ESCUELA SUPERIOR POLITCNICA DE CHIMBORAZO

FACULTAD DE MECNICA
ESCUELA DE INGENIERA AUTOMOTRIZ

CONTROL DE CALIDAD
TEMA: EJERCICIOS DE DIAGRAMAS DE CONTROL DE CALIDAD

REALIZADO POR: EMILIO BAYAS.

RONALD VILLEGAS
DAVID ESPINOZA
FECHA DE ENTREGA: 27-01-2015
Riobamba Ecuador

PROBLEMA 1
RESISTENCIAS PARA CIRCUITOS AUTOMOTRICES
Las resistencias de una circuito electrnico se fabrican en una maquina automatizada
de alta velocidad. La mquina est preparada para producir una corrida de resistencias
de 1000 ohm de cada una. Se tomaron 60 muestras como sigue:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

1010
995
990
1015
1013
994
989
1001
1006
992
996
1019
981
999
1013
991
996
1003
1020
1019
1001
992
986
989
1007
1006
996
991
993
1002
985
1009
1015
1009
1005
994
982
996
1005

40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
HISTOGRAMA DE FRECUENCIA

1006
997
991
989
988
1005
986
994
1008
998
993
1005
1020
996
1007
979
989
1011
1003
984
992

1.- Recoger los datos a analizar en un orden ascendente.

Muestra

Ohm

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

979
981
982
984
985
986
986
988
989
989
989
989
990
991
991
991
992
992
992
993

21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
2.- Establecer nmero de clases.

K= N
K= 60

993
994
994
994
995
996
996
996
996
996
997
998
999
1001
1001
1002
1003
1003
1005
1005
1005
1005
1006
1006
1006
1007
1007
1008
1009
1009
1010
1011
1013
1013
1015
1015
1019
1019
1020
1020

K=7.74
K=8
3.- Determinar el intervalo de la clase.

h=

Xmax Xmin
K

h=

1020979
8

h=5.13
h=5
4. Asociar intervalos de clase con sus respectivos datos.
979-984
984-989
989-994
994-999
9991004
10041009
10091014
10141019
10191024

3
5
13
11
6
10
6
2
4

5.Datos estadsticos.

6. Grfica.

Histograma de Lecturas en OHMs

Normal
967,54

1030,66
Media 999,1
Desv.Est. 10,52
N
60

12

Frecuencia

10

970

980

990

1000

1010

1020

1030

Lecturas en OHMs

7. Conclusin:

Segn se observa en el histograma de frecuencias, los procesos estn

perfectamente calculados y procesados, porque los lmites de control se
encuentran muy alejados de los valores dados, eso quiere decir que las
resistencias estn operando dentro de las tolerancias adecuadas.

DIAGRAMA DE DISPERSIN
Para el ejercicio anterior, determine un diagrama de dispersin, suponiendo que se han
tomados muestras aleatorias y han generados ciertas no conformidades, segn como
se menciona en la tabla.
no conformidades
(x)

muestra (y)
50
49
51
53
52
51
28
45
48
51

y2
12
15
8
10
4
7
16
9
14
10

x2
2500
2401
2601
2809
2704
2601
784
2025
2304
2601

xy
144
225
64
100
16
49
256
81
196
100

600
735
408
530
208
357
448
405
672
510

51
50
51
52
53
54
55
56
57
58
59
60
50
39
47
48
44
40
47
46
51
52
53
54
55
56
57
45
43
53
52
58
57
56
55
54
53
52
47
45
34
41
58
59
60
59

5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12

2601
2500
2601
2704
2809
2916
3025
3136
3249
3364
3481
3600
2500
1521
2209
2304
1936
1600
2209
2116
2601
2704
2809
2916
3025
3136
3249
2025
1849
2809
2704
3364
3249
3136
3025
2916
2809
2704
2209
2025
1156
1681
3364
3481
3600
3481

25
36
289
144
484
64
100
25
169
121
400
324
576
225
81
144
49
169
81
36
144
225
64
100
16
49
256
81
196
100
25
36
289
144
484
64
100
25
169
121
400
324
576
225
81
144

255
300
867
624
1166
432
550
280
741
638
1180
1080
1200
585
423
576
308
520
423
276
612
780
424
540
220
392
912
405
602
530
260
348
969
672
1210
432
530
260
611
495
680
738
1392
885
540
708

48
46
51
48
Sumatoria

7
13
9
6
694

2304
2116
2601
2304
157063

49
169
81
36
9546

336
598
459
288
35125

y = -0,051x + 14,157
R = 0,004

Conclusin.

Se define que hay una correlacin negativa muy dbil entre el nmero de
resistencias producidas y el nmero de defectuosas ya que la fabricacin de una
resistencia depende de muchos factores de produccin y de importacin de
elementos y materia prima a la fbrica, es por eso que no se puede definir que al
producir ms resistencias el nmero de defectuosas sea directamente mayor.

DIAGRAMA DE PARETTO
Del ejercicio anterior se han tomado todos los datos y ordenado segn como se
muestra en la tabla, se han ordenado las frecuencias de las fallas existentes en las
resistencias, para lo cual se necesita saber cules defectos son los ms prximos a
corregir segn un diagrama de Paretto.

Conclusin.

Al realizar el diagrama de paretto pertinente se ha podido constatar que las

fallas que necesitan atencin rpida y que estn dentro de la zona Ason:
cermica en mal estado, cermica no homognea, falta de continuidad en
la resistencia, dimetro de alambre de ncleo incorrecto, valor de resistencia
inestable, para lo cual se debera analizar las siguientes causas segn un
diagrama causa efecto que se muestra a continuacin.

DIAGRAMA CAUSA- EFECTO

 GRAFICA X-R
Del ejercicio en estudio el nmero de muestras totales has sido tomado de 4
revisiones, 1 revisin por cada turno de trabajo, cada muestra consta de 15
lecturas. Como se especifica en la siguiente tabla.
Numero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Promedio

Muestra 1
(ohm)
1010
995
990
1015
1013
994
989
1001
1006
992
996
1019
981
999
1013
1000,87

Muestra 2
(ohm)
991
996
1003
1020
1019
1001
992
986
989
1007
1006
996
991
993
1002
999,47

Muestra 3
(ohm)
985
1009
1015
1009
1005
994
982
996
1005
1006
997
991
989
988
1005
998,40

Muestra 4
(ohm)
986
994
1008
998
993
1005
1020
996
1007
979
989
1011
1003
984
992
997,67

subgrupo
mximo
mnimo
Rango
subgrupo

1019
981
38

1020
986
34

1015
982
33

1020
979
41

Grfica Xbarra-R de Muestra 1(ohm); ...; Muestra 4 (ohm)

Media de la muestra

LCS=1014,93
1010
__
X=999,1

1000
990

LCI=983,27
980
1

10

11

12

13

14

15

Muestra

LCS=49,58

Rango de la muestra

48
36

_
R=21,73

24
12
0

LCI=0
1

10

11

12

13

14

15

Muestra

Conclusin.

El grafico x-r indica que todos los valores obtenidos se encuentran dentro del
rango, concordando as con el histograma de frecuencias, es decir los procesos
estn dentro del control de calidad que se requiere y que todos los turnos de
trabajo estn dentro de la eficiencia requerida.

GRAFICO P (muestra constante)

Hacer un grfico P del problema anterior tomando en cuenta que se han tomado
muestras de 50 elementos resistivos durante un mes, los cuales han dado ciertos
nmeros de defectos como se muestra en la tabla a continuacin:
fecha
1
2
3
4
5

tamao
muestra
50
50
50
50
50

numero de
defectos
12
15
8
10
4

proporcin de
fraccin
0,24
0,3
0,16
0,2
0,08

6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50

7
16
9
14
10
5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6

0,14
0,32
0,18
0,28
0,2
0,1
0,12
0,34
0,24
0,44
0,16
0,2
0,1
0,26
0,22
0,4
0,36
0,48
0,3
0,18
0,24
0,14
0,26
0,18
0,12

Grfica P de numero de defectos

0,5

1
1

LCS=0,4102

Proporcin

0,4

0,3
_
P=0,2313
0,2

0,1
LCI=0,0524
0,0
1

10

13

16

Muestra

19

22

25

28

Conclusin.

En la grfica P de arriba se observan dos puntos espordicos de los das 15 y 24

respectivamente, eso quiere decir que se encuentran fuera de rango, esto puede
ser debido a las causas analizadas en el diagrama causa efecto o tambin las
fallas producidas ya estudiadas anteriormente en el diagrama de paretto, hay
que tener en cuenta que se debe poner atencin a estas fallas, ya que pueden
afectar significativamente a la garanta del producto, y la credibilidad de la
empresa.

GRAFICA P (muestra variable).

En la fbrica de produccin de resistencias para computadoras automotrices antes
mencionada, el siguiente mes luego del anlisis de una grfica P con muestra
constante, se procedi a tomar muestras diferentes como se muestra en la tabla, para
lo cual se quiere saber si la produccin y el nmero de defectos se encuentran dentro
del control de calidad que se impuso la fbrica para ese mes.
fecha
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

tamao
muestra
50
49
51
53
52
51
28
45
48
51
51
50
51
52
53
54
55
56
57
58
59
60
50
39
47
48

numero
defectos
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12

de

proporcin
fraccin
0,24
0,31
0,16
0,19
0,08
0,14
0,57
0,20
0,29
0,20
0,10
0,15
0,36
0,25
0,50
0,18
0,23
0,09
0,25
0,23
0,43
0,35
0,50
0,32
0,20
0,35

de

27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

44
40
47
46
51
52
53
54
55
56
57
45
43
53
52
58
57
56
55
54
53
52
47
45
34
41
58
59
60
59
48
46
51
48

7
13
9
6
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6

0,17
0,33
0,19
0,13
0,24
0,29
0,15
0,19
0,07
0,13
0,28
0,20
0,33
0,19
0,10
0,10
0,30
0,21
0,40
0,15
0,19
0,10
0,28
0,24
0,59
0,44
0,41
0,25
0,15
0,20
0,15
0,28
0,18
0,13

Grfica P de numero de defectos

0,6

0,5
1

LCS=0,4188

Proporcin

0,4

0,3
_
P=0,2321
0,2

0,1
LCI=0,0454
0,0
1

10

13

16

19

22

25

28

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.

En este mes de produccin de la fbrica se puede observar que la produccin

tiene 3 puntos espordicos en los das 7; 15; 23, los cual no representa mucha
variacin con respecto al mes anterior, sin embargo sera recomendable analizar
nuevos efectos y nuevas fallas que puede que no estn registradas en los
diagramas de paretto e Ishikawa anteriormente estudiados para este mismo
problema.

GRAFICO NP (muestra constante)

Del grfico P del problema anterior tomando en cuenta que se han tomado muestras de
50 elementos resistivos durante un mes, los cuales han dado ciertos nmeros de
defectos como se muestra en la tabla a continuacin, hacer un grfico NP.
fech
a
1
2
3
4
5
6
7
8
9
10

tamao
muestra
50
50
50
50
50
50
50
50
50
50

numero
defectos
12
15
8
10
4
7
16
9
14
10

de

proporcin
fraccin
0,24
0,3
0,16
0,2
0,08
0,14
0,32
0,18
0,28
0,2

de

11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50

5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6

0,1
0,12
0,34
0,24
0,44
0,16
0,2
0,1
0,26
0,22
0,4
0,36
0,48
0,3
0,18
0,24
0,14
0,26
0,18
0,12

Grfica NP de numero de defectos

25

1
1

LCS=20,51

Conteo de muestras

20

15
__
NP=11,57
10

5
LCI=2,62
0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

De igual manera que con el grafico P tenemos 2 puntos espordicos que estn
tergiversando el control de calidad que necesitamos, ciertas causas o fallas se

las deben analizar en un diagrama de causa efecto y en un diagrama de paretto,

para imponernos las debidas soluciones.

GRAFICO NP (muestra variable)

Para el problema anterior de grafico P de muestra variable, hacer el grafico NP e
interpretar.
fech
a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

tamao
muestra
50
49
51
53
52
51
28
45
48
51
50
39
47
48
44
45
43
53
52
48
46
51
48
47
45
34
41
40
47
46

numero
defectos
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6

de

proporcin
fraccin
0,24
0,31
0,16
0,19
0,08
0,14
0,57
0,20
0,29
0,20
0,10
0,15
0,36
0,25
0,50
0,18
0,23
0,09
0,25
0,23
0,43
0,35
0,50
0,32
0,20
0,35
0,17
0,33
0,19
0,13

de

Grfica NP de numero de defectos

1

25
1

LCS=20,27

Conteo de muestras

20
1

15
__
NP=11,47
10

5
LCI=2,66
0
1

10

13

16

19

22

25

28

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.

Se puede observar que tanto el grafico P con el grafico NP erogan los mismos
resultados, con a diferencia que el grafico P se analiza con una proporcin de
fraccin y el grafico NP se analiza con el nmero de defectos, siendo as que el
nmero de espordicos obtenidos deben pasar a un nuevo estudio para saber las
causas que lo produjeron.

GRAFICO C
La fbrica de produccin de resistencias automotrices desea saber si ciertos defectos
que se han encontrado en las resistencias no son calificativas para rechazar el lote
producido, para lo cual se ha tomado una muestra diaria durante un mes, verificando
sus errores de fabricacin. Se desea saber si los errores estn dentro del lmite de
control impuesto.
fecha
1
2
3
4
5
6
7
8
9
10

numero
defectos
12
15
8
10
4
7
16
9
14
10

de

11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

5
6
17
12
22
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6

Grfica C de numero de defectos

25

1
1

LCS=21,77

Conteo de muestras

20

15
_
C=11,57
10

5
LCI=1,36
0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

El grafico C mostrado anteriormente nos indica 2 puntos espordicos que nos

obligan a revisar la produccin de las resistencias porque los errores producidos

indican que la resistencia si puede fallar, sera recomendable mejorar el sistema

de produccin, analizndolo con un diagrama de causa efecto, pare determinar
as cual sera la solucin ms apropiada.

GRAFICO U (muestra constante)

Una vez producida la resistencia se procede a la distribucin para ventas, de lo cual se
quiere estudiar de cierto nmero de repartos cuantas tiendas han dejado de adquirir el
producto, por reclamos de sus clientes, la empresa quiere saber el nmero de defectos
promedio por unidad mediante un grfico de control U.
da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

ventas iniciales
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50

ventas perdidas
5
8
7
12
8
11
1
3
8
11
5
9
14
11
3
8
6
7
13
14
13
1
7
7
10
8
14
7
1
3

Grfica U de ventas perdidas

0,35

Conteo de muestras por unidad

LCS=0,3246
0,30
0,25
0,20
_
U=0,1567

0,15
0,10
0,05
0,00

LCI=0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

El grafico indica que los errores por unidad estn dentro del rango indicado por lo
cual se concluye que las prdidas en las ventas no se deben a fallos en los
materiales, sino puede ser por problemas de distribucin, o por retrasos en la
entrega.

GRAFICO U (muestra variable).Se han superado los problemas con respecto al ejercicio anterior, y ahora en este mes
se quiere recuperar el mercado por lo cual las ventas suben y bajan a lo largo del mes,
se quiere saber con un grfico u si existen defectos por unidad, los datos se muestran
en la tabla siguiente.
da
1
2
3
4
5
6
7
8
9
10

ventas
iniciales
27
36
29
38
42
63
75
24
36
28

ventas
perdidas
5
8
7
12
8
11
30
3
8
11

pi

LCI

LCS

0,19
0,22
0,24
0,32
0,19
0,17
0,40
0,13
0,22
0,39

-0,06
-0,01
-0,03
0,04
-0,01
0,02
0,18
-0,09
-0,01
0,04

0,43
0,46
0,52
0,59
0,39
0,33
0,62
0,34
0,46
0,75

11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

29
37
49
63
26
35
28
37
42
63
77
18
26
37
42
32
58
66
19
39

5
9
14
17
3
8
6
7
13
19
18
1
7
7
10
8
16
7
1
3
promedio

0,17
0,24
0,29
0,27
0,12
0,23
0,21
0,19
0,31
0,30
0,23
0,06
0,27
0,19
0,24
0,25
0,28
0,11
0,05
0,08
0,22
u

-0,06
0,00
0,06
0,07
-0,08
-0,01
-0,05
-0,03
0,05
0,09
0,07
-0,11
-0,04
-0,03
0,01
-0,02
0,07
-0,01
-0,11
-0,06
-0,0039
lci

0,40
0,49
0,51
0,47
0,32
0,47
0,48
0,40
0,57
0,51
0,40
0,22
0,57
0,40
0,46
0,52
0,48
0,23
0,21
0,21
0,4403
lcs

Grfica U de ventas perdidas

Conteo de muestras por unidad

0,6

0,5
LCS=0,4618
1

0,4

0,3
_
U=0,2310

0,2

0,1

0,0

LCI=0,0001
1

10

13

16

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.-

19

22

25

28

El grafico nos dice que en ese mes hay un error de fbrica en las resistencias, lo
cual nos obliga a mejorar esos errores que pueden hacer que el tiempo de vida
til del elemento se haga ms corto, y con eso el prestigio de la empresa estara
en duda, se recomienda buscar las causas mediante diagramas causa efecto.

PROBLEMA 2
BATERIAS DE 12 V PARA MOTOS
En una fbrica de bateras se exigen ciertas horas de funcionamiento mnimas, para lo
cual se decide probar en MOTOS de prueba. En la Tabla se presenta el ciclo de vida de
bateras en horas, de 72 muestras secuenciales de bateras.
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Ciclo vida bateras

(horas)
445.4
479.7
449.7
467.6
484.5
470.5
411.6
458.8
435.4
448.2
458.5
444.6
470.3
466.1
450.1
427.9
436.8
469.3
459.7
442.5
435.6
449.7
436.7
430.8
466.5
439.2
432.2
453.9
458.6
435.9
450.9

32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

462.2
451.2
435.7
455.5
463.6
432.3
442
468.1
445.4
465.2
438.1
449.6
417.2
434.7
438.4
449.2
458.2
445.5
432.1
446.3
467.9
437.1
461
444.9
424.6
465.9
432.7
440.6
436.2
425.4
429.4
452.6
449.3
445.1
431.4
467.5
463.9
425.2
426.5
424
458.8
HISTOGRAMA DE FRECUENCIA

1.- Recoger los datos a analizar en un orden ascendente.

1
2

411.6
417.2

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

424.0
424.6
425.2
425.4
426.5
427.9
429.4
430.8
431.4
432.1
432.2
432.3
432.7
434.7
435.4
435.6
435.7
435.9
436.2
436.7
436.8
437.1
438.1
438.4
439.2
440.6
442.0
442.5
444.6
444.9
445.1
445.4
445.4
445.5
446.3
448.2
449.2
449.3
449.6
449.7
449.7
450.1
450.9
451.2
452.6
453.9

49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

455.5
458.2
458.5
458.6
458.8
458.8
459.7
461.0
462.2
463.6
463.9
465.2
465.9
466.1
466.5
467.5
467.6
467.9
468.1
469.3
470.3
470.5
479.7
484.5

2.- Establecer nmero de clases.

K= N
K= 72
K=8.48
K=8
3.- Determinar el intervalo de la clase.

h=

Xmax Xmin
K

h=

484.5411.6
8

h=9.125
h=9

4. Asociar intervalos de clase con sus respectivos datos.

411.6420.6
420.6429.6
429.6438.6
438.6447.6
447.6456.6
456.6465.6
465.5474.6
474,6483.6
483.6492.6

2
7
17
11
12
11
10
1
1

5. Datos estadsticos.

6. Grfica.

Histograma de VIDA BAT HORAS

Normal
430,6

20

524,1
Media 447,3
Desv.Est. 15,59
N
72

Frecuencia

15

10

420

440

460

480

500

520

VIDA BAT HORAS

7. Conclusin:

El histograma de frecuencias nos indica un sesgo positivo con respecto a los

lmites de control, eso quiere decir que el proceso de fabricacin est por debajo
del lmite de control inferior, lo cual se lo debe arreglar haciendo un diagrama de
Paretto y un causa - efecto los que se detallan a continuacin.

DIAGRAMA DE DISPERSIN
Para el ejercicio anterior se estima que la vida til de la batera en minutos debe llegar
como mnimo a 485 horas, caso contrario los minutos faltantes seria tomados como no
conformidad, en un diagrama de dispersin verificar si el nmero de no conformidades
aumenta respecto a la muestra.
muestra

no

y2

x2

xy

conformidades
(x)

(y)
411,6

73,4

417,2
438,4

67,8
61

442

60,4

436,2

59,8

436,7

59,6

430,8

58,5

435,7

57,1

424,6

55,6

425,2

54,2

431,4

53,6

432,1

52,9

432,2

52,8

432,3

52,7

432,7

52,3

434,7

50,3

435,4

49,6

435,6

49,4

429,4

49,3

425,4

49,1

426,5

48,8

427,9

48,3

424

48,2

436,8

47,9

437,1

46,9

438,1

46,6

169414,5
6
174055,8
4
179776
180285,1
6
180795,0
4
180965,1
6
181902,2
5
183098,4
1
184384,3
6
185588,6
4
186105,9
6
186710,4
1
186796,8
4
186883,2
9
187229,2
9
188964,0
9
189573,1
6
189747,3
6
189834,4
9
190008,8
1
190270,4
4
190706,8
9
190794,2
4
191056,4
1
191931,6
1
192194,5
6

5387,56 30211,44
4596,84 28286,16
3721
25864
3648,16 25645,84
3576,04 25426,96
3552,16 25353,84
3422,25 24950,25
3260,41 24433,09
3091,36 23874,64
2937,64 23349,36
2872,96 23123,04
2798,41 22858,09
2787,84 22820,16
2777,29 22782,21
2735,29 22630,21
2530,09 21865,41
2460,16 21595,84
2440,36 21518,64
2430,49 21480,01
2410,81 21402,69
2381,44 21286,56
2332,89 21092,61
2323,24 21053,76
2294,41 20937,09
2199,61 20546,89
2171,56 20429,44

439,2

45,8

440,6
435,9

44,4
43

442,5

42,5

444,6

40,4

444,9

40,1

445,1

39,9

449,3

39,6

449,6

39,6

449,7

39,5

446,3

38,7

448,2

36,8

449,2

35,8

445,4

35,7

445,4

35,4

445,5

35,3

463,6

35,3

463,9

34,9

465,2

34,1

468,1

33,8

469,3

32,4

470,3

31,1

466,5

29,5

458,2

26,8

458,5

26,5

458,6

26,4

458,8

26,2

192896,6
4
194128,3
6
195364
195806,2
5
197669,1
6
197936,0
1
198114,0
1
198381,1
6
198381,1
6
198470,2
5
199183,6
9
200883,2
4
201780,6
4
201870,4
9
202140,1
6
202230,0
9
202230,0
9
202590,0
1
203310,8
1
203581,4
4
204846,7
6
206025,2
1
207480,2
5
209947,2
4
210222,2
5
210313,9
6
210497,4
4

2097,64 20115,36
1971,36 19562,64
1849
19006
1806,25 18806,25
1632,16 17961,84
1608,01 17840,49
1592,01 17759,49
1568,16 17637,84
1568,16 17637,84
1560,25 17597,25
1497,69 17271,81
1354,24 16493,76
1281,64 16081,36
1274,49 16040,01
1253,16 15915,84
1246,09 15874,41
1246,09 15874,41
1218,01 15708,49
1162,81 15375,69
1142,44 15250,56
1049,76 14664,24
967,21 14116,29
870,25 13437,25
718,24 12279,76
702,25 12150,25
696,96 12107,04
686,44 12020,56

458,8

26,2

459,7
461

25,3
24

462,2

22,8

453,9

21,4

450,9

21,1

451,2

19,8

465,9

19,1

466,1

18,9

455,5

18,5

467,5

17,5

467,6

17,4

467,9

17,1

449,7

16,9

450,1

15,7

452,6

14,7

470,5

14,5

479,7

5,3

484,5

0,5

210497,4
4
211324,0
9
212521
213628,8
4
214924,9
6
215203,2
1
216411,0
4
217062,8
1
217249,2
1
217622,2
5
218556,2
5
218649,7
6
218930,4
1
219117,6
1
220242,4
9
221182,0
9
221370,2
5
230112,0
9
234740,2
5

686,44 12020,56
640,09 11630,41
576
11064
519,84 10538,16
457,96

9921,04

445,21

9788,29

392,04

9210,96

364,81

8898,69

357,21

8809,29

342,25

8630,25

306,25

8181,25

302,76

8136,24

292,41

8001,09

285,61

7910,89

246,49

7368,01

216,09

6913,41

210,25

6822,25

28,09

2542,41

0,25

242,25

Grfica de dispersin de muestra (y) vs. no conformidades (x)

490
480

muestra (y)

470
460
450
440
430
420
410
0

10

20

30

40

50

60

70

80

no conformidades (x)

Conclusin.

El diagrama de dispersin define una correlacin fuerte negativa lo que nos

indica que cuantas ms horas de uso llega el funcionamiento de la batera las no
conformidades del cliente son menores, esto significa que el proceso se
encuentra bien, pero se debe estudiar el rango mnimo de funcionamiento y
mejorarlo.

DIAGRAMA DE PARETTO
Del ejercicio anterior, se han encontrado ciertas fallas en las bateras lo cual afecta al
desempeo mnimo de tales, para eso se quiere saber cules son las fallas que se debe
atender ms rpidamente para mejorar el proceso de produccin.

Se obtienen los resultados siguientes dentro de la zona A: bornes sulfatados,

carcasa con grietas, bornes rotos, plstico de carcasa defectuoso los
cuales se debe tomar atencin inmediata para solucionar estos problemas,
buscando las posibles causas en un diagrama de Ishikawa, como el siguiente:
DIAGRAMA CAUSA- EFECTO

Diagrama de causa y efecto Bateria Rechazada

Mediciones

Material

cantidad
incorrecta
de
voltajes
estaticos
inadecuados
amperajes
fuera de
rango

falta de
higiene en la
fabrica
falta de
claridad
espacios no
hermeticos

Entorno

Personal

error en la
seleccin de
material
agua no
destilada al
100%
plomo no
puro al
100%

escaso
tiempo de
ensamble
conexiones
entre celdas
incorrectas
electrolisis
incorrecta

Mtodos

personal desmotivado
falta de capacitacion
herramientas
inadecuadas

Bateria
Rechazada
fundidora de plomo con
escorias
temperatura de la
maquina incorrecta
inyectora plastica
descalibrada

Mquinas

 GRAFICO X-R
Del ejercicio anterior se han tomado aleatoriamente 8 muestras con 9 lecturas cada
una, se desea saber si los requerimientos de duracin en horas de la produccin de
bateras est dentro del rango especificado mediante un grfico x-r.
Numero
1
2
3
4
5
6
7
8
9
promedio
subgrupo
maximo
minimo
rango

Muestra
1
458,5
458,6
458,8
453,9
425,2
425,4
426,5
427,9
429,4

Muestr
a2
465,2
465,9
466,1
462,2
432,3
452,6
437,1
470,3
435,6

Muestr
a3
435,7
435,9
436,2
436,7
436,8
461
445,1
470,5
439,2

Muestr
a4
440,6
434,7
435,4
444,6
444,9
432,7
442,5
479,7
445,5

Muestr
a5
446,3
438,1
438,4
449,3
449,6
449,7
449,7
450,1
450,9

Muest
ra 6
451,2
445,4
445,4
455,5
458,2
411,6
417,2
424
458,8

Muestr
a7
459,7
448,2
449,2
463,6
463,9
430,8
431,4
432,1
466,5

Muestr
a8
467,5
467,6
467,9
468,1
469,3
424,6
432,2
442
484,5

440,47

454,14

444,12

444,51

446,90

440,81

449,49

458,19

458,8
425,2
33,6

470,3
432,3
38

470,5
435,7
34,8

479,7
432,7
47

450,9
438,1
12,8

458,8
411,6
47,2

466,5
430,8
35,7

484,5
424,6
59,9

Media de la muestra

Grfica Xbarra-R de Muestra 1; ...; Muestra 8

LCS=462,45

460

__
X=447,33

450

440
LCI=432,20

430
1

Muestra

Rango de la muestra

80

LCS=75,67

60
_
R=40,6

40
20

LCI=5,53

0
1

Muestra

Conclusin.

El grafico x-r indica que todos los valores obtenidos se encuentran dentro del
rango, concordando as con el histograma de frecuencias, es decir los procesos

estn dentro del control de calidad que se requiere y que todos los turnos de
trabajo estn dentro de la eficiencia requerida.

GRAFICO P (muestra constante).Se ha decidido estudiar el proceso de produccin de bateras durante un mes con una
muestra de 25 bateras cada da, todo esto con el fin de verificar si la produccin se
encuentra dentro de los lmites de control de un grfico P.
fecha
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

tamao muestra
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40

numero de defectos
19
16
7
15
20
15
17
15
13
16
8
4
15
12
17
20
3
8
9
15
10
12
11
3
3
3
5
8
14
4

Grfica P de numero de defectos

1

0,5

LCS=0,4940

Proporcin

0,4

_
P=0,2808

0,3

0,2

0,1
LCI=0,0677
1

10

13

16

19

22

25

28

Muestra

Conclusin.

El grafico nos indica que tenemos procesos con demasiados errores es por lo
cual tenemos 2 puntos espordicos adems aproximadamente 5 puntos que
estn muy cerca de los lmites de control, esto implica que las bateras cumples
los requisitos pero con tendencia a que no funcionen correctamente, se sugiere
mejorar los procesos buscando las fallas mediante un diagrama de paretto o un
diagrama de causa efecto.

GRAFICO P (muestra variable)

Luego de un ao de mejorar el proceso de produccin de bateras se hace un nuevo
muestreo variable para detectar las posibles fallas. Hacer un grfico P e interpretar.
fecha
1
2
3
4
5
6
7
8
9
10

tamao
muestra
37
43
35
42
38
37
43
37
37
36

numero de
defectos
7
7
6
7
15
2
3
10
4
13

11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

36
44
42
33
41
33
34
37
39
33
43
34
33
44
40
36
39
44
37
35

8
9
9
12
9
8
5
2
3
6
10
11
6
6
6
11
11
12
4
3

Grfica P de numero de defectos

1

0,4

LCS=0,3987

Proporcin

0,3

_
P=0,1970

0,2

0,1

0,0

LCI=0
1

10

13

16

19

22

25

28

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.

Se puede definir que los procesos si han mejorado con respecto al ao anterior
por lo que ya tenemos un punto espordico y los dems puntos estn

controlados dentro del lmite, sin embargo no est por dems decir que se debe
seguir mejorando procesos aplicando mtodos de mejora continua por ejemplo:
5 s.

GRAFICO NP (muestra constante)

Se desea realizar un estudio por grafico NP del ejercicio anterior con una muestra
constante de 40 elementos.
fecha

tamao muestra

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40
40

numero
de
defectos
4
11
4
12
17
17
9
11
17
8
7
1
8
15
16
10
19
9
4
9
16
7
17
7
18
14
2
7
19
12

proporcin
fraccin
0,1
0,275
0,1
0,3
0,425
0,425
0,225
0,275
0,425
0,2
0,175
0,025
0,2
0,375
0,4
0,25
0,475
0,225
0,1
0,225
0,4
0,175
0,425
0,175
0,45
0,35
0,05
0,175
0,475
0,3

de

Grfica NP de numero de defectos

Conteo de muestras

20

LCS=19,35

15

__
NP=10,9

10

5
LCI=2,45
1
1

0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

En el grafico NP se detectan dos puntos espordicos en la parte del lmite del

control inferior lo que nos dice que el proceso ha estado fallando durante el
tiempo que se tom las muestras y tambin se tiene una tendencia a salirse de
los lmites de control, por lo que se sugiere controlar esas fallas estudindolas en
diagramas de control, para as determinar sus causas.
GRAFICO NP (muestra variable)
Se hace nuevamente un muestreo aleatorio para saber si los procesos de fabricacin
de bateras para motos mejoran, ya que la empresa necesita ganar clientes caso
contrario, la empresa quebrar, analizar el control de procesos mediante un grafico NP.
fecha
1
2
3
4
5
6
7
8
9
10
11
12

tamao
muestra
40
45
41
43
46
41
46
44
45
42
48
45

numero de
defectos
3
10
3
10
5
10
4
5
5
1
2
8

proporcin de
fraccin
0,08
0,22
0,07
0,23
0,11
0,24
0,09
0,11
0,11
0,02
0,04
0,18

13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

42
49
40
44
47
42
45
43
44
50
48
42
46
42
43
45
45
48

5
7
8
1
9
2
9
9
3
8
6
1
6
2
5
5
4
8

0,12
0,14
0,20
0,02
0,19
0,05
0,20
0,21
0,07
0,16
0,13
0,02
0,13
0,05
0,12
0,11
0,09
0,17

Grfica NP de numero de defectos

14
LCS=12,75

Conteo de muestras

12
10
8
__
NP=5,91

6
4
2
0

LCI=0
1

10

13

16

19

22

25

28

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.

Los resultados se muestran positivos ante los lmites de control porque se

encuentran dentro de ellos, eso quiere decir que los procesos de fabricacin son
los adecuados y por lo tanto se puede seguir con la misma tecnologa, hasta que
se presenten nuevas eventualidades.

 GRAFICO C
Se necesita saber si el nmero de bateras defectuosas estn dentro de del lmite
necesario para que no existan perdidas y disminuir costos de almacenamientos, as
tambin como los inventarios excesivos, hacer un grfico c e interpretar.
fecha
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

numero de defectos
9
6
9
6
10
11
9
12
14
7
3
6
9
7
4
14
4
6
6
4
9
13
10
14
12
2
10
14
13
3

Grfica C de numero de defectos

18

LCS=17,30

16

Conteo de muestras

14
12
10

_
C=8,53

8
6
4
2
0

LCI=0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

El grafico nos dice que las bateras defectuosas que se presentan en los procesos
de produccin no significan perdida para la fbrica, por lo tanto se deduce que el
sistema an puede seguir ejecutndose.

GRAFICO U (muestra constante)

Se decide comprobar el nmero de defectos por artculo producido, haciendo un grfico
u de una muestra de 10 bateras.
da
1
2
3
4
5
6
7
8
9
10
11
12
13
14

bateras
10
10
10
10
10
10
10
10
10
10
10
10
10
10

errores
1
3
4
2
3
3
4
3
5
1
2
1
3
2

15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10

5
4
2
5
5
1
4
5
2
1
2
2
3
4
5
3

Grfica U de errores
0,9
LCS=0,8196

Conteo de muestras por unidad

0,8
0,7
0,6
0,5
0,4

_
U=0,3

0,3
0,2
0,1
0,0

LCI=0
1

10

13

16

19

22

25

28

Muestra

Conclusin.

El grafico indica que los errores por unidad estn dentro del rango indicado por lo
cual se concluye que las prdidas en las ventas no se deben a fallos en los
materiales, sino puede ser por problemas de distribucin, o por retrasos en la
entrega.

 GRAFICO U (muestra variable)

Ahora en este mes se quiere recuperar el mercado por lo cual las ventas suben y
bajan a lo largo del mes, se quiere saber con un grfico u si existen defectos por un
numero variable de muestra, los datos se muestran en la tabla siguiente.
da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

batera
8
9
9
10
10
10
8
9
9
9
10
9
10
9
10
9
10
10
10
8
10
9
9
9
10
10
10
10
10
8

error
es
1
3
3
3
4
2
4
5
3
5
2
3
4
2
3
5
2
1
1
3
4
1
1
1
5
3
1
5
5
4

Grfica U de errores
LCS=0,914

Conteo de muestras por unidad

0,9
0,8
0,7
0,6
0,5
0,4

_
U=0,317

0,3
0,2
0,1
0,0

LCI=0
1

10

13

16

19

22

25

28

Muestra
Las pruebas se realizaron con tamaos de la muestra desiguales

Conclusin.

El grafico nos indica que no existen errores en este mes de produccin y que el
servicio de distribucin es aceptable, es notable que desde al comienzo del
anlisis de control de calidad se encuentra un correcto procedimiento en la
fabricacin y un producto final aceptado por el cliente

VARIABILIDAD Y CURVA CARACTERSTICA DE OPERACIN.

Se tiene una gran cantidad de productos y se sabe que el ndice de producto
defectuoso es el 6%. Si tomamos una muestra de tamao de 100 con muy buena
representatividad, entonces por lgica se esperara que en cada muestro encontremos
6 productos defectivos. Sin embargo, la misma experiencia ha demostrado que se
puede encontrar ms o menos 6 defectivos, la razn es que los artculos extrados en
cada muestra depende del azar, por lo que la cantidad de artculos defectuoso es
variable y es "difcil" que en las muestras vengan exactamente 6 defectuosos.
Siempre que el azar est de por medio, los resultados son variables y el objetivo de la
probabilidad y la estadstica es modelar (predecir) tal variabilidad, para que as el
"azar" no sea capricho. As en el caso particular que hemos planteado, quiz sea
razonable pensar que la mayora de las veces que repitamos el proceso de extraer una
muestra de 100 artculos, la cantidad de piezas defectivas encontradas vare alrededor
de 6. Pero la pregunta es qu tan cercano a 6? La respuesta la da la distribucin de
probabilidad binomial, que es la distribucin que modela las ms de las veces este tipo
de situaciones que hemos planteado antes. Se puede encontrar la probabilidad de
obtener cierta cantidad, x, de productos defectuosos en cada muestra de tamao de
100, sabiendo que la poblacin o lote de donde se extrae la muestra de manera
aleatoria tiene cierto porcentaje de productos defectuosos aleatoriamente mezclados
en el lote. A continuacin se muestran estas probabilidades.

Aplicacin de la distribucin binomial (100, 0.06)

Cantidad de defectuosos en la muestra (x)
0
1
2
3
4
5
6
7
8
9
10
11
12
Existen muchos sistemas computacionales para calcular lo anterior. Por ejemplo,
en Excel las
probabilidades
de
la
tabla
anterior
se
calculan
con
la
funcin DISTR.BINOM (x, n, p, 0). Donde x es la cantidad de defectuosos, n es el
tamao de muestra (n = 100, en el ejemplo), p es la proporcin artculos defectuosos
en el lote o poblacin (p = 0.06 en el ejemplo), y 0 es un valor lgico.
De esta manera, a partir de la tabla se observa que si en la situacin descrita se siguen
extrayendo muestras de tamao de 100 y en la produccin se mantiene 6% de
artculos defectuosos, entonces se espera que solo en 16.6% de las muestras se
observen exactamente 6 artculos defectuosos. Lo anterior debe tomarse en cuenta
siempre que se haga inspeccin por muestras: lo que se observa de una muestra no es
idntico lo que hay en la poblacin o lote, ya que lo que se observa de una muestra a
otra tiene cierta variabilidad. Por tanto, para tomar cualquier decisin sobre la
poblacin, lo primero que se debe hacer es conocer tal variabilidad. As, forzosamente
se tiene que aplicar algn modelo probabilstico. En muestreo de aceptacin tal modelo
probabilstico es la curva caracterstica de operacin.
Curva caracterstica de operacin (CO)
Suponga que en una fbrica se aplica a lotes de tamao grande (es usual considerar
que un lote es grande respecto al tamao de la muestra, cuando la muestra es menos
del 10% del lote, es decir, cuando 10n < N) el plan de muestreo simple por atributos
definido por:
n = 60, c =1
A los lotes de ciertos artculos antes de embarcarlos y enviarlos al cliente. De esta
manera, de un lote de ms de 600 piezas, se extrae una muestra aleatoria de n = 60, y
si al inspeccionar estas unidades se encuentran cero o a lo ms una defectuosa,
entonces el lote es aceptado (embarcado y enviado al cliente). Pero si se encuentran
dos artculos o ms que son defectuosos, entonces el lote es rechazado (retenido para
una inspeccin al 100%).

Bajo estas condiciones surgen algunas interrogantes: que tipo de calidad garantiza este
plan y cul es el nivel de calidad que no tolera; o de una manera ms tcnica: si un lote
tiene cierta proporcin de artculos defectuosos, cul es la probabilidad de que el lote
sea aceptado? Las respuestas a estas preguntas se obtiene a partir de la curva
caracterstica de operacin (curva CO) para el citado plan.
La curva CO de un plan proporciona una caracterizacin del potencial desempeo del
mismo, ya que con sta se puede saber la probabilidad de aceptar o rechazar un lote
que tiene determinada calidad. Por ejemplo, con la curva CO del plan n = 60, c =1 y
tamao de lote grande, se puede saber cual es la probabilidad de aceptar un lote que
tenga 2% de sus artculos defectuosos. Adems, como de un lote que se somete a
inspeccin por muestreo se desconoce su proporcin, p, de artculos defectuosos,
entonces la curva CO tiene que proporcionar la probabilidad de aceptar lotes con
cualquier valor de p. En la figura 3 se muestra la curva CO para el plan n = 60, c =1.

Figura 3 Curva CO para el plan de muestreo n = 60, c = 1 y tamao de lote grande

Obtener los puntos sobre la curva CO es relativamente fcil. Supngase que el lote
proviene de un flujo continuo de productos que puede ser considerado infinito o que el
lote tiene un tamao N que es grande respecto al tamao de muestra. Bajo esta
condicin, la distribucin del nmero de artculos defectuosos, x, en la muestra
aleatoria de tamao n, es binomial con parmetros n y p; donde p es la proporcin de
artculos
defectuosos
en
el
lote.
La
probabilidad
de
observar
exactamente x defectuosos en la muestra esta dada por la ecuacin:

smbolo factorial (5! = 5 x 4 x 3 x 2 x 1 = 120, por ejemplo). A p se le desconoce la

mayora de las veces.
De esta manera la probabilidad de aceptacin es justamente la probabilidad que x sea
menor o igual que c. Por ejemplo, la probabilidad de aceptar un lote que tenga 2% de
artculos defectuosos (p = 0.02) con el plan n = 60, c = 1, es igual a la probabilidad de

que x sea menor o igual a 1; es decir, es igual a la probabilidad de obtener cero

artculos defectuosos ms la probabilidad de obtener uno.
P(0) + P(1).
Al calcular estas probabilidades con la distribucin binomial con n = 60 y p = 0, se
obtiene.
P(0) = 0.2976
P(1) = 0.3633
Por lo que la probabilidad de aceptar un lote que tenga 2% de artculos defectuosos con
este plan es igual a 0.6619. Probabilidad que se podra haber apreciado ms o menos
directamente de la curva CO de la figura 3, ya que esta curva se obtiene calculando
P(0) + P(1) con la formula de distribucin
binomial, con n = 60, para diferentes valores de p. En la tabla 1 se aprecia la
probabilidad de aceptacin de lotes con diferentes valores de p; y con base en la tabla
1 se puede bosquejar la curva CO de la figura 3
Tabla 1 Probabilidad de aceptacin del plan n = 60, c =1, para
Diferentes valores de p y suponiendo tamao de lote grande.

As, la curva CO de la figura 3 muestra el poder de discriminacin del plan de

muestreo n = 60, c =1. Por ejemplo, si los lotes tienen 5% de artculos defectuosos
(p = 0.05), entonces la probabilidad de aceptarlos es aproximadamente 0.19. Esto
significa que si 100 lotes con 5% de defectuosos, son sometidos a este plan de
muestreo, entonces se esperara aceptar a 19 y rechazar a 81.
En general, para obtener una curva CO para un plan con tamao de muestra n y
nmero de aceptacin c, se calcula la probabilidad de aceptacin, Pa, para diferentes
valores de la proporcin de defectuosos, p; es decir, se calcula.
Pa = P(0) + P(1)+ ..... +P(c); para diferentes valores de p.
Curva CO ideal.
Si se quieren rechazar los lotes que tengan una proporcin de artculos defectuosos
mayor que 1% por ejemplo, y aceptar los que tengan 1% de defectuosos o menos.
La curva CO ideal para esta situacin se muestra en la figura 4, en la que si el nivel de
calidad es 1% de defectivo o menos, se est satisfecho con tal cantidad y por tanto se
acepta con probabilidad 1. Mientras que si la proporcin de defectivos es mayor que

1% no se est satisfecho con esa calidad por lo que se desea aceptarla con
probabilidad cero (es decir, rechazarla con probabilidad 1). Sin embargo, no existe
ningn plan de muestreo que tenga esta curva ideal y que por tanto sea capaz de
hacer una discriminacin perfecta entre los lotes "buenos" y "malos". En teora la curva
CO ideal se puede alcanzar con inspeccin al 100%, siempre y cuando esta inspeccin
estuviera libre de errores, lo que difcilmente ocurre.

Figura 4 Curva CO ideal para la calidad p = 0.01 (1%).

De acuerdo con lo anterior, lo ms que se puede hacer en la prctica es disear planes
de muestreo de aceptacin que tengan alta probabilidad de aceptar lotes buenos, y
una baja probabilidad de aceptar lotes malos. Por ejemplo, con el plan n = 60, c =1
(vase tabla 1 figura 3), se tiene una probabilidad de 0.879 de aceptar lotes con
proporcin de defectuosos de 1% y para porcentajes menores a este 1% se tiene mayor
probabilidad de aceptacin; pero lotes con 4% de defectivo todava tienen probabilidad
de aceptarse de 0.30. Por lo que si se quiere un plan ms estricto que no permita pasar
tan fcilmente lotes de ese tipo, entonces ser necesario disear un plan con un
tamao de mayor muestra, como lo veremos enseguida.
Propiedades de las curvas CO.
1.

No existe un plan de muestreo que tenga una curva CO ideal, que pueda
distinguir perfectamente los lotes buenos de los malos. De esta manera, todo plan
de muestreo tiene riesgos de rechazar la buena calidad y aceptar la mala. Lo que s
existe son planes que tienen mayor probabilidad de aceptar la buena calidad y
menos probabilidad de aceptar la mala.
Plan n = 60, c = 1; probabilidad de aceptarlo 0.302
Plan n =120, c = 2; probabilidad de aceptarlo 0.137
Plan n =240, c = 4; probabilidad de aceptarlo 0.035
De esta manera, el ltimo plan slo dejar pasar 3.5% de lotes con 4% de defectivo.

2.

Al aumentar el tamao de la muestra con el nmero de aceptacin, se obtiene

planes cuya curva CO se acerca ms a la ideal, es decir, que tienen
mayor potencia en distinguir la buena calidad de la mala. Esta propiedad queda en

evidencia en la figura 5, en la que se muestran las curvas CO de tres planes de

muestreo, ntese que entre mayor es n ms rpido cae la curva, no obstante que el
nmero de aceptacin c se mantiene proporcional al tamao de muestra. Entre ms
rpido caiga la curva, menos probabilidad se tiene de aceptar lotes de mala calidad.
Por ejemplo, suponga que un lote con 4% de defectivo se considera como de mala
calidad, entonces con las tres curvas de la figura 5 se tiene que:
N = 300 n = 30 c = 0
N = 500 n = 50 c = 0
N = 800 n = 80 c = 0
En la figura 6 se muestran las curvas CO para estos tres planes. De donde se puede
ver que estos tres planes, obtenido con el mismo criterio (no estadsticos),
proporcionan distintos niveles de proteccin para un mismo nivel de calidad en los
lotes. Por ejemplo, si los lotes tienen una proporcin de defectivo de 0.05 (5%),
entonces la probabilidad de aceptarlo, Pa, en cada caso es el siguiente:
N = 300, Pa = 0.214; N = 500, Pa = 0.0769; N = 800, Pa = 0.0165;
As, en el primer caso se aceptar 21.4% de los lotes, en el segundo 7.69% y en el
ltimo 1.65%. Por lo anterior, obtener el tamao de muestra con tal criterio de
porcentaje es inadecuado.

Figura 5 Cuando n crece y c lo hace de manera proporcional, aumenta el poder

de discriminacin de un plan.

Figura 6 Curvas CO para tamao de muestra igual al 10% del lote y c = 0.

3.

El criterio de tamao de muestra igual a un porcentaje del tamao de lote es un

mal criterio. Es frecuente encontrar casos en los que el tamao de la muestra se
tome igual a cierto porcentaje del tamao del lote y el nmero de aceptacin c = 0.
Si este porcentaje es 10%, por ejemplo, y se tiene lotes de tamao N, igual a 300,
500 y 800, entonces al aplicar este criterio se obtiene que los planes de muestreo
de aceptacin para estos lotes son:

4.

Al disminuir el nmero de aceptacin la curva CO cae ms rpido y con ello los

planes se vuelven ms estrictos. Esto se puede apreciar en las curvas CO para los
planes n = 80 c = 0, n = 80 c = 1, n = 80 c = 2, que se muestra en la figura 7.

Figura 7 El efecto de disminuir c en los planes de muestreo por atributos.

5.

Los planes con c = 0 no siempre son lo ms apropiados. En la figura 6 tambin

se pueden apreciar curvas CO para varios planes con nmero de aceptacin c = 0, y
si la comparamos con las curvas CO de la figura 5, vemos que las de c = 0 son
cncavas hacia arriba; lo que causa que la probabilidad de aceptar disminuya ms
rpido aun para valores pequeos de la proporcin de defectivo en el lote. Esto hace
que sean planes extremadamente exigentes para el proveedor y en algunas
circunstancias costosos para el cliente. Por ejemplo, si el nivel aceptable de calidad
es 1% quiere decir que se aceptan con gusto los lotes que tengan una proporcin de
defectivo de 1% o menos; bajo estas condiciones si optamos por aplicar el plan n =
120 c = 2 (figura 5), entonces la probabilidad de aceptar lotes con 1% de defectivo
es 0.88. Pero si se aplica el plan n = 30 c = 0, la probabilidad de aceptarlos es
menor (Pa = 0.74); lo que llevara a rechazar 26% de los lotes que tengan un nivel
de calidad aceptable. De esta manera, disear planes con c = 0, que intuitivamente
se pensara que funcionan mejor, no siempre es recomendable.

6.

La influencia del tamao de lote es disear planes adecuados de muestreo, es

menor de lo que continuamente se cree. Curvas CO tipo A y tipo B. Para obtener
todas las curvas CO que hemos visto hasta aqu, se ha supuesto que las muestra se
extraen de un lote grande o que el lote proviene de un flujo continuo de productos.
A este tipo de curvas se les conocen como curvas CO tipo B, y la distribucin
apropiada para calcular las probabilidades de aceptacin es binomial.

ndices de calidad para los planes de muestreo de aceptacin.

En una relacin cliente-proveedor en la que hay un plan de muestreo de aceptacin de
por medio, hay dos intereses: por un lado, el proveedor quiere que todos los lotes que
cumplen con un nivel de calidad aceptable sean aceptados, y por el otro, el cliente
desea que todos los lotes que no tienen un nivel de calidad aceptable sean rechazados.

Nivel de calidad aceptable, NCA o AQL (aceptancing quality level). El NCA se define
como el porcentaje mximo de unidades que no cumplen con la calidad especificada,
que para propsitos de inspeccin por muestreo se puede considerar como satisfactorio
o aceptable como un promedio para el proceso. El NCA tambin se lo conoce
como nivel de calidad del productor y se expresa en porcentajes de unidades que no
cumplen con la calidad especificada.
Nivel de calidad lmite, NCL o LQL (limiting quality level). Es el nivel de calidad que se
considera como no satisfactorio y que los lotes que tengan este tipo de calidad deben
ser rechazados casi siempre. El NCL, en algunos planes especficos (por ejemplo los
"Planes de muestreo Dodge-Roming") se conoce como porcentaje defectivo tolerado del
lote, PDTL o LTPD (lot tolerance percent defective).
EJEMPLO:
Suponga que un cliente plantea la necesidad de que su proveedor le envi slo
aquellos lotes que tengan un buen nivel da calidad. Para ello se decide establecer un
plan simple de muestreo de aceptacin. El tamao de lote es grande y se establece con
el porcentaje de unidades defectuosas que se considera aceptable o satisfactorio es del
0.4%, NCA = 0.4%, y se acuerda que este tipo de calidad adecuada tendr probabilidad
de aceptarse del 0.95, y por tanto un riesgo de no aceptarse de 0.05. El riesgo del
productor es = 0.05, ya que los lotes del productor que tengan 0.4% de defectuosos,
a pesar de tener una calidad aceptable, tienen probabilidad de no aceptarse de 0.05.
Tambin se acuerda que el nivel de calidad que se considerar como no aceptable o
insatisfactorio es de 2.55%, NCL = 2.55%. Por ello los lotes que tengan este porcentaje
de unidades defectuosas tendrn baja probabilidad de aceptarse (0.10); de esta
manera el cliente (consumidor) est asumiendo un riesgo de = 0.10 de aceptar lotes
de calidad pobre (2.55% de defectuosos).
Bajo las condiciones anteriores, un plan de muestreo que cumple moderadamente bien
los acuerdos del cliente y el proveedor es n = 205 c = 2, cuya curva CO se muestra en
la figura 9. Es importante entender bien el funcionamiento de este plan: garantiza que
los lotes que tengan un porcentaje de unidades defectuosas menor o igual a 0.4% se
aceptarn con facilidad. A medida que este porcentaje vaya siendo mayor, cada vez
ser ms difcil (menos probable) que los lotes correspondientes sean aceptados. En
particular si un lote tiene un porcentaje del 2.55%, entonces tendr probabilidad de ser
aceptado de 0.10.
En consecuencia, este plan no garantiza que los lotes con un porcentaje de defectuosos
mayor a 0.4% sean rechazados siempre.

Figura 9 Curva CO con NCA = 0.4%, = 0.05, NCL = 2.55% y = 0.10