1

Formulario

I. Teoría general y herramientas básicas.

Diagrama de Pareto.
1. Clasifique los factores de acuerdo a su tipo, como son: defectos, fallas, etc.
2. Construya una tabla como la que muestra enseguida:

1.
3. Trace los ejes horizontal y vertical. En el eje horizontal seleccione un intervalo adecuado, de tal
forma que cada intervalo se le asigne un factor o defecto. En el eje vertical, seleccione una
división en número entero y fácil de leer que represente el número de ocurrencias.
4. Trace la barra de cada factor de acuerdo al número de ocurrencia.
5. Trace la curva acumulada de acuerdo al número de ocurrencias. Trace el eje vertical derecho que
corresponde al porcentaje de composición y divídalo en la escala 25, 50, 50 y 100%.

Diagrama causa efecto.

1. Seleccione una característica de calidad a analizar.
2. Elabore una lista de todos los factores que tienen influencia sobre la característica de calidad.
3. Determine qué factores dan lugar a otros factores y que relación existen entre ellos.
4. Escriba la característica de calidad al final de una flecha horizontal.
5. Anote los factores principales que afectan directamente a la característica de calidad o defecto
en estudio.
6. Anote los factores a detalle que afectan directamente a los factores principales. Anote los factores
pequeños que afectan a los factores en detalle.

Histograma.
1. Seleccione el número de mediciones (muestra).
2. Seleccione el valor máximo y el valor mínimo.

Control Estadístico de Calidad, Ingeniería Industrial

 2
Formulario

3. Calcule el Rango, (Rango=Xmáx-Xmín).

4. Elija el número de intervalo de clase, utilizando un método. (5-20, n<2k, Raíz(n), 1+3.33Log(n))
X  X Min
5. Determine el intervalo o amplitud de clase. c  Max
k
6. Fijar los límites de cada clase.
7. Determine la frecuencia de cada clase.
8. Dibuje el histograma. En la abscisa se anotarán las marcas de clase, y en la ordenada se anotarán
la frecuencia.
9. Es recomendable anotar las características que se analizan, el promedio de los datos, la
desviación estándar y resaltar los límites de especificación.

Estratificación.
1. Clasifique las características o factores en grupos individuales.
2. Algunas clasificaciones comunes que se utilizan en las áreas de trabajo son:
Características Agrupados en:
• Por operario • Experiencia, edad, sexo, turno.
• Por tiempo de producción • Día, semana, noche, mes, estación.
• Por maquinaria o equipo • Máquina, modelo, tipo, vida, herramienta.
• Por proceso • Procedimiento de operación, temperatura, velocidad.
• Por material • Proveedor, composición.
• Por inspección o medición • Prueba de máquina, instrumento, inspector, operario.
2. Evalúe el estado de los grupos clasificados. (Haga uso de histogramas).
3. Analice el estado total y establezca una conclusión.

Diagrama de dispersión.
Posibles relaciones entre X y en los diagramas de dispersión.

Control Estadístico de Calidad, Ingeniería Industrial

 3
Formulario

Estimación de la regresión lineal

a) Método de mínimos cuadrados.
El modelo es el siguiente:
Ŷ = a + bx,
Donde:

b
 xy  nxy , y a  y  bx
 x  nx
2 2

Análisis de correlación.
a). Coeficiente de determinación.
2
2
∑(𝑌 − 𝑌̂)
𝑟 =1−
∑(𝑌 − 𝑌̅)2
𝑎 ∑ 𝑌 + 𝑏 ∑ 𝑋𝑌 − 𝑛𝑌̅ 2
𝑟2 =
∑ 𝑌 2 − 𝑛𝑌̅ 2

b). Coeficiente de correlación.

𝑟 = √𝑟 2

Control Estadístico de Calidad, Ingeniería Industrial

 4
Formulario

II. Gráficas de Control para Variables.

Gráfico de control de lecturas individuales.
sin valores específicos (µ y σ desconocidos)
Línea central Línea de control superior Línea de control inferior
3𝑅̅ 3𝑅̅
𝑋̅ 𝑋̅ + 𝑋̅ −
𝑑2 𝑑2
𝑅̅ ̅
𝐷4 𝑅 ̅
𝐷3 𝑅
Con d2 basado en una muestra tamaño n=2

Para calcular el rango móvil:

𝑅2 = 𝑎𝑏𝑠(𝑋1 −𝑋2 )

Expresiones para determinar la banda de control.

Gráficos de control por variable.
Con valores específicos sin valores específicos
Tipo de (µ y σ conocidos) (µ y σ desconocidos)
grafico de Línea de Línea de Línea de Línea de
control Línea central control control Línea central control control
superior inferior superior inferior
X y R basados
en subgrupos µ µ+Aσ µ-Aσ 𝑋̿ 𝑋̿ + 𝐴2 𝑅̅ 𝑋̿ − 𝐴2 𝑅̅
reducidos
(muestras d2σ D2σ D1σ 𝑅̅ 𝐷4 𝑅̅ 𝐷3 𝑅̅
pequeñas)
X y s basados
en subgrupos
µ µ+Aσ µ-Aσ 𝑋̿ 𝑋̿ + 𝐴3 𝑆̅ 𝑋̿ − 𝐴3 𝑆̅
reducidos
(muestras C4σ B6σ B5σ 𝑆̅ 𝐵4 𝑆̅ 𝐵3 𝑆̅
pequeñas)
X y s basados 3𝜎 3𝜎 3𝑆 ̅ 3𝑆 ̅
µ µ+ µ- 𝑋̿ 𝑋̿+ 𝑛 𝑋̿- 𝑛
en subgrupos √𝑛 √𝑛 √ √
grandes
3𝜎 3𝜎 3𝑆̅ 3𝑆̅
(muestras Σ σ+
√2𝑛
σ-
√2𝑛
𝑆̅ 𝑆̅ + 𝑆̅ -
√2𝑛 √2𝑛
grandes)

Control Estadístico de Calidad, Ingeniería Industrial

 5
Formulario

III. Gráficas de Control por Atributos.

Gráficos por atributos

Grafico p Sin estándar dado
(distribución
binomial) Línea central Línea de control superior Línea de control inferior

Fracción 𝑝̅ (1 − 𝑝̅ ) 𝑝̅ (1 − 𝑝̅ )
𝑝̅ 𝑝̅ + 3√ 𝑝̅ − 3√
defectuosa p 𝑛 𝑛

Porcentaje 100𝑝̅ (100 − 100𝑝̅ ) 100𝑝̅ (100 − 100𝑝̅ )

100𝑝̅ 100𝑝̅ + 3√ 100𝑝̅ − 3√
defectuosa 100p 𝑛 𝑛
Numero de
𝑛𝑝̅ 𝑛𝑝̅ + 3√𝑛𝑝̅ (1 − 𝑝̅ ) 𝑛𝑝̅ − 3√𝑛𝑝̅ (1 − 𝑝̅ )
defectuosos np

Grafico c Sin estándar dado

(distribución
poisson) Línea central Línea de control superior Línea de control inferior
Número de
𝑐̅ 𝑐̅ + 3√𝑐̅ 𝑐̅ − 3√𝑐̅
defectos c
Numero de
𝜇̅ 𝜇̅
defectos por 𝜇̅ 𝜇̅ + 3√ 𝜇̅ − 3√
unidad µ 𝑛 𝑛
Numero de
𝜇̅ 𝜇̅
defectos por cien 100𝜇̅ 100𝜇̅ + 300√ 100𝜇̅ − 300√
unidades 100µ 𝑛 𝑛
∑ 𝑛𝑝 ∑𝑐 𝑐 ∑𝑐
Para n= cte. y variable, 𝑝̅ = ∑𝑛
. Para 𝑐̅ = ∑ 𝑙𝑜𝑡𝑒𝑠 y 𝜇 = 𝑛 , donde n= tamaño del lote, 𝜇̅ = ∑ 𝑛

Control Estadístico de Calidad, Ingeniería Industrial

 6
Formulario

Formulario
Observaciones Gráfica para medias Gráfica para desviación estándar Gráfica de rangos
en la muestra, n Factores para los límites Factores para la Factores para los límites de Factores para la
Factores para los límites de control
de control línea central control línea central
A A2 A3 C4 1/C4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2 2.121 1.880 2.669 0.7979 1.2533 0 3.267 0 2.606 1.128 0.8865 0.853 0 3.686 0 3.267
3 1.732 1.023 1.954 0.8862 1.1284 0 2.568 0 2.276 1.693 0.5907 0.888 0 4.358 0 2.574
4 1.500 0.729 1.628 0.9213 1.0854 0 2.266 0 2.088 2.059 0.4857 0.880 0 4.698 0 2.282
5 1.342 0.577 1.427 0.9400 1.0638 0 2.089 0 1.974 2.326 0.4299 0.864 0 4.918 0 2.114

6 1.225 0.483 1.287 0.9515 1.0510 0.030 1.970 0.029 1.874 2.534 0.3946. 0.848 0 5.078 0 2.004
7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924
8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864
9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
10 0.949 0.308 0.975 0.9727 1.0281 0.284 1.716 0.276 1.669 3.078 0.3249 0.797 0.687 5.469 0.223 1.777

11 0.905 0.285 0.927 0.9754 1.0252 0.321 1.679 0.313 1.637 3.173 0.3152 0.787 0.811 5.535 0.256 1.744
12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717
13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.647 0.307 1.693
14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.696 0.328 1.672
15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653

16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
Calidad Aplicada a la Gestión Empresarial

17 0.728 0.203 0.739 0.9845 1.0157 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585

21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575
22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
23 0.626 0.162 0.633 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557
24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.451 1.548
25 0.600 0.135 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541

Control Estadístico de Calidad, Ingeniería Industrial

 7
Formulario

Habilidad del Proceso.

Habilidad del proceso: proporciona una predicción cuantitativa de que tan adecuado es un proceso.
Es una variación medida, inherente al producto que se obtiene en ese proceso.

Uso de la información de la habilidad el proceso.

1. Predecir el grado de variabilidad que exhibirán los procesos. Esta información de habilidad,
cuidándose proporciona a los diseñadores, ofrece información importante para establecer
límites de especificación realista.
2. Seleccionar, entre procesos que compiten, el procesos más adecuado para las dos tolerancias se
cumplan.
3. Planear la interrelación de procesos secuenciales. Por ejemplo, un proceso puede distorsionar la
precisión lograda por el proceso que le antecede, como el endurecimiento de los dientes de un
engrane. La cuantificación de las habilidades respectivas del proceso con frecuencia señala el
camino para encontrar una solución.
4. Proporcionar una base cuantitativa para establecer un programa de verificaciones de control
periódico del proceso y reajustes.
5. Asignar las maquinas a los tipos de trabajos para los cuales son adecuadas.
6. Probar las teorías de las causas de defectos durante los programas de mejoramiento de la calidad.
7. Servir como base para la especificación de los requerimientos de calidad para las maquinas
compradas.

Control Estadístico de Calidad, Ingeniería Industrial

 8
Formulario

Concepto. Capacidad de corto plazo

Proceso con doble especificación
𝑅𝑎𝑛𝑔𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝐿𝐸𝑆 − 𝐿𝐸𝐼
Índice de capacidad potencial del proceso. 𝐶𝑝 = =
𝐻𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 6𝜎
6𝜎
Razón de capacidad potencial. 𝐶𝑟 =
𝐿𝐸𝑆 − 𝐿𝐸𝐼
Índice de capacidad real de un proceso. 𝜇 − 𝐿𝐸𝐼 𝐿𝐸𝑆 − 𝜇
𝐶𝑝𝑘 = 𝑚í𝑛 { , }
3𝜎 3𝜎
𝜇−𝑁
Índice de centrado del proceso 𝐾= (100)
𝐿𝐸𝑆 − 𝐿𝐸𝐼
2
𝐸𝑆 − 𝐸𝐼
𝐶𝑝𝑚 =
6𝜏
Índice de taguchi Donde:
𝜏 = √𝜎 2 + (𝜇 − 𝑁)2

Interpretación.
Si  = N, el proceso está centrado, y Cp = Cpk = Cpm
Si Cpm < 1, significa que el proceso no cumple con las especificaciones. Por problemas de centrado
o exceso de variabilidad.
Si Cpm > 1, el proceso cumple con las especificaciones, la media del proceso está dentro de la tercera
parte central de la banda de las especificaciones.
Si Cpm > 1.33, el proceso cumple con las especificaciones, además la media del proceso está dentro
de la quinta parte central del rango de especificaciones.
Proceso con una especificación
Indicador de capacidad de proceso para 𝜇 − 𝐿𝐸𝐼
𝐶𝑝𝑖 =
cumplir con la especificación inferior. 3𝜎
Indicador de capacidad de proceso para 𝐿𝐸𝑆 − 𝜇
𝐶𝑝𝑠 =
cumplir con la especificación superior. 3𝜎
Largo plazo
Pp
Ppk
Métricas seis sigma
Zc
ZL
PPM

Control Estadístico de Calidad, Ingeniería Industrial

 9
Formulario

DPMO

Donde:
LES = Límite de especificación superior
LEI = Límite de especificación inferior
Y se puede utilizar las siguientes estimaciones:
𝑅̅
𝜎=𝑠=𝑑 ,
2

𝜇 = 𝑋̿

3𝑑3
𝐷3 = 1 −
𝑑2
3𝑑3
𝐷4 = 1 +
𝑑2
𝑅̅
𝜎=
𝑑2
2|𝜇 − 𝑀|
𝐾=
𝐿𝑆𝐸 − 𝐿𝐼𝐸
𝐶𝑝𝑘 = 𝐶𝑝 (1 − 𝐾)
𝐿𝑆𝐸 + 𝐿𝐼𝐸
𝑀=
2

Control Estadístico de Calidad, Ingeniería Industrial

 10
Formulario

Variabilidad del proceso.

Cantidad total Acciones
Proceso Cp fuera de comunes a
limites tomar
0.5 13.36%

Control de
proceso
0.67 4.55% pesado,
clasificación,
retrabajo, etc.

Control de
proceso
1.0 0.3%
pesado,
inspección

Inspección
reducida, uso
1.33 64 ppm selecto de
gráficas de
control
Verificación en
ciertos
puntos, uso
1.63 1 ppm
selecto de
graficas de
control
2.00 0
LEI LES

Comparación de Cp, 6 y LEI LES.

Cp = 1 Cp > 1 Cp < 1

6σ 6σ 6σ
LEI LES
6σ
LEI LES LEI LES

El índice de habilidad del proceso.

La habilidad del proceso, se refiere a la variación de un proceso alrededor del valor promedio.

Control Estadístico de Calidad, Ingeniería Industrial

 11
Formulario

Procesos con habilidades de procesos iguales pero media diferente.

LEI LES

µ1

µ2

El índice Cp mide la habilidad potencial, suponiendo que el promedio del proceso es igual al punto
medio de los límites de especificación y que el proceso está operando bajo control estadístico.
Como con frecuencia el promedio no se encuentra en el punto medio, es útil tener un índice de
habilidad del proceso que refleje ambas variaciones y la localización del promedio del proceso, tal
índice es Cpk.
El índice Cpk, refleja la proximidad de la media actual del proceso límite de especificación superior o
bien el límite de especificación inferior Cpk, se estima:
𝑋̅ − 𝐿𝐸𝐼 𝐿𝐸𝑆 − 𝑋̅
𝐶𝑝𝑘 = 𝑚𝑖𝑛 { , }
3𝑠 3𝑠

Cuando el promedio actual es igual al punto medio del rango de especificación, entonces C pk=Cp
Entre más alto sea el valor de Cpk, más baja será la cantidad de producto que este fuera de los
límites de especificación.

Estimación de la habilidad del proceso inherente o potencial a partir del análisis de gráficas de
control.
La siguiente relación se cumple para usar s como una estimación de σ si, y solo si, un proceso se
encuentra en control estadístico:
𝑅̅
𝜎=
𝑑2

Uso del índice de la capacidad del proceso

Tolerancias inadecuadas (𝐶𝑝𝑘 < 1)

Control Estadístico de Calidad, Ingeniería Industrial

 12
Formulario

Si al analizar la capacidad del proceso se encuentra que no es compatible con las tolerancias, se
pueden tomar algunas de estas tres opciones:
Modificar el proceso. Esto puede consistir en la modificación de las herramientas, la máquina o la
secuencia de operaciones. O algunos pasos adicionales pueden ser introducidos para homogenizar
más el material que alimenta el proceso.
Modificar las tolerancias. Un estudio de capacidad provee una base firme para una discusión sobre
las tolerancias (especificaciones) con el departamento técnico.
Sufrir y reparar. Inspección 100% con separación de unidades defectuosas es en el mejor de los
casos solamente un parche, no una solución definitiva. El gasto de la inspección y la corrección de
las fallas tendrán que continuar hasta que una solución más adecuada se encuentre

Capacidad excesiva 𝑪𝒑𝒌 > 1.33

Existen varias formas de aprovechar este hallazgo.
a) Reasignar el producto a máquinas menos precisas.
b) Reducir el costo de control de calidad.
c) Acelerar el proceso.
Aplicación de la planificación de productos nuevos.
a) Decisión de si el nuevo producto se puede fabricar con la maquina disponible.
b) Comparación entre procesos alternativos de manufactura.
c) Compra de maquina nueva.
d) Planeación de operación secuencial en base a las capacidades de una base de datos sobre la
capacidad por departamentos, por plantas, por industria.

Reglas de decisión de acuerdo al índice de capacidad de proceso.

Valor de Cpk Clase del proceso Decisión
Cpk>1.33 1 Más que adecuado
Adecuado para el trabajo pero requiere de un
1<Cpk<1.33 2
control estricto conforme el Cpk se acerca a 1
No adecuado para el trabajo. Un análisis de la
0.67<Cpk<1 3 capacidad del proceso necesario. Alta
probabilidad de éxito a bajo costo
No adecuado para el trabajo. Un análisis de la
capacidad del proceso necesario.
Cpk<0.67 4
Generalmente requiere de gastos mayores
para adecuar el proceso a las tolerancias

Valores mínimos recomendadas para la capacidad de proceso.

Control Estadístico de Calidad, Ingeniería Industrial

 13
Formulario

Especificaciones bilaterales Especificaciones unilaterales

Procesos existentes 1.33 1.25
Procesos nuevos 1.50 1.45
Parámetro de seguridad critico de
1.50 1.45
resistencia de proceso existente
Parámetro de seguridad para
1.67 1.60
proceso nuevo
Fuente: Montgomery

Fórmulas:

Control Estadístico de Calidad, Ingeniería Industrial

 14
Formulario

Control Estadístico de Calidad, Ingeniería Industrial

 15
Formulario

IV. Planes de Muestreo.

1. Curvas de Operación.
Regla para elegir el tipo de distribución a utilizar.
Si N/n > 10, es infinita y se usa Poisson o Binomial
Si N/n < 10, es finita y se usa hipergeométrica

Curvas características de operación tipo A

Distribución Binomial.
Definición:
La distribución binomial es una distribución de probabilidad discreta que mide el número de
éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una probabilidad
fija p de ocurrencia del éxito entre los ensayos.
Formula:
Su función de probabilidad es
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 para x = {0, 1, 2, …, n}
𝑥
donde
n: número de pruebas o tamaño de la muestra.
x: es el número de éxitos.
p: es la probabilidad de éxito.
q = 1 – p = es la probabilidad de fracaso.

Distribución Poisson.
Definición:
La distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de
una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado número de
eventos durante cierto periodo de tiempo.
Formula:
La función de masa o densidad de la distribución de Poisson es
𝑒 −𝜆 𝜆𝑘
𝑝(𝑘; ) =
𝑘!
donde
k: es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad
de que el evento suceda precisamente k veces). Número de defectuosos de la muestra
(c).

Control Estadístico de Calidad, Ingeniería Industrial

 16
Formulario

: es un parámetro positivo que representa el número de veces que se espera que ocurra el
fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en
promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k
veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribución de
Poisson con λ = 10×4 = 40.
 = np, donde n = k tamaño de la muestra y p es la fracción defectuosa.
e: es la base de los logaritmos naturales (e = 2,71828...)

Curvas características de operación tipo B

Distribución Hipergeométrica.
Definición:
La distribución hipergeométrica es una de las distribuciones de probabilidad discreta. Esta
distribución se utiliza para calcular la probabilidad de una selección aleatoria de un objeto sin
repetición. Aquí, el tamaño de la población es el número total de objetos en el experimento.
Criterios ó propiedades que la caracterizan.
• La población N del conjunto de unidades ó elementos es de orden finito, de los cuales una
parte: "son éxitos", y otra parte: son "fracasos".
• Cada elemento puede ser caracterizado como éxito ó fracaso.
• Se obtiene una muestra aleatoria de n elementos todos a la vez (sin reemplazamiento) y no
de forma independiente. No son pruebas repetidas.
• El tamaño de la muestra aleatoria n es grande relativamente en comparación con el tamaño
𝑛
de la población. Generalmente: 𝑁 > 5%
• Se busca la probabilidad de x = número de éxitos a partir de los resultados ó elementos y (n
– x) fracasos a partir de los elementos así clasificados, al obtener una muestra aleatoria de
tamaño n.
Formula:
(𝐷 𝑁−𝐷
𝑥 )( 𝑛−𝑥 )
𝑝(𝑥) = 𝑝𝑎 = 𝑝(𝑥 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑛𝑜 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑒𝑠) =
(𝑁
𝑛)

Cuando:
N: es el tamaño de la población.
n: es el tamaño de la muestra.
D: cierto número D (D ≤ N) de los artículos entra en una categoría de interés. La categoría
pueden ser defectos, en un lote de producción. (Conocido también como población de
éxito).
x: es una variable aleatoria de interés. (Muestra de éxito).

Control Estadístico de Calidad, Ingeniería Industrial

 17
Formulario

Diseño de un plan de muestreo simple. Método de Cameron.

1. Especificar los valores porcentuales deseados para NCA y NCL, con su correspondiente
probabilidad e aceptación, 1-α y β, respectivamente.
2. Convertir estos porcentajes a proporciones, sea p1 = NCA/100 y p2 = NCL/100.
3. Calcular la razón de operación, Rc = p2/p1.
4. De acuerdo los valores de α y β, buscar en la columna apropiada de la tabla 12.4 el valor R más
cercanos a Rc. Si en la tabla hay dos números R aproximadamente igual de cercanos a Rc se debe
elegir el menor.
5. Ubicado el valor R en la tabla 12.4, el numero de aceptación, c, se encuentr en el mismo renglon
que R en la columna c hacia la izquierda.
6. En el mismo renglon donde se localizo a R, pero en la columna np 1 a la derecha de R, localizar el
valor np1. El tamaño de uestra se encontrara al dividir ese valor entre p1.

2. Plan de muestreo de aceptación por atributos

Diseño de un esquema de muestreo con MIL STD 105E
1. Determinar el tamaño del lote.
2. Especificar el NCA (o AQL).
3. Escoger le nivel de inspección (usualmente el nivel II, que puede ser cambiado si la situación lo
justifica).
4. Dada la información anterior, en la tabla 12.6 se encuentra la letra código correspondiente para
el tamaño de muestra.
5. Determinar el tipo de plan de muestreo a ser usado (simple, doble o múltiple).
6. De acuerdo con la letra código y el NCA, en la tabla 12.7 se especifican los planes simples para
inspección normal, en la tabla 12.8 el plan simple para inspección severa y en la tabla 12.9 el
plan inspección reducida…

Planes de muestreo Dodge-Roming

Para diseñar planes NCL de Dodge-Roming se aplican los siguientes pasos.
1. Seleccionar el NCL apropiado. En principio, esa elección se fundamenta en el nivel de calidad que
no esta dispuesto a tolerar, pero ademas es preciso ser realista y considerear el nivel de calidad
del proceso, ya que una elección del NCL demasiado baja (como sería el deseo del consumidor),
trae como consecuencia que la mayoría de los lotes sean rechazados, y con ello se perderían
algunas ventajas del muestreo de aceptación y, en la práctica, lo mejor tal vez sería aplicar
inspección 100%.
2. Especificar el tamaño del lote.
3. Determinar la proporción promedio de artículos defectuosos del proceso del productor, p . las
tablas solo contemplan planes en los que esta proporción es menor que la mitad del NCL. De

Control Estadístico de Calidad, Ingeniería Industrial

 18
Formulario

esta manera, si el porcentaje de defectuosos del proceso es mayor que el considerado por la
tabla del NCL elegido, entonces se debe considerar la posibilidad de elegir un NCL mayor. Si esto
se descarta no será posible definir el plan. No obstante, esta imposiblidad, el usuario la elimina
considerando que el proceso tiene poporción de defectuosos menor a la real, lo que va a ocurrir
es que el plan va rechazar prácticamente todos los lotes, y en ese caso es mas económico y
eficiente aplicar muestreo al 100%, ya que se ahorraría el costo el costo del muestreo aleatorio,
asi como la administración del mismo.
4. Con los datos anteriores y apoyandose en tablas, como la 12.11 y la 12.12, obtener los
componentes básicos del plan de muestro: tamaño de muestra, n, número de aceptacion, c, y el
límite de calidad promedio de salida (LCPS o AOQL) que tendrá el plan.

Para diseñar planes LCPS de Dodge-Roming se aplican los siguientes pasos.

1. Seleccionar el LCPS apropiado. En principio, esta elección se fundamenta en la peor calidad
promedio de salida que se esta dispuesto a aceptar como razonable. Pero se debe ser realista y
considerar el nivel de calidad del proceso actual, ya que una eleccion del LCPS demasiado baja
(como sería el deseo del consumidor), trae como consecuencia que la mayoría de los lotes sean
rechazados. Con ello se perderían algunas ventajas del muestreo de aceptacion y, en la práctica,
sería mejor aplicar muestreo al 100 por ciento.
2. Especificar el tamaño del lote.
3. Determinar la proporción promedio de artículos defectuosos del proceso del productor, p. Las
tablas solo contempla planes en los que esta proporción es menor igual que el LCPS deseado.
De esta manera, si la proporción de defectuosos del proceso es mayor que el LCPS elegido,
entonces se debe ver la posibilidad de elegir un LCPS mayor. Si esto se descarta, no será posible
definir el plan y la mejor decisión será aplicar muestreo al 100%.
4. Con los datos anteriores y apoyandose en las tablas 12.3 o 12.4, obtener los componentes
básicos del plan de muestreo: tamaño de muestra, n, número de aceptación, c, y el nivel de
calidad límite, NCL, que el plan rechazará con facilidad.

3. Plan de muestreo por variables.

Plan de muestreo MIL STD 414.
Para diseñar un plan MIL-STD-414
1. Determinar el tamaño de lote.
2. Especificar el NCA (o AQL).
3. Escoger el nivel de inspección (usualmente el nivel IV, que puede ser cambiado si la situación lo
justifica). En tanto mayor sea el nivel de inspección más estricto es el plan (más rápido cae su
curva CO).
4. En la tabla 12.16 y de acuerdo con el tamaño de lote y el nivel de inspección, encontrar la letra
código del tamaño de la muestra.
5. En la tabla 12.7, de acuerdo con la letra código y el NCA, se busca el plan simple para inspección
normal, que consiste en un tamaño de muestra n, y el del valor M, que es el porcentaje máximo
de defectuosos tolerado en el lote.

Control Estadístico de Calidad, Ingeniería Industrial

 19
Formulario

6. En la misma tabla 12.17, partiendo de los NCA que están en la parte inferior, se encuentra el plan
que se emplearía bajo inspección severa, con sus correspondientes valores para n y M.
7. Seleccionar de manera aleatoria una muestra de tamaño n, y a cada pieza de esta se le mide la
característica de calidad. Con los datos obtenidos calcular la media 𝑋̅ y desviación estándar
muestral, S.
8. De los siguientes dos índices, de acuerdo con el tipo de especificaciones que tenga la característica
de calidad, calcular a uno o a ambos.
𝐸𝑆−𝑋̅
𝑍𝐸𝑆 = para especificación superior (ES)
𝑆
𝑋̅ −𝐸𝐼
𝑍𝐸𝐼 = para especificación inferior (EI)
𝑆

Nótese que ambos índices: ZEI y ZES, son la distancia entre la media de la muestra, 𝑋̅, y la
correspondiente especificación, expresada en unidades de la desviación estándar de la muestra,
S. Por lo que el valor de estos índices será grande si S es pequeña y si 𝑋̅ tiene a estar al centro
de las especificaciones.
9. Estimar la proporción de unidades defectuosas en el lote. Para ello, en la tabla 12.18, en la
columna de ZEI y ZES, ubicar su correspondiente valor y desplazarse por ese renglón hasta la
columna del tamaño de muestra del plan de inspección, n. El valor que se localice en la
intersección valor de Z y n, corresponde a la estimación a la estimación del porcentaje de
defectuosos del lote de lado inferior, pi, o del lado superior, ps, respectivamente.
10. Decisión de aceptación o rechazo:
• Para variables solo con especificación inferior. Aceptar el lote si pi es menor o igual al valor
de M (encontrado en el paso 6). En caso contrario rechazarlo.
• Para variables solo con especificación superior. Aceptar el lote si Ps es menor o igual que M.
En caso contrario rechazarlo.
• Para variables con doble especificación. Aceptar el lote si la suma del porcentaje inferior mas
que el superior, p = pi + ps, es menor o igual a M. En caso contrario rechazar el lote.

Control Estadístico de Calidad, Ingeniería Industrial