Control de Calidad

Control de Calidad
Teora y aplicaciones
Bertrand L. Hansen
Prabhakar M. Ghare
Control de Calidad
Teora y aplicaciones
Ttulo original: Quality Control and Application
1987 Prentice-Hall, Inc.

1990 Ediciones Daz de Santos, S. A.
No est permitida la reproduccin total o parcial de este libro, ni su

tratamiento informtico, ni la transmisin de ninguna forma o por cual-
quier medio, ya sea electrnico, mecnico, por fotocopia, por registro u
otros mtodos, sin el permiso previo y por escrito de los titulares del
Copyright
ISBN lengua inglesa: 0-13-745225-X

ISBN lengua espaola: 978-84-87189-31-9
Depsito legal: M. 41.996-1989
Edita: Daz de Santos, S. A.

c/Juan Bravo, 3A. 28006 Madrid
Diseo de cubierta: J. Luis Tellera
Traduccin: Diorki, S. A.
General Moscard, 30. 28020 Madrid
Fotocomposicin: MonoComp, S. A.
Conde de Vilches, 31. 28028 Madrid
Impresin: EDIGRAFOS, S. A.
c/Edison, B-22. Pol. Ind. San Marcos
28906 GETAFE (Madrid)
Contenido
Presentacin..................................................................................................... XIII
1. EL CONTROL DE CALIDAD EN PERSPECTIVA .................... 1

Calidad de proyecto 2
Calidad de concordancia con el proyecto 3
Calidad de funcionamiento 3
Aumento del control de calidad 4
Ejemplo ilustrativo: Calidad de proyecto 5
Calidad de concordancia con el proyecto: Vigilancia del pro-
ceso 10
Calidad de concordancia con el proyecto: Muestreo de acepta-
cin 14
Calidad de funcionamiento: Fiabilidad 16
Direccin de calidad 17
Calidad y productividad 18
Sobre este libro 19
2. FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN
EL CONTROL DE CALIDAD .................................................... 21
Sucesos y probabilidades 22
Leyes de probabilidad 23
Espacio, distribucin y frecuencia de sucesos 26
Esperanzas matemticas y momentos 28
Algunas distribuciones tiles para el estudio del control de cali-
dad 30
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
3. CONTROL ESTADSTICO DE PROCESOS ............................ 83

Ejemplos de variabilidad de personas, mquinas y materiales 83
Inferencia estadstica de la variabilidad del proceso 87
Variacin a lo largo del tiempo contra variacin natural del pro-
ceso 90
Forma bsica de un grfico de control 91
Uso de grficos de control 93
Creacin de un grfico de control 96
Causas para iniciar la investigacin 97
Responsabilidad por el grfico y por las acciones de ajuste 98
Muestreo del proceso 98
4. GRFICOS DE CONTROL PARA CARACTERSTICAS VA-

RIABLES DE CALIDAD .............................................................. 101
Principios bsicos sobre grficos de control 102
Uso de grficos de control 104
Grficos para caractersticas variables de calidad 105
Derivacin de factores de grficos de control 108
Inicio de un grfico de control 109
Proceso no estable durante el perodo base 111
El grfico de control durante el perodo de vigilancia 114
5. PROCEDIMIENTOS ESPECIALES DE CONTROL DE PRO-

CESOS ........................................................................................... 121
Grficos de control para X y s 121
Grficos de control para medidas individuales 124
Lmites de aviso 129
Promedio mvil y grficos de sumas acumuladas (CUSUM) 131
CONTENIDO IX
Pgina
6. PROPIEDADES DE LOS GRFICOS DE CONTROL.............. 143

Caractersticas operativas de un grfico de control 143
Clculo de la curva OC 145
La curva OC y el tamao del subgrupo 147
Distribucin de la longitud de racha en control de calidad 149
Longitud media de racha en los grficos X 151
Uso de los lmites de aviso 154
Curva OC y longitud media de racha 158
Produccin de elementos defectuosos antes de detectarse un cam-
bio en la media del proceso 158
7. GRFICOS DE CONTROL DE ATRIBUTOS............................ 163
Grfico de control de porcentajes o grfico p 164
Control de calidad de procesos de fbricas 168
Aplicacin del control de atributos a las fbricas 170
Grfico de control de defectos 177
Aplicacin del control de defectos por unidad 178
Grfico de atributos para subsanar problemas de calidad 180
Grfico de atributos para control de funcionamiento 182
ndice grfico para control de funcionamiento 183
Sistema de clasificacin de demritos 189
Aplicaciones posibles de la clasificacin de resultados 192
8. ANLISIS DE LA CAPACIDAD DEL PROCESO .................... 199
Determinacin de la capacidad del proceso 199
Determinacin de la capacidad de un proceso: Uso de observacio-
nes de la muestra 202
Mtodo de intervalo nico 206
Ajuste de la tendencia dentro del estudio 208
Especificaciones de proyecto y tolerancias 209
Capacidad del proceso y tolerancias 210
Tolerancias para subconjuntos 211
Establecimiento de tolerancias para fases intermedias de la produc-
cin 213
Interferencia y tolerancia de ajuste 214
9. INTRODUCCIN A LA GARANTA DE CALIDAD Y EL
CONTROL DE ACEPTACIN ................................................... 221
Objetivos del control de aceptacin 221
Responsabilidades sobre garanta de calidad 222
Relaciones entre productor y receptor (dentro de la fbrica, entre
Divisiones de la firma y entre diversas firmas) 223
Falacias del mtodo de muestreo de inspeccin localizada 224
Prueba de hiptesis en control de aceptacin 226
X CONTENIDO
Pgina
Caracterstica operativa de un plan de muestreo 227

Inspeccin de rectificacin 229
Calidad media de salida 230
Inspeccin total bajo inspeccin de rectificacin 231
Muestreo doble y mltiple 232
10. MUESTREO DE ACEPTACIN POR ATRIBUTOS, LOTE A

LOTE ..................................................................................................... 235
Construccin de la curva OC de un plan de muestreo simple por
atributos 236
Desarrollo de un plan sencillo de muestreo de atributos 240
Anlisis e interpretacin de la curva caracterstica operativa 242
11. PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 245

Circunstancias que aconsejan el uso de AQL 246
Breve resea histrica 247
Aplicabilidad de procedimientos AQL 248
Decisiones iniciales 248
Especificaciones de nivel de calidad aceptable (AQL) 249
Especificacin de nivel de inspeccin 251
Inspeccin normal, rigurosa y reducida 252
Planes de muestreo simple, doble y mltiple 252
Descripcin y uso de Tablas 255
Riesgo del fabricante y curvas OC 257
Criterios de administracin 258
Registros de inspeccin y media estimada del proceso 260
Procedimiento de aceptacin de defectos 262
Utilizacin del MIL-STD-105D para defectos 263
Cantidad total de inspeccin de muestreo 264
Procedimiento administrativo para la presentacin y nueva presen-
tacin de lotes 265
12. OTROS PROCEDIMIENTOS DE ACEPTACIN ..................... 271

Procedimiento de aceptacin de calidad indiferente 272
Tablas Dodge-Romig 275
Clculo de la media del proceso 277
Procedimientos de aceptacin secuencial 278
Muestreo de demritos 283
Muestreo de verificacin para garanta de calidad 287
13. MUESTREO CONTINUO DE ACEPTACIN POR ATRI-

BUTOS .................................................................................................. 291
Ventajas del muestreo continuo 291
Lotes en movimiento 292
CONTENIDO XI
Pgina
Resea histrica 294

MIL-STD-1235 (ORD) 294
Descripcin de procedimientos de aceptacin continua 296
Planes de inspeccin rigurosa y reducida 301
Efectividad del muestreo continuo 303
Planes para AOQL especficos 304
14. PROCEDIMIENTOS DE ACEPTACIN POR CARACTERS-

TICAS VARIABLES .......................................................................... 317
Aplicabilidad del muestreo de aceptacin por variables 317
Plan de muestreo de variables 318
Operacin de un plan de muestreo de variables 319
MIL-STD-414: Procedimientos de muestreo y Tablas para inspec-
cin por variables para porcentajes de elementos defectuo-
sos 321
Diseo de planes de muestreo por variables 326
15. DISEO DE LA GARANTA DE CALIDAD ........................... 333

Ingeniera de calidad 333
Planificacin de calidad y fiabilidad 334
Encuesta de calidad previa a la adjudicacin 334
Otras responsabilidades de planificacin 337
Evaluacin de calidad y fiabilidad 338
Elementos de un Programa de control de herramientas, calibrado-
res y equipo de pruebas 341
16. MTODOS Y NORMAS DE GARANTA DE CALIDAD . . . . 351

Anlisis del valor de la calidad del producto 351
Procedimiento de clasificacin de defectos 354
Especificacin de mtodo de inspeccin 358
Establecimiento de niveles de calidad estndar 359
Clasificacin de demritos 367
Ilustracin de la clasificacin de demritos 368
Niveles experimentales de calidad estndar 369
17. CALIDAD, PRODUCTIVIDAD Y ECONOMA ......................... 371

Control presupuestario de costos de calidad 372
Control de costos de calidad de tipo tcnico 376
Optimacin econmica del control de calidad 376
Eleccin econmica de un plan de muestreo 377
Simple ilustracin de la teora de los juegos aplicada a un proble-
ma de inspeccin 381
XII CONTENIDO
Pgina
18. ORGANIZACIN PARA LOGRAR CALIDAD Y PRODUCTI-

VIDAD ........................................................................................... 385
Objetivos de una empresa 386
Directrices de la Gerencia para mejorar calidad y productivi-
dad 386
Estructura de una organizacin 387
Divisin del trabajo y funcionalizacin 388
Organizacin para lograr calidad y productividad 392
Organizacin tradicional de calidad 392
Crculos de control de calidad 396
Ejemplo de un nuevo Programa de crculos de control de cali-
dad 401
Sistema Kanban 404
19. FIABILIDAD ................................................................................ 415
Distribuciones halladas al controlar la Habilidad 416
Tiempo medio hasta un fallo 420
Densidad exponencial de fallos 423
Clculo de MTTF: Densidad exponencial de fallos 424
Densidad de fallos de Weibull 427
Logro de la Habilidad 428
Proyectos de ingeniera para lograr fiabilidad 429
Medida y pruebas de fiabilidad 432
Uso del Manual H108 433
Procedimientos de aceptacin secuencial basada en MTTF 440
Mantenimiento y fiabilidad 443
Bibliografa .................................................................................................... 448
Apndice ........................................................................................................... 451
ndice .............................................................................................................. 541

Presentacin
El objetivo principal de este libro es presentar las tcnicas de control de

calidad de forma asequible para el tcnico. La presentacin, en forma breve,
de cada mtodo ha permitido incluir en este libro una seleccin ms amplia
de stos y de sus ejemplos.
El libro se divide en cuatro partes. La parte I presenta los conceptos bsicos
de control de calidad y la informacin bsica necesaria sobre Estadstica y
Probabilidades. La parte II describe las tcnicas para vigilar la calidad y
mantenerla durante las operaciones de proceso y produccin. La parte III
presenta gran variedad de procedimientos de control de aceptacin. La parte
IV est dedicada, en gran parte, a la direccin de calidad e incluye, adems, una
breve exposicin sobre fiabilidad de producto.
Se han conservado muchos casos presentados en el texto original: Control
de Calidad: Teora y Aplicaciones, de Bertrand L. Hansen. Aunque puede que
las referencias no sean siempre las ms recientes, y hasta es posible que algunos de
los productos que se citan no se utilicen ya, nos disculparemos por conservar
tales citas y ejemplos. Como la buena gerencia, el buen control de calidad
nunca se pasa de moda.
Los cambios fundamentales con relacin al texto original son los siguientes:
1. Se presentan los conceptos de duracin del recorrido y duracin
media del recorrido para cualquier procedimiento de control. Quien
trabaja en este campo debe tener consciencia de que no existe tcnica
alguna que garantice la deteccin instantnea de una condicin fuera
de control. La cantidad de producto insatisfactorio fabricado est en
funcin directa del tiempo necesario para detectar dicha condicin. Se
incluyen dos tablas especiales para ayudar en el anlisis de la duracin
media del recorrido.
XIII
XIV PRESENTACIN
2. Se presenta el nexo entre productividad y calidad. Se presentan los

mtodos de mejora de productividad convencionalmente designados
como crculos de control de calidad y sistema Kanban, junto con un
comentario sobre sus implicaciones en la calidad del producto.
3. Todo el material bsico de carcter estadstico se incluye, en forma
condensada, en un solo captulo: el 2. Las tcnicas estadsticas que se
usan en control de calidad se presentan de forma prctica y el espacio
dedicado a sus conceptos tericos es limitado.
4. Se ha incluido una gran cantidad de ejemplos y hay ms de 200 proble-
mas prcticos.
Queremos expresar nuestro agradecimiento a la doctora Shakuntala Ghare
(esposa del coautor) y al doctor Woletr Fabrycky por su incansable aliento. El
doctor Donald R. Jensen y el doctor Ezey Dar-El merecen mencin especial
por la ayuda que prestaron a los autores, proporcionndoles una visin espe-
cialmente brillante de la Estadstica y la Productividad. Hay tambin otros
muchos autores cuyas obras aparecen citadas o algunas de cuyas frases se
reproducen en nuestro texto. Aunque muy numerosos para citarlos de forma
individual queremos agradecer su amabilidad y la de sus editores al permitirnos
utilizar dicho material. Por ltimo, la seora Joni Chamber y la seorita Nancy
Menges merecen nuestro agradecimiento especial por su paciente trabajo al
mecanografiar el manuscrito y ocuparse de todo el proceso de edicin durante
las distintas etapas hasta llegar al producto final.
Bertrand L. Hansen
Prabhakar M. Ghare
1
El control de calidad
en perspectiva
Pueden hallarse numerosas definiciones de garanta de calidad. Un ejemplo

sera la aceptada en el National Symposium on Reability and Quality de 1959:
Garanta de calidad es una denominacin amplia que abarca tanto el control
de calidad como la ingeniera de control de calidad. De acuerdo con esta
definicin, es preciso definir previamente el control de calidad y la ingeniera de
control de calidad para comprender qu es la garanta de calidad. En opinin
de los autores, el concepto de garanta de calidad es mucho ms amplio de lo
que sugiere la definicin citada. Tal como se utiliza en este libro, comprende
todos los mtodos encaminados a garantizar la calidad y el funcionamiento de
determinado producto. Se trata, pues, de un concepto omnmodo Para garanti-
zar la calidad pueden utilizarse muchos mtodos; entre ellos figuran, adems
del control y la ingeniera de control de calidad, otros procedimientos que
garantizan la calidad de un producto fabricado o un trabajo terminado.
Aunque la palabra calidad tiene connotaciones distintas segn las personas
que la empleen, en ella subyace siempre una idea central. La calidad de un
producto es satisfactoria cuando responde a las necesidades del consumidor.
Para producir un artculo de alta calidad hay que superar una serie de etapas
intermedias. En primer lugar, el ingeniero a cargo del proyecto debe ser capaz
de plasmar las necesidades del consumidor en un proyecto de ingeniera, indi-
cando sus especificaciones y mrgenes de tolerancia. El ingeniero de produc-
cin debe crear un proceso que permita fabricar un producto acorde con estas
especificaciones y mrgenes de tolerancia. El gerente de produccin es el res-
ponsable de la fabricacin del producto. El encargado de compras debe propor-
cionar las materias primas y la energa necesarias. El director de personal debe fa-
cilitar trabajadores adecuadamente capacitados. El inspector de calidad debe pro-
bar y evaluar el producto que se est elaborando. Por ltimo, es esencial la rea-
limentacin de los consumidores. En muchos casos, las necesidades que se pas-
1
2 CONTROL DE CALIDAD
man en el proyecto no reflejan lo que el consumidor desea en realidad. No se

trata de que el consumidor no sepa lo que quiere, sino de que no es capaz de ex-
presar sus deseos en trminos que resulten inteligibles para el ingeniero de pro-
yecto. Una vez fabricado el producto, el consumidor puede determinar con exacti-
tud qu modificaciones seran necesarias para hacerlo plenamente satisfactorio.
Se denomina control de calidad al conjunto de tcnicas y procedimientos de
que se sirve la direccin para orientar, supervisar y controlar todas las etapas
mencionadas hasta la obtencin de un producto de la calidad deseada. El
control de calidad no es slo papeleo, ni una serie de frmulas estadsticas y de
tablas de aceptacin y control, ni el departamento responsable del control de
calidad. Para una direccin bien informada, el control de calidad representa
una inversin que, como cualquier otra, debe producir rendimientos adecuados
que justifiquen su existencia. Todos los miembros de una empresa son respon-
sables del control de calidad. Sea cual sea el trabajo que desarrolle una persona
o una mquina, quien realiza el trabajo o maneja la mquina es quien con
mayor eficacia puede controlar la calidad o informar de la imposibilidad de
alcanzar la calidad deseada para que se adopten medidas correctoras.
Entre los aos 1965 y 1985, en la mayora de las empresas estadounidenses
se ha impuesto este concepto del control de calidad. Durante dicho perodo, las
empresas de este pas hubieron de enfrentarse a una competencia creciente,
dentro de las propias fronteras y en el extranjero, como consecuencia de la
comercializacin de productos de mejor calidad y menor costo provenientes de
otros pases industriales. A la cabeza de los mismos figuraban Alemania Occi-
dental y Japn; este ltimo pas representa, en la dcada de 1980, el ideal de
gran calidad y bajo costo. Para defenderse, tanto las empresas de los Estados
Unidos como las de otros pases occidentales han incrementado sus esfuerzos
en el rea del control de calidad, con objeto de mejorar la calidad y la producti-
vidad, y reducir los costos. Pese a que este libro se centra en el control de
calidad, los autores estn convencidos, y desearan transmitir su convencimien-
to a los lectores, de que existe una estrecha relacin entre el control de calidad y
la productividad; para destacar esta relacin, hemos incluido un resumen de
ciertas tcnicas de direccin japonesas y estadounidenses.
En definitiva, quien mayor influencia, positiva o negativa, tiene sobre el
trabajador es su supervisor directo, tanto en las labores de produccin como en
las administrativas. Por tanto, el supervisor se convierte en el eje en torno al
cual giran todos los esfuerzos para la consecucin del control de calidad total.
Aunque la alta direccin de la empresa est plenamente convencida de la
necesidad del control de calidad, no lograr ningn resultado si los super-
visores no son conscientes de su valor. Puede ocurrir que un grupo de expertos
en estadstica y de ingenieros de control de calidad estn realizando sus clcu-
los en el vaco, simplemente porque los supervisores no hayan alentado la parti-
cipacin activa de los trabajadores en el control de calidad.
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
te con una tolerancia de proyecto de +0,0001 se considerar de mejor calidad

de proyecto que otro con una tolerancia de 0,01. En general, cuanto mayor
sea la exigencia en cuanto a solidez, resistencia a la fatiga, duracin, funcin e
intercambiabilidad de cualquier producto, mejor ser su calidad de proyecto.
Huelga decir que el proyecto debe ser lo ms sencillo y econmico posible,
siempre que satisfaga las demandas de los consumidores.
El mercado al que se dirige determinado producto influye notablemente en
su calidad de proyecto. As, por ejemplo, el mercado estadounidense de misiles
balsticos est constituido por una serie de entidades oficiales que se encargan
de adquirirlos para el Ministerio de Defensa y la calidad de proyecto que
exigen es bien conocida. Frente a ello, hay innumerables productos de consumo
que se fabrican con plena conciencia de que en breve plazo van a dejar de
venderse porque pasan de moda.
CALIDAD DE CONCORDANCIA CON EL PROYECTO

Est relacionada con el grado en que un producto manufacturado concuer-
da con las exigencias del proyecto original, esto es, con el grado en que se
controla la calidad tanto de los materiales adquiridos como de los productos
que salen de la fbrica y se almacenan en las instalaciones de la empresa. El
control de calidad, como es sobradamente conocido, mantiene estrechas rela-
ciones con la calidad de concordancia. En esta rea han sido utilizadas la gran
mayora de las tcnicas estadsticas y de muestreo que hoy se aplican.
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
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.
AUMENTO DEL CONTROL DE CALIDAD

Los primeros datos disponibles sobre control de calidad se remontan a
1924, cuando Walter A. Shewhart, de los laboratorios Bell Telephone, aplic
por vez primera un grfico estadstico de control de calidad a un producto
manufacturado. Posteriormente, Shewhart escribi un libro titulado Economic
Control of Quality of Manufactured Product (Control econmico de calidad de
productos manufacturados), publicado en 1931 por D. Van Nostrand Com-
pany, Inc., Nueva York. Como se desprende de su ttulo, su objetivo central era
el control econmico. Desgraciadamente, muchas de las ltimas aplicaciones de
tcnicas estadsticas al control de calidad han sido todo menos econmicas.
Durante los primeros aos de la dcada de 1940 se crearon y empezaron a
utilizar tablas de muestreo para inspecciones de aceptacin1, y se publicaron,
adems, las utilizadas por las Fuerzas Armadas2. Estas ltimas dieron lugar al
Military Standard 105D, ampliamente aceptado y utilizado por entidades p-
blicas y privadas para inspecciones de aceptacin por muestreo de atributos3.
El Ministerio de Defensa ha publicado, tambin, su Military Standard 414 para
mustreos de aceptacin basados en variables4 y tiene normas para mustreos
continuos simples y multietpicos que utiliza para la inspeccin por atributos5.
Los distintos departamentos del Ministerio de Defensa han influido siem-
pre, directa o indirectamente, dado el volumen de sus adquisiciones, en la
promulgacin y utilizacin de tcnicas de control de calidad. Gran parte del
PNB lo representan los gastos en defensa. Cuando se considera el efecto que
produce la insistencia sobre la calidad necesaria de toda la cadena de sucesos,
se puede adjudicar a los distintos departamentos del Ministerio citado gran
parte del mrito correspondiente al desarrollo de controles de calidad. Las
mejoras en el control de calidad pueden relacionarse directamente con los
cambios de actitud de los departamentos del Ministerio de Defensa en cuanto
a la calidad exigida en sus adquisiciones. Durante la segunda guerra mundial
y la guerra de Corea, las diversas entidades de inspeccin del Ministerio de
Defensa insistieron en el uso de las tcnicas. Tras la guerra de Corea se produjo
un cambio y se insisti en la promocin del uso de tcnicas de control de
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.
TABLA 1.1. Funciones de la empresa y sus responsabilidades en el campo

de la calidad
Alta Control de Ventas y

direccin calidad Contabilidad Investigacin marketing
Apoyo desde el Garanta de Medida de los Calidad de Venta de un
el nivel ms alto calidad, ms costos de calidad investigacin producto de
y estmulos al promocin, y del esfuerzo proyecto calidad y
esfuerzo para coordinacin y dedicado a adecuado y suministro de
lograr calidad. y control del lograr la calidad, anlisis de datos informacin
esfuerzo total experimentales. sobre el
para lograr funcionamiento
calidad. sobre el terreno.
Ingeniera de Ingeniera de Ingeniera de Compras Fabricacin
proyecto utillaje produccin
Proyectar un Proporcionar Prorporcionar Calidad de Concordancia

producto de herramientas, un proceso para concordancia de de calidad en la
calidad y plantillas y la produccin de los productos fabricacin,
cambiar el accesorios de calidad. adquiridos: productos
proyecto para calidad. realimentacin terminados y
lograr de informacin semiterminados;
condiciones sobre calidad. realimentacin
ptimas de de informacin
calidad. sobre calidad.
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.
EJEMPLO ILUSTRATIVO: CALIDAD DE PROYECTO6

Este caso ha sido seleccionado para marcar la pauta del libro. Muestra que
la puesta en prctica de controles de calidad no supone, necesariamente, un
importante esfuerzo administrativo ni una habilidad fuera de lo corriente. Su
intencin es mostrar que el control de calidad es ms una filosofa y una actitud
que un sistema elaborado. Los sistemas sirven para alcanzar las actitudes y
filosofas deseadas, pero no son fines en s mismos. El caso (que incluye entre
parntesis los comentarios de los autores) muestra lo que puede resultar de una
actitud inquisitiva frente a la calidad: las economas y beneficios, directos o
indirectos, para los distintos departamentos de la empresa que produce una
6
Cedido por A. G. Tashjian, ingeniero jefe, Cleveland Welding Division, American Machine
and Foundry, Cleveland, Ohio.
pequea aplicacin prctica del control de calidad. Este caso se presenta,

inicialmente, como problema a estudiar. Le siguen los resultados del estudio de
un proyecto. A continuacin (como muestra la Tabla 1.3), se utiliza el mismo
producto, junto con ciertos datos hipotticos, para ilustrar cmo se pueden
utilizar de forma efectiva los mtodos y tcnicas descritos en este libro para el
control de calidad.
Objeto estudiado: un separador para llanta doble de camin (Fig. 1.1) que
viene fabricando la empresa desde hace muchos aos. El volumen de produc-
cin actual es de casi 200.000 unidades anuales, lo que representa cerca de
220.000 dlares de ventas. La competencia en el precio de este artculo es fuerte.
Se fabrica con pletina de acero laminada en caliente de calidad comercial
C-1010, de 4| de pulgadas de anchura, 0,105 pulgadas de espesor y 118 pulga-
das de longitud. Las operaciones de fabricacin son como sigue:
1. Cizallado a la longitud requerida y estampacin.
2. Decapado con bao qumico.
3. Conformado (un crculo).
4. Soldadura elctrica de alta intensidad bajo presin.
5. Primer rebabado (eliminacin de soldadura).
6. Rebabado final.
7. Primer conformado (forma parcial).
8. Segundo conformado (forma final y conformado del borde).
9. Extensin.
10. Inspeccin al 100 por 100 y transferencia al transportador.
11. Galvanizado.
Figura 1.1. Croquis de un separador.

El coste de la operacin es de, aproximadamente, 1 centavo de dlar por

unidad.
El artculo se utiliza para espaciar llantas dobles de camin montadas en
ruedas de cinco o seis radios. La pieza debe estar razonablemente ajustada. El
montador debe montar normalmente la pieza en el rea de soldadura entre los
radios de las ruedas. No parece existir problema en ajustarse a las dimensiones.
Las operaciones de fabricacin son continuas y se llevan a cabo a una
velocidad aproximada de 250 unidades por hora hasta la fase de galvanizado.
No obstante, el material se apila despus de la operacin de extensin. Las
normas de inspeccin exigen una inspeccin al 100 por 100 en este momento.
Hay un inspector de aceptacin dedicado a esta operacin. Las existencias en
proceso en este momento pueden oscilar entre la produccin de un solo da y la
de varias semanas. Sin embargo, en caso de rechazo, se ahorran los gastos de
galvanizado y manipulacin extra de unidades rechazadas. No hay problemas
de espacio para el almacenaje.
La soldadura y el montaje parecen ser satisfactorios. El ciclo de soldadura
es automtico, pero ha habido problemas de costos inesperados por averas en
el ciclo de soldadura.
Todos se muestran conformes con que los mayores defectos de este produc-
to son consecuencia de materiales defectuosos o de soldaduras que se resque-
brajan. Las dems caractersticas no se han separado en grupos de problemas
graves y no graves.
Como norma de aceptacin para rebabado se ha insistido en el enrase de
superficies con una tolerancia de proyeccin de aproximadamente 0,005 pulga-
das. El departamento de produccin se ha ceido estrictamente a esta norma y,
basndose en la misma, que no se ha variado durante aos, ha insistido en que
es absolutamente necesario efectuar la operacin en dos etapas. No se ha
tratado de verificar la necesidad de tal requisito ni se ha realizado ningn
examen de los resultados de calidad de la competencia en rebabados de este
tipo de soldadura.
Se han recogido y archivado los datos de las inspecciones, pero no se han
estudidado los archivos para determinar la calidad de salida. Las preguntas que
se formulan al capataz de inspeccin sobre calidad reciben la respuesta de que
sta es muy buena.
Los trabajadores de produccin trabajan las horas normales. Se supone que
tienen una responsabilidad implcita en lo referente a la calidad. Sin embargo,
confian totalmente en que el inspector detecte y separe las unidades defec-
tuosas.
Resultados de un estudio de proyecto de control de calidad
En primer lugar se examinaron los registros de inspecciones correspondien-

tes a los seis meses anteriores. El promedio de calidad para dicho perodo
arrojaba un 2,4 por 100 de artculos defectuosos. Ms del 60 por 100 de tales
artculos se deba a escasa habilidad en la eliminacin de soldadura. Ms del 20
por 100 de los artculos defectuosos tenan problemas de soldaduras agrietadas.
A continuacin se examinaron las medidas y tolerancias, y se lleg a la
conclusin de que, en general, eran aceptables. Se formularon varias preguntas

sobre las dimensiones de 5/8 x 1/32 de pulgadas:
1. Es necesario establecer una dimensin mxima teniendo en cuenta que
el borde va al aire y es, necesariamente, funcin del laminador dar la
anchura a la pletina y centrar la pieza durante el laminado de confor-
macin?
2. Puede considerarse innecesaria la operacin de controlar una super-
ficie no funcional y, si es as, existe algn ahorro potencial de materiales
en utilizar el ancho a que se compra?
Las conversaciones que tuvieron lugar con supervisores de produccin
revelaron que el segundo laminado de conformidad se llevaba a cabo para
controlar la mxima altura de ala. Con objeto de lograr costos de oportunidad
aqu, se decidido reducir el ancho comprado en 1/8 de pulgada y autorizar el
cambio de herramientas con objeto de eliminar el primer laminado.
Acto seguido se pas a la lnea de montaje del consumidor para establecer si
era necesario mantener el requisito de aceptacin en rebabado de soldadura, de
0,005 de pulgada de tolerancia en defecto de enrase. Se examinaron, tambin,
muestras de productos fabricados por competidores. El consumidor indic que
un saliente externo de 0,030 de pulgada y un saliente interno de 0,020 de
pulgada seran aceptables para l. Con esta norma de aceptacin, ingeniera y
produccin se mostraron de acuerdo en que sera suficiente una sola operacin
de rebabado. Se recomend que se autorizasen nuevos troqueles en la soldadu-
ra y se adoptasen nuevas normas para la inspeccin del rebabado.
Se convoc a una reunin a representantes de inspeccin, produccin y
control de calidad con objeto de obtener una descripcin de los defectos y crear
una clasificacin de stos en el separador.
El punto de inspeccin previo al galvanizado pareca ser satisfactorio. En
caso de rechazo se ahorraran los costos de galvanizado y de manipulacin
suplementaria sobre las unidades rechazadas. Los tipos de defectos se definie-
ron como sigue:
Grupo 1: Defectos con posibilidades de causar graves problemas funciona-
les durante el uso y/o probables quejas de los clientes que pue-
den perjudicar y poner en peligro la reputacin de calidad y
ocasionar prdidas de operaciones.
Grupo 2: Defectos que, probablemente, producirn inconvenientes de pe-
quea entidad durante el montaje y/o reclamaciones menores de
los clientes que se podrn atender con facilidad y de forma
rutinaria.
Grupo 3: Defectos que no afectan al uso y que, probablemente, no darn
lugar a quejas por parte de los consumidores.
Las caractersticas del separador fueron ajustadas a los grupos citados, de
acuerdo con las descripciones de los defectos de cada uno (Tabla 1.2). Se
marcaron niveles de calidad aceptables (AQLs), considerando especialmente el
costo, funcin, montaje y quejas de consumidores.
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 %
Soldadura agrietada. Mnima altura de ala. Dimetro rebabado.

Acero defectuoso. Anchura mnima. Anchura mnima.
Circunferencia mxima y Defectos en la superficie,
mnima. Estampacin.
Dimetro interno
rebabado.
Inicialmente, el tamao del lote inspeccionado se fij en la mitad de la

produccin de un turno alrededor de 1.000 unidades con la advertencia de
que cuando se dispusiera de una cantidad suficiente de datos sobre calidad para
iniciar su anlisis, se pensara seriamente en aumentar el tamao del lote. Se
decidi realizar muestreo simple para mayor facilidad administrativa. Asimis-
mo, se hicieron ensayos en seco con varios lotes antes poner totalmente en
marcha el plan. Se explicaron ampliamente a los operadores de mquinas los
principios bsicos de operacin del plan.
Resultados de la operacin del plan de muestreo
Se realizaron todos los cambios de herramientas, emitiendo instrucciones
sobre la forma de llevar a cabo la inspeccin. Se compilaron los datos una vez
efectuado el muestreo de los 50 primeros lotes y se procedi a seleccionar un
lote para el grupo 1 (soldaduras agrietadas) y el grupo 2 (dimetro interior
rebabado). El resto de los lotes resultaron aceptables en la primera inspeccin.
Los promedios de calidad de los grupos, basados en los muestreos realizados
hasta la fecha, fueron los siguientes: grupo 1: 0,08 por 100; grupo 2: 1,10 por
100; grupo 3: 1 por 100.
Como consecuencia directa del proyecto se realizaron los siguientes cam-
bios:
1. Se cambi el tamao del material de una anchura de 4| pulgadas a 4f,
lo que supuso una economa en materiales de 0,23 libras/unidad.
2. Se elimin inmediatamente una de las operaciones de fabricacin (el
primer laminado).
3. Otra de las operaciones de fabricacin (primer rebabado) se eliminar
pronto.
4. Los cambios en los troqueles de soldadura han reducido las fisuras de la
misma en un 50 por 100.
5. Las horas de inspeccin se han reducido en un 80 por 100. Lo anterior,
traducido a economas anuales supone:
Trabajo de inspeccin 1.625,00$
Mano de obra directa 2.000,00 $
Materiales 4.000,00 S
Reduccin de repeticin de trabajo (estimada) 500,00 $
Total 8.125,00$
Adems, se conseguirn economas adicionales de 2.000,00 $ en costos de

oportunidad si prospera el rebabado nico.
En costos de fabricacin, las economas suponen 0,05 $ por unidad. Cuando
se aaden los beneficios en gastos generales, se puede ver que se ha logrado un
claro progreso con el esfuerzo realizado por mantener la competitividad en una
poca de costos crecientes.
Los costos inmediatos incurridos para la puesta en marcha del plan y de las
mejoras han sido los siguientes:
Repeticin de trabajo de laminado 300,00 $
Redisposicin de la lnea 100,00 $
Costo del proyecto 500,00 $
Total 1.025,00$
Los ahorros netos durante el primer ao ascendieron a 7.100,00$. No se
recibieron quejas de los consumidores. Los vendedores pueden ofrecer precios
ms bajos, si es necesario. La fabricacin no result afectada. La calidad es
mejor. Produccin e inspeccin trabajan ahora juntas.
CALIDAD DE CONCORDANCIA CON EL PROYECTO:

VIGILANCIA DEL PROCESO
El proyecto y los planos especifican exactamente dimensiones semejantes
para todos los separadores que han de producirse. No obstante, el proceso de
fabricacin no es, en general, lo suficientemente bueno como para obtener
separadores de idnticas dimensiones. Siempre se producirn pequeas varia-
ciones en cada una de las dimensiones especficas, por ejemplo, anchura de
espacios. Si las variaciones son pequeas, los separadores no resultarn insa-
tisfactorios, pero lo sern si las variaciones son grandes. Para contestar a la
pregunta: Son las variaciones lo suficientemente grandes como para afectar los
resultados de los separadores?, se pueden usar algunas herramientas estadsti-
cas muy sencillas. Los grficos de control Shewhart suponen una herramienta
simple, pero eficiente, para contestar a tal pregunta. En cualquier proceso de
fabricacin las variaciones pueden producirse por azar o siguiendo un proceso
aleatorio, o pueden deberse a una causa externa identificable que se puede
descubrir y evitar en el futuro. Un grfico de control establece el recorrido de
las variaciones que no es probable que se produzcan por azar. En consecuencia,
cualquier variacin que se produzca dentro de este recorrido debe obedecer a
una causa externa que los ingenieros de control de calidad pueden identificar.
Por ejemplo, si la distribucin de probabilidad de una caracterstica es
normal, con una media P y una desviacin estndar a, la probabilidad de que el
valor observado para tal caracterstica sea mayor que P + 3 y que ste sea
nicamente producido por azar es de, aproximadamente, 0,005, o de 1 entre
200. Si la caracterstica es mayor de P + 3, con frecuencia significativamente
mayor de 1 entre 200, digamos 1 entre 4, el ingeniero de control de calidad
tendr razones para suponer que existe una causa externa. En la jerga utilizada
en control de calidad, al lmite P + 3 se le llama lmite de control y a la

existencia de una causa externa se denomina proceso fuera de control.
En los Captulos 3 y 4 se describen con detalle los procedimientos y tcnicas
para el uso de estos grficos de control. Sin embargo, se puede ofrecer una
sencilla introduccin a estas tcnicas usando la caracterstica anchura del
espaciador como ejemplo. Cada hora se inspecciona una muestra de cinco
separadores de entre los 250 producidos. La Tabla 1.3 ofrece las observaciones
realizadas durante dos turnos diecisis horas.
Las especificaciones para la anchura del separador son 4 0,040 pulgadas.
Para obtener los valores de la Tabla 1.3 se emplea el siguiente procedimiento:
1. Se mide la anchura de cada separador como desviacin respecto de
4,000 pulgadas en unidades de milsima de pulgada.
2. El recorrido R se calcula como la diferencia entre la observacin ms
grande de la muestra y la ms pequea.
3. La media X se calcula como la media aritmtica de cinco observaciones
de la muestra:
240
Media de muestras X 15
16
400
Media de recorridos R 25
16
TABLA 1.3. Observaciones de anchura de separadores
Nmero de Anchura media, X Recorrido, R

la muestra
1 18 28
2 35 30
3 -1 24
4 -3 18
5 9 30
6 10 24
7 19 40
8 13 32
9 13 36
10 15 16
11 11 24
12 21 20
13 19 20
14 34 32
15 12 14
16 15 12
Total 240 400
Utilizando expresiones que aparecen ms adelante en este libro, los lmites

de control se calcularn as:
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
La Figura 1.2 muestra las trazas correspondientes a la anchura media de

las muestras observadas y de los recorridos observados de los valores de las
muestras junto con sus correspondientes lmites de control. A stas se les deno-
mina grficos X y R, y, a veces, grficos Shewhart. El supervisor de produccin
puede utilizar la informacin que presentan los grficos para vigilar el proceso
de produccin.
1. Cuatro puntos, las muestras 2, 3, 4 y 14, estn fuera de los lmites de
control del grfico X . Ninguno de dichos puntos est fuera de los lmites
de control del grfico R.
2. El proceso de fabricacin parece estar fuera de control para las medias,
X , y controlado para recorridos, R. Si el proceso hubiera estado contro-
lado, la proporcin de puntos fuera de los lmites de control habra sido
de slo 1 entre 200. Aqu la proporcin es de 4 de 16, esto es, un 25 por
100.
Basndose en dicha informacin, el supervisor puede adoptar dos posturas:
1) evaluar la capacidad del proceso, y 2) buscar las causas que hacen que el
proceso est fuera de control.
Para establecer la capacidad del proceso se puede obtener una estimacin
de , la desviacin estndar, partiendo del recorrido medio (vase Tabla 7 en el
Apndice):
R 25
V 10, 748
d2 2, 326
Si se puede mantener el proceso bajo control con una desviacin estndar

de 10,748, su tolerancia naturales de aproximadamente la media 32,25. As
que, con el proceso bajo control, ser capaz de producir artculos dentro de la
tolerancia establecida de la media 0,040.
La media deseada, segn las especificaciones, es 4,000 0 en la escala
modificada. La media estimada de anchura de los espaciadores, basndonos en
las 16 muestras, es 15. Con una media de 15 y tolerancias naturales de media
32,25, la mayora de los productos estaran dentro del recorrido 17,25 a
47,25. El recorrido aceptable es de 40 a +40. La produccin de espaciado-
res no satisfactorios puede evitarse reduciendo la media desde 15 al deseado 0.
Con una media de 0 y 1 tolerancia natural, la mayor parte del producto estara
dentro del recorrido 32,25 a +32,25, perfectamente dentro del recorrido
aceptable.
Figura 1.2. Grfico de control para la produccin de banda espaciadora: a) traza-

do de anchos de muestra promedios, grfico X; b) trazado de gamas de muestra,
grfico R.
El supervisor puede llegar a la conclusin de que el proceso de fabricacin

de separadores es capaz de producir artculos de calidad aceptable. Sin embar-
go, para lograr dicho objetivo hay que cumplir tres condiciones:
1. Deben establecerse las causas que despus habrn de corregirse
que hacen que las muestras 2, 3, 4 y 14 estn fuera de control.
2. Debe reducirse la media del proceso a 0.
3. El proceso debe permanecer bajo control.
CALIDAD DE CONCORDANCIA CON EL PROYECTO:

MUESTREO DE ACEPTACIN
El supervisor de produccin del departamento que fabrica los espaciadores
puede utilizar grficos de control o tcnicas similares para vigilar la calidad del
producto a medida que se va fabricando. En esta fase se pueden realizar ajustes
y modificaciones tempranos para garantizar una produccin de gran calidad.
Este procedimiento, conocido como vigilancia del proceso, es algo que el
comprador no tiene a su disposicin. Tpicamente, el cliente ser un comprador
de una planta de montaje de camiones. Tiene la responsabilidad de proporcio-
nar separadores que cumplan con los requisitos del ensamblaje de ruedas. Una
vez que se recibe un lote de separadores, digamos varias cajas, procedentes del
fabricante de componentes, las opciones del comprador son limitadas. Lo
puede aceptar en su totalidad, rechazarlo por completo, o devolverlo al fabri-
cante para que sustituya los espaciadores defectuosos y vuelva a enviar el lote.
Para llegar a la decisin apropiada, el comprador puede valerse de uno entre
dos mtodos alternativos:
1. Inspeccin al 100 por 100. Aqu la decisin se basa en la inspeccin (y
prueba si es necesaria) de todos los separadores recibidos.
2. Muestreo de aceptacin. En este caso, nicamente se examina una pe-
quea muestra. Se llega a una decisin sobre el total del lote partiendo
de la informacin obtenida de ella.
La ventaja del muestreo de aceptacin sobre la inspeccin al 100 por 100
radica, fundamentalmente, en el bajo costo (y escaso tiempo) del primer siste-
ma. Un muestreo de aceptacin adecuadamente realizado llevar a la adopcin
de decisiones que pueden ser fiables en la mayora de los casos, aunque no sean
perfectas. El procedimiento tpico de muestreo de aceptacin implica determi-
nar el tamao de la muestra y el nmero crtico de artculos defectuosos que
contenga. Supongamos que los separadores se envan en cajas de 1.000 unida-
des y que el consumidor, una planta de montaje de camiones, considera que un
1 por 100 de artculos defectuosos es aceptable. El comprador puede obtener un
procedimiento de muestreo de aceptacin basndose en el MIL-STD-105D,
referencia muy utilizada en este sentido (y de la que se habla con mayor detalle
en el Captulo 11). El plan de muestreo supone que n = 80 y c = 2. El
procedimiento de muestreo de aceptacin implicado en este plan es el siguiente:
tomar una muestra de 80 separadores de cada caja y probarlos todos. Aceptar
la caja si se encuentran dos o menos separadores defectuosos. Si se encuentran
tres o ms separadores defectuosos, rechazarla.
La probabilidad de que se acepte una caja depender, evidentemente, de la

calidad o de la fraccin defectuosa que en ella se halle. Si todos los separadores
de una caja son buenos (por ejemplo: si la calidad es 0 por 100 defectuosa) est
claro que la caja ser aceptada. Es imposible encontrar tres artculos defectuo-
sos en la muestra si la caja no contiene ninguno.
A medida que aumenta la fraccin de artculos defectuosos, las probabilida-
des de aceptacin disminuyen. Para dar un ejemplo, consideremos tres niveles:
1, 2 y 10 por 100. Si el producto es defectuoso en un 1 por 100, cuntos
artculos defectuosos se encontrarn en una muestra de 80? La caja contiene un
1 por 100 de defectuosos, es decir, 10 en total. La cantidad de ellos que entrarn
en la muestra depender de las leyes de probabilidades. La aplicable en este
caso es la ley de Poisson. En el Captulo 2 se estudia con mayor detalle esta ley.
Utilizando la ley de Poisson se puede estimar que si el muestro se realiza 1.000
veces, en 449 oportunidades tendr 0 artculos defectuosos, en 360 tendr uno,
y en 144 oportunidades tendr dos artculos defectuosos. En las otras 47
oportunidades, la muestra tendr tres o ms artculos defectuosos y la caja ser
rechazada. Por tanto, la probabilidad de que se acepte una caja con una
calidad del 1 por 100 es de un 95,3 por 100. Clculos similares nos daran la
probabilidad de aceptacin de otros niveles de calidad (Tabla 1.4). La Figura
1.3 muestra la probabilidad de que se acepte una caja en funcin de la calidad
del producto que contiene. Tal curva se denomina caracterstica operativa del
procedimiento de muestreo.
Puede observarse que siempre que el producto sometido a este plan de
muestreo es del nivel de calidad aceptable del 1 por 100 o mejor, la probabili-
dad de aceptacin es muy alta, del 95 por 100 o superior. Incluso productos
ligeramente inferiores (de un 2 por 100) tienen una probabilidad razonable de
ser aceptados: 78 por 100. Si el producto es marcadamente inferior (un 10 por
100, por ejemplo) es casi seguro que ser rechazado, ya que su probabilidad de
aceptacin es tan slo del 1,4 por 100. Es deseable que cualquier plan de
muestreo proporcione proteccin adecuada tanto al productor como al consu-
midor (comprador y vendedor). Cuando el fabricante produce un artculo de
buena calidad, la probabilidad de que sus lotes sean rechazados deber ser
baja. Por otra parte, el consumidor desea tener la seguridad de que tambin
es baja la probabilidad de que se acepten lotes de mala calidad.
TABLA 1.4. Resumen del muestreo
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 %
Figura 1.3. Curva caracterstica operativa de un procedimiento de muestreo.
CALIDAD DE FUNCIONAMIENTO: FIABILIDAD

Una vez que el comprador acepta el producto y lo pone en funcionamiento,
sea de forma independiente o como parte de un conjunto mayor, su calidad de
funcionamiento ser juzgada segn el tiempo de servicio til del producto. Esto
es lo que significa la palabra fiabilidad. Cuando se observan dos elementos
despus de cierto tiempo, t, de ponerlos en servicio, se considerar ms fiable el
que tenga mayores probabilidades de seguir operando satisfactoriamente. En
algunos casos es posible y deseable basar los procedimientos de muestreo de
aceptacin en la fiabilidad del producto.
Unos grandes almacenes utilizan un elevado nmero de bombillas. Los
datos que se conservan sobre dos lotes de 1.000 unidades cada uno adquiridos
a proveedores distintos (y competidores entre s) muestran los resultados que
recoge la Tabla 1.5.
Se puede relacionar el porcentaje de bombillas que todava funcionan con la
probabilidad de que cualquier bombilla seleccionada al azar siguiera an fun-
cionando. En otras palabras: las dos curvas de la Figura 1.4 pueden verse como
los patrones de fiabilidad de las bombillas suministradas por los dos proveedo-
res. El producto del proveedor B es claramente superior, ya que es ms fiable
para cualquier perodo de medida.
TABLA 1.5. Funcionamiento de las bombillas
Porcentaje de bombillas que an

funcionan
Horas Proveedor A Proveedor B

0 100 100
200 92 98
400 85 96
600 71 93
800 59 88
1.000 43 80
1.200 34 71
1.400 25 61
1.600 17 52
2.000 12 46
Figura 1.4. Vida de las bombillas de los dos proveedores.
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-
duccin de tal empresa, entre ellos la calidad, dependen de cmo se llegue a

estas decisiones, de la estructura de la red de comunicaciones y de la consi-
guiente implementacin. En un momento dado, todas las personas, cualquiera
que sea su nivel en la empresa, desde el presidente del Consejo hasta cualquier
obrero, influyen en la calidad.
La influencia del obrero aparece clara. Ni las tcnicas de control de calidad,
ni los sistemas de direccin, ni los objetivos de la direccin de la empresa
producen artculos de alta calidad. Slo unos obreros motivados y bien prepa-
rados, que usan un equipo idneo y materiales adecuados, pueden obtener
productos de alta calidad. Cualquier esfuerzo dirigido a mejorar la calidad que
prescinda de los obreros est condenado al fracaso.
Los ejecutivos de niveles inferiores, como los supervisores de lnea, son el
ltimo eslabn en el proceso de comunicacin de decisiones y el primero en su
implementacin. Si dichas personas tienen dudas sobre cualquier decisin, lo
ms probable es que no la implementen correctamente, que lo hagan de forma
inadecuada, o ambas cosas. Lo mismo ocurrir si no entienden la importancia
de la decisin. A efectos de control de calidad es absolutamente necesario que
entiendan las tcnicas que se utilizan no necesariamente toda la informacin
estadstica ni todos los clculos matemticos, pero s deben resultarles familia-
res, al menos, la aplicacin mecnica de dichas tcnicas y el objetivo que se
persigue con cada una. No deben pensar que el ingeniero de control de
calidad es otro jefe ms al que hay que satisfacer y mantener tranquilo, sino,
por contrario, que es una persona que les ayuda a identificar problemas en su
lnea o en el lugar donde trabajan.
Los mandos intermedios, desde los supervisores de seccin hasta los geren-
tes de planta o divisin, son las responsables de la adopcin de decisiones sobre
las operaciones normales. Los cuatro ingredientes bsicos en la fabricacin de
un producto de alta calidad motivacin, capacitacin, equipo y materiales
dependen de tales decisiones. La calidad del producto final ser todo lo buena
que sean stas.
Los altos ejecutivos, desde los vicepresidentes hasta el presidente del Conse-
jo de Administracin no intervienen, por lo general, en las decisiones operativas
diarias. Como el nmero de horas de la jornada es limitado, cualquier partici-
pacin en tales decisiones les restara tiempo para dedicarlo a su funcin
principal: la adopcin de decisiones estratgicas y de aquellas que afectan a la
poltica general de la empresa. Su papel en cuanto a la mejora de la calidad se
limita a: 1) establecer las normas generales de poltica empresarial; 2) crear un
ambiente, en el seno de la empresa, que estimule y fomente mejores decisiones
por parte de los ejecutivos intermedios, y 3) estructurar la empresa de forma
que se faciliten tanto la comunicacin como la implementacin de tales deci-
siones.
Se ha dicho, acertadamente, que en una empresa la calidad es cosa de
todos.
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
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.
SOBRE ESTE LIBRO
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
probabilidades pueden considerarlo superfluo y omitirlo. A otros, este captulo

les proporcionar los principios bsicos necesarios.
El resto de la obra se divide en tres partes. La parte II se ocupa de los
aspectos de vigilancia del proceso de calidad de concordancia con el proyecto.
Deqcribe cmo se crean los diferentes tipos de grficos de control. Pretende,
adems, ayudar al lector a interpretar la informacin proporcionada por dichos
grficos. La parte III trata de los aspectos del muestreo de aceptacin de
calidad de concordancia con el proyecto. Aqu se destacan los procedimientos
de muestreo creados por el Ministerio de Defensa de Estados Unidos. Los
planes creados por dicho Ministerio, llamados estndares militares, suponen
una fuente de procedimientos de muestreo fiables y fcilmente accesibles, y su
utilizacin no est limitada en ningn caso a usos militares. La parte IV se
ocupa de la calidad de proyecto y de la calidad de funcionamiento, y hace
mayor hincapi en esta ltima. Esta parte se ocupa tambin de la direccin de
calidad y de la interrelacin calidad-productividad.
Todas las partes son esencialmente independientes entre s y se pueden
estudiar en cualquier orden. Quienes necesiten conocer la visin de conjunto de
estadstica y probabilidades del Captulo 2 tambin tienen dos alternativas: la
primera, estudiar el Captulo 2 en su integridad antes de pasar a las partes II,
III y IV; la segunda empezar por leer las partes II, III y IV volviendo inter-
mitentemente al Captulo 2 cuando sea necesario.
2
Fundamentos de estadstica
y probabilidad en el control
de calidad
Todo director de Control de Calidad se formula siempre las mismas pre-

guntas sobre la situacin del proceso de produccin: se est desarrollando
como es debido? Se ha producido alguna desviacin de la operacin normal?
Si la respuesta es afirmativa, exige dicha desviacin que se emprenda algn
tipo de accin correctora? Determinarlo es crucial para un control de calidad
eficiente. Si se producen desviaciones que no se detectan o que, aun detectndo-
se, no se corrigen, la calidad del producto se deteriorar. Pero, por otra parte, si
el director se excede en las correcciones, o adopta el hbito de iniciar acciones
correctoras innecesarias, los costos del control de calidad crecern sin que sta
se beneficie en absoluto de dicho esfuerzo econmico.
Existen tcnicas basadas en la estadstica y en las de probabilidades que el
director puede utilizar para adoptar decisiones correctas sobre preguntas tan
importantes. En este captulo presentamos los principios bsicos de la estadsti-
ca y la teora de las probabilidades necesarios para la creacin de dichas
tcnicas. Odioso es decir que el tratamiento que damos a ambos temas no es, ni
mucho menos, exhaustivo. No pretendemos que lo sea. La nica razn de su
presencia en este captulo es ofrecer a los profesionales del control de calidad
ciertos conceptos bsicos. Quienes tengan inters y deseen profundizar en el
estudio de la estadstica y la teora de las probabilidades pueden encontrar
numerosos y excelentes libros para cualquier nivel de conocimientos: bsico,
avanzado o especializado. En la seccin correspondiente a bibliografa de este
mismo libro relacionamos algunos ttulos.
Las tcnicas mencionadas son fundamentales para disear cualquier pro-
grama de control de calidad. Se pueden utilizar mecnicamente, sin entender a
fondo los principios estadsticos o del clculo de probabilidades. En ocasiones,
basta con ensear el empleo de las tcnicas, especialmente cuando se trata de
21
operarios de control de calidad, o de produccin que mantienen datos sobre

control de calidad. En numerosos programas acadmicos, el primer curso
de control de calidad est dedicado exclusivamente a dichas tcnicas, y suele
denominarse control estadstico de calidad. La posicin que mantiene este libro
es la de que el control de calidad es la suma de todas las actividades de control,
tanto directas como indirectas, destinadas a producir un artculo de gran
calidad. En este sentido, el control estadstico de calidad es un aspecto concreto
del 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
En este libro, la palabra probabilidad se utilizar exclusivamente para indi-

car probabilidad antes de que se produzca el hecho.
En general, la probabilidad es un nmero entre el 0 y el 1, ambos inclusives.
Para cualquier acontecimiento A
0 Pr(A) 1
FUNDAMENTOS DE ESTADSTICA Y PROBABILIDAD EN EL CONTROL DE CALIDAD 23
El principio los sucesos desconocidos son igualmente probables se utiliza

frecuentemente para determinar la probabilidad. Dicho principio lo formul el
matemtico francs Laplace a principios del siglo XIX. Para entenderlo mejor
nos serviremos de un ejemplo: supongamos que en determinado recipiente hay
3 bolas verdes y 9 rojas. Se vendan los ojos a una persona y se le pide que
extraiga una bola. De acuerdo con el mencionado principio, dicha persona
puede sacar una cualquiera de las 12 bolas. La probabilidad de que saque una
bola especfica es, pues, de 1/12. La probabilidad de que la bola que tome sea
roja es de 9 x 1/12, o 9/12, o un 75 por 100.
Este concepto de probabilidad se denomina concepto de frecuencia relativa
de la probabilidad. En este sentido, la probabilidad es una relacin, una frac-
cin:
Nmero de resultados que llevan al suceso

Probabilidad=
Nmero de resultados posibles
LEYES DE PROBABILIDAD
Definicin. La probabilidad condicional Pr(A | B) es la probabilidad de que

se produzca el suceso A si sabemos que se ha producido el suceso B.
Daremos un ejemplo para comprender mejor el concepto: una caja contiene
100 piezas de plstico, que se distribuyen as:
30 piezas son redondas y de color rojo.
20 piezas son redondas y de color verde.
40 piezas son cuadradas y de color rojo.
10 piezas son cuadradas y de color verde.
Si una persona con los ojos vendados saca una pieza, la probabilidad de
que sta sea redonda es de 0,50, puesto que 50 de las 100 piezas son redondas.
Sin embargo, si sabemos ya que la pieza es verde, la probabilidad condicional
de que sea redonda es de 0,667 puesto que 20 de las 30 piezas verdes son
redondas.
A = suceso que produce la extraccin de una pieza redonda

B = suceso que da lugar a que dicha pieza sea verde
Pr (A) = 0,50
Pr (A | B) = 0,667
Definicin. Se dice que dos sucesos, A y B, son estadsticamente indepen-

dientes entre s si Pr(A|B) = Pr(A) y Pr(B|A) = Pr(B).
Evidentemente, el hecho de que la pieza seleccionada sea redonda y el hecho

de que sea verde no son sucesos estadsticamente independientes.
Definicin. Se dice que dos sucesos, A y B, son estadsticamente dependien-

tes cuando no son estadsticamente independientes.
Esta dependencia estadstica no supone dependencia fsica alguna ni impli-

ca, tampoco, relacin de causa y efecto. A su vez, la dependencia fsica o la
relacin de causa y efecto tampoco suponen dependencia estadstica.
Definicin. Pr(A B), esto es, la probabilidad de A y B es la probabilidad de

que se produzcan los sucesos A y B.
Pr(A + B), esto es, la probabilidad de A o B, es la probabilidad de que se
produzca el suceso A o el B, o ambos.
Pr(Ac), esto es, la probabilidad del complemento de A, es la probabilidad de
que no se produzca el suceso.
Algebra de probabilidades
Las definiciones citadas anteriormente nos permiten formular ciertas reglas

algebraicas de aplicacin a la teora de las probabilidades:
Propiedad complementaria:
Pr(A + A c ) = 1
Pr(A Ac ) = 0
Propiedad conmutativa:
Pr(A + B) = Pr(B + A)
Pr(AB) = Pr(BA)
Propiedad asociativa:
Pr(A + (B + C)) = Pr((A + B) + C)

Pr(A(BC)) = Pr((AB)C)
Propiedad distributiva:
Pr(A (B + C)) = Pr((A B) + (A C))

Pr(A + (B C)) = Pr((A + B ) ( A + C))
Propiedad condicional:
Pr(AB) = Pr(B|A)Pr(A) =
= Pr(A | B) Pr(B)
Sucesos mutuamente excluyentes
Si los sucesos A y B son mutuamente excluyentes (por ejemplo: la ocurren-

cia de uno evita que ocurra el otro), entonces:
Pr(A + B) = Pr(A) + Pr(B)

Pr(A B) = 0
Sencillos problemas de calidad resueltos como problemas

de probabilidad
Muchos problemas para descubrir un deterioro en la calidad se pueden

estudiar como problemas de determinacin de la naturaleza de un suceso
aleatorio. Esta seccin muestra cmo varios problemas que se dan frecuente-
mente en la evaluacin de calidad se pueden plantear como problemas de pro-
babilidades. Si se formulan adecuadamente, se puede aplicar el lgebra de
probabilidades para obtener sus soluciones.
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
probabilidad de deteccin = Pr(A + A c B|A C ) =

= Pr(A) + Pr(Ac B | Ac) = Sucesos mutuamente excluyentes
= Pr(A) + Pr((B| Ac) | Ac) Pr(Ac) = Propiedad condicional
= Pr(A) + Pr(B| Ac) Pr(Ac) (B|Ac)|Ac = B|A =
3 3 7 97 8
g
10 9 10 30 15
Ejemplo 2.2
Hay tres vlvulas de seguridad independientes en un Chemical Reaction Vessel

(podra traducirse como recipiente para reacciones qumicas, pero supongo que tiene
un nombre especfico). La probabilidad de que la vlvula X funcione adecuadamente es
de 0,9; la de la vlvula Y, de 0,8; y la de la vlvula Z, de 0,7. Qu probabilidades hay de
que funcionen exactamente dos vlvulas? (Las vlvulas funcionan de forma indepen-
diente entre s.)
Sean X, Y, Z = casos en que las vlvulas X, Y, Z funcionan (respectivamente). Tres
modos posibles de que exactamente dos vlvulas funcionen son:
1. XYZc.
2. XYcZ.
3. XcYZ.
La probabilidad de que dos vlvulas funcionen
= Pr(X Y Zc + X Yc Z + Xc Y Z) =
= Pr(Z Y Zc) + Pr(X Yc Z) + Pr(XCY Z) =
= Pr(X) Pr(Y) Pr(Zc) +
+ Pr(X) Pr(Yc) Pr(Z) +
+ Pr(Xc) Pr(Y) Pr(Z) =
= (0,9)(0,8)(0,3) + (0,9)(0,2)(0,7) + (0,l)(0,8)(0,7) =
= 0,398
ESPACIO, DISTRIBUCIN Y FRECUENCIA DE SUCESOS

Los resultados aleatorios de cualquier proceso o decisin son, todos ellos,
sucesos aleatorios. El conjunto de todos ellos se denomina espacio de sucesos.
Por ejemplo, cuando una persona juega a la lotera slo pueden producirse dos
sucesos posibles: que gane (= W) o que pierda (= L). El espacio de sucesos es
el conjunto de dos sucesos {W, L}. Cuando se arroja un dado puede salir
cualquiera de sus lados. Si stos estn numerados del 1 al 6, el espacio de
sucesos ser el conjunto de seis sucesos {1, 2, 3, 4, 5, 6}. Un husillo fijo en un
torno puede tener un dimetro situado entre 1,365 y 1,375 cm. En este caso,
cualquier nmero real situado dentro del recorrido entre 1,365 y 1,375 repre-
senta un suceso posible. Este espacio de sucesos puede considerarse continuo e
infinito, mientras que los espacios de sucesos para el lanzamiento de un dado o
jugar a la lotera son discretos y finitos. Cuando cualquier suceso dentro de un
espacio de sucesos est representado por un nmero, ste se denomina espacio
de sucesos numricamente valorado. En los ejemplos citados, la lotera no
produce un espacio de sucesos numricamente valorados, el husillo s. Los
resultados de un espacio de sucesos numricamente valorados se consideran
valores diferentes de una variable aleatoria. En el caso del husillo, se dice que la
variable aleatoria D = dimetro, tiene valores en el recorrido entre 1,365 y
1,375, y cada suceso del espacio de sucesos se describe cuando la variable
aleatoria D tiene algn valor numrico determinado. En el anlisis de proble-
mas de control de calidad es preciso tratar exclusivamente de variables aleato-
rias en vez de sucesos. Aunque en esta seccin se define la distribucin de

probabilidades slo para sucesos, en otros captulos y secciones se utilizarn
las distribuciones de variables aleatorias.
Definicin. El conjunto de las probabilidades de todos los sucesos de un

espacio de sucesos se denomina distribucin de probabilidad de dicho espacio de
sucesos.
La distribucin de probabilidad suele tener inters cuando el espacio de

sucesos es numricamente valorado. Sin embargo, hay espacios de sucesos que
no son numricamente valorados y tienen una distribucin de probabilidad.
Por ejemplo, en el caso de la lotera, la distribucin de probabilidad puede
posiblemente darse como P(W) = 0,0001, P(L) = 0,9999. Esta es una distribu-
cin de probabilidad completa.
Definicin. La funcin que asigna un valor a la probabilidad de cada

suceso en el espacio de sucesos se denomina funcin de probabilidad.
As pues, la funcin de probabilidad de los resultados de lanzar un dado

son:
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
La funcin f() se denomina funcin de densidad de probabilidad (FDP) de la

funcin de probabilidad Pr(). Como todas las integrales de f() deben ser
probabilidades, la funcin f() debe satisfacer tres requisitos:
para cualquier x del espacio de sucesos.
para cualquier suceso fuera del espacio de sucesos.

Del mismo modo, la funcin de probabilidad debe tambin satisfacer los
siguientes requisitos:
1. Pr(E i ) 0 para cualquier suceso E i del espacio de sucesos.
2. Pr(U(E i )) = 1 donde U(E i ) es el conjunto de todos los sucesos del
espacio de sucesos.
3. Pr(E i) = 0 para cualquier suceso fuera del espacio de sucesos.
Estos requisitos pueden utilizarse para probar si una funcin se puede
considerar funcin de probabilidad o funcin de densidad de probabilidad.
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]
Aqu se satisfacen la primera y la tercera de las condiciones citadas. Para probar la

segunda puede determinarse la probabilidad de U(E)
Pr(U(Ei)) = Pr(x = 1) + Pr(x = 2) + Pr(x = 3) + Pr(x = 4) + Pr(x = 5) =
1 2 3 4 5
1
15 15 15 15 15
Por tanto, esta funcin puede calificarse de funcin de probabilidad.
Definicin. Cuando un espacio continuo de sucesos est formado por

todos los nmeros reales en el recorrido entre un valor mnimo k y un valor
mximo m, la integral
t
k f ( x ) dx F (t ) k dtdm
se denomina funcin de probabilidades acumuladas en t. Para un espacio discre-

to de sucesos la funcin de probabilidades acumulativas viene dada por la suma
t
Pr( x j)
j k
ESPERANZAS MATEMTICAS Y MOMENTOS
La esperanza matemtica o valor esperado de una funcin h(x) de una

variable aleatoria se define como
E[ h( x )] h( x ) f ( x ) dx si x es continuo
h( x ) Pr( X x) si x es discreto
La afirmacin anterior implica que si x es una variable aleatoria con una

funcin de densidad de probabilidad f(x) o Pr(X = x) y se observan los valores
de la funcin h(x) durante un perodo prolongado, los valores observados,
como promedio, tendrn un valor dado por la ecuacin [2.3].
Aunque para la mayora de las funciones se puede definir y calcular una
esperanza matemtica, las esperanzas matemticas de dos tipos de funciones
son de gran inters en el estudio del control de calidad.
1. Las esperanzas matemticas de las potencias de x, tales como x, x2, x3.
Estas potencias se conocen como momentos de x. El momento de mayor
importancia es el primer momento, la propia esperanza matemtica de
x. Este valor, E(x), se representa generalmente por la letra P , y se
denomina media de la variable aleatoria x.
Definicin
media = E(x) = P x [2.4]
2. Esperanzas matemticas de las potencias de la diferencia (x P ), tales

como (x P ), (x P ) 2 , (x P ) 3 , etc. Se denominan momentos
centrales. El momento central de mayor importancia es el segundo
momento central, o la esperanza matemtica de (x P ) 2 . Este valor,
E(x P ) 2 se representa generalmente por el smbolo a 2 , y se conoce
como la varianza de la variable aleatoria x.
Definicin
varianza = E(x - P ) 2 = 2 x [2.5]
La media y la varianza describen dos de las caractersticas ms destacadas

de la distribucin de cualquiera de los datos aleatorios. La media es una
medida de la tendencia central y la varianza es una medida de la variabilidad.
Una medida alternativa de la variabilidad es la raz cuadrada de la varianza, o
a. Esta medida se conoce como la desviacin estndar de la variable aleatoria x.
Hay que recordar que los que se definen en esta seccin son los momentos
para la funcin de densidad de probabilidad completa, esto es, la poblacin de
todos los sucesos posibles para todos los valores factibles de x.
Existen dos importantes relaciones dentro de las esperanzas matemticas:
1. Si k es una constante, E[k h(x)] = k E[h(x)].
2. Si h 1 (x) y h 2 (y) son dos funciones de las variables x e y, entonces
E[h 1 {x) + h 2 {y)] = E[h 1 (x)] + E[h 2 {y)].
Ambas relaciones se pueden probar expresando la esperanza matemtica
como una integral.
Se pueden utilizar estas relaciones para determinar las medias y varianzas
de las sumas de variables aleatorias.
ALGUNAS DISTRIBUCIONES TILES PARA EL ESTUDIO

DEL CONTROL DE CALIDAD
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:
E = seleccionar y bolas entre N bolas

E 1 = seleccionar x bolas rojas entre n bolas rojas
E 2 = seleccionar y x bolas siempre que se seleccione una muestra
El suceso E se produce siempre que se seleccione una muestra de tamao y.

El suceso conjunto E Y y E 2 se da cuando exactamente x de las bolas y bolas
son rojas.
Probabilidad de x
= 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.
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
La distribucin hipergeomtrica es la distribucin natural y bsica aplicable a la

mayora de las situaciones que se dan en el control de calidad. Cuando un comprador
adquiere grandes cantidades de determinados artculos, puede resultarle antieconmico
inspeccionar todos y cada uno de ellos. Hay que llegar a conclusiones basndose en una
inspeccin por muestreo. Vamos a presentar un problema de inspeccin por muestreo.
Ejemplo 2.6
Una empresa adquiere grandes cantidades de resistencias. El fabricante suele prepa-

rarlas en cajas de 1.000 unidades. Las especificaciones exigen que el nmero de defec-
tuosas sea menor del 1 por 100. Para realizar pruebas puede que la empresa ordene al
inspector que tome una muestra de 20 resistencias de cada caja y que pruebe cada una
de ellas. Si el producto, tal como se enva, contiene el 1 por 100 de artculos defectuosos,
cul es la probabilidad de que el inspector no encuentre ms de un elemento defec-
tuoso?
N = 1.000, n = 10(1 % de 1.000), y = 20.
probabilidad requerida2 = Pr(0) + Pr(l) =
10 990 10 990

0 20 1 19 0, 97
1000 1000

20 20
Si el inspector realmente encuentra 2 o ms elementos defectuosos, estar

plenamente justificado que llegue a la conclusin de que el producto no es
defectuoso al 1 por 100, como exigen las especificaciones, sino que el porcentaje
de elementos defectuosos es mayor. En consecuencia, el inspector puede recha-
zar el envo.
Desgraciadamente el carcter de esta distribucin hace que resulte casi
imposible crear tablas de valores fcilmente utilizables. Ha de calcularse cada
probabilidad de forma individual, valindose de largas y tediosas multiplicacio-
nes. Por esta razn, aunque es la natural, la distribucin hipergeomtrica se usa
muy poco en control de calidad. En la mayora de los casos se usa una
distribucin aproximada adecuada.
Distribucin binomial
Si se lleva a cabo una serie de N pruebas y el resultado de cada una es un

xito, con una probabilidad ce, o un fracaso, con una probabilidad 1 a, y
los resultados de dichas pruebas son independientes entre s, cul es la proba-
bilidad de que exactamente x de dichas pruebas sean xitos?
Supongamos que N = 3 y que x = 1. Si se contemplan las tres pruebas
como secuencia, hay tres maneras en que slo una muestre un xito. Dichos
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
La probabilidad de que x de N pruebas sean xitos viene dada por
N x N-x
Pr(x) = (l - ) [2.13]
x

Esta distribucin se llama distribucin binomial, ya que la probabilidad de x

es exactamente el trmino (x + i)-simo en la expansin binomial de
[() + (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.
Figura 2.1. Nmero de caras en seis lanzamientos de una moneda ordinaria.
Distribucin de Poisson
Siempre que la probabilidad de que se produzca un suceso determinado sea

muy pequea en cualquier instancia especfica, pero, a la vez, el nmero de
instancias posibles sea enormemente grande, la distribucin de los sucesos se
realiza mediante la 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
La distribucin de Poisson tambin se utiliza de dos formas en el control de

calidad. En primer lugar, da una buena aproximacin, en ciertas condiciones,
de la distribucin binomial. La segunda aplicacin se ilustra con el siguiente

ejemplo.
Ejemplo 2.8
Un proveedor suministra una gran cantidad del artculo CXB-12, y en el pasado se

ha observado que el 1 por 100 es defectuoso. Si se inspecciona una muestra de 100
unidades de CXB-12, cul es la probabilidad de que se encuentren exactamente 3
defectuosos?
O n p 100 u 1% 1, 00
e O O x e 1 13
Pr(3) | 0, 062
x! 3!
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
donde P y son constantes (parmetros). Tanto e como S tienen el significado

normal de las matemticas tradicionales (e base de los logaritmos neperia-
nos = 2,71828; S = relacin entre la circunferencia y el dimetro = 3,1416...).
Esta distribucin se conoce como distribucin normal, como la que puede
esperarse que se d normalmente, o como distribucin de Gaus, en homenaje a
su creador.
Para estudios de control de calidad, la distribucin normal se utiliza de tres
formas. En primer lugar, se puede esperar su uso cuando se miden ciertas
caractersticas de calidad de un producto3. En segundo lugar, en ciertas condi-
3
La distribucin de frecuencia del dimetro que aparece como un histograma en la Figura
2.7, es una distribucin normal.
ciones puede resultar una aproximacin til a la distribucin binomial y,

tambin, a la distribucin hipergeomtrica. Por ltimo, se puede demostrar que
la distribucin de los valores caractersticos medios en muestras grandes tiende
a seguir la distribucin normal con independencia de la distribucin de los
datos originales de las muestras. (Hay ciertas condiciones que deben cumplirse
y que se explican en la seccin siguiente.)
Figura 2.3. Densidad de funcin normal (o de Gauss).
A causa de su gran utilidad, la distribucin normal se representa tanto

como
1 ( x P )2 /2V 2
f ( x) e
2SV
as como mediante la funcin acumulativa

x
I ( x) f ( x)dx
f
Como caso especial, si la media = 0 y la varianza 2 = 1,
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
la varianza z = (y P )/ es una variable aleatoria normal estndar y
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
tendr una distribucin normal estndar
1 z2 / 2
f ( z) e
2S
Cuando y = 500, z = (500 510)/4 = 2,5. Por tanto,

2,5
Pr( y d 500) Pr( z d 2,5) f ( z )dz
f
Esta cantidad aparece tabulada en la Tabla Al como 0,0048. La probabilidad de

que un recipiente tomado al azar contenga menos de 500 g de caf es de 0,0048.
Distribuciones exponencial y de Weibull
Las distribuciones normal, binomial y de Poisson se usan ampliamente en

trabajos de control de calidad. Otras dos distribuciones, exponencial y de
Weibull, resultan tiles cuando la calidad de funcionamiento se mide en trmi-
nos de fiabilidad del producto. La distribucin exponencial viene dada por
1
f ( x) e x /T para x 0
T
F ( x) 1 e x / T
La Figura 2.4 muestra la forma de las funciones de densidad exponencial.

La distribucin de Weibull viene dada por
E 1
E x J x J E
f ( x) exp para x t J
D D D
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.
Figura 2.4. Funcin de densidad exponencial.
JERARQUA DE APROXIMACIONES
Como se ha dicho, la distribucin hipergeomtrica es la distribucin bsica

y natural aplicable a casi todos los casos en que se aplique control de calidad.
La poblacin est formada por todos los elementos fabricados o comprados y
es, por tanto, finita, las muestras inspeccionadas no son demasiado pequeas y
cada elemento tiene una caracterstica binaria: satisfactorio o no satisfacto-
rio. Sin embargo, para los ingenieros no es fcil utilizar la distribucin hiper-
geomtrica. Resulta casi imposible crear tablas fcilmente asequibles y utiliza-
bles. Todas las probabilidades deben calcularse por separado y suponen el
clculo de varios factoriales. Para evitar tal complejidad se utiliza una jerarqua
de aproximacin. Primero se hace una aproximacin a la distribucin hiper-
geomtrica por medio de la distribucin binomial. Luego se hace una aproxi-
macin a la binomial por medio de la distribucin de Poisson o de la normal
(Fig. 2.5).
Aproximacin 1
Siempre que el tamao de la muestra, y, es excesivamente pequeo con

relacin a N, esto es, cuando la poblacin N antes del muestreo es aproximada-
mente igual a la poblacin N y despus del muestreo, la distribucin
hipergeomtrica
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

en la que el parmetro = n/N.

Aunque, en trminos estrictos, la aproximacin slo puede utilizarse cuando
y es extremadamente pequeo con relacin a N, en la prctica se puede
utilizar la aproximacin siempre que y sea menor que el 10 por 100 de N.
Figura 2.5. Jerarqua de aproximaciones.
Aproximacin 2
Siempre que el parmetro a sea aproximadamente igual a 0,5, la funcin de

probabilidad binomial
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
donde los parmetros P y 2 son iguales a N y N(1 ), respectivamente.

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
Cuando el parmetro a es muy pequeo y/o N, es un nmero pequeo, la

funcin de probabilidad binomial
N
Pr( x) D x (1 D ) N x
x
puede ser aproximada por medio de la funcin de probabilidad de Poisson

e x O x
Pr( x)
x!
donde el parmetro O = N.
Por razones de conveniencia, la aproximacin de Poisson a la binomial se
utiliza en todos los casos en que no se puede utilizar la aproximacin normal.
Aproximacin 4: Teorema del lmite central
Esta ltima aproximacin no describe aproximadamente una distribucin

hipergeomtrica. Describe el comportamiento aproximado de la distribucin de
probabilidad del valor medio de una muestra de cualquier poblacin. Esta
aproximacin se presenta como un teorema llamado del lmite central.
Teorema. Si x1, x2,, xn son n muestras tomadas de una poblacin con

una media finita P y una varianza finita 2, y si x representa la media (x1 + x2
+ + x n )/n, la cantidad
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
TABLA 2.1. Distribucin de frecuencia
Intervalo Designacin Frecuencia

0-0,15 1 0
0,15-0,25 2 13
0,25-0,35 3 91
0,35-0,45 4 226
0,45-0,55 5 316
0,55-0,65 6 t249
0,65-0,75 7 90
0,75-0,85 8 15
0,85-1,00 9 0
el comportamiento de las medias de pequeas muestras, aunque la distribucin

de la propia caracterstica sea completamente conocida.
Para demostrar el teorema del lmite central se seleccionaron 1.000 mues-
tras de seis nmeros aleatorios de una distribucin uniforme con un recorrido
entre 0 y 1 (Tabla 2.1). La Figura 2.6 muestra la distribucin de frecuencia de
los valores medios de esas 1.000 muestras.
Figura 2.6. Ilustracin del teorema del lmite central.
FUNCIONES DE PROBABILIDAD EN LA PRCTICA

En procesos de fabricacin, muchas de las dimensiones caractersticas de un
producto son variables aleatorias. Slo en contados casos es posible obtener las
funciones de densidad de probabilidad exactas para esas variables usando la

simple lgica (como en el caso del lanzamiento de un dado). Normalmente se
hace necesario obtener una estimacin de la funcin observando una pequea
muestra de la produccin real.
A continuacin presentamos un ejemplo tpico sobre cmo se puede estimar
una funcin de densidad de probabilidad. La Tabla 2.2 es un listado de datos
en bruto obtenidos mediante la medicin del dimetro externo de una muestra
de 100 componentes hechos a mquina. La alusin a componentes hechos a
mquina tiene por objeto dar mayor sentido al anlisis en beneficio del estu-
diante. Hay que dejar sentado que se aplican los mismos principios con inde-
pendencia de lo que se produzca, o de que la medicin se realice en pulgadas,
centmetros, libras por pie, kilos por centmetro cuadrado, ohmios de resisten-
cia, etc. El factor determinante es si la medida es o no de tipo continuo.
TABLA 2.2. Datos en bruto obtenidos por la medicin

de 100 componentes hechos a mquina ( + 0,3800)
0,0024 0,0043 0,0024 0,0048 0,0022
0,0036 0,0066 0,0025 0,0033 0,0025
0,0029 0,0036 0,0032 0,0019 0,0044
0,0036 0,0031 0,0041 0,0035 0,0035
0,0040 0,0034 0,0048 0,0042 0,0041
0,0025 0,0020 0,0048 0,0041 0,0021
0,0019 0,0038 0,0037 0,0039 0,0051
0,0029 0,0034 0,0033 0,0035 0,0025
0,0058 0,0037 0,0032 0,0045 0,0041
0,0050 0,0037 0,0039 0,0031 0,0022
0,0041 0,0025 0,0056 0,0024 0,0033
0,0026 0,0025 0,0036 0,0046 0,0019
0,0043 0,0048 0,0053 0,0032 0,0034
0,0057 0,0024 0,0036 0,0019 0,0036
0,0007 0,0032 0,0044 0,0037 0,0027
0,0037 0,0021 0,0035 0,0011 0,0034
0,0037 0,0043 0,0021 0,0043
0,0048 0,0040 0,0045 0,0028
0,0045 0,0039 0,0028 0,0039
0,0024 0,0025 0,0021 0,0041
0,0030 0,0027 0,0029 0,0048
En esta forma no se puede sacar mucho en limpio de los datos. Una

ordenacin de frecuencias de los datos de mayor a menor mejorara las cosas.
La Tabla 2.3 muestra esta ordenacin descendente con el nmero de ocasiones
en que se ha producido cada medida marcado tantas veces como aparece en los
datos recogidos directamente.
Aunque suponga una mejora con relacin al simple listado, la ordenacin
de frecuencias sigue siendo suficiente para proporcionar una estimacin de la
TABLA 2.3. Ordenacin de

frecuencias de datos (x 10.000
y +0,3800) de la Tabla 2.2
funcin de densidad de probabilidad. Para obtener dicha estimacin, haga lo

siguiente:
1. Prepare una hoja para marcar de distribucin de frecuencias agrupadas,
con los encabezamientos intervalo de clase, marca, f, d, fd, f(d)2
(vase Tabla 2.4).
2. Determine el recorrido de los datos. Para este ejemplo el recorrido =
66 - 7 = 59.
3. Divida el recorrido del paso 2 por un nmero tal que el resultado se
site entre 10 y 20. (Queremos destacar que esto es a ttulo de gua. A
veces pueden resultar aceptables slo 7 grupos y otras puede llegarse
hasta 30 grupos.) Para nuestro ejemplo: 59/5 = 12.
4. Seleccione de la lista preferente que sigue el nmero ms prximo al
utilizado. El nmero as seleccionado representar el tamao del inter-
valo de clase que se va a utilizar. Los intervalos preferidos son 1, 2, 3, 4,
5, 6, 7, 10, 15 o cualquier mltiplo mayor de 5. Para nuestro ejemplo el
intervalo usado es 5.
5. Escriba los lmites de cada intervalo en orden descendente dentro de la
columna de intervalos de clase de la hoja de marcar. Esto, junto con el
otro paso, aparece ya hecho en la Tabla 2.4. Los lmites de un intervalo
son sus valores ms alto y ms bajo. Empiece en la parte superior con el

intervalo mayor y contine hasta incluir el intervalo con la observacin
ms pequea.
6. Marque las observaciones en el intervalo de clase adecuado. La ordena-
cin de la Tabla 2.3 se utiliz slo como ejemplo ilustrativo, de manera
que este marcado se llevar a cabo partiendo de los datos tomados
directamente.
7. Cuente las marcas de cada intervalo y escriba el resultado en la colum-
na f.
8. Divida cada uno de los nmeros de la columna f por el nmero total de
marcas, f Esta es la funcin de densidad de probabilidad estimada.
Esta funcin se conoce, tambin, como de distribucin de frecuencia, ya
que indica la frecuencia relativa de ocurrencia dentro de cada intervalo.
TABLA 2.4. Hoja para marcar de distribucin agrupada de frecuencias
para los datos del ejemplo
REPRESENTACIN GRFICA DE UNA DISTRIBUCIN

DE FRECUENCIA
La imagen visual de la funcin de densidad se puede refinar de varias

maneras. La Figura 2.7 muestra diversos tipos de expresiones grficas con sus
nombres apropiados. La Figura 2.7a es un histograma; la Figura 2.7b muestra
tanto un polgono estimado real y una estimacin redondeada de cmo pudiera
ser la funcin. La Figura 2.7c muestra la frecuencia acumulada de las observa-
ciones existentes en los intervalos por debajo de cada intervalo de clase.
Figura 2.7. Grficos de datos del ejemplo.
suma de frecuencias menores que el

lmite superior del intervalo
probabilidad acumulada=
nmero de observaciones
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
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.
ESTIMACIONES Y SUS DISTRIBUCIONES

Parmetros y sus distribuciones
Tanto los histogramas como los polgonos redondeados de frecuencia dan
una estimacin muy grosera de la funcin de frecuencia. Para obtener estima-
ciones mejores y ms utilizables de la funcin de frecuencia o funcin de
probabilidad es necesario utilizar mtodos matemticos ms formales. Cada
funcin de frecuencia o de probabilidad implica tres tipos de elementos:
1. Variables aleatorias.
2. Nmeros conocidos o constantes.
3. Elementos desconocidos que no son variables aleatorias.
El ltimo grupo de elementos se denomina parmetros. Por ejemplo, la
funcin de probabilidad binomial viene dada por
N
Pr( x) D x (1 D ) N x
x
Donde x es la variable aleatoria, 1 es un nmero conocido y tanto N como

son elementos desconocidos que no son variables aleatorias o parmetros.
De igual modo, la distribucin de Poisson es una funcin de un solo parmetro
con parmetro O.
Los datos observados se pueden utilizar para obtener los valores estimados
de esos parmetros si se puede suponer el tipo o la forma de la funcin de
frecuencia. Cada vez que se observa una caracterstica aleatoria, es un suceso
sujeto a la funcin de distribucin de frecuencia de la variable aleatoria que
mide la caracterstica. El conjunto de todos los sucesos posibles se llama
poblacin o universo. (Poblacin no es lo mismo que el espacio de sucesos al
que aludimos anteriormente. Por qu?) Los datos observados forman un
subconjunto de esta poblacin y se llaman muestra. Los valores de los parme-
tros de cualquier funcin de frecuencia de probabilidad estn relacionados con
la poblacin. Las estimaciones de tales valores obtenidos de la muestra se
llaman estimaciones, estimadores o parmetros de la muestra. Se suelen indicar
aadiendo el smbolo ^. Por ejemplo, I es una estimacin del parmetro
desconocido I . La estimacin puede ser estimacin de punto, que da un valor
especfico para una estimacin, como D = 0,3, o estimacin de intervalo, como
Estimacin de punto
Una muestra aleatoria, x 1 x 2 , . . . , x n se selecciona de un proceso con

funcin de distribucin f(x, ). Una funcin h en la que
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.
Algunas funciones estimadoras tiles
Los parmetros de las tres distribuciones normal, Poisson y binomial

pueden estimarse basndose en observaciones de la muestra y utilizando las
funciones estimadoras que damos a continuacin. En todos los casos, x1, x2,
. . ., xn representan una muestra de observaciones.
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
y V 2 no es una varianza mnima. Por tanto ambas se usan por razones de

conveniencia.
Distribucin de Poisson
El parmetro es estimado por

1 n
n
x
x
i 1
i
Este estimador es neutral, consistente y con varianza mnima.
Distribucin binomial
En la distribucin binomial las observaciones xi son 0 1. El parmetro a

n
es estimado por medio de x (1/ n) xi . El tamao n de la muestra se toma
i 1
como el parmetro N.
Distribuciones de funciones de observaciones de muestras
Las distribuciones de funciones estimadoras, al igual que otras funciones de

valores de la muestra, resultan muy valiosas en problemas de anlisis y estima-
cin. Algunas de las distribuciones ms importantes de funciones de valores
mustrales aparecen ms abajo. Se omite su desarrollo para economizar espa-
cio.
1. Si x l, x 2 , . . ., x n es una muestra de una poblacin normal con una
media P y una varianza 2, la distribucin de x = (1/n) xi es normal
con una media P y una varianza 2/n.
2. Si x1, x2, , xn es una muestra de una poblacin normal con media P y
varianza 2, la funcin
2
n
xi P
u
i 1 V
tiene una distribucin psi-cuadrado con n grados de libertad. La fun-
cin de densidad psi-cuadrado viene dada por
1 1
f (u ) u n / 2 u ( n / 2) 1e (u / 2) Para todo u 0
[(n / 2) 1]! 2
La distribucin psi-cuadrado ha sido ampliamente tabulada y aparece
en la Tabla A4.
3. Si xi, x2,..., xn es una muestra de una poblacin normal con media P y

varianza 2 y s 2 es una estimacin de 2 , obtenida como
2
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)]
Para valores muy grandes del tamao n de la muestra, la funcin de

densidad t de Student presenta la forma aproximada de una funcin de
densidad normal. La distribucin t de Student ha sido tabulada y
aparece en la Tabla A5.
4. Si u y v son dos variables aleatorias distribuidas psi-cuadrado con n y k
grados de libertad, respectivamente, su razn
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
Una hiptesis es una afirmacin sobre las caractersticas estadsticas de un

proceso o una cosa fsica. Una hiptesis es una conjetura. Por ejemplo: si un
campesino observa el pesaje de varios cerdos de su granja, sabr, con certeza, la
media real del peso de los cerdos que observ. Puede avanzar un paso ms y
conjeturar que el peso medio de todos los cerdos de su granja es de k kilos. En
el proceso cientfico tendra entonces que probar su hiptesis contra una hip-
tesis alternativa.
Hiptesis nula H o : peso medio = k kilos

Hiptesis alternativa H1: peso medio k kilos
Es importante que la hiptesis que se va a probar, Ho, se presente antes de

que empiecen a recogerse los datos de la prueba. Si no se tiene en cuenta esta
advertencia, es probable que los resultados sean tendenciosos.
Una prueba es un procedimiento estadstico para determinar la validez de
una hiptesis. En una prueba estadstica, el primer paso es decidir sobre el
tamao de la muestra que debe observarse. Las observaciones que se realizan
de esta muestra se llaman datos de la prueba. Una funcin de los datos de la

prueba, llamada estadstico de prueba, se usa como base de la prueba. Si el valor
del estadstico de prueba cae fuera del recorrido estipulado, hay razones para
rechazar la hiptesis. En caso contrario, no hay base suficiente para rechazarla.
La aceptacin de la hiptesis es muy difcil si slo se usan procedimientos
estadsticos. Sin embargo, desde el punto de vista prctico, el no rechazo de
una hiptesis es un sustitutivo aceptable de la aceptacin de una hiptesis.
Los pasos bsicos para probar una hiptesis son los siguientes:
1. Formular la hiptesis nula. El campesino considerara que su programa
para el engorde de sus cerdos ha sido un xito si el peso medio de los
animales se situara en 200 kilos. Si sospecha que su programa de
engorde no tiene xito, puede probar la hiptesis
H o: P = 200 kg
contra una alternativa
H1: P < 200 kg
Un rechazo de la hiptesis nula verificara sus sospechas. Si la hiptesis
nula no resulta rechazada, el campesino puede tener la seguridad de que
sus temores eran infundados.
2. Especificar la probabilidad mxima a de que la prueba rechace la
hiptesis nula cuando es cierta. Esta decisin se basa usualmente en un
compromiso entre el costo de la prueba y el de una conclusin inco-
rrecta.
3. Definir un estadstico de prueba y su distribucin de probabilidad
suponiendo que Ho fuera cierta. Este es el paso de mayor importancia.
La validez de la prueba de hiptesis depende en gran parte de que este
paso se implemente de forma adecuada.
Como el campesino est interesado en una hiptesis sobre la media,
un estadstico aceptable sera x , el peso medio de los cerdos en una
muestra de n cerdos. Podemos tambin asumir que los pesos de los
cerdos siguen una distribucin normal con media P y varianza 2.
4. Determinar la zona de rechazo. Esta es una zona en la que, si Ho es
verdadera, la probabilidad de que el valor observado del estadstico de
la muestra ocurra dentro de ella es menor que el valor a seleccionado en
el paso 2. La situacin exacta de esta zona vendr dada por la distribu-
cin del estadstico escogido, en este caso x .
5. Llevar a cabo la prueba. El campesino habr de seleccionar aleatoria-
mente n cerdos de la piara, pesar cada uno y hallar la media de peso x
6. Llegar a una conclusin. Si se estableci que la zona de rechazo para
los pesos medios de 12 cerdos fueran valores inferiores a 187 kg (Fig.
2.8), se puede llegar a una conclusin comparando el valor observado
con esta zona de rechazo. Si el peso medio de los 12 cerdos fuese 198 kg,
el campesino carece de base suficiente para rechazar la hiptesis nula.
No tendra que pensar que el programa de engorde de los cerdos es un
fracaso.
Figura 2.8. Zona de rechazo para la prueba de una 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
ERRORES TIPO I Y TIPO II

No es cierto que las conclusiones de una prueba sean idnticas a la realidad,
que es, generalmente, desconocida. En la realidad, la hiptesis Ho puede ser
cierta o no cierta. La conclusin de la prueba puede ser rechazar o no
rechazar la hiptesis. Si la conclusin es que hay que rechazar una hiptesis
que no es cierta o que no hay que rechazar una hiptesis que lo es, no hay
error. En otros casos, las conclusiones a que lleva la prueba pueden ser err-
neas. Hay dos tipos de errores:
Error de tipo I: rechazo de una hiptesis cierta.
Error de tipo II: no rechazo de una hiptesis que no es cierta.
Estas cuatro posibilidades se pueden mostrar de forma esquemtica (
indica que no hay error en las conclusiones).
Realidad
Para cualquier prueba, las probabilidades de cometer cualquiera de ambos

tipos de error se representan por los smbolos y , respectivamente.
Pr(error tipo I) =
Pr(error tipo II) =
Potencia de una prueba
El objetivo de una prueba es discriminar entre dos hiptesis, una cierta y la

otra no cierta. A este objetivo se puede llegar de diferentes formas (por ejemplo,
por medio de muchas pruebas diferentes). Por ejemplo, cuando se prueba una
hiptesis sobre una caracterstica con distribucin normal y varianza conocida,
H o : P = 3cm
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
Figura 2.9. Dos pruebas alternativas para probar la hiptesis H o : P = 3 cm

contra H 1 : P i = 3,5 cm.
de tipo I es el mismo en ambos casos, el error de tipo II es significativamente diferente.

Los valores aproximados de dichos dos errores son los siguientes:
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.
Definicin. Se llama potencia de una prueba a la cantidad 1 .
Esta definicin se usa normalmente para distinguir entre pruebas con el

mismo nivel de significancia (por ejemplo, el mismo a). Ms an, para cualquier
prueba, , y por consiguiente la potencia depender de la diferencia entre lo que
constituye un estado bajo control y otro fuera de control en el proceso de
produccin. En el ejemplo, P = 3cm denota la situacin bajo control y P =
3,5 cm la situacin fuera de control. La diferencia es de 0,5 cm. Si esta
diferencia pasara a ser de 1,5 cm y la nueva hiptesis alternativa fuera H1: P =
4,5. cm, cualquier situacin fuera de control se detectara con mayor probabi-
lidad. Dicho de otro modo: la potencia de una prueba aumentar y dismi-
nuir.
Definicin. La curva caracterstica operativa (curva OC) de una prueba es

un grfico que muestra como funcin de la diferencia entre la hiptesis nula y
la alternativa (por ejemplo: designa los casos bajo control y fuera de con-
trol; vase Fig. 2.10).
Definicin. La funcin de potencia de una prueba es un grfico que mues-

tra la potencia 1 , como funcin de la diferencia (Fig. 2.11).
En el ejemplo 2.11, la prueba 1 se consider ms potente que la 2 cuando el

comn era 0,05 y la diferencia 0,5 cm. Si la prueba 1 fuera ms potente que la
2 para cualquier a comn y para cualquier diferencia, tendra que considerarse
uniformemente ms potente que la prueba 2.
Definicin. Una prueba se denomina la prueba uniformemente ms

potente dentro de un grupo de pruebas W si a) W y b) es uniformemente
ms potente que cualquier otra prueba I W .
Una prueba que es uniformemente ms potente dentro de un grupo se

denomina ptima en sentido incompleto. Se obtiene un sentido ms absoluto
de lo ptimo cuando el grupo W es el de todas las pruebas. Una forma
alternativa de definir lo ptimo de modo ms completo se basa en la distribu-
cin de longitud de racha.
Figura 2.10. Curva caracterstica operativa de una prueba.
Figura 2.11. Funcin de potencia de una prueba.

Definicin. Una prueba es ptima en sentido absoluto cuando su longitud

de racha es estocsticamente la menor en ciertas condiciones.
LONGITUD DE RACHA DE UN PROCESO DE VIGILANCIA
La vigilancia de un proceso de fabricacin incluye, generalmente, los si-

guientes pasos:
1. Observacin y medida de la caracterstica para un tamao de muestra
n, y 1 , y 2 , ,y n
2. Clculo de un estadstico de control D, como una funcin de estas
observaciones:
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) =
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
La Figura 2.12 muestra la forma de una distribucin geomtrica.
Figura 2.12. Distribucin de longitud de racha (distribucin geomtrica) para

= 0,05.
Definicin. Se dice que una variable aleatoria U es estocsticamente mayor

que una variable aleatoria V, cuando para cada t, Pr(U > t) Pr(V > t).
Sea G(t, ) una distribucin geomtrica con argumento t y parmetro :
G(t, ) = 1 - (1 - ) t
Teorema. La familia de una distribucin geomtrica G(t, ); (0, 1) es
estocsticamente decreciente en .
Sean U1 y U2 dos variables aleatorias con distribuciones geomtricas G(t1,

1) y G(t1, 2), y sea l < 2.
Pr(U 1 > t) = 1 - G(t 1 , 1 ) = (1 - 1 ) t
Pr(U 2 > t) = 1 - G(t 1; 2 ) = (1 - 2 ) t
Como 1 < 2,
(1 - 1 ) > (1 - 2 )
y
(1 1 ) t > (1 2 ) t
o
Pr(U 1 > t) > Pr(U 2 > t)
Esto implica que U1 es estocsticamente mayor que U2. Esto es aplicable a

todas las parejas i, j siempre que i y j- estn dentro del recorrido entre 0 y 1.
Teorema. Si una variable aleatoria U es estocsticamente mayor que otra
variable aleatoria V, entonces
1. E(U) E(V).
2. FU(t) FV (t) para todo t.
La parte 1 es intuitiva. Para la parte 2 resulta fcil ver que
Pr(U > t) Pr(V > t)
porque U es estocsticamente mayor.
1 - FU (t) 1 - FV(t)
FU (t) FV (t)
Esta relacin se expresa generalmente de la siguiente forma: la distribucin

de probabilidad de V est limitada por debajo por la distribucin de probabili-
dad de U o, alternativamente, la variable U tiene dominancia sobre la
variable V. La relacin aparece en la Figura 2.13.
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
Figura 2.13. Dominancia estadstica.
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
Sea X1 + X2 + X3 = +10. A cualquier par de las variables X1, X2 y X3 se le puede

asignar cualquier valor (dos opciones libres = dos grados de libertad), pero una vez
que dos de ellas han tomado valores, el valor de la tercera es fijo. Sea
X 1 = -50 y X 3 = +35
El valor de X 2 es fijo en +25 para que
X1 + X2 + X3 = +10
Esto deber resultar evidente de inmediato, pero se llegar al convencimien-
to si se practica con unos cuantos ejemplos. Para otro ejemplo, habr que
recordar que el denominador de la formula de la raz cuadrada de la media era
(n 1). El clculo de la media, X , partiendo de ( X)/n es neutral, pero el
clculo de no lo es a no ser que se considere el nmero de opciones libres.
Dadas tres desviaciones de X respecto de X y con
( 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.
As pues,
10 + 5 15 = 0
y los grados de libertad = (n 1) = 2.

La Tabla 2.5a nos da las sumas de las filas y columnas de una tabla de dos
por dos. El valor rodeado por un crculo en la Tabla 2.5b muestra un valor
libremente asignado. Con ste, los otros valores de la tabla son fijos segn se
indica. As, en este caso hay un grado de libertad, esto es
n 3 = 4 3 = 1
grado de libertad.
TABLA 2.5. Ilustracin de grados de libertad para una tabla
de dos por dos
En la tabla de cuatro por cuatro (filas y columnas) de la Tabla 2.6 la libre

asignacin de nueve valores fija los otros siete. Quiz el lector quiera verificarlo
con unos cuantos problemas hipotticos de carcter prctico.
TABLA 2.6. Ilustracin de grados de libertad de una tabla
de cuatro por cuatro
Hay ocasiones en que se desea comparar la variabilidad dentro de las

columnas con la variabilidad entre columnas. Esto es lo que mide la combina-
cin del grfico X y el R. El grfico X mide la variabilidad entre muestras de
subgrupos (columnas), mientras que el grfico R mide la variabilidad dentro del
subgrupo (columna). Usando la Tabla 2.6 para el clculo del nmero de grados
de libertad, se pueden calcular los grados de libertad entre columnas a partir de
los totales de stas o de sus promedios. Si se trabaja con los totales se ve que se
pueden asignar libremente tres de los totales de las columnas, quedando fijado
el otro por los asignados libremente y el total de la tabla. Los grados de
libertad dentro de las columnas son 12; esto es, hay cuatro columnas en cada
una de las cuales se pueden asignar valores libremente seleccionados a tres de
ellas.
n 4 = 16 4 = 12
Omitiendo mentalmente los totales de fila y columna y dejando nicamente
el total de la columna, se ve que el total de libertad de grados para la tabla
completa es
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
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.
Figura 2.15. Prueba de significancia del ejemplo 2.13.
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.
Las dos secciones siguientes describen una serie de variaciones de pruebas

de significancia aplicables a distintos casos industriales.
PRUEBAS DE SIGNIFICANCIA PARA MEDIAS DE MUESTRAS:

PRUEBAS t
Significancia de la inedia de una muestra de un estndar:

Varianza conocida
Cuando la variabilidad es conocida y estable, slo hay que calcular la media

para la prueba de significancia.
Ejemplo 2.14
Supongamos que una muestra de 10 de un proceso con V ' conocida de 5 da una

dureza Brinell media de 197. Las especificaciones estndar para la media de una
muestra de 10 marcan 200 de dureza Brinell. Si se ha seleccionado 0,01 como nivel de
significancia, se acepta o rechaza la hiptesis nula basndose en esos datos?
Cuando la varianza es conocida, la distribucin de la media de la muestra es normal
y la distribucin de t es normal estndar. Normal estndar es un caso especial de la
distribucin t de Student con infinitos grados de libertad.
( 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.
Significancia de la media de una muestra de un estndar:

Variabilidad desconocida
Cuando la variabilidad es desconocida y debe estimarse a partir de una

muestra, la estimacin de la variabilidad de la muestra debe corregirse para
obtener una estimacin neutral de la variabilidad de la poblacin. El factor de
correccin es n /( n 1) , que se multiplica por estimado a partir de la
muestra. La expresin t se reduce a
( 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
(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.
Significancia de una diferencia entre las medias de dos muestras:

Varianzas conocidas e iguales
Para probar la diferencia entre dos medias se usa la distribucin de

( X 1 X 2 ) . Suponiendo que XY y X2 son independientes estadsticamente,
y la expresin t se reduce a
Ejemplo 2.15
Como ejemplo de esta prueba de significancia, supongamos que se ha perdido la

identificacin de lote de dos lotes y se desea probar si los dos son significativamente
diferentes en cuanto a dureza Brinell. El nivel de significancia escogido es 0,05 porque el
costo de equivocarse es pequeo. Los datos obtenidos de las muestras de cada lote son
los siguientes:
Estos datos nos dan el valor del estadstico de prueba t como

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.
Significancia de una diferencia entre las medias de dos muestras:

' igual pero desconocida
Con muchas frecuencias la varianza es desconocida. Si se desconoce la

varianza de dos poblaciones de prueba, pero se piensa que es la misma (mis-
mo mtodo de procesamiento, materiales, etc.), se puede obtener una esti-
macin ponderada de los valores calculados para en cada muestra. Esta
estimacin ponderada reemplaza, entonces, a ' en la frmula anterior. La esti-
macin ponderada
n1V 12 n2V 22
(V w )
n1 n2 2
Como quiera que hay dos estimaciones de variabilidad de muestra, se han
perdido dos grados de libertad. Tambin ocurre que de la muestra mayor tiene
un peso mayor que el de la menor. Utilizando los datos de dureza X y n del
ejemplo ', anterior, con 1 = 17 y 2 = 12, la solucin de la frmula de t
conduce a
En la Tabla A5 el valor t de dos colas para 198 grados de libertad es el

mismo que para infinitos grados de libertad. Usando el mismo nivel de signifi-
cancia que utilizamos en el ejemplo anterior, 0,05, el valor t de la tabla es 1,96.
Como quiera que el t calculado es menor que el t de la tabla (1,94 < 1,96), se
acepta la hiptesis nula al nivel de significancia de 0,05. En otras palabras, se
concluye que no hay diferencias significativas entre la dureza media de los dos
lotes.
Significancia de la diferencia entre medias mustrales:

Datos de parejas de probetas; varianza desconocida
Es frecuente la imposibilidad de excluir variables no deseadas que afectarn

a los resultados de la prueba. Una forma de resolver este problema es conside-
rar aleatorios los datos de un experimento diseado para el anlisis de la
varianza. Otro mtodo es minimizar el efecto de las variables extraas haciendo
parejas de probetas de prueba para su tratamiento.
Ejemplo 2.16
En una prueba de condiciones climticas para probar la resistencia a la corrosin

de ciertos revestimientos, se pueden minimizar los efectos de diferentes intensidades de
luz solar, humedad, presin, etc., colocando parejas de probetas para probarlos en
diferentes condiciones atmosfricas. Supongamos que pares de pruebas de resistencia a
la corrosin de los tipos de revestimiento I y II dieron los datos que aparecen en la
Tabla 2.8 (en horas antes que apareciera corrosin). Basndonos en la evidencia, es
significativa la diferencia entre los dos tipos de revestimiento?
Las dos columnas adicionales son para la diferencia y el cuadrado de la diferencia
entre las parejas de probetas. Para probar la significancia entre medias cuando los
datos se obtienen en pares de probetas, es necesario comparar la diferencia media con
la media de variabilidad de la diferencia media. La diferencia media es la media de la
tercera columna, que es igual a
( I II ) 6
1, 0
n 6
La medida de la variabilidad es el error estndar de la diferencia media. Si llama-

mos D a la diferencia media y V D a la desviacin estndar de la diferencia, tendremos la
expresin para t de D / V D . V D se calcula a partir de V D n, donde
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)
TABLA 2.8. Datos del muestreo
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.
PRUEBAS t PARA SIGNIFICANCIA DE DIFERENCIAS

RELATIVAS A PROPORCIONES
Significancia de una diferencia entre una proporcin

y un estndar (n elementos)
En caso de no disponer de tablas de probabilidad binomial, se puede usar la

curva normal para probar la significancia de una diferencia entre una propor-
cin y un estndar, basada en la aproximacin normal a la distribucin bino-
mial.
Ejemplo 2.17
A efectos de ilustracin, asumamos que el estndar de un proceso se ha situado en

p' = 0,02. Se toma una muestra de 400 de un lote producido por el proceso y sta mues-
tra una fraccin defectuosa, p, de 0,04. Es la diferencia entre p y p' significativa al nivel
de 0,5 por 100?
Para probar la desviacin de una proporcin con relacin a un estndar, la estads-
tica t de la prueba es
con libertad de grados = f , Como tal,

de forma que la aproximacin normal es apropiada:

0, 04 0, 02
t 2,86
0, 02(1 0, 02)
400
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.
A veces es preferible calcular lo anterior en trminos de cantidades de

elementos defectuosos en vez de como fraccin defectuosa. Entonces, usando
los mismos datos y condiciones,
tal y como se esperaba.
Significancia de una diferencia entre una proporcin y un estndar

(de n elementos y con pequeo p)
A medida que la cantidad np' se hace ms pequea la binomial empieza a

aproximarse a la de Poisson.
Ejemplo 2.17. Continuacin
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.
Significancia de una diferencia entre el nmero de elementos

defectuosos de una muestra y el nmero especificado
por un estndar
La Tabla A3.1 se puede utilizar tambin para probar la significancia siem-

pre que pueda suponerse que existe una distribucin de Poisson. Las distribu-
ciones del nmero de elementos defectuosos y los defectos por unidad siguen la
ley de Poisson. De aqu que se pueda usar esta ley para probar la significancia
de desviaciones de la muestra de un nmero estndar de defectos.
Ejemplo 2.18
El nmero estndar de defectos por unidad para fallos en la pintura de la puerta de

un refrigerador se establece en 0,5. Se seleccionan 10 del proceso que conforman una
muestra aleatoria. Esta muestra da un total de 10 fallos en la pintura. Justifica el
nmero de defectos una decisin de rechazo de la hiptesis indiferente al nivel 5 por
100? En la solucin, 0,5 est situado en la columna c' de la Tabla A3.1. Este valor es
actualmente u', esto es, c'/n cuando n = 1. El valor de u en la muestra de 10 es c/n =
10/10 = 1. El valor de la tabla para c' = 0,5 y c = 1 es 910. Este valor se resta de 1.000
y se convierte en la expresin de probabilidad de 0,09. Dado que 0,09 es mayor que el
valor 0,05 de la significancia, se acepta la hiptesis indiferente y no se concluye que
haya significancia en la diferencia. Esta prueba se usa ampliamente como base de
procedimientos de aceptacin de control de calidad.
Significancia de una diferencia entre dos proporciones

(de n1 y n2 elementos y siendo np' > 5 en cada muestra)
El error estndar de la diferencia (o suma) considerada anteriormente en

este captulo para pruebas de diferencias entre medias puede usarse tambin
para probar la significancia de una diferencia entre dos proporciones cuando
resulta apropiada la aproximacin normal. La estadstica de la prueba es:
p1 p2
t
n1 p1 n2 p2 n1 p1 n2 p2 1 1
1
n1 n2 n1 n2 n1 n2
con grados de libertad = . El denominador es el estimado ponderado de

V p1 p 2 , lo que hace que la frmula parezca ms complicada de lo que en
realidad es.
Ejemplo 2.19
El productor y el consumidor han tomado muestras de un lote. El productor tom

una muestra de 200 unidades del lote y encontr ocho defectuosas. El consumidor
seleccion una muestra de 300 unidades del mismo lote y encontr 24 defectuosas.
Existe diferencia entre sus respectivos resultados al nivel 0,05 de significancia? Llaman-
do p1 al resultado del productor y p2 al del consumidor y sustituyendo los valores en la
ecuacin, tendremos que:
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.
PRUEBAS PARA LA SIGNIFICANCIA DE LA

DIFERENCIA ENTRE VARIANZAS
Todas las pruebas de significancia consideradas hasta ahora se han referido

a promedios. Puede ocurrir que la desviacin de la medida de dispersin de una
muestra sea significativamente diferente de una medida de dispersin estndar.
Por ejemplo, un jugador de golf puede hacer un promedio de 18 agujeros en 75
golpes con un recorrido usual de 5. Supongamos que cambia su swing para
reducir el recorrido a 3 aunque sigue promediando 75 golpes. Alternativa-
mente, puede que al cambiar su swing siga promediando 75 golpes, pero su
recorrido aumenta hasta 7. En el primer caso, la cuestin es si el cambio de
swing redujo la variabilidad significativamente, en tanto que en el ltimo la
cuestin es si la variabilidad creci significativamente. El promedio no ha
cambiado as que esto carece de importancia aqu. Para probar este tipo de
diferencia se usa una prueba conocida por ji al cuadrado (2).
Significancia de una diferencia entre la varianza de la muestra

y un estndar
Cuando se supone que la media no ha cambiado, la prueba para la varianza

incluye la razn
en donde n es el tamao de la muestra, 2 es la varianza estndar y 2 es la

varianza de la muestra.
Ejemplo 2.20
En un proceso de tratamiento trmico, la fuerza de un elemento se mide por

muestras peridicas de tres pruebas cada una. El recorrido de los valores de la muestra
se usa para obtener un estimador de la desviacin estndar como
R'
V '
d2
en donde R es el recorrido medio y d2 es una constante dada por la Tabla A7. Este
proceso tiene una larga historia recogida en archivos y R se ha mantenido aceptable-
mente constante en 6.000 psi. El estimado para la desviacin estndar es
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
pruebas. Es el nuevo proceso significativamente mejor que el proceso existente, al 1

por 100 del nivel?
Cuando 1) la distribucin implcita es normal o aproximadamente normal basada
en el teorema del lmite central; y 2) se supone que la media de esta distribucin no ha
cambiado, la estadstica de la prueba
2
n
x u
u 1 iV '
tiene una distribucin ji al cuadrado con n grados de libertad. Usando X como
estimado de P, los grados de libertad son n 1. La estadstica u se reduce a
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.
Significancia de la diferencia entre varianzas

de la muestra de dos muestras
Consideremos dos muestras de una poblacin normal, con tamaos de

muestra n y k y varianzas V 12 y V 22 respectivamente. Las estadsticas
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
Este cociente tendr una distribucin F con n 1 y k 1 grados de

libertad, respectivamente. El cociente, incidentalmente, es aproximadamente
igual al cociente de las varianzas de la muestra. Por costumbre, la varianza de
la muestra mayor se designa siempre como V 12 (numerador) y la menor como a\
(denominador).
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:
Prueba l (primer turno) Prueba 2 (segundo turno)
Tamao de la muestra, n 9 5
Varianza, 2 9.000.000 psi2 1.000.000 psi2
Al aplicar la prueba F, la varianza mayor es siempre el numerador y la menor el

denominador. El valor de F en este ejemplo puede apreciarse conceptualmente en la
Figura 2.16. F = 9 no es significativo al nivel 0,01, ya que el valor crtico de F asociado
a este nivel es 14,80. Si se hubiera elegido el nivel 0,05, habra sido significativo, ya que
el valor crtico de F asociado con el nivel 0,05 es 6,04. En la tabla, F, Tabla A6,
buscamos df1 = 8 en la parte superior y df2 en la lateral. Los valores crticos de F en
los niveles de probabilidad 0,05 y 0,01 son 6,04 y 14,8 respectivamente.
Figura 2.16. Distribucin aproximada de la estadstica F para (4,8) grados de

libertad.
4
La varianza (el cuadrado de la desviacin estndar) de cada muestra se ha calculado segn
la frmula
2
V 2 X X
n 1
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.
2.7. Si x, la vida de una cubierta de automvil en millas de viaje, es una variable

aleatoria continua con una funcin de densidad de probabilidad
1
f ( x) e x / 30.000 0 x0
30000
a) Cul es la probabilidad de que la cubierta sobreviva a las primeras 20.000

millas?
b) Suponiendo que haya sobrevivido a las primeras 20.000 millas, cul es la
probabilidad de que resista otras 5.000 millas?
2.8. Sea x una variable aleatoria discontinua con la funcin de probabilidad

1
Pr(x) =a = x = 1, 2, 3, 4
2x
a) Determnese el valor de a para que la funcin anterior sea una funcin de
probabilidad legtima.
b) Usando el valor de a, hllese Pr(x 3).
2.9. Pruebe lo siguiente usando la definicin de esperanza matemtica de una fun-
cin h(x) para casos continuos y discontinuos.
a) E(cx) = cE(x).
b) E(cx + d) = cE(x) + d.
c) E(cx + dy) = cE(x) + dE(y).
donde x e y son variables aleatorias y c y d constantes.
2.10. Pruebe que Var (x) = E(x2) - [E(x)]2.
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?
2.17. Se tira un dado regular 5 veces. Cul es la probabilidad de que salga 6

exactamente dos veces?
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.
2.19. Supongamos que el nmero de accidentes que ocurren un da determinado en

una autopista es una variable aleatoria de Poisson con O = 2. Calcular:
a) La probabilidad de que ocurran exactamente dos accidentes en un mismo
da.
b) La probabilidad de que ocurran ms de un accidente en un mismo da.
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?
2.21. En cierta unidad de produccin, el 8 por 100 de las herramientas fabricadas

resultan defectuosas.
a) Determnese la probabilidad de que en una muestra aleatoria de 10 elemen-

tos, 3 exactamente, sean los defectuosos. Utilcese la distribucin binomial.
b) Utilizando la aproximacin de Poisson a la distribucin binomial, vulvase
a calcular la probabilidad anterior. Comprense ambas respuestas.
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?
2.25. Supongamos que la distribucin de una variable aleatoria x es normal estandari-

zada. Calclese:
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?
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:
La planta puede usar los vstagos de ambos proveedores simultneamente slo

si, estadsticamente, no hay diferencia entre las dos medias. Debe seguir la
planta adelante con sus planes o no? (Asuma que = 0,025.)
2.38. El asesor de una asociacin de consumidores quiere comparar los resultados de

los coches fabricados por dos empresas. Uno de los criterios que utiliza es el
tiempo que necesitan los coches pasar de 0 a 60 millas por hora. Se supone que
los tiempos estn distribuidos normalmente con varianzas iguales; sin embargo,
slo se dispone de valores estimados para 2. Los resultados de las pruebas son
los siguientes:
Coche 1 Coche 2
P, tiempo medio para pasar de 0 a 60 9,6 seg 11,4 seg

2 1,1 1,2
n 20 20
La hiptesis a probar se establece como
H 0 : P1 P2
H1 : P1 P2
Hay base suficiente para rechazar H01

2.39. Se pretende comparar las vidas tiles de dos vlvulas de vaco para descubrir
posibles diferencias significativas entre ellas. En idnticas condiciones de voltaje
y temperatura, con vlvulas de cada tipo dieron las siguientes vidas tiles en
horas:
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
Para un nivel a de 0,025 verifquese la afirmacin de que existe una diferencia

significativa utilizando el mtodo de los pares de probetas.
3
Control estadstico de procesos
La mayora de los sistemas de direccin y produccin suponen el empleo

combinado de personas, mquinas y materiales. La funcin de cada uno de
estos elementos puede ser relativamente simple o sumamente compleja. Pero en
cada uno de ellos hay una variabilidad inherente o natural, cuyas causas no se
pueden individualizar, junto con una variabilidad no natural que s se puede, en
consecuencia, controlar hasta que alcance un mnimo valor econmico no
susceptible de ulterior reduccin.
EJEMPLOS DE VARIABILIDAD DE PERSONAS, MAQUINAS

Y MATERIALES
Nuestro ejemplo hace referencia a una operacin de taladrado de una pieza
de fundicin utilizando husillos mltiples. Se fija la pieza de fundicin en una
plantilla. El operario que maneja la taladradora hace girar una manivela y seis
brocas hacen taladros en la pieza. Las brocas funcionan durante un breve
perodo de tiempo, transcurrido el cual la manivela vuelve a su posicin
normal. Cules son las posibles fuentes de variacin? En primer lugar, el
material del que est fabricada la pieza de fundicin presentar alguna varia-
cin de una pieza a otra, lo que dar lugar a que determinadas piezas ofrezcan
ms resistencia a la taladradora por su mayor dureza. La porosidad de ciertas
piezas ser mayor que en otras. Tambin variarn sus dimensiones. Las causas
de variacin del material pueden ser mltiples: adquisicin de materiales inade-
cuados, malas especificaciones sobre materiales, garanta de calidad de los
mismos a todas luces inadecuada, necesidad inmediata de obtenerlos prescin-
diendo de su calidad, considerar el precio de compra ms bajo en lugar del
83
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
El problema de nuestro ejemplo de la mquina taladradora debe relacionar-

se con el nmero de brocas. Cada una de ellas representa un proceso indepen-
diente cuyo producto es un orificio. Suponiendo que se presenten en el mismo
cuatro caractersticas de calidad bsicas: profundidad, anchura, radio y acaba-
do superficial, existirn 6 x 4 = 24 fuentes de posible variacin. El lector
podr imaginarse situaciones anlogas que, con ligeras diferencias, se producen
en procesos continuos y en diversos trabajos de taller.
La tercera causa de variaciones es el hombre, el elemento ms variable de
todos. Las decisiones y las acciones humanas afectan de forma directa la
variabilidad y producen sus efectos en los otros dos elementos: materiales y
mquinas. Como ejemplo de la variabilidad producida por el factor humano
citaremos la caracterstica de profundidad del taladro, una de las caractersti-
cas bsicas de la calidad en nuestro ejemplo.
Es prctica comn en las fbricas establecer una inspeccin del primer
trabajo que realicen las mquinas. Tambin existe la de inclinarse por la opcin
de mximo metal, que refleja un deseo natural de permitir rehacer el trabajo,
toda vez que es comparativamente ms sencillo eliminar mayor cantidad de
metal, si fuera preciso, que reponerlo una vez extrado, tarea mucho ms difcil
y cara y que conlleva, en la mayora de los casos, desechar algn producto
como chatarra. Para que el ejemplo resulte ms fcil de entender, supongamos
que las exigencias del proyecto en cuanto a la profundidad del taladro son de
1,00 0,002 pulgadas y que hay que producir 50 unidades. El operario
encargado de la mquina ensayar y marcar el punto en el que debe detenerse
la broca de forma que la primera unidad producida en esas condiciones d una
lectura de 0,999 de profundidad. El operario se sentir muy satisfecho pensando
que est en la zona de menor profundidad (y de mximo metal, al mismo
tiempo) y que, de no lograr las dimensiones mnimas exigidas a causa de algn
problema no identificado de su mquina, se podran salvar las piezas defectuo-
sas repitiendo el trabajo.
Desde su punto de vista es un razonamiento muy lgico, puesto que l no es
responsable de los costos de inspeccin, repeticin del trabajo o de que la pieza
sea arrojada a la chatarra. Sigue manejando la taladradora sin alterar su
disposicin y vuelve a revisar la profundidad de la dcima unidad. Para su
sorpresa y alarma, la lectura de profundidad est ahora en la nominal de 1,000
pulgadas; vuelve, pues, a preparar la mquina con objeto de producir un
taladro que tenga 0,0001 pulgada menos (que estima que le llevar a alcanzar
una profundidad de 0,999 pulgadas) y termina de producir las unidades en esas
condiciones. La Figura 3.1 indica los resultados de los actos realizados por el
operario de la mquina.
El operario no tuvo en cuenta la variabilidad natural del proceso. La
primera medida, la primera comprobacin, no era mejor indicacin del verda-
dero nivel del proceso que la quinta, la dcima o cualquier otra. La primera
indicaba que la profundidad alcanzada era de 0,999 pulgadas y la segunda,
realizada sin haber efectuado ajustes, indicaba 1,000 pulgadas. La verdad es
que, pese a que crey que lo haba dispuesto todo para mantenerse del lado del
mximo metal, estaba muy cerca del nominal de 1,000 pulgadas, como se
muestra en las lecturas resumidas del proceso original (Fig. 3.1b). El ajuste de
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.
INFERENCIA ESTADSTICA DE LA VARIABILIDAD DEL PROCESO

El control de un proceso empieza con la comprensin de su variabilidad
(Fig. 3.2). Los atributos del producto reflejarn todas las posibilidades de
variacin del proceso. Por ejemplo, el atributo de profundidad del orificio
taladrado presenta una variabilidad que es el resultado de la variabilidad de
los materiales, la maquinaria, o el hombre que participa en el proceso de
taladrado. De aqu que, para comprender adecuadamente la variabilidad de
todo el proceso, resulte esencial vigilar ciertos atributos importantes (o signifi-
cativos) del producto.
Sea x la medida del atributo del producto, x es una variable aleatoria y su
funcin, f(x), de densidad de probabilidad es una funcin de todas las variables
(y, probablemente, de todas las funciones de densidad, PDF) de los recursos
que se emplean en el proceso de fabricacin. La base para entender el compor-
tamiento del proceso de fabricacin es un clculo del PDF f(x).
El procedimiento para controlar un proceso incluir los siguientes pasos:
1. Clculo del PDF de un importante atributo de calidad del producto. Es
preferible que sea el mismo atributo sujeto a las especificaciones
marcadas.
Figura 3.2. Variabilidad de los resultados del proceso.

2. Basndonos en este clculo, tratemos de contestar a la pregunta: Es

satisfactorio el producto (o una proporcin aceptable del mismo) y
conforme a las especificaciones? Si la respuesta es afirmativa, se dice que
el proceso est bajo control y no es preciso hacer ms.
3. Si la respuesta es negativa, la siguiente pregunta que debe contestarse
es: Puede transformarse la respuesta del paso 2 en otra afirmativa
mediante el ajuste ms beneficioso del proceso? Si la respuesta a esta
pregunta es negativa, la capacidad del proceso no es adecuada para
fabricar productos satisfactoriamente conformes a las especificaciones.
En este caso, habr que adoptar cualquiera de las tres opciones indica-
das en la seccin precedente (separacin del producto, cambio del pro-
ceso o cambio del proyecto).
4. Si la respuesta al paso 3 es afirmativa, el paso final es la determinacin
de los ajustes apropiados para el proceso.
Estos pasos se pueden representar de forma grfica como muestra la Fi-
gura 3.3.
Figura 3.3. Pasos en el procedimiento de control.
Volveremos a la misma operacin de taladrado de una pieza de fundicin

usando mltiples husillos para ilustrar este proceso escalonado. Las medidas
que aparecen en la Figura 3.1 incluyen algunas unidades anteriores al ajuste y
otras producidas despus de ste. Para evitar el efecto del ajuste, se ha selec-
cionado un grupo de 15 unidades fabricadas en secuencia sin que haya inter-
venido ajuste alguno; dichas unidades son las que utilizamos en esta ilustracin
(Tabla 3.1).
Atributo de calidad: Profundidad del orificio taladrado
Especificaciones: 1,000 0,002 pulgadas
1,000 2 milsimas de pulgada
Fecha de fabricacin: 17 de enero
Unidades producidas entre: 9.30 y 9.52 de la maana
Para facilitar la estimacin del PDF se hacen dos asunciones:

Asuncin 1: La forma de la distribucin de probabilidad es una distribu-
cin normal.
Asuncin 2: No hay cambio en el PDF durante el tiempo de fabricacin,
esto es, entre las 9.30 y las 9.52 de la maana.
TABLA 3.1
Nmero de la unidad Profundidad ajustada* xx

1 0,3 -0,5
2 -0,5 -1,3
3 1,4 0,6
4 1,2 0,4
5 1,0 0,2
6 -1,4 -2,2
7 0,7 -0,1
8 2,0 1,2
9 0,4 -0,4
10 1,8 1,0
11 0,5 -0,3
12 1,5 0,7
13 0,8 0,0
14 0,5 -0,3
15 1,5 0,7
* Profundidad ajustada indicada (profundidad real en pulgadas x 1.000)

- 1.000.
Si recordamos lo expuesto en el Captulo 2, veremos que los estimados de

los dos parmetros P y 2 de la distribucin normal que hemos asumido vienen
dados por:
15
x1
estimado de P P x 15 0,8
1
2 2
15
( x xi )2
estimado de V V V 2 1 14 0, 79357
De ello se desprende que el estimado de viene dado por
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:
lmite superior de las especificaciones = + 2,00 =

1, 2
0,8 (0,89)
0,89
P 1, 348V
lmite inferior de las especificaciones = 2,00 =

2,80
0,8 (0,89)
0,89
P 3,146V
Con relacin a la Tabla Al, la probabilidad de que una unidad seleccionada

al azar est fuera del lmite superior de las especificaciones cuando la variabi-
lidad de produccin es la que hemos determinado en el PDF es de 8,883 por
100. La probabilidad de que est fuera del lmite inferior de las especificaciones
es de 0,083 por 100. Est claro que la respuesta a la pregunta del paso 2 es
negativa, ya que es probable que ms del 2 por 100 del producto no cumpla con
las especificaciones, al situarse fuera de uno u otro lmite.
Generalmente, la pregunta del paso 3 no se puede contestar slo mediante
deducciones estadsticas. Hay que servirse tambin de la intuicin y de los
conocimientos del funcionamiento del proceso de fabricacin. En este caso, se
asume que la forma del PDF es normal. Dada su forma y simetra se puede
deducir que la proporcin de unidades que no cumplan con las especificaciones
ser minimizada cuando la media del proceso se centre entre los dos lmites de
las especificaciones. Dicho de otra forma: el mejor ajuste a realizar sera situar
entre +2 y 2, 0,00 en lugar del 0,8 observado. Despus de tal ajuste,
lmite superior de las especificaciones = +2,00 = 0,00 + 2,247 V

lmite inferior de las especificaciones = 2,00 = 0,00 2,247 V
Con relacin a la Tabla Al, la probabilidad de que una unidad fabricada

despus del ajuste viole cualquiera de las especificaciones en cuanto a lmites de
1,232 por 100. La proporcin total de unidades que no satisfagan las especifica-
ciones ser de 2 x 1,232 = 2,464 por 100. Por tanto, tambin la respuesta a la
pregunta del paso 3 es negativa. El actual proceso de fabricacin no es capaz de
lograr que ms del 98 por 100 de los productos sean conformes con las
especificaciones. La direccin tendr que elegir entre las tres opciones de sepa-
racin del producto satisfactorio mediante una inspeccin, cambio del proceso
o cambio del proyecto del producto.
VARIACIN A LO LARGO DEL TIEMPO CONTRA VARIACIN

NATURAL DEL PROCESO
La Figura 3.1a muestra un grfico de un ciclo temporal, en el que la escala

horizontal expresa una sucesin de unidades. El eje horizontal tambin se
podra haber denominado tiempo y haber confeccionado la escala de acuer-
do con tal denominacin. A causa de la corta duracin del ejemplo, no resulta

evidente el verdadero efecto de la variacin a lo largo del tiempo. En cualquier
duracin lo suficientemente larga como para que se produzca un deterioro en el
proceso, la variacin natural se confundira con dicho deterioro. La razn
bsica para el control es detectar deterioros no deseados en el proceso y
corregirlos con un mnimo de prdidas. La Figura 3.4 muestra cmo un grfico
de control pierde la mayor parte de su valor si se recogen los datos sin tener en
cuenta el tiempo. Si se mezcla el producto fabricado durante todas las unidades
de tiempo antes de recoger los datos y se representa luego en el grfico al
resumir las marcas (como se hace en la Figura 3.1) mostrarn una distribucin
con una amplia dispersin aunque la capacidad del proceso es mucho mejor
que lo que muestra el grfico. Esto nos lleva a la regla de que slo es posible
establecer la capacidad natural del proceso cuando se han excluido los efectos
del deterioro o, al menos, se han minimizado. Y tambin hay un corolario: de
nada sirve representar grficamente datos de elementos ausentes. El grfico
mostrar, casi siempre, que hay control.
FORMA BSICA DE UN GRFICO DE CONTROL1

Un grfico de control es un dibujo para determinar si el modelo de probabi-
lidad es estable o cambia a lo largo del tiempo. Al describir la conclusin
estadstica sobre la variabilidad del proceso, se utiliz el trmino proceso bajo
control para aludir a un proceso de produccin capaz de ofrecer una propor-
cin satisfactoria de elementos conformes con las especificaciones. Por tanto,
bajo control implica que el modelo de variabilidad del proceso no cambia a
lo largo del tiempo y que el proceso es capaz de cumplir con las especificacio-
nes. El concepto estar bajo control, en relacin con los grficos de control,
est limitado a la variabilidad del proceso que debe ser estable sin tener
para nada en cuenta la capacidad de ste.
Hay diversos tipos de grficos para diferentes casos de control referidos a
distintas pautas de variabilidad. Pero todos ellos tienen unas cuantas caracte-
rsticas comunes y se interpretan de la misma manera. En todos los casos, el
grfico de control es una prueba de una hiptesis, hay un grfico de control
independiente para cada parmetro de la distribucin objeto de estudio y el
grfico es una representacin de un ciclo temporal de las zonas crticas de esta
prueba sobre una escala de ciclos temporales.
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.
Figura 3.4. Comparacin de pautas resultantes de representar grficamente du-

rante el tiempo de la muestra una tendencia en el proceso de fabricacin y las
mismas unidades bien mezcladas al entrar en la inspeccin: a) dispersin natural del
proceso con nivel incontrolado; b) dispersin aparente del proceso producida por la
prdida de control durante el tiempo de la muestra.
En el ejemplo del taladro por mltiples husillos se supone que la distribu-

cin de la probabilidad es normal. Para probar la hiptesis de que la media de
dicha distribucin sea estable se crea un grfico de control como sigue:
Hiptesis indiferente: H0: P = 0,8
Hiptesis alternativa: H1: P 0,8
Como slo se est probando la media, se asume que es constante en 0,89. Si

H0 es cierta, las profundidades observadas, x, estarn normalmente distribuidas
con una media de 0,8 y una desviacin estndar de 0,89. En consecuencia, la
probabilidad de que cualquier observacin est por encima de P + k, o por
debajo de P + k estar representada por la pequea zona rayada que aparece
en la Figura 3.5 como /2. O, si se selecciona como zona crtica la situada fuera
Figura 3.5. Zona crtica con probabilidad de error tipo I = .

de los lmites P + k y P k, la probabilidad de un error tipo I (error de

rechazar H0 cuando es cierta) es . Se puede usar la Tabla Al para obtener de
una determinada k o para obtener k un deseada.
Si se selecciona un k de 2,00, el ser 4,56 por 100. Los lmites de control
son las fronteras de esta zona crtica. Si la pauta de variabilidad es estable, tales
lmites sern idnticos en todas las observaciones. En un grfico de un ciclo
temporal, tales lmites apareceran como una lnea horizontal, como muestra la
Figura 3.6.
En este ejemplo k = 2:
lmite superior de control = P + 2 = 0,8 + 2(0,89) = 2,58

lmite inferior de control = P - 2 = 0,8 2(0,89) = 0,98
El grfico de control completo aparece en la Figura 3.7. Puede verse que el

elemento 6 est muy por debajo del lmite inferior de control. Para el nivel
seleccionado de significancia el nmero de elementos que se puede esperar que
estn fuera de los lmites de control es (15)(4,56)/100, menos de 1. Recordemos
que el nivel de significancia es de = 4,56. Por ello, hay que rechazar la
hiptesis de que la pauta de variabilidad (concretamente la media) es estable
durante el tiempo de fabricacin.
Figura 3.6. Comparacin de los lmites de control con los intervalos de confianza
y los niveles de significancia.
USO DE GRFICOS DE CONTROL

Los lmites de control son los de decisin, que informan a quien los inter-
preta cundo debe investigar. La posicin de los lmites de control, determina-
Figura 3.7. Grfico de control simple.
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
pie a otros problemas no necesariamente relacionados con el control de cali-

dad. Por contra, un grfico adecuadamente llevado producir beneficios en
cualquier fbrica u organizacin de tipo administrativo. Es muy difcil que una
persona o grupo de personas ignoren unas normas que conformen un objetivo
que se puede lograr y que se exhiban en el lugar apropiado. Por el contrario,
debe entenderse que es humano no esforzarse para alcanzar un estndar vir-
tualmente imposible de lograr dados los resultados reales. Hay un punto, que
vara segn las diferentes personalidades de los empleados, en que stos se
sienten frustrados y adoptan una postura indiferente dada su incapacidad para
lograr el estndar que se les exige. Esta situacin no slo afecta al trabajador,
sino tambin a la gerencia. La Figura 3.8 muestra alguna de las indicaciones
ms clsicas de anomalas.
Figura 3.8. Grfico de control que proporciona evidencia para investigar. Forma-,
to de porcentaje de elementos defectuosos usado para ilustrar.
CREACIN DE UN GRFICO DE CONTROL

El control de un proceso por medio de grficos de control incluye dos fases.
Que un proceso est bajo control implica que la pauta de distribucin de
probabilidad de los resultados del proceso no vara de forma significativa a lo
largo del tiempo. Por ejemplo: pensemos en el atributo profundidad x del
orificio taladrado. Un grfico de control probara la hiptesis de que la
distribucin de la probabilidad de x es estacionaria (no vara significativamente
a lo largo del tiempo). Ms concretamente: la media de distribucin es una
constante:
En general, el valor numrico de P0 no ser conocido. La primera fase, a lo que

llamamos perodo base, se usa para estimar parmetros tales como P0. Los
valores estimados se utilizarn en el perodo siguiente, llamado perodo de
vigilancia:
Fase 1: Anlisis del perodo base
Sea xi = valor medio observado del atributo en la i-sima muestra. Esta

es la estadstica del test;
= el error del tipo I especificado;
n1 = nmero de muestras en el perodo base;
1 n1
P 0 xi = estimado de la media obtenida durante el perodo
n1 1
base;
g() = distribucin condicional de x dada una media = P 0 ;
G() = acumulativo de g().
La hiptesis que se prueba en el perodo base es:
H0: PX = P0
contra
H1: Px P0
Se rechaza la hiptesis si G ( xi ) < /2 o si G ( xi ) > 1 /2 para cualquier

muestra i durante el perodo base. La aceptacin de Ho implica que el proceso
est bajo control durante el perodo base; y la media del proceso = P 0 .
Fase 2: Anlisis del perodo de vigilancia
Se sigue usando el estimado P 0 obtenido durante el perodo base durante el

perodo de vigilancia. De aqu que se contine utilizando la misma distribucin
G().
La hiptesis que se prueba en el perodo de vigilancia es:
Ho: PX = P 0 del perodo base
contra
H1: PX P 0
La hiptesis se rechaza si G ( x j ) < /2 o si G ( x j ) > 1 /2 para cualquier

muestra j durante el perodo de vigilancia. Mientras se siga aceptando la
hiptesis, se dice que el proceso est bajo control. Para probar esta hiptesis
hay que establecer un conjunto de lmites de control.
En el lmite inferior de control: G ( x ) = /2

En el lmite superior de control: G ( x ) = 1 /2
La progresin por las dos fases citadas se demostrar con un ejemplo en el

captulo siguiente. Si se rechaza la hiptesis se indicar mediante los trminos:
1) proceso fuera de control; 2) un aviso del grfico de control; 3) falta de
control.
CAUSAS PARA INICIAR LA INVESTIGACIN
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.
Los grficos de control se utilizan para la adopcin de decisiones a corto y

largo plazo. Las decisiones a corto plazo se dan cuando se inicia una labor de
investigacin como resultado de un sntoma de anomala indicado por el
grfico de control. Las decisiones a largo plazo son consecuencia de una
decisin de incluir o excluir ciertos datos en el estndar y los lmites de control
futuros.
En general, la investigacin llevada a cabo durante el perodo base indica la
capacidad del proceso. Estos conocimientos se pueden utilizar para indicar lo
que es posible lograr, si se mantiene un control satisfactorio del proceso, en
perodos posteriores.
RESPONSABILIDAD POR EL GRFICO Y POR LAS ACCIONES

DE AJUSTE
Muchas empresas confan al departamento de Control de Calidad todo lo
concerniente a la actualizacin y mantenimiento del grfico. Esto puede ser
necesario en los primeros momentos en que ste se pone en prctica, pero,
generalmente, el objetivo final tendra que ser que el departamento de Produc-
cin tuviese a su cargo el grfico y la toma de decisiones. En primer lugar,
porque el grfico de control es una herramienta para controlar el proceso. Unos
principios organizacionales slidos exigen que el supervisor de produccin no
slo sea el responsable, sino que tenga todas las herramientas precisas para
controlar el proceso. El grfico de control es una de las ms valiosas y, en
consecuencia, debe estimularse al supervisor para que lo utilice y lo mantenga
actualizado. El uso y atencin exclusiva del grfico de control por parte del
departamento de Control de Calidad tiene una connotacin de medida punitiva
y producir una reaccin en el departamento encargado del proceso, que
tender a resistirse e ignorar la valiosa informacin incluida en el grfico.
MUESTREO DEL PROCESO

Un proceso puede ser sometido a muestreo con doble finalidad: 1) control
del proceso; 2) aceptacin de los productos del proceso. En este ltimo caso, el
objetivo es obtener una muestra representativa del producto procesado desde el
perodo de muestreo anterior, para lo que se seleccionan de manera aleatoria y
estratificada elementos para la muestra del proceso de produccin. En el primer
caso, el objetivo es el de control y debern seleccionarse los elementos para que
den variaciones mnimas dentro de la muestra y mximas entre muestras.
Cabra hablar aqu de los prejuicios del observador y sus efectos. Los
prejuicios del operador deben mantenerse a un nivel mnimo, toda vez que, si se
utiliza adecuadamente, el grfico de control es una herramienta que debe
emplear lo mismo que cualquier otra que tenga en su caja. Si se teme que los
prejuicios puedan surgir de forma cclica, habr que elegir de forma aleatoria el
momento en que debe seleccionarse cada muestra. En general, el propsito de
un muestreo de aceptacin es garantizar calidad despus de haber fabricado los
elementos. Un muestreo de control debe proyectarse para obtener del modo ms

rpido posible cualquier indicacin sobre una desviacin.
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
a) Estimar la media y la desviacin estndar de la resistencia a la tensin.

b) Determinar los lmites inferior y superior de control usando k = 2,5. Es
estable el proceso?
c) Dibujar un grfico similar al de la Figura 3.7.
d) Qu conclusiones se extraen del grfico?
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.
a) Asumiendo que los pesos estaban distribuidos de forma normal, calcular la

media y la varianza.
b) A qu porcentaje de paquetes les faltarn ms de 10 g de peso?
c) Determinar los lmites superior e inferior de control usando k = 2.
d) Est el proceso de produccin bajo control (en el sentido de que la
variabilidad del proceso es estable)?
Nmero del paquete Peso Nmero del paquete Peso
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
Grficos de control para

caractersticas
variables de calidad
Una caracterstica variable de calidad es aquella que se puede medir segn

una escala de valores variable. Como la magnitud de la desviacin se puede
determinar mediante instrumentos para medicin de variables, resulta posible
obtener ms informacin sobre la caracterstica de calidad objeto de estudio.
Como podra suponerse esa informacin slo se obtendr si se invierte ms
dinero. En general los instrumentos para medicin de variables son ms costo-
sos de adquirir, mantener y utilizar. Sin embargo, en muchas ocasiones la
informacin que se logra y la reduccin de inspecciones que se posibilita
compensan con creces la cantidad invertida.
Ejemplos muy conocidos de caractersticas variables son la temperatura,
presin, resistencia a la traccin, dureza y acidez. Tambin son ms o menos
familiares los calibres que se utilizan para medir dichas caractersticas. En
muchas ocasiones, caractersticas que normalmente se consideran como atribu-
tos pueden ser convertidas a una escala de variables. Un ejemplo es la grada-
cin de sabores. Adems de calificar como bueno o malo el sabor de cierto tipo
de alimentos o de una bebida determinada, se pueden asignar valores numri-
cos bueno y malo con objeto de obtener una gradacin de tipo variable.
Los grficos de control son, probablemente, el mtodo ms utilizado de
control de calidad de caractersticas variables. Aun tratndose de una herra-
mienta importante para el control de calidad resulta exagerada la atencin que
ha recibido en las publicaciones sobre el tema, as como en las instituciones
docentes y en los cursos de capacitacin sobre control de calidad. La gran
difusin de este mtodo ha dado lugar a utilizarlo en muchos casos en los que
no existe justificacin econmica para ello. Se trata de un recurso de control
que slo se debera emplear para un pequeo porcentaje de la totalidad de las
caractersticas de calidad. Sin embargo, cuando su uso est justificado, se
101
convierte en un instrumento de gran importancia y sumamente efectivo para

controlar la calidad de un determinado proceso durante su desarrollo.
PRINCIPIOS BSICOS SOBRE GRFICOS DE CONTROL
Un grfico de control no es ms que una sencilla tcnica grfica para

observar y controlar una caracterstica de calidad de una sola variable. Su
funcin es la de obtener una estimacin del parmetro principal que describe la
variabilidad de dicha caracterstica para luego aplicar tcnicas de comproba-
cin de hiptesis a fin de establecer si el proceso est controlado. En el trabajo
de taladrado mediante mltiples brocas mencionado en el Captulo 3, conside-
ramos la profundidad del orificio como la caracterstica individual de mayor
importancia. El proceso de taladradado se considerara estable y bajo con-
trol siempre que la variabilidad de la profundidad del orificio se mantuviese
constante.
Llamaremos xi a la profundidad del agujero del i-simo artculo producido
y llamaremos P y 2 a la media y a la varianza de la variable aleatoria xi. Si se
observa una muestra de n elementos (por ejemplo: se mide el valor de xi para
cada uno de dichos elementos) la distribucin de probabilidades de la media de
profundidades, x , ser, aproximadamente, la normal, de acuerdo con el teorema
del lmite central. Para x , la media y la varianza sern P y 2/n, respec-
tivamente.
Si el proceso de taladrado es estable, ocurrir que, en todas las muestras
observadas, de n elementos cada una, la media de las profundidades observadas
X estar de acuerdo con la distribucin de probabilidades establecida: normal
con media P y varianza 2/n. Por otra parte, si se hallan varios valores de X que
no estn de acuerdo (por ser demasiado grandes o demasiado pequeos), habr
razones para suponer que el proceso ha dejado de ser estable.
Para cualquier muestra j, se puede determinar la consistencia de X j median-
te la tcnica de prueba de hiptesis. Supongamos que el valor deseado de la
media sea P .. La hiptesis nula sera que el proceso de taladrado funciona
correctamente. De acuerdo con la misma, la media P sera igual a P . La
hiptesis alternativa sera la de que el proceso de taladrado est fuera de
control, en la que la media P es distinta de P.
Hiptesis nula: Ho: P = P0
Hiptesis alternativa: H1: P P0
Si la hiptesis nula es cierta, los valores observados de X seguirn una
distribucin normal con una media P y una desviacin estndar V / n .En
consecuencia, la probabilidad de que cualquier X est por encima de P0 +
kV / n o por debajo de P0 kV / n estar representadas por la zona rayada
de la Figura 4.1. Designemos como /2 la pequea zona rayada que aparece en
cada lado. Si se establece una norma de toma de decisiones segn la cual Ho
ser rechazada siempre que el valor X} de una muestra aparezca dentro de la
zona rayada, la probabilidad de que se rechace Ho pese a ser cierta es de /2 +
/2 . Este es el error tipo I.
GRFICOS DE CONTROL PARA CARACTERSTICAS VARIABLES DE CALIDAD 103
Figura 4.1. Densidad de probabilidades de X en H0.
Por ejemplo, supongamos que P0 = 0,8; n = 1 y k = 2. En este caso,
Para el valor k = 2, la probabilidad a puede hallarse en la Tabla Al y es de

4,56 por 100. La norma de decisin para determinar la estabilidad del proceso
sera: Tome una muestra de un artculo. Mida la profundidad del agujero
taladrado. Si est dentro de los lmites 0,98 a 2,58 acepte la hiptesis. Si la
profundidad es menor de 0,98 o mayor de 2,58 rechace la hiptesis.
Si se acepta H0, la consecuencia que se sigue es que el proceso se halla bajo
control. Si se rechaza, ello implica que el proceso est fuera de control. Los
lmites U y L se conocen como lmite de control superior e inferior, respectiva-
mente. Al utilizar esta norma de decisin, la probabilidad de que se declara que
un proceso est fuera de control cuando, de hecho, estaba bajo control es
de tan solo un 4,56 por 100.
Los lmites U y L pueden emplearse para vigilar el proceso tomando
muestras de la cadena de produccin. Para facilitar su evaluacin se prepara un
grfico como el de la Figura 4.2, que se denomina grfico de control. l valor
del estimador, en este caso X, para cada muestra aparece marcado en el grfico.
En tanto el valor marcado se halle dentro de los lmites de control U y L, la
conclusin es que el proceso est bajo control. En la muestra 7, el valor de X
est fuera de los lmites de control y, por tanto, la conclusin debe ser que el
proceso no est bajo control.
Figura 4.2. Grfico bsico de control.
USO DE GRFICOS DE CONTROL
La Figura 4.1 muestra que la probabilidad de cometer un error tipo I (es

decir, llegar a la conclusin de que de H0 es falsa cuando el hecho es que es
verdadera) depende de la k seleccionada. La Tabla 4.1 presenta la probabilidad
mxima de dicho error (en porcentajes) bajo diferentes premisas de la funcin
de distribucin de probabilidad del clculo.
Condicin 1: La distribucin de probabilidad es aproximadamente

normal.
Condicin 2: La distribucin es simtrica respecto a la media y su varianza
es finita.
Condicin 3: La varianza es finita.
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
13 por cada 10.000 si se considera un solo lmite. La zona ms all de P 3 es

la ms utilizada por la gran mayora de las aplicaciones de grficos de control.
TABLA 4.1. Probabilidades de error tipo I bajo

diferentes asunciones sobre la distribucin
de probabilidad
k Condicin 1 Condicin 2 Condicin 3

2 4,55 11,1 25,0
2,5 1,24 7,1 16,0
3 0,26 4,9 11,1
3,5 0,05 3,6 8,2
GRFICOS PARA CARACTERSTICAS

VARIABLES DE CALIDAD
Cuando se miden las caractersticas de calidad mediante una muestra de

artculos, en la mayora de los casos se puede asumir que resulta aplicable el
teorema del lmite central y que el promedio de los valores medidos tendr,
aproximadamente, una distribucin normal. Para describir completamente la
distribucin normal se necesitan dos parmetros, P y 2. En consecuencia, se
requieren dos grficos para controlar cualquier caracterstica variable: uno para
vigilar el estimador de la media, y el otro para vigilar el estimador de la
variabilidad.
El estimador de la media es:
1 n
X xi
ni1
Los estimadores de la variabilidad son:
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
lmite superior de control = media del estimador

+ 3 desviaciones estndar
del estimador.
lmite inferior de control = media del estimador
3 desviaciones estndar
del estimador.
Figura 4.3. Grfico X.
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.
Figura 4.4. Grfico R.
Figura 4.5. Grfico V .

DERIVACIN DE FACTORES DE GRFICOS

DE CONTROL
Los lmites de control de cualquiera de los tres tipos de grficos de control

van dirigidos a k = 3, tres veces la desviacin estndar de los estimadores. Al
construir los grficos en la prctica, tanto para el perodo base como para el de
vigilancia, se usan factores precalculados para estimar los lmites de control de
medias de pequeas muestras ( X ), recorridos de pequeas muestras (R) o las
desviaciones estndar de la muestra, V 1 . Estos factores se designan por medio
de smbolos y aparecen tabulados en la Tabla A8.
Hagamos que P y 2 denoten el parmetro de la caracterstica X. Usando
las distribuciones aproximadas de X , R y V se puede ver que
la media de X ; P ; promedio de X (designado como X)

V
la desviacin estndar de X ;
n
la media de R ; R
la desviacin estndar del recorrido no tiene una media
de aproximacin simple de V ; V
V
la desviacin estndar de V ;
2n
Los factores para el clculo de los lmites de control se definen del modo
siguiente:
c2 = factor para estimar a partir de V

V = promedio de V
V
c2
V
d2 = factor para estimar a partir de R R
A1 = factor para determinar 3 veces la desviacin estndar
de X a partir de V
V
3 ; A1 V
n
lmite superior de control para el grfico X X A1V
lmite inferior de control para el grfico X X A1V
1
Los smbolos a y s se usan para indicar la cantidad de la muestra. Ambos smbolos se
utilizan en este libro.
A2 = factor para determinar 3 veces la desviacin estndar

de X a partir de R
V
3 ; A2 R
n
lmite superior de control para el grfico X A2 R
lmite inferior de control para el grfico X X A2 R

B3 = factor para determinar el lmite inferior de control para
B
el lmite inferior de control del grfico V B3V

B4 = factor para determinar el lmite superior de control para
B
el lmite superior de control del grfico V B4V

D3 = factor para determinar el lmite inferior de control para
el lmite inferior de control del grfico R = D3 R
D4 = factor para determinar el lmite superior de control para
el lmite superior de control del grfico R = D4 R
Estos factores han sido calculados en numerosas oportunidades tabulndo-

los cuando la distribucin de probabilidad de X es aproximadamente normal.
La mayora de la variabilidad encontrada en los procesos de fabricacin justifi-
ca una asuncin de normalidad aproximada. Esto permite adaptar fcilmente
tales valores tabulados de los factores c2, d2, A1, A2,, B3, B4, D3 y D4 para
determinar los lmites de control.
INICIO DE UN GRFICO DE CONTROL
Antes de dar inicio a cualquier tcnica relativa a grficos de control es

preciso adoptar tres decisiones crticas. Estas decisiones tienen que ver con el
tamao de la muestra, el perodo base y el nivel de significancia y se explican
mediante grficos X y R, como ejemplo.
Tamao de la muestra
Es el tamao n, o nmero de elementos incluidos en cada muestra. De

acuerdo con el teorema del lmite central (Cap. 2) la distribucin del promedio
X de la muestra es aproximadamente el de una distribucin normal y la
aproximacin mejora a medida que aumenta el tamao n de la muestra. Por
esta razn, es preferible utilizar una muestra de gran tamao. Por otra parte, si
la produccin cubierta por una sola muestra debe ser homognea, es deseable
que transcurra un lapso muy breve de tiempo y que el tamao para la muestra
incluya concesiones recprocas entre ambos aspectos. Lo ms corriente es que
se usen los valores 4 5 como tamaos de muestra. Para la mayora de los
productos industriales las medias de muestras tomadas en muestreos de tama-
o 4 5, proporcionan una aplicacin aceptable del teorema del lmite central.
Desde un punto de vista prctico no es difcil encontrar una media y un

recorrido en una muestra de 4 5 y la mayora de los operadores son capaces
de manejar esta aritmtica tan elemental. En muchos casos los grficos los
actualizan a diario (o en cada turno) los mismos operadores.
Perodo base
Un grfico de control es un proceso de vigilancia e incluye una prueba de

una hiptesis para todos y cada una de las muestras. Mientras no se rechace la
hiptesis, la conclusin es que el proceso est bajo control. Esta prueba de la
hiptesis exige necesariamente el conocimiento de la distribucin condicional
de X :
g( X |H0 es verdadera)
y, como consecuencia, la zona crtica para aceptar o rechazar Ho. Por lo
general, en el perodo base se suelen realizar al menos 20 mustreos antes de
que se consideren satisfactorias las estimaciones.
Para determinar si el proceso ha sido estable durante el perodo base se
prueban todas las medias de las muestras observadas en el perodo base contra
la zona crtica de la distribucin condicional estimada. El proceso ser conside-
rado estable si ninguna indica el rechazo de Ho.
Nivel de significancia
Es la probabilidad mxima de error del tipo I o . La seleccin de determi-

na la zona crtica. Para grficos X , con aproximacin normal, la zona de
aceptacin generalmente utilizada es P r 3V donde P y V son las estimaciones
de la media y la varianza de X , obtenidas durante el perodo base. Esto da un
valor de = 0,0027, o 27 por 100.
P x = promedio de todos los valores de X

V A2 R donde R es el promedio de recorridos y A2
es un factor dependiente del tamao n de la muestra.
Zona de aceptacin: X + A2 R .
El grfico de control en el perodo de vigilancia
Una vez determinada la zona de aceptacin para el perodo base y estable-

cida la estabilidad del proceso, se prepara un grfico para vigilarlo. Se dibujan,
en papel cuadriculado, tres lneas horizontales.
Lnea X + A2 R lmite superior de control (UGL)
Lnea X lnea central (CL)
Lnea X A2 R lmite inferior de control (LCL)
Se marcan sucesivamente los valores de los promedios X de la muestra para

todas las obtenidas en el perodo de vigilancia. Siempre que un valor est por
encima del UCL o por debajo del LCL, se dice que da un aviso. Un aviso
indica el rechazo de H0 y la conclusin es que el proceso no est bajo control.
Existe un segundo grfico para vigilar la variabilidad. Este tiene dos lneas
horizontales.
Lnea D4 R lmite superior de control (UCLR)
Lnea D3 R lmite inferior de control (LCLR)
En este grfico se marcan los recorridos R de la muestra.
Ejemplo 4.1 (Continuacin)

Si en el ejemplo 4.1 se consideran las primeras ocho horas como perodo base, se
pueden calcular las lneas para el perodo de vigilancia usando los factores A2, D3 y D4
de la Tabla A8.
Para una muestra de tamao 5:
_X en el perodo base 19,975
R en el perodo base 0,8875
A2 0,58
D3 0
D4 2,11
Para el perodo de vigilancia:
Grfico X : Lmite superior de control = X + A 2 R =

= 19,975 + 0,58(0,8867)= 20,49
Grfico X : lnea central = X = 19,975
Grfico X : lmite inferior de control = X A 2 R =
= 19,975 - 0,58(0,8875) = 19,46
Grfico R. lmite superior de control = D 4 R
= 2,11(0,8875) = 1,8726
Grfico R lmite inferior de control = D 3 R = 0(0,8875) = 0
Estos lmites se han mostrado en los grficos de las Figuras 4.3 y 4.4, respectiva-
mente. (El lector puede verificar dichos lmites en el grfico de la Figura 4.5 como
B4 V y B3 V , respectivamente.)
B
PROCESO NO ESTABLE DURANTE EL PERIODO BASE

En el ejemplo 4.1 los valores X y R de la muestra durante el perodo base
estaban dentro de los lmites de control, como muestran las Figuras 4.3 y 4.4.
Esto implica que el proceso hubiera sido considerado bajo control de haber
utilizado los mismos lmites de control para el perodo base y para el de
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.
TABLA 4.3. Datos del muestreo.
Nmero de la muestra X R Nmero de la muestra X R

1 29,0 11 16 23,8 4
2 25,0 8 17 27,0 5
3 26,0 5 18 28,4 3
4 25,2 5 19 25,4 7
5 25,4 3 20 26,2 6
6 28,0 4 21 27,0 5
7 26,0 5 22 26,0 5
8 27,0 4 23 28,0 3
9 24,8 7 24 26,4 6
10 21,4 4 25 27,3 4
11 23,9 3 26 24,0 4
12 24,1 5 27 22,6 2
13 27,0 4 28 28,0 6
14 26,8 6 29 24,4 5
15 26,4 2 30 26,4 3
De la Tabla A8, para un tamao de la muestra de 5, A2 = 0,58, D3 = 0, DA = 2,11.

Lmite superior de control para R = D4 R = 2,11 x 4,8 = 10,13
Lmite inferior de control para R = 0
Lmite superior de control para X X + A2 R = 25,9 + (0,50 x 4,8) = 28,68
Lmite inferior de control para X X - A2R = 25,9 (0,58 x 4,8) = 23,12
De acuerdo con el paso 3, se comparan todos los recorridos con estos lmites tentativos. La
muestra 1 est por encima del lmite superior de control (vase Fig. 4.6). Esto quiere decir que
el proceso no es estable durante el perodo base. Se elimina del conjunto de datos la
muestra 1. Se obtienen nuevos lmites tentativas de las 29 muestras restantes.
X 747
X 25, 76
29 29
R 133
R 4, 59
29 29
Lmite superior de control para R = 2,11 x 4,59 = 9,68

Lmite inferior de control para R =0
Lmite superior de control para X = 25,76 + (0,58 x 4,59) = 28,42
Lmite inferior de control para X = 25,76 - (0,58 x 4,59) = 23,10
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
Figura 4.6. Grfico de control cuando el proceso no es estable durante el perodo

base.
Lmite superior de control para R = 2,11 x 4,70 = 9,92

Lmite inferior de control para R = 0
Lmite superior de control para X = 26,03 + 0,58 x 4,70 = 28,76
Lmite inferior de control para X = 26,03 - 0,58 x 4,70 = 23,30
Volviendo a los pasos 3 y 4, se observa que los 27 corridos y X estn dentro de sus
respectivos lmites de control. El conjunto de datos del perodo base tiene 27 muestras.
Es posible llegar a la conclusin de que los lmites de control se mantendrn si el
proceso ha de permanecer bajo control. En conclusin: se aplican los lmites (28,76 y
23,30 para X y 9,92 y 0 para R) al periodo de vigilancia. Al mismo tiempo se intenta
establecer las posibles causas para la falta de control en las muestras 1, 10 y 27.
EL GRFICO DE CONTROL DURANTE EL PERIODO

DE VIGILANCIA
Una vez establecidos los lmites de control durante el perodo base, se

pueden utilizar durante el perodo de vigilancia para probar la hiptesis el
proceso es estable (por ejemplo: est bajo control). Una vez establecidos los
lmites de control, no se modifican durante el perodo de vigilancia hasta que se
de el aviso (por ejemplo: la observacin de una muestra indica que el proceso
est fuera de control y se rechaza la hiptesis). Cualquier aviso exigira investi-
gar las causas que producen esa situacin de fuera de control. La investigacin
puede conducir a dos posibles decisiones: 1) la causa probable se considera
aleatoria e improbable en cuanto a su repeticin. En este caso se deja slo al
proceso y no se modifican los lmites de control de los grficos. 2) La proba-

ble causa exige una accin correctora. Si se decide en favor de una accin
correctora, se prescinde del anterior grfico de control y se inicia un nuevo
perodo base.

La observacin de ocho muestras durante el perodo de vigilancia arroj los resul-
tados que se muestran en la Figura 4.4. Los grficos de control X y R durante dicho
perodo aparecen en las Figuras 4.7 y 4.8. Las primeras seis muestras indican que el
proceso est fuera de control en el grfico X . En cualquiera de los grficos puede
aparecer una situacin fuera de control. Un proceso bajo control debe aparecer como
tal en ambos grficos. Si la investigacin para hallar las causas de la situacin de fuera
de control (muestra 7) conduce a iniciar acciones correctoras, se prescindir de este
grfico y se iniciar un nuevo perodo base.
TABLA 4.4
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
Figura 4.7. Grfico X del periodo de vigilancia

Figura 4.8. Grfico R del perodo de vigilancia.
PROBLEMAS
4.1. Un fabricante de chocolate produce pastillas envueltas individualmente. Cada

tableta tiene un peso nominal de 30 g que aparece impreso en la envoltura. Para
el control de calidad se inspecciona una muestra de tres tabletas cada diez
minutos de fabricacin. Se considera que el proceso est fuera de control (por
ejemplo: se rechaza H0) siempre que el promedio X de la muestra caiga fuera de
los lmites 2,56 por ambos lados de la media deseada, P = 30 g. Se asume que la
desviacin estndar es 0,25 g y que el promedio X de la muestra est normal-
mente distribuido cuando el proceso est bajo control. En la muestra observada
a las nueve y diez de la maana el peso medio X es de 30,39 g.
a) Se rechaza la hiptesis indiferente H0?
b) Cul es la probabilidad, , de que se rechace H0 cuando es cierta?
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.
a) Determinar los lmites de control para los grficos X y R asumiendo que k

= 3.
b) Calcular, la desviacin estndar.
4.4. Se deben mantener grficos de control sobre el valor pH de un nuevo champ.

El tamao de la muestra es 4. Despus de 25 muestras, X = 175,5 y R =
13,5. Para k = 3, determine los lmites de control de los grficos X y R.
4.5. Disponer los grficos de control X y R usando limites 3 y los siguientes datos:
tamao de la muestra = 6
nmero de muestras observadas = 20
X = 308,8*
R = 40,6
4.6. Preparar grficos de control X y R usando lmites 3 y los siguientes datos:
tamao de la muestra = 8
nmero de muestras observadas = 15
X = 146,25
R = 22,64
4.7. Hay que preparar grficos de control X y V para la potencia de un motor. El
tamao de la muestra es 5 y se observan 25 muestras. X = 1.885 y = 88.
Establecer los lmites de control de los grficos X y V .
4.8. Un fabricante de automviles quiere preparar grficos de control para el dime-
tro de los pistones. Se dan los siguientes datos:
n = 6
nmero de muestras = 20
X = 71,8 pulgadas
V = 2,32
Preparar los grficos de control X y V .
4.9. En el problema 4.8 la divisin de fabricacin quiere eliminar cualquier pistn
cuyo dimetro caiga fuera de 3,5 0,15 pulgadas. Suponiendo que los pistores
tienen dimetros que siguen una distribucin normal, qu fraccin de los
pistones ser desechada cuando el proceso de fabricacin est bajo control?
4.10. Para el artculo descrito en el problema 4.6, las especificaciones son 10,0 + 0,65.
Suponiendo que el proceso est bajo control estadstico, hasta qu punto puede
cumplir el proceso con las especificaciones?
4.11. Un repuesto de automvil debe cumplir con las especificaciones 5,0 + 0,15. En
caso contrario ser desechado. Los datos reunidos por el departamento de
control de calidad son los siguientes:
n=5
nmero de muestreos = 20
X = 100,2
V = 4,8
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
La variable observada X es 1.000 (dimetro 3,475 pulgadas). Establecer los

lmites inferior y superior de los grficos X y R durante el perodo base. Marcar
los puntos en ambos grficos.
4.13. Indican los grficos del problema 4.12 si el proceso est bajo control durante el
perodo base? Cmo se explicara la diferencia entre la primera parte del grfico
R (muestreos 1-11) y la segunda parte del mismo (muestreos 12-20)?
4.14. Existen grficos para el control de la resistencia a la traccin de una fibra de
poliester. Se estima que la resistencia media es de 90 kg con una desviacin
estndar de 2 kg. El tamao de la muestra es 7 y los lmites de control X 36.
Un cambio en la composicin de uno de los productos qumicos utilizados en el
proceso aumenta la resistencia hasta 92,5 kg sin que haya cambios en la desvia-
cin estndar. Si no se reajustan los grficos, qu porcentaje del promedio de
las muestras caer fuera del lmite superior de control?:
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
la calidad del champ. En un determinado muestreo de cuatro artculos los

valores pH fueron 5,4; 7,3; 7,1 y 7,8. Basndose en esa muestra qu se puede
decir sobre el proceso con respecto a sus grficos de control X y R?
4.18. Se llevan grficos de control sobre la tolerancia de la temperatura de cierto
termostato. Durante el perodo base se hicieron pruebas con 15 muestras, cada
una de un tamao de 6. Las pruebas dieron X = 3079,8 C respectivamente.
Est el proceso bajo control?
4.19. Volvamos al problema 4.18. Un cambio repentino en el proceso cambia la
temperatura media en d. Suponiendo que la varianza se mantiene y que la nueva
X tambin est distribuida normalmente, qu proporcin de los puntos debe
esperarse que caiga ms all del lmite superior de control? El tamao de la
muestra se mantiene en 6.
) Solucionar el problema para d = +7
b) Solucionar el problema para d = 1
4.20. Volvamos al problema 4.7. Se produce una perturbacin en el proceso que hace
que la media X disminuya en 1,0. Suponiendo que se mantiene la caracterstica
normal de X y permanece igual, qu porcentaje de puntos debe esperarse que
caigan fuera de los lmites de control? Asumir que el tamao de la muestra
durante el perodo de vigilancia es de 6.
4.21. La divisin de control de calidad de Hightek, fabricantes de fotocopiadores,
quiere vigilar la longitud de cierto cilindro. Durante el perodo base inspecciona-
ron 20 muestras, cada una de ellas compuesta por cuatro elementos. Los datos
son los siguientes:
62,0 62,5 65,0 64,0
57,4 61,9 58,9 65,6
57,7 61,2 60,6 59,3
60,5 60,9 59,8 62,7
63,2 63,4 59,9 63,3
60,6 61,2 59,8 62,2
65,5 64,9 62,9 64,3
63,4 63,5 60,1 59,8
66,1 65,9 63,7 62,8
58,1 57,8 57,6 61,2
61,1 62,3 62,2 58,7
62,4 63,1 60,0 60,2
59.9 59,6 57,4 61,3
60,4 59,4 59,5 58,3
61,1 63,2 57,8 59,2
62,8 62,4 59,8 60,4
61,9 62,1 63,1 59,1
60,3 60,8 62,2 61,6
62,8 63,1 60,6 63,4
60,2 59,8 59,9 62,0
Qu lmites de control deben utilizarse para los grficos X y R durante

el siguiente perodo de vigilancia?
4.22. Una compaa fabricante de cable aislante quiere vigilar el dimetro de sus
aisladores. Durante el perodo base se realizan 25 muestreos. El tamao de cada
uno es 4. Las medidas de los dimetros individuales son las siguientes:
4,9 4,8 5,1 5,4

5,0 5,8 5,3 5,3
4,4 4,7 4,8 4,6
4,6 5,8 5,4 4,9
5,2 5,3 6,1 5,2
5,0 5,9 5,8 4,8
4,3 4,6 4,7 4,5
4,9 4,9 5,5 5,7
5.9 6,4 6,1 6,5
5,3 5,9 6,1 4,8
4,6 4,6 5,3 5,0
5,3 5,8 5,4 5,1
4,9 5,3 5,2 5,7
5,2 5,4 4,6 5,5
5,4 4,8 4,2 5,1
4,6 4,4 4,9 5,1
5,7 5,4 5,0 4,8
5,1 4,3 5,7 5,8
5,9 6,4 6,2 6,1
5,0 5,1 4,5 4,8
4,9 5,9 5,3 5,2
5,4 5,9 4,4 5,0
5,2 4,7 5,7 5,8
4,0 4,8 5,1 5,8
5,3 5,8 6,0 6,3
Se propone establecer lmites de control de X y R con lmites 3:

a) Es el proceso estable durante el perodo base?
b) Si el proceso no es estable, qu accin necesaria se recomendara para
establecer los lmites de control durante este perodo base?
4.23. Hay que mantener los grficos de control X y R de una compaa de maquinaria
pesada dentro de ciertas dimensiones. Se realizan 20 muestreos de un tamao de
cuatro cada uno. Las lecturas vienen dadas ms abajo. Suponiendo que k = 3,
establecen los lmites de control para los grficos X y R.
9,5 10,2 10,4 9,8

9,9 11,7 12,1 10,3
10,4 12,1 11,8 11,7
10,9 10,5 10,5 10,2
10,7 12,4 12,4 11,7
7,7 9,2 9,2 9,4
11,4 9,5 9,6 11,2
11,9 12,1 10,7 11,4
9,9 9,8 12,1 10,3
10,0 10,4 11,6 10,1
11,3 11,9 10,4 9,1
9,2 9,7 10,9 11,5
10,2 10,3 10,9 11,0
9,9 11,7 10,1 10,7
12,0 11,4 10,8 11,6
11,0 8,8 9,6 9,9
9,5 9,3 9,9 10,4
10,9 11,5 11,2 11,8
8,6 9,4 9,9 9,7
9,5 9,4 9,9 9,7
5
Procedimientos especiales
de control de procesos
Cuando la caracterstica de calidad es variable se suelen utilizar para con-

trol de procesos los grficos X y R. De igual modo, cuando la caracterstica de
calidad es discreta, los grficos ms utilizados son los p, c y P. (Se estudian en el
Captulo 7.) Sin embargo, en ciertos casos puede resultar aconsejable (u obliga-
torio) utilizar ciertas variaciones de dichos procedimientos; a ellas nos referire-
mos en este captulo.
GRFICOS DE CONTROL PARA X Y s1

Al desarrollar grficos X y R, el recorrido R de un subgrupo sirve de
estimador de la desviacin estndar a de la poblacin. Un indicador alternativo
de a es la desviacin estndar 5 del subgrupo. Cuando x1, x2, ..., xm son las
medidas de un subgrupo, la cantidad s se calcula como:
[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
s. Comparados con los grficos X y R, los grficos X involucran mayor

cantidad de clculos a realizar. An ms: los grficos X slo son aplicables
cuando la distribucin de la caracterstica de calidad es aproximadamente
normal. Si hubiera la mnima sospecha de que esta distribucin pudiera diferir
sustancialmente de la normal, lo aconsejable es no utilizar los grficos X y s.
Para preparar los grficos X y s se observan m subgrupos de n elementos
durante el perodo base. Se calculan las cantidades X i y si para cada subgrupo.
A continuacin, se usan las medias de aqullas para obtener los valores estima-
dos de la media P y de la desviacin estndar :
X i X 2 ... X m
X [5.2]
m
s1 s2 ... sm
s [5.3]
m
Los factores A1, B3 y B4, tabulados en la tabla A8 se utilizan para obtener

los lmites tentativos de control.
lnea central para el grfico X X =X
lmite superior de control para el grfico X X A1 s
lmite inferior de control para el grfico X X A1 s
lmite superior de control para el grfico s B4 s
lmite inferior de control para el grfico s B3 s
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
Lnea central del grfico X = 47,55

lmite superior de control del grfico X = 47,55 + 1,6(5,527) = 56,39
lmite inferior de control del grfico X = 47,55 - 1,6(5,527) = 38,71
lmite de control superior para el grfico s = 2,09(5,527) = 11,55
lmite inferior de control del grfico s = 0
s 5527
estimada para el proceso = = 6,57
c2 0,8407
PROCEDIMIENTOS ESPECIALES DE CONTROL DE PROCESOS 123
Los grficos X y s aparecen en la Figura 5.1.

TABLA 5.1. Datos de la prueba
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
TABLA 5.2. Clculos
Subgrupo X s s2
1 46,2 5,23 27,35

2 45,8 7,67 58,83
3 48,2 4,99 24,90
4 50,4 4,95 24,50
5 44,4 8,93 79,74
6 50,4 7,81 60,99
7 46,6 3,72 13,84
8 43,4 3,01 9,06
9 44,4 5,53 30,58
10 50,2 5,53 30,58
11 49,8 2,40 5,76
12 47,0 7,01 49,14
13 51,6 9,22 85,01
14 48,2 6,61 43,69
15 48,2 7,35 54,02
16 51,0 4,93 24,30
17 47,6 6,88 47,33
18 44,8 2,13 4,54
19 44,6 1,74 3,03
20 48,2 4,83 23,33
X = 47,55 s = 5,527 s2 = 700,52
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:
n1 s12 n2 s22 ... nm sm2 [5.4]

s
n1 n2 ... nm
Cuando se utiliza la ecuacin [5.4] para calcular s, no se puede emplear los

factores de la Tabla A8. Sin embargo, es posible obtener los lmites de control
dado que la cantidad
sigue una distribucin t con (m n )/(m + n ) 1 grados de libertad. Cuando

todas las muestras son del mismo tamao n, estas cantidades se convierten en
1 1 mn
(X X ) s y 1
n m mn
respectivamente.
GRFICOS DE CONTROL PARA MEDIDAS INDIVIDUALES
Si los operadores no estn familiarizados con los mtodos de control de

calidad, cabe en la posibilidad que se sientan confusos cuando se represente la
medida promedio de una muestra X , en lugar de cada una de las respectivas
medidas individuales. Consideremos dos muestras de cinco artculos cada una.
El tamao nominal es 3,10.
Muestra 1: Medidas individuales
3,10; 3,12; 3,10; 3,10; 3,00

X = 3,08 R = 0,12
Muestra 2: Medidas individuales
3,04; 3,06; 3,08; 3,10; 3,12

X = 3,08 R = 0,08
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.
Figura 5.1. a) grfico X; b) grfico s.

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 .

Si la asuncin de la distribucin normal precedente no se considera vlida, puede
utilizarse la ecuacin [5.4] para calcular s :
2
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
Por tanto, (X 47,55)/(5,918)(0,50) tiene una distribucin t con tres grados de

libertad. Para calcular los lmites de control con = 0,05, se puede obtener la cantidad
t 0,025, 3 en la Tabla A5:
=
t 0,025, 3 3,182
Lmite superior de control = 47,55 + (3,182)(5,9182)(0,5) = 47,55 + 9,42 = 56,97
Lmite inferior de control = 47,55 - (3,182)(5,918)(0,5) = 38,13
El grfico X aparece en la figura 5.2.

El procedimiento para usar las medias lo describe Clifford2.
2
P. C. Clifford: Control Charts Without Calculations, Industrial Quality Control, vol. 15,
nm. 11, 1959.
Figura 5.2. Grfico X con lmites de control basados en una distribucin t.
Sea
x%i = media de la muestra i
x%
%= media de las medias
m(R) = media de los recorridos
Los lmites superior e inferior de control se calculan como sigue:
lmite superior de control = x%%+ A%2 m(R)

% A%2 m(R)
lmite inferior de control = x%
El factor A%2 ha sido tabulado por Clifford en el artculo citado. La Tabla

5.3 da algunos valores seleccionados. Pueden hallarse ms valores en la Tabla
A10. Para los datos del ejemplo 5.1 las medias y recorridos aparecen en la
Tabla 5.4.
n=5 A%2 = 0,712

%+ A%2 m(R) = 47 + 0,712(14,5) =
lmite superior de control = x%
= 47 + 10,324 = 57,324
lmite inferior de control = x%
% A 2 m(R) = Al 10,324 =
= 36,676
Figura 5.3. Marcado de observaciones individuales.
La Figura 5.4 muestra las marcas de un grfico de control de la media.
TABLA 5.3. Valores selectos de A2

n A%2
3 1,265
5 0,712
7 0,520
9 0,419
TABLA 5.4
Subgrupo x% Recorrido Subgrupo x% Recorrido

1 46 15 11 48 6
2 50 21 12 47 15
3 46 14 13 47 23
4 48 14 14 45 19
5 43 25 15 45 21
6 53 22 16 54 11
7 47 11 17 47 19
8 44 9 18 44 6
9 40 13 19 44 5
10 51 16 20 48 13
x%
%= 47
m(R) = 14,5
Figura 5.4. Grfico de la media.
LIMITES DE AVISO
Los lmites de control de un grfico convencional X dan una seal indican-

do que el proceso puede estar fuera de control. En una distribucin normal con
los acostumbrados lmites de control de la desviacin estndar 3, la probabili-
dad de una seal falsa es de slo 0,0027. Estos significan que el ingeniero de
Control de Calidad puede estar razonablemente seguro de que el proceso est
fuera de control cuando se produzca la seal. El ingeniero no estar seguro si
no se produce la seal. Incluso aunque el proceso haya pasado a estar fuera de
control, es posible que la seal no se produzca de inmediato. Para protegerse
contra retrasos indebidos al detectar tal situacin, algunos expertos recomien-
dan el uso de lmites de aviso. Los lmites de aviso estn situados dentro de los
lmites usuales de control. Si se observa que un punto est fuera de los lmites
de aviso, pero que sigue situado dentro de los de control, ello indica que el
proceso debe vigilarse con mayor atencin.
Hay personas que consideran que los lmites de aviso slo producen confu-
sin y prefieren la exactitud de unos lmites nicos en el grfico. Esta preferen-
cia nace de su ignorancia sobre los principios de probabilidad. Considrense los
lmites de aviso establecidos en dos desviaciones estndar en relacin con la
media. Si la hiptesis indiferente es cierta y el proceso est bajo control, la
probabilidad de que alguna observacin de la muestra est dentro de los lmites
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,
Pr(x 1 ) = 1 - 0,9554 = 0,0446

Pr(x 2 ) = 0,0446
Como x 1 y x 2 son sucesos independientes,
Pr(x 1 y x 2 ) = Pr(x 1 ) x Pr(x 2 ) = (0,0446)(0,0446) = 0,001989
Esta probabilidad es ms pequea que la de recibir una seal de los lmites

de control de tres desviaciones estndar, que es 0,0027.

Estudiemos la aplicacin de los lmites de aviso de 2 a los datos de la Tabla 5.1.
Los lmites de aviso son:
% % 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
lmite inferior de aviso = X%

% 2V 47,55 5,90 41,65
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.
Figura 5.5. Lmites de aviso para el grfico X.
PROMEDIO MVIL Y GRFICOS DE SUMAS ACUMULADAS

(CUSUM)
El grfico X normal utiliza informacin de una sola muestra cada vez.
Cuando se marca en el grfico un valor de X de una muestra, toda la informa-
cin de las observaciones de la muestra anterior se pierde. Tal procedimiento
hace que la operacin sea simple, pero resulta menos eficaz para descubrir
cualesquiera cambios que se produzcan en la media P del proceso. Hay cuatro
mtodos posibles para el tratamiento de la informacin incluida en las anterio-
res observaciones:
1. No usar datos anteriores.
2. Usar todos los datos anteriores.
3. Usar slo una cantidad pequea (pero constante) de observaciones
anteriores.
4. Usar slo la ltima secuencia de observaciones que pueda indicar un
cambio de P.
Los tipos de grficos de control convencionales, o de Shewhart, siguen la
opcin nmero 1, con lo que el procedimiento resulta sencillo, aunque menos
eficaz. Paradjicamente, la opcin 2 conduce tambin a un procedimiento
menos eficiente. La razn es que los datos recientes se combinan con gran
cantidad de datos anteriores, de la poca en que el proceso operaba bajo
control. Una cantidad pequea de datos fuera de control recientes puede
resultar aplastada por la larga secuencia de datos bajo control, lo que no
permitira detectar el cambio de la media P del proceso. La opcin 2 no se usa
en ningn grfico de control. La opcin 3, basada en el uso de las observacio-
nes r de la muestra ms reciente, se usa en los grficos de promedios mviles (o
de sumas mviles). Aqu, la eficiencia en la deteccin de cambios en la media del
proceso depender de r. La opcin 4 es la base de los grficos CUSUM. En
muchos aspectos su uso es similar al de los grficos de promedio mvil. Sin
embargo, el nmero r no est determinado, sino que es un nmero aleatorio
basado en los valores de las observaciones ms recientes. Para promedios

mviles de observaciones individuales se usan generalmente otros grficos. Por
su parte, los grficos CUSUM se usan, por lo general, para promedios de
subgrupos o de X i .
Grficos de promedios mviles
Los grficos de promedio mvil y sus compaeros, los de recorrido mvil,

se aplican generalmente a observaciones individuales. Para distinguirlos de los
grficos convencionales X y R con el mismo tamao de subgrupo, debe recor-
darse que para cada muestra, en los grficos X y R se selecciona aleatoriamente
un nuevo subgrupo de tamao r, mientras que en los de promedio mvil se
observan todos los elementos y cada grupo consecutivo de r observaciones se
denomina un subgrupo. El procedimiento para obtener el promedio mvil y el
recorrido mvil se ilustra en la Tabla 5.5.
TABLA 5.5. Datos para el promedio mvil y el recorrido mvil

Hora Concentracin Promedio mvil Recorrido mvil
de C (%) de 5 horas de 5 horas
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
Ejemplo 5.2
En una reaccin qumica, dos productos qumicos, A y B, reaccionan para formar

un tercero, C. La concentracin de C en la mezcla resultante se vigila cada hora. La
fbrica trabaja veinticuatro horas al da. Para el control se utilizan promedios mviles
y recorrido mviles de perodos de cinco horas. La concentracin de C debe ser por lo
menos de un 10 por 100 para que la fbrica trabaje sin prdidas. Porcentajes ms altos
indican un proceso de conversin ms eficaz y permiten obtener mayores beneficios de
la operacin:
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
Para las observaciones 7, 8, 9, 10 y 11,

5,7 6,6 8,1 12,1 8,7
MA11 8, 24
5
MR11 mx(5,7, 6,6, 8,1, 12,1, 8,7) min(5,7, 6,6, 8,1, 12,1, 8,7) 12,1 5,7 6, 4
En este ejemplo es posible emplear un solo lmite inferior de control, del 10 por 100.
Sin embargo, la prctica general es utilizar los mismos lmites de control que se usan en
los grficos convencionales X y R. La Figura 5.6 muestra los grficos de control mvil y
de recorrido mvil, incluyendo los lmites convencionales.
Los grficos de promedio mvil y de recorrido mvil son de aplicacin limitada
cuando la produccin es discontinua. Est claro que observar todos los elementos
resulta costoso. Sin embargo, estos grficos son muy tiles en ciertos tipos de fabrica-
cin, por dos razones. Primera: la operacin puede ser continua, como ocurre en la
mayora de los procesos qumicos. En segundo lugar, la prctica industrial puede exigir
que se observen y se anoten las observaciones peridicas de cada elemento. Este
registro est disponible para control de calidad.
Grficos CUSUM3
El grfico CUSUM fue propuesto por primera vez durante la dcada de

1950. El grfico utiliza una suma mvil que incluye slo secuencia de datos
recientes que indica un posible cambio en la medida del proceso. En general, los
grficos CUSUM son ms eficientes para detectar pequeos cambios en_ la
media del proceso. La ventaja del grfico CUSUM sobre el convencional X se
seala y analiza en el Captulo 6.
Para entender los principios bsicos de los grficos CUSUM consideremos
un sencillo caso en que sea necesario detectar slo un cambio a valores mayo-
res de la media del proceso.
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.
Figura 5.6. a) grfico de promedio mvil; b) grfico de recorrido mvil.

Hiptesis indiferente: H o : P = P0
donde P 1 > P 0
Hiptesis alternativa: H 1 : P = P 1
X expresa el subgrupo i-simo, como es normal. Cuando el proceso est

bajo control y P 0 es cierta, la cantidad
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
Si el proceso pasa a una situacin de fuera de control y H1 es cierta, el

valor esperado de y1 ya no sera d:
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
Este valor hace que E(yi | H1 ) = d, que es positivo. La suma acumulativa de y1

tender a moverse hacia arriba, mientras H 1 sea cierta (Fig. 5.8).
Un grfico CUSUM es una marca de la suma acumulativa Yk. En tanto que
Yk est generalmente disminuyendo, se deja slo el proceso y se contina el
muestreo. Siempre que se produce un cambio significativo hacia arriba en la
marca de Yk, se da una seal de que el proceso se est yendo fuera de control.
La seal se basa en un incremento c. As, por ejemplo, si el valor ms reciente
de Yk excede en c unidades a un nivel previo de Y, se da una seal. Esto aparece
ilustrado en la Figura 5.9. La eleccin de c es un tanto arbitraria.
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.
Figura 5.7. Valores probables de Yk cuando Ho es cierta.
Figura 5.8. Valores probables de Yk cuando Ho es falsa.

Figura 5.9. Generacin de una seal en un grfico CUSUM.
desviacin estndar es de 0,0028 pulgadas. El proceso se considerara insatisfactorio si

la media creciera hasta 2,998 pulgadas. Se dispone de grficos de control para detectar
este cambio desde el nominal de 2,996 pulgadas hasta 2,998 pulgadas. En la tabla 5.6 se
dan los promedios de treinta subgrupos. Los valores de la tabla estn clasificados
como
( X - 2,990) x 10.000.
Usando la misma escala de la Tabla 5.6 llegamos a lo siguiente:
Dimetro nominal = (2,996 - 2,990) x 10.000 = 60

Tolerancia superior = (3,002 - 2,990) x 10.000 = 120
Dimetro despus del cambio = (2,998 - 2,990) x 10.000 = 80
Desviacin estndar = 0,0028 x 10.000 = 28
Cuando el dimetro medio es nominal,
120 60
Z 2,14
28
La fraccin de produccin que excede de la tolerancia superior es 0,0162, o 1,62 por

100. Cuando el dimetro medio ha cambiado,
120 80
Z 1, 43
28
TABLA 5.6. Promedios de subgrupos

Nmero del Nmero del Xi
Xi
subgrupo subgrupo
1 20 16 37
2 56 17 97
3 39 18 17
4 42 19 80
5 77 20 95
6 21 21 96
7 27 22 96
8 23 23 102
9 12 24 95
10 100 25 90
11 97 26 76
12 37 27 88
13 98 28 90
14 60 29 65
15 12 30 102
La fraccin de la produccin que excede la tolerancia superior es 0,0764, o 7,64

por 100.
Grfico de control convencional:
X = 64,73
Factor A para grficos de control de a conocida, con tamao del subgrupo de 5 =

1,34:
lmite superior de control = X AV ' = 64,73 + (1,34 x 28) =

= 64,73 + 37,52 = 102,25
Aunque dos subgrupos, el 23 y el 30, se acercan al lmite superior de control, el

grfico de control convencional no da seal alguna (este grfico no tiene lmites de
aviso).
Grfico CUSUM: Para un grfico CUSUM los parmetros c y d se seleccionan
de la siguiente forma:
Hiptesis indiferente: Ho:P = 60

Hiptesis alternativa: H1: P = 80
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
Los valores de y i y de Y k = y i aparecen en la Tabla 5.7.

i
TABLA 5.7. Clculos para un grfico CUSUM
El grfico CUSUM seala el cambio en el subgrupo vigsimo primero. A

partir de ese punto, el grfico se mantiene por encima del nivel de la seal. Las
Figuras 5.10 y 5.11 muestran el grfico convencional X y el CUSUM, respecti-
vamente. Puede inferirse que se ha producido un cambio al comparar el prome-
dio de la primera mitad de los datos, 47,67, con el de la segunda mitad: 81,73.
Figura 5.10. Grfico convencional X para el ejemplo 5.3.

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:
Lunes I II 20,00 20,50 20,50 21,00

III 20,00 19,50 19,00 21,00 20,50
20,00 17,50 20,50 17,50 19,00 18,25
Martes I II 18,50 17,75 21,00 20,75
III 18,75 18,00 19,00 20,50 20,00
19,50 20,00 19,25 20,75 19,50 18,75
Mircoles I II 20,50 21,00 21,50 21,50
III 21,25 17,75 18,50 18,25 19,75
20,00 20,25 22,00 19,25 19,00 18,75
Jueves I II 21,00 20,00 19,50 21,25

III 20,75 19,25 20,25 19,75 19,50
19,50 22,50 21,25 21,00 18,50 20,00
Viernes I II 21,00 19,50 20,00 20,50
III 20,50 18,00 18,50 21,00 21,50
23,25 18,50 19,00 21,25 20,75 18,75
Determinar los lmites de control que se utilizaran en los grficos X y S de los

tres turnos. Usar la ecuacin [5.4].
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.
Hora X (kg) R(kg) Hora X (kg) R(kg)
1 495,5 12,8 13 489,0 15,2

2 493,0 13,2 14 493,5 11,6
3 496,0 15,3 15 488,4 11,8
4 497,5 8,3 16 495,5 7,6
5 490,5 7,4 17 491,0 8,4
6 496,0 8,8 18 497,0 7,3
7 500,0 13,2 19 494,5 8,7
8 498,0 7,3 20 490,5 9,8
9 497,0 8,4 21 487,5 9,8
10 496,6 9,2 22 489,4 11,2
11 493,4 10,2 23 488,0 10,8
12 498,0 12,3 24 486,5 12,5
Marcar los grficos X y R. Marcar los lmites de aviso de una media de 2,5
en el grfico. Identificar cualquier aviso.
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
Los grficos de control se emplean para vigilar procesos, generalmente los

de produccin. Por ello, dichos grficos deben satisfacer dos exigencias contra-
rias: 1) si el proceso est, de hecho, fuera de control, el grfico debe sealarlo
tan pronto como sea posible. Cuanto antes se produzca la seal, ms se
reducir la produccin de unidades no satisfactorias; 2) si est bajo control,
cualquier seal que lance el grfico ser una seal falsa. Tal tipo de seales
deben ser infrecuentes. El grfico de control debe permitir que un proceso bajo
control opere durante largo tiempo sin producir seales falsas.
La operacin de un grfico de control es una prueba de la hiptesis de que
el proceso est bajo control. Dos propiedades de la prueba de dicha hiptesis
indican hasta qu punto puede satisfacer un grfico de control los dos requisi-
tos aparentemente opuestos citado antes. Dichas propiedades son: 1) la fuerza
de la prueba, y 2) su recorrido. Ambas propiedades se describen en trminos
generales en el Captulo 2. En ste nos ocupamos con mayor detalle de ambas,
con relacin a grficos de control de caractersticas variables.
CARACTERSTICAS OPERATIVAS DE UN GRFICO DE CONTROL

Ejemplo 6.1.
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
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
Figura 6.2. Curva caracterstica operativa de un grfico X.
La curva de la Figura 6.2 se llama curva caracterstica operativa del grfico

de control. La funcin que describe puede indicarse como sigue:
1. Cuando la diferencia d = 0, la probabilidad de aceptacin = 1 .
2. Cuando la diferencia d 0, la probabilidad de aceptacin = .
Una funcin complementaria que da la probabilidad de rechazo se llama la
funcin de fuerza del grfico de control. La Figura 6.3 da la funcin de fuerza
correspondiente a la curva caracterstica operativa de la Figura 6.2.
CALCULO DE LA CURVA OC
A continuacin se describe un procedimiento sencillo, paso a paso, para

calcular la curva OC de cualquier grfico de control.
Paso 1. Empezar por los lmites de control dados y el valor de k. En el

ejemplo numrico:
UCL = 20,5
LCL = 19,5
k = 3
Figura 6.3. Funcin de potencia de un grfico X.
Paso 2. Calcular la desviacin estndar de X como (UCL LCL)/2&:

20,5 19,5
VX 0,1667
2u3
Paso 3. Seleccionar la diferencia d. Un conjunto adecuado de valores de d

lo proporcionan los mltiplos de (UCL LCL)/2k o V X . Los valores de 0,
V X ,2V X ,3V X ,4V X ,5V X ,6V X sern, generalmente, suficientes.
Paso 4. Para la diferencia seleccionada, determinar la posicin de los
lmites de control correspondientes a la nueva media. Por ejemplo: d = 0,1667
= VX
Nueva media = 20,1667

20,5 20,1667
UCL = 20,5 = 20,1667 + u 0,1667
0,1667
= 20,1667 + 2V X
19,5 20,1667
LCL = 19,5 = 20,1667 + u 0,1667
0,1667
= 20,1667 - 4V X
El lmite superior de control est situado en la media + 2 y el lmite inferior de

control en la media 4.
Paso 5. Calcular la probabilidad de aceptacin usando las tablas de pro-

babilidad normal acumulativa (Tabla Al):
probabilidad de aceptacin = I (UCL) I ( LCL) I (2) I (4)

= 0,9773 - 0 = 0,9773
Paso 6. Repetir los pasos 4 y 5 para todo el conjunto de diferencias (vase

Tabla 6.1).
LA CURVA OC Y EL TAMAO DEL SUBGRUPO
El procedimiento de clculo indica claramente que la probabilidad de acep-

tacin para cualquier diferencia depende de la relacin entre d y V X Siempre
que el cociente d/V X sea grande, la probabilidad de aceptacin ser pequea.
Cuando el cociente d/V X es pequeo, la probabilidad de aceptacin es grande,
llegando al mximo cuando d/ V X es cero.
Como V X = V, / n cualquier incremento en el valor del tamao n de la
muestra hara disminuir V X y, en consecuencia, aumentara d/ V X .Si se hacen
los tamao de muestra mayores, la curva OC del grfico de control resulta ms
pronunciada, en tanto que si los tamaos de la muestra son ms pequeos, la
curva OC resulta una lnea horizontal.
Ejemplo 6.2
P en H o = 12,0
= 1,20
TABLA 6.1. Clculos para la probabilidad de aceptacin
TABLA 6.2
Se consideran tres tamaos de muestra diferentes: n = 2, n = 5, n = 9 (Tabla 6.2).

La Figura 6.4 presenta las curvas OC para los tres grficos de control.
Esta relacin entre la curva OC y el tamao de la muestra permite determinar el
tamao mnimo de muestra que proporcionar la proteccin especificada. La probabi-
lidad deseada se puede enunciar en trminos de la probabilidad de detectar cierto
cambio en la media del proceso. Ilustramos lo dicho en el ejemplo 6.3.
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
Figura 6.4. Curvas OC de grficos de control con tamaos de subgrupos de

2,5 y 9.
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
Figura 6.5. Probabilidad de detectar un cambio.
De donde UCL = 31 2V X . Por lo tanto,
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
La muestra debe tener un tamao de 9, o mayor, para proporcionar la proteccin

deseada.
DISTRIBUCIN DE LA LONGITUD DE RACHA EN CONTROL

DE CALIDAD
Una de las propiedades que se desean en cualquier proceso de vigilancia es
que detecte por s misma cualquier situacin fuera de control tan pronto como
sea posible y que, al mismo tiempo, deje actuar al proceso cuando est bajo
control. Esto es, el proceso de vigilancia debera generar seales de inmediato,
si el proceso est fuera de control, y retrasarlas al mximo si el proceso de
fabricacin est bajo control.
La propiedad citada supone que la distribucin de la longitud de racha,
cuando el proceso est bajo control, debiera ser, estocsticamente, del mayor
tamao posible. Cuando dos procesos de vigilancia, P y Q, operan con el
mismo nivel de significancia, , el proceso P ser mejor si la distribucin de su

longitud de racha, Hp(t1, ) domina a la distribucin alternativa de longitud de
racha HQ(t1, ).
Al mismo tiempo, si el proceso est fuera de control, debera reducirse la
longitud de racha al mnimo posible. La longitud de racha proporciona una
base para comparar procedimientos alternativos de vigilancia de procesos de
fabricacin. Citadas brevemente, las normas bsicas para la seleccin de proce-
dimientos de vigilancia son las siguientes:
1. Cuando la hiptesis alternativa (por ejemplo, situacin de fuera de
control del proceso de fabricacin) no es conocida o no est definida
especficamente, seleccionar los procedimientos de vigilancia que tenga
la longitud de racha estocsticamente mayor cuando el proceso est
bajo control.
2. Cuando la hiptesis alternativa est bien definida y sea especfica, y las
longitudes de racha de dos procedimientos de vigilancia cuando el
proceso de fabricacin est bajo control son estocsticamente iguales,
seleccionar el procedimiento de vigilancia cuya longitud de racha sea
ms corta estocsticamente cuando el proceso est fuera de control.
Sean
t = intervalo de tiempo entre muestras (se supone que constante)
c = tasa de produccin
n = tamao de la muestra
r = longitud de racha
Esto implica que en cualquier intervalo del muestreo se producen c t
unidades. De ellas, se usarn n unidades seleccionadas aleatoriamente para
vigilancia (por ejemplo, para marcar un grfico de control). La seal se produci-
r despus de r muestras. En otras palabras: para cuando aparezca la seal se
habrn producido c t r unidades. Como indicamos antes, con el proceso bajo
control esta cantidad debera ser la mayor posible. Si no est bajo control, el
producto ser probablemente deficiente y la cantidad total c t r debera ser lo
ms pequea posible.
El comportamiento de cualquier procedimiento de vigilancia se puede des-
cribir de acuerdo con la distribucin de la longitud de racha. Sin embargo,
generalmente no es necesario observar toda la distribucin. Basta con conocer
la longitud media de racha (ARL) o la media de distribucin. Un procedimiento
con una ARL ms corta indicar una longitud de racha estocsticamente ms
corta, siempre que se pueda asumir que las sucesivas muestras son estadstica-
mente independientes. Esta asuncin es vlida para la mayora de las aplicacio-
nes de grficos de control, as como para los procedimientos de muestreo de
aceptacin.
Si es la probabilidad de rechazar la hiptesis indiferente para cualquier
muestra y las muestras son independientes, la distribucin de longitudes de
racha es una distribucin geomtrica (vase Captulo 2),
Pr(r R) = 1 (1 )R [6.1]
La media de esta distribucin viene dada por:
1
E(r) = ARL = [6.2]
T
LONGITUD MEDIA DE RACHA EN LOS GRFICOS X
Caso 1: La inedia y la varianza son conocidos
Cuando un proceso lleva funcionando un tiempo razonablemente largo y

est operando bajo control, se dispone de gran nmero de observaciones.
Puede suponerse que la media y la varianza del proceso, estimadas a partir de
dicho nmero elevado de observaciones, llevan a concluir que la media y la
varianza son conocidas. Los lmites de control, en este caso, seran:
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.
Caso 2: Media conocida, R utilizada para estimar la varianza
Cuando se usa R para estimar a, la relacin entre esas cantidades es
R
R = d2 o V
d2
Usando este valor estimado de a, se puede calcular la probabilidad de

rechazar la hiptesis indiferente como en la Figura 6.6. Para un tamao de
muestra de cinco elementos, los valores de y de ARL se dan en la Tabla 6.4.
La Tabla Al3 da valores de ARL para otros tamaos de muestras.
Figura 6.6. Probabilidad de rechazo de una hiptesis indiferente; d = 0.
TABLA 6.3. Valores de y de

ARL para un grfico de control con
un tamao de muestra de 5
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
TABLA 6.4. Valores de 6 y de

ARL para un grfico de control con
un tamao de muestra de 5
0 0,0027 370,4
0,1 0,00659 151,6
0,2 0,02506 64,5
0,5 0,3449 11,9
1,0 0,9580 1,043
Ejemplo 6.4
Se llevan grficos de control X y R para la fuerza de tensin, en libras por pulgada

cuadrada, de unas varillas de acero para refuerzo. El tamao del subgrupo es de 5.
Despus de 30 subgrupos, R = 18.000 y X = 429.000. Los subgrupos utilizados en
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.
Caso 3: X utilizado para estimar la media; R utilizado para estimar la varianza

La distribucin exacta de este caso es una distribucin t de Student. Es
posible construir una tabla ARL similar a la Tabla 6.4 basada en esta distribu-
cin. Sin embargo, en la mayora de aplicaciones en fabricacin, la distribucin
de las caractersticas observadas es muy similar a la de una distribucin nor-
mal, de forma que cuando el perodo base es lo suficientemente grande ms
de 20 subgrupos para este caso se puede usar la Tabla 6.4.
Figura 6.7. Longitud de racha despus del cambio.

USO DE LOS LMITES DE AVISO

Los grficos X y R son muy eficientes para detectar grandes cambios. Si el
cambio es pequeo no es fcil detectarlo con un grfico X . Esto se ve perfecta-
mente teniendo en cuntalos grandes promedios de longitud de la racha
necesarios cuando d/ o d/ R son pequeos. Por ejemplo, si la media del proceso
cambia desde P a P+ 0,5, la nueva media sigue estando dentro de los lmites
de control basados en la antigua media. La Tabla 6.3 indica que se necesitaran
33,4 muestras de cinco unidades cada una antes de que pudiera detectarse el
cambio.
El uso de lmites de aviso combinados con los lmites de control pueden
reducir el tiempo exigido para detectar cambios pequeos. Se produce una
seal cuando se da cualquiera de las siguientes dos condiciones:
1. Un valor X de la muestra est fuera de los lmites de control.
2. Cierta cantidad, r, de valores de X consecutivos est fuera de los lmites
de aviso aunque dentro de los lmites de control.
El uso de los lmites de aviso de este modo hace que la derivacin de la
longitud media de la racha resulte bastante complicada. Como quiera que la
decisin depende no slo de la muestra ms reciente, sino de las muestras r ms
recientes, la distribucin de la longitud de la racha no es una distribucin
geomtrica. Una actitud posible es la de formular el problema como un proceso
de Markov. Sin embargo, esta actitud escapa al mbito de este libro.
En el sencillo caso en que r es 2, es posible dar una derivacin simple de la
longitud media de racla1. En este caso se produce una seal siempre que dos
muestras de X consecutivas estn fuera de los lmites de aviso o siempre que
cualquier muestra de X est fuera de los lmites de control.
Sean los casos 0, 1 y 2, definidos como:
Caso 0. Los X ms recientes estn dentro de los lmites de aviso.
Caso 1. Los X ms recientes estn fuera de los lmites de aviso aunque
dentro de los lmites de control.
Sea
p0 = probabilidad del caso 0
Y sean tambin Lo, L1 y L2 las longitudes medias de rachas cuando el
proceso est, respectivamente, en los casos 0, 1 o 2. Obviamente, L2 = 0.
Empezando por el caso 1, L1 se puede calcular como sigue: despus de un
nuevo muestreo, el nuevo caso puede ser el 1, el 2 o el 0. Si el nuevo caso es 0, se
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.
necesitar un recorrido medio de racha de Lo para generar una seal. Si el

nuevo caso es el 1, se genera una seal, ya que hay dos valores consecutivos de
X en el caso 1. Si el nuevo caso es el 2, obviamente se genera una seal.
De aqu que
L1 = siguiente muestra + (probabilidad del caso 0) x Lo = 1 + p0 L0
[6.3]
Empezando en el caso 0, se puede calcular Lo como sigue. Despus de un

nuevo muestreo, el nuevo caso puede ser el 0, el 1 o el 2. Si el nuevo caso es 0, se
necesitara un longitud media de racha de Lo para generar una seal. Si el
nuevo caso es 1, se necesitara una longitud media de racha de L1 para generar
una seal. Si el nuevo caso es 2, se genera una seal. De aqu que:
L0 = siguiente muestra + (probabilidad del caso 0) x Lo +

+ (probabilidad del caso 1) x L1 = [6.4]
= 1 + p 0 L 0 +p 1 L 1
Sustituyendo el valor de L1 que tomamos de la ecuacin [6.3] resulta
L0=1+poL0+p1(1+p0L0)
1 p1
L0
1 p0 p1 p0
Ejemplo 6.5
Se llevan grficos X para determinada caracterstica. Se supone que el valor de es

conocido. Los lmites de aviso estn establecidos en P + 2 y P 2. El tamao del
subgrupo es 5. Calcular la longitud media de racha: a) cuando el proceso est bajo
control y X = i, y b) si la media del proceso cambia repentinamente a P + 0,5 . La
Figura 6.8 muestra la distribucin de probabilidad de la caractersticas para parte b) del
ejemplo.
A causa del cambio en la media del proceso, la posicin de los lmites de aviso y de
los lmites de control no ser simtrica con relacin a la nueva media. Por
definicin
p 0 = Pr(LWL x UWL)
p 0 + p 1 = Pr(LCL x UCL)
p0 + p1 + p2 = 1
Para la parte a):
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
p1 = (p0 + p1) p0 = 0,0428
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)
Figura 6.8. Proceso bajo control.
Para la parte b) la nueva media = P + 0,55

3V 1,118V 3V 4,118V
lmite inferior de control = 0,5V
5 5 5 5
2V 3,118V
lmite inferior de aviso = 0,5V
5 5
Figura 6.9. La inedia del proceso cambia a n + 0,5<T.
2V 0,882V
lmite superior de aviso = 0,5V
5 5
3V 1,882V
0,5V
lmite superior de control = 5 5
dado que en la parte a),

p0 = Pr(LWL x UWL)
p0 + p1 = Pr(LCL x UCL)
Para la parte b),

3,118V 0,882V
p0 Pr P d Xi d P 0,81114 0,00091 0,81023
5 5
4,118V 1,882V
p0 p1 Pr P d Xi d P 0,97004 0 0,97004
5 5
p1 ( p0 p1 ) p0 0,97004 0,81023 0,15981
Sustituyendo estos valores en la ecuacin [6.5] nos da el ARL,

1 0,15981
L0 19, 23
1 0,81023 (0,81023)(0,15981)
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).
CURVA OC Y LONGITUD MEDIA DE RACHA

La curva OC es una descripcin de la probabilidad de aceptacin de la
hiptesis indiferente para cualquier observacin de la muestra. Dicho de otra
forma: es la probabilidad de que el procedimiento de control no d una seal. Si
9 denota la probabilidad de que se d una seal y las muestras sucesivas se
consideran independientes, las dos funciones que describen: 1) la curva OC, y 2)
el ARL se pueden formularse como sigue:
funcin descriptiva de la curva OC = 1
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
d/ Sin lmites de aviso Con lmites de aviso

0 370,4 224,4
0,5 33,4 19,23
PRODUCCIN DE ELEMENTOS DEFECTUOSOS ANTES

DE DETECTARSE UN CAMBIO EN LA MEDIA DEL PROCESO
Cuando se conocen los lmites de las especificaciones para las dimensiones y
se puede calcular la desviacin estndar natural para el proceso de fabricacin,
es posible minimizar la produccin de elementos defectuosos disponiendo ade-
cuadamente la media del proceso. Para operaciones normales, la media del
proceso se coloca a tres o ms desviaciones estndar de los lmites de las
especificaciones. Para especificaciones de un solo lado esto no supone proble-
ma. Para especificaciones de dos lados habr veces en que se ser necesario
realizar algn trueque. En cualquiera de los casos existe una disposicin de la
Figura 6.10. Curvas OC y ARL para un tamao de muestra de 5.
media del proceso que es la mejor y que puede determinarse de forma

directa.
Si se produce un cambio no planificado en la media del proceso que la aleja
de esa mejor disposicin, se incrementar la fraccin de la produccin que no
cumpla las especificaciones. Cuando la longitud de racha del procedimiento de
control es larga, el proceso de fabricacin sigue produciendo un porcentaje
mayor de elementos defectuosos durante ms tiempo. El efecto es la fabricacin
de mayor cantidad de elementos defectuosos. Los motivos para reducir la
longitud de racha cuando el proceso est fuera de control son el control y la
reduccin del nmero de elementos defectuosos fabricados. Sin embargo, redu-
cir la longitud de la racha tiene su precio. En primer lugar, se incrementa la
frecuencia de seales falsas cuando el proceso est bajo control; en segundo
lugar, el mecanismo utilizado para reducir las longitudes de racha como, por
ejemplo, el empleo de lmites de aviso o de mayores tamaos de subgrupo
producir un incremento en los costos de operacin. Este trueque se ilustra en
el ejemplo 6.6.
Ejemplo 6.6
La longitud de un tornillo fabricado en una mquina semiautomtica est sujeta a

un nico lmite, L, superior de especificaciones. La desviacin estndar natural del
proceso es . Para su operacin normal el promedio ha sido establecido en L 3. Hay
un riesgo de un 10 por 100 de que se produzca un cambio repentino en la media del

proceso hacia L 2,5 (un cambio de 0,5 ). Se proponen tres tipos de grficos X como
posibles medios de detectar dicho cambio: a) uno convencional con un tamao de
subgrupo de 5; b) uno con lmites de aviso y tamao de subgrupo de 5; y c) uno
convencional con tamao de subgrupo de 9. El costo del muestreo es de 0,50, 0,70 y
0,90 dlares por muestra para cada uno de los tres planes. El costo de investigacin de
una seal falsa es de 300 dlares. La tasa de produccin es de 2.000 tornillos por
perodo de muestreo y la penalizacin por el envo de un tornillo defectuoso es de 0,10
dlares.
En situacin normal, el lmite de especificacin est en la media del proceso + 3.
La fraccin que resultara defectuosa se obtiene de la tabla A1 y es 0,00135. Como
durante cada perodo de muestreo se producen 2.000 tornillos, el nmero de piezas
defectuosas que puede esperarse es de 2.000 x 0,00135, esto es, 2,7 tornillos. Despus
del cambio, el lmite de la especificacin ser slo 2,5 de la nueva media del proceso.
La fraccin defectuosa aumentara hasta 0,0062. El nmero de piezas defectuosas que
podra esperarse pasara a ser de 2.000 x 0,0062, esto es, 12,4 tornillos. El efecto de no
detectar el cambio sera permitir el envo de 12,4 2,7 = 9,7 tornillos defectuosos
adicionales.
Las longitudes medias de racha de los tres planes se calculan a partir de las tablas
ARL como sigue:
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
El costo esperado de una falsa EC 1

Probabilidad de que la operacin sea normal = 0,9. Luego,
270
EC1 (0,9)( probabilidad de una seal )(300) cuando d=0
ARL
a) b) c)
EQ 0,7289 1,2032 0,7289
Costo esperado de inspeccin y de realizacin del grfico EC2:
a) b) c)
EC2 0,50 0,70 0,90
Costo esperado del producto defectuoso:
Probabilidad de un cambio 0,10. Luego,
EC3 = (0,10)(ARL)(9,7)(0,10) = 0,097 ARL

a) b) c)
EC3 3,2398 1,8653 1,4521
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.
TABLA 6.6. Costo esperado de los tres planes propuestos
a b c
EC 1 0,7289 1,2032 0,7289

EC2 0,5000 0,7000 0,9000
EC3 3,2398 1,8653 1,4521
Total 4,4687 3,7685 3,0810
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.
a) Calcular los lmites de control y estimar la desviacin estndar de los pesos

del artculo. (Supngase que las observaciones del perodo base indican que
el proceso est bajo control.)
b) Si la media del proceso en cuanto a pesos cambia a 433 g, cunto tiempo se
necesitar para detectar el cambio usando los lmites de control de la parte
a)?.
6.8. Se sabe que la desviacin estndar de la fuerza de sujecin de cierto tipo de

clavos es de 8 libras. Utilizando grficos de control X convencionales, con un
tamao de muestra de 10, realizndose muestreos cada hora, cunto tiempo se
necesitar para detectar un cambio de 4 libras en la media del proceso?
6.9. Los datos del perodo base indican que: se realizaron 20 muestreos de tamao 6,
X = 153,3; R = 12,65; el proceso est bajo control. Adems de los lmites de
control en P 3V X Calcular la longitud media de racha: a) cuando el proceso
est bajo control; y b) si la media del proceso cambia a 158,5.
6.10. La especificacin para el peso de un elemento es 1.380 25 g. El anlisis del
perodo base, basado en 30 muestreos de cinco elementos cada uno, indica que
la media del proceso es 1.400 g, con una desviacin estndar de 8 g.
a) Qu porcentaje del producto es defectuoso?
b) A qu nivel de la media del proceso se minimizar la fabricacin de
artculos defectuosos?
c) Supngase que se producen 300 unidades durante cada perodo de mues-
treo; cuntos elementos defectuosos cabra esperar que se produjeran du-
rante el perodo base?
d) Si la media del proceso se coloca en el nivel ptimo establecido en la parte
b) y vuelve a cambiar al nivel de 1.400 g, como promedio, cuntos elemen-
tos defectuosos debera producirse antes de que se detectara el cambio?
e) Cul sera la respuesta a la parte d) si el cambio fuera a 1.384 g en lugar de
1.400 g?
7
Grficos de control de atributos
El trmino atributo, como se emplea en control de calidad, es la propiedad

que tiene una unidad de producto de ser buena o mala; esto es, la caracterstica
de calidad de dicha unidad est dentro de los requisitos especificados o no. La
inspeccin de atributos se relaciona, generalmente, con normas de aceptacin y
rechazo. Por ejemplo, las unidades inspeccionadas se dividen en dos grupos
mediante un calibrador: las que estn dentro y las que estn fuera de especifica-
ciones. Una inspeccin visual de la pintura dividir las unidades en dos grupos:
buena y malas. Hay muchas oportunidades de cometer errores en una pgina
mecanografiada y, una vez escrita, dicha pgina tendr dos atributos: ser
correcta o incorrecta. Un trabajador llega tarde al trabajo o no. Un hombre
sufre un accidente o no. Esta situacin de alternativa, o... o, es siempre caracte-
rstica de la medida de atributos. El grfico construido para el control de este
tipo de medida de calidad se denomina grfico de atributos. Es un instrumento
muy valioso para el control de calidad de un proceso general, para sealarlas
caractersticas de calidad causantes de problemas y para presentar a direccin
informes sobre calidad.
El control de calidad en el proceso supone la racionalizacin de muchos
objetivos de calidad hasta llegar a los que proporcionarn mayor rendimiento
sobre las horas invertidas en el control de calidad. El que debe utilizarse es el
mtodo de control de calidad que permita realizar el trabajo a un costo total de
calidad ptimo. Se suele recomendar enfticamente el grfico de atributo como
instrumento fundamental para el control de calidad en bruto del proceso y
para presentar informacin de la calidad tanto, a la direccin como al pblico
en general. Tambin debe utilizarse ampliamente para aislar reas problemti-
cas en los inicios del programa de control de calidad.
163
GRFICO DE CONTROL DE PORCENTAJES, O GRFICO p

Uno de los grficos de control ms populares es el de control de porcenta-
jes, o grfico p. Es sumamente dctil y se puede utilizar para caractersticas de
atributos. Cada unidad producida tiene cierta probabilidad p' de ser defectuosa
o de no hallarse dentro de los requisitos especificados. Si de n unidades produ-
cidas x son defectuosas, la variable aleatoria x tendr una distribucin bino-
mial dada por
n
Pr(x) = ( p ') x (1 p ') n x
x
El objeto del grfico de control de porcentajes es calcular y controlar p'. La

fraccin defectuosa p hallada en la muestra proporciona una estimacin de p'
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
Para defectos por 100 unidades los lmites de control son:
pw (1 pw )
100 pw r 300
ni
GRFICOS DE CONTROL DE ATRIBUTOS 165
Durante el perodo de observacin:

1. Se observa una muestra de tamao nj.
2. Los lmites de control para el j-simo perodo se obtienen mediante
pw (1 pw )
pw r 3
nj
en que pw es el mismo usado para el perodo base.
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.
TABLA 7.1. Resultados de la inspeccin
TABLA 7.2. Clculo de defectos
pw
n p i i
n i
48
0,0086
5.600
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
Este valor de pw se puede utilizar durante el perodo de vigilancia. Si se mantiene el

tamao de la muestra en 400 durante dicho perodo, tambin es posible extrapolar los
lmites de control al periodo de vigilancia. Si cambia el tamao de la muestra hay que
calcular nuevos lmites. Por ejemplo, si el tamao cambia a 500 los lmites de control
sern:
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.
Figura 7.1. Grficos de control durante el perodo base.
CONTROL DE CALIDAD DE PROCESOS DE FBRICAS
Una frecuente objecin que se formula al grfico de control de porcentaje

de elementos defectuosos es la cantidad necesaria para obtener consecuencias
realistas sobre el control o la falta del mismo. Aparentemente, muchas fbricas
deberan prescindir de l para efectuar su control, ya que procesan rachas
caracterizadas por sus cantidades reducidas, digamos de entre 1 y 20 elementos.
Ciertos autores de prestigio dicen que si p es pequeo, n debera ser del tamao
suficiente para tener buenas posibilidades de encontrar unidades defectuosas en
la muestra. De no ser as, la presencia de un elemento defectuoso en la muestra
pondra al grfico fuera de control. Para ilustrar lo dicho, supongamos que el
estndar se establece en 100p' = 0,50. La n necesaria para dar una media de
slo un elemento defectuoso por muestra sera 200, esto es
np ' 1,0
n 200
p 0,005
Figura 7.2. Construccin de un grfico de porcentaje defectuoso para diferentes

tamaos de muestras.
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
0,05 + 3 0,05(0,995) 0,72
Est claro que el nmero de elementos defectuosos que va a aparecer en la

cantidad inspeccionada ser cero o cualquier otro nmero entero. La aparicin
de un elemento defectuoso (lo que debe ocurrir ocasionalmente si 0,50 es un
estndar realista) llevar a considerar que el proceso est fuera de control. El
sentido comn nos dice que esto debe ocurrir ocasionalmente. En realidad, en
las fbricas, la preparacin llevar a esperar una cantidad mucho mayor de
elementos defectuosos, pero el ejemplo ha servido para aclarar este punto.
APLICACIN DEL CONTROL DE ATRIBUTOS

A LAS FABRICAS2
Qu puede hacer la fbrica? Frank Caplan, de Westinghouse Electric
Corporation, sugiere que se exprese la no conformidad como puntos de inspec-
cin defectuosa, en vez de como unidades defectuosas de un producto en
particular.
El sistema analizado se cre porque la mayora de los tamaos de los lotes
producidos oscilaba entre 1 y 20. Las operaciones incluan el fraguado, vaciado,
acabado a mquina y la reparacin manual. Tales operaciones son las habitua-
les en las fbricas norteamericanas. Los dos puntos ms importantes del pro-
grama adoptado eran: 1) los operadores fabricaban puntos de inspeccin en
lugar de repuestos; 2) el control no era de naturaleza punitiva.
La Figura 7.3 presenta una pgina de la agenda que llevaba cada inspector
del sistema. El nmero de la mquina, cuntos puntos haban sido aceptados
durante el turno, el turno al que se deban adjudicar dichos puntos y el nmero
de puntos de desviacin hallados eran los datos a registrar en dicha agenda. Se
recogan las hojas diarias de todos los inspectores y se tabulaban en grficos
similares al de la Figura 7.4. Se colocaban los grficos en lugar bien visible
2
Frank Caplan, Jr.: Process Control in a Job Shop, Industrial Quality Control, noviembre
de 1958, pgs. 16 a 18.
mostrando el nmero de defectos hallados y los puntos de inspeccin de dos

semanas. Las cantidades de defectuosos fuera de control por la parte alta se
marcaban con un crculo rojo, y con un crculo verde si eran por la parte
inferior. Los resultados expuestos daban una clara muestra del esfuerzo realiza-
do por cada departamento en el tema de calidad. Grficos parecidos al de la
Figura 7.5 se colocaron en las oficinas de los supervisores generales con los
resultados de calidad obtenidos por cada supervisor el da anterior. Grficos
similares, recogiendo las operaciones de cada uno de los supervisores generales
se colocaron en la oficina del superintendente.
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.)
El resultado de aplicar este sistema fue que el supervisor se interesara por

investigar cualquier desviacin inusual para poder contestar a las preguntas
que inmediatamente le formulara la direccin. Los resultados de tales investi-
gaciones se registraron en un informe de desviaciones de cada supervisor (Fig.
7.6). Las discusiones sobre responsabilidades las resolva el supervisor general.
Las Figuras 7.7 y 7.8 muestran los informes de calidad de control publica-
dos mensualmente para mostrar la posicin de cada departamento y las cifras
de defectos achacables a diferentes causas. El esfuerzo por mejorar la calidad se
poda concentrar all donde se maximizarn los beneficios.
172 GRFICOS DE CONTROL DE ATRIBUTOS
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.)
176 GRFICOS DE CONTROL DE ATRIBUTOS
GRFICOS DE CONTROL DE ATRIBUTOS 1 77
El seor Caplan destac que se celebraron reuniones a las que asistieron

supervisores, representantes sindicales e inspectores para tener la seguridad de
que todos estaban informados sobre el programa y sus objetivos. Aunque
existi una desconfianza inicial, sta desapareci pronto y fue sustituida por un
espritu de cooperacin.
Se podra decir que se han tomado ciertas libertades en el plano terico,
pero se ignorara la contribucin que es realmente significativa en este caso:
proporcionar a las fbricas un mtodo prctico de control donde no exista
ninguno hasta ahora. La postura es la adecuada para el caso. Se mitigan los
deseos idealistas con los que se puede obtener en la prctica por medio de
efectos psicolgicos. El resultado final se acerca mucho, probablemente, a la
solucin deseada para un total mnimo de costo de calidad.
GRFICO DE CONTROL DE DEFECTOS

Los defectos (o cualquier otra cosa que sea de inters) se pueden representar
de forma grfica muy similar a como se hace con el porcentaje de elementos
defectuosos. La condicin para el uso del nmero de defectos como expresin
de no conformidad es que la zona de oportunidad para que ocurra un defecto
debe ser razonablemente constante de unidad de inspeccin. Una unidad de
inspeccin puede ser un elemento, 10, 100, o cualquier otra cantidad que se
establezca. Se pueden crear dos tipos de grficos de control. Si la unidad
permanece razonablemente constante de un perodo a otro, se puede establecer
el grfico basado en defectos por unidad. A ste se le llama grfico c. Un
mtodo alternativo el cociente c, nmero total de defectos con relacin a un
nmero n de unidades. Por ejemplo, nmero de imperfecciones en la pintura
por 100 pulgadas cuadradas de superficie pintada. Este se llama grfico u,
siendo u = c/n = c. El denominador de dicha fraccin se puede expresar de
cualquier modo que se desee: pulgadas cuadradas, pies cuadrados, cientos de
pies cuadrados, etc. Esta libertad de eleccin significa que es posible inspeccio-
nar diferentes cantidades de unidades y transformar la expresin de no confor-
midad en un comn denominador siempre que la posibilidad de que ocurra un
defecto sea alta con relacin al nmero de defectos que realmente ocurren y que
el rea de oportunidad para que ocurran defectos permanezca razonablemente
constante de una unidad de inspeccin a otra.
La probabilidad de distribucin de c y de u ser Poisson con el parmetro
c'. Aunque la distribucin normal no se aproxima tanto a la de Poisson como
la binomial, se usa, no obstante, una aproximacin normal. Es prctica, fcil de
usar y los errores que presenta son normalmente insignificantes.
Para el grfico c:
media = c'
varianza = c'
El valor estimado de c' viene dado por c del perodo base
Lmites de control = c r 3 c
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
APLICACIN DEL CONTROL DE DEFECTOS

POR UNIDAD
Herschell R. Harrison3, de Collins Radio Company, de Cedar Rapids, Iowa,
nos cuenta el uso del grfico de defectos en el control de montaje. Collins Radio
Company fabrica y monta equipos elctricos complejos. Muchos pedidos son
de 100 unidades o menos. Por ello, en este caso se aplican las mismas condicio-
nes que en el anterior, excepto en lo referente al tipo de producto fabricado.
En Collins Radio, el departamento de Ingeniera Industrial seala dnde
deben realizarse las inspecciones en la lnea de montaje. En cada punto se lleva
un grfico c (lo mismo que un grfico u). Indica el nmero de unidades
controladas diariamente y el nmero de errores descubiertos por tipo (vase
Fig. 7.9). Se estudian los grficos para hallar concentraciones de defectos y los
esfuerzos de la inspeccin se centran en los atributos que fallan con mayor
frecuencia.
El departamento de Control de Calidad lleva grficos de tendencia para
cada seccin. Estos grficos se construyen contando todos los errores posibles,
por perodo de tiempo, en el equipo en cada punto de inspeccin y dividiendo
esta cantidad por el promedio de calidad para el mismo perodo. Esto da un
ndice de funcionamiento de la seccin que permite manejar adecuadamente en
ella la complejidad del producto, permitiendo comparar el esfuerzo de un
supervisor, en el terreno de la calidad, con el de otro.
Cada semana se enva un informe a direccin. Muestra el nivel de calidad de
cada trabajo e incluye una lista de los supervisores de produccin e inspeccin
clasificados segn el orden de calidad lograda por cada uno durante la semana
anterior.
Con relacin a la Figura 7.9, obsrvese que se utiliza u como la medida de
defectos.
u=
c
n
3
H. R. Harrison: Statistical Quality Control will Work on Short Run Jobs, Industrial
Quality Control, septiembre de 1956, pgs. 8 a 11.
Figura 7.9. Grfico de defectos medios. (Del trabajo de H. R. Harrison: Statistical

Quality Control will Work on Short Run Jobs, Industrial Quality Control, septiem-
bre de 1956, pgs. 8 a 11. Reproducido con autorizacin.)
Durante el primer perodo, desde el 26 de octubre al 30 de noviembre, el

nmero total de defectos fue de 640. El nmero total de elementos inspecciona-
dos fue de 162, por lo que
u
c 3,95
n
Los lmites superior e inferior del perodo base se situaron en
u
u r3
n
donde n representa la cantidad media inspeccionada: en este caso 6,5. No se

estableci un estndar para el perodo del 1 de diciembre al 8 de enero ya que
se hizo otro anlisis del grfico del perodo base basndose en los resultados
obtenidos durante el perodo. Por supuesto que no hay lmite a la cantidad o a
las longitudes de los anlisis de perodos bases que pueden hacerse. Hay que
resaltar, sin embargo, que se trata de un anlisis ex post fado. Simplemente
recoge y analiza lo que ocurri en el pasado. El verdadero valor del grfico de
control en los lmites que establece para el estndar y la toma de decisiones
para el control de los resultados de calidad reales. El anlisis del perodo base
se lleva a cabo estrictamente para estimar los resultados pasados de modo que
se puedan establecer estndares alcanzables y lmites de decisin naturales.
GRFICO DE ATRIBUTOS PARA SUBSANAR

PROBLEMAS DE CALIDAD
Idealmente, el grfico de control de defectos o elementos defectuosos debe-
ra incluir una serie de datos que indicaran las caractersticas de calidad que
estn causando problemas. Sea junto con el grfico o separado de l, el mante-
nimiento de tal dispositivo es algo que recomendamos insistentemente. Gran
parte del valor del proceso de recogida de datos se pierde si no se aislan los
puntos problemticos para considerarlos de manera especial. Esto tiene gran
importancia para la direccin dado el principio de investigar slo los casos
excepcionales para evitar que lo malo siga ocurriendo y para esforzarse en que
continen dndose repeticiones de lo bueno.
Si el grfico de atributos muestra que la mayora de los problemas los
produce un pequeo nmero de caractersticas de calidad, como ocurrir en la
prctica, se podrn determinar los efectos econmicos de esos problemas e
iniciar las acciones necesarias. Lo ms usual ser que la distribucin de defectos
dentro de una unidad de producto se aproxime a la distribucin de Poisson. Al
expresar los datos de forma acumulativa, se pueden formular conclusiones
significativas sobre la distribucin de defectos. Por ejemplo, la Figura 7.10
muestra que el 70 por 100 de las observaciones de defectos afectan slo al 20
por 100 de las caractersticas de calidad. Tambin, que dichas caractersticas
dan lugar a cerca del 95 por 100 de los defectos. En compras e ingeniera se
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
110 215 215 38,5
101 182 397 71,2
107 84 481 86,2
109 45 526 94,2
108 14 540 96,8
102 10 550 98,6
106 5 555 99,4
104 3 558 100,0
105 0 558 100,0
103 0 558 100,0
(a)
Figura 7.10. Anlisis de distribucin grfica de datos de defectos incidentales de la

Figura 11.8: a) Tabla de clculo; b) distribucin de observaciones de defectos segn
los nmeros de cdigo de las caractersticas; c) distribucin del porcentaje acumula-
tivo de observacin segn el porcentaje de caractersticas.
GRFICO DE ATRIBUTOS PARA CONTROL

DE FUNCIONAMIENTO
El grfico de atributos es ideal para medir el funcionamiento y el control de
calidad o cualquier otro suceso que se pueda expresar sea por medio de un
porcentaje o de una cantidad de sucesos. La Figura 7.11 ilustra la forma en que
se usa el grfico de atributos para control del funcionamiento. Lo que aqu es
objeto de medida de funcionamiento y control es la calidad de caractersticas
incidentales del Jeep Willys.
La parte histrica del grfico se presenta resumida, indicndose el promedio
ponderado de los datos durante dicho perodo. La direccin quiere saber:
Dnde nos hallbamos cuando iniciamos el proyecto? La parte histrica del
grfico contesta a dicha pregunta. El nivel aceptable de calidad (AQL) es la
norma: en este ejemplo 400 defectos en 100 unidades. El lado derecho del
grfico compara el funcionamiento actual con dicho estndar y en qu punto
Figura 7.11. Grfico de control de funcionamiento de defectos por cada 100

unidades.
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.
NDICE GRFICO PARA CONTROL

DE FUNCIONAMIENTO
Se puede llevar un grfico de funcionamiento para un solo suceso, un grupo
de ellos o todos los posibles. Agrupar los sucesos por grupos de gravedad de los
mismos suele ser una componenda razonable entre el alto costo administrativo
de un control de sucesos individuales y la escasa informacin proporcionada
por el grfico de sucesos totales. Muchos usuarios han considerado que el
grfico de sucesos agrupados junto con los datos informativos que lo acompa-
an, como muestra la Figura 7.11, es un arreglo prctico y econmico, vlido
para la mayora de los casos.
En el momento de presentar informacin sobre proveedores y resultados de
calidad por departamentos a la gerencia, resulta difcil presentar datos relativos
a estndares muy diferentes y a resultados de diferentes fabricantes. En tales
casos es muy til disponer de un ndice grfico de control. Uno de los coauto-
res4 ha creado un breve y sencillo sistema de ndice que transforma valores
estimados porcentuales en una clasificacin de funcionamiento de estndares
sirvindose de una escala de valores muy conocida. Por ejemplo: consideremos
los datos de la Tabla 7.3 obtenidos por medio de los registros de inspecciones
de dos proveedores externos (A y B) y tres departamentos de produccin
internos (C, D y E), todos ellos fabricando diferentes productos, pero utilizando
aproximadamente las mismas herramientas y equipos.
Si un gerente responsable examinara slo las tres primeras columnas de la
Tabla 7.3, tendra que relacionar los resultados de la tercera columna con el
estndar de la segunda, considerando tambin la cantidad inspeccionada. Claro
est que puede hacerse y que un gerente informado aplicara inmediatamente
una prueba de significancia a cada una para hallar la desviacin en unidades
estndar y obtener de esa forma una medida estandarizada de la desviacin.
Para que sea efectiva como medio de informacin, esta medida debe ser inter-
pretada, lo que implica, automticamente, conocimiento de Estadstica. Muy
pocas personas que usan mtodos grficos de control entienden a fondo la
Estadstica, pero casi todos recuerdan sus lejanos das de colegio cuando tener
una nota por debajo de cinco significaba suspender una asignatura y diez era la
nota mxima. Parecera apropiado, por ello, convertir las unidades estndar de
error positivas y negativas en un sistema de clasificacin de 5 (70) a 10 (100).
Esta sencilla conversin se representa en la Figura 7.12.
4
B. L. Hansen: Sampling Aidsfor Management Control (Cleveland, Ohio: American Manage-
ment Institute, Inc., 1959).
TABLA 7.3. Datos de inspeccin
Es conveniente usar dos nomogramas de clculo construidos para su em-

pleo con este sistema de clasificacin de funcionamiento. Las Figuras 7.13 y
7.14 se usan para calcular 100p 100u y las clasificaciones numricas de
resultados. El primer ejemplo del productor A se usar para mostrar, paso a
paso, el proceso para obtener la clasificacin numrica de sus resultados:
Figura 7.12 Conversin de unidades estndar de error (k) en clasificaciones num-

ricas (ndice de porcentajes).
Figura 7.13. Nomograma para calcular 100p y 100u. (Reproducido, con la debida
autorizacin, de Sampling Aids for Management Control.)
Figura 7.14. Nomograma para el clculo de la clasificacin numrica de resulta-

dos. (Reproducido, con la debida autorizacin, de Sampling Aids for Management
Control.)
1. En el nomograma de la Figura 7.13 colocar una regla que una 800 en la

escala de la izquierda (cantidad inspeccionada) y 1,0 (100p) en el lado
izquierdo de la derecha es 100p En este ejemplo, 100p = 0,35. Obsrve-
se que la Figura 7.13 calcula
100 p '(100 100 p ')

V 100 p
cantidad inspeccionada
y
100 u '
V 100u
2. En el nomograma de la Figura 7.14 colocar una regla en la escala de la

izquierda en 100p = 0,35 y unir dicho punto con el que resulte, en la
escala media, de sustraer el valor de la calidad deseada del de la calidad
real. En este ejemplo la calidad real (l00 p = 0,60) menos la calidad
deseada (100p = 1,0) es 0,40. El punto de interseccin con la escala
de la derecha es 91. Obsrvese que la Figura 7.14 calcula
100 p 100 p ' 100u 100u '
V 100 p V 100u
y convierte el valor resultante k en la clasificacin numrica de resulta-
dos5.
La Figura 7.15 ilustra la aplicacin de este mtodo estandarizado de clasifi-

cacin de resultados al control del producto recibido del productor A. Puede
aplicarse idntico control a todos los dems fabricantes. La interpretacin y
evaluacin por la gerencia resulta ms sencilla ya que el estndar, y los lmites
superior e inferior de control, estn siempre en 85, 100 y 70 respectivamente,
igual para todos los fabricantes. Se prepar tambin un grfico acumulativo
para mostrar el efecto de los datos acumulados. Al igual que en Derecho, donde
el peso de la evidencia es importante, la evidencia acumulada sobre la calidad
lleva por fin al fabricante A por encima de los 100 a la reducida zona de
inspeccin (o auditora). Este mtodo se puede usar en cualquier caso en que se
puede expresar el acaecimiento de sucesos como fraccin, porcentaje o cantidad
de sucesos. Se sigue exactamente el mismo procedimiento.
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.
Hay otros sistemas registrados de clasificacin de resultados de calidad que

estn en boga6. Todos ellos utilizan los mismos principios de desarrollo e
interpretacin. Si se aprende uno, los otros pueden asimilarse con gran facili-
dad.
SISTEMA DE CLASIFICACIN DE DEMRITOS
Un ndice de resultados es valioso, pero tiene las mismas limitaciones que

un grfico de control de atributos. La principal es la necesidad de mantener un
grfico de las caractersticas individuales o de los grupos de caractersticas de
parecida gravedad. Un mtodo que ha recibido cierto predicamento es el
sistema de clasificacin de demritos. El mtodo de demritos se puede utilizar
para el control de resultados por s mismo, como el grfico de atributos, o junto
con uno de los sistemas de ndices de clasificacin de resultados.
Dodge y Torrey han presentado documentalmente el uso del sistema de
demritos como un plan de inspeccin de control y clasificacin de demritos7.
Es un plan valioso en su totalidad y sus usuarios potenciales haran bien en
profundizar en el estudio de su tcnica.
El sistema de demritos exige que los defectos se sopesen de acuerdo con su
gravedad. En el plan Dodge-Torrey, los defectos se clasifican dentro de los
grupos A, B, C y D, con un peso ponderado de 100, 50, 10 y 1 respectivamente.
La cantidad de demritos de un perodo viene dada por
D = 100d A + 50d B + 10d C + d D
donde dA, dB, dc y dD representan el nmero de defectos de los grupos A, B, C y

D, respectivamente, descubiertos durante dicho perodo,
D
U
n
donde n es el nmero de unidades inspeccionadas durante el perodo de refe-
rencia.
Para control de calidad se calcula un nivel de calidad estndar,
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.
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,
Cs = (100)2ua + (50)2ub + (10)2c +ud
La ecuacin para los lmites de control de un grfico de demritos por

unidad es
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
Cuando los tipos de producto de un cierto grupo tienen valores estndar

diferentes, el ndice de demritos para el grupo es un promedio ponderado de
los ndices de los tipos incluidos. La ecuacin general para un ndice general de
demritos es
I0
W I i i
W i
donde Wi = peso de cada tipo i-simo

I i = ndice del tipo i-simo
= suma de todos los tipos
La ecuacin general de la desviacin estndar del ndice general de demri-

tos es
1 Wi 2Csi
VI n (U )2
0
Wi i si
donde Csi = factor de varianza estndar para el i-simo tipo

Usi = nivel estndar de calidad para el i-simo tipo
ni = tamao de la muestra para el i-simo tipo en este perodo de
control.
Los lmites de control 3 son 1 r 3V I0
La Figura 7.16 es una ilustracin compuesta de la construccin de un
grfico de demritos. Se utilizan las interpretaciones usuales en los grficos de
control para determinar si vale la pena investigar la causa.
Figura 7.16. Resumen tpico de resultados de inspecciones y de grfico de control

con clculo de los estndares de calidad U s y Cs . (Tomado del trabajo de H. F.
Dodge y M. N. Torrey: A Check Inspection and Demerit Rating Plan, Industrial
Quality Control, julio de 1956. Esta figura presenta unidas las Figuras 2 y 3 de dicho
artculo.)
Una clasificacin basada en un nico demrito no sera suficiente para un

verdadero control de calidad, pero s generalmente satisfactoria si las caracters-
ticas individuales no presentan disconformidad y el ndice est dentro de los
lmites de control y no forma parte de una racha o tendencia significativa.
Los autores del sistema de demritos proponen un ndice estndar de uno,
en lugar de ochenta y cinco que es el propuesto por el sistema del autor de este
libro. Cualquier ndice es satisfactorio siempre que el intrprete comprenda
bien la base adecuada de referencia.
Utilizando los datos de los meses de junio, julio-agosto y septiembre de la
Figura 7.16 para ilustrar, vemos que las clasificaciones de resultados y los
clculos necesarios para obtenerlas vienen dados en la Tabla 7.4. Se muestran
los clculos de los valores y la conversin con la escala de la Figura 7.14. La
Figura 7.14 se puede usar una vez establecidos el estndar negativo observado
y el error estndar en demritos por cada 100 unidades. Tanto la escala de la
derecha como la central, de la Figura 7.14, se pueden multiplicar por la misma
cantidad, lo que permitir su uso con independencia de los datos que se
utilizan.
APLICACIONES POSIBLES DE LA CLASIFICACIN

DE RESULTADOS
En general, para la clasificacin de resultados se podr emplear cualquier
medida similar a la de atributos. Incluso la informacin sobre variables se
puede convertir en una definicin porcentual que, a su vez, pueda convertirse
en una clasificacin de resultados. Por ello, realmente hay muy pocas cosas en
lo tocante a funcionamiento que no se puedan clasificar con suma facilidad.
Algunas de las zonas de trabajo manual y administrativo, especialmente en
temas de esfuerzo, calidad y errores, a las que puede aplicarse la clasificacin de
funcionamiento son tiempo perdido, absentismo laboral, retrasos, manteni-
miento del calendario de trabajo, funcionamiento de la seguridad en el trabajo,
pago de facturas, control de existencias, etc. Claro est que hay otras muchas
aplicaciones directas, adems de otras muchas de tipo oportunista, esto es, la
clase de aplicacin que depende del propio talento para proyectar un mtodo
que d la oportunidad de utilizar este mtodo.
TABLA 7.4. Conversin de los datos de la Figura 7.6 a clasificacin
estandarizada de funcionamiento utilizando la escala
de conversin de la Figura 7.14
PROBLEMAS
7.1. Los datos siguientes se tomaron de los registros diarios de inspeccin de un

componente relativamente sencillo producido en serie. Estos datos se iban acu-
mulando a medida que se fabricaban los componentes.
Fecha Cantidad Cantidad

inspeccionada defectuosa
Marzo 10 1.200 4
11 1.300 5
14 1.250 7
15 1.175 6
16 1.400 8
17 1.350 8
18 1.300 5
21 1.350 9
22 1.400 10
23 1.250 7
24 1.200 16
25 1.150 8
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?
7.2. Una compaa de productos electrnicos de consumo fabrica interruptores de

control para ordenadores de sobremesa. Los datos siguientes indican los resulta-
dos de las inspecciones de dichos interruptores durante el mes de mayo de 1985.
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
Todas las fracciones se expresan como porcentaje de la produccin diaria.

Calcular un grfico de control del porcentaje de elementos defectuosos
usando lmites de control 3.
7.3. Los pallets de madera que fabrica una planta son sometidos a inspeccin al
100 por 100. Calcular los lmites de control 3 aplicables a cada turno.
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.
Tamao Total de Defectos

Nmero de la defectos en por cada
del lote muestra la muestra 100 unidades
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
7.7. Los refrigeradores para el hogar son inspeccionados buscando imperfecciones de

menor importancia (defectos en el esmaltado final. Cada refrigerador se
considera como lote independiente).
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
Establecer los lmites aproximados de control y preparar un grfico c para esos

datos.
7.8. a) Es adecuado tener un nico grfico de control para los refrigeradores de 17

pies y de 12 pies del problema 7.7?
b) Durante el perodo siguiente la empresa espera seguir produciendo los
modelos de 17 pies y de 12 pies. Sin embargo, no se conoce por
adelantado
la combinacin (cuntos de cada tipo).
i) Utilizar un solo grfico de control.
ii) Utilizar una sola lnea central con diferentes lmites de control
para cada modelo.
iii) Utilizar grficos de control independientes para cada modelo.
7.9. Se arrojan vigas de magnesio de seccin en I y se cortan en tramos de tres pies

(91 cm). A medida que se cortan se someten a inspeccin ocular en busca de
defectos en la superficie y se inspecciona su interior por medio de un detector
ultrasnico para localizar grietas por debajo de la superficie. Cada viga se
considera una unidad. A medida que se van inspeccionando, la cantidad de
defectos observados en cada uno se registra en el orden en que se producen las
vigas. Las cifras siguientes muestran la tabulacin de 24 unidades consecutivas:
Nmero Nmero Nmero Nmero

del lote de defectos del lote de defectos
1 33 13 28
2 27 14 33
3 17 15 36
4 22 16 43
5 19 17 28
6 28 18 30
7 31 19 20
8 38 20 17
9 24 21 23
10 12 22 27
11 41 23 12
12 18 24 15
Hacer un grfico c para esos datos. Es estable el proceso? Qu valor de c' se

sugerira como estndar para el perodo siguiente?
7.10. Un fabricante de gneros de punto utiliza un grfico de control basado en los

defectos presentes en cada 100 pares de medias. Durante un mes (veinticinco das
laborales) se produjeron e inspeccionaron 10.800 pares de cierto tipo. El nmero
total de defectos observados fue de 360. La produccin diaria pas de 200 a 900
pares. Establecer la lnea central para un grfico 100u as como las frmulas para
determinar los lmites de control 3 Cules son los lmites de control cuando la
produccin es: a) 400 pares; b) 900 pares?
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
7.13. Un producto suministrado por el proveedor X ha sido objeto de supervisin

durante seis meses. La calidad deseada de dicho producto es 0,5 por 100 (p =
0,005).
Cantidad Calidad Clasificacin Clasificacin

Mes observada
inspeccionada estndar acumulativa
Abril 1.200 0,58
Mayo 1.00 0,3
Junio 1.500 0,46
Julio 1.100 0,37
Agosto 1.000 0,40
Septiembre 1.200 0,42
Calcular los grficos para la clasificacin mensual y acumulativa de resultados.

7.14. Construir un grfico de control para el perodo base de demritos por unidad
para los siguientes datos, usando pesos de 50, 10, 5 y 1 para los defectos crticos,
importantes, de menor importancia e incidentales, respectivamente.
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
Anlisis de la capacidad del proceso
El anlisis de la capacidad del proceso es un paso bsico dentro de cual-

quier programa de control de calidad. Su objetivo es tratar de analizar hasta
qu punto pueden resultar conformes al proyecto los artculos producidos
mediante un proceso. Este anlisis proporciona una estimacin de mayor nivel
de calidad que puede lograr el proceso tal como se prepar. El anlisis de
capacidad de calidad se suele denominar capacidad de proceso o de maquinaria.
Esta ltima es de carcter ms restringido, ya que slo se refiere a la capacidad
de la maquinaria, mientras que el trmino proceso incluye tanto las mquinas
como cualquier otro tipo de proceso utilizado, incluyendo las personas. El
objetivo del anlisis de capacidad es determinar la variacin natural de un
proceso cuando se han minimizado los efectos de todos los factores ajenos que
no contribuyen al mismo.
Adems de la variacin natural, hay dos factores que influyen en la capaci-
dad del proceso: en primer lugar, las tolerancias y especificaciones en el proyec-
to del producto y, en segundo, las mismas tolerancias y especificaciones en la
medida en que afectan a la produccin.
DETERMINACIN DE LA CAPACIDAD DEL PROCESO

La capacidad del proceso se puede establecer ya al iniciarse el proyecto,
mediante un estudio preliminar o piloto, o vigilar de forma continua durante
la produccin. La capacidad del proceso se puede definir como el intervalo de
la variacin que incluir casi todos los productos que se obtengan mediante el
proceso. Siempre que sea vlida la asuncin de distribucin normal de proba-
bilidades, el 99,73 por 100 de las medidas del producto se hallarn dentro de
199
la media de 3 desviaciones estndar. Dado que la asuncin de normalidad

es vlida en la mayora de los procesos y que el 99,73 representa casi todos,
se suele usar este intervalo de seis desviaciones estndar como de variacin
natural.
Al realizar el estudio preliminar, es importante minimizar los efectos de los
factores esencialmente ajenos al estudio. Tales factores son variaciones no
naturales de material, ajustes del proceso y deterioro del mismo. De aqu que
deban utilizarse materiales homogneos, no realizar ajustes durante el estudio
y, si se produce el deterioro del proceso durante esta fase, calcular su efecto y
restarlo.
Una vez observadas y explicadas esas condiciones, se puede realizar un
estudio de capacidad reuniendo los datos necesarios (al menos 50 observacio-
nes; mejor si son 100 o ms) y calculando la desviacin estndar de dichos
datos:
capacidad del proceso = 6 [8.1]
Este intervalo de variacin natural indica qu fraccin de la produccin ser

considerada defectuosa. Esto se muestra en la Figura 8.1. Como es lgico, se
puede mejorar la calidad del producto modificando la disposicin del proceso.
La mejor calidad obtenible o la menor fraccin defectuosa, se pueden denomi-
nar capacidad del proceso, siempre que sean alcanzables por simple modifica-
cin del mismo.
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
Figura 8.1. Calidad del producto de un proceso.

ANLISIS DE LA CAPACIDAD DEL PROCESO 201
0,005 pulgadas. Despus de disponer el proceso, se hizo un estudio preliminar midiendo

el dimetro de las primeras 100 piezas producidas. Se supuso que el desgaste de las
herramientas no sera significativo durante el estudio.
La Tabla 8.1 muestra los clculos sobre capacidad del proceso. Se observa que el
proceso est establecido en 0,50825 y que el nmero de piezas defectuosas es: a) 15 por
encima del lmite superior de las especificaciones, y b) 0 por debajo del lmite inferior de
las especificaciones. Por tanto, la fraccin defectuosa es 15 de 100, o 15 por 100. Si se
modifica la disposicin del proceso hasta llegar al valor nominal de 0,505, se puede
calcular la fraccin defectuosa de la forma siguiente:
0,005 0,005
USL 0,505 0,505 0,505 (0,00227) X V X 2, 2V
0,00227 0,00227
TABLA 8.1. Clculo de la capacidad de un proceso de torneado, puesto nmero 17
De la misma forma,
LSL = X - 2,2
En la Tabla Al se puede obtener la proporcin que se hallar por debajo de

X 2,2 y por encima de X + 2,2 , que es de 0,0139. Por tanto, la mejor calidad o
la menor fraccin defectuosa es 2(0,0139), o un 2,78 por 100 de artculos defectuosos.
Parece claro que el proceso no es capaz de satisfacer las especificaciones es-

tablecidas. La gama calculada de acuerdo con la ecuacin [8.1] es 6 x 0,00227,
esto es, 0,01362. La gama especificada es (0,505 + 0,005) - (0,505 - 0,005), esto
es, 0,010. Idealmente, el intervalo del proceso no debera exceder de los tres
cuartos del intervalo especificado. Esta arbitraria regla emprica permite que las
condiciones del proceso no se mantengan siempre constantes, como ocurra en
el estudio preliminar.
Conociendo la capacidad de cada pieza del equipo que interviene en el
proceso global (o habindola estimado en un estudio preliminar), los trabajos a
realizar pueden ser planeados en cuanto a su calidad de forma ms eficiente.
Aquellos con tolerancias ms severas pueden asignarse a mquinas con menor
intervalo de variacin. Claro est que el hecho de conocer la capacidad del
equipo no siempre eliminar la necesidad de utilizar un proceso que producir
piezas defectuosas como consecuencia de la rigurosidad de las especificaciones.
Pero s se podr calcular previamente el alcance de tales deficiencias y se
actuar con pleno conocimiento de las consecuencias. Cuando se ha demostra-
do que un proceso no es capaz de producir una gran mayora de unidades
dentro de las especificaciones establecidas, se dispone de cuatro alternativas:
1. Utilizar un proceso diferente.
2. Cambiar las especificaciones.
3. Examinar (inspeccin del 100 por 100) los productos para separar las
unidades defectuosas.
4. Dejarlo como est.
La primera alternativa puede representar la reestructuracin del trabajo a
realizar, adquirir nuevos equipos o subcontratar con otra firma que tenga
equipos de mayor precisin. En muchos casos, la segunda resulta lgica, aun-
que sea tradicionalmente difcil obtener cambios de proyecto que mitiguen el
rigor de las especificaciones. Pese a ello habr que prestar especial atencin a
esta alternativa, ya que supone incurrir en los menores costos totales. La
tercera deber tenerse en cuenta slo si el costo de inspeccin es bajo compara-
do con el de las otras alternativas. A la cuarta debe recurrirse cuando el costo
por unidad es bajo, el de inspeccin relativamente alto (tangible e intangible) y
el de una unidad defectuosa es, tambin, bajo.
DETERMINACIN DE LA CAPACIDAD DE UN PROCESO:

USO DE OBSERVACIONES DE LA MUESTRA
Un mtodo alternativo para determinar la capacidad del proceso cuando ya
ste est en marcha es utilizar la informacin que proporcionan las muestras
del producto que se est fabricando. Siempre que se utilicen grficos de control
se dispondr de la mayora de la informacin necesaria para establecer la
capacidad del proceso. Si los grficos son para X y R, se puede utilizar la
cantidad R , el promedio de intervalos de la muestra, para determinar la capaci-
dad del proceso. Cuando los grficos son para X y s, se puede usar la cantidad
s , media de las desviaciones estndar de la muestra.
El promedio de los intervalos de pequeas muestras tomadas de una pobla-
cin est relacionado directamente con la desviacin estndar de sta. Sin

embargo, el intervalo medio es mayor, por lo que debe ajustarse mediante un
factor para que d un valor estimado eficiente de '. El factor a utilizar biene
dado por la columna d2 de la Tabla A7.
Si se toman repetidamente pequeas muestras, digamos que de cinco ele-
mentos, de una poblacin con desviacin estndar conocida, los intervalos
relativos a la desviacin estndar
R
V'
se distribuir de la forma que indica la Figura 8.2. El factor d2 es el promedio

de los cocientes y para muestras de cinco elementos es igual a 2,326. Para
muestras ms pequeas d2 ser ms reducido y para muestras mayores d2 ser
ms alto:
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
est distribuida segn una distribucin 2 con n 1 grados de libertad. El valor

esperado de k en la distribucin de la Figura 8.4 se puede usar para calcular a partir
de las observaciones de s:
s 1 (n 1) s 2 1 (n 1) s 2 [8.3]
V n 1 V 2 n 1 V2
El valor esperado de s/ puede ser aproximado por medio de la relacin

[8.4]
s 1
E ; k
V n 1
1
E (s) ; kV
n 1
Usando la media de las desviaciones estndar como un estimador de E(s),
[8.5]
La cantidad c 2 aparece tabulada en la Tabla A7.
Figura 8.4. Distribucin de la varianza de la muestra para muestras de

una poblacin normal.
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
donde xi son observaciones individuales, x es el promedio de la muestra y n su tamao.

La Tabla 8.2 muestra la estimacin de la capacidad del proceso usando s .
MTODO DE INTERVALO NICO

Se puede obtener un valor estimado aproximado de la capacidad del proce-
so a partir del intervalo de una sola muestra grande de un proceso bajo control
estadstico. En este caso no es necesario asumir nada con respecto a la distribu-
cin de la poblacin, ni calcular su desviacin estndar. Cuando el proceso est
bajo control, se selecciona una muestra de tamao n y se obtiene el intervalo de
los valores de la muestra. La proporcin del producto total que estar dentro
del intervalo observado de la muestra se calcula usando la relacin siguiente.
TABLA 8.2. Clculo de la capacidad del proceso usando s
Nmero de Nmero de
la muestra s x 10 3 la muestra s x 10 3
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
Teorema. La densidad de la variable aleatoria q, fraccin de la poblacin

total situada dentro del intervalo observado de una muestra de tamao n, viene
dada por
f (q) n(n 1)q n 2 (1 q) [8.6]
Usando esta funcin de densidad, se puede calcular la menor proporcin

que se podra esperar que estuviera dentro del intervalo observado para cual-
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
Consumo mximo de energa 60,8 W

Consumo mnimo de energa 59,4 W
TABLA 8.3. Porcentaje de produccin de un proceso

bajo control con una probabilidad determinada de hallarse
dentro del intervalo observado en una muestra
de tamao n
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.
AJUSTE DE LA TENDENCIA DENTRO DEL ESTUDIO

Si se da una tendencia o un cambio en el nivel del promedio del proceso
puede parecer que el proceso tiene una variacin mayor de la que realmente
tiene. Fijndonos en la Figura 8.5 resulta claro que la variacin parecer mayor
si se comparan los valores relativamente pequeos del primer subgrupo con las
mayores del ltimo subgrupo. Es probable que los resultados sean errneos
cuando se unen todos los subgrupos dentro de una nica muestra: por ejemplo,
al realizar el clculo de la desviacin estndar (Figura 8.1) o al utilizar el
mtodo del intervalo nico. Sin embargo, como quiera que se puede minimizar
la variacin dentro de las muestras en el mtodo del intervalo nico, ste
efecta, ms o menos automticamente, correcciones de la tendencia.
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.
Figura 8.5. Clculo del promedio de intervalo de la capacidad del proceso cuando
existe tendencia.
ESPECIFICACIONES DE PROYECTO Y TOLERANCIAS

En la fabricacin de cualquier producto hay tres etapas de gran importan-
cia: proyecto, produccin e inspeccin. Las especificaciones se suelen establecer
en la fase de proyecto. Durante la produccin se realiza un esfuerzo para
conformarlas. La inspeccin es necesaria para evaluar hasta qu punto es
conforme la produccin con las especificaciones. Los trminos especificacio-
nes y tolerancias se suelen utilizar indistintamente. Sin embargo, conviene
observar que las tolerancias se refieren nicamente a las dimensiones fsicas. Las
especificaciones tienen un sentido ms general y se refieren tanto a todas las
caractersticas del proceso del producto como a las materias primas. Las tole-
rancias se incluyen dentro de las especificaciones.
La base fundamental de todas las especificaciones se halla en la funcin
deseada del producto. Ningn ingeniero industrial quisiera poner en peligro
dicha funcin. El deseo de tener una seguridad absoluta sobre la capacidad
funcional del producto puede llevar a excesos en el proyecto. Por ejemplo: la
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.
CAPACIDAD DEL PROCESO Y TOLERANCIAS

Si el ingeniero industrial est familiarizado con la variacin natural del
proceso que se utilizar para fabricar el producto, el trabajo de establecer las
especificaciones adecuadas se simplificar considerablemente. Si carece de infor-
macin, es probable que el ingeniero industrial establezca unas especificaciones
muy duras, anticipando que: El departamento de Produccin se va a quejar,
haga lo que haga. Siempre se quejan. Conociendo la capacidad estimada del
proceso, el ingeniero puede abstenerse de proyectar un producto que no se
puede fabricar sin producir una gran cantidad de elementos defectuosos. Es
altamente deseable, adems, que el ingeniero industrial conozca los principios
bsicos de la estadstica para que le resulte ms sencillo entender e interpretar
los estudios sobre capacidad del proceso.
Un malentendido bastante corriente es el referido a los resultados de un
estudio de capacidad del proceso. Debe recordarse que la nica informacin
definitiva que contiene tales resultados es la relativa a lo que el proceso no
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.
TOLERANCIAS PARA SUBCONJUNTOS
Los subconjuntos se forman combinando dos o ms componentes. La

dimensin total del subconjunto ser la suma de las dimensiones de sus compo-
nentes individuales. Consideremos un subconjunto de cuatro componentes A,
B, C y D (Fig. 8.6). La longitud total del subconjunto es la suma de las
longitudes de A, B, C y D. La funcin del subconjunto indicar que dicha
longitud est dentro de los lmites de especificacin:
US) = L(A) + L(B) + L{C) + L(P) [8.7]
Figura 8.6. Subconjunto de cuatro componentes.

La relacin crea dos tipos de problemas. En primer lugar, si se conoce la

variacin natural de la dimensin de cada componente, cul ser la variacin
de la dimensin del subconjunto? En segundo lugar, si el subconjunto en su
totalidad est sujeto a los mismos lmites de tolerancia, cules sern los lmites
de tolerancia de los subconjuntos parciales? Los ejemplos 8.6 y 8.7 nos indican
el procedimiento general para contestar a tales preguntas. Como base para
dicho procedimiento es necesario referirse a dos relaciones mencionadas en el
Captulo 2.
Si x1 y x2 son dos variables aleatorias distribuidas independientemente, las
varianzas de la suma x 1 + x 2 y de la diferencia x 1 x 2 vienen dadas por
V x2 x 2 V x21 V x22 [8.8]

V12
x1 x 2
2
V V
x1
2
x1 [8.9]
Es importante recalcar que la varianza de la diferencia x1 x2 es la misma que
la varianza de la suma x 1 + x 2 .
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
TABLA 8.5. Lmites de especificaciones

Si V A2 ,V B2 ,V C2 ,V D2 y V S2 representan las varianzas de los cuatro componentes y de los

subconjuntos, respectivamente, la ecuacin [8.8] dar lugar (usando unidades de
1/100 de pulgada) a,
V s2 V A2 V B2 V C2 V D2 32 22 32 22 26
o
V s ; 5,1 0,0051 pulgadas
De donde para el subconjunto

tamao nominal = 6,51 pulgadas
desviacin estndar = 0,0051 pulgadas
lmite superior de las especificaciones = 6,5253
lmite inferior de las especificaciones = 6,4947
intervalo de tolerancia = 0,0306
Quienes no estn familiarizados con las leyes de la estadstica creern

errneamente, a veces, que el intervalo de tolerancia del subconjunto debe ser
la suma de los intervalos de tolerancia de sus componentes individuales. Cierta-
mente no es as, como hemos demostrado con este ejemplo. Aqu, el intervalo de
tolerancia del subconjunto es aproximadamente igual a la mitad de la suma de
los intervalos de tolerancia de sus componentes.
ESTABLECIMIENTO DE TOLERANCIAS PARA FASES

INTERMEDIAS DE LA PRODUCCIN
El ejemplo 8.6 indica que el intervalo de tolerancia de un subconjunto es

menor que la suma de los intervalos de tolerancia de sus componentes indivi-
duales. Si se producen los componentes A, B, C y D de forma independiente y
luego se montan, la tolerancia natural del conjunto ser 0,0306 como se ha
indicado. El punto donde se realiza el montaje puede operar satisfactoriamente
si el intervalo de tolerancia especificado es 0,040.
La situacin es diferente cuando el conjunto se logra por fases. Para ilus-
trarlo, supongamos que se realiza el montaje en tres puntos de trabajo:
Punto de trabajo 1 (C y D) CD
Punto de trabajo 2 (B y CD) BCD
Punto de trabajo 3 (A y BCD) ABCD

Si se monta el subconjunto ABCD en tres puntos de trabajo y el inrvalo de
tolerancia especificado para el subconjunto es 0,040, qu intervalos de tolerancia
deben especificarse para los tres puntos de trabajo?
La mejor forma de solucionar el problema es estableciendo una secuencia en

retroceso. En el punto de trabajo 3, el intervalo de tolerancia especificado es igual que
el del subconjunto ABCD (esto es, 0,040). En el punto de trabajo 3 se produce el
montaje de dos componentes, A y BCD. De la ecuacin [8.8] se deduce que
6V BCD (6V ABCD ) 2 (6V A ) 2 [8.12]
2
TBCD TABCD TA2 [8.13]
en un proceso normal de fabricacin A viene dada como 0,003. De acuerdo con el

intervalo de tolerancia especificado de 0,040 el mximo valor permisible de ABCD es
(l/6)(0,040). Un mtodo alternativo de empleo de la ecuacin [8.8] es determinar de
tolerancia en trminos 6 en lugar de en trminos de :
6V BCD (6V ABCD ) 2 (6V A ) 2 [8-12]

2
TBCD TABCD TA2 [8.13]
donde T x = intervalo de tolerancia de x;

T ABCD = 0,040 especificado;
T A = 0,018 natural.
Sustituyendo dichos valores en la ecuacin [8.13] resulta
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
Al sustituir, dado el valor de TCD:
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.
INTERFERENCIA Y TOLERANCIA DE AJUSTE

Muchos subconjuntos incluyen el acoplamiento de dos componentes. El
componente A encaja dentro de la abertura del componente B. Ejemplos: el
bloque motor y el pistn, el eje y el cojinete, la tuerca y la llave. En cualquiera

de esos, un ajuste que no sea el adecuado componente A demasiado pequeo
con respecto a la abertura del componente B supondr una operacin inefi-
caz. En otro extremo opuesto, la interferencia (el componente A mayor que el
agujero del componente B) imposibilitara totalmente la operacin.
Sean 3,00 pulgadas el dimetro nominal de un cilindro y 2,98 pulgadas el
dimetro nominal de un pistn. La separacin nominal sera.
1
separacin = (dimetro del cilindro dimetro del pistn) =
2
1
= (3,00 - 2,98) = 0,01, 10 unidades de 1/1.000 pulgadas
2
Si se definen las variables G, B y P como el doble de la separacin, dimetros

del cilindro y el pistn, respectivamente, la ecuacin [8.9] dara
V G V B2 V P2
Sean B = 2,2 unidades y B = 3,4 unidades
B B
VG 2, 22 3, 42 4,05 unidades
La desviacin estndar por cada lado de la separacin ser de 2,025 unidades.

TABLA 8.6. Clculo de intervalos de tolerancia especificados en puntos
de trabajo intermedios
Intervalo de Intervalo de Intervalo de
Punto de
tolerancia tolerancia del tolerancia
trabajo
especificado trabajo aadido del insumo
X y
x2 y 2
3 0,033 0,018 0,0276
2 0,0276 0,012 0,0249
1 0,0249
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
La Figura 8.7 muestra la distribucin de probabilidades de la separacin.

El problema que se le presenta a un fabricante que produce y monta en una
planta los componentes A y B se puede definir como sigue: Cul es el riesgo de
que la persona que est en el punto de montaje tome al azar una pieza A y una
B y d lugar a una interferencia o a un mal ajuste? En la Figura 8.7 hay dos
zonas rayadas. Los valores numricos de dichos riesgos se pueden calcular
asumiendo una distribucin normal. Para la interferencia la variable normal
estandarizada es:
4 10
zi 2,96
2,025
riesgo de interferencia = 0,0015 = 0,15 por 100

Para un ajuste mal realizado, la variable normal estandarizada es:
15 10
zl 2, 47
2,025
riesgo de encaje mal hecho = 0,0068 = 0,68 por 100
Figura 8.7. Distribucin de probabilidades de una separacin entre pistn y

cilindro.
Estos riesgos resultaran aceptables en la mayora de los casos. Si son

demasiado grandes para aceptarlos, se pueden reducir hasta cierto punto me-
diante una inspeccin al 100 por 100. Sin embargo, esto va acompaado,
generalmente, de un alto costo de desperdicios y de nuevos trabajos a realizar.
El fabricante que no controle ambos componentes y la operacin de monta-
je tendr menos opciones. Para ilustrar esta afirmacin incluimos el ejemplo
8.7.
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
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]:
Vx 0,00152 0,00152 0,00212
El intervalo permisible entre el nivel de interferencia 0,003 y el nivel de encaje

defectuoso que es 0,010 es 0,007 o 3,3x. La probabilidad de interferencia o mal
encaje se minimizara colocando la media de la distribucin exactamente entre ambos
niveles, como muestra la Figura 8.8. En este caso,
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.
Figura 8.8. Efecto del centrado de la media de la distribucin de los anchos de

tuerca.
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
Cul de las dos mquinas tiene mejor capacidad de procesamiento? En qu se

basa esta conclusin? Se podra explicar la tendencia aparente de los resultados
de la segunda mquina?
8.3. Usar el mtodo R para establecer la capacidad de procesamiento de las dos
mquinas de los problemas 8.1 y 8.2.
8.4. Usar el mtodo s para establecer la capacidad de procesamiento de las dos
mquinas de los problemas 8.1 y 8.2.
8.5. Las especificaciones para el dimetro de cierto artculo son de 3,00 0,020 cm.
Se estableci una lnea de produccin automtica para fabricarlo. En primer
lugar, fueron sometidas a medicin 1.000 artculos fabricados por dicha lnea. El
dimetro mayor era 3,018 cm y el ms pequeo, 2,996 cm. Puede cumplir la
linea de produccin con las especificaciones? Cmo definir la probabilidad de
que puede esperarse que una parte de la produccin resulte defectuosa?
8.6. Establecer la capacidad de procesamiento de las dos mquinas de los problemas

8.1 y 8.2 usando el mtodo de intervalo nico para las 50 observaciones que se
tratarn como una sola muestra. Comparar los resultados con los obtenidos en
los problemas 8.1 a 8.4. Se considerara que el mtodo del intervalo nico es un
procedimiento satisfactorio para comparar las dos mquinas? Por qu?
8.7. Se seleccionaron de forma aleatoria 20 muestreos de cinco elementos cada uno
de la produccin de un componente de avin. Se midi el grosor de cada
elemento con un micrmetro, con una aproximacin de una diezmilsima de
pulgada. Las especificaciones para dicho componente eran: lmite superior:
1,5100; lmite inferior: 1,5050. La unidad de medida es (tamao 1,5000) x
10.000.
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
Establecer la capacidad del proceso usando S .

8.8. A partir de muestreos de cinco elementos tomados cada hora de produccin se
obtuvieron los siguientes valores de X y R:
Nmero de la muestra X R Nmero de la muestra X R
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
Determinar la capacidad del proceso. Si las especificaciones para este elemento

son: mximo 120, mnimo 0, determinar la disposicin apropiada de X al princi-
pio de una racha de produccin. Cul sera la racha ptima de produccin
expresada en horas?
8.9. El espacio medio entre dos elementos que ajustan es 0,003 cm. Se supone que es
la distribucin de los dimetros de los dos componentes es normal.
Media Desviacin estndar
Dimetro interior de A 8,003 0,0006

Dimetro exterior de B 8,000 0,0014
Si el montaje es aleatorio, cul es la probabilidad de interferencia? Cul

debera ser el dimetro medio interior de A para reducir la probabilidad de
interferencia por debajo de 0,1 por 100?
8.10. Se monta un subgrupo de cuatro componentes en tres puntos de trabajo:
Punto de trabajo 1: AyB AB

Punto de trabajo 2: AB y C ABC
Punto de trabajo 3: ABC y D ABCD
Un estudio de capacidad del proceso ha proporcionado la siguiente informacin

sobre la fabricacin de los cuatro componentes:
Componente Tamao nominal Desviacin estndar

A 3,16 0,004
B 6,84 0,006
C 8,24 0,005
D 1,76 0,007
20,00
Si el intervalo de tolerancia para el subconjunto es 0,080, qu intervalos de

tolerancia deben especificarse para los tres puntos de trabajo?
8.11. Si se cambia el orden de montaje del subconjunto del ejemplo 8.6 como aparece
a continuacin, cules seran los intervalos de tolerancia de cada punto de
trabajo?
Punto de trabajo 1: ByC BC

Punto de trabajo 2: BC y D BCD
Punto de trabajo 3: A y BCD ABCD
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
Se puede definir el control de aceptacin como la serie de medidas que

adopta el receptor para asegurarse de la calidad de un producto o trabajo
ofrecido por el productor. Un consumidor puede aplicar el control de acepta-
cin a los productos que le suministre un fabricante o proveedor; un departa-
mento de Inspeccin de Productos Acabados, a aqullos que recibe del depar-
tamento de produccin; un auditor, a cuantos informes, datos y documentos le
facilita el departamento de contabilidad; un ingeniero industrial, a la realiza-
cin del trabajo; un comprador, a los sistemas y procedimientos del trabajo; un
comprador, a los sistemas y procedimientos de control de calidad que utiliza el
productor; y, en general, es aplicable a cualquier caso incluido en la definicin
anteriormente citada.
Los procedimientos de control de aceptacin deben proteger los intereses
tanto del adquirente como del proveedor, sin favorecer innecesariamente a
ninguno de ellos. El comprador no debe estar expuesto al riesgo excesivo de
recibir productos de calidad inferior. Al mismo tiempo, tampoco el proveedor
debe temer que le rechacen productos de buena calidad.
OBJETIVOS DEL CONTROL DE ACEPTACIN

Los fundamentales son dos: 1) garantizar la calidad de una unidad en
particular, o de un grupo de unidades enviadas o sometidas al control; 2)
asegurar que las caractersticas de calidad satisfarn a largo plazo las normas
de calidad establecidas. El objetivo citado en primer lugar garantiza que, si
se cumple, se alcanzar el segundo. Las medidas ms utilizadas para asegurar
la calidad de un producto aceptado pueden clasificarse como muestra la
Tabla 9.1.
221
TABLA 9.1. Medidas de control de aceptacin
Tcnicas de aceptacin Tcnicas de control

A. Inspeccin del 100 por 100. A. Aprobacin del sistema de garanta
B. Certificacin. de calidad del productor, as como
C. Tcnicas de muestreo: de los procedimientos que utiliza,
1. Muestreo de aceptacin por incluyendo: mtodos de inspeccin
atributos lote a lote: y control de procesos; mtodos de
a) Muestreo simple. aprobacin y control de calibres;
b) Muestreo doble. mtodos de inspeccin y pruebas;
c) Muestreo mltiple registros de inspeccin y pruebas;
(secuencial truncado). control de planos, especificaciones y
d) Muestreo secuencial. cambios de ingeniera; controles de
2. Muestreo de aceptacin identificacin de lotes; controles de
por atributos continuo: materiales.
a) De etapa nica. B. Aprobacin de los mtodos de con-
b) Multietpico. trol de compras del productor.
3. Muestreo de aceptacin C. Registro y medicin de los progre-
por variables: sos en calidad del productor.
a) Planes de variabilidad D. Clasificacin de productores y pro-
conocidos. veedores.
b) Planes desconocidos
de variabilidad.
4. Muestreo por auditoras:
) Del producto enviado.
b) Del control del
productor.
RESPONSABILIDADES SOBRE GARANTA DE CALIDAD

En general, el comprador tiene la responsabilidad de garantizar una calidad
de aceptacin. La de controlar la calidad compete al productor. Sin embargo,
en cierto sentido, el comprador tiene responsabilidades de control a largo
plazo. Al utilizar las diferentes tcnicas de aceptacin de lote a que nos hemos
referido, ejerce, de forma indirecta, funciones de control de calidad. Ningn
fabricante puede permitirse el lujo de que le rechacen gran cantidad de lotes de
sus productos. El costo de dicho rechazo es excesivamente elevado para todas
las partes afectadas. Por tanto, los requisitos de calidad impuestos por el
adquirente sobre el productor obligan a ste a utilizar mtodos de control de
calidad. Con excesiva frecuencia se suele utilizar el mtodo de inspeccin del
100 por 100 de los productos, slo porque es ms conveniente. Sin embargo,
utilizado de forma indiscriminada dicho mtodo, resulta caro para ambas
partes. A largo plazo, el comprador paga gran parte de unos gastos innecesa-
rios en que ha incurrido el fabricante. Llega un momento en que aqul lo
advierte y, o bien solicita rebajas en los precios, o busca nuevos proveedores. El
cambio de proveedor supone en s mismo un proceso caro. Todas las opiniones
estn a favor de la creacin de una slida relacin basada en la calidad entre
productor y comprador o adquirente, relacin que deber basarse en la utiliza-
INTRODUCCIN A LA GARANTA DE CALIDAD Y EL CONTROL DE ACEPTACIN 223
cin de mtodos cientficos de control y garanta de calidad que conduzcan a

que tanto el producto como su funcionamiento estn dotados de las mximas
garantas.
RELACIONES ENTRE PRODUCTOR Y RECEPTOR (DENTRO

DE LA FBRICA, ENTRE DIVISIONES DE LA FIRMA
Y ENTRE DIVERSAS FIRMAS)
Para que exista una buena relacin entre productor y receptor en temas de
calidad es necesario que el segundo insista continuamente en que se utilicen
mtodos cientficos de control de calidad. Resolver estas situaciones con frases
como: La forma de hacerlo es su problema, es ignorar por completo los
incrementos de costos que acarrear esta posicin. El receptor es quien debe
tener mayor inters en que se utilicen tales mtodos ya que, a largo plazo,
obtendr el mayor rendimiento de su inversin.
La Figura 9.1 muestra las relaciones de calidad existentes entre los distintos
receptores y fabricantes del producto dentro de la panormica completa del
negocio. Las relaciones que se muestran en forma grfica indican que no hay
funciones ni organizaciones totalmente desprovistas de algn tipo de responsa-
bilidad. En el caso de relaciones recprocas, recepcin y produccin pueden
tener responsabilidades igualmente importantes. Las pequeas empresas y las
divisiones pueden requerir que una entidad independiente, responsable directa-
mente ante la direccin, garantice la calidad estimulando y especificando los
mtodos que deban emplearse para ello. La experiencia en control de calidad
est muy cotizada en el mercado, por lo que contratacin personal experimen-
Figura 9.1. Flujo de productos de productor a receptor.

tado en este campo para todos los departamentos de la empresa no sera un

acierto, desde el punto de vista econmico. Estas relaciones existen en las
empresas y divisiones de gran tamao, y es necesario disponer de personal
especializado en todos los departamentos.
El posible flujo de un hipottico producto podra ser el siguiente: El depar-
tamento de Compras de la divisin Al recibe componentes de los departamen-
tos de Inspeccin de Productos Acabados de las divisiones A2 y B2. El departa-
mento de Compras de la divisin A1 suministra dichos componentes al depar-
tamento de Produccin de dicha divisin. Este ltimo realiza nuevos trabajos
sobre ellos y los enva al departamento de Montaje de A1. El montaje es
enviado al departamento de Productos Acabados para su inspeccin final.
Desde all pasa al consumidor final. Cada uno de los puntos de recepcin debe
disponer de alguna garanta de la calidad recibida. La condicin ptima se
logra cuando el receptor tiene la mxima confianza, hasta el punto de no
considerar preciso realizar inspeccin alguna de que recibe para establecer su
calidad. La posicin contraria se presenta cuando el receptor considera necesa-
rio inspeccionar todas las unidades que recibe para asegurarse de su calidad.
Desgraciadamente, slo en muy pocos casos se puede alcanzar la condicin
ptima de calidad. No obstante, los esfuerzos deben concentrarse en esta
direccin, no en la opuesta, lo que implica que habr que utilizar uno o ms
mtodos de muestreo para garantizar la calidad en cada punto de recepcin.
Precisar qu mtodo se va a utilizar es algo que debe resolver el departamento
de Ingeniera de Calidad. Esta decisin debe incluir una opcin entre los
diversos mtodos sancionados, en vez de una limitada a la inspeccin del 100
por 100 y a la llamada inspeccin localizada. Tampoco debe llegarse a una
situacin en la que el departamento de Ingeniera de Calidad tenga que discutir
para que se sustituya la inspeccin al 100 por 100 por algn mtodo aceptado
de muestreo. Lamentablemente, este ltimo caso se da con excesiva frecuencia.
En su lugar, deben estudiarse todos los medios disponibles para elegir entre los
que sean ms lgicos. Hay veces en que la inspeccin del 100 por 100 de los
productos puede resultar el mtodo ms lgico, pero cuando se selecciona de
este modo en lugar de por rutina, se est realizando un autntico trabajo de
tcnica de control de calidad.
Cuando se decida no recurrir a la inspeccin del 100 por 100 y se opte por
el muestreo, habr muchos factores que determinarn el mtodo de muestreo a
utilizar. En ningn caso debe considerarse como mtodo vlido de muestreo el
mtodo de porcentaje localizado.
FALACIAS DEL MTODO DE MUESTREO

DE INSPECCIN LOCALIZADA
La inspeccin localizada, tal como suele realizarse, consiste en la verifica-
cin de un porcentaje de los materiales utilizados en el proceso en la propor-
cin 1/n (donde n es un dcimo, un vigsimo, un centsimo, etc., y la seleccin
depende de la frecuencia deseada de la inspeccin localizada), o bien en la
verificacin al azar, cuya frecuencia vara de acuerdo con los problemas que se
encuentren. El mtodo de porcentaje y la verificacin aleatoria son mtodos de
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.
PRUEBA DE HIPTESIS EN CONTROL DE ACEPTACIN

Todas las tcnicas de aceptacin suponen la prueba estadstica de una
hiptesis. En el proceso de inspeccionar o probar una muestra de unidades de
un lote ofrecido por el proveedor, el receptor trata de establecer si es aceptable
todo el lote. Tal determinacin supone probar la hiptesis (hiptesis indife-
rente).
H0: La calidad del producto es, satisfactoria

H1: La calidad del producto es insatisfactoria

Cuando se prepara la prueba de este modo, el receptor est diciendo:
Aceptar que la calidad del producto es satisfactoria, a no ser que se presente
una abrumadora evidencia estadstica en contra.
Al expresar la calidad del producto cuantitativamente como fraccin defec-
tuosa, el receptor puede indicar un nivel satisfactorio de calidad como 1/2 por
100 o q = 0,005. Entonces la prueba de hiptesis de control de aceptacin
supone probar la hiptesis indiferente
H0: q = 0,005
contra
H1: q> 0,005

Un error de tipo I, o error de rechazar una hiptesis indiferente cuando de
hecho es cierta, supone el rechazo de un lote satisfactorio. El receptor especifica
un nivel apropiado que este error no debe superar.
Si X representa el suceso de observar el resultado de una prueba especfica
de una muestra, la probabilidad condicional de X
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
La distribucin de probabilidades de los elementos defectuosos hallados en la

muestra es aproximadamente una distribucin de Poisson. Cuando la media es
0,25, la probabilidad de obtener 1 0 elementos defectuosos es (a partir de las
probabilidades acumuladas de la distribucin de Poisson de la Tabla A3.1) de
0,974. La probabilidad de error del tipo I es de 2,6 por 100. Es algo menor que
el 5 por 100 deseado, pero resulta definitivamente aceptable.
El procedimiento completo para probar la hiptesis sera inspeccionar una
muestra de 50 elementos tomados de un lote grande y si slo se hallasen 1 0
defectuosos, se considerara satisfactorio el lote y se aceptara. Este procedi-
miento se llama muestreo de aceptacin y el par de nmeros n y c se conocen
como plan de muestreo.
CARACTERSTICA OPERATIVA DE UN PLAN DE MUESTREO

Usando cualquier plan de muestreo (, c) la probabilidad de que un lote
particular sea aceptado depender, naturalmente, de la calidad del lote. Si el
lote que contena N elementos tena una calidad q, el lote contendra Nq
elementos defectuosos. Los restantes elementos, N Nq, seran elementos
buenos. Cuando se seleccione una muestra de n elementos de este lote, puede
incluir cierto nmero de elementos defectuosos, digamos x. En la seccin se
toman x elementos defectuosos de un total de Nq defectuosos, y se toman n
x elementos buenos de los restantes N Nq buenos. Por tanto, la distribucin
de probabilidad de x sera una distribucin hipergeomtrica dada por (vase
Captulo 2)
N Nq Nq

n x x
Pr(x) =
N

n
El valor esperado de x, o la cantidad promedio de elementos defectuosos

hallados en la muestra, sera nq. Siempre que el tamao del lote sea muy grande
con relacin al tamao n de la muestra y la fraccin q sea muy pequea (por
ejemplo, por debajo de 0,05), la distribucin hipergeomtrica compleja puede
ser aproximada por la distribucin de Poisson ms fcilmente manejable con el
mismo valor esperado, o
O = nq
En la mayora de las aplicaciones comerciales e industriales del control de
calidad estas dos condiciones: que N sea relativamente grande con relacin a n
y que q est por debajo de 0,05, estn siempre presentes. As que la distribucin
de Poisson casi siempre se usa como una aproximacin vlida a la vez que
sencilla.
O x eO (nq ) x e nq
Pr( x) donde O nq
x! x!
La probabilidad de que sea aceptado un lote de calidad q ser la probabili-

dad de que el nmero observado de elementos defectuosos x sea igual o menor
que el nmero crtico c:
Pr(aceptacin) = Pr(x c) = Pr(0) + Pr(l) + + Pr(c - 1) + Pr(c)
Otra interpretacin de esta ecuacin es que la probabilidad de aceptacin

sea igual que la acumulativa hasta c de una distribucin de Poisson con
parmetro O = nq. Estas probabilidades acumulativas aparecen tabuladas por
pares de valores de c y O en la Tabla A3.1.
Dado que la probabilidad de aceptacin de un lote es una funcin del
tamao n de la muestra, del nmero crtico c y de la calidad q del lote, cuando
se especifica un plan de muestreo (cuando se fijan n y c), la probabilidad de
aceptacin es una funcin de q. Esta relacin funcional entre probabilidad
de aceptacin de un lote y su nivel q de calidad se llama caracterstica operativa
del plan de muestreo. La relacin suele presentarse de forma grfica como
una curva con q representada en el eje horizontal y Pr(aceptacin) en el eje
vertical. La curva se llama tambin curva caracterstica operativa o curva OC del
plan de muestreo. La Figura 9.2 muestra la curva OC del plan de muestreo
n = 50, c = 1.
Figura 9.2. Curva caracterstica operativa para el plan de muestreo n = 50, c = 1.

En el Captulo 10 se describe paso a paso un procedimiento para construir

una curva OC para cualquier plan de muestreo especificado. Es fcil ver que
cada curva OC tendr cinco puntos especficos:
Punto 1: Pr(aceptacin) = 1,0, q = 0. Este punto afirma que el lote siempre
ser aceptado si no contiene elementos defectuosos.
Punto 2: Pr(aceptacin) = 1 , q = calidad aceptable q1 Este punto
garantiza que la probabilidad de error del tipo I, o error de no aceptar un lote
de calidad aceptable, es . Se denomina punto de riesgo del fabricante.
Punto 3: Pr(aceptaciri) = 0,5, q = calidad indiferente q1 Este punto define
el nivel de calidad para el que la probabilidad de aceptacin y rechazo son
iguales. Efectivamente, tanto proveedor como consumidor asumen idntico
riesgo.
Punto 4: Pr(aceptacin) = , q = calidad inaceptable q2. Este punto garanti-
za que la probabilidad de error de tipo II, o error de aceptar un lote de calidad
inaceptable es . Se denomina punto de riesgo del consumidor.
Punto 5: Pr(aceptacin) = 0, q = 1,00. Este punto afirma que todos los
elementos del lote son defectuosos y que el lote nunca sera aceptado.
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-
midor. Si existen malos entendidos sobre dicha divisin, pueden llevar a largos
y costosos litigios.
CALIDAD MEDIA DE SALIDA

Una de las ventajas de la inspeccin de rectificacin es que sirve para
mejorar la calidad del producto recibido. Cuando se someten L lotes a N
elementos cada uno a un muestreo de aceptacin usando un plan de muestreo
(, c), se puede calcular la mejora en la calidad mediante el anlisis siguiente.
Sea q la calidad de los lotes tal como los presenta el proveedor y P(d) la
correspondiente probabilidad de aceptacin usando el plan de muestreo (n, c).
L P(a) de los L lotes sern aceptados. Esto significa que todos los elemen-
tos defectuosos que contengan seguirn estando presentes en el producto acep-
tado. Como cada lote contiene N elementos y la calidad es q, habr N q
elementos defectuosos en cada uno y se aceptarn (L P(a) (N q)) elementos
defectuosos. L(1 P(a)) lotes pasarn a una inspeccin de rectificacin. Todos
y cada uno de los elementos defectuosos sern probados y sustituidos por un
elemento capaz de ser utilizado adecuadamente. No se aceptarn elementos
defectuosos:
cantidad total de elementos defectuosos aceptados =
= L P(a) N q + L(1 - P(a)) N 0 =
= L P(a) N q
Como la cantidad total recibida es L N, la calidad del producto recibido
cantidad de elementos defectuosos recibidos
q'
cantidad de elementos recibidos
L P(a) N q
P (a ) q
LN
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
Consideremos el plan de muestreo (50, 1) al que nos referimos anteriormente. Sea

la calidad entrante defectuosa en un 4 por 100.
nq = 50 x 0,04 = 2
P(a) en la Tabla A3.1 = 0,406
q' = P(a) q = 0,406 x 0,04 = 0,01624
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.
Figura 9.3. Calidad media de salida del plan de muestreo n = 50, c = 1.
INSPECCIN TOTAL BAJO INSPECCIN DE RECTIFICACIN

La mejora de calidad consecuencia de una inspeccin de rectificacin no es
gratuita. Viene como consecuencia de un costo extra de inspeccin (y prueba)
de todos los elementos de los lotes rechazados. Cada lote sometido a un plan de
muestreo (n, c) exigir la inspeccin de n elementos. Sin embargo, una fraccin
1 P(a) de los lotes ser rechazada. Despus del rechazo, los N n elementos
que an se mantengan tendrn que ser inspeccionados. Por tanto,
esfuerzo total de inspeccin =
= n elementos de la inspeccin de muestreo =
= + (1 P(a))(N n) elementos en la inspeccin de rectificacin =
= n + (1 P(a))(N - n)
= nP(a) + N(1 - P(a))
Esta calidad se denomina inspeccin media total (ATI).

Ejemplo 9.2
Para ilustrar el concepto de ATI utilizamos el mismo plan de muestreo (50, 1) y la

misma calidad de entrada (4 por 100). El tamao del lote es de N = 1.000. Entonces,
la inspeccin media total es
ATI = nP(a) + N(1 - P(a)) = (50 x 0,406) + 1.000 (1 - 0,406)
= 20,3 + 594 = 614,3
Bajo inspeccin de rectificacin se inspecciona un promedio de unos 614 elementos
de cada lote. Esta cifra puede compararse con los nicamente 50 elementos que se
inspeccionaban en el muestreo de aceptacin sin inspeccin de rectificacin.
MUESTREO DOBLE Y MLTIPLE

El plan de muestreo n = 50, c = 1, se llama plan de muestreo nico porque
la decisin de aceptar o rechazar el lote se toma despus de inspeccionar una
nica muestra. En un plan de muestreo doble la posible decisin despus de la
inspeccin de la primera muestra podra ser: 1) aceptar el lote; 2) rechazarlo, o
3) hacer un segundo muestreo. Despus de la inspeccin de la segunda muestra
slo quedan dos decisiones posibles: 1) aceptar el lote, y 2) rechazarlo. Un plan
de muestreo doble viene definido por los siguientes parmetros:
Para la primera muestra:
n1 = tamao de la muestra
c1 = cantidad de aceptacin
r1 = cantidad de rechazo
Para la segunda muestra:
n2 = tamao de la muestra
c2 = cantidad de aceptacin
r2 = cantidad de rechazo
El nmero c2 de aceptacin es la cantidad de defectos permisibles en ambas
muestras (primera y segunda) tomadas juntas. Obviamente, r2 = c2 + 1, para
garantizar una decisin definitiva despus de la segunda muestra. El modo de
operar de un plan de doble muestreo se ilustra en el siguiente ejemplo.
Ejemplo 9.3
Un plan de doble muestreo se da as:
n1 = 80 c1= 0 r1=3
n2 = 80 c2= 3 r2 = 4
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?
p = 0,02 n1 p = n 2p = 80 x 0,02 = 1,6
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.
Pr(A) = 0,323 x 0,783 = 0,2529
Pr(B) = 0,258 x 0,525 = 0,1355
probabilidad total de aceptacin = 0,202 + 0,2529 + 0,1355 = 0,5904

Los planes de muestreo mltiple de k niveles operan de la misma forma.
Despus de la inspeccin de la primera muestra y hasta llegar a la (k l)sima,
se puede adoptar tres posibles decisiones: aceptar, rechazar o tomar una nueva
muestra. Despus de la inspeccin de la ltima muestra slo ha dos decisiones
posibles: aceptar o rechazar el lote. En el ejemplo 9.3 los tamaos de los lotes,
n1 y n2, eran de 80 en ambos casos. Esto no es una exigencia para los planes de
muestreo doble ni mltiple. Sin embargo, el MIL-STD-105D, que es el ms
aplicado de los planes de muestreo, se basa en la premisa de mantener siempre
el mismo tamao de muestra. Este estndar slo usa planes de siete niveles en
muestreo mltiple. Dicho estndar se describe con mayor detalle en el Cap-
tulo 11.
TABLA 9.2. Probabilidades de

aceptacin
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
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
Este tipo de muestreo se aplica, especialmente, en los casos en que se

presenta a inspeccin de forma esttica un nmero mltiple de unidades, en un
nico lugar determinado, y en donde la inspeccin es del tipo por atributos
(aceptacin o rechazo). En la actualidad es el mtodo de muestreo ms utiliza-
do para aceptacin de lotes, debido, fundamentalmente, a que es eficaz y fcil
de entender y aplicar. Tambin los consumidores admiten que, siempre que sea
posible, es preferible exigir a los proveedores el material en forma de lotes
estticos en vez de continua. La exigencia de suministrar lotes de productos
contribuye a su homogeneidad y, merced a la consciencias sobre el costo del
rechazo de un lote, dan al proveedor una mxima motivacin para no ofrecer
ms que unidades de buena calidad.
En general, tratndose de inspecciones lote a lote, productor y receptor
suelen acordar que: 1) los lotes que se acepten en virtud del plan de muestreo lo
sern con excepcin de las unidades defectuosas halladas al realizar el mues-
treo, las cuales sern sustituidas por otras de buena calidad; 2) los lotes recha-
zados sern devueltos al productor para que ste proceda a su rectificacin; 3)
los lotes que se sometan de nuevo a inspeccin slo lo sern para controlar
aquellos defectos que produjeron el rechazo original u otros que pudieran
haberse producido durante el proceso de rectificacin. Hay ciertas diferencias
en estos acuerdos. Algunos receptores optarn por revisar al 100 por 100 los
lotes rechazados, cargando los costos de este trabajo al productor. Se suele
escoger esta opcin cuando se necesita el material con suma urgencia. En
cualquier caso, el objetivo es que el productor cargue con el costo de rectifi-
cacin.
Para establecer la calidad de un determinado lote de productos se pueden
utilizar una o varias muestras. Se considerarn, en primer lugar, las consecuen-
235
cias de un plan simple de una sola muestra para entender perfectamente el

riesgo. En un muestreo sobre una sola unidad, del tipo por atributos, se toma
una unidad representativa del lote y la decisin sobre su aceptacin o rechazo
se basa en los resultados que se obtengan de dicha muestra nica.
Los planes de muestreo para la aceptacin lote a lote que consisten en una
muestra del tamao n y una cantidad c de aceptacin se basan en la distribu-
cin de Poisson de unidades defectuosas en el lote. Habr que recordar que la
misma se aproxima a la binomial cuando p' 0,10 y np' < 5. La distribucin
binomial subyace en la mayora de los casos de muestreo por atributos, as que
resulta perfectamente lgico hacer una aproximacin y servirse de la distribu-
cin de Poisson.
CONSTRUCCIN DE LA CURVA OC DE UN PLAN DE MUESTREO

SIMPLE POR ATRIBUTOS
Un tpico plan de muestreo simple es n = 300 y c = 5 (siendo n = tamao
de la muestra y C = nmero de aceptacin). Esto puede interpretarse como
una orden para tomar una muestra representativa de 300 unidades para inspec-
cionar y aceptar si hay cinco o menos unidades defectuosas en la muestra; si el
nmero de unidades defectuosas es superior a cinco habr que proceder al
rechazo. La decisin de aceptarlo o rechazarlo se basa exclusivamente en los
resultados de ese nico muestreo. Cules son los riesgos para productores y
receptores que utilicen este plan? Una manera adecuada de expresarlos grfica-
mente es mediante la curva de caracterstica operativa del plan de muestreo
(vase Captulo 9). Trazaremos la curva aqu para mostrar el mtodo de
creacin de una curva OC para cualquier plan de muestreo.
El mtodo paso a paso para obtener la curva OC de un plan de muestreo
nico es el siguiente:
1. Colocar los ttulos de las diferentes columnas y la columna P de la
forma siguiente:
n np' P' P PP'
0,98
0,95
0,70
0,50
0,20
0,05
0,02
donde n = tamao de la muestra;

np' = nmero de productos defectuosos;
p' = fraccin defectuosa;
Px = probabilidad de aceptacin;
Pp = AOQ = calidad media de salida.
MUESTREO DE ACEPTACIN POR ATRIBUTOS, LOTE A LOTE 237
Los valores seleccionados de P darn valores de las ordenadas que, al

coordinarlos con los valores de p' que se deriven irn dando lugar a la
curva OC.
2. Buscar en la Tabla A3.1 bajo el valor dado de c hasta encontrar el Pa
deseado (o el valor ms prximo a dicho PJ. (Si no se encuentra el valor
exacto, debera cambiarse el valor en la columna P con objeto de que
se corresponda con el de la tabla.)
3. Colocar el valor de np' asociado con el P seleccionado en la columna
np'.
4. Dividir por n el valor de np'. Esto dar la coordenada p' de P para la
curva OC.
Ejemplo 10.1
Determinar la curva OC del siguiente plan de muestreo simple:

n = 300 c=5
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
2. Hallar np' y p'. Al buscar en la Tabla A3.1 bajo c = 5, hallamos un valor de

Pa de 0,983. Este es el ms prximo a 0,98. El valor np' asociado a un valor P de 0,983
es 2,0. Al ser dividido por n = 300 este valor de np', da p' = 0,0067. Se sigue el mismo
procedimiento para cada uno de los otros valores de P hasta completar la tabla:
n np' p' P Pp = AOQ
300 2,0 0,0067 0,983 0,0065

300 2,6 0,0087 0,951 0,00827
300 4,4 0,0147 0,72 0,0106
300 5,6 0,0187 0,512 0,00957
300 7,8 0,025 0,210 0,00526
300 10,5 0,035 0,05 0,00175
300 12,0 0,04 0,02 0,0008
La columna Pp es necesaria para establecer los valores de las ordenadas indispen-

sables para la representacin grfica de una curva AOQ (calidad media de salida), en la
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.
Figura 10.1. a) curva caracterstica operativa, y b) curva de calidad media de salida

para el plan de muestreo en que n = 300 y c = 5.
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:
Plan : p' = 0,0083

Plan : p' = 0,03 = LTPD1
Plan AOQL: p'AOQL = 0,015
Plan del punto de indiferencia: p'0,50 = 0,0095
El plan es el mismo. Lo" que vara es el mtodo de definir el plan. Un plan

est definido especficamente cuando se han especificado los valores p' en los
puntos y . Los estndares LTPD (porcentaje de tolerancia de elementos
defectuosos del lote) y AOQL se usan en las conocidas tablas Dodge-Romig,
que estudiaremos con mayor detalle ms adelante. Los planes se llaman
tambin AQL (nivel de calidad aceptable; AQL = p'). AQL se acepta en casi
todo el mundo como base de los planes de muestreo y todos incluidos en los
estndares militares (MIL-STD-105D o Estndar ABC) se basan en AQL.
Ahora que ya hemos definido los distintos puntos de riesgo de las caracte-
rsticas operativas, podra resultar til derivar un plan de muestreo nico en
que no se hubieran determinado el tamao de la muestra y la cantidad para
aceptacin. Primero hay que formular una opinin tcnica con relacin a los
puntos y de la curva. Supongamos, por ejemplo, que se desea establecer el
riesgo del fabricante ( = 0,005) de forma que los lotes sometidos a inspeccin
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).
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?
DESARROLLO DE UN PLAN SENCILLO DE MUESTREO

DE ATRIBUTOS
Cuando se han especificado dos puntos de la curva OC de un plan de
muestreo, es posible proyectar un plan que se acerque al cumplimiento de tales
requisitos. Normalmente los dos puntos especificados son el punto de riesgo del
fabricante y el de riesgo del consumidor.
Ejemplo 10.2
Proyectar un plan de muestreo que se aproxime a lo siguiente:

p1 = 0,01 = 0,05
p2 = 0,06 = 0,10
Si el plan de muestreo es (n, c) en el nivel de riesgo del fabricante, siendo np1 la
cantidad esperada de elementos defectuosos en la muestra, la probabilidad de acepta-
cin tendra que ser 1 = 0,95.
La Tabla A3.2 nos da los valores de np necesarios para obtener la deseada probabi-
lidad de aceptacin para diferentes cantidades crticas. Los ttulos de las filas son las
cantidades crticas c y en las columnas figuran las probabilidades de aceptacin p(A).
Reproducimos aqu parte de la tabla:
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
Sin embargo, el cociente R deseado slo es 6:
p2 0,06
R 6
p1 0,01
Est claro que c = 0 no dara un plan de muestreo satisfactorio. Probando otros

nmeros crticos dar:
c R
0 46
1 11,1
2 6,5
3 4,9
c = 2 nos da el cociente ms prximo al valor de 6 deseado. Si utilizamos c = 2, el

tamao de la muestra calculado en el punto de riesgo del fabricante es
np1 0,82
n 82
p1 0,01
El tamao de la muestra calculado en el punto de riesgo del consumidor es

np2 5,3
n 88
p2 0,06
Estos dos valores no son iguales, ya que el cociente R difiere en 6. Sin embargo, es
imperativo que la cantidad crtica c sea un nmero entero. Se acepta un tamao de
muestra de 85 (promedio entre 82 y 88).
El plan de muestreo n = 85, c = 2 sera el que ms se aproximara a las especifica-
ciones. Para este plan a un nivel de calidad p1 = 0,01, a es 0,055, y a un nivel de calidad
p2 = 0,06, es 0,10. La curva completa OC aparece en la Figura 10.2.
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.
ANLISIS E INTERPRETACIN DE LA CURVA

CARACTERSTICA OPERATIVA
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).
dor. En contraste, permitir uno o ms elementos defectuosos supone menor

riesgo de rechazo para el fabricante. Comparar las curvas (d) y (e) ilustra esto
muy grficamente. Las curvas (d) y (e) son planes que permiten elementos
defectuosos en la muestra. Ambos representan bsicamente el mismo riesgo
para el fabricante; sin embargo, como quiera que la curva (e) tiene un tamao
de muestra mayor que la curva (d), el consumidor tiene un riesgo menor. La
curva (f) es la OC ideal. Este plan de muestreo acepta todos los lotes de calidad
al 1 por 100 o mejor y rechaza todos aquellos cuya calidad sea peor que un 1
por 100 de defectuosos. Esta curva es inalcanzable por medio del muestreo. Sin
embargo, a medida que aumenta el tamao de la muestra, la curva OC se
acerca cada vez ms a dicho ideal.
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
tos:
p1 = 0,02 = 0,05
LTPD = 0,09
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
CIRCUNSTANCIAS QUE ACONSEJAN EL USO DE AQL

Una inspeccin rectificadora, en la que los lotes rechazados son sometidos a
inspeccin al 100 por 100 y todos los artculos defectuosos son reemplazados
por otros de buena calidad, lleva a mejorar la calidad del producto que se est
utilizando. Sin embargo, esto exige un precio a pagar que se manifiesta en el
incremento de inspeccin. Cuando el productor y consumidor forman parte de
la misma organizacin o empresa existen pocos problemas y los que surgen se
zanjan mediante algn tipo de compromiso. Pero cuando productor y consumi-
dor pertenecen a distintas organizaciones, con intereses contrapuestos, cual-
quier inspeccin rectificadora entraa diversos problemas. A algunos de ellos
nos referiremos acto seguido.
En primer lugar, a quin deben cargarse los costos de dicha inspeccin?
Casi con toda seguridad, el productor se negar a aceptar el costo de inspeccin
adicional realizada por el consumidor, toda vez que ello equivaldra a aceptar
costos que no podra controlar ni determinar adecuadamente. Al mismo tiem-
po, tampoco parece probable que el consumidor acepte los resultados de una
inspeccin rectificadora realizada por el productor. No olvidemos que los
procedimientos de aceptacin fueron creados para proteger los intereses del
consumidor y que resultaran superfluos si el consumidor tuviera tanta fe en el
productor. Por otra parte, tampoco resulta probable que el consumidor se
brinde a realizar la inspeccin y a asumir sus costos, toda vez que ello equival-
dra a pagar la mala calidad de los artculos del productor.
El segundo factor es de tipo psicolgico. Cuando es el consumidor quien
ejecuta la inspeccin rectificadora y devuelve (o destruye) nicamente los ar-
tculos defectuosos, el productor carece de incentivos para mejorar su calidad.
El impacto psicolgico que produce el rechazo de un lote completo es tremen-
do. Y presiona para que el productor trate de determinar las causas de su baja
calidad y efecte las correcciones adecuadas.
El tercer problema incluye los trminos y aspectos legales de los contratos.
Cuando el producto sometido a inspeccin es defectuoso en un 2 por 100 y
cada lote consta de 100 artculos, significa que en cada lote aceptado hay un
promedio de dos artculos defectuosos y 98 de buena calidad. El consumidor ha
firmado un contrato para recibir y pagar artculos de buena calidad. Debe
pagar slo los 98 que la tienen? El productor puede aducir que ciertos defectos
son inevitables. No ha ajustado ya el precio para reflejar esta realidad?
Adoptar AQL no resuelve el dilema legal. Si resulta rechazado un lote de
100 artculos, defectuoso en un 4 por 100, en el mismo habr un promedio de
cuatro artculos defectuosos y 96 de buena calidad. Cuando el consumidor ha
aceptado contractualmente comprar artculos de buena calidad carece de base
legal para negarse a pagar los 96 que cumplen el requisito. En cualquier caso, es
necesario en todos los casos, redactar muy cuidadosamente los contratos de
compra y suministro.
En la actualidad, la eleccin de procedimientos de aceptacin, ya sean
basados en AQL o en inspeccin rectificadora, se realiza despus de una serie
de negociaciones entre productor y consumidor. Puede afirmarse, en general,
que los procedimientos basados en AQL favorecen al consumidor, en tanto que
los procedimientos que contemplan una inspeccin rectificadora protegen al
PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 247
productor. Es una falacia afirmar que los procedimientos de inspeccin rectifi-

cadora protegen al consumidor al limitar la calidad media de salida. Si se
dispone el AOQL en un 2 por 100 de artculos defectuosos, la calidad de salida
real estar muy cerca del lmite del 2 por 100. La especificacin de un lmite
determina, en general, hasta dnde se puede llegar sin salirse de los lmites
legales. Es una situacin anloga a la del pago de impuestos. Cuando se dice
que el Impuesto sobre la Renta debe abonarse no ms tarde del 15 de abril, la
mayora de los contribuyentes entienden que ello implica que no ms tarde del
15 de abril, pero no antes del 14.
En general, cuando el productor negocia desde una posicin de fuerza, el
resultado ser que se incluir una inspeccin rectificadora entre los procedi-
mientos de aceptacin. Esta posicin de fuerza puede nacer de una situacin
monopolstica o de la gran ventaja que supone el tamao o la capacidad
financiera del productor. Un ejemplo fue la gigantesca American Telephone
and Telegraph Company (predecesora directa de todas las empresas Bell Telep-
hone) como proveedora de equipos de telecomunicaciones a pequeas empresas
y a particulares.
Cuando es el consumidor quien goza de una slida posicin negociadora,
como consecuencia de idnticos factores de monopolio, tamao o capacidad
financiera, optar por un procedimiento de aceptacin basado en AQL. El
Ministerio de Defensa de Estados Unidos, arquetipo de consumidor con una
slida posicin negociadora, cre su propio procedimiento de aceptacin basa-
do en AQL: el MIL-STD-105D.
BREVE RESEA HISTRICA
La aceptacin basada en muestreos estadsticos figur por vez primera en el

departamento de Pertrechos del Ejrcito de Estados Unidos durante la segunda
guerra mundial. Los procedimientos de aceptacin fueron diseados por un
grupo de civiles expertos en estadstica y de ingenieros civiles creado al efecto1,
reclutado bsicamente entre personal de Bell Telephone y de la Universidad de
Columbia. Inicialmente, el Ejrcito y las Fuerzas Navales disponan de sus
propias tablas de procedimientos de aceptacin por muestreo. Cuando las
Fuerzas Armadas fueron integradas en un solo Ministerio de Defensa, las
tablas de las Fuerzas Navales fueron adoptadas como Estndar 105 para el
Ejrcito y la Marina (JAN-ATD-105), en 1949.
La revisin de dichas tablas, en 1950, llev a la publicacin del MIL-STD-
105A. Las sucesivas revisiones de 1958, 1961 y 1963 se denominaron MIL-
STD-105B, MIL-STD-105C y MIL-STD-105D.
El ltimo de dichos estndares fue adoptado por un grupo de trabajo
integrado por representantes de Canad, Gran Bretaa y Estados Unidos que
trataban de crear un estndar comn. Como tal estndar comn, el MIL-STD-
105D es conocido tambin como Estndar ABC (America, Gran Bretaa,
Canad) o ABC-STD-105.
1
Este grupo estableci las bases para la mayora de los avances tericos en control estadsti-
co de calidad, aunque sus trabajos no fueron publicados hasta el fin de la guerra.
APLICABILIDAD DE PROCEDIMIENTOS AQL

Los procedimientos de aceptacin basados en AQL son aplicables a situa-
ciones de inspeccin de aceptacin por atributos (generalmente, lote a lote),
para piezas componentes, subconjuntos y artculos finales. Tambin se pueden
utilizar si se dan las condiciones apropiadas, en situaciones de carcter adminis-
trativo, por ejemplo, en muestreos de auditora en cuestiones tales como gestin
de archivos, cuentas a cobrar, cargas laborales, existencias, etc. La inspeccin se
puede realizar en el punto de destino, de produccin o de suministro. Se puede
utilizar para la aceptacin en diversas etapas de la produccin o al acabado del
producto.
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
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.
ESPECIFICACIONES DE NIVEL DE CALIDAD ACEPTABLE (AQL)

El estndar MIL-STD-105D define el nivel de calidad aceptable (AQL)
como el valor nominal, expresado en porcentaje, de elementos defectuosos, o
en defectos por cada cien unidades, cualquiera que sea aplicable, especificado
para determinado grupo de defectos (o defecto concreto). Es una definicin
bastante amplia. Tambin se ha definido como el porcentaje mximo de
elementos defectuosos (o defectos por cada cien unidades) tolerables como
promedio de calidad. Esta es una definicin ms concreta, aunque hasta cierto
punto errnea, ya que se reconoce que pueden existir breves perodos en que la cali-
dad sea peor que el estndar. Una definicin ms precisa sera: el nivel de
calidad en el que el fabricante asume un riesgo comparativamente pequeo de
que su producto de calidad igual o mejor que el AQL sea rechazado. El riesgo
de rechazo puede oscilar entre una fraccin del 1 y el 20 por 100. En general, los
planes con un nmero de aceptacin 0 aumentan el riesgo de rechazo para el
fabricante.
La especificacin de los niveles de calidad aceptable guarda estrecha rela-
cin con el trabajo de la planificacin de inspeccin. Forma parte de la ingenie-
ra de calidad. Baste decir aqu que antes de que se puedan especificar los AQL,
es preciso determinar las caractersticas que se van a inspeccionar, para distri-
buirlas entre los diversos puntos de inspeccin, clasificar las caractersticas en
cada punto de inspeccin de acuerdo con la gravedad del defecto (crtico, muy
importante, de menor importancia y/o cualquier otra clasificacin que se de-
see), especificar la expresin de no conformidad como porcentaje de elementos
defectuosos, o defectos cada 100 unidades, en cada punto de inspeccin para
cada tipo de defectos, o para defectos concretos. A esto debe seguir la especifi-
cacin de los AQL, para lo que se tendr en cuenta las observaciones anteriores
y cualquier otra, como: costo de inspeccin contra costo de rechazo, requisitos
de proyecto, calidad media del fabricante, reclamaciones del consumidor, de-
manda del producto, etc. Tambin se debera seguir revisando los valores de
AQL de forma continua en previsin de posibles cambios y para garantizar que
los mismos estn de acuerdo con las necesidades de calidad.
Figura 11.1. Curvas caractersticas operativas para planes de muestreo simple con la misma
Fraccin inspeccionada para AQL diferentes.
Los AQL del MIL-STD-105D van desde 0,015 hasta aproximadamente

1.000, en progresin geomtrica. La expresin de no conformidad puede ser en
defectos por cada 100 unidades para todos los AQL, o en porcentaje de
defectuosos para AQL de 10 o menos.
ESPECIFICACIN DE NIVEL DE INSPECCIN

Ya se ha dicho que el factor ms importante de un muestreo es el tamao
absoluto de la muestra. Nivel de inspeccin es el trmino empleado para indicar
la cantidad relativa de inspeccin realizada. Diferentes niveles de inspeccin
proporcionan la misma proteccin, aproximadamente, al fabricante cuando
presenta un producto de calidad aceptable, pero diferentes niveles de protec-
cin al consumidor.
El estndar MIL-STD-105D proporciona siete niveles de inspeccin, deno-
minados niveles de inspeccin general I, II y III, y niveles de inspeccin especial
S-l, S-2, S-3 y S-4. Para la mayora de los productos slo se usan los niveles de
inspeccin general, reservndose los de inspeccin especial para aquellos pro-
ductos en los que resulta muy caro realizar pruebas o stas son destructivas
(esto es, el elemento no se puede volver a usar una vez probado). La cantidad
relativa de inspeccin aumenta en este orden: S-l proporciona la inspeccin
mnima relativa, luego, S-2, S-3, S-4,1 y II, en orden creciente y, por ltimo, el
nivel de inspeccin general III proporciona el mximo de inspeccin relativa.
Dentro de los niveles generales de inspeccin, considerando el nivel II como
norma, la cantidad relativa de inspeccin que proporcionan los tres niveles es,
aproximadamente, la que muestra la Tabla 11.1:
TABLA 11.1.. Comparacin de niveles de inspeccin
Nivel de inspeccin general Cantidad relativa de inspeccin
I La mitad de la norma
II La norma
III El doble de la norma
El que se usa normalmente es el nivel II de inspeccin general. Realmente, el

hecho de que se proporcionen varios niveles es, en cierto modo, superfluo, en el
sentido de que el estndar MIL-STD-105D permite gran libertad de seleccin
de planes de muestreo. Establece que, a discrecin el consumidor, se puede
usar un cdigo diferente para el tamao de la muestra del que indica la Tabla
A14.1. En realidad, esto se puede considerar como la creacin de otros niveles
de inspeccin. Parece indicado mencionar aqu que los riesgos que se corren en
un plan de muestreo determinado tienen fundamental importancia como pre-
rrequisito para su seleccin.
Los factores que afectan la seleccin de un nivel de inspeccin son diversos
y deben compararse entre s antes de tomar una decisin. El plan de inspeccin
concreto objeto de consideracin debe juzgarse segn la proteccin que pro-
porcionar contra la aceptacin de malos lotes y el rechazo de los buenos; esto

es, revisando crticamente las caractersticas operativas de los planes de mues-
treo en cuestin.
INSPECCIN NORMAL, RIGUROSA Y REDUCIDA

No existe plan de muestreo que proporcione los medios para una perfecta
discriminacin entre lotes buenos y malos para inspeccin. Siempre existe el
riesgo de aceptar un lote para inspeccin de calidad peor que el AQL, o de
rechazar uno de calidad mejor que el AQL. Los planes en MIL-STD-105D
estn proyectados de forma que, en una inspeccin normal, aceptarn casi
todos los lotes presentados cuya calidad sea igual que AQL, adems de un
porcentaje razonablemente alto de aquellos que sean ligeramente inferiores a
AQL. La proteccin contra continuar aceptando lotes de peor calidad que la
deseada se logra pasando a un plan de muestreo ms severo, siempre que haya
pruebas suficientes de que la calidad media es peor que AQL. Esto se hace
generalmente sin aumentar el tamao de la muestra y el cambio no se realiza
hasta que la calidad media sea lo suficientemente peor que AQL como para
garantizar que la diferencia no se debe a una fluctuacin casual en el muestreo.
Cuando el historial de la calidad es lo bastante bueno, se puede economizar
utilizando un muestreo reducido. Este procedimiento permite, adems, concen-
trar la inspeccin en aquellos productos que necesitan mayor atencin. En
efecto, puede decirse que se concede al fabricante el beneficio de la duda hasta
que la cantidad de pruebas sea tan abrumadora que exija un plan ms severo.
El paso a una inspeccin rigurosa permite que mejore el riesgo del consumi-
dor, protegiendo al comprador contra la aceptacin continua de lotes de
calidad peor que AQL. Bsicamente, un cambio a una inspeccin rigurosa es
un cambio hacia un AQL ms estricto.
El cambio a una inspeccin reducida implica que el riesgo del consumidor
aumente drsticamente. Sin embargo, si hay pruebas de que la calidad es mejor
que el AQL y de que no cambiar a peor, la inspeccin reducida permite
economizar en la inspeccin y alcanzar beneficios psicolgicos. El criterio
utilizado para cualquier cambio es el historial de la calidad, junto con el
entorno industrial de la produccin actual y futura.
Para un producto que carezca de historial significativo, el procedimiento de
aceptacin se inicia con una inspeccin normal, que se mantiene mientras la
calidad del producto sujeto a la misma se aproxime al nivel de calidad acepta-
ble. Una desviacin significativa de dicho nivel de calidad indicar la necesidad
de cambiar, sea a una inspeccin rigurosa o a una reducida.
PLANES DE MUESTREO SIMPLE, DOBLE Y MLTIPLE

El estndar MIL-STD-105D permite utilizar planes de muestreo simple,
doble o mltiple. En un plan de muestreo polietpico, la diferencia entre las
cantidades de aceptacin y rechazo no se limita a 1. Si dichas cantidades de un
plan de muestreo son C y R, respectivamente, se pueden dar tres resultados

posibles en la inspeccin.
1. Si x C aceptar.
2. Si x R rechazar.
3. Si C < x < R tomar la siguiente muestra.
En el ltimo nivel de muestreo, la diferencia entre C y R es exactamente 1.
Por tanto, la tercera condicin no se podr satisfacer nunca y no habr muestra
sucesiva. El ltimo nivel lo da la primera muestra en muestreo simple, la
segunda en muestreo doble y la ensima en un muestreo de n niveles.
Para cualquier AQL se pueden disear planes de muestreo simple, doble o
mltiple que den aproximadamente la misma curva OC y aproximadamente,
tambin, la misma proteccin a fabricante y consumidor. Las nicas diferencias
en los distintos tipos de planes de muestreo proceden de diferentes necesidades
de inspeccin y de los efectos psicolgicos de permitir, aparentemente, una
segunda o tercera oportunidad, o ms, de que el producto no sea aceptado
inmediatamente.
En general, los planes de muestreo doble requieren menos inspeccin media
que los de muestreo simple. Los planes de muestreo mltiple exigen menos
inspeccin media que los de muestreo simple o doble. Los ahorros en la
cantidad de inspeccin para los planes dobles o mltiples alcanzan el mximo
en lotes de calidad muy buena o muy mala. Para lotes de calidad marginal, sin
embargo, los planes de doble muestreo exigen, a veces, ms inspeccin media
que los de muestreo simple. La economa de inspeccin no es mucha para AQL
rigurosos y tamaos pequeos de muestra, pero puede ser considerable en otros
casos. Exponemos a continuacin algunos de los factores a considerar:
Administracin. Los planes simples son los ms fciles de administrar.
Los mltiples, los ms difciles. Los ltimos requieren inspectores mejor prepa-
rados y la dificultad de verificar los resultados es mayor.
Informacin sobre el lote. El mayor tamao de la muestra en planes de
muestreo simple proporciona ms informacin para la determinacin a largo
plazo de la calidad media2.
Disponibilidad de lotes para seleccin de muestras. Si es difcil obtener
muestras, sea por el movimiento de lotes o por cualquier otra razn, el mues-
treo simple puede ser la alternativa preferible.
Variacin en el tamao de la muestra. Los planes dobles y mltiple requie-
ren normas para cargas variables de trabajo. Si no se puede tolerar una carga
variable de trabajo, debe recurrirse al muestreo simple.
Influencia de la calidad marginal. La calidad marginal reduce las econo-
mas de inspeccin de los planes mltiples. La Figura 11.2 incluye curvas que
indican la cantidad media de inspeccin para los tres tipos de planes de
muestreo tomadas de la tabla para el cdigo N, AQL = 1,5. Los grficos para
2
Esto es porque en los resultados de la primera muestra se usan clculos de calidad media y
registros.
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.
Figura 11.2. Comparacin del nmero promedio de unidades inspeccionadas en

muestreo simple, doble y mltiple.
Costo de inspeccin de unidad. Si el costo de inspeccin es alto, las eco-

nomas en el costo de inspeccin que se originan con los muestreos doble o
mltiple pueden impedir que se utilice el muestreo simple. Sin embargo, si es
bajo, las economas derivadas de las muestras ms pequeas pueden ser ab-
sorbidas con creces por las mayores dificultades administrativas que se pre-
sentarn.
Consideraciones psicolgicas. Parece que los planes dobles y mltiples dan

una nueva oportunidad al fabricante, pero, en realidad, las curvas OC son
bsicamente las mismas. Por tanto, la proteccin que se proporciona al produc-
tor contra el rechazo de lotes no cambia con el tipo de muestreo.
DESCRIPCIN Y USO DE TABLAS

Las tablas para obtener planes de muestreo aparecen en el Apndice: Tablas
A14.1 a A14.10. Se denominan tablas maestras. Hay una para inspeccin
normal, rigurosa y reducida de cada tipo. Por ejemplo, la Tabla A14.5 es la
maestra para planes de doble muestreo e inspeccin normal. Los encabeza-
mientos de las filas de sta (y de todas las otras) son el tamao de la muestra
y la letra-cdigo, y las de las columnas, los AQL. El intervalo de valores de
AQL va desde 0,01 hasta 1.000 en la progresin 1; 1,5; 2,5; 4; 6,5; 10; ... Estas
cantidades estn, aproximadamente, en progresin geomtrica. Los valores de
AQL desde 0,10 hasta 10 se expresan en porcentaje de defectuosos o defec-
tos por 100 unidades; los valores por encima de 10 slo se expresan como
defectos por 100 unidades.
En cada fila hay dos nmeros, que dan los tamaos de la primera y la
segunda muestras. Para la letra-cdigo H, ambas muestras son de tamao 32.
En cada columna hay dos subcolumnas: Ac, la cantidad de aceptacin, y Re, la
cantidad de rechazo. Para AQL 2,5 (defectuosa al 2,5 por 100) y la letra-cdigo
H, las cantidades de aceptacin y rechazo son las siguientes:
Ac Re
Primera 32 1 4
Segunda 32 4 5
Estas cantidades indican el siguiente plan de muestreo doble para inspec-

cin normal cuando la letra-cdigo es H y el AQL es 2,5. Primero, tomar una
muestra de 32 elementos. Si slo hay un elemento defectuoso (o ninguno),
aceptar el lote. Si se encuentran cuatro o ms elementos defectuosos, rechazar-
los. Si se encuentran dos o tres defectuosos (ms de uno y menos de cuatro),
tomar una segunda muestra tamao 32. Si la cantidad total de elementos
defectuosos en ambas muestras es cuatro o menos, aceptar el lote. Si es cinco o
ms, rechazarlo.
La Tabla A 14.1 nos da las letras-cdigo para el tamao de la muestra. En
esta tabla, las filas son los tamaos de los lotes o grupos, y las columnas los
siete niveles de inspeccin. El nivel de inspeccin lo especifica el usuario. Se
entiende que cuando no se especifica se usa el nivel II de inspeccin general.
Para un lote de tamao 400 y nivel II de inspeccin general, la letra-cdigo es
H. (El tamao 400 cae dentro del intervalo 281-500).
En este caso, la inspeccin relativa es 32/400, 8 por 100, para la primera
muestra y el mismo para la segunda. En MIL-STD-105D la inspeccin relativa
disminuye a medida que aumenta el tamao del lote. Si ste hubiera sido de
400.000, en vez de 400, la letra-cdigo sera P. La primera y la segunda muestra

hubieran tenido 500 elementos cada una y la inspeccin relativa habra sido de
slo 500/400.000, esto es, 0,125 por 100.
Las Tablas A14.11 y Al4.12 dan los lmites de calidad media de salida para
inspecciones normales y rigurosas, respectivamente. La Tabla A14.13 da los
lmites que deben usarse en la inspeccin reducida.
MIL-STD-105D incluye tambin las curvas OC y las de cantidad media de
la muestra para muchos planes de muestreo, pero no las reproducimos en este
libro.
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
Cuando el producto es un 6 por 100 defectuoso, el nmero medio de defectuosos en

la muestra o np' es 3 x 0,06 = 0,18. Buscando en la Tabla A3.1 las probabilidades
acumulativas de Poisson, vemos que la probabilidad de no encontrar elementos defec-
tuosos es 0,836. Esta es la probabilidad de aceptacin del producto presentado.
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:
Primera 80 0 3
Segunda 80 3 4
Un lote sera aceptado en la primera muestra si en sta no hay elementos defectuo-

sos. Puede aceptarse en la segunda muestra de dos formas: un elemento defectuoso en
la primera muestra y dos o menos en la segunda o dos elementos defectuosos en la
primera muestra y uno o menos en la segunda.
Cuando la calidad de entrada es defectuosa al 3 por 100, la cantidad media de
elementos defectuosos en cada muestra, o np', es 80 x 0,03 = 2,4. La Tabla A3.1 de
probabilidades acumulativas de Poisson da lo siguiente:
Pr(x 0) = 0,091 Pr(x = 0) = 0,091
p r (x 1) = 0,308 Pr(x = 1) = 0,217
Pr(x 2) = 0,570 Pr(x = 2) = 0,262
Pr(x 3) = 0,779 Pr(x = 3) = 0,209
Pr(0 defectuosos en la primera muestra) = 0,0910

Pr(l defectuoso en la primera muestra y 2 o menos en la segunda) =
= 0,217 x 0,570 = 0,1237
Pr(2 defectuosos en la primera muestra y 1 o menos en la segunda) =
= 0,262 x 0,308 = 0,0807
Total 0,2954
La probabilidad de aceptacin de un lote 3 por 100 defectuoso es 0,2954.
RIESGO DEL FABRICANTE Y CURVAS OC

Hay tres tipos de planes de muestreo: simple, doble y mltiple. Sin embargo,
para cada combinacin de letra-cdigo y AQL, dichos planes tienen aproxima-
damente la misma curva OC y ofrecen los mismos riesgos para el productor.
Utilizamos los planes de muestreo bajo la letra K y AQL de 1,0 para ilustrarlo.
Los planes obtenidos en las tablas maestras aparecen en la Tabla 11.2. La
Figura 11.3 presenta las curvas OC para dichos planes. Vale la pena subrayar
que las tres curvas son esencialmente la misma y que cada una tiene una
probabilidad de 0,95 de aceptar lotes con un AQL designado de 1,0.
TABLA 11.2. Planes de muestreo
Muestreo simple (Tabla A 14.2) 125 3 4

Muestreo doble (Tabla A 14.5) 80 1 4
80 4 5
Muestreo mltiple (Tabla A 14.8) 32 * 3
32 0 3
32 1 4
32 2 5
32 3 6
32 4 6
32 6 7
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
pueden obtener beneficios por economizar horas de inspeccin acompaada

por una prdida, insignificante para el consumidor, de la garanta de calidad.
La inspeccin normal se usa siempre que la calidad del producto presenta-
do est prxima a AQL. Si la calidad es consistentemente mejor, se puede usar
la inspeccin reducida. Si la calidad fuera bastante peor que AQL, se proceder
a realizar una inspeccin rigurosa. Las condiciones para un cambio son las
siguientes:
1. Los diez lotes o grupos precedentes (o ms, como indica la nota a la
Tabla VIII3) han sido sometidos a inspeccin normal y ninguno de
ellos ha sido rechazado.
2. El nmero total de elementos defectuosos (o defectos) en las muestras
de los diez lotes o grupos anteriores (o cualquier otro nmero que haya
utilizado en la condicin anterior) es igual o menor que el nmero
aplicable que da la Tabla VIII. Si se est utilizando muestreo doble o
mltiple, deben incluirse todas las muestras inspeccionadas, no slo las
primeras.
3. La produccin se realiza a ritmo constante.
4. La autoridad responsable considera deseable una inspeccin reducida.
Se ha dicho que lo aconsejable es pasar a inspeccin reducida slo cuando
el punto completo de inspeccin se lo merece. En caso contrario, los problemas
administrativos superan a las economas tericamente obtenidas a consecuen-
cia de los tamaos reducidos de las muestras.
Debe volverse a inspeccin normal si se da cualquiera de las condiciones
siguientes cuando se lleva a efecto una inspeccin reducida:
1. Se rechaza un lote o grupo.
2. La calidad media estimada es mayor que AQL.
3. La produccin se torna irregular o se retrasa.
4. Un lote o grupo no es aceptado bajo inspeccin reducida. La condi-
cin de no aceptado se da en algunos planes de muestreo reducido
cuando los mismos incluyen una zona de indecisin. Para explicar la
letra-cdigo K, AQL 1,0 se usa un plan de muestreo simple reducido.
Letra de cdigo Tamao de la muestra Ac Re
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.
Cuando se usa inspeccin normal, la sospecha de que la calidad del produc-

to presentado se est deteriorando lleva a realizar una inspeccin ms estricta y
rigurosa. Si el nivel de calidad est a la par o por encima de AQL, casi todos los
lotes sern aceptados. Si la calidad se va deteriorando, se empezar a rechazar
algunos lotes. La condicin para pasar a una inspeccin rigurosa es como
sigue:
a) Cuando se est llevando a cabo una inspeccin normal, se proceder a
realizar una rigurosa cuando dos de cinco lotes o grupos consecutivos
hayan sido rechazados en la inspeccin original. Para el objetivo pro-
puesto por esta condicin, se considera rechazado cualquier lote acep-
tado despus de presentarlo por segunda vez.
Cuando se est practicando una inspeccin rigurosa, la condicin para
pasar a normal es la siguiente:
b) Cuando se est llevando a cabo una inspeccin rigurosa, se pasar a
normal cuando en la inspeccin original se acepten cinco lotes o grupos
consecutivos.
Ejemplo 11.3
Se est inspeccionando un producto por muestreo simple de inspeccin normal, con

letra-cdigo H y AQL = 2,5 (tamao de la muestra 50, Ac = 3, Re = 4). Las
cantidades de elementos defectuosos hallados en las muestras de los diez primeros lotes
fueron: 0 + 1 + 0 + 2 + 1 + 1 + 0 + 2 + 0 + 1 = 8. Esta cantidad excede del
lmite y la condicin 2 no se satisface.
Dado que las diez muestras tenan menos de tres elementos defectuosos, ninguna
sera rechazada en la inspeccin original y se habra cumplido con la condicin 1.
La cantidad total inspeccionada en esas 10 muestras es 50 x 10 = 500. El nmero
lmite dado en la Tabla A14.13 para unidades de 500 muestras y AQL 2,5 es 7. El
nmero total de elementos defectuosos hallados en los diez muestreos es 0 + 1 + 0 +
2 + 1 + 1 + 0 + 2 + 0 + 1 = 8. Esta cantidad excede el nmero lmite y no se
satisface la condicin 2.
El proveedor no es apropiado para inspeccin reducida.
REGISTROS DE INSPECCIN Y MEDIA ESTIMADA DEL PROCESO
El estndar MIL-STD-105D no requiere especficamente el mantenimiento

de registros de carcter histrico ni el clculo de la media del proceso. Sin
embargo, con objeto de conservar una historia sobre la calidad, es necesario
reunir y conservar los datos relativos al procedimiento de muestreo utilizado,
as como los resultados de las inspecciones. El registro de inspeccin debiera
incluir la identificacin completa del producto u operacin sometido a inspec-
cin, los cambios en el grado de inspeccin, el nivel utilizado (simple, doble,
mltiple), el AQL para cada tipo de defectos, el tamao del lote, si fue presenta-
do previamente o no, el tamao de la muestra, la cantidad de defectos o
elementos defectuosos hallados en la primera muestra de cada clase de defectos,
y si el lote fue aceptado o rechazado.
La media estimada del proceso es el porcentaje medio de elementos defec-

tuosos o cantidad promedio de defectos por 100 unidades de producto presen-
tadas por el proveedor para su inspeccin original. Esta es la primera inspec-
cin de una cantidad determinada de producto, diferente de la inspeccin de
producto vuelto a presentar despus de un primer rechazo. Debiera calcularse
la media estimada del proceso para cada defecto o grupo de defectos para los
que se ha establecido un AQL. Tiene por objeto proporcionar al encargado de
la aceptacin un registro continuo de la calidad de un fabricante para que
pueda tomar decisiones relacionadas con cambios en el grado de inspeccin. La
verdadera media del proceso no es conocida casi nunca, pero se le puede dar un
valor estimado a partir de los resultados medios de los lotes anteriores. La
precisin del valor estimado depender tanto del promedio como de la canti-
dad total de unidades incluidas en el clculo de la media. Hay dos frmulas que
se utilizan para el clculo. Es indiferente que la no conformidad se exprese en
porcentaje de elementos defectuosos o en defectos por 100 unidades. Las fr-
mulas que siguen se expresan en porcentaje de elementos defectuosos. Para el
clculo de defectos por 100 unidades, situar simplemente defectos en lugar de
elementos defectuosos.
Cuando los lotes sometidos a inspeccin varan considerablemente de tama-
o, es necesario calcular una media de calidad ponderada por el tamao del
lote:
100( p1 N1 p2 N 2 ... pk N k )
Media del proceso para k lotes
N1 N 2 ... N k
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
Cuando los lotes objeto de inspeccin no varan considerablemente de

tamao se puede usar la siguiente frmula:
100( p1 p2 ... pk )
media del proceso para k lotes =
k
Cuando se usa muestreo simple, se debera inspeccionar toda la muestra

aunque se llegue al nmero de rechazo antes de concluir la inspeccin. Lo
mismo debe decirse de las primeras muestras del muestreo doble o el mltiple.
Este procedimiento nos da una media de calidad imparcial. Los resultados que
se obtengan en lotes vueltos a presentar deben excluirse de cualquier clculo de
la media de calidad, al igual que los de lotes que se consideren anmalos. Sin
embargo, hay que tener cuidado de no excluir datos, a no ser que se sepa con
certeza que obedecen a condiciones anmalas que probablemente no volvern
a darse. Se puede usar una prueba de significancia estadstica para determinar
la existencia de una condicin anmala.
La frecuencia en el clculo de medias de calidad depender de diversos

factores. Cuando las muestras son grandes, la cantidad de muestras incluida
puede ser pequea. Cuando las muestras son pequeas, debera ser grande.
Tambin debern calcularse nuevas medias siempre que se sospeche que se ha
producido un cambio significativo en la calidad del producto presentado. Es
recomendable especificar una cantidad mnima de muestras con opcin para
efectuar un nuevo clculo se sospecha que se ha producido un cambio.
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
El valor estimado de la media del proceso es defectuoso al 1,6 por 100.
PROCEDIMIENTO DE ACEPTACIN DE DEFECTOS
Un elemento se considera defectuoso cuando la caracterstica que se mide

no satisface las especificaciones aplicables. A veces se dan especificaciones para
multitud de caractersticas cada una con distinto grado de importancia. Es
evidente que, en un automvil, la especificacin para la potencia del motor ser
considerablemente ms importante que la del nmero de puntadas por pulga-
das de funda del asiento. Es esencial clasificar las caractersticas de acuerdo con
la importancia del cumplimiento de las especificaciones.
El MIL-STD-105D define cuatro tipos de defectos: crticos, de gran impor-
tancia, de menor importancia A y de menor importancia B. Un defecto crtico
produce una condicin operativa insegura o no permite el rendimiento funcio-
nal de la unidad. Un defecto de gran importancia no es crtico, pero an as
puede reducir materialmente el funcionamiento til de la unidad. Un defecto de
menor importancia A slo produce escaso efecto en el funcionamiento, y un
defecto de menor importancia B lo produce pequeo (o ninguno).
Aunque MIL-STD-105D est definido inicialmente en trminos de elemen-
tos defectuosos, se puede utilizar para inspeccin basada en defectos. El nico
cambio necesario es sustituir, como medida de AQL, porcentaje de elementos
defectuosos por defectos por cada 100 unidades. En las tablas AQL los
valores mayores de diez se interpretan slo como defectos por cada 100
unidades. Claro est que sera absurdo pensar en un AQL defectuoso en ms

del 100 por 100, pero sera factible tener un AQL de ms de 100 defectos por
cada 100 unidades.
UTILIZACIN DEL MIL-STD-105D PARA DEFECTOS

En el MIL-STD-105D los defectos se clasifican de acuerdo con las definicio-
nes de la seccin anterior y luego se aplican por separado los criterios de
aceptacin a cada tipo. Normalmente, el tamao de la muestra, establecido
slo por el tamao del lote y el nivel de inspeccin, es el mismo para todos los
tipos. De aqu que puede usarse una muestra para el procedimiento de acepta-
cin de todos los tipos y que el lote se rechace si merece ser rechazado para
cualquier tipo. Como consecuencia de la distinta importancia de los fallos de
diferentes tipos, el AQL es diferente. En general, las caractersticas crticas se
inspeccionan por completo (100 por 100). Otros tipos tendran un AQL crecien-
te de acuerdo con la importancia decreciente de los defectos.
Para ilustrar lo dicho, pensemos en un producto imaginario que tenga 26
caractersticas. La no conformidad con las especificaciones de las caractersticas
1 a 4 da lugar a defectos de gran importancia; en las caractersticas 5 a 16 crea
defectos de menor importancia A; y en las dems caractersticas, defectos de
menor importancia B. El producto se suministra en cajas de 1.440 unidades. El
AQL para defectos de gran importancia es 1,0; para defectos de menor impor-
tancia A es 2,5; y para defectos de menor importancia B es 10. Cuando se usa el
nivel II de inspeccin general, la letra-cdigo viene determinada por K. Para un
muestreo simple con inspeccin normal los criterios de aceptacin vienen dados
por: En una muestra de 125,
Defectos de gran importancia: aceptar si 3, rechazar si 4.
Defectos de menor importancia A: aceptar si 7, rechazar si 8.
Defectos de menor importancia B: aceptar si 21, rechazar si 22.
Si una de las muestras, inspeccionada en sus 26 caractersticas, muestra los
siguientes resultados: cinco defectos de gran importancia, seis defectos de me-
nor importancia A y 16 defectos de menor importancia B, el lote es rechazado
basndose el rechazo en los defectos de mayor importancia, aunque es acepta-
ble por los defectos de menor importancia A y B.
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
probabilidad de aceptacin = Pr(x 3|np' = 1,25) = 0,9615

Para defectos de menor importancia A:
3
np' = 125 u = 3,75
100
probabilidad de aceptacin = Pr(x 7 | np' = 3,75) = 0,9623

Para defectos de menor importancia B:
12
np' = 125 u = 15,0
100
probabilidad de aceptacin = Pr(x 21| np' = 15) = 0,947
Normalmente, puede suponerse que los tres tipos de defectos son estadsticamente
independientes entre s. De aqu que la probabilidad de que el producto sea aceptado,
es el resultado de las probabilidades de aceptacin de cada tipo:
probabilidad de aceptacin del lote = 0,9615 x 0,9623 x 0,947 = 0,876
CANTIDAD TOTAL DE INSPECCIN DE MUESTREO
En un plan de muestreo simple, se toma e inspecciona una muestra determi-

nada. Por ejemplo, en el plan de letra-cdigo K, AQL = 1,0 e inspeccin
normal, descrito anteriormente, el tamao de muestra para muestreo simple es
125. Esto quiere decir que se inspeccionarn 125 elementos de cada lote. Este es
el caso en muestreo mltiple. Para muestreo doble, el tamao de la muestra se
da como 80 para la primera muestra y 80 para la segunda. Si en la primera
muestra se adopta una decisin, sea de aceptacin o rechazo, no habr segunda
muestra. En este caso slo se inspeccionarn 80 elementos de ese lote concreto.
Si no se adopta decisin alguna en la primera muestra, se necesitar una
segunda y la cantidad de elementos inspeccionados ser 80 + 80 = 160. La
cantidad media de la muestra (ASN) es la media que cabe esperar que se
inspeccione. Obviamente, ASN ser una funcin de la calidad de entrada, p.
Ejemplo 11.6
Compare la cantidad media de la muestra (ASN) de los planes de muestreo simple y

doble, bajo inspeccin normal, letra-cdigo K y AQL 1,0 si la calidad de entrada es 2,0.
Los planes son como sigue:
Primera muestra 125 3 4

Segunda muestra 80 1 4
80 4 5
Para muestreo simple:

ASN = tamao de la muestra = 1 2 5
En muestreo doble, para cada muestra:
np = 80 x 0,02 = 1,6
En la Tabla A3.1 hallamos la probabilidad de encontrar k defectos:
k P(k)
0 0,202
1 0,323
2 0,258
3 0,138
4 o ms 0,079
la probabilidad de llegar a una decisin en la primera muestra =

= P(0) + P(1) + P(4 o ms)
la probabilidad de tomar una segunda muestra = 1 0,604 = 0,396
ASN para muestreo doble = 80 + 0,396(80) = 111,68
Puede verse que hay un pequeo ahorro en la inspeccin cuando se usa
doble muestreo. l ahorro es ms significativo en el muestreo mltiple.
Es importante no confundir ASN con ATI, inspeccin total media, a la que
nos referimos en el Captulo 10. ATI incluye tanto una inspeccin rectificadora
de los lotes rechazados. ASN es slo para inspeccin de muestreo.
MIL-STD-105D no incluye una inspeccin rectificadora. La mayora de las
dependencias oficiales que usan estos planes siguen la norma de devolver al
proveedor los lotes rechazados. Sin embargo, estos planes son ampliamente
utilizados por distintos sectores industriales del sector privado. Alguno puede
preferir usar inspeccin rectificadora junto con los planes del MIL-STD-105D.
Con tal objeto, pueden calcularse los valores de ATI, AOQ y AOQL para cada
plan usando los mtodos descritos en el Captulo 10.
PROCEDIMIENTO ADMINISTRATIVO PARA LA PRESENTACIN

Y NUEVA PRESENTACIN DE LOTES
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
rechazo se producen basados en el grupo de elementos de los que se tom la

muestra. Ms an, la seleccin de muestras representativas depende de la
adecuada identificacin del lote. Conservar la identidad del lote evitar la
mezcla de producto rechazado con producto todava sin inspeccionar, o con
producto ya inspeccionado en espera de ser despachado. La forma ms sencilla
de conservar la identidad del lote es mediante su segregacin fsica. Con esto se
facilita la disposicin del producto inspeccionado, haya sido aceptado o recha-
zado. Si ha sido aceptado, el material segregado se distingue fcilmente y se
puede despachar. Si ha sido rechazado, si est permitido o se desea, puede ser
revisado para su nueva presentacin. De no ser as, se puede marcar el material
para devolverlo al proveedor.
La calidad del producto aceptado depende en gran manera de la forma de
establecer los lotes para inspeccin. La calidad media del producto aceptado
ser mejor si dichos lotes se forman sin mezclar productos de distintas calida-
des. En la prctica, esto se logra formando lotes racionales, constituidos por un
producto que tenga, bsicamente, el mismo origen. En general, pueden formar-
se combinando producto fabricado slo a partir de los mismos grupos de
materias primas, componentes o subconjuntos; combinando el producto fabri-
cado por la misma lnea de produccin o montaje, con las mismas matrices,
troqueles, patrones, etc; y combinando el producto fabricado durante cierta
unidad de tiempo, como una hora, un da, un turno o cualquier otro perodo de
tiempo. Todo ello significa que, mientras sea realizable, el objetivo de la forma-
cin de lotes es buscar su homogeneidad.
Puede que no sea posible, ni siquiera recomendable, formar lotes racionales.
Los grandes lotes requieren una inspeccin menos proporcional. Adems, las
muestras mayores de grandes lotes permiten obtener mejor representacin de la
calidad y reducen el riesgo del consumidor. La posibilidad de rechazo de un
lote grande crea un incentivo forzoso en el fabricante que debe presentar
nicamente lotes de buena calidad. La disponibilidad del personal para las
inspecciones puede desempear un papel de importancia en la determinacin
del tamao del lote. Con frecuencia, ser preciso llegar a un acuerdo. Cuando
por consideraciones de tipo econmico sea preciso formar lotes para inspeccin
grandes y no homogneos, debe realizarse un esfuerzo para separar el producto
en sublotes homogneos en cada inspeccin. Estos sublotes representan lo que
hubieran sido lotes racionales independientes de no haber sido preciso combi-
narlos en un gran lote para inspeccin con objeto de reducir su costo. Entonces
se puede seleccionar una muestra de modo que represente con mayor precisin
la calidad del lote sometido a inspeccin. Por ejemplo, supongamos que un lote
para inspeccin ha sido formado combinando producto fabricado en los tres
turnos y en las siguientes proporciones: 50 por 100 del turno 1; 25 por 100 del
turno 2 y 25 por 100 del turno 3. La muestra se seleccionara de cada uno de los
sublotes en las mismas proporciones.
En la prctica resulta aconsejable limitar el tamao del lote sometido a
inspeccin hasta un tamao relativamente pequeo. El cambio de un intervalo
de tamao de un lote a otro produce y da lugar a un cambio en la carga de
trabajo de inspeccin exigida. Si esto no se puede controlar, tal vez sea preferi-
ble establecer un plan definitivo de inspeccin y atenerse a l con independencia
del tamao del lote.
Los mtodos para tomar muestras se han estudiado en el Captulo 2. Puede

usarse muestreo aleatorio o sistemtico, pero deben escogerse las muestras
razonablemente para que representen con fidelidad al lote. Si se forman sublo-
tes, los tamaos de las submuestras deben ser proporcionales a los de los lotes.
Ocasionalmente aparecern circunstancias que exigirn la adopcin de pre-
cauciones especiales para evitar la parcialidad en la seleccin de muestras. Tales
casos se darn cuando aparezcan unidades claramente defectuosas en un lote o
subite presentado a inspeccin. Cuando aparezcan, sern adecuadamente
identificadas, pero no se retirarn hasta que se haya seleccionado una muestra.
La seleccin de una muestra determina la aceptabilidad del lote y en cuanto al
clculo de la calidad media se debe proceder de forma que cada unidad del lote,
incluyendo aquellas que sean claramente defectuosas, tenga idnticas posibili-
dades de ser incluida en la muestra. Debe utilizarse un mtodo impersonal y
objetivo para la seleccin, como el uso de la tabla de nmeros aleatorios.
Siempre que se permita una nueva presentacin de lotes, el lote que ha sido
rechazado una vez no deber nunca volverse a presentar tal como est. Si se
volviera a presentar el nico efecto sera el de incrementar las probabilidades de
aceptacin de un lote de inferior calidad. Y esto, definitivamente, no interesa al
consumidor. MIL-STD-105D indica explcitamente que los lotes o grupos que
no se consideren aceptables en la primera inspeccin pueden volverse a presen-
tar slo cuando han examinado todas las unidades que lo componen por el
fabricante y o bien se han reparado las unidades defectuosas o bien se han
reemplazado por unidades buenas.
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
est pensando en elegir la presentacin en lotes de 500 en vez de todos los

60.000 a la vez. Por qu?
11.3. Se va a usar muestreo simple con nivel II de inspeccin general y AQL 0,65 por
100. El tamao del lote es 5.000. Si el producto tiene una calidad media de 0,5
por 100, cul es la probabilidad de aceptacin con inspeccin reducida?
11.4. Si la calidad del producto del problema 11.3 cambia a 1 por 100, cul es la
probabilidad de que (despus de que se inspeccione la primera muestra):
a) se contine con la inspeccin reducida?
b) se acepte el lote y se pase a inspeccin normal?
c) se rechace el lote?
11.5. Qu fraccin del producto total sometido a inspeccin se inspecciona en los

planes 1, 3 y 4 del problema 11.1?
11.6. En el problema 11.3, determine la probabilidad de aceptacin de un lote 8 por

100 defectuoso:
a) con inspeccin normal.
b) con inspeccin rigurosa.
11.7. En un muestreo de aceptacin que utiliza MIL-STD-105D, se usa muestreo
doble con letra-cdigo M y AQL 0,40.
a) Cules son los criterios de aceptacin con inspeccin normal, rigurosa y
reducida?
b) Cul es el intervalo ms probable del tamao del lote?
c) Cul es la probabilidad de que un lote con calidad 0,5 sea aceptado bajo
inspeccin rigurosa?
d) Cul es la probabilidad de que un lote con calidad 0,5 sea aceptado bajo
inspeccin reducida?
11.8. MIL-STD-105D no incluye inspeccin rectificadora. Sin embargo, un provee-

dor de un departamento del gobierno utiliza planes MIL-STD-105D con ins-
peccin rectificadora para inspeccionar el producto terminado antes de despa-
charlo a su destino. l proveedor usa muestreo doble, nivel II de inspeccin,
AQL 1,0 y tamao 5.000 de lote. Si la calidad media del proceso es 1,5 por
100. Cul es el AOQ?
11.9. Se viene inspeccionando un producto usando muestreo simple, letra-cgido J y
AQL 1,0. La cantidad de elementos defectuosos hallados en los diez primeros
lotes fue: 3, 1, 2, 2, 4, 0, 1, 1, 0 y 1. Qu decisin sobre iniciar/continuar la
inspeccin normal/rigurosa/reducida se tomar despus de cada inspeccin de
la muestra?
11.10. La inspeccin de diez lotes consecutivos de producto usando el plan del
problema 11.9, inspeccin normal, mostr 0, 0, 0, 1, 0, 0, 1, 0, 1 y 0 defectos,
respectivamente. Puede utilizarse inspeccin reducida con dicho producto?
11.11. A partir de la siguiente informacin determinar qu accin debe iniciarse con rela-
cin al grado de inspeccin. Asumir que se han satisfecho todas las dems con-
diciones de MIL-STD-105D y que slo deben ser consideradas las siguientes:
Grado actual Cantidad Calidad

Caso inspeccionada AQL Accin
de inspeccin media
I Rigurosa 1.200 6,2 6,5
II Reducida 20.000 4,6 4,0
III Normal 12.000 0,04 0,15
IV Normal 9.500 1,9 1,5
V Reducida 500 0,87 0,65
VI Normal 180 4,02 1,5
VII Rigurosa 475 1,7 1,5
VIII Reducida 3.800 98,0 100,0
IX Normal 2.765 0,00 0,15
11.12. La clasificacin de defectos en un tablero de circuitos incluye ocho defectos

clasificados como de gran importancia, diez como de menor importancia A y
nueve de menor importancia B. Estos tableros se compran en lotes de 8.000.
Establecer un plan de doble muestreo para inspeccin normal, bajo nivel II de
inspeccin general, usando AQL de 0,4 para los defectos de gran importancia,
1,0 para los de mayor importancia A y 1,5 para los de menor importancia B.
11.13. Si el tablero de circuitos producido por un fabricante tiene un nivel de calidad
media de 0,5 para defectos de gran importancia, 0,8 para los de menor impor-
tancia A y 1,0 para los de menor importancia B, cul ser la probabilidad de
que un lote inspeccionado bajo el plan de inspeccin del problema 11.12 sea
aceptado?
11.14. Cierto tipo de municin puede presentar diez tipos de defectos de los que dos
son de gran importancia y el resto de menor importancia A. El producto se
compra en lotes de 2.000. Establecer los planes normal y riguroso para mues-
treo simple, nivel II de inspeccin general, si el AQL para defectos de gran
importancia es 0,4 y el de los de menor importancia A es 1,0. Si la calidad
media del proceso es 0,8 y 2,25, respectivamente, cul es la probabilidad de
que se inicie la inspeccin rigurosa despus de las dos primeras muestras? Cul
es la probabilidad de que se acepte un lote bajo inspeccin rigurosa?
Nota: Para los problemas 11.15 a 11.18 asuma que se aplica inspeccin rectificadora.
11.15. Se utiliza muestreo simple con nivel S-4 de inspeccin, tamao de lote 12.000 y
AQL 1,5. Determinar los valores de AOQL y ASN para inspeccin normal y
rigurosa.
11.16. Determinar el AQL para inspeccin normal en el problema 11.14. Comente la
conveniencia de usar este plan.
11.7. Determinar ASN y ATI para el plan del problema 11.12. Asumir que la media
del proceso es igual a AQL.
11.18. Determinar AOQL y ASN para el plan del problema 11.13. Asumir que la
media del proceso es 80.
11.19. Determinar el plan de muestreo mltiple con inspeccin normal, nivel I de
inspeccin general, para lotes de tamao 40.000 y AQL = 1,0. Cul es el ASN
para este plan si la media del proceso es 2,0?
12
Otros procedimientos
de aceptacin
La eleccin de un plan de muestreo es, en realidad, una decisin para

adoptar una curva caracterstica operativa. Las tablas de planes de muestreos
de aceptacin estn diseadas para concordar en un punto especfico de la
curva OC y para aproximarse todo lo posible a dicha curva en los dems
puntos. Hay tres puntos importantes en cualquier curva OC y se pueden crear
tablas independientes para destacar cada uno de dichos puntos.
Punto 1: q = q1, P(A) = 1 ( es generalmente 0,05). La calidad q1
puede designarse como nivel de calidad aceptable. Todos aquellos procedimien-
tos que traten de resaltar este punto se dice que estn basados en AQL.
Punto 2: q = q2, P(A) = 0,5. La calidad q2 puede definirse como nivel de
calidad indiferente. Los procedimientos que se centren en este punto se dice que
se basan en indiferencia de calidad.
Punto 3: q = q3, P(A) = 0,1. Aqu, el valor de la probabilidad de error tipo
II se especifica como de exactamente un 10 por 100. A la calidad q3 se la puede
denominar porcentaje defectuoso tolerado en el lote. Aquellos procedimientos
que se centren en este punto se dice que estn basados en LTPD.
En cada tipo de procedimiento, se pueden disear las tablas para limitar la
peor calidad de productos aceptados, AOQL, o el costo total de inspeccin
indicado por ATI. Los procedimientos MIL-STD-150D se basan en AQL. Hay
un captulo independiente dedicado a los mismos debido a su casi universal
aceptacin. Si se tienen conocimientos para utilizar este estndar militar se
descubre que es muy flexible y puede adaptarse a la casi totalidad de los casos
en que es aconsejable realizar una inspeccin de muestreo por atributos. Tam-
bin se describen otros tipos de planes en este captulo. El tratamiento dispen-
271
sado a cada tipo de procedimiento de aceptacin es breve. No se ha intentado

lograr que se discuta totalmente ni su utilizacin ni su desarrollo. Por el
contrario, se trat de proporcionar una visin general de todos ellos para
permitir que puedan utilizarse en aquellos casos especiales que hagan precisar
su aplicacin.
Los procedimientos basados en indiferencia de calidad y LTPD fueron
creados por dos gigantes de la industria: Philips Gloelampenverke en Holanda
y American Telephone and Telegraph en Estados Unidos. El muestreo secuen-
cial introduce procedimientos con muestras de tamao variable; el muestreo de
demrito proporciona procedimientos simplificados aplicables en aquellos casos
en que deben inspeccionarse mltiples caractersticas al mismo tiempo.
PROCEDIMIENTOS DE ACEPTACIN DE CALIDAD

INDIFERENTE
El punto de calidad indiferente, punto 2, de la curva OC muestra igual
probabilidad de aceptacin y de rechazo. Puede decirse que el riesgo est
dividido entre productor y consumidor.
El estndar de calidad del MIL-STD-150D es un AQL que est, poco o ms
o menos, en el 0,95 de probabilidades de aceptacin. Dodge-Romig tiene dos
estndares bsicos de calidad: el LTPD en = 0,10 = riesgo del consumidor y
el AOQL. Tambin se han creado tablas que especifican estndares que dividen
los riesgos. El sistema Philips de muestreo estndar es un ejemplo del concepto
de riesgos divididos. En este sistema, la calidad estndar o punto de control
corresponde al punto nmero 2 de la Figura 12.1. La Tabla 12.1 es la que
utiliza Philips en Holanda. Parte importante del valor del sistema radica en su
solidez y simplicidad. Se utiliza un muestreo nico para partidos de 1.000
artculos o menos, y muestreo doble para partidas mayores. En muestreo doble,
la segunda muestra tiene un tamao doble que el de la primera. Como los
riesgos estn divididos, las inspecciones no son severas. Todas las curvas OC de
estos planes pasan, aproximadamente, por el punto de control en P = 0,50. Al
igual que en todos los dems planes, aqullos con mayor tamao de muestra y
con mayor nmero de combinaciones de rechazo proporcionan mejores curvas
caractersticas operativas.
Una caracterstica interesante de la Tabla 12.1 es la relacin inversa entre
una calidad especificada y el tamao de la muestra. Un incremento en la
calidad especificada va unido a una disminucin en el tamao de la muestra.
Esto parecer lgico a quien se encarga de las inspecciones dado que cuanto
peor sea la calidad tolerada, menor ser la atencin que hay que dedicar a la
inspeccin. Tambin parece lgico desde el punto de vista econmico. Si puede
tolerarse un nivel ms bajo de calidad, la consecuencia es que podr tam-
bin tolerarse un mayor nivel de error en la confeccin de la muestra. Y esto
justifica el que las muestras sean de menor tamao.
1
H. C. Hamaker, J. J. M. Jaudin Chabot y F. G. Willemze: The Practical Application of
Sampling Inspection Plans and Tables, Philips Technical Review, vol. 11 (junio, 1950), pgs. 362
a 370.
OTROS PROCEDIMIENTOS DE ACEPTACIN 273
Figura 12.1. Puntos importantes en una curva OC.
Si se asume que las probabilidades de Poisson resultan aplicables, puede

utilizarse una sencilla frmula2 para disear grupos de planes para niveles de
calidad especificada en los que el P de calidad estndar ser igual a 0,50. La
frmula es:
c 0,67
n= '
P0,50
Supongamos una calidad estndar de P0,50 igual a 0,01 (1 por 100) y un
nmero de aceptacin de cero (c = 0). La frmula quedara:
c 0,67
n 67
0,01
Mediante la variacin de c en la frmula, puede obtenerse una familia
completa de planes (Tabla 12.2).
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.
TABLA 12.2. Familia de planes
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).
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:
Tabla A 17.1. Tabla de tolerancia de lotes con muestreo simple, P t = 5,0

por 100.
Tabla A 17.2. Tabla de tolerancia de lotes con muestreo doble, P t = 5,0
por 100.
Tabla A17.3. Tabla AOQL con muestreo simple, AOQL = 2,0 por 100.
Tabla A 17.4. Tabla AOQL con muestreo doble, AOQL = 2,0 por 100.
Uso de las tablas Dodge-Romig

Usamos dos ejemplos para ilustrar el uso de las tablas Dodge-Romig. En
todas esas tablas, las columnas indican el tamao del lote y hay seis columnas
que indican valores estimados para las medias del proceso. Tanto los tamaos
de los lotes como los valores estimados de las medias del proceso vienen
expresados en intervalos. Cada interseccin de fila y columna da el plan espec-
fico de muestreo lo mismo que el otro ndice base (las tablas de tolerancia de
lotes dan los valores de AOQL y las tablas AOQL dan P t ).
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
El lote seria aceptado si se encontraran tres o menos elementos defectuosos en una

muestra de 130 elementos. El AOQL para este plan sera 1,2 por 100.
Cuando el producto es 3 por 100 defectuoso, la cantidad media de elementos
defectuosos en la muestra, o np', es 130 x 0,03 = 3,9. Usando la Tabla A3.1 para la
distribucin acumulativa de Poisson la probabilidad de encontrar tres o menos elemen-
tos defectuosos es 0,453.
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
En los planes de doble muestreo de las tablas Dodge-Romig, el nmero c2

representa el total acumulativo de elementos defectuosos. Es interesante com-
parar los planes de los ejemplos 12.2 y 12.3. En el ejemplo 12.2 el plan indica
aceptacin slo si hay tres o menos elementos defectuosos en 130 elementos. En
el ejemplo 12.3, despus de ambas muestras, se permiten cuatro elementos
defectuosos en 120 elementos. El plan del ejemplo 12.3 es menos preciso, lo que
caba esperar ya que tanto su AOQL (2,0 contra 1,2) como su Pt(7,3 contra 5,0)
son mayores.
CALCULO DE LA MEDIA DEL PROCESO
Los planes de muestreo Dodge-Romig estn diseados para ser los ms

indicados cuando la calidad de entrada del producto est dentro de unos
lmites determinados. Los planes necesitarn un ATI mnimo cuando estn
basados en el intervalo correcto de la calidad media del proceso. De aqu que
sea de la mayor importancia obtener un buen valor estimado de la calidad
media del proceso antes de seleccionar un plan de muestreo.
Los procesos de fabricacin que llevan mucho tiempo funcionando no
suelen presentar problemas en este sentido. Los datos histricos dan una
excelente base para calcular la calidad media del proceso. Para procesos ms
nuevos hay dos modos posibles de obtener buenos valores estimados:
1. Se mantiene un grfico de control de la fraccin de elementos defectuo-
sos durante un perodo base de muestreo de 20-30 lotes. Si el grfi-
co del proceso est bajo control, su lnea central indicar la calidad
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.
PROCEDIMIENTOS DE ACEPTACIN SECUENCIAL

En el muestreo simple, el tamao de la muestra viene dado definitivamente
por el plan. En muestreo doble, la cantidad de unidades inspeccionadas viene
determinada en parte por el plan, y en parte por los resultados del proceso de
muestreo. La cantidad mnima posible de unidades de muestra en muestreo

doble es n1, pero los resultados del muestreo establecen si es necesario inspec-
cionar unidades de muestreo adicionales. El muestreo secuencial se beneficia al
mximo de esto ltimo al basar la aceptacin, el rechazo o las decisiones para
continuar el muestreo en los resultados del proceso de muestreo. El proceso
secuencial de adopcin de decisiones puede presentarse grficamente por medio
de ecuaciones lineales para las lneas de aceptacin y rechazo, situndose la
zona de inspeccin continua entre dichas dos lneas (vase Fig. 12.3a). Durante
la operacin, como se inspeccionan todas las unidades se toma una de las tres
decisiones. En teora, la inspeccin podra continuar indefinidamente, por lo
que la prctica comn es cortar el proceso de muestreo fijando un lmite en el
que el lote es aceptado o rechazado. Esta interrupcin da lugar a un plan
parecido a los planes de muestreo mltiples. El parecido se muestra al compa-
rar un plan secuencial y un plan de muestreo mltiple que tengan los mismos
valores p1 y p2 (vanse Figs. 12.3d y 12.3e).
El concepto de adopcin de decisiones secuencial despus de ser inspeccio-
nado cada elemento se basa en la prueba del cociente de probabilidad secuencial
(SPTR) realizada y desarrollada por Abraham Wald5. Una versin simplificada
de la lgica presente en SPRT se presenta aqu; un desarrollo ms exacto puede
hallarse en el libro de Wald.
El muestreo de aceptacin es, bsicamente, una prueba de la hiptesis
Ho: p = p1 o buena calidad
contra una alternativa
H1: p = p2 o mala calidad

Si I es el caso en el que se han hallado d elementos defectuosos despus de
haber examinado n elementos, las probabilidades condicionales de I son:
Pr(I | H 0 ) p1d (1 p1 ) n d x
d nd
Pr(I | H1 ) p (1 p2 )
2 y
Si la calidad del producto ofrecido es p1 el lote tendra que ser aceptado.

Para un lote aceptable,
x 1 -
y
Ambas pueden combinarse como una nica condicin:
x 1D
relacin t
y E
5
Abraham Wald: Sequential Analysis (Nueva York: John Wiley & Sons, Inc., 1947).
Figura 12.3. a) Representacin grfica de ejemplo de planes secuenciales; b) carac-

terstica operativa del plan; c) curva ASN para el plan; d) expresin numrica del
intervalo de la muestra; e) curva equivalente OC de un plan mltiple de MIL-STD-
105D.
De igual modo, un lote inaceptable
x
y1-
Ambas pueden ser combinadas

x D
cociente d
y 1 E
El cociente x/y se llama coeficiente de probabilidad:

d nd
x p1 1 p1

y p2 1 p2
El anlisis de un lote se obtiene marcando este coeficiente despus de la

inspeccin de cada artculo. En cuanto el coeficiente exceda la constante de
aceptacin (1 )/, el lote es aceptado. Si el cociente es menor que la
constante de rechazo /(l ), el lote es rechazado.
Para su uso prctico, la prueba del coeficiente de probabilidad se simplifica
algebraicamente de modo que las marcas se realizan en un grfico de d contra
n, evitando el clculo del coeficiente real de probabilidad. Las constantes de
aceptacin y rechazo se convierten en dos lneas paralelas, como muestra la
Figura 12.3a.
Ejemplo 12.4
Para la proyeccin de planes de muestreo secuencial es necesario especificar p1, p2,,

y . Para este ejemplo vamos a asumir que las especificaciones son p1 = 0,01; p2 =
0,04; = 0,05 (P = 0,95); y = 0,10. Las dos ecuaciones lineales, usando la
anotacin convencional son:
Lnea de rechazo: d2 = sn + h2
Lnea de aceptacin: d 1 = sn h1
Sin pasar a la derivacin, las frmulas necesarias para hallar los parmetros de s, h1
y h2 para poder resolver esas ecuaciones lineales para diferentes n son las siguientes:
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
Nota: Logaritmos quiere decir logaritmos de base 10.

La solucin para los parmetros de s, h1 y h2 es la siguiente:

0,04
g1 log log 4 0,6021
0,01
0,99
g2 log 0,0128
0,96
0,90
a log 1, 2553
0,05
0,95
b log 0,9777
0,10
0,9777
h1 1,588
0,6149
1, 2553
h2 2,039
0,6149
0,0128
s 0,0208
0,6149
La lnea de rechazo queda como

d2 = 0,028n + 2,039
y la lnea de aceptacin como
d 1 = 0,0208n - 1,588
Se puede construir una curva caracterstica operativa para este plan a partir
de tres puntos. Dos ya nos han sido dados, esto es,
p1 = 0,001, p2 = 0,04, = 0,05, y = 0,10
Cuando la fraccin defectuosa del lote es igual a s, la probabilidad de
aceptacin de un lote de esta calidad es h2/(h1 + h2). La Figura 12.3b muestra
la curva OC para este plan construida desde esos tres puntos.
Al igual que con todos los planes en que se usa muestreo mltiple o
secuencial, la cantidad de muestras inspeccionadas tiene gran importancia. La
curva ASN de un plan secuencial puede construirse a partir de las relaciones
que aparecen en la Tabla 12.36.
6
Para el desarrollo de estas relaciones, vase Acheson J. Duncan: Quality Control and
Industrial Statistics (Homewood, 111.: Richard D. Irwin, Inc., 1955).
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.
TABLA 12.3. Construccin de planes secuenciales
Cuando p' La cantidad media

es igual a: de la muestra ASN es:
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.
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.
TABLA 12.4. Historia de calidad
Ejemplo 12.5
Un producto complejo adquirido de forma regular est expuesto a cuatro tipos de

defectos, cuyos pesos ponderados (asignados de acuerdo con el defecto esperado de los
defectos sobre el uso del producto) son 100 para los defectos del tipo A, 50 para los del
tipo B, 10 para el tipo C y 1 para el tipo D. La historia de pasadas inspecciones de
100.000 elementos puso de manifiesto la historia de calidad que muestra la Tabla 12.4.
La medida de demritos Us se define como
US 100U A 50U B 10U C U D
y la varianza estndar Cs se define como
Cs = (100)2UA + (50)2UB (10)2Uc + UD
B
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
y los lmites de accin se establecen en
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.
Se han creado tablas de inspeccin de muestreo para inspeccin de acepta-

cin de demritos que se pueden usar con productos concretos. Un ejemplo
aparece en la Tabla 12.5. Observe que esta tabla proporciona controles de
aceptacin sobre una cantidad de defectos probables. Tambin especifica canti-
dades ms rigurosas para demritos permisibles y accin para lotes vueltos a
presentar. El primer caso es para asegurar los sucesos que se produzcan de
modo desigual, en tanto que el segundo es lo mismo que usar inspeccin
rigurosa en MIL-STD-105D para lotes vueltos a presentar.
En vez de establecer un tamao arbitrario de muestra y la cantidad permisi-
ble de demritos en tres desviaciones estndar, como se hace arriba, es posible
derivar un nmero de aceptacin y un tamao de muestra usando la distribu-
cin normal. Por ejemplo, supongamos que un departamento de aceptacin
est dispuesto a asumir el riesgo de un 5 por 100 de que sean aceptados lotes
con ms de cuatro demritos por unidad. Suponiendo que se apliquen Us y Cs
del ejemplo, qu tamao de muestra es necesario?
Procedimiento. Sea k = desviacin normal en el nivel de significancia 0,05, y
U = demritos por unidad en el nivel de significancia = 4. La desviacin

normal para demritos por muestra es
nU nU s
k
nCs
Resolviendo la ecuacin para hallar el valor de n, nos da

Cs k 2
n
U Us
Substituyendo en ella los valores de Us y Cs, nos da
(23,8)(1,645)2
n 23
4 1, 2
En el plan de muestreo n = 23, hay que aceptar si hay 92 demritos en una
muestra de 23. Para reducir y hacer ms rigurosa la inspeccin pueden seguirse
los principios que usamos en MIL-STD-105D.
MUESTREO DE VERIFICACIN PARA GARANTA

DE CALIDAD
El objetivo del muestreo de verificacin realizado por el consumidor es
asegurarse de que los sistemas de control de aceptacin y calidad del proceso
del fabricante estn operando de modo efectivo. Cualquier sistema efectivo de
verificacin requiere que se realice algn tipo de muestreo de verificacin.
Dicho muestreo de verificacin se hace, generalmente, por atributos. O el siste-
ma de inspeccin es bueno o no es bueno; o la inspeccin es de acuerdo con el
procedimiento o no; y as sucesivamente.
En este tipo de control de aceptacin el consumidor, generalmente, debe
realizar una inferencia positiva de conformidad o no conformidad basada en
una muestra comparativamente pequea. Claro est que se pueden seleccionar
muestras grandes. Sin embargo, antes de tomar la decisin de realizar un
muestreo de verificacin se da por sentado que ya se obtuvieron suficientes
pruebas de la capacidad del fabricante para producir un artculo. Tales pruebas
seran una larga historia de calidad, equipo eficiente de procesamiento, buenos
procedimientos de control e inspeccin, etc. Para determinar si el sistema es
bueno o no, el consumidor debe verificar todos los componentes del sistema.
En muchos casos, los componentes del sistema de control de calidad tendrn
unidades producidas por medio de las que podrn medirse de forma cuantitati-
va unos particulares componentes. Por ejemplo, el productor mantiene regis-
tros de promedios de calidad en los distintos puntos de inspeccin. Tambin, el
fabricante podra (y debera) llevar registros de inspecciones de calibradores. El
mantenimiento actualizado de diseos es otro ejemplo de que un componente
de un sistema se puede medir cuantitativamente. Los errores de excluir cambios
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
producto que llega es inspeccionada bajo inspeccin de muestreo? Si la calidad

del producto que se recibe es realmente 1 por 100, cul es la calidad de salida?
12.6. Determinar el plan de muestreo doble de Dodge-Romig con AOQL 2 por 100
para un tamao de lote de 900 y un valor estimado de la media del proceso de
0,95 por 100. Si la calidad del producto que se recibe es realmente 1 por 100,
cul es la calidad de salida? Cul es el ASN? Cul es el AFI?
12.7. Se compra un elemento en lotes de 5.000. Para un riesgo del 10 por 100 por
parte del consumidor con una tolerancia del 5 por 100 en el lote, las tablas de
Dodge-Romig dan los siguientes planes alternativos, segn el valor estimado de
la media del proceso:
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?
12.10. Proyectar un plan de muestreo secuencial para las siguientes especificaciones:

= 0,05; = 0,10; p1 = 0,02, y p2 = 0,08. Trazar la curva OC y la curva ASN
para este plan.
12.11. Resolver el problema 12.10 usando p1 = 0,005 y p2 = 0,02. Obsrvese que el
cociente p2/p1 es el mismo para ambos planes. Comentar el efecto que esto
produce en la curva OC.
12.12. a) Proyectar un plan de muestreo secuencial para las siguientes especificacio-
nes: = 0,05; = 0,10; p1 = 1,5 por 100, y p2 = 5 por 100.
b) Determinar un plan de muestreo simple con un 5 por 100 de tolerancia de
elementos defectuosos por lote cuando la media estimada del proceso = p1
para un tamao de lote de 600.
c) Determinar un plan de muestreo simple con inspeccin normal para tamao

de lote 600 y nivel II de inspeccin general, de MIL-STD-105D usando
AQL = p1.
d) Comparar el ASN del plan de la parte a) con los tamaos de muestras de los
planes de las partes b) y c).
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
Muestreo continuo de aceptacin

por atributos
Al aplicarlo, el muestreo continuo representa un procedimiento de inspec-

cin de aceptacin-rectificacin que incluye perodos alternativos de inspeccin
al 100 por 100 y de inspeccin por muestreo. Bsicamente, se toman muestras
del producto de acuerdo una proporcin determinada f hasta que se halle un
defecto. Si se hallan uno o ms defectos, segn el plan utilizado, ello indica que
hay que iniciar una inspeccin al 100 por 100. Se vuelve al muestreo cuando se
haya inspeccionado cierto nmero, i, de unidades sucesivas sin defectos. La
calidad media de salida se mejora durante la fase de inspeccin iniciada a
consecuencia de haber hallado un defecto durante la fase de muestreo.
Hay dos tipos bsicos de inspeccin continua por muestreo. El primero se
denomina de nivel nico o etapa nica. El segundo se conoce como muestreo
multietpico o multinivel. En el tipo de muestreo de etapa nica, la muestra se
confina a una frecuencia especificada, f, determinada por los factores a que nos
referiremos de inmediato. En el tipo multietpico se va suavizando la frecuencia
de muestreo de acuerdo a la calidad producida. En consecuencia, pasan a
utilizarse una o ms etapas de frecuencia f de inspeccin.
El rasgo ms importante de la inspeccin continua por muestreo es que
elimina la necesidad de inspeccin en la formacin del lote. En muchos casos, el
departamento de Produccin ver perturbado el flujo continuo del producto
por la cadena de produccin a consecuencia de la necesidad de formacin de un
lote de artculos, que, tambin, contribuye sustancialmente a incrementar la
inversin del productor en existencias de productos sin terminar.
VENTAJAS DEL MUESTREO CONTINUO

Los procedimientos de aceptacin basados en el muestreo continuo propor-
cionan numerosas ventajas si se los compara con los de aceptacin lote a lote:
291
1. No es preciso formar lotes para inspeccin. Esto significa que no hay

que interrumpir la produccin.
2. Se puede entregar el producto tan pronto como se termine. Esto es muy
importante tratndose de artculos de alto precio que representan una
gran inversin de capital operativo.
3. La necesidad de disponer de espacio para almacenar los lotes que van
formndose queda eliminada.
4. En general, puede afirmarse que el costo de inspeccin es ms bajo en
los procedimientos de muestreo continuo.
5. El departamento de Produccin recibe informacin sobre artculos de-
fectuosos tan pronto como uno de stos se detecta. Esto facilita el poder
determinar las causas de tales defectos, as como el poder iniciar accio-
nes correctoras de inmediato.
En un caso en que se aplic muestreo continuo, la economa obtenida fue
sorprendente1. Minneapolis-Honeywell pas de produccin por lotes de mo-
dernos termostatos redondos a produccin en masa. El cambio de una inspec-
cin lote a lote a otra de muestreo continuo supuso las siguientes economas:
1. Un 40 por 100 de incremento en produccin sin necesidad de aumentar
el personal.
2. Una reduccin de un 35 por 100 en las horas de trabajo por unidad en
el departamento de Produccin.
3. Una reduccin en trabajo de recuperacin por unidad de un 70 por 100.
Pas de 39,5 horas de trabajo a slo 11,8 horas por 1.000 unidades.
4. Un incremento de un 80 por 100 en calidad. Las tasas de defectos
importantes y crticos bajaron de un 4 a un 0,7 por 100.
5. Una reduccin del 87 por 100 (de 400 pies a 50 pies) en el movimiento
de termostatos por medio de vagonetas.
6. La supresin de ocho zonas de almacenaje de productos sin terminar.
Al suprimirse el almacenaje de partidas en espera de ser sometidas a la
oportuna inspeccin, se suprimi tambin el tiempo de espera de deci-
siones sobre aceptacin de unidades a consecuencia de la inspeccin y
se establecieron normas para tomar decisiones consistentes de inspec-
cin.
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
El ms grave de todos, cuando se produce, es el gasto que supone la

recuperacin del material rechazado. Como quiera que el producto se halla
en continuo movimiento y se permite que pase de una a otra fase de
produccin hasta que se demuestra que es rechazable, puede ocurrir que
una parte o la totalidad de la partida haya superado varias operaciones de
procesamiento en el momento de alcanzar el nmero de artculos defectuo-
sos que supone el rechazo del lote. Como consecuencia, habr que desem-
balar el producto, proceder a desmontarlo, retirarlo de la cadena de pro-
duccin, colocarlo en un rea independiente o tomar algn otro tipo de
medidas con costos considerables subsiguientes a la decisin de rechazo.
Podra pensarse que los gastos en que se incurren deberan preocupar
menos al Gobierno (el consumidor) que al contratista (el productor). Segn
esta teora habra que razonar que: Bien, si el contratista no quiere correr
con los gastos de retirar el producto del furgn, que trate de mantener una
calidad lo suficientemente alta para impedir posibles rechazos. La falacia
de esta hiptesis es doble:
1. En muchas ocasiones, el material pertenece al Gobierno, que paga
todos los gastos de operacin mediante reembolso directo de los
mismos. Esto es, parte de los contratos de mayor importancia son
del tipo de costo ms unos honorarios fijos.
2. Incluso aunque el material no perteneciera al Gobierno, el incremen-
to de costos ocasionado por las interrupciones y contratiempos
anteriormente citados tender a reflejarse en el precio que el Gobier-
no deber pagar. Existirn clusulas de renegociacin, renuncias,
precios por cantidades adicionales de material, etc., que permitirn
al contratista recuperar tales costos, aunque tenga que absorberlos
de manera temporal2.
Otra desventaja es la que se produce como consecuencia de la prctica de
la reduccin de lotes. Tal prctica se da cuando se va alcanzando el nmero que
implica el rechazo antes de que el lote haya alcanzado el tamao preestablecido
para l. El rechazo de un lote de artculos en movimiento durante una inspec-
cin realizada en una fase intermedia de la produccin puede producir un
verdadero caos. Puede que parte de dicho lote haya sido ya embalado y se halle
situado en el furgn para despacho. Otras partes pueden haber estado someti-
das a montaje, haber superado fases de produccin y estar preparadas para su
almacenaje. Quiz otras puedan hallarse en las primeras fases de produccin o
no haber iniciado sta an. La solucin ms lgica es la de reducir el lote e
iniciar uno nuevo en cuanto se aproxime o se alcance el nmero de aceptacin.
Lo que hay de malo en esta prctica resultar evidente de forma inmediata.
Nunca se rechazar un lote, independientemente de lo defectuoso que ste
pueda ser. Lo que es peor an, como consecuencia directa de haberse eliminado
toda posibilidad de que un lote sea rechazado, la calidad media de salida ser,
bsicamente, la misma que la de la calidad de entrada. Y no existir ninguna
clase de estmulo para mejorar, es muy probable que la calidad empeore y se
llegue a un nivel generalmente no satisfactorio.
2
R. L. Storer: The Use of Continuous Sampling in Ammunition Procurement, Industrial
Quality Control, mayo de 1956, pgs. 48-54. Citado con permiso.
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.
general, la inspeccin 100 por 100 se deja al fabricante y el depar-

tamento receptor realiza slo la inspeccin de muestreo. Sin embargo,
puede admitirse cualquier otra combinacin siempre que se decida de
antemano.
2. La administracin debe quedar satisfecha de que: a) la produccin es
realmente continua; b) el proceso es capaz de fabricar un producto
homogneo; c) existen amplias instalaciones para la inspeccin que
permitan una rpida inspeccin al 100 por 100.
3. Las caractersticas y procedimientos de medida deben estar definidos
con toda claridad.
4. Debe especificarse el grado de inspeccin relativa. Lo mismo que MIL-
STD-105D, MIL-STD-1235 (ORD) prev distintos niveles de inspec-
cin. Sin embargo, slo se incluyen tres niveles de inspeccin: niveles I y
II de inspeccin general, as como tambin nivel III de inspeccin
general.
Para garantizar una rpida respuesta ante cualquier defecto detectado en la
produccin, el estndar prev dos modos de dar por finalizada la aceptacin de
un producto. Cuando sta se da por terminada, el productor se ve forzado a
establecer las causas de una produccin insatisfactoria y adoptar medidas
correctoras.
En primer lugar, el estndar admite inspeccin de verificacin si el consumi-
dor la desea. Esta inspeccin se aade al examen, inspeccin al 100 por 100 e
inspeccin de muestreo. Para la inspeccin de verificacin se puede usar una
tasa f de muestreo utilizada en el plan concreto de muestreo o cualquier otra
fraccin que satisfaga al consumidor. Todos los elementos realmente inspeccio-
nados durante el procedimiento normal de aceptacin estn sometidos a una
inspeccin de verificacin segn la tasa f . Si el plan que se est utilizando es i =
20, f = 0,2, la inspeccin de muestreo se aplicar a 0,2, o un quinto, de las
unidades durante la etapa de inspeccin de muestreo despus de 20 elementos
buenos consecutivos durante la etapa de inspeccin 100 por 100. Los elementos
inspeccionados durante la inspeccin verificadora se determinarn como sigue:
Cantidad total producida 520

Producida durante inspeccin 100 por 100 20
Producida durante inspeccin de muestreo 500
Inspeccionada durante inspeccin 100 por 100 20
Inspeccionada durante inspeccin de muestreo 100 (500 x 0,2)
Total inspeccionado 120
Elementos que han de verificarse 24 (120 x 0,2)
Si se est realizando la inspeccin de prueba y la inspeccin verificadora

detecta un defecto crtico o dos defectos no crticos separados por menos de 50
unidades buenas, se da por terminada la aceptacin el producto. Si se est
llevando a cabo la inspeccin de muestreo y se detectan los defectos antes
mencionados, la inspeccin cambia a inspeccin 100 por 100.
El segundo modo de dar por terminada la aceptacin es si se est realizan-
do inspeccin al 100 por 100 y se inspecciona un total de L elementos que no

califiquen para inspeccin de muestreo. El modelo incluye tablas para limitar
los valores L para cada tipo de plan de muestreo. Si no se califica para
inspeccin de muestreo (por ejemplo, si no se hallan i elementos buenos conse-
cutivos) indica que la calidad media de produccin es mala.
Siempre que se d por terminada la aceptacin, todos los elementos que se
estn procesando se someten a inspeccin 100 por 100 y se vuelven a presentar
formando un lote para ser inspeccionados independientemente segn MIL-
STD-105D. La inspeccin del producto vuelto a presentar se realiza por se-
parado de la inspeccin de rutina del producto segn el plan de muestreo
continuo.
El estndar incluye cuatro clases de planes de muestreo: CSP-1; CSP-2;
CSP-A y CSP-M. A estos se alude con mayor detalle en la seccin siguiente. Lo
mismo que en MIL-STD-105D, una letra-cdigo se determina de acuerdo con
la tasa de produccin y el nivel de inspeccin. Esta letra-cdigo se usa luego
para buscar en la tabla maestra adecuada y obtener los planes de muestreo. Si
lo son los cuatro planes de muestreo, slo CSP-1 y CSP-A pueden usarse para
defectos crticos.
En las Tablas A16.1 a Al6.10 aparecen algunas representativas de H106 y
H107 incluidos en MIL-STD-1235 (ORD). Estas incluyen una tabla para la
determinacin de las letras-cdigo (A16.1), tablas para CSP-1 y CSP-2 (A16.2 a
A16.5), tabla para CSP-A (A16.6) y tablas para CSP-M para dos frecuencias de
muestreo f = 1/2 y f = 1/3 (A16.7 a A16.10).
DESCRIPCIN DE PROCEDIMIENTOS DE ACEPTACIN

CONTINUA
Plan CSP-1 de etapa nica
En CSP-1, la inspeccin comienza por un examen del producto segn el
orden de produccin (o del modo ms aproximado que sea posible) hasta que
una cantidad sucesiva i de unidades sin defectos pasen por el punto de inspec-
cin. Inmediatamente que esto ocurra se apela al muestreo en la frecuencia de f.
El muestreo contina en la frecuencia seleccionada hasta que se descubra una
unidad con un defecto en la muestra. Inmediatamente se reestablece la etapa de
examen que contina hasta que se vuelvan a producir i unidades sucesivas sin
defectos. Normalmente, el plan se usa para un nico defecto, esto es, el plan se
aplica para la aceptacin y el rechazo de calidad basado en caractersticas
individuales. Sin embargo, puede aplicarse a todo un tipo de caractersticas. La
Figura 13.1 es un diagrama de fabricacin que muestra la operacin de CSP-1
aplicado a defectos individuales y a tipos de defectos.
Plan CSP-2 de etapa nica
CSP-2 opera lo mismo que CSP-1 excepto que el descubrimiento de un

defecto no da lugar, de inmediato, a un cambio a inspeccin 100 por 100. El
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).]
descubrimiento de un defecto es una seal al inspector para que contine el

muestreo en la misma frecuencia para, a partir de ese momento, empezar a
contar la cantidad de unidades de la muestra inspeccionadas despus de hallar
el defecto. Si la cantidad i siguiente de unidades de la muestra no presentan el
defecto, se puede continuar el muestreo como antes. Pero, si el defecto se
encuentra durante la ltima fase, se debe apelar de inmediato, nada ms
hallarse el defecto, a la inspeccin al 100 por 100. La Figura 13.2 es un
diagrama de fabricacin que muestra la operacin de CSP-2 aplicado a defec-
tos individuales y a clases de defectos.
Plan CSP-A de etapa nica

La Figura 13.3 es un diagrama de fabricacin que muestra la operacin de
CSP-A. CSP-A opera lo mismo que CSP-1, excepto que incluye un valor para
Figura 13.2. Procedimiento para planes CSP-2. [Tomado de Single Level Conti-
Logistics Handbook H107, (Washington, D.C.: Imprenta del Gobierno de Estados
Unidos, 30 de abril de 1959.]
detener la inspeccin. Este tipo de plan se utiliza normalmente cuando el

consumidor realiza la inspeccin al 100 por 100 adems de la inspeccin por
muestreo. El CSP-A requiere que tan pronto como se observe el defecto (a +
l)-simo durante la fase de inspeccin al 100 por 100, se detenga la inspeccin y
no se reanude hasta que se hayan emprendido las suficientes acciones correcto-

ras con relacin al proceso.
Los planes CSP-A incluyen secuencias alternativas de inspeccin al 100 por
100 e inspeccin de muestreo con un lmite sobre su cantidad. El hecho de poner
un lmite a la cantidad de secuencias alternativas proporciona un procedimien-
to mediante el cual se rechaza el proceso cuando la calidad del producto es
peor que AQL. Al mismo tiempo, garantiza que el producto que pase los
requisitos de aceptacin cumple con AQL. La administracin del CSP-A es
como sigue.
Al comienzo de la produccin diaria o de cada intervalo de produccin, el
personal de inspeccin inspecciona todas las unidades en el orden de produc-
cin hasta que se cumplan los requisitos de calidad previamente citados. Se
lleva a cabo la inspeccin para cada defecto asignado al punto de inspeccin.
La decisin sobre la calidad del producto puede basarse en un defecto indivi-
dual o en un grupo de defectos.
Cuando el personal de inspeccin ha hallado i unidad sucesivas libres de
defectos, se da por terminada la inspeccin al 100 por 100 y se inicia un
muestreo a porcentaje f. Si se halla uno de os defectos objeto de inspeccin
durante el muestreo, se pasa de inmediato a inspeccin al 100 por 100.
El inspector (representante del consumidor en temas de calidad) marca la
cantidad de unidades del producto con el defecto asignado al punto de inspec-
cin. Se inicia una nueva cuenta al principio de la produccin en cada intervalo
de produccin. Esta cuenta incluye tanto los resultados de la inspeccin al 100
por 100 como los de la inspeccin por muestreo. Si se hacen slo a, o menos
marcas (para los defectos objeto de inspeccin) durante el intervalo de produc-
cin, el inspector detiene la inspeccin. En este momento, se acepta todo el
producto que haya pasado por el inspector en lo referente a los defectos objeto
de inspeccin. (Esto ltimo no es aplicable a los defectos crticos, como se ha
dicho antes.)
Cuando se ha hecho la (a + l)-sima marca, el inspector informa al
proveedor sobre los defectos del caso y le indica que no continuar inspeccio-
nando el producto hasta que aqul descubra el origen del problema y le
garantice que se han eliminado las causas que haran que el producto fuera
defectuoso. Cuando el inspector se siente satisfecho con tales seguridades y ha
comprobado que se han retirado y/o inspeccionado todas las unidades que no
haban llegado a su punto de inspeccin cuando se detuvo la inspeccin y
aparecen como material vuelto a presentar, reinicia la inspeccin usando un
plan de muestreo basado en un nuevo valor estimado de la tasa de produccin.
El inspector, segn su opinin, puede aceptar la inspeccin al 100 por 100
realizada por el proveedor como base para reiniciar la suya, si el problema de
descubrir y corregir el origen de los problemas pudiera provocar retrasos
irrazonables en la produccin. Si el inspector no puede obtener garantas
satisfactorias de que el proveedor ha emprendido acciones correctoras cuando
se le pidi, debe informar de esta situacin a sus superiores. Al proveedor se le
puede exigir que vuelva a la inspeccin lote por lote o cualquier otro sistema
que se considere necesario para garantizar la recepcin de producto de calidad
aceptable.
Figura 13.3. Procedimiento para planes CSP-A. [Tomado de Single Level Conti-
Logistics Handbook H107, (Washington, D.C.: Imprenta del Gobierno de Estados
Unidos, 30 de abril de 1959.).]
Plan multietpico CSP-M
Los planes de muestreo CSP-M proporcionan un procedimiento mediante

el cual la fraccin inspeccionada de unidades aumenta o disminuye por grados
de niveles, segn la calidad de las unidades presentadas. Cuando se inicia la
aplicacin de los planes de muestreo se inspecciona o se somete a prueba el 100
por 100 del producto hasta que se halla una cantidad i de unidades consecuti-
vas libres de defectos. En ese momento, se realiza la inspeccin o la prueba
sobre una fraccin f de las unidades presentadas. Si se halla que un nmero
sucesivo i de unidades inspeccionadas est libre de defectos, la tasa de inspec-
cin se reduce a una nueva fraccin f2 de las unidades presentadas. Este
procedimiento contina a lo largo de los diversos niveles del plan. Sin embargo,
si en cualquiera de ellos se halla una unidad defectuosa antes de aprobar i
unidades sucesivas inspeccionadas, el plan contiene un procedimiento especial
por el que se determina si el muestreo debe continuar al tipo actual o volver al
tipo de muestreo anterior.
Tal procedimiento especial consiste en inspeccionar las cuatro unidades
siguientes producidas o procesadas inmediatamente despus del descubrimiento
de la unidad defectuosa. Si no se encuentran elementos defectuosos en las
cuatro unidades consecutivas siguientes, se reanuda el muestreo que se segua
cuando se descubri el elemento defectuoso. Si no se encuentran ms elementos
defectuosos antes de que se considere aceptable un total de i unidades inspec-
cionadas sucesivamente (incluyendo las cuatro unidades consecutivas), se redu-
ce el tipo de muestreo a la fraccin ms pequea inmediata (el nivel siguiente).
En cuanto se descubre un segundo elemento defectuoso, sea en las cuatro
unidades consecutivas o despus de reiniciar el tipo de muestreo, se vuelve de
inmediato al nivel anterior y se inspeccionan cuatro unidades consecutivas
repitiendo el procedimiento que acabamos de describir (excepto que cuando se
encuentra un elemento defectuoso en estado 1R, se cambia a inspeccin al 100
por 100 y se repite el procedimiento del prrafo anterior). De esta forma se
puede aumentar o disminuir el tipo de muestreo de acuerdo con niveles espec-
ficos segn que la calidad de las unidades presentadas vare positiva o negativa-
mente. Al mismo tiempo, los planes incluyen un control para distinguir entre la
ocurrencia aleatoria de un elemento defectuoso, que puede darse aunque el
nivel general de calidad sea aceptable, y una calidad inferior o desigual.
La Figura 13.4 muestra el procedimiento para un plan de tres niveles. El
procedimiento es similar para uno, dos, cuatro o cinco niveles. Slo hay que
aumentar o contraer el diagrama para el nmero adecuado de niveles, no
olvidando que el nivel ltimo o menor tiene siempre un procedimiento similar
al del tercer nivel de la Figura 13.4.
PLANES DE INSPECCIN RIGUROSA Y REDUCIDA
El concepto de aumentar o disminuir la inspeccin relativa de acuerdo con

la calidad observada en el producto se incluye tambin en MIL-STD-1235
(ORD). Sin embargo, slo se dan tablas maestras para inspeccin normal. Los,
Figura 13.4. Procedimiento para planes CSP-M de tres niveles.
parmetros para inspecciones rigurosas y reducidas se definen como ciertas

proporciones de los parmetros de los planes de inspeccin normal.
Si el consumidor desea aumentar la cantidad de inspeccin a realizar en
caso de que la calidad del material presentado no sea satisfactoria, puede
utilizar el siguiente plan de inspeccin rigurosa. Despus de reiniciar la inspec-

cin tras su interrupcin, se usa un plan de muestreo cuyos AQL y AOQL sean
de un nivel ms riguroso que el normalmente especificado, hasta que transcurra
un intervalo de produccin completo sin que la inspeccin se haya detenido.
Cuando se da esta ltima condicin, se vuelven a usar el AQL y AOQL
prescritos. Para defectos crticos el plan riguroso usa un valor de i doble del
utilizado para el plan de muestreo normal.
Si el consumidor desea reducir el nivel de inspeccin en caso de que la
calidad del material presentado sea muy buena, puede emplear el siguiente plan
de muestreo reducido. Utilizarse un tipo de muestreo f, un quinto del normal,
siempre que:
1. Los diez intervalos completos de produccin inmediatamente anteriores
se hayan realizado con inspeccin normal y sin interrupciones.
2. El valor estimado de la media del proceso sea menor que la cantidad
AQL(100 AQL)
AQL - 3
3. La produccin se lleve a cabo a un ritmo constante.

La media de calidad del proceso se puede calcular en la forma acostumbra-
da, excepto en que slo deben incluirse los resultados acumulados hasta el
momento en que se produjo el defecto, incluyendo tal evento.
Se puede volver al muestreo normal siempre que: 1) se produzca una
interrupcin de la inspeccin y/o 2) el valor estimado de la media del proceso
suba por encima de AQL y/o 3) el consumidor considere que se debe volver a
inspeccin normal. No se deben utilizar planes de muestreo reducido para
defectos crticos.
Con respecto a la disposicin del producto rechazado, todas las unidades
que presenten defectos (sean descubiertos por el inspector de muestreo o por el
personal de inspeccin) son devueltas al inspector de muestreo, quien las entre-
ga (junto con todas las unidades con defectos halladas en su propio trabajo de
inspeccin) al agente indicado por el proveedor. El proveedor puede corregir
las unidades defectuosas, en cuyo caso las presentar al inspector de muestreo
separadas del flujo normal del producto. Si la cantidad de unidades presentadas
de nuevo es pequea, el inspector de muestreo puede inspeccionarlas bajo la
observacin y direccin del consumidor. En cualquier caso, se vuelven a situar
las unidades satisfactorias junto con el flujo normal de producto despus del
punto de inspeccin; se devuelven otra vez al proveedor las unidades que sigan
teniendo defectos para que ste las reprocese o las deseche como chatarra.
EFECTIVIDAD DEL MUESTREO CONTINUO
Sea p la calidad real del producto que se est fabricando. Si se inspecciona

el producto segn un plan de muestreo continuo, la proteccin proporcionada
por el plan depender tanto de p como de los parmetros f, i y k del plan. Las
siguientes frmulas (proporcionadas sin prueba) ayudan a analizar esta protec-

cin:
1 (1 p)i
1. u = nmero medio de piezas inspeccionadas despus
p (1 p )i
de hallar un defecto.
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
Las primeras versiones de los estndares militares para muestreo continuo

incluan curvas para los valores de u y v. Un ejemplo de ORD-M-608-11 se
muestra en la Figura 13.5.
PLANES PARA AOQL ESPECFICOS

En las Tablas A16.2; A16.3 y A16.6 cada columna tiene el valor AQL en la
parte superior, y el correspondiente de AOQL en su parte inferior. Esto implica
dos cosas. Primero en CSP-1, CSP-2 y CSP-A hay una relacin fija entre AQL
y AOQL. Segundo, para obtener planes que garanticen un determinado
AOQL, se puede buscar en estas tablas usando una letra-cdigo y AOQL (en
lugar de la letra-cdigo y AQL). Conservando el espritu del MIL-STD-105D,
Figura 13.5. Curvas u y v para CSP-1, AQL = 1,0 y valores variables de f.

[Tomado de Procedures and Tables for Continuous Sampling by Attributes,
Ordnance Inspection Handbook, (Washington, D.C: Imprenta del Gobierno de Esta-
dos Unidos, agosto de 1954).]
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
El plan f = 1/10 e i = 29 dara un valor aproximado de 4,0 para AOQL.

Para CSP-M los clculos de AOQ y AOQL son muy complicados. Antes de
la aparicin de los ordenadores, tales clculos no se podan realizar en puntos
de trabajo o inspeccin. El Manual H106, hoy integrado dentro de MIL-STD-
1235 (OED) proporciona tablas alternativas para obtener planes de muestreo
para AOQL especificados. Dos de dichas tablas se muestran como Tablas
A 16.9 y A16.10. El clculo de la calidad media de salida lo facilita el uso de
curvas AOQ dadas en los Apndices A y D del Manual H106. Para ilustrar lo
dicho mostramos en las Figuras 13.6 a 13.11 las curvas AOQ y AFI de planes
con AOQL = 2,0 y f = 1/2 y F = 1/3.
La decisin sobre el uso de planes de nico nivel o de varios niveles
depende de varios factores. El Ejrcito del Aire ha utilizado ampliamente los
planes multietpicos. Esta preferencia por los multietpicos sobre otros planes
se puede explicar por medio de una decisin ejemplar sobre su uso para la
inspeccin de aceptacin de motores de aviacin.
Debido al ritmo lento de produccin de motores de aviacin, se consi-
der poco prctico el uso de MIL-STD-105D. Acto seguido se pens en los
planes de muestreo continuo (de una sola etapa) desarrollados por Dodge.
Los planes de Dodge tenan ciertas caractersticas indeseables en esta
aplicacin: 1) la fraccin para el muestreo sola ser generalmente pequea
(uno de cada diez) y supona un grave cambio en el esfuerzo humano
disponible para inspeccin 100 por 100; 2) la proteccin rigurosa deseada
(pequeo valor de AQL) contra la aceptacin de graves defectos exigira
gran nmero de motores aceptables consecutivos para llegar a la inspec-
cin de muestreo; 3) se dudaba seriamente de que la direccin aceptara un
cambio importante en la frecuencia de inspeccin cuando la inspeccin
anterior siempre haba sido al 100 por 100; y 4) si se seleccionaba una alta
frecuencia de muestreo (uno de cada dos), las economas no llegaran a ser

todo lo importantes que se deseaba. Un anlisis de estas objecciones indic
que sera deseable disponer de un plan continuo con ms de un nivel de
muestreo, esto es, un plan que aumentara o redujera la frecuencia de
inspeccin por etapas o niveles segn el historial de calidad6.
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.
Ejemplo 13.3
Continuamos aqu la ilustracin de los ejemplos 13.1 y 13.2. Si la calidad real de

produccin es 0,8 por 100, cul es la calidad de salida del producto: a) bajo CSP-1, y
b) bajo CSP-M?
a) Bajo CSP-1, el plan de inspeccin del ejemplo 13.1 es f = 1/5, i = 100 y p =

0,008:
La calidad de salida es 0,69 por 100.
b) Bajo CSP-M, el plan de inspeccin del ejemplo 13.2 es f = 0,5, i = 83, k = 3

y p = 0,008:
(1 p)i (1 0,008)83 0,5134
t 1,055
1 (1 p )i 1 (1 0,008)83 1 0,5134
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
La calidad media de salida es 0,617 por 100.
PROBLEMAS
13.1. Determinar los planes de muestreo continuo para las condiciones siguientes:
Tipo de plan Letra-Cdigo f AQL
a) CSP-1 I 1/50 0,40

b) CSP-1 J 1/200 0,40
c) CSP-2 G 1/10 1,5
d) CSP-2 H 1/25 2,5
e) CSP-A C 1/5 0,25
f) CSP-A Y 1/10 1,0
13.2. Determinar el plan de muestreo continuo multietpico 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.
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
Denominamos caractersticas variables a aqullas que pueden ser medidas.

Son ejemplos las longitudes, pesos, dimetros, etc. Desde un punto de vista
matemtico, puede decirse que es posible representar las caractersticas varia-
bles por nmeros reales, en tanto que las esenciales, atributos, slo se pueden
representar por medio de nmeros enteros. Para mejor comprensin podramos
decir que una longitud (caracterstica variable) se puede representar por medio
de un nmero decimal o fraccionario, como 8,17 cm, en tanto que el nmero de
artculos defectuosos en un lote slo puede ser un nmero entero por tratarse
de una caracterstica esencial, de un atributo, por ejemplo, 3 4. Los grficos X
de control de procesos se ocupan de caractersticas variables. Los procedimien-
tos de aceptacin para caractersticas variables pueden disearse en forma de
Plan de muestreo de variables.
Podemos usar de nuevo el teorema del lmite central, que antes utilizamos
como base del grfico X, para establecer la distribucin aproximada de las
medias de muestras de un plan de muestreo variable.
APLICABILIDAD DEL MUESTREO DE ACEPTACIN

POR VARIABLES
Las condiciones que normalmente permiten la aplicacin del muestreo de

variables para aceptacin son las siguientes:
1. La caracterstica objeto de inspeccin debe ser una variable o capaz de
ser convertida segn una escala variable.
2. La inspeccin de atributos o caractersticas esenciales resulta excesiva-
317
mente costosa (tiempo de inspeccin, naturaleza destructiva de las prue-

bas, etc.).
3. La inspeccin de atributos no proporcionar suficiente informacin;
esto es, tambin se requieren el alcance y las consecuencias de la varia-
cin.
4. La distribucin de las caracterstica debe ser aproximadamente normal.
Las caractersticas distintivas de un plan de muestreo de variables, en
comparacin con un plan de atributos, son las siguientes:
1. Se obtiene una proteccin anloga con una muestra de menor tamao.
2. Slo puede aplicarse para la aceptacin o rechazo de una caracterstica
sometida a inspeccin.
3. Implica, en general, mayores costos administrativos. Se precisan mejo-
res cualificaciones, ms clculos, es posible cometer mayor cantidad de
errores de clculo y se hace preciso utilizar equipo de inspeccin ms caro.
4. Suele proporcionar mejores fundamentos para mejorar la calidad y
mucha ms informacin en casos de renuncia.
PLAN DE MUESTREO DE VARIABLES
Supongamos que n es el nmero de elementos de una muestra y xi, i = 1, 2,

. . . , , los valores obtenidos para la caracterstica variable. Supongamos que la
distribucin de probabilidad de xi sea constante y con una media P y una
varianza 2.
Teniendo en cuenta el teorema del lmite central, veremos que la distribu-
cin aproximada de la media de la muestra ser
1
X xi
n
que es normal con la media y la varianza (1/n)2. Al igual que en los casos de
grficos X de control de procesos, cuando no se conozcan los valores reales de
los parmetros P y 2, pueden obtenerse estimaciones aceptables de las mismas
muestras. Estas estimaciones son:
estimado de P = X = media de las medias de la muestra

estimado de = o bien s , desviacin estndar de la muestra, o bien R /d 2 ,
como se utilizaba en los grficos X y R
Si la caracterstica est sujeta a un lmite superior U, el porcentaje de

elementos inaceptables del lote (aquellos que superan el lmite superior) aparece
marcada en la zona rayada pu de la Figura 14.1. Si la curva de la Figura 14.1
fuera la distribucin exacta de X, pu ser exactamente la fraccin defectuosa del
lote.
Cuando la curva es nicamente una estimacin basada en las observaciones
realizadas sobre la muestra, p u es tambin una estimacin. El criterio para la
PROCEDIMIENTOS DE ACEPTACIN POR CARACTERSTICAS VARIABLES 319
Distribucin
X U
Figura 14.1. Probabilidad de aceptacin de un lote.
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 .
OPERACIN DE UN PLAN DE MUESTREO DE VARIABLES
La operacin de un plan de muestreo de variables supone recorrer los

siguientes pasos:
1. Establecer el plan de muestreo segn la forma 1 (n, k) o la 2 (n, M). Los
trminos forma 1 y 2 son los que se utilizan en las tablas de estndares
militares, que suelen utilizarse en estos planes de muestreo.
2. Tomar una muestra de tamao n del lote y medir las caractersticas
variables de cada elemento.
3. Determinar X y z o p u . El procedimiento de clculo se muestra en el
ejemplo numrico que sigue.
4. Aceptar si el lote es z k o si p u M. En caso contrario habr que
rechazarlo.
Ejemplo 14.1
El nivel de calidad aceptable de un elemento es 1,00 por 100 y el nivel superior de

especificaciones es U = 209. Para este AQL y un tamao de muestra de 40 artculos
existen dos planes alternativos de muestreo de variables:
Plan de forma 1: n = 5, k = 1,53.
Plan de forma 2: n = 5, M = 3,32 por 100.

Ambos planes son equivalentes y tienen la misma curva OC.
Una muestra de cinco elementos de las siguientes medidas de la caracterstica:
197, 188, 184, 205, 201
Los clculos para ambos planes aparecen en la Tabla 14.1.
TABLA 14.1. Clculos del plan de muestreo

Cuando existen lmites de especificacin, tanto superior como inferior, los

criterios de aceptacin se modifican del modo siguiente:
1. En la forma 1 ambos (U X )/ y ( X L)/G deben ser mayores que k.
2. En la forma 2 se calculan valores separados de pu y p1 La suma ou + p1
debe ser menor que M.
MIL-STD-414: PROCEDIMIENTOS DE MUESTREO Y TABLAS

PARA INSPECCIN POR VARIABLES PARA PORCENTAJES
DE ELEMENTOS DEFECTUOSOS 1
Aunque hay muchas fuentes autorizadas de planes de muestreo de acepta-

cin por variables, slo nos referiremos detalladamente en este captulo a MIL-
STD-414 1. Lo mismo que MIL-STD-105D, este documento se ha convertido en
norma tanto para la industria privada como para el gobierno. MIL-STD-414
tiene cuatro secciones: A, B, C y D.
La seccin A incluye una descripcin general de los planes de muestreo. Es-
tablece medidas para el uso de los planes, para la clasificacin de los defectos,
la expresin de no conformidad, el nivel de calidad aceptable (AQL), presenta-
cin del producto, aceptabilidad de lotes, seleccin de muestras, clculo de la
calidad media, cambios en la severidad de la inspeccin y procedimientos espe-
ciales para la aplicacin de planes mixtos de muestreo por atributos y varia-
bles. Con las adiciones y cambios exigidos por las interpretaciones de variables,
las instrucciones para la administracin de tales planes son bsicamente las
mismas que en MIL-STD-105D.
La seccin A incluye tambin una tabla de conversin de AQL (Tabla 14.2)
y una para la seleccin del nivel de inspeccin segn el tamao del lote (Tabla
A 15.1). Si no se dice lo contrario, el nivel prescrito es el IV. Es evidente que
niveles mayores implican planes ms rigurosos. Las letras-cdigo en la tabla
indican el tamao de muestra que debe tomarse. La seccin A incluye las
curvas caractersticas operativas para todos los planes. Hay 14 AQL que se
pueden usar. Estos AQL son consistentes con los empleados en MIL-STD-
105D. Los administradores pueden, una vez determinado el AQL y la letra-
cdigo para el tamao de la muestra, consultar esta seccin y observar los
riesgos presentes en la aplicacin del plan. La Figura 14.2 es parte de la Tabla
A-3 de MIL-STD-414 y muestra las curvas OC para la letra-cdigo K con
AQL de 1,0; 1,5; 2,5; 4,0; 6,5; 10,0 y 15,0. Las curvas OC fueron derivadas de los
planes a desconocidos de la seccin B, pero, como dijimos, son fundamental-
mente equivalentes a los planes ' conocidos. En las instrucciones, se ordena el
uso de planes desconocidos de la seccin B con clculo de desviacin estn-
dar si no se especifica algo en contrario.
La seccin B incluye instrucciones para aplicacin de planes de desviacin
estndar desconocida para lmites de especificacin nicos y dobles; tablas
maestras para inspeccin normal, rigurosa y reducida; tablas para el clculo del
1
MIL-STD-414 puede obtenerse en el National Technical Information Service, Washington,
D.C. 200402.
porcentaje de elementos defectuosos del lote usando el mtodo de la desviacin

estndar; instrucciones y tablas para el clculo de la calidad media; criterios
para inspeccin reducida y rigurosa; valores de F para MSD (desviacin estn-
dar mxima); y ejemplos de clculos. Estos aparecen en las Tablas A15.1 a
A15.9.
TABLA 14.2. Tabla de conversin de AQL
(Tabla A-l del MIL-STD-414)
Para valores especificados de AQL Use este valor

que caigan dentro de estos intervalos de AQL
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
Al igual que MIL-STD-105D, el estndar MIL-STD-414 prev la posibili-

dad de inspeccin reducida y rigurosa. Las condiciones para implantar inspec-
cin reducida son las siguientes:
Condicin A: Los diez (10) lotes precedentes (o cualquier otra cantidad de
lotes que se especifique) han estado sujetos a inspeccin normal y ninguno ha
sido rechazado.
Condicin B: El porcentaje estimado de elementos defectuosos de cada uno
de los lotes precedentes es meno que el lmite inferior aplicable segn la Tabla
A15.7; o, para ciertos planes, el porcentaje estimado de elementos defectuosos
del lote es igual a cero durante una cantidad especificada de lotes consecutivos
(vase Tabla A 15.7).
Condicin C: La produccin se realiza a ritmo constante.
Se vuelve a la inspeccin normal si se produce cualquiera de las condiciones
siguientes mientras se trabaja bajo inspeccin reducida.
Condicin D: Se rechaza un lote.
Condicin E: El valor estimado de la media del proceso es mayor que AQL.
Condicin F: La produccin se hace irregular o se retrasa.
Condicin G: Cualquier otra condicin que avale el que se vuelva a reim-
plantar la inspeccin normal.
La inspeccin rigurosa se implanta cuando el valor estimado de la media
del proceso, calculado a partir de los 10 lotes precedentes (o cualquier otra
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
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
media y una desviacin estndar (o intervalo medio) para un plan de variables

con a desconocida.
TABLA 14.3
La funcin de costo es, entonces,

C = a + (b + c + d)n
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.
Lo dicho no tiene por objeto restar importancia a la contribucin del mues-

treo por variables para la aceptacin en cuanto a seguridad de calidad del
trabajo. Por el contrario, se trata de poner en su lugar adecuado. Si resulta el
ms econmico desde la perspectiva del costo total, debe usarse. Si no es el ms
econmico, debe usarse el plan de atributos.
TABLA 14.4
Costo por lote Costo por unidad

Plan a
b c d b + c + d
Atributos 2,50$ 0,002 $ 0,020 $ 0,000 $ 0,022 $
desconocida 3,00$ 0,002 $ 0,040 $ 0,010$ 0,052 $
' conocida 4,00$ 0,002 $ 0,040 $ 0,001 $ 0,043 $
Hablando en general, siempre que se trate de una prueba destructora, el mues-

treo por variables ser el ms barato. En la mayora de los otros casos el
muestreo por atributos ser el ms econmico.
DISEO DE PLANES DE MUESTREO POR VARIABLES

Aunque MIL-STD-414 sea una fuente conveniente de planes de muestreo
por variables, tambin es posible disear planes de muestreo que satisfagan,
aproximadamente, criterios de riesgo preestablecidos. (Slo presentamos aqu

las frmulas finales prescindiendo de su desarrollo y derivacin.) Los requisitos
de riesgo se definen del modo siguiente:
p1 = nivel de calidad buena o aceptable.
p2 = nivel de calidad mala o inaceptable.
1 = probabilidad de aceptacin cuando la calidad de entrada es p1
= probabilidad de aceptacin cuando la calidad de entrada es p2.
Para planes con lmite por un lado,
K D K P 2 K E K P1
k
KD K E
k 2 2 KD K E
n
2 K Pi K P 2
donde K = desviacin normal excedida con la probabilidad .

K = desviacin normal excedida con la probabilidad .
Kp1 = desviacin normal excedida con la probabilidad p1
Kp2 = desviacin normal excedida con la probabilidad p2
Para planes con lmites por dos lados, las frmulas anteriores de n y k
tambin se aplican, mas2
U L
MSD
mx( K p ' k K p ' k )
donde MSD = desviacin estndar mxima.

KPk + KPk = desviacin normal excedida con la probabilidad (Pk + Pk").
Pk + Pk = probabilidades de una desviacin normal mayor que k.
La OC para el plan de lmite nico se construye a partir de las dos frmulas
siguientes:
k KP
K pD
h
1 k2
h
n 2( n 1)
2
La condicin mxima se alcanza cuando Pk = Pk
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
Si el lector comprueba en la Tabla A 15.2, encontrar que el plan de la letra-cdigo L

para AQL = 1,0 por 100 es casi exactamente el mismo.
Las frmulas de la curva OC se usan para hallar los valores Pa para distintos
valores de p'. Primero se calcula h:
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
Los criterios de aceptacin para los lmites de dos lados son
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
y, adems, para un lmite de dos lados de especificacin
s MSD cuando MSD = O,23(U - L)

El ltimo criterio resulta al calcular la frmula MSD anterior. pk es la probabilidad
de una desviacin normal mayor que k. La aplicacin de la frmula de la primera
curva OC a esta condicin da como resultado
k Kp 1,89 1,89
K Pa 0
h 0, 263
Si KPa = 0, Pa = 0,50. Por lo tanto, pk = 0,0294. Para determinar MSD, pk se divide en

p'k y p'k. La condicin mxima se logra cuando Kpk = Kpk, esto es, cuando la
desviacin normal de p'k es igual a la desviacin normal de p'k. La mitad de pk de 0,0294
es 0,0145. La desviacin normal asociada con los valores p' y p" de 0,0145 es, aproxima-
damente, 2,18. La sustitucin en la frmula MSD nos da
U L
MSD
2,18 2,18
O 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08
P,: probabilidad de aceptacin
Figura 14.3. Curva caracterstica operativa del plan de muestreo de variables n = 41, k = 1,89.
El valor recproco de 1/4,36 es aproximadamente 0,23, como se muestra en el

criterio de aceptacin de dos lados. Este es, tambin, el valor apropiado de F contenido
en la Tabla A 15.9.
Un estudio ms detallado con representacin grfica del criterio de aceptacin va
ms all de lo que persigue este libro.
Sin embargo, se ha incluido material suficiente para permitir que el profesional
seleccione un plan de MIL-STD-414 o bien disee uno que satisfaga unas especificacio-
nes concretas sobre calidad deseada.
PROBLEMAS
14.1. Los planes siguientes proporcionarn una proteccin equivalente:
Tipo de plan Tamao de la muestra Criterio de aceptacin
Atributos 450 Ac = 10, Re = 11

Variables con desconocida 100 k = 2,0
Variables con conocida 33 k = 2,0
Dado el siguiente costo:
Atributos desconocida conocida
Costo por unidad del muestreo 0,02$ 0,02$ 0,02$

Costo de inspeccin por unidad 0,10$ 0,25$ 0,30$
Costos de clculo por unidad 0,00$ 0,010$ 0,001$
Gastos generales por lote = 5,00 $
Calcule los costos de inspeccin de lote para cada mtodo. Qu mtodo es el

ms econmico?
14.2. La vida til de cierto tipo de tubo de nen tiene un lmite inferior de especifica-
cin de cincuenta horas. Se presenta a inspeccin un lote de 100. Si se usa forma
1, nivel IV de inspeccin, con AQL = 1,5 por 100, cules son los valores de n y
k que deben usarse?
14.3. Si en el problema 14.2 se utilizar la forma 2 del mtodo de desviacin estndar,
cules seran los valores de n y M? Si el lote es 2 por 100 defectuoso, cul es la
probabilidad de que sea aceptado?
14.4. La vida til de determinado equipo viene especificada como 70 5 horas. Se
somete a inspeccin un lote de 60 unidades. Dado que AQL = 2,0 por 100, la
inspeccin es normal y se aplica el nivel III de inspeccin, cules son los valores
idneos de n y M?, cules, bajo inspeccin reducida y rigurosa?
14.5. Si en el problema 14.4 el AQL fuera 0,75 por 100 para la especificacin del lmite
inferior y 2,5 por 100 para la del lmite superior, cules seran los valores
idneos de n, Mu y M1
14.6. La resistencia en ohmios de un componente elctrico viene especificada con
un mnimo de 150. Se somete a inspeccin un lote de 250 unidades. Dado que
AQL = 1,0 por 100, que se aplica un nivel IV de inspeccin y que la inspeccin
es rigurosa:
a) Con la forma 1, cules son los valores idneos de n y k? Dado el criterio

de aceptabilidad.
b) Si se usa la forma 2, cules son los valores de n, v y M?
14.7. La especificacin del peso de una pieza de fundicin es 40 3 libras. Las

especificaciones del muestreo son inspeccin normal, nivel V, AQL = 1,75 por
100. El tamao del lote es 50. Una muestra de 15 ha dado los pesos siguientes
(en orden): 37, 37, 46, 41, 36, 43, 41, 39, 37, 41, 41, 42, 41, 44 y 46. Es
aceptable el lote?
14.8. Un plan de variabilidad desconocida con AQL = 1,5, tamao de la muestra:
letra-cdigo H, inspeccin normal (que son las especificaciones de inspeccin de
un producto a lmites dobles de especificacin).
a) Cules son los valores idneos de n y M?
b) Los primeros cinco lotes han sido aceptados. El porcentaje estimado de
elementos defectuosos para cada uno de los lotes es el siguiente: 0,621; 0,357;
0,480; 0,103 y 0,657. Si la produccin se ha mantenido a ritmo constante,
puede aplicarse inspeccin reducida? Por qu? Si la respuesta es afirmati-
va, cul es el plan reducido?
14.9. Derivar planes de muestreo por variables con lmite por un solo lado que
satisfagan los criterios siguientes:
a) = 0,05, p 1 = 0,02
= 0,10, p 2 = 0,05
b) = 0,05, p1 = 0,005
= 0,10, p2 = 0,02
Construir las curvas OC para cada plan. Usando los criterios de la parte a),
calcular F para usar con un lmite de especificacin por los dos lados.
15
Diseo de la garanta de calidad
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
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.
PLANIFICACIN DE CALIDAD Y FIABILIDAD

La garanta de calidad comienza con el proyecto del producto. Las innova-
ciones se producen paso a paso por medio de cambios en dicho proyecto. En la
etapa piloto se desarrolla un nuevo proyecto y se prueba, se lanza luego al
mercado para su consumo y se modifica por razones de costo, funcionamiento,
aspecto externo y otras razones que pueden afectar a su consumo.
El ingeniero de calidad es muy til en esta etapa. No se trata de que asuma
las funciones del ingeniero de proyecto, pero dispone de valiosa informacin
que permitir a este ltimo hacer un mejor trabajo de ingeniera de proyecto.
Como consecuencia de su trabajo y experiencia, el ingeniero de calidad es quien
ms sabe sobre la funcin de un producto similar, puesto que ello tiene relacin
con el esfuerzo realizado en cuanto a su calidad durante la fase de produccin.
Tiene acceso a datos histricos de calidad de proveedores y departamentos
dentro de la propia empresa, que sealan deficiencias y eficiencias que no son ni
econmicas ni necesarias. Conoce los datos sobre desechos, trabajos que ha
habido que repetir y quejas de obra. Controla el presupuesto para garanta de
calidad y puede, por ello, relacionar el costo de calidad con el necesario para
obtenerla. Ha realizado estudios especiales sobre capacidad de procesos que le
sern de gran utilidad para determinar la capacidad real de mquinas y proce-
sos. En el momento en que el costo de obtener la calidad se eleve hasta
constituir un alto porcentaje del costo del producto, debe consultrsele durante
la etapa de nuevo proyecto del producto puesto que l puede aconsejar sobre
las herramientas que pueden utilizarse para garantizar la calidad de este nuevo
proyecto y sobre en qu momento deben utilizarse.
ENCUESTA DE CALIDAD PREVIA A LA ADJUDICACIN

El ingeniero de calidad puede desempear un papel muy importante antes
de iniciar la produccin de un artculo determinado realizando encuestas de las
DISEO DE LA GARANTA DE CALIDAD 335
instalaciones productivas de los ofertantes previas a la adjudicacin. La calidad

va permanentemente unida a la seguridad y la organizacin interna, de forma
que incluso un estudio superficial de los medios de produccin de tales ofertas
nos proporcionar valiosa informacin sobre sus posibilidades de fabricar un
producto de calidad. Puede que tal encuesta no sea necesaria, como en el caso
de que el ofertante sea un antiguo proveedor y de que sus estndares de calidad
hayan sido satisfactorios. En este caso, los datos de que disponga el ingeniero
de calidad y sus evaluaciones de los distintos proveedores resultarn muy
valiosas. Si se considera necesario realizar la encuesta, se proporcionar una
hoja de comprobacin de encuesta de calidad preadjudicacin para tal evalua-
cin, que puede servir tambin para valorar la eficiencia en trminos de calidad
de la propia empresa. La hoja de comprobacin deber incluir un mtodo de
evaluacin con diversas clasificaciones de los siguientes factores que afectan a la
calidad de la produccin:
1. Previsiones sobre adquisicin y mantenimiento de herramientas, calibres y
equipo de pruebas. Al cabo de algn tiempo, dicho equipo se desgasta y deterio-
ra, por lo que el ofertante deber disponer de los recursos necesarios para
establecer y mantener un sistema idneo de control de herramientas y calibres.
Habr que identificar cada instrumento, herramienta o ensayo y stos debern
estar sometidos a un programa de inspecciones continuo para determinar su
aptitud para producir artculos de calidad o medir la misma. Los calibres, si
existen, debern ser calibrados peridicamente por medio de equipo y calibres
maestros de calibracin, debiendo conservarse los datos relativos a tales cali-
brados e inspecciones.
2. Previsiones para el control de materiales y componentes subcontratados.
La calidad de materiales y componentes determina la del producto final. Eva-
la nuestro ofertante en un momento anterior a la compra la calidad de los
productos que recibe de sus subcontratistas? Clasifica de algn modo a sus
proveedores? Existen clusulas sobre calidad en sus subcontratos? Se exigen
certificados? Lleva a cabo inspecciones de entrada de materiales u otros
suministros? Conserva archivos sobre calidad? Qu poltica sigue sobre mate-
riales defectuosos? Se someten los materiales defectuosos a algn tipo de
revisin en equipo para su final aprobacin o rechazo?
3. Normas y procedimientos de garanta de calidad. Cualquier programa
efectivo de garanta calidad necesita contar, previamente, con normas y proce-
dimientos adecuados. Se clasifican las caractersticas de calidad del producto
de acuerdo con su importancia? Existen normas escritas sobre cmo deben
inspeccionarse las caractersticas? Resulta el costo de inspeccin del producto
proporcional a la importancia de la caracterstica de calidad sometida a inspec-
cin? Si se utiliza muestreo, resulta completo el procedimiento de muestreo en
todos sus aspectos?
4. Controles de calidad durante el proceso. Se planifica el control de
calidad durante el proceso de forma que las inspecciones previstas se realicen
dentro de las fases en que resulten ms efectivas y proporcionen mayor rendi-
miento econmico? Es adecuado el control? Se utilizan los diversos controles
de calidad por muestreo del proceso y, de ser as, en qu porcentaje del ptimo?
Se conocen y observan las capacidades de los procesos?
5. Conservacin de datos e informes sobre calidad. Los datos sobre pruebas

e inspecciones de calidad, aunque no representen una evidencia concluyente de
que la calidad se halle bajo control, son buenos indicadores de dicho control.
Hay que tener cuidado para asegurarse de que quien aspira a ser proveedor no
est simplemente aparentando estar de acuerdo con nuestras exigencias de
calidad al confeccionar manuales, disear procesos, grficos muy atractivos y
archivos de datos que no tengan ningn significado real, pero que resultan muy
adecuados para satisfacer a encuestadores demasiado crdulos. En muchos
casos, desgraciadamente esto se interpreta como efectivo control de calidad. Un
sistema en pleno funcionamiento con inspecciones al 100 por 100 y pruebas al
azar, aunque no sea demasiado cientfico, es preferible a lo anterior, que repre-
senta la alternativa ms cara y menos eficiente. No obstante, es necesario tener
datos y disponer de informes sobre calidad. Los archivos de datos deben incluir
pruebas de que se han realizado las inspecciones exigidas. Deben indicar la
cantidad y los tipos de rechazos y lo que se ha hecho con tales artculos. Los
informes sobre calidad deben comunicarse regularmente a la Gerencia General
con objeto de que quienes toman las decisiones conozcan la situacin actual de
calidad.
6. Control de modificaciones en planos y especificaciones. Este es un aspec-
to muy importante del control de calidad. El control de cambios y planos no
figura entre las responsabilidades de la organizacin que controla la calidad,
pero produce grandes efectos sobre la calidad del producto. Deben evitarse
errores de bulto por medio de un buen sistema de control de cambios de
ingeniera. El sistema de control de cambios debera proporcionar medios
eficientes para eliminar la informacin obsoleta de planos y especificaciones, as
como para establecer las fechas efectivas de los cambios. Deben conservarse
datos sobre todos los cambios realizados.
7. Control de procesos especiales y de ensayos no destructivos. El subcon-
trato puede exigir ciertos mtodos de proceso y ensayos de tipo especial y que
resulten muy costosos. Siempre que esto ocurra, slo podr evaluarse el pro-
ducto final por medio de caros ensayos no destructivos para evaluacin de la
calidad. Como ejemplos tpicos de dichos ensayos podemos citar los radiogrfi-
cos, por partculas magnticas, penetrantes, ultrasnicas, por vaporizadores de
sal, espectrogrficos, mecnicos y qumicos.
8. Control de materiales por debajo del estndar. Es necesario disponer de
un procedimiento que se ocupe de los materiales y componentes que no se
ajusten a las normas, si se quiere lograr una adecuada garanta de calidad.
Dicho procedimiento debe disponer de medios para prevenir que se insista en
producir por debajo del estndar pactado, destacando determinados pasos
especficos que han de darse para producir acciones correctoras. Debe incluir
normas para la creacin de un comit de revisin de materiales por debajo de
los estndares pactados, que est integrado por representantes de los departa-
mentos de Garanta de Calidad e Ingeniera, as como por miembros de la
empresa productora del producto.
9. Situacin de aceptabilidad. Todos los materiales piezas y componentes
que han sido inspeccionados deben ser identificados de acuerdo con sus situa-
ciones. Tal identificacin debe aplicarse lo mismo a unidades que a lotes de
unidades. Puede revestir la forma de etiquetas de inspeccin, sellos, rtulos o
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.
OTRAS RESPONSABILIDADES DE PLANIFICACIN

El ingeniero industrial encargado de la calidad tiene la responsabilidad de
establecer controles en todas las etapas de la fabricacin. Esta responsabilidad
incluye la instauracin de mtodos de control de calidad en la inspeccin de
entrada, en puntos del proceso de fabricacin, en la inspeccin de productos
terminados y en el momento del envo. Las clases de control variarn de
acuerdo con el tipo de producto y la cantidad producida. Dicho ingeniero
identifica las caractersticas crticas de calidad y clasifica todas las caractersti-
cas crticas de calidad y clasifica todas las caractersticas de acuerdo con la
gravedad de un defecto. Especifica, tambin, niveles de calidad y mtodos de
muestreo para control y aceptacin. Con el departamento de Ingeniera y el de
Produccin establece las normas de calidad en cuanto al aspecto, la uniformi-
dad, el color, etc., para minimizar las controversias entre inspeccin y produc-
cin. Tambin cae bajo su responsabilidad el desarrollo de las instrucciones y la
creacin de manuales para garanta de calidad.
El ingeniero encargado de la calidad desarrolla planes para la clasificacin
de la calidad de proveedores y departamentos. Crea procedimientos de certifi-
cacin para su uso juntamente con los planes de clasificacin. Tambin es
responsable de la creacin de hojas de trabajo para el anlisis de calidad,
formularios para registros e informes sobre calidad, as como de recopilar
casustica sobre calidad.
Especifica el equipo de inspeccin y comprueba que se utiliza para evaluar
la calidad en todas las fases de fabricacin y en el producto terminado. Desa-
rrolla mtodos y tcnicas de prueba nuevos y mejorados. Puede disear o
no el equipo de inspeccin y prueba. Disea el programa de supervisin y
control de medidas que garantiza que el equipo de inspeccin y prueba est
adecuadamente calibrado y que se conserva en buenas condiciones.
Tambin tiene a su cargo y bajo su responsabilidad la realizacin de estu-
dios especiales sobre calidad, como encuestas, verificaciones y anlisis de capa-
cidad de procesos. Realiza estudios especiales sobre problemas de calidad en el

procesamiento y la fabricacin a medida que stos van surgiendo y con objeto
de solucionarlos. Ayuda al ingeniero industrial responsable de los proyectos
creando un programa que le proporcione confirmacin sobre quejas de clientes,
anlisis de tolerancias y estudios de capacidad de procesos. Debe realizar
estudios especiales de tipo econmico sobre costos de calidad con objeto de
establecer unos costos mnimos totales. Planifica todos los experimentos sobre
calidad. Como hemos dicho, tiene a su cargo el presupuesto de garanta
de calidad y el establecimiento de medidas cuantitativas vlidas y dignas de
confianza de los costos de calidad, disea procedimientos para el anlisis de la
varianza de los costos de calidad, su medida y su control. En este sentido, acta
como ingeniero director del departamento de Garanta de Calidad.
Para un programa efectivo de garanta de calidad es imprescindible dispo-
ner de una orientacin dinmica hacia la calidad as como de un programa de
entrenamiento idneo. Por ello, es necesario desarrollar un programa de educa-
cin en temas de calidad que satisfaga las exigencias de cada nivel de trabajado-
res y supervisin de modo efectivo. Dicho programa deber especificar la clase
de formacin, la cantidad de conocimientos o hasta dnde debe llegarse para
los niveles de direccin, seguimiento y repaso cuando sea necesario, y deber
mantenerse permanentemente actualizado. Esta es otra de las obligaciones del
ingeniero responsable de la calidad.
EVALUACIN DE CALIDAD Y FIABILIDAD

En la mayora de los casos ser necesario que el ingeniero encargado de la
calidad evale los resultados de las medidas prescritas durante la fase de
planificacin. Valora el potencial de calidad de proveedores y departamentos
por medio de clasificaciones de resultados de calidad. Al evaluar los resultados
y comparar los logros de todos los proveedores y departamentos de produccin
segn una escala estndar, puede sealar los proveedores que con mayor
probabilidad suministrarn materiales de calidad y productos tambin de cali-
dad. Los estudios especiales sobre calidad exigirn sus conocimientos especiali-
zados para el anlisis, interpretacin y evaluacin de datos. Estos estudios
incluirn los relacionados con capacidad de procesos, tolerancias, costos de
calidad, experimentos de calidad proyectados, controles de demritos as como
la mayora de las tcnicas especializadas sobre variables y atributos que se usan
para control y verificacin 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.
BTL es especial en cierto modo ya que se sirve de un equipo para resolver

problemas de calidad. Para ello se forma un equipo responsable de realizar un
estudio completo e informar sobre la situacin de la calidad, acompaando una
serie de recomendaciones. Este sistema se us con verdadero xito al desarro-4
llar un programa de garanta de calidad para el misil Nike. Uno de los autores
tuvo el honor y el placer de formar parte de uno de los equipos. En pocas
palabras, el Army Ordnance Department contrat con BTL el proyecto de un
programa de garanta de calidad para el misil Nike. El personal de garanta de
calidad de BTL trabaj en ste y otros programas para la adquisicin de
pertrechos militares con nmeros opuestos en el Ordnance Department. El
concepto de nmeros opuestos inclua el seguimiento continuo de los cam-
bios recomendados ya que el personal de dicho departamento, que eran los
nmeros opuestos, trabajaban codo con codo con el personal de garanta de
calidad de BTL y podan aplicar el enfoque de equipo a proyectos adicionales.
Los resultados fueron muy satisfactorios y los proyectos contribuyeron en gran
medida a la garanta de calidad que hoy practica el Ministerio de Defensa. Tal
como la utiliza BTL,
la Encuesta de Calidad incluye un repaso crtico y total de todos los
elementos que puedan influir en la calidad del producto, desde el proyecto
hasta la produccin y posterior uso. Su objetivo es revelar cualquier cir-
cunstancia que pueda afectar de modo adverso a al calidad e iniciar el
proceso necesaro para que desaparezca tal circunstancia. Por ello, no slo
revisa las actividades relacionadas con calidad de otros, sino tambin la
idoneidad de las propias actividades. De las distintas actividades de garan-
ta de calidad es la que puede esperarse, dado gran alcance, que contribuya
en mayor medida a la Habilidad del producto. La encuesta la lleva a cabo
un comit integrado por tres miembros: a) un ingeniero de calidad
especialista en el tipo de producto objeto de la encuesta (un miembro de los
laboratorios de garanta de calidad que acta como presidente del comit);
b) un miembro de Western Electric (el fabricante), representando a la
organizacin de garanta de calidad que acta, como el agente de Bell
Laboratories, tratando de asegurar los resultados de inspeccin indepen-
diente especificados por los laboratorios; y c) un miembro del departamen-
to de Produccin de Western Electric. (En el caso de encuestas sobre
productos obtenidos de proveedores no relacionados con el Bell System, el
tercer miembro del comit es un representante del proveedor.) Un comit
independiente maneja cada encuesta, de las que hay unas cincuenta al ao,
que cubren gran variedad de aparatos, equipos y sistemas. El miembro del
laboratorio es un especialista en un tipo particular de producto o sistema.
Como tal, est familiarizado con el proyecto, la fabricacin y el uso del
producto o sistema as como con su historial. Cada miembro del comit
tiene sus propias responsabilidades y contribuye de forma individual a la
encuesta5.
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.
Mencionaremos ahora de forma breve la contribucin a la encuesta del

ingeniero encargado de la calidad:
1. Examen detallado de los requisitos del proyecto. Pese a las precauciones
adoptadas con objeto de evitarlos, resulta sorprendente la frecuencia con que
pueden deslizarse errores, incompatibilidades y ambigedades en las especifica-
ciones del proyecto. No son debidos a incompetencia, sino a la complejidad
misma del problema del proyecto, teniendo en cuenta la cantidad de especialis-
tas que trabajan juntos en l y las presiones a que se hallan sometidos por
premuras de tiempo tan caractersticas en los proyectos de hoy en da. El
ingeniero que lleva la encuesta busca tales irregularidades.6
2. Examen de muestras del producto. Se selecciona una muestra aleatoria
del producto, que el ingeniero que lleva la encuesta y el ingeniero autor del
proyecto examinan visualmente para determinar hasta qu punto concuerda el
diseo con la intencin del proyectista. Este examen se centra especficamente
en caractersticas cualitativas, como rasgos del diseo que presenten un aspecto
diferente o peculiaridades que hayan sido omitidas.
3. Comparacin del diseo con la informacin de fabricacin. Por lo gene-
ral, los requisitos del proyecto se suelen convertir en especificaciones para la
fabricacin y en dibujos. Durante (y despus) el paso de la informacin del
proyecto a requisitos de produccin se producen errores, omisiones y adiciones.
El ingeniero que lleva la encuesta compara ambas fuentes de informacin para
hallar los puntos en que no concuerdan.
4. Revisin de procedimientos de inspeccin. Representa una revisin total
de los procedimientos de inspeccin de la fbrica y de los ms concretos de
garanta de calidad para determinar la adecuacin de la cobertura de la inspec-
cin planificada, de los estndares de calidad, criterios de aceptacin, etc., en el
producto terminado y en todos los componentes y materiales que lo componen.
5. Revisin de los resultados de la inspeccin. Se revisan exhaustivamente
los resultados de inspeccin, tanto sobre las instalaciones como sobre la garan-
ta de calidad, para precisar que son conformes a las especificaciones, determi-
nar que la cobertura de la inspeccin es realmente adecuada, las tendencias
cronolgicas, la disconformidad que ya se est convirtiendo en norma, y la
compatibilidad.
6. Revisar los resultados en la propia fbrica. Los resultados que se logren
en la fbrica son la prueba de fuego de la calidad. Mediante las quejas de la
fbrica se llegan a detectar deficiencias en diseo, fabricacin y garanta de
calidad. Los resultados de la fbrica representan un camino seguro, a veces
lento, pero tratndose de fallos en la fiabilidad que se manifiestan lentamente
es, en muchos casos, el nico que permite aprender.7
7. Examen de los procedimientos reales de produccin. Este examen incluye
un repaso completo a las instalaciones de produccin. Se revisan y evalan
tanto los procesos de produccin de materiales, componentes y conjuntos como
las instalaciones y prcticas destinadas a la prueba de la garanta de calidad. El
6
Paterson, obra citada.
7
comit en bloque realiza este examen y cada miembro presenta un informe

preliminar sobre sus hallazgos.
8. Informe de la encuesta de calidad. Al concluir la encuesta, el comit
prepare un informe describiendo la situacin de la calidad del producto, citan-
do cualquier deficiencia significativa que se haya descubierto y haciendo reco-
mendaciones a la organizacin responsable de la calidad sobre lo que se
requiere para eliminar tales deficiencias. Entre las medidas que quiz haya que
adoptar se incluyen las relativas a caractersticas insatisfactorias del proyecto,
procesos de inspeccin o fabricacin impropias; instalaciones inadecuadas, mal
utilizadas o mantenidas para la medicin y prueba de la calidad; registros de
inspeccin incompletos o incorrectos; descuidos, incompatibilidades o incon-
gruencias en alguna fase de cualquiera otra de las mltiples causas a las que se
puede atribuir una calidad por debajo de la prescrita. La organizacin respon-
sable debe iniciar acciones de tipo corrector que aprueben todos los miembros
del comit antes de dar por terminado el producto y tales acciones deben
seguirse con la mayor diligencia8.
Se destaca que
como comentario sobre la gran importancia de la fase de proyecto de
fiabilidad resulta interesante observar que en alrededor de 1.500 encuestas
realizadas sobre gran variedad de materiales, componentes, aparatos y
sistemas, las principales irregularidades en el proyecto superan en propor-
cin de dos a una a las encontradas en produccin...9
La Figura 15.1 es un diagrama de fabricacin que describe el proceso para
realizar una encuesta de calidad. Su realizacin por medio de un equipo puede
servir como modelo a seguir por cualquier negocio interesado en la calidad de
sus productos. Quiz una pequea empresa no pueda dedicar ms que una
parte del tiempo de tres personas, o incluso de una, a este tipo de proyectos,
aun as, los principios y el procedimiento se pueden observar con independen-
cia del tiempo y el talento que se les dedique. Ms an, la empresa tiene en el
comit de encuesta una organizacin consultiva flexible y que puede proporcio-
nar beneficios y ventajas imposibles de obtener si se utilizaran otras empresas;
por ejemplo, una verificacin continua por parte de personas conocedoras del
proyecto, los requisitos de produccin y los de garanta de calidad.
ELEMENTOS DE UN PROGRAMA DE CONTROL

DE HERRAMIENTAS, CALIBRADORES
Y EQUIPO DE PRUEBAS10
La calidad de un producto depende en gran parte de la precisin y fiabili-
dad de herramientas, calibradores y equipo de pruebas usado en la fabricacin,
8
9
10
El estudio de esta parte se publica, con algunas omisiones y cambios poco importantes,
tomndola del manual AMC nmero 74-1: Procurement Quality Control Manual, del Air
Material Command, base Wright-Patterson de la Fuerza Area, Ohio, 2 de octubre de 1958,
pgs. 3-1 a 3-4. La Air Material Command (Comandancia de Material Area) ha tenido un papel
preponderante en la aplicacin del concepto de garanta de calidad por medio de por medio de
la inspeccin de vigilancia.
la inspeccin y las operaciones de prueba. Las herramientas y los calibradores

suponen los medios fsicos para alcanzar una produccin en masa y al mismo
tiempo facilitar la fabricacin, inspeccin y prueba de partes, componentes y
conjuntos hasta lograr el nivel exigido de uniformidad en los mismos. Calibra-
dores adecuados y otros aparatos para medir, inspeccionar y probar, as como
para controlar los abastecimientos y determinar su conformidad con los requi-
sitos especificados, son elementos indispensables de los que hay que disponer y
que hay que conservar en perfectas condiciones. Slo si dicho equipo est
bien diseado, se utiliza de forma correcta y se controla, podr garantizar
uniformidad permanente e intercambiabilidad dentro de los requisitos esta-
Figura 15.1. Diagrama de procedimiento para encuesta de calidad. (Tomado de E.

G. D. Paterson: The Role of Quality Assurance in Product Reliability, Industrial
Quality Control, agosto de 1960. Reproducido con autorizacin.)
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
adecuados para operaciones especficas de maquinaria e inspeccin, preparar

el calendario peridico de nuevas inspecciones, conservacin de registros, y
catalogacin general de tales aparatos. Debe concebirse algn sistema de iden-
tificacin que evite el uso de herramientas y calibres imprecisos o inade-
cuados.
Para garantizar que las herramientas son capaces de producir componentes
uniformes y que los calibres controlarn las caractersticas dimensionales y
funcionales del producto, es necesario que primer se inspeccionen y se pruebe
su aptitud para satisfacer los requisitos de las especificaciones. Tanto las herra-
mientas nuevas, como las modificadas o las reparadas deben ser inspeccionadas
y evaluadas con respecto al diseo del calibre o herramienta as como con
relacin al diseo tcnico del componente, antes de comenzar a utilizarlas en el
trabajo. Tales controles dobles son necesarios ya que el diseo del calibre o herra-
mienta representa el proyecto, la funcin y la secuencia operativa de la
herramienta o el calibre, pero no enumera los requisitos tcnicos del compo-
nente, que son la ltima referencia para determinar si tales aparatos son los
adecuados.
Para cuidar adecuadamente tales herramientas y para garantizar com-
ponentes satisfactorios y funcionamiento adecuado, el equipo debe exami-
narse de forma peridica para detectar rebabas, muescas, mal funciona-
miento, herramientas maltratadas, casquillos sueltos o excesivamente gran-
des, tornillos de ajuste torcidos y otros defectos visibles. Estas prcticas son
especialmente tiles para fabricantes que disponen de una cantidad considerable
de herramientas de fabricacin y montaje y que o bien no realizan inspecciones
peridicas dimensionales o dejan pasar largos perodos de tiempo entre ins-
pecciones.
Los componentes y conjuntos fabricados por contratistas independientes
afectan a la calidad final del producto. Por tanto, normalmente, la empresa que
firma tales contratos debe exigir a tales contratistas que mantengan sistemas de
control satisfactorios sobre herramientas y calibres.
Un sistema efectivo de control de herramientas y calibres no puede existir
sin un control de precisin sobre los estndares bsicos, as como sobre los
instrumentos de medicin y calibrado que se utilizan para determinar la preci-
sin de herramientas, calibres y equipo de pruebas. La base del control sobre el
equipo de inspeccin dimensional la componen bloques de indicadores de
precisin, calibres maestros, indicadores de montajes, varillas para medir longi-
tudes, planes maestros, y elementos parecidos. El control sobre el equipo
funcional de pruebas se realiza por medio de pilas patrn, potencime-
tros, probadores de pesos muertos y otros elementos similares. Sin unos estn-
dares precisos que sirvan de referencia, las inspecciones, calibrados, herra-
mientas, indicadores y equipo de pruebas sirven para muy poco. El ingeniero
responsable de la calidad debe garantizar que el equipo maestro que sirva
de referencia sea calibrado con la frecuencia precisa para garantizar su pre-
cisin.
Debe establecerse un sistema de inspecciones y calibrado peridico para
evitar el uso de herramientas, calibres y equipo de prueba gastado, defectuoso o
inadecuado. Las herramientas e indicadores no slo deben funcionar correcta-
mente al iniciarse un trabajo sino que deben mantener su precisin hasta que se
concluya dicho trabajo. La forma y la frecuencia de las nuevas inspecciones

depende, en gran medida, de los requisitos sobre precisin, dimensiones crticas
y caractersticas de intercambiabilidad de los componentes fabricados y del
tipo, construccin y grado de uso de cada una de las herramientas o calibres.
Deben inspeccionarse de forma peridica y de acuerdo con calendarios preesta-
blecidos toda clase de equipos de inspeccin y pruebas, como calibres fijos y
ajustables, herramientas manuales de medicin, aparatos de control, herra-
mientas utilizadas como medio de inspeccin, as como todas las caractersticas
mecnicas, pticas, elctricas y funcionales del producto.
Para garantizar que las unidades calibradas estn dentro de las tolerancias
especificadas y que no estn en peligro ni la precisin, ni los requisitos de
intercambiabilidad y uniformidad del producto, el grupo de garanta de calidad
debe adherirse a una poltica de uso de herramientas que prevea la sustitucin
o reparacin de aqullas antes de que se gasten o cambien hasta el punto de
exceder los lmites extremos sealados para el producto.
Esta poltica, que es la adecuada para calibres de inspeccin de tipo fijo, no
se opone a un grado normal de desgaste de los instrumentos siempre que se
tomen medidas que lo permitan al realizar los proyectos. Y esto se logra
simplemente permitiendo que se tomen un porcentaje pequeo de las toleran-
cias del producto y se transfiera en forma de metal al calibre. Por ejemplo, el
orificio de un producto mide 0,500 pulgadas con una tolerancia de ms 0,002
pulgadas menos 0,000 pulgadas. Se toman de la tolerancia total del componen-
te 0,0002 pulgadas (el 10 por 100 de la tolerancia) y se aplican al calibre, cuya
dimensin bsica es 0,500 pulgadas, convirtindola en 0,5002 pulgadas (0,0002
de margen de desgaste). Durante el tiempo que tarda el calibre en llegar a su
tamao bsico se restringe ligeramente la tolerancia del producto, pero esto no
debe interpretarse como una dificultad para la produccin si se consideran
otros factores de carcter econmico, como la vida til del calibre. Gran parte
de las unidades rechazadas por un calibre fijo sean controladas por medio
de un aparato que mida variables y que no incorpore al calibre esta permisi-
vidad.
Hay otro factor que se puede incluir y que no se considera una desviacin
de la poltica anterior, aunque sirve para extender la vida til del calibre. En la
prctica, el extremo de entrada de los calibres es la parte ms expuesta al
desgaste. En consecuencia, se puede establecer un sistema de control para
inspeccionar el desgaste de los calibres en un punto situado detrs del extremo
de entrada, aproximadamente igual al 25 por 100 de la longitud total del
calibre. Por ejemplo, si la superficie total del calibre fuera de 1 pulgada, la
inspeccin para verificar el desgaste se realizara a 1/4 de pulgada del extremo
de entrada. Si en este punto el calibre, as como en el resto del mismo, se hallan
dentro de la tolerancia, la ligera variacin que pueda existir entre este punto y
el extremo de entrada no tendra que afectar al adecuado control dimensional
del producto final. Claro est que el procedimiento en cuestin estar limitado
por la longitud o la profundidad de la caracterstica que se calibre.
Si resultan necesarios los registros de inspeccin dimensional y funcional del
producto fabricado, la lgica consecuencia es que tambin son esenciales otros
registros o pruebas concluyentes de la precisin continua del equipo de medi-
cin si se quiere tener un sistema eficiente de garanta de calidad. Los registros
no slo prueban y proporcionan informacin acerca de que se est realizando

un control adecuado sino que igualmente tiles para reducir el costo de inspec-
cin de herramientas y calibres, para calcular sus expectativas de vida til y
para prevenir la necesidad de reemplazarlos o repararlos. El sistema de control
de herramientas y calibres debe incluir el llevar registros u otros medios de
prueba que indiquen claramente que se cumple con los procedimientos estable-
cidos. El registro de calibres tendra que incluir la siguiente informacin11:
1. Nombre del establecimiento en que se realiz la aceptacin inicial y
lugar donde se halla.
2. Nmero de identificacin del calibre.
3. Nmero de retirada del calibre y fecha de revisin.
4. Nombre del producto al que debe aplicarse el calibre.
5. Nmero y fecha del esquema que muestra el producto.
6. Cualquier letra, nmero o smbolo para identificar un componente en
particular, que aparezca en el esquema del producto, al que se aplique
a su precio de costo.
7. Valor del calibre a su precio de costo.
8. Tipo de calibres.
9. Funcin del calibre.
10. Dimensiones que debe verificar el calibre, tal como aparecen en el
esquema del producto.
11. Dimensiones del calibre establecidas por el inspector de los mismos.
12. Informacin precisa sobre el lugar de almacenaje de calibres.
13. Nombre del inspector de calibres y fecha en que se inspeccion el
calibre.
14. Cualquier otra observacin que se considere necesaria.
El sistema de control de herramientas y calibres debera incluir normas para
proceder a iniciar acciones correctoras en el momento en que la revisin de
materiales, las inspecciones o los rechazos, o cualquier otra prueba indicara
defectos en el producto que puedan atribuirse tanto a herramientas y calibres
defectuosos como a mtodos de fabricacin inadecuados.
Para que las herramientas, los calibres y el equipo de pruebas conserven la
precisin que les es inherente, deben ser manejados y almacenados de forma
que se ponga en peligro sus caractersticas dimensionales o funcionales. Los
procedimientos correspondientes tendrn que exigir que: 1) se manejen las
herramientas y los calibres de modo adecuado cuando van y vienen de su zona
de almacenaje y durante el tiempo en que se estn utilizando; 2) las herramien-
tas y los calibres no entren en contacto entre s ni con sustancias extraas; y 3)
en caso de almacenaje por tiempo indefinido, se d a herramientas y calibres un
tratamiento adecuado para prevenir su oxidacin.
11
MIL-STD-120: Gage Inspection, 12 de diciembre de 1950, pg. 76.
El laboratorio de calibre: Su equipo y funcin12

La fbrica Eastman Kodak Co. implementa los objetivos citados por medio
de control a travs de un laboratorio de calibre. Indicamos algunos de los
rasgos ms caractersticos del mismo:
La fbrica de cmaras fotogrficas tiene una oficina central de control de
calibres en la que estn catalogados ms de 100.000 y en la que se inspecciona y
acepta todo el equipo de calibre. A medida que el trabajo lo requiere, se
entregan a los operarios los calibres de trabajo con las herramientas necesarias
para la realizacin de su labor.
Como la mayora de los trabajos que se realizan en la fbrica son de corta
duracin, se permite que los operarios conserven los calibres en su poder hasta
que se termine el trabajo. (Ejemplo de control por perodo de tiempo.) A
continuacin se devuelven al laboratorio de calibres para su medicin. Para
trabajos de larga duracin, un inspector que se desplaza al efecto inspecciona
los calibres junto a las mquinas.
La fbrica piensa que el laboratorio es el corazn del programa de control
de calibres y que resulta esencial un control preciso de los mismos. Para garan-
tizarlo, se asigna un ingeniero de Control de Calidad especialista en
calibres, quien debe trabajar con el ingeniero de procesos y otras personas con
quienes revisar la disposicin de herramientas y los requisitos de los calibres.
Entonces, se solicitan conjuntamente herramientas y calibres. Tanto los nuevos
elementos que se suman al equipo de calibre como los pedidos para su sustitu-
cin se manejan de la misma forma. No se pueden pedir calibres sin que lo sepa
el ingeniero encargado. Con esta poltica se ha conseguido implantar el uso de
equipo universal, siempre que ha sido posible. La compra de calibres para un
fin concreto da lugar a que el costo inicial sea ms alto, a que suban los costos
de verificacin y aceptacin y a la prdida del tiempo necesario para fabricar-
los. Los calibres universales son, adems, muchos ms flexibles, de modo que la
economa se refleja de modo tangible en menores costos de herramientas de
nuevos modelos. Otro deber importante del ingeniero es repasar los informes
sobre rechazo de calibres y recomendar planes.
Hay muchos calibres que se proporcionan a los contratistas con objeto de
que procedan con ellos a inspeccionar los componentes que vaya a adquirir la
fbrica de cmaras fotogrficas. Un grupo especial, dentro de la seccin de
control de calibres, lleva un registro con todos los suministrados a los provee-
dores. Peridicamente los reclaman para su inspeccin.
La fbrica piensa que un departamento de Control de Herramientas debe
ser responsable de lo siguiente:
1. Custodiar y controlar las herramientas utilizadas en la inspeccin de
componentes.
2. Custodiar las herramientas estndar, lo que implica responsabilidad
sobre las existencias fsicas.
3. Ser responsable de la precisin de todos las herramientas en todo
12
Clifford A. Wallace, The Gage Laboratory, Its Equipment and Function, Industrial
Quality Control, enero de 1954, pgs. 46-50.
momento y tener autoridad para exigir la devolucin de las mismas

para su verificacin.
4. Realizar controles de precisin sobre todos los instrumentos de medi-
cin.
Hay miles de dlares invertidos en las instalaciones de Control de Herra-
mientas de la fbrica de cmaras fotogrficas. El costo de una sala idnea,
provista de aire acondicionado y con temperatura controlada, oscila entre los
30.000 y los 40.000 dlares, dependiendo del lugar en que se halle. El equipo
inicial estaba formado por un instrumento universal de medida SIP (Societ
Genervois d'Instruments de Physique) suizo, dos microscopios para fabricantes
de herramientas, un microscopio sencillo, un supermicrmetro, un comparador
ptico y equipo diverso, como una pequea placa sinusoide, varios comproba-
dores de diales, varios juegos de grupos de calibres, herramientas estndar de
medicin y las herramientas normales para medidas de precisin. Se iba adqui-
riendo equipo adicional a medida que era necesario. Parte del mismo fue
comprobador interno universal de electrolmites, una mquina estndar de
medicin de 48 pulgadas, algunos microscopios para fabricantes de herramien-
tas que se aadieron a los existentes, una cantidad relativamente grande de
supermicrmetros, una cabeza maestra ptica divisora Vinco con verificador
Cam Ries, una fuente de luz monocromtica para planos pticos, una pequea
placa redonda de superficie superprecisa, calibres de dimetro interior de
0,7500 a 6,000 pulgadas inclusive, un ndice maestro para medidas angulares
Cadillac Pla-Check, aparatos visuales de tipo comprobador, estndares cilin-
dricos, ms juegos de grupos de herramientas, comprobadores pticos adicio-
nales y analizadores del acabado superficial.
Se recomienda disponer de un controlador de los calibres por cada 200
empleados de produccin, aunque la relacin puede ser mayor si existe un buen
dispositivo para la verificacin de herramientas. Se recomienda tambin, enca-
recidamente, que se contrate un ingeniero de calidad especializado en calibres
para que supervise el sistema de control de calibres a fin de mantener el nivel de
precisin de dicho equipo. La fbrica de cmaras fotogrficas da testimonio del
valor del programa de control de calibres al referirse a su rpida amortizacin y
beneficios que proporciona, as como a las economas logradas por medio de la
estandarizacin que se aproximan a los 800.000 dlares en calibres.
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.
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
Mtodos y normas de garanta

de calidad
Una hoja de instrucciones de garanta de calidad es absolutamente impres-

cindible para lograr una adecuada garanta de calidad. De no disponer de ella,
ningn inspector sabr con certeza si debe realizar una inspeccin, qu inspec-
cionar, dnde realizarla, las herramientas que debe utilizar para llevarla a cabo,
las normas de calidad, cualitativas y cuantitativas a que debe atenerse en
cuanto a elemento inspeccionado o cuntas unidades debe inspeccionar.
El autor ha odo con frecuencia que privar al inspector del derecho a decidir
equivale a convertirle en poco ms que otra mquina. Es una reaccin com-
prensible, pero que debe ser superada mediante una buena organizacin y
mejores principios de planificacin. El ingeniero de calidad es el especialista en
planificacin de garanta de calidad, en tanto que el inspector lo es en medida de
calidad.
Esto exige, por consiguiente, que el contrato, la orden de compra o la orden
de produccin pasen por Ingeniera de Calidad antes de cumplimentarlo, a fin
de que all se desarrollo o especifique una instruccin de garanta de calidad
particular del elemento a producir.
Partiendo de ese punto, se puede exponer la creacin de la hoja de instruc-
ciones de forma ms comprensible describiendo los pasos a seguir para lograrla
y sirvindonos de un artculo sencillo para ilustrar nuestro ejemplo. Aunque el
artculo que utilizamos no requerira el tratamiento de planificacin de calidad
a que aqu lo someteremos, el ejemplo nos servir para ilustrar el procedimien-
to general a seguir, y que puede aplicarse a otros productos que exigen una
planificacin cuidadosa en lo tocante a calidad.
ANLISIS DEL VALOR DE LA CALIDAD DEL PRODUCTO

El primer paso consiste en realizar un somero anlisis de la inversin en
calidad justificable por el artculo. Este proceso se denomina anlisis del valor
351
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 16.1. Distribucin de costos de fallos en artculos por lneas de productos:

a) descomposicin tabular; b) distribucin de un histograma discreto; c) distribucin
continua de porcentaje acumulado.
garantizar la calidad de estos artculos debe ser baja. El grupo II es el grupo

intermedio que incluye artculos situados en zonas fronterizas con los otros dos
grupos. La inversin para calidad de los mismos depende de la realizada en el
grupo I, toda vez que este grupo II figura en segundo lugar en la lista de
prioridades.
Este mtodo de anlisis del valor de la calidad de un producto lleva a
considerar la importancia de los documentos utilizados en la produccin de las
lneas de productos (rdenes de compra, planos, etc.) con objeto de que las
otras funciones de produccin presten atencin a las lneas de productos de
forma proporcional.
Una vez individualizadas las lneas de productos de mayor importancia,
cada una de ellas puede dividirse en subconjuntos, y componentes, que sern
los puntos de inspeccin idneos. Puede utilizarse el mismo tipo de anlisis
dentro de una lnea de productos que hemos utilizado al hablar de lneas de
productos en general, lo que nos permitir determinar una concentracin de
fallos y disconformidades en algunas de las caractersticas de los componentes y
subconjuntos. En esta fase de la planificacin los artculos sujetos a inspeccin
deben contemplarse desde la perspectiva de su aceptacin en vez desde otra de
control. Por tanto, el ingeniero de calidad debe colocarse en la posicin del
comprador ya que, en realidad, est adoptando decisiones sobre aceptacin de
calidad para l. Siempre es mejor que el comprador especifique los requisitos de
calidad, pero si no lo hiciere, el ingeniero de calidad debe hacerlo en su nombre.
Una vez que se han establecido las exigencias sobre calidad, habr que estudiar
los tipos de mecanismos de control de calidad que son precisos para satisfacer
tales exigencias.
PROCEDIMIENTO DE CLASIFICACIN DE DEFECTOS

El paso siguiente es realizar una clasificacin de defectos o lista de demri-
tos para cada uno de los artculos sujetos a inspeccin. Para ilustrar el proce-
dimiento general que suele seguirse nos valdremos de un componente muy
sencillo.
La Figura 16.2 presenta una vista esquemtica de un artculo adquirido
habitualmente para pertrecho militares durante la segunda guerra mundial y la
guerra de Corea: el fusible M448A3. Se establecieron 18 puntos para la inspec-
cin de aceptacin de este producto de la misma forma que lo hubiera hecho
un ingeniero de calidad con otros artculos de carcter militar o comercial.
Supongamos que el cilindro enroscable es el artculo sujeto a inspeccin (el
punto de inspeccin). Crearemos una clasificacin de defectos para dicho ar-
tculo sometido a inspeccin.
Para crear y realizar una clasificacin de defectos para un artculo determi-
nado es preciso conseguir todos los documentos relacionados con el mismo,
como el contrato u orden de compra, planos, especificaciones y cualquier otro
documento que le afecte. Adems, el ingeniero de calidad deber intentar
conseguir toda la informacin posible sobre la funcin que dicho artculo debe
cumplir. A ser posible, deber disponer de dicho artculo, as como el conjunto
en que se monta, para su examen. Esto ser posible o no segn su tamao y
complejidad. Si no lo fuera, la mejor alternativa ser disponer de una maqueta

o quiz de un modelo tridimensional de dicho artculo. En resumen: el ingenie-
ro de calidad debe tratar de conseguir cuanta informacin le sea posible sobre
el artculo en cuestin y las funciones que cumple.
Antes de hablar del cilindro enroscable, hay que referirse, siquiera sea
brevemente, al conjunto completo del fusible. El conjunto es, en su totalidad,
un sistema de detonacin que puede funcionar con gran rapidez o con accin
retardada. Hay un mecanismo de ignicin en la cabeza que al chocar con el
objetivo produce una llamarada que pasa por el cilindro enroscable hasta que
el cuerpo central. Si est preparado para accin superrpida, el fogonazo vuelve
directamente al detonador auxiliar y provoca la detonacin inmediata de la
granada unida al cilindro. Esta es la accin superrpida. Si el dispositivo est
montado para accin retardada, la llamarada procedente de la cabeza, como
consecuencia del impacto, no inflama el detonador auxiliar, ya que un mecanis-
mo de rotacin excntrica cierra el canal de comunicacin con el cuerpo
central. Existe otro mecanismo de ignicin en dicho cuerpo que acta en el
momento de producirse el impacto de la granada sobre el objetivo. Sin embar-
go, la llamarada se dirige a una porcin de plvora cuya ignicin retrasa la
Figura 16.2. Vista esquemtica del

fusible M48A3.
detonacin hasta que la granada ha penetrado en el objetivo. Esta es la accin

retardada. Resumiendo: las funciones del cilindro enroscable son devolver la
llamarada al cuerpo principal cuando el dispositivo est en posicin superrpi-
da y unir la cabeza y el cuerpo del fusible.
Esta informacin, el dibujo del cilindro enroscable y la forma en que va
unida a las otras partes del fusible, en la vista esquemtica de la Figura 16.2 y
un esquema tcnico del cilindro enroscable bastarn para determinar las carac-
tersticas del cilindro enroscable que sern objeto de inspeccin y prueba.
El paso siguiente es hacer una lista con todas las caractersticas que sern
objeto de inspeccin y prueba. Esta es una lista completa de tales caractersti-
cas:
Dimetro mayor de la rosca.
Dimetro mnimo del paso de rosca.
Dimetro mximo del paso de rosca.
Dimetro menor de la rosca.
Rosca mnima perfecta.
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.)
Longitud del indicador.

Dimetro del indicador.
Tamao mnimo del agujero.
Tamao mximo del agujero.
Longitud total.
Acabado.
Blindaje.
Propiedades qumicas.
Propiedades mecnicas.
Rebabas.
Cuerpos extraos.
Los dos ltimos suelen incluirse en todas la municiones cuando existe
proximidad a materiales combustibles o explosivos. Las razones son evidentes.
El paso siguiente consiste en clasificar las caractersticas en grupos de
acuerdo con la gravedad de los defectos, o bien asignarlas a grupos de demri-
tos. Los grupos o categoras aplicables a este producto son los incluidos en
MIL-STD-105D, que son, con su descripcin, los siguientes:
Crticos. Un defecto crtico es aqul que el buen criterio y la experiencia
indican que puede provocar condiciones de inseguridad o peligro para quienes
usan o conservan el producto. Para otras unidades mayores, como barcos,
aviones, tanques, cualquier defecto que pueda impedir el cumplimiento de sus
funciones tcticas.
De gran importancia. Se trata de algn defecto que, sin ser crtico, puede
provocar fallos o reducir materialmente el uso del producto en la finalidad
propuesta.
De menor importancia A. No reduce materialmente las posibilidades de
utilizar el producto para su finalidad propuesta, o representa una desviacin de
los estndares establecidos que no repercute de forma significativa en la utiliza-
cin efectiva o la operacin de la unidad.
La clasificacin es lgica y necesaria. Sin ella podrn existir tantas opinio-
nes sobre lo que constituye un defecto grave como personas inspeccionen el
producto. Las descripciones anteriores de los distintos grupos proporcionan, al
menos, un marco de referencia para una visin consistente de cada defecto con
independencia de la persona que lleve a cabo la inspeccin.
Ser conveniente en beneficio de algunos lectores, dedicar unas palabras a
las caractersticas de la rosca. El dimetro mayor de la rosca es la medida en
sus vrtices superiores. El dimetro menor es el de la parte inferior de sus
estras. Cada una de estas tres dimensiones tiene un mximo y un mnimo. Para
roscas en las que lo importante es la dureza, el mnimo de estas tres dimensio-
nes es mayor para las roscas externas, y el mximo es mayor para las roscas
internas. Si no se cumple con estas dimensiones se produce un ajuste deficiente
que debilita el conjunto.
Para este artculo, las especificaciones de 0,4-24NS-2 para la rosca (0,400 de
dimetro nominal, 24 pasos de rosca por pulgada, ajuste estndar de tipo 2)
indican que la resistencia no es un factor importante. De aqu que todas sus
caractersticas se clasifiquen como de menor importancia A. El resultado es que
la nica caracterstica que concebible como clasificada de gran importancia

ser el tamao mnimo del orificio. La es que si se obstruyera el orificio por
cualquier causa, o fuera demasiado pequeo, impedira el paso de la llamarada
por el tubo, dando lugar a un fallo del producto, que no podra realizar su
funcin prevista.
Los requisitos mecnicos y qumicos especificados para este artculo tam-
bin indican que no se requiere un alto grado de resistencia en el mismo. (FS
1137 es un acero que se puede cortar sin problemas, y los requisitos mecnicos
sobre punto de deformacin, resistencia a la tencin, alargamiento y reduccin
en su extensin, son bajos). Es prctica comn aceptar certificaciones cuando
tales especificaciones no son muy estrictas.
ESPECIFICACIN DE MTODO DE INSPECCIN
El paso siguiente consiste en especificar el mtodo de inspeccin y cualquier

otra observacin pertinente para cada caracterstica que deba medirse. Para un
artculo como ste, los medios ms lgicos y econmicos de inspeccin seran
calibres fijos e inspeccin visual. (En realidad, si los costos de inspeccin se
emparejaran con los de sustitucin y reparacin, la nica inspeccin realmente
justificada sera la visual para inspeccionar posibles obstrucciones en los orifi-
cios. Las dems caractersticas se inspeccionaran de forma automtica al en-
samblarse posteriormente. Si el artculo no se puede ensamblar es mejor dese-
charlo y seleccionar otro para montarlo. No obstante, para este supuesto,
asumiremos que la inspeccin de los componentes est justificada econmica-
mente.)
La Figura 16.4 es la clasificacin completa de defectos del cilindro enrosca-
ble. Cuando se han especificado los estndares de calidad y se usan stos junto
con tablas estndar de muestreo, proporcionan la hoja de instrucciones para la
inspeccin de aceptacin del artculo. Obsrvese que en la clasificacin de
defectos se usan descripciones verbales de los mismos, en vez de esquemas con
dimensiones y tolerancias. Si se utilizaran estas ltimas, las alternativas en los
esquemas tcnicos requeriran a su vez cambios en la clasificacin de los
defectos. Utilizando descripciones verbales se minimizan tales cambios. Pueden
indicarse las dimensiones por medio de un croquis, pero slo con carcter
consultivo. Tambin hay que sealar que cada caracterstica lleva un nmero
de cdigo por razones de conveniencia a la hora de registrar e informar sobre
los datos de la inspeccin. Un mtodo de codificacin consiste en reservar los
nmeros 1 a 99 para los defectos crticos, del 100 al 199 para los de mayor
importancia y del 200 al 299 para los de menor importancia A. Se puede
utilizar cualquier otro mtodo que se considere satisfactorio.
La columna de observaciones se puede utilizar para aclarar algunos puntos
sobre los estndares de inspeccin, en especial de la inspeccin visual en la que
debe dejarse poco margen de juicio con objeto de que la zona de error sea tan
pequea como sea posible.
Artculo: cilindro, esquema nmero 73-2-268C
Figura 16.4. Clasificacin de defectos para el ejemplo del cilindro enroscable.

(Tomado de Ordnance Standard Inspection Procedure, ORD-SIP-M7-2 Fuze,
PD, M48A3, Parts, Ordnance Corps Department of the Army, noviembre de
1951.)
ESTABLECIMIENTO DE NIVELES DE CALIDAD ESTNDAR

El siguiente paso consiste en establecer niveles estndar de calidad, sea para
cada una de las caractersticas o para cada grupo de caractersticas. Para un
artculo como el que estudiamos es aconsejable un nivel estndar de calidad
para cada grupo. En el sistema de demritos, los defectos se clasifican en grupos
de demritos ponderados, pero los informes sobre calidad se basan en demri-

tos totales por unidad.
Se ha tratado de llegar a niveles de calidad mediante frmulas de costo
mnimo total, pero la mayora de los intentos no se han visto coronados por el
xito. Se puede hacer un clculo aproximado sobre si se debe o no inspeccionar
el artculo y usar otras aproximaciones econmicas para llegar a valores esti-
mados aproximados. Algunos de estos mtodos se estudian en el Captulo 17.
Debe mencionarse, adems, que, en este contexto, la mayor preocupacin
radica en la calidad de conformidad, y no en la de proyecto. El esquema
establece la calidad del proyecto deseada la clasificacin de defectos, la
conformidad deseada. La primera es la instruccin de fabricacin, la segunda
la de inspeccin de aceptacin. Un nivel estndar de calidad no significa que se
prescinda de los requisitos del esquema. Es el medio por el cual se puede
mantener el proceso de aceptacin y control prximo al mnimo econmico.
Hay varios tipos de estndares de calidad de aceptacin. Los que se usan
ms a menudo son:
AQL. Nivel de calidad aceptable, un valor nominal expresado como por-
centaje de elementos defectuosos o defectos por cada 100 unidades, cualquiera
que sea el aplicable, especificando para cierto grupo de defectos de un produc-
to. El AQL est normalmente en el intervalo 85 a 99 por 100 de los lotes que se
espera sean aceptados en la curva OC.
AOQL. El nivel medio de calidad de salida, que es resultante de las
caractersticas de aceptacin-rectificacin de un plan de muestreo de acepta-
cin.
LTPD. La tolerancia del lote en porcentaje de elementos defectuosos del
OQL (nivel de calidad objetable), estndar con cierto sabor tcnico. Es la
calidad que ser aceptada por el plan de muestreo no ms de por 100 del
tiempo. ( suele situarse en un 10 por 100.)
IQL. Nivel de calidad indiferente, de entrada asociada a un Pa de 0,50 en
la curva OC.
Estndar de demritos. Cantidad aceptable de demritos por unidad defi-
nida.
Los dos primeros son los ms populares, con mucho. El primero se usa con
ms asiduidad que el segundo. Como ya dijimos, la aplicacin del primero
desemboca en el segundo. Los estndares AQL, LTPD, IQL y el de demritos
son estndares para calidad de entrada; el AOQL es un estndar para calidad
de salida.
Para llegar al estndar de calidad se usan numerosas bases. En ocasiones
cada una de ellas ha sido utilizada como factor nico determinante y en otras
ocasiones se han empleado combinaciones de ellas. Las bases ms comunes
para establecer estndares de calidad son:
1. Datos histricos. Se analizan los datos del pasado para llegar a una
estimacin histrica de la calidad media del proceso. El estndar de
calidad se sita a un nivel igual o como una fraccin muy alta de la
media histrica.
2. Juicio emprico. El estndar se sita a un nivel que se aproxime a un
nivel probadamente satisfactorio para un producto similar.
3. Juicio tcnico. El estndar se basa en clculos tcnicos de los requisi-

tos de calidad de acuerdo con la funcin, vida til, intercambiabilidad,
montaje, seguridad, etc.
4. Experimental. Se marca un estndar tentativo y se ajusta a medida
que lo exijan los resultados de calidad obtenidos.
5. Costo mnimo total. El estndar se basa en un anlisis de los costos de
obtener calidad comparado con los costos de no obtenerla.
6. Consistente. Cada grupo tiene un estndar marcado inmutable.
Los estndares tambin se pueden fijar extrapolando la media o la tenden-
cia histricas. Cuando no se dispone de un estndar, los resultados suelen ser
un 25 por 100 peores que los que se pueden lograr de forma ptima operando
en las mismas condiciones. Por tanto, es preferible fijar el estndar de calidad
en un 80 por 100 de la media histrica ajustada. Primero debe ajustarse la
media histrica para tratar de hallar condiciones fuera de control que se
puedan eliminar.
El juicio emprico es uno de los mtodos preferidos para fijar un estndar de
calidad. Pocas cosas pueden reemplazar a una experiencia totalmente satisfac-
toria. Se usa con cierta frecuencia el estndar basado en el juicio tcnico pero,
como ocurre en todos estos juicios, suele incorporar un factor apreciable de
seguridad del consumidor. El peligro de usar este mtodo est en especificar un
estndar demasiado estricto y que no sea el ptimo desde el punto de vista
econmico. Claro que hay veces en que el costo no es un problema. De ser as,
el indicado debe ser el estndar para la calidad de salida, toda vez que el
consumidor est dispuesto a pagar cualquier precio con tal de alcanzar el
estndar.
El estndar experimental se usa normalmente para artculos cuyos datos
histricos se desea acumular para as poder fijar un estndar justo. Lgica-
mente, un estndar experimental debe calificarse de tentativo, ya que se espera
que ser ajustado. El costo mnimo total se expone en el Captulo 17.
Una vez fijado el estndar de calidad se puede determinar el del proceso. El
estndar de calidad del proceso se puede establecer en un valor que garantice
que la gran mayora de los lotes sern aceptados cuando sean inspeccionados
de acuerdo con el estndar de calidad de aceptacin. Esto se puede establecer
mediante una referencia a la curva OC del plan de muestreo de aceptacin.
Tambin aqu se pueden obtener algunas aproximaciones econmicas acerca de
la proporcin del muestreo y de la inspeccin 100 por 100.
Los estndares AQL fueron aplicados a cada grupo de defectos del cilindro
de rosca, como puede verse en la Figura 16.4. Se fij un AQL de 0,10 por 100,
muy bajo, para el defecto de gran importancia, probablemente porque se
deseaba que las funciones se cumplieran en la forma prevista.
El AQL de 1,5 por 100 comparativamente bajo, establecido para el grupo
de defectos de menor importancia A, refleja probablemente la aplicacin de las
prcticas corrientes en la Intendencia del Ejrcito, esto es, el AQL de menor
categora pasa a ser una funcin mltiple del AQL mayor, teniendo en cuenta
la cantidad de caractersticas existentes dentro del grupo.
Figura 16.5. Mtodo de clasificacin de dimensiones. (Tomado de Statistical

Quality Control Will Work on Short Run Jobs, Industrial Quality Control, sep-
tiembre de 1956, pg. 11. Reproducido con autorizacin.)
Inclusin de los estndares de calidad en los diseos tcnicos
La Figura 16.5 sirve para ilustrar una aplicacin muy interesante de la

clasificacin de defectos y fijacin de estndares. Aqu, en lugar de proporcio-
nar una hoja separada de instrucciones, tanto la clasificacin de los defectos
como los estndares de calidad se colocan en el diseo. Los que lo usan han
expresado su satisfaccin con este mtodo, aunque parece que existen tres
objecciones hacia l. La primera es que podra existir una tendencia a conside-
rar AQL como una renuncia a los requisitos expresados en el esquema, contra-
riamente a la realidad. En segundo lugar, cualquier cambio en una de las
caractersticas o en cualquiera de los AQL podra significar un cambio en el
esquema. Y, tercero, la inspeccin ha de centrarse en elementos defectuosos o
en defectos? No hay indicaciones al respecto.
Clasificacin de defectos de conjuntos complejos
International Business Machines, Inc., informa acerca de una interesante

aplicacin de la clasificacin de defectos a elementos complejos para determi-
nar con precisin la necesidad de iniciar acciones correctoras. La Figura 16.6 es
un ejemplo de una de sus listas de cdigos de problemas. La lista se pasa a
tarjetas perforadoras como muestra la Figura 16.7. Se destaca que
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
Figura 16.6. Lista de cdigos de pro-

blemas. (Tomado de Paul A. Robert y
Michael L. Bugonian: Quality Con-
trol of Complex Assemblies, Indus-
trial Quality Control, noviembre de
1956. Reproducido con autorizacin.)
2
Paul A. Robert y Michael C. Bugonian: Quality Control of Complex Assemblies, Indus-
trial Quality Control, noviembre de 1956, pg. 9.
IBM utilizaba el sistema de demritos con 13 a 17 demritos para los

defectos mayores, 4 a 7 para los menores A y 1 a 2 para los menores B. A causa
de sus especiales necesidades definieron los grupos de la forma siguiente:
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.
Figura 16.8. Informe de anlisis de calidad. (Tomado de Paul A. Robert y Michael

L. Bugonian: Quality Control of Complex Assemblies, Industrial Quality Control,
noviembre de 1956. Publicado con autorizacin.)
CLASIFICACIN DE DEMRITOS 3
Para muchos de los productos fabricados dentro de Bell Telephone System

se utiliza otra gua de clasificacin de defectos, usando el sistema de demritos
para elementos complejos. Los defectos se clasifican en cuatro grupos con
valores adecuados para cada grupo. Los grupos, con sus definiciones son:
Grupo A. Muy graves (valor del demrito = 100):
1. Existe la casi absoluta seguridad de que causarn un fallo operativo de
la unidad en servicio que no se podr corregir de inmediato sobre el
terreno; por ejemplo: devanado abierto de la bobina.
2. Provocar un problema operativo intermitente, difcil de localizar sobre
el terreno. Por ejemplo: una conexin suelta.
3. Har que la unidad quede fuera de servicio. Por ejemplo: el dial del
telfono no vuelve a su posicin normal despus de marcar un nmero.
4. Producir heridas, o daos a la propiedad, en condiciones normales de
uso. Por ejemplo: presenta bordes afilados en su exterior.
Grupo B. Graves (valor del demrito = 50)
1. Provocar, probablemente, un fallo operativo de la unidad en servicio que
no se podr corregir de inmediato sobre el terreno. Por ejemplo: falta
del acabado protector en el enchufe coaxial.
2. Provocar un fallo operativo de la unidad en servicio que no se podr
corregir de inmediato sobre el terreno. Por ejemplo: el rel no hace
contacto.
3. Provocar un problema de carcter menos grave que un fallo operativo,
como funcionamiento por debajo de lo normal. Por ejemplo: el bloque
protector no trabaja a la tensin especificada.
4. Originar la necesidad de mayor mantenimiento o har que disminuya
su vida til. Por ejemplo: falta el disco nico de contacto.
5. Dar lugar a un mayor esfuerzo en la instalacin por el cliente. Por
ejemplo: los agujeros para montaje van en sentido contrario.
6. Defectos de apariencia o acabado muy visibles. Por ejemplo: las piezas
no encajan, lo que exige volver a realizar el acabado.
Grupo C. Moderadamente graves (valor del demrito = 10)
1. Es posible que provoquen un fallo operativo en la unidad de servicio.
Por ejemplo: el contacto est por debajo del mnimo.
2. Es probable que cause problemas de carcter menos grave que un fallo
operativo, como funcionamiento por debajo de lo normal. Por ejemplo:
el timbre no opera dentro de los lmites especificados.
3
H. F. Dodge y M. N. Torrey: A Check Inspection and Demerit Rating Plan, Industrial
Quality Control, julio de 1956, pg. 8.
3. Es probable que d lugar a un aumento del mantenimiento o a una vida

til menor. Por ejemplo: contacto sucio.
4. Provocar un incremento de menor importancia cuando el cliente reali-
ce la instalacin. Por ejemplo: deformacin en la horquilla donde se
cuelga el telfono.
5. Defectos mayores de aspecto, acabado a mano de obra. Por ejemplo:
acabado claramente rayado, designacin omitida o ilegible.
Grupo D. No graves (valor del demrito = 1)
1. No afectarn a la operacin, mantenimiento o vida de la unidad en
servicio (incluyendo desviaciones menores de los requisitos tcnicos).
Por ejemplo: manguito demasiado corto.
2. Defectos menores en cuanto al aspecto, acabado o mano de obra. Por
ejemplo: acabado ligeramente rayado.
ILUSTRACIN DE LA CLASIFICACIN DE DEMRITOS4
Este es un ejemplo de cmo se establecen las definiciones de un grupo al

asignar demritos a defectos de un artculo de mobiliario del hogar: una vitrina
para la porcelana. Los defectos pueden clasificarse del modo siguiente:
Crticos: Son aquellos capaces de causar heridas al usuario (cristal roto) o
daos a la porcelana (rotura en las estanteras). En este caso, lo ms probable es
que el cliente no compre el producto. 50 demritos para cada uno.
Mayores: Los que acortarn la vida de la vitrina (calidad inferior de made-
ra) o exigirn demasiados servicios (uniones sueltas). En este caso, el cliente
comprar el producto, pero no estar satisfecho con l. 20 demritos para
cada uno.
Menores A: Hacen al producto menos deseable (mal acabado). 5 demritos
para cada uno.
Menores B: No producen heridas ni daos al producto ni acortan su vida.
La cantidad aceptable de demritos por vitrina se fija en 20 demritos.
Tras considerar los factores antes mencionados, hay que tener en cuenta
otros dos adicionales para moderar los resultados:
1. Costo de inspeccin. Si el costo de inspeccin es elevado, el plan ser
suavizado; si es bajo, ser ms riguroso.
2. Precisin de la inspeccin. Si hay problemas de precisin continua,
habr que hacer que el plan sea ms riguroso para permitirla.
Cada dimensin se clasifica de acuerdo con los factores antes mencionados
y se hace una lista de ellas en orden de importancia. Las clasificaciones se
modifican para no tener ms de tres o cuatro planes para un determinado
componente. Los planes se someten a revisin peridica.
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.
NIVELES EXPERIMENTALES DE CALIDAD ESTNDAR5

Cuando se carece de un historial de calidad sobre un producto determinado
o sobre otro similar y resulta imposible llegar a un juicio tcnico satisfactorio,
vale la pena considerar el mtodo de fijar niveles experimentales de calidad
estndar basados en el nmero de caractersticas de inspeccin. Puede asignarse
a cada caracterstica de inspeccin un valor nominal de porcentaje de elemen-
tos defectuosos o defectos por cada 100 unidades y el nivel de calidad estndar
de cada grupo puede basarse en el nmero de caractersticas de inspeccin que
haya en l. Hablando en trminos generales, cuantas ms caractersticas haya,
mayores sern las probabilidades de error y ms se producirn. Sin embargo,
debido a la concentracin de deficiencias segn la ley de Pareto, el nivel de
calidad estndar para el grupo no tiene, necesariamente, por qu ser la suma de
los valores nominales de cada caracterstica, sino una fraccin de dicha suma.
Por ejemplo, se podra asignar un valor nominal de 0,10 por 100 a cada
caracterstica principal. Para un grupo principal de diez caractersticas de
inspeccin, el AQL podra ser 0,65 por 100. Tal vez resultara conveniente fijar
un lmite de irregularidad para cada defecto en un plan de este tipo.
En la Tabla 6.1 aparece un ejemplo de este tipo de asignacin de AQL
experimental para repuestos de automviles.
TABLA 16.1. Gua para la asignacin de AQL

AQL Clasificacin Nmero de caractersticas
0 Crtico Cualquier nmero

1,0 % Mayor 1-5
2,5 % Mayor 6-10
4,0 % Mayor 11-15
6,5 % Mayor 16-20
10,0 defectos/100 unidades Mayor Ms de 20
2,5 % Menor 1-5
4,0 % Menor 6-10
6,5 % Menor 11-15
10,0 defectos/100 Menor 16-20
15,0 defectos/100 Menor Ms de 20
6,5 % Incidental 1-5
10,0 defectos/100 Incidental 6-10
65,0 defectos/100 Incidental Ms de 20
5
Automative Key Inspector Memorandum, 5-54: Preparation of Tank Automotive Inspec-
tion Plans, Ordnance Corps, Detroit Arsenal, 6 de mayo de 1954.
Las clasificaciones de defectos se establecieron de acuerdo con MIL-STD-

105D, con un grupo adicional de defectos incidentales para la mano de obra, y
de otros que no producen efectos sobre el funcionamiento, montaje, inter-
cambiabilidad, reparacin o vida til de la unidad de producto.
Se asignaron cdigos a las caractersticas de cada categora con las letras A
a M para defectos crticos, 100 a 199 para defectos menores A, y 200 a 299 para
defectos menores B. Cuando no se haban prescrito AQL para un grupo, la
Tabla 16.1 serva de gua temporal para la asignacin de AQL.
17
Calidad, productividad y economa
Los economistas definen la productividad como la relacin entre las sali-

das de un proceso de produccin con los insumos dedicados a tal proceso:
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
empresas norteamericanas han decidido centrarse en dos puntos: primero,

aprender y adoptar las innovaciones ms significativas sobre direccin que
utilizan los japoneses; segundo, mejorar la postura tradicional norteamericana
sobre direccin de empresas y concentrar los esfuerzos en los objetivos gemelos
de aumento de productividad y mejora de calidad.
Por limitaciones de espacio, no podemos describir dichos puntos con mayor
detalle. No obstante, este captulo y el siguiente estn dedicados a un par de
innovaciones japonesas: crculos de control de calidad y el sistema de inventa-
rio de existencias por ficha de reposicin (KANBAN), y dos sistemas tradicio-
nales de Estados Unidos: control presupuestario y optimizacin econmica.
CONTROL PRESUPUESTARIO DE COSTOS DE CALIDAD

Un mtodo comn de control presupuestario es medir el costo de calidad
como proporcin de la mano de obra directa. Su validez depende de la frecuen-
cia con que se actualicen los estndares. Una relacin de un inspector por cada
diez trabajadores de produccin, que era la indicada hace treinta aos, podra
ser errnea en la actualidad. La mano de obra directa, como fraccin del costo
unitario del producto, va decreciendo notablemente como consecuencia de la
automacin y la utilizacin de mtodos mejorados. Y, adems, el costo de
inspeccin slo es uno ms de los muchos que forman el costo de calidad.
En un artculo muy sugerente y atractivo, W. J. Maser, de General Electric
Company, habla de la forma en que su empresa maneja el problema de presu-
puestos y medidas de los costos de calidad1. General Electric utiliza tres bases
de comparacin para medir los costos de calidad: valor aportado, ventas netas
facturadas y mano de obra utilizada en las operaciones necesarias. La primera
base se calcula sustrayendo el costo de los materiales adquiridos del exterior,
as como de los servicios de igual procedencia, de las ventas netas facturadas.
Por tanto, representa el valor con que contribuyen los departamentos de
Proyecto, Produccin y Ventas que se ocupan del producto. La segunda base
representa la facturacin total por productos vendidos durante determinado
perodo de tiempo; la tercera base representa los actuales insumos dinerarios
para todas las operaciones que requieren mano de obra.
Tal como General Electric considera los costos de calidad, los clasifica en
tres grupos distintos. Acompaamos la descripcin de cada uno de ellos, sus
elementos del costo, as como los resultados, en porcentajes, para cada uno de
dichos grupos a lo largo de dos trimestres.
Costos de prevencin: Costos incurridos para tratar de evitar mala calidad
(Tabla 17.1).
Costos de estimacin: Los incurridos al medir las caractersticas de calidad
para garantizar conformidad a las normas de calidad (Tabla 17.2).
Costos de fallos: Los que surgen como consecuencia de que ciertos produc-
tos defectuosos no satisfacen las normas de calidad establecidas (Tabla 17.3).
1
W. J. Masser, The Quality Manager and Quality Coste, Industrial Quality Control,
octubre de 1957, pgs. 5-8.
CALIDAD, PRODUCTIVIDAD Y ECONOMA 373
TABLA 17.1. Costos de prevencin
Primer trimestre Segundo trimestre

Descripcin del elemento del costo
(%) (%)
1. Ingeniera y administracin de control de cali-
dad. 2,0 2,0
2. Pruebas, inspecciones y control de procesos: re-
daccin de procedimientos de operacin y nor-
mas. 1,0 1,0
3. Equipo para garanta de calidad: diseo y desa-
rrollo. 0,5 0,5
4. Capacitacin en calidad. 0,0 0,0
5. Mantenimiento de moldes, herramientas y ma-
trices: duraderas. 3,7 2,4
6. Mantenimiento de herramientas perecederas:
herramientas de corte, etc. 0,5 0,5
Total de prevencin 7,7 6,4
TABLA 17.2. Costos de estimacin

(%) (%)
1. Pruebas e inspeccin a la recepcin. 1,0 1,0
2. Pruebas de aceptacin en laboratorio. 0,5 0,5
3. Servicios de laboratorio u otros servicios de
medida. 1,0 1,0
4. Inspeccin. 10,0 13,0
5. Pruebas. 2,0 1,5
6. Trabajo de comprobacin. 2,0 1,5
7. Preparacin para pruebas de materiales. 4,3 1,4
8. Pruebas e inspeccin de materiales. 0,5 0,6
9. Auditora de calidad. 1,0 1,0
10. Aprobacin exterior. 0,5 0,5
11. Mantenimiento y calibrado del equipo de
pruebas e inspeccin. 1,0 1,0
Total de estimacin 23,8 23,0
Un somero examen de los veinticuatro elementos que componen el costo

sirve para revelar que la mayor cantidad de los costos de calidad puede
atribuirse a tan slo unos cuantos de dichos elementos: repeticin de trabajos,
desechos, inspecciones, quejas y desechos recibidos del proveedor. Resulta sig-
nificativo el que todos ellos son costos de estimacin o de fallos, lo que nos
permite concluir que los costos ms importantes surgen en las acciones correc-
toras y no en las preventivas.
TABLA 17.3. Costos de fallos

(%) (%)
1. Chatarra. 14,0 14,9
2. Repeticin del trabajo. 28,0 29,0
3. Chatarra y repeticin del trabajo: culpa del pro-
veedor. 7,0 7,1
4. Adquisicin de materiales: quejas formales a
proveedores, informes de inspeccin, etc. 4,0 4,0
5. Contrato de ingeniera de la fbrica: ingenieros
de diseo o de produccin para solucionar pro-
blemas de calidad. 4,5 4,5
6. Quejas: costos de ajustes. 8,5 8,6
7. Servicio al producto: pruebas especiales o para
corregir imperfecciones. 2,5 2,5
Total de fallos 68,5 70,6
TABLA 17.4. Comparacin de costos

Relacin del costo de calidad con:
(%) (%)
Valor aportado. 10,2 10,7
Ventas netas facturadas. 7,8 8,2
Mano de obra en la operacin. 105,0 106,0
Despus de haber reunido la informacin correspondiente a varios trimes-

tres, se est en disposicin de fijar objetivos a corto y largo plazo para cada uno
de los grupos y para cada uno de los elementos. La varianza respecto a las
normas y estndares establecidos para cada uno puede, en consecuencia, medir-
se y evaluarse. Entonces, se comparan los tres grupos con las bases de compa-
racin previamente establecidas (Tabla 17.4). Se utilizan tres bases porque
puede ocurrir que ciertos acontecimientos acaecidos a corto plazo alteren una o
quiz dos de dichas bases, pero muy raramente llegarn a afectar a las tres.
En esta comparacin es interesante observar que el costo de calidad es
cinco puntos superior, en porcentaje, al costo de mano de obra de la operacin.
Esto sirve para demostrar la tendencia a que antes aludamos sobre la mano de
obra directa como costo. An as, es probable que esta operacin concreta de
General Electric produzca artculos sumamente complejos.
Al aislar e individualizar los costos podemos llegar ms lejos descompo-
niendo los grupos de costos segn las lneas de productos. Por ejemplo, pode-
mos considerar dos lneas de productos, A y B, y la distribucin de costos de
calidad en cada una de ellas (Tabla 17.5).
De esta forma, podemos comparar varas lneas de productos para determi-
nar en dnde pueden lograrse los mayores beneficios con el dinero invertido en
TABLA 17.5. Distribucin de costos de calidad
A, B,
(%) (%)
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
prevencin. A la lnea B se le dedica ms dinero para prevencin y estimacin y

muestra un costo menor por fallos. Tambin muestra una menor proporcin de
cada una de las bases de medida. Si tales artculos pudieran considerarse como
de igual costo y complejidad, resultara evidente que la mayor inversin en
costos de prevencin para la lnea B est resultando fructfera.
El departamento de Control de Calidad de Beech Aircraft Corporation usa
una relacin de costos de control de calidad con mano de obra directa para
algunos objetivos interesantes y tiles2. Predicen los costos de control de
calidad para proyectos que siguen vigentes y para otros nuevos analizando la
relacin de control de calidad con mano de obra directa en factores tales como
combinacin del trabajo, fase de produccin, flujo del producto, tasa y elimina-
cin de la produccin. Han hallado que es necesario emplear diferentes relacio-
nes para distintos contratistas aunque su trabajo sea parecido. Tambin hay un
modelo de curva ilustrativa de los costos de calidad del producto nuevo por
medio de la fase del producto regular. En un ejemplo que citan, la relacin para
proyectos nuevos era 21 por 100 en tanto que para produccin con varios aos
de duracin era de slo 9 por 100.
Con respecto a si deba llevarse a cabo la inspeccin durante el proceso o
sobre el producto terminado, se mencion que
la mayora del personal de fabricacin preferir, al principio, que la inspec-

cin les libere del trabajo, operacin o instalacin tan pronto como lo
terminen y los firme el departamento de fabricacin. Esto se puede hacer,
pero desde el punto de vista del costo de inspeccin no es la forma ms
econmica. Se puede utilizar con ms eficacia al personal de inspeccin
estableciendo puntos que permitan al inspector verificar un grupo de ele-
2
Paul E. Alien: Evaluating Inspection Costs, 1959, Convention Transactions, American
Society for Quality Control, pgs. 586 a 590.
mentos, un sistema completo o una instalacin completa cada vez. Claro

est que la aprobacin artculo por artculo tendra la ventaja de que se
detectaran antes los problemas, se podra avisar inmediatamente al opera-
rio que hizo el trabajo antes de que repitiese el error, etc.. Algunos
estudios revelan que en la mayora de los casos, los beneficios aparentes
son absorbidos con creces por el resultado, indeseable, de hacer que fabri-
cacin dependa de la inspeccin para funciones que, en realidad, forman
parte del deber de supervisin del departamento de fabricacin3.
Se seal que la inspeccin durante el proceso no inclua la verificacin de

herramientas ni de la calidad fijada, ni la realizacin de grficos de control de
calidad estadstico.
CONTROL DE COSTOS DE CALIDAD DE TIPO TCNICO

Beech Aircraft tambin utiliza un interesante control de costos de carcter
tcnico que reduce el de la calidad. Un cuidadoso anlisis de la inspeccin que
se vena realizando mostr que se dedicaba una parte importante del tiempo de
inspeccin a verificar dimensiones tcnicas y requisitos que no eran crticos y
que slo figuraban para ayudar en el diseo de plantillas y herramientas, pero
que no contribuan en absoluto a la calidad, eficiencia en el servicio, inter-
cambiabilidad, o Habilidad del producto final. En consecuencia, negociaron con
el departamento de Ingeniera empezar a clasificar todas las caractersticas de
diseo en grupos: crticas, mayores, menores A y menores B. Esto no era lo
mismo que clasificar defectos. Aqu se trataba de que el ingeniero cambiara la
tolerancia tcnica si se trataba de una dimensin no importante. Los resultados
fueron sorprendentes. En un grupo de componentes fabricados a mquina se
hall que el 43 por 100 de las dimensiones no tenan importancia o eran
superfluas mientras la mquina hiciera un montaje satisfactorio. En otro caso
relativo a planchas metlicas, se poda prescindir del 62 por 100 de las dimen-
siones si el montaje era satisfactorio. Las economas en mano de obra asignada
a control de calidad alcanzaron, en el caso de una de las partes fabricadas a
mquina, un 44 por 100. Tambin se economiz en el tiempo del departamento
de Ingeniera. Otras economas marginales fueron: menos necesidad de repetir
un mismo trabajo, menores reparaciones de herramientas, ahorros en herra-
mientas menos precisas y menos rechazos para procesar de nuevo. La Tabla
17.6 descompone las caractersticas tcnicas en grupos.
OPTIMACION ECONMICA DEL CONTROL DE CALIDAD

Los defectos de un elemento rara vez se distribuyen de forma uniforme. Es
ms probable que se distribuyan mal y se aproximen a la curva Lorenz de la ley
de Pareto. Los elementos que provoquen problemas seguirn, tambin, dicha
3
Paul E. Alien, artculo citado.
TABLA 17.6 Clasificacin tcnica de caractersticas
Crticas: Las caractersticas No hay cambios en la tole- Inspeccin normal.

que, de rebasarse sus lmi- rancia.
tes, afectan a la seguridad
de modo vital.
Mayores: Aqullas que, sin No hay cambios en la tole- Inspeccin normal.
ser crticas, un exceso en rancia.
sus lmites resulta impor-
tante para la funcin,
intercambiabilidad, utili-
dad, vida til, apariencia,
etc., del producto final.
Menores A: Aquellas carac- Se cambia la tolerancia de Inspeccin normal usando
tersticas, distintas de las acuerdo con una cantidad la tolerancia aumentada.
crticas y las mayores, cu- especificada en el diseo.
yas tolerancias estndar Ejemplo: 2 significa tole-
se pueden superar en una rancia doblada tanto por
cantidad especificada arriba como por debajo
mientras los componentes del nominal en tanto que
se integren dentro de un el componente se integre
montaje satisfactorio. dentro de un montaje sa-
tisfactorio.
Menores B: Aqullas, distin- Caracterstica especificada La caracterstica no se ins-
tas de las crticas, mayo- como menor B: se puede pecciona.
res y menores A, que slo prescindir de la tolerancia
requieren una adherencia de dimensin mientras la
general a las especifica- parte se integre de modo
ciones para producir un satisfactorio en el mon-
producto final satisfacto- taje.
rio.
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.
ELECCIN ECONMICA DE UN PLAN DE MUESTREO

En un muestreo de aceptacin la cuestin de qu AQL se usar suele ser un
problema. Puede usarse un mtodo prctico consistente en que el nivel estn-
dar de calidad (AQL) para la aceptacin de un producto se fija en un 20 por

100 por debajo de la media histrica de calidad no sujeta a control. Por
ejemplo: supongamos que se desea fijar un AQL para un producto cuya calidad
nunca ha sido controlada. La calidad media histrica durante un perodo de
tiempo especificado fue del 3 por 100. Usando la regla del 20 por 100, esto
querra decir que se especificara un AQL de 2,5 por 100. Pero, es ste el
estndar econmico de calidad? Esto es, rechaza cuando rechazar es ms
barato y acepta cuando es ms barato aceptar?
Enell ha sugerido un mtodo para seleccionar un plan de muestreo4. Cuan-
do se rechazan lotes, hay un costo de rechazo compuesto por el costo total de
reparaciones, sustitucin y tiempo. Los lotes aceptados segn un plan de
muestreo contendrn, con toda probabilidad, unidades defectuosas. Estas uni-
dades defectuosas generarn costos extraordinarios (mano de obra, materiales,
gastos generales) al permitrseles llegar a la lnea de produccin o ponerlas en
servicio. Adems, est el costo de inspeccin. El ejemplo que usa Enell se refiere
a piezas perforadas de pelcula de mica utilizadas en ciertos condensadores. Los
huecos para las clavijas y las inclusiones conductoras producen un cortocircui-
to en la unidad acabada y, por tanto, se consideran defectos crticos. En este
caso se pierde el costo total de fabricacin. El componente est moldeado en
plstico y resulta imposible salvar parte alguna de la unidad. Se fijaron los
costos y se formularon las definiciones que siguen:
A = Costo unitario de aceptacin (dao producido cuando una pieza
defectuosa pasa a las siguientes operaciones de produccin) = 10,5
centavos.
I = Costo de inspeccin de una pieza (buena o mala) = 0,1 centavos.
C = Costo de reparacin o sustitucin de un componente defectuoso una
vez hallado = 0,5 centavos.
p = (Desconocida) fraccin defectuosa del lote.
R = Costo de rechazo por unidad (costo de hallar un elemento defectuoso
en un lotre rechazado, ms gastos de corregirlo = C + I/p.
La Figura 17.1 ilustra de forma grfica tales relaciones. La lnea horizontal
de 10,5 centavos es la curva de costo unitario de aceptacin y representa la
prdida sufrida siempre que se usa una pieza defectuosa de mica, que hace que
se descarte un condensador. El costo por unidad es independiente de la canti-
dad producida. La lnea curva representa el costo de hallar y reemplazar una
pelcula defectuosa de mica como consecuencia de un proceso de seleccin, una
vez que el plan de muestreo ha rechazado el lote. Esta curva se construye
totalizando los costos para valores dados del porcentaje de elementos defectuo-
sos. Por ejemplo, si se da el caso de que el lote es un 2 por 100 defectuoso, el
costo total de hallar y reemplazar la pelcula defectuosa es
I 0,1 centavos
C 0,5 centavos 5,5 centavos
p 0,02
4
John W. Enell: Which Sampling Plan Should I Choose?, Industrial Quality Control, vol.
10, nm. 6, mayo de 1954, pg. 96.
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).
Los valores de C + I/p se calculan para otros p y resulta la curva de costo

unitario de rechazo.
Las dos lneas se cruzan donde
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.
probabilidad de aceptacin), se escoge la curva que tenga este punto ms

prximo al valor 0,01 por 100 de pb. La curva marcada 0,15 por 100 es la que
mejor cumple con esta condicin. Por tanto, ste es el plan que debe adoptarse.
No es necesario preparar una curva para cada caso. Pueden calcularse
varias relaciones de I con (A C), los AQL asociados a las mismas y realizar
una tabulacin para gozar de una mayor facilidad de seleccin. La Tabla 17.7
muestra esta tabulacin de AQL para varias relaciones de costo unitario de
inspeccin con costo unitario de dao.
Figura 17.2. Curva caracterstica operativa para planes de muestreo nico, letra-
cdigo N. (Tomado de MIL-STD-105.)
Tambin es importante la cuestin de cundo no inspeccionar. Si el plan de

muestreo toma normalmente la decisin de aceptar, resulta ms econmico
decidirse por un muestreo de verificacin.
El factor decisivo a la hora de decidir sobre el uso de muestreo en tales
casos no es tanto el porcentaje medio de elementos defectuosos como su
variabilidad lote por lote.
Si la calidad es significativamente mejor que la del punto de equilibrio y al
mismo tiempo es estable, puede que no se necesite llevar a cabo una inspeccin
lote por lote. Si es significativamente peor que el punto de equilibrio y lo es
consistentemente, ser ms barato realizar inspeccin al 100 por 100 sin pararse
TABLA 17.7. AQL sugeridos

para varias relaciones de costos
unitarios de inspeccin
Para pb de: Use AQL de*:
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
* El AQL ms pequeo (ms riguroso) de-

be usarse cuando los tamaos normales de los
lotes estn por debajo de 1.000.
Fuente: John W. Enell, Which Sampling
Plan Should I Choose?, Industrial Quality
Control, vol. 10 (mayo de 1954).
a hacer muestreos. Si la calidad es errtica, el muestreo se pagar por s

mismo 6.
SIMPLE ILUSTRACIN DE LA TEORA DE LOS JUEGOS

APLICADA A UN PROBLEMA DE INSPECCIN
La Tabla 17.8 es la forma ms simple de un juego con dos oponentes: la

Naturaleza (o el proceso de produccin) y el inspector. El objetivo es hallar la
mejor estrategia para que ste la use, es decir, un diseo de probabilidad para
adoptar decisiones.
El diseo de la tcnica general se atribuye al matemtico John von Neu-
mann a finales de la dcada de 19207. Esta est sujeta a cierta controversia
acadmica pero no tiene aplicacin prctica ms que en contadas ocasiones. El
principio dominante es que si el jugador juega de acuerdo con las probabilida-
.des que da la matriz de beneficios, minimizar sus prdidas mximas. A esto se
lo conoce como principio minimax.
Los valores que se recogen en la matriz de la Tabla 17.8 son arbitrarios y
buscados para ilustrar. Se basan en un costo unitario de inspeccin de 1,00
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.
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.
TABLA 17.8. Matriz de costos: Adopcin de decisiones

por el inspector. Produccin
(1) (2)
Unidad buena Unidad defectuosa
Inspeccionar 1,00$ +4,00$

No inspeccionar 0,00 $ 5,00 $
TABLA 17.9. Matriz de costos. Aplicacin de valores de probabilidad. Produccin
(1) (2) Prescindir

Unidad buena Unidad defectuosa (1) (2) del signo
y transponer
Inspeccionar 0,98$ +0,08$ 1,06$ 0,10$

No inspeccionar 0,00$ 0,10$ +0,10$ 1,06$
El otro jugador es el proceso de produccin. Pero no se aplican los mismos

valores, esto es, el productor no gana el dlar que el inspector pierde en caso de
inspeccionar la unidad buena. La matriz de la Tabla 17.10 se obtiene rotando la
matriz de forma que el productor sea ahora quien decida y tomando valores
realistas del costo de inspeccionar una unidad as como del reprocesarla. En
nuestro ejemplo, los costos se basan en la presentacin de lotes de 2.000
unidades por da al departamento de Inspeccin de Aceptacin. Se utiliza MIL-
STD-105 para el muestreo de inspeccin y se toman muestras de 150 unidades
de cada lote. Se usa un AQL de 1,0 por 100. Si un lote es rechazado, el
departamento de Produccin debe revisarlo para hallar los defectos que provo-
caron su rechazo y reparar todas las unidades rechazables. Igualmente, deben
repararse las unidades defectuosas que aparezcan en las muestras. El costo
unitario de supervisin asciende a 10 centavos y el costo unitario de reparacin
es de 1,00 dlar.
Los valores de los ngulos superiores izquierdos de cada bloque de la
matriz de la Tabla 17.10 representan las probabilidades de aceptacin y recha-
zo de lotes defectuosos en un 1 por 100 y en un 4 por 100. Asumimos aqu, para
mayor claridad, que a quien debe decidir le preocupa la proporcin de
elementos defectuosos que figuren en cada lote que ha de presentar a inspec-
cin. No tendremos en cuenta aqu la moralidad de su decisin, aunque tenga
gran importancia en la decisin final. La referencia a la curva caracterstica
operativa de la letra-cdigo L, AQL 1,0 del MIL-STD-105 nos dio las probabi-
lidades de aceptacin y rechazo que se indican.
Los otros valores de cada bloque representan el costo de cada suceso. Si la
inspeccin de aceptacin acepta un lote con 1 por 100 de elementos defectuo-
sos, produccin tendr que soportar un costo medio de 1,50 dlares para el 1
por 100 defectuoso de la muestra de 150. Si un lote defectuoso en un 1 por 100
resulta rechazado, el costo total ser el costo de verificar 1.850 unidades ms el
costo de reparar una media del 1 por 100 de las 2.000 unidades, esto es, 205,00
dlares. Los costos del lote defectuoso en un 4 por 100 se calculan del mismo
modo.
La Tabla 17.11 muestra la matriz con las probabilidades aplicadas a cada
valor y, al lado derecho de la misma, los clculos que dan las probabilidades de
39 a 1 a favor del lote defectuoso en un 1 por 100. A todos los efectos prcticos,
el departamento de Produccin debera producir en un nivel de un 1 por 100 de
elementos defectuosos.
TABLA 17.10. Matriz de costos: Toma de decisiones por el productor:
Inspeccin de aceptacin
(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 $
TABLA 17.11. Matriz de costos: Aplicacin de valores de probabilidad.

Inspeccin de aceptacin
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
Organizacin para lograr calidad

y productividad
Las empresas se organizan para alcanzar sus objetivos lo ms eficiente-

mente posible. El empresario artesanal tiene problemas mnimos de organiza-
cin, toda vez que slo debe lograr su propia satisfaccin y la de sus clientes.
Por ello, su produccin est limitada por las restricciones que l mismo impon-
ga sobre su productividad, al realizar personalmente todo el trabajo. Si ampla
su negocio y contrata personal, se ver precisado a dividir las funciones de
ventas, produccin y finanzas. Si contina dentro de esa lnea de expansin,
surgirn diversos departamentos: Relaciones Industriales, Ingeniera de Pro-
ductos, Compras, Ingeniera Industrial, Control de Calidad y otros posibles. Se
evidenciar que todos estos grupos de personal son necesarios para lograr el
xito de la empresa. Durante el proceso evolutivo se ir poniendo de manifies-
to, adems, que las simples cifras de beneficios econmicos no reflejan la
totalidad de los resultados alcanzados por la empresa. La atencin se centrar
cada vez ms en la productividad, en el empleo de recursos como medida de
eficacia de la empresa. A medida que se vaya haciendo cada vez ms compleja,
se ver, tambin, que la productividad del conjunto depender de la forma en
que se comportan sus partes. En organizaciones fuertemente sometidas a una
autoridad central, el proceso de adoptar decisiones no tarda en desbordar la
capacidad de dicha autoridad central y el resultado es una paralizacin de la
empresa. En las empresas de xito, la expansin da lugar a delegaciones de los
poderes decisorios. Su lema es cooperacin y consenso. Hay un amplio acuerdo
sobre el hecho de que ni la productividad ni los resultados econmicos son de
la incumbencia de un solo departamento o persona. Todo el mundo participa y
as se consiguen los objetivos. Las satisfacciones se logran consiguiendo solu-
cionar problemas que, por otra parte, surgen de la falta de objetivos y organiza-
cin. Pese a ello, los esfuerzos coordinados de todos hacia la solucin del
problema proporcionan resultados satisfactorios.
385
OBJETIVOS DE UNA EMPRESA

Cules son (o deberan ser) los objetivos de una empresa? Los autores
entienden que hay un objetivo fundamental: ofrecer al pblico un servicio que
siempre resulte aceptable sin dejar de obtener unos beneficios satisfactorios a
largo plazo sobre las inversiones de los accionistas. Chester I. Barnard 1 seala
como objetivo principal de cualquier organizacin el de continuar existiendo.
Esta continuacin se vera en peligro si no existieran incentivos para que el
pblico colabore (satisfaccin de una necesidad de bienes o servicios) o para
que los inversionistas cooperen (beneficios de carcter econmico). Tanto
calidad como productividad son medidas que pueden demostrar la aptitud de
la organizacin para proporcionar tales incentivos.
Que deban existir o no departamentos independientes responsables de la ca-
lidad y la productividad habr que determinarlo en funcin del objetivo primario.
Se contribuir de esta forma a ofrecer un servicio aceptable y ayudar, al
mismo tiempo, a obtener mayores beneficios sobre las inversiones que se reali-
cen para obtener la calidad necesaria? Antes de que se difundiera la idea de que
todo departamento de la empresa es responsable de su calidad y productividad,
la norma sola ser utilizar departamentos independientes para tal fin. En tiem-
pos ms recientes se ha venido observando una tendencia a considerar esta
funcin como algo integrado dentro de cada uno de los distintos departamen-
tos de la empresa. La aplicacin de tcnicas especializadas, como los crculos de
control de calidad ha facilitado esta transicin. Habr que prestar atencin a
unos cuantos principios de organizacin antes de entrar en detalles sobre
tcnicas especficas para alcanzar los objetivos paralelos de aumento de pro-
ductividad y mejora de calidad.
DIRECTRICES DE LA GERENCIA PARA MEJORAR CALIDAD

Y PRODUCTIVIDAD
Shetty y Beuhler2 desarrollan las siguientes directrices para crear e instituir
un programa de productividad y calidad y para que luego funcione de forma
efectiva:
1. Los gerentes deben asumir la responsabilidad de mejorar calidad y
productividad.
2. La mejora de productividad y calidad deben convertirse en un proble-
ma estratgico.
3. Debe pedirse a los empleados que aporten ideas y actuar basndose en
ellas.
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
4. Los directores de la empresa deben reconocer que mejorar la calidad es

un catalizador que lleva a mejorar la productividad.
5. Los gerentes deben determinar con todo cuidado los niveles de calidad
y productividad antes de disear e implementar planes para lograr
mejoras.
6. Debe entenderse que existen una gran variedad de tcnicas y herramien-
tas que podran mejorar calidad y productividad.
7. La innovacin, no la imitacin, es el camino a seguir para que el
esfuerzo dedicado a calidad y productividad produzca los frutos desea-
dos.
ESTRUCTURA DE UNA ORGANIZACIN

Toda organizacin es consecuencia de la divisin y delegacin del trabajo.
Se puede clasificar el trabajo a realizar de dos maneras: verticalmente, la
llamada divisin escalar, y horizontalmente, la llamada divisin funcional. Como
ejemplo de la primera podramos citar el caso del artesano que inicia la
expansin de su negocio contratando uno o ms artesanos para que trabajen
con l, con lo que estara realizando una divisin escalar primaria. Ms tarde,
dicho artesano podra descubrir que precisaba dividir el trabajo artesanal entre
dos o ms centros funcionales de trabajo. Esto supondra una divisin funcio-
nal primaria. En ese momento se encontrara controlando a una serie de super-
visores, toda vez que la existencia de centros independientes de trabajo requiere
un adecuado control de supervisin. Esto es una divisin escalar secundaria. Y,
ms tarde an, se encontrara con que los problemas de ventas, ingeniera,
personal, finanzas, investigacin y compras eran tantos y tan complejos que
exigan una divisin funcional ms. Todo proceso de divisin crea problemas
de comunicaciones y de relaciones humanas. La divisin del trabajo significa
que distintas personas tendrn diversos problemas y poco tiempo para dedicar-
lo a los de los dems.
En toda organizacin existe toda una cadena de diferentes niveles que va de
arriba a abajo, y cualquier cambio implica ulterior divisin y delegacin de
trabajo. Cul es el nmero ms deseable de niveles es un problema de sopesar
los beneficios de una divisin del trabajo crecientemente apta y satisfactoria, y
las desventajas de separar cada vez ms a los creadores de la poltica empresa-
rial de los trabajadores de produccin. Una empresa relativamente pequea,
con 20 30 empleados, podra tener slo tres niveles de organizacin (Fig.
18.1). Cualquiera otra divisin o delegacin no ser deseable ni aconsejable
desde el punto de vista econmico. Sin embargo, las modernas empresas nor-
teamericanas suelen ser de dimensiones gigantescas. Sus ventas alcanzan miles
de millones de dlares y dan trabajo a cientos de miles de personas. Muchos de
estos gigantes industriales llegan a tener 11 niveles de organizacin. Hablando
en trminos generales, los tres niveles superiores, correspondientes a los cargos
de presidente ejecutivo, presidente del Consejo de Administracin, vicepresi-
dentes, etc., son los que determinan la estrategia y los objetivos de carcter
general de la empresa. Los tres niveles inferiores, en los que se hallarn los
trabajadores, capataces y supervisores de primera lnea se ocupan de los pro-
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.
Figura 18.1. Tres niveles de organizacin para una pequea empresa.
DIVISIN DEL TRABAJO Y FUNCIONALIZACION

La divisin del trabajo exige delegacin de deberes, autoridad y responsabi-
lidades. Si esos tres elementos no se delegan de forma adecuada pueden surgir
problemas (y de hecho as ocurrir). Por ejemplo: decir al operario de una
mquina que es el responsable de la calidad y no darle tiempo para que
compare la que alcanza con el estndar establecido no es justo ni realista. Dar a
un supervisor la autoridad necesaria para premiar a un empleado elevando el
salario de ste y no incluir dicho aumento en la nmina sera una completa
estupidez. Podramos citar el caso de un inspector a quien se asign el trabajo
de inspeccionar caones de fusiles para su aceptacin. Por una u otra razn,
rechaz todos los que le presentaron, pero todos ellos fueron aprobados a un
nivel ms alto. En tales condiciones, resulta difcil concebir que dicho inspector
considerara que realizaba un trabajo importante.
En general, no deben superponerse ni desarticularse los deberes. Debe haber
un responsable y slo uno de cada elemento. Si hay un supervisor de
produccin responsable de la calidad del trabajo rechazado por su centro de
trabajo, no debe existir al mismo tiempo otro que rectifique sus decisiones,
actuando como un polica. O, al menos, no debera existir dicho segundo
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
TABLA 18.1. Distribucin del tiempo de supervisin
Deberes Porcentaje Disposicin

de tiempo
Creativos >20 Para que se pueda trabajar de forma ms inteligente.

Normales 60 Trabaje ms inteligentemente, no ms.
Especiales 10 Algunos de stos se usan como pruebas para ascensos.
Rutinarios <10 Cualquier subordinado puede hacerlo mejor que usted
en este caso.
TABLA 18.2. Funciones de lnea y asesora
Producto Funcin Funcin

Departamento final de lnea asesora
Compras Documento de Escribir la orden de Preparar un
compra. compra. calendario de
produccin.
Planificacin de Plan de inspeccin. Escribir el plan de Control de
control de inspeccin. aparatos.
calidad.
Ingeniera Mtodo. Desarrollar y Departamento de
industrial. preparar por herramientas.
escrito el mtodo
a seguir.
Nminas. Cheque de pago de Preparar el cheque. Departamento de
la nmina. normas.
sea absolutamente lineal o asesora. Cmo se perciban depender, ms que

nada, del lugar donde uno trabaje.
La explicacin tradicional que se escucha y se lee sobre la funcin asesora es
que consta de dos tipos principales: asesora general y asesora especializada.
La asesora general es el brazo derecho del director. Los vicepresidentes adjun-
tos y los adjuntos a forman parte de esta categora. El personal especializado
debe realizar funciones igualmente especializadas. En una gran empresa hay
muchas de estas funciones y es aqu donde se dan los mayores problemas de
comunicaciones y relaciones humanas.
Hay tres tipos de asesores especializados: los asesores propiamente dichos,
los que trabajan en servicios y los que realizan el control. El personal asesor no
suele crear problemas. Se trata del experto a quien se llama para manejar un
determinado problema, como el consultor externo o el asesor jurdico. Sus
sugerencias pueden aceptarse o no. Puede ser obligatorio buscar consejos de
personal asesor o dejarlo a criterio del director. Un supervisor puede sancionar
a un trabajador, pero quiz se le exija que consulte al personal asesor antes de
tomar tal decisin. Aceptar o no sus opiniones depende de l. En la mayora de
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-
rio de negociar en lugar de imponer su autoridad. Tiene tacto y es diplomtico.

Escoge el momento adecuado para hacer sugerencias y las expone de forma que
se puedan entender fcilmente. Es flexible y reconoce que tiempo y paciencia
son fundamentales en su trabajo. En pocas palabras: es un sutil vendedor
tecnolgico.
ORGANIZACIN PARA LOGRAR CALIDAD

Y PRODUCTIVIDAD
Aumentar la productividad y mejorar la calidad son dos componentes
esenciales de los objetivos a largo plazo de cualquier organizacin de tipo
industrial. Esto descarta la creacin de una organizacin de corta vida para
objetivos publicitarios. Es triste, pero cierto, que muchas de las iniciativas de la
direccin de una empresa son caprichosas, tratan de explotar al mximo la fase
de introduccin de un nuevo producto y tienen, adems, planteamientos publi-
citarios. Tanto la productividad como el control de calidad son objeto de
atencin de labios afuera, se utilizan como trucos publicitarios y tan slo como
medio de obtener un reconocimiento dentro de la empresa y dentro de la
sociedad, as como para alcanzar otros objetivos igualmente turbios.
Desde el punto de vista de la direccin total, el esfuerzo de la organizacin
para alcanzar calidad y/o productividad debe producir una rentabilidad acep-
table de la inversin que se hizo y un servicio aceptable de carcter continuo.
No importa por qu camino se llegue a ello, pero tales beneficios debern
producirse para mantener esa postura. Y una vez obtenidas las economas
iniciales en costos, habr que justificar los ahorros conseguidos en trminos de
reduccin de costos.
Tradicionalmente, el esfuerzo dedicado a la calidad inclua a distintas perso-
nas de diversos departamentos de produccin, asesora, o cualquier combina-
cin. En los ltimos tiempos, al reconocerse por todos la interdependen-
cia existente entre calidad y productividad y al extenderse ampliamente la res-
ponsabilidad en cuanto a la consecucin de ambos objetivos (la calidad es
responsabilidad de todos), se ha producido un replanteamiento de la organiza-
cin que se centra en calidad y productividad. Este captulo ofrece una visin
general de la organizacin de calidad ms tradicional, luego de una organiza-
cin totalmente centrada en esos objetivos, como los crculos de control de
calidad y, por ltimo, se expone el sistema kanban para control de produccin y
existencia.
ORGANIZACIN TRADICIONAL DE CALIDAD

Hay, fundamentalmente, cuatro tipos de organizaciones de calidad. En la
Tabla 18.3 aparecen enumeradas por su grado de responsabilidad. La organiza-
cin ms idnea para una empresa depende del tipo y volumen de producto
fabricado. En una operacin de montaje en serie, en la que es imposible que los
trabajadores identifiquen defectos, lo aconsejable sera tener una organizacin
autnoma de control de calidad. Otros productos caracterizados por ser de alta
precisin, fabricados en pequeas cantidades y de tecnologa complicada, que

necesitan trabajadores altamente especializados, pueden ser los ideales para la
aplicacin de un sistema tipo I.
TABLA 18.3. Tipos de organizaciones 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.
En general, los objetivos fundamentales de la empresa estarn mejor atendi-

dos si la organizacin de control de calidad se considera a s misma como
representante del cliente en temas de calidad, si trata de asegurarse de que el
cliente reciba igual o mejor que la reflejan los estndares por l especificados. El
cliente puede ser externo a la empresa o a cualquiera de sus departamentos.
El productor puede, adems, ser un proveedor externo a la empresa o una
organizacin de produccin dentro de la misma fbrica. Si la organizacin de
calidad se considera a s misma simplemente as, los conflictos de tipo humano
que surjan por las relaciones entre personal de produccin y asesor se reducirn
al mnimo.
Por qu no pensar en la organizacin interna de produccin como si se
tratara de otro proveedor cualquiera y responsabilizarla de la calidad de sus
productos? Claro est que, naturalmente, habr relaciones ms frecuentes aun-
que slo sea por razones de proximidad geogrfica. Pero dicha relacin puede
mantenerse, tanto en la teora como en la prctica. La calidad es siempre un
rea de responsabilidades bastante nebulosa. Se dice que Produccin es respon-
sable de la misma, pero su autoridad no es omnmoda y carece de herramientas
para asumir tal responsabilidad. La ltima palabra la tiene la organizacin de
calidad.
Se piensa que aplicando el tercer tipo de organizacin (el tipo 3) se sirve
mejor a los intereses de la organizacin completa al ceder al departamento de
Produccin la responsabilidad, la autoridad y el herramental necesarios para
cumplir dicha tarea. La Figura 18.2 muestra un ejemplo de organizacin de este
tipo. Tambin aparecen las relaciones entre el departamento de Control de
Calidad, los clientes a quienes representa y los productores cuyos intereses
garantiza.
394 ORGANIZACIN PARA LOGRAR CALIDAD Y PRODUCTIVIDAD
La seccin de Garanta de Calidad desarrolla los planes de control de

calidad, muestreo de aceptacin y verificacin, sujeta a la aprobacin de las
normas de calidad por el comit designado al efecto. Una vez aprobados los
planes, sea mediante un documento firmado o por acuerdo tcito, es forzoso
atenerse a ellos. Todos los productores, tanto internos como externos, son
responsables de la calidad establecida en los planes. Todos estarn representa-
dos por un plan de garanta de calidad especificado por ellos, o para ellos por
la organizacin de Garanta de Calidad.
El efecto inicial de un acuerdo de este tipo supondr una duplicacin del
trabajo. Sin embargo, este problema desaparecer gradualmente. Tericamente,
la situacin ideal se dar cuando todos los elementos producidos sean tan
buenos que eliminen la necesidad de una organizacin de control de acepta-
cin. Este es un ideal imposible de alcanzar. Pero el objetivo final debe ser
reducir dicha organizacin al mnimo econmico y este se alcanza cuando las
organizaciones de produccin han asumido plena responsabilidad en cuanto a
la fabricacin de productos de calidad y disponen del herramental adecuado
para lograrlos.
La organizacin de calidad de la Figura 18.2 es demasiado grande si se
compara con otras unidades o departamentos de la organizacin. Se ha hecho
as slo para mostrar las interrelaciones entre calidad, otros departamentos de
la organizacin y los proveedores externos y consumidores de productos de la
empresa. En algunas empresas, la calidad estar a un nivel ms alto, respon-
diendo directamente ante el director general. Pero siempre es deseable delegar
la responsabilidad a niveles ms bajos. Debe tratarse, en todos los casos, de
delegar la responsabilidad hasta el nivel ms bajo posible desde el punto de
vista econmico. Freigbaum expresa muy bien esta idea:
En primer lugar, la calidad es responsabilidad de todos. Ha habido
muchos experimentos a lo largo de los aos contrarios a este principio. Se
llevan a cabo as: una empresa, una lnea de productos o una fbrica
atraviesan serios problemas de calidad. Desesperada, la direccin contrata
a una persona para que asuma el cargo de gerente de Control de Calidad
con funciones vagamente definidas y la hace responsable de todo cuanto
afecta a la calidad del producto. (Nota del autor: un retoque tpico de la
direccin). Mi experiencia me ha enseado que tales personas duran de seis
a nueve meses, como mucho, en su trabajo. No tienen ms remedio que
fracasar porque: el hombre de marketing es quien mejor puede evaluar las
preferencias del cliente en lo tocante a calidad, el ingeniero industrial es el
nico que puede establecer las especificaciones de forma idnea, etc.
As que lo primero que la direccin tiene que hacer para establecer un
programa de control total de calidad es ajustarlo a la estructura e intereses
de toda la organizacin, aceptar el hecho de que la calidad es responsabili-
dad de todos los que trabajan en la empresa, asignar de modo general
responsabilidad sobre calidad.
Esto nos lleva al segundo principio: como la calidad es responsabilidad
de todos puede acabar por no serlo de nadie. Esto significa que otra de las
cosas que la direccin debe hacer es apuntalar y atender todo lo relaciona-
do con responsabilidades sobre calidad en toda la empresa. Cmo? Crean-
do una organizacin de Control de Calidad totalmente eficiente y real-
mente profesional cuya actividad especializada sea la calidad del producto
con la nica rea de operaciones del control de calidad.
La funcin de Control de Calidad incluye dos obligaciones bsicas. En

primer lugar, proporcionar garanta de calidad de los productos de la
empresa, lo que simplemente supone estar seguro de que los productos que
se despachan estn bien fabricados. Segundo, ayudar a asegurar unos
costos de calidad ptimos4.
CRCULOS DE CONTROL DE CALIDAD

Un crculo de control de calidad es un pequeo grupo de personas dentro de
una organizacin que se renen peridicamente para debatir problemas de
produccin y operaciones. Su objetivo es determinar los problemas especficos,
crear posibles mtodos para solucionarlos, analizar las consecuencias de la
aplicacin de tales mtodos y recomendar soluciones. Otro nombre que se
aplica a los crculos de control de calidad es el de crculos de calidad. Ambos se
usan indistintamente en Estados Unidos. Las empresas japonesas usan con
mayor frecuencia el trmino crculo de control de calidad, en tanto que las
europeas tienen preferencia por crculos de calidad.
Aunque el nombre slo hace referencia a la calidad, dichos grupos discuten
todos los problemas relacionados con calidad y productividad (por ejemplo:
problemas relacionados con el diseo de un producto, con los mtodos de
produccin, relaciones humanas, seguridad), filosficamente, el crculo de con-
trol de calidad descansa en dos hiptesis: la primera admite que la creatividad
no est confinada a la alta direccin, que todos los que trabajan en una
empresa, desde el Presidente hasta el ayudante del encargado de la limpieza son
capaces de tener ideas creativas. La segunda hiptesis postula que las soluciones
a los problemas de produccin las darn ms fcilmente, porque las entienden
mejor, quienes ms prximos estn al problema. El operario a cargo de una
determinada mquina entender mejor los problemas de sta que cualquier
experto externo.
La formacin de grupos es el inicio de todo programa de crculos de control
de calidad. Esta formacin est estructurada en algunas empresas. Cada grupo
invita a participar a las personas ms prximas a sus operaciones. Cada
departamento o unidad menor de la organizacin tiene su propio grupo cuya
estructura reproduce la de la propia organizacin. Este esfuerzo, organizado de
manera formal, se conoce como direccin participativa.
Lo ms frecuente es que los grupos no tengan una estructura formal. Las
personas de cada uno tienen alguna relacin con los problemas discutidos. Se
trata de estimular la participacin de obreros de produccin, supervisores y
representantes sindicales. Cada grupo tiene un jefe u organizador. Esta persona
puede ser, aunque no necesariamente, un supervisor. El grupo se rene peridi-
camente, a intervalos previamente establecidos, siendo la frecuencia ms nor-
mal una vez a la semana.
4
A. V. Feigenbaum, New Approach to Quality Control, Factory, marzo de 1957, pgi-
nas 12 a 16.
Los crculos de control de calidad (QC) se limitan a problemas relacionados

con el trabajo. En ellos no se habla de salarios, prcticas de trabajo, problemas
personales, quejas o temas que deban ser objeto de negociacin colectiva, sino
que tratan de incrementar la productividad, mejorar la calidad, aumentar la
comunicacin entre la direccin y los trabajadores y hacer que stos se involu-
cren ms en las operaciones de la empresa. Hay una importante empresa del
ramo automotriz que llega incluso a llamar a los crculos de control de calidad,
grupos de implicacin del personal.
Hacia mediados de 1983 se calculaba que entre 1.750.000 y 2 millones de
trabajadores norteamericanos participaban en programas de crculos de con-
trol de calidad bajo diversas denominaciones. Se esperaba que hacia finales de
1984 esta cantidad creciera hasta situarse prxima a los 5 millones. Sin embar-
go, ni siquiera este rpido crecimiento llega a emparejarse con el de Japn.
Hacia mediados de 1983, con la mitad del censo laboral de Estados Unidos,
Japn tena ms de 10 millones de trabajadores organizados en circuitos de
control de calidad.
Elementos bsicos de un crculo de control de calidad
Miembros. Los miembros de un crculo de control de calidad son las

personas inmediatamente relacionadas con un rea problemtica o de trabajo.
Si la organizacin obedece a un modelo estructurado, todas esas personas
pertenecen a un mismo departamento. No hay un nmero de miembros que
pueda considerarse ptimo. No obstante, es difcil encontrar grupos con menos
de 5 personas, o ms de 20, que funcionen con eficacia.
Recursos. La empresa dota a estos grupos de salas para sus reuniones,
formacin inicial y les concede tiempo libre para que sus miembros acudan a
las reuniones, etc.
Alcance. Dentro de su rea problemtica (o de trabajo) el grupo mismo
decide qu problemas especficos deben ser analizados. Como resultado de las
conversaciones, el grupo formula una serie de recomendaciones a otro (conoci-
do como grupo de gobierno o grupo de control).
Autoridad. Normalmente, un grupo de los llamados crculos de control de
calidad carece de poder para hacer inversiones, ya que ste radica exclusiva-
mente en la alta direccin. Sin embargo, la direccin presta la atencin debida a
todas las sugerencias que formulen los crculos de control de calidad. Si,
sistemticamente, la direccin desoye o no atiende dichas sugerencias, el pro-
grama de crculos de control de calidad languidece o se desintegra. En empresas
en las que los crculos de control de calidad han logrado el xito se distinguen
tres niveles. En primer lugar, aquellas sugerencias que no precisan inversiones
adicionales las puede implementar el propio grupo. Las que precisan de peque-
as inversiones pueden ser aprobadas por el grupo de control. Slo aquellas
que requieran inversiones importantes son sometidas a la alta direccin. Esta
puede, si es preciso, pedir a los miembros del crculo de control de calidad o a
los del grupo de control que realicen una presentacin formal de sus ideas por
medios de una propuesta de proyecto.
Inicio de un crculo de control de calidad
Los crculos de calidad se basan en la idea de que las personas ms

prximas a los problemas tienen la visin ms clara de los mismos, son los que
mejor los entienden y, adems, que todas ellas tienen un pensamiento creativo.
Las mayores dificultades para iniciar un programa de crculos de control de
calidad son la timidez de los miembros para expresar sus ideas y la falta de
preparacin para el empleo de tcnicas de solucin de problemas. En un
principio, cualquier programa de crculos de control de calidad necesita la
ayuda de un experto consultor independiente, generalmente conocido como
facilitador. El facilitador debe estar dotado de ciertas cualidades especiales:
1. Debe tener experiencia en el tema de los crculos CQ.
2. Debe estar familiarizado con el tipo de actividad industrial, con la
organizacin y con sus productos.
3. Debe ser un buen comunicador.
4. Debe encontrarse cmodo al tratar con la gente.
5. Debe ser entusiasta.
Adems de tales caractersticas, dicha persona debe generar un ambiente de
confianza y lograr que los problemas se discutan de forma libre y abierta.
Hay dos modos de introducir un programa de crculos CQ en una empresa.
Uno es iniciar un crculo de calidad modelo. El facilitador lo dirige en el
departamento o divisin seleccionado por la direccin. Mientras se est crean-
do el grupo, dos personas trabajan con el facilitador: una es el aprendiz de
director, que asumir la direccin del grupo cuando se vaya el facilitador; el
segundo es otro aprendiz que pronto ser designado coordinador del programa
de crculos de calidad. Este segundo trabaja con el facilitador para crear
normas de aplicacin general a la empresa relativas a crculos de calidad. Una
vez que el crculo de calidad modelo est operando con xito, ste se copia,
siguiendo las normas dictadas, por otros departamentos, divisiones o grupos
interdepartamentales dentro de la empresa.
Una segunda alternativa es ofrecer un curso para direccin de un crculo
a los directores potenciales de los futuros crculos de calidad. El facilitador
explica el desarrollo y la forma en que opera un crculo de control de calidad
utilizando al grupo de directores potenciales como modelo. El curso incluye
entrenamiento sobre los aspectos tcnicos de los crculos QC as como sobre
comunicaciones, relaciones humanas y pensamiento creativo.
Cada programa evoluciona del modo ms adecuado a sus participantes. Sin
embargo, los elementos comunes que citamos a continuacin deben ser inclui-
dos y estudiados en las primeras sesiones:
1. Explicacin general sobre el concepto de crculo de control de calidad.
2. Identificacin de problemas en el entorno de produccin.
3. Entrenamiento o sobre la tcnica de la tormenta de ideas.
4. Creacin de una lista de problemas usando la tcnica de la tempestad

de ideas.
5. Establecimiento de una lista de prioridades.
6. Instruccin sobre solucin creativa de problemas.
7. Instruccin sobre identificacin lgica de causas posibles de problemas
y sobre diagramas causa-efecto.
8. Seleccin y anlisis de un primer problema.
Orjan Alexanderson5 presenta unas normas generales muy tiles para el
adecuado funcionamiento de un crculo de control de calidad. Estas normas
aparecen divididas en tres grupos: tcnicas de solucin de problemas, pasos a
seguir en la solucin de problemas y mtodos adecuados para la presentacin
de las recomendaciones finales.
Tcnicas de solucin de problemas
1. La tempestad de ideas es nuestro instrumento creativo ms impor-
tante.
2. El diagrama de causa-efecto es una forma de mostrar las relaciones
entre un problema y sus posibles causas. Hacer una lista con todas
las causas posibles y hacerla de forma sistemtica hace que el
anlisis resulte ms sencillo. El diagrama causa-efecto (C y E) repre-
senta esa lista de carcter sistemtico. Es posible que ya haya usted
visto diagramas C y E, tambin llamados diagramas-espina ya
que su forma recuerda las espinas de un pescado. Con mayor
frecuencia se le conoce como diagrama Ishikawa en memoria de
su creador, el profesor y experto en calidad japons Kaoru Ishi-
kawa.
3. El diagrama de Pareto es una forma de presentar informacin y
hace resaltar lo que es importante y lo que es menos importante. Al
analizar las causas de un problema se ve que unas cuantas causas
son las que producen la mayor parte del problema. Una gran
mayora de la cantidad total de defectos puede explicarse por medio
de unas pocas causas principales. Lgicamente, la solucin de pro-
blemas es ms eficiente si se empieza por atajar las causas ms
importantes.
4. Un histograma es una forma de presentar datos, por ejemplo, para
comparar la produccin de un determinado proceso con los lmites
de tolerancia a la sazn vigentes.
5. Gran cantidad de datos pueden describirse a veces usando sola-
mente una medida de posicin y una medida de variabilidad. El
conocimiento de las medidas ms comunes de posicin y variabili-
dad pueden ser de gran utilidad para el trabajo de un crculo.
6. Es til disponer de un modelo que sirva para decidir entre diversas
alternativas. Los factores que tendran que ser decisivos (los crite-
rios de decisin) suelen tener diferente importancia. Por ello se
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).
necesita un mtodo que sirva para ponderar su importancia. El ms

sencillo es mediante una matriz en la que los criterios ocupan las
columnas y las alternativas las filas.
Pasos a dar lugar en la solucin de problemas
Cuando se resuelven los problemas en el crculo se trata de proceder

sistemticamente. La importancia relativa de los diferentes pasos del mode-
lo que presentamos pueden, lgicamente, variar de un problema a otro:
1. Prioridad. Queremos primero solucionar primer el problema de
mayor importancia.
2. Objetivo y lmites. Es importante ponerse de acuerdo en cuanto al
objetivo a alcanzar, pero no lo es menos asegurarse de que no sea
excesivamente limitado y especializado ni tampoco de un objetivo
demasiado amplio y general.
3. Anlisis causa-efecto. Debemos hallar las causas reales y no slo
los sntomas superficiales.
4. Ideas. Utilicemos la experiencia as como combinaciones nuevas
para hallar buenas soluciones.
5. Eleccin. Decida qu solucin es la mejor para nuestro objetivo.
6. Pruebas prcticas. Verificar en la prctica, si es posible, cualquier
idea seria o cualquier suposicin.
7. Presentacin y decisin. Hay muchos problemas sencillos que el
propio crculo puede decidir. Sin embargo, hay veces en que hay
que vender la idea a un escaln jerrquico ms alto dentro de la
organizacin.
8. Implementacin.
9. Seguimiento. No dejen de seguirlo hasta alcanzar el objetivo.
Presentacin de recomendaciones
El objetivo primario del crculo de control de calidad es resolver los

muchos pequeos problemas relacionados con el rea de trabajo del propio
crculo. No obstante, ocurre que, con frecuencia, el crculo tiene que pedir
una decisin que se toma mucho ms arriba dentro de la organizacin.
Esta es casi siempre la situacin cada vez que es necesario realizar una
inversin. Es importante hacer notar que quien toma las decisiones no
estuvo presente a lo largo del proceso creativo, de forma que no tiene la
menor idea sobre la brillantez de la propuesta que se le somete. Hay que
convencerlo, de forma que hay que venderle la idea. A continuacin le
damos algunos consejos relativos a promocin de ventas:
1. Presente hechos y datos que obren en su poder y que estn acepta-
dos y analice las consecuencias de su propuesta:
Constatamos la existencia de este fallo durante un perodo de
cuatro semanas. La frecuencia era de un 12 por 100. El costo de
rehacer el trabajo supone 14.000 dlares anuales. Mediante una
inversin de 5.600 dlares se eliminar tal fallo. El perodo de
recuperacin de dicha inversin es, pues, inferior a seis meses.
2. Hay veces en que no se pueden probar las cifras por completo.

Presente entonces abiertamente las asunciones que ha establecido:
Creemos que el fallo se eliminar, pero hemos asumido que
continuar dndose uno de cada cuatro fallos actuales. En ese
caso, las economas anuales ascenderan a, aproximadamente,
10.500 dlares que habra que comparar con la inversin solici-
tada de 5.600 dlares.
3. Incluir a todo el grupo:
Hay dos razones para ello. La presentacin resulta ms intere-
sante y variada para quien escucha y, adems, contribuye a la
afirmacin personal de todos los miembros del grupo.
4. Usar dibujos:
Es ms fcil recordar las cosas que no slo se han odo sino que
tambin se han visto. Un grfico adecuado subraya lo que usted
afirma. Adems es ms fcil que su oyente se mantenga atento si
usted no se limita slo a hablar todo el tiempo.
5. No olvidar que se trabaja dentro de una organizacin:
El programa de crculos de control de calidad puede verse
adversamente afectado si los ejecutivos medios piensan que el
crculo prescinde de ellos para obtener una decisin de un nivel
ms alto. Lo que el crculo debe hacer es confiar cuanto le sea
posible en la organizacin jerrquica. Todos los niveles de direc-
cin deben tener una funcin dentro del programa de los crcu-
los de control de calidad. Incluso cuando haya que hablar con el
ejecutivo responsable del tema objeto de anlisis, es recomenda-
ble no presionarle nunca para obtener una decisin inmediata.
Cualquier persona que se siente presionada se pone a la defensi-
va. Concdale un tiempo razonable para tomar su decisin.
EJEMPLO DE UN NUEVO PROGRAMA DE CRCULOS

DE CONTROL DE CALIDAD
Blackman Shoe Company6 es una empresa de carcter familiar del suroeste
de Virginia que tiene unos 300 empleados que trabajan en sus dos fbricas. En
1978 y 1979 la empresa oper a plena capacidad, con dos turnos en cada una
de las fbricas. En 1981, como consecuencia de una combinacin de la depre-
sin generalizada y el endurecimiento en la concesin de crditos se produjo
una disminucin en la demanda de zapatos de alta calidad del tipo de los
fabricados por la empresa. El seor Matson, presidente de la empresa, decidi
servirse del programa de los crculos de control de calidad, inexistente hasta
entonces en la empresa, como medio para aumentar la productividad, bajar los
costos unitarios y lograr mayor competitividad en el mercado.
Se invit al doctor Goldstein para que actuara como facilitador. Este visit
la empresa para tener una impresin general de las operaciones y del comporta-
6
El nombre y el tipo de empresa se han ocultado para proteger la privacidad de la verdadera
compaa. Las personas que se citan son ficticias.
miento interpersonal que se consideraba normal en Blackman Shoe Company.

Observ dos caractersticas importantes. En primer lugar, ejecutivos y opera-
rios no hablaban libremente entre s. En segundo lugar, aunque los crculos de
control de calidad estn generalmente orientados hacia la solucin de proble-
mas operativos, en este caso haba primero que identificar los problemas antes
de estudiar las soluciones. El doctor Goldstein propuso un curso de direc-
cin de crculos de dos das de duracin con objeto de preparar a los futuros
directores, as como una serie de visitas posteriores para observar el funciona-
miento de los crculos ya en operacin. La experiencia anterior de Goldstein
demostraba que esta estrategia era efectiva para los crculos de control de
calidad.
Como no haba agobios de produccin, Matson pudo reunir y designar 18
directores potenciales de grupo para este curso. Entre ellos haba personas de
ambas fbricas y sus cargos iban desde director de fabricacin hasta operario
de mquina.
Durante el curso de direccin de crculos, Goldstein dispuso que el grupo
realizara dos juegos de ejercicios. La mayora del tiempo disponible se dedic a
esos ejercicios. Goldstein limit sus conferencias a una exposicin de introduc-
cin a los crculos de control de calidad y a un repaso en el que incluy
sugerencias sobre la formacin de crculos concretos. Crea Goldstein que el
papel del verdadero facilitador deba limitarse a facilitar la discusin abierta
entre los miembros del grupo. Un buen facilitador debe evitar caer en la
tentacin de asumir el papel de un catedrtico dirigindose a sus alumnos. El
primer grupo de ejercicios se llamaba Ejercicios para la creacin de un equi-
po. Trataba de cubrir un doble objetivo. Muchos de los miembros se retraan
en pblico y haba que hacerles perder esa natural reserva. Una vez que alguien
empieza a hablar, aunque slo sean unas pocas palabras, sobre cualquier tema,
le resulta ms fcil hablar sobre el tema especfico del que se trata. Ms an,
para que un crculo de control de calidad logre el xito, todos sus miembros
deben ver a los dems como compaeros y prescindir de otras relaciones como
superior-subordinado, empleado de taller-empleado administrativo, tcnico-
pen, o incluso hombre-mujer. Estos ejercicios aparecen en la Figura 18.3. Para
la realizacin de estos ejercicios los participantes en el curso se dividieron en
pequeos grupos de dos o tres personas cada uno.
Estos ejercicios persiguen un doble objetivo. Primero eliminar las barreras
que crea la disposicin a la reserva en ciertos participantes. Permitir que los
participantes empiecen a pensar en soluciones para problemas en vez de en
situaciones desagradables de las que hay que quejarse. El segundo da del
curso, el grupo dedic algn tiempo a pensar libremente en factores existentes
en el lugar de trabajo que afectaban negativamente al crecimiento de la produc-
tividad. Para sorpresa de todos, muchos problemas resultaban obvios para una
gran cantidad de personas. Cuando esto ocurre dentro de un grupo, los partici-
pantes van ganando confianza acerca de sus propios procesos mentales. Des-
pus de identificar los problemas, se pidi a los participantes que los clasifica-
ran de acuerdo con dos criterios:
1. Beneficios para la empresa: Aquellos problemas cuya solucin beneficia-
ra ms a la empresa se clasificaban con el nmero 1.
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.
Figura 18.3. Ejercicios para el desarrollo del equipo.

2. Facilidad de solucin: El problema ms fcil de resolver se clasificara

como nmero 1.
Ofrecemos un resumen de las clasificaciones en la Tabla 18.4. Se utiliz una
suma ponderada de las clasificaciones para decidir en qu reas obtendran un
mayor xito los crculos de control de calidad. Las tres ms importantes eran:
1. Falta de comunicaciones Clasificacin 1,2
2. Calendarios (programacin) Clasificacin 1,4
3. Falta de personal (excesivos cambios y rotacin) Clasificacin 1,5
Despus del curso de direccin de dos das de duracin se crearon cuatro
crculos de control de calidad con la ayuda y bajo la direccin de los partici-
pantes en el curso. Los tres problemas identificados como ms importantes
fueron los primeros que estudiaron los crculos. Cuando el seor Matson revis
sus conclusiones se mostr agradablemente sorprendido. Saba que faltaba
personal, pero los otros dos problemas fueron una revelacin para l. El
principio le pareci alentador y qued convencido de los beneficios que produ-
can los crculos de control de calidad.
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.
Sistemas de control de Produccin basados en el paso de informacin

adelante y atrs (Feedforward y Feedback)
Un sistema feedforward lleva la informacin desde las fases iniciales de

produccin hasta las ltimas y a la lnea de montaje. La informacin viaja en la
misma direccin que el producto. La mayora de los sistemas tradicionales de
control de produccin son sistemas Feedforward. Con este sistema, cada vez que
la fbrica recibe un pedido, prepara un calendario maestro y un calendario de
produccin asigna a cada punto de trabajo y a la lnea de montaje. Cada punto
de trabajo recibe informacin sobre cuntas unidades deben ser procesadas y
sobre el momento en que el punto de trabajo anterior le entregar dichas
unidades. El calendario de procesamiento en dicho punto de trabajo se calcula-
r como la cantidad de tiempo (horas, turnos o das) a invertir despus de la
recepcin del punto de trabajo anterior. Slo el primer punto de trabajo
controlar el principio de cada elemento que es procesado. El sistema provoca
dos tipos de problemas operativos: en primer lugar, se necesita realizar un

inventario dentro del proceso que incluye a todos los puntos de trabajo;
segundo, cualquier cambio en el calendario de produccin debe ser implemen-
tado simultneamente en todos los puntos de trabajo comprometidos en un
determinado montaje. El primer problema produce altos costos para la confe-
sin del inventario interno al proceso y el segundo hace que resulte difcil
realizar frecuentes cambios en el calendario de produccin.
En un sistema feedback la informacin viaja en direccin contraria. Los
sucesivos puntos de trabajo retirarn elementos procesados en parte por el
punto de trabajo anterior. La Figura 18.4 muestra el uso de kanbans para tales
retiradas de elementos. Los puntos de trabajo sucesivos retiran slo aquellos
elementos que necesitan para proceder a su inmediato procesamiento y, en ese
momento, el punto de trabajo anterior reemplazar los elementos retirados. De
este modo, aunque todos los puntos de trabajo dispongan de los esquemas y las
especificaciones necesarias para el procesamiento, slo la lnea de montaje final
necesita tener el programa maestro. Dado que las retiradas se realizan slo de
elementos que se necesitan de forma inmediata, cada lote retirado es pequeo y
el inventario interno del proceso entre puntos de trabajo es tambin pequeo.
Si hay que realizar cambios en el calendario maestro slo es preciso informar al
punto de trabajo final (que puede ser la lnea de montaje) sobre los cambios en
el calendario de produccin.
Los sistemas feedback se precisan en aquellos sistemas conocidos como
sistemas kanban o sistemas exactamente en el momento preciso. Los sistemas se
han venido usando en empresas de fabricacin de los Estados Unidos bajo el
nombre de produccin exactamente en el momento preciso. En los ltimos
aos, los japoneses han revitalizado el uso de sistemas feedback bajo el nombre
de sistemas kanban.
Figura 18.4. Sistemas de control de produccin: a) Feedforward; b) Feedback.

Sistema kanban bsico
La operacin del sistema kanban bsico se puede describir sirvindonos del

intercambio que se produce entre un punto de trabajo que suministra elemen-
tos o componentes procesados parcialmente a un punto de trabajo posterior. Se
usan dos tipos de kanbanes: un kanban de retirada, que utiliza el punto de
trabajo posterior para especificar el artculo y la cantidad del mismo que va a
retirar, y un kanban de produccin que utiliza el primer punto de trabajo para
especificar el artculo y la cantidad que debe producir. Un kanban de retirada
incluye la siguiente informacin:
1. Puntos de trabajo anterior y posterior y/o procesos anterior y posterior.
2. Nombre y nmero de identificacin del artculo.
3. Cantidad en cada caja o contenedor y su tipo.
4. Situacin en la estantera de almacenaje.
5. Nombre o nmero de identificacin del producto final en que se utiliza-
r este artculo.
6. Nmero de orden del kanban.
Este ltimo se marca 3/10 para indicar que hay un total de 10 kanbanes
de este tipo y que ste es el tercero de ellos. Un kanban de produccin que no
sea aqul con que se inicia la produccin incluir la misma informacin, con
excepcin de la incluida en los nmeros 5 y 6. Incluso puede omitirse el nombre
del punto de trabajo posterior. El kanban de produccin que indica la necesi-
dad de iniciar la produccin del siguiente lote tiene, generalmente, una forma
diferente y se llama kanban de seal. Un kanban de seal incluir la siguiente
informacin:
1. Tamao del lote de produccin y nivel al que hay que iniciar un nuevo
lote.
2. Mquinas que van a usarse en la produccin.
Supongamos que un determinado producto se fabrica en lotes de 80 unida-
des, que el nivel para iniciar un nuevo lote es 30 y que cada caja contiene diez
unidades. El punto de trabajo anterior fijar un kanban de produccin en cada
caja que va llenando con unidades procesadas. Se llevar al lugar indicado para
su almacenamiento una pila de ocho cajas, con un total de 80 unidades (lote de
produccin). Habr siete cajas que llevan adherida kanbanes de produccin y
una el kanban de seal. En este caso ser la tercera caja empezando por debajo
(3 x 10 = 30 = nivel para iniciar un nuevo lote).
Una persona del punto de trabajo siguiente vendr con un kanban de
retirada (y equipo de transporte) para llevarse los artculos que aqul necesita.
Dicha persona coger una caja, le fijar el kanban de retirada y desprender el
kanban de produccin. En el momento del cambio la informacin de los dos
kanbans se compara con todo cuidado para evitar enviar artculos no solicita-
dos. Luego la persona mencionada deja el kanban de produccin en el lugar
designado y se lleva la caja al punto de trabajo siguiente. Cuando el kanban de
seal llega al lugar a que hemos hecho referencia, el primero de los dos puntos
de trabajo inicia la produccin del siguiente lote. El nivel de inicio de un nuevo
lote se adapta a los tiempos de produccin de ambos departamentos con objeto
de que el siguiente lote llegue a su lugar de almacenaje cuando se est retirando

la ltima caja del lote anterior.
Cuando la caja llega al punto de trabajo siguiente, los trabajadores despren-
den el kanban de retirada y lo dejan en el lugar designado al efecto, procedien-
do a utilizar los artculos de la caja para su procesamiento. El kanban de
retirada es devuelto entonces al lugar de almacenaje siguiendo su orden num-
rico. La persona encargada de llevar las cajas y los kanbanes puede tener la
misin de hacer esos recorridos en horas especificadas a dicho lugar. Despus
de realizar el procesamiento, los trabajadores del segundo punto de trabajo
fijan su propio kanban de produccin al producto.
Esta secuencia aparece representada en la Figura 18.5.
Otros tipos de kanban
Adems de los dos tipos bsicos; el kanban de retirada y el de produccin

(el kanban de seal se considera como un tipo especfico de produccin) hay
varios tipos ms de kanban que se pueden utilizar en casos concretos. Los
principales son el kanban de proveedor, el de urgencia y el de transporte.
Se usa un kanban de proveedor en vez de uno de produccin cuando el
punto de trabajo anterior es un proveedor externo a la empresa. No existe el
correspondiente kanban de seal. En lugar de eso se asigna al proveedor una
frecuencia fija de entrega. La informacin que contiene un kanban de provee-
dor es la siguiente:
1. Nombre y nmero de identificacin del artculo.
2. Calidad de cada lote.
3. Cantidad en cada caja o contenedor y su tipo.
4. Situacin en la estantera del almacn de dnde se retirar el artculo.
5. Almacn del proveedor que entrega dicho artculo.
6. Frecuencia de entrega, normalmente una serie de horas del da. Por
ejemplo, las ocho de la maana, la una, las cinco y las diez de la noche,
esto es, cuatro veces para una operacin de dos turnos de trabajadores.
7. Nombres de la empresa proveedora y receptora.
Se utiliza un kanban urgente cuando uno de los puntos de trabajo siguientes
o la lnea de montaje estn a punto de parar debido a que estn a punto de
quedarse sin alguno de los muchos elementos que utilizan; por ejemplo: si una
lnea de montaje usa cinco componentes diferentes y anda escasa del elemento
381. Cuando llega la persona a cargo del transporte al lugar de almacenaje
provisto de su kanban de retirada y all no hay ni caja ni lote que retirar. Si esta
escasez se considera crtica, esa misma persona emite un kanban urgente, que
deja en un lugar aparte y no junto a los kanbanes de produccin normales. El
encargado del transporte pulsa, tambin, en este lugar un botn marcado con el
nmero 381. Este botn hace que se encienda una luz roja en la lnea de
produccin que fabrica el artculo 381 indicando que llega un kanban urgente.
La lnea o el puesto de trabajo iniciar dos acciones. Primero, producirn con
urgencia un lote normal de retirada del artculo 381 y lo llevarn a la lnea de
montaje y no al lugar de almacenaje, junto con el kanban urgente (en el Japn,
acompaado de un explicacin). A continuacin buscarn y corregirn aquellas

razones que han causado la caresta del producto. Los kanbanes urgentes no se
comentan y deben usarse el menor nmero de veces posible.
Se utiliza un kanban de transporte para retirar elementos de gran volumen,
como motores completos en los que el medio de transporte solicitado se
utilizar para transportar dicho elemento. Despus de usar todos los motores,
el punto de trabajo posterior devolver el medio de transporte vaco al punto
de trabajo anterior. El punto de trabajo anterior continuar montando motores
en tanto haya al menos un medio de transporte (furgoneta, vagn, camin)
vaco y que deba ser cargado.
Procedimientos operativos
La diferencia principal que presenta el sistema kanban es el kanban de

retirada. Un kanban de retirada establece la cantidad de unidades recibidas por
el punto de trabajo siguiente, cantidad que, generalmente, es mucho ms peque-
a que el lote de produccin fabricado por el punto de trabajo anterior. Para
trabajadores acostumbrados a trabajar con cajas llenas de artculos sin acabar,
las cantidades ms pequeas del sistema kanban pueden parecer inapropiadas.
Llevar tiempo, entrenamiento y comprensin el que los obreros entiendan que
no van a producirse interrupciones en el trabajo. Una vez puesto en marcha, el
sistema kanban origina una produccin slida y continua que es muy difcil
imaginar antes de que se ponga en funcionamiento.
Una situacin de confusin parecida afectar al punto de trabajo anterior.
En lugar de recibir un calendario maestro que enumere los artculos que han de
producirse y cundo, el punto de trabajo recibe sus rdenes de produccin
mediante kanbanes y la produccin se inicia slo por el kanban de seal. Puede
que los trabajadores de este punto de trabajo sientan que trabajan a ciegas sin
saber nunca qu pedido va a ser el siguiente. Esto no ocurre en el sistema
kanban una vez se ha implementado totalmente pero resultara difcil conven-
cer a los obreros antes de que esto ocurra. La realidad es que el sistema kanban
permite que los trabajadores del punto de trabajo anterior se concentren
totalmente en el lote que estn realizando sin tener que pensar en el lote
siguiente.
Aunque el sistema kanban se describe siempre citando al punto de trabajo
anterior y el siguiente, no estar de ms recordar que, en realidad, el sistema de
produccin est compuesto por cadenas de tales puntos de trabajo. Dentro de
cada una de tales cadenas un punto de trabajo es un punto de trabajo
posterior para todos los que lo preceden y, al mismo tiempo, es un punto de
trabajo anterior para todos los que vienen a continuacin. Esto puede verse en
la Figura 18.6.
Los kanbanes y el control de calidad
Un kanban no es ms que un instrumento para el control de produccin. Al

mismo tiempo, estimula el control de calidad ya que los procesos de produc-
Figura 18.6. Red de puntos de trabajo.
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
Fiabilidad es aquel aspecto de la garanta de calidad que se ocupa de la

calidad del funcionamiento del producto. Otra definicin de fiabilidad podra
ser: es la probabilidad de realizar, sin fallos, una funcin especfica, en ciertas
condiciones y durante un determinado perodo de tiempo2. Comparando este
concepto con el concepto tradicional de control de calidad, veremos que la
fiabilidad tiene que ver con calidad a largo plazo, en tanto que control de
calidad tiene que ver con el relativamente corto perodo de tiempo necesario
para producir el producto.
Las causas de que un producto no sea fiable son diversas. Una de las ms
importantes es la creciente complejidad de los distintos productos. La ley de
multiplicacin de probabilidades puede servirnos para presentar un ejemplo
muy sencillo. Pensemos en un producto que conste de cinco componentes, cada
uno de los cuales tenga una fiabilidad de 0,95. La fiabilidad del producto
terminado ser de (0,95)5, o, lo que es lo mismo, de 0,77. Existen muchos
productos electrnicos muy complejos compuestos por miles de partes. No es
preciso pensar mucho para llegar a la conclusin de que la fiabilidad de los
componentes debe ser elevadsima para tener una razonable oportunidad de
que el producto funcione satisfactoriamente una vez ensamblado.
Al intentar establecer las causas de la falta de fiabilidad de los componentes
se lleg a los porcentajes que se ofrecen en la Tabla 19.1.
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
TABLA 19.1. Causas de falta de Habilidad
Causa Porcentaje
o fuente de problemas
Ingeniera
Elctrica 30
Mecnica 10
Trabajo de campo 30
Produccin 20
Otros 10
F. M. Gryna Jr., N. J. McAfee, C. M. Ryerson y S. Zwer-

ling, Reliability Training Test, Institute of Radio Engineers,
Inc., marzo de 1960, pg. 1.
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.
DISTRIBUCIONES HALLADAS AL CONTROLAR

LA FIABILIDAD
Los elementos bsicos para especificar o definir adecuadamente lo que es
fiabilidad son los siguientes:
1. Valor numrico de probabilidades.
2. Una declaracin que defina el rendimiento satisfactorio del producto.
3. Una declaracin que defina el ambiente en el que debe operar el equipo.
4. Una declaracin del tiempo de funcionamiento exigido.
As pues, una especificacin de fiabilidad de un producto podra ser un 0,99
de probabilidades de funcionamiento sin fallos a 30 C durante un perodo de
cuarenta y ocho horas.
Para medir o estimar la probabilidad de funcionamiento es preciso entender
la distribucin de probabilidades de fallos. La palabra fallo indica un funcio-
namiento incorrecto, insuficiente, inadecuado o insatisfactorio. En este sentido,
se produce un fallo cuando el sistema no acta de acuerdo con las especificacio-
nes. Hay casos en los que el uso de la palabra fallo no se corresponde con la
acepcin comnmente utilizada para dicho vocablo.
La tasa de fallos puede considerarse como la probabilidad de fallo en una
de las unidades que no ha fallado hasta ese momento. La relacin entre tasa de
fallos, probabilidad de fallos y fiabilidad puede expresarse de la siguiente forma:
Supongamos que h(t) = tasa de fallos en el momento t
f(t) = densidad de probabilidad de fallos
R(t) = fiabilidad del sistema
FIABILIDAD 417
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 )
La Figura 19.1 sirve para ilustrar el tpico patrn de fallos en unidades de

un producto complejo. La primera fase es el perodo de depuracin. La presen-
cia de partes marginales y de corta vida al principio del funcionamiento (que-
Figura 19.1. Tasas tpicas de fallos para un producto complejo. (No figuran a
escala.)
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:
R(t) = Pr(T > t) [19.1]
Si f(t) denota la funcin de densidad de probabilidad de fallos,
R(t) = Pr(T > t) = 1 - F(t) [19.2]
La tasa condicional de fallos de un elemento que no haya fallado antes del

momento t se denomina tasa de riesgo o funcin de riesgo h(t).
La probabilidad de un fallo en un intervalo de t a t + t viene dada por

R (t ) R(t 't )
Pr(t d T d t 't ) h(t )'t [19.3]
R (t )
R (t ) R (t 't )
h(t )
R (t )'t
En el lmite,
d
R (t )
h(t ) dt [19.4]
R (t )
f (t )
[19.5]
R (t )
Otra forma de expresar la ecuacin [19.4] es
t
R (t ) exp h( x) dx e H (t ) [19.6]
0
TIEMPO MEDIO HASTA UN FALLO
La calidad de un funcionamiento de un cierto elemento vendr dada, gene-

ralmente, por el tiempo que se espera que dicho elemento funcione de manera
satisfactoria. Usando el modelo de fiabilidad descrita en la seccin anterior es
posible obtener una expectativa estadstica de este tiempo, el tiempo hasta que
se produzca el fallo, que se llama tiempo medio hasta un fallo (MTTF). Alterna-
tivamente, en sistemas que son reparados continuamente despus de que se
producen fallos y que vuelven, despus, a ser utilizados, la expectativa puede
llamarse de tiempo medio entre fallos (MTBF). En cualquiera de los casos, el
tiempo puede ser tiempo real, tiempo de operacin o nmero de operaciones.
Dado que la densidad de fallos es f(t), el tiempo que se espera que transcu-
rra hasta un fallo viene dado por
f
E(T) = MTTF = t f (t ) dt [19.7]
0
donde T es el tiempo del fallo. Alternativamente, la fiabilidad en el tiempo t

puede verse como la probabilidad de supervivencia hasta el tiempo t. De aqu el
tiempo esperado de supervivencia, que es lo mismo que el tiempo que se espera
transcurra hasta que se produzca un fallo, viene dado por
f
E(t) = MTTF = R (t ) dt [19.8]
0
FIABILIDAD 419
Las especificaciones del producto en cuanto a fiabilidad se especifican

normalmente en trminos de MTTF o MTBF.
Al realizar pruebas de fiabilidad de elementos de vida corta, como misiles
militares u otros productos que se destruyen en el momento de la prueba, no se
aplican las distribuciones de fallos debidos al desgaste. Para tales artculos la
distribucin de fallos puede adoptar una forma similar a la exponencial o a las
de las distribuciones gamma y de Weibull conexas; o, quiz, ninguna de ellas sino
la de otras distribuciones an no expresadas por evidencia emprica. Suponien-
do que se aplique la exponencial, es evidente que un aumento de la vida media
provocar una disminucin de la probabilidad de fallos (la altura de la curva en
t = 0 durante la fase del cambio a falo ser menor) y, por tanto, el elemento
ser ms fiable.
Figura 19.3. Continuacin.
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.
DENSIDAD EXPONENCIAL DE FALLOS

La funcin exponencial de densidad de probabilidad de fallo se presenta
como
f(t) = O e Ot = cuando t 0
= 0 cuando t < 0
Para esta funcin de densidad la funcin acumulativa es
t
F(t) = Oe
OI
dI 1 e Ot t 0 [19.10]
0
A partir de la ecuacin [19.2] se puede obtener la funcin de fiabilidad

como
R(t) = 1 - F(t)= e Ot t0 [19.11]
A partir de la ecuacin [19.5] puede obtenerse la funcin de riesgo:
f (t ) O e Ot
h(t ) O t0 [19.12]
R(t ) e Ot
Puede observarse que h(t) no depende de t. En otras palabras, la tasa de

riesgo es constante. Siempre que se pueda asumir una tasa de riesgo constante,
se puede usar la funcin exponencial de densidad para describir la tasa de fallos.
A veces una tasa constante de riesgo se describe como un proceso fracasado
que no tiene memoria. Si un elemento no ha fallado hasta el tiempo t, la
probabilidad de que falle entre t y t + t viene dada por
Pr(T d t 't ) Pr(T d t )

Pr(t d T d t 't | T ! t )
Pr(T ! t ) [19.13]
F (t 't ) F (t )
=
1 F (t )
Sustituyendo valores de la ecuacin [19.10] resulta
(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
Esta probabilidad no depende de t.

La Figura 19.3 muestra las funciones tpicas de densidad de fallos, fiabilidad
y riesgo cuando la densidad de fallos es exponencial.
CALCULO DE MTTF: DENSIDAD EXPONENCIAL DE FALLOS

Cuando la densidad de fallos es exponencial, MTTF vendr dado por
f f f
E (T ) tf (t ) dt O te Ot dt te Ot t f
t 0 e Ot dt
0 0 0
1 f 1 1
0 e O t d (O t ) e Ot t f
[19.15]
O
t 0
0 O O
De aqu que el parmetro O de la densidad exponencial de fallos y el MTTF

del elemento estn relacionados por la ecuacin [19.15] y sean recprocos.
Epstein3 desarroll un procedimiento para calcular MTTF y para determinar
un intervalo de confianza para tal clculo. De forma simplificada el procedi-
miento funciona del modo siguiente. La prueba se inicia con n unidades en un
tiempo t = 0. Se toma nota del tiempo en que falla cada elemento, siendo ti el
tiempo en que se produce el i-simo fallo. La prueba se da por terminada bien
cuando falla el nmero de unidades r* tambin preestablecido. El valor estads-
tico que se mide es Q, el tiempo total de la prueba, medido como (unidades en
operacn) x (tiempo de operacin).
Caso 1: Las unidades que fallan no son sustituidas. En este caso,
r
Q= t i ( n r )t * [19.16]
i 1
El valor estimado V de se obtiene como estimador de mxima probabili-

dad. En el tiempo t*, las unidades 1, 2, . . . r, han fallado en los tiempos t 1
t2, tr y n r unidades siguen todava operando. La funcin de probabilidad
r n
L f (ti ) R(t*)
i 1 i r
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
De las ecuaciones [19.6] y [19.11],

r n r
1 1 ( 1/ T ) r
L e ti / T e t */ T
e ti e ( n r ) t */ T [19.18]
i 1 T i r T i 1
r
1 1
log L r log T ti (n r )t * r log T Q
T i 1 T
Al minimizar el log L con respecto a resulta
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]
El estimador de mxima probabilidad puede obtenerse como en el caso 1 y

tambin viene dado por
Q
T [19.19]
r
Tanto para el caso 1 como para el caso 2, Epstein4 ha demostrado que el

valor estadstico de k = 2r T / T tiene una distribucin ji al cuadrado. Los grados
de libertad son 2r* cuando la prueba se termina despus de un nmero prede-
terminado de fallos, y 2r + 2 cuando la prueba se termina luego de un tiempo
t* preestablecido.
Ejemplo 19.1
Se prob una muestra de diez componentes electrnicos. El tiempo hasta el fallo de

los cuatro primeros componentes fue de 1.900, 2.650, 2.810 y 2.820 horas respectiva-
mente. La prueba se dio por terminada a las 3.000 horas. Las unidades que fallaron no
fueron sustituidas y las otras seis unidades funcionaban adecuadamente al producirse el
fin de la prueba.
4
Ibid.
Este es un ejemplo del caso 1. Utilizando la ecuacin [19.16] el tiempo total de

prueba, Q, viene dado por
4
Q t
i 1
i (10 4)3.000 1.900 2.650 2.810
+ 2.820 + 18.000 = 28.180 horas

El tiempo medio estimado para el fallo es
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
Como el test se termina en el tiempo preestablecido, los grados de libertad son 2r +

2 = 2(4) + 2 = 10.
Como la estadstica k queda fuera de la zona de rechazo (vase Fig. 19.4), la
hiptesis Ho no resulta rechazada y se puede aceptar el lote. Puede observarse que se
ha usado una prueba de un solo lado, ya que la hiptesis alternativa es H1: < 8.000.
DENSIDAD DE FALLOS DE WEIBULL

La funcin de probabilidad de densidad de Weibull para fallos viene dada
por
E
f (t ) DE t E 1e D t cuando t 0
0 cuando t < 0 [19.21]
En la ecuacin [19.21] al parmetro se le llama parmetro de forma, en

tanto que es el parmetro de escala. Para esta funcin de densidad, la funcin
acumulativa es
t
E 1 D t E
DET e dT
0
F (t )
1 eDT
E
tt0 [19.22]
De acuerdo con la ecuacin [19.2] la funcin de fiabilidad es
R (t ) 1 F (t ) eD t
E
tt0 [19.23]
Segn la ecuacin [19.5] la funcin de riesgo es

T 1
f (t ) DE t E 1eDE
h(t ) T 1 DE t E 1 tt0 [19.24]
R(t ) e DE
Un paso ms nos lleva a
d [19.25]
h '(t ) h(t ) DE ( E 1)t E 2 tt0
dt
Las ecuaciones [19.24] y [19.25] indican el tipo de funcin de tasa de riesgo
que puede esperarse para cualquier parmetro de forma.
1. Cuando = 0, h'(t) y h(t) son siempre cero. Claro est que el parmetro
de forma no puede ser cero para un sistema sujeto a fallos.
2. Cuando = 1, h'(t) = 0 y h(t) = . Esto es una tasa constante de
riesgo. La densidad de fallos es
f(t) = e -
que es una densidad exponencial.

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.
PROYECTOS DE INGENIERA PARA LOGRAR FIABILIDAD

El proyecto debe ser tan sencillo como sea posible. La tasa de error es
directamente proporcional a la complejidad. Cuanto mayor sea el nmero de
componentes mayores sern las posibilidades de fallos. Las nuevas tcnicas de
Ingeniera de valores son compatibles con la fiabilidad. La Ingeniera de valores
es el anlisis de la funcin en comparacin con el costo e incluye el estudio de
las funciones operativas (adquisiciones, instalacin, operacin, mantenimiento,
logstica) para establecer su contribucin al valor total del equipo.
Cada caracterstica se evala con objeto de llevar la fiabilidad a su nivel
ptimo y se revisa para determinar si se pueden realizar modificaciones que
reduzcan sustancialmente el costo de obtener el grado de operatividad, el nivel
de fiabilidad, etc., que originalmente se consider necesario. Un aumento de la
fiabilidad es una consecuencia natural de la simplificacin del equipo, un
objetivo del anlisis tcnico, ya que es una indicacin de que la ingeniera de
valores y la fiabilidad marchan unidas6.
Se ha dicho que los objetivos econmicos no tienen lugar en un problema
de fiabilidad. Nada ms lejos de la realidad. Siempre ha habido que realizar
concesiones entre fiabilidad y objetivos econmicos y la situacin permanece
siendo la misma. Un componente relativamente poco importante tendr que
sacrificar parte del dinero que le ha sido asignado en beneficio de otro compo-
nente de mayor importancia. Esto es cierto tambin para operaciones, progra-
mas, etc. Es verdad en la propia vida. Y tiene sentido. Puede que se haya
asignado un presupuesto muy alto para conseguir un producto final de gran
fiabilidad, pero la distribucin de dicho presupuesto en partes no se realizar
por igual sino atendiendo a razones econmicas.
La descarga (la previsin de un amplio margen de seguridad) se usa tambin
como mtodo de lograr fiabilidad en el proyecto de ingeniera. Este mtodo
supone lo mismo que usar un nivel de significancia de 0,0001 cuando se
considera suficiente otro de 0,05. Por ejemplo, un material con una resistencia a
la tensin de 150.000 psi podra prescribirse cuando slo se necesitan 100.000 psi.
Los componentes deben proyectarse teniendo en cuenta los posibles fallos.
A ser posible, los fallos deben ser no catastrficos y no causar daos al personal
6
Richard M. Jacobs: The Compatibility of Value Engineering Analysis and Reliability,
Journal of Industrial Engineering, enero-febrero, 1959, pg. 54.
de operaciones. En cualquier situacin distinta de la de combate, el encen-

dido de un avin es un ejemplo de mecanismo libre de riesgo en sus fallos. Un
fallo en el encendido se produce en tierra, donde el piloto no sufre daos.
La redundancia es otra forma de lograr fiabilidad. Consiste en la prepara-
cin de componentes o montajes paralelos que pueden utilizarse en el caso de
que se produzca un fallo en el elemento primario. Generadores auxiliares de
corriente elctrica son buenos ejemplos de elementos redundantes. Slo se
ponen en servicio cuando falla el sistema principal. Como ejemplo sencillo de
mejoras en la fiabilidad por previsin de unidades redundantes pensemos en
una unidad fiable en un 90 por 100, apoyada por otra unidad de la misma
fiabilidad. Usando el teorema de la multiplicacin, la fiabilidad del sistema
constituido por las dos unidades esnde 0,99 (la fiabilidad del sistema es aproxi-
madamente igual a 1 (1 Ri) suponiendo que los Ri son independientes
entre s).
Un elemento protegido de condiciones ambientales extremas ganar en
fiabilidad. Cualquier elemento debe poder soportar dificultades ambientales a
las que se ver sometido durante su vida en servicio. Con frecuencia, si no
dispone de algn tipo de proteccin, no podr soportar tales condiciones
extremas. As, los pilotos de aviones supersnicos estn protegidos de los
excesos de calor y de presin. Los motores elctricos de los aparatos elctricos
del hogar ms comunes van montados sobre caucho para protegerlos de las
vibraciones.
El mantenimiento y el servicio son dos puntos importantes a tener en cuenta
a la hora de realizar el proyecto de ingeniera de fiabilidad. La facilidad de
mantenimiento y servicio contribuyen a aumentar la fiabilidad en el terreno.
Cuanto ms fcil y ms rpido sea el mantenimiento, ms tiempo permanecer
en servicio un elemento de fiabilidad conocida. As mismo resulta evidente que
cualquier elemento que es fcil de mantener recibir mejor mantenimiento y
servicio. Los distintos elementos debern proyectarse sin perder de vista estas
caractersticas.
Como hemos mencionado con anterioridad los deseos de un alto grado de
fiabilidad en cada una de las caractersticas antes mencionadas tendrn que
tener en cuenta el costo de obtener la fiabilidad deseada. Puede ser que el
aadir un nuevo componente suponga aadir demasiado peso. Por tanto, se
cambia la disminucin en peso por la menor fiabilidad. O puede ser que haya
que renunciar a un grado de comodidad deseado para lograr una mayor
libertad de movimientos del operario. Por ejemplo, sera posible aislar al piloto
de casi todas las condiciones extremas de temperatura, pero debera vestir un
equipo tan pesado y voluminoso que no podra manipular adecuadamente los
controles de su aeronave. Otro ejemplo de mutuas cesiones sera el cambio de
duracin de vida til entre servicios por una mayor frecuencia de servicio y
mantenimiento. Los componentes tendran una duracin menor y habra que
cambiarlos con mayor frecuencia.
La Figura 19.5 presenta un modelo general de mutuas concesiones entre
fiabilidad y disminucin del costo. El costo total puede ser el criterio a aplicar a
cualquier caso. Puede que resulte difcil cuantificar un costo concreto. Por
ejemplo, el costo de daos fsicos al personal de operaciones es muy alto, pero
cmo de alto? Tiene que haber algn punto de probabilidad en el que se debe
FIABILIDAD 431
decidir no pagar ms para lograr una ligera mejora en la fiabilidad. Si fuera

posible obtener los mismos beneficios en seguridad con iguales inversiones en
fiabilidad no habra tema de discusin. Sin embargo, la inversin en fiabilidad
aumenta exponencialmente, lo que quiere decir que obtener fiabilidad es cada
vez ms caro.
Ejemplo 4.1
Un componente de 20 dlares de un sistema tiene una fiabilidad de 0,50. El

disponer de un componente redundante al mismo costo mejora la fiabilidad hasta
situarla en 0,75; con otro se llega a 0,875; un cuarto la sita en 0,9375; un quinto en
0,9575 y un sexto en aproximadamente 0,98. La Figura 19.6 representa tal relacin de
forma grfica. Resulta evidente que hay unos beneficios decrecientes en fiabilidad con la
inversin en redundancia. Al mismo tiempo, si el incremento en peso se aadiera como
nuevo costo (como debera hacerse), los beneficios an seran menores.
Este ejemplo de redundancia puede utilizarse tambin para ilustrar el hecho

de que puede ser econmicamente ms factible fabricar dos unidades que tratar
de hacer una casi perfecta. Por ejemplo, dado un misil interceptor con una
capacidad de dar en el blanco de 0,50, se puede concluir que la capacidad de
dar en el blanco de una combinacin de dos de esos misiles es de 0,75. En
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.
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.
Figura 19.6. Grfico de beneficios en fiabilidad por inversiones en redundancia.
MEDIDA Y PRUEBAS DE FIABILIDAD

Las herramientas fundamentales para medir la fiabilidad son las pruebas
funcionales, de vida ambiental y de fiabilidad. Antes de que la fiabilidad se
considerara como una fase independiente de la garanta de calidad, las anterio-
res pruebas se consideraban slo como algunas de las herramientas de medi-
cin de que disponan los ingenieros de control de calidad. Al independizarse la
fase de fiabilidad de la garanta de calidad como un todo independiente funcio-
nal y a veces organizativo, tales pruebas pasaron a ser consideradas como
herramientas de medicin del tcnico en fiabilidad. Ocurri tambin que, al
FIABILIDAD 433
prestarse cada vez mayor atencin a la fiabilidad, se dedic cada vez ms

trabajo al desarrollo de planes de fiabilidad, de vida ambiental y de pruebas de
duracin de vida del producto.
Si tenemos presente la definicin de fiabilidad, resulta evidente que las
pruebas de fiabilidad son solamente una extensin de las pruebas funcionales,
ambientales y de vida. Las pruebas funcionales incluyen una para determinar si el
producto funcionar en el tiempo cero. Una prueba de carcter ambiental es
una prueba funcional con la condicin aadida de algn problema o dificultad
de carcter ambiental, como temperatura, presin, vibracin o alguna otra.
Una prueba de vida sirve para establecer la vida media de un producto. Si se
combinan los tres tipos de pruebas el resultado ser una prueba de fiabilidad.
Los planes de muestreo de aceptacin en que las especificaciones se basan
en la vida media o MTTF (prueba de vida) o en fiabilidad (prueba de vida bajo
condiciones ambientales estipuladas) pueden proyectarse del mismo modo que
los planes de muestreo para la aceptacin de productos. La mayora de tales
planes se basan en la asuncin de una densidad exponencial de fallos (riesgo
constante). Vale la pena no olvidar que tales planes no es probable que rindan
resultados satisfactorios cuando la densidad de fallos no es exponencial7.
Lo mismo que en el caso del muestreo de aceptacin lote por lote, los
documentos realizados por el Ministerio de Defensa de los Estados Unidos
suponen una excelente fuente para obtener planes para su uso inmediato. Hay
tres documentos fundamentales que pueden utilizarse en ese sentido.
1. Manual H108.
2. MIL-STD-690B.
3. MIL-STD-718C.
Los planes de aceptacin de los tres son muy parecidos. Vamos a describir,
primero, el uso del manual H108 y a ilustrar luego el uso de los otros estnda-
res por medio de ejemplo.
USO DEL MANUAL H108 8
Esta manual est proyectado para determinar la aceptabilidad de lotes de

productos con respecto a su duracin y fiabilidad. El lote de productos puede
estar formado por una o ms unidades de un producto. El lote es aceptado o
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.
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
Figura 19.7. Curvas caractersticas operativas de pruebas de vida terminadas al

producirse un nmero preestablecido de fallos. (Tabla 2A-2 del Manual H108.)
Reproducido del H108: Procedimientos de muestreo y tablas de prueba de vida y
Habilidad. (Las curvas de planes secuenciales terminados en un tiempo preestable-
cido son bsicamente equivalentes.)
FIABILIDAD 435
riesgos que aparecen en las curvas slo se aplican si la distribucin de referen-

cia se aproxima a la exponencial. Las pruebas ji al cuadrado se pueden usar
para vigilar las pruebas de vida y verificar la validez de la asuncin expo-
nencial.
Algunas de las tablas ms representativas del manual se reproducen en el
apndice como Tablas A 18.x. Son:
A 18.1. ndice de planes de prueba de vida de la seccin 2B, parte I, C
parte I y 2D.
A 18.2. Tabla maestra para pruebas de vida terminadas al producirse un
nmero preestablecido de fallos.
A 18.3. Pruebas de vida para un nmero preestablecido de fallos basadas
en , y 1/0.
A18.4. Tabla maestra para pruebas de vida terminadas en un tiempo
preestablecido (sin sustituciones).
A 18.5. Tabla maestra para pruebas de vida terminadas en un tiempo
preestablecido (con sustituciones).
A18.6. Pruebas de vida para tiempo preestablecido basadas en , , y
1/0 (sin sustituciones).
A18.7. Pruebas de vida para tiempo preestablecido basadas en , , 1/0
(con sustituciones).
A 18.8. Planes de muestreo de aceptacin por prueba de vida basadas en ,
y p1/p0 (sin sustituciones).
A18.9. Tabla maestra de pruebas secuenciales de vida.
El uso de estas tablas se ilustra por medio de los ejemplos 19.4 a 19.11.
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
El lote no supera la prueba.

2. Haba diez unidades al principio de la prueba y las unidades que fallaban no se
iban sustituyendo.
1 r 1
T r ,n T ti (n r )t * [175 250 300
r i 1 4
3.700
425 6(425)] 925
4
El lote supera la prueba.
La razn por la que unos mismos resultados de la prueba conducen a

conclusiones aparentemente opuestas puede explicarse atendiendo al total de
horas de operacin por unidad (Tabla 19.2).
La parte II de la seccin B del manual incluye mtodos para considerar
tiempos previstos de espera y costos de las pruebas en el momento de seleccio-
nar el tamao n de la muestra. Est claro que una muestra de mayor tamao
permitir una decisin ms rpida, pero su costo ser mayor puesto que habr
que incluir en la prueba ms unidades del producto.
TABLA 19.2. Comparacin de resultados de las pruebas
Caso 1 Caso 2
Periodo Horas de Horas de

Horas Unidades Unidades
de tiempo unidades unidades
0-175 175 4 700 10 1.750
175-250 75 3 225 9 675
250-300 50 2 100 8 400
300-425 125 1 125 7 875
Total 425 1.150 3.700
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
Donde c l = costo de espera por unidad de tiempo

c 2 = costo de someter a prueba una unidad de producto
0 = vida media aceptable
r = nmero de terminacin
n = tamao de la muestra.
FIABILIDAD 437
El valor de n que minimiza el costo total, calculado a partir de la ecuacin

[19.26] es el tamao ptimo de la muestra. Presentamos a continuacin un
ejemplo tomado directamente de H108.
Ejemplo 19.5
Consideremos el caso en que r = 10, 0 = 1.000 horas, ci = 1 dlar por hora, y c2

= 100 dlares por unidad de producto sometida a prueba. Usando la frmula de costo
total, determinemos el tamao ptimo de la muestra si no se sustituyen las unidades
que fallan.
Usando la ecuacin [19.26], los costos de los distintos valores de n vienen dados en
la Tabla 19.3. En el manual figuran tablas para facilitar los clculos.
Si las pruebas son sin sustitucin,
r
costo total = c1T 0 c2 (n r 1) [19.27]
n
El valor de n que minimiza el costo total es el tamao ptimo de la muestra.

Generalmente, el n ptimo, al hacer pruebas sin sustitucin, es el nmero entero ms
prximo a
TABLA 19.3. Resumen de costos
Costo esperado Costo de

n Costo total
debido a la espera unidades probadas
10 2.029 1.000 3.929
11 2.020 1.100 3.120
12 1.603 1.200 2.803
13 1.346 1.300 2.646
14 1.168 1.400 2.568
15 1.035 1.500 2.531*
16 931 1.600 2.547
17 847 1.700
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.
Ejemplo 19.6
Establecer un plan de pruebas que presente las siguientes caractersticas: Si la vida

media 0 = 900 horas, el lote ser aceptado con una probabilidad de al menos 0,95; si
la vida media 1 = 300 horas la probabilidad mxima de que sea aceptado es de 0,10.
En este caso = 0,05, = 0,10 y 1/ O = 1/3.
Obtenemos el plan que exponemos en la Tabla A18.3. r = 8 y c/ 0 = 0,498. De
aqu se obtiene que c = 0,498 x 900 = 448,2. El procedimiento de prueba sera iniciar
la prueba con un cierto nmero de unidades, n 8. La prueba se dara por concluida
al producirse el octavo fallo. Si la vida media estimada 08, n es mayor que 448,2 el lote se
considerar aceptable.
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
K y K pueden determinarse mediante las tablas de la distribucin normal

acumulativa. Por ejemplo, supongamos que se desea hallar un plan de mues-
treo que tenga un 0,95 de probabilidad de aceptar lotes con una calidad de vida
media de 1.000 horas; y un 0,10 de probabilidad de aceptar lotes con una
calidad de vida media de 750 horas. Los valores de desviacin normal (K) para
= 0,50 y = 0,10 son 1,645 y 1,282, respectivamente. La solucin es:
4
1.282 (1.645)
r 3 110
4
1
3
1.645
C 1.000 1 987 horas
110
La parte I de la seccin 2C del Manual H108 contiene tablas y procedimien-
tos para determinar la aceptabilidad del lote cuando la prueba se da por
terminada en un tiempo preestablecido, tanto para las pruebas con sustitucin
como sin ella. Las Tablas A18.4 a A18.7 se han reproducido del Manual H108
para ilustrar los procedimientos para hallar planes de muestreo partiendo de
esta parte del manual.
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.
La parte II de la seccin 2C contiene planes de muestreo para valores

especificados de , , 1/O y T/0, para pruebas sin sustitucin.
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
media aceptable de 1.000 horas y, al mismo tiempo, especificar que no puede

fallar ms del 2 por 100 antes de 400 horas.
Ejemplo 19.10
Determinar un plan de pruebas de tiempo preestablecido que acepte al menos el 95

por 100 de los lotes en los que fallen un 2 por 100 o menos de las unidades antes de 400
horas, y rechace al menos el 90 por 100 de los lotes en que falle el 8 por 100 o ms de
las unidades antes de 400 horas.
La Tabla A18.8 nos da el plan de pruebas sin sustitucin. Aqu, p1 /p0 nos da el plan
de pruebas sin sustitucin. Aqu, p1/p0 = 0,08/0,02 = 4; = 0,05 y = 0,10. El plan
de pruebas segn la Tabla A18.8 es r = 6 y D = 2,61. De aqu que el tamao de la
muestra n = D/p0 = 131 (redondeado al inmediato superior). El procedimiento de
prueba sera iniciar la prueba con 131 unidades. La prueba se desarrolla durante 400
horas. Si el sexto fallo no se ha producido dentro de las 400 horas, el lote es aceptable.
PROCEDIMIENTOS DE ACEPTACIN SECUENCIAL

BASADA EN MTTF
Al igual que en el caso de los procedimientos de aceptacin expuestos en el

Captulo 12, se pueden crear procedimientos secuenciales para pruebas de vida.
El desarrollo de los mismos es similar al expuesto en dicho captulo.
La hiptesis aqu sometida a prueba es
H o : = un valor satisfactorio de
contra
H 1 : 1 = un valor insatisfactorio de 1
Si en el momento t el tiempo total de prueba es Q, como viene dado por la

ecuacin [19.16] para una prueba sin sustitucin y por la ecuacin [19.20] para
una prueba con sustitucin, y I es el caso en que han ocurrido r fallos, entonces
r
1
Pr(I | H 0 ) e T / T0
T0
r
1
Pr(I | H1 ) e T / T1
T1
De aqu que la relacin de probabilidad sea.

Pr(I | H 0 ) T1 1 1
R = exp Q [19.30]
Pr(I | H1 ) T0 T 0 T1
El lote se considerar aceptable cuando R sea mayor que (1 )/ y ser

rechazado cuando R sea menor que /(l ). Para valores de R situados entre
FIABILIDAD 441
esos lmites la prueba contina. MIL-STD-781C prev el truncamiento explci-

to de la prueba al especificar un nmero mximo de fallos r* y una duracin
mxima t*. En la prctica las pruebas se llevan a cabo marcando el nmero r
de fallos contra el tiempo total relativo de la prueba qQ/1.
Tanto el criterio de aceptacin como el de rechazo se transforman en lneas
rectas.
Q
Lnea de rechazo: r=s h2
T1
[19.31]
Q
Lnea de aceptacin: r = s h1
T1
Las frmulas necesarias para hallar los parmetros son las siguientes:
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
Todos los logaritmos de la ecuacin [19.33] son logaritmos naturales o de

base e.
Ejemplo 19.11
Determinar un plan de muestreo secuencial para las especificaciones siguientes:
T0 900
g1 log log 1,0986
T1 300
La Figura 19.8 muestra este plan de pruebas en operacin. Se prueban

nueve unidades secuencialmente y sin sustitucin. Los dos primeros fallos se
producen a las 100 y 250 horas, respectivamente.
Perodo de tiempo Unidades Horas de unidades Q

0-100 9 900 900
100-250 8 1.200 2.100
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
Figura 19.8. Plan de prueba secuencial.
No hay tablas para planes de muestreo secuencial y se recomienda al lector

que use las ecuaciones [19.32] y [19.33] para calcular los necesarios procedi-
mientos de plan de pruebas.
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
significativo las condiciones ambientales y el personal de operaciones del lugar

en que se use dicho elemento. En efecto, el mantenimiento es una operacin
relacionada con la produccin que se lleva a cabo en o cerca del lugar donde el
elemento se usa, en el que la produccin se limita a reparar o sustituir unidades
daadas, marginales o que han de cambiarse por el transcurso del tiempo. Por
ello, es susceptible de que se le apliquen los mismos tipos de control de fiabilidad
que se aplican a la operacin de fabricacin.
Se realizan tres clases de mantenimiento:
1. Corrector: reparacin, ajuste o sustitucin como consecuencia de la
operacin insatisfactoria del equipo.
2. Preventivo: reparacin, ajuste o sustitucin de equipo satisfactorio para
evitar futuros acontecimientos en forma de operacin insatisfactoria; se
utiliza para ampliar la fase de fallos debidos al azar de la curva de
baera.
3. Verificador: inspecciones para determinar la condicin del equipo con
objeto de establecer la necesidad de mantenimiento preventivo o correc-
tor. Se trata, fundamentalmente, de una operacin de inspeccin.
Los factores ms significativos dentro del mantenimiento y apoyo son los
siguientes9:
Criterios de funcionamiento adecuado:
Tanto los operarios como el personal de mantenimiento deben tener los

conocimientos y habilidad necesarios para tomar decisiones correctas sobre el
funcionamiento del equipo. El mantenimiento depende de que se tomen deci-
siones correctas sobre si es o no necesario realizarlo. Tales decisiones se pueden
tomar en la fase de verificacin, en la preventiva o por el mismo operario
encargado de la mquina como consecuencia de una operacin insatisfactoria.
El mantenimiento se puede mejorar aadiendo al equipo algn dispositivo que
sirva para revelar un funcionamiento insatisfactorio tan pronto como se pro-
duzca. Los clculos sobre disponibilidad de equipos y sobre el tiempo en que la
mquina debe parar para mantenimiento preventivo deben ser realistas.
Prueba marginal:
La prueba marginal es una tcnica para detectar fallos potenciales con

objeto de reducirlos. Consiste en realizar pruebas en los valores mximo y
mnimo exigidos por las especificaciones. Este mtodo de prueba en los mrge-
nes del intervalo aceptable de las especificaciones ayudar muchas veces a
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:
Si hay que realizar una sustitucin, aparece un nuevo factor: el aprovisiona-

miento de repuestos. Se debe disponer de los repuestos adecuados, en cantidad
suficiente y de la misma o mejor calidad. La fiabilidad del equipo no necesaria-
mente conlleva requisitos sobre repuestos. Generalmente, slo los fallos real-
mente aleatorios se incluyen en los clculos sobre fiabilidad. Las sustituciones
como consecuencia de pruebas marginales, o por componentes daados duran-
te el mantenimiento o los fallos de carcter secundario (los que resultan de un
fallo primario), no suelen incluirse al estimar la fiabilidad de un sistema. El
nmero total de sustituciones durante un cierto perodo de tiempo puede
superar en tres o cuatro veces al de fallos realmente debidos al azar. Por tanto,
no slo hay que tener en cuenta la tasa de fallos al planificar los repuestos sino
tambin este otro tipo de sustituciones.
Entrenamiento:
La sustitucin de componentes de tipo secuencial y aleatoria hasta lograr

que desaparezca el problema no resulta deseable. Desgraciadamente, el mante-
nimiento de campo se reduce a veces a dicho mtodo. El efecto es una reduc-
cin seria de la fiabilidad a causa de daos accidentales, montajes mal realiza-
dos, mal alineamiento y otros actos negligentes. Es obligatorio disponer de
procedimientos detallados para localizar los problemas. Para cada tipo de fallo,
los manuales de mantenimiento deberan incluir instrucciones sobre cmo
descubrir el fallo y la accin correctora que debera iniciarse. Los programas de
entrenamiento sobre mantenimiento deberan proporcionar una instruccin
precisa y completa sobre los diversos mtodos existentes.
Manuales e instrucciones tcnicas:
Unas instrucciones sobre mantenimiento sencillas e inteligibles resultan

esenciales para lograr un mantenimiento idneo del equipo y una operacin
satisfactoria. Deben ser claras, concisas y lo suficientemente directas para per-
mitir al personal de mantenimiento seguir una rutina detallada que les lleve a
aislar el problema. Siempre que sea posible las exigencias sobre calidad de
mantenimiento deben expresarse de forma cuantitativa y no de forma cualitati-
va. Ya que el mantenimiento es similar a la produccin, deben aplicarse los
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.
Equipo de pruebas e instalaciones:
El mantenimiento del equipo puede exigir el uso de equipo de precisin para

realizar una variedad de mediciones. Tal equipo deber ser al menos tan
preciso como el equipo de pruebas que se utiliza en la produccin y en las
pruebas. Debe calibrarse siempre que sea necesario y las normas de manteni-
miento deben ser uniformes en las distintas reas. Por ltimo, el equipo de
pruebas debe ser el adecuado para realizar las pruebas necesarias y debe estar
disponible siempre que se precise de l.
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
19.2. Un componente ligero de peso de un conjunto elctrico tiene una Habilidad de

0,70. Se puede tolerar la previsin de dos unidades redundantes sin efecto
apreciable sobre las especificaciones de peso. Si se instalan dos unidades redun-
dantes del mismo componente, cul ser la fiabilidad compuesta de las tres?
19.3. Se puede reducir un conjunto de seis a tres componentes por medio de una
simplificacin. La fiabilidad de cada uno de los seis componentes es de 0,98.
Suponiendo que no se produzca cambio alguno en la fiabilidad de los
componentes cul sera el cambio en la fiabilidad del conjunto al reducir los com-
ponentes?
19.4. Una muestra de diez tubos de nen utilizados en una consola se observ
mediante un sistema que informaba sobre su estado. Los tiempos de fallos, sin
sustitucin, fueron, respectivamente, 2.935, 3.658, 3.868, 3.870, 4.102, 4.119,
4.320, 4.719, 4.923 y 5.100. Cul es la vida media estimada?
19.5. Si las especificaciones de dichos tubos exigieran que el MTFF fuera igual o
superior a 5.000 horas, pueden aceptarse esos tubos? Use una prueba ji al
cuadrado.
FIABILIDAD 447
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?
19.9. Cul sera la conclusin en el problema 19.8 si se observaran los mismos

momentos de fallo en una prueba de diez unidades con sustitucin?
19.10. Establecer un plan de prueba de vida para las siguientes condiciones: = 0,05,
= 0,10, vida media aceptable 600 horas, vida media inaceptable 400 horas.
19.11. La vida media aceptable de un producto es de 1.000 horas. El consumidor
desea limitar la probabilidad de aceptar elementos con vida media de 500 horas
o menos, hasta 0,05. Si el riesgo del productor ha de ser de 0,05 y la prueba ha
de terminarse en 200 horas, cuntas unidades deberan someterse a prueba sin
sustitucin? Cul es el nmero de fallos que da lugar a la terminacin de la
prueba?
19.12. Establecer un plan de muestreo que acepte al menos el 90 por 100 de los lotes
cuando no ms del 2 por 100 de los elementos fallen en 200 horas, y rechace al
menos el 90 por 100 de los lotes cuando el 10 por 100 o ms de los elementos
fallen antes de las 200 horas?
19.13. Usando la Tabla A18.8 hallar el plan de muestreo de prueba de vida sin
sustitucin que acepte al menos el 95 por 100 de los lotes en los que la tasa de
fallos para un cierto perodo de tiempo, expresada porcentualmente, sea igual o
menor al 5 por 100 por 1.000 horas, y que rechace al menos el 90 por 100 de los
lotes que tengan una tasa de fallos superior o igual al 10 por 100 por 1.000
horas.
19.14. Cmo se calculara la curva OC para un plan de la Tabla A18.2? Asumir que
la densidad de fallos exponencial, la sustitucin de unidades daadas y el
tamao y el tamao de la muestra son iguales a 4r.
19.15. Determinar un plan de prueba de vida secuencial cuando la vida media acepta-
ble es 5.000 horas y la vida media inaceptable es 3.000 horas, y son, ambos,
0,10.
19.16. Calcular los puntos significativos de la curva OC para el plan del problema
19.15.
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.
Publicaciones del gobierno de Estados Unidos
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
A1 Zonas bajo curva normal.

A2 Funcin de densidad normal estndar.
A3 Distribucin acumulativa de Poisson.
A4 Distribucin ji al cuadrado.
A5 Distribucin t de Student.
A6 Distribucin F.
A7 Factores para estimar a partir de R y .S
A8 Factores para lmites de control de los grficos X , S y R.
A9 Frmulas para grficos de control.
A10 Frmulas y factores para grficos de medianas y centros de recorrido.
A11 Lmites de control de grficos p.
A12 Duracin media del recorrido, sabiendo .
A13 Duracin media del recorrido, basada en R .
A14 Tablas MIL-STD-105D.
A15 Tablas MIL-STD-414.
A16 Tablas MIL-STD-1235 ORD.
A17 Planes de muestreo Dodge-Roming.
A18 Tablas del Manual H108.
451
TABLAS 453
TABLAS 455
TABLA A3.1. Distribucin acumulativa de Poisson

TABLAS 457
TABLA A3.1. Distribucin acumulativa de Poisson (Continuacin)

TABLA A3.2. Valores medios para obtener las probabilidades acumulativas

de Poisson deseadas*
TABLAS 459
TABLAS 461
TABLAS 463
TABLAS 465
TABLAS 467
TABLAS 469
TABLAS 471
TABLAS 473
TABLAS 475
TABLAS 477
TABLAS 479
TABLAS 481
TABLAS 483
TABLAS 485
TABLAS 487
TABLAS 489
TABLAS 491
TABLAS 493
TABLAS 495
TABLAS 497
TABLAS 499
TABLA A15.4. Tabla para el clculo del porcentaje de elementos defectuosos del lote
usando el mtodo de la desviacin estndar
TABLAS 501
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
TABLAS 505
TABLAS 507
TABLAS 509
TABLA A 15.7. Limites de porcentaje estimado de elementos defectuosos del lote

para inspeccin reducida, mtodo de desviacin estndar (Tabla B-7 del MIL-STD-414)
TABLAS 511
TABLA A15.8. Mtodo de desviacin estndar, valores de T para inspeccin

rigurosa (Tabla B-6 del MIL-STD-414)
TABLAS 513
TABLAS 515
TABLAS 517
TABLAS 519
TABLAS 521
TABLAS 523
TABLAS 525
TABLAS 527
TABLAS 529
TABLAS 531
TABLA A18.3. Pruebas de vida para un nmero preestablecido de fallos basadas

en , y 1 / 0
TABLAS 533
TABLAS 535
TABLA A 18.6. Pruebas de vida para un tiempo preestablecido, basadas en , ,

y 1/0, (sin sustitucin) (Continuacin)
TABLA A18.7. Pruebas de vida para un tiempo preestablecido, basadas en , ,

y /0, (con sustitucin)
TABLAS 537
TABLA A18.7. Pruebas de vida para un tiempo preestablecido, basadas en , ,

y /0, (con sustitucin) (Continuacin)
TABLAS 539
ndice
A Artesanos operativos, 387

Asesores especializados, 390-391
Acciones de ajuste, responsabilidad por Asesora general, 390
el grfico y por las, 98 Atributo(s), 163
Aceptacin grficos de control, 163-197
procedimiento(s) muestreo de aceptacin
basada en AQL, 245-269 continuo, 291-315
calidad indiferente, 272-275 lote por lote, 235-243
de defectos, 262-263 Aumento del control de calidad, 4-5
secuencial, 278-283 Autoridad del circulo de control de
basada en MTTF, 440-443 calidad, 297-298
Administracin
de planes de muestreo, 253
criterios de, 258-260 B
procedimiento para la presentacin y nueva pre-
sentacin de lotes, 265-267 Base experimental para estndar de calidad, 361
Ajuste
de la tendencia dentro del
estudio, 208-209
C
interferencia y tolerancia, 214-217
Alcance del crculo de control de calidad, 396 Clculo de la curva, OC, 145-147
Algebra de probabilidad, 24 Calibradores
Anlisis aceptacin y rechazo, normas, 163
de la capacidad del proceso, 199-220 definicin, 343
de valor, 182 programa de control, 341-348
del valor de calidad, 181 Calidad, 1-2
del valor de la calidad del de aceptacin, 229
producto, 351-354 de conformidad al diseo, vase Diseo,
ex post fado, 180 conformidad de proyecto, 3, 5-10
AOQL, vase Nivel medio de calidad de de entrada, 230
salida (lmite) de funcionamiento, 3-4
Aplicacin del control de atributos a fiabilidad y, 16-17
las fbricas, 170-177
inaceptable, q,, 229
Aprovisionamiento de repuestos, 445
indiferencia, vase Entradas de indiferencias,
Aproximaciones, jerarqua, 40-43
direccin de, 17-18
AQL, vase Nivel de calidad aceptable, 369-370
541
542 NDICE
marginal, influencia de, y planes de Control

muestreo, 253-254 aceptacin
media de salida, 230-231 objetivos, 221-222
ptima de funcionamiento, 3-4 prueba de hiptesis, 226-227
q 1 , 229 atributos, aplicacin del control
y fiabilidad a las fbricas, 170-177
evaluacin, 338-341 de calidad (QC)
planificacin, 334 aumento, 4-5
y productividad, 18-19 de procesos de fbricas, 168-170
directrices de la gerencia para mejorar, 386- definicin, 2
387 distribucin de la duracin de racha, 149-151
organizacin, 392 en bruto del proceso, 163
Cambio en la media del proceso, produccin de en perspectiva, 1-20
elementos defectuosos antes de detectarse, estadstico, 22
158-161 kanbanes y, 412-413
Cantidad media de la muestra (ASN), 264-265 optimacin econmica, 163
Cantidad total de inspeccin de muestreo, 264-265 de costos de calidad de tipo tcnico, 376
Capacidad de defectos por unidad, aplicacin, 178-180
de mantenimiento, 430 de funcionamiento
del proceso, 81, 98 aplicaciones posibles, 192
determinacin, 199-202 grfico de atributos, 182-183
mtodo de intervalo nico, 206-207 ndice grfico, 183-189
utilizando observaciones de la muestra estadstico
y tolerancia, 208-209 de procesos, 83-100
Caractersticas de calidad, 22
de la inspeccin y niveles experimentales de cali- fiabilidad, distribuciones halladas al
dad estndar, nmero, 369-370 controlarla, 416-420
operativas presupuestario de costos de calidad, 372-376
de un grfico de control, 143-145 proceso, 98
de un plan de muestreo, 227-229 procedimientos especiales de control, 121-142
variables de calidad, produccin, sistemas feedforward y feedback,
grficos de control, 101-120 404, 408
puntos especficos, 105-107 punto de, 272
principios bsicos, 102-104 rendimiento, vase Control de rendimiento
Carretilla kanban, 409-410 Costo
Cero, cantidad de aceptacin de, y planes calidad
de muestreo, 254 control presupuestario, 372-376
Ciclo vital, 5 de tipo tcnico, control, 376
Crculo(s) economas en la calidad total, 352
de calidad, vase Crculo de control de calidad de inspeccin, 368
de control de calidad, vase Crculo de control estimacin, 372, 373
de calidad, 396-401 fallos, 372, 374
elementos bsicos, 397-398 inspeccin por unidad y planes de muestreo, 254
inicio, 398-390 prevencin, 372, 373
presentacin de recomendaciones, 400-401 totales, mnimos y estndar de calidad, 360-361
solucin de problemas en, pasos, 400 Curva de caractersticas operativas (curva OC), 15,
tcnicas de solucin de problemas, 399-400 145, 271
Clasificacin clculo, 145-147
de defectos de un plan de muestreo, 227-229
de conjuntos complejos, 362-366 de un plan de muestreo simple por
ilustracin, 368 atributos, construccin, 236-240
procedimiento, 354-358 de una prueba, 56, 57
de demritos, 367-368 en muestreo de aceptacin, anlisis
Coeficiente de probabilidad, 281 e interpretacin, 242-243
Columna de observaciones, 358-359 longitud media de racha, 158
Concepto de frecuencia relativa de probabilidad, OC, vase Curva de caractersticas operativas
23 riesgo del fabricante y, 257-258
Conformidad con el diseo, vase Diseo, confor- y el tamao del subgrupo, 147-149
midad
Conjuntos complejos, clasificacin de defectos,
362-365, 366 D
Consideraciones psicolgicas y planes de mues-
treo, 255 Datos
Consistencia y estndar de calidad, 361 de parejas de probetas; varianza desconocida y
Construccin de la curva OC de un plan de mues- significancia de la diferencia entre medias
treo simple por atributos, 236-240 mustrales, 69-70
NDICE 543
de pares de muestras, varianza desconocida y Divisin(es)

significado de la diferencia entre medianas del trabajo y funcionalizacin, 388-392
de calidad, 67-70 escalar y funcional, 387
histricos y estndar de calidad, 360
para una prueba, 52
prueba de hiptesis, 51-54
E
Defectos, 248 .
clasificacin
Economa de costo en la calidad total, 352
de conjuntos complejos, 262-266
Eleccin econmica de un plan de
ilustracin, 368
procedimiento, 354-358 muestreo, 377-381
crticos, 262, 357, 368 Elementos defectuosos, 248
de gran importancia, 262, 357, 365, 368 antes de detectarse un cambio en la
grfico de control, 177-178 media del proceso, produccin, 158-161
mal distribuidos, 376 porcentajes, procedimientos de muestreo
menor A, 262, 357, 365, 368 y tablas para inspeccin por variables para,
menor B, 262, 365, 368 321-326
para el Estndar Militar 105-D, 263-264 Eliminacin de problemas de calidad,
procedimiento de aceptacin, 262-263 grfico de abributos, 180-181
significancia de una diferencia entre Empresa, objetivos, 386
el nmero de elementos defectuosos Encuesta de calidad, 338-341
de una muestra y el nmero especificado por previa a la adjudicacin, 334-337
un estndar, 71-72 Entrenamiento y fiabilidad, 445
Demritos, clasificacin de, 367-368 Equipo para pruebas
Densidad de fallos definicin, 343
exponencial, 423-424 e instalaciones, 446
estimacin de MTTF y, 424-427 programas de control, 241-248
Weibull, 427-428 Error(es)
Desarrollo de estimacin, 49
de grfico de control, 93-95 tipo I y tipo II, 54-58
de un plan sencillo de muestreo de Espacio
atributos, 240-241 continuo de sucesos, 26
Descarga, 429 de sucesos
Desviacin estndar, 29, 38 numricamente valorados, 26
Determinacin del potencial del proceso, vase Po- discreto de un acontecimiento, 26
tencial del proceso, determinacin finito de un suceso, 26
Diferencias, significado, vase Significado de las infinito de un acontecimiento, 26
diferencias Especificacin(es), 199
Direccin de AQL, 249-251
de calidad, 17-18 de mtodo de inspeccin, 358-359
participativa, 396 de nivel de inspeccin, 251-252
Directrices de la gerencia para mejorar calidad y y tolerancias de proyecto, 209-210
productividad, 386-387 Esperanzas matemticas, 28-29
Diseos tcnicos, inclusin de los Establecimiento
estndares de calidad, 362 de niveles de calidad estndar, 359-366
Disponibilidad de lotes para seleccin de muestras, de tolerancias para fases intermedias
253 de la produccin, 213-214
Distribucin(es) Estadstica(s)
binomial, 32-34 prueba, 51-52
estimadores, 50 y probabilidad en el control de calidad, funda-
de frecuencia, representacin grfica, 46-48 mentos, 21-81
de funciones de observaciones de Estndares)
muestras, 50-51 de calidad, -en diseos tcnicos, inclusin de,
de longitud de racha, 58 362
en control de calidad, 149-151 de garanta de calidad, mtodos y, 351-370
en estudios de control de calidad, 30-40 demritos, 360
estimadores, 48-51 media de una muestra, significancia
exponencial y de Weibull, 39-40 variabilidad desconocida, 66-67
halladas al controlar la fiabilidad, 416-420 varianza conocida, 66
hipergeomtrica, 30-32 (n grande y p' pequea) significancia
normal, 36-39 de la diferencia entre una proporcin y, 71
estimadores, 49-50 niveles experimentales de calidad, 369-370
parmetros y sus, 48 nmero de elementos defectuosos de una
Poisson, 34-36 muestra y el nmero especificado por, signifi-
estimadores, 50 cancia de la diferencia 71-72
probabilidad, 27 Philips, sistema de muestreo, 272
544 NDICE
proporcin y (n grande) significancia G

de la diferencia, 70-71
varianza de la muestra y, significancia Garanta de calidad
de la diferencia, 73-74 diseo, 333-349
Estimacin mtodos, 5
de la media del proceso, 277-278 y normas, 351-370
de MTTF, densidad exponencial de fallos y, muestreo de verificacin, 287-288
424-427 responsabilidades, 222-223
de punto, 49 Grados de libertad, 60-63
error, 49 Grficos
intervalo, 48 atributos
media conocida, R utilizada para para control de funcionamiento, 182-183
estimar la varianza, 151-153 para defectos medios, 179
X utilizado para estimar la media; R para problemas de calidad, 180-181
utilizado para estimar la varianza, 153 control
Estimaciones y sus distribuciones, 48-51 caractersticas operativas, 143-145
Estimadores, 48 causa-defecto, 176
Estructura de una organizacin, 387-388 creacin, 96-97
Estudio de control de calidad, algunas distribucio- datos de departamento y control general, 175
nes tiles, 30-40 de atributos, 163-197
Estudio de un proyecto de control de calidad, re- defectos, 177
sultados, 7-9 en el perodo de vigilancia, 110, 114-116
Evaluacin de calidad y Habilidad, 338-341 forma bsica, 91-93
inicio, 109-111
para medidas individuales, 124-129
para X y s, 121-124
F porcentajes (grfico p), 164-168
propiedades, 143-162
Factores de grficos de control, responsabilidad por el grfico y por las accio-
derivacin, 108-109 nes de ajuste, 98
Fallo(s), 358 uso, 93-95, 104-105
tiempo medio, 420 CUSUM, 131-140
tiempo medio hasta un, 420-423 de sumas acumuladas, promedio mvil
estimacin de, y densidad exponencial de fa- y, 131-133
llos, 420-423 del lugar de trabajo, 172-176
Fases intermedias de la produccin, fbrica, 172
establecimiento de tolerancias, 213-214 ndice, para control de funcionamiento, 183-189
Fiabilidad, 334, 415-449 para caractersticas variables de calidad, 101-120
calidad de funcionamiento y, 16-17 especficos, 106
calidad y promedio mvil (suma), 131-133
evaluacin, 338-341 Shewhart, 12
planificacin, 334 supervisin, 173, 174
distribuciones, 416-420 vase Grfico de control de porcentajes X y R,
logro, 428-429 12
mantenimiento, medida y pruebas,
proyectos de ingeniera, 429-432
Frecuencia, 26-28 H
Funcin(es)
de densidad de probabilidad (FDP), 27 Herramienta(s)
de observaciones de muestras, distribuciones, definicin, 343
50-51 programa de control, 341-348
de potencia Hiptesis, 51
del grfico de control, 145-146 simple, 63
de prueba, 56, 57 Histograma, 46-47
de probabilidad, vase Funciones de probabili- Hoja del total diario de inspecciones, 171.
dad
acumuladas, 28
en la prctica, 43-46
I
normal, 47
de riesgo, 419 ndice grfico para control de funcionamiento,
estimadora, 49 183-189
Funcionalizacin, divisin del trabajo y, 388-392 Inferencia estadstica de la variabilidad del proce-
Funcionamiento so, 87-90
adecuado, criterios, 444-445 Influencia de la calidad marginal y
calidad, 3-4 planes de muestreo, 253-254
fiabilidad y, 16-17
NDICE 545
Informacin sobre el lote y planes de de aviso, 129-131

muestreo, 253 uso, 154-157
Informe de calidad media de salida (AOQL), 231
de anlisis de calidad, 366 planes para AOQL especficos, 304-315
del supervisor sobre desviaciones, 174 de control, 11
Ingeniera de las especificaciones, 84
control de costos de calidad, 376 de los planos, 84
de calidad, 333-334 del proceso, 84
Inspeccin naturales, 84
AQL e, 246 Lista de cdigo de problemas, 363
cien por cien, 14 Logro de la fiabilidad, 428
costo, 368 Longitud de racha
de muestreo, 32 de un proceso de vigilancia, 58-60
cantidad total, 264-265 media
de rectificacin, 229-230 curva OC y, 158
inspeccin total bajo inspeccin de rectifica- para X grficos, 151-153
cin, 231-232 Lotes
de unidad, costo de, y planes de en movimiento, 292-293
muestreo, 254 presentacin y nueva presentacin
herramientas utilizadas como medio, 343 procedimiento administrativo, 265-267
localizada, 224
media total (ATI), 231
normal, 252, 258
por variables para porcentajes de elementos de- M
fectuosos, procedimientos de muestreo y
tablas, 321-326 Mantenimiento
precisin, 368 corrector, 444
reducida, plan, 252, 302 grfico de control y acciones de
rigurosa, plan, 252, 258, 303 aguste, responsabilidad, 98
total, bajo inspeccin de rectificacin, 231-232 preventivo, 444
Instalacin de mquinas, utilizacin como medio verificador, 444
para la inspeccin, 343 y fiabilidad, 443-446
Instrucciones tcnicas, para mantenimiento, 445- Manual H108, uso del, 433-440
Manuales de mantenimiento, 445
446
Mquinas, variabilidad, 83-87
Interferencia y tolerancia de ajuste, 214-217
Materiales, variabilidad, 83-87
Investigacin, causas, 97-98
Media(s)
IQL, vase Nivel de indiferencia de la calidad
calidad, 351
conocida
J y R utilizado para estimar la varianza, 151-
152
Jerarqua de aproximacin, 40-43 y varianzas conocidas, y grficos
Juicios de ingeniera y estndar de para la longitud media de racha
calidad, 360-361 para X, 151-152
Juicio emprico, tcnico y estndar de de muestra
calidad, 360, 361 significancia de la diferencia entre: datos de
parejas de probetas; varianza desconocida,
60-70
K significancia de un estndar
variabilidad desconocida, 66-67
Kanban varianza conocida, 66
de proveedor, 410 significancia de una diferencia entre las me-
de retirada, 409 das de dos muestras
seal de, 409 igual pero desconocida o', 68
urgente, 410 varianzas conocidas e iguales, 67-68
del proceso
clculo, 227-278
L cambio en, produccin de elementos defectuo-
sos antes de detectarse, 158-161
Laboratorio de calibre, 347-348 estimada, registros de inspeccin y, 260-262
Ley(es) individuales, grficos de control, 124-129
de Poisson, 15 X utilizado para estimar la media; R utilizado
de probabilidad, 23-26 para estimar la varianza, 153
Libertad, grados, 60-63 y pruebas de fiabilidad, 432-433
Lmite(s) Mtodo
central, teorema, 42-43 de inspeccin, especificacin, 358-359
546 NDICE
de intervalo nico, para determinar la capacidad especificaciones, 249-251

del proceso, 206-207 historia, 247
de muestreo de inspeccin localizada, falacias, procedimientos
224-225 aplicabilidad, 248
de porcentaje localizado, 224-225 decisiones iniciales, 248-249
y normas de garanta de calidad, 351 procedimientos de aceptacin, 262-263
Miembro del crculo de control de de calidad estndar
calidad, 397 establecimiento, 359-366
MIL-STD-105D, uso de, para defectos, 263-264 experimentales, 369-370
MIL-STD-414 y procedimientos de muestreo y ta- de indiferencia de calidad (IQL), 360
blas para inspeccin por variables para de inspeccin, especificacin, 251-252
porcentajes de elementos defectuosos, 321- de inspeccin general, 251-252
326 de significancia, 110
MIL-STD-1235 (ORD) y muestreo continuo de Normas de aceptacin y rechazo, 163
aceptacin por atributos, 294-296 Nmero
Modelo de tasa de aceptacin de cero y planes de muestreo, 254
constante de fallos (CFR), 428 de caractersticas de inspeccin, y niveles experi-
creciente de fallos (IFR), 428 mentales de calidad estndar, 369-370
decreciente de fallos (DFR), 428 de elementos defectuosos de una muestra y el
Momentos nmero especificado por un estndar, sig-
centrales, 29 nificancia de una diferencia, 71-72
MTTF, vase Tiempo medio para el fallo
Muestra(s), 48
elementos defectuosos y el nmero especificado O
por un estndar, significancia de una dife-
rencia entre el nmero de, 71-72 Objetivos de una empresa, 386
representativa, 98 Observaciones de la muestra
varianzas de la muestra de dos, significancia de determinacin de la capacidad de un proceso,
la diferencia, 74-75 202-206
Muestreo distribuciones de funciones, 50-51
aceptacin Ojiva, 47
calidad de concordancia con el proyecto y, Operacin del plan de muestreo
14-16 de variables, 319-321
continuo, por atributos, 291-315 resultados, 9-10
lote por lote, por atributos, 235-243 ptima en sentido absoluto, 58
por variables, aplicabilidad, 317-318 Optimacin econmica del control de
continuo de aceptacin por calidad, 376-377
atributos, 291-315 Ordenacin de frecuencias, 44
descripcin, 296-301 Organizacin
efectividad, 303-304 calidad
nota histrica, 294 tradicional de calidad, 392-396
ventajas, 291-292 y productividad, para lograr, 392
de demrito, 272, 283-287 de produccin, 389
de verificacin para garanta de calidad, 267-268 estructura, 387-388
del proceso, 98-99 lnea, 388
doble plan, 232-233, 252-255
mtodo de inspeccin localizada, falacias, 224-
225 P
mltiple, plan, 232-233, 252-255
Parmetros
secuencial, 272
distribuciones, 48
vase tambin planes de muestreo
escala, 39
forma, 39
N muestra, 48
situacin, 39
N grande Pares de muestras, datos de; varianza desconocida,
n 1 , n 2 y np' mayor que 5 en cada muestra, y y significancia de la diferencia entre medias
significancia de una diferencia entre dos mustrales, 69
proporciones, 72 Perodo
y p' pequea, y significancia de diferencia entre base, 96, 110
una proporcin y un estndar, 71 proceso no estable, 111-114
y significancia de una diferencia entre una pro- de vigilancia, 96-97
porcin y un estndar, 70-71 grfico de control, 110-111
Nivel(es) Personal, 389-392
de calidad aceptable (AQL), 369-370 asesor, 390
circunstancias que aconsejan el uso, 246-247 de control, 391
NDICE 547
encargado de servicios, 391 basada en MTTF, 440-443

Personas, variabilidad, 83-87 de muestreo y tablas para inspeccin por varia-
Plan(es) bles para porcentajes de elementos defec-
de doble muestreo, 232-233 tuosos, 321, 326
de etapa nica Proceso(s)
CSP-A, 297-300 control estadstico, 83-100
CSP-1, 296 de fbricas, control de calidad, 168-170
CSP-2, 296-297 de produccin, 58 .
de inspeccin en bruto, control de calidad, 163
reducida, 252, 301-303 fuera de control, 11
rigurosa, 252, 258 no estable durante el perodo base, 111-114
de muestreo, variacin del, variacin a lo largo del tiempo
atributos contra, 90-91
caracterstica operativa, 227-229 vigilancia
mltiple, 233 calidad de concordancia con el proyecto y, 10-
resultados de la operacin, 9-10 14
seleccin econmica, 377-381 longitud de racha, 58-60
simple por atributos, construccin de la curva Produccin
OC, 236-240 de elementos defectuosos antes de detectarse un
nico, 232, 252-255 cambio en la media del proceso, 158-161
por atributos, construccin de la curva OC, fases intermedias de, establecimiento de toleran-
236-240 cias, 213-214
variables, 313-319 Productividad, 2
diseo, 326-330 calidad y, 18-19
operacin, 319-321 definicin, 371
multietpico CSP-M, 301 directrices de la gerencia para mejorar, 386-
sencillo de muestreo de atributos 387
desarrollo de un, 240-241 organizacin para lograr, 392
curva de OC, anlisis e interpretacin de, 242- y economa, 371-372
243 Programa
Planificacin de Circuios de control de calidad, nuevo, 401-
de calidad y fiabilidad, 334 404
de garanta de calidad, 351 de control de herramientas,
Poblacin, 29, 48 calibradores y equipo de pruebas,
Polgono, 46, 47 elementos, 341-348
Potencia de una prueba, 54-58 Promedio(s)
Potencial mviles, grficos de promedios, 132-133
mquina, 84-85 proceso, vase Promedio del proceso
proceso, vase Entradas de potencial del proceso pruebas de significancia, 63-65
Porcentajes de elementos defectuosos Promocin del control de calidad, 4
procedimientos de muestreo y tablas para ins- Proporciones
peccin por variables, 321-326 (n 1 y n 2 grandes y np' mayor que 5 en cada
Precisin de la inspeccin, 368 muestra) significancia de una diferencia en-
Presentacin y nueva presentacin de lotes tre dos, 72
procedimiento administrativo, 265-267 significancia para medias de muestras: pruebas (,
Probabilidad(es) 66-70
lgebra, 24 Proyecto
concepto de frecuencia relativa, 23 concordancia con, calidad, 3
condicional, 24 calidad, 3, 5-10
de A o B, 24 de la garanta de calidad, 333-349
de A y B, 24 de planes de muestreo por variables, 326-330
del complemento de A, 24 muestreo de aceptacin y, 14-16
leyes, 23-26 vigilancia del proceso y, 10-14
sucesos y, 22-23 Prueba(s)
Problema(s) coeficiente de probabilidad secuencial, 279
de calidad de carcter ambiental, 433
grficos de atributos, 180-181 de dos colas, 64
sencillos resueltos como de hiptesis, 51-54
problemas de probabilidad, 25-26 en control de aceptacin, 226-227
de inspeccin, simple ilustracin de de una cola, 64
la teora de los juegos, 381-384 de vida, 433
Procedimientos funcionales, 433
de aceptacin marginal, 444-445
de calidad medida y, de fiabilidad, 432-433
indiferente, 272-277 para significancia de la diferencia entre varian-
secuencial, 278-283 zas, 73-75
548 NDICE
potencia, 54-58 que incluyen proporciones, prueba , 70-72

significancia, 63-65 de la media de una muestra y de un estndar
para medias de muestras, 66-70 variabilidad desconocida, 66-67
t, 66-70 varianza conocida, 66
para significancia de diferencias relativas a nivel, 64
proporciones, 70-72 Sistema
uniformemente ms potente, 56 de clasificacin de demritos, 189-192
Punto de control, 272 de muestreo estndar Philips, 272
exactamente en el momento preciso, 408
feedback, 408
Q feedforward, 404
Kamban, 404, 409-413
q1 de indiferencia de calidad, 229 Philips de muestreo estndar, 272
QC, vase control de calidad Solucin de problemas en crculos QC, casos, 400
Subconjuntos, tolerancias, 211-213
Subgrupo, 132
R Sucesos
mutuamente excluyentes, 25
R utilizada para calcular la varianza estadsticos dependientes, 24
media conocida y, 151 y probabilidades, 22-23
X en la estimacin de la media, 153
Recomendaciones en crculos QC, presentacin de,
400-401 T
Recursos del crculo de control de calidad, 397
Redundancia, 430 Tablas
Registros de inspeccin y media estimada de pro- Dodge-Roming, 275-277
ceso, 260-262 para planos de muestreo, descripcin y uso, 225-
Relaciones 257
dentro de la fbrica, 223-224 y procedimientos de muestreo para inspeccin
entre divisiones, 223-224 por variables para porcentajes de elemen-
entre empresas, 223-224 tos defectuosos, 321-326
entre receptor y productor, 223-224 Tamao
Registros de inspeccin y media estimada del pro- de la muestra, 109-110
ceso, 260-262 del subgrupo, curva OC y, 147-149
Representacin grfica de una distribucin de fre- mnimo del agujero, 357
cuencia, 46-48 Tarjeta de contabilidad de mquina, 364
Responsabilidades de planificacin, 337-338 Tasa de riesgo o funcin de riesgo, 419
Resultados de calidad reales, 180 Tcnica de solucin de problemas en crculos QC,
Riesgo del fabricante y curvas OC, 257-258 399-400
Tendencia
central, 29
S dentro del estudio, ajuste, 208-209
Teorema del lmite central, 42-43
Segundo momento central, 29 Teora de los juegos aplicada a un problema de
Seguridad, calidad de, vase Seguridad de calidad inspeccin, 381-384
Seleccin de muestras, disponibilidad de lotes, 253 Tiempo
Servicio, 430 medio hasta un fallo (MTBF), 420-423
Significancia de diferencia(s) clculo de, y densidad exponencial de fallos,
entre dos proporciones (n 1 y n 2 grandes y np' 424-427
mayor que 5 en cada muestra), 72 procedimientos de aceptacin secuencial, 440-
entre el nmero de elementos defectuosos de 443
una muestra y el nmero especificado por variacin a lo largo del, contra variacin natural
un estndar, 71-72 del proceso, 90-91
entre la proporcin y el estndar Tolerancia(s), 199
(n grande), 70-71 capacidad del proceso y, 210-211
(n grande y p' pequea), 71 de ajuste, interferencia y, 214-217
entre las medias de dos muestras del lote en porcentaje de elementos defectuosos
igual pero desconocida, 68 (LTPD), 360
varianzas conocidas e iguales, 67-68 especificaciones de proyecto y, 209-210
entre medias mustrales: datos de parejas de establecida, 12
probetas; varianza desconocida, 69-70 establecimiento para fases intermedias de la pro-
entre varianza de la muestra duccin, 214
de dos muestras, 74-75 natural, 12
y estndar, 73-74 para subconjuntos, 211-213
entre varianzas, pruebas, 73-75 Trabajo y funcionalizacin, divisin, 388-392
NDICE 549
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

Control de Calidad

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control de Calidad

Uploaded by

Copyright:

Available Formats

Control de Calidad

1987 Prentice-Hall, Inc.

No est permitida la reproduccin total o parcial de este libro, ni su

ISBN lengua inglesa: 0-13-745225-X

Edita: Daz de Santos, S. A.

1. EL CONTROL DE CALIDAD EN PERSPECTIVA .................... 1

3. CONTROL ESTADSTICO DE PROCESOS ............................ 83

4. GRFICOS DE CONTROL PARA CARACTERSTICAS VA-

5. PROCEDIMIENTOS ESPECIALES DE CONTROL DE PRO-

6. PROPIEDADES DE LOS GRFICOS DE CONTROL.............. 143

Caracterstica operativa de un plan de muestreo 227

10. MUESTREO DE ACEPTACIN POR ATRIBUTOS, LOTE A

11. PROCEDIMIENTOS DE ACEPTACIN BASADOS EN AQL 245

12. OTROS PROCEDIMIENTOS DE ACEPTACIN ..................... 271

13. MUESTREO CONTINUO DE ACEPTACIN POR ATRI-

Resea histrica 294

14. PROCEDIMIENTOS DE ACEPTACIN POR CARACTERS-

15. DISEO DE LA GARANTA DE CALIDAD ........................... 333

16. MTODOS Y NORMAS DE GARANTA DE CALIDAD . . . . 351

17. CALIDAD, PRODUCTIVIDAD Y ECONOMA ......................... 371

18. ORGANIZACIN PARA LOGRAR CALIDAD Y PRODUCTI-

Apndice ........................................................................................................... 451

ndice .............................................................................................................. 541

El objetivo principal de este libro es presentar las tcnicas de control de

2. Se presenta el nexo entre productividad y calidad. Se presentan los

Pueden hallarse numerosas definiciones de garanta de calidad. Un ejemplo

man en el proyecto no reflejan lo que el consumidor desea en realidad. No se

te con una tolerancia de proyecto de +0,0001 se considerar de mejor calidad

CALIDAD DE CONCORDANCIA CON EL PROYECTO

AUMENTO DEL CONTROL DE CALIDAD

TABLA 1.1. Funciones de la empresa y sus responsabilidades en el campo

Alta Control de Ventas y

Proyectar un Proporcionar Prorporcionar Calidad de Concordancia

EJEMPLO ILUSTRATIVO: CALIDAD DE PROYECTO6

pequea aplicacin prctica del control de calidad. Este caso se presenta,

Figura 1.1. Croquis de un separador.

El coste de la operacin es de, aproximadamente, 1 centavo de dlar por

Resultados de un estudio de proyecto de control de calidad

En primer lugar se examinaron los registros de inspecciones correspondien-

conclusin de que, en general, eran aceptables. Se formularon varias preguntas

Soldadura agrietada. Mnima altura de ala. Dimetro rebabado.

Inicialmente, el tamao del lote inspeccionado se fij en la mitad de la

Adems, se conseguirn economas adicionales de 2.000,00 $ en costos de

CALIDAD DE CONCORDANCIA CON EL PROYECTO:

en control de calidad, al lmite P + 3 se le llama lmite de control y a la

TABLA 1.3. Observaciones de anchura de separadores

Nmero de Anchura media, X Recorrido, R

Utilizando expresiones que aparecen ms adelante en este libro, los lmites

La Figura 1.2 muestra las trazas correspondientes a la anchura media de

Si se puede mantener el proceso bajo control con una desviacin estndar

Figura 1.2. Grfico de control para la produccin de banda espaciadora: a) traza-

El supervisor puede llegar a la conclusin de que el proceso de fabricacin

CALIDAD DE CONCORDANCIA CON EL PROYECTO:

La probabilidad de que se acepte una caja depender, evidentemente, de la

TABLA 1.4. Resumen del muestreo

Figura 1.3. Curva caracterstica operativa de un procedimiento de muestreo.

CALIDAD DE FUNCIONAMIENTO: FIABILIDAD

TABLA 1.5. Funcionamiento de las bombillas

Porcentaje de bombillas que an

Horas Proveedor A Proveedor B

Figura 1.4. Vida de las bombillas de los dos proveedores.

duccin de tal empresa, entre ellos la calidad, dependen de cmo se llegue a

SOBRE ESTE LIBRO

probabilidades pueden considerarlo superfluo y omitirlo. A otros, este captulo