Pgina |1

2.1 DISTRIBUCIN DE FRECUENCIAS

Las distribuciones de frecuencias son tablas en las cuales las filas son
variables y en las columnas el nmero de ocurrencias por cada valor cuya
finalidad es facilitar la obtencin de informacin de dichos datos contenidos.
En resumen la distribucin de frecuencias presenta observaciones que se
clasifican de forma que se pueda ver el nmero de clase.

Las distribuciones de frecuencias acumuladas se emplean cuando las

variables toman un nmero grande de valores o si la variable es continua.
Agrupamos los valores en intervalos de la misma amplitud (clases) a los
cuales se les asigna una frecuencia, cada clase est delimitada por el lmite
inferior y el lmite superior.

La amplitud de clase se reconoce como la diferencia entre el lmite superior

e inferior de nuestro intervalo de clase.

La marca de clase es el punto medio de cada intervalo.

Existen varios tipos de distribucin de frecuencias:

FRECUENCIA RELATIVA
FRECUENCIA RELATIVA ACUMULADA
FRECUENCIA ACUMULADA
FRECUENCIA ABSOLUTA

FRECUENCIA RELATIVA:

Se refiere a la cantidad de veces que un dato en concreto aparece en un

conjunto de datos especfico (las veces que ocurre un evento concreto
divido entre el nmero total de resultados).
EJEMPLO:
14752314476585955

Se escoge un valor especfico con el cul se determinar la frecuencia

relativa (el que se repite ms veces)

LA FRECUENCIA RELATIVA= 5

PORQUE EL 5 SE REPITE 5 VECES

Utilizamos la frmula de la frecuencia relativa

 Pgina |2

FRECUENCIA RELATIVA = = = 0.29

La frecuencia relativa es igual a 0.29, es decir, la ocurrencia de un evento

concreto en un conjunto de eventos

FRECUENCIA RELATIVA ACUMULADA:

Es la frecuencia absoluta acumulada dividida por el nmero total de sujetos.

la frecuencia relativa acumulada de cada valor siempre es mayor que
la frecuencia relativa. Para determinar la frecuencia relativa acumulada
dados los siguientes datos:

13 12 13 14 15 15 15 17 18 20 17 18 17 19 19 20 21

En la primera columna se coloca la variable ordenada de menor a

mayor
En la segunda columna se coloca el recuento de las veces que se
repite dicho dato
En la tercer columna se coloca la frecuencia absoluta

xi Recuento fi Fi ni Ni
(Frecuencia (Frecuencia (FRECUENCIA
relativa) relativa ABSOLUTA)
acumulada)
12 I 1 1 0.058 0.058
13 II 2 3 0.117 0.175
14 I 1 4 0.058 0.233
15 III 3 7 0.176 0.409
17 III 3 10 0.176 0.585
18 II 2 12 0.117 0.702
19 II 2 14 0.117 0.819
20 II 2 16 0.117 0.936
21 I 1 17 0.058 1
17 1
 Pgina |3

FRECUENCIA ABSOLUTA

La frecuencia absoluta es el nmero de veces que aparece un

determinado valor en un estudio estadstico. Se representa por
f i . La suma de las frecuencias absolutas es igual al nmero total
de datos, que se representa por N.

f1 + f2 + f3 + ... + fn = N
Para indicar resumidamente estas sumas se utiliza la letra
griega (sigma mayscula) que se lee suma o sumatoria.

fi = N

Frecuencia absoluta de un suceso (fi) es el nmero de veces que aparece

dicho suceso cuando se repite un experimento aleatorio determinada
cantidad de veces (n veces).

Ejemplo:

Tenemos una urna con bolas numeradas del 1 al 6. Extraemos una y

anotamos su nmero 50 veces.

Los resultados fueron los siguientes:

Nmero 1 2 3 4 5 6 Suma

fi 9 8 7 10 7 9 50

La frecuencia acumulada es la suma de las frecuencias

absolutas de todos los valores inferiores o iguales al valor
considerado. La frecuencia acumulada se representa por F i .

Ejemplo:

Durante el mes de julio, en una ciudad se han

registrado las siguientes temperaturas mximas:

27, 27, 27, 28, 28, 28, 28, 29, 29, 29, 29, 29 ,
29, 30, 30, 30, 30, 30, 30, 30, 31, 31, 31, 31, 31,
31, 31, 31, 32, 32, 32, 32, 32, 33, 33, 34, 34, 34,
 Pgina |4

34.

xi fi Fi
27 3 3
28 4 7
29 6 13
30 7 20
31 8 28
32 5 33
33 2 35
34 4 39
39

FRECUENCIA ACUMULATIVA

Suma de las frecuencias a un valor dado o debajo de l. Es el total de las

frecuencias que ocurren hasta el valor dado.
Por ejemplo, en una encuesta, se pregunt a 10 personas acerca del
nmero de mascotas que tenan y en la siguiente tabla se muestra cmo
calcular la frecuencia acumulativa:

Nmero de Frecuencia Frecuencia

mascotas Acumulada
0 4 4

1 3 7

2 5 12

3 1 13

+3 10 23
 Pgina |5

2.2 CAPACIDAD DE PROCESOS

INTRODUCCIN

Para determinar si un proceso es o no capaz haremos uso de herramientas

grficas (histogramas, grficos de control, y grficos de probabilidad).
Tambin utilizaremos los llamados ndices de capacidad, que vendrn
determinados por los cocientes entre la variacin natural del proceso y el
nivel de variacin especificada. En principio, para que un proceso sea
considerado capaz, su variacin actual no debera representar ms del 75%
de la variacin permitida. El programa Minitab nos permite realizar anlisis
de capacidad basados en la distribucin normal o en la distribucin Weibull.

La opcin basada en el modelo normal nos proporciona un mayor nmero

de estadsticos, si bien para usar esta opcin es necesario que los datos
originales sigan una distribucin aproximadamente normal. As, por
ejemplo, esta opcin nos dar estimaciones del nmero de unidades (o
partes) por milln que no cumplen con las especificaciones. Tales
estimaciones pueden transformarse en probabilidades de producir unidades
que no cumplan con las especificaciones. Es importante recordar que para
interpretar correctamente estos estadsticos es necesario que: (1) los datos
se han obtenido a partir de un proceso bajo control, y (2) stos siguen una
distribucin aproximadamente normal. De forma anloga, tambin es
posible basarnos en el modelo Weibull para calcular las partes por milln
que no cumplen con las especificaciones. Si los datos siguen una
distribucin notablemente asimtrica, probabilidades basadas en el modelo
normal no seran muy buenos estimadores de las verdaderas probabilidades
de producir unidades que no cumplan con las especificaciones. En tal caso,
podramos optar por: (1) usar la transformacin de Box-Cox para
transformar los datos en otros cuya distribucin sea aproximadamente
normal, o (2) usar el modelo Weibull.

ndices de capacidad

En esta seccin se consideran algunos ndices que proporcionan una medida

de la capacidad.

Para una variable aleatoria X que representa la caracterstica de la calidad

que se pretende controlar en el producto fabricado, la variabilidad de X
determina el nivel de calidad del producto. Una primera aproximacin es
proporcionada por los lmites de 6 que definen una situacin de control del
proceso. Esta medida de la variabilidad del proceso est asociada a la
consideracin de un escenario gaussiano donde el intervalo 3 incluye
aproximadamente al 99.7 % de los valores de la caracterstica X
considerada. Los lmites de dicho intervalo definen las tolerancias naturales
o intrnsecas del proceso. La interpretacin de dicha medida no es directa y
seria de utilidad la construccin de una medida en trminos relativos. Se
consideran los lmites de especificacin (LIE y LSE) que definen el rango de
valores de X que se han establecido como permisibles. Asimismo, el valor
objetivo, definido por el valor medio poblacional se supondr centrado
respecto a los lmites de especificacin. Se define entonces el ndice de
 Pgina |6

capacidad estndar del proceso como IC = LSE LIE 6 . Este ndice

relaciona la diferencia entre los lmites de especificacin (establecidos) y un
mltiplo de la desviacin tpica de la caracterstica estudiada, que est
asociado a la variabilidad del proceso y, por tanto, a las tolerancias
naturales. Para IC = 1 el proceso fabrica un 0,3 % de artculos defectuosos
(bajo normalidad). Si IC < 1, el proceso fabrica una proporcin de
defectuosos superior al 0,3 %; dicha proporcin aumenta segn nos
alejamos de la unidad. En este caso habr que actuar sobre el proceso para
incrementar su capacidad. Si IC > 1, el proceso fabrica una proporciona de
defectuosos inferior al 0,3 %; dicha proporcin disminuye segn IC se aleja
de la unidad. La frecuencia de muestreo y la fraccin de muestreo dependen
de los valores de este ndice. Para ndices inferiores a la unidad se suelen
inspeccionar todas las unidades. En cambio, un incremento de este ndice
por encima de la unidad permite disminuir la frecuencia de muestreo y, por
tanto, el nmero de unidades que se inspeccionan. En ocasiones, en el
anlisis de la capacidad del proceso interesa realizar un estudio sobre la
variabilidad de una sola maquina (sin otros factores externos), investigando
su capacidad en periodos cortos de tiempo frente a factores externos fijos.
Se pueden considerar este u otros aspectos para el diseo de ndices de
capacidad. As se tienen los siguientes ndices:

(i) ndice de capacidad para una maquina: ICm = LSE LIE 8.

(ii) ndice de capacidad unilateral: ICk = min LSE 3,

LIE 3 .

(iii) ndice de capacidad para una maquina unilateral: ICmk = min

LSE 4 , LIE 4 .

(iv) ndice de capacidad inverso ICi = 1 IC .

(v) ndice de capacidad modificado: ICmd = LSE LIE 6e, donde

e = Pn i=1(xi ) 2 n 1 1/2 .

(vi) ndice de capacidad especial: K = X LSE LIE/2.

Lmites de tolerancia naturales

En los temas anteriores y en la seccin anterior se han considerado como

lmites de tolerancia naturales los limites 3. Este concepto se puede
generalizar en varios sentidos; por ejemplo, se puede considerar un
mltiplo arbitrario de la desviacin tpica poblacional, , o bien se puede
considerar que la poblacin no es normal. En un sentido ms amplio, los
lmites de tolerancia naturales de un proceso son aquellos que contienen
cierta fraccin 1 de la distribucin de la caracterstica de la calidad
estudiada. En el caso en que la distribucin de la caracterstica estudiada es
normal (anlogamente cuando es conocida), se tiene que, para y
conocidos, los lmites de tolerancia naturales que contienen al 100(1 ) %
de los valores se la caracterstica estudiada son Z/2. Cuando y son
desconocidos, entonces se debe calcular una estimacin de los mismos. Ms
 Pgina |7

concretamente, a partir de una muestra de tamao n, se calculan X y S 2.

La aproximacin obtenida de los lmites de tolerancia seria X Z/2S, que
habr que corregir para asegurar que se est considerando el 100(1 ) %
de los valores de la caracterstica 4 estudiada. Por ejemplo, se puede
determinar o calcular un valor M tal que una fraccin de los intervalos X
MS incluya, por lo menos, a un 100(1 ) % de los valores. Los valores
de M estn tabulados para diferentes tamaos mustrales, valores de y
valores de . Cuando el tamao muestra aumenta, el valor de M tiende al
valor poblacional. Esta caracterstica diferencia claramente a los lmites de
tolerancia aproximados de los lmites de confianza, puesto que en el ltimo
caso la amplitud del intervalo de confianza tiende a cero cuando el tamao
muestra tiende a infinito. Cuando la distribucin de la caracterstica
estudiada no se conoce, se pueden utilizar mtodos no paramtricos
basados en la distribucin de los valores extremos mustrales. Una
aproximacin al tamao maestral que hay que considerar para asegurar con
una probabilidad que un 100(1 ) % de los valores se encuentra entre
el menor y el mayor valor maestral observados viene dada por n 1 2 +
2 2 1 , 4 4 . La distribucin de Pareto Generalizada es utilizada
como aproximacin para el clculo de la distribucin condicionada de
valores extremos, cuando el parmetro umbral es suficientemente grande.

Ejemplo 1:

Tenemos la siguiente serie de datos:

265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275

Agrupando los datos por intervalos de clase obtenemos los datos mostrados
en la siguiente tabla:
 Pgina |8

Intervalo Marca Frecuencia Frecuencia

Frecuencia
de clase de clase relativa acumulada

190-209 199.5 6 0.06 0.06

210-229 219.5 7 0.07 0.13

230-249 239.5 13 0.13 0.26

250-269 259.5 32 0.32 0.58

270-289 279.5 24 0.24 0.82

290-309 299.5 11 0.11 0.93

310-329 319.5 4 0.04 0.97

330-349 339.5 3 0.03 1

El histograma es el siguiente:

Histogram of Datos

40

30
Frequency

20

10

0
160 190 210 230 260 290 310 330 360
Datos

Observamos que el histograma tiene forma normal.

Calculando la media y la desviacin estndar tenemos:

 Pgina |9

Descriptive Statistics: Datos

Variable N N* Mean SE Mean StDev Minimum Q1 Median Q3

Datos 99 0 264.19 3.23 32.15 176.00 248.00 265.00 280.00

X 264.19 S = 32.15

La variabilidad del proceso se encuentra en 6 s = 192.90

Si las especificaciones fueran LIE = 200 y LSE = 330

Cp
LSE LIE 330 200 .674
6S 192.90 < 1.33, el proceso no es hbil.

Zi
330 264.19 2.046
32.15

Zs
200 264.19 1.996
32.15

menor Z I , Z S 2
C pk 0.66
3 3

Cpk = menor 1.33, por lo tanto el proceso no cumple especificaciones.

 P g i n a | 10

2c. Capacidad a partir de papel normal

1. Se puede observar el comportamiento del proceso sin tomar tantos datos

como en el histograma, 10 son suficientes

2. El proceso es ms sencillo ya que no hay que dividir el rango de la

variable en intervalos de clase como en el histograma.

3. Visualmente se puede observar la normalidad de los datos, si se apegan

a la lnea de ajuste

4. Permite identificar la media y la desviacin estndar aproximada del

proceso. As como la fraccin defectiva, el porcentaje de datos entre cierto
rango, el Cp y el Cpk.

Ejemplo 2(carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente,

despus de que el proceso se estabiliz quedando slo con causas
comunes: x = 64.06 , R = 77.3

Por tanto estimando los parmetros del proceso se tiene:

x media de medias

R 77.3
33.23
d 2 2.326

Si el lmite de especificacin es: LIE = 200.

C pk
200 264.06
El 3 33.23 = 0.64 por tanto el proceso no cumple con las
especificaciones.

Ejemplo 3 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente,

despus de que el proceso se estabiliz quedando slo con causas

comunes:
x 100, s 1.05

Por tanto estimando los parmetros del proceso se tiene:

 P g i n a | 11

x 100

s 1.05
1.117
C 4 = .094

C4 para n = 5 tiene el valor 0.94

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.

C pk
105 100 1.492
El 3 1.117

Cp
105 85 2.984
El 6 1.117

Por lo tanto el proceso es capaz de cumplir con especificaciones.

Ejemplo 4

En una empresa en donde se producen materiales de construccin se pesan

las varillas corrugada al final de su produccin para determinar si estn
correctamente compuestas y resistirn el uso que demanda el cliente.

Varilla de (pulgada) largo 9.15 mts.

El peso est dado en kg

3.46 3.34 2.97

2.90 3.17 3.21

2.89 2.97 3.16

3.20 3.32 3.45

3.43 3.03 2.99

Suponiendo que las mediciones siguen una distribucin normal.

Obtenemos la media de los pesos de las varillas:

=
= 3.166

Y su desviacin estndar

() 2
= = .194
1
 P g i n a | 12

Ahora, suponga que el mnimo de peso para las varillas de de pulgada es

de 2.80 kg y el peso mximo que pueden tener las mismas es de 3.50 kg.

Podemos establecer los lmites de especificacin.

Lmite inferior de especificacin LIE= 2.80

Lmite superior de especificacin LSE= 3.50

Calculamos el CP

Cp= 6
= .610

Cpk= MIN (CPu , CPl)

Donde Cpk es igual a el mnimo valor resultante de calcular cpu y cpl.

Cpk es el valor que indica desempeo, mientras CP era solo por diseo del
proceso el CPk comparado con Cp nos debe indicar que tan bien se est
desempeando el proceso.

CPu = 3

Cpl = 3

Conclusiones

Un Cp menor a uno quiere decir que por diseo el proceso en incapaz de

crear productos que satisfagan las necesidades del consumidor.

Un Cp igual a uno es un indicador de que el proceso es adecuado pero

cualquier variacin causar defectos.

Un Cp mayor a uno es el Cp ideal, quiere decir que el proceso puede crear

productos adecuados y existe cierta libertad en la variacin.

(Garca, 2015)

En este caso obtuvimos un Cp menor a 1

 P g i n a | 13

Es decir, el proceso no es hbil y no cumple con la especificacin ni siquiera

por diseo, se deben corregir procesos inmediatamente.

No calculamos CP ya que desde el diseo el proceso no es capaz de crear

productos adecuados.
 P g i n a | 14

2.3 MUESTREO DE ACEPTACIN

Se ha recibido un lote de 100,000 tapas, que vienen empacadas en un total

de 50 cajas corrugadas, por lo tanto cada caja contiene 2,000 piezas. De
acuerdo a la lista de defectos y niveles de calidad los AQL manejados para
estas etapas son: crticos (AQL=0.1), , mayores (AQL=1.5) y menores
(AQL=4.0)

Elaborar plan de muestreo, en base a los datos anteriores.

a) Tamao del lote 100,000 piezas

b) Tipo de muestreo: por atributos, por lote y muestreo sencillo.

c) Nivel aceptable de calidad.

Crticos: AQL=0.1

Mayores: AQL=1.5

Menores: AQL=4.0

d) nivel de inspeccin: general II

e) grado de severidad: normal

Para realizar el muestreo se siguen los sientes pasos:

1. De acuerdo al tamao del lote, se busca en la tabla I de MIL-STD-105

D, con un nivel de inspeccin II, para este caso el lote se encuentra
entre 35,000 y 150,000, por lo que a un nivel II, corresponde a la
letra N.

2. En la tabla II-A se busca de acuerdo a la letra N, el nmero de piezas

que conforman la muestra, para ejemplo: 500.

3. Como se tienen 50 cajas y se requieren 500 tapas podran obtenerse

10 piezas de cada caja, sin embargo; esto no es ni prctico, ni
rentable, adems de tener algunas desventajas en el manejo de
materiales, por lo que se procede de la siguiente forma:

Cmo se tienen 50 cajas se localiza este nmero en la tabla I encontrando

tambin a un nivel de inspeccin II, la letra D (en un rango de lote de 26 a
50). Posteriormente la letra se localiza en la tabla II-A donde nos seala
una muestra de tamao 8, lo cual quiere decir que se tomaran 8 corrugados
de los 50 (al azar) de donde se extraen 500 piezas, es decir, 500/8=
62.5=63 piezas por corrugado.

4. Las muestras son analizadas encontrando de las 500 piezas lo

siguiente:
 P g i n a | 15

0 piezas con defectos crticos AQL=0.1

14 piezas con defectos mayores AQL=1.5

23 piezas con defectos menores AQL=4.0

5. En la tabla II-A en la escala de la letra N, se tienen los siguientes

criterios de aceptacin o rechazo.

En la lnea N:

Para AQL=0.1

Acepta con 1 defectivo

Rechaza con 2 defectivos

Como los defectos crticos son 0, pasa el AQL a 0.1 para crticos.

Para AQL=1.5

Acepta con 14 defectivo

Rechaza con 15 defectivo

Como los defectos mayores son 14, pasa el AQL=1.5 para mayores

Para AQL=4.0

Acepta con 21 defectivos

Rechaza con 22 defectivos

Como los defectos menores son 23, y 23>22 el lote queda rechazado con el
AQL=4.0 para menores

Nivel de inspeccin

Los niveles de inspeccin definen la cantidad relativa de inspeccin a para

un mismo tamao de lote, y existen dos grupos de niveles:

Generales I, II, III

Especiales S-1, S-2, S-3, S-4

Los tamaos de las muestras de los niveles generales son mayores que
para los niveles especiales, as como tambin la muestra se incrementa a
medida que se incrementa el nmero de nivel, por lo que se seleccionaran
niveles ms bajos en la medida que se presenten las siguientes situaciones:

Lotes pequeos

Precio unitario de material, considerable

Pruebas destructivas

Pruebas que requieren un tiempo considerable

 P g i n a | 16

La tabla 14.2 de MIL-STD-105D seala la cantidad de muestra que debe

seleccionarse de acuerdo al nivel.

Primeramente se localiza el rango en el cual se encuentra el lote recibido, y

de acuerdo al nivel de inspeccin seleccionado se encuentra una letra, esta
letra debe relacionarse con la tabla II-A MIL-STD-105D, donde a cada letra
corresponde un tamao de muestra

Tamao de lote o Niveles especiales Niveles

partida generales

S-1 S-2 S-3 S-4 I II III

2 A 8 A A A A A A B

9 A 15 A A A A A B C

16 A 25 A A B B B C D

26 A 50 A B B C C D E

51 A 90 B B C C C E F

91 A 150 B B C D D F G

154 A 280 B C D E E G H

281 A 500 B C D E F H J

501 A 1200 C C E F G J K

1201 A 3200 C D E G H K L

3201 A 10,000 C D F G J L M

10,001 A 35,000 C D F H K M N

35,001 A 150,000 D E G J L N P

150,001 A 500,000 D E G J M P Q

500,001 A MS D E H K N Q R
 P g i n a | 17

Grado de Severidad

Existen tres grados de severidad en un plan de muestreo, los grados son

aplicados de acuerdo al historial del proveedor, en base a la aceptacin o
rechazo de los lotes entregados, estos grados son:

Normal

Estricto

Reducido

Plan de muestreo mltiple para inspeccin estricta

 P g i n a | 18

Plan de muestreo mltiple para inspeccin reducida

Plan de muestreo mltiple para inspeccin normal

1
 P g i n a | 19

PLAN DE MUESTREO SENCILLO PARA INSPECCIN NORMAL

Letr Tam. AQL nivel de calidad aceptable (inspeccin normal)

a Mues-
clav tral 0.01 0.01 0.02 0.04 0.06 0. 0.15 0.25 0.4 0.65 1 1.5 2.5 4 6.5 10 15 25 40 65 100 150 250 400 650 100
e 5 5 5 1 0
AR AR AR AR AR A AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR
R
A 2 01 12 23 34 56 78 10 14 21 30
B 3 01 12 23 34 56 78 10 11 15 22 31
C 5 01 12 23 34 56 78 10 11 14 21 30 44
11 14 15 22 31 45
01 15 21 30 44
01 22 31 45
D 8 01 12 23 34 56 78 10 14 21 30 44
E 13 01 12 23 34 56 78 10 11 15 22 31 45
F 20 01 12 23 34 56 78 10 11 14 21 30 44
11 14 15 22 31 45
01 15 21
01 22
G 32 01 12 23 34 56 78 10 14 21
H 50 01 12 23 34 56 78 10 11 15 22
J 80 01 12 23 34 56 78 10 11 14 21
11 14 15 22
15 21
22
K 125 0 12 23 34 56 78 10 14 21
L 200 1 12 23 34 56 78 10 11 15 22
M 315 12 23 34 56 78 10 11 14 21
11 14 15 22
15 21
22
N 500 01 1 23 34 56 78 10 14 21
P 800 12 2 34 56 78 10 11 15 22
Q 125 12 23 2 56 78 10 11 14 21
0 12 3 11 14 15 22
3 15 21
4 22
R 200 23 34 5 78 10 14 21
0 6 11 15 22
 P g i n a | 20

= Utilice el primer plan de muestreo debajo de la flecha, si el tamao de la muestra es igual o mayor al lote
efectese inspeccin 100%
= Utilice el primer plan de muestreo arriba de la flecha
A = Nmero de aceptacin
B = Nmero de rechazo
 P g i n a | 21

PLAN DE MUESTREO SENCILLO PARA INSPECCIN ESTRICTA

Letr Tam. AQL nivel de calidad aceptable (inspeccin normal

a Mues-
clav tral 0.01 0.01 0.02 0.04 0.06 0. 0.15 0.25 0.4 0.65 1 1.5 2.5 4 6.5 10 15 25 40 65 100 150 250 400 650 100
e 5 5 5 1 0
AR AR AR AR AR A AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR
R
A 2 12 23 34 46 89 12 18 27
13 19 28
B 3 01 12 23 34 46 89 12 18 27 41
13 19 28 42
C 5 01 12 23 34 46 89 12 18 27 41
13 19 28 42
D 8 01 12 23 34 46 89 12 18 27 41
13 19 28 42
E 13 01 12 23 34 46 89 12 18 27 41
13 19 28 42
F 20 01 12 23 34 46 89 12 18
13 19
G 32 01 12 23 34 46 89 12 18
13 19
H 50 01 12 23 34 46 89 12 18
13 19
J 80 01 12 23 34 46 89 12 18
13 19
K 125 01 12 23 34 46 89 12 18
13 19
L 200 0 12 23 34 56 89 12 18
1 13 19
M 315 01 12 23 34 56 89 12 18
13 19
N 500 12 23 34 56 89 12 18
01
13 19
P 800 01 1 23 34 56 89 12 18
2 13 19
Q 125 01 2 34 56 89 12 18
12
0 3 13 19
R 200 01 3 56 89 12 18
12 23
0 4 13 19
S 315 12
0
 P g i n a | 22

= Utilcese el primer plan de muestreo debajo de la flecha, si el tamao de la muestra es igual o mayor al lote
efectese inspeccin 100%
= utilcese el primer plan de muestreo arriba de la flecha
A = nmero de aceptacin
B = nmero de rechazo
 P g i n a | 23

PLAN DE MUESTREO SENCILLO PARA INSPECCIN REDUCIDA

Letr Tam. AQL nivel de calidad aceptable (inspeccin normal)
a Mues-
clav tral 0.01 0.01 0.02 0.04 0.06 0. 0.15 0.25 0.4 0.65 1 1.5 2.5 4 6.5 10 15 25 40 65 100 150 250 400 650 100
e 5 5 5 1 0
AR AR AR AR AR A AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR
R
A 2 01 12 23 34 56 78 10 14 21 30
11 15 22 31
B 2 01 02 13 24 35 56 78 10 14 21 30
11 15 22 31
C 2 01 02 13 14 25 36 58 7 10 10 14 21
13 17 24
D 3 01 02 13 14 25 36 58 7 10 10 14 21
13 17 24
E 5 01 02 13 14 25 36 58 7 10 10 14 21
13 17 24
F 8 01 02 13 14 25 36 58 7 10 10
13
G 13 01 02 13 14 25 36 58 7 10 10
13
H 20 01 02 13 14 25 36 58 7 10 10
13
J 32 01 02 13 14 25 36 58 7 10 10
13
K 50 0 02 13 14 25 36 58 7 10 10
1 13
L 80 01 02 13 14 25 36 58 7 10 10
13
M 01 02 13 14 25 36 58 7 10 10
125
13
N 200 01 0 13 14 25 36 58 7 10 10
2 13
P 315 01 02 1 14 25 36 58 7 10 10
3 13
Q 500 01 02 13 1 25 36 58 7 10 10
4 13
R 800 02 13 14 2 36 58 7 10 10
5 13

= utilcese el primer plan de muestreo debajo de la flecha. Si el tamao de la muestra es igual o mayor al lote
efectese inspeccin 100 %
 P g i n a | 24

= utilcese el primer plan de muestreo arriba de la flecha

A = nmero de aceptacin
R = nmero de rechazo
 P g i n a | 25

PLAN DE MUESTREO DOBLE PARA INSPECCIN NORMAL

= Utilcese el primer plan de muestreo debajo de la flecha. Si el tamao de la muestra es igual o mayor al lote efectese
inspeccin 100%

= utilcese el primer plan de muestreo arriba de la flecha

A = nmero de aceptacin

R = nmero de rechazo
 P g i n a | 26

= utilcese el plan de muestreo sencillo correspondiente o el plan de muestreo doble inmediato inferior disponible.

PLAN DE MUESTREO DOBLE PARA INSPECCIN ESTRICTA

 P g i n a | 27

PLAN DE MUESTREO DOBLE PARA INSPECCIN REDUCIDA

= Utilcese el primer plan de muestreo debajo de la flecha

= Utilcese el primer plan de muestreo arriba de la flecha
A = nmero de aceptacin
R = nmero de rechazo
= utilcese el plan de muestreo sencillo correspondiente o el plan de muestreo doble inmediato inferior
disponible
 P g i n a | 28

+
= si se excede el nmero de aceptacin despus de la segunda muestra, pero no se alcanza el de rechazo, se
acepta el lote y se cambia a inspeccin normal a partir del lote siguiente.
 P g i n a | 29

Ejemplo 1. Muestreo sencillo

Suponga que se desea obtener un plan de muestreo simple mediante las

tablas Militar Standard. El tamao del lote que se somete a inspeccin es
2000 tapas y 50 cajas. Se adoptar el nivel normal de inspeccin, general I.

Crticos AQL 0.1 Crticos 0

Encontrados:
Mayores AQL 1.5 Mayores 2

Menores AQL 4.0 Menores 3

De acuerdo con la tabla, la letra cdigo del tamao muestral para un tamao
de lote 2000 y para un nivel general de inspeccin II es K. segn la tabla de
plan de muestreo sencillo para inspeccin normal, para la letra K le
corresponde un tamao muestra de 125 (n=125).

De igual forma se saca el tamao de muestra para las cajas, en este caso es la
letra C la cual le corresponde un tamao de muestra de 5. Dividimos el
tamao de muestra de las tapas entre el tamao de muestra de las cajas y
obtenemos cuantas tapas por caja debemos sacar.

Se buscan las letras correspondientes dentro de la tabla de plan de muestreo

sencillo para inspeccin normal.

Una vez que obtenemos el tamao de muestra en la tabla de plan de

muestreo sencillo para inspeccin normal intersectamos con cada uno de los
AQL indicados, y encontramos que tiene un lmite de aceptacin y rechazo si
se encuentra dentro del rango de aceptacin podemos seguir con el siguiente
AQL.

Plan de muestreo

Cuantas tapas: 200

Cuantas cajas: 5

Cuantas tapas por caja: 40

Defecto Encontrados A R AoR

Critico 0 0 1 A

Mayor 2 5 6 A

Menor 3 10 11 A

El lote es aceptado.
 P g i n a | 30

Ejemplo 2. Muestreo doble

Se desea obtener un muestreo doble, donde se tiene un lote de 30 000

etiquetas autoadheribles en 80 cajas. Se adoptar el nivel estricto de
inspeccin, general I.

Crticos AQL 0.1 Crticos 1

Encontrados:
Mayores AQL 1.5 Mayores 2

Menores AQL 4.0 Menores 8

Etiquetas autoadheriblesletra K, por lo tanto, tamao de muestra 80.

Cajas letra C, por lo tanto, tamao de muestra 3

Plan de muestreo:

Cuantas etiquetas autoadheribles: 80

Cuantas cajas: 3

Cuantas ticas por caja: 27

limite
Defecto Encontrados AoR
A R

Critico 1 0 2 A

Mayor 2 1 4 A

Menor 8 3 7 R

Uno es rechazado, pero al ser muestreo doble podemos volver hacer la

inspeccin, pero los defectos son acumulables.

Segunda muestra:

Encontrados Encontrados limite

Defecto 2 inspeccin AoR
1 inspeccin A R

Critico 1 0 1 2 A

Mayor 2 1 4 5 A

Menor 8 3 11 12 A

El lote es aceptado
 P g i n a | 31

GRAFICOS DE CONTROL POR ATRIBUTOS

Los diagramas de control por atributos es un mecanismo, que

puede ser utilizado cuando es necesaria una media de la calidad en
forma cualitativa, por lo que se refiere, que estas son caractersticas
que no se pueden cuantificar en un numero. Por ejemplo caractersticas
no medibles son las fracciones o los porcentajes de unidades
defectuosas por cada unidad producida (grafica P), el nmero de
unidades defectuosas en la produccin (grafica NP), el nmero de
defectos por unidad producida (grafica U), y el nmero de defectos de
todas las unidades producidas (grafica C). Si, se puede observar los
diagramas tienen una asimilacin.

Estos son utilizados como un estudio en un proceso a travs de un

cierto tiempo, para hacer la grafica se utiliza el promedio y esta lnea ira
en el centro y los limites sern lneas una arriba (superior) y otra
debajo (inferior) estos lmites sern para marcar lo permitido en el
proceso. Los lmites sern determinados con los datos del proceso,
existiendo cuatro tipos de grficos de control por atributos.

Para esto debemos saber que es un atributo, por lo cual, se puede

definir que se puede contar y clasificar de cierta medida, entonces aqu
los tipos sern, la cantidad de defectos por unida y la cantidad de
unidades defectuosas.

Para la grfica de comparacin cronolgica es una de las

caractersticas de la calidad real de un resultado, rendimiento, pieza o la
unidad, con ciertos lmites que son la capacidad de generar el producto
de acuerdo con las caractersticas de la calidad sobre la unidad.

LOS TIPOS DE GRFICA SON LOS SIGUIENTES:

 P g i n a | 32

La grfica c.- Es la cantidad o nmero de defectos que existan por

cada unidad.

La grfica p.- Es un porcentaje de la fraccin de defectos.

La grfica u.- Es una proporcin de los defectos.

La grfica np.- Es el nmero relacionado con las unidades defectuosas

por cada muestra constante.

Son tiles en:

El mostrara a la vista o darnos la idea del comportamiento del

proceso que efectuamos.
Identificar las causas de una variacin en este caso es especial ya
que el proceso est fuera de control.
El monitoreo de las variables en un proceso y as hacerlo de una
manera preventiva en el proceso y constante.

EXPLICACIN DE LAS GRAFICAS

Una grfica P

Sirve para poder representar el porcentaje de la fraccin de defectiva.

En su tamao de la muestra (n) por lo general tiende a variar.

Es para descubrir puntos los puntos que estn fuera de orden o control.

Una grfica NP

Se es requerida para poder graficar acerca de las unidades con

disconformes.

El tamao de muestra en esta grafica debe ser constante.

Es para conocer algunas de las causas que pueden contribuir en el

proceso
 P g i n a | 33

Una grfica c

Sirve para poder analizar el como se puede comportar un proceso

do0nde se toma en cuenta el nmero de defectos encontrados al
momento de revisar una unidad de la produccin.

El artculo puede ser aceptado aunque este se capaz de presentar un

cierto nmero de defectos. La muestra es constante

Puede reducir el costo que se relaciona a este proceso.

Se puede definir los defectos que no estn permitidos en cada producto.

Un grfica u

Sustituto de la grfica c cuando el tamao de la muestra (n) vara

Grfica de
Control
de Atributos

Piezas Defectos por

Defectuosas pieza

Grfica p Grfica np Grfica u Grfica c

 P g i n a | 34

PARA CALCULAR LOS LIMITES

Grficas de Control por Atributo

Tipo Data Tamao Formula CL UCL LCL

de
Muestra

p Piezas Varia p=np/n p=np/n p+3p(1- p-3p(1-P)/n

defectuosas P)/n

n=n/k

np Piezas Constante p=np/n np=np/k np+3np(1-P) np-3np(1-P)

defectuosas

c Defectos Constante c c=c/k c+3c c-3c

por Pieza

u Defectos Varia u=c/n u=c/n u+3u/n u-3u/n

por Pieza
 P g i n a | 35

GRFICO DE CONTROL POR VARIABLES.

Grfica xR

Un grfico de control es un diagrama especialmente preparado donde se van

anotando los valores sucesivos de la caracterstica de calidad que se est
controlando.

Los datos se registran durante el funcionamiento de proceso de fabricacin y a

medida que se obtienen.

Todo grfico de control est diseado para presentar los siguientes principios:

Fcil de entendimiento de los datos.

Claridad
Consistencia
Proceso de prevencin para evitar que el producto llegue sin defectos al
cliente.
Detectar y corregir variaciones de calidad.

El grfico de control contiene:

Lnea Central: Representa el promedio.

Lmites Superior e Inferior: Presentan los rangos mximos y mnimos de
variabilidad. Subgrupos: Son
grupos de mediciones con algn criterio similar obtenidas de un proceso.
Media: Es la sumatoria de todos los subgrupos divididos entre el nmero de
muestras. Rango: Es el valor mximo menos el valor mnimo.

Los grficos xR se utilizan cuando la caracterstica de calidad que se desea

controlar es una variable continua.

Pasos para la construccin de la grfica.

1. Recoleccin de datos.
Estos datos debern ser: Recientes de un proceso al cual se quiere
controlar.
2. Promedio
Sumatoria de los datos de cada uno de los subgrupos dividido entre el
nmero de datos (n).
Formula X
(X1 + X2 + X3 + Xn) / n
La frmula debe ser utilizada para cada uno de los subgrupos
3. Rango
Valor mayor del subgrupo menor el valor menor.

Frmula: R = x valor mayor x valor menor

Determine el rango para cada uno de los subgrupos

4. Promedio global S
Sumatoria de todos los valores medios y se divide entre el nmero de
subgrupos (k). Formula X
(X1 + X2 + X3 ++ Xn) / k
 P g i n a | 36

5. Valor medio del rango

Sumatoria del rango (R) de cada uno de los subgrupos divido entre el
nmero de subgrupos (k).
Frmula R
(R1 + R2 + R3 + . + Rn) / k

6. Lmites de Control
Para calcular los lmites de control se utilizan los datos de la siguiente tabla.
P g i n a | 37
 P g i n a | 38

Grfico de control x-S

Para obtener la grfica de medias y desviaciones estndar es necesario que

la caracterstica del producto se haya definido con tipo de anlisis Variable
y tamao de subgrupo igual o mayor a 2. Cada punto de la grfica de
Medias es el promedio de las muestras de un subgrupo. Cada punto de la
grfica de Desviaciones es la desviacin estndar interna de cada
subgrupo. Los lmites de control se calculan a partir de la Desviacin
estndar promedio y delimitan una zona de 3 desviaciones estndar de
cada lado de la media.

Los pasos necesarios para obtener el control de intento y los limites de

control revisados de X testada y S son los mismos que en el caso de las
graficas de X testada y R, excepto que se usan formulas distintas. Para
entender los grficos X-R, es necesario conocer el concepto de Subgrupos
(o Subgrupos racionales). Trabajar con subgrupos significa agrupar las
mediciones que se obtienen de un proceso, de acuerdo a algn criterio. Los
subgrupos se realizan agrupando las mediciones de tal modo que haya la
mxima variabilidad entre subgrupos y la mnima variabilidad dentro de
cada subgrupo. Por ejemplo, si hay cuatro turnos de trabajo en un da, las
mediciones de cada turno podran constituir un subgrupo. Supongamos una
fbrica que produce piezas cilndricas para la industria automotriz. La
caracterstica de calidad que se desea controlar es el dimetro de las
piezas.
 P g i n a | 39

BIBLIOGRAFA:

Ditutor . (2015 ). Ditutor " Frecuencia Absoluta ". 27, Noviembre, 2016
, de Ditutor Sitio web: http://www.ditutor.com/
Pablo Ceibal . (2015 ). Frecuencia Absoluta . 27, Noviembre, 2016 , de
Ceibal Sitio web:
http://www.ceibal.edu.uy/contenidos/areas_conocimiento/mat/probabili
dad/frecuencia_absoluta_y_relativas.html
Ditutor. (2015). Frecuencia Acumulada. 27, Noviembre, 2016 , de
Ditutor Sitio web:
http://www.google.com.mx/search?q=frecuencia+acumulada&hl=es-
419&gbv=2&oq=frecuencia+a&gs_l=heirloom-
serp.3.1.0i67l3j0j0i67j0l5.2403.7304.0.9615.11.6.4.1.0.0.207.1071.0j4
j2.6.0....0...1ac.1.34.heirloom-serp..3.8.874.G2AyyigQmI8
Garca, J. (2015). Estudios de capacidad de mquina y de proceso
(Parte 1). [Blog] Available at:
https://javiergarciaverdugosanchez.wordpress.com [Accessed 29 Nov.
2016]
Rodrguez tarango Jos Antonio. (2001). Manual de ingenieria y diseo
de envase y embalaje. Mxico: impee
 P g i n a | 40

INTEGRANTES

Garca Gonzlez Yessica

Godnez Ponce Luis David
Girn Castillo Karen
Gmez Serna Isaac Tonatiuh
Gonzlez Chvez Judith Alejandra
Gutirrez Cruz Luis Gabriel
Hernndez Gonzlez Lucia
Hernndez Patricio Luis ngel