso, como mximo, el % calculado con el
procedimiento descrito.

A continuacin se muestra el grfico par 4 diferentes planes de muestreo:

n 50 100 200 400
AOQL AOQL AOQL AOQL
c 1 2 2 2 1,673 1,353 0,677 0,238

p P(a) P(a) P(a) P(a) AOQ AOQ AOQ AOQ
1 2 3 4 1 2 3 4
0,000 100,00 100,00 100,00 100,00 0,000 0,000 0,000 0,000
0,010 90,98 91,97 67,67 23,81 0,910 0,920 0,677 0,238
0,020 73,58 67,67 23,81 1,38 1,472 1,353 0,476 0,028
0,030 55,78 42,32 6,20 0,05 1,673 1,270 0,186 0,002
0,040 40,60 23,81 1,38 0,00 1,624 0,952 0,055 0,000
0,050 28,73 12,47 0,28 0,00 1,436 0,623 0,014 0,000
0,060 19,91 6,20 0,05 0,00 1,195 0,372 0,003 0,000
0,070 13,59 2,96 0,01 0,00 0,951 0,207 0,001 0,000

Puede observarse que a plan de muestreo ms exigente, menor ser el AOQL, lo
cual , por supuesto es deseable.

CURVAS DE AOQ
0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
0 3 6 9 12 15
PORCENTAJE DEFECTOS
A
O
Q

2.5 Tipos De Planes De Muestreo

2.5.1 Muestreo Simple.

Este muestreo se basa en la extraccin de una sola muestra tomada al azar. Una vez
revisada y contados los defectuosos se toma la decisin de aprobar o rechazar segn
se satisfaga el criterio de aprobacin del correspondiente plan de muestreo.

Ejemplo terico: Sea n el tamao y c el criterio:-
-----------------------------------------------------------

n
Si x c Si x > c
Se aprueba el lote Se rechaza el lote

2.5.2 Muestreo Doble.

Se basa en extraer, cuando es necesario, una segunda muestra para verificar la
calidad del lote.

Las dos muestras pueden tener tamao diferente, pero en la Norma Chilena 44 se
utiliza el mismo tamao en las dos muestras.

Sea el siguiente plan de muestreo doble:

n
1,
c
1
R
1

n
2,
c
2
R
2

Donde, entre el criterio uno y el rechazo hay un intervalo de indefinicin.

Se saca la primer muestra, se contabilizan los defectos, si la cantidad de defectos es
igual o menor al primer criterio se aprueba, si la cantidad es igual o mayor que R, se
rechaza, si la cantidad cae en el intervalo de indefinicin, se extrae una segunda
muestra. Con la segunda muestra no hay intervalo de indefinicin por lo cual solo cabe
aprobar o rechazar.

n
1
Si x c
1
Si x es >c
1
y <c
2
Si x > R
1

Se rechaza el lote Se aprueba el lote Se debe extraer una segunda muestra n
2

Si x c
2
Si x R
2

Se aprueba el Se rechaza el lote

2.5.3 Muestreo Mltiple.

En el muestreo mltiple, que utiliza la norma 44, se reitera la posibilidad de extraer
siguientes muestras, siempre del mismo tamao, postergando la decisin, cuando es el
caso, hasta la extraccin de la muestra nmero 7 donde se deber tomar
necesariamente la decisin de aprobar o rechazar.

2.5.4 Muestreo Normal.

Este tipo de plan es el que debe usarse al comenzare a inspeccionar por primera vez
un lote de producto terminado o de materiales que ingresan a la planta.

La historia del proveedor o del producto terminado en este tipo de inspeccin
determinar la calidad del proveedor o del proceso que se est recibiendo elproducto
terminado.

Mientras no hayan rechazos suficientes para salir de este tipo de inspeccin deber
permanecer en Normal.

2.5.5 Muestreo Riguroso.

Segn la Norma Chilena 44, se deber pasar al Muestreo Riguroso, cuando de los
ltimos 5 lotes haya 2 rechazos en inspeccin normal.
El Muestreo Riguroso reduce el nmero de aceptacin. Esto equivale al AQL anterior al
plan que se usa. Ntese que no se cambia el tamao de n. El resultado es que para el
mismo tamao de n se tolera menos defectos.

Esta manera de actuar es de castigo por tener menos calidad, pero, debe entenderse
que normalmente cuando un proceso disminuye su calidad, no lo hace por descuido
sino porque hay problemas, y si nos ponemos an ms rigurosos lo que va a suceder
es que se incrementa las dificultades o perdemos un proveedor.

Por esta razn, nuestra actitud, adems de pasar a estricta, deber ser la de colaborar
estrechamente con los responsables del proceso o el proveedor para solucionar lo
ms rpido posible los problemas que producen la baja calidad.

Para regresar a inspeccin normal se deber registrar 5 aprobaciones en inspeccin
rigurosa.

2.5.6 Muestreo Reducido.

El muestreo reducido es aquel donde la muestra a retirar es significativamente menor a
la que se extrae en el caso de la inspeccin normal.
Esto produce un ahorro de tiempo y por ello, menos gastos.
Pero para utilizar este procedimiento, con los buenos proveedores, deber darse
cuatro condiciones, y una vez reunida las cuatro podr pasarse a Muestreo Reducido.

a) Los 10 lotes precedentes son aprobados.
Aqu es conveniente asegurarnos que estamos inspeccionando bien. No vaya a
suceder que nuestras inspecciones no se estn haciendo, o nuestros criterios sean
exageradamente amplios!
b) La suma de los defectos de los 10 lotes aprobados no deben superar el nmero de
defectos que se indica en la correspondiente tabla 8. Cmo este nmero es casi un
tercio del total de defectos que podra haber entregado, suponiendo que cada lote
hubiera trado el mximo de defectos tolerables, queda evidente que el proveedor es
realmente bueno y por ello podemos tener la confianza necesaria para pasar a un
muestreo reducido.
c) la produccin tiene ritmo constante. (El perodo anual de vacaciones termina con
cualquier muestreo reducido vigente)
d) La autoridad responsable estima conveniente la inspeccin reducida.
Esto tiene relacin con la necesidad de conocer si el proveedor puede estar afectado
por factores como huelgas, problemas con los empleados, instalacin de nuevos
procesos, etc, que hagan desaconsejable la inspeccin reducida.

Es la opinin de este autor, que no es conveniente informar al proveedor que se est
inspeccionando con tamaos de muestras reducidas. Esto es un premio para nosotros,
y es prudente manejarlo con discrecin.

3 Norma Chilena 44.

La norma chilena 44 o su nueva versin 2003, comienza con una Tabla I donde se
ofrecen diferentes Niveles de Inspeccin.

Los Niveles I, II y III son los que deben usarse.

Los Niveles de Inspeccin Especiales tienen muestras pequeas, respecto a los
niveles normales, y deben ser usados nicamente para casos especficos y
recomendados por personas que conozcan los alcances estadsticos de la decisin
correspondiente.

Si no se dice nada respecto de los noveles, debe ser ingresada la tabla por el Nivel II

El nivel I tendr una muestra menor respecto de la II y la muestra III ser mayor con
respecto a la muestra II.

Los tres niveles defienden el mismo AQL, pero tienen diferentes intervalos de
confianza en la respuesta que entregan.

Dicho de otra manera, la respuesta que se obtiene con el Nivel I es de menor
confianza que la que se obtiene con la muestra mas grande del Nivel III.

La eleccin de cada uno de los Niveles es de carcter econmico y de carcter
estratgico.

La regla de que cuando mayor es la muestra mejor es la respuesta, siempre es til en
la eleccin del nivel a utilizar, pero luego hay que considerar si tenemos la
disponibilidad de gente y tiempo para hacer el muestreo, y esto determinar que nivel
es el que podremos utilizar.

Desde el punto de vista estratgico, no cabe duda que cuando la respuesta se
necesita para tomar decisiones importantes con la mayor seguridad estadstica
deberemos usar el nivel III necesariamente

Existe un error muy difundido que dice que el Nivel I es Inspeccin Reducida, y que el
Nivel III es Inspeccin Estricta. Debe desecharse este argumento por ser falso y
carente de sustento en todo el contenido de la Norma.

Las tres tablas II describen la Inspeccin Simple en su carcter Normal, Rigurosa Y
Reducida.

Las tres tablas III describen la Inspeccin Doble en su carcter Normal, Rigurosa Y
Reducida.

Las tres tablas IV describen la Inspeccin Mltiple en su carcter Normal, Rigurosa Y
Reducida.

En todas las tablas se observa que existen flechas hacia arriba y hacia abajo. Estas
flechas indican que en ese lugar, no es posible definir un plan de muestreo y o, se
deber desplazar en la direccin de la flecha hasta el primer nmero de la columna
de los criterios. Ntese que el plan resultante, tiene un tamao de n distinto ql que se
entr. O sea que cambia el n.

Las tablas X que figuran al final de la Norma son un excelente resumen ya que en
ellas figuran las Curvas Operativas para cada plan de muestreo, las probabilidades
asociadas a diferentes fracciones de defectos p y un resumen de los planes de
muestreo simple, doble y mltiple.

4 Muestreo De Aceptacin Por Variables.

4.1 Introduccin

En los planes de recepcin por atributos, hemos visto que la aceptacin o rechazo de
los lotes se basa en la cantidad de defectuosos que se encuentran en las muestras,
sin interesar el valor de la magnitud que se estn midiendo. As todas las unidades
defectuosas tienen el mismo peso, tanto si su desviacin es pequea o grande.

Esto no sucede en el caso del control por variables y el peso que adquiere cada
unidad de muestra que interviene en el juzgamiento de la calidad, depende del valor
de la magnitud que se est determinando. La cantidad de informacin que se obtiene
de cada unidad es muy distinta segn se trate de una inspeccin por atributos o
variables.

La muestra en el primer caso, nos permitir solamente, estimar los lmites entre los
cuales se encontrarn la cantidad de defectuosos en el lote.
En el segundo caso, podremos estimar cual es la tendencia central, y tener una idea
de cmo se distribuyen los valores individuales.

4.2 Caractersticas Del Mtodo De Recepcin Por Variables.

No siempre, y no todas las personas pueden aplicar este excelente mtodo de control
de recepcin. Hace falta cumplir algunos requisitos:

No es posible utilizarlo en casos donde la caracterstica de calidad no se
puede medir.
De la misma manera que los procesos, este mtodo se aplica para cada
caracterstica posible de medir, que afecte a la calidad del producto, que
necesitemos controlar. No se pueden agrupar como en los atributos.
La distribucin de los datos necesita ser normal.
Los clculos son de mayor complejidad y necesita personal capacitado.
El costo de la inspeccin por unidad es mayor que en atributos, pero es
compensado con una menor cantidad.
Es muy til para los casos de ensayos destructivos de unidades caras ya que
el nmero ensayado es significativamente bajo.
La informacin que se obtiene con este mtodo es mucho ms rica y til que
la de atributos.

Es opinin de este autor que el masivo acceso a medios computacionales, permitir
en el futuro prximo una mayor difusin y utilizacin de este mtodo de inspeccin..

4.3 Conceptos Iniciales, Porcentaje De Defectuosos

Si tenemos un lote del que estamos investigando una caracterstica que se
distribuye normalmente y se establece un lmite mnimo para esa caracterstica,
diremos que el lote ser % defectuoso si la superficie bajo la curva normal
comprendida entre - y el valor mnimo establecido, es igual a %

As un lote ser 50% defectuoso si el promedio X de los valores de la
caracterstica investigada en el lote coincide con el valor mnimo fijado.

Un lote ser 20% aproximadamente defectuoso cuando el valor 0.84 - X de
la distribucin en el lote, coincida con el valor mnimo fijado.

Haremos las siguientes deducciones utilizando para los razonamientos la tabla
normal de Gauss, en su modo cannico, es decir, que las lecturas parten
siempre del centro donde z = 0. En caso de utilizar la tabla normal estndar, la
cual parte desde - los clculos no son los que siguen.

En efecto, el rea entre - y 0.84 - X es: 0.2995 de lo que resulta un
rea igual a 0.5000 0.2995 = 0.2005, comprendido entre - y 0.84 - X

CURVA NORMAL DE GAUSS
0
5
10
15
20
25
30
35
40
45
VALORES DE Z
P
R
O
B
A
B
I
L
I
D
A
D
E
S

Li X =
Superficie
50%

En ste esquema vemos que si el lmite inferior especificado, coincide con la
media de la distribucin significa que el 50% de la distribucin es defectuosa.

En el siguiente caso se representa para el 20% del lote defectuoso, en ste
caso, el Lmite inferior especificado,.Li, coincide con 0.84 - X
0
5
10
15
20
25
30
35
40
45
VALORES DE Z
P
R
O
B
A
B
I
L
I
D
A
D
E
S

= 0.84 - X Li
X
Superficie = 20%

4.4 Criterios Esenciales Para La Recepcin Por Variables.

Los criterios que normalmente se siguen para la recepcin por variables son
dos:

1) Criterio segn el cual la decisin de aceptar o rechazar el lote est basado en
el promedio de la muestra nicamente.

Los planes correspondientes se conocen como de Desviacin Normal
Conocida ya que parte de la base que se conoce la desviacin normal del lote.

2) Criterio en el cual la decisin de aceptar o rechazar el lote est basada en el
promedio de la muestra y en una medida de la dispersin de la muestra Estos
planes se conocen como de Desviacin Normal Desconocida.

Dentro de los dos tipos de planes podemos encontrar su aplicacin para el caso
que se establezca un lmite mnimo de especificacin, (por ejemplo una
resistencia a la traccin mnima), un lmite mximo (un contenido mximo de
humedad) o un lmite mnimo y un lmite mximo, (una longitud que debe estar
comprendida entre dos lmites).

As como en un plan de muestreo simple por atributos, tenamos dos
magnitudes, n y c, tamao de muestra y criterio n de aceptacin, que nos
determinaban la proteccin que nos ofreca el plan de muestreo, ya que para
cada combinacin de n y c, podamos determinar la curva caracterstica
operativa, tambin en el caso de planes simples de recepcin por variables
tenemos dos magnitudes : n y k que nos determinan la proteccin que nos da
una plan de muestreo y, en consecuencia, la curva caracterstica operativa del
mismo.

Si tomamos por ejemplo un plan de recepcin por variables para desviacin
normal desconocida y se especifica el lmite superior, el lote ser aceptado si:

ks Lsup x Lsup ks x +

y ser rechazado si:

ks Lsup x Lsup ks x > > +

Si se hubiera especificado el Limite Inferior, se aceptar el lote si:

ks Linf x Linf ks - x +

y ser rechazado si:

ks Linf x Linf ks - + < < x

Siendo:

X : El promedio de todas las mediciones de las unidades en la muestra.

k: un coeficiente que llamaremos de aceptacin.

s: una medida de dispersin que puede ser la desviacin normal de la muestra
o una estimacin de la desviacin normal en el lote o poblacin.

Podemos representar grficamente lo expuesto:


0
10
20
30
40
50
VALORES DE Z
P
R
O
B
A
B
I
L
I
D
A
D
E
S

Zona de
rechazo

ks x Ls + =

0
5
10
15
20
25
30
35
40
45
VALORES DE Z
P
R
O
B
A
B
I
L
I
D
A
D
E
S
Zona de
rechazo
ks - = x Li

4.5 Curva Caracterstica Operativa

La curva caracterstica operativa, definida en el tema de la recepcin por atributos,
como la curva que nos da la probabilidad de aceptacin de lotes en funcin del
porcentaje de defectuosos que contienen, tiene la misma validez y definicin en
este caso.

Sabemos ya que un buen lote, definiendo como tal al que tienen un % de
defectuosos menor que el establecido, ser a veces rechazado, y uno malo, ser
ocasionalmente aceptado.

Un criterio seguido para el establecimiento de planes de recepcin por variables es
el de establecer un % de defectuosos para una probabilidad de aceptacin del
95% y otro para una probabilidad de aceptacin del lote del 10 %

Esto significa fijar un riesgo del productor que llamaremos , igual al 5%, y un
riesgo del consumidor que llamaremos , igual al 10%.

En conexin con esos riesgos se establecen los correspondientes porcentajes de
defectuosos y, de acuerdo con ello, se determinan los valores de n y k.

Es decir que tenemos determinados los 2 puntos siguientes:

1) P
0
(1- )
2) P
1

Si por ejemplo, tenemos un plan de desviacin normal desconocido, en el que
establecemos los valores:

Si por ejemplo, tenemos un plan de desviacin normal desconocida, en el que
establecemos los valores:

P
0
= 0,5 % = 0.05
P
1
= 3.5% = 0.10

Tendremos una curva caracterstica operativa de la siguiente forma:

C u r v a s Op e r a t i v a s
0
10
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
0 1 2 3 4 5 6 7 8
Fr a c c i n d e f e c t u o s a

Veamos un ejemplo:

Se ha establecido que la resistencia a la traccin de unas barras de acero, tenga
como mnimo, Li = 5000 Kg./cm
2
y = 200 Kg./cm
2
y se desea un plan que d la
misma proteccin que el plan de muestreo simple por atributos definido por N =
n=150 y c = 1

Para esta equivalencia entre los planes de muestreo por atributos y los planes de
muestreo por variables debe acudirse a unas tablas que fueron confeccionadas
por A. H. Bowker y H. P. Goode en su libro Sampling Inspection by variables
Mcgraw-hill, 1952 y que se encuentran parcialmente traducidas en el libro de
Eugene L. Grant Control de Calidad Estadstico.

En el adjunto , al final del libro, se prepar una parte de este importante
documento.

Los valores equivalentes son, de tablas:

n = 9 k = 2.178

Es necesario entonces, extraer al azar 9 especimenes, hallar la resistencia a la
traccin promedio y si:

1) si Linf k ' - x se aprueba el lote, y si es menor se rechaza.

Luego se calcula: el mnimo valor que podr tener la media de la muestra para
poder ser aprobado:

ks Linf x + = 5000+2.178x200 = 5436 Kg../ cm
2

X m. = 5436

4.6 Por Variables.

Para calcular la curva caracterstica operativa, nos valdremos de un ejemplo
numrico, de esta forma ser ms fcil la comprensin del mtodo.

Tomaremos el ejemplo anterior de sigma conocido y Li especificado:

Esto es Li: 5000 Kg./cm
2
y sigma = 200 Kg./cm
2

Supongamos adems, que queremos un plan equivalente a n = 30 y c = 2 por
atributos.

De las tablas de Bowker y Goode, adjunto 1, obtenemos un plan equivalente por
variables y est caracterizado por n = 9 k = 1,466.

Adems asumiremos que la distribucin es normal.

Paso uno: Clculo de la probabilidad de aceptacin de un lote 2%
defectuoso.

Como estamos en el caso de un Lmite especificado, debe cumplirse la condicin:

' ' - ' x + k Linf ' x Linf k

Y para aceptar el lote, el menor valor del promedio en la muestra debe ser:

5000+1.466x200 = 5293 Kg./cm
2

Como queremos determinar la probabilidad de aceptacin de un lote 2%
defectuoso, debemos hallar el valor de z correspondiente a un rea bajo la curva
normal, comprendida entre - y Li. Y esa rea ser igual a 0,020.
La tabla nos da el rea comprendida entre ' ' x z ' x y .

En consecuencia tenemos:

rea entre x y = 0.5000
rea entre ' ' x ' x 2,05 - y = 0,4800

rea entre ' ' x 2,05 - y - = 0,0200

Si el 2% del lote cae debajo del lmite inferior (estamos buscando la probabilidad
de aceptacin de un lote 2% defectuoso), el promedio, en el lote, por ser =
0,200 Kg./cm
2
, debe ser:

5410 = 200 x 2,05 + 5000 = 2,05 + Li = ' ' x

Conociendo el valor promedio en el lote, debemos determinar la proporcin de la
distribucin de los promedios de las muestras, que estar por sobre el valor
mnimo.

Para ello determinaremos la diferencia

d = 5293 5410 = - 117

Si la diferencia da negativa deben sumarse las reas.

La desviacin normal de los promedios, en funcin de la desviacin normal del
lote es:

67 =
9
200
=
=
n
x


A continuacin calcularemos z:

75 1 - =
67
117 -
= . z

Luego, el rea es 0.46, que sumado a es rea del lado de la curva cannica nos
da una respuesta final de 96% para un p = 2 %

Repuesta final:
La probabilidad de aceptacin de un lote 2% defectuoso ser del 96%

A continuacin se deber repetir el clculo para el resto de las fracciones
defectuosas que se considere suficiente para trazar la respectiva curva
caracterstica operativa.

La siguiente tabla da las respuestas a varios puntos del problema anterior:

P 1% 2% 3% 4% 5% 6% 7% 8% 9% 10%
Prob 100% 96% 89% 80% 70% 60% 52% 44% 36% 9%

El clculo de la curva operativa anterior, se hizo sobre la base de que la
distribucin era normal, que el lmite era uno solo, es decir, una cola y que sigma
era conocido.

Los clculos de las curvas operativas, cuando no se cumplan estas condiciones,
es decir, para lmites en las dos colas, sigma desconocido u otras distribuciones
no normales, requieren clculo de alta complejidad que no estn al alcance de
nuestro curso.

5 Muestreo por variables, Norma Chilena 1208

Military Standard 414

La norma puede ser aplicada ya sea a un lmite sencillo de especificacin, IS,
(inferior o superior), o a dos lmites de la especificacin.

Los planes de sigma conocidos incluidos en la norma fueron diseados como si
tuvieran variabilidad conocida. A los planes de sigma desconocido se les llama
planes de variabilidad desconocida. En los planes de este ltimo tipo es posible
usar el mtodo de la desviacin estndar, o el mtodo de las amplitudes, para
estimar la variabilidad del lote.

Se dispone de dos tipos de formas para clculo.

En la forma dos, la decisin de aceptacin o rechazo requiere el uso de una tabla
auxiliar que proporciona una estimacin del porcentaje defectuoso del lote, basado
en un ndice de calidad, calculado a partir de ciertos estadsticos de la muestra.

En la forma uno, disponibles slo para especificaciones de un solo lado, esta tabla
auxiliar no se necesita.

Las dos formas, uno y dos, proporcionan iguales resultados.

El nivel de inspeccin de rutina es el IV, y siempre se utilizar ste a menos de
que se especifique lo contrario.

Inspeccin reducida

Para este tipo de inspeccin se usan las tablas B2 y B4, usando los mtodos de la
forma uno y dos respectivamente.

Las condiciones para instaurar la inspeccin reducida son las siguientes:

Condicin A: Los diez lotes precedentes (o cualquier otro nmero de lotes
designados), han estado bajo inspeccin normal y ninguno fue rechazado;

Condicin B: El porcentaje de defectuosos estimados para cada uno de
esos lotes precedentes, es inferior al correspondiente lmite inferior
mostrado en la tabla B7;

Condicin C: La produccin est en un rgimen uniforme
Se restablecer la inspeccin normal s, estando bajo inspeccin reducida, ocurre
alguna de las condiciones siguientes:

Condicin D: Un lote rechazado.

Condicin E: La estimacin del promedio del proceso es superior al AQL.

Condicin F: La produccin se hace irregular o se retrasa.

Condicin G: Otras situaciones que justifiquen que se reestablezca la
inspeccin normal.

La inspeccin rigurosa se instaura cuando la media estimada del proceso
determinada mediante los diez lotes precedentes (o cualquier otro nmero de lotes
designados), es mayor que el AQL, y cuando ms de un cierto nmero T, de estos
lotes, tienen estimaciones de porcentaje defectuoso que exceden el AQL.

La media calculada del proceso, es la media aritmtica de los porcentajes
defectuosos precedentes. Los valores de T, se dan en la tabla B6, para la media
del proceso, para cinco, diez o quince lotes.

Si la letra del cdigo del tamao de muestra no es la misma para todas las
muestras empleadas, el uso de la tabla B6, se determina por la letra
correspondiente al tamao de la menor de las muestras empleadas en cualquiera
de los lotes incluidos en la estimacin del proceso. La inspeccin normal se
reinstaura si la media del proceso estimado, en los lotes bajo inspeccin rigurosa
es igual o inferior al AQL.

Planes de muestreo cuando existen dos lmites especificados

Tablas B3 y B4

El clculo es el mismo que para el ejemplo de la Forma dos (caso de lmite
nico), excepto en lo siguiente:

1.- Para un valor del AQL, para ambos lmites de especificacin (superior e
inferior), combinados, se calculan ambos valores Q
Sup
y Q
Inf
.

Los porcentajes defectuosos estimados correspondientes a los valores calculados
Q
Sup
y Q
Inf
, se hallan en la tabla B5. Se designan por p
s
y p
i
respectivamente.

La suma de p
s
y p
i
(designada por p), debe ser inferior a M para que el lote sea
aceptable.

Criterios de aceptacin

Para diferentes valores de AQL para lmites de especificacin superior e inferior,
se usan los siguientes criterios:

a) p
s
debe ser igual o menor que m
s
b) p
i
debe igual o menor que m
i
c) p
s
ms p
i
debe ser igual o menor que el mayor de los valores m
s
o m
i
.

Parte C

Es aplicable a la situacin de variabilidad desconocida y es exactamente la misma
que la seccin B, excepto que las tablas se basan en clculos que emplean la
amplitud media como medida de variabilidad. Se usan precisamente, como se
indica en la descripcin de la seccin B, anterior.

Parte D

Es aplicable a la situacin de variabilidad conocida y est dispuesta como las
secciones B y C, con la siguiente excepcin:
a) La variabilidad es conocida, por lo tanto no se estima de los datos de la
muestra.

Las tablas se emplean como se indica en la seccin B, cuando se prescriben
planes de variabilidad conocida.

6 Pruebas de duracin y confiabilidad

Las pruebas de duracin y confiabilidad tienen bastante parecido a las pruebas de
inspeccin por atributos.

Sin embargo, debe tenerse muy en claro desde el principio, que las pruebas de
duracin y confiabilidad no deben ser usados, para la aprobacin de lotes de
produccin normal. Para ese fin, deber recurrirse a la norma chilena 44.

La grfica siguiente muestra el comportamiento tpico de un producto a lo largo del
tiempo.

El patrn de fallas tiene un comportamiento caracterstico que recibe el nombre de
tina de bao.

El perodo inicial de fallas, se le denomina tiempo de mortalidad infantil, una vez
superado este perodo de fallas prematuras, contina el tiempo que ser la vida
del producto.

Cuando se cumple la vida del producto, comienza el perodo de agotamiento o
muerte del producto.

La grfica muestra que la antigedad especificada, debe estar determinada antes
del perodo de agotamiento y ese ser el tiempo que ofreceremos a nuestros
clientes.

Antes del perodo de agotamiento, es posible reconstruir el producto para producir
un nuevo perodo de vida til, sin embargo, la proporcin de fallas nunca ser
igual o menor que la proporcin de fallas original.

Definiciones de Confiabilidad

Definicin 1: Confiabilidad es la probabilidad que un dispositivo desarrolle su
propsito adecuadamente, por el perodo de tiempo intentado, bajo las
condiciones de operacin encontradas.

Definicin 2: La confiabilidad de un sistema, dispositivo, etc., es la probabilidad de
que proporcionar una ejecucin satisfactoria por un perodo especificado de
tiempo bajo condiciones de operacin especificada.

Ntese la diferencia entre ambas definiciones, no es lo mismo para un producto,
condiciones de operacin encontradas que condiciones de operacin
especificadas.

Cada empresa, deber determinar su concepto de confiabilidad.

Otros autores establecen que las confiabilidad es la capacidad de un equipo para
no detenerse en operacin. Cuando un equipo trabaja bien, y trabaja siempre, se
dice que el equipo es confiable.

Curva operativa para pruebas de duracin

Consideremos que cien componentes estn siendo probados, sustituyendo todo
aquel que falle por uno nuevo. An cuando la probabilidad de una falla es
constante para cualquier intervalo de tiempo establecido, el nmero real de fallas
en intervalos de tiempo, iguales y sucesivos, estar sujeto a las fluctuaciones del
azar. Cuando usamos las matemticas de probabilidades para calcular las curvas
operativas, para planes de muestreo de aceptacin usados en pruebas de
duracin, estamos reconociendo la inevitabilidad de estas fluctuaciones debidas al
azar.

Dos cantidades relacionadas que usaremos para calcular curvas operativas, son
las siguientes:

= proporcin de fallas, o sea la probabilidad de una falla en una unidad
establecida de tiempo, seleccionaremos arbitrariamente una hora como una
unidad en todos los casos.

a la media aritmtica o promedio de las vidas (vida media).

Clculo para una curva operativa para un plan de muestreo de aceptacin basado
en un nmero mximo estipulado de horas de pruebas

Seleccione 22 artculos al azar de un lote. Pase estos artculos por la prueba.
Siempre que un artculo falle, reemplcelo con otro artculo, seleccionado al azar
del lote. Si la prueba contina por 500 horas sin que se presenten ms de 2 fallas,
aceptar el lote. Si se presentan 3 fallas, antes de las 500 horas de prueba,
rechazar el lote.

La aceptacin bajo este plan requiere, 22 x 500 = 11.000 horas artculos de
prueba, con un nmero de aceptacin de 2. La siguiente tabla muestra el clculo
estadstico.

Proporcin de
fallas por horas
Vida media en
horas
Nmero promedio
de fallas esperado
en 11000 horas de
prueba
Probabilidad de
aceptacin.

0.00002
50.000 0.22 0.999

0.00005

20.000

0.55

0.982

0.00006

16.667

0.66

0.971

0.00008

12.500

0.88

0.939

0.00010

10.000

1.1

0.900

0.000125

8.000

1.375

0.839

0.00015

6.667

1.65

0.770

0.00020

5.000

2.2

0.623

0.00025

4.000

2.75

0.480

0.00030

3.333

3.3

0.360

0.00040

2.500

4.4

0.185

0.00050

2.000

5.5

0.088

0.00060

1.667

6.6

0.040

0.00080

1.250

8.8

0.007

0
10
20
30
40
50
60
70
80
90
100
0 10000 20000 30000 40000 50000 60000

Curva operativa para una prueba de 11.000 horas-artculo con un nmero de
aceptacin 2.

7 Introduccin al Minitab

Minitab en espaol le proporciona un ambiente de anlisis de datos que consiste en
lo siguiente:

1. Hoja de trabajo que contiene los datos y es presentada en la ventana de
datos.

2. Mens y cuadros de dilogos para anlisis estadsticos, manipulacin de
datos y transformacin de datos.

3. Ventana de sesin que visualiza los resultados y le permite escribir
comandos de sesin a un lado del indicador. La mayora de los comandos de men
tienen equivalentes comandos de sesin. Puede emplear comandos de men y
comandos de sesin durante su sesin si lo desea. Si lo prefiere, puede desactivar
los comandos de sesin de tal manera que no aparezcan.

4. Ventanas de grficas para grficas de alta-resolucin.

5. Ventana de informacin que presenta un resumen de su hoja de trabajo.

6. Ventana de historia que presenta los comandos que se han utilizado durante
la sesin. Puede volver a ejecutar los comandos copindolos de la ventana de
historia y pegndolos en la ventana de sesin.

7. Ayuda de contexto sensitivo para cuadros de dilogo, comandos de la
ventana de sesin y informacin de repaso.

8. Un completo lenguaje de macros el cual le permite repetir automticamente
tareas repetitivas, extender la funcionalidad de Minitab o disear sus propios
comandos de sesin.

La hoja de trabajo

Minitab coloca los datos que usted escribe o extrae dentro de una zona temporaria
de almacenamiento llamada la hoja de trabajo. La hoja de trabajo consiste de tres
partes: columnas, constantes almacenadas y matrices. Las columnas generalmente
representan variables, las lneas generalmente representan casos individuales. La
Ventana de informacin presenta un resumen actualizado de su hoja de trabajo
actual: columnas, matrices y constantes almacenadas.

Columnas. La mayora de las operaciones utilizan columnas. Se puede referir a
columnas por el nmero de columna (por ejemplo, C1 o C22) o por el nombre (por
ejemplo 'Ventas' o 'Ao'). Puede nombrar una columna escribiendo el nombre en la
ventana de datos debajo del nmero de la columna o utilizando el comando de
sesin.

NOMBRE. Una hoja de trabajo puede contener hasta 1,000 columnas.

Matrices. Las matrices son los bloques rectangulares de celdas. Se puede referir a
las matrices por el nmero (tal como M1) o por el nombre (tal como 'Inversa'). Para
visualizar una matriz, seleccione Archivo > Visualizar datos; las matrices no
aparecen en la ventana de datos. Una hoja de trabajo puede contener hasta 100
matrices almacenadas. Vase Matrices para obtener una lista de funciones de
matrices.

Constantes almacenadas. Una hoja de trabajo puede contener hasta 1,000
constantes almacenadas, cada una puede contener un nmero nico. Puede
referirse a una constante por el nmero (tal como K5) o por el nombre (tal como
'Primero').
Para visualizar una constante almacenada, seleccione Archivo > Visualizar datos;
las constantes almacenadas no aparecen en la ventana datos. Minitab
automticamente asigna los valores ausentes, e y pi a las ultimas tres constantes
almacenadas: K998 = *; K999 = 2.71828; K1000 = 3.14159. Puede cambiar esos
valores si lo desea.

Tamao de las hojas de trabajo. Cuando inicia Minitab, la ventana de sesin
presenta el tamao de la hoja de trabajo actual. Este es el nmero mximo de
celdas (valores de datos individuales) que pueden ser ocupados por columnas y
matrices.
Minitab utiliza el espacio de la hoja de trabajo cuando los comandos son ejecutados,
por lo tanto se le aconseja en forma general limitar el nmero de celdas que utilice
(usualmente el nmero de columnas por el nmero de lneas) a la mitad de este
nmero. Minitab puede mantener hojas de trabajo de hasta 4,000,000 celdas si
tiene memoria suficiente para mantener una hoja de trabajo de ese tamao.

Cambiar el tamao de la hoja de trabajo. Si tiene suficiente memoria disponible,
el tamao de la hoja de trabajo predefinido es de 100,000 elementos de datos. Para
cambiar este tamao, seleccione Editar > Guardar preferencias > General. El
tamao que se ha cambiado tomar efecto la prxima vez que inicie Minitab. Si
especifica el tamao de una hoja de trabajo que este demasiado grande para la
cantidad de memoria que tiene disponible, (la cantidad de memoria disponible vara
dependiendo de su computadora y de qu aplicaciones ejecute), Minitab le
proporciona una hoja de trabajo tan grande como es posible. El rendimiento es
mejor si hace a la hoja de trabajo se acerque al tamao que usted necesita, no el
mximo que su sistema
pueda tolerar.

Comandos de men

Men Archivo

Men Editar

Men Manip

Men Calc

Men Estad

Men Grficas

Men Editor

Men Ventana

Men Ayuda

Existen dos maneras para emitir comandos en Minitab: seleccionando los
comandos desde el barra de men, o escribindolos directamente utilizando los
comandos de sesin.

Cuando seleccione los elementos en un men seguido por tres puntos (...), los
cuadros de dilogo aparecern. Cuando seleccione algn elemento seguido por el
smbolo >, los submens con ms comandos aparecern.

Si un comando de men es opaco, el elemento no est disponible. Algunas veces
todos los mens son opacos, indicando que todos los comandos en el men no
estn disponibles.

Para especificar un comando desde la barra de men:

1. Haga un clic en el nombre del men (tal como Archivo) o presione <Alt> + la
letra subrayada que relaciona a ese men (como A para el Archivo).

2. Haga un clic en el comando que desea de ese men (tal como Nueva hoja de
trabajo) o presione la letra que relaciona a ese comando (tal como N para Nueva

3. Si el comando le requiere informacin, Minitab abre un cuadro de dilogo; de
lo contrario, Minitab ejecuta el comando inmediatamente.

Ventana de Sesin

La ventana de sesin presenta las salidas sin grficas tales como las tablas de
estadsticas. Puede hacer que la ventana de sesin sea editable y utilizarla como un
procesador de palabras: aadir comentarios, cortar, copiar y pegar nmeros y texto,
cambiar fuentes, buscar y reemplazar nmeros y textos, guardar e imprimir la
ventana.

Predefinidamente, la ventana de sesin presenta el lenguaje de comandos utilizado
para crear la salida. El lenguaje de comandos es generado cuando se utiliza
comandos de men (seleccionando un comando desde el men) y cuando se
escribe Comandos de sesin en el Editor de lnea de comandos o en la ventana de
sesin a un lado del indicador MTB >. Puede interpretar comandos de men y
comandos de sesin o nicamente utilizar uno u otro, como ms lo prefiera.

Ya sea que los comandos sean o no sean visualizados en la ventana de sesin, la
ventana de historia siempre graba todos los comandos ejecutados en su sesin.

Ventana de Grfica

Cada grfica de alta - resolucin que usted crea se presenta en su propia ventana
de
grfica.

Para guardar una grfica, seleccione Archivo > Guardar ventana, mientras la
ventana de grfica este activa. Esto guardar la grfica con una extensin de
archivo MGF (Formato de grficas de Minitab). Una vez que ha guardado una
grfica de est forma, siempre podr verla nuevamente desde Minitab
seleccionando Archivo > Abrir grfica.

Para imprimir una grfica, seleccione Archivo > Imprimir ventana, mientras la
ventana de grfica este activa. Vase Solucin de problemas en Ayuda si se tiene
problemas al imprimir grficas.

Ventana de Informacin

Para abrir la ventana de informacin, seleccione Ventana > Informacin, o presione
<Ctrl>+<I>.

La ventana de informacin contiene un resumen automticamente actualizado de la
actual hoja de trabajo: columnas, constantes almacenadas y matrices. Es
especialmente til para ayudarle a mantener un registro de las variables si usted
tiene una hoja de trabajo muy grande. La ventana de informacin proporciona la
siguiente informacin:

1. Para cada columna que contiene datos, registrar el nmero de columnas,
nombre de columna, nmero de lneas, nmero de valores ausentes y una etiqueta
A si la columna es alfa.

2. Por cada constante que contiene datos, se presentar el nmero de la
constante, el nombre de la constante y el valor de la constante. Hay una excepcin:
Predefinidamente, Minitab asigna los valores ausentes, e y pi a las tres constantes
almacenadas: K998 = *; K999 = 2.71828; y K1000 = 3.14159 respectivamente. Para
agrupaciones reducidas, Minitab no se listan estas constantes en la ventana de
informacin.

3. Para cada matriz, se registra el nmero de matriz y nombre de la matriz.

Ventana de historia

Contiene un registro de todos los comandos utilizados durante una sesin. Para
abrir la ventana de historia, seleccione Ventana > Historia, o presione <Ctrl>+<H>.

Puede copiar y pegar un grupo de comandos desde la ventana de historia en el
Editor de la lnea de comandos o Ventana de sesin para volver a ejecutarlos o
pegarlos en un procesador de palabras tal como Notepad o WordPerfect para crear
una macro de Minitab. Por ejemplo, puede crear un archivo macro de Minitab para
un anlisis rutinario trabajando primeramente paso por paso con los mens,
despus copiar el resultado de los comandos de sesin de la ventana de historia en
un procesador de palabras, ordenndolos y guardndolos en el archivo macro.

No puede cambiar el contenido de la ventana de historia.

Para imprimir la ventana de historia, mientras esta es la ventana activa, seleccione
Archivo > Imprimir ventana. Si sombrea primero el texto seleccionado, puede
imprimir nicamente el texto seleccionado. Para copiar todo o la parte seleccionada
de la ventana de historia al Portapapeles, seleccione Editar > Copiar.

La ventana de historia puede contener cerca de 64,000 caracteres de texto a la vez.
Cuando este lmite se alcanza, Minitab deshecha la primer mitad del contenido sin
avisarle. Si necesita que sa capturado todo lo que aparezca en la ventana de
historia, seleccione Archivo > Otros archivos > Iniciar grabacin de historia (DIARIO)
antes de comenzar la sesin. Esto grabar todo los comandos en un archivo de
diario con una extensin de archivo MTJ y continuar hasta que usted salga de
Minitab o seleccione Archivo > Otros archivos > Detener grabacin de historia
(NODIARIO). Debido a que la ventana de historia graba nicamente comandos, no
la salida, esto requerir una sesin extremamente grande que exceda el lmite de
ms de 64,000 caracteres.

8. Adjuntos

Adjunto 1

Tablas de A. H. Bowker y H. P. Goode

Planes de muestreo por atributos Planes de muestreo para sigma
conocido para especificaciones de un
solo lado
n c n k
10 0 5 1.748
30 1 5 1.522
20 1 5 1.278
10 1 5 1.015

15 0 6 1.812
30 1 6 1.586

55 1 7 1.862
30 1 7 1.635

150 1 9 2.178
30 2 9 1.466
30 3 9 1.158

225 1 11 2.352
40 2 11 1.518

300 1 13 2.473
55 4 13 1.396

750 1 16 2.828
450 1 16 2.624

Muestreode Aceptaci On

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Muestreode Aceptaci On

Uploaded by

Copyright:

Available Formats

Control de Calidad Estadstico, Parte dos, Muestreo

Autor: Edgardo Ojeda Barcos

You might also like