Professional Documents
Culture Documents
Teora y aplicaciones
Bertrand L. Hansen
Prabhakar M. Ghare
Control de Calidad
Teora y aplicaciones
Ttulo original: Quality Control and Application
Presentacin..................................................................................................... XIII
Vil
VIII CONTENIDO
Pgina
Jerarqua de aproximaciones 40
Funciones de probabilidad en la prctica 43
Representacin grfica de una distribucin de frecuencia 46
Estimaciones y sus distribuciones 48
Prueba de hiptesis 51
Errores Tipo I y Tipo II 54
Longitud de racha de un proceso de vigilancia 58
Grados de libertad 60
Pruebas de significancia 63
Pruebas de significancia para medias de muestras: Pruebas t 66
Pruebas t para significancia de diferencias relativas a propor-
ciones 70
Pruebas para la significancia de la diferencia entre varianzas 73
Pgina
Pgina
Pgina
Pgina
El control de calidad
en perspectiva
CALIDAD DE PROYECTO
La calidad de proyecto de un producto est relacionada con el rigor de las
especificaciones para la fabricacin del mismo. As, por ejemplo, un componen-
EL CONTROL DE CALIDAD EN PERSPECTIVA 3
CALIDAD DE FUNCIONAMIENTO
Los resultados que se logren al utilizar el producto dependern tanto de la
calidad de proyecto como de la calidad de concordancia. Aunque el proyecto
fuera insuperable, si se ha utilizado un mal control de concordancia puede que
el funcionamiento no sea todo lo satisfactorio que debiera. Y, al contrario,
aunque el control de concordancia fuera excepcionalmente bueno, no se conse-
guira buen funcionamiento de un producto mal proyectado. En consecuencia,
es preciso disponer de un sistema de confirmacin que funcione ininterrumpi-
damente y proporcione informacin sobre calidad que sirva de base para
adopcin de decisiones a fin de optimizar la calidad del producto. La idea clave
en todas las situaciones es optimizar, lo que no implica necesariamente una
exigencia de calidad ms estricta, sino de la mejor calidad, en el sentido de que
proporcione la mayor rentabilidad a largo plazo de la inversin realizada
para la puesta en marcha del control de calidad.
El proceso de control de calidad no debe estar a cargo de ningn departa-
mento o unidad especficos. Exige la cooperacin de toda la empresa y a todos
los niveles. En trminos generales, puede afirmarse que tanto la alta direccin
como los departamentos de contabilidad, control de calidad y proceso de
datos tienen la obligacin de apoyar, estimular, controlar y coordinar el esfuer-
zo empresarial para controlar la calidad de sus productos. Los departamentos
de investigacin y desarrollo, ventas e ingeniera tienen la misin de determinar
4 CONTROL DE CALIDAD
las necesidades del consumidor y disear productos y procesos que las satisfa-
gan. Los de ingeniera de produccin, maquinaria, compras y produccin se
ocupan de obtener un producto conforme a las especificaciones y que resulte lo
ms econmico posible. A dichas funciones se refiere la Tabla 1.1.
1
H. F. Dodge y H. G. Romig: Sampling Inspection Tabtes-Single and Double Sampling, John
Wiley & Sons, Nueva York, 1944.
2
Tanto el Ejrcito como las Fuerzas Navales utilizan tablas de muestreo de aceptacin.
3
Military Standard 105D: Sampling Procedures and Tables for Inspection by Attributes,
Servicio Nacional de Informacin Tcnica, Washington, D.C.
4
Military Standard 414: Sampling Procedures and Tables for Inspection by Variables for
Percent Defective, Servicio Nacional de Informacin Tcnica, Washington, D.C.
5
Military Standard 1235-ORD: Sampling Procedures and Tables for Inspection by Variables
for Percent Defective, Servicio Nacional de Informacin Tcnica, Washington, D.C.
EL CONTROL DE CALIDAD EN PERSPECTIVA 5
calidad por parte de los proveedores, a las que que se unieron los mtodos de
garanta utilizados por las entidades inspectoras del Ministerio de Defensa. En
la actualidad, se insiste en el ciclo vital, que se ocupa de la calidad durante todo
el ciclo: estimacin de la necesidad-proyecto-produccin-uso-mantenimiento-
funcionamiento de un producto.
6
Cedido por A. G. Tashjian, ingeniero jefe, Cleveland Welding Division, American Machine
and Foundry, Cleveland, Ohio.
6 CONTROL DE CALIDAD
Tabla 1.2
Grupo 1: Nivel aceptable Grupo 2: Nivel aceptable Grupo 3: Nivel aceptable
de calidad: 0,15 % de calidad: 1,5 % de calidad: 4 %
240
Media de muestras X 15
16
400
Media de recorridos R 25
16
UCL 15 0, 58 u 25 29, 5
X
LCL 15 0, 58 u 25 05
X
UCLR 2,11 u 25 52, 75
LCLR 0 0
R 25
V 10, 748
d2 2, 326
Calidad 1% 2% 10%
Pr (0 defectuosos en la muestra) ............................ 449 202 0
Pr (l defectuoso en la muestra) .............................. 360 323 3
Pr (2 defectuosos en la muestra) ............................ 144 258 11
Pr (3 o ms defectuosos en la muestra).................. 47 217 986
Probabilidad de aceptacin .................................... 95,3 % 78,3 % 1,4 %
16 CONTROL DE CALIDAD
DIRECCIN DE CALIDAD
Una empresa moderna es una telaraa de miradas de pequeas y grandes
decisiones, su comunicacin e implementacin. Todos los aspectos de la pro-
18 CONTROL DE CALIDAD
CALIDAD Y PRODUCTIVIDAD
La productividad es un ndice para medir la eficiencia con que un proceso
de fabricacin transforma recursos en productos utilizables. Un operario de
EL CONTROL DE CALIDAD EN PERSPECTIVA 19
una fbrica de cualquier artculo trabaja ocho horas diarias. Estas ocho horas
de mano de obra son un insumo. Si el obrero produce 80 unidades/da, tales
unidades se considerarn como resultados. El sistema de produccin, al que
llamamos fbrica de cualquier artculo, recibe un insumo de ocho horas de
mano de obra y lo convierte en 80 unidades producidas. Si algn tipo de
mejora en el sistema de produccin conduce a incrementar los resultados de 80
unidades a 100, se puede afirmar que el sistema de produccin ha pasado a ser
ms productivo. El ndice de productividad ha crecido desde 10 unidades/hora
mano de obra hasta 12,5 unidades/idntico insumo.
La productividad y la calidad estn estrechamente relacionadas. En cierto
sentido, son dos formas alternativas de una misma cosa: la eficiencia en la
conversin de insumos. Ambas tienen idntico objetivo: obtener ms produc-
tos utilizables con el mismo gasto de insumos. La nica diferencia est en que
el estudio de la productividad hacer mayor hincapi en la palabra ms, en
tanto que la calidad subraya el trmino utilizable. Supongamos que la pro-
duccin de unidades a que hicimos referencia en el prrafo anterior fuera tal
que slo resultara utilizable el 75 por 100 de las unidades producidas. Cuando
la produccin pas de 80 a 100, la cantidad de unidades utilizables aument de
60 a 75. Si, en vez de mejorar la produccin, hubiera que mejorar la calidad
para llevarla desde un 75 a un 100 por 100 utilizable, la cantidad de unidades
tiles pasara de 60 a 80.
Dado que la productividad y calidad son esfuerzos estrechamente relaciona-
dos entre s, la mejora de una suele llevar a mejorar la otra. En pginas
sucesivas del libro se describen dos tcnicas para mejorar la productividad. Una
los crculos de control de calidad trata de mejorar la participacin de los
trabajadores en la direccin del puesto de trabajo. La segunda el sistema de
ficha de reposicin trata de lograr un sistema de produccin constante, sin
urgencias repentinas. Resulta evidente que el efecto de tales tcnicas para mejo-
rar la productividad, sobre la calidad del producto, ser positivo. El trabajador
que piensa que puede influir en algn modo en la solucin de problemas en su
puesto de trabajo, y que tiene la seguridad de que siempre dispondr del tiempo
necesario y adecuado para la realizacin de un trabajo determinado, producir,
naturalmente, artculos de mejor calidad.
El objetivo concreto de este libro es proporcionar una idea general sobre los
problemas, y las tcnicas disponibles para solucionarlos, de las cuatro reas de
calidad: de proyecto, de concordancia con el proyecto tanto en la vigilancia del
proceso como en el muestreo de aceptacin, de funcionamiento y direccin de
calidad. No pretende aportar conocimientos exhaustivos sobre los principios
matemticos y estadsticos en que se basan estas tcnicas. Tampoco trata de
describir la investigacin bsica. No obstante, los autores reconocen que es
esencial que cualquiera que se dedique al control de calidad tenga conocimien-
tos sobre los principios bsicos de la estadstica y las probabilidades. Por ello,
el Captulo 2 incluye un repaso general de estos fundamentos. Los lectores que
tengan conocimientos de importancia en el campo de la estadstica y las
20 CONTROL DE CALIDAD
21
22 CONTROL DE CALIDAD
SUCESOS Y PROBABILIDADES
Cualquier suceso se caracteriza por dos cosas: la fecha en que se produjo y
los datos que lo describen. Por ejemplo: determinado artculo fue producido
por una prensa automtica el lunes, 15 de enero de 1984 a las 15.23 horas, y
tena una longitud de 3,638 pulgadas. Ese fue el suceso, caracterizado por la
fecha en que se produjo y sus datos descriptivos. Despus de producirse, el
suceso se conoce con absoluta certeza. Antes de que se produjera, slo era
posible adivinar sus datos descriptivos. Se utiliza la palabra probabilidad
para aludir al grado de confianza que una persona determinada tiene sobre la
ocurrencia de un determinado suceso futuro. Est claro que, despus del hecho,
la probabilidad de tal acontecimiento es 1 0, segn se haya producido o no.
Pero con anterioridad la probabilidad estaba situada en algn nivel entre el 1 y
el 0. Con relacin al suceso a que nos hemos referido anteriormente, la longitud
del producto despus de haberlo fabricado es fija. Es 3,638 pulgadas o alguna
otra. Simblicamente, esto se representa as:
Pr(x = 3,638) = Probabilidad de que la variable x que indica la longitud del
producto tenga un valor de 3,638
1, si la longitud es, en realidad, de 3,638
0, si la longitud es distinta de 3,638
Antes de producirse el hecho, el observador no tiene certeza alguna sobre
cul ser la longitud. Debe hacer una estimacin basada en conocimientos
previos sobre el trabajo que realiza la mquina y sobre los artculos producidos
en ella. Si indica que 3 de cada 5 artculos producidos tienen una longitud de
3,638 pulgadas, podremos expresarlo as:
3
Pr(x = 3,638) = = 0,60 = 60 %
5
LEYES DE PROBABILIDAD
Algebra de probabilidades
Pr(A + A c ) = 1
Pr(A Ac ) = 0
Propiedad conmutativa:
Pr(A + B) = Pr(B + A)
Pr(AB) = Pr(BA)
Propiedad asociativa:
Propiedad distributiva:
Propiedad condicional:
Pr(AB) = Pr(B|A)Pr(A) =
= Pr(A | B) Pr(B)
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 25
Ejemplo 2.1
Las especificaciones de cierto artculo exigen que tenga una longitud de al menos
4,00 cm. Un obrero produce 10 unidades durante una hora, de las que 3 no llegan a
los 4,00 cm de largo. Un inspector selecciona 2 unidades aleatoriamente para su medicin.
Cul es la probabilidad de que el inspector descubra que se producen artculos que no
alcanzan la longitud especificada?
Planteado matemticamente el problema es como sigue: Cul es la probabilidad de
que al menos una de las dos unidades inspeccionada sea corta? Sea:
A = suceso en el que la primera unidad es corta
B = suceso en el que la segunda unidad es corta
Entonces,
suceso en que al menos 1 unidad es corta = (suceso en que la primera
unidad es corta) o (suceso en que
la primera unidad tiene el tamao
normal y suceso en que la segunda
unidad es corta) =
= A + Ac B | Ac
Ejemplo 2.2
1
Pr(x = k) = para k = 1, 2, 3, 4, 5 6
6
Para espacios continuos de sucesos existe muchas veces una funcin f(),
definida por todos los nmeros reales x que describe el espacio de sucesos y que
satisface la relacin
Ejemplo 2.3
Puede la funcin f(), dada por la ecuacin [2.1], ser una funcin de densidad de
probabilidad?
f(x) = x - x 2 = 0 x 2
=0 en caso contrario
La respuesta es negativa porque f(x) es negativa para x > 1.
Ejemplo 2.4
Puede la funcin Pr(), dada por la ecuacin [2.2], ser una funcin de probabili-
dad?
x
Pr(x) = = para x = 1, 2, 3, 4, 5
15
[2.2]
=0 en caso contrario
E[ h( x )] h( x ) f ( x ) dx si x es continuo
h( x ) Pr( X x) si x es discreto
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 29
Definicin
Definicin
Distribucin hipergeomtrica
Si una urna1 contiene N bolas, de las que n son rojas y el resto, N n, son
verdes, y se selecciona una muestra y de dicha urna, es posible que algunas de
esas bolas sean rojas. La cantidad x de bolas rojas de la muestra es una variable
aleatoria discreta y tiene valores dentro del recorrido entre 0 e y.
Definamos los sucesos:
= Pr(x) =
=nmero de maneras en las que pueden ocurrir E l y E 2 [2.10]
nmero de maneras en las que puede ocurrir E
1
A los estadsticos les gusta guardar las bolas en una urna. Se puede usar cualquier
recipiente ordinario sin que ello afecte en modo alguno a los resultados matemticos.
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 31
n N n
x y x
N
y
p
En la expresin del lado derecho de la ecuacin [2.10] el smbolo
q
representa el nmero de combinaciones de p cosas tomadas de q en q. Este
nmero de combinaciones se calcula de la manera siguiente:
p p!
[2.11]
q q !( p q )!
en la que p! es el factorial de p o el producto de los trminos p, p 1,p 2,
etc., hasta llegar a 1.
n N n
Pr( x) x y x [2.12]
N
y
n !( N n)! y !( N y )!
x !( n x)!( N n y x)!( y x)! N !
Ejemplo 2.5
Si la urna contiene 10 bolas de las que 4 son rojas y se toma una muestra de 3 bolas,
cul es la probabilidad de que una de dichas bolas sea roja?
Aqu N = 10, n = 4, y = 3, x = 1.
n N n
P r( x ) x y x
N
y
o
46
1 2 4! 6! 3 !7 !
P r(1 )=
10 1!3 ! 2 ! 4 ! 10 !
3
6 !7 ! 6u5u 4 1
3 ! 2 !1 0 ! 2 u 10 u 9 u 8 12
32 CONTROL DE CALIDAD
Ejemplo 2.6
10 990 10 990
0 20 1 19 0, 97
1000 1000
20 20
Distribucin binomial
modos son FFE, FEF y EFF. En general, un nmero exacto x de xitos sobre
N pruebas puede producirse de N modos diferentes.
x
Dado que las pruebas son independientes, pueden multiplicarse las probabi-
lidades de sucesos separados para darnos la probabilidad de un suceso conjun-
to. Por ello la probabilidad de x xitos y N x fallos viene dada por
x (l - ) N - x
N x N-x
Pr(x) = (l - ) [2.13]
x
[() + (1 - )] N
Como corolario, puede verse que la suma de las probabilidades de todos los
posibles valores de x, desde 0 hasta N, es 1.
N N N x N x
Pr( x ) D (1 D ) [(D ) (1 D )] N 1N 1
x 0 x 0 x
Ejemplo 2.7
Si se lanza seis veces una moneda ordinaria, cul es la probabilidad de que salga
cara exactamente dos veces?
Aqu N = 6, x = 2. Como se trata de una moneda ordinaria, la probabilidad de
que salga cara es 0,5, o lo que es lo mismo a = 0,5.
6
N x N x 6 2 4 6! 1 15
Pr(2 caras ) D (1 D ) (0, 5 )(0, 5 )
x 2 2!4! 2 64
La Figura 2.1 muestra la distribucin completa de la variable aleatoria x, el nmero
de caras en seis lanzamientos de una moneda ordinaria.
La distribucin binomial se aplica al control de calidad de dos formas
diferentes. En primer lugar, es la distribucin natural al considerar la calidad de
los elementos que se producen secuencialmente. Aqu cada elemento que se
produce es una nueva prueba. En segundo lugar, puede utilizarse como una
aproximacin de la distribucin hipergeomtrica. Se ha tabulado un nmero
limitado de valores de la distribucin binomial. Sin embargo, en la mayora de
los casos no es difcil calcular los valores individualmente.
34 CONTROL DE CALIDAD
Distribucin de Poisson
eO O x
Pr( x)
x!
en donde k es una constante. Un ejemplo clsico de la distribucin de Poisson
ha sido el estudio del nmero de soldados del ejrcito prusiano que sufrieron la
coz de una mua. La probabilidad de que una mua coceara a un soldado era
muy baja, ya que son, por naturaleza, animales muy dciles. Por otra parte, el
nmero de soldados en el ejrcito prusiano era muy elevado.
La probabilidad acumulada para la distribucin de Poisson, se han tabula-
do en la Tabla A3.1. Los valores aproximados pueden obtenerse en el grfico
modificado de Thorndyke que se presenta en la Figura 2.2. Este grfico nos da
la probabilidad de que se produzcan x o menos xitos en una muestra de n
cuando la media de xitos es p. En estas condiciones el parmetro X viene dado
por
O n p
Ejemplo 2.8
Distribucin normal
En los primeros aos del siglo XIX el matemtico alemn Cari Friedrich
Gauss observ que gran cantidad de fenmenos naturales seguan una distribu-
cin caracterizada por:
1. La probabilidad de ocurrencia aumenta a medida que la variable se
acerca a su valor medio y disminuye cuando se desva de dicho valor
medio.
2. Las ocurrencias por encima y por debajo de la media son igualmente
probables.
3. Aunque la mayora de las desviaciones de la media son pequeas, es
posible, aunque muy raro, que se produzcan grandes desviaciones de la
media.
Una funcin de probabilidad con tales caractersticas tiene la forma de
campana que muestra la Figura 2.3. Gauss mostr su frmula matemtica:
1 2 2
f ( x) e ( x P ) / 2V [2.15]
2SV
3
La distribucin de frecuencia del dimetro que aparece como un histograma en la Figura
2.7, es una distribucin normal.
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 37
1 x2 / 2
f ( x) e
2S
Se dice que esta variable x tiene una distribucin normal estndar. La variable x
se denomina variable aleatoria normal estndar. Es fcil ver que si una variable
y tiene la funcin de densidad de probabilidad
1 2 2
f ( y) e ( y P ) / 2V
2SV
1 z2 / 2
f ( z) e
2S
La funcin de distribucin de z es slo funcin de la variable y no incluye
parmetro alguno. Las Tablas Al y A2 dan los valores de probabilidad acumu-
lada y la funcin de densidad de la variable aleatoria normal estndar. Estos
valores se pueden utilizar para obtener los correspondientes de cualquier varia-
ble con una distribucin normal, as como los valores especficos de la media y
la varianza.
Ejemplo 2.9
Una mquina llena un recipiente con una cantidad medida de caf. El peso del caf
en cada recipiente tiene una distribucin normal con una media de 510 g de caf y una
desviacin estndar de 4 g. Cul es la probabilidad de que un recipiente escogido al
azar contenga menos de 500 g de caf?
Sea y = peso del caf en el recipiente. Entonces,
1 2
/ 2(4)2
f ( y) e ( y 510)
2S 4
La cantidad
y 510
z
4
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 39
1 z2 / 2
f ( z) e
2S
1
f ( x) e x /T para x 0
T
F ( x) 1 e x / T
y
x J E
F ( x) 1 exp
D
Los tres parmetros , , se llaman parmetro de escala, parmetro de
forma y parmetro de situacin, respectivamente. Segn los valores de dichos
parmetros, la funcin de densidad de Weibull puede adoptar gran variedad de
formas, que aparecen en el Captulo 19.
40 CONTROL DE CALIDAD
JERARQUA DE APROXIMACIONES
Aproximacin 1
n N n
Pr( x ) x y x
N
y
puede ser aproximada por la funcin de probabilidad binomial
y x y x
Pr( x ) D (1 D )
x
Aproximacin 2
N x N x
Pr( x ) D (1 D )
x
puede ser aproximada por medio de la funcin de densidad normal
1 1 x P 2
f ( x) exp
2SV 2 V
Aqu, una vez ms, aunque a debera ser aproximadamente 0,5, la aproxi-
macin puede utilizarse sin excesivo riesgo de prdida de precisin en un
amplio recorrido de a desde 0,1 hasta 0,9.
Aproximacin 3
N
Pr( x) D x (1 D ) N x
x
tiene una distribucin normal con una media 0 y una varianza 1 cuando n sea
lo suficientemente grande.
La expresin sea suficientemente grande es bastante vaga. La magnitud
del valor de n para proporcionar una aproximacin razonablemente buena
depender de la distribucin de probabilidad de la poblacin de x. Si la
distribucin de x tiene la forma aproximada de una campana y es simtrica, el
teorema del lmite central da una aproximacin razonablemente buena para un
n tan pequeo como 4. Afortunadamente, para su aplicacin al control de
calidad, la mayora de los casos de artculos manufacturados caen dentro de
este grupo. Esto supone que se pueden basar los procedimientos de control en
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 43
Este tipo de curva se llama ojiva o curva menos que. En la Figura 2.7d, la
escala vertical est ajustada de forma que la probabilidad acumulada de una
funcin de probabilidad normal aparecer como una lnea recta. Las distribu-
ciones similares a la normal, como la del ejemplo, se aproximarn a una lnea
recta.
Al representar o construir grficamente distribuciones de frecuencias agru-
padas, es conveniente advertir al estudiante para que observe cuidadosamente
48 CONTROL DE CALIDAD
los lmites de los intervalos. Observe que, en el ejemplo, los lmites de cada
intervalo son 65-69, 60-64, 55-59, etc. Por tanto, los intervalos no se super-
ponen en cuanto a sus lmites. Observe, tambin, que el intervalo marcado 69-
65 incluye todas las observaciones entre 69,5 y 64,5. Se puede controlar la
conservacin del tamao adecuado de intervalo evitando superposiciones y
restando sucesivamente el tamao de intervalo del lmite del intervalo anterior.
Para aclarar esto convendr comparar con la Tabla 2.4.
N
Pr( x) D x (1 D ) N x
x
Estimacin de punto
T h( x1 , x2 , x3 ,..., xn )
se usa para obtener una estimacin 9 del valor del parmetro desconocido . A
la funcin h se la denomina funcin estimadora o simplemente estimador. Un
ejemplo de estimador es la media de la muestra utilizada para estimar la media
de una distribucin normal.
x1 : N ( P , V 2 )
1 n
P xi
ni1
Debe observarse que la estimacin 9 es una funcin de los valores x1 . . .,
xn de la muestra. En consecuencia, es una variable aleatoria y tiene una
distribucin de probabilidad propia. Para cualquier muestra dada, el valor T
se puede denominar error de estimacin. Los criterios para evaluar una
funcin h como un estimador, pueden expresarse de la siguiente forma:
1. El estimador debe ser neutral o, lo que es lo mismo, el valor esperado
del error E(T ) ser cero.
2. El estimador debe ser consistente, o
lim E[(T T ) 2 ] 0
n of
3. La varianza del estimador debe ser tan pequea como sea posible.
Distribucin normal
n
El parmetro P se estima por x (1/ n) xi . Este estimador es neutral,
i 1
consistente y de varianza mnima.
El parmetro 2 se estima mediante dos funciones estimadoras. La primera
es s2 = (l/n) (xi x )2; la segunda es V 2 = [l/(n 1)] (Xi x )2. Ninguna
de ellas satisface las condiciones exigidas a un buen estimador, s2 no es neutral
50 CONTROL DE CALIDAD
Distribucin de Poisson
Distribucin binomial
s2
(x x )
i
n
entonces, la razn (xi P)/s sigue una distribucin t de Student con n
grados de libertad. La funcin de densidad de Student viene dada por
[(n 1) / 2]! 1
h(t ) u 2 ( n 1) / 2
[2.17]
nS [(n 2)] / 2]! [1 (t / n)]
u/n ku
F
v/k nv
sigue la distribucin F con n y k grados de libertad. La distribucin F es
considerablemente compleja, pero ha sido tabulada para su uso prcti-
co y aparece en la Tabla A6.
PRUEBA DE HIPTESIS
Ejemplo 2.10
Este ejemplo muestra una prueba unilateral de una caracterstica que tiene una
distribucin normal con varianza conocida. Considrese una caracterstica cuya distri-
bucin de probabilidad es normal, con media P y varianza 2. Suponemos que la
varianza es conocida y necesitamos probar la hiptesis
H0: P = k
contra una hiptesis alternativa
H1: P>k
Ms an, queremos limitar la probabilidad de no aceptar Ho cuando sea cierta para
un cierto nmero . Un estadstico que puede utilizarse en esta prueba es x , la media de
una muestra de n observaciones. Si Ho es verdadera, la distribucin de este estadstico
tambin es normal, con media P = k y varianza 2/n. A continuacin definimos una
regin crtica, esto es, la zona que indicar un rechazo de Ho. Para limitar la probabili-
dad de que se rechace una hiptesis cierta, la zona crtica R debe satisfacer la relacin
Pr( x R | H 0 cierta) D
Como no nos preocupa que P sea menor que k (la hiptesis alternativa es P > k), la
zona crtica se selecciona de forma que est situada entre un cierto valor xc y el infinito.
Entonces,
Pr( x ! xc | P k) D
54 CONTROL DE CALIDAD
Realidad
H o : P = 3cm
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 55
H 1 : P = 3,5 cm
puede haber varios mtodos de proyectar una prueba con = 0,05. Aunque
todas esas pruebas tendrn la misma probabilidad de dar un aviso (por ejem-
plo, rechazar Ho) cuando Ho es cierta, su comportamiento diferir cuando Ho
no es cierta (H1 es cierta).
Ejemplo 2.11
La Figura 2.9 muestra dos posibles pruebas para probar la hiptesis con la misma
probabilidad de error del tipo I. La prueba de la Figura 2.9a es unilateral en que la
hiptesis Ho se rechaza siempre que la observacin est por encima del lmite U1. La
prueba de la Figura 2.9b es bilateral y la hiptesis Ho se rechaza siempre que la
observacin est por encima del lmite U2 o por debajo del lmite L1. Aunque el error
Est claro que la prueba 1 es mejor que la 2. Para una nica muestra, la 1 es mejor
que la 2 para detectar una situacin fuera de control. Se dice que la prueba 1 es ms
potente que la 2.
D I ( y1 , y2 ,..., yn )
3. Determinacin del FDP (Funcin de densidad de probabilidad) de D,
h(D), cuando el proceso est bajo control.
4. Determinacin del nivel de significacin y seleccin de una zona de
aceptacin R, en la que
Pr(D R) = 1 -
5. Una seal siempre que el estadstico de control D est fuera de la zona
de aceptacin R.
Estos cinco pasos se pueden denominar, de forma conjunta, proceso de
vigilancia. Un grfico de control es, sin lugar a dudas, un proceso de vigilancia.
En el anlisis que sigue y en otros que figuran en este libro se utilizar el
trmino proceso de vigilancia en este sentido. No debe confundirse con un
proceso de produccin, que fabrica un producto y est sujeto a vigilancia.
Una racha ser el nmero de muestras observadas hasta que se produce el
primer aviso. Cuando las primeras muestras (j 1) no dan lugar a aviso
alguno, y ste se produce en la muestra j, la longitud de racha es j. Para un
proceso de vigilancia la longitud de racha, j, sera una variable aleatoria y su
distribucin de probabilidad, h(J) = Pr(j J], se denominara distribucin de
longitud de racha. Las distribuciones de longitud de racha de los procesos de
vigilancia, cuando el proceso de produccin est bajo control, son de particular
inters.
Teorema. Cuando los sucesivos valores del estadstico de control son
independientes, la distribucin de la longitud de racha es una distribucin
geomtrica.
Para un proceso de vigilancia est especificado el nivel de significancia y la
distribucin del estadstico de control est predeterminada. Para cualquier
muestra k,
Pr (Dk R) =
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 59
Dado que los sucesivos valores D1, D2, ..., Dj son independientes, la
probabilidad de conseguir una seal en la muestra y-sima, pero no antes, viene
dada por
Pr(longitud de racha = j) = (1 - ) j-1 [2.19]
De aqu que la distribucin de la longitud de racha h(J) venga dada por
Como 1 < 2,
(1 - 1 ) > (1 - 2 )
y
(1 1 ) t > (1 2 ) t
o
Pr(U 1 > t) > Pr(U 2 > t)
FU (t) FV (t)
GRADOS DE LIBERTAD
En cualquier problema con n variables, un nmero k de dichas variables
puede ser dependiente con relacin a las restantes n k variables. En tales
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 61
casos, slo se pueden escoger libremente los valores de las variables n k. Una
vez escogidos los valores de t de las variables dependientes k son fijos y no se
pueden seleccionar libremente. Se puede, pues, pensar en grados de libertad
como (n nmero de valores fijos) o, alternativamente, como el nmero de
opciones libres.
Ejemplo 2.12
( X X )1 10 ( X X )2 5
el valor de (X X )3 viene fijado en 15, ya que una de las propiedades de la
media, X , es que la suma de las desviaciones alrededor de la media debe
ser igual a cero.
62 CONTROL DE CALIDAD
As pues,
10 + 5 15 = 0
n 3 = 4 3 = 1
grado de libertad.
TABLA 2.5. Ilustracin de grados de libertad para una tabla
de dos por dos
n 1 = 16 1 = 15
La informacin sobre grados de libertad para este tipo de anlisis viene
dada en la Tabla 2.7. Se observar que los grados de libertad entre columnas
ms los grados de libertad dentro de la columna dan el total de grados de
libertad.
TABLA 2.7. Ilustracin de los grados de libertad para variaciones
dentro de la columna y entre columnas
PRUEBAS DE SIGNIFICANCIA
Cuando una hiptesis define de forma explcita un valor especfico de los
parmetros involucrados, se denomina hiptesis simple. En una prueba de Ho:
= 0 contra H1: = 1 tanto la hiptesis nula como la alternativa son
hiptesis simples. La consecuencia de rechazar la hiptesis nula sera aceptar la
alternativa y producira una mayor confianza en la hiptesis alternativa.
Si la hiptesis alternativa hubiera sido H1: = 0, no habra sido una
hiptesis simple. En este caso, la prueba hubiera representado slo un intento
de contestar a la pregunta: Es el valor observado de significativamente
menor que 0? Tales pruebas pueden llamarse pruebas de significancia. Una
64 CONTROL DE CALIDAD
prueba de significancia puede ser de una cola si la zona de rechazo est slo en
un extremo del recorrido de los valores estadsticos de la prueba; si la zona de
rechazo est en ambos extremos, la prueba se denomina de dos colas (Fig. 2.14).
Figura 2.14. a) Prueba de una cola (Ho: = 0, H1: < 0 ); b) Prueba de dos
colas (Ho: = 0, H1: 0 ).
Las pruebas de significancia son tiles para evaluar nuevos mtodos, trata-
mientos o proyectos. Se puede considerar que un proyecto logra xito cuando
los resultados son significativamente mejores que los que se alcanzaban antes
de utilizarlo. La probabilidad de error de tipo I o a se denomina nivel de
significancia. La hiptesis nula seala que no hay diferencias entre los resulta-
dos antes y despus del proyecto propuesto. La prueba descrita en el ejemplo
2.13 es de significancia.
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 65
Ejemplo 2.13
Un granjero sabe por experiencia que el peso medio de sus cerdos despus de un
programa de cebado de nueve meses es de 200 kg, con una desviacin estndar de 10
kg. Ha salido a la venta un nuevo alimento que se anuncia como superior para la
alimentacin del ganado porcino. Con objeto de verificar la autenticidad de tal afirma-
cin, el campesino lleva a cabo una prueba usando el nuevo alimento para una muestra
de 25 cerdos. Sea x el peso medio de los cerdos despus del programa de cebado.
Aqu la hiptesis nula es Ho:P = 200 kg, contra la alternativa H1: P > 200 kg.
Sea = 0,05. Esta es una prueba unilateral de una caracterstica, el peso de un
cerdo, con varianza conocida. La distribucin del estadstico de prueba x es aproxima-
damente normal con una media de 200 kg y una desviacin estndar 10/ 25 = 2 kg.
En la Tabla Al, la probabilidad de 0,95 nos da el nivel crtico xc como la media +
1,645 desviaciones estndar.
xc = 200 + 1,645 x 2
= 203,29 kg
Despus de la prueba se hall que el peso medio era de 207,80 kg (Fig. 2.15). Se
rechaza la hiptesis nula y se llega a la conclusin de que, ciertamente, el nuevo
alimento tiene propiedades superiores para el cebado de los cerdos. Suele decirse que
esta conclusin se alcanz al nivel de significancia de 5 por 100.
Ejemplo 2.14
( X X ') n
t
V'
Para los datos de la muestra la expresin se convierte en
(197 200) 10
t 1,89
5
El valor t de una cola asociado a una probabilidad de 0,01 para grados de libertad
infinitos es 2,326. Dado que el valor calculado de t es menor que el nivel de significancia
de t elegido, la hiptesis nula no se rechaza. Esto es, se supone que 197 no es
significativamente diferente de 200.
( X X ) n 1
t
V'
Suponiendo que la variabilidad era desconocida y tena que calcularse a
partir de los datos anteriores (asumiendo, tambin, que = 5), la solucin para
t sera
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 67
(197 200) 9
t 1,80
5
Como podra esperarse, cuando la variabilidad es desconocida se requi
una desviacin real mayor para inferencias de significancia. En este caso ta
poco se rechaza la hiptesis nula.
y la expresin t se reduce a
Ejemplo 2.15
La prueba es aqu para la diferencia entre dos medias, de forma que debemos
utilizar la prueba de dos colas. La diferencia no es unidireccional, como ocurre cuando
se compara una media con un estndar. Para la prueba de dos colas, empezamos a
buscar en la parte inferior de la Tabla A5. El valor de t para un nivel de significancia de
0,05 y unos grados de libertad infinitos, es 1,96. Dado que el t calculado es mayor que el
t significante (2,0 > 1,96), se rechaza la hiptesis nula. En otras palabras, se concluye
que la diferencia en la dureza de esos dos lotes es significativa.
Ejemplo 2.16
( I II ) 6
1, 0
n 6
n D 2 D 2
VD
n( n 1)
por tanto,
D( n )
t
n D 2 ( D ) 2
n(n 1)
siendo los grados de libertad = n 1. Slo se pierde un grado de libertad aqu, ya que
slo hay un estimado, la variabilidad. Para los pares de datos del ejemplo
(1)( 6)
t 1, 22
6(26) (6) 2
6(5)
70 CONTROL DE CALIDAD
Incluso para un valor muy liberal de significancia de 0,20 (valor que no se usa casi
nunca), el valor de la tabla de dos colas para t es mayor que el t calculado; esto es, en (n
1) = grados de libertad = 5, el t de la Tabla A5 es 1,282, que es mayor de 1,22. Por
tanto, se puede inferir que existe suficiente evidencia para pensar que hay una diferencia
significativa entre los dos tipos de revestimiento. Se acepta la hiptesis indiferente.
Ejemplo 2.17
El nivel 0,5 por 100 de una punta de t para infinitos grados de libertad segn la
Tabla A5 es 2,576. Por tanto, el t = 2,86 calculado es mayor que el t significativo de
2,576, y, en consecuencia, se rechaza la hiptesis indiferente y se concluye que la
diferencia es significativa.
Dados los mismos datos que en el ejemplo 2.17 excepto que n = 50 en vez de ser
igual a 400, entonces, de acuerdo con la Tabla A3.1, cuando la cantidad real de
elementos defectuosos (np') es 1,0 la probabilidad de que un np sea 2 o mayor es de 0,08.
(Esto se obtiene sustrayendo el valor en la columna c = 2 de la Tabla A3.1 de 1.000 y
convirtindolo en un nmero decimal.) As pues, en este caso se acepta la hiptesis
indiferente porque el nivel de significancia de 0,005 (0,5 por 100) excede con mucho los
0,08 obtenidos en la Tabla A3.1. Esto sera de esperar, ya que n es mucho ms pequeo
que el del ejemplo anterior.
Ejemplo 2.18
p1 p2
t
n1 p1 n2 p2 n1 p1 n2 p2 1 1
1
n1 n2 n1 n2 n1 n2
Ejemplo 2.19
0, 08 0, 04
t 1, 79
8 24 8 24 1 1
1
200 300 200 300 200 300
El valor de dos colas de t para una significancia de 0,05 segn la Tabla A5 es 1,96.
1,96 es mayor que 1,79, as que se acepta la hiptesis indiferente. La conclusin es que
no hay significancia entre las dos proporciones al nivel del 5 por 100 de significancia.
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 73
Ejemplo 2.20
6000
V ' 3544 psi
1693
Un nuevo proceso de tratamiento trmico que est siendo probado dio un valor
estimado de la desviacin estndar de 1.750 psi, basado en seis muestras de tres
74 CONTROL DE CALIDAD
nV 2
u
V '2
Para probar la hiptesis H0: = 2 contra la alternativa H1: 2 < 2, puede
2
2
usarse el nivel 1 por 100 del extremo ms bajo o el nivel para F 0,99 de una distribucin
2
ji al cuadrado con 5 grados de libertad. Segn la tabla A4, F 0,99 con 5 grados de
libertad = 0,554.
Para la muestra observada,
6(1750) 2
u
(3544) 2
2
Como quiera que el valor observado u es mayor que F 0,99 no se puede rechazar la
hiptesis indiferente. Puede concluirse que la mejora en el proceso no es significativa.
nV 12
u
V '2
y
kV 22
v
V '2
tendran una distribucin ji al cuadrado con grados de libertad n 1 y k 1,
respectivamente. La relacin entre esas variables aleatorias que siguen una
distribucin ji al cuadrado se expresa as
(k 1)u V 12 1 V '2
(k 1)n
(n 1)v V '2 n 1 kV 22
(k 1)n V 12
(n 1)k V 22
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 75
Ejemplo 2.21
Supongamos que se desea probar la diferencia entre dos varianzas de muestras a un
nivel de significancia de 0,014. La razn de la prueba es ver si la variabilidad del primer
turno de trabajo es significativamente distinta de la del segundo, en una operacin en la
que es preciso controlar la variabilidad de la fuerza producida. El primer turno tena
mayor produccin, de forma que se seleccion una muestra mayor. Las dos pruebas
proporcionaron los siguientes datos:
Tamao de la muestra, n 9 5
Varianza, 2 9.000.000 psi2 1.000.000 psi2
V 2 X X
n 1
76 CONTROL DE CALIDAD
PROBLEMAS
2.1. Una urna contiene 20 bolas rojas y 40 negras. Otra urna contiene 30 bolas
verdes y 30 negras.
a) Cuando se toma una bola de la primera urna, cul es la probabilidad de
que sea roja?
b) Cuando se toma una bola de la segunda urna, cul es la probabilidad de
que sea verde?
c) Cuando se toma una bola de cada urna, cul es la probabilidad de coger
una roja y una verde?
d) Cuando se coge una bola de cada urna, cul es la probabilidad de coger
una roja, o una verde, o ambas a la vez?
e) Cuando se coge una bola de cada urna, cul es la probabilidad de coger
exactamente una negra?
f) Cuando se coge una bola de cada urna, cul es la probabilidad de coger al
menos una negra?
2.2. Mario est pensando en realizar un viaje de costa a costa en su coche nuevo. La
probabilidad de que una cubierta nueva sobreviva a este viaje es de 0,8. Cul es
la probabilidad de que al menos una cubierta se estropee durante el viaje?
2.3. Si se tira una sola vez un dado de seis caras, cul es la probabilidad de que
salga el nmero 5? Si se tiran dos dados, cul es la probabilidad de sacar 8?
2.4. Se ha dicho que un famoso director de Hollywood utilizaba tres cmaras para
filmar algunas escenas complicadas. La probabilidad de que una cmara filmara
dicha escena es de 1/3. Cul es la probabilidad de que se rodara una escena
complicada sin filmarse?
2.5. Una baraja tiene 52 cartas (4 palos de 13 naipes cada uno). El jugador C coge
una carta al azar. Acto seguido, el jugador D coge otra igualmente al azar.
Cul es la probabilidad de que ambas sean del mismo palo?
2.6. Una funcin de densidad de probabilidad viene dada por f(x) = Ax Bx2 para
el recorrido 0 x 2. Determnense los valores de A y B.
2.11. Para la variable x del problema 2.8, determine E(x), E(x2) y Var(x).
2.12. En un dado de seis caras, si x representa al nmero que sale despus de tirar el
dado, cul es el valor esperado de x?
2.13. En una partida de cartas en un casino, cada jugador recibe una carta despus de
hacer una apuesta de 25 dlares. Si la carta que el croupier descubre a continua-
cin pertenece al mismo palo de la primera, el jugador gana 60 dlares, adems
de recibir la devolucin del dinero de su apuesta. Si la carta es de un palo
diferente el jugador pierde su apuesta. A largo plazo, quin ganar en este
juego: el casino o el jugador?
2.14. En una caja hay seis canicas verdes y tres azules. Se escogen al azar cuatro
unidades. Cul es la probabilidad de que, de esas cuatro canicas, dos sean
azules?
2.15. Una gasolinera recibe 100 unidades de repuestos, 20 de las cuales se sospecha
que son defectuosos. Si se toma de la caja una muestra aleatoria de 5 unidades,
cul es la probabilidad de que exactamente una unidad de la muestra sea
defectuosa?
2.16. Una emisora de TV quera entrevistar a cierto nmero de delegados que asistan
a la convencin de un partido poltico. Del total de delegados se supone que el
40 por 100 son conservadores, el 30 por 100 moderados y los restantes liberales.
Si se seleccionan al azar cuatro polticos para las entrevistas, cul es la probabi-
lidad de que ms de uno sea conservador?
2.18. Digamos que la probabilidad de xito en una prueba es p. Muestre que en una
secuencia de pruebas la probabilidad de lograr el xito por primera vez en la
ensima prueba es
p(1 - p)n-1
Esta distribucin se denomina distribucin geomtrica.
2.20. El nmero de clientes que llegan al mostrador de facturacin de una lnea area
es una variable aleatoria de Poisson con un recorrido medio de 6 por hora.
Cul es la probabilidad de que durante una hora determinada no lleguen ms
de dos personas?
2.22. Una firma dedicada a la fabricacin estima que, como promedio, 1 de cada 600
artculos fabricados es defectuoso. En una muestra de 1.200 elementos, cul es
la probabilidad de que haya exactamente 3 defectuosos? sese la aproximacin
de Poisson.
2.23. Se asume que el dimetro de un cilindro est normalmente distribuido con una
media de 3,5 pulgadas y una varianza de 0,012. Cul es la probabilidad de que
un cilindro escogido al azar tenga un dimetro mayor de 3,65 pulgadas?
2.24. Se asume que la distribucin de puntos logrados en cierto examen es normal con
una media de 80 y una varianza de 25. Qu porcentaje de los estudiantes
obtuvo 70 puntos o menos?
2.26. En una clase con 50 estudiantes, los puntos que sacaron en un examen son los
siguientes:
Obtener:
a) La distribucin de frecuencia agrupada.
b) Un histograma mostrando los puntos contrarios a la frecuencia.
c) Un polgono con la frecuencia real estimada y un estimado suavizado de la
funcin de probabilidad.
d) Una curva de ojiva.
2.27. Una caja contiene cinco bolas marcadas con los nmeros 3, 5, 7, 9 y 11,
respectivamente. Cada vez que se sacan dos bolas, se anotan sus nmeros y se
devuelven a la caja. Considrense todas las muestras posibles de esta poblacin.
Calclese:
a) La media de la poblacin.
b) La desviacin estndar de la poblacin.
c) La media de las medias de muestra.
d) La desviacin estndar (error estndar) de las medias de muestra.
2.28. Se supone que el dimetro de un cilindro est distribuido normalmente con una
media de 5 cm, y una varianza de 1,10. Si se toma para inspeccionar una muestra
de 100 barriles, hllese la distribucin de la media X de la muestra. Cul es la
probabilidad de que una media de la muestra sea mayor de 5,2 cm?
2.29. Se supone que los rodamientos de fabricados en una empresa tienen un dimetro
medio de 2,2 cm, y una desviacin estndar de 0,70 cm. Determnese la distribu-
cin de las medias de la muestra. Cul es la probabilidad de que la media de
cierta muestra caiga entre 2 cm y 2,35 cm?
2.30. Si se tira una moneda 100 veces, cul es la probabilidad de que el nmero de
caras est entre 45 y 55?
2.31. Se supone que el dimetro de los rodamientos de bolas fabricados por una
empresa est distribuido normalmente con una varianza de 0,5. En una muestra
de 30 rodamientos, la media de la muestra es de 2,3 pulgadas. Usando = 0,05,
prubese la hiptesis de que la media P es de 2,1 pulgadas contra una alternativa
de que P no sea igual a 2,1 pulgadas.
2.32. En el problema 2.31, supngase que la hiptesis indiferente es P = 2,1 y la
hiptesis alternativa es P > 2,1. Apoyan los datos la hiptesis indiferente o la
alternativa?
80 CONTROL DE CALIDAD
2.33. Se supone que el coeficiente de inteligencia de los alumnos de una escuela est
distribuido normalmente con una varianza de 6.400. En un muestreo aleatorio
de 50 alumnos, la media es 120. El director ha sealado siempre que el coeficien-
te de inteligencia medio de la escuela es de 155. Para un valor a de 0,05
verifiqese si puede aceptarse la observacin del director o no.
2.34. Se supone que el ngulo de desviacin de un rayo de luz horizontal sometido a
una presin vertical est distribuido normalmente con una varianza de 6,2. La
hiptesis a probar es
Ho = 4,0 mm
contra H1 > 4,0 mm
Una muestra de 5 elementos da un ngulo de desviacin de 4,25 mm. Si a =
0,10, aceptara usted la hiptesis indiferente?
2.35. Si en el problema 2.34 la varianza de la poblacin no fuera conocida, pero se
estimase que la varianza de la muestra es de 0,3, aceptara la hiptesis indiferen-
te para un valor de de 0,05?
2.36. Se van a comparar las notas medias obtenidas en un examen por las clases A y
B. Supngase que las varianzas de las dos poblaciones son conocidas y que se
estima que ambas son iguales a 7.200. Una muestra aleatoria de los exmenes de
50 alumnos de cada clase da una nota media de 75 y 87, respectivamente. Si la
hiptesis indiferente establece que las dos medias son iguales, verifquese si los
datos confirman la hiptesis indiferente. Supngase que las poblaciones estn
distribuidas normalmente y que = 0,05.
2.37. Una planta de montaje de automviles desea comprar vstagos de dos provee-
dores distintos. Una de las dimensiones fundamentales de tales vstagos es el
dimetro del casquillo del pasador de pistn. Dichos dimetros estn distribui-
dos normalmente en los vstagos de ambas empresas, y se conocen sus varian-
zas, que se supone que son iguales. Se dispone tambin de los valores de . Los
datos son los siguientes:
slo se dispone de valores estimados para 2. Los resultados de las pruebas son
los siguientes:
Coche 1 Coche 2
H 0 : P1 P2
H1 : P1 P2
Tipo 1 Tipo 2
1.010 1.040
980 1.000
880 870
900 965
1.205 1.185
1.060 1.030
870 860
990 990
costo mnimo para produccin, reciprocidad, etc. Una razn y causa frecuente
de la mala calidad de los materiales adquiridos, si existe, es que el proveedor no
sabe exactamente lo que quiere el comprador. Hay a menudo un doble criterio:
1) lo que exigen las especificaciones de materiales, y 2) lo que el comprador
aceptar basndose en su conveniencia. Una situacin parecida se produce en
la fbrica con el trabajador encargado de una mquina, esto es: 1) los planos de
trabajo, y 2) lo que aceptar su supervisor, de nuevo basndose en su conve-
niencia.
La segunda fuente de variaciones es la maquinaria. Cualquier proceso,
aunque sea de precisin, funciona dentro de un cierto intervalo de capacidad.
Los lmites de este intervalo se conocen como lmites naturales del proceso. Este
intervalo de variabilidad se denomina capacidad del proceso o de la maquinaria.
Un proceso no es ms que la utilizacin de recursos para producir algo,
pudiendo su resultado el producto ser tangible o intangible. En contraste
con los lmites naturales estn los lmites de las especificaciones o de los planos.
Estos lmites suelen ser arbitrarios, toda vez que se fijan segn los objetivos que
se persigan con el proyecto de los distintos productos. O, al menos, as debera
ser. Sin embargo, es frecuente que la arbitrariedad se produzca sin tener en
cuenta los objetivos del proyecto, ni tampoco las necesidades de un procedi-
miento econmico de produccin. Lo que nos lleva, una vez ms, a la creacin
de un doble estndar en este campo: lo que se desea y lo que ser aceptado.
Los intentos por controlar el proceso hasta dejar una variabilidad menor
que la suya natural provocan indecisiones, frustracin y llevan a realizar gastos
injustificados. Si el proceso no puede funcionar de modo aceptable dentro de
los lmites de su proyecto, quien adopte las decisiones no tiene ms que tres
alternativas: 1) separar los productos que satisfagan las especificaciones de los
insatisfactorios; 2) utilizar un proceso ms preciso; 3) cambiar el proyecto del
producto. La eleccin de una alternativa debe obedecer a razones econmicas.
Habr casos en que est justificado optar por la primera alternativa, aunque en
la mayora de los casos, esta opcin obedecer a razones de mala planificacin
de produccin y a ventajas momentneas. La segunda alternativa puede supo-
ner importantes inversiones en maquinaria, una carga diferente de las mqui-
nas, o la subcontratacin para llegar a procesos de produccin ms precisos.
Con frecuencia, mediante una cuidadosa distribucin del trabajo y una precisa
programacin se puede evitar la compra de equipos de mayor precisin. Quere-
mos poner de manifiesto, adems, que desde el punto de vista econmico tan
errneo es pensar en un proceso de gran precisin si el proyecto disponible es
impreciso como todo lo contrario. La tercera opcin, quiz la ms difcil de
llevar a la prctica, es la del cambio de proyecto. Si se hace indiscriminada
mente puede producir estragos en un plan organizado de produccin, aunqu
una mayor tolerancia con respecto a las exigencias del proyecto puede signifi
car la diferencia entre ganar o perder dinero. Los costos de inspeccin al 10'
por 100, de desechos y repeticiones de algunos trabajos pueden considerar^
como costos de oportunidad, esto es, costos innecesarios que se pueden reduc
e incluso eliminar, mediante la planificacin y los controles adecuados. Por
contrario, una justificada observancia de todas las exigencias del proyecto
puede incrementar la demanda de un producto de calidad. En cualquier caso, el
objetivo a alcanzar debe ser: proyecto ptimo a un costo total mnimo.
CONTROL ESTADSTICO DE PROCESOS 85
0,001 pulgadas que realiz tras comprobar la dcima unidad, llev a que el
proceso produjera material defectuoso (Fig. 3.1c).
Obsrvense dos caractersticas importantes de la Figura 3.1: 1) al resumir
los datos recogidos en el grfico de series de unidades de la Figura 3.1c, ofrecen
la apariencia de una distribucin de tipo normal, y 2) basndonos slo en la
evidencia visual, el proceso, si se centra adecuadamente y luego se deja solo,
parece capaz de producir dentro de los lmites establecidos. As puede verse
cmo el nombre, con sus ajustes indiscriminados, hace que todo el proceso
resulte ms variable de lo que sera si los materiales y la maquinaria fueran los
nicos elementos que variasen durante el proceso. Aadan a esto los actos
indecisos y las precipitaciones de mtodos y gerencia, y los beneficios posibles
por medio del control grfico resultarn an ms patentes. Es aconsejable
repetir aqu el principio bsico del control eficiente de un proceso: A no ser
que haya una razn que nos obligue a actuar de otro modo, djese al proceso
actuar solo.
TABLA 3.1
2 2
15
( x xi )2
estimado de V V V 2 1 14 0, 79357
estimado de V V V 2 0,89
Esto completa el primer paso y el PDF estimado es una distribucin
normal con media 0,8 y desviacin estndar 0,89.
Para el paso 2, se considera satisfactorio el producto si ms del 98 por 100
del mismo cumple con las especificaciones. Los dos lmites de las especificacio-
nes, + 2 y 2, estn relacionados con el PDF estimado de la siguiente forma:
90 CONTROL DE CALIDAD
1
Se ha dicho que el objetivo del grfico de control es el de detectar un deterioro no deseado
del proceso. El deterioro puede obedecer a mltiples causas un taladro embotado, contamina-
cin, dilucin progresiva de un agente qumico, fatiga, etc. En general, es fcil detectar y ajustar
el tipo de deterioro que pasa de uno a otro nivel, como se indica en la Figura 3.1. (Esta es la
pauta que ofrece el desgaste de herramientas.) Si se da una dispersin del deterioro, el problema
es ms difcil de solucionar; ste sera el caso del deterioro que es producido por un cambio en la
capacidad del proceso. Como regla general, el primer caso se puede solucionar mediante un
simple ajuste en un determinado nivel del proceso. En el segundo supuesto hay que incluir,
generalmente, trabajos de ingeniera.
92 CONTROL DE CALIDAD
Figura 3.6. Comparacin de los lmites de control con los intervalos de confianza
y los niveles de significancia.
dos por el valor k seleccionado, reflejara los deseos del intrprete de aceptar
una probabilidad de equivocarse al adoptar la decisin. Si se da a k un valor 3,
cualquier valor que caiga en o fuera de los lmites de control lleva al intrprete
a rechazar la hiptesis indiferente al nivel de significancia de 0,0013 (la mitad de
0,26 por 100) para cada lmite. Las probabilidad de equivocarse al decidir slo
sern de 26 entre 10.000 en ambos lmites, y de 13 por cada 10.000 si se
considera un slo lmite. La zona ms all de P 3 es aproximadamente
igual a 0,0026. Este valor k = 3 es muy utilizado en la mayora de las
aplicaciones de grficos de control.
Un grfico de control acta como poderoso estmulo para lograr mejoras,
al par que sirve para prevenir ajustes indiscriminados. El rechazo de la hip-
tesis de que el proceso sea estable slo se produce cuando hay una razn
poderosa para pensar que ha habido alguna desviacin. Se deja solo al proceso
hasta que se produce algn sntoma de anomala que indica que est justificado
iniciar una investigacin para tratar de hallar su causa. Como consecuencia de
su poderoso efecto psicolgico sobre las mejoras, hay que prestar la debida
atencin a los sntomas que muestre el grfico de control. Si no se lleva
adecuadamente el grfico ni se investiga la causa de los sntomas de anomala
que aparezcan para determinar su causa, mejor sera eliminarlo. En caso con-
trario, entre el personal se crear una actitud despectiva hacia los grficos, que
pasarn a considerar como simples juguetes de la gerencia. Esta actitud dar
CONTROL ESTADSTICO DE PROCESOS 95
Figura 3.8. Grfico de control que proporciona evidencia para investigar. Forma-,
to de porcentaje de elementos defectuosos usado para ilustrar.
96 CONTROL DE CALIDAD
H0: PX = P0
contra
H1: Px P0
contra
H1: PX P 0
Una vez que la pauta del grfico de control ha indicado que debe realizarse
una investigacin para hallar la causa de una variacin no aleatoria, se puede
revelar uno de los puntos siguientes:
1. La causa de la desviacin es una variacin aleatoria que slo se espera-
ba que ocurriera k veces de cada 1.000; esto es, no parece haber una
justificacin. Habr, pues, que tener en cuenta esta desviacin al definir
el siguiente estndar.
2. La desviacin tiene una causa identificable que es posible eliminar. Por
ejemplo, no puede eliminarse la actividad cclica o estacional. Habr
que tenerlas en cuenta para futuros casos de control, sea como desvia-
ciones esperadas, o, si el ciclo o la estacin tiene una duracin conside-
rable, como estndares cclicos o estacionales.
3. La desviacin es determinable y est provocada por una recogida defec-
tuosa de datos. Esta recogida defectuosa de datos puede referirse a una
medida no fiable o a un decimal mal colocado en los clculos o a una
mala marca en el grfico.
4. La desviacin tiene una causa determinable y que se debe a uno o ms
recursos: mano de obra, maquinaria o materiales.
98 CONTROL DE CALIDAD
PROBLEMAS
3.1. Se realizaron las siguientes lecturas sobre la resistencia a la tensin en una lnea
procesadora de acero despus del tratamiento trmico.
Resistencia Resistencia
Fecha (1.000 psi) Fecha (1.000 psi)
1 95,5 16 93,0
2 96,5 17 87,5
3 90,5 18 96,5
4 100,0 19 98,0
5 97,0 20 96,0
6 93,5 21 98,5
7 90,0 22 94,0
8 89,5 23 96,5
9 92,5 24 98,0
10 96,5 25 92,0
11 97,0 26 93,8
12 99,5 27 96,0
13 91,0 28 94,0
14 102,0 29 95,0
15 87,0 30 94,5
3.2. Los paquetes de pizzas congeladas Torino vienen marcados con un contenido de
peso neto 800 g. Se tom una muestra de 30 paquetes y se pesaron.
1 789 16 795
2 771 17 794
3 800 18 792
4 800 19 786
5 798 20 805
6 804 21 798
7 809 22 809
8 787 23 793
9 799 24 791
10 795 25 811
11 794 26 802
12 800 27 816
13 791 28 782
14 807 29 784
15 802 30 793
4
Los lmites de control son lmites de decisin que informan a quien los
interpreta cundo debe investigar. La posicin de los lmites de control, d
terminada por el valor k seleccionado, reflejar los deseos del intrprete de
aceptar una probabilidad de equivocarse al tomar la decisin. Si se da a k un
valor 3, cualquier valor que caiga en o fuera de los lmites de control lleva al
intrprete a rechazar la hiptesis indiferente al nivel de significancia de 0,0013
(la mitad del 0,26 por 100) para cada lmite. Las probabilidades de equivocarse
al tomar la decisin ser nicamente de 26 entre 10.000 en ambos lmites y de
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 105
R = xi (mximo) xi(mnimo)
1 n
V ( x1 x )2
ni1
A estos pares de grficos se los conoce normalmente como grficos X y R o
grficos X y V . Los lmites de control suelen establecerse en k = 3, esto es
Ejemplo 4.1
Las especificaciones indican que la longitud de un tornillo debe ser de 20 mm. Para
fabricarlos se utiliza un equipo semiautomtico. En la Tabla 4.2 se muestran los
resultados de haber tomado muestras de 5 tornillos durante cada hora de su fabrica-
cin. Las Figuras 4.3, 4.4 y 4.5 muestran los grficos X , R y V de las observaciones de
esas ocho muestras. Gracias a la sencillez de los clculos, los grficos X y R se usan
mucho ms que los grficos X y V .
TABLA 4.2. Datos del muestreo.
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 107
V
la desviacin estndar de V ;
2n
Los factores para el clculo de los lmites de control se definen del modo
siguiente:
1
Los smbolos a y s se usan para indicar la cantidad de la muestra. Ambos smbolos se
utilizan en este libro.
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 109
V
3 ; A2 R
n
Tamao de la muestra
Perodo base
Nivel de significancia
vigilancia. Dicho de otro modo: las observaciones del perodo base estaban de
acuerdo con los parmetros calculados a partir de ellas. Esto indica estabilidad
del proceso de fabricacin. Cuando el proceso de fabricacin es estable, se
pueden usar con toda confianza durante el perodo de vigilancia los lmites de
control obtenidos a partir de las observaciones del perodo base.
Si cualquiera de los valores de X o R durante el perodo base estuvieran
fuera de los lmites de control, ello indicara una probable falta de estabilidad
del proceso. Cuando el proceso no es estable durante el perodo base, habra
que poner en duda la validez de utilizar lmites de control para el perodo de
vigilancia. La vigilancia exige los lmites de control obtenibles si el proceso
hubiera sido estable. Si la inestabilidad del perodo base es inherente al
proceso (equipo gastado, mala calidad de los materiales), es mejor prescindir de
los resultados de dicho perodo y reiniciar el trabajo una vez corregidas las
causas de tal situacin. Si la inestabilidad se debe a la novedad del producto o
del proceso y/o a que los trabajadores encargados no estn familiarizados con
el producto, los lmites de control se pueden obtener como sigue:
1. Si el tiempo lo permite y las observaciones no resultan demasiado caras,
se puede iniciar un nuevo perodo base. Para ese momento, el proceso
ya se habr estabilizado, probablemente.
2. Controlar si el proceso es estable si se eliminan las observaciones fuera
de los lmites de control.
Para poder adoptar la opcin 2, se utiliza el siguiente procedimiento:
Paso 1. Iniciar un perodo base de al menos 25 muestras.
Paso 2. Calcular X y R . Calcular los lmites de control.
Paso 3. Revisar el grfico R. Si todas las observaciones caen dentro de los
lmites de control, ir al paso 4. Si hay observaciones que estn fuera del lmite
superior de control, eliminar las muestras correspondientes del perodo base e
ir al paso 2.
Paso 4. Revisar el grfico X . Si todas las observaciones estn dentro de los
lmites de control ir al paso 5. Si hay observaciones fuera de algunos de los
lmites de control, elimine la muestra correspondiente del perodo base. Si
quedan en el perodo base 15 muestras o menos, prescindir del perodo base. En
caso contrario ir al paso 2.
Paso 5. Extender los lmites de control al perodo de vigilancia.
Ejemplo 4.2
Una marca de gaseosas se vende en botellas que marcan 325 ml. Se llenan en una
mquina automtica. Durante el primer turno, cada quince minutos de fabricacin, se
toman muestras de cinco botellas con los resultados que aparecen en la Figura 4.3. La
medida x es el nmero de mililitros por encima de 300. Se obtienen valores iniciales
tentativos de los lmites de control para este perodo base.
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 113
Volviendo al paso 3, se comparan todos los recorridos con estos lmites tentativos.
Todos los recorridos estn dentro de los lmites de control. Yendo al paso 4, se
comparan todos los valores de X con los lmites de control. Las muestras 10 y 27 estn
por debajo del lmite inferior de control. Se eliminan estas dos del conjunto de datos. Se
obtienen nuevos lmites tentativos para las restantes 27 muestras.
703
X 26, 03
27
127
R 4, 70
27
114 CONTROL DE CALIDAD
Nmero
X R
de la muestra
1 19,95 0,9
2 19,80 0,7
3 20,32 1,3
4 20,04 1,0
5 19,86 0,8
6 20,08 0,7
7 20,60 1,2
8 20,12 0,9
PROBLEMAS
4.2. Cules seran las respuestas al problema 4.1 si los limites de control se situara
en 3 en vez de en 2,5 en ambos lados de P?
4.3. Hay que crear los grficos de control X y R para la anchura de un repuesto de
automvil. El tamao de la muestra es 5. Se calculan X y R para cada muestra
despus de 20 muestras, X = 309,5 y R = 22,38.
Asumiendo que el proceso est bajo control, qu porcentaje del total de repues-
tos fabricados cae fuera de los lmites de control?
4.12. Los siguientes datos se refieren a 20 muestreos de cinco pistones cada uno
durante el perodo base:
Muestreo X R Muestreo X R
1 2,6 13 11 4,8 13
2 1,6 8 12 1,4 8
3 3,4 12 13 3,4 7
4 1,6 12 14 3,2 6
5 2,0 7 15 5,6 6
6 4,4 18 16 4,6 6
7 3,6 15 17 3,4 7
8 4,6 8 18 2,8 4
9 3,8 17 19 5,6 8
10 3,2 12 20 2,2 6
a) En el grfico X ?
b) En el grfico R ?
4.15. Hay que mantener un control de calidad de unas pilas. Durante el perodo base
se realizaron 25 muestreos, de tamao de cuatro elementos cada uno. Para los
25 muestreos del perodo base X = 130,25 vatios, R = 7,25.
a) Determinar los lmites de control durante el perodo de vigilancia.
b) Durante el perodo de vigilancia, los tres primeros muestreos, de cuatro
elementos cada uno, dieron un resultado de X igual a 5,01; 5,51 y 5,35 vatios.
Determinar si algunos de esos tres muestreos estaba fuera de los lmites de
control.
4.16. En el problema 4.6, los valores de X en las cuatro primeras muestras del perodo
de vigilancia fueron 10,28; 9,04; 10,4 y 9,4. Determinar si alguno de los prome-
dios de dichas muestras estaba fuera de los lmites de control.
4.17. Volvamos al problema 4.4. Despus de preparar los grficos de control se vigil
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 119
Procedimientos especiales
de control de procesos
[5.1]
m
Cuando se usa s para calcular , los dos grficos para controlar el proceso
sern: 1) un grfico X , en que los lmites de control se basan en s, y 2) un grfico
1
Estos son los grficos a que aludimos en el Captulo 4 como grficos X y . Aqu se
estudian con mayor detalle.
121
122 CONTROL DE CALIDAD
X i X 2 ... X m
X [5.2]
m
s1 s2 ... sm
s [5.3]
m
Si todos los subgrupos del perodo base estn bajo control, con respecto a
los lmites tentativos, se considera que el proceso tambin lo est y los lmites
continuarn durante el perodo de observacin.
Ejemplo 5.1
Se ha especificado que el dimetro de una pieza de una mquina ha de ser de
3,750 0,015. En el perodo base se probaron 20 subgrupos de tamao 5. Los
resultados aparecen en la tabla 5.1. [Nota: Los valores tabulados son 1.000 (dimetro
3,700).] Se calculan X y s para cada subgrupo (Tabla 5.2). Para una muestra de 5,
los factores A1, B4 y B3 tienen un valor de 1,60; 2,09 y 0, respectivamente:
B
s 5527
estimada para el proceso = = 6,57
c2 0,8407
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 123
Subgrupo 1 2 3 4 5
1 42 40 46 55 48
2 50 43 32 51 53
3 46 44 58 46 47
4 59 52 48 45 47
5 37 34 43 49 59
6 53 58 49 56 36
7 47 51 49 40 46
8 47 38 45 44 43
9 49 40 40 53 40
10 54 40 56 51 50
11 54 48 51 48 48
12 44 51 36 47 57
13 63 46 47 40 62
14 40 45 45 52 59
15 62 41 44 45 49
16 56 45 55 45 54
17 54 44 37 47 56
18 49 44 44 43 44
19 44 46 47 44 42
20 42 44 55 48 52
Subgrupo X s s2
La ecuacin [5.3] es til siempre que todos los subgrupos sean del mismo
tamao y la distribucin normal. En el caso general, suele utilizarse preferente-
mente un mtodo alternativo para calcular s:
1 1 mn
(X X ) s y 1
n m mn
respectivamente.
Para los no iniciados, la muestra 1 puede parecer mejor, ya que tres de los
cinco elementos tienen exactamente el tamao nominal. Ms an: ambas mues-
tras indican la misma media. Es difcil entender que la muestra 1 presenta
mayor variacin que la muestra 2.
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 125
Los grficos en que se marcan las medidas individuales, incluso cuando van
acompaados de lmites de especificaciones, son marcadamente inferiores a los
convencionales X y R. Claro est que es mejor tener grficos de medidas
individuales que carecer totalmente de ellos. El mejor procedimiento para
evitar confusiones y malos entendidos es realizar sesiones de entrenamiento
para los operadores en las que se expliquen los principios bsicos de los
grficos X y R. Si no es posible evitar el mareaje de las medidas individuales, se
puede reducir el dao al mnimo si: 1) se marcan las medidas individuales en el
grfico X convencional; 2) se marcan las medidas individuales con puntos y las
medidas con crculos para que resalten.
A modo de ilustracin se han utilizado los cinco primeros subgrupos del
ejemplo 5.1. La Figura 5.3 muestra las marcas de las medidas individuales en el
grfico convencional X .
s
s i 700,52
5,918
m 20
n = 5 y m = 20.
20 u 5
Grados de libertad = 1
20 5
1 1 1 1
Cantidad 0,5
n m 5 20
X 47,55
2
P. C. Clifford: Control Charts Without Calculations, Industrial Quality Control, vol. 15,
nm. 11, 1959.
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 127
Sea
x%i = media de la muestra i
x%
%= media de las medias
m(R) = media de los recorridos
TABLA 5.4
LIMITES DE AVISO
de aviso es del 95,54 por 100. Para los lmites de control, esta probabilidad es
del 99,73 por 100. Para un proceso bajo control, la posibilidad de recibir un
aviso, pero no una seal es de slo 99,73 95,54, esto es, de un 4,19 por 100.
Por otra parte, si se est empezando a perder el control del proceso, las
probabilidades de detectar esta situacin aumentan si se usan los lmites de
aviso. Las mejoras que se obtienen al usar los lmites de aviso se muestran con
mayor detalle en el Captulo 6.
Debe recordarse que los lmites de aviso son slo eso: lmites de aviso. Una
sola observacin fuera de tales lmites no debera ser causa de grandes preocu-
paciones. Tampoco el ingeniero debe buscar causas de inestabilidad del proce-
so. Slo es una llamada de atencin. Si varias muestras sucesivas estn dentro
de los lmites de aviso no hay por qu preocuparse. En cualquier fbrica la
norma debe ser: Deje al proceso solo a no ser que haya una razn clara para
intervenir.
Si el proceso da un aviso y la siguiente muestra lo repite, las cosas van muy
mal. La probabilidad de que dos muestras sucesivas estn fuera de los lmites de
aviso es muy reducida.
Sean x 1 y x 2 dos sucesos de valores observados de la muestra que estn
fuera de los lmites de aviso de dos desviaciones estndar. Entonces,
% % 2 1 (1,6) s
lmite superior de aviso = X% 2V X% 3 =
1
47,55 2 (1,6)(5,527) 47,55 5,90 53, 45
3
Comparando estos lmites con los valores de X en la Tabla 5.2 se ve que no se emiten
avisos durante este perodo. La Figura 5.5 muestra los lmites de aviso en 2.
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 131
1 6,5
2 11,0
3 11,5
4 7,0
5 5,0 8,20 6,5
6 5,8 8,06 6,5
7 5,7 7,00 6,5
8 6,6 6,02 2,0
9 8,1 6,24 3,1
10 12,1 7,66 6,4
11 8,7 8,24 6,4
12 7,8 8,66 5,5
13 7,5 8,84 4,6
14 12,8 9,78 5,3
15 10,6 9,48 5,3
16 14,3 10,60 6,8
17 12,7 11,58 6,8
18 12,8 12,64 3,7
19 15,4 13,16 4,8
20 14,0 13,84 2,7
21 19,8 14,94 7,1
22 21,0 16,60 8,2
23 23,2 18,68 9,2
24 24,2 20,44 10,2
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 133
Ejemplo 5.2
1 r 1
MAi X i j
rj 0
j r 1 j r 1
MRi max X i j min X i j
j 0 j 0
Grficos CUSUM3
3
Esta descripcin de los grficos CUSUM la realizamos con permiso, partiendo de las notas
de trabajo preparadas por Marin Reynolds, del departamento de Estadstica del Instituto
Politcnico de Virginia, 1984. Estas notas forman parte de un libro de texto en preparacin.
134 CONTROL DE CALIDAD
Hiptesis indiferente: H o : P = P0
donde P 1 > P 0
Hiptesis alternativa: H 1 : P = P 1
Zi X i P0
ser una variable aleatoria con un valor esperado de cero. Otra cantidad,
y = Z i - d d > 0
ser tambin una variable aleatoria, pero con un valor esperado negativo. La
suma acumulativa (abreviado por CUSUM) de yi tender a moverse hacia
abajo mientras Ho sea cierta (Fig. 5.7):
k
Yk y
i 1
i
E ( yi | H1 ) E X i P0 d | H1 E ( X i | H1 ) P0 d P1 P 0 d
Como quiera que P1 > P 0 , es posible escoger un valor d que haga que
E(y1 |H1) sea positivo. Reynolds4 recomienda un valor
P1 P0
d
2
Ejemplo 5.3
El dimetro nominal del pistn es de 2,996 pulgadas. El lmite superior de toleran-
cia es de 3,002 pulgadas. El largo historial de fabricacin del pistn muestra que la
4
Obra citada.
136 CONTROL DE CALIDAD
120 60
Z 2,14
28
120 80
Z 1, 43
28
138 CONTROL DE CALIDAD
X = 64,73
P1 P0 80 60
d 10
2 2
c = 6 x d = 60 (esta eleccin es hasta cierto punto arbitraria)
yi X i P0 d X i 60 10 X i 70
PROBLEMAS
5.1. Disear grficos de control X y S usando lmites de control 3, considerando
que el tamao de la muestra = 6; la cantidad de muestras = 20; X = 234,2; y
S = 11,4.
5.2. Los datos son los del problema 4.22. No hay razn para suponer que las
observaciones tengan una distribucin normal. Establecer grficos X y S sin la
asuncin de normalidad.
5.3. Con los datos del problema 4.23 determinar los lmites de control para los
grficos X y S: a) suponiendo una distribucin normal; b) sin suponer una
distribucin normal.
5.4. Marcar los datos del problema 4.21 en los grficos X y S. Marcar, adems, los
mismos datos en los grficos X y R. Qu conclusiones se obtienen sobre que el
proceso est bajo control durante el perodo base?
5.5. El departamento de Control de Calidad pidi a los supervisores de los tres
turnos que observaran e informaran acerca de una muestra de elementos produ-
cidos en cada turno. Por error administrativo no se indic el tamao de la
muestra. Los tres supervisores utilizaron distintos tamaos de muestra. Las
observaciones durante la primera semana fueron las siguientes:
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 141
5.6. Construir un grfico de la media con los datos del ejemplo 4.1.
5.7. Construir un grfico de la media con los datos del problema 5.5. (Para obtener
muestras de igual tamao, tratar la sexta observacin del tercer turno como si
fuera la quinta observacin del primer turno todos los das.)
5.8. Los siguientes datos muestran la dureza media y el recorrido de muestras de
cinco cascos de plstico tomados de cada hora de fabricacin.
Marcar los grficos X y R. Marcar los lmites de aviso de una media de 2,5
en el grfico. Identificar cualquier aviso.
142 CONTROL DE CALIDAD
5.9. Un grfico de control usa lmites de control de media 2,5(7 y lmites de aviso
de media 2,0(7. Cul es la probabilidad que una observacin de una muestra
genere un aviso, pero no una seal?
5.10. Marcar un grfico de promedio mvil usando un subgrupo de tamao 5 con los
datos de resistencia a la tensin del problema 3.1.
5.11. Marcar un grfico de promedio mvil, usando un tamao de subgrupo de 4,
para los pesos de las pizzas congeladas del problema 3.2.
5.12. Para las botellas de gaseosa del ejemplo 4.2 se considerara inseguro que el
promedio de volumen de lquido en las botellas del proceso excediera los 327,5
mililitros. Se debe probar la hiptesis
Ho: P = 325,90
contra
H1: P = 327,50
Construir un grfico CUSUM usando d = 6 x c.
5.13. Construir un grfico CUSUM para el problema 5.12 despus de cambiar la
hiptesis alternativa por
H 1 : P = 324,30
6
Propiedades de los grficos
de control
Las longitudes de unos tornillos que se estn fabricando se supervisan por medio de
un grfico X . Si el lmite superior de control, la lnea central y el lmite inferior de
control son 20,5, 20 y 19,5 cm, respectivamente, el uso de grficos supone una prueba
de la hiptesis
H o : P = 20 cm
143
144 CONTROL DE CALIDAD
H1: P 20 cm
Si el proceso est bajo control y la longitud media de los tornillos que se estn
produciendo es de exactamente 20 cm, la hiptesis Ho ser cierta. La probabilidad de
que la longitud media X en cualquier muestra de cinco tornillos est entre los lmites de
control superior e inferior ser 1 , la probabilidad de aceptar una hiptesis que es
cierta. Esta probabilidad sera de 0,9974 si se utilizaran los lmites 3 y la distribucin
de las medias de la muestra fuera normal.
Si se produce un cambio en el proceso de produccin y la longitud cambia de 20 a
20,5 cm, Ho deja de ser cierta. Si la longitud media de la muestra se sita dentro de los
lmites de control, Ho an puede ser aceptada. Esto sera un error de tipo II, el de
aceptar una hiptesis que no es cierta. La probabilidad de que esto se produzca es la
probabilidad de que el grfico de control no seale cuando debera sealar.
En la Figura 6.1 se puede ver que la probabilidad es, aproximadamente,
0,5 cuando la longitud media ha pasado de 20 a 20,5. Un cambio de 0,5 cm en P
ha reducido la probabilidad de 0,9975 a 0,5.
De manera anloga, la probabilidad de aceptacin de una muestra cambia-
r de acuerdo con el cambio que se produzca en el proceso de produccin.
Dicho de otro modo: la probabilidad de aceptacin de una muestra, , ser una
funcin de la diferencia entre la media actual y la media bajo la hiptesis Ho.
Esta funcin se muestra en la Figura 6.2. La curva de la Figura 6.2 puede
deducirse de la 6.1. Si la diferencia se va haciendo cada vez menor, el proceso de
produccin se acerca a que la condicin Ho sea cierta y la probabilidad de
aceptacin se hace cada vez mayor. Si la diferencia va siendo mayor, la proba-
bilidad de aceptacin es menor. El grfico de control sealar inmediatamente
cuando la diferencia sea grande y viceversa.
Figura 6.1. Probabilidad de error de tipo II cuando en la mitad del proceso hay
un cambio.
PROPIEDADES DE LOS GRFICOS DE CONTROL 145
CALCULO DE LA CURVA OC
UCL = 20,5
LCL = 19,5
k = 3
146 CONTROL DE CALIDAD
Ejemplo 6.2
P en H o = 12,0
= 1,20
TABLA 6.1. Clculos para la probabilidad de aceptacin
TABLA 6.2
148 CONTROL DE CALIDAD
Ejemplo 6.3
P en Ho = 30
(conocida) = 0,60
Se desea que si se produce un cambio de 1,0 en la media del proceso, el grfico de
control lo detecte con una probabilidad de 0,95 cuando se inspeccione la primera
muestra tras el cambio (vase Figura 6.5):
probabilidad de deteccin = 0,95
probabilidad de aceptacin = 0,05
UCL = P + 3 V X = 30 + 3 V X
0,0
El lmite superior de control con relacin a la media despus del cambio debera d;
una probabilidad de aceptacin de 0,05:
UCL 31 UCL 31
I 0,05 o 2
VX VX
PROPIEDADES DE LOS GRFICOS DE CONTROL 149
30 3V X 31 2V X
5V X 1
VX 0, 2
Pero V X V/ n 0,6 / n ;
2
0,6
n 9
0, 2
1
E(r) = ARL = [6.2]
T
3V
UCL = P
n
3V
LCL = P
n
Sea d el cambio en la media del proceso. En ese caso, las hiptesis que se
prueban pueden definirse como
Ho: d = 0
H1: d 0
El rea rayada de la Figura 6.6 representa la probabilidad de rechazo de la
hiptesis indiferente . Los valores de y de ARL se dan en la Tabla 6.3. La
Tabla A12 da valores ARL para otros tamaos de muestras.
R
R = d2 o V
d2
d/ ARL
0 0,0027 370,4
0,1 0,0034 298,3
0,2 0,0057 175,6
0,5 0,02994 33,4
1,0 0,22245 4,5
1,5 0,6281 1,6
2,0 0,92951 1,1
3,0 0,99193 1,0
Ejemplo 6.4
el perodo base indican control estadstico. Durante el perodo de vigilancia se usan los
lmites de control calculados en el perodo base. Si la fuerza media cambia a: a) 14.180,
o b) 14.000, cunto se tardara en detectar el cambio? (vase Fig. 6.7):
R
R 18000
600
30 30
P X
X 429000 14300
30 30
a)
d 14.300 14.180 120
d 120
0, 2
R 600
En la Tabla 6.4 hallamos que ARL para un subgrupo de tamao 5 y d/ R = 0,5 es 11,9.
Como promedio, se examinaran 12 muestras antes de detectar el cambio.
1
Esta derivacin est tomada de las notas preparadas por Marin Reynolds, del Departa-
mento de Estadstica de la Universidad e Instituto Politcnico del Estado de Virginia. Estas
notas son parte de un libro en preparacin.
PROPIEDADES DE LOS GRFICOS DE CONTROL 155
L0=1+poL0+p1(1+p0L0)
1 p1
L0
1 p0 p1 p0
Ejemplo 6.5
2V 2V
p0 PR P d xi d P 0,9545
5 5
3V 3V
p0 p1 Pr P d xi d P 0,9973
5 5
Luego
y
p2 = 1 (p0 + p1) = 0,0027
Sustituyendo dichos valores en la ecuacin [6.3] da ARL
1 0,0428
L0 224, 4
1 0,9545 (0,9545)(0,0428)
2V 3,118V
lmite inferior de aviso = 0,5V
5 5
PROPIEDADES DE LOS GRFICOS DE CONTROL 157
2V 0,882V
lmite superior de aviso = 0,5V
5 5
3V 1,882V
0,5V
lmite superior de control = 5 5
Estas longitudes medias de rachas con lmites de aviso se pueden comparar con los
recorridos medios de rachas sin lmites de aviso para el mismo tamao de subgrupo
(Tabla 6.5).
158 CONTROL DE CALIDAD
1
funcin descriptiva de ARL =
T
La Figura 6.10 muestra las dos funciones para un tamao de subgrupo de 5.
A medida que aumenta el promedio d/ del proceso, el procedimiento de
control tiene mayor posibilidad de detectar el cambio y dar la seal:
d
A medida que of T o1
V
A medida que , la probabilidad de que se d una seal, se acerca a 1, la funcin
de la curva 1 a 0 y la funcin de ARL a 1. Parece, pues, lgico que la
longitud de racha no pueda ser menor de 1, ya que no puede producirse una
seal sin una primera muestra.
TABLA 6.5. Longitud inedia de racha para un tamao
de muestra de 5
ARL
Ejemplo 6.6
d/ a) b) c)
Operacin normal 0 370,4 224,4 370,4
Despus del cambio 0,5 33,4 19,23 14,97
Costo total = costo esperado de la falsa seal +
+ costo esperado de inspeccin +
+ costo esperado del producto defectuoso =
= EC1 + EC2 + EC3
La combinacin de los tres costos nos da la Tabla 6.6. El empleo de lmites de aviso
reduce el costo total en muestras de tamao 5. Sin embargo, los mejores resultados se
obtienen al incrementar a 9 el tamao de la muestra.
a b c
PROBLEMAS
6.1. 20 muestras tamao 5 durante el perodo base dieron los siguientes valores:
X = 235,9 cm R = 10,8 cm
Calcular la curva caracterstica operativa del grfico de control resultante de
dichos valores.
6.2. Se inicia la produccin de un componente recientemente proyectado. Para
vigilar su longitud se preparan grficos X y R basados en 25 subgrupos de
cuatro elementos cada uno. Para estos 25 subgrupos X = 500 cm y R=
153,2 cm. Determinar los lmites de control 3. Cul es la probabilidad de que
un cambio de 2 cm en la media del proceso sea detectado en el primer subgrupo
observado despus del cambio?
6.3. En el problema 6.2, cul es la probabilidad de detectar el cambio entre los
cuatro primeros subgrupos despus del cambio?
6.4. En el problema 6.2, cul sera la longitud media de racha antes de que se
detectara un cambio de 0,8 cm? (Utilizar interpolacin dentro de las tablas
ARL.)
6.5. La longitud media de un regulador de comida producido en una operacin
estable es 18 cm. Se supone que la desviacin estndares conocida, y equivalente
a 0,1 cm. Se propone utilizar un grfico de control X para vigilar la longitud.
Cul debera ser el tamao de los subgrupos si ha de detectarse un cambio de
0,2 cm con una probabilidad de 0,90 cuando se inspeccione el primer subgrupo
despus del cambio?
6.6. Cul debera ser el tamao de la muestra si la probabilidad de deteccin
despus del primer subgrupo, en el problema 6.5: a) se incrementara hasta 0,99;
b) se redujera a 0,8?
6.7. Se mantienen grficos de control sobre el peso de un elemento. Despus de un
perodo base de 30 muestreos de tamao 3, X = 12.930 g y R = 123 g.
162 CONTROL DE CALIDAD
n
Pr(x) = ( p ') x (1 p ') n x
x
x
p
n
La distribucin de p es aproximadamente normalmente cuando: 1) p' es
menor de 0,1, 9 2) n es grande. Puede utilizarse, alternativamente, la medida
defectos por 100 unidades, 100 p' en lugar de la fraccin defectuosa p. La
distribucin de 100 p es, tambin, aproximadamente normal.
Para p:
Media = p'
1 p
Varianza = p '
n
Para np:
Media = np'
Varianza = np' (1 p)
La realizacin del grfico de control se hace igual que el grfico de control
de variables descrito en el Captulo 4. Durante el perodo base:
1. Se observan m muestras. No es necesario que sean del mismo tamao;
ni es el tamao de la muestra y pi la fraccin defectuosa observada de la
i-sima muestra.
2. El promedio ponderado Pw = (ni pi)/ ni se usa como estimacin del
p' y lnea central del grfico de control.
3. Los lmites de control utilizados para el perodo i-simo son pw 3
pw (1 pw )
100 pw r 300
ni
GRFICOS DE CONTROL DE ATRIBUTOS 165
Ejemplo 7.1
La Tabla 7.1 muestra los resultados de la inspeccin de cierto producto durante tres
semanas de diciembre. La fraccin defectuosa p y los defectos por 100 unidades,
100p se pueden calcular muy fcilmente, como muestra la Tabla 7.2. Considerando las
tres semanas de diciembre como perodo base,
pw
n pi i
n
66
0,011
6.000
pw (1 pw )
Lmites de control pw r 3
ni
0,011(1 0,011)
0,011 r 3
400
0,011 r 0,016
UCL 0,011 0,016 0,027
LCL1 0,011 0,016 0
La Tabla 7.2 indica que dos puntos: los das 6 y 13 de diciembre, estn fuera de los
lmites de control. El objetivo del anlisis del perodo base es establecer qu estndar se
puede lograr. De los dos das fuera de comportamiento normal, se puede llegar a
establecer la causa del mayor nmero de unidades defectuosas producidas el 13 de
diciembre. Si no parece probable que se repita, se elimina el punto del anlisis del
perodo base. La causa del punto fuera de control que se produjo el 6 de diciembre no
se puede establecer. Como forma parte del sistema general de causas aleatorias, el
punto representa una situacin normal y se conserva en el anlisis. Se confecciona un
grfico de control con un estndar obtenible, del que se excluye el 13 de diciembre.
1
Siempre que el lmite inferior de control tenga un valor negativo para la fraccin defectuo-
sa o para defectos por unidades, se asume que su valor es cero.
166 CONTROL DE CALIDAD
pw
n p i i
n i
48
0,0086
5.600
GRFICOS DE CONTROL DE ATRIBUTOS 167
pw(1 pw)
Lmites de control pw r 3
ni
0,0086(1 0,0086)
0,0086 r 3
400
0,0086 r 0,0138
UCL 0,0086 0,0138 0,0224
LCL 0,0086 0,0138 0
0,0086(1 0,0086)
0,0086 r 3
500
0,0086 r 0,0124
UCL 0,021
LCL 0
La Figura 7.1 muestra el grfico de control durante el perodo base usando los
lmites de control revisados. Cuando la cantidad inspeccionada vara, como suele
ocurrir a menudo en la inspeccin al 100 por 100, se necesitan lmites de control
individuales que reflejen los cambios. La Figura 7.2 muestra un grfico de control de
porcentaje de artculos defectuosos en que el tamao de la muestra no es constante
durante el perodo base. Como quiera que tales lmites de control variables requieren
tantos clculos de los lmites de control como muestras inspeccionadas, es bastante
corriente el uso de la cantidad media inspeccionada para n. Promediar es permisible,
siempre que el recorrido entre las cantidades inspeccionadas no sea demasiado grande.
Si la mayora de las cantidades inspeccionadas estn agrupadas en torno a cierto valor
y hay unas pocas que no lo estn, se pueden calcular lmites de control independientes
para esas pocas. Generalmente, est permitido promediar si el recorrido es menor que
el 40 por 100 de la cantidad media examinada y, con mayor seguridad, cuando es
menor del 20 por 100. Esta simplificacin se justifica en la reduccin a la raz cuadrada.
Por ejemplo, la media de 120 y 80 es 100. Las races cuadradas aproximadas de 120 y
80 son 11 y 9 respectivamente. Una diferencia de 40 en los cuadrados representa una
diferencia de 2 en las races cuadradas. Claro est que al promediar las cantidades
inspeccionadas se obtiene un lmite promedio de control del que se pueden sacar
diferentes consecuencias, dependiendo de la cantidad inspeccionada. Las cantidades
inspeccionadas de la Figura 7.2 vara en exceso, as que resulta adecuado establecer
lmites de control separados. Obsrvese que los lmites de control no estn prolonga-
dos, al contrario de lo que ocurre con 100pw. Por supuesto, si no se conoce n y se espera
que vare se pueden prolongar los lmites de control.
168 CONTROL DE CALIDAD
Con el uso de una cantidad inspeccionada, digamos 10, usando la media del
recorrido usual del trabajo realizado, el promedio de elementos defectuosos
por cantidad inspeccionada sera 0,05; esto es
p'n = 0,005(10) = 0,05
El lmite convencional superior de control de la cantidad de elementos
defectuosos sera
p'n = 0,05
2
Frank Caplan, Jr.: Process Control in a Job Shop, Industrial Quality Control, noviembre
de 1958, pgs. 16 a 18.
GRFICOS DE CONTROL DE ATRIBUTOS 171
Figura 7.3 Hoja del total diario de inspecciones. (Del trabajo de Frank Caplan,
JR.: Process Control in a Job Shop, Industrial Quality Control, noviembre de 1958,
pgs. 16 a 18. Reproducido con permiso del autor.)
Figura 7.6. Informe del supervisor sobre desviaciones. (Del trabajo de Frank
Caplan, Jr.: Process Control in a Job Shop, Industrial Quality Control, noviembre
de 1958, pgs. 16 a 18. Reproducido con permiso.)
GRFICOS DE CONTROL DE ATRIBUTOS 175
176 GRFICOS DE CONTROL DE ATRIBUTOS
GRFICOS DE CONTROL DE ATRIBUTOS 1 77
Lmites de control = c r 3 c
178 CONTROL DE CALIDAD
Para el grfico u:
media = c'
c'
varianza =
n
El valor estimado de c' viene dado por u ( ci / ni) del perodo base
u
Lmites de control = u r
ni
3
H. R. Harrison: Statistical Quality Control will Work on Short Run Jobs, Industrial
Quality Control, septiembre de 1956, pgs. 8 a 11.
GRFICOS DE CONTROL DE ATRIBUTOS 179
u
u r3
n
denomina anlisis de valor. Se analizan los elementos para establecer cules son
los ms importantes desde el punto de vista del valor contribuido. Si se aplica a
calidad, se puede definir como anlisis del valor de calidad. Si un anlisis
econmico indica que est justificado llevar un control ms preciso, estara
recomendado, posiblemente, utilizar un grfico del tipo del control de variables.
O puede que hubiera que cambiar ciertos proyectos, proveedores o equipos. En
resumen, el anlisis del valor de calidad identifica reas para su estudio poste-
rior, su evaluacin y control.
Cantidad Porcentaje
Nmero de la Nmero de
acumulativa de acumulativo de
caracterstica observaciones
observaciones observaciones
(a)
de las desviaciones hay que adoptar una decisin para investigar sus causas. La
parte superior del grfico muestra los defectos que se estn produciendo y cul
es su nivel normal, con objeto de que se pueda decidir al respecto. Se pueden
controlar las irregularidades haciendo pruebas en busca de desviaciones signifi-
cativas de la cantidad de defectos en cualquiera de las caractersticas.
4
B. L. Hansen: Sampling Aidsfor Management Control (Cleveland, Ohio: American Manage-
ment Institute, Inc., 1959).
184 CONTROL DE CALIDAD
Figura 7.13. Nomograma para calcular 100p y 100u. (Reproducido, con la debida
autorizacin, de Sampling Aids for Management Control.)
186 CONTROL DE CALIDAD
5
El nomograma se construy especficamente para el porcentaje de calidad defectuosa y se le
aadi una escala a defectos por cada 100 unidades. La Figura 7.14 no basta para ciertos casos
de defectos por cada 100 unidades ya que el limite superior de la escala sigma es 10. Habr casos
en que V 100 u ! 10 . En tales casos, habr que usar la frmula para el clculo.
188 CONTROL DE CALIDAD
GRFICOS DE CONTROL DE ATRIBUTOS 189
U s = 100u a + 50 u b + 10u c + u d
6
R. L. Pappas: The Ampex Quality Rating System, Industrial Quality Control, marzo de
1957, pgs. 9 a 11. G. Georgis: An Application of the Bendix Vendor Quality Rating System to a
Small Plant, marzo de 1957, pgs. 12 a 13. Este artculo muestra e incluye una regla de clculo
para la clasificacin de vendedores que se usa en el sistema Bendix. S. J. Wilson: A Missiles
Serious and Complexity Vendor Rating System, junio de 1958, pgs. 15 a 17. J. Schneider: A
Vendor Quality Conformance Procedure, septiembre de 1958, pgs. 10 a 13.
7
H. F. Dodge y M. N. Torrey: A Check Inspection and Demerit Rating Plan, Industrial
Quality Control, julio de 1956, pgs. 5 a 12. Las caractersticas bsicas de este plan han sido
adoptadas por la Comisin de Energa Atmica y por ciertos fabricantes de misiles teledirigidos y
de maquinaria industrial.
190 CONTROL DE CALIDAD
donde ua, ub, uc y ud son los valores de los defectos por unidad para los defectos
de los grupos A, B, C y D respectivamente.
Se calcula un factor de varianza estndar,
U s 3 u
donde
Cs
Vu
n
Puede usarse un sistema de ndice cuando se desean medir los resultados
con relacin a diferentes estndares de demritos. El ndice de demritos es el
cociente resultante al dividir los demritos observados por los demritos espe-
rados (I = D | nU), de forma que el nivel estndar de calidad sea siempre 1. Los
lmites de control son
1 3 I
donde
nCs Vu
VI o
nU s Us
I0
W I i i
W i
PROBLEMAS
Usar dichos datos para calcular un grfico de control del perodo base para
porcentaje de elementos defectuosos. Si hay puntos fuera de control asumir que
no son de naturaleza cclica, que se han determinado sus causas y que han sido
eliminadas. Cul sera un estndar realista a establecer para la calidad de la
produccin de este componente en un futuro inmediato? Dnde deberan si-
tuarse los lmites de control 3? Asumir que el porcentaje medio de defectuosos
del perodo siguiente fue de 0,72 por 100. Es dicho porcentaje medio de defec-
tuosos significativamente diferente del estndar en el nivel 1 por 100 de signifi-
cancia?
Fraccin Fraccin
Fecha Fecha
defectuosa defectuosa
1 5,5 16 11,6
2 8,3 17 7,4
3 6,0 20 6,3
6 5,2 21 5,0
7 4,5 22 5,4
8 6,2 23 7,5
9 5,8 24 7,6
10 7,3 27 5,2
13 4,6 28 6,3
14 6,8 29 5,8
15 7,8 30 6,2
31 6,0
194 CONTROL DE CALIDAD
Nmero Pallets
Turno
de pallets defectuosos
Lunes 1 138 3
2 140 5
3 124 1
Martes 1 137 2
2 143 6
3 122 0
Mircoles 1 136 4
2 148 5
3 125 1
Jueves 1 138 3
2 15 3
3 124 2
Viernes 1 136 4
2 145 6
3 123 0
7.4. Utilizando los datos del problema 7.3 determinar la lnea central p y los lmites
de control 3 para tres grficos de control independientes de los turnos 1, 2 y 3.
7.5. El lunes siguiente, el turno 3 fabrica 125 pallets, de los que tres son defectuosos.
Se considerara esto como un suceso que debe ser investigado:
a) Usando los lmites de control del problema 7.3?
b) Usando los lmites de control del problema 7.4?
7.6. Construir un grfico 100P del perodo base (expresado como defectos por cada
100 unidades) a partir de los siguientes datos obtenidos de la inspeccin de las
caractersticas completas de un complejo equipo. Dado el gran nmero de
caractersticas que tiene, las expectativas sobre defectos por unidad son muy
altas, aunque es improbable que una caracterstica determinada produzca ms
defectos que las dems.
1 10 15 15
2 10 17 170
3 10 12 120
4 10 16 160
5 10 14 140
6 10 5 50
7 10 14 140
8 10 11 110
9 10 9 90
10 10 10 100
GRFICOS DE CONTROL DE ATRIBUTOS 195
Nmero
Capacidad Defectos
de lote
1 17 16
2 17 14
3 17 19
4 17 28
5 17 15
6 17 22
7 17 21
8 17 12
9 17 23
10 17 25
11 12 9
12 12 7
13 12 9
14 12 11
15 12 8
16 12 10
17 12 11
18 12 9
19 12 9
20 12 7
7.11. Con los datos del problema 7.9, determinar los lmites de probabilidad 0,025 y
0,975. Usar la Tabla A3.1 para hallar dichos lmites de control.
7.12. Utilizando las Figuras 7.13 y 7.14 calcular la clasificacin de los siguientes
proveedores que entregan lotes que son inspeccionados segn un estndar
de calidad de 1,0 por 100.
Cantidad Cantidad
Poseedor
inspeccionada defectuosa
A 5.000 60
B 600 4
C 2.500 21
D 8.500 92
E 2.500 20
F 4.000 30
Tamao de Menor
Mes la muestra Crticos Importantes Incidentales
importancia
1 4 1 3 2 5
2 4 0 2 4 7
3 4 0 1 3 7
4 4 0 2 1 4
5 4 0 3 5 5
6 4 0 2 3 4
7 4 0 0 4 6
8 4 1 1 1 2
9 4 0 1 3 4
10 4 0 2 2
Hay algunos puntos fuera de control? Cul sera un estndar realista para el
siguiente perodo?
7.15. Completar la tabla siguiente. El estndar de demritos por unidad es 68 y Cs =
1.600.
Clasificacin
Demritos/ Estndar Error
n Mes
unidades observado estndar
k de
funcionamiento
5 1 20
6 2 96
7 3 73
8 4 52
8
Ejemplo 8.1
Cierto punto de trabajo de, una fbrica realiza el torneado aproximado de una
pieza de mquina. Las especificaciones exigen un dimetro que oscile entre 0,505
De la misma forma,
LSL = X - 2,2
R R [8.2]
d2 V'
V' d2
Figura 8.2. Distribucin de intervalo relativo (R/) para muestras de cinco elementos cada una.
Ejemplo 8.2
Este ejemplo utiliza los mismos datos del 8.1. La Figura 8.3 muestra el clculo de la
capacidad del proceso usando el intervalo promedio. Para muestras de una poblacin,
la desviacin estndar s de la muestra est directamente relacionada con la desviacin
estndar de la poblacin, '. Como vimos en el Captulo 2, la cantidad
(n 1) s 2
V2
204 CONTROL DE CALIDAD
ANLISIS DE LA CAPACIDAD DEL PROCESO 205
s 1 (n 1) s 2 1 (n 1) s 2 [8.3]
V n 1 V 2 n 1 V2
[8.5]
Ejemplo 8.3
Continuamos utilizando las observaciones del ejemplo 8.1 para ilustrar la estima-
cin de la capacidad del proceso usando s . El valor s para cada muestra se calcula de
acuerdo con la ecuacin
( xi x) 2
s2
n 1
206 CONTROL DE CALIDAD
1 2,332 11 1,356
2 2,757 12 2,577
3 3,072 13 1,625
4 0,800 14 1,744
5 1,497 15 1,020
6 3,406 16 2,039
7 1,497 17 3,666
8 1,549 18 1,265
9 0,800 19 0,632
10 1,789 20 2,577
s = 0,038
0,038
s 0,0019
20
C 2 para un tamao de muestra de 5 = 0,8407
s 0,0019
V 0,00226
C2 0,8407
capacidad del proceso = 6 = 6 x 0,00226 = 0,01356
quier nivel deseado de confianza. La Tabla 8.3 muestra algunos valores selec-
cionados para niveles de confianza de 90, 95 y 99,73 por 100.
Aplicando el mtodo del intervalo nico a los datos del ejemplo 8.1 resulta
intervalo = 0,516 0,501 = 0,015
tamao de la muestra n = 100
De la Tabla 8.3 se puede establecer con un 95 por 100 de garanta que al menos
el 95,2 por 100 del producto se hallar dentro de este intervalo.
Ejemplo 8.4.
El mtodo de intervalo nico da estimados aproximados para pequeas muestras.
Sin embargo, cuando la produccin se basa en mquinas automticas o controladas
por ordenador, existen grandes muestras disponibles en un corto perodo de tiempo. En
tales casos, el mtodo de intervalo nico proporcionar estimados satisfactorios. Unas
mquinas automticas montan bombillas elctricas. Se hacen pruebas con una muestra
de 500 bombillas para comprobar la energa que consumen:
Consumo especificado de energa 60 W
Tamao de Probabilidad
la muestra
0,90 0,95 0,9973
10 66,2 60,4 42,0
20 81,8 78,2 65,6
50 92,4 90,8 84,8
100 96,0 95,2 92,0
200 98,0 97,6 96,0
500 99,2 99,0 98,2
1.000 99,6 99,5 99,2
Partiendo de la Tabla 8.5 se puede afirmar con un 90 por 100 de garanta que al
menos un 99,2 por 100 del producto estar dentro del intervalo 59,4 a 60,8 vatios.
Adems, hay un 99,73 por 100 de seguridad de que el 98,2 por 100 del producto se
hallar dentro del mismo intervalo. En otras palabras: hay menos de un 10 por 100 de
posibilidades de que el 0,8 por 100 del producto sea defectuoso (fuera del intervalo) y
las posibilidades de encontrar un 1,8 por 100 de elementos defectuosos es menor del
0,27 por 100.
208 CONTROL DE CALIDAD
Ejemplo 8.5
Los datos de este ejemplo han sido tomados de un caso que figura en los archivos
de uno de los autores. Se refiere al control del dimetro del paso de una rosca externa
de tornillo. Para la medicin se utiliz un cilindro con una unidad de medida de
0,00025 pulgadas. Las especificaciones exigan 0,3720 0,0018 pulgadas. Los datos
fueron codificados haciendo 0,3720 igual a 0 en el calibrador y multiplicando cada
lectura por 100.000. Por ello, una lectura de +0,00100 en el calibrador resulta 100 en la
Figura 8.5. Si se quieren aceptar ocho intervalos de cinco elementos cada uno, la
capacidad del proceso, excluyendo la tendencia, es 210, menor de 3/4(360). Por tanto, se
considera capaz el proceso.
Debe recordarse que esto es lo mejor que el proceso es capaz de hacer. Esta cifra
mejor de 210 para una racha de produccin de cualquier tamao ser realmente sin
sentido. Lo que es lo mismo: puede resultar ms realista relacionar la capacidad del
proceso con el tamao de la racha en aquellos casos en que resulta inevitable una
tendencia seria inmediata.
Cuando cambia la tendencia dentro de una racha nica, lleva a la posibilidad de
que parte del producto resulte fuera de las especificaciones, y es obligatorio establecer
la media del proceso. Naturalmente, habr que reducir el tamao de la racha en
consonancia.
El mejor mtodo para calcular el efecto de la tendencia sobre la capacidad del
proceso es hallar la inclinacin o la tasa a la que cambia X , como promedio, entre
muestras. Una lnea de regresin unida al grfico X en la Figura 8.5 indica un aumento
de 10 entre muestras consecutivas. Claro est que el intervalo crecer en esta cantidad.
Si la capacidad del proceso debe seguir siendo satisfactoria, habr de continuar por
debajo de 3/4(360), esto es, 270.
As que el intervalo mximo permisible vendr dado por
6R 270(2,326)
270 R 104,67
d2 6
R calculada sin ajuste por tendencia es 81,25. De aqu la desviacin mxima permisible
debida a la tendencia es 23,42. Dicho de otra forma, se pueden soportar dos cambios de
X (2 x 10 = 20). Sin embargo, habr que volver a preparar el proceso antes de que se
produzca el tercer aumento debido a la tendencia. El tamao adecuado de la racha
para este producto ser igual al de la produccin durante tres perodos de muestreo.
ANLISIS DE LA CAPACIDAD DEL PROCESO 209
Figura 8.5. Clculo del promedio de intervalo de la capacidad del proceso cuando
existe tendencia.
mesa proyectada para que en ella descanse un ordenador personal cuyo peso es
de 40 kg debe ser lo suficientemente fuerte para soportar dicho peso sin
romperse ni combarse. Sin embargo, especificar como imprescindible una plan-
cha de acero al cromonquel no tendra sentido. Dicha plancha realizara su
funcin perfectamente, pero su costo sera prohibitivo (aparte de crear un
nuevo problema, el de soportar su peso).
Al establecer las especificaciones, el ingeniero industrial debe tener presentes
dos" factores, adems de la funcin del producto:
1. Se debe poder producir el artculo.
2. En cualquier produccin normal hay variaciones aleatorias.
Si la capacidad del proceso no es la adecuada, no se satisfarn las toleran-
cias deseadas. Si el rebaje de las tolerancias hasta situarlas dentro de la capaci-
dad del proceso no afecta a la funcin del producto, siempre resulta prudente
rebajarlas. En el ejemplo 8.1 las especificaciones son 0,505 + 0,005 pulgadas. El
intervalo permisible es de 0,01 pulgadas. El intervalo natural del proceso es de
0,014 pulgadas. Si se rebajan las especificaciones a 0,505 + 0,007 pulgadas, el
proceso es capaz de fabricar el producto. La operacin se clasifica como
torneado aproximado, lo que significa que debe seguir una operacin de
acabado. El producto no va directamente al consumidor y su funcin final no
es puesta en riesgo por dicha rebaja en las especificaciones. El nico problema a
tener en cuenta sera: Afectar tal rebaja de alguna forma a la operacin de
acabado? Si la operacin de acabado no va a resultar afectada, rebajando las
tolerancias se podrn ahorrar grandes cantidades de equipo caro que debe
sustituir al existente, as como de realizacin de proyectos.
Las variaciones aleatorias, o las distribuciones de probabilidades de esas
variaciones, determinan la capacidad del proceso. Cuando el producto pasa por
varias fases de produccin y no se trata de un solo elemento, sino del resultado
del montaje de varios componentes, las variaciones tienen gran influencia en el
hecho de que el producto final se atenga a las especificaciones.
puede hacer. Hay muy poca informacin definitiva respecto a lo que s puede.
Por ejemplo, en el ejemplo 8.1 se estima que la desviacin estndar del proceso
es de 0,00227 pulgadas. Basndonos en este dato se llega a la conclusin de que
el resultado del proceso ser siempre un 97,22 por 100 de productos satisfacto-
rios. La nica conclusin positiva es que la fraccin defectuosa no ser menor
de un 2,78 por 100. Lo que produzca el proceso depender de que:
1. La asuncin de distribucin normal sea vlida.
2. Se puede mantener el proceso bajo control durante mucho tiempo.
3. No hay desgaste de herramientas.
4. La calidad de las materias primas sea uniforme.
5. No haya error del operador.
Las afirmaciones basadas en el mtodo de intervalo nico son algo ms
categricas. Sin embargo, tambin dependen de la repeticin de las condiciones
exactas del estudio durante la fabricacin.
Debe combinarse la informacin de los resultados de cualquier estudio de
capacidad de procesos con el juicio basado en las posibles diferencias en las
condiciones operativas durante el estudio y la fabricacin real. La regla empri-
ca para establecer un intervalo de tolerancia del 75 por 100 del intervalo
natural del proceso es uno de los intentos de permitir condiciones tan dife-
rentes.
Ejemplo 8.6
Un subconjunto, como el que aparece en la Figura 8.6, est formado por cuatro
componentes A, B, C y D. Un estudio de capacidad de proceso ha revelado la informa-
cin que figura en la Tabla 8.4 sobre los procesos que producen dichos componentes.
La poltica del departamento es establecer los lmites de las especificaciones en 3
desviaciones estndar. Cules seran los lmites de las especificaciones para los compo-
nentes y el subconjunto?
El clculo de los lmites de las especificaciones de los componentes es claro (Ta-
bla 8.5).
TABLA 8.4. Datos de los componentes
o
V s ; 5,1 0,0051 pulgadas
2
TBCD TABCD TA2 [8.13]
2
TBCD TABCD TA2 [8.13]
TBCD = 0,0357
Esto significa que debe especificarse un intervalo de tolerancia de 0,0357 para el punto
de trabajo con objeto de que el 3 puede cumplir con su especificacin de intervalo de
tolerancia.
De igual modo, en el punto de trabajo 2
2
TCD TBCD TB2
TBCD 0,0357 calculado
TB 0,012
TCD = 0,0336
debe especificarse un intervalo de tolerancia de 0,0336 para el punto de trabajo 1.
Un mtodo tabular alternativo de clculo se presenta en la Tabla 8.6. El intervalo
final de tolerancia especificada se reduce de 0,040 a 0,033.
1
separacin = (dimetro del cilindro dimetro del pistn) =
2
1
= (3,00 - 2,98) = 0,01, 10 unidades de 1/1.000 pulgadas
2
VG 2, 22 3, 42 4,05 unidades
El nivel de interferencia ser un nivel tal que una separacin menor llevara
a una friccin excesiva, lo que impedira funcionar al motor. Sea el nivel de
interferencia de cuatro unidades. En el extremo opuesto habr un nivel ms all
del cual una mayor separacin producira una prdida de presin y que reduci-
ra la potencia del motor. Sea ese nivel de 15 unidades. Para la separacin,
media = 1 0
desviacin estndar = 2,025
(separacin < 4) interferencia
(separacin > 15) mal encaje o ajuste
216 CONTROL DE CALIDAD
4 10
zi 2,96
2,025
Ejemplo 8.7
Acm Tool Company produce llaves de tuercas para los talleres de reparaciones de
automviles. Acm slo puede controlar la abertura entre superficies planas para
ANLISIS DE LA CAPACIDAD DEL PROCESO 217
cualquier tamao de tuerca. Las tuercas las fabrican o compran independientemente los
fabricantes de automviles.
A partir de un estudio de las tuercas de 1/2 pulgada disponibles en el comercio, se
ha calculado la distribucin de su anchura entre superficies planas como sigue:
anchura media = 0,75 pulgadas
desviacin estndar = 0,0015 pulgadas
La mayora de los mecnicos consideraran un espacio libre de 0,003 como inter-
ferencia, y un espacio libre superior a 0,010 como ajuste mal hecho. El proceso de
fabricacin utilizado para producir las tuercas tiene una desviacin estndar natural de
0,0015 pulgadas. Cul debera ser el tamao nominal de la separacin entre superficies
planas?
Si x es el espacio libre nominal, el tamao nominal de la abertura sera 0,75 + x.
La desviacin estndar del espacio libre vendr dada por la ecuacin [8.9]:
0,003 0,010
x 0,0065
2
La separacin nominal entre superficies planas es de 0,7565 pulgadas. Tanto el
riesgo de interferencia como el de ajuste defectuoso son de 4,9 por 100. Acm Tool
Company slo puede reducir uno de los riesgos a costa de incrementar el riesgo en el
lado contrario.
PROBLEMAS
8.1. Una mquina trabaja segn unas especificaciones de 0,258 0,004 pulgadas. Se
lleva a cabo un estudio sobre 50 piezas consecutivas, que proporciona los
siguientes resultados (los valores son en milsimas de pulgada por encima de
0,250 pulgadas y los datos estn distribuidos en 10 grupos de 5):
1 2 3 4 5 6 7 8 9 10
12 13 12 11 9 7 7 8 11 6
10 6 6 16 8 13 6 7 10 9
12 10 7 12 7 10 11 10 12 12
11 9 8 11 9 10 9 10 10 8
15 10 13 10 6 9 9 11 15 4
Hallar una distribucin de frecuencia con los datos. Calcular la capacidad del
proceso a partir de X y . Parece la mquina capaz de cumplir con las
especificaciones? Cul es el porcentaje actual de defectuosos? Calcular la media
y el intervalo de cada subgrupo. Comparar la capacidad del proceso por el
mtodo R con el mtodo de la desviacin estndar.
8.2. Realizar las mismas operaciones que en el problema 8.1 con los siguientes datos
de piezas fabricadas por otra mquina de acuerdo con las mismas especificacio-
nes (datos seleccionados a intervalos durante varios das de produccin):
1 2 3 4 5 6 7 8 9 10
6 7 7 8 10 10 14 9 12 13
4 6 7 10 12 8 8 13 10 15
3 7 6 8 7 8 9 7 13 12
5 3 8 6 7 6 12 11 13 17
5 4 6 7 8 8 10 9 11 13
Nmero de la muestra 1 2 3 4 5
1 72 104 79 19 77
2 56 87 33 42 34
3 56 73 22 60 45
4 44 80 54 74 72
5 102 26 48 58 44
6 83 107 91 62 57
7 47 66 53 58 67
8 88 50 84 69 62
9 57 47 41 46 47
10 13 30 10 05 27
11 16 30 52 35 51
12 46 27 63 34 30
13 49 62 78 87 71
14 71 67 85 72 65
15 71 58 69 70 71
16 67 69 70 94 86
17 37 25 40 80 73
18 26 50 82 75 101
19 62 84 49 39 97
20 54 62 73 87 56
1 20 4 9 51 5
2 28 7 10 53 13
3 33 5 11 57 5
4 32 10 12 57 8
5 35 11 13 65 10
6 41 12 14 60 10
7 44 10 15 65 9
8 48 4 16 70 6
220 CONTROL DE CALIDAD
8.12. Si en el ejemplo 8.7 se diera la definicin de ajuste mal realizado como 0,015 en
vez de 0,010, cul tendra que ser la separacin nominal entre superficies? Cul
es el riesgo de ajuste mal realizado?
9
Introduccin a la garanta
de calidad y el control
de aceptacin
muestreo sancionados, pero slo cuando han sido analizados los riesgos para
productor y receptor en el uso del plan. Este anlisis de riesgos es lo que
diferencia al muestreo cientfico de la inspeccin localizada.
Con frecuencia, en la inspeccin localizada de aceptacin, la decisin de
reducir sta se basa en el hallazgo de una unidad defectuosa. Como consecuen-
cia, para rectificar tal situacin es prctica habitual examinar todas las unida-
des fabricadas entre la unidad defectuosa inspeccionada y la unidad inspeccio-
nada antes. La insuficiencia de este plan de muestreo es evidente. Dado un
grupo de unidades, la mitad de las cuales son defectuosas, una muestra de un
elemento que se tomar de all dara una unidad defectuosa la mitad de las
veces, y una buena la otra mitad. Con una cantidad de aceptacin de 0, resulta
evidente que debe someterse a inspeccin aproximadamente la mitad del pro-
ducto. Adems de esta carga adicional, qu ocurre con las unidades defectuo-
sas aceptadas porque se seleccion una unidad buena en la muestra? En el
anlisis del plan, cada uno de los grupos de unidades de los que se selecciona
una muestra de uno puede ser considerado un lote. Los lotes promediarn un
50 por 100 de defectuosos. La mitad de los lotes que se someten a un examen
de inspeccin debera, tericamente, estar libre de defectos. Los lotes que se
aceptaron eran, como promedio, defectuosos en un 50 por 100, as que la
mejora general en calidad supone un 25 por 100; esto es, la calidad del produc-
to fabricado es defectuosa al 25 por 100.
Vamos a utilizar nmeros para aclararlo: Supongamos un lote de 1.000
unidades, de las que 500 son defectuosas, y una frecuencia de muestreo de
1/100. Como promedio, la mitad de los muestreos (5) mostrar unidades defec-
tuosas, lo que supondr que se sometern a un examen de inspeccin alrededor
de 500 unidades. Suponiendo que se reemplacen las defectuosas por otras
buenas, la calidad de salida de esta parte de la cantidad total es defectuosa al 0
por 100. Por tanto, la mejora total supone la eliminacin del 25 por 100 del
producto defectuoso; esto es, la calidad media de salida es defectuosa al 25 por
100. Es caro el precio que hay que pagar tanto por concepto de tiempo de
inspeccin, como en producto defectuoso aceptado, y el dao que causa a las
relaciones entre fabricante y receptor es incalculable. En la prctica, la calidad
no ser generalmente tan mala, pero no importa cul sea; simplemente, la
inspeccin localizada (sin un completo anlisis de riesgos) no distinguir de
forma eficiente entre lotes buenos y malos. Si la calidad entrante es muy buena,
casi resultar igual de eficiente y seguramente ms barato no realizar inspec-
cin alguna.
Siempre que sea posible, debe preferirse el mtodo lote por lote, donde los
riesgos del muestreo han sido analizados y la prevencin de rechazos de lotes es
el estmulo para mejorar la calidad. En aquellos casos en que se considere
necesaria una inspeccin 100 por 100 por parte del receptor, ste debe recono-
cer que est asumiendo la responsabilidad del fabricante en lo tocante a calidad
y que, en consecuencia, no es probable que mejore la produccin de calidad. En
cualquier caso, la condicin ptima se logra cuando el fabricante reconoce sus
responsabilidades con respecto a calidad y adopta las medidas necesarias para
controlarla, con objeto de que el receptor tenga la mxima seguridad.
226 CONTROL DE CALIDAD
contra
P R (X|H 0 es cierta) 1 -
Si el receptor considera que 1/2 por 100 defectuosa es una calidad satisfac-
toria y quisiera limitar el error de tipo I al 5 por 100, podra realizarse una
prueba factible de la hiptesis como sigue. Se prueba una muestra tamao n. Si
se encuentra c o menos elementos defectuosos en dicha muestra, se acepta la
hiptesis y se considera el lote satisfactorio. Si se encuentran c + 1 elementos
defectuosos, se rechaza la hiptesis (y tambin el producto). Como el nmero de
elementos en cada lote es grande, se toma una muestra tamao n de 50 elemen-
tos. Cuando Ho es cierta y q es 0,005, el nmero que se espera de elementos
defectuosos en la muestra es
c' = n x q = 50 x 0,005 = 0,25
INTRODUCCIN A LA GARANTA DE CALIDAD Y EL CONTROL DE ACEPTACIN 227
INSPECCIN DE RECTIFICACIN
Cuando se rechaza un lote el consumidor tiene una opcin. Puede devolver-
lo al proveedor y le pide que enve un lote sustitutorio esperando que sea de
mejor calidad. Alternativamente, el lote puede ser sometido a inspeccin al 100
por 100. Este procedimiento de inspeccin de todos y cada uno de los elemen-
tos de los lotes rechazados se llama inspeccin de rectificacin. Se espera que el
proveedor reemplace todos los elementos defectuosos que se hallen. Compara-
da con la primera alternativa de rechazo total de los lotes, la inspeccin de
rectificacin es ms cara, ya que deben someterse a prueba gran cantidad de
elementos. Sin embargo, presenta dos ventajas: primera, se mejora la calidad
del producto aceptado puesto que los lotes que se someten a inspeccin de
rectificacin ya no incluyen elementos defectuosos; segunda, no se interrumpe el
abastecimiento.
La eleccin entre las dos alternativas citadas viene dada por el tipo de uso
que se d a los elementos inmediatamente despus de recibirlos. Si se usa el
producto de forma ininterrumpida en un proceso de fabricacin continuo o se
vende sin mucha demora, es preferible recurrir a la inspeccin de rectificacin.
Tanto la mejora de la calidad como la no interrupcin del abastecimiento son
problemas crticos. Si, por el contrario, se almacena el producto, el menor costo
de devolucin de lotes rechazados resulta muy atractivo. Todos los planes de
estndares militares descritos en el Captulo 11 incluyen la devolucin de lotes
rechazados.
El problema de quin debe hacerse cargo del costo adicional de la inspec-
cin de rectificacin hay que resolverlo en el momento de negociar los contra-
tos de abastecimiento. Al igual que el contrato especificar sobre quin recaen
los costos de transporte o los impuestos, tambin debera incluir la divisin
exacta de la proporcin de costos que recaern sobre el proveedor y el consu-
230 CONTROL DE CALIDAD
midor. Si existen malos entendidos sobre dicha divisin, pueden llevar a largos
y costosos litigios.
La calidad q' se denomina calidad media de salida del plan de muestreo (n, c)
y a q se le denomina calidad de entrada.
Ejemplo 9.1
La mejora es de una calidad de entrada defectuosa al 4 por 100 a una calidad media
de salida defectuosa al 1,624 por 100.
La Figura 9.3 muestra la relacin entre la calidad de entrada y la media de
salida del plan de muestreo (50, 1). El mximo alcanzado por esta curva
representa la peor calidad de salida posible para cualquier nivel de calidad de
entrada. En cierto modo este lmite, la peor calidad de salida, representa la peor
calidad de producto aceptada o el riesgo mayor al que se enfrenta el consumi-
dor. Se llama lmite de calidad media de salida (AOQL); la curva entera se suele
llamar, tambin curva AOQ.
Ejemplo 9.2
Ejemplo 9.3
Un plan de doble muestreo se da as:
n1 = 80 c1= 0 r1=3
n2 = 80 c2= 3 r2 = 4
INTRODUCCIN A LA GARANTA DE CALIDAD Y EL CONTROL DE ACEPTACIN 233
El procedimiento operativo bajo este plan es el siguiente. En primer lugar, tomar una
muestra de 80 unidades. Si la inspeccin de esta muestra revela 0 defectos, aceptar el
lote. Si pone al descubierto 3 o ms unidades defectuosas, rechazarlo. Si el nmero de
elementos defectuosos es 1 2, tomar una segunda muestra de 80 unidades. Si, despus
de la inspeccin de la segunda muestra, el nmero total de elementos defectuosos
hallados en la primera y segunda es 3 o menos, aceptar el lote. Si no es as, rechazarlo.
Supongamos que la calidad del producto sometido a inspeccin (calidad de entrada)
es defectuosa al 2 por 100. Cul es la probabilidad de que sea aceptado este producto?
En la Tabla A3.1 se obtienen las probabilidades dadas en la Tabla 9.2 para np = 1,6
(Nota: las probabilidades de la Tabla A3.1 son probabilidades acumulativas, esto es
Pr(x c). Para obtener Pr(x = c) es necesario hallar la diferencia entre Pr(x c) y
Pr(x c - 1)).
Probabilidad de aceptacin en la primera muestra = Pr(x = 0)= 0,202. La
aceptacin despus de la segunda muestra se puede hallar de dos modos diferentes:
A. 1 elemento defectuoso en la primera y (2 o menos) en la segunda muestra.
B. 2 elementos defectuosos y en la primera (1 o menos) en la segunda muestra.
c Pr(x = c) Pr(x c)
0 0,202 0,202
1 0,323 0,525
2 0,258 0,783
3 0,138 0,921
234 CONTROL DE CALIDAD
PROBLEMAS
9.1. Un plan de muestreo nico se da como n = 15, c = 1. Cules seran las
probabilidades de aceptacin de lotes que son defectuosos al 3, 6, 10 y 18 por
100?
9.2. Un plan de muestreo nico viene dado por n = 120, c = 3. Cul es la calidad
de indiferencia? Cul es la calidad de un lote que tiene un 95 por 100 de
probabilidad de aceptacin?
9.3. Se presenta un lote defectuoso al 5 por 100 para un plan de muestreo nico con
inspeccin de rectificacin, n = 120, c = 3. Cul es la calidad media de salida?
9.4. Calcular la inspeccin media total para el lote del problema 9.3.
9.5. Se compra un producto en lotes de 60 elementos cada uno. Se proponen tres
alternativas para la inspeccin de muestreo: 1) n = 32, c = 1; 2) n = 50, c = 2; y
3) n = 80, c = 3. Calcular el AOQ y ATI de cada plan si la calidad de entrada es
defectuosa al 2 por 100. Qu plan minimiza ATI? Qu plan da el mejor AOQ?
Qu plan se escogera?
9.6. Un plan de doble muestreo viene dado por nl = 100, c1 = 1, n2 = 100, c2 = 3.
Calcular la probabilidad de aceptacin de un lote defectuoso al 2 por 100.
9.7. Si se usa inspeccin de rectificacin junto al plan del problema 9.6 y el tamao
del lote es 3.000, cules seran AOQ y ATI? (Nota: La inspeccin de
rectifica-
cin se usa despus del rechazo. Si el lote resulta rechazado en la primera
muestra, no se toma una segunda, sino que se inicia inmediatamente una inspec-
cin de rectificacin.)
9.8. Si un plan de muestreo nico y otro doble ofrecen la misma proteccin contra
riesgos, cules seran las ventajas y desventajas de seleccionar el plan de mues-
treo doble?
9.9. Analizar las relaciones entre fabricante y receptor estudiadas en el captulo
para
identificar ventajas y desventajas.
9.10. Un fabricante compra componentes a tres proveedores. El fabricante usa un
plan de muestreo preparado al efecto. Segn este plan, se inspecciona un 10
por
100 de cada lote. Si se encuentran uno o dos elementos defectuosos, se acepta el
lote. Los proveedores X, Y y Z envan sus productos en lotes de 100, 1.000 y
10.000 elementos respectivamente.
a) Cul es la calidad de indiferencia implcita para cada proveedor?
b) Es un plan justo para todos los proveedores?
10
Muestreo de aceptacin
por atributos, lote a lote
235
236 CONTROL DE CALIDAD
0,98
0,95
0,70
0,50
0,20
0,05
0,02
Ejemplo 10.1
1. Construccin de la tabla
n np' P P Pp'
300 0,98
300 0,95
300 0,70
300 0,50
300 0,20
300 0,05
300 0,02
que p' representa las abscisas y Pp, las ordenadas. La Figura 10.1 muestra ambas
curvas trazadas segn los datos de la tabla anterior. El lector podr observar que los
puntos P, arbitrariamente seleccionados, permiten el trazado de curvas suaves.
Se han identificado varios puntos en las dos curvas. Han sido seleccionados
porque representan los puntos normales de identificacin en la derivacin de
planes de muestreo. Estos puntos son:
= riesgo del fabricante = riesgo de rechazo de un pro-
ducto que debera ser satisfactorio (usualmente esta-
blecido en P = 0,95, por lo que = 0,05; es la
probabilidad de error del tipo I).
= riesgo del consumidor = riesgo de aceptar un pro-
ducto que es definitivamente insatisfactorio (usual-
mente establecido en P = 0,10, por lo que = 0,10;
es la probabilidad de error del tipo II).
AOQL = lmite de calidad media de salida = promedio mxi-
mo de calidad de salida como consecuencia de la
aplicacin del plan y de las medidas de rectificacin
establecidas anteriormente.
Punto de indiferencia = calidad de indiferencia (p') donde fabricante y consu-
midor asumen los mismos riesgos en la aplicacin del
plan.
Lo convencional es identificar planes en trminos de funcionamiento. Resul-
ta evidente de inmediato que el funcionamiento garantizado se designa con
referencia a un punto de la curva OC o de la curva AOQ. Por ejemplo, el plan
n = 300, c = 5, en trminos de su funcionamiento esperado se identifica de las
maneras siguientes:
1
El nivel de calidad o proporcin de unidades defectuosas en el lote cuando = 0,10 se
llama porcentaje de tolerancia de elementos defectuosos del lote (LTPD).
240 CONTROL DE CALIDAD
de calidad defectuosa 1 por 100 sean rechazados el 5 por 100 de las veces; y el
riesgo del consumidor ( = 0,10) para que los lotes defectuosos al 6 por 100 no
se acepten ms de un 10 por 100 de veces. Qu plan de muestreo sencillo
cumplir tales requisitos?
Ejemplo 10.2
El 0,35 marcado indica que para que una cantidad crtica c = 1 logre una
probabilidad de aceptacin de 0,95, el valor de np debe ser 0,35.
Esta tabla es muy til para proyectar un plan de muestreo. Si en el plan c = 0,
entonces
p 2 np 2 np para la probabilidad de aceptacin 0,10 2,3
R 46
p1 np1 np para la probabilidad de aceptacin 0,95 0,05
p2 0,06
R 6
p1 0,01
MUESTREO DE ACEPTACIN POR ATRIBUTOS, LOTE A LOTE 241
c R
0 46
1 11,1
2 6,5
3 4,9
Figura 10.2. Curva caracterstica operativa y clculos del plan de muestreo sencillo de atributos
' '
para cumplir con 100 pD 0,05 = 1 por 100; 100 pE 0,10 = 6 por 100.
242 CONTROL DE CALIDAD
La comparacin entre las dos curvas OC de las Figuras 10.1 y 10.2 muestra
que, pese al gran nmero de elementos defectuosos que permite el plan de la
Figura 10.1, se trata de un plan de aceptacin mejor, ya que proporciona
riesgos ms favorables al consumidor. Esto no quiere decir, necesariamente,
que sea mejor desde el punto de vista econmico, sino que el riesgo =de aceptar
producto de peor calidad que la deseada (suponiendo que 100 pD' 0,005 1,0 es el
estndar) es menor con ste. El plan de la Figura 10.2 aceptar lotes 6 por 100
defectuosos en casi el 10 por 100 de los casos. El plan de la Figura 10.1 no
aceptar virtualmente lotes de calidad defectuosas al 6 por 100. Sin embargo,
cada plan tiene casi los mismos requisitos de calidad defectuosa al 1 por 100.
El lector curioso podra preguntarse por qu se permiten elementos defec-
tuosos en la muestra. La Figura 10.3 le responde con claridad. Los planes de
muestreo de las curvas (a), (b) y (c) son planes de cero defectos. Sin embargo,
presentan riesgos totalmente diferentes. Por otra parte, los planes de cero
defectos generalmente penalizan ms al productor que los que permiten uno o
ms elementos defectuosos. Los planes de cero defectos se caracterizan por sus
tendencias ascendentes y cncavas. A medida que se van permitiendo ms
elementos defectuosos en la muestra, las curvas recuerdan eses invertidas. Sin
embargo, aunque se permitan ms elementos defectuosos en las muestras,
proporcionan mejores riesgos tanto al fabricante como al consumidor. Para el
consumidor, el factor ms importante al utilizar la muestra es su tamao
absoluto. Cuanto mayor sea la muestra, menor ser el riesgo para el consumi-
'
Figura 10.3. Curvas OC comparativas, planes de aceptacin cero y 100 pD 0,005 =1
por 100 (planes que incluyen defectos).
MUESTREO DE ACEPTACIN POR ATRIBUTOS, LOTE A LOTE 243
PROBLEMAS
10.1. Construir las curvas OC y AOQ para los siguientes planes de muestreo:
a) n = 10, c = 1.
b) n = 50, c = 2.
c) n = 100, c = 4.
d) n = 200, c = 2.
Situar los siguientes puntos en cada plan:
i) = 0,05.
ii) = 0,10.
iii) Calidad indiferente,
iv) AOQL.
10.2. Proyectar un plan de muestreo sencillo que se aproxime a los siguientes requisi-
tos:
p 1 = 0,02 = 0,05
p 2 = 0,06 = 0,08
10.3. Proyectar un plan de muestreo sencillo que se aproxime a los siguientes requisi-
tos:
p1 = 0,02 = 0,05
LTPD = 0,09
10.4. Proyectar un plan de muestreo sencillo que se aproxime a los siguientes requisi-
tos:
p1 = 0,01 = 0,03
punto de indiferencia = 0,12
10.5. Proyectar cuatro planes de muestreo que incluyan los puntos
p1 = 0,03 = 0,05
p2 = 0,15 = 0,10
Calcular el promedio de inspeccin total para cada uno de dichos planes si la
calidad de entrada es 0,08.
11
Procedimientos de aceptacin
basados en AQL
AQL son las iniciales que utilizamos para referirnos a nivel de calidad
aceptable, que es el nivel de calidad que el consumidor considera aceptable.
Cuando un procedimiento de aceptacin se basa en AQL, su resultado es una
clara decisin de aceptacin o rechazo del lote. No hay inspeccin rectificadora.
Cuando se establece el AQL a determinado nivel, digamos a un 0,4 por 100, el
consumidor est informando al productor de que los lotes con una fraccin
mayor de elementos defectuosos tienen grandes probabilidades de ser rechaza-
dos. El procedimiento slo especifica los riesgos de los productores. El consu-
midor no se compromete a realizar inspeccin rectificadora alguna, ni la acepta
por parte del productor.
Los procedimientos de aceptacin que utiliza el Ministerio de Defensa de
Estados Unidos se basan, fundamentalmente, en AQL. Como quiera que dicho
Ministerio es el mayor consumidor del mundo, otros sectores industriales y
organismos oficiales, tanto en los Estados Unidos como en otros pases, siguen
idnticas normas. Estos procedimientos se conocen como Estndar ABC o
MIL-STD-105D. En este captulo utilizaremos la segunda nomenclatura, aun-
que ambas se pueden usar indistintamente.
El procedimiento MIL-STD-105D se ha convertido en la norma para pro-
cedimientos de inspeccin basados en AQL en todos los sectores industriales.
Existen otros planes tan buenos, pero ninguno ha alcanzado las cotas de
popularidad que goza el mencionado MIL-STD-105D, debida en parte a que es
el que suele utilizar el gobierno estadounidense al realizar sus compras. Pero,
adems, incluye una serie de planes de muestreo relativamente fciles de selec-
cionar, aplicar e interpretar. Y, si se usa junto con su anexo sobre Administra-
cin de procedimientos de muestreo para inspecciones de aceptacin, se con-
vierte en un sistema muy completo para administrar el funcionamiento del
muestreo de aceptacin por atributos lote a lote.
245
246 CONTROL DE CALIDAD
DECISIONES INICIALES
Antes de incluir un procedimiento de aceptacin basado en AQL, es preciso
adoptar determinadas decisiones preliminares que llevarn a la eleccin del
plan de muestreo de aceptacin ms adecuado a las circunstancias.
1. Nivel de calidad aceptable (AQL). Como este nivel de calidad es
aceptable para el consumidor, es deseable que el productor no sufra un
riesgo innecesariamente alto de rechazo de productos de esta calidad o
mejor.
2. Qu es un defecto o un elemento defectuoso? Es aconsejable especificar
el concepto de elemento defectuoso con la mayor claridad y debe
figurar, a ser posible, en el contrato de compraventa. Las especificacio-
nes debieran mencionar tambin el proceso tcnico a utilizar en la
inspeccin de un elemento, as como el costo de inspeccin de cada
elemento revisado.
3. Fraccin de productos recibidos a inspeccionar, o cantidad relativa de
inspeccin. Si en un lote de TV elementos se inspeccionan n de ellos, la
fraccin inspeccionada es n/N. En general, para un valor constante de a
(riesgo del productor), la fraccin n/N disminuir a medida que N
aumente. Cuando N se mantiene constante, la fraccin crecer, general-
mente, a medida que (el riesgo del consumidor) disminuya. Un tercer
factor que afecta a la cantidad relativa a inspeccionar es el costo de
dicha inspeccin. Si se espera un alto costo por elemento inspeccionado
ello indica que se ha optado por la inspeccin de una fraccin ms
pequea.
En las normas militares, la inspeccin relativa se especifica en forma de
nivel. Para cualquier nivel de inspeccin se especifican planes que mantengan la
fraccin n/N inspeccionada aproximadamente igual. La respuesta de cada plan
de muestreo depender del AQL. En todos los casos, si la calidad del producto
recibido y sometido a inspeccin est exactamente en el AQL, la probabilidad
de aceptacin es de un 95 por 100. En este nivel de error tipo 1, se ha utilizado
= 5 por 100 como base para todas las versiones del MIL-STD-105D y sus
predecesores. La forma de la curva QC depende tambin de la relacin entre
AQL y la fraccin inspeccionada n/N. Cuando AQL es pequeo, la calidad es
PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 249
alta y hay mucha menos unidades defectuosas. Para lograr la adecuada protec-
cin para fabricante y consumidor la fraccin inspeccionada debe ser grande.
Visto de otra forma, si se establece la inspeccin relativa a cierto nivel, ser
adecuada hasta cierto AQL. En mejores calidades (AQL ms pequeo) se
puede mantener la proteccin en el punto del riesgo del consumidor o en el
del fabricante, pero no en ambos. La Figura 11.1 muestra las curvas caracters-
ticas operativas para una fraccin fija inspeccionada, n/N = 10 por 100,
para diferentes niveles de AQL. Obsrvese que todas las curvas indican una
probabilidad de aceptacin del 95 por 100 cuando la calidad de los lotes
entrantes es igual al AQL. Sin embargo, si la calidad de los lotes entrantes se
deteriora hasta cinco veces el AQL, la respuesta es sorprendentemente diferente
en distintos niveles de AQL. Usando la curva de 0,10 AQL, la probabilidad de
aceptacin de una calidad de entrada de 0,5 por 100 es 54 por 100. Usando la
curva de 2,0 por 100 AQL, la de una calidad de entrada del 10 por 100 est
prxima al 0 por 100.
Figura 11.1. Curvas caractersticas operativas para planes de muestreo simple con la misma
Fraccin inspeccionada para AQL diferentes.
PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 251
I La mitad de la norma
II La norma
III El doble de la norma
2
Esto es porque en los resultados de la primera muestra se usan clculos de calidad media y
registros.
254 CONTROL DE CALIDAD
los planes de muestreo doble y mltiple indican que la cantidad media mxima
de unidades inspeccionadas se da para la calidad marginal por encima de AQL.
Cantidad de aceptacin de cero. No hay planes dobles o mltiples adecua-
dos para los de muestreo simple con cero como cantidad de aceptacin. Por
tanto, slo se puede usar el muestreo simple.
Ac Re
Primera 32 1 4
Segunda 32 4 5
Ejemplo 11.1
Se va a usar el muestreo simple con el nivel S-l de inspeccin especial y AQL 4 por
100. Si el tamao del lote es 750, cul es el criterio de aceptacin bajo inspeccin
normal? Si el producto presentado a inspeccin es 6 por 100 defectuoso, cules son las
probabilidades de aceptacin?
El lote de tamao 750 est dentro del intervalo 501-1.200 y la letra-cdigo para la
inspeccin de nivel S-l, segn la Tabla A14.1, es C. Buscando en la tabla maestra para
muestreo simple de inspeccin normal, el tamao de muestra que corresponde a la
letra-cdigo C es 5. En la fila encabezada por C y bajo AQL 4,0 no se da plan de
muestreo, pero una flecha indica que se puede usar un plan en la parte alta de la
flecha. Por tanto, el plan de muestreo que se debe usar es:
Tamao de la muestra Ac Re
3 0 1
Ejemplo 11.2
Un fabricante recibe tapas de plstico preformadas en lotes de 3.000. Desea emplear
un plan de doble muestreo del MIL-STD-105D con nivel II de inspeccin y AQL de
0,65 por 100. Cules son los criterios de aceptacin bajo inspeccin normal? Qu
probabilidades hay que un lote defectuoso al 3 por 100 sea aceptado?
El tamao del lote est dentro del intervalo 1.201-3.200 y la letra-cdigo para nivel
II de inspeccin segn la Tabla A 14.1 es K. Buscando en la tabla maestra para doble
muestreo con inspeccin normal, los tamaos de muestra que corresponden a la letra-
cdigo K son 80 y 80. En la fila encabezada por K, bajo AQL 0,65, el muestreo se
encuentra as:
Tamao de la muestra Ac Re
Primera 80 0 3
Segunda 80 3 4
PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 257
Tamao de la muestra Ac Re
Figura 11.3. Curvas OC de planes de muestreo simple, doble y mltiple para una
letra-cgido.
CRITERIOS DE ADMINISTRACIN
A menos que la historia de calidad de un proveedor aconseje lo contrario, al
iniciar un contrato se usa la inspeccin normal. Las condiciones que llevaran a
una inspeccin rigurosa al principio de un contrato incluiran:
1. El hecho de que el proveedor haya tenido dificultades par cumplir con
los AQL prescritos en contratos anteriores del mismo producto u otro
similar.
2. Que el proveedor no haya tenido experiencia previa en la fabricacin
de ese producto u otro similar.
3. Que una inspeccin de las instalaciones de produccin, anterior al
inicio de la produccin, aconseje el uso de una inspeccin rigurosa dada
la probabilidad de que se fabrique calidad por debajo del estndar.
4. Previa experiencia con proveedores dignos de confianza indicar la nece-
sidad de utilizar la inspeccin rigurosa debido las dificultades iniciales
en la fabricacin del producto.
Lo nico que podra aconsejar el uso de inspeccin reducida al iniciar el
contrato sera el hecho de que el proveedor haya completado recientemente un
contrato bajo inspeccin reducida o que est fabricando actualmente el mismo
producto, o similar, bajo inspeccin reducida. Hay que recalcar que cuando se
considere justificado el uso de inspeccin reducida por haberse terminado
recientemente un contrato en dichas condiciones, slo se puede emplear si se
PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 259
K 50 1 4
Bajo este plan de muestreo, una muestra con dos o tres elementos
defectuosos no ser aceptada. Cuando sucede esto, se acepta el lote o
grupo objeto de la inspeccin pero no se contina con la inspeccin
reducida.
5. Cuando la inspeccin reducida deja de ser considerada deseable por la
autoridad responsable.
3
La Tabla VIII es la Tabla A14.13.
260 CONTROL DE CALIDAD
Ejemplo 11.3
donde
cantidad de defectuosos en la primera muestra de j-simo lote inspeccionado
Pj =
cantidad de unidades en la primera muestra del j-simo lote inspeccionado
N j cantidad de unidades en el j-simo lote inspeccionado
100( p1 p2 ... pk )
media del proceso para k lotes =
k
Ejemplo 11.4
Determinar la media estimada del proceso para el producto del ejemplo 11.3,
partiendo de los diez primeros lotes inspeccionados.
Usando la segunda frmula, obtenemos:
100( p1 p2 ... pk )
media del proceso=
k
cantidad de defectos en la j-sima muestra
Aqu k 10 y p j
50
100(suma de todos los elementos defectuosos) 100 u 8
media del proceso= 1,6
10 u 50 500
Ejemplo 11.5
Un producto sometido a inspeccin segn el plan descrito antes tiene una calidad
media de proceso de 1,0 para defectos de gran importancia; 3,0 para defectos de menor
importancia A; y 12,0 para defectos de menor importancia B. Cul es la probabilidad
de aceptacin de este producto?
El producto debe ser aceptable de acuerdo con los tres criterios. La probabilidad de
aceptacin puede calcularse por separado para cada tipo de defectos.
Para defectos de gran importancia:
1
np ' 125 u 1, 25
100
3
np' = 125 u = 3,75
100
Ejemplo 11.6
Tamao de la muestra Ac Re
k P(k)
0 0,202
1 0,323
2 0,258
3 0,138
4 o ms 0,079
Siempre que sea posible, deben someterse los lotes a inspeccin de forma
esttica, esto es, como producto terminado por lo que se refiere a esa inspeccin
concreta. La aplicacin de planes lote por lote a productos en movimiento es
difcil de realizar y generalmente insatisfactoria. Siempre que sea posible, debe
evitarse. Los acuerdos adoptados para la formacin de lotes para inspeccin
deberan incluir normas para la identificacin y segregacin de un lote de
inspeccin. Que el lote conserve su identidad garantizar que la aceptacin o el
266 CONTROL DE CALIDAD
PROBLEMAS
11.1. Dada la siguiente informacin, seleccione y extraiga los planes de muestreo
apropiados de MIL-STD-105D.
Nivel de Tipo de
Plan muestreo
Grado AQL Tamao del lote
inspeccin
1 II Simple Normal 0,15 55
2 II Doble Riguroso 1,0 400
3 I Simple Reducido 150,0 4.000
4 III Simple Riguroso 0,40 200
5 II Mltiple Normal 0,65 10.000
6 III Mltiple Riguroso 0,25 70
7 II Simple Normal 400,0 1.500
8 II Simple Riguroso 6,5 30
11.2. John Smith Co. tiene un contrato con usted por el que se compromete a
entregarle 60.000 componentes en cualquier momento durante los prximos
tres meses. Usted ha especificado en el contrato que el estndar de calidad es un
AQL de 0,40 de acuerdo con MIL-STD-105D. La fbrica de John Smith Co.
est junto a la de usted, as que los costos de entrega son insignificantes. Los
inspectores de aceptacin del producto terminado de John Smith Co. son muy
astutos y saben que la calidad media de salida ser de cerca de 8 por 100. Se
268 CONTROL DE CALIDAD
Otros procedimientos
de aceptacin
Ejemplo 12.1
Determinar un plan de muestreo de calidad indiferente para partidas de 1.000
artculos, calidad 2 por 100: a) utilizando las tablas estndar Philips, y b) utilizando la
frmula simple.
2
Tomado del libro Statistical Quality Control, de E. L. Grant y R. S. Leavenworth, 5.a
edicin (Nueva York: editado por McGraw-Hill Book Company, 1980). Los autores consideran
como creador de esta frmula a G. A. Campbell, que la present en Bell System Technical
Journal en 1923.
OTROS PROCEDIMIENTOS DE ACEPTACIN 275
OTROS PROCEDIMIENTOS DE ACEPTACIN 275
c n c n c n
0 67 4 467 8 867
1 167 5 567 9 967
2 267 6 667 10 1.067
3 367 7 767 11 1.167
a) Segn la Tabla 12.1, para un lote de tamao 1.000 y IQL 2 por 100, el plan de
muestreo es n = 85, c = 1.
b) p0,50 = 0,02 y c = 1 [manteniendo el mismo nmero de aceptacin que en la
parte (a)]:
c 0,67
n '
p0,50
1,67
83,5
0,02
84 despus del redondeo
Este ejemplo muestra lo cerca que est la aproximacin al usar la frmula simple.
TABLAS DODGE-ROMIG
H. F. Dodge y H. G. Romig desarrollaron procedimientos de muestreo de
aceptacin al igual que juegos completos de tablas de planes de muestreo al
principio de la dcada de 1920. Aunque inicialmente se pens en ellas para su
uso interno por la Bell Telephone System3, en 1944 se permiti el acceso del
pblico en general a las mismas al publicarse un libro en dicha fecha4. Estas
tablas se basan en LTPD o punto 3 de la curva OC. Las tablas se refieren a la
calidad representada por LTPD como Pt El libro incluye cuatro juegos de
tablas.
1. Tablas de tolerancia de lotes con muestreo simple.
2. Tablas de tolerancia de lotes con muestreo doble.
3. Tablas AOQL con muestreo simple.
4. Tablas AOQL con muestreo doble.
Las tablas no incluyen muestreo mltiple. Los dos primeros juegos incluyen
una tabla cada uno para ocho valores de Pt, que son:
0,5 por 100, 1,0 por 100, 2,0 por 100, 3,0 por 100, 4,0 por 100,
5,0 por 100, 7,0 por 100, y 10,0 por 100
3
Antes de 1983 casi todas las compaas telefnicas regionales de Estados Unidos eran
subsidiarias de la gigantesca American Telephone and Telegraph Company. La red constituida
por dichas compaas se sola denominar Bell Telephone System, en honor del inventor del
telfono: A. G. Bell.
4
H. F. Dodge y H. G. Romig: Sampling Inspection Tables-Single and Double Sampling
(Nueva York: John Wiley & Sons, Inc., 1.a edicin 1944, 2.a edicin 1959).
276 CONTROL DE CALIDAD
Los dos juegos siguientes incluyen una tabla cada uno para trece valores de
AOQL, que son:
,1 por 100, 0,25 por 100, 0,50 por 100, 0,75 por 100, 1,0 por 100,
1,5 por 100, 2,0 por 100, 2,5 por 100, 3,0 por 100, 4,0 por 100,
5,0 por 100, 7,0 por 100, y 10,0 por 100.
Los dos tipos de tablas son complementarios en el sentido de que las tablas
de tolerancia de lotes dan el AOQL de cada plan en la tabla y viceversa. Los
planes de muestreo en las tablas Dodge-Romig tratan de minimizar la inspec-
cin media total (ATI) o la fraccin media inspeccionada (AFI) de cada lote. Las
tablas asumen un 100 por 100 de inspeccin de los lotes rechazados pero no
obligan a realizarla.
En el apndice se incluye un ejemplo de cada uno de los cuatro juegos con
las siguientes denominaciones:
Ejemplo 12.2
Se usa un plan de tolerancia de lotes con muestreo simple de Dodge-Romig con Pt
= 5,0 por 100: El tamao del lote es 750 y el valor estimado de la media del proceso es
1,3 por 100. Cules son los criterios de aceptacin? Si el lote presentado tiene real
mente una calidad 3 por 100, cul es la probabilidad de aceptar el lote?
La tabla de tolerancia de lotes con muestreo simple con Pt = 5,0 es la Tabla A 17.1
El tamao del lote es 750 y est en el intervalo entre 601-800 y el valor estimado de la
media del proceso est en el intervalo 1,01-1,50. La interseccin de la fila 601-800 con la
columna 1,01-1,50 nos da el siguiente plan de muestreo:
n c AOQL
130 3 1,2
OTROS PROCEDIMIENTOS DE ACEPTACIN 277
Ejemplo 12.3
Para el producto descrito en el ejemplo 12.2, cules son los criterios de aceptacin
si se usa un plan de doble muestreo y AOQL 2 por 100?
La tabla AOQL con doble muestreo con AOQL = 2,0 por 100 es la Tabla A 17.4.
El tamao del lote es 750, que est en el intervalo 601-800 y el valor estimado de la
media del proceso est en el intervalo 1,21-1,60. La interseccin de la fila 601-800 con la
columna 1,21-1,60 da el siguiente plan de muestreo:
Trial 1 Trial 2
n1 c1 n2 n1 + n 2 Pt
38 0 82 120 4 7,3
media del proceso. Este valor estimado se puede usar como base para
determinar los planes de muestreo Dodge-Romig. (El grfico puede
seguirse utilizando como grfico de vigilancia del proceso.) Esta alterna-
tiva slo la puede utilizar el fabricante o un consumidor que tenga
acceso a la informacin sobre su produccin.
2. La segunda alternativa la puede usar un consumidor que no conoce al
proveedor (o no tiene fe en l). En este caso se usa una asuncin
preliminar de la calidad media del proceso para establecer un plan de
muestreo tentativo. El AQL proporciona un buen punto de partida.
Este plan tentativo se usa para un nmero de lotes preestablecido. Los
resultados de estas inspecciones de muestras dan un mejor valor estima-
do de la calidad media del proceso. En este caso hay que tener cuidado
de usar slo los datos de las primeras muestras. O lo que es lo mismo,
los datos de las segundas muestras, nuevas presentaciones a inspeccin
e inspeccin rectificadora no se incluyen en el clculo de la media del
proceso.
El efecto de la asuncin de calidad media del proceso sobre la curva OC del
plan seleccionado de las tablas Dodge-Romig aparece en la Figura 12.2.
Figura 12.2. Efecto de la asuncin de calidad media del proceso en las curvas OC
de planes de muestreo de tablas Dodge-Romig.
5
Abraham Wald: Sequential Analysis (Nueva York: John Wiley & Sons, Inc., 1947).
280 CONTROL DE CALIDAD
x
y1-
OTROS PROCEDIMIENTOS DE ACEPTACIN 281
Ejemplo 12.4
b
h1
g1 g 2
a
h2
g1 g 2
g2
s
g1 g 2
p2 1 E
donde g1 log a log
p1 D
1 p1 1D
g2 log b log
1 p2 E
6
Para el desarrollo de estas relaciones, vase Acheson J. Duncan: Quality Control and
Industrial Statistics (Homewood, 111.: Richard D. Irwin, Inc., 1955).
OTROS PROCEDIMIENTOS DE ACEPTACIN 283
La curva del plan secuencial del ejemplo, trazada desde cuatro puntos, se
muestra en la Figura 12.3c. Las Figuras 12.3d y 12.3e comparan los planes de
muestreo del ejemplo 12.4 y el plan mltiple para la letra-cdigo L de MIL-
STD-105D para AQL = 1,0. Estos dos planes tienen curvas OC que se ajustan
bastante bien. El parecido entre los dos planes resulta evidente de inmediato. El
plan secuencial se ha cortado arbitrariamente en 250; el plan mltiple en 350.
Realmente, el plan secuencial debera seguirse por unidades, en lugar de por
grupos de unidades como muestra la Figura 12.3d. Sin embargo, los valores
para decidir sobre aceptacin y rechazo continan siendo bsicamente los
mismos para la cantidad inspeccionada dentro de los intervalos mostrados.
Probablemente, en el plan mltiple se hicieron ciertas concesiones que dan
lugar a las ligeras diferencias existentes en los tamaos de las muestras y en las
cantidades de aceptacin. Por ejemplo, en n = 100, los nmeros (1 y 5 respecti-
vamente) para aceptacin y rechazo segn el plan mltiple, pudieron obtenerse
estableciendo los lmites en el punto medio entre las cantidades. As, el valor de
la lnea de aceptacin en n = 100 es > 0,5 y < 1. El valor de la lnea de
rechazo en n = 100 es > 4 y < 5.
h1
0
s
p1 (1 D )h1 ah2
s p1
s h1h2
s (1 s )
p2 (1 E )h2 E h1
p2 s
h2
1
1 s
MUESTREO DE DEMRITOS 7
La base del muestreo de demritos es la combinacin de muchos tipos y
clases diferentes de defectos en una nica medida de demritos. Esta medida de
demritos puede utilizarse para el desarrollo de planes de muestreo de acepta-
7
El muestreo de demritos se basa en el sistema de clasificacin de demritos desarrollado
por H. F. Dodge y M. N. Torrey que se estudi en el Captulo 7.
284 CONTROL DE CALIDAD
cin. Tales planes pueden ser muy tiles cuando se compran montajes comple-
jos y cuando se desea una nica medida de aceptacin o rechazo. Recuerde que
en el uso normal del muestreo de atributos las caractersticas se clasifican de
acuerdo con la gravedad de un defecto. Tales clasificaciones pueden dar lugar a
la formacin de varios grupos con diferentes niveles de calidad aceptable para
cada uno. Por supuesto, esto exige mantener registros y control por grupos. Las
asignaciones de demritos a cada grupo eliminan gran parte de la necesidad de
registros y proporcionan una medida de funcionamiento de la calidad.
El desarrollo de un nivel satisfactorio de calidad aceptable para una canti-
dad de demritos depende, en gran parte, de la historia de calidad del producto
concreto para el que se ha diseado el plan. En el ejemplo numrico utilizado
para ilustrar los procedimientos de aceptacin con muestreo de demritos, se
asume que hay suficientes datos histricos disponibles.
Ejemplo 12.5
D este modo se ve que los totales 1,193 y 23,93 son los Us y Cs, respectivamente.
El nmero permisible de demritos por muestra de tamao n se establece en
nU S 3 nCS
OTROS PROCEDIMIENTOS DE ACEPTACIN 285
nU S 4 nCS
nUs es la expresin para el nivel de demrito en calidad aceptable para la muestra de
tamao n. nC s es la expresin para la desviacin estndar de demritos de la muestra
de tamao n.
Asmase, adems, que se someten a inspeccin lotes de tamao 50. De cada lote se
seleccionar una muestra de 10. Si la cantidad de demritos de la muestra excede la
cantidad permisible de demritos por muestra, el lote ser rechazado. Si la cantidad de
demritos de la muestra excede el nmero de accin, el lote ser rechazado y, adems,
se iniciar una inspeccin rigurosa. La Figura 12.4 muestra este plan de muestreo en
forma de grfico de control.
Figura 12.4. Expresin grfica del plan de muestreo N = 50, n = 10, nmero
aceptable de demritos = 58.
nuevos y declarar en desuso los antiguos se pueden medir por medio de una
escala numrica.
En el muestreo de verificacin el problema pasa a ser el de decidir si la
muestra seleccionada para verificacin concuerda con un estndar o con los
informes del fabricante, o no. Claro est que, dado que se trata de un muestreo,
cualquier inferencia debe ser hecha a cierto nivel de significancia escogido
previamente.
En un muestreo de verificacin se pueden utilizar dos tipos de pruebas de
significancia. El primero, cuando el consumidor desea determinar si la calidad
del fabricante es conforme al estndar o no. El otro, cuando desea conocer
hasta qu punto concuerdan los resultados de su muestreo con los del realizado
por el fabricante. Debe elegirse cierto nivel de significancia para adoptar las
decisiones, aceptar o rechazar aquel componente del sistema que se est mi-
diendo. Claro est que habr razones de tipo econmico que determinarn el
nivel que deba usarse, pero de no existir elementos de costos definitivos, se
recomienda un nivel de significancia del 5 por 100. Aqu se incluye un riesgo
razonablemente alto de adoptar una decisin de rechazo cuando no debiera ser
as. Sin embargo, est justificada cuando se consideran los continuos riesgos de
aceptacin que asume el consumidor si no realiza la inspeccin de aceptacin
por s mismo.
Las pruebas de significancia se cubren con detalle en el Captulo 2.
PROBLEMAS
12.1. Determinar un plan Rhilips de muestreo estndar para un lote de tamao 750 y
punto de control 3 por 100. Cul es la probabilidad de que un lote 5 por 100
defectuoso sea aceptado con este plan?
12.2. a) Determinar un plan Philips de muestreo estndar para un tamao de lote de
1.600 y calidad de indiferencia 2 por 100.
b) Determinar un plan de muestreo doble con inspeccin normal, nivel II de
inspeccin general para un tamao de lote de 1.600 y AQL 0,65 por 100.
c) Comparar los ASN de los dos planes si la calidad de entrada es: i) 0,3 por
100; ii) 0,65 por 100; iii) 2 por 100.
12.3. Marcar las curvas OC de los dos planes del problema 12.2.
12.4. Un consumidor est preocupado por la posibilidad de aceptar un producto con
el 5 por 100 o ms de elementos defectuosos. Se sugieren dos planes posibles: 1)
un plan estndar de Philips con punto de control 3 por 100; y 2) un plan de
muestreo simple de Dodge-Romig con AQL 2 por 100. El tamao del lote es
800 y la media del proceso asumida es 1 por 100. Cul de los dos planes
proporcionar mayor proteccin al consumidor?
12.5. La media del proceso se calcula como 0,95 por 100 y el tamao del lote es 900.
Determinar un plan de muestreo smple de Dodge-Romig con un porcentaje de
un 5 por 100 de tolerancia de elementos defectuosos por lote. Qu fraccin del
OTROS PROCEDIMIENTOS DE ACEPTACIN 289
a) n = 105; c = 2
b) n = 160; c = 4
c) n = 235; c = 1
Comparar la inspeccin media total y la calidad de salida de esos tres planes si
la calidad de entrada es realmente 0,4 por 100 defectuosa.
12.8. Un departamento del Gobierno compra a un fabricante grandes cantidades de
un pequeo producto. El tamao del lote es 1.200. Cuando se recibe el produc-
to, dicho departamento usa un plan de muestreo simple para inspeccionarlo.
Este plan lo obtiene del MIL-STD-105D basado en AQL 0,65 y nivel II de
inspeccin general. Cuando se fabrica, el producto se somete a una inspeccin
de muestreo y rectificadora antes de su envo. El fabricante usa un plan Dodge-
Romig con AQL 2 por 100 con la asuncin de que la calidad media del proceso
es igual al QAL establecido por el departamento del Gobierno.
a) Cul es la calidad media del producto enviado al departamento del Gobier-
no si la calidad real de produccin es 0,65 por 100?
b) Cul es la probabilidad de que el departamento del Gobierno acepte el
producto en cada caso?
12.9. Si la calidad real de produccin del producto del problema 12.8 es 1,1 por 100,
cul es la probabilidad de que se acepte un lote por el departamento si el lote:
a) es aceptado en la inspeccin del fabricante y despachado sin inspeccin
rectificadora?
b) es rechazado en la inspeccin del fabricante y despachado despus de la
inspeccin rectificadora?
12.13. Dibujar las curvas OC de los tres planes del problema 12.12.
12.14. Dado que los niveles de estndar de Us y Cs son, respectivamente, 5,00 y 25,00,
siendo cuatro los tipos de defectos (A, B, C y D) con pesos ponderados
respectivos de 100, 50, 10 y 1, disear un plan de muestreo de aceptacin por
demritos. Establecer el nmero de demritos permisibles en una desviacin
normal k = 3 y el lmite riguroso de accin en k = 4. Se han de tomar
muestras de cinco elementos cada una de lotes de 50 elementos cada uno.
12.15. Disear un plan de muestreo simple, usando los valores de Us y Cs del proble-
ma 12.14 que tenga una opcin de un 5 por 100 de que se acepte un lote con U
= 12.
13
LOTES EN MOVIMIENTO
Se han hecho numerosos intentos, especialmente por parte del Gobierno,
para aplicar la inspeccin lote a lote a casos de produccin continua. En la
mayora de los casos no se ha alcanzado pleno xito. Si se interpreta de forma
muy amplia el MIL-STD-105D, parecera posible seleccionar muestras de un
producto en movimiento. Esto sera un lote en movimiento. Aparte de la lgica
complicacin de establecer dnde empieza y termina dicho lote, surgen una
serie de problemas distintos.
1
Alan L. MacLean: Continuous Sampling Inspection-Key to this Company's Mass Produc-
tion, Factory, febrero de 1955, pgs. 114-117.
MUESTREO CONTINUO DE ACEPTACIN POR ATRIBUTOS 293
2
R. L. Storer: The Use of Continuous Sampling in Ammunition Procurement, Industrial
Quality Control, mayo de 1956, pgs. 48-54. Citado con permiso.
294 CONTROL DE CALIDAD
RESEA HISTRICA
El plan de muestreo continuo de etapa nica lo utiliz por vez primera H.
F. Dodge en el ao 1943 3. Se le denomin CSP-1. Ms tarde, H. F. Dodge y M.
N. Torrey4 realizaron variaciones sobre el mismo que se conocen como CSP-2
y CSP-3. En 1959, el Ministerio de Defensa public un manual provisional
titulado Manual de inspeccin y control de calidad (Provisional) H107. En el
mismo se incluan los planes de Dodge y Torrey al igual que una modificacin
a los mismos realizada por las Fuerzas Navales y que se conoca como CSP-A.
La idea de muestreo continuo multietpico fue estudiada por diversos
expertos en estadstica. Sin embargo, un muestreo de aceptacin formal basado
en muestreo continuo multietpico, fue descrito por primera vez por G. J.
Lieberman y H. Solomon5. En 1958, estos planes multietpicos son recogidos
en el manual del Ministerio de Defensa: Manual H106: Procedimientos y tablas
de muestreo continuo multinivel para inspeccin por atributos.
En 1962, los manuales H106 y H107 se combinaron para dar lugar a un
nico estndar: MIL-STD-1235 (ORD). Generalmente, los planes de muestreo
continuo de aceptacin suelen designarse como AOQL. No obstante, para ser
consistentes con el MIL-STD-105D, los planes MIL-STD-1235 (ORD) se desig-
nan como AQL o AOQL.
MIL-STD-1235 (ORD)
Al igual que MIL-STD-105D tiene enorme importancia en procedimientos
de muestreo de aceptacin relacionados con inspecciones lote a lote, MIL-
STD-1235 (ORD) proporciona procedimientos de muestreo de aceptacin
cuando la produccin es continua. Cada plan de muestreo del estndar citado
se designa con dos nmeros, i y f. El nmero i indica la cantidad de artculos
consecutivos que deben considerarse aceptables durante la fase de inspeccin al
100 por 100 para que la produccin pase a ser objeto de una inspeccin
fraccionada o parcial. El nmero f es la fraccin sujeta a inspeccin en dicha
fase. Dado que el estndar se cre al combinar los manuales H106 y H107, los
procedimientos administrativos de MIL-STD-1235 (ORD) siguen las normas
de dichos manuales. Sin embargo, stas son algunas de las modificaciones
introducidas para conseguir que estos estndares sean consistentes con MIL-
STD-105D.
Hay que adoptar algunas decisiones de tipo administrativo antes de deci-
dirse por MIL-STD-1235 (ORD).
1. La administracin, lo que en la mayora de los casos significa el Minis-
terio de Defensa, debe decidir quin va a realizar la inspeccin. Por lo
3
Harold F. Dodge: A Sampling Inspection Plan for Continuous Production, Annals of
Mathematical Statistics, vol 14 (1943), pgs. 264-279.
4
El CSP-2 lo tratan Harold F. Dodge y Mary N. Torrey en: Additional Continuous
Sampling Plans, Industrial Quality Control, marzo de 1951, pgs. 7-11.
5
G. J. Lieberman y H. Solomon: Multi-level Continuous Sampling Plans, Annals of
Mathematical Statistics, vol. 26 (1955), pgs. 686-704.
MUESTREO CONTINUO DE ACEPTACIN POR ATRIBUTOS 295
Figura 13.1. Procedimiento para planes CSP-1. [Tomado de Single Level Conti-
nuous Sampling Procedures and Tables for Inspection by Attributes, Supply and
Logistics Handbook H107, (Washingon, D.C.: Imprenta del Gobierno de Estados
Unidos, 30 de abril de 1956).]
Figura 13.2. Procedimiento para planes CSP-2. [Tomado de Single Level Conti-
nuous Sampling Procedures and Tables for Inspection by Attributes, Supply and
Logistics Handbook H107, (Washington, D.C.: Imprenta del Gobierno de Estados
Unidos, 30 de abril de 1959.]
Figura 13.3. Procedimiento para planes CSP-A. [Tomado de Single Level Conti-
nuous Sampling Procedures and Tables for Inspection by Attributes, Supply and
Logistics Handbook H107, (Washington, D.C.: Imprenta del Gobierno de Estados
Unidos, 30 de abril de 1959.).]
MUESTREO CONTINUO DE ACEPTACIN POR ATRIBUTOS 301
AQL(100 AQL)
AQL - 3
cantidad inspeccionada
1
2. v = nmero medio de piezas aprobadas por el plan de mues-
f p
treo antes de que se descubra un defecto.
u f v
3 F = fraccin media inspeccionada.
uv
4. Pa = 1 F = fraccin media aceptada con inspeccin.
p (1 f )(1 p)i 1
5. AOQ(CSP-l) = = calidad media de salida
f (1 f )(1 p)i 1 aproximada bajo CSP-1.
P(1 f )[2(1 p) 2 (1 p) 2i ]
6. AOQ(CSP-2) =
f (1 p ) (1 f )[2(1 p )i (1 p ) 2i ]
= calidad media de salida aproximada bajo CSP-2.
7. AOQ(CSP-M)
(1 p )i
t fi fraccin para el nivel j-simo
1 (1 p )i
k
j
tj 1
(1 f ) / f i
AOQ p k
j
t
j 0
/ fj
los valores de AQL estn limitados generalmente a los que figuran en la tabla.
Sin embargo, es posible aplicar interpolacin lineal para valores intermedios de
AOQL. Por ejemplo, en CSP-1, usando la letra-cdigo F, los valores de i para
los AQL 2,5 y 4,0 vienen dados como 35 y 22, respectivamente. Los valores
correspondientes de AOQL son 3,09 y 4,96. Para usar esto planes los valores
AQL estaran limitados a 2,5 y 4,0 solamente. Si se desea un valor intermedio,
como 3,0, por ejemplo, habra que redondear hasta 2,5 hacia abajo, o hasta
6,0 hacia arriba. Por otra parte, sera posible establecer un plan para un AOQL
de 4,0 usando interpolacin
4,96 4,0
i 22 (35 22) 28,67 o 29
4,96 3,09
Ejemplo 13.1
El tipo o ritmo de produccin de una bebida gaseosa es de 3.000 botellas por hora.
La produccin es continua. Se va a usar muestreo continuo CSP-1. Para AQL 1 por
100 y nivel II de inspeccin determinar el plan de muestreo, asumiendo que el intervalo
de produccin es una hora.
En la Tabla A 16.1 hallamos que la letra-cdigo es G. En la Tabla A 16.2 y para la
letra G, la fraccin f de muestreo viene dada como 1/15. Bajo AQL 1 por 100, el valor i
viene dado como 100. En este plan, las botellas de gaseosa sern inspeccionadas
continuamente hasta que se encuentren 100 botellas consecutivas sin ninguno de los
defectos objeto de la inspeccin. Cuando se encuentren esas 100 botellas consecutivas
se iniciar una inspeccin fraccional o de muestreo. Bajo la inspeccin de muestreo slo
se supervisar una de cada 15 botellas. El AOQL para este plan viene dado como 1,35
por 100. En la Tabla A 16.4 hallamos que el valor lmite L es 475. Esto significa que si se
inspeccionan 475 botellas sin que califiquen para inspeccin de muestreo (esto es, sin
encontrar 100 botellas consecutivas libres de defectos), la inspeccin se detendr. La
produccin se interrumpir y no se reiniciar hasta que se halle y corrija la causa que
origina los productos defectuosos.
Ejemplo 13.2
Determinar un plan multietpico para el producto del ejemplo 13.1 usando f = 1/2
y AOQL = 1 por 100.
En la Tabla A16.7, para AOQL = 1,0 por 100 y un ritmo de produccin de 3.000
hay una flecha que seala hacia abajo. Por tanto, el plan que debe usarse puede
hallarse al final de la flecha i = 83, k = 3. Esto quiere decir que se recomienda un plan
de tres etapas.
La inspeccin de las botellas se iniciar con la modalidad continua (100 por 100).
Cuando se encuentren 83 botellas consecutivas libres de defectos, la produccin puede
pasar al nivel 1 de inspeccin de muestreo. En este nivel son objeto de muestra e
inspeccionadas el 50 por 100 de las botellas. Cuando se encuentren 83 botellas consecu-
tivas sin defectos, la produccin es apta para el nivel 2 de inspeccin de muestreo. En
este nivel, son incluidas en la muestra e inspeccionadas (1/2)2 o 25 por 100 de las
botellas. Cuando se encuentren 83 botellas consecutivas sin defectos, la produccin es
apta para el nivel 3 de inspeccin de muestreo. En este nivel son objeto de muestra e
inspeccionadas (1/2)3 o el 12,5 por 100 de las botellas. Como el tercer nivel es el ms
alto, no se produce ya ninguna otra reduccin en la fraccin de muestreo.
6
John E. Condn: Multi-Level Continuous Sapling Plans, Proceedings of the 4th Annual
Statistical Engineering Symposium, U.S. Army Chemical Corps Engineering Command, Army
Chemical Center, 7-8 de mayo de 1958, pg. 145.
314 CONTROL DE CALIDAD
Ejemplo 13.3
k
j
t
j i
/(1 f j )
1,055 3(1,1130) 7(1,7434)
AOQ p (0,008)
k
j 1,055 1,1130 1,7424
t / fj 1
j v 0,5 0, 25 0,125
16,5908
(0,008) 0,00617
21,501
PROBLEMAS
13.1. Determinar los planes de muestreo continuo para las condiciones siguientes:
13.3. Determinar los valores de AOQL y L para los planes del problema 13.1 desde
a) a d).
13.4. Determinar los valores de AOQL, a y L para los planes del problema 13.1 e) y
f)
13.5. Un plan CSP-1, f = 1/10, AQL = 4,0 e i = 22, ha estado funcionando durante
diez intervalos completos de produccin. De las 2.500 unidades inspeccionadas
25 eran defectuosas. La produccin se ha mantenido a nivel constante. Est el
proveedor en condiciones de pasar a inspeccin reducida?
13.6. Para los planes del problema 13.1 desde a) hasta c) determine la fraccin media
aceptada sin inspeccin y la calidad media de salida si la calidad de entrada es
2,0 por 100.
316 CONTROL DE CALIDAD
13.7. Establecer la probabilidad de que la inspeccin se detenga bajo los planes del
problema 13.1 e) y f) si la calidad de entrada es 0,3 y 3,0 por 100, respectiva-
mente.
13.8. El ritmo de produccin diaria de un artculo es de 800 unidades. Se desea
mantener en este material un AOQL de 2,0 mientras se use un plan continuo
multietpico con una frecuencia de muestreo de 1/2. De los valores de i y k del
plan. En qu condiciones se puede disminuir la frecuencia de muestreo y
cunto puede reducirse? Explicar la respuesta.
13.9. Para el plan del problema 13.8, determinar la calidad media de salida si la
calidad de entrada es 4,0 por 100.
13.10. Determinar un plan CSP-M con f = 1/3, AOQL = 2,0 y un ritmo de
produccin de 14.000. Si la calidad media del proceso es 1,0 determinar la
calidad media de salida:
) Por clculo directo.
b) Usando la Figura 13.9.
14
Procedimientos de aceptacin
por caractersticas variables
Distribucin
X U
aceptacin del lote es que pu debe ser igual o menor que un nmero establecido
M. Un plan de muestreo de variables se especifica por medio de dos nmeros: n
= tamao de la muestra y M = mximo permisible para la fraccin defec-
tuosa.
Una medida alternativa de la fraccin de elementos que son defectuosos es
z, o, lo que es lo mismo, cuntas desviaciones estndar estimadas separan el
lmite U de las especificaciones del promedio de la muestra X :
UX
z
V
Esto nos permite formular una definicin alternativa del plan de muestreo
de variables mediante los nmeros n = tamao de la muestra, y k = mnimo
de desviaciones estndar que deben separar U y X .
Ejemplo 14.1
1
MIL-STD-414 puede obtenerse en el National Technical Information Service, Washington,
D.C. 200402.
322 CONTROL DE CALIDAD
0-0,049 0,04
0,050-0,069 0,065
0,070-0,109 0,10
0,110-0,164 0,15
0,165-0,279 0,25
0,280-0,439 0,40
0,440-0,699 0,65
0,700-1,09 1,0
1,10-1,64 1,5
1,65-2,79 2,5
2,80-4,39 4,0
4,40-6,99 6,5
7,00-10,9 10,0
11,00-16,4 15,0
cantidad que pueda especificarse) es mayor que AQL y cuando una cantidad
mayor que un cierto nmero T de dichos lotes tiene valores estimados del
porcentaje de elementos defectuosos superiores a AQL. La media estimada del
proceso es la media aritmtica ponderada del porcentaje de elementos defectuo-
sos de los lotes precedentes especificados. Los valores T vienen dados en la
Tabla A15.8 para la media del proceso calculada a partir de 5, 10 o 15 lotes. Si
la letra-cdigo del tamao de la muestra no es la misma para todas las
muestras utilizadas, la bsqueda en la Tabla A 15.8 viene determinada por la
letra-cdigo del tamao de muestra correspondiente al tamao menor utilizado
en cualquiera de los lotes incluidos en el clculo de la media del proceso. Se
vuelve a pasar a inspeccin normal si el valor estimado de la media del proceso
de los lotes sometidos a inspeccin rigurosa es igual o menor que AQL.
Las Tablas A15.3 y A15.9 se usan para buscar planes de muestreo cuando
hay presentes especificaciones de doble lmite. El clculo es el mismo que para
la forma 2 excepto en lo siguiente:
1. Para un valor de AQL para los lmites superior e inferior de las especifi-
caciones combinados, se calculan tanto Q U como Q L . El porcentaje
estimado de elementos defectuosos por lote asociado a los ya calculados
QU Y QL se busca en la Tabla A 15.4. La suma de pU + pL (que son los
valores que acabamos de encontrar en la tabla) debe ser menor que M
para que el lote sea aceptable.
2. Para diferentes valores de AQL para los lmites superior e inferior de
las especificaciones, se utilizan los tres criterios siguientes:
a) pU debe ser igual o menor que M U.
b) pL debe ser igual o menor que ML.
c
) PU + P L debe ser igual o menor que el mayor entre MU y ML .
La forma 1 puede usarse tambin para el caso de lmite de dos lados. Las
cantidades (U X )/s y ( X L)/s se comparan con k y deben ser mayores que
k para que el lote sea aceptable. Adems, el valor apropiado de F se busca en la
Tabla A15.9 para determinar la desviacin estndar mxima (MSD). MSD se
calcula hallando el producto de F y (U L). La desviacin estndar as
calculada no debe ser mayor que MSD.
La seccin C es aplicable al caso de variabilidad desconocida y es exacta-
mente lo mismo que la seccin B, excepto que las tablas se basan en clculos
usando el intervalo medio como medida de la variabilidad. Se usan lo mismo
que indicaba la seccin B a la que acabamos de referirnos.
La seccin D es aplicable a una situacin de variabilidad conocida y se
organiza lo mismo que las secciones B y C, con las siguientes excepciones:
1. La variabilidad es conocida, de forma que no se calcula a partir de los
datos de la muestra.
2. Para el mtodo de la forma 2 del lmite nico y para el mtodo del
ndice de calidad de lmite doble, las frmulas para los ndices cualitati-
vos son:
(U X )
QU
V
PROCEDIMIENTOS DE ACEPTACIN POR CARACTERSTICAS VARIABLES 325
y
( X L)
QL
V
en que es la desviacin estndar conocida.
Las tablas se usan como se indic en la seccin B cuando se prescriben
planes de variabilidad conocida. No se muestran tablas de las secciones C y D.
Cualquier persona que desee usar dichas secciones puede ir al estndar original.
No hay que dejar de mencionar que un ndice de calidad negativa no es
aceptable para ningn plan. Segn estn expresadas las frmulas, el ndice de cali-
dad calculado debe ser igual o mayor que el valor de k. Cualquier ndice de
calidad negativo es algebraicamente menor que el valor positivo de k y ello
hace que el lote no sea aceptable.
Ejemplo 14.2
Se compran filtros de aire en lotes de 600 unidades. Si AQL es 1,0, determinar los
planes de muestreo de inspeccin normal usando: a) MIL-STD-414 con forma 1 y nivel
IV de inspeccin; b) MIL-STD-105D con nivel II de inspeccin general y muestreo
nico.
a) La letra-cdigo es J. Segn la Tabla Al5.2 el plan de muestreo es n = 30, k =
1,86.
b) La letra-cdigo es la misma J. Segn la Tabla A 14.2 el plan de muestreo es n =
80 y c = 2.
Dado que ambos planes estn proyectados para dar similares niveles de proteccin,
el uso del plan de variables tiene ventaja. El tamao de la muestra es 30 en vez de 80
en el plan de atributos. Sin embargo, podra llevar a error y a la conclusin de
que el muestreo de variables es siempre ms econmico. La inspeccin de muestreo
es slo uno de los elementos que componen el costo. Qu procedimiento es el ms
barato slo puede decidirse luego de haber considerado todos los factores. Esto se
ilustra en el ejemplo 14.3.
Ejemplo 14.3
Cualquiera de los planes de muestreo mostrados en la Tabla 14.3 dar una protec-
cin equivalente. Los costos se pueden clasificar del modo siguiente:
1. Gastos generales: Son independientes del tamao de la muestra. Incluyen el
costo de administracin y partes de los costos de registro y clculo. Para un
plan con ' conocida, el costo de mantener informacin actualizada con respec-
to al valor de ' ha de ser incluido. Esto se puede hacer utilizando un grfico de
control para intervalos.
2. Muestreo: Los mismos por unidad con independencia del plan que se use.
3. Inspeccin: Ser generalmente mucho ms cara por unidad la inspeccin por
variables, puesto que medir cuesta ms que tomar una decisin sobre atributos.
4. Clculo: Esto slo supone el costo insignificante de contar en un plan de
atributos, calcular una media en un plan de variables con ' conocida, y una
326 CONTROL DE CALIDAD
Asumamos los costos de la Tabla 14.4 para este ejemplo. Los costos por lote de los
tres planes son:
Atributos: C = 2,50 + (0,022)(100) = 54,70$
desconocida: C = 3,00 + (0,052)(50) = 5,60 $
' conocida: C = 4,00 + (0,0043)(20) = 4,86 $
Dadas las anteriores asunciones, el plan de atributos es el ms econmico.
U L
MSD
mx( K p ' k K p ' k )
2
La condicin mxima se alcanza cuando Pk = Pk
328 CONTROL DE CALIDAD
Ejemplo 14.4
Disee un plan de muestreo por variables que satisfaga los siguientes requisitos de
riesgo:
p1 = 0,01 = 0,05
p2 = 0,06 = 0,10
En la tabla normal Al, K = 1,65; K = 1,28; Kp1 = 2,33 y KP2 = 1,56. Por lo
tanto,
(1,65)(1,56) (1, 28)(2,33)
k 1,89
1,65 1, 28
2
(1,89) 2 2 1,65 1, 28
n 2,33 1,56 41
2
1 (1,89) 2
h 0, 263
41 2(41 1)
Se prepara una tabla para resolver los distintos valores de Pa asociados con los
valores de p usando la otra frmula de la curva OC (Tabla 14.5). Se puede construir
una curva OC usando la primera y la ltima columna. La Figura 14.3 es la curva OC
del plan n = 41, k = 1,89 construida a partir de las coordenadas de los valores de Pa
y p.
TABLA 14.5. Valores de Pa y p
X 1,89s d U y X 1,89s t L
o alternativamente
UX X L
t 1,89 y t 1,89
s s
PROCEDIMIENTOS DE ACEPTACIN POR CARACTERSTICAS VARIABLES 329
U L
MSD
2,18 2,18
Figura 14.3. Curva caracterstica operativa del plan de muestreo de variables n = 41, k = 1,89.
seleccione un plan de MIL-STD-414 o bien disee uno que satisfaga unas especificacio-
nes concretas sobre calidad deseada.
PROBLEMAS
INGENIERA DE CALIDAD
El diccionario define la Ingeniera como el arte o ciencia de la aplicacin
prctica de la ciencia pura. Si consideramos como ciencias puras la teora y
principios de Economa, Probabilidades y Estadstica, al igual que la Qumica,
la Fsica y la Biologa (y esto parece posible), podramos definir la Ingeniera de
Garanta de Calidad como la aplicacin conjunta de dichas ciencias para la
garanta y el control de la calidad.
El ingeniero de garanta de calidad, tambin denominado ingeniero de
control de calidad, es quien disea los planes, procedimientos y mtodos ade-
cuados para lograr la garanta de calidad deseada. Puede que1 no posea el
ttulo de ingeniero pero si realiza dichas funciones est actuando como tal. Por
tanto, nos referiremos siempre a dicha persona como ingeniero de calidad.
Cules son las funciones que desempea un ingeniero de calidad?2 Hablan-
do en trminos generales, cualquier funcin de calidad caracterizada por plani-
ficar o evaluar estara dentro de la competencia del Ingeniero de Calidad. Esto
significa que la realizacin fsica de las medidas, las pruebas y la obtencin
rutinaria de datos caen fuera de sus funciones. De igual manera, las decisiones
de gerencia con respecto a calidad tambin caen, generalmente, fuera de la
esfera de atribuciones del ingeniero de calidad. Es posible que sean delegados
1
Siempre que en este captulo o en cualquier otro utilicemos el artculo o pronombre el no
tratamos de indicar que se trate de un trabajo masculino. Quien realice este trabajo puede ser
hombre o mujer.
2
Al exponer dichas funciones, el coautor se ha basado en su propia experiencia, sirvindose
para complementarla de la filosofa y las prcticas de empresas como General Electric Company,
Bell Telephone Laboratories, as como de las del Ministerio de Defensa.
333
334 CONTROL DE CALIDAD
en l ciertos deberes decisorios, pero hay que hacer constar que se tratar de
delegaciones y no de deberes propios de su cargo. Una direccin eficiente
depender en gran manera de las recomendaciones del ingeniero de calidad y
as debe hacerse constar.
Las funciones de la ingeniera de calidad se pueden clasificar como dos
principales divididas, cada una de ellas, en varias subfunciones: 1) planificacin
para lograr calidad y fiabilidad, y 2) evaluacin de dichos factores.
La palabra fiabilidad se usa para definir la calidad de funcionamiento o de
resultados alcanzados por determinado producto durante cierto tiempo, distin-
guindola as de la calidad de concordancia de aqul, durante y despus de la
produccin. Las subfunciones se estudian en relacin a su importancia respecto
a la totalidad de la funcin de la ingeniera de calidad. Por ello, dedicamos ca-
ptulos independientes a estudios ms detallados de algunas de dichas subfuncio-
nes, en tanto que algunas se estudian dentro de ste. Conjuntamente con las tc-
nicas estudiadas en captulos anteriores, dotan al ingeniero de calidad de todo
aquello que necesita para realizar un diseo adecuado de la garanta de calidad.
cualquier otro medio que resulte aceptable. Debe mantenerse la unidad del lote
o partida mientras se pueda y habr que separar todos los materiales rechaza-
dos de aquellos que han sido aceptados.
10. Control de preservacin, embalajes y procesos de embalaje. No es raro
encontrar que en ciertos productos el costo de embalaje es mayor que el del
propio producto. Un embalaje mal realizado cuando el producto ha de enviarse
a otro sitio, o ha de almacenarse puede causar graves daos al producto o
hacer que ste se deteriore hasta el punto de resultar intil o por debajo de su
estndar. Con objeto de minimizar tales prdidas debe llevarse un control de
calidad sobre los materiales utilizados para embalaje, elementos de limpieza,
conservantes, material acolchado, deshidratantes, contenedores, adhesivos, etc.;
sobre el proceso de embalaje, funcionamiento, identificacin y marketing, y sobre
la carga para despacho.
En general, los atributos que el ingeniero industrial a cargo de calidad
busca por medio de la encuesta anterior a la decisin son los mismos que
persigue desesperadamente con su propio sistema de garanta de calidad.
Encuesta de calidad
El trmino garanta de calidad lo emple por primera vez Bell Telephone
Laboratories. BTL entendi que la encuesta de calidad (programa planifica-
do para una evaluacin verificadora de calidad y fiabilidad) era el elemento ms
importante de la garanta de calidad3. La encuesta de calidad utilizada por
3
E. G. D. Paterson: An Over-All Quality Assurance Plan, Industrial Quality Control, mayo
de 1956, pg. 34.
DISEO DE LA GARANTA DE CALIDAD 339
4
B. L. Hansen.
5
E. G. D. Paterson: The Role of Quality Assurance in Product Reliability, Industrial
Quality Control, agosto de 1960, pg. 19. Impreso con autorizacin.
340 CONTROL DE CALIDAD
6
Paterson, obra citada.
7
Paterson, obra citada.
DISEO DE LA GARANTA DE CALIDAD 341
blecidos por las especificaciones. Dado que tal equipo est sujeto a los
efectos de su uso y consiguiente constante deterioro, es esencial establecer
y mantener un sistema para el control de herramientas y calibradores con obje-
to de garantizar la calidad estndar exigida a dicho producto. El equipo debe
ser revisado por medio de un equipo de medida adecuado y en perodos de-
terminados para garantizar su continua precisin. Deben llevarse registros
u otras pruebas concluyentes que garanticen que se lleva a cabo el control
adecuado.
Entendemos por herramientas y calibradores lo siguiente:
Calibradores y equipo de pruebas: Instrumentos de medicin y calibrado,
calibres maestros, plantillas, contadores, y todos los aparatos mecnicos, pti-
cos, elctricos y electrnicos utilizados para establecer que una parte, compo-
nente o conjunto es conforme con los requisitos especificados.
Herramientas: Plantillas, accesorios y otros aparatos utilizados en los pro-
cesos de fabricacin para garantizar la uniformidad y la posibilidad de inter-
cambio tanto del producto final como de sus componentes.
Herramientas utilizadas como medio para la inspeccin: Aparatos utilizados
en fabricacin, proyectos y construidos de modo que establezcan y controlen
las caractersticas dimensionales del producto sin el beneficio de inspeccin
de las partes. El procedimiento normal para garantizar que una parte es
conforme con los requisitos especificados es el uso de equipo de medida o
calibrado. En algunos casos, como en el de conjuntos complejos, no es posible
ni econmico seguir este procedimiento. En consecuencia, la herramienta, en
virtud de sus caractersticas de proyecto, fija y controla los elementos dimensio-
nales de dicha parte y, como tal, sirve de medio de inspeccin.
Para determinar qu calibres y herramientas sern necesarios, as como
para establecer controles satisfactorios, debern analizarse por completo tanto
el producto como los distintos procesos de fabricacin, inspeccin y prueba
mediante los cuales van avanzando los varios componentes del producto. Esto
se logra, en primer lugar, revisando todos los documentos por los que tales
procesos se rigen, las especificaciones y los requisitos impuestos por el departa-
mento de Ingeniera para, luego, determinar el tipo, la cantidad, las caractersti-
cas funcionales y los puntos importantes de control de las partes y los conjun-
tos. A continuacin, deben analizarse todas las fases de la tcnica instrumental,
incluyendo la planificacin, procesado, secuencia operativa, mtodo de fabrica-
cin, con objeto de determinar la cantidad de control necesaria y los tipos de
herramientas y calibres precisos para garantizar la precisin final del producto.
El ingeniero encargado de la calidad debe mantener, a partir de ese momento,
una vigilancia continua del sistema de control de herramientas y calibres para
asegurarse de que se logren los objetivos propuestos.
La identificacin de cada una de las herramientas, calibres y elementos del
equipo de pruebas es esencial para un programa idneo de control de herra-
mientas y calibres. El sistema utilizado, ya sea el de nmeros de serie, smbolos,
fechas, sellos, etc., debe reflejar informacin como el nombre del equipo, el tipo,
tamao, inspeccin inicial aprobada (si es de aplicacin) y ltimos cambios
tcnicos. Esta informacin es fundamental para solicitar y enviar los aparatos
344 CONTROL DE CALIDAD
11
MIL-STD-120: Gage Inspection, 12 de diciembre de 1950, pg. 76.
DISEO DE LA GARANTA DE CALIDAD 347
12
Clifford A. Wallace, The Gage Laboratory, Its Equipment and Function, Industrial
Quality Control, enero de 1954, pgs. 46-50.
348 CONTROL DE CALIDAD
PROBLEMAS
15.1. Sera apropiado decir que una de las grandes diferencias que existen entre el
control de calidad actual y el de hace cuarenta aos radica en la amplitud de la
funcin de planificacin? Exponer las razones.
15.2. Desarrollar una especificacin de trabajo para un ingeniero de control de cali-
dad que incluya estudios, experiencia, y caractersticas personales.
15.3. Proyectar una hoja de verificacin de una encuesta de calidad.
DISEO DE LA GARANTA DE CALIDAD 349
15.4. Disear un plan factible de muestreo por atributos para la aceptacin y control
de calibres. Deber incluirse una especificacin acerca de los tipos de defectos,
niveles de calidad aceptable, tipos y cantidad de muestreo (si fuera preciso), etc.
El problema ser asignado a varios grupos, que deben presentarlo para discutir-
lo y realizar una crtica de las soluciones presentadas
16
de la calidad del producto. Lo que quiere decir que debe considerarse en dicho
artculo desde el punto de vista de las economas de costo en la calidad total que
se podrn alcanzar si se realiza la inversin en planificacin y medida de la
calidad de dicho artculo.
Los costos de calidad ms importantes en los que se pueden realizar econo-
mas son los de fallos, a los que nos referimos con mayor detalle en el Captulo
17. Si el ingeniero de calidad se encuentra en una situacin que le obliga a
empezar desde el principio, quiz lo mejor que puede hacer es realizar un
estudio de distribucin de costes de calidad por lneas de productos. Para
concluir dicho estudio necesitar datos sobre costos de fallos de calidad. La
experiencia demuestra que muchas empresas archivan datos de inspeccin
relacionados con mediciones de calidad. Desgraciadamente, en numerosos ca-
sos dichos datos pasan a los archivos sin haber sido estudiados adecuadamente.
Incluso de ser as, se podr disponer de ellos para anlisis histricos. Es muy
raro que se recojan datos sobre los componentes de los costos de los fallos de
calidad. A veces es necesaria una aproximacin a los mismos, de forma que si
no existen datos, la mejor alternativa es constituir un comit, integrado por
miembros de todos los departamentos afectados, para establecer estimaciones
aceptadas por todos ellos sobre los costos de fallos de calidad para cada
artculo.
Los costos de calidad de cada artculo se disponen en orden descendente, de
mayor a menor. Suponiendo, por el momento, que la inversin en planificacin
y medida de calidad es la misma para todos los artculos, los mayores benefi-
cios vendrn de las inversiones en garanta de calidad de artculos que figuren
en cabeza de la lista. Este impuesto no est totalmente justificado, pero sirve
para ilustra un principio y nos proporciona un punto de partida conveniente.
La Figura 16.1 sirve de ejemplo de dicha clasificacin de datos en forma
grfica y tabular. Es evidente que se trata de una aplicacin del principio de
Pareto a los costos de fallos1. El eje de las abscisas puede representar la
caracterstica objeto de inspeccin, centro de costo, departamento o cualquier
otra variable que se desee. El eje de las ordenadas puede representar el costo
total que puede evitarse o cualquier combinacin de los costos de desechos,
reparaciones, repeticin de trabajos, devoluciones, investigaciones, etc. Para
dichos datos se trazan lneas arbitrarias de divisin de la forma que muestra la
figura y los artculos caen dentro de los grupos I, II o III. Si todo lo dems se
mantiene igual, los mayores beneficios sobre la inversin se obtendrn por
medio de un preciso plan de garanta de calidad acompaado de medidas de
calidad en los artculos del grupo I. Los costos de fallo por artculo del grupo I
representan un 72 por 100 de los costos totales, aunque slo el 25 por 100 de
los artculos caen dentro de este grupo. En el extremo contrario, artculos del
grupo III; dichos artculos representan el 45 por 100 de las lneas de productos,
pero slo un 7 por 100 de los costos de fallo. La inversin destinada a
1
Es una forma de la curva de Lorenz a la que popularmente se designa como principio de
Pareto. Vase M. O. Lorenz: Methods for Measuring the Concentration of Wealth, American
Statistical Association, vol. 9 (1904-1905), pgs. 209-219; y Vilfredo Pareto: Manuale a"Economa
Poltica, 1906.
MTODOS Y NORMAS DE GARANTA DE CALIDAD 353
Figura 16.3. Esquema del cilindro enroscable, componente 73-2-268C4 del fusi-
ble M48A3. (Cortesa del Ordnance Corps, Department of the Army, esquema
73-2-268, ECO18498, 1 de agosto de 1952.)
MTODOS Y NORMAS DE GARANTA DE CALIDAD 357
el registro de los datos sobre calidad en tarjetas que luego se procesan por
medio de mquinas elctricas de contabilidad no slo simplifica el trabajo
administrativo de calcular los demritos medios por unidad, sino que, al
mismo tiempo, posibilita la realizacin de anlisis detallados que indican
dnde se necesita con mayor urgencia algn tipo de medidas correctoras.
Las tarjetas se pueden clasificar por el nmero del defecto y es posible
prepararse un informe que muestre la frecuencia con que se presentan cada
defecto y los problemas particulares que stos originan. Los elementos que
exijan atencin se pueden determinar inmediatamente con un simple vista-
zo al informe. Parte de un informe por nmero del defecto aparece en la
Figura 16.8 2.
Cdigos de problemas
01 Reducido/molido
02 Pegajoso/ligado
03 Desmontado
04 Puesta a punto
05 Incompleto/abierto
06 Gastado
07 Acabado de la superf.
08 Daado
09 Incorrecto/perdido
10 Ajuste
20 Alineamiento
30 Torcido/combado
40 Roto
50 Reventado/quemado
60 Sucio/oxidado
70 Seco
80 Con fugas
90 Suelto
2
Paul A. Robert y Michael C. Bugonian: Quality Control of Complex Assemblies, Indus-
trial Quality Control, noviembre de 1956, pg. 9.
364 CONTROL DE CALIDAD
MTODOS Y NORMAS DE GARANTA DE CALIDAD 365
Mayor
1. Defectos que exigen para su correccin aparatos, herramientas o medi-
dores que no figuran dentro de un juego de herramientas casero.
2. Defectos que exigen separar o desmontar una unidad para hacer correc-
ciones sobre ellas (unidades tales como contadores, proyectadas para
desmontarlas con facilidad no se incluyen entre stos).
3. Malas conexiones elctricas o contactos elctricos que no es posible
identificar por medios visuales nicamente.
4. Peligros para la seguridad que exigen precauciones fuera de lo comn.
5. Problemas que exigen reemplazar piezas que no suele tener disponibles
el ingeniero.
6. Condiciones que, si no se atienden debidamente, pueden dar lugar,
dentro de un perodo mximo de noventa das, a defectos de los enume-
rados en los nmeros 1, 2, 4 5 de esta clasificacin.
Menor A:
1. Defectos que requieren accin correctora que se puede prestar con
ayuda de herramientas tcnicas sin que haya que desmontar o separar
nada de una unidad principal.
2. Peligros potenciales contra la seguridad que pueden dar lugar a peque-
as heridas al operario.
3. Defectos, que, de no prestrseles la debida atencin, pueden provocar
los del tipo nmero 1 de esta clasificacin en un plazo de noventa das.
Menor B:
1. Defectos que no afectan a la operacin de la mquina pero que, de no
prestrseles la debida atencin, pueden producir una avera en la m-
quina.
2. Pequeas imperfecciones en el aspecto de la mquina, no suficiente-
mente graves como para crear insatisfaccin en el cliente.
Debe observarse que esta empresa ha establecido sus propias definiciones
en su clasificacin. As debe ser. Otro de los trabajos que debe realizar el
ingeniero encargado de la calidad es plasmar explcitamente las definiciones de
cada grupo, de forma que reflejen las caractersticas que convierten en crtico a
un defecto, o lo hacen mayor, menor A o B, y habr de hacerlo de modo que las
dudas sean mnimas cuando haya que decidir a qu grupo pertenece un defecto.
366 CONTROL DE CALIDAD
CLASIFICACIN DE DEMRITOS 3
3
H. F. Dodge y M. N. Torrey: A Check Inspection and Demerit Rating Plan, Industrial
Quality Control, julio de 1956, pg. 8.
368 CONTROL DE CALIDAD
4
Esta seccin est basada en un trabajo de Robert Chateauneuf: Modern Q. C. Pays Off in
Woodwork, Industrial Quality Control, septiembre de 1960, pg. 23.
MTODOS Y NORMAS DE GARANTA DE CALIDAD 369
5
Automative Key Inspector Memorandum, 5-54: Preparation of Tank Automotive Inspec-
tion Plans, Ordnance Corps, Detroit Arsenal, 6 de mayo de 1954.
370 CONTROL DE CALIDAD
salidas
Productividad=
insumos
Esta relacin es similar al concepto de eficiencia manejado en ingeniera. El
concepto de productividad est estrechamente relacionado con el de calidad.
El primero describe las caractersticas cuantitativas de las salidas, en tanto que
el otro describe la calidad. Resulta claro que los objetivos gemelos de aumento
de la productividad y mejora de la calidad son interdependientes: no se puede
lograr uno sin el otro.
La importancia del aumento de la productividad la ilustra claramente la
aparicin de Japn como potencia industrial. Durante el perodo entre 1966 y
1980, Japn obtuvo un fenomenal incremento en su productividad, mientras
que la de las potencias industriales occidentales, especialmente la de Estados
Unidos, se hallaba estancada. Como consecuencia de este aumento en su
productividad, la industria japonesa logr una fuerte posicin competitiva en
los mercados mundiales que inclua todo tipo de productos manufacturados,
desde los de alta tecnologa (calculadoras, aparatos de televisin, robots indus-
triales) hasta otros de corte ms tradicional como automviles, acero y as-
tilleros.
La industria, como el gobierno de Estados Unidos, han reconocido con
cierto retraso que el aumento de productividad y la mejora de calidad son
factores crticos para garantizar la supervivencia en los cada vez ms competi-
tivos mercados mundiales. Para luchar contra el desafo japons, las principales
371
372 CONTROL DE CALIDAD
A, B,
Primer trimestre Segundo trimestre
(%) (%)
Categora:
Prevencin. 5,0 10,4
Evaluacin. 16,2 32,0
Fallos. 16,2 32,0
78,0 57,6
100,0 100,0
Relacin de los costos de calidad con:
Valor aportado. 11,2 9,2
Ventas netas facturadas. 9,3 6,3
Mano de obra de la operacin. 124,0 86,0
2
Paul E. Alien: Evaluating Inspection Costs, 1959, Convention Transactions, American
Society for Quality Control, pgs. 586 a 590.
376 CONTROL DE CALIDAD
3
Paul E. Alien, artculo citado.
CALIDAD, PRODUCTIVIDAD Y ECONOMA 377
Fuente: Paul E. Alien, Evaluating Inspection Costs, 1959 Convention Transaction, American Society for Quality
Control. Reproducido con autorizacin.
ley. Las observaciones comunes indican que alrededor del 10 por 100 de los
elementos contribuyen hasta en un 80 por 100 a las prdidas de calidad.
Adentrndonos ms dentro de ese grupo, uno menor, de cerca del 1 por 100,
ser responsable de hasta un 60 por 100 de las prdidas de calidad. Esto limita
enormemente el alcance de la aplicacin productiva del control de costos y
garantiza los mximos beneficios sobre la inversin.
Las tcnicas de optimacin econmica pueden aplicarse identificando las
reas que necesitan accin correctora. Se han citado algunos ejemplos de
optimacin econmica en captulos anteriores. En las secciones siguientes se
estudian dos nuevos ejemplos de optimacin econmica: uno trata de la elec-
cin de un plan de muestreo idneo, el otro considera la posibilidad de errores
en la inspeccin.
4
John W. Enell: Which Sampling Plan Should I Choose?, Industrial Quality Control, vol.
10, nm. 6, mayo de 1954, pg. 96.
CALIDAD, PRODUCTIVIDAD Y ECONOMA 379
Figura 17.1. Curva de costo unitario. (Tomado de John W. Enell: Which Sam-
pling Plan Should I Choose?, Industrial Quality Control, vol. 10, nm. 6, mayo de
1954. Reproducido con autorizacin).
I
A = R = C +
p
Este es el punto de equilibrio y se llama pb, esto es
I
pb
AC
Los lotes con un porcentaje de elementos defectuosos peor que el 1 por 100
deben ser rechazados y clasificados. Si el porcentaje es mejor que el 1 por 100,
los lotes deben ser aceptados tal cual.
Ahora hay que ponerse a trabajar en la seleccin de plan de muestreo
econmico sirvindose de la frmula, que se aplica as: supongamos que los
lotes llegan en cantidades de 15.000 cada uno. Para inspeccin normal, MIL-
STD-1055 especifica la letra-cdigo N para este tamao de lote. La Figura 17.2
muestra las curvas caractersticas operativas de los diversos planes de la letra
N. Usando el punto de probabilidad indiferente de la curva (50 por 100 de
5
Es una versin anterior del estndar militar ligeramente diferente de MIL-STD-105D.
380 CONTROL DE CALIDAD
Figura 17.2. Curva caracterstica operativa para planes de muestreo nico, letra-
cdigo N. (Tomado de MIL-STD-105.)
1:900 0,015
1:400 0,035
1:300 0,065
1:200 0,10
1:90 0,25
1:65 0,40
1:50 0,40-0,65
1:33 0,65-1
1:25 1-1,5
1:20 1,5-2,5
1:12 2,5-4
1:09 4-6,5
6
Obra citada, pg. 100.
7
Para dos tratamientos de la teora de los juegos vase J. von Neumann y O. Morgenstern,
Theory of Games and Economic Behavior (Princeton, N. J.: Priceton University Press, 1944), y J.
D. Williams: The Compleat Strategist (Nueva York: McGraw-Hill Book Company, 1954). La
ltima est escrita en estilo divulgativo y va dirigida al lector no tcnico.
382 CONTROL DE CALIDAD
dlar y un costo de 5,00 dlares para cada unidad defectuosa que se pase a
produccin. Si el inspector inspecciona una unidad y la encuentra aceptable, el
costo es de 1,00 dlar (que se indica como 1,00 dlar). Si no inspecciona la
unidad y es una unidad buena, el costo de cero dlares. Si inspecciona una
unidad defectuosa, los ahorros son de 4,00 dlares (5,00 dlares 1,00 dlar
= 4,00 dlares). Si no inspecciona una unidad que es defectuosa, el costo es
5,00 dlares. Pueden calcularse las probabilidades y los beneficios en esta
matriz, aunque no sera muy realista ya que las probabilidades de seleccionar
un elemento defectuoso rara vez son del 50 por 100. En una situacin de
fabricacin tpica un 2 por 100 sera algo mucho ms prximo a tal probabili-
dad. La Tabla 17.9 muestra la matriz de probabilidad 0,98 aplicada a los
valores de la columna de unidades buenas y la de 0,02 aplicada a los de la
columna de unidades defectuosas. Las probabilidades de la matriz de la Tabla
17.9 se calculan restando el valor que figura a la derecha del que figura a la
izquierda en ambas filas, prescindiendo del signo y trasponiendo las cifras. Por
tanto, si el proceso de produccin est originando un 2 por 100 de unidades
defectuosas, el inspector minimizar sus prdidas mximas si inspecciona
aproximadamente una de cada once de forma aleatoria. El valor del juego se
calcula aplicando las probabilidades a cualquiera de las variables (buena o
defectuosa). La respuesta debe ser la misma en ambos casos. As:
(0,10)(0,98) (1,06)(0)
0,08
0,10 1,06
Esto significa que la prdida media con este plan ser de 0,08 centavos por
unidad, pero es el costo menor de todas las otras posibilidades de inspeccin.
(1) (2)
Unidad buena Unidad defectuosa
(1) (2)
Aceptar el lote Rechazar el lote
0,97 0,03
Presentar un lote
un 1 por 100 defectuoso -1,50 $ -205,00$
0,30 0,70
Presentar un lote
un 4 por 100 defectuoso -6,00$ -265,00 $
384 CONTROL DE CALIDAD
Prescindir
(1) (2)
(1) - (2) del signo
Aceptar lote Rechazar lote
y trasponer
Presentar lotes con
1 por 100 de
elementos defectuosos -1,45 $ -6,15 $ + 4,70 $ 183,70 $
Presentar lotes con
1 por 100 de
elementos defectuosos -1,80 $ -185,50 $ + 183,70$ 4,70$
18
1
Chester I. Barnard: Functions of an Executive (Cambridge Massachusetts: Harvard Univer-
sity Press, 1938).
2
Y. K. Shetty y V. M. Beuhler: Some Guidelines for Improving Quality and Productivity,
captulo 21 de la obra de Y. K. Shetty y V. M. Beuhler (eds.): Quality and Productivity Improve-
ments (Chicago: Manufacturing Productivity Center, 1983).
ORGANIZACIN PARA LOGRAR CALIDAD Y PRODUCTIVIDAD 387
blemas que surgen cada da (y a veces cada hora), como problemas de calenda-
rio, asignacin de trabajos, y produccin de bienes y servicios. Entre ambos
grupos existen diversos niveles a los que se suele aplicar la denominacin
genrica de mandos intermedios. Este grupo se ocupa del adecuado funciona-
miento de la empresa y se enfrenta a los problemas de crear e implementar su
poltica. Lo que en realidad realizan es un trabajo similar al de un director-
propietario de una pequea empresa, aunque carecen de los derechos que
proporciona la propiedad y de la autoridad que permite controlar en la forma
que aqul lo hace. Las personas que se hallan en estos niveles intermedios estn
en la tierra de nadie de la direccin. Supervisan a los supervisores. Ni estn
prximos a los trabajadores desde el punto de vista tecnolgico ni desde el
social; ni tampoco a la alta direccin de la empresa.
inspector para ese puesto de trabajo. En el extremo opuesto estn los deberes
no asignados a nadie de un modo especfico. Estas responsabilidades no defini-
das, pero bsicas para que cualquier operacin se lleve a cabo con pleno xito,
producen frustracin en quienes quieren que se realice un trabajo y no logran
encontrar quien se supone que debe realizarlo. Este es el tipo de responsabilida-
des que es muy probable que asuman los constructores de imperios, ansiosos
de destacar la importancia de los servicios de sus unidades organizativas. Las
responsabilidades, as, acaban siendo departamentos que no fueron original-
mente pensados para asumirlas. Esto provoca en muchos casos problemas,
tanto dentro de la organizacin como de tipo personal.
El que debe utilizarse a la hora de delegar responsabilidades es el principio
de excepcionalidad. Slo deben delegarse en los subordinados los trabajos de
rutina, en tanto que los de carcter excepcional debe asumirlos el superior. La
palabra excepcional no se refiere necesariamente al carcter tcnico del trabajo,
ya que los de esta naturaleza sern asignados, probablemente, a personal
tcnico especializado. Se aplica al trabajo de carcter general por el que el
superior recibe su salario. No se puede delegar caprichosamente. La delegacin,
como cualquier otra operacin de direccin, debe ser planificada adecuada-
mente.
La Tabla 18.1 es una descomposicin del tiempo de supervisin. El concep-
to de deberes normales depende del nivel de direccin. Los deberes normales de
los ejecutivos inferiores se circunscriben a las reas de relaciones humanas y
mtodos de trabajo. Los de los ejecutivos medios se centran en la integracin
de los recursos: hombres, materiales y equipos. Los de los altos ejecutivos son
de carcter estratgico y versan sobre la elaboracin de la poltica general de la
empresa.
La funcionalidad acarrea otros problemas. Las razones de la funcionalidad
son de carcter econmico, pero los problemas de relaciones humanas a que
puede dar lugar quiz la tornen en antieconmica. Tradicionalmente, la parte
de una empresa de fabricacin que produce el artculo que va a ser distribuido
se llama organizacin de Produccin. Pueden constituirse grupos de especialis-
tas, que reciben el nombre de personal administrativo, como Personal, Com-
pras y Control de Calidad para apoyar a Produccin. Un especialista dentro de
este grupo es aquella persona cuyo trabajo normal se concentra en una peque-
a, aunque importante, parcela de la actividad empresarial. Es responsable de
proporcionar apoyo tcnico en temas que estn dentro de su especialidad. El
supervisor de seccin es, o debera ser, un especialista en el manejo de personal.
Los ejecutivos medios y los directores de departamento son especialistas en
coordinar recursos de equipos, materiales y mano de obra. Cuanto ms se
asciende por la escala ejecutiva, ms generalizado se vuelven su trabajo y sus
responsabilidades. Por fin, en la parte superior de la pirmide administrativa, la
persona que detenta el puesto se convierte en una cosa rara: un especialista en
generalizacin.
La mayora de las unidades dentro de una organizacin tienen funciones de
lnea (o de produccin) y funciones asesoras. Si se define una funcin de lnea
como aquella que produce el artculo final para su distribucin y la funcin
asesora como una de apoyo tcnico, cualquiera de las clasificaciones que
aparecen en la Tabla 18.2 seria verdadera. Se ve que no existe una funcin que
390 CONTROL DE CALIDAD
los casos lo har o se tendr que llegar a la conclusin de que alguno de los dos
no cumple adecuadamente con su trabajo.
El personal encargado de servicios presta, como su nombre indica, un servi-
cio a produccin y a otros asesores. Las oficinas de copias y reproduccin son
los ejemplos clsicos de personal a cargo de servicios. Compras, mantenimien-
to, limpieza son otros ejemplos de personal de servicios. En realidad, el perso-
nal de servicios y el de control tienen funciones que a veces se solapan.
Debido al sistema organizativo, muchos de los conflictos de relaciones
humanas se pueden reducir a conflictos entre direccin de produccin y perso-
nal de control. La direccin de Produccin significa, para nosotros, cualquier
actividad de direccin que tenga relaciones con un grupo de personal de
control. Ejemplos de grupos de personal de control son: control de produc-
cin, control de calidad, control de existencias, administracin y control de
sueldos y salarios, ingeniera industrial, y contabilidad de costos.
El control supone autoridad. No obstante, la autoridad es una de las
responsabilidades lineales. Por tanto, el personal de control tiene una posicin
sui generis ya que controla indirectamente a la lnea a travs de la cadena de
autoridad. En general, la autoridad viene de arriba abajo dentro del departa-
mento y nunca lateralmente entre departamento. As pues, en la cadena pira-
midal que aqu representamos, E nunca debera ordenar (o controlar) a O,
ni O a E.
A
B L
C M
D N
E O
Pero si E es un grupo asesor de control, no tiene sentido que cada medida
de control propuesta tenga que subir la pirmide en el sentido DCBA y bajar
LMNO. Nunca se conseguira que las cosas se realizaran. Por tanto, gracias a
unas relaciones de trabajo idneas entre D y N, E y O, la consecuencia es que
la medida de control propuesta por E es equivalente a una orden que bajara
desde A. En el ejrcito esto se realiza firmando por el oficial al mando. Para
una relacin lateral de trabajo efectiva dentro de la organizacin industrial es
necesario el respeto mutuo. La carga recae sobre el miembro del personal
asesor. El es quien debe ganarse el respeto del director de lnea.
Hay formas en que la organizacin matriz puede ayudar a lograr esta
relacin laboral. En primer lugar, un requisito previo para desempear un
trabajo asesor puede ser la experiencia en produccin. Si no es posible, el
especialista asesor puede obtener tal experiencia mediante un aprendizaje como
adjunto al director de produccin. En segundo lugar, se puede enviar a dicha
persona a seminarios y conferencias de preparacin con el director de produc-
cin para forzarle a ver ambas caras de la moneda. En tercer lugar, puede
actuar como miembro de un equipo de trabajo o en un centro de trabajo
dirigido por el director de produccin.
Hay ciertas caractersticas fundamentales que distinguen a un miembro
eficiente del personal asesor. En primer lugar, utiliza la persuasin y es partida-
392 CONTROL DE CALIDAD
Tipo Caractersticas
1 No hay organizacin de control de calidad ni de inspeccin; el operario verifica
controles de calidad; el supervisor tiene la autoridad final.
2 Organizacin definida de inspeccin con una jerarqua de inspeccin; informes
al supervisor de Produccin; responsable de la calidad; el supervisor de
Produccin tiene la autoridad final.
3 Organizacin de control de calidad al nivel de la organizacin de produccin; el
control de calidad representa al comprador y realiza toda la planificacin de
calidad; la calidad dentro del proceso es responsabilidad de la fbrica.
4 El control de calidad es autnomo en todos los temas de calidad; realiza la
inspeccin dentro del proceso.
4
A. V. Feigenbaum, New Approach to Quality Control, Factory, marzo de 1957, pgi-
nas 12 a 16.
ORGANIZACIN PARA LOGRAR CALIDAD Y PRODUCTIVIDAD 397
los del grupo de control que realicen una presentacin formal de sus ideas por
medios de una propuesta de proyecto.
5
Orjan Alexanderson, Productivity Innovations in Sweden, recogido en el Captulo 11 de
Las mejoras en calidad y productividad, por Y. K. Shetty y V. M. Beuhler (Chicago: Manufactu-
ring Productivity Center, 1983).
400 CONTROL DE CALIDAD
Presentacin de recomendaciones
Ejercicio 1:
Los miembros se agrupan segn lo dispuesto.
Cada uno de los participantes debe presentar a su socio al grupo, mencionando lo
siguiente:
1. Su nombre, puesto de trabajo y una breve descripcin del mismo.
2. Un breve resumen de su historial en el puesto de trabajo.
Tiempo: diez minutos para la entrevista; dos a tres minutos para la presentacin.
Ejercicio 2:
Los participantes se agrupan segn lo dispuesto.
Dichos grupos hacen una lista con las reas en que no estn de acuerdo, aqullas que
provocan conflictos entre ellos mismos y que piensan que afectan negativamente a la pro-
ductividad. Realizan una lista por orden de importancia aproximada y sugieren mtodos para
resolver dichos problemas.
Tiempo: quince a veinte minutos para entrevistas y exposiciones; diez minutos para la
presentacin (para redactar la lista y describir el tipo de desacuerdo conflictivo).
Ejercicio 3:
Los participantes se agrupan segn lo dispuesto.
Cada grupo debe hacer una lista con el mayor nmero posible de los problemas que creen
que existen en su fbrica. Dicha lista ir redactada por orden de importancia.
Tiempo: quince a veinte minutos para redactar la lista de problemas; diez minutos para la
presentacin.
Ejercicio 4:
Se rene todo el grupo de participantes.
Clasificacin, eliminacin y ampliacin de la lista de problemas.
Tiempo: treinta minutos.
Ejercicio 5:
Los miembros se agrupan de la forma prescrita. Debe haber ejemplares de la lista de
problemas disponibles para cada miembro.
Preparar dos listas clasificadas:
1. Desde el punto de vista de la utilidad para la empresa.
2. Segn lo fcil que resulte solucionarlos.
Tiempo: quince minutos para discusin; cinco minutos para presentacin de las clasifica-
ciones.
Ejercicio 6:
Se rene todo el grupo.
Disponen de la clasificacin de problema aceptada.
Seleccionan dos problemas para investigarlos.
Tiempo: veinte minutos.
Ejercicios 7 y 8:
Los miembros se renen de acuerdo con lo dispuesto. El mismo grupo realiza ambos
ejercicios. Cada uno de los ejercicios se ocupa de uno de los problemas seleccionados en el
ejercicio 6.
El equipo genera ideas para la solucin del problema que se analiza. Los descubrimientos
de cada grupo con relacin a cada uno de los problemas sern presentados por diferentes
miembros de dicho equipo.
Tiempo: quince minutos para discusin y presentacin de ideas dentro del equipo; cinco
minutos para la presentacin; quince minutos para un resumen por el grupo.
SISTEMA KANBAN
Un kanban es una tarjeta o etiqueta que se fija al producto y que se utiliza
para facilitar el movimiento adecuado de dicho producto. El movimiento puede
producirse dentro de una misma fbrica o entre fbricas. Un sistema kanban es
un sistema de control de existencias y produccin que utiliza kanbanes como
principal dispositivo de transmisin de informacin. Hay dos ventajas funda-
mentales en el uso de kanbanes: primero, se reduce el nivel de existencia dentro
del proceso y, segundo, el departamento de Produccin puede responder de
forma muy rpida ante cambios en la programacin de produccin.
Procedimientos operativos
cin sintonizados y seguros facilitan el lograr una mejor calidad del producto.
En un proceso de produccin bien llevado esto se logra por medio de una serie
de factores complicados pero importantes. Algunos de ellos los citamos a
continuacin.
Como quiera que los materiales del punto de trabajo anterior son retirados
en cantidades muy pequeas, el horizonte de produccin es limitado y el
proceso de produccin est perfectamente sintonizado. Cualquier desviacin de
la norma, sea en el material de entrada o en el mismo proceso, se observar de
inmediato. Ms an, cada vez que se carga o se deposita un lote kanban en una
caja, hay una inspeccin visual de todos sus elementos. Aunque esto seria lo
natural para la gran mayora de los obreros especializados hay muchas empre-
sas que lo institucionalizan como proceso formal dentro del trabajo. Dicha
inspeccin visual no es suficiente como medida y prueba pero sirve, general-
mente, para detectar muchos tipos de defectos aparentes. Esta inspeccin visual
se realiza siempre entre dos puntos de trabajo: uno anterior y otro posterior. La
persona a cargo del transporte es responsable de comparar la informacin de
los kanbanes de retirada y produccin cuando retira unidades. Esto elimina
posibles errores de envo de elementos no adecuados para los posteriores
procesos. La aportacin de mayor importancia en el tema de calidad viene
dada por el ritmo constante de produccin. Cuando no hay prisas ni retra-
sos, el operario puede concentrarse en el mejor modo de producir unidades. Y,
naturalmente, la produccin se ve ms libre de defectos y es de calidad ms
pareja e incluso superior.
19
Fiabilidad1
1
Reconociendo la complejidad del control de aceptacin y del control de procesos basados
en la fiabilidad, este captulo se detiene ms en la creacin y desarrollo de frmulas y planes de
pruebas. Se recomienda al lector que lea este captulo relacionndolo con el Captulo 2.
2
Informe AGREE, Reliability of Military Electronic Equipment (Washington D. C: Natio-
nal Technical Information Service, junio de 1957).
415
416 CONTROL DE CALIDAD
Causa Porcentaje
o fuente de problemas
Ingeniera
Elctrica 30
Mecnica 10
Trabajo de campo 30
Produccin 20
Otros 10
Puede all observarse que las causas de esta falta de fiabilidad se distribuyen
entre diferentes funciones, as como que el proyecto de ingeniera es la causa
fundamental de problemas. La consecuencia lgica sera que habra que distri-
buir el esfuerzo de control de la fiabilidad teniendo muy en cuenta la distribu-
cin de problemas all presentada.
Entonces,
1
F(t) = 0 f (t )dt
= probabilidad de fallo antes de o en el momento t
R(t) = 1 - F(t)
n = nmero de fallos en el intervalo entre t y t + t
= nmero de unidades funcionando en el momento t x tasa
de fallos x t
= R(t)h(t) t
No obstante, n tambin viene dado por la distribucin de probabilidad de
fallos, como
n = f(t) x t
Por tanto,
h(t)R(t) = f(t)
o, alternativamente,
f (t )
h(t) =
1 F (t )
Figura 19.1. Tasas tpicas de fallos para un producto complejo. (No figuran a
escala.)
418 CONTROL DE CALIDAD
FIABILIDAD 419
mado) se caracteriza por una tasa decreciente de fallos por unidad de tiempo. La
fase siguiente se caracteriza por ser un perodo con una tasa relativamente
constante de fallos debidos al azar, que representa la vida efectiva del producto.
Viene despus la ltima fase, un perodo en el que se incrementa la tasa de
fallos, lo que indica el principio de los fallos debidos al desgaste del producto. A
los modelos de probabilidad para estas tres fases se los conoce comnmente
como DFR, CFR e IFR, respectivamente.
Se han realizado muchos trabajos sobre anlisis de distribuciones de fallos
en estos ltimos aos. La Figura 19.2 representa las formas de distribucin
aplicables durante las tres fases citadas. Puede generalizarse y afirmar que la
distribucin de las pruebas reales realizadas se aproximarn a una de las
distribuciones que se muestran en la Figura 19.2.
La Figura 19.2a muestra las posibles distribuciones de la fase de depura-
cin. Pueden utilizarse la distribucin gama o la de Weibull con parmetros de
contornos menores de uno para describir los fallos que se producen durante
esta fase. Toda vez que se trata de una fase no operacional no suele ser motivo
de estudio de fallos, al menos no en el sentido de fiabilidad.
La Figura 12.2b representa la fase de fallos debidos al azar. Para describir
esta fase pueden utilizarse la distribucin exponencial, la gamma o la de
Weinbull con parmetros de contornos de uno. Gran cantidad de estudios
sobre fiabilidad se ocupan de esta fase.
La Figura 19.2c es la fase de desgaste. La distribucin que suele aplicarse
normalmente aqu es la normal, aunque tambin pueden utilizarse la gamma y
la de Weinbull con parmetros de contorno mayores de uno. La similaridad
modal entre estas distribuciones es evidente y la verdad es que pueden usarse la
distribucin de Weinbull o la gamma en lugar de la normal. Por supuesto,
habr que buscar aquella distribucin que mejor describa los datos. Estas
distribuciones pueden aplicarse a aquellos casos en que el deterioro es la causa
del fallo y en que la vida media es grande respecto a la medida de dispersin.
Bombillas y tubos de nen son ejemplos de artculos que tienen tiempos de
fallo que siguen la distribucin normal.
Para crear un modelo matemtico para la probabilidad de fallo, considere-
mos el funcionamiento de un determinado elemento en el medio para l especi-
ficado. Definamos la variable aleatoria como el tiempo durante el que el
elemento funciona de forma satisfactoria, antes de que se produzca un fallo. La
probabilidad de que el elemento proporcione unos resultados satisfactorios en
el momento t puede definirse como fiabilidad:
En el lmite,
d
R (t )
h(t ) dt [19.4]
R (t )
f (t )
[19.5]
R (t )
t
R (t ) exp h( x) dx e H (t ) [19.6]
0
f
E(T) = MTTF = t f (t ) dt [19.7]
0
f
E(t) = MTTF = R (t ) dt [19.8]
0
FIABILIDAD 419
422 CONTROL DE CALIDAD
Las Figuras 19.3a y b sirven para ilustrar esta afirmacin de forma grfica. La
Figura 19.3a es una exponencial con una vida media igual a diez. La Figura
19.3b es una exponencial con una vida media igual a veinte. La forma familiar
de la exponencial se ve en ambos casos, pero a medida que crece, los valores
correspondientes del eje de las ordenadas disminuyen. Por ejemplo, suponga-
mos que un elemento con una vida media de diez horas se prueba durante
veinte horas. Cul es la probabilidad de que no ocurra un fallo? Esta probabi-
lidad viene dada por la altura de la ordenada de la Figura 19.3a en t = 20, que
es 0,135. Supongamos ahora que un cambio en el proyecto aument la vida
media a veinte horas. Cul es, ahora, la probabilidad de un fallo a las veinte
horas? La altura de la ordenada en veinte horas en la Figura 19.3b es 0,368, que
es la probabilidad de que no haya un fallo cuando la vida media es veinte. Esto
quiere decir que se ha mejorado la fiabilidad de tal elemento. En la prctica de
fiabilidad, la abscisa viene generalmente expresada como la relacin entre t y ,
FIABILIDAD 423
como en la Figura 19.3c. De este modo puede usarse la misma escala horizontal
en todos los casos.
f(t) = O e Ot = cuando t 0
= 0 cuando t < 0
t
F(t) = Oe
OI
dI 1 e Ot t 0 [19.10]
0
f (t ) O e Ot
h(t ) O t0 [19.12]
R(t ) e Ot
(1 e O ( t 't ) )
Pr(t d T d t 't | T ! t ) [19.14]
1 (1 e Ot )
e O t e O t O 't
1 e O 't
e Ot para un t finito
424 CONTROL DE CALIDAD
1 f 1 1
0 e O t d (O t ) e Ot t f
[19.15]
O
t 0
0 O O
Sea
1
= MTTF =
O
r = nmero de fallos hasta el tiempo t
3
Epstein B., Estimation of Life test Data. Transactions on Reliability, vol. RQC-9, 1960.
FIABILIDAD 425
En ese caso,
1
f(t) = O e Ot et /T [19.17]
T
Q
T [19.19]
r
Caso 2: Las unidades fallidas son sustituidas. Dado que toda unidad
fallida es sustituida en el momento en que falla, siempre hay n unidades
operando en todo momento.
Q = nt* [19.20]
Q
T [19.19]
r
Ejemplo 19.1
4
Q t
i 1
i (10 4)3.000 1.900 2.650 2.810
Q 28.180
T 7.045 horas
r 4
Ejemplo 19.2
Pueden aceptarse los componentes del ejemplo 19.1 si las especificaciones para los
mismos eran MTTF = 8.000 horas?
Aqu la hiptesis que hay que probar es
Ho: = 8.000
contra
H1: < 8.000
2rT 2Q 2 u 28.180
Estadstica de la prueba k = 7.045
T T 8.000
Figura 19.4. Zona de rechazo en nivel 5 por 100 para ji al cuadrado con 10 de
libertad.
FIABILIDAD 427
R (t ) 1 F (t ) eD t
E
tt0 [19.23]
f(t) = e -
3. Cuando 0 < < 1, h'(t) < 0. Esto supone que la tasa de riesgo decrece
a medida que pasa el tiempo.
4. Cuando > 1, h'(t) > 0. sto implica que la tasa de riesgo aumenta a
medida que pasa el tiempo.
Los modelos de fiabilidad bajo las condiciones 2, 3 y 4 se describen como
modelo de tasa constante de fallos (CFR), modelo de tasa decreciente de fallos
(DFR) y modelo de tasa creciente de fallos (IFR), respectivamente. En la Figura
19.1 puede verse que la fase de depuracin se puede describir como un modelo
DFR, la fase de fallos debidos al azar como un modelo CFR y la fase de
desgaste como un modelo IFR.
Aunque la densidad de fallos de Weinbull puede representar una amplia
variedad de casos, es muy difcil disear procedimientos de aceptacin basados
en la densidad de fallos de Weinbull dadas las dificultades para obtener valores
estimados para los parmetros.
LOGRO DE LA FIABILIDAD
Hay cinco reas fundamentales para lograr un producto fiable. Son el
proyecto de ingeniera, la produccin, medicin y prueba, mantenimiento y
trabajo de campo. A su vez, todas ellas podran clasificarse en distintas sub-
reas, aunque para una exposicin general es suficiente concentrarse en las cinco
reas citadas.
Ya se ha citado que el proyecto de ingeniera es la ms importante de las
cinco reas fundamentales y que el mayor porcentaje da causas de no fiabilidad
las provoca esta particular rea. E. G. D. Paterson dice al respecto:
A no ser por pura casualidad, ningn producto tendr una fiabilidad
mayor que la que le ha asignado el proyecto de ingeniera. Ni siquiera el
ingeniero sabe el grado de fiabilidad que ha logrado hasta que el producto
ha pasado por todas las fases de produccin y subsiguiente y significativa
utilizacin. El construye un modelo, o quiz varios, si tiene esa suerte.
Somete el modelo a pruebas, generalmente muy limitadas en cuanto a los
requisitos reales para su puesta en servicio, y a no ser que sea un genio o
que tenga una suerte extraordinaria, revisa su proyecto para corregir sus
deficiencias. Cuando ha repetido esta operacin hasta llegar a unos resulta-
dos que le satisfacen, inicia el paso siguiente, que es el ms crtico: trata de
definir su proyecto mediante palabras, lneas y cifras que sirvan para que
otra persona, carente de conocimientos sobre el proyecto, pueda reproducir
su prototipo en cantidades y condiciones comerciales. Si todos los requisi-
tos del proyecto han sido atendidos y el productor los sigue al pie de la
letra, el resultado final ser un producto cuya fiabilidad estaba en gran
parte prevista por los resultados obtenidos en una muestra muy pequea
de un modelo sometido a pruebas limitadas. Todas estas limitaciones
crticas me llevan a mirar con aprensin cualquier pronstico relativo a
fiabilidad que se presente como una promesa solemne5.
5
E. G. D. Paterson: The Role of Quality Assurance in Product Reliability, Industrial
Quality Control, agosto de 1960, pg. 24. Reproducido con autorizacin.
FIABILIDAD 429
Pese a lo dicho hay varios mtodos corrientes que se utilizan para lograr un
proyecto de ingeniera fiable. Antes de realizar tal proyecto para lograr fiabili-
dad, hay que establecer unas normas de fiabilidad, esto es, hay que establecer
unas marcas, unos puntos que describen la fiabilidad que se precisa. No tiene
sentido, desde el punto de vista econmico, proyectar un componente que dure
1.000 horas cuando otro del que aqul depende, posiblemente no pueda durar
ms de 10 horas. As que, en cierto sentido, las normas de fiabilidad de los
componentes dependen entre s y todas ellas dependen, a su vez, de los requisi-
tos de fiabilidad exigidos al producto final.
6
Richard M. Jacobs: The Compatibility of Value Engineering Analysis and Reliability,
Journal of Industrial Engineering, enero-febrero, 1959, pg. 54.
430 CONTROL DE CALIDAD
Ejemplo 4.1
0 10 20 30 40 50 60 70 80 90 100
Fiabilidad (porcentaje)
Figura 19.5. Modelo bsico para determinar la fiabilidad ptima siendo el costo
total el factor determinante.
432 CONTROL DE CALIDAD
ciertos casos puede tener mayor sentido mejorar la fiabilidad de este modo.
Esto es lo que hacen la gran mayora de artculos de consumo. Prefieren
fabricar una mayor cantidad de componentes y reemplazarlos gratis a fabricar
componentes garantizados contra averas durante un largo perodo de tiempo.
Se piensa que el consumidor no exige elementos de larga duracin. A esta
postura se la puede llamar tiempo de fallo planificado. Sin embargo puede
resultar muy cara esta postura si el costo de servicio se tiene en cuenta.
7
Vase el Resumen del Informe Tcnico del Departamento Nacional de Estndares, noviem-
bre de 1960: Are Statistical Life-Testing Procedures Robust?, Industrial Quality Control,
febrero de 1961.
8
El Manual H108 est publicado por el despacho del Viceministro de Defensa (Abasteci-
mientos y Logstica), el 29 de abril de 1960. Lo distribuye y vende el Servicio Nacional de
Informacin Tcnica, Washington, D.C. 20402. Existe otro manual til como fuente de planes de
prueba de vida basado en la distribucin de Weinbull, que puede adquirirse en el mismo
proveedor, titulado Quality Control and Technical Repon Sampling Procedures and Tables for
Life and Reliability Testing Based on the Weibull Distribution, 30 de septiembre de 1961.
434 CONTROL DE CALIDAD
rechazado segn los resultados de una prueba de vida realizada sobre una
muestra de n unidades representativas seleccionadas al azar de entre las que
componen el lote.
El Manual H108 consta de cuatro secciones. La seccin A incluye procedi-
mientos y descripciones de planes de muestreo de prueba de vida que figuran en
el manual. La seccin B describe procedimientos y aplicaciones de planes de
muestreo cuando las pruebas de vida se terminan por haberse producido un
nmero preestablecido de fallos. La seccin C incluye planes de muestreo
cuando las pruebas de vida se terminan en un tiempo preestablecido. La
seccin D incluye planes de muestreo secuenciales de pruebas de vida.
La seccin B est dividida en tres partes. La parte I incluye procedimientos
de aceptacin. La parte II contiene mtodos y tablas para calcular la duracin
esperada de las pruebas de vida y los costos unidos a la seleccin de distintos
tamaos de muestreo. La parte III incluye planes de prueba de vida para
ciertos valores especificados de , y 1/O, y T/0, siendo el ltimo de estos
trminos la relacin entre el tiempo de la prueba y la vida media aceptable. La
parte III contiene planes de prueba de vida basados en la proporcin del lote
que falle antes del tiempo especificado. Los procedimientos de aceptacin de la
parte I de las secciones B y C se ocupan de la prueba de vida con sustitucin y
sin sustitucin de las unidades que hayan fallado. La seccin D slo consta de
una parte sobre pruebas secuenciales de vida.
Las curvas caractersticas operativas (OC) de los planes de muestreo para
pruebas de vida figuran en el manual. Se calcularon para los planes de mues-
treo de prueba de vida de la seccin B, parte I, pero pueden aplicarse tambin a
los procedimientos de aceptacin de la parte I de la seccin C y de la seccin D.
Un ejemplo de estas curvas OC se muestra en la Figura 19.7. Los valores de
Ejemplo 19.4
Establecer un plan de pruebas que tenga un riesgo para el productor = 0,06, una
vida media aceptable de 1.000 horas y que se d por terminado al producirse el cuarto
fallo.
Aqu, r = 4. En la Tabla A 18.2, para un riesgo de 0,05 del productor y r 4, el
cdigo es B-4. Para este plan de prueba, c/0 = 0,342. De aqu que c = 342. El
procedimiento de prueba consistira en iniciar la prueba con un cierto nmero de
unidades n 4. Los tiempos de los fallos se anotaran de forma secuencial. En el
momento en que se produjera el cuarto fallo la prueba se dara por terminada. Si la
vida media estimada, calculada por medio de la ecuacin [19.19] es mayor de 342
horas el lote se considerara aceptable. El tamao de la muestra no afecta al nivel
crtico, 342 horas, pero influye en el clculo de la vida media estimada.
Para ilustrar lo expuesto, supongamos que se produce un fallo en los tiempos 175,
250, 300 y 425 horas. Hay que considerar dos situaciones posibles:
1. Haba slo cuatro unidades en la prueba y ninguna fue sustituida. De las
ecuaciones [19.19] y [19.16] deducimos,
1 r 1
T r ,n T ti (n r )t * [175 250 300
r i 1 4
1.150
425 0(425)] 287,5
4
436 CONTROL DE CALIDAD
Caso 1 Caso 2
Cuando las pruebas se llevan a cabo sin sustituir las unidades que han
fallado, el costo total esperado de cualquiera de los planes de pruebas de vida
de la seccin de referencia viene dado por
1 1 1
Costo total c1T 0 ... c2 n [19.26]
n n 1 n r 1
Ejemplo 19.5
r
costo total = c1T 0 c2 (n r 1) [19.27]
n
Usando los datos del ejemplo, el resultado es 10, el nmero entero ms prximo a
1(1.000)(10) 1
10, 25
100 4
La parte III de la seccin 2B de H108 es una ampliacin de la parte II para
cuando se deseen valores especficos de , y 1/0. Se incluyen tablas y
frmulas.
438 CONTROL DE CALIDAD
Ejemplo 19.6
Con objeto de complementar los valores tabulados pueden usarse las si-
guientes frmulas para valores de 1/ O mayores de 2/3:
2
K E (T 0 / T1 ) KD
r [18.28]
(T 0 / T1 ) 1
K
C T0 1 V [19.29]
r
Ejemplo 19.7
Establecer un plan de prueba de tiempo preestablecido con los datos del ejemplo
19.4.
= 0,05 O = 1.000 horas r=4
FIABILIDAD 439
Segn la Tabla A 18.4 el cdigo es B-4 (igual que en el ejemplo 19.4). Si se toma el
tamao de la muestra en 5r = 20, el valor T/o es 0,074. El procedimiento para la
prueba ser iniciarla con 20 unidades. Si despus del tiempo T = 0(T/ 0) = 74 horas,
el nmero de fallor es menor de 4, el lote es aceptable. En este caso la prueba se puede
terminar antes de las 74 horas, si el cuarto fallo se produce antes de ese tiempo.
Ejemplo 19.8.
Establecer un plan de prueba de tiempo preestablecido con los datos del ejemplo
19.4. De nuevo, = 0,05, 0 = 1.000 horas, r = 4, n = 20.
Una vez ms, la Tabla A 18.5 nos da el cdigo B-4 y T/0 = 0,068. El procedimiento
de prueba se iniciara con 20 unidades. A medida que vayan fallando las unidades, se
sustituyen por otras buenas. La prueba termina despus de sesenta y ocho horas (o
antes si el cuarto fallo se produce con anterioridad). Si a las sesenta y ocho horas de
prueba an no se ha producido el cuarto fallo, el lote se considera aceptable.
Ejemplo 19.9
Establecer un plan de pruebas para un tiempo preestablecido para los parmetros
siguientes: a) sin sustitucin, y b) con sustitucin.
= 0,05, 0 = 500; = 0,10, 1 = 250, T = 50
Aqu T/0 = 50/500 = 1/10, y 1/o = 250/500 = 1/2.
a) El plan de pruebas obtenido de la seccin = 0,05, = 0,10 de la Tabla A 18.6
nos da un tamao de muestra n = 134 y un nmero de terminacin r = 19. El
procedimiento de prueba sera iniciar la prueba con 134 unidades. Las unidades que
fallen no se sustituyen. Si a las 50 horas no se ha producido el decimonoveno fallo, el
lote se considera aceptable.
b) Para un plan de pruebas con sustitucin se usa la Tabla A 18.7. El tamao de
muestra del plan de pruebas es n = 124 y r = 19. El procedimiento de prueba
consistira en iniciar la prueba con 124 unidades. A medida que van fallando unidades
se sustituyen por otras buenas. Si el decimonoveno fallo no se ha producido en 50
horas, el lote se considera aceptable.
La parte III de la seccin 2C del Manual H108 incluye tablas y procedi-
mientos basados en tasas de fallos. La Tabla A 18.8 da valores del nmero de
terminacin, r, y el factor D, de tamao de la muestra para distintos valores
de , y p1/p0. Los planes de muestreo de esta parte del manual se puede usar
cuando se ha especificado ya la proporcin del lote que fallar antes del tiempo
especificado, ya la tasa de fallos durante el perodo de tiempo. Esto es, p = GT,
dnde p es la proporcin de fallos en el lote antes del tiempo especificado T y G
es la tasa de fallos durante el perodo de tiempo T. En este caso, debe recordar-
se que la especificacin no se formula con relacin a la vida media aceptable,
sino con relacin a la proporcin del lote que puede fallar antes de un tiempo
especificado. Por ejemplo, el usuario de un elemento puede exigir una vida
440 CONTROL DE CALIDAD
Ejemplo 19.10
H o : = un valor satisfactorio de
contra
H 1 : 1 = un valor insatisfactorio de 1
b
h1
g1
a
h2
g1 [19.32]
g2
s T1
g1
donde
T0
g log
T1
1 1
g2
T1 T 0
1 E
a log
D
1D
b log
E
Ejemplo 19.11
Determinar un plan de muestreo secuencial para las especificaciones siguientes:
T0 900
g1 log log 1,0986
T1 300
442 CONTROL DE CALIDAD
El punto del segundo fallo est por debajo de la lnea de aceptacin, lo que
indica que el lote es aceptable.
Hay dos puntos a observar en el caso de un plan secuencial. Primero, la
escala horizontal est en unidades de 1 o vida media inaceptable. Segundo, el
logaritmo del clculo es el logaritmo natural. Hay que hacer una conversin si
va a usarse el logaritmo de base 10.
La Figura 19.8 se ha trazado de acuerdo con las normas utilizadas en MIL-
STD-781C. El Manual H108 usa la norma alternativa en la que Q se sita en el
eje vertical t r en el eje horizontal. De acuerdo con el Manual H108 las lneas de
aceptacin y rechazo seran
Q
Lnea de aceptacin: 1,68r 3,377
T1
Q
Lnea de rechazo: 1,648r 4.336
T1
FIABILIDAD 443
l i l i
MANTENIMIENTO Y FIABILIDAD
Aproximadamente el doble del costo original de equipos complejos se gasta
anualmente en apoyar a tales equipos. La mayora de dicho costo es consecuen-
cia de su conservacin y mantenimiento. La fiabilidad total del equipo en el
campo es funcin del proyecto de ingeniera, el mantenimiento y la fiabilidad de
su operacin en el campo, esto es,
Ps = f(D, M, FO)
El mantenimiento desempea un importante papel al tratar de lograr fiabili-
dad en el sistema. Dicho muy simplemente, se refiere a la facilidad relativa con
la que puede mantenerse en operacin un determinado elemento. Un elemento
sujeto a buen mantenimiento es fcil de mantener en operacin; otro al que se
atienda debidamente es exactamente lo contrario. Un elemento difcil de mante-
ner no se mantendr igual de bien y requerir mucho ms tiempo para
proporcionarle el mantenimiento necesario. Los proyectos modulares (disea-
dos para permitir la sustitucin de subsistemas completos) son un ejemplo de
diseo para facilitar el mantenimiento. Adems del efecto que produce el
proyecto de ingeniera sobre el mantenimiento, tambin producen un efecto
444 CONTROL DE CALIDAD
Prueba marginal:
9
F. M. Gryna, Jr., N. J. McAfee, C. M. Ryerson y S. Zwerling: Reliability Training Text,
Institute of Radio Engineers, Inc., marzo de 1960, pgs. 150-151. Los criterios han sido tomados
del texto con descripciones resumidas proporcionado por los autores.
FIABILIDAD 445
detectar si una unidad que se est deteriorando fallar antes del siguiente
perodo de mantenimiento. Un semiconductor en mal estado en un aparato de
televisin es un buen ejemplo para ilustrar el concepto de prueba marginal. Se
puede sustituir como consecuencia de un fallo marginal o volverla a colocar en
el televisor hasta que se produzca un fallo real. Ni que decir tiene que la
gravedad del fallo es un factor fundamental al decidir si hay que sustituir
ahora o en el siguiente perodo de mantenimiento.
Aprovisionamiento de repuestos:
Entrenamiento:
mismos principios que a sta. Tambin hay que recomendar que los manuales y
las instrucciones tcnicas se revisen antes de publicarse, haciendo, para ello, que
un obrero de mantenimiento repase todos los requisitos, formularios de infor-
me, pruebas, etc., para eliminar los defectos que presenten. Esto es lo mismo
que hacer que un piloto conduzca un vehculo nuevo y desde el punto de vista
del costo es igual de deseable.
PROBLEMAS
19.1. Dadas las fiabilidades de los componentes que abajo se indican, calclese la
probabilidad de supervivencia del montaje.
Componente Fiabilidad
A 0,999
B 0,98
C 0,99
D 0,87
E 0,92
F 0,84
19.6. Seran sus respuestas a los problemas 19.4 y 19.5 diferentes si recibiera infor-
macin de que la consola tena 20 tubos ms y todos stos seguan funcionando
al cabo de las 5.000 horas?
19.7. Dibujar la funcin de fiabilidad y la funcin de riesgo para las siguientes
densidades de fallos de Weibull:
a) = 1, = 2
b) = 10, = 1
19.8. Determinar un plan de prueba de vida que termine despus del sexto fallo y
que tenga un riesgo del productor de 0,05 para una vida media aceptable de
500 horas. Se probaron diez unidades sin sustitucin y las primeras seis que
fallaron lo hicieron despus de 200, 270, 290, 310, 320 y 330 horas, respectiva-
mente. Sera aceptable el lote?
BIBLIOGRAFA
Estadstica
BROWNLEE, K. A.: Statistical Theory and Methodology, 2.a ed., Nueva York: John Wiley,
1965.
DIXON, WILFRED J., y MASSEY, F. J.: Introduction to Statistical Analysis, 3.a ed., Nueva
York: McGraw-Hill, 1969.
FREUND, JOHN E.: Statistics, A First Course, 2.a ed., Englewood Cliffs, N. J.: Prentice-
Hall, 1976.
GUTTMAN, IRWIN; WILKS, S. S.; y HUNTER, J. S.: Introductory Engineering Statistics, 3.a
ed, Nueva York: John Wiley, 1982.
H INES , W. W, y M ONTGOMERY , D. C: Probability and Statistics in Engineering and
Statistics, 2.a ed., Nueva York: John Wiley, 1980.
HOEL, PAUL G.: Elementary Statistics, 3.a ed., Nueva York: John Wiley, 1971.
H OEL , P AUL G.: Introduction to Mathematical Statistics, 5. a ed, Nueva York: Mohn
Wiley, 1984.
M OOD , y G RAYBILL .: Introduction to the Theory of Statistics, 3. a ed, Nueva York:
McGraw-Hill, 1974.
M OSTELLER , F. R.; R OURKE , R. E. K, y T HOMAS , C. B.: Probability with Statistical
Applications, Reading, Mass.: Addison-Wesley, 1970.
PARZEN, EMANUEL: Modern Probability and its Applications, Nueva York: John Wiley,
1960.
S NEDECOR , G. W, y COCHRAN , W. G.: Statistical Methods, 7.a ed. Ames, Iowa: Iowa
State University, 1980.
Control de calidad
COWDEN, D. J.: Statistical Methods in Quality Control, Englewood Cliffs, N. J.: Prenti-
ce-Hall, 1957.
D ELMING , W. E DWARD : Quality, Productivity and Competitive Position, Cambridge,
Mass.: Massachusetts Institute of Technology, Center for Advanced Engineering
Studies, 1982.
DODGE, H. F, y ROMIG, H. G.: Sampling Inspection Tables-Single and Double Sampling,
2.a ed, Nueva York: John Wiley, 1959.
D UNCAN , A CHESON , J.: Quality Control and Industrial Statistics, 3.a ed, Nueva York:
Irwin, 1974.
FEIGENBAUM, A. V.: Total Quality Control, 3.a ed, Nueva York: McGraw-Hill, 1983.
GRANT, E. L, y LEAVENWORTH, R. S.: Statistical Quality Control, 5.a ed, Nueva York:
McGraw-Hill, 1980.
FIABILIDAD 449
H ANSEN , B. L.: Quality Control: Theory and Applications, Englewood Clifs, N. J.:
Prentice-Hall, 1963.
J URAN , J. M., y G RYNA , F. M.: Quality Planning and Analysis, 2. a ed., Nueva York:
McGraw-Hill, 1980.
MONTGOMERY, DOUGLAS C: lntroduction to Statistical Quality Control, Nueva York:
John Wiley, 1985.
Fiabilidad
BAZOWSKY, I.: Reliability: Theory and Practice, Englewood Cliffs, N. J.: Prentice-Hall,
1961.
HAVILAND, ROBERT P.: Engineering Reliability and Long Life Design, Princeton, N. J.: J.
Van Nostrand, 1964.
HENLEY, ERNEST J, y KAVMAMOTO, H.: Reliability Engineering and Risk Assessment,
Englewood Cliffs, N. J.: Prentice-Hall, 1981.
KAPUR, K.: Reliability in Engineering Design, Nueva York: John Wiley, 1977.
LLOYD, D. K., y LIPOW, MYRON: Reliability: Management, Methods and Mathematics,
Englewood Cliffs, N. J.: Prentice-Hall, 1962.
S HOOMAN , M. L.: Probabilistic Reliability: An Engineering Approach, Nueva York:
McGraw-Hill, 1968.
SINHA, S. K., y KALE, B. K.: Life Testing and Reliability Estimation, Nueva York: John
Wiley, 1980.
SMITH, DAVID J.: Reliability and Maintainability in Perspective, 2.a ed., Nueva York:
John Wiley, 1985.
Nota: Las publicaciones del gobierno de Estados Unidos representan una fuente de
informacin, excelente y exhaustiva, sobre procedimientos estandarizados de control de
calidad. Algunos ejemplos de dichas tablas figuran en el texto. Los documentos comple-
tos pueden resultar muy tiles a cualquier ingeniero de control de calidad. Todas estas
publicaciones pueden adquirirse en el National Technical Information Service, Was-
hington D.C. 20402.
1. MIL-STD-105D.
2. MIL-STD-414.
3. MIL-STD-441.
4. MIL-STD-690D.
5. MIL-STD-781C.
6. MIL-STD-1235(ORD).
7. Manual NI06.
8. Manual H107.
9. Manual H108.
Apndice
Tablas
451
452 CONTROL DE CALIDAD
TABLAS 453
454 CONTROL DE CALIDAD
TABLAS 455
456 CONTROL DE CALIDAD
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar
TABLAS 501
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
502 CONTROL DE CALIDAD
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
TABLAS 503
TABLA A 15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
504 CONTROL DE CALIDAD
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
TABLAS 505
TABLA A 15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
506 CONTROL DE CALIDAD
TABLA A 15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
TABLAS 507
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar (Continuacin)
508 CONTROL DE CALIDAD
TABLAS 509
510 CONTROL DE CALIDAD
541
542 NDICE
U Varianza(s)
Unidad, aplicacin del control de defectos, 178-180 conocida
Universo, 48 e igual, significancia de una diferencia entre
las medias de dos muestras, 67-68
media conocida, grficos para promedio de du-
V racin del recorrido para X, 152-153
significancia de la media de una muestra de un
Valor(es) estndar, 66
de la calidad del producto, anlisis, 351-354 de la muestra
de una variable aleatoria, 26-27 de dos muestras, significancia de la diferencia,
esperado, 28-30 74-75
Variabilidad, 29 y estndar, significancia de una diferencia, 73-
del proceso, inferencia estadstica, 87-90 74
desconocida, significancia de la media de una desconocida, datos de pares de muestras y, signi-
muestra de un estndar, 66-67 ficancia de la diferencia entre medias mus-
en personas, mquinas y materiales, 83-87 trales, 69-70
inherente, 83 igual pero desconocida, significancia de una di-
natural, 83 ferencia entre las medias de dos muestras y,
Variable(s) 68
aleatorias media conocida, R utilizada para el clculo, 151-
estocsticamente mayor, 59 153
normal estndar, 38 R en el clculo de, X en el clculo de la media,
valores, 26-27 153
caractersticas de calidad, grficos, 101-120 Vigilancia del proceso, vase Vigilancia, proceso
inspeccin por, para porcentajes de elementos
defectuosos, procedimientos de muestreo y
tablas, 321-320 X
muestreo de aceptacin, aplicabilidad, 317-318
principios bsicos, 102-104 X
Variacin longitud media de racha en los grficos, 151-153
a lo largo del tiempo contra variacin natural y R, grfico, 12
del proceso, 90-91 y s', grficos de control, 121-124
aleatoria, 97 utilizada para estimar la media, R, para estimar
en el tamao de la muestra, 253 la varianza, 153