Gestio de La Qualitat PDF

Este libro trata de las nociones bsicas de la ges-
tin de la calidad y de algunas tcnicas estadsticas

tiles en el contexto de la ingeniera en organizacin
industrial. Presenta las tendencias actuales sobre
gestin de la calidad, incluyendo los modelos ms
comunes: el Malcolm Baldrige Award, el European
Quality Award de la EFQM y las normas de la se-
rie ISO 9000. Proporciona la metodologa y la for-
mulacin estadstica para poder disear planes de
muestreo de recepcin de materiales, construir gr-
cos de control, realizar estudios de capacidad de
un proceso y estudios de control de los equipos de
medida. La terminologa empleada es la que propo-
ne la International Organization for Standardization
(ISO), el organismo internacional de normalizacin
(v. ISO 9000). Aunque su orientacin es industrial,
muchas de las cuestiones que se abordan en este
libro tambin son vlidas para empresas de servi-
cios e incluso para la Administracin pblica.
Eullia Grful es Doctora en Matemticas por la Uni-
versitat de Barcelona (UB). Es profesora del Depar-
tamento de Estadstica e Investigacin Operativa
de la Escola Tcnica Superior dEnginyeria Indus-
trial de Terrassa (ETSEIT) de la UPC. Actualmente
es subdirectora de Innovacin Acadmica en la ET-
SEIT y responsable de los estudios semipresencia-
les de gestin de la calidad. Colabora en los progra-
mas de doctorado del Departamento de Estadstica
e Investigacin Operativa, en el Mster de Calidad
en la Empresa y en el programa de posgrado Seis
Sigma de la UPC. Ha trabajado como consultora de
gestin de la calidad en el Departamento de Toxi-
cologa Medioambiental de la UPC y en el Institut
Catal de Tecnologia (ICT).
Miguel . Canela es Doctor en Matemticas por la
UB. Ha trabajado como profesor en el Departamen-
to de Matemtica Aplicada y Anlisis de dicha Uni-
versidad desde 1976. Ha colaborado como profesor
en los programas de doctorado de la Universitat
Pompeu Fabra y del IESE, y como consultor de ges-
tin de la calidad en el ICT.
Ambos autores han colaborado, en los ltimos diez
aos, en proyectos de asesoramiento y formacin
en gestin de la calidad en empresas industriales
de Catalua.
85
G
e
s
t
i
n

d
e

l
a

c
a
l
i
d
a
d
E
.

G
r
i
f
u
l

-

M
.
.

C
a
n
e
l
a
AULA POLITCNICA
/ ORGANIZACIN DE EMPRESAS
Eullia Griful Ponsati
Miguel ngel Canela Campos
Gestin de la calidad
EDI CI ONS UPC
9 788483 017913
AULA POLITCNICA
/ ORGANIZACIN DE EMPRESAS
EDICIONS UPC
Eullia Griful Ponsati
Miguel ngel Canela Campos
Gestin de la calidad
Primera edicin: septiembre de 2002
Reimpresin: septiembre de 2005
Diseo de la cubierta: Jordi Calvet
Los autores, 2002
Edicions UPC, 2002
Edicions de la Universitat Politcnica de Catalunya, SL
Jordi Girona Salgado 31, 08034 Barcelona
Tel. 93 401 68 83 Fax 93 401 58 85
Edicions Virtuals: www.edicionsupc.es
e-mail: edicions-upc@upc.edu

Produccin: CPET (Centre de Publicacions del Campus Nord)
La Cup. Gran Capit s/n, 08034 Barcelona
Depsito legal: B-35993-2002
ISBN: 84-8301-791-1
Quedan rigurosamente prohibidas, sin la autorizacin escrita de los titulares del copyright, bajo las san-
ciones establecidas en las leyes, la reproduccin total o parcial de esta obra por cualquier medio o proce-
dimiento, comprendidos la reprografa y el tratamiento informtico, y la distribucin de ejemplares de ella
mediante alquiler o prstamo pblicos.
Este libro trata de las nociones bsicas de la gestin de la
calidad y de algunas tcnicas estadsticas tiles en el con-
texto de la ingeniera en organizacin industrial.
Presenta las tendencias actuales sobre gestin de la calidad,
incluyendo los modelos ms comunes: el Malcolm Baldrige
Award, el European Quality Award de la EFQM y las normas
de la serie ISO 9000.
Proporciona la metodologa y la formulacin estadstica para
poder disear planes de muestreo de recepcin de materia-
les, construir grficos de control, realizar estudios de capaci-
dad de un proceso y estudios de control de los equipos de
medida.
La terminologa empleada es la que propone la International
Organization for Standardization (ISO), el organismo interna-
cional de normalizacin (v. ISO 9000). Aunque su orientacin
es industrial, muchas de las cuestiones que se abordan en
este libro tambin son vlidas para empresas de servicios e
incluso para la Administracin pblica.
ndice 3
ndice

MduIo 1. Introduccin a Ia gestin de Ia caIidad ..............................................................................7

1. NTRODUCCN ..............................................................................................................................8
1.1 Algunas definiciones de calidad..............................................................................................8
1.2 Los clientes y sus requisitos ...................................................................................................9
1.3 La gestin y el control de la calidad......................................................................................10
1.4 La planificacin y los objetivos de calidad............................................................................10
1.5 El aseguramiento de la calidad y las auditoras ...................................................................11
1.6 La gestin de la calidad total ................................................................................................12
1.7 Las tendencias actuales de la gestin de la calidad.............................................................13
1.8 La certificacin, la homologacin y la acreditacin...............................................................15
2. LA GESTN DE LA CALDAD.......................................................................................................16
2.1 Los sistemas de gestin de una empresa ............................................................................16
2.2 El concepto de proceso ........................................................................................................16
2.3 La gestin por procesos........................................................................................................18
2.4 La planificacin de calidad....................................................................................................21
2.5 El proceso de diseo y desarrollo del producto....................................................................22
2.6 El control de las operaciones................................................................................................27
2.7 La logstica............................................................................................................................30
3. LOS MODELOS DE LA GESTN DE LA CALDAD .....................................................................34
3.1 Las normas SO 9000...........................................................................................................34
3.2 El premio Malcolm Baldrige ..................................................................................................37
3.3 El modelo EFQM...................................................................................................................39
3.4 Modelos de gestin medioambiental ....................................................................................42
A1. EVOLUCN HSTRCA...............................................................................................................43
A1.1 Una perspectiva histrica......................................................................................................43
A1.2 Desarrollo histrico ...............................................................................................................43
A1.3 La gestin de la calidad total (TQM) .....................................................................................47
A1.4 Los tericos de la gestin de la calidad................................................................................48
A1.5 El control estadstico de la calidad........................................................................................50

MduIo 2. PIanes de muestreo............................................................................................................55

1. NTRODUCCN ............................................................................................................................56
2. NSPECCN POR ATRBUTOS.........................................................................................58
2.1 Planes de muestreo..............................................................................................................58
2.2 Curva caracterstica ..............................................................................................................60
2.3 nspeccin con rectificacin..................................................................................................63
4 Gestin de la calidad
3. TABLAS DE MUESTREO POR ATRBUTOS.................................................................................67
3.1 Tablas de muestreo ..............................................................................................................67
3.2 Sistema ML-STD-105 (SO 2859-1).....................................................................................67
3.3 Sistema SO-2859-2..............................................................................................................73
3.4 Otras tablas de muestreo......................................................................................................74
A3. CLCULO DE PROBABLDADES DE ACEPTACN ..................................................................76
A4. CASO PRCTCO...........................................................................................................................78
A5. EJEMPLOS NUMRCOS..............................................................................................................82

MduIo 3. ControI estadstico de proceso.........................................................................................91

1. NTRODUCCN ............................................................................................................................92
2. GRFCOS DE CONTROL.............................................................................................................95
2.1 Algunas frmulas estadsticas ..............................................................................................95
2.2 Primeras ideas sobre los grficos de control ........................................................................97
2.3 Variantes de los grficos de control ......................................................................................98
2.4 Lmites de control ................................................................................................................100
2.5 Pautas en un grfico de control ..........................................................................................101
3. CAPACDAD DE UN PROCESO..................................................................................................105
3.1 Variantes en la expresin de la capacidad.........................................................................105
3.2 ndices de capacidad ..........................................................................................................106
3.3 Validez de los ndices .........................................................................................................110
4. GRFCOS DE CONTROL PARA VARABLES...........................................................................115
4.1 Grficos de control para subgrupos....................................................................................115
4.2 Grficos /R y /s ...........................................................................................................119
4.3 Grficos para observaciones individuales ..........................................................................122
5. GRFCOS DE CONTROL PARA ATRBUTOS ..........................................................................128
5.1 Control de la proporcin de unidades no conformes..........................................................128
5.2 Control de las no conformidades ........................................................................................132
5.4 Control del nmero de demritos........................................................................................135
A6. DSTRBUCONES DE PROBABLDAD......................................................................................137
A6.1 Discusin general................................................................................................................137
A6.2 Distribuciones continuas .....................................................................................................138
A6.3 Distribuciones discretas ......................................................................................................139
A6.4 Distribucin normal .............................................................................................................140
A6.5 Distribucin Binomial y Poisson..........................................................................................143
A7. CASO PRCTCO 1......................................................................................................................145
A8. CASO PRACTCO 2......................................................................................................................153

Los autores, 2004; Edicions UPC, 2004.
ndice 5
MduIo 4. ControI metroIgico .........................................................................................................163

1. NTRODUCCN ..........................................................................................................................164
2. CONCEPTOS FUNDAMENTALES...............................................................................................167
2.1 Control de un proceso de medida.......................................................................................167
2.2 Exactitud .............................................................................................................................167
2.3 Calibracin y patrones ........................................................................................................168
2.4 ncertidumbre ......................................................................................................................169
2.5 Expresin del sesgo y la imprecisin..................................................................................170
3. PLAN DE CONTROL METROLGCO........................................................................................174
3.1 Planteamiento general ........................................................................................................174
3.2 Requisitos metrolgicos......................................................................................................174
3.3 Plan de control metrolgico ................................................................................................175
3.4 Procedimientos de control metrolgico...............................................................................176
3.5 Registros del control metrolgico........................................................................................177
4. CALBRACN..............................................................................................................................179
4.1 Obtencin del sesgo ...........................................................................................................179
4.2 Factores de calibracin.......................................................................................................180
4.3 Recta de calibracin............................................................................................................181
5. ESTUDOS DE PRECSN.........................................................................................................183
5.1 Consideraciones previas.....................................................................................................183
5.2 Clculo con varianzas.........................................................................................................183
5.3. Componentes de imprecisin .............................................................................................187
5.4 Repetibilidad y reproducibilidad..........................................................................................189

MduIo 2: AutoevaIuaciones.............................................................................................................191



SoIuciones a Ias autoevaIuaciones..................................................................................................201

GIosario ...............................................................................................................................................203

TabIas estadsticas.............................................................................................................................209

BibIiografa..........................................................................................................................................227

Mdulo 1. ntroduccin a la gestin de la calidad 7

MduIo 1. Introduccin a Ia gestin de Ia caIidad
CaptuIo 1. Introduccin
1.1 Algunas definiciones de calidad
1.2 Los clientes y sus requisitos
1.3 La gestin y el control de la calidad
1.4 La planificacin y los objetivos de calidad
1.5 El aseguramiento de la calidad y las auditoras
1.6 La gestin de la calidad total
1.7 Las tendencias actuales de la gestin de la calidad
1.8 La certificacin y la homologacin
CaptuIo 2. Gestin de Ia caIidad
2.1 Los sistemas de gestin
2.2 El concepto de proceso
2.3 La gestin basada en los procesos
2.4 La planificacin de la calidad
2.5 El proceso de diseo y desarrollo del producto
2.6 El control de las operaciones
2.7 La logstica
CaptuIo 3. Los modeIos de gestin de Ia caIidad
3.1 Las normas SO 9000
3.2 El premio Malcolm Baldrige
3.3 El premio europeo de la calidad
3.4 Los modelos de gestin medioambiental
Anexo A1. EvoIucin histrica de Ia caIidad
A1.1 Una perspectiva histrica
A1.2 Desarrollo histrico
A1.3 La gestin de la calidad total
A1.4 Los tericos de la gestin de la calidad
A1.5 El control estadstico de la calidad

1. INTRODUCCIN
Estas notas tienen una orientacin industrial, aunque muchas de las cosas que aqu se dicen valgan
para empresas de servicios e incluso para la Administracin. La terminologa empleada es la que
propone el organismo internacional de normalizacin SO (v. SO 9000). En general, las definiciones
incluidas en el texto son las usadas por SO, aunque hemos sustituido alguna de ellas por otra ms
coloquial. En el glosario se pueden hallar las definiciones normalizadas, reproducidas textualmente.
El objetivo de este captulo es familiarizar al lector con los conceptos bsicos de la gestin de la cali-
dad como el control de la calidad, el sistema de calidad, etc. En primer lugar, intentaremos aclarar
qu se entiende por calidad, por cliente y por requisitos del cliente, en el contexto de la gestin de la
calidad, donde estos trminos deben ser usados con mucha precisin. En la presentacin de estos
conceptos seguimos la lnea de Rotger y Canela (1996), aunque hemos actualizado las definiciones
de acuerdo con la nueva versin de la norma SO 9000. Tambin comentamos en este captulo algu-
nas tendencias recientes de la gestin de la calidad, as como los modelos ms utilizados actualmen-
te.
1.1 AIgunas definiciones de caIidad
Actualmente, la calidad es un asunto importante para cualquier empresa que aspire a ser competitiva.
No obstante, se trata de un concepto difcil de definir de modo universal, puesto que puede tener sig-
nificado distinto para diferentes personas. Dicho de otra forma, la calidad es algo cualitativo y subjeti-
vo. Por ejemplo, para alguien, un coche de calidad podra ser algo as como un Rolls Royce, mientras
que otros se daran por satisfechos con un Audi 4.
Segn el contexto, se pueden encontrar distintas definiciones de calidad:
Aplicada al producto, se refiere a una serie de atributos deseables.
Aplicada al uso del producto, a lo adecuado que es para la aplicacin prevista.
Aplicada a la produccin, a que los parmetros del proceso tomen unos determinados valores.
Aplicada al valor del producto, a que el comprador quede satisfecho con lo que obtiene por el
precio que paga. En el lenguaje coloquial, esto es la reIacin caIidad-precio.
En un contexto ms ideolgico, se puede referir a la exceIencia empresariaI.
As, la frase "en el taller hay muchos problemas de calidad quiere decir que se producen a menudo
piezas defectuosas, "tenemos que competir por calidad y no por precio significa que hay que fabricar
productos de alto valor aadido, "un turismo de calidad se refiere al de alto nivel adquisitivo, mientras
que "buena relacin calidad-precio alude a una correcta proporcin entre lo que se paga y la satisfac-
cin que se obtiene.
Los principales tericos de la gestin de la calidad han propuesto cada uno su propia definicin de
calidad. As, J. M. Juran habla de adecuacin al uso, mientras que, para P. B. Crosby, la calidad es el
cumplimiento de los requisitos. De naturaleza distinta es la definicin (negativa) de G. Taguchi: de la
calidad como prdida que el uso del producto causa a la sociedad. La idea de la calidad ms exten-
dida, en el marco de la gestin de la calidad, se corresponde con la definicin de A. Feigenbaum,
para quien la calidad es la satisfaccin de las expectativas del cliente. Se entiende aqu el cliente en
sentido amplio, incluyendo a los empleados, los operarios, los directivos, los proveedores, los accio-
nistas, los propietarios, etc., es decir, a los distintos colectivos interesados en las actividades de la
empresa.

En la terminologa normalizada SO (v. SO 9000), la caIidad es la facultad de un conjunto de carac-
tersticas inherentes de un producto, sistema o proceso para cumplir los requisitos de los clientes y de
otras partes interesadas. Los requisitos de caIidad (qualtity requirements) se obtienen al trasladar a
las caractersticas deI producto las necesidades o expectativas de los clientes. Una necesidad o
expectativa de un cliente puede ser implcita o explcita. Una necesidad implcita se sobreentiende,
sin que haya que especificarla. Por ejemplo, un envase de refresco ha de ser fcil de abrir, y el trato
en un servicio telefnico debe ser amable. En cambio, los requisitos explcitos de un producto o servi-
cio se especifican en un documento, que es su especificacin.
Para poder identificar las necesidades o expectativas que ha de satisfacer un producto, es importante
saber a quin va dirigido, es decir, quines son los clientes o colectivos interesados en l. Actualmen-
te, se usa el trmino stakeholder, que se suele traducir por parte interesada, para referirse a cual-
quier colectivo interesado en la empresa o en sus productos. SO considera como partes interesadas
de una empresa a los clientes propiamente dichos, a los propietarios, al personal, a los proveedores,
a los sindicatos, a los socios, a los banqueros, a la sociedad en general, etc.
1.2 Los cIientes y sus requisitos
En estas notas, adoptamos una definicin de calidad basada en la satisfaccin de las necesidades o
expectativas de las partes interesadas. dentificar stas es, por lo tanto, el primer paso en la gestin de
la calidad.
Como ilustracin, podemos considerar el ejemplo de una empresa de distribucin de telfonos mviles.
Hay dos tipos de cliente, el cliente directo, que es el vendedor, y el cliente final, que es el consumidor.
Otras partes interesadas son los propietarios, los trabajadores y la sociedad. Qu esperan de la
empresa las distintas partes interesadas?
El consumidor espera un producto satisfactorio: que sea ligero y fcil de manejar, que la duracin
de las bateras sea ptima, que haya un buen servicio de mantenimiento, etc.
El vendedor necesita un buen servicio: plazos de entrega flexibles y cortos, que el personal sea
amable, embalaje funcional, etc.
Los propietarios esperan la rentabilidad de sus inversiones y, en algunos casos, el prestigio de la
empresa.
El personal de la empresa espera una retribucin justa, estabilidad en el trabajo, condiciones de
trabajo correctas, un ambiente agradable, la participacin en las decisiones de la empresa, el re-
conocimiento de su trabajo por parte de sus superiores, posibilidades de formacin y de promo-
cin, etc.
Los proveedores y subcontratistas quieren cooperacin, estabilidad en las relaciones, buena co-
municacin, etc.
La sociedad espera que la empresa respete el medio ambiente, administrando de forma eficiente
los recursos energticos, que respete los derechos de sus trabajadores, que colabore en orga-
nismos de normalizacin, que ejerza algn tipo de mecenazgo, etc.
Una vez identificados estos colectivos y sus necesidades, de stas se derivan unos requisitos de
calidad del producto. Cuando una unidad o lote de producto cumple los requisitos, se dice que es
conforme, mientras que por no conformidad se entiende el incumplimiento de algn requisito. Los
requisitos del producto, que se refieren a algunas de sus caractersticas, se recogen en su especifi-
cacin. Normalmente, la especificacin del producto incluye sus caractersticas esenciales. Si stas
son numricas, se especifican sus Imites de toIerancia. Para evitar situaciones en las que no es
posible cumplir lo pactado con el cliente, es aconsejable que, al definir los lmites de tolerancia, se

consulte a quienes intervienen en la elaboracin del producto (compras, ventas, produccin, etc.) y
que se tenga en cuenta la capacidad del proceso de fabricacin, y la de los equipos de medicin que
se usan en el control de la produccin. Hay que observar que, a veces, no es fcil definir los requisi-
tos de un producto partiendo de las necesidades de los clientes, especialmente cuando se trata de
necesidades implcitas. Hay tcnicas especiales, como las matrices QFD, que simplifican esta tarea
(v. Captulo 2).
1.3 La gestin y eI controI de Ia caIidad
La calidad no se obtiene por casualidad, sino mediante los recursos y los procedimientos adecuados,
es decir, a travs de la gestin. La parte de la gestin de una empresa que se relaciona con la obten-
cin de la calidad es la gestin de Ia caIidad. La gestin de la calidad incluye actividades como la
planificacin de la calidad, el control de la calidad, el aseguramiento de la calidad y la mejora de la
calidad.
La gestin de la calidad se lleva a cabo mediante un sistema, es decir, mediante un conjunto de ele-
mentos mutuamente relacionados o que actan entre s. En el caso de la gestin de la calidad, se
trata del sistema de gestin de Ia caIidad o sistema de calidad. La empresa debe aportar los recur-
sos necesarios para que la poltica de calidad sea viable y documentar el sistema para que no se
pierda el esfuerzo realizado. El sistema de calidad se describe en un documento, llamado manuaI de
Ia caIidad.
Hay que distinguir entre la gestin y el control de la calidad. El controI de Ia caIidad es la parte de la
gestin de la calidad orientada a la satisfacci de los requisitos de calidad. La gestin de la calidad
incluye otros aspectos, como la identificacin de los clientes y sus requisitos, o la planificacin del uso
de los recursos. El control de la calidad clsico se limitaba a lo que actualmente llamamos inspec-
cin deI producto, fuese ste propio o ajeno. En la actualidad, aparte de ese aspecto, incluye un
conjunto de verificaciones del cumplimiento de distintos requisitos, no slo del producto, sino tam-
bin de los parmetros de proceso, del mantenimiento preventivo (v. Captulo 3), del control metrol-
gico (v. Mdulo 4), etc.
1.4 La pIanificacin y Ios objetivos de caIidad
Los requisitos de las distintas partes interesadas de una empresa pueden entrar en contradiccin. Por
ejemplo, en la elaboracin de un producto nuevo, los propietarios ambicionan obtener ganancias, los
trabajadores quieren unas condiciones de trabajo correctas, la sociedad espera que la fabricacin del
producto respete el medio ambiente y los clientes quieren que el producto satisfaga sus expectativas.
Esto exige a la empresa unos compromisos, que dependen del peso relativo que se d a cada tipo de
necesidad y que estn en funcin, entre otros aspectos, de los valores de la empresa.
Estos compromisos han de estar definidos en la poItica de Ia caIidad, que se compone de las inten-
ciones y direccin global de una organizacin relativas a la calidad tal como se expresan formalmente
por la alta direccin. Es aconsejable, para hacer la poltica de calidad ms operativa, que la direccin
la exprese por escrito. Por ello, algunos modelos de gestin de la calidad, como el de la norma SO
9001, exigen que la poltica sea comunicada y entendida dentro de la organizacin. La poltica de
calidad debe ser coherente con la poltica global de la empresa y proporcionar un marco de referencia
para establecer los objetivos de Ia caIidad.
La pIanificacin de Ia caIidad es la parte de la gestin de la calidad enfocada al establecimiento de
los objetivos de la calidad y a la especificacin de los procesos operativos necesarios y de los recur-
sos relacionados para cumplir los objetivos de la calidad. La planificacin es una de las actividades
principales de la gestin de la calidad y es aconsejable llevarla a cabo antes de poner en marcha un
nuevo producto o servicio. A menudo, la planificacin se realiza cuando los productos o servicios ya
se estn produciendo y, por ello, es uno de los aspectos ms delicados de la gestin de la calidad. Es

importante plantear la planificacin de la calidad de forma global, teniendo en cuenta todos los aspec-
tos de la empresa que afectan a la calidad del producto, del proceso productivo o del servicio, sin
caer en el error de asociarla a objetivos vagos, como "evitar errores en el trabajo diario.
En la definicin de los objetivos, el primer paso es aclarar hasta dnde se quiere llegar y qu esperan
las partes interesadas. A partir de aqu, se pueden plantear objetivos generales, a los que se subordi-
nan otros, ms especficos. Un mtodo aceptado para establecer los objetivos consiste en empezar
por los objetivos especficos, pasando por los parciales hasta llegar a los ms generales. Por ejemplo,
un objetivo especfico de calidad puede ser "reducir las no conformidades de un proceso de fabrica-
cin. Si se alcanza este objetivo, puede plantearse un segundo objetivo de "reduccin de costes de
fabricacin y, posteriormente, otro ms general, como "ser el lder del mercado para un determinado
tipo de producto. Esta manera de desglosar los objetivos debe ir acompaada de la aplicacin del
ciclo PDCA (v. ms abajo) en cada paso, de forma que, mientras no se haya conseguido el objetivo
ms inmediato, no se plantea el siguiente.
Para poder abordar los objetivos de calidad paso a paso, stos deben evaluarse mediante indicado-
res. Los indicadores pueden evaluar la eficacia, es decir, la medida en que se alcanzan los objetivos,
o la eficiencia, es decir, los recursos que se usan para alcanzarlos. Algunos indicadores se pueden
obtener a partir de informacin disponible en la empresa (porcentaje de unidades no conformes de un
producto, porcentaje de cumplimiento de los plazos de entrega pactados, costes de la fabricacin,
etc.), mientras que otros se tendrn que elaborar, por ejemplo, a partir de las encuestas de satisfac-
cin de los clientes.
Un modelo de actuacin clsico en la gestin de la calidad es el cicIo PDCA (Plan, Do, Check, Act)
formulado por W. A. Shewhart y popularizado posteriormente por W. E. Deming. Este ciclo consiste
en:
Planificar de qu manera se puede alcanzar una mejora en la empresa.
Hacer, es decir, poner en prctica el plan.
Comprobar los resultados obtenidos, usando los indicadores adecuados.
Actuar, en el sentido de convertir en norma la solucin propuesta.
Una vez consolidada la mejora, se plantea un objetivo ms ambicioso y el ciclo vuelve a empezar.
1.5 EI aseguramiento de Ia caIidad y Ias auditoras
El aseguramiento de Ia caIidad (quality assurance), tambin llamado garanta de calidad (por ejem-
plo, en el sector farmacutico), se consigue cuando se logra infundir confianza en los productos o
servicios de la empresa, o en la calidad de la propia organizacin. Al contrario de lo que sucede con
el concepto de calidad, hay una cierta unanimidad sobre qu se entiende por aseguramiento de la
calidad, aunque en la literatura se puedan hallar distintas definiciones, como garantizar que el con-
sumidor pueda adquirir un producto o servicio con la confianza y seguridad de que ste le ser de uso
satisfactorio para un largo perodo, (shikawa, 1990) o como la actividad que da a todas las partes
interesadas la evidencia necesaria para tener confianza en que la funcin de calidad se est realizan-
do adecuadamente (Juran, 1988).
En general, asegurar la calidad de un producto implica poder prever sus caractersticas. Es decir, el
aseguramiento de la calidad supone:
Aplicado al producto, asegurar que cumple siempre los requisitos de calidad.

Aplicado al proceso de produccin, mantener los procesos controlados de forma continuada para
garantizar el cumplimiento de los requisitos.
Aplicado al proceso de distribucin, que, por ejemplo, se cumplan los plazos de entrega pactados
con los clientes.
En la definicin SO (v. SO 9000), el aseguramiento de la calidad es la parte de la gestin de la cali-
dad orientada a proporcionar confianza en que se cumplirn los requisitos de la calidad. En general, y
en particular en el modelo SO 9001, que es el ms clsico y que comentaremos con ms detalle en
el captulo 3, se supone que estas acciones se realizan de forma sistemtica, de acuerdo con unos
procedimientos de trabajo que han sido documentados, y que hay evidencias objetivas de que se
siguen esos procedimientos. Para ello, se conservan los registros, que son documentos que propor-
cionan resultados conseguidos o evidencia de actividades efectuadas. Los registros, como el resto
de los documentos del sistema de calidad, pueden ser documentos informticos, siempre que el sis-
tema de la empresa permita controlarlos de forma efectiva.
Tanto la documentacin como las evidencias de su vigencia se examinan en una auditora del siste-
ma de gestin de la calidad. Una auditora es un proceso sistemtico, independiente y documentado
para obtener evidencias y evaluarlas de manera objetiva con el fin de determinar el alcance al que se
cumplen los criterios de la auditoria. Las conclusiones del examen, que se recogen en el informe de
Ia auditora, se deben basar en evidencias objetivas, que, en su mayor parte, se extraen de los regis-
tros de la empresa.
En toda auditora hay que distinguir tres agentes: el cIiente de Ia auditora, que es quien la encarga,
el auditado y el equipo auditor, que, a veces, incluye un experto tcnico, que aporta conocimientos
especficos. Si el cliente es la propia empresa, aunque el equipo auditor sea externo, se habla de
auditora interna (o de primera parte). Una auditora interna puede constituir la base para la autode-
claracin de conformidad de una empresa. En particular, uno de los componentes del modelo SO
9001 (v. Captulo 3) es la ejecucin de auditoras internas peridicas.
Cuando el cliente es otra empresa, tenemos una auditora externa, de segunda o tercera parte. En
las auditoras de segunda parte, el cliente (de la auditora) es una parte interesada, como un cliente
(de la empresa) o un inversor. La auditora de tercera parte la lleva a cabo una organizacin inde-
pendiente que, eventualmente, certifica el cumplimiento de requisitos como los de las normas SO
9001 e SO 14001. Cuando dos o ms organizaciones cooperan para auditar a un nico auditado, se
habla de auditora conjunta. Normalmente, la auditora externa de un sistema de calidad se lleva a
cabo en dos pasos. Primero se examina la documentacin del sistema, es decir, el manual de calidad
y los procedimientos, tpicamente agrupados en un manuaI de procedimientos, y despus el grado
en que la documentacin est vigente, recogiendo las evidencias de Ia auditora.
1.6. La gestin de Ia caIidad totaI
El concepto de calidad ha ido evolucionando durante la segunda mitad del siglo XX desde el control
de la calidad hasta la gestin de la calidad total. El concepto actual de gestin de Ia caIidad totaI,
abreviadamente TQM (total quality management), procede del concepto de controI de Ia caIidad
totaI, abreviadamente TQC (total quality control), definido por primera vez por A. Feigenbaum (v.
Anexo A1), como un sistema de integrar esfuerzos en la empresa, para conseguir el mximo rendi-
miento econmico compatible con la satisfaccin de los clientes. Anlogamente, las normas industria-
les japonesas definen la gestin de la calidad total como un sistema de mtodos de produccin que
econmicamente genera bienestar o servicios de calidad, acordes con los requisitos de los consumi-
dores.
En la expresin "gestin de la calidad total, el adjetivo "total se aplica al tipo de gestin, no a la cali-
dad. Esta visin es ms amplia que la tradicional del control de la calidad, y se ajusta a la acepcin de
control como dominio, incluyendo todos los aspectos de la organizacin que afectan a la calidad. An-

tes se hablaba de calidad refirindose a los aspectos de produccin o diseo de producto, pero, ac-
tualmente, el alcance de este trmino se ha ampliado, considerando la calidad en toda la organiza-
cin.
Hay numerosas aportaciones de distintos autores para definir la calidad, como hemos visto en el
apartado 1.1, aunque todos concuerdan en ligarla a la satisfaccin del cliente. Es imprescindible que
la calidad se d en todos los aspectos de la empresa, y no slo en algunas reas o funciones, ya que
se pueden crear vacos o desequilibrios entre las distintas reas. Segn la norma SO 8402, Ia ges-
tin de Ia caIidad totaI es un estilo de gestin de una organizacin centrado en la calidad, basado en
la participacin de todos sus miembros, orientado a la rentabilidad a largo plazo, a travs de la satis-
faccin del cliente y que proporciona beneficios a todos los miembros de la organizacin y a la socie-
dad.
Las ideas bsicas que podemos encontrar en la mayora de los autores en relacin con la gestin de
la calidad total son: la satisfaccin del cliente, la gestin basada en hechos, la direccin teniendo en
cuenta las personas y la mejora continua (v. Dahlgaard et al., 1998). En la literatura aparece con fre-
cuencia una idea de la gestin de la calidad total como la combinacin de un estilo con el uso de unas
determinadas tcnicas de gestin. Es difcil, sin embargo, dar una definicin precisa de la gestin de
la calidad total, y an ms establecer unas pautas de actuacin especficas. Por todo esto, las con-
cepciones prcticas de la Gestin de la Calidad Total de ms xito van ligadas a criterios como los
del Premio Europeo de Ia CaIidad, otorgado por la European Organization for Quality Managament
(EFQM), o los del MaIcoIm BaIdrige NationaI Award. Estos criterios proporcionan modelos de ges-
tin, relativamente concretos y aplicables, que se resumen en el captulo 3 de este mdulo.
1.7 Las tendencias actuaIes de Ia gestin de Ia caIidad
Desde principios de los aos 80, la gestin de la calidad se orienta a la excelencia empresarial. Como
modelos para alcanzar la excelencia, se usan el modelo de la EFQM, el del Malcolm Baldrige Award,
y el de la norma SO 9004. Existen versiones de estos modelos adaptadas tanto a organizaciones
industriales como de servicios, incluyendo sectores como la administracin pblica, hospitales, trans-
portes, educacin, etc. Estos modelos dan directrices para el desarrollo de un sistema de calidad y
para ligarlo a los resultados de la empresa. Los dos primeros, que son los ms populares, consisten
en una serie de puntos o criterios. La organizacin se autoevala siguiendo los criterios del premio
mediante un cuestionario de autoevaluacin o, alternativamente, mediante un autoinforme, segn un
guin propio. A partir del informe, de no ms de 60 pginas, se determinan los puntos fuertes de la
organizacin y las reas donde se debe mejorar. El siguiente paso suele ser la definicin del plan
estratgico de la empresa, estableciendo objetivos ligados a los puntos dbiles. Algunas organizacio-
nes prefieren evaluadores externos, ya que suelen ser ms objetivos.
Por exigencia del mercado europeo, muchas empresas, sobre todo las industriales, se han visto obli-
gadas a participar en el proceso de certificacin de las normas SO 9000. En otros sectores existen
normas especficas, aunque no haya un sistema de certificacin formalizado. Por ejemplo, en el sec-
tor de automocin, Ford, General Motors y Chrysler introdujeron en los aos 90 la norma QS-9000,
que es una ampliacin de la SO 9001 (de la versin de 1994). Otros fabricantes de automviles de-
sarrollaron normas alternativas (AVSQ-94, EAQF-94 y VDA 6), creando una cierta confusin, que se
ha tratado de corregir con la norma SO 16949, que armoniza las distintas normas del sector. Esta
norma ha sido revisada en el ao 2002 por los fabricantes de automviles europeos, americanos,
japoneses y por el comit SO TC/176 llegando a un consenso. En los sectores farmacutico y ali-
mentario existen guas en las que se describen las buenas prcticas de fabricacin para ese sec-
tor, las GMP (Good Manufacturing Practices). Estas, y muchas otras, guas se difunden gratuitamente
a travs de las pginas web de la FDA (v. http://www.fda.gov), EUDRA (v.
http://pharmacos.eudra.org) y otros organismos.
Estos ltimos aos, desde EEUU se ha criticado este planteamiento europeo, en el que la certifica-
cin SO es el nico camino para abordar la gestin de la calidad. Juran (1994) apunta que para en-

trar en el mercado europeo es necesaria la certificacin, aunque sea voluntaria, y hace un pronstico
pesimista sobre los sistemas de calidad de las empresas europeas que se basan slo en la certifica-
cin. El modelo SO 9001 (1994) ha sido criticado por no aportar mejoras cuantificables y por ser de
difcil aplicacin en algunos sectores empresariales, sobre todo en el de los servicios. En la ltima
revisin de las normas SO 9000 todo esto se ha tenido presente y la norma ISO 9004 Sistemas de
Gestin de la calidad. Recomendaciones para la mejora del funcionamiento tiene la misma estructura
que la SO 9001 y un sistema de autoevaluacin.
Actualmente, la mayora de las empresas que han pasado por el proceso de certificacin y/o se han
autoevaluado usando el modelo EFQM siguen programas de mejora. En ellos se usan tcnicas senci-
llas, y no son necesarias inversiones importantes. Hay numerosas tcnicas de mejora, entre las que
cabe destacar las famosas siete herramientas de Ishikawa (v. Apndice A1).
En general, todas los programas de mejora usan una u otra variante del anIisis causa-efecto para
identificar las causas de los problemas observados. Las tcnicas de resolucin de problemas se pre-
sentan a menudo ligadas a las de mejora continua, dependiendo el uso de una u otra de las preferen-
cias personales o del perfil profesional del autor o consultor. Hay distintas variantes, ligadas a los
distintos enfoques en la resolucin de problemas. Las ms populares son el diagrama de espina de
pez, o diagrama de shikawa, que es una de las siete herramientas, y el mtodo de Ia causa-raz
(root-cause analysis), utilizado en distintos contextos, por ejemplo en el mtodo 8D, de gran difusin
en el sector de automocin. Normalmente, estas tcnicas se aplican en el seno de un grupo de tra-
bajo, que, en muchos casos, se crea especficamente para tratar un determinado problema o explotar
una oportunidad de mejora (v. Scholtes, 1988).
A menudo, todas las mejoras de los procesos productivos y logsticos (v. Captulo 2), buscan aproxi-
marse a un estado ideal, al que se alude a menudo, de forma vaga, como Just-In-Time (JT). Origi-
nariamente, esta denominacin se refera al sistema de organizacin de la produccin de la compaa
Toyota Motors y, por consiguiente, no a algo que pueda ser definido de forma breve (v. Shingo,
1989). Al difundirse en Occidente el JT, se produjo una proliferacin de definiciones que recogen slo
aspectos parciales del sistema Toyota. Por ejemplo, se habla, impropiamente, de JT para referirse a
la eliminacin de los stocks, que no es sino un aspecto. Esencialmente, JT significa la respuesta a
las demandas de los clientes, en el mnimo tiempo y utilizando los mnimos recursos (los stocks son
un recurso ms). Algunos mtodos ligados al JT son:
Los sistemas de comunicacin Kanban, originariamente unas tarjetas usadas en Toyota. Cuando
un equipo necesitaba componentes que produca otro equipo, enviaba a ste la bandeja de esas
componentes, vaca, con el Kanban correspondiente.
Los mtodos SMED de reduccin del tiempo de cambio.
Los mtodos 5-S de organizacin del lugar de trabajo. La denominacin 5-S proviene de cinco
palabras japonesas cuya versin en nuestro alfabeto empieza por "S: Seiri (organizacin), Seiton
(orden), Seiso (limpieza), Sheiketsu (estandarizacin) y Shitsuke (discipina). Se trata de ideas
sencillas, pero tiles, sobre la organizacin y limpieza del entorno de trabajo, sobre la pulcritud
del trabajo y el desarrollo de estndars (v. Osada, 1991).
Los mtodos TPM para optimizar la disponibilidad de los recursos de produccin (v. Nakajima,
1991).
Los mtodos Kaizen de mejora continua (v. mai, 1986), orientados a la obtencin de una serie
de pequeas mejoras incrementales.
Una orientacin actual de mejora de la calidad es la llamada Six Sigma Quality (v. Harry & Schroe-
der, 2000). Se trata de un programa de actividades de mejora que exige una mayor dedicacin de
personal y usa tcnicas de recogida y anlisis de datos, entre las que destaca de forma especial el
diseo de experimentos. Para la puesta en marcha de un programa Six Sigma es necesario un com-

promiso de la direccin para invertir en la formacin de los empleados. Se puede hallar una recopila-
cin de mtodos ligados a Six Sigma en Breyfogle (1999). Six Sigma se remonta a los aos 80, cuan-
do la empresa Motorola, obligada por la competencia japonesa, desarroll el primer programa de este
tipo, obteniendo unos aos ms tarde el premio Malcolm Baldrige. Tambin fue adoptada en Unisys,
que le aadi una peculiar clasificacin de los participantes en categoras de artes marciales, y poste-
riormente en ABB, Allied Signal y General Electric, que aportaron otros aspectos. En Espaa se ha
introducido a travs de empresas multinacionales como Sony, Ericsson y General Electric, entre
otras. Ford ha anunciado en enero de 2001 que adoptar los mtodos Six Sigma. Es probable que
esta decisin provoque una reaccin en cadena en sus proveedores. En EEUU, la difusin de los
mtodos Six Sigma se ha convertido en el nuevo impulsor de la mejora de la calidad.
1.8 La certificacin, Ia homoIogacin y Ia acreditacin
Las organizaciones tienden actualmente adquirir fuera (outsourcing) cada vez ms componentes y
servicios. Adems, se encuentran en un contexto econmico donde los intercambios se hacen a es-
cala mundial y donde muchas veces se pierde el contacto directo vendedor-comprador. Es, por eso,
lgico que se haya popularizado un modelo de certificacin que garantice que el sistema de calidad
del vendedor es adecuado.
Aparte de las empresas-clientes, tambin la administracin pblica puede exigir la certificacin de los
proveedores de equipos sometidos a exigencias reglamentarias. La demostracin exigida por la Ad-
ministracin de que un producto cumple los requisitos tcnicos reglamentarios que le afectan es la
homoIogacin, que se asimila a una certificacin obligatoria. La certificacin, que permite estable-
cer la conformidad de una empresa, producto, proceso o servicio con los requisitos establecidos en
normas o especificaciones tcnicas, lleva al reconocimiento de que el producto cumple una o varias
normas tcnicas, y comporta el derecho de uso de la "marca como distintivo del producto. La certifi-
cacin da confianza a los consumidores, adems de diferenciar el producto de los de la competencia.
Podemos diferenciar dos tipos de certificacin: de producto y de empresa. En la certificacin de
producto, el organismo certificador se basa en un dictamen de un laboratorio de ensayo sobre la
conformidad de una muestra de la produccin con la norma correspondiente, y en un informe de audi-
tora del sistema de gestin de la calidad del fabricante que garantice el cumplimiento de la norma
SO 9001, emitido por una entidad de inspeccin.
La certificacin de empresa es el reconocimiento por parte de un organismo de certificacin de que
su sistema de gestin de la calidad cumple los requisitos de la norma SO 9001. La certificacin SO
9001 es voluntaria, y nicamente la puede llevar a cabo un organismo acreditado. En Espaa exis-
ten varios organismos acreditados. La acreditacin es el reconocimiento formal de la competencia
tcnica de una entidad para certificar, inspeccionar o auditar la calidad, o de un laboratorio de ensayo
o calibracin industrial. Entre los organismos acreditados para la certificacin de empresa o de pro-
ducto, se pueden citar:
AENOR: Asociacin Espaola de Normalizacin
LGA: Laboratori General d'Assaigs i nvestigacions
DNV : Det Norske Veritas (Noruega)
BVQ: Bureau Veritas Quality nternational
LloydS Register (Reino Unido)
TV Rheinland (Alemania)
TV Product Service (Alemania)

2. LA GESTIN DE LA CALIDAD
En la primera parte de este captulo presentamos la gestin de la calidad como parte de la gestin de
una empresa, con un enfoque en la lnea de la gestin por procesos, siguiendo las recomendaciones
de la norma SO 9001. A fin de sintetizar la exposicin, distinguimos entre procesos operativos, de
soporte y estratgicos y, dentro de los primeros, entre las operaciones propiamente dichas y los pro-
cesos logsticos. En la segunda parte, presentamos una descripcin, ilustrada con diagramas genri-
cos, de algunos de estos procesos, como la planificacin de la calidad, el diseo y desarrollo de nue-
vos productos, la realizacin del producto y los procesos de soporte de la produccin.
Dedicamos un apartado exclusivo al proceso de diseo y desarrollo, por tratarse de un proceso clave
en la mayora de las empresas industriales. Cabe destacar que no hay un proceso de diseo y desa-
rrollo completo en todas las empresas, ya que, en algunos casos, el producto viene especificado, total
o parcialmente, por el cliente. Sin embargo, siempre que haya un proceso de fabricacin, la empresa
debe verificar que el proceso productivo es adecuado para los nuevos productos (capacidad de las
instalaciones, preparacin del personal, existencia de proveedores cualificados, etc.).
2.1 Los sistemas de gestin de una empresa
Podemos considerar en una empresa distintos sistemas de gestin, el de calidad, el de gestin finan-
ciera, el de gestin medioambiental, el de seguridad laboral, etc. Existen distintas normas que dan
directrices para la gestin de las empresas industriales, como las normas SO 9001 y 9004 (gestin
de la calidad), la SO 14000 (gestin del medio ambiente), las normativas laborales, la ley de preven-
cin de riesgos laborales (Ley 31/1995), el sistema de gestin para la prevencin de riesgos laborales
(SGPRL) y la norma UNE 81900 EX. En algunos casos, un organismo acreditado puede certificar que
la empresa cumple los requisitos de una de estas normas. Debido a las exigencias del mercado, de la
administracin y de la sociedad, los procesos de certificacin, con sus consiguientes auditoras y revi-
siones peridicas, tanto de calidad como de medio ambiente y de seguridad laboral, han ido cobrando
mayor importancia en la mayora de las empresas industriales.
Actualmente, se tiende a integrar los sistemas de calidad, medio ambiente y seguridad, a fin de sim-
plificar la gestin y eliminar la documentacin innecesaria. Esto supone una mayor eficiencia, ya que
los tres tienen aspectos comunes, como la poltica y los compromisos de la empresa, el control de la
documentacin y los registros, el control de las operaciones, y las auditoras y revisiones peridicas
del sistema. Adems, en el diseo de instalaciones y productos, en las compras, en la gestin de los
almacenes, en el mantenimiento y en la formacin intervienen las reas de calidad, medio ambiente y
seguridad.
2.2 EI concepto de proceso
El funcionamiento de una empresa se puede concebir como una red de procesos interrelacionados
que puede llegar a ser bastante compleja. Un proceso es un sistema de actividades, que utilizan
recursos para transformar entradas (inputs) en salidas (outputs). Cualquier actividad que transforma
un input en un output puede considerarse como un proceso (v. Figura 2.1) y, generalmente, un out-
put de un proceso es un input de otro posterior. Por ejemplo, un producto de un proceso de fabrica-
cin es uno de los inputs del proceso de embalaje (otro es el envoltorio del producto embalado, sean
cajas, sacos, o lo que corresponda). Un output puede ser un producto tangible, o algo intangible. Por
ejemplo, podemos considerar las expectativas generadas en el cliente (output intangible de las ven-
tas), una factura (compras), un programa informtico (elaboracin de programas), un combustible
lquido (produccin), un servicio bancario (atencin al cliente), o un producto intermedio (del subpro-
ceso de la descarga de un reactor). Ms adelante veremos ejemplos de procesos desglosados, con
sus inputs, outputs, recursos y directrices, que tambin son un tipo de inputs.

Figura 2.1 Esquema de un proceso con entradas y salidas

Una de las actividades centrales de la gestin de la calidad es el control de los procesos que forman
del entramado de la organizacin. Por un lado, hay que controlar los parmetros de los procesos y,
por otro, la calidad del producto. Las tcnicas de controI estadstico de proceso (SPC), que presen-
tamos en el mdulo 3 de estas notas, se pueden usar para ambos fines. El objeto del control estads-
tico de proceso es conseguir que el resultado del proceso sea predecible y cumpla los requisitos es-
tablecidos. Normalmente, el control se basa en mediciones efectuadas a lo largo de un proceso, a la
entrada, a la salida, y en puntos intermedios.
Los inputs y outputs de un proceso pueden ser productos tangibles o informacin (v. Tabla 2.1). Se
tiene que subrayar que, en este contexto, el trmino producto cubre las cuatro categoras genricas:
Hardware. Esta denominacin se refiere a la fabricacin de piezas, componentes o al ensambla-
do de ellas. El hardware se presenta en forma discreta, como unidades que pueden cumplir o no
los requisitos de calidad, independientemente una de otra. Por consiguiente, en un lote o partida
puede haber unidades conformes y unidades no conformes.
MateriaIes procesados. Esta denominacin se refiere a materiales (slidos, lquidos, polvo, ga-
ses, etc.) que han sido transformados fsicamente, y que se presentan en forma ms o menos
continua, sin haber "unidades. La conformidad se refiere, en general, a un lote, y se dictamina
por medio de verificaciones realizadas sobre una muestra extrada del lote.
Servicios. Los servicios son productos generados por actividades en la interfaz provee-
dor/cliente, o por actividades internas del proveedor para responder a necesidades del cliente. En
la mayora de los casos, los servicios se dan en forma de actuaciones puntuales, o unidades, y en
caso de haber una especificacin, lo que no siempre es cierto, cada unidad puede ser conforme o
no, independientemente de las otras.
Software. La denominacin software se aplica a la informacin, conceptos, transacciones o pro-
cedimientos que pueden registrarse por escrito o en otro medio (por ejemplo, en soporte magnti-
co). Ejemplos de software son los programas de ordenador (el software" del lenguaje coloquial),
sus manuales y, en general, el contenido de cualquier libro.
Muchos productos industriales integran elementos que pertenecen a diferentes categoras. Por ejem-
plo, al vender un telfono mvil, se acompaa ste con la batera (hardware), el Manual de funciona-
miento (software) y una explicacin de cmo funciona (servicio). En la Tabla 2.1 se muestran ejem-
plos de inputs y outputs, segn se trate de un producto tangible o de una informacin.

Tabla 2.1 Ejemplos de tipos de entradas y salidas de un proceso
relacionadas con productos tangibles y con informacin.
Tipo de entrada o salida Ejemplos
Relacionadas con productos
tangibles
Materias primas
Productos intermedios
Productos finales
Caractersticas del producto obtenidas de una muestra
de la produccin.
Relacionadas con informacin Requisitos del producto
Caractersticas del producto e informacin de su estado
Soporte de les comunicaciones
Realimentacin de las prestaciones y necesidades
del producto
Medidas efectuadas sobre una muestra de la produccin

2.3 La gestin basada en Ios procesos
Como ya hemos comentado, la gestin de la calidad en la empresa actual se basa en los procesos,
es decir, en la identificacin y el control de los distintos procesos que afectan a la calidad. Esta orien-
tacin, recogida en la norma SO 9001 rompe con la tradicional estructura vertical de la organizacin
por funciones, proponiendo una estructura ms dinmica y con ms comunicacin. La identificacin
de los procesos principales se plasma a veces en un documento, el mapa de procesos de la empre-
sa. En el mapa de procesos se representan grficamente los distintos procesos principales de la em-
presa y las relaciones entre ellos.
Una forma de clasificar los procesos de una empresa es dividirlos en tres grupos, segn su funcin en
la empresa y su efecto sobre el cliente externo. As, distinguimos entre:
Los procesos operativos, ligados a los flujos de material y de informacin con impacto directo
sobre el cliente. En una empresa industrial, suelen ser los de compras, ventas y produccin. En
una organizacin de servicios, por ejemplo, el de atencin al cliente.
Los procesos de soporte, que no estn necesariamente ligados al flujo de material, pero resul-
tan necesarios para el funcionamiento satisfactorio de los operativos. Ejemplos de procesos de
soporte podran ser el de formacin del personal o el de mantenimiento de los equipos de pro-
duccin.
Los procesos estratgicos, que proporcionan directrices a los dems. Son procesos estratgi-
cos, por ejemplo, el de marketing o el de planificacin de la calidad.
La figura 2.2 es un esquema de una organizacin industrial estructurada por procesos. Se trata de
una empresa del sector de automocin que suministra componentes a diferentes fabricantes de co-
ches. La parte superior corresponde a los procesos estratgicos, la parte central a los operativos y la
inferior, a los de soporte. Los expertos aconsejan que el mapa de procesos de una empresa sea lo
ms simple posible (de 10 a 15 procesos, dependiendo de la magnitud y la complejidad de la empre-
sa), y que se desglosen los procesos principales mediante herramientas como el Ienguaje de defini-
cin integrada 0 (DEF0), que permite a su vez descomponer los procesos en subprocesos. La re-
presentacin grfica basada en al DEF0 (lase "idef cero") permite analizar y/o disear sistemas de
gran complejidad. El mtodo DEF0 nace a partir de una modificacin del sistema SADT (Structured

Analysis and Design Technique) de la Fuerza Area de EEUU, publicado en junio de 1981. Con el
tiempo, este modelo se ha convertido en la norma para la representacin, la definicin, el anlisis y la
estructuracin del sistema en la Fuerza Area y la NASA. Ms adelante veremos algunos de estos
diagramas.

Figura 2.2 Mapa de procesos de un fabricante de componentes de automocin

Cabe tambin resaltar que en los sistemas de gestin empresarial ERP (Enterprise Resource Plan-
ning), muy extendidos actualmente en las organizaciones grandes, es necesario definir la estructura
de la empresa mediante un mapa de procesos. Estos sistemas, surgidos a principios de los aos 90,
han tenido gran difusin en estos ltimos aos. Entre los programas informticos de soporte destaca
SAP R/3, que acapara la mayor parte de las implantaciones de todo el mundo.
Los precursores de los sistemas ERP son los sistemas MRP (Materials Requirements Planning), que
son sistemas de planificacin de la produccin que, a partir de la previsin de ventas, de los niveles
de stocks y de la informacin sobre los materiales necesarios para fabricar cada producto, generan
las rdenes de compra y de fabricacin. En el sistema MRP propiamente dicho, se planifica la compra
de los materiales necesarios para la produccin, pero no la capacidad de produccin. Del MRP se
pas al MRP , en el que no slo se planifican las compras, sino tambin la disponibilidad de los re-
cursos necesarios para garantizar la capacidad necesaria para cumplir los planes de produccin. Los
puntos ms importantes que deben tenerse en cuenta al poner en marcha un sistema MRP son:

La necesidad de que la informacin que alimenta el sistema sea lo ms exacta posible.
La necesidad de recursos informticos para almacenar y procesar la informacin. Paquetes de
software de gestin, como BPCS o SAP, son tpicos de los sistemas MRP.
Una organizacin orientada a los procesos cambia su estructura jerrquica por otra plana, alrededor
de sus procesos, como se puede observar en la figura 2.2, que muestra el flujo de trabajo a travs de
la organizacin. En la figura 2.3 se muestran las diferencias entre la estructura funcional (vertical) de
una organizacin y la orientada a los procesos (horizontal). Las estructuras funcionales (perspectiva
vertical) se organizan alrededor de las funciones, con lo que se pueden perder de vista los clientes,
creando un aislamiento entre las distintas funciones, con vacos entre ellas, dificultando el tratamiento
de los temas interfuncionales.

Figura 2.3 Las dos visiones de la estructura organizativa de una empresa

La norma SO 9001 sugiere un enfoque basado en Ios procesos, indicando que una organizacin
necesita identificar, organizar y gestionar la red de procesos y sus interfaces, y recomienda que los
procesos estn sujetos a anlisis y mejora continua, basados en evidencias objetivas. La visin SO
actual es un reflejo de la importancia que ltimamente se da a la identificacin, la gestin y la mejora
de los procesos de la empresa (v. Davenport, 1993, Hammer, 1995, y Harrington, 1993).
En la gestin por procesos resulta til la figura del propietario deI proceso, que permite definir mejor
las interfaces y las responsabilidades, especialmente en procesos amplios y que comprenden distin-
tas funciones. Tambin son tiles los diagramas de fIujo, que son representaciones grficas de los
procesos. Hay distintos tipos de diagrama de flujo. Algunos tienen una estructura secuencial, y mues-
tran el flujo de materiales o de informacin de un subproceso a otro (v. Figuras 2.4 y 2.5), mientras

que otros (v. Figuras 2.6-2.10) muestran los inputs, los outputs, las directrices y los recursos necesa-
rios. En este captulo usaremos los diagramas de flujo en la descripcin de algunos de los procesos
de una empresa industrial, basndonos en el esquema siguiente:
Ttulo del proceso
Propsito
Propietario
Inputs
Outputs
Proveedores
Clientes
Recursos necesarios
Directrices para la gestin del proceso
ndicadores de eficacia y de eficiencia
2.4 La pIanificacin de Ia caIidad
El propsito de la planificacin de la calidad es definir y coordinar las actividades necesarias para
alcanzar los objetivos de calidad. Una de ellas es establecer las especificaciones de los procesos
operativos y los recursos relacionados con ellos. La direccin de la empresa debe definir y documen-
tar la forma en que se asegura el cumplimiento de los requisitos de calidad para los productos y los
servicios y procesos relacionados con ellos.
La planificacin se ha de orientar de forma que se cumplan los requisitos de todos las partes intere-
sadas, teniendo en cuenta todos los aspectos que les afectan. Por ejemplo, en el diseo de un pro-
ducto nuevo, cuando ya se ha determinado cmo ha de ser el producto, se plantean cuestiones co-
mo:
Dnde obtener las materias primas, cmo controlarlas y si hacen falta servicios subcontratados
(requisitos de los proveedores).
Qu procesos productivos deben ponerse en marcha y cules son las tcnicas, mtodos y equi-
pos necesarios (requisitos de fabricacin).
Cmo organizar el control de los nuevos procesos de fabricacin, las verificaciones de las carac-
tersticas del producto y de los parmetros de proceso.
Con qu equipos y mtodos se harn las verificaciones (requisitos de los clientes).
Qu formacin debe tener el personal que intervendr en la fabricacin del nuevo producto (re-
quisitos del personal).
Cmo organizar la empresa para coordinar las operaciones relacionadas con la fabricacin del
producto, desde la aceptacin del pedido hasta la expedicin al cliente, de modo que se cumplan
sus requisitos y se obtengan beneficios (requisitos de la propiedad).
Cmo realizar los cambios de forma controlada, de modo que la integridad del sistema se man-
tenga durante ellos.

Si se considera la planificacin como un proceso, que transforma inputs en outputs, algunos de los
inputs principales podran ser:
Las necesidades y expectativas de las partes interesadas
El resultado de los productos ya existentes
El capacidad y el rendimiento de los procesos del sistema de gestin de la calidad
Las oportunidades de mejora
La evaluacin y prevencin de riesgos
Los resultados de la planificacin de la calidad de la empresa deberan definir los procesos de reali-
zacin del producto y de soporte, de forma que se puedan identificar:
Las personas que intervendrn en ellos, para que tengan la preparacin suficiente
Los procesos operativos
Los pIanes de mantenimiento de las mquinas que intervienen en estos procesos
Los pIanes de mejora de Ia caIidad, las personas responsables, los mtodos y las herramientas
necesarias
Los recursos financieros y de infraestructura (equipos, materiales, software, etc.)
La documentacin y los registros necesarios
A partir de estos resultados, la empresa ha de identificar y gestionar la secuencia e interaccin de los
procesos que afecten a la calidad del producto. Esto garantizar que los procesos de la empresa
estn controlados y sean tenidos en cuenta, tanto en la poltica como en los objetivos de calidad.
Para que los procesos operativos sean eficaces y consistentes es til establecer, en la planificacin:
Los parmetros significativos de los procesos que afectan a las caractersticas de los productos o
servicios
Los mtodos usados para controlar los procesos relacionados con la calidad
Cuando corresponda, las normas y los manuales de funcionamiento relacionados con procesos
particulares
Las mediciones y registros
2.5 EI proceso de diseo y desarroIIo deI producto
La calidad de cualquier producto est condicionada por su diseo. Por ello, el proceso de diseo y
desarrollo es un elemento fundamental del sistema de calidad. El input del proceso de diseo puede
ser una propuesta de un producto nuevo hecha por un cliente o una idea obtenida de un estudio de
mercado. Normalmente, el output se materializa en un documento (un proyecto), que servir para
fabricar el producto o prestar un servicio. Una secuencia genrica del proceso de diseo de nuevos
productos podra ser la de la figura 2.4.
Como es importante que los inputs del proceso de diseo estn bien definidos y sean completos, la
norma SO 9001 exige que se establezca de antemano la forma en que se recogern y documentarn
los datos de partida. Debe tenerse en cuenta que, si estos datos provienen del cliente, lo ms normal
es que reflejen sus expectativas y algunas restricciones tcnicas o legales. Por tanto, ser tarea de la

empresa (experta en el producto) determinar los requisitos que ha de cumplir el producto. Cuando se
trata de bienes de consumo, el input del diseo suele ser un estudio de mercado ms o menos formal
y completo. Segn la importancia del proyecto, la empresa ha de decidir el rigor que tendr el estudio.
La planificacin del proceso de diseo y desarrollo debe establecer la secuencia de fases, que podra
ser:
Fase : planificacin del producto
Fase : desarrollo de los componentes
Fase : desarrollo del proceso de produccin
Fase V: planificacin de la produccin
A fin de que el producto diseado cumpla los requisitos del cliente, se debe llevar a cabo durante el
perodo de diseo una serie de revisiones. Cuanto ms largo y complejo sea el proyecto, ms nece-
sarias sern las revisiones. En ellas se repasa el cumplimiento de los objetivos planificados y se efec-
tan verificaciones de los requisitos establecidos para el diseo en esa etapa. Cuando el objeto de la
verificacin es la funcionalidad del producto o proceso, es decir, su adecuacin para la aplicacin
prevista, se denomina vaIidacin. En la mayora de modelos de aseguramiento de la calidad se pre-
v una validacin final, por lo menos del producto.

Figura 2.4 Esquema secuencial del proceso de diseo

En ciertos sectores industriales existen directrices ms precisas sobre la forma de llevar a cabo las
validaciones. Las tcnicas estadsticas de control de proceso, como los grficos de control y los estu-
dios de capacidad de proceso (v. Mdulo 3) se pueden usar para verificar y validar el proceso de pro-
duccin. En el modelo QS-9000 del sector de automocin (v. APQP) se detalla la forma en que deben
validarse el diseo del producto y del proceso de produccin (serie piloto, estudios de capacidad,
etc.). En el sector farmacutico, influido por las guas de la FDA, la expresin "validacin del proceso
tiene un significado muy preciso, existiendo una gua especfica (v. http://www.fda.gov).
Se ha mencionado la importancia de los datos de partida sean vlidos y suficientes. Para ello, deben
identificarse los inputs del proceso de diseo. Algunos ejemplos seran:
Inputs internos: normas y especificaciones, capacidad del personal, requisitos de seguridad de
funcionamiento, informacin sobre productos ya existentes y outputs de otros procesos.
Inputs externos: necesidades y expectativas del cliente o del mercado, especificaciones del pro-
ducto y plazos de entrega establecidos por los clientes, requisitos legales y reglamentarios rele-
vantes, normas nacionales o internacionales y manuales de funcionamiento de la industria.
Otros inputs que identifican aspectos del producto o proceso que son cruciales para la seguridad
y el funcionamiento, como el manual de operaciones, las instrucciones de instalacin y funciona-
miento, y las condiciones de manipulacin y conservacin.
Parmetros fsicos y ambientales.
En el diseo y desarrollo de nuevos productos, los requisitos del usuario final, as como los del cliente
directo, han de ser identificados y documentados. Estos requisitos deberan formularse de tal forma
que el producto pueda probarse efectivamente, a travs de la validacin. Los resultados de cada fase
del proceso deberan incluir la informacin necesaria para la verificacin de los requisitos planifica-
dos. Algunos ejemplos podran ser los lmites de tolerancia para las caractersticas medibles del pro-
ducto, los requisitos de formacin del personal, los mtodos de trabajo, los requisitos de compra y los
criterios de aceptacin para los materiales usados en la fabricacin del producto.
Deben identificarse y evaluarse los posibles fallos de los nuevos productos o procesos antes de ser
implantados, de forma que uno de los outputs del proceso de diseo y desarrollo sea planificar e lle-
var a cabo acciones preventivas. Para identificar y evaluar los posibles fallos del producto o proceso
de fabricacin, en la fase de diseo y desarrollo se pueden usar tcnicas como el anIisis de modos
de faIIos y sus efectos (AMFE), el anIisis mediante rboIes de faIIo (FTA) u otras tcnicas de
fiabiIidad de sistemas, as como mtodos de simulacin.
El AMFE (en ingls FMEA, Failure Mode and Effect Analysis) es un mtodo de anlisis de la seguri-
dad de funcionamiento de un sistema (una mquina, un sistema de seguridad, un equipo electrnico
de consumo, etc.). El AMFE considera todos los modos de fallo potenciales del sistema, analizando
sus causas y sus efectos sobre el usuario o cliente. Las distintas orientaciones del AMFE resultan del
punto de vista bajo el que se evalan los efectos (calidad, seguridad, medio ambiente, etc.). Existen
diferentes formatos para el AMFE. Los ms populares en la industria espaola son los de Ford Motor
Company, que se pueden hallar en uno de los manuales de la norma QS-9000 (v. FMEA, 1995). En
general, en todos ellos los diferentes modos de fallo son priorizados en funcin de su probabilidad de
aparicin, de la capacidad de detectarlos y de la gravedad de sus efectos, a fin de adoptar medidas
correctivas para los principales. El manual FMEA presenta formatos para el AMFE del diseo y para
el del proceso, cuyo uso es obligado en el contexto de la norma QS-9000.
El anIisis de riesgos y controI de puntos crticos, abreviadamente ARCPC (en ingls HACCP,
hazard analysis and critical control point) es un mtodo de anlisis de los fallos de un proceso, anlo-
go al AMFE. Es muy usado en la industria alimentara, en ciertos casos, por imperativo legal (en la

terminologa usada en el BOE, se denomina APPCC, anlisis de peligros y puntos crticos de control).
El ARCPC se basa en la identificacin de los puntos de los procesos de produccin y distribucin
donde se puede producir una contaminacin del producto, en el control de las desviaciones de los
parmetros del proceso y en las medidas preventivas (v. FAO/WHO Codex Alimentarius, 1985).
El FTA (Failure Tree Analysis) es un mtodo de anlisis de la seguridad de funcionamiento de un
sistema (una mquina, un sistema de seguridad, un equipo electrnico de consumo, etc.). El FTA
parte del fallo tal como lo percibe el usuario y procede deductivamente hasta hallar las causas pri-
marias, es decir, las que no se explican por otra causa, materializndose en un grfico arborescente
que se ramifica a medida que se progresa en el anlisis. En estos grficos se usan unos smbolos
lgicos normalizados para designar los distintos sucesos que pueden darse y las conexiones entre
ellos (v. Gmez y Canela, 1992).
En el proceso de diseo se deben tener en cuenta el ciclo de vida, la seguridad, la seguridad de fun-
cionamiento, la durabilidad, la facilidad de mantenimiento, la ergonoma y el medio ambiente. RAMS
es un acrnimo de fiabilidad, disponibilidad, mantenibilidad y seguridad (Reliability, Availability, Main-
tainability and Security). El anIisis RAMS y las mejoras que de l se deriven son exigidas a veces a
los proveedores de equipos para reducir los costes futuros de mantenimiento. Las herramientas tpi-
cas del anlisis RAMS son el AMFE, el FTA, los mtodos de prediccin de la fiabilidad y el anlisis de
mantenibiIidad.
En el proceso de diseo es muy importante una colaboracin estrecha entre todos los departamentos
que intervienen. La ingeniera simuItnea (v. Barba, 1993, 1994) es una tcnica que consiste en
trabajar en paralelo en la planificacin del producto y en la del proceso de produccin, a fin de acortar
la etapa de diseo.
Para mejorar el diseo del producto pueden utilizarse matrices QFD (Quality Function Deployment).
Se trata de unas matrices o tablas que se pueden usar en las distintas etapas del proyecto, en cuya
elaboracin intervienen distintos departamentos de la empresa. Para ver algn ejemplo de tcnica
QFD se puede consultar Rotger y Canela (1996) y para obtener una informacin ms completa, King
(1989) o Akao (1990).
El diseo robusto, de moda en los aos 80, fue introducido en Japn por G. Taguchi. Se apoya en
las tcnicas estadsticas de diseo de experimentos, distinguiendo entre los parmetros de controI,
que son aquellos cuyo valor se puede controlar, y los parmetros de ruido, sobre los que no se pue-
de actuar. Su objeto es hallar los valores de los parmetros de control para los cuales la influencia de
los parmetros de ruido es mnima, de forma que el producto resultante sea poco sensible a las con-
diciones de trabajo, es decir, que sea robusto. Para ms informacin sobre este tema, se pueden
consultar Taguchi (1986), Taguchi & Wu (1980), Padkhe (1989), Ross (1996) o, tambin, Montgomery
(1991), que es una excelente introduccin al diseo de experimentos.
En la figura 2.5 se presenta un diagrama genrico del proceso de diseo de un nuevo proceso de
fabricacin de una empresa de componentes del sector del automvil. A continuacin damos una
descripcin del proceso, siguiendo la pauta dada ms arriba.
Ttulo: Diseo de nuevos procesos de produccin.
Propietario: Director de la empresa, director de +D, director tcnico.
Propsito: A partir del diseo del producto, realizar el diseo del proceso productivo, poner en marcha
el proceso y realizar las modificaciones y ajustes necesarios.
Inputs: Diseo del nuevo producto, prototipo del nuevo producto, requisitos especificados por los
clientes (en el sector de automocin, a menudo el cliente aporta el plano de la pieza o equipo) y ne-
cesidades de modificacin.

Outputs: Directrices de fabricacin, directrices de calidad, modificaciones efectuadas en el proceso,
comunicacin de los cambios al personal, especificaciones de compra de materiales, especificacin
de los parmetros de produccin (temperatura, presin, velocidad de la cinta transportadora, etc.),
planes de mantenimiento, requisitos de los equipos de seguimiento y medida.
Recursos necesarios: Gestin del sistema de informacin (S), gestin de las personas que intervie-
nen (RRHH), maquinaria, equipos de seguimiento y medida.
Directrices: Directrices estratgicas, poltica de la empresa, de +D y del cliente.
Indicadores: Tiempo desde el inicio de un proyecto hasta su industrializacin, nmero de modificacio-
nes realizadas.
Proveedores: Proyectos +D, clientes, proveedores.
Clientes: Otros procesos de la empresa y el cliente externo.

Figura 2.5 Diseo de nuevos procesos de produccin
en un proveedor de componentes de automocin


Figura 2.6 Descomposicin del diseo de nuevos procesos de produccin

2.6 EI controI de Ias operaciones
En estas notas, llamamos genricamente operaciones a los procesos de produccin, recepcin de
materias primas, embalaje, almacenamiento, conservacin y entrega. La produccin no se debe con-
siderar aisladamente, sino como una etapa de una secuencia de procesos. La figura 2.7 podra ser el
esquema de las operaciones ligadas a un producto, desde su inicio, cuando el departamento de ven-
tas emite un pedido que implica una orden de fabricacin, con las etapas de compra de materiales,
recepcin, produccin, montaje, inspeccin, almacenamiento y, finalmente, la distribucin. El objetivo
de la fase de operaciones es obtener un producto que cumpla los requisitos del cliente, con el mnimo
coste. Para ello deben identificarse los requisitos de las operaciones y asegurar su cumplimiento. Al
establecer los requisitos, la empresa debe revisar su capacidad de cumplir los requisitos, la formacin
y competencia del personal, la comunicacin, y los requisitos legislativos y reglamentarios relevantes.
Es importante que en cualquier momento pueda conocerse el estado de los productos, incluyendo
sus componentes, los requisitos del contrato, los requisitos legislativos y reglamentarios relevantes, el
uso o aplicacin previstos y los materiales peligrosos. Para ello se ha de establecer un proceso para
el control de los productos, as como la documentacin necesaria para Ia identificacin y trazabiIi-
dad de los productos.
La empresa debe establecer procesos de manejo, embalaje, almacenamiento, conservacin y entre-
ga, para prevenir el dao, el deterioro o el mal uso durante el procesado interno y la entrega del pro-
ducto. Asimismo, ha de identificar los recursos necesarios para mantener el producto en condiciones
ptimas a lo largo de su ciclo de vida e informar a los clientes sobre las condiciones de conservacin.


Aparte del cumplimiento de los requisitos del cliente externo, sera deseable que la empresa obtuviera
beneficios para las partes interesadas mediante la mejora de los procesos operativos y los de sopor-
te. Estos beneficios podran ser la reduccin de desperdicios, la formacin del personal, la comunica-
cin y el registro de la informacin, el desarrollo de la capacidad de los proveedores, la mejora de las
infraestructuras y la prevencin de problemas.
Los equipos de seguimiento y medicin se usan en el examen del resultado de un proceso, para veri-
ficar el cumplimiento de los requisitos especificados. Para dar confianza en los resultados, debe ase-
gurarse que estos equipos sean calibrados y mantenidos. Es importante establecer los procesos para
asegurar que el seguimiento y las mediciones puedan realizarse y se realicen de forma coherente con
los requisitos de seguimiento y medicin. Esto significa que la magnitud de los errores asociados a
las mediciones realizadas en los productos y procesos debe ser conocida y pequea frente a la tole-
rancia. En el mdulo 4 se presentan los mtodos del control de los procesos de medida.
En la figura 2.8 se presenta un diagrama de flujo genrico del proceso de produccin, que describi-
mos a continuacin.
Ttulo: Fabricacin de productos.
Propietario: Jefe de produccin.
Propsito: Fabricar un producto que cumpla los requisitos de calidad especificados, siguiendo el plan
de produccin.
Inputs: Ordenes de fabricacin, suministro de materiales, mantenimiento.
Outputs: Producto acabado, producto no conforme, registros de fabricacin, cumplimiento de la plani-
ficacin.
Proveedores: Responsable de la planificacin de la produccin, almacn de materiales, departamento
de compras, departamento de mantenimiento.
Clientes: Expedicin de productos, almacn de producto acabado, encargados del desperdicio, con-
trol de la gestin control de stocks.


Figura 2.7 Esquema genrico de los procesos de un producto

nen en la produccin (RRHH), control de los equipos de seguimiento y medida, mantenimiento de las
instalaciones, proveedores de la maquinaria.
Directrices: Plan de produccin, plan de control, directrices estratgicas (poltica de costos y calidad),
directrices de fabricacin de nuevos productos.
Indicadores: Resmenes estadsticos del control de proceso, porcentaje de disconformidades, infor-
mes sobre el desperdicio, e ndices de satisfaccin del personal.

Figura 2.8 Proceso de produccin
2.7 La Iogstica
Consideramos aqu como procesos logsticos los de compras, ventas, distribucin, almacenamiento y
recepcin de materiales. El propsito del proceso de compras es adquirir productos en las cantida-
des y en los tiempos previstos en los planes de produccin. Los productos adquiridos deben tener la
calidad exigida y sus precios ser los ms bajos posibles. Un proceso de soporte del de compras es el
de evaluacin de los proveedores. Su objeto es conseguir la caIidad concertada, lo que significa
negociar con los proveedores que el producto sea controlado durante la fabricacin, evitando la ins-
peccin en la recepcin. En algn sector, la calidad concertada se asocia a la certificacin respecto a
alguna norma especfica (por ejemplo, en el sector de automocin, la norma QS-9000 de Ford, GM y
Chrysler).
Para seleccionar, evaluar y controlar los materiales comprados, la empresa debe organizar el proceso
de compras de forma que permita asegurar que esos materiales cumplen los requisitos de las opera-
ciones de produccin. Para ello los procesos de compra deberan incluir acciones como:
dentificar las necesidades de las operaciones de produccin.
Evaluar el coste total del producto comprado, teniendo en cuenta las prestaciones, el precio y las
condiciones de suministro.
Analizar las distintas ofertas para obtener precios ajustados.
Verificar los materiales comprados, identificando las disconformidades.
Evaluar los riesgos asociados al producto comprado.
La colaboracin con los proveedores incrementa el valor de una empresa. Es aconsejable, cuando
ello sea posible, que los requisitos del proceso de compras se establezcan en colaboracin con los
proveedores, para aprovechar sus conocimientos. Los proveedores podran tambin implicarse en la
especificacin de los requisitos del sistema de gestin de la calidad relacionados con sus productos.
Con esta finalidad, puede ser interesante mejorar el proceso de compras mediante las siguientes
acciones:
Optimizar el nmero de proveedores.

Establecer comunicacin en ambos sentidos para facilitar la solucin rpida de problemas y evitar
retrasos y disputas costosos.
nvolucrar a los proveedores en las actividades de diseo y desarrollo, para compartir el conoci-
miento y mejorar los procesos productivos.
En la figura 2.9 se presenta un diagrama de flujo genrico de un proceso de compras que describi-
mos a continuacin.
Ttulo: Comprar materiales.
Propsito del proceso: Adquirir materiales en las cantidades y trminos que determine el plan de pro-
duccin, con la calidad exigida y con los precios ms bajos, evaluar y analizar los precios y establecer
la calidad concertada con los proveedores.
Inputs: nformacin del proveedor, materia prima proveedores.
Outputs: Pedidos realizados, materias primas recibidas, rdenes de pago, planes de calidad concer-
tada y relaciones a largo plazo con los proveedores.
nen en las compras (RRHH) y gestin de stocks.
Directrices: Directrices estratgicas (poltica de precios y pagos), especificaciones tcnicas de los
materiales, plan de produccin mensual.
Indicadores: Porcentaje de disconformidades en los materiales, penalizacin econmica a los pro-
veedores y tiempo para el aprovisionamiento de materiales.
Proveedores: Proveedores de materiales.
Clientes: Director del almacn, departamento de produccin y departamento de contabilidad.

Figura 2.9 Proceso de compras

El proceso de ventas se ocupa de revisar y aceptar los pedidos, elaborar las ofertas y presupuestos
y contactar con el cliente. Es importante que las solicitudes de ofertas, los contratos y los pedidos
sean revisados, para asegurar que los requisitos estn bien definidos y que el suministrador est en
condiciones de cumplir el contrato, y resolver las posibles diferencias entre la oferta y el contrato.
Para llevar a cabo el proceso de ventas, es necesaria una buena gestin del sistema de informacin
de la empresa y una buena comunicacin entre los departamentos de produccin, calidad, laborato-
rio, compras y almacn.
En la Figura 2.10 se representa grficamente utilizando la metodologa DEF0 del proceso de ventas
que se describe a continuacin.
Ttulo: Vender productos.
Propietario: Director comercial.
Propsito: Revisar y aceptar los pedidos, realizar las ofertas y presupuestos, y contactar con el cliente
para captar sus expectativas.
Inputs: Solicitud de ofertas, consultas tcnicas del cliente, expectativas del cliente.
Outputs: Pedidos revisados y aceptados, ofertas, presupuestos, informacin sobre las expectativas
del cliente, solicitudes a +D.
nen en el proceso (RRHH), red de ventas, materiales de presentacin (catlogos, etc.).
Directrices: Directrices presupuestarias, poltica de precios, normativa de riesgos y procedimientos.
Indicadores: Nmero de pedidos realizados, tiempo que se tarda en aceptar un pedido, grado de sa-
tisfaccin de los clientes, fidelidad de los clientes.
Proveedores: Clientes.
Clientes: Responsable de la planificacin de la produccin, clientes de la empresa y todos los proce-
sos de la empresa en general.

Figura 2.10 Proceso de ventas


El propsito del proceso de distribucin es asegurar que el producto llegue al cliente de cumpliendo
sus requisitos, es decir, en el plazo de entrega previsto, sin errores y en las condiciones de calidad
establecidas. Los inputs del proceso de distribucin del producto pueden ser, por ejemplo, un lote de
producto acabado, una orden de expedicin o el transporte de un producto. Como outputs podemos
mencionar la expedicin de un lote de producto y la contratacin del transporte para un suministro.
Para controlar el proceso de distribucin puede ser interesante llevar a cabo el seguimiento de algu-
nos indicadores, como, por ejemplo, el tiempo de retraso en las entregas, el nmero de errores en las
entregas y el nmero de disconformidades debidas al transporte.

3. LOS MODELOS DE LA GESTIN DE LA CALIDAD
En este capitulo se presentan con ms detalle los principales modelos de gestin de la calidad que
han sido mencionados anteriormente. En el apartado 3.1 se describe el modelo de la norma SO 9001
(versin 2000). En el apndice A2 se puede hallar un guin para desarrollar un manual de calidad,
basado en la SO 9001, que completa esta presentacin. En los apartados 3.2 y 3.3 se presentan los
modelos Malcolm Baldrige y EFQM, respectivamente. En el 3.4 se describen sucintamente, ya que no
son el objeto de estas notas, los modelos de gestin medioambiental de actualidad en la comunidad
europea.
3.1 Las normas ISO 9000
La Organizacin nternacional de Normalizacin (SO) es una federacin de organismos nacionales
de normalizacin. Los comits tcnicos de SO (SO/TC) llevan a cabo el trabajo de elaboracin de
las normas internacionales. Todos los organismos miembros interesados en una materia para la cual
se haya establecido un comit tcnico tienen derecho a estar representados en dicho comit. Otras
organizaciones internacionales, pblicas y privadas, en coordinacin con SO, participan en el trabajo.
SO colabora estrechamente con la Comisin Electrotcnica nternacional (EC) en todas las materias
de normalizacin electrotcnica. Los proyectos o borradores de normas internacionales (SO/DS)
elaborados por los comits tcnicos son enviados a los organismos miembros para su votacin, que
requiere para su aprobacin una mayora del 75%.
Las normas SO 9000 de aseguramiento de la calidad aparecieron en 1987, y aunque no fueron las
primeras en proponer soluciones a los problemas asociados a la calidad, s lo fueron en unificar mu-
chos de los criterios que actualmente se utilizan y en obtener aceptacin y reconocimiento a escala
mundial. Su objetivo era fijar las condiciones mnimas del sistema de calidad de una empresa para
garantizar el cumplimiento de los requisitos especificados para sus productos. Actualmente, la nueva
familia de normas SO 9000, aprobada a finales del 2000, tiene como objetivo ayudar a las empresas
en el desarrollo de un sistema de calidad. La traduccin espaola se ha elaborado con el consenso
de los representantes de organismos nacionales de normalizacin de once pases de lengua espao-
la, lo que comporta el uso de algn trmino no usual en Espaa. Por ejemplo, para performance, de
difcil traduccin, se usa el trmino desempeo y, para stakeholders, partes interesadas.
La serie SO 9000 (2000) se compone de las siguientes partes:
La norma SO 9000 describe los fundamentos de los sistemas de la calidad y especifica la termi-
nologa de los sistemas de calidad.
La SO 9001 especifica los requisitos de un sistema de calidad de una organizacin que necesite
demostrar su capacidad para proporcionar productos que cumplan los requisitos de sus clientes.
Su objetivo es aumentar la satisfaccin de los clientes.
La SO 9004 es un conjunto de directrices que consideran tanto la eficacia como la eficiencia del
sistema de la calidad. El objetivo de esta norma es la mejora de la organizacin y la satisfaccin
de las partes interesadas.
La SO 19011 es una gua para auditar los sistemas de calidad y medio ambiente.
Las normas SO 9000 identifican ocho principios de gestin de la calidad, que la direccin de las em-
presas puede utilizar para mejorar (la performance) de su sistema de calidad. Las ideas que encierran
estos principios son:

a. La organizacin est orientada al cliente. Una organizacin depende de sus clientes, y por lo tan-
to debe identificar sus necesidades actuales y futuras, cumplir sus requisitos y esforzarse en su-
perar sus expectativas.
b. Liderazgo. Los lderes de una organizacin establecen la unidad de objetivos y la orientacin.
Han de crear el ambiente propicio en la organizacin, de forma que el personal pueda involucrar-
se en el logro de los objetivos de la organizacin.
c. Participacin del personal. El personal, a todos los niveles, es la esencia de una organizacin y
su compromiso posibilita que sus habilidades se utilicen en beneficio de la organizacin.
d. Orientacin a los procesos. Un resultado deseado se alcanza ms eficientemente mediante la
gestin por procesos.
e. Orientacin a la gestin del sistema. dentificar, entender y gestionar los procesos con objetivos
claros contribuye a la eficacia y la eficiencia de una organizacin.
f. Mejora continua. La mejora continua en todas las reas de la organizacin debe ser un objetivo
permanente.
g. Decisiones basadas en hechos. Las decisiones y acciones eficaces se basan en el anlisis de los
datos y la informacin.
h. Relaciones mutuamente beneficiosas con el proveedor. Una organizacin y sus proveedores
pueden crear valor incrementando las relaciones mutuamente beneficiosas.
El modelo de aseguramiento de la calidad de la norma SO 9001 se usa para demostrar que los pro-
ductos o servicios se realizan segn se indica en el manual y los procedimientos de calidad de la
empresa. Los requisitos de la norma estn basados en las tendencias actuales de la gestin por pro-
cesos. Tal como propone la misma norma, este modelo puede ser un punto de partida para llegar a la
excelencia empresarial, si se completa con las directrices de la norma SO 9004.
Para la elaboracin de la nueva norma SO 9001, la misma organizacin SO ha hecho un estudio
previo consultando a 1120 empresas y asesores de todo el mundo para mejorar las anteriores nor-
mas SO 9001, 9002 y 9003, que databan de 1994. Pueden encontrarse en la literatura muchos estu-
dios del impacto de la certificacin SO 9000 en las organizaciones. Por ejemplo, P. Romano (2000)
hace un estudio de ventajas y desventajas de la certificacin SO 9000 a partir de una muestra de 100
organizaciones italianas certificadas. La ltima edicin de la norma, que lleva por titulo Requisitos de
la gestin de la calidad, ya no incluye el trmino aseguramiento de la calidad de la versin de 1994.
De esta forma, se resalta el hecho de que los requisitos de la gestin de la calidad establecidos en la
norma, adems del aseguramiento de la calidad del producto, pretenden tambin aumentar la satis-
faccin del cliente.
Las normas SO 9004 y SO 9001 estn estructuradas en los mismos ocho apartados, y la primera
incluye la segunda. Hay que recordar, no obstante, que la SO 9001 se usa en un marco prescriptivo,
en el sentido que una empresa adquiere el derecho a exhibir el certificado durante un ao, o ms si
es revisado. La norma SO 9004 aade directrices y pautas de ayuda para la implantacin de la 9001
y describe un modelo de gestin de la calidad para llegar a la excelencia empresarial, en competencia
con los modelos del premio europeo (EFQM) y americano (Malcolm Baldrige).
Los ocho puntos son:
1. Objeto y campo de aplicacin
2. Normas para consultas

3. Trminos y definiciones
4. Sistema de gestin de la calidad
5. Responsabilidad de la direccin
6. Gestin de los recursos
7. Realizacin del producto
8. Medicin, anlisis y mejora
En los apartados del 4 al 8 se desarrollan los procesos de la organizacin indicando los objetivos, los
inputs, los outputs, los recursos y las directrices. Las empresas de servicios tienen la opcin de no
desarrollar el punto 7 de la norma. Por esto los requisitos de los procesos de medida se encuentran
en el apartado 7.6, en lugar de en el punto 8.
La norma SO 9001 permite elaborar a las organizaciones el manual de calidad y los procedimientos
basados en la orientacin por procesos para poder ser certificada. Entre otros procesos que explicita,
podemos destacar la planificacin de la calidad (apartado 5.4 de la norma), diseo y desarrollo (7.3),
las compras (7.4), la produccin y la prestacin de servicio (7.5), donde intervienen el almacenamien-
to, la conservacin del producto (7.5.5), los procesos relacionados con el cliente (7.2), por ejemplo la
ventas y la atencin al cliente (8.21). La figura 3.1 ilustra el modelo de gestin por procesos de la
norma SO 9004, mostrando cmo las partes interesadas son responsables de los inputs de la em-
presa. El output es la satisfaccin de las partes interesadas, por lo que se requiere la evaluacin de
su percepcin sobre el cumplimiento de los requisitos de calidad.

Figura 3.1 Modelo de un sistema de gestin de la calidad basado en procesos segn la serie ISO
9000. Las flechas continuas aaden valor y las discontinuas son el flujo de la informacin.


3.2 EI premio MaIcoIm BaIdrige
El premio Malcolm Baldrige fue creado en 1987 por el Congreso de los Estados Unidos, como una
modificacin de la Ley de nnovacin Tecnolgica de 1980, y es un vehculo de difusin de un estilo
de gestin, ya que los ganadores estn obligados a compartir sus experiencias. En los ltimos aos
los criterios del premio han evolucionado para cubrir las tendencias actuales de la gestin de la cali-
dad total (planificacin estratgica de las operaciones, la gestin por procesos, la orientacin de la
gestin a las partes interesadas, etc.). En EEUU, los criterios del premio son considerados como un
modelo (no prescriptivo) de gestin total de la calidad o de excelencia empresarial. En estas notas
nos referimos a la versin de enero del 2001
1
, que no presenta variaciones significativas respecto a la
del 2000.
Los conceptos que se evalan se agrupan en siete categoras (v. Figura 3.2), que a su vez se desglo-
san en 19 tems. En la figura 3.2 se puede ver tambin el peso que tiene cada categora en la pun-
tuacin global. El resultado mximo es 1000 puntos. Las tres primeras categoras son: liderazgo (1),
planificacin estratgica (2) y orientacin a cliente y mercado (3), que representan la trada de Ia
direccin. Las categoras formadas por la implicacin del personal (5), la gestin de los procesos (6)
y los resultados del negocio (7) son la trada de Ios resuItados. Esto indica que los resultados del
negocio van ligados a que se obtengan buenos resultados del personal y de los procesos clave de la
organizacin. Todas las acciones apuntan a los resultados del negocio, que son la satisfaccin de los
clientes, los resultados financieros, la satisfaccin del personal y la responsabilidad pblica. La cate-
gora de informacin y anlisis (4) es crtica para mejorar y ser competitivo.
Las ideas que forman el conjunto de criterios del premio son:
1. Liderazgo. Se examina la capacidad de los lderes de la empresa para establecer objetivos basa-
dos en una cultura de calidad, es decir, la forma en que la direccin se concentra en los valores
de la empresa y en las expectativas de los clientes y otras partes interesadas, la forma en que de-
lega la autoridad (empowerment), y cmo enfoca la innovacin y la formacin en la organizacin
en la empresa.
2. Planes estratgicos. Se examina el proceso de desarrollo estratgico de la empresa, es decir, el
modo en que desarrolla los objetivos estratgicos, los planes de actuacin y los planes de perso-
nal. Tambin cmo se lleva a cabo el seguimiento de la performance en la empresa.
3. Orientacin al cliente y al mercado. Se examina la forma en que se identifican las necesidades y
expectativas de los clientes y el mercado, y se establecen las relaciones con ellos y se mide su
satisfaccin.
4. Informacin y anlisis. Se examina la forma en que se planifican, dirigen y ejecutan los procesos
de medida y se analiza la informacin.
5. Orientacin al personal. Se examina de qu manera se realizan las operaciones en la empresa y
cmo se tratan la formacin, la capacidad y el desarrollo del personal. Tambin cmo se consigue
un buen clima de trabajo, y la satisfaccin y la motivacin del personal.
6. Gestin de procesos. Se examinan los aspectos clave de la gestin de los procesos de la empre-
sa, incluyendo los procesos clave, que hemos comentado en el captulo anterior, y los procesos
de soporte.
7. Resultados del negocio. Se examina la manera en que se analizan, se evalan, alcanzan y se
mejoran los objetivos en las reas claves de la empresa, as como el nivel de la empresa respec-
to a su competencia.

1
En la direccin electrnica referenciada en la bibliografa encontrar un documento *pdf de libre
acceso de unas 60 pginas donde est desarrollado el premio.

Para ser evaluada, la empresa debe elaborar un informe, cuyo formato depende del segn el sector
empresarial, siguiendo los tems de cada criterio. La puntuacin se asigna teniendo en cuenta las tres
dimensiones del premio Malcolm Baldrige:
Aproximacin (approach). Es el modo en que se abordan los tems del premio. En la evaluacin
se tiene en cuenta: a) lo apropiados que son los mtodos usados, b) la eficacia de estos mtodos,
c) si se basan en informacin y datos fiables, d) lo acordes que son los mtodos con las necesi-
dades de la organizacin y e) la evidencia de que hay innovacin en la empresa.
DespIiegue. Se refiere al alcance de los mtodos a los que nos hemos referido en el prrafo an-
terior. En la evaluacin se tiene en cuenta la manera en que se plantea la aplicacin de estos m-
todos y su difusin en las distintas unidades de trabajo de la empresa.
ResuItados. Se refiere a la consecucin de los objetivos relativos a los distintos tems. Se tiene
en cuenta la performance de la organizacin, la comparacin con la competencia (benchmarking),
las mejoras incorporadas, etc.

Figura 3.2 Criterios del premio Malcolm Baldrige (2000)

3.3 EI modeIo EFQM
Con el fin de aumentar la competitividad de las empresas europeas utilizando la filosofa de la gestin
de la calidad total, catorce empresas
2
fundaron en 1988 la organizacin European Foundation for
Quality Management (EFQM), con el soporte de la Unin Europea. El primer premio europeo de cali-
dad (EQA) fue creado en el ao 1992 con el propsito de dar un impulso a las organizaciones euro-
peas que utilizaban los principios de la gestin total de la calidad. El modelo EFQM dispone de un
esquema propio (Figura 3.3), similar al propuesto por el premio Malcolm Baldrige, formado por nueve
criterios de evaluacin de la excelencia de una organizacin. En la figura 3.3 se indica la ponderacin
de cada criterio
3
.

Figura 3.3 Modelo europeo de la Calidad (2000)

El premio europeo admite distintas formas de aplicacin. Una es la autoevaluacin, independiente-
mente de la puntuacin para encontrar los puntos fuertes y las reas de mejora de la organizacin,
utilizndolo como parte del ciclo de mejora. Otra forma consiste en la elaboracin del informe para
que la empresa se presente como candidata al premio. Las empresas aspirantes deben presentar un
informe de unas 75 pginas siguiendo las pautas de los nueve criterios. Actualmente es un modelo no
prescriptivo.
El modelo se basa en las tendencias actuales de la gestin de la calidad: la orientacin al cliente, las
alianzas con los proveedores, la implicacin del personal, las decisiones basadas en procesos y he-
chos, el liderazgo y la coherencia con los objetivos, la responsabilidad social, la mejora continua, la
innovacin y la orientacin hacia el logro de resultados.
El primer aspecto a considerar en este modelo (Figura 3.3) es que est dividido en dos partes, los
agentes faciIitadores y los resuItados. Los agentes facilitadores son la manera de conseguir los
resultados. Se da el mismo peso al qu se obtiene (resultados) y al cmo (agentes) se obtiene. Los
agentes son el liderazgo (1), las personas que constituyen la organizacin (3), la poltica y la estrate-

2
BT plc, Robert Bosch GmbH; Bull SA; Ciba-Geigy AG; Dassault Aviation,; AB Electrolux; Fiat Auto SpA; KLM
Royal Dutch Airlines; Nestl AG; Philips Electronics NV; Olivetti SpA; Renault; Sulzer AG y Volkswagen AG

3
El impreso del modelo europeo entero (en castellano) puede comprarse en la direccin electrnica
del club de gestin de la calidad referenciado en la bibliografa.

gia (2), las alianzas y recursos(4) y la gestin de los procesos (5). Los resultados se refieren a todos
los resultados: de los clientes (6), del personal (7), de la sociedad (8) y de los procesos clave (10).
A continuacin se exponen brevemente los aspectos que se consideran en cada uno de los criterios.
1. Liderazgo: Este criterio examina cmo los lderes desarrollan y facilitan la misin, implantan los
valores de la empresa, implican al personal y mantienen el compromiso con las partes interesa-
das.
2. Poltica y estrategia: Se refiere a cmo se implantan la misin y la visin, con una estrategia cen-
trada en las partes interesadas. La poltica y la estrategia han de estar fundamentadas en la in-
formacin del seguimiento del rendimiento y las actividades relacionadas con la creatividad, la in-
vestigacin y el aprendizaje.
3. Gestin del personal: Se refiere a cmo se gestionan, desarrollan y aprovechan el conocimiento y
el potencial de las personas que trabajan en la empresa, y a cmo se utiliza la formacin como el
mximo potencial del personal para mejorar continuamente. Los subcriterios incluyen apartados
referidos al dilogo del personal y la empresa, o a cmo el personal es premiado, reconocido y
cuidado.
4. Alianzas y recursos: Se refiere a cmo la organizacin planifica y gestiona las alianzas externas
con los proveedores y los recursos internos, apoyada por su poltica y estrategia. Respecto a los
recursos internos, valora cmo se gestionan las finanzas, las instalaciones, la tecnologa, la in-
formacin y el conocimiento.
5. Procesos: Alude a cmo se identifican, gestionan y revisan los procesos y a cmo se corrigen a
fin de asegurar la mejora continua en todas las actividades.
6. Resultados en los clientes: Se refiere a qu consigue la organizacin en lo relativo a sus clientes
externos, incluyendo medidas de percepcin externas, como los resultados de las encuestas de
satisfaccin del cliente como indicadores del rendimiento.
7. Resultados en el personal: Se refiere a qu consigue la empresa en relacin con las personas
que la integran, teniendo en cuenta tanto indicadores internos de rendimiento como la percepcin
que el personal tiene de la empresa; por ejemplo, mediante las encuestas de satisfaccin del per-
sonal.
8. Resultados en la sociedad: Se refiere a qu logros est alcanzando la empresa en relacin con la
sociedad, tanto local como nacional y extranjera, teniendo en cuenta tanto los indicadores de la
percepcin de la empresa por la sociedad como los internos (reciclaje, mecenazgo, residuos,
etc.).
9. Resultados clave: Se refiere a qu logros consigue la empresa con relacin al rendimiento. Tanto
resultados como indicadores.
Para aplicar los distintos criterios, el modelo europeo se basa en un conjunto de reglas de evaluacin,
basadas en la Igica REDER, que consiste en el ciclo Resultados, Enfoque, Despliegue, Evaluacin
y Revisin.
Resultados: Se refiere a los resultados que la empresa ha logrado y est logrando. Los resultados
han de mostrar tendencias positivas o un buen rendimiento sostenido, y los objetivos han de ser
adecuados y alcanzarse. Los resultados han de ser favorables, comparados con los competido-
res, y adems el alcance de los resultados debe cubrir todas las reas relevantes de la empresa y
ser la base del enfoque.

Enfoque: Lo que la empresa ha planificado hacer y las razones para ello. En una organizacin
excelente, el enfoque ha de estar bien fundamentado e integrado, con procesos bien definidos y
desarrollados, apoyado en la poltica y la estrategia de la organizacin y adecuadamente enlaza-
do con otros enfoques.
Despliegue: Lo que hace la empresa para poner en prctica el enfoque en todas las reas rele-
vantes.
Evaluacin y revisin: Lo que se hace para evaluar y revisar el enfoque y su despliegue. En una
organizacin excelente, el enfoque y su despliegue estarn sujetos con regularidad a mediciones,
se emprendern actividades de aprendizaje y los resultados servirn para identificar, priorizar,
planificar y poner en prctica mejoras.
La sistematizacin y la estructuracin del modelo se basan en el uso de hechos y datos, con objeto
de evitar los errores que se derivaran de la utilizacin de opiniones personales o de valoraciones no
objetivables.
En resumen, las caractersticas y ventajas del modelo europeo son las siguientes:
El modelo sirve para cualquier tipo de organizacin y cualquier clase de actividad.
Est ordenado sistemticamente.
Se basa en hechos y en experiencias contrastadas, no en opiniones personales.
Es un marco de referencia que da una base conceptual comn a todo el personal.
Constituye un instrumento de formacin en la gestin de calidad para todo el personal.
Sirve para diagnosticar la situacin real de una empresa.

Figura 3.4 Lgica REDER utilizada en el modelo EFQM

3.4 ModeIos de gestin medioambientaI
En Europa existen actualmente dos alternativas para implantar la gestin medioambiental:
4
el RegIa-
mento Europeo de Ecogestin o Ecoauditora (EMAS
5
) y la norma UNE-EN-SO 14001. El regla-
mento europeo se ha pensado para instalaciones fijas de tipo industrial y es de difcil implantacin en
empresas no industriales (comerciales, de servicios) y en actividades nmadas, como la construccin.
La norma SO 14001 es menos exigente que el Reglamento y se centra ms en la actuacin me-
dioambiental de la empresa que en los resultados. Tiene una estructura basada en el ciclo PDCA
(Plan, Do, Check, Act) y es un sistema que gestiona los productos no intencionados que se obtienen
al fabricar el producto deseado. Su disposicin es compatible con la SO 9001, lo que la hace ms
asequible y ms fcil de integrar con el sistema de calidad. Cuando se auditan sistemas de gestin
ambiental y de la calidad juntos, se habla de auditora combinada.
La ley 6/1993 sobre los residuos industriales, aprobada por el Parlamento de Catalua, es la concre-
cin del modelo cataln de gestin de residuos ncorpora los objetivos de minimizacin, valoracin y
tratamiento correcto del desperdicio, que son, actualmente, los ejes principales de la gestin de los
residuos, basada en la proteccin del medio ambiente y en el desarrollo sostenible, de acuerdo con la
estrategia del Quinto Programa de la Comunidad Europea. En este sentido, la integracin armnica
entre el desarrollo socioeconmico y la proteccin del medio se basa, fundamentalmente, en tres
principios: el de prevencin o actuacin en el origen, el de corresponsabilizacin
6
y el principio de
"quien contamina paga".

4
En Europa
5
Eco-management and Audit Scheme
6
mplicacin de todos los agentes: poderes pblicos, empresarios y ciudadanos

A1. EVOLUCIN HISTRICA
A1.1 Una perspectiva histrica
Conocer su evolucin histrica ayuda a entender el concepto actual de la gestin de la calidad. Esta
evolucin se puede resumir en una serie de etapas, que no representan visiones enfrentadas, sino
cada vez ms amplias, de manera que cada una engloba a la anterior.
1. Calidad basada en la inspeccin. Esta etapa estaba orientada al producto, y centrada en la inspec-
cin despus de la produccin. Algunas actividades tpicas de esta fase son: las auditoras de produc-
to acabado, la resolucin de problemas y la inspeccin por muestreo en la recepcin de materiales.
Estas actividades hacen poco por la calidad del producto, puesto que, en general, tienen lugar lejos
de la fabricacin, y en caso de detectarse alguna disconformidad, la reaccin por parte del departa-
mento de produccin es lenta. Es la nica etapa que se puede considerar realmente superada, en el
plano terico, ya que, como la inspeccin no aade valor, la gestin ha de estar encaminada a hacer
innecesarias o, por lo menos, a reducir al mximo las inspecciones
2. Control de la calidad. Esta etapa se centra en el proceso de fabricacin, y en ella se usan tcnicas
de control estadstico de proceso. Estas tcnicas, desarrolladas por Shewhart en los aos 30, se em-
pezaron a aplicar durante la Segunda Guerra Mundial a las grandes producciones en serie. En esta
etapa, Shewhart introduce la idea de que el control de calidad puede ayudar a distinguir entre dos
tipos de variacin del proceso de fabricacin, la variacin debida a causas aleatorias y la que se pue-
de atribuir a alguna causa especial (v. Shewhart, 1936). Shewhart tambin sugiere que un proceso de
fabricacin puede ser predecible si se consigue identificar y eliminar las causas especiales, y para
ello introduce los grficos de control. Posteriormente, estas tcnicas fueron fuertemente impulsadas
por los fabricantes de automviles, que las impusieron a sus proveedores.
3. Aseguramiento de la calidad. Esta etapa contiene las anteriores en el sentido de que se trata de
dar confianza de que el producto cumple los requisitos del cliente. Para ello, se implica a todos los
departamentos de la empresa y, en muchos casos, tambin a los proveedores. Esta etapa arranca
por requerimiento de la industria nuclear en los aos 70, y se consolida en 1987, cuando se establece
la serie de normas SO 9000 de aseguramiento de la calidad. En esta etapa la atencin se dirige
hacia la elaboracin del manual de calidad, la evaluacin de los costes de calidad, el control de los
procesos y las auditoras del sistema de calidad, insistiendo en las medidas preventivas, orientadas a
evitar la aparicin de las disconformidades.
4. Optimizacin del diseo de nuevos productos y procesos. El arranque de esta etapa se puede si-
tuar en los aos 70 en Japn y en los aos 80 en Occidente. En ella se usan tcnicas como el diseo
de experimentos para mejorar los productos y procesos, las matrices QFD para identificar y priorizar
los requisitos de los clientes y los estudios comparativos de mercado y el benchmarking (v. Camp).
Los principales impulsores del diseo de experimentos han sido G. Taguchi en el Japn y G.E.P. Box
en Occidente.
5. La gestin de la calidad total se introduce en Europa en los aos 80. Es una etapa en la que las
empresas toman conciencia de que la calidad es algo que afecta a todos los departamentos. La ges-
tin basada en los principios TQM exige implantarlos en todos los niveles y departamentos, es decir,
en el conjunto de la empresa. La filosofa TQM exige el uso de tcnicas de gestin de la calidad ms
sofisticadas y relaciones ms estrechas con los proveedores.
A1.2 DesarroIIo histrico
La preocupacin por la calidad viene de muy lejos, aunque, en la industria, la calidad empez siendo
una competencia exclusiva de los departamentos de calidad. Partiendo de esta situacin, se ha evo-

lucionado hasta la actual, en la que la gestin de la calidad involucra a todos los departamentos de la
empresa. ntentaremos describir, brevemente, esta evolucin, teniendo en cuenta los tericos (los
llamados gurs de la calidad) que ms han influido.
En opinin de Juran (v. Juran, 1994), la historia de la gestin de la calidad empieza como reaccin a
un efecto no deseado de la revolucin taylorista, que signific la introduccin de la organizacin cien-
tfica del trabajo. La presin por la productividad y la separacin de funciones condujo a una prdida
de inters por la calidad. Los departamentos de calidad se dedicaban, bsicamente, a la inspeccin
del producto, enfrentados, a menudo, con los departamentos de produccin. Esta situacin dur has-
ta medianos de los aos 50.
El taylorismo, entendido como un sistema de gestin, arranca a finales del siglo XX en EEUU y se
adentra en el XX, hasta ms all de la Segunda Guerra Mundial. Tiene una visin clsica del hombre,
como ser racional. Su mximo exponente fue F. W. Taylor, que fue el primero en estudiar de forma
sistemtica la organizacin del trabajo y sus diversos aspectos, como el sistema de primas, la ralenti-
zacin de la produccin por los obreros y el cronometraje de las tareas en la lnea de produccin. Es
el primer intento de organizar de forma cientfica el trabajo del operario, reducido a una sucesin de
operaciones elementales definidas detalladamente, que l se limitaba a aprender y repetir. El operario
no resolva los problemas, que se reservaban a los especialistas.
Con Shewhart se inicia la teora actual de la gestin de la calidad, a principios de los aos 30. Shew-
hart es considerado como el precursor de la calidad, por haber introducido los principios del control
estadstico de proceso y diseado los grficos de control, en la misma forma en que se usan hoy (los
grficos de Shewhart), para aplicar esos principios a la produccin en serie. La idea de gestin de la
calidad que se extrae de sus escritos (v. Shewhart, 1931) se basa en un seguimiento metdico y con-
tinuado del proceso productivo, para mantenerlos estables (en estado de control), y en la mejora pos-
terior. Shewhart fue el primero a formular el ciclo PDCA, del que ya hemos hablado en el captulo 1.
Deming, fallecido recientemente (1993), es el personaje ms emblemtico. El concepto de calidad de
Deming es del de satisfaccin del cliente, incluso ms all de sus expectativas. Desde el punto de
vista metodolgico, Deming dio una importancia primordial al control de los procesos y al uso de m-
todos cientficos y preferentemente estadsticos.

Figura A1.1 Ciclo de calidad PDCA, formulado por Shewhart y popularizado por Deming


Hacia los aos 40, la produccin en masa haba aumentado de tal forma que se hizo imposible la
inspeccin al 100%. En esta poca surge en los Estados Unidos la aplicacin de tcnicas estadsticas
basadas en el muestreo y se publican las normas militares Military Standard destinadas a formalizar
el control de la calidad de los productos de sus proveedores. En EEUU, la Segunda Guerra Mundial
implica un aumento de la productividad y el gobierno impulsa a travs del War Production Board una
fuerte campaa de difusin de las tcnicas estadsticas de control de calidad.
Despus de la guerra (aos 50) se desarrollaron las tcnicas de fiabilidad (prever la vida til de los
productos), en las que la estadstica es una herramienta indispensable. Con la implantacin de estas
tcnicas y el avance del sector nuclear, aeronutico y de defensa, se hace necesario asegurar que el
producto satisfaga los requisitos de calidad especificados, desarrollndose el concepto de asegura-
miento de la calidad.
En este contexto, Juran formula su definicin de la calidad como adecuacin al uso. Juran considera-
ba la gestin de la calidad un problema organizativo, que deba ser tratado paralelamente a los as-
pectos financieros, e insista en que la mejora continua como uno de los principios fundamentales de
la gestin de la calidad. Ms adelante, Feigenbaum introdujo el TQC, del que ya hemos hablado en el
captulo 1.
El incremento del comercio internacional y la diversidad de especificaciones, reglamentaciones, etc.,
provocan la elaboracin de normas tcnicas (DN en Alemania, BS en nglaterra, etc.). La produccin
de EEUU durante la guerra fue cuantitativamente, cualitativa y econmicamente muy satisfactoria,
debido en parte a la introduccin del control estadstico de la calidad, que a su vez estimul avances
tecnolgicos. Como ancdota, podemos recordar que ciertas tcnicas estadsticas de control de la
calidad, desarrolladas en EEUU y el Reino Unido, las potencias aliadas, fueron clasificadas como
secretos militares.
En los tiempos de preguerra y durante la Guerra Mundial, se haban introducido en Japn las prime-
ras normas British Standards 600, as como los mtodos de Taylor, que, en aquel momento, se con-
sideraban como el enfoque ms moderno de la produccin industrial.
Durante la posguerra, Norteamrica fue el nico productor del mundo de productos y servicios de
calidad, as como el nico cuya infraestructura no slo no haba sido daada por la guerra, sino que
incluso haba sido mejorada desde su entrada en ella. En los aos 40 y 50, los productos alemanes y
japoneses fueron desarrollados con infraestructuras desfasadas o deficientes, no siendo comparables
en ningn aspecto con los americanos. La industria americana venda todo lo que era capaz de pro-
ducir y se volvi autocomplaciente: la calidad fue desplazada por la cantidad. Este declive de la cali-
dad no tuvo repercusin en la primera economa mundial mientras las empresas de EEUU no tuvieron
competencia. A principios de los 50, la mayor parte de las mejoras y las tcnicas de calidad conse-
guidas durante la guerra se perdieron o se abandonaron.
Deming y Juran explicaron, en sus conferencias en Japn, cmo la industria americana empezaba a
mostrar estos sntomas. Juran y Feigenbaum difundieron la idea de responsabilizar a cada individuo
en especial, y a todos los departamentos de una empresa, en una gestin de la calidad total basada
en el enfoque estadstico de Deming. La industria japonesa adopt seriamente estos conceptos, con
procesos de mejora continua, y sus productos alcanzaron una calidad y una fiabilidad muy superiores
a las de los americanos. A mediados de los 50, Japn era el principal mercado para EEUU, los japo-
neses importaban radios porttiles que funcionaban con tubos de vaco en miniatura, que se distin-
guan por su elevado peso y por agotar rpidamente las pilas. Por aquel entonces, Japn introdujo en
sus diseos el transistor, que presentaba innumerables ventajas sobre las vlvulas, aunque en un
principio era mucho ms caro. Los productos mejorados por los japoneses fueron llegando a los mer-
cados occidentales.
A finales de los cincuenta, el consumidor americano empezaba a exigir mejores prestaciones, ms
facilidad de uso, ms fiabilidad y ms calidad a los productos que compraba. La industria americana,
empeada en la produccin cuantitativa, permaneca ignorante al progreso exterior. De este modo,

pronto comenz Japn a exportar equipos mayores, como magnetfonos y televisores, e inici con
Alemania la conquista del mercado americano de la fotografa, con Nikon, Agfa, Pentax, Minolta y
Canon.
En el ao 1962 nacen en Japn los llamados crcuIos de caIidad, en los que se promueve la forma-
cin de todo el personal en las herramientas bsicas de los procesos de mejora: las siete herramien-
tas de shikawa. shikawa y otros lderes japoneses establecieron las reglas para el funcionamiento de
los crculos de calidad y otras actividades participativas, en las que se involucraba a todo el personal
de la empresa en la mejora continua. Las ideas adoptadas, basadas en que todas las personas de la
organizacin eran responsables de la calidad y en que los departamentos de calidad deban ser pe-
queos, contribuyeron a su competitividad. Se acercaron a una concepcin de la calidad en la que el
factor humano es importante. shikawa adopta desde el inicio un sistema que tiende a la gestin total
de la calidad, basado en la eficacia del trabajo en grupo y la motivacin de los trabajadores, incorpo-
rando a todo el personal en la mejora de la calidad para aprovechar las capacidades de todos, bus-
cando el beneficio de la persona y de la empresa.
A principio de los aos 80 se produce un acercamiento de Occidente hacia las ideas del Japn, pa-
sando a incorporar el elemento humano en la consecucin de la calidad. Al entorno comercial se pro-
ducen cambios importantes: una mundializacin de la oferta y integracin de las empresas de servi-
cios en el rea de negocios.
El desarrollo de Occidente ha sido evolutivo, mientras que el de Japn se puede considerar como
revolucionario. Tratando de resumir, podemos decir que ste ltimo se apoya bsicamente en tres
pilares:
Los programas formales de mejora de la calidad, con un seguimiento estricto del cumplimiento de
los objetivos.
El liderazgo de la direccin en los programas de mejora de la calidad.
La formacin a todos los niveles de la organizacin.
Durante la segunda mitad del siglo XX la calidad ha sido un factor competitivo de importancia crecien-
te. El concepto de calidad se ha desarrollado en casi la totalidad de los pases industrializados y, en
muchos de ellos, se han creado organizaciones, en su mayora de mbito nacional, para recopilar e
informar de toda la tecnologa e informacin existente sobre este tema, como por ejemplo:
La Organizacin Americana para el Control de la Calidad (ASQC) en EEUU.
La Unin Japonesa de ngenieros y Cientficos (JUSE) en Japn.
La Organizacin Europea para el Control de la Calidad (EOQC) en Europa.
La Asociacin Espaola para el Control de la Calidad (AECC) en Espaa.
En los aos 80 se produce una serie de acontecimientos que marca un cambio en la evolucin del
concepto de la gestin de la calidad. Hasta entonces los tericos de la gestin de la calidad haban
desarrollado los conceptos y principios en que se fundamenta la gestin de la calidad, pero en Occi-
dente las organizaciones no disponan de modelos de referencia para desarrollar sus sistemas de
calidad.
El comit tcnico SO/TC176 se cre en 1980, con la misin de elaborar un modelo de aseguramiento
de la calidad. En 1987 aparecen las primeras normas de la serie SO 9000. A partir de entonces han
aparecido dos versiones ms, una en 1994 y la actual en el 2000.

En EEUU, la organizacin National Bureau of Standards
7
lanza la campaa "Si Japn puede, ... por
qu no nosotros. Esto es debido a que en esos momentos la industria japonesa era ms competitiva
que la americana y parte de esa ventaje se atribua a la gestin de la calidad, especialmente a los
mtodos introducidos por Deming en los aos siguientes a la Segunda Guerra Mundial (v. Rotger y
Canela, 1994). En Japn la JUSE instituy en el ao 1951 el primer premio a la calidad: el premio
Deming. El premio Malcolm Baldridge fue creado en 1987 por el congreso de EEUU (v. Captulo 3). El
premio europeo de la calidad fue instituido por la EFQM en 1992, para proporcionar un marco de
transferencia de informacin y creacin de modelos de excelencia comnmente aceptados.
A1.3 La gestin de Ia caIidad totaI (TQM)
Las tendencias actuales en administracin y direccin de empresa conducen a designar un nuevo
estilo de gestin empresarial centrado en la mejora de efectividad, flexibilidad y competitividad de una
organizacin que se conoce con el nombre de gestin total de la calidad (TQM), de la que ya hemos
hablado en el captulo 1. La filosofa TQM va mucho ms all del sentido que tradicionalmente toma-
ba la gestin de la calidad, ligada exclusivamente a la calidad del producto y limitada a las inspeccio-
nes. Se trata de un estilo de gestin global basado en la satisfaccin del cliente y la mejora continua
de procesos que combina nuevas tcnicas de gestin con herramientas ya tradicionales. Se orienta
hacia la excelencia empresarial.
Una de les premisas bsicas del TQM recae en el compromiso de todo el personal de la entidad de
cualquier nivel (desde la direccin general hasta el nivel operativo) y en la confianza en la gente. La
necesidad de un liderazgo slido y permanente desde la direccin general, as como la formacin
general y continuada de todos los miembros, se conforman como factores claves del xito de este
planteamiento.
La mejora continua de procesos es una caracterstica inherente al mismo TQM. Los medios utilizados
para alcanzar la mejora continua son la concentracin en la creacin de productos o servicios y en la
utilizacin de estos productos o servicios como indicadores de la adecuacin del proceso.
shikawa intent diferenciar el estilo occidental del estilo japons introduciendo el control total de cali-
dad en toda la empresa, basndose bsicamente en dos conceptos novedosos: la formacin en la
empresa y la participacin de cualquier persona relacionada con ella, desde los mismos trabajadores
hasta los subcontratistas y distribuidores. As, resalt la importancia de la formacin de todo el perso-
nal de todos los niveles para alcanzar altos estndares de calidad.
El trmino TQM viene a ser el envolvente de un conjunto de tcnicas y herramientas utilizadas para la
mejora del rendimiento, aplicables a todos los niveles de la organizacin. Adems, estas tcnicas son
tiles en las actividades intrnsecas de la empresa (finanzas, desarrollo, produccin, mrqueting, ven-
tas, distribucin, recursos humanos, etc.). Es fcil darse cuenta de que el concepto de TQM es com-
plejo y multidisciplinario.
Hay un gran nmero de tcnicas incluidas dentro de este conjunto: QFD, anlisis del valor, Hoshin
Planning, Kaizen, JT, ingeniera simultnea, las siete herramientas de shikawa, el diseo de experi-
mentos, etc. En cada actividad de la organizacin se le pueden asociar diversas tcnicas o stas son
adecuadas para diferentes fases.
Una de las aportaciones originales que introduce el TQM es el concepto de la cadena cliente-
proveedor interno. Es esencial determinar las necesidades de los clientes, tanto externas como inter-
nas. Es habitual que dentro de la empresa, la transferencia de informacin sea muy reducida y en
algunos casos, nula. Las relaciones cliente-proveedor interno deberan de gestionarse con el fin de
satisfacer los requerimientos. La forma ms sencilla de entender esta cadena es incorporando otro

7
Actualmente, National nstitute of Standards and Technology (NST)

concepto tanto o ms importante: el de proceso. Cualquier actividad que transforma un input en un
output puede considerarse como un proceso.
A1.4 Los tericos de Ia gestin de Ia caIidad
WaIter A. Shewhart es considerado el precursor de la teora moderna de la gestin de la calidad. La
publicacin en el ao 1931 de su libro Economic Control of Quality of Manufactured Products, en el
que presenta los fundamentos del control estadstico de los procesos, culmina los trabajos empeza-
dos seis aos antes.
W. Edwards Deming es el personaje ms emblemtico y rupturista del movimiento para la calidad.
Su estilo de gestin se resume en lo que, aos ms tarde, se conoce como los catorce puntos de
Deming. A continuacin presentamos estos puntos.
1. Crear constancia en el propsito de mejorar el producto y el servicio.
2. Adoptar una nueva filosofa, con un cambio en el estilo de gestin.
3. Dejar de depender de la inspeccin en masa.
4. Acabar con la prctica de hacer negocios sobre la base del precio.
5. Mejorar constantemente y siempre el sistema de produccin y servicio.
6. mplantar la formacin.
7. Adoptar e implantar el liderazgo.
8. Eliminar el miedo: Nadie puede dar lo mejor de s mismo si no se siente seguro.
9. Derribar las barreras entre departamentos.
10. Eliminar eslganes y exhortaciones para los trabajadores.
11. Eliminar las cuotas para la mano de obra y los objetivos numricos para los directivos.
12. Eliminar las barreras que priven a la gente de sentirse orgullosa de su trabajo.
13. Estimular la educacin y la autosuperacin de todos.
14. Actuar para conseguir la transformacin de acuerdo con los otros trece puntos.
Segn H.R. Neave (v. Neave, 1995), de la British Deming Association, los catorce puntos no son un
resumen de su pensamiento, sino su consecuencia, una consecuencia natural de la aplicacin del
llamado sistema deI conocimiento profundo (system of profound knowledge) a la transformacin
del actual estilo de gestin occidental en otro, orientado a la optimizacin. Segn Neave, este sistema
est basado en:
La visin de la empresa como un sistema de procesos mutuamente relacionados que han de ser
optimizados en conjunto.
El conocimiento de la variabilidad, que permite discernir entre causas comunes y causas asigna-
bles.
Una teora del conocimiento: basarse en hechos y ser capaces de construir modelos y definicio-
nes operativas.
Conocimientos de sicologa que nos ayuden a entender a la gente.

A. Feigenbaum fue el creador del concepto TQC, que define como un sistema eficaz para integrar
los esfuerzos en materia de desarrollo, aseguramiento y mejora de la calidad, realizados por los di-
versos grupos en una organizacin, de modo que sea posible producir bienes y servicios a los niveles
ms econmicos y que sean compatibles con la satisfaccin de los clientes. Un elemento esencial de
su pensamiento es que la calidad cubre todo el ciclo de un producto, y que para conseguirla deben
coordinarse todas las funciones de la empresa.
La obra de J.M. Juran es muy extensa. Segn Juran, la calidad es la adecuacin al uso, y esta defi-
nicin la considera aplicable a toda clase de organizaciones industriales o de servicios. Entre sus
ideas cabe destacar la de que la calidad es juzgada por el consumidor, por lo cual no es suficiente
cumplir los requisitos especificados. El estilo de gestin que propugna se basa en la llamada triIoga
de Ia caIidad: la planificacin, el control y la mejora. La caracterstica ms destacable de la obra de
Juran es la mejora continua de los productos y los procesos. Desarroll mtodos para sistematizar la
mejora continua mediante el trabajo en equipo. Es uno de los precursores del seguimiento de los
costes asociados con la calidad, los llamados costes de no caIidad. Juran considera que la traduc-
cin a unidades monetarias del coste de la gestin de la calidad y de los errores cometidos es til
para sensibilizar a la direccin y para cuantificar los esfuerzos de mejora.
PhiIip Crosby fue uno de los precursores de la campaa iniciada por el Departamento de Defensa de
EEUU en los aos 80, en la que se abogaba por los cero defectos. Esta idea fue posteriormente muy
criticada por la trivialidad del tratamiento de la gestin de la calidad que presentaba, centrada en ac-
ciones puntuales y no en un estilo de organizacin. Ha influido, sobre todo, a travs de sus cursos.
Entre sus eslganes cabe destacar:
La calidad es el cumplimiento de los requisitos establecidos para el producto que la empresa ha
de especificar claramente.
El sistema de calidad se basa en la prevencin.
El resultado esperado es cero defectos.
La medida de la calidad es el coste de la disconformidad.
Se considera a Kaoru Ishikawa como el padre de la calidad en Japn. Segn l, el 90% de los pro-
blemas pueden ser resueltos con las siete herramientas. shikawa fue uno de los impulsores de los
crculos de calidad, que nacieron en 1962 en Japn para poner en prctica las siete herramientas y
otras tcnicas que shikawa iba publicando de manera peridica. Las siete herramientas son: el for-
mulario de toma de datos, el brainstorming, el diagrama de Pareto, el diagrama causa-efecto, el his-
tograma, el grfico de control y el anlisis de la correlacin. Estas tcnicas pueden encontrarse des-
arrolladas en shikawa (1992) y resumidas en Rotger y Canela (1995). En 1988, los crculos de cali-
dad reunan 5.500.000 miembros. Segn Kondo (1994), las condiciones que shikawa crea impres-
cindibles para el xito de la gestin de la calidad eran:
Todos los empleados deben entender claramente los objetivos de la empresa a fin de poder in-
troducir la filosofa TQM.
Las caractersticas de la gestin total de la calidad, en el conjunto de la empresa y en cada uno
de los departamentos, han de ser presentadas de manera clara.
El ciclo PDCA ha de girar en el conjunto de la empresa, como mnimo, cada tres aos. Deben
utilizarse las tcnicas estadsticas y el anlisis de los procesos.
La empresa ha de tener capacidad de establecer un plan a largo plazo para la TQM y ejecutarlo
de manera sistemtica.
Deben romperse las barreras entre departamentos y establecer una gestin interdepartamental.
Se debe actuar con confianza, creyendo que el trabajo dar fruto.

La medida del xito vendra dada por tres datos:
1. El cumplimiento del calendario del desarrollo de nuevos productos.
2. El nmero de unidades defectuosas no llega al 5%, una semana antes del inicio de la produccin
en serie.
3. El producto se vende bien, sin reclamaciones del cliente.
Genichi Taguchi es, de los clsicos, el que da una visin ms original. No llega a un planteamiento
global de la gestin de la calidad, sino que se limita a algunos de sus aspectos, que afectan ms a
tcnicas concretas aplicadas a la gestin de la calidad. Define la calidad por el coste que el uso del
producto pueda causar al conjunto de la sociedad, y relaciona este coste con la desviacin de los
parmetros del producto respecto a sus valores nominales a travs de la funcin de prdida. Otro de
los conceptos ms valiosos y que ms influencia han tenido en Occidente, el de diseo robusto, se
debe tambin a Taguchi.
A1.5 EI controI estadstico de Ia caIidad
El controI estadstico de Ia caIidad puede definirse como el conjunto de actividades de control de la
calidad que utilizan tcnicas estadsticas. Los conceptos fundamentales del control estadstico de la
calidad fueron expuestos por primera vez por W. E. Shewhart en un memorndum presentado en
1924 en Bell Telephone Laboratories. Estas ideas fueron desarrolladas en una serie de artculos en
Bell System Technical Journal, y con la aparicin de Shewhart (1931), qued establecida buena parte
de la terminologa que an hoy es habitual, y se inici la difusin de las tcnicas estadsticas clsicas
del control de la calidad. Los grficos diseados por Shewhart para el control de procesos industriales
se siguen construyendo todava tal como l los concibi, y se usa la denominacin de grficos de
control de Shewhart para distinguirlos de otros introducidos posteriormente.
Otros dos hombres de Bell, H. F. Dodge y H. G. Romig, dieron un nuevo impulso, con el desarrollo de
mtodos estadsticos de muestreo para la inspeccin de producto acabado. A ellos se deben los pri-
meros planes de muestreo, que datan de 1929.
Desde 1930 quedaron marcadas dos direcciones en el desarrollo de tcnicas estadsticas de control
de la calidad: la de los grficos de control, destinados al control durante la fabricacin, y la de los
planes de muestreo, usados para tomar decisiones de aceptacin/rechazo de lotes de material sumi-
nistrado por un proveedor, o decisiones de expedicin/rectificacin en los controles finales de produc-
to acabado.
En los aos 30, 40 y 50 se asisti a un notable esfuerzo en el desarrollo de tablas de muestreo. El
empuje inicial del equipo de Bell fue reforzado por la aparicin en el escenario del Departamento de
Defensa de los Estados Unidos en su papel de comprador masivo durante la Segunda Guerra Mun-
dial. El producto ms conocido de esta poca es, sin duda, la clebre norma Military Standard 105,
que todava sigue usndose en algunas industrias, aunque su uso ha decado notablemente. Fruto de
aquel esfuerzo, y de su continuacin en pocas ms recientes, es un conjunto de mtodos estadsti-
cos, algunos muy interesantes desde el punto de vista de la estadstica como disciplina cientfica.
Por otro lado, los grficos de control conocieron pocas novedades desde los aos 30 a la posguerra.
De hecho, uno de los manuales ms citados, el de Western Electric Company (actualmente AT & T),
data de 1956, y la proliferacin reciente de textos sobre control estadstico de procesos ha ofrecido
pocas novedades metodolgicas. El manual de Western Electric consolid los mtodos y la termino-
loga que han venido usndose mayoritariamente hasta nuestros das. Las razones de esta falta de
alternativas hay que buscarlas, sin duda, en la simplicidad de los grficos originalmente diseados y
en la oportunidad de su aplicacin desde el punto de vista econmico.

Los nuevos planteamientos industriales, en lo que se refiere a la reduccin de stocks, reduccin de
costes de personal y planificacin de la produccin, han ido arrinconando los mtodos de inspeccin
por muestreo en beneficio de otras tcnicas dirigidas a garantizar la calidad antes del control de pro-
ducto acabado. Los planes de muestreo se han convertido, pese al mrito de algunos de ellos, en
curiosidades para estudiosos. El lector interesado puede encontrar material valioso en los tratados de
Duncan (1986) y, sobre todo de Schilling (1982).
La inspeccin por muestreo, aplicada al producto acabado, propio o ajeno, ha sufrido en los aos 80
un creciente desprestigio, con tres argumentos como fondo:
Su carcter antieconmico. Su aplicacin resulta cara, especialmente en sectores industriales en
los que, a causa del alto nivel de calidad exigido; su uso es prohibitivo, por la gran cantidad de
material que debera inspeccionarse.
Su carcter antipedaggico. No proporciona una va para aprender sobre la naturaleza de los
problemas de calidad que plantea la fabricacin y buscarles soluciones.
La existencia de alternativas, como el desarrollo de un sistema de calidad por el proveedor, que
pueda ser auditado por el comprador.
En general se asiste, pues, a un desplazamiento del control de la calidad hacia el proceso de produc-
cin, y an antes, al diseo mismo del producto, de sus componentes y del proceso productivo. Una
crtica feroz de los mtodos de inspeccin por muestreo en general, y de la norma Military Standard
105 en particular, puede encontrarse en Deming (1986), uno de los libros ms influyentes de la dca-
da de los 80. Debe recordarse, sin embargo, que la cuestin a debate es la rentabilidad de estas tc-
nicas, no la teora estadstica que los sustenta.
Recientemente han recuperado protagonismo los grficos de Shewhart, y con ellos otros grficos
cuyo uso se va haciendo cada vez menos restringido. Entre las aportaciones ms recientes cabe
destacar:
Los grficos de sumas acumuIadas, abreviadamente CUSUM (cumulative sum), introducidos
por el estadstico britnico E. S. Page en 1954. Con la norma britnica BS 5703, su uso qued
normalizado, aunque en una versin algo diferente de la inicial. Tienen algunos puntos interesan-
tes, aunque su uso es bastante restringido, debido principalmente a que son ms complejos de
elaborar y ms difciles de interpretar que los grficos de Shewhart.
Los grficos de media mviI, en especial los de media mvil ponderada exponencialmente,
abreviadamente EWMA (exponentially weighted moving average), clsicos en otros contextos
como la econometra. En el contexto de la calidad industrial fueron introducidos por S. W. Roberts
en 1959, bajo la denominacin de grficos de media mvil geomtrica. Pasaron bastante des-
apercibidos hasta ser recuperados en 1975 por J. S. Hunter, que les dio su actual denominacin.
Han ido ganando aceptacin, siendo actualmente bastante comunes en la industria de proceso
norteamericana, aunque poco usados fuera de ese mbito.
Otros mtodos, menos conocidos, no pasan actualmente de ser meras curiosidades objeto de
investigaciones de mbito acadmico o de aplicaciones puntuales a problemas concretos. Quizs
el ms conocido de estos mtodos es el de los grficos de controI muItivariante, que puede
encontrarse en Ryan (1989).
La definicin de proceso en estado de control dada en estas notas se basa en la de Wheeler &
Chambers (1990) y ha sido formulada en sentido amplio, a fin de resaltar el concepto por encima de
los algoritmos (reglas Western Electric y otros) utilizados para comprobar su validez en ciertos casos.
La primera definicin de proceso en estado de control aparece en Shewhart (1931): Diremos que un
fenmeno est controlado cuando, a travs de la experiencia anterior, podemos predecir, por lo me-

nos dentro de unos lmites, cmo puede esperarse que vare el fenmeno en el futuro. Se entiende
aqu que una prediccin entre unos lmites significa que podemos establecer, al menos aproximada-
mente, la probabilidad de que el fenmeno observado caiga dentro los lmites dados.
La aproximacin clsica del control estadstico de proceso se basa en una distincin fundamental,
que contempla dos niveles de variabilidad:
VariabiIidad controIada, es decir, caracterizada por una pauta consistente a lo largo del tiempo.
VariabiIidad no controIada, es decir, caracterizada por una pauta que vara con el tiempo de
forma imprevisible.
Cuando un proceso manifiesta variabilidad controlada, se dice que est en estado de control. Se con-
sidera que la variabilidad controlada era consecuencia de la actuacin de unas causas, que indivi-
dualmente tienen poca importancia, y no son fciles detectar o identificar, las causas aIeatorias (no
asignables). Por otra parte, la variabilidad no controlada se debe a otro tipo de causas, cuya actua-
cin es espordica, sin una pauta consistente, las causas asignabIes. Cuando toda la variabilidad
del proceso puede ser atribuida a causas no asignables, el proceso se halla en estado de control. De
este modo, se alcanza el estado de control cuando han eliminado las causas asignables y la variabili-
dad restante puede atribuirse a causas aleatorias. El estado de control no es espontneo y llegar a l
requiere normalmente una intervencin sobre el proceso. El objetivo del control de procesos es llevar
al proceso al estado de control y mantenerlo en l. Mientras el proceso se mantiene en control, la
variabilidad es consistente, y por tanto sus efectos (por ejemplo, la proporcin de unidades no con-
formes) son previsibles.
Deming ha sido, probablemente, uno de las personas que ms ha influido en la concepcin actual de
la calidad, y uno de los inspiradores de la revolucin industrial de los aos setenta y ochenta en Ja-
pn. Deming, que haba trabajado con Shewhart en Western Electric, reformul los conceptos de
causa aleatoria y causa asignable, insistiendo en la delimitacin de responsabilidades en la actuacin
frente a las causas de variabilidad. Deming aplica su anlisis a los procesos en general y considera
los dos tipos de causas de Shewhart, a los que se refiere como causas comunes y causas especia-
Ies. Las primeras son parte del sistema, o consecuencia de la gestin, y son, por consiguiente, res-
ponsabilidad de los gestores. Por el contrario, las causas especiales no son parte del sistema, sino
que resultan de la actuacin de agentes que hay que identificar y combatir. Las causas especiales
son, en general, responsabilidad de los trabajadores o de los encargados, y los grficos de control
son las herramientas para detectarlas. Deming profundiza en las ideas de Shewhart, llevndolas al
campo de la gestin y buscando las causas comunes y especiales en un amplio abanico de activida-
des humanas, ms all de la fabricacin. Sus ideas son tambin simplistas, pero tienen un gran poder
persuasivo, porque inciden en la frustracin que genera un producto no satisfactorio a quien lo produ-
ce.
La nocin de estudio de capacidad se remonta al Manual de Western Electric, donde se usa la expre-
sin ``estudio de capacidad de proceso". Segn el Manual, un estudio de capacidad de proceso es:
El estudio sistemtico de un proceso por medio de grficos de control estadstico con el fin de descu-
brir si se comporta de manera natural o no natural; ms la investigacin de cualquier comportamiento
no natural para determinar su causa; ms la accin de eliminar cualquier comportamiento no natural
que sea deseable eliminar por razones de calidad o econmicas. El comportamiento natural del pro-
ceso despus de que las perturbaciones no naturales sean eliminadas se denomina capacidad del
proceso.
Como toda la literatura de la poca, el texto resulta simplista: existen comportamientos no naturales"
(unnatural behaviour) que deben eliminarse para llegar a un estado en el que el proceso se comporta
de manera "natural", reflejndose esta naturalidad en el cumplimiento de las famosas reglas de los
grficos de control. La realidad es ms compleja. Un proceso manifiesta una variabilidad, que tiene
varias componentes. La evolucin de esta variabilidad a lo largo del tiempo puede presentar gran

diversidad de un proceso a otro. El objetivo de un anlisis de capacidad es hacer inteligible todo esto,
y los grficos de control no son ms que una herramienta sencilla y til para el seguimiento de la va-
riabilidad del proceso a lo largo del tiempo. El anlisis de capacidad ofrece frecuentemente, como
producto secundario, la reduccin de la variabilidad que se analiza, como consecuencia de la identifi-
cacin de algunos factores que pueden eliminarse.
En la concepcin de Western Electric, el estudio de capacidad de proceso es una fase del control
estadstico de la calidad, en la cual se realiza un seguimiento de un proceso mediante grficos de
control, y se intenta eliminar las causas asignables para llevar el proceso al estado de control estads-
tico. Entonces empieza una segunda fase, en la que, a partir de los valores estimados de los parme-
tros estadsticos obtenidos en el estudio de capacidad, se usan grficos de control con lmites fijos
para el control de la produccin por los operarios.
Los ndices de capacidad, tal como se han definido en estas notas, son muy populares en la industria
de automocin y su uso es obligado para los proveedores que opten a la certificacin segn la norma
QS-9000 (v. SPC, 1995). En otros contextos son menos habituales. Frecuentemente se olvida que los
valores de los estadsticos (medias y desviaciones tpicas) que se usan en el clculo de los ndices de
capacidad son valores experimentales, sujetos a una variabilidad, de modo que varan necesariamen-
te de una experiencia a otra (poco si el proceso est en estado de control). Por consiguiente, deben
considerarse los valores de los ndices de capacidad como valores estimados. De hecho puede estu-
diarse la distribucin de probabilidad de C
p
y C
pk
suponiendo que la variable de partida tiene distribu-
cin normal. Pueden hallarse ms detalles en Rodrguez (1992).
Diversos autores han propuesto alternativas a los ndices de capacidad tradicionales. Las propuestas
van acompaadas de argumentos de tipo probabilstico a su favor. Puede hallarse informacin en
Rodrguez (1992) y Bissell (1994). Kotz & Johnson (1993) es una monografa sobre ndices de capa-
cidad.
Mdulo 2.Planes de muestreo 55

Mdulo 2. Planes de muestreo
Captulo 1. Introduccin
Captulo 2. Inspeccin por atributos
2.1 Planes de muestreo
2.2 Curva caracterstica
2.3 Inspeccin con rectificacin
Captulo 3. Tablas de muestreo por atributos
3.1 Tablas de muestreo
3.2 Sistema MIL-STD-105
3.3 Sistema ISO 2859-2
3.4 Otras tablas de muestreo
ANEXO A3. Clculo de probabilidades de aceptacin
ANEXO A4. Caso prctico
ANEXO A5. Ejemplos numricos

1. INTRODUCCIN
El propsito de este mdulo es familiarizar al lector con los sistemas de muestreo para la inspeccin
de hardware. En la terminologa normalizada (ISO), el trmino hardware designa cualquier producto
formado por unidades que no pueden dividirse ni unirse. Estas unidades se inspeccionan para verifi-
car que cumplen unos requisitos de calidad, que se han especificado de forma que cada unidad
puede ser cumplirlos o no independientemente de las otras. Cuando una unidad cumple estos requisi-
tos, decimos que es conforme.
Una no conformidad es cualquier aspecto de una unidad del producto que hace que no cumpla al-
guno de los requisitos, y, por tanto, que sea no conforme. Como normalmente los requisitos afectan a
ms de una caracterstica del producto, hay no conformidades de varios tipos, y a veces una unidad
puede presentar varias no conformidades del mismo tipo. Por ejemplo, un requisito de calidad de un
tapn para un frasco de perfume puede ser que no se observe en l ninguna raya, pero un tapn no
conforme puede presentar una o varias rayas. Se usa aqu, como es costumbre en la literatura del
control de la calidad, la expresin no conformidad, evitando expresamente el trmino defecto, ms
habitual en el lenguaje ordinario, pero que implica cierta subjetividad. Un producto puede as tener
requisitos distintos para clientes distintos, pudiendo cumplir los de un cliente y no los del otro, inde-
pendientemente de que consideremos que tiene defectos''.
Los mtodos que se comentan en este texto se aplican para tomar decisiones sobre la aceptacin o
el rechazo de conjuntos (en general grandes) de unidades de un producto, propio o ajeno. El conjun-
to aceptado o rechazado se llama lote, y, en general, ha sido producido en condiciones estables, de
forma que se puede suponer en l cierta homogeneidad, y tiene sentido aceptarlo o rechazarlo glo-
balmente. En este contexto, se llama productor a quien suministra el lote sobre el cual se ha de de-
cidir y consumidor a quien realiza la inspeccin para tomar la decisin de aceptar o no el lote.
Debe tenerse en cuenta que la inspeccin, por s misma, no influye sobre la calidad del producto, que
es consecuencia de la fabricacin. En la inspeccin para la aceptacin o rechazo de lotes se trata
simplemente de recoger datos a partir de los cuales se toma una decisin, no habiendo posibilidad de
mejora en el caso de que sta sea negativa. Su objetivo no es evaluar la calidad del lote, sino decidir
si se acepta o no.
En general, el muestreo es la seleccin de una parte o muestra dentro de un conjunto o poblacin.
La expresin inspeccin por muestreo se refiere a la inspeccin que se limita a una muestra extra-
da de un lote, a partir de cuyos resultados se decide la aceptacin o rechazo de la totalidad. En el
contexto de la inspeccin por muestreo, la poblacin es, a veces, el lote que se acepta o rechaza, y,
otras veces, el conjunto de la produccin del proveedor.
Cuando la inspeccin consiste en la medicin de una caracterstica medible, que vara de forma con-
tinua, como la longitud, el grosor, el peso, etc., se habla de inspeccin por variables. La aceptacin o
rechazo de un lote se basa en la media y la desviacin tpica de los valores que toma esa caracters-
tica en las unidades inspeccionadas. En la inspeccin por atributos, en cambio, consiste en exami-
nar si la unidad que se inspecciona presenta o no disconformidades, como agujeros, rayas, abolla-
duras, etc. Entonces, la aceptacin o rechazo se basa en la cantidad de no conformidades halladas
en la muestra. En general, en la inspeccin por variables se trabaja con muestras menores, el coste
de la inspeccin es menor. No obstante, los mtodos de muestreo por variables presuponen la vali-
dez de determinadas hiptesis estadsticas, lo que, en general, es poco realista. En la prctica, la
inspeccin por muestreo se realiza casi siempre por atributos.
En este mdulo nos limitamos a la inspeccin por atributos. Se describen con algn detalle los mto-
dos de la norma ISO 2859 (atributos). En cuanto al resto de mtodos de muestreo que se mencionan,
nos limitamos a un breve comentario.

La referencia bsica sobre la inspeccin por muestreo es Schilling (1982), que cubre casi todos los
mtodos. Duncan (1986) y Wadsworth et al. (1986) tratan el control de la calidad en general, y en
particular los planes de muestreo. En la bibliografa se han incluido algunas referencias que pueden
ser tiles para el lector que est interesado en otros mtodos, como las reglas skip-lot, o el muestreo
continuo.
2. INSPECCIN POR ATRIBUTOS
2.1 Planes de muestreo
En la inspeccin por atributos se supone definido un criterio inequvoco para determinar la conformi-
dad de las unidades del producto, y, en ella, la aceptacin o rechazo del lote resulta del nmero de
unidades no conformes halladas en la muestra inspeccionada. En algunos casos, no obstante, una
misma unidad puede presentar varias no conformidades, por lo que la aceptacin o rechazo del lote
se decide en funcin del nmero total de no conformidades halladas en la muestra. Ambos problemas
se tratan igual en los planes de muestreo. Designamos por p el porcentaje de unidades no confor-
mes, o porcentaje no conforme, aunque todo lo que se dice se puede aplicar a la situacin en que p
designa el nmero de no conformidades por 100 unidades, sin ms que pequeos cambios de
terminologa.
A menudo, en el control de la calidad se distingue entre no conformidades ms y menos graves, y se
considera razonable una mayor permisividad para las de menor gravedad. La norma MIL-STD-105,
por ejemplo, distingue entre no conformidades crticas, mayores y menores, y en la ISO 2859-1, entre
las de clase A y clase B (se puede ampliar la clasificacin aadiendo la clase C). A veces se inspec-
cionan muestras distintas que pueden tener distinto nmero de unidades para aplicar distintos crite-
rios de aceptacin, referidos a distintos tipos de no conformidad, aunque es poco frecuente. Normal-
mente los distintos tipos de no conformidad se examinan en una misma muestra, a la que se aplican
varios criterios de aceptacin diferentes.
La inspeccin por muestreo se lleva a cabo siguiendo planes de muestreo. Un plan de muestreo
consta de dos partes:
! Instrucciones sobre cmo extraer la muestra
! Criterio para aceptar o rechazar un lote segn los resultados obtenidos
Un plan de muestreo por atributos indica el nmero de unidades de cada lote que se tienen que ins-
peccionar, que es el tamao de la muestra, designado habitualmente por n, y el criterio para aceptar
o rechazar el lote, que habitualmente se concreta en el nmero de aceptacin (Ac) y el nmero de
rechazo (Re). Si el nmero de unidades no conformes no supera Ac, se acepta el lote. Al alcanzar
Re, se rechaza.
Se puede distinguir entre distintos tipos de planes de muestreo. En los planes simples, que son los
ms usados, slo se inspecciona una muestra. El plan especifica el tamao de muestra y el criterio de
aceptacin. En los planes dobles, se inspecciona una muestra y, en funcin del resultado, se acepta
el lote, se rechaza o se inspecciona otra muestra. El plan especifica el tamao y el criterio de acepta-
cin y rechazo para cada muestra. El criterio de aceptacin para la segunda muestra se refiere a la
unin de ambas muestras.
Ejemplo 1
El esquema de funcionamiento de un plan de muestreo simple ( n
1
=50 c
1
=1) sera:


Se inspecciona una muestra aleatoria de n
1
=50 uni-
dades de un lote y se observan d
1
no conformida-
des

Si d
1
"c
1
=1 Si d
1
>c
1
=1

Ejemplo 2
El esquema de funcionamiento de un plan de muestreo doble (n
1
=50 c
1
=1 n
2
=100 c
2
=3) sera:

Se inspecciona una primera muestra aleatoria de
n
1
=50 unidades de un lote y se observan d
1
no
conformidades

Si d
1
"c
1
=1 Si d
1
>c
2
=3

Si 2 "d
1
" 3

Se inspecciona una segunda muestra aleatoria
de n
1
=100 unidades de un lote y se observan d
2

no conformidades

Si d
1
+d
2
"c
2
=3 Si d
1
+d
2
>c
2
=3

En general, se dice que un plan de muestreo es ms eficiente que otro cuando consigue objetivos
similares con menor esfuerzo de inspeccin. Mediante clculos basados en argumentos de tipo pro-
babilstico, se puede probar que los planes dobles son ms eficientes que los simples.
En los planes mltiples se sigue un procedimiento similar, pero el nmero de muestras adicionales
que se pueden tomar despus de la primera es mayor que 1, tpicamente 5 o 6. Despus de cada una
de las muestras sucesivas se realiza la misma discusin: si se cumple el criterio de aceptacin, se
interrumpe el muestreo y se acepta el lote; si se cumple el de rechazo, se rechaza, y, si no se cumple
ninguno de ambos, se extrae una nueva muestra hasta llegar al nmero mximo de muestras autori-
zado en el plan. Los planes mltiples son ms eficientes que los dobles.
RECHAZAMOS
EL LOTE
ACEPTAMOS
EL LOTE
RECHAZAMOS
EL LOTE
ACEPTAMOS
EL LOTE
RECHAZAMOS
EL LOTE
ACEPTAMOS
EL LOTE
Los planes secuenciales son el caso lmite de los planes mltiples porque en ellos no hay un nme-
ro mximo de muestras a inspeccionar. Las unidades se inspeccionan una a una y despus de cada
inspeccin se decide si se acepta el lote, se rechaza o se contina la inspeccin. Estos planes son
ms eficientes que los anteriores, aunque se usan poco. McWilliams (1989) es una monografa sobre
el tema.
En los clculos que dan las probabilidades de aceptacin de los planes de muestreo que se encuen-
tran en la literatura sobre la inspeccin por muestreo se acepta, en general, una de las dos hiptesis
siguientes:
! La muestra se extrae aleatoriamente, es decir, de modo que todas las muestras son igualmente
probables, y las distintas unidades del lote tienen la misma probabilidad de entrar en la muestra.
Este supuesto se hace cuando se quiere aplicar un plan de muestreo para tomar una decisin
sobre un lote aislado, por ejemplo en el sistema ISO 2859-2/A (v. Captulo 3). En los clculos se
usa la distribucin hipergeomtrica, o la distribucin binomial cuando el lote es mucho mayor
que la muestra (v. Anexo A3). En la prctica, el muestreo aleatorio se da poco y, en muchas oca-
siones, es fsicamente imposible. Para efectuar un muestreo que realmente fuese aleatorio se
deberan numerar todas las unidades que integran el lote y seleccionar las que componen la
muestra usando una tabla de nmeros aleatorios, extrada de un libro de estadstica o generada
por un ordenador (por ejemplo, en una hoja Excel). En la mayora de los casos, una inspeccin
que involucre semejante complicacin tiene un coste prohibitivo.
! Las disconformidades aparecen de modo aleatorio, y el lote que se inspecciona es homogneo
en el sentido de que el porcentaje no conforme puede considerarse el mismo en las distintas par-
tes del lote. En este caso no tiene importancia la forma en que se extraiga la muestra. En el sis-
tema MIL-STD-105 (v. Captulo 3) se supone que la inspeccin se aplica a lotes de un proveedor
con un proceso de produccin estable, de forma que la probabilidad de extraer una unidad no
conforme es siempre la misma, no slo dentro del mismo lote, sino tambin en lotes distintos. En
los clculos se supone que la poblacin de la que se extrae la muestra es infinita (toda la produc-
cin del proveedor) y se usa la distribucin binomial.
En general, estas hiptesis son poco realistas y, por consiguiente, las probabilidades de aceptacin
que se hallan en la literatura sobre inspeccin por muestreo deben considerarse a ttulo indicativo.
2.2 Curva caracterstica
En un plan de muestreo, la curva caracterstica o curva OC (operating characteristic curve) es una
funcin (o una curva, si la representamos grficamente) que da la probabilidad de aceptacin P
a
de
un lote en trminos de p. La probabilidad de aceptacin se calcula, bajo una de las dos hiptesis co-
mentadas en la seccin anterior, usando alguna de las frmulas del Apndice A3. Las curvas elabo-
radas bajo el primero de los supuestos, el del muestreo aleatorio en una poblacin finita, se llaman
curvas de tipo A, y las que se basan en el supuesto del muestreo en una poblacin infinita homog-
nea, curvas de tipo B. Esta distincin desaparece, a efectos prcticos, cuando el lote es mucho ma-
yor que la muestra. Sea cual sea el mtodo de clculo, la probabilidad de aceptacin decrece al au-
mentar p. En general, la curva caracterstica tiene forma de S invertida.
El nivel de calidad aceptable es el porcentaje no conforme que se considera aceptable en la inspec-
cin. Se designa por AQL (acceptable quality level). El AQL es una indicacin que se da al productor,
y depende de criterios econmicos y tcnicos. Al usar este parmetro, es importante tener bien claro
lo que significa, ya que, de lo contrario, puede generar expectativas sin fundamento. El AQL puede
ser cualquier valor de p para el cual la probabilidad de aceptacin sea muy alta (en general superior
al 90%). Por consiguiente, podemos asignar distintos valores de AQL a un mismo plan. Por ejemplo,
si en un plan de muestreo la probabilidad de aceptacin de un lote con p = 2% es aproximadamente
igual al 95%, podemos asignar a este plan AQL = 2%, pero tambin AQL = 1,5%, o AQL = 2,25%, etc.

La calidad lmite es el porcentaje no conforme mximo que se considera aceptable en la inspeccin.
Se designa por LQ (limiting quality), LQL (limiting quality level), RQL (rejectable quality level) o LTPD
(lot tolerance percent defective). El significado de la LQ en un plan de muestreo es similar al del AQL,
pero de sentido contrario. Si p = LQ, la probabilidad de aceptacin es baja (en general inferior al
10%). Estos valores se usan en la seleccin de planes de muestreo, siendo el AQL el ms corriente.
Hay dos probabilidades asociadas a estos parmetros que aparecen a veces en la literatura sobre la
inspeccin por muestreo. El riesgo del productor # es la probabilidad de rechazar un lote con p
=AQL (que debera ser aceptado). Al hacer p = AQL, la curva caracterstica nos da P
a
= 1 - #. Natu-
ralmente, # representa el riesgo de cometer un error, que, en un plan bien escogido, debe ser bajo. El
riesgo del consumidor, $, es la probabilidad de aceptar un lote con p = LQ (que debera ser recha-
zado). Una vez fijados el AQL y la LQ, los riesgos # y $ son las probabilidades de error al usar el plan
de muestreo, sea rechazando lo que debera ser aceptado, sea aceptando lo que debera rechazarse.
En la seleccin del plan deben tenerse en cuenta estos riesgos, ya que, para que un plan sea acep-
table, ambos deben ser bajos (ordinariamente por debajo del 10%). Las tablas de muestreo disponi-
bles, como las de la norma MIL-STD-105, son recopilaciones de planes de muestreo que cumplen
este criterio.
El nivel de calidad indiferente, abreviadamente IQL (indifference quality level), es el porcentaje no
conforme al que corresponde una probabilidad de aceptacin del 50%. Se usa, a veces, en las tablas
de muestreo.
El modo habitual de presentar los planes de muestreo en tablas; es identificarlos por el AQL No obs-
tante, si alguien utiliza un plan seleccionado en una tabla de muestreo usando un cierto AQL podra
creer que, como promedio, los lotes aceptados tienen un porcentaje no conforme inferior o igual al
AQL, pero, en realidad, no es as. El AQL no representa ms que un nivel de calidad que se conside-
ra aceptable, y, por lo tanto, el plan tendr entre otras consecuencias, la de no rechazar ms que una
proporcin muy pequea de lotes cuyo porcentaje no conforme sea inferior o igual al AQL. Pero eso
no asegura que los lotes que aceptamos tengan esa calidad. Dicho de otro modo, el uso de un AQL
determinado supone una proteccin del productor en el sentido de que los lotes con p " AQL sern
rechazados muy raramente, pero no una garanta para el consumidor, en el sentido de que los lotes
aceptados cumplan p " AQL.
Si el consumidor desea protegerse de la aceptacin de lotes de calidad inferior, el camino es estable-
cer un valor de LQ adecuado. Si, por ejemplo, LQ = 8%, con un riesgo del consumidor $ = 0,05, en un
plan de muestreo que cumpla estos requisitos ser aceptado un 5%, aproximadamente, de los lotes
con p = 8%. Si p > 8%, el porcentaje de lotes aceptados ser menor del 5%.
Naturalmente, se puede rebajar # y $ con muestras mayores, pero eso aumenta el coste de inspec-
cin. La eleccin del plan debe resultar de un compromiso entre la moderacin del coste y el poder de
discriminacin del plan. En general, en los esquemas de muestreo, que son conjuntos de planes es-
cogidos con un cierto mtodo, se propone el plan ms barato dentro de los que mantienen los riesgos
en un nivel satisfactorio.
Ejemplo 3
Vamos a calcular algunas probabilidades de aceptacin para dos planes de muestreo simple:
! Plan A: Extraer una muestra de 20 unidades y aceptar el lote si no hay unidades no conformes
(n = 20, Ac = 0).
! Plan B: Extraer una muestra de 50 unidades y aceptar el lote si hay, como mximo, una no con-
forme (n = 50, Ac = 1).
La tabla 2.1 da algunos valores de la probabilidad de aceptacin para estos planes, calculados a par-
tir de la frmula binomial en una hoja Excel. Se puede pasar de la tabla a un grfico (la curva caracte-
rstica) en la misma hoja de clculo (Figura 2.1).

TABLA 2.1 Probabilidades de aceptacin en funcin del porcentaje
no conforme del lote para los planes A y B
Porcentaje Plan A Plan B
0,1% 0,9802 0,9988
0,2% 0,9608 0,9954
0,5% 0,9046 0,9739
1% 0,8179 0,9106
2% 0,6676 0,7358
3% 0,5438 0,5553
4% 0,4420 0,4005
5% 0,3585 0,2794
6% 0,2901 0,1900
7% 0,2342 0,1265
8% 0,1887 0,0827
9% 0,1516 0,0532
10% 0,1216 0,0338
15,0% 0,0388 0,0029
20,0% 0,0115 0,0002

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0,0% 1,5% 3,0% 4,5% 6,0% 7,5% 9,0% 10,5% 12,0% 13,5% 15,0%
Porcentaje de no conformidades
P
r
o
b
a
b
i
l
i
d
a
d

a
c
e
p
t
a
c
i
n

d
e
l

l
o
t
e

Figura 2.1 Curvas caractersticas de los planes A (lnea con cuadrado)
y B (lnea con rombo) del Ejemplo 3.
De la tabla resulta que el plan A slo podra ser adecuado para AQL < 0.50%, mientras que el plan B
sera adecuado para AQL " 1%. Por otro lado, el plan A no sera adecuado para LQ = 8%, pero el
plan B s.

2.3 Inspeccin con rectificacin
A veces se aplica una variante de la inspeccin por muestreo, en la cual los lotes rechazados (segn
el plan usado) se inspeccionan al 100%, separndose las unidades no conformes, que, a veces, se
reemplazan por conformes. Se reemplacen o no las unidades no conformes, se llama lotes rectifica-
dos a los lotes inicialmente rechazados en los que, despus de la inspeccin 100%, el porcentaje de
no conformidades es p = 0. Cuanto ms estricto es el criterio de aceptacin, mayor es la calidad re-
sultante, al haber ms lotes rectificados. La calidad resultante media, abreviadamente AOQ (avera-
ge outgoing quality), es el porcentaje no conforme final medio (contando los lotes aceptados inicial-
mente y los rectificados). Se puede dar en funcin de p, obteniendo la curva AOQ. Su valor mximo
es el lmite de calidad resultante media, abreviadamente AOQL (average outgoing quality limit).
Los planes de inspeccin con rectificacin se clasifican por LQ o AOQL. Se usaban tradicionalmente
en la inspeccin final de la produccin propia. Modernamente, la eliminacin de los stocks de materia-
les obliga, a veces, a usar estos mtodos en el control de recepcin para asegurar el cumplimiento de
los planes de fabricacin. En estos caso, el coste de la inspeccin 100 % de los lotes rechazados se
traslada al proveedor.
Es fcil ver que la calidad resultante media se puede obtener como el producto de la abscisa por la
ordenada de la curva caracterstica,
AOQ = p % P
a
.
Ejemplo 4
Vamos a calcular la calidad resultante media los planes de muestreo simple A y B del ejemplo 3. Su-
ponemos ahora que se rectifican los lotes no aceptados. Si, por ejemplo, p = 1%, con el plan A se
acepta el 81,8% de los lotes. El 18,2% restante ser rectificado y acabar teniendo el 0% de unidades
no conformes. En total, como promedio, tendremos
AOQ = (1%) % (81,8)% = 0,818%.
Para el plan B, un razonamiento anlogo da
AOQ = (1%) % (91,1%) = 0,911%.
La tabla 2.2 da algunos valores del porcentaje de la calidad resultante media en funcin del porcenta-
je de no conformidades del lote antes del muestreo rectificativo para los planes A y B, calculados a
partir de la frmula AOQ = P
a
% p en una hoja Excel. A partir de la tabla se puede calcular de forma
aproximada el AOQL que para el plan A es un porcentaje de 1,79 de no conformidades y en el plan B
de 1,67. Esto indica que en el caso ms desfavorable en media saldrn 1,79% de unidades no con-
formes para el plan A despus de un muestreo rectificativo, y un 1,67% para el plan B.
Se puede pasar de la tabla 2.2 a un grfico (la curva de calidad resultante media AOQ) utilizando la
hoja de clculo (Figura 2.2).

Tabla 2.2 Porcentajes de la calidad resultante media AOQ
en funcin del porcentaje de no conformidades del lote
0,1% 0,10% 0,10%
0,2% 0,19% 0,20%
0,5% 0,45% 0,49%
1% 0,82% 0,91%
2% 1,34% 1,47%
3% 1,63% 1,67%
4% 1,77% 1,60%
5% 1,79% 1,40%
6% 1,74% 1,14%
7% 1,64% 0,89%
8% 1,51% 0,66%
9% 1,36% 0,48%
10% 1,22% 0,34%
15,0% 0,58% 0,044%
20,0% 0,23% 0,004%

0,00%
0,20%
0,40%
0,60%
0,80%
1,00%
1,20%
1,40%
1,60%
1,80%
2,00%
0,0% 2,0% 4,0% 6,0% 8,0% 10,0% 12,0% 14,0% 16,0% 18,0% 20,0%
Porcentaje no conformidades
A
O
Q

Plan A
Plan B

Figura 2.2 Curvas de calidad resultante media AOQ de los planes A y B


Para evaluar el coste de la inspeccin con rectificacin se puede usar otro parmetro, la inspeccin
total media, abreviadamente ATI (average total inspection), que es el nmero medio de unidades
inspeccionadas, teniendo en cuenta las proporciones de lotes aceptados y rectificados. En estos lti-
mos, la inspeccin acaba realizndose al 100%. El ATI se calcula con la frmula:
ATI = n + (1 - P
a
)(N - n),
en la que N es el tamao de lote, n es el tamao de la muestra y P
a
es la probabilidad de Si represen-
tamos el ATI como funcin de p, obtenemos la curva ATI, que tiene forma de S.
Ejemplo 5
Vamos a calcular la inspeccin total media de los planes de muestreo simple A y B del Ejemplo 3.
Suponemos ahora que se rectifican los lotes no aceptados. Para un lote de tamao N = 1000, la ins-
peccin total media del plan A, si el lote tiene un 1% de no conformidades, es
ATI = 20 + (1 - 0,818)(1000 - 20) = 198,36,
y la del plan B,
ATI = 50 + (1 - 0,911)(1000 - 50) = 134,56
La tabla 2.3 da algunos valores de la inspeccin total en funcin del porcentaje de no conformidades
del lote antes del muestreo rectificativo para los planes A y B, calculados a partir de la frmula ATI = n
+ (1 - P
a
)(N - n) en una hoja Excel. Se puede pasar de la tabla 2.3 a un grfico (la curva de inspeccin
total media ATI) en la misma hoja de clculo (Figura 2.3).

Tabla 2.3 Inspeccin total media para los planes A y B en funcin del porcentaje de no conformida-
des del lote de 1.000 unidades
0,1% 39,41 51,13
0,2% 58,46 54,37
0,5% 113,48 74,82
1% 198,45 134,96
2% 345,74 301,02
3% 467,08 472,48
4% 566,84 619,54
5% 648,68 734,54
6% 715,70 819,50
7% 770,45 879,83
8% 815,08 921,42
9% 851,39 949,42
10% 880,85 967,90
15,0% 962,02 997,24
20,0% 988,70 999,82
0
100
200
300
400
500
600
700
800
900
1000
0,00% 2,00% 4,00% 6,00% 8,00% 10,00% 12,00% 14,00% 16,00% 18,00% 20,00%
Porcentaje no conformidades
A
T
I
Plan A
Plan B

Figura 2.3 Curvas de la inspeccin total media (ATI) de los planes A y B

3. TABLAS DE MUESTREO POR ATRIBUTOS
3.1 Tablas de muestreo
Habitualmente, los tcnicos seleccionan los planes de muestreo de entre los contenidos en las tablas
de muestreo de los manuales de control de la calidad, o en normas como la MIL-STD-105 o la ISO
2859, donde las tablas suelen venir agrupadas en esquemas y sistemas de muestreo. Un esquema
de muestreo es un conjunto de planes con reglas para cambiar de unos a otros. Naturalmente, esto
slo tiene sentido cuando se aplica a una serie continua de lotes. Normalmente, un esquema est
tabulado por el tamao del lote y por AQL, LQ o AOQL. Un sistema de muestreo es una coleccin
de esquemas con instrucciones para escoger el ms adecuado.
El sistema MIL-STD-105 es el ms conocido y mejor documentado, pudiendo encontrarse una des-
cripcin ms o menos resumida de l en casi todos los manuales de control de calidad. Fue desarro-
llado bajo el patrocinio del Departamento de Defensa de los Estados Unidos, ms tarde adoptado en
el resto del mundo, y finalmente incorporado a diversas normas internacionales. La primera versin
apareci en la norma MIL-STD-105A (1950). La ltima versin es la MIL-STD-105E (1989). La versin
civil equivalente es la ANSI Z1.4, adoptada en 1974 como norma internacional, presentada como
norma ISO 2859 y ms tarde (1989) como norma ISO 2859-1. En el sistema MIL-STD-105, los planes
de muestreo estn tabulados por el AQL.
Las tablas de Dodge-Romig constituyen uno de los sistemas de muestreo ms antiguos. Fueron
desarrolladas en los aos 30 en los Bell Telephone Laboratories por H. F. Dodge y H. G. Romig, pio-
neros de la inspeccin por muestreo. Los planes de estas tablas son planes para inspeccin con recti-
ficacin, simples o dobles, con valores bajos de AOQL.
Recientemente, la tendencia se ha desplazado hacia los planes tabulados por la LQ, particularmente
en la industria electrnica, donde es necesario trabajar con valores de $ muy ajustados cuando se
trata de elementos como circuitos integrados. En particular, esta tendencia ha dado lugar a sistemas
LQ, compatibles con los esquemas AQL de la MIL-STD-105. El ms comn es el que propone la
norma ISO 2859-2 (y anteriormente la norma britnica British Std. 6.001). En ella se ha intentado
garantizar al mximo la compatibilidad con el sistema AQL del MIL-STD-105, en el aspecto de que los
tamaos de lote y muestra sean los mismos. Las tablas de Dodge-Romig tambin puede usarse co-
mo un sistema LQ. En los sistemas LQ no hay reglas para cambiar de plan, ya que se aplican a lotes
aislados.
3.2 Sistema MIL-STD-105 (ISO 2859-1)
El sistema MIL-STD-105 es un conjunto de planes, simples, dobles y mltiples, tabulados segn el
tamao de lote y AQL, estructurado en la forma que comento ms abajo. Se aplica en la recepcin de
series de lotes fabricados de forma continua, y las curvas caractersticas son de tipo B, calculadas
con la distribucin binomial o la distribucin de Poisson (ver Anexo A3). Contiene dos tablas con
informacin sobre valores de LQ a los que corresponderan (aproximadamente) riesgos $ del 10 y del
5%. Consta de tres esquemas de muestreo formados, respectivamente, por planes simples, dobles y
mltiples. Cada esquema contiene un conjunto de planes de muestreo, agrupados en varias tablas,
en las que los planes vienen tabulados por tamao de lote y AQL. Los planes se han escogido de
modo que el riesgo # sea aproximadamente del 5%, aunque el valor de # no se especifica en las
tablas. Tampoco tienen en cuenta explcitamente un valor de LQ ni del riesgo $, aunque, para LQ = 5
% AQL, $ suele ser pequeo. Adems de las tablas mencionadas, las normas MIL-STD-105 e ISO
2859-1 contienen informacin adicional sobre los planes de las tablas.
Conviene insistir en que este sistema es un conjunto de esquemas para ser aplicados a series de
lotes que provienen de un mismo proceso productivo, que se puede considerar estable (en estado de
control estadstico). Al usar este sistema, se elige un esquema (esto es, no un plan fijo, sino un con-
junto de planes con unas reglas para pasar de unos a otros) y se aplica el plan que corresponde a
cada uno de los sucesivos lotes. Naturalmente, siempre se le puede considerar como una simple
recopilacin de planes de muestreo y elegir uno. Lo que se debe hacer entonces (siempre, pero con
ms razn al apartarse de la norma) es examinar la curva caracterstica del plan elegido y evaluar # y
$. En el caso de la norma ISO 2589-1, se indica explcitamente que no se puede acreditar que se
sigue la norma si no se respetan las reglas all establecidas.
El propsito del sistema es ejercer presin sobre el productor, a travs del rechazo de lotes (e incluso
mediante la interrupcin de la recepcin), para que suministre un material con p " AQL. Por otra par-
te, si p < AQL, el paso a la inspeccin reducida (ver ms abajo) permite rebajar el coste de inspec-
cin. Observa que la norma establece unas reglas de juego'' que deben quedar claras entre el pro-
ductor y el consumidor. Recuerda tambin la advertencia hecha anteriormente sobre el hecho de que
el uso de un plan de muestreo al que se le ha asociado un determinado AQL no garantiza que los
lotes aceptados cumplan p" AQL.
En el sistema MIL-STD-105 se distingue entre distintos niveles y rigores de inspeccin. El nivel de
inspeccin se fija en funcin del coste de inspeccin, y, en principio, no se cambia a lo largo de la
misma. El rigor de inspeccin se va ajustando en funcin de los resultados, como se ver ms ade-
lante, lo que en la prctica significa cambiar de una tabla a otra.
El nivel de inspeccin determina la relacin entre los tamaos del lote y de la muestra, lo que controla
la potencia del esquema de muestreo y la probabilidad de rechazar un lote con p > AQL. Hay tres
niveles de inspeccin generales, designados I, II y III, para los que los tamaos de muestra van de
menor a mayor, y que corresponden a costes de inspeccin bajo, estndar y alto, respectivamente.
Hay adems cuatro niveles de inspeccin especiales, designados como S-1, S-2, S-3 y S-4, que se
adoptan cuando es necesario usar muestras pequeas y se pueden tolerar riesgos mayores (por
ejemplo, en ensayos destructivos). Para escoger un plan de muestreo, la norma la ISO 2859 propone
que a menos que se indique lo contrario se utilizar la inspeccin para usos generales nivel II. En
general, es vlida la misma regla: cuanto mayor es la muestra, mayor la proteccin del consumidor,
aunque no hay una regla fija que prevea la forma concreta en que esto se produce para cada caso (v.
Ejemplo 6). Una vez decidido el nivel de inspeccin y conocido el tamao de lote, se consulta una
tabla, reproducida parcialmente en la tabla 3.1, para obtener una letra-cdigo de inspeccin, que se
usar despus para seleccionar el plan en las tablas de muestreo.
Tabla 3.1 Letra-cdigo del tamao de lote
Tamao de lote S-1 S-2 S-3 S-4 I II III
16-25 A A B B B C D
26-50 A B B C C D E
51-90 B B C C D E F
91-150 B B C D D F G
151-280 B C D E E G H
281-500 B C D E F H J
501-1200 C C E F G J K
1201-3200 C D E G H K L
3201-10000 C D F G J L M
10001-35000 C D F H K M N
35001-150000 D E G J L N P
150001-500000 D E G J M P Q
>500000 D E H K N Q R


En las tablas del sistema MIL-STD-105 se dan valores de AQL tpicos: 0,010, 0,015, 0,025, 0,040,
etc., hasta 1000. Estos valores se pueden interpretar de dos formas: como porcentaje de unidades no
conformes (slo si el valor dado es menor o igual que 10), o como nmero de no conformidades por
cada 100 unidades. Una vez fijado el tipo de plan (simple, doble o mltiple), y el nivel de inspeccin (I,
II, etc.), se decide entre usar un plan simple, doble o mltiple, y se elige el plan en una tabla, entrando
en ella por tamao de lote y AQL. Hay tres tablas posibles, correspondientes a los tres rigores de
inspeccin: reducida, normal y rigurosa (o estricta). Una vez fijado el nivel de inspeccin, el tamao
de muestra es el mismo para la inspeccin normal y la rigurosa, pero menor para la reducida. La le-
tra-cdigo se entra en la tabla propia del rigor de inspeccin que corresponde, dando el tamao de
muestra, y entrando el AQL se obtienen Ac y Re.
Se comienza con un plan normal y segn los resultados obtenidos en las sucesivas inspecciones, se
va variando el rigor de inspeccin. La norma contiene una coleccin de reglas para variar el rigor de
inspeccin:
! Paso de inspeccin normal a rigurosa. Cuando dos de cinco lotes consecutivos sean rechazados
en inspeccin normal.
! Paso de inspeccin rigurosa a normal. Cuando se acepten cinco lotes consecutivos en inspeccin
rigurosa.
! Paso de inspeccin normal a reducida. Cuando se aceptan diez lotes consecutivos en inspeccin
normal.
! Paso de inspeccin reducida a normal. Cuando se rechace un lote en inspeccin reducida.
En las sucesivas inspecciones se va ajustando el rigor de inspeccin siguiendo estas reglas. Las re-
glas se completan con la recomendacin de interrumpir el suministro, cuando se llegue a una situa-
cin en la que se hayan rechazado cinco lotes seguidos. La suspensin debe mantenerse hasta que
haya evidencia de la aplicacin de medidas destinadas a la mejora de la calidad. En las tablas 3.2,
3.3 y 3.4 se han reproducido parcialmente las tablas de muestreo simples, para inspeccin normal,
reducida y rigurosa, respectivamente.

Tabla 3.2 Tabla de muestreo simple para inspeccin normal
AQL
0.15 0.25 0.40 0.65 1.0 1.5 2.5 4.0 6.5
Letra
cdigo
Tamao
de
muestra Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re
A 2 & & & & & & & & 0 1
B 3 & & & & & & & 0 1 '
C 5 & & & & & & & ' &
D 8 & & & & & 0 1 ' & 1 2
E 13 & & & & 0 1 ' & 1 2 2 3
F 20 & & & 0 1 ' & 1 2 2 3 3 4
G 32 & & 0 1 ' & 1 2 2 3 3 4 5 6
H 50 & 0 1 ' & 1 2 2 3 3 4 5 6 7 8
J 80 0 1 ' & 1 2 2 3 3 4 5 6 7 8 10 11
K 125 ' & 1 2 2 3 3 4 5 6 7 8 10 11 14 15
L 200 & 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22
M 315 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 '
N 500 2 3 3 4 5 6 7 8 10 11 14 15 21 22 ' '
P 800 3 4 5 6 7 8 10 11 14 15 21 22 ' ' '
Q 1500 5 6 7 8 10 11 14 15 21 22 ' ' ' '
R 2000 7 8 10 11 14 15 21 22 ' ' ' ' '
Tabla 3.3 Tabla de muestreo simple para inspeccin reducida
AQL
0.15 0.25 0.40 0.65 1.0 1.5 2.5 4.0 6.5
Letra
cdigo
Tamao
de
A 2 & & & & & & & & 0 1
B 2 & & & & & & & 0 1 '
C 2 & & & & & & 0 1 ' &
D 3 & & & & & 0 1 ' & 0 2
E 5 & & & & 0 1 ' & 0 2 1 3
F 8 & & & 0 1 ' & 0 2 1 3 1 4
G 13 & & 0 1 ' & 0 2 1 3 1 4 2 5
H 20 & 0 1 ' & 0 2 1 3 1 4 2 5 3 6
J 32 0 1 ' & 0 2 1 3 1 4 2 5 3 6 5 8
K 50 ' & 0 2 1 3 1 4 2 5 3 6 5 8 7 10
L 80 & 0 2 1 3 1 4 2 5 3 6 5 8 7 10 10 13
M 125 0 2 1 3 1 4 2 5 3 6 5 8 7 10 10 13 '
N 200 1 3 1 4 2 5 3 6 5 8 7 10 10 13 ' '
P 315 1 4 2 5 3 6 5 8 7 10 10 13 ' ' '
Q 500 2 5 3 6 5 8 7 10 10 13 ' ' ' '
R 800 3 6 5 8 7 10 10 13 ' ' ' ' '
& Indica plan de muestreo inferior ' indica plan de muestreo superior

Tabla 3.4 Tabla de muestreo simple para inspeccin rigurosa
AQL
0.15 0.25 0.40 0.65 1.0 1.5 2.5 4.0 6.5
Letra
cdigo
Tamao
de
A 2 & & & & & & & & &
B 3 & & & & & & & & 0 1
C 5 & & & & & & & 0 1 &
D 8 & & & & & & 0 1 & &
E 13 & & & & & 0 1 & & 1 2
F 20 & & & & 0 1 & & 1 2 2 3
G 32 & & & 0 1 & & 1 2 2 3 3 4
H 50 & & 0 1 & & 1 2 2 3 3 4 5 6
J 80 & 0 1 & & 1 2 2 3 3 4 5 6 8 9
K 125 0 1 & & 1 2 2 3 3 4 5 6 8 9 12 13
L 200 & & 1 2 2 3 3 4 5 6 8 9 12 13 18 19
M 315 & 1 2 2 3 3 4 5 6 8 9 12 13 18 19 '
N 500 1 2 2 3 3 4 5 6 8 9 12 13 18 19 ' '
P 800 2 3 3 4 5 6 8 9 12 13 18 19 ' ' '
Q 1500 3 4 5 6 8 9 12 13 18 19 ' ' ' '
R 2000 5 6 8 9 12 13 18 19 ' ' ' ' '
& Indica plan de muestreo inferior ' indica plan de muestreo superior
Salvo para inspeccin reducida, en los planes simples la diferencia entre el Re y Ac es 1, con lo cual
bastara dar uno de ellos. En inspeccin reducida, si el nmero de unidades est comprendido entre
el Ac y Re, se acepta el lote, pero se restablece la inspeccin normal. En cuanto a tamao de mues-
tra y nmero de aceptacin, los planes para inspeccin reducida coinciden con los normales del nivel

inferior de inspeccin, de acuerdo con la filosofa de la norma de rebajar el coste de inspeccin cuan-
do los resultados son satisfactorios. Por el contrario, los planes para inspeccin normal y rigurosa
tienen el mismo tamao de muestra dentro del mismo nivel, y el plan para inspeccin rigurosa asig-
nado a un cierto AQL coincide en muchos casos con el plan normal propuesto para el AQL inferior.
Ejemplo 6
Supongamos el tamao de lote comprendido entre 35.001 y 150.000. Los planes para inspeccin
normal a los niveles de inspeccin I, II y III, corresponden a las letras-cdigo L, N y P, con tamaos
de muestra 200, 500 y 800, respectivamente. En la Tabla 3.5 se pueden ver algunas probabilidades
de aceptacin, calculadas usando la frmula binomial para AQL = 0,65% donde la letra cdigo L da n
= 200 y Ac = 3, la letra cdigo N, n = 500 y Ac = 7 y la letra cdigo P, n = 800 y Ac = 10.

Tabla 3.5 Probabilidades de aceptacin (Ejemplo 6)
p Nivel I Nivel II Nivel III p Nivel I Nivel II Nivel III
0,25% 0,998 1,000 1,000 2,25% 0,339 0,125 0,029
0,50% 0,981 0,996 0,997 2,50% 0,261 0,067 0,010
0,75% 0,935 0,963 0,958 2,75% 0,198 0,034 0,003
1,00% 0,858 0,868 0,817 3,00% 0,147 0,017 0,001
1,25% 0,758 0,710 0,583 3,25% 0,108 0,008 0,000
1,50% 0,647 0,524 0,346 3,50% 0,078 0,004 0,000
1,75% 0,536 0,352 0,173 3,75% 0,056 0,002 0,000
2,00% 0,431 0,217 0,075 4,00% 0,040 0,001 0,000

Figura 3.1 Curvas caractersticas del Ejemplo 6

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0,00% 0,50% 1,00% 1,50% 2,00% 2,50% 3,00% 3,50% 4,00%
Nivel I
Nivel II
Nivel III
Ejemplo 7
Supongamos como antes el tamao de lote comprendido entre 35.001 y 150.000, y tomemos AQL =
0,65% (valor tpico de la MIL-STD-105). Si usamos el nivel de inspeccin II, la letra-cdigo es N, que
nos da:
! Inspeccin normal: n = 500, Ac = 7, Re = 8.
! Inspeccin rigurosa: n = 500, Ac = 5, Re = 6.
! Inspeccin reducida: n = 200, Ac = 3, Re = 6 .
En la inspeccin reducida, Ac = 3 y Re = 6 indica que el lote se acepta si la muestra (n =200) tiene
como mximo 5 no conformidades; en caso de que el nmero de no conformidades sea de 4 o 5, el
siguiente lote se pasa a inspeccin normal. Obsrvese que el plan para inspeccin rigurosa de
AQL=0,65% coincide con el plan normal correspondiente a AQL = 0,40%. En la tabla 3.6 se dan algu-
nas probabilidades de aceptacin, calculadas con la frmula binomial. Para el plan de inspeccin
reducida se ha realizado el clculo teniendo en cuenta que un lote se acepta hasta con 5 unidades no
conformes.

Tabla 3.6 Probabilidades de aceptacin (Ejemplo 7)
p Reducida Normal Rigurosa p Reducida Normal Rigurosa
0,25% 1,000 1,000 0,998 2,25% 0,704 0,125 0,031
0,50% 0,999 0,996 0,958 2,50% 0,616 0,067 0,014
0,75% 0,996 0,963 0,824 2,75% 0,528 0,034 0,006
1,00% 0,984 0,868 0,616 3,00% 0,443 0,017 0,003
1,25% 0,959 0,710 0,405 3,25% 0,365 0,008 0,001
1,50% 0,918 0,524 0,239 3,50% 0,296 0,004 0,000
1,75% 0,859 0,352 0,130 3,75% 0,236 0,002 0,000
2,00% 0,787 0,217 0,065 4,00% 0,186 0,001 0,000

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0,00% 0,50% 1,00% 1,50% 2,00% 2,50% 3,00% 3,50% 4,00%
Porcenteje no conformidades
P
r
o
b
a
b
i
l
i
d
a
d

a
c
c
e
p
t
a
c
i
n
Reducida
Normal
Rigurosa

Figura 3.2 Curvas caractersticas del Ejemplo 7

3.3 Sistema ISO-2859-2
El sistema ISO 2859-2 se presenta como un sistema de muestreo para lotes aislados. Aparte de
presentar una coleccin de planes de muestreo tabulados por QL, pretende cubrir una serie de situa-
ciones en las que la primera parte de la norma (el sistema MIL-STD-105) se aplica incorrectamente.
La ms tpica de estas situaciones es la de lotes aislados. Se habla de lotes aislados cuando la regla
de decisin para aceptar o rechazar un lote se aplica a cada lote independientemente de lo sucedido
con los lotes anteriores.
El sistema ISO 2859-2 contiene una coleccin de planes de muestreo, tabulados segn QL, de forma
que $ <10%, salvo en una minora de casos, en los cuales no supera el 13%. Consta de dos esque-
mas, denominados procedimiento A (hipergeomtrica) y procedimiento B (binomial). El procedi-
miento A se usa cuando hay inters, por parte del productor y del consumidor, en considerar los lotes
aisladamente (puede haber razones que fuercen a hacerlo as). En este caso, el procedimiento de
clculo usado en la elaboracin de los planes de la norma ISO 2859-1, basado en la frmula binomial,
puede dar lugar a errores apreciables. La magnitud de los errores obtenidos al usar esta frmula en el
clculo de las curvas caractersticas depende de los tamaos de lote y muestra.
En cualquier caso, la norma ISO 2859-2 propone para esta situacin el uso de los planes del proce-
dimiento A, que se ha recogido parcialmente en la tabla 3.7. El clculo de las probabilidades de acep-
tacin se basa en la frmula hipergeomtrica, aunque, salvo en el caso de los planes de aceptacin
cero (Ac = 0), la binomial da una buena aproximacin. Por consiguiente, las curvas caractersticas de
los planes con Ac ( 0 pueden aproximarse por las curvas de los planes correspondientes del proce-
dimiento B. Cuando el tamao de muestra n supere al del lote, se entiende que el muestreo es al
100%.
Tabla 3.7. Tabla de planes de muestreo tabulados por la calidad lmite LQ (ISO 2859-2; procedi-
miento A). Cuando n accede el tamao del lote, utilizar la inspeccin 100% con un nmero de aceptacin cero.
Tamao Calidad lmite en porcentaje LQ
de lote 0.5 0.8 1.25 2.0 3.15 5.0 8.0 12.5 20
16-25 n ) ) ) ) 25 17 13 9 6
Ac 0 0 0 0 0
26-50 n ) ) ) 50 50 28 22 15 10
Ac 0 0 0 0 0 0
51-90 n ) ) 90 50 44 34 24 16 10
Ac 0 0 0 0 0 0 0
91-150 n ) 150 90 80 55 38 26 18 13
Ac 0 0 0 0 0 0 0 0
151-280 n 200 170 130 95 65 42 28 20 20
Ac 0 0 0 0 0 0 0 0 0
281-500 n 280 220 155 105 80 50 32 32 20
Ac 0 0 0 0 0 0 0 1 1
501-1200 n 380 255 170 125 125 80 50 32 32
Ac 0 0 0 0 1 1 1 1 3
1201-3200 n 430 280 200 200 125 125 80 50 50
Ac 0 0 0 1 1 3 3 3 5
3201-10000 n 450 315 315 200 200 200 125 80 80
Ac 0 0 1 1 3 5 5 5 10
10001-35000 n 500 500 315 315 315 315 200 125 125
Ac 0 1 1 3 5 10 10 10 18
35001-150000 n 800 500 500 500 500 315 200 200 125
Ac 1 1 3 5 10 18 18 18 18
El procedimiento A es muy simple, ya que se basa en una sola tabla, donde los planes se dan por
tamao de lote y LQ. La norma contiene asimismo informacin adicional sobre:
! Los riesgos $ asociados a los valores de LQ usados para seleccionar los planes, as como valo-
res de p con probabilidades altas de aceptacin.
! Curvas caractersticas para los planes de aceptacin cero.
El procedimiento B se utiliza cuando el consumidor tiene inters en considerar el lote como aislado,
mientras que para el productor forma parte de una serie continua de lotes. De cara al consumidor,
ofrece una proteccin, basada en la LQ, y de cara al productor, proporciona el valor de AQL corres-
pondiente al plan escogido en las tablas de la ISO 2859-1, con lo cual el productor tiene una indica-
cin sobre el nivel de calidad que no va a tener problemas de aceptacin.
Se trata de un esquema que consta de varios subesquemas, correspondientes a los siete niveles de
inspeccin, que son los mismos de la ISO 2859-1. El plan se identifica por LQ y tamao de lote. Para
escoger el plan se dispone de 10 tablas, correspondientes a distintos valores de LQ: 0,5%, 0,8%, etc.
Entrando en la tabla el nivel de inspeccin escogido (la norma recomienda usar, el nivel II salvo espe-
cificacin en sentido contrario) y el tamao de lote, obtenemos:
! El tamao de muestra n
! El nmero de aceptacin Ac
! La curva caracterstica del plan
! El riesgo $ asociado al valor de LQ fijado
! El valor de AQL que la norma ISO 28591, para inspeccin normal, asigna a ese plan
Por consiguiente, los planes del procedimiento B se seleccionan de entre los de la norma ISO 2859-1
(para inspeccin normal), con lo que se consigue la compatibilidad. Por ltimo, la norma ISO 2859-2
contiene una tabla con las correspondencias entre ambos sistemas. El procedimiento B no contiene
planes de aceptacin cero, reemplazndolos por la inspeccin 100%.
3.4 Otras tablas de muestreo
En el caso de un producto que se suministra en lotes que se reciben ininterrumpidamente y provienen
de un proceso estable, puede ser interesante reducir el coste de inspeccin. El sistema MIL-STD-105
combina planes de distinto rigor, de acuerdo con unas reglas para pasar de uno a otro, segn los
resultados de las inspecciones precedentes, y la aplicacin de estas reglas puede llevar a la conclu-
sin de que el proceso de produccin no es satisfactorio. Sin embargo, los resultados de las inspec-
ciones precedentes no se incorporan especficamente al criterio de aceptacin, sino que slo dan
lugar a cambios de un plan de muestreo a otro.
En los planes de muestreo basados en resultados acumulados, las reglas de decisin se van
modificando en funcin de los resultados que se van obteniendo de la inspeccin. El objetivo de estos
planes es minimizar el coste de inspeccin, manteniendo una proteccin razonable. En general, los
planes basados en resultados acumulados requieren que se den ciertas condiciones, para ser aplica-
dos de forma satisfactoria:
! El lote inspeccionado forma parte de una serie continua.
! Se espera que los lotes sean de calidad similar.

! El consumidor no tiene razones para creer que el lote que se inspecciona sea de peor calidad que
los precedentes.
! El consumidor tiene confianza en el productor, en el sentido de que no aprovechar los resultados
favorables de la inspeccin para suministrar lotes de calidad inferior.
Entre estos planes, los ms usados son los planes de muestreo en cadena, abreviadamente ChSP
(chain sampling plans), y los planes skip-lot, abreviadamente SkSP. Los planes de muestreo en
cadena ligan la decisin sobre un lote a los resultados de la inspeccin de los lotes precedentes, de
forma que los resultados de las sucesivas inspecciones se combinan obteniendo un efecto equivalen-
te al proporcionado por el muestreo con tamaos mayores de muestra. Estos planes tratan de cubrir
situaciones en las cuales, por razones de coste, el tamao de muestra debe ser pequeo, lo que obli-
ga a escoger planes de aceptacin cero, que tienen poco poder de discriminacin.
En los planes skip-lot la inspeccin se realiza slo sobre una fraccin de los lotes. La fraccin depen-
de del resultado de la inspeccin en los lotes precedentes. Se usan cuando los resultados de la ins-
peccin sobre una serie de lotes han proporcionado suficiente evidencia como para considerar que el
proceso de produccin opera de forma estable a un nivel satisfactorio. Pueden hallarse planes de
muestreo de este tipo en la norma ANSI/ASQC S1 o en la tercera parte de la norma ISO 2859.
Entre los planes basados en resultados acumulados, ocupan un lugar especial los planes de mues-
treo en continuo, abreviadamente CSP (continuous sampling plans), que se usan cuando el produc-
to no se recibe agrupado en lotes diferenciados, sino en un flujo continuo de unidades. Estos planes
alternan la inspeccin 100% con el muestreo, en funcin de la calidad observada. La manera de tra-
bajar de estos planes es muy similar a la de los planes skip-lot, con la diferencia de que en lugar de
lotes se consideran aqu unidades. De hecho, los planes skip-lot fueron desarrollados a partir de los
planes de muestreo continuo.
Los primeros planes de muestreo continuo fueron propuestos por Dodge en 1943, y con el tiempo han
pasado a conocerse por las siglas CSP-1. Estos planes estaban tabulados por AOQL, es decir, para
ser usados en la inspeccin con rectificacin. Dodge y M. N. Torrey introdujeron en 1951 nuevas va-
riantes, conocidas como CSP-2 y CSP-3, para cubrir situaciones en las que la aparicin de defectos
de poca importancia no justifica el paso a la inspeccin 100%. La norma MIL-STD-1235 incluye cinco
tipos de planes: los CSP-1 y CSP-2 citados anteriormente, y otros tres, CSP-F, CSP-T y CSP-V, a fin
de ofrecer una mayor flexibilidad para adaptarse a situaciones reales.
Bsicamente hay dos tipos de planes de muestreo continuo, segn se autorice o no alguna unidad no
conforme antes de volver a la inspeccin 100%. En los planes ms sencillos (simple continuous sam-
pling), como los de la tabla CSP-1, se inicia la inspeccin al 100%, y se prosigue hasta hallar i unida-
des conformes consecutivas. Entonces se pasa a inspeccionar solamente una fraccin f de las unida-
des. Cuando se halla una unidad no conforme, se vuelve a la inspeccin 100% hasta haber hallado i
unidades conformes consecutivas, y as sucesivamente.
En otros planes de muestreo en continuo no se vuelve inmediatamente a la inspeccin 100% despus
de hallar una unidad no conforme (continuous sampling allowing a defective). Un ejemplo sera el
siguiente:
! Se inspecciona 100% hasta hallar 50 unidades conformes consecutivas.
! Se pasa a inspeccionar 10% (f = 1/10) hasta hallar alguna no conforme.
! Al hallar una unidad no conforme, se prosigue inspeccionando una de cada 10, pero si se vuelve
a encontrar otra entre las siguientes 50 inspeccionadas, se vuelve a la inspeccin 100%. En caso
contrario, se prosigue con la inspeccin 10% hasta hallar otra unidad no conforme, y entonces se
vuelve a hacer el planteamiento de antes (pasar a inspeccin 100% si hay otra unidad no confor-
me entre las siguientes 50 inspeccionadas).
A3. CLCULO DE PROBABILIDADES DE ACEPTACIN
Las probabilidades de aceptacin de los lotes en los planes de muestreo se calculan, siempre bajo la
hiptesis de que el muestreo es aleatorio, usando alguna de las tres distribuciones de probabilidad
siguientes:

Distribucin hipergeomtrica
Da la probabilidad de obtener, extrayendo una muestra de tamao n de un lote de tamao N que con-
tiene d unidades no conformes, un resultado de x no conformes (x es el nmero de no conformes en
la muestra, y d en el lote), donde este tipo de muestreo se asimila al conocido muestreo sin reposi-
cin.
Sea X = nmero de unidades no conformes en una muestra de tamao n. X puede tomar valores
entre 0 y el mnimo de d y n.
La probabilidad de que el nmero de no conformidades de la muestra sea x es:
P
x
= Prob(X =x) =
d N d
x n x
N
n
! " #" #
$ %$ %
!
& '& '
" #
$ %
& '
, x = 0, 1, 2, ..., min{d,n}.
donde los trminos que aparecen en el numerador y el denominador de la fraccin son nmeros
combinatorios. Por ejemplo:
!
!( )!
N N
n n N n
" #
(
$ %
!
& '
.
La probabilidad de aceptacin se obtiene sumando las probabilidades P
x
desde x = 0 hasta x = Ac.
Nota: El clculo manual de los nmeros combinatorios resulta inasequible para los valores de N que
se dan en la industria, pero la disponibilidad de medios electrnicos de clculo permite superar esta
dificultad fcilmente y el clculo de probabilidades mediante la frmula hipergeomtrica puede reali-
zarse sin problemas en una hoja electrnica de clculo e incluso con algunas calculadoras de bolsillo.

Distribucin binomial
Da la probabilidad de obtener x veces un resultado cuya probabilidad es p, realizando n pruebas in-
dependientes. Sea X = nmero de no conformidades en una muestra de tamao n; la probabilidad de
obtener x no conformidades es
P
x
= Prob(X = x)=
n
x
" #
$ %
& '
p
x
(1 - p)
n-x
x = 0, 1,..., n
La distribucin binomial puede aplicarse al clculo de probabilidades de aceptacin en la inspeccin
por muestreo, suponiendo que la muestra se extrae de un conjunto muy grande, de modo que poda-
mos considerar que las extracciones sucesivas son independientes. Como antes, la probabilidad de
aceptacin P
a
se obtiene sumando las probabilidades P
x
desde x = 0 hasta x = Ac.
Nota: Puede probarse que la frmula hipergeomtrica da como lmite la binomial cuando N es muy
grande y d/N = p, por lo que en la prctica la binomial se usa para aproximar la hipergeomtrica
cuando n/N < 0.1.

Distribucin de Poisson
Da la probabilidad de que un suceso espordico, como la aparicin de una disconformidad, se d x
veces en un intervalo de tiempo dado o en una muestra de tamao dado. Para que sea vlida se ha
de suponer que el nmero medio de veces que se da ese suceso es una constante * y que sus apari-
ciones son independientes entre s.
Sea X = nmero de no conformidades por unidad; la probabilidad de x no conformidades por unidad
es
P
x
= Prob (X =x) =
!
x
e
x
)
) !
, x = 0, 1, 2 ,... , +; * > 0.
Sumando P
x
desde x = 0 hasta x = Ac se obtiene la probabilidad de aceptacin en la inspeccin por
muestreo.
Nota: La frmula de Poisson se utilizaba clsicamente como aproximacin de la binomial para n
grande y p pequea (n > 20 y np < 5), haciendo * = np, pero con los medios de clculo disponibles
actualmente estas aproximaciones han perdido inters.

A4. CASO PRCTICO
PRESENTACIN DEL CASO:
Una empresa dedicada a la fabricacin de aparatos de aire acondicionado va a incorporar en un nue-
vo producto un componente metlico suministrado por un proveedor. No se trata de un proveedor
nuevo y el responsable de calidad es consciente de que los lotes suministrados por ese proveedor
contienen a veces un porcentaje de unidades no conformes elevado (a veces superior al 10%). El
Departamento de Ingeniera ha elaborado un plano para este componente donde se establecen lmi-
tes de tolerancia para una serie de caractersticas dimensionales. Los lotes constarn de 25 cajas de
200 unidades, en total 5000 unidades.
El responsable de calidad decide reunir a los responsables de Compras, Produccin e Ingeniera y
someter a discusin la posibilidad de realizar un control de recepcin para estos componentes, por lo
menos hasta que los datos recogidos en las sucesivas recepciones permitan confiar en el control de
calidad del proveedor. En este control se inspeccionara cada lote, para decidir aceptarlo o rechazarlo
en funcin del resultado de la inspeccin. La inspeccin al 100% parece inviable, y propone inspec-
cionar solamente una muestra de cada lote. Propone asimismo que la inspeccin se realice de forma
sistemtica, de acuerdo con un procedimiento preestablecido y dando a todos los lotes el mismo tra-
tamiento. Considera que se debe evitar la subjetividad de procedimientos basados en la experiencia,
en criterios personales o en el sentido comn, adoptando procedimientos cientficos, basados en
principios de tipo estadstico. A los restantes directivos les parece razonable la propuesta del respon-
sable de Calidad. Sin embargo, al concretar los detalles de cmo se va a llevar a cabo la inspeccin
surgen numerosos interrogantes.
La primera cuestin que se plantea se refiere al mtodo a seguir para extraer la muestra. El respon-
sable de Compras sugiere que se extraigan unidades de todas las cajas que componen el lote para
que la muestra sea representativa, aunque no consigue aclarar lo que eso significa. El responsable
de Ingeniera, que ha seguido varios cursos de Estadstica, sugiere que la extraccin de la muestra
debe hacerse de forma aleatoria, pero tampoco est claro cmo se consigue la aleatoriedad, ni qu
ventajas aporta, sino solamente que al utilizar las frmulas estadsticas siempre se da por hecho que
las muestras son aleatorias. La segunda cuestin hace referencia al nmero de unidades que hay
que inspeccionar de cada lote, es decir, al tamao de la muestra. No queda claro si es el tamao de
la muestra lo que la hace representativa o es el procedimiento de muestreo, o ambas cosas.
REFLEXIONES:
Cmo se debe extraer la muestra? Qu quiere decir que una muestra es aleatoria? Qu se ha de
hacer para que lo sea? Es esencial que la muestra sea aleatoria? Cul debe ser el tamao de la
muestra?
CONTINUACIN DEL CASO:
Se decide que se consultar una tabla de muestreo para establecer el tamao de la muestra. Una vez
aclarado este punto, habr que decidir de dnde se extrae la muestra, ya que al estar dividido el lote
en cajas, se debe especificar si la muestra se extrae de una o de varias cajas. La primera variante
simplifica el problema, pero la segunda garantiza aparentemente que la muestra sea ms representa-
tiva.
Una vez extrada la muestra e inspeccionadas las unidades que la componen, hay que disponer de
un criterio para aceptar o rechazar el lote. No est claro si deben tenerse en cuenta los valores num-
ricos obtenidos para las medidas dimensionales, o slo si caen dentro de los lmites de tolerancia. Si

se decide simplificar y tener en cuenta solamente la conformidad o disconformidad para cada dimen-
sin especificada en el plano, el criterio de aceptacin se puede basar en el nmero de unidades no
conformes, contando igual las unidades que no son conformes para una sola caracterstica y las que
presentan varias no conformidades, o por el contrario se puede basar en el nmero global de no con-
formidades. Se deciden por la primera alternativa. Debern ahora especificar el nmero mximo de
no conformidades admisible.
REFLEXIONES:
Est Vd. de acuerdo con los criterios con los cuales se va a decidir la aceptacin o rechazo de un
lote? Cul debe ser el nmero mximo de disconformidades para aceptar un lote?
Tanto el responsable de Calidad como el de Produccin disponen de alguna experiencia en la ins-
peccin por muestreo, concretamente en el uso de las tablas de la norma MIL-STD-105. En estas
experiencias previas, las unidades inspeccionadas se clasificaban en conformes y no conformes se-
gn cumplieran o no unos requisitos especificados y conocidos por el proveedor, y la decisin de
aceptar o rechazar el lote se tomaba en funcin del nmero de unidades no conformes halladas en la
muestra, de acuerdo con la tabla de muestreo. Sin embargo, ninguno de los dos tiene una idea muy
clara sobre las garantas que proporciona seguir estas tablas. El responsable de Calidad ha odo de-
cir que el sistema MIL-STD-105 est obsoleto y que ya no lo usa casi nadie, aunque no tiene tampoco
muy claro si est obsoleto porque las tablas son defectuosas o porque la inspeccin resulta muy cara.
El responsable de Produccin est de acuerdo en que la inspeccin segn las tablas MIL-STD-105
representa un coste elevado que slo puede asumirse con carcter excepcional.
REFLEXIONES:
As pues, es aconsejable usar las tablas MIL-STD-105 o hay otra alternativa basada en principios
estadsticos slidos?
En realidad la experiencia con el sistema MIL-STD-105 se limita al uso de una sola tabla, la titulada
Planes simples para inspeccin normal, de la que se dispone de fotocopia desde hace bastantes
aos. No se sabe muy bien qu quiere decir inspeccin normal, pero parece lgico utilizar la variante
normal cuando no se tienen las ideas claras.
Para aclararlas, se decide consultar la norma completa, que no es difcil de conseguir, ya que hay una
norma ISO equivalente, la 2859-1, de fcil adquisicin en Espaa. La verdad es que el sistema MIL-
STD-105 no viene presentado de forma muy pedaggica y la consulta de la norma no aclara mucho
las ideas. En primer lugar hay que usar una tabla que da una letra-cdigo, en funcin del tamao del
lote y del nivel de inspeccin. Manejando ambas tablas conjuntamente, se ve que la seleccin del
nivel de inspeccin implica un tamao de muestra mayor o menor. En experiencias previas siempre
se ha mantenido el nivel de inspeccin II, y as se decide hacerlo en este caso, con lo cual corres-
ponde utilizar la letra-cdigo L. En la tabla de planes de inspeccin, la letra L da un tamao de mues-
tra de 200 unidades, el equivalente de una caja, lo que representa mucho trabajo. Esto desanima a
nuestros directivos, que no obstante deciden seguir adelante.
REFLEXIONES:
No puede reducirse el tamao de muestra? Qu se pierde en tal caso?
Hasta el momento no se ha entendido muy bien lo que se haca, pero se han hecho las cosas como
todo el mundo. Para concluir y seleccionar efectivamente un plan en la tabla, hay que establecer un
valor para un parmetro denominado nivel de calidad admisible, que se designa habitualmente como
AQL, usando la abreviatura anglosajona. Parece que el AQL debe establecerse en funcin del perjui-
cio que representen las unidades no conformes que pueda contener el lote, lo que debera traducirse
a un porcentaje mximo admisible de unidades no conformes.
REFLEXIONES:
Cmo se establece el valor del AQL y qu garantas proporciona el uso de un AQL determina-
do?Garantiza el sistema MIL-STD-105 que el porcentaje de unidades no conformes en los lotes
aceptados no supere el valor del AQL?
El responsable de Produccin considera que lo mximo que puede aceptarse es un 5% de unidades
no conformes e interpreta que se debe hacer AQL = 5. La tabla solamente permite unos cuantos valo-
res de AQL, y el ms cercano a 5 es AQL = 4. Si se usa este valor, la tabla da un nmero de acepta-
cin Ac = 14 y un nmero de rechazo Re = 15. Esto significa que se aceptar un lote cuando de las
200 unidades inspeccionadas haya, como mximo, 14 no conformes.
En este punto de la discusin, el Responsable de Compras recuerda que los lotes vienen divididos en
cajas y plantea un problema de orden prctico sobre la ejecucin del plan de muestreo. Cuando el
lote est dividido en varios cajas, puede repartirse la muestra entre ellas? Hay que repartir enton-
ces el nmero de aceptacin, y se puede aceptar unas cajas y rechazar las otras? Por ejemplo, en
nuestro caso una muestra de 200 unidades puede repartirse entre 5 cajas para que sea ms repre-
sentativa. Hay que repartir entonces el nmero de rechazo Re = 15, y rechazar una caja donde se
hallen 3 unidades no conformes?
REFLEXIONES:
Cree Vd. que tienen sentido estas operaciones con el tamao de muestra y el nmero de aceptacin
cuando un lote est dividido en varios segmentos?
La opinin de los otros tres es contraria a complicar ms el asunto. El responsable de Calidad argu-
menta que en la literatura de su especialidad se habla slo de aceptar y rechazar lotes. Si se quiere
aplicar el sistema a las cajas lo que debera hacerse, segn l, es usar un tamao de lote 200, lo que
encarecera mucho el coste de la inspeccin. El responsable de Compras acepta el argumento, pero
no ve claro que se rechace un lote porque una caja sea peor que las otras o vivecersa. El responsa-
ble de Calidad considera que no debe haber cajas buenas y cajas malas, si el proveedor tiene un

proceso en estado de control. El de Compras considera que sta es una suposicin muy cndida.
Finalmente, se decide inspeccionar slo una de las cajas, entera.
REFLEXIONES:
Est Vd. de acuerdo con esta decisin?
El responsable de Produccin, que trabajaba antes en una empresa donde se utilizaban estos planes
de muestreo, recuerda una ancdota inquietante. En su anterior empresa utilizaban estos planes por
partida doble. En primer lugar, el personal de Produccin inspeccionaba cada lote dentro del control
de proceso. Por otro lado, al entrar en el almacn de producto acabado, el personal de Calidad ins-
peccionaba algunos lotes. El resultado era que la segunda inspeccin rechazaba a veces lotes acep-
tados en la primera, lo que provocaba el consiguiente malestar, adems del coste de una inspeccin
100% para separar las unidades no conformes del lote rechazado. Sin embargo, las muestras utiliza-
das en la primera inspeccin, conservadas por el Departamento de Produccin, haban sido inspec-
cionadas correctamente.
REFLEXIONES:
Por qu pasa esto? No hay forma de evitarlo? No hay garantas de que al repetir una inspeccin
realizada con un plan del MIL-STD-105 el resultado va a ser el mismo?
El responsable de Ingeniera opina que tal cosa es posible si en ambas inspecciones las muestras
son distintas, del mismo modo que dos encuestas distintas no dan exactamente los mismos resulta-
dos, aunque est de acuerdo en que la posibilidad de que el proveedor realice el mismo tipo de ins-
peccin y su resultado sea distinto complica el asunto. Se decide finalmente seguir con el plan de
inspeccin propuesto por la norma, y ver ms adelante si estas complicaciones se presentan.
REFLEXIN FINAL:
Son correctos los argumentos que han conducido a nuestros directivos a adoptar este plan de ins-
peccin? Hay un procedimiento mejor?
A5. EJEMPLOS NUMRICOS
1. Sea un lote de N=30 unidades que contiene d=5 no conformes. Se toma una muestra aleatoria de
n=10 unidades del lote.
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=10 de un lote
de tamao N=30 que contiene d=5 no conformes.
La variable aleatoria X puede tomar los valores 0,1,2,3,4 y 5 donde X se distribuye segn la distribu-
cin hipergeomtrica H(N=30;d=5;n=10).
La distribucin de probabilidades es:
P(X = x) = P
x ,
d N d
x n x
N
n
x
! " #" #
$ %$ %
!
& '& '
" #
$ %
& '
( (
1, 2, 3, 4, 5
a. Cul es la probabilidad de que contenga x=2 no conformidades?
Que la muestra contenga 2 no conformidades es el suceso X=2, por lo que la probabilidad es:
P( X = 2)
5 30 5
2 10 2
30
10
! " #" #
$ %$ %
!
& '& '
" #
$ %
& '
( (0,35999
Para el clculo puede utilizarse la funcin de la hoja de clculo Excel
=DISTR.HIPERGEOM(2;10;5;30).
b. Cul es la probabilidad de que contenga como mximo x=1 no conformidades?
Que la muestra contenga como mximo 1 no conformidad es la unin de dos sucesos independientes
X=0 y X=1, por lo que la probabilidad es la suma:
P(X " 1) = P(X=0) + (X=1)
5 25 5 25
0 10 1 9
30 30
10 10
" #" # " #" #
$ %$ % $ %$ %
& '& ' & '& '
" # " #
$ % $ %
& ' & '
( * (0,10879+ 0,33999= 0,44878
Para el clculo puede utilizarse la funcin de la hoja de clculo Excel
=DISTR.HIPERGEOM(0;10;5;30)+ DISTR.HIPERGEOM(1;10;5;30).

2. Cul es la probabilidad de aceptar un lote de tamao N=500 con 25 no conformidades si utiliza-
mos el plan de muestreo n=16 Ac=1?
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=16.
Como n%10<N=500 podemos aproximar la variable aleatoria por una binomial de parmetros n=16 y
p = probabilidad de no-conformidad=25/500=0,05.
Dado el plan de muestreo n=16, Ac=1, la probabilidad de aceptar el lote para una proporcin de no
conformidad p=0,05 es:
P(aceptar el lote | p=0,05)=P(X"1)=B(1;16;0,05)=0,8108

3. Calcule el riesgo # para un plan doble n
1
=18,c
1
=2,n
2
=25,c
2
=4 si el nivel de calidad aceptable (AQL)
es 0,05, suponiendo que el lote es grande.
Sea X
1
la variable aleatoria nmero de no conformidades en una muestra de tamao n=18.
X
1
, B(18; p)
Sea X
2
la variable aleatoria nmero de no conformidades en una muestra de tamao n=25.
X
2
, B(25;p)
P(aceptar el lote |p=0,05)=P(X
1
"2)+ P(X
1
=3)%P(X
2
"1)+ P(X
1
=4) %P(X
2
=0) = =0,9419 +(0,9891-0,9419)
%0,6424+(0,9985-0,9891) %0,2774=0,9748.
#=P(rechazar el lote |p=0,05)=1-0,9748=0,0252

4. Un contrato de compra estipula que el nivel de calidad aceptable es AQL=0,04 y el nivel de calidad
lmite es LQ=0,3. Se propone un plan de muestreo n=10 y Ac= 1 para recepcionar lotes de tamao
N=100.
a. Calcular la curva caracterstica utilizando para el clculo de probabilidades la distribucin hiper-
geomtrica.
En la segunda columna de la tabla A5.1 se encuentra el clculo de probabilidades de la curva carac-
terstica utilizado la frmula de la hoja de clculo Excel :
=DISTR.HIPERGEOM(0;10;A3*100;100)+DISTR.HIPERGEOM(1;10;A3*100;100)
donde A es la columna de proporciones de unidades no conformes.
La figura A5.1 es la grfica de la curva caracterstica cuyos valores estn calculados en la segunda
columna de la tabla A5.1.


Curva caracterstica
0,0
0,2
0,4
0,6
0,8
1,0
0 0,1 0,2 0,3 0,4
Proporcin no conformidades
P
r
o
b
a
b
i
l
i
d
a
d

a
c
e
p
t
a
c
i
n

d
e
l

l
o
t
e

Figura A5.1 Curva caracterstica del ejemplo 4 utilizando la distribucin hipergeomtrica

b. Calcular el riesgo del productor y el riesgo del consumidor.
La probabilidad de aceptacin del lote si ste tiene una proporcin de no conformidades igual al
AQL=0,04 es 0,951, por lo que el riesgo del productor es #=1-0,951=0,049.
La probabilidad de aceptacin del lote si ste tiene una proporcin de no conformidades igual al
LQL=0,3 es 0,136, por lo que el riesgo del consumidor es $=0,136.
c. Cul es el nivel de calidad indiferente?
El nivel de calidad indiferente es aquel que tiene una probabilidad asociada del 0,5; en este caso es
0,16. Este ndice se interpreta de la forma siguiente: si los lotes llevarn un 16% de las unidades no
conformes, la aceptacin del lote podra decidirse al azar lanzando una moneda: si sale cara acep-
tarlo y si sale cruz rechazarlo. De todas formas hay que remarcar
d. Realizar los apartados anteriores utilizando para el clculo la distribucin binomial.
En la tercera columna de la tabla A5.1 se encuentran los clculos de las probabilidades de la curva
caracterstica se utiliza la hoja de clculo Excel donde la frmula en este caso es
= DISTR.BINOM(1;10;A3;VERDADERO)
y A es la columna de proporciones de unidades no conformes. Se puede pasar de la tabla al grfico
de la curva caracterstica en la misma hoja de clculo (Figura A5.2).


Curva caracterstica
0,000
0,200
0,400
0,600
0,800
1,000
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4
Proporcin de no conformidades
P
r
o
b
a
b
i
l
i
d
a
d

a
c
e
p
t
a
c
i
n

d
e
l
l
o
t
e

Figura A5.2 Curva caracterstica del ejemplo 4 utilizando la distribucin binomial

Tabla A5.1 Clculo de las probabilidades de la curva caracterstica del ejemplo 4
utilizando la distribucin hipergeomtrica y la binomial
Proporcin de unida-
des no conformes
Probabilidad de
aceptacin del lote
(Hipergeomtrica)
Probabilidad de
aceptacin del lote
(Binomial)
0,02 0,991 0,984
0,04=AQL 0,951 0,942
0,06 0,891 0,882
0,08 0,818 0,812
0,1 0,738 0,736
0,12 0,657 0,658
0,14 0,576 0,582
0,16 0,500 0,508
0,18 0,428 0,439
0,2 0,363 0,376
0,22 0,333 0,318
0,24 0,278 0,267
0,26 0,229 0,222
0,28 0,187 0,183
0,3=LQL 0,136 0,149
0,32 0,108 0,121
0,34 0,085 0,096
0,36 0,066 0,076
0,38 0,051 0,060
0,4 0,039 0,046
0,42 0,029 0,036
Conclusin: A la vista de los clculos realizados en la tabla A5.1, puede observarse que hay diferen-
cias utilizando la distribucin hipergeomtrica y la binomial. El procedimiento correcto en este caso
sera utilizar la distribucin hipergeomtrica puesto que el tamao del lote no es suficientemente
grande.

5. Un contrato de compra estipula la compra de componentes en lotes grandes que han de contener
como mximo un 5% de componentes no conformes (el AQL=0,05). Para comprobar la calidad se
inspeccionan 10 unidades del producto de cada lote, aceptando si hay como mximo una unidad de-
fectuosa. Estudiar la probabilidad de aceptacin de un lote cuando la proporcin real de componentes
no conformes en los lotes es 0,05, 0,10, 0,15 y 0,20.
Se trata de un plan de muestreo simple donde el tamao de la muestra es n=10 y la aceptacin del
lote es Ac=1.
Sea X la variable aleatoria numero de no conformidades en una muestra de tamao n=10.
Como que el tamao del lote N es grande (supongamos 10n<N) podemos aproximar la distribucin de
la variable aleatoria por una binomial de parmetros n=10 y p=probabilidad de no conformidad.
Dado el plan de muestreo n=10, Ac=1, la probabilidad de aceptar el lote si la proporcin de no con-
formidad es P= 0,01; 0,05; 0,10; 0,15; 0,20 son
1
:
P(aceptar el lote | p=0,01)=P(X=0)+P(X=1)=P(X"1)=B(1;10;0,01)=0,9957
A la vista de los resultados, podemos observar que:
! Si el lote tiene un 1% de piezas no conformes (por debajo del nivel aceptable), tiene una probabi-
lidad de aceptarlo de 0,9957, con lo cual al consumidor le puede parecer bien el plan de muestreo
pero al fabricante no, ya que el contrato estipula un nivel de calidad aceptable de un 5% y si l
sirve lotes con 1% de no conformidades le devolvern un 1,47% de los lotes.
! Si el lote tiene un 5% de las piezas no conformes, tiene una probabilidad de aceptarlo de 0,9139,
con lo cual al consumidor le puede parecer bien pero al fabricante no, ya que el contrato estipula
un nivel de calidad aceptable de un 5% y si l sirve lotes con esta proporcin le devolvern un
8,61% de los lotes.

1
Las probabilidades pueden calcularse con la hoja de clculo excel con la frmula
B(1;10;p=A3)=DISTR.BINOM(1;10;A3;VERDADERO) o con las tablas de la Binomial del Anexo.


! Si el lote tiene un 10% de las piezas no conformes, tiene una probabilidad de aceptarlo de
0,7361. con lo cual al consumidor no le parecer bien, ya que el contrato estipulaba como mxi-
mo un 5% de piezas no conformes y slo rechaza un 26,39% de los lotes con un 10% de no con-
formidades.

6. Dado el plan de muestreo n=25, Ac=1, utilizando la hoja de clculo Excel, resolver las siguientes
cuestiones teniendo en cuenta que el lote es de tamao N = 1.000.
a. Calcular y dibujar la curva caracterstica o curva operativa (OC) del plan de muestreo. Justificar la
distribucin de probabilidad utilizada para calcular las probabilidades.
En un plan de muestreo, la curva caracterstica, o curva OC (operating characteristic curve), es una
funcin (o una curva, si la representamos grficamente) que da la probabilidad de aceptacin P
a
de
un lote en trminos de el porcentaje de no conformidades p. Dado el plan de muestreo n=25, Ac =1
para calcular las probabilidades asociadas a los porcentajes de no conformidades utilizaremos el
modelo probabilstico binomial puesto que el tamao de la muestra 25 < N/10 donde N=1000 es el
tamao del lote.
Sea la variable aleatoria X = nmero de unidades no conformes en la muestra de tamao n=25. X~
Binomial(25;p).
En la tabla A5.2 se dan algunas probabilidades de aceptacin, calculadas a partir de la distribucin
binomial.
Tabla A5.2 Probabilidades de aceptacin
Porcentaje
Probabilidad de acep-
tacin
1% 0,974
1,3% 0,958
1,4% 0,952
1,6% 0,940
2% 0,911
3% 0,828
4% 0,736
5% 0,642
6% 0,553
7% 0,470
8% 0,395
9% 0,329
10% 0,271
12% 0,180
14% 0,117
16% 0,074
18% 0,045
20% 0,027
22% 0,016
26% 0,005

Indicacin: los clculos pueden hacerse con la hoja de clculo Excel con la frmula
=DISTR.BINOM(1;25;A3;1) o utilizando las tablas estadsticas del anexo.
Utilizando la hoja de clculo puede dibujarse la curva caracterstica:
Curva caracterstica
0
0,2
0,4
0,6
0,8
1
0% 5% 10% 15% 20% 25% 30%
Porcentaje de no conf ormidades
p
r
o
b
a
b
i
l
i
d
a
d

d
e

a
c
e
p
t
a
c
i
n

Figura A5. Curva caracterstica del ejemplo 6 utilizando la distribucin Binomial.
b. Qu valor identificaras como nivel de calidad aceptable (AQL)?
El nivel de calidad aceptable es el porcentaje no conforme que se considera aceptable en la inspec-
cin. Se designa por AQL (acceptable quality level). El AQL es una indicacin que se da al productor,
y depende de criterios econmicos y tcnicos. Al usar este parmetro, es importante tener bien claro
lo que significa, ya que, de lo contrario, puede generar expectativas sin fundamento. El AQL puede
ser cualquier valor de p para el cual la probabilidad de aceptacin sea alta (en general superior al
90%) . Normalmente se escoge del 0,95 y en este caso podra ser AQL=1,4%.
c. Qu valor identificaras como nivel de calidad lmite (LQ)?
La calidad lmite es el porcentaje no conforme mximo que se considera aceptable en la inspeccin.
Se designa por LQ (limiting quality), LQL (limiting quality level), RQL (rejectable quality level) o LTPD
(lot tolerance percent defective). El significado de la LQ en un plan de muestreo es similar al del AQL,
pero de sentido contrario. Si p=LQL, la probabilidad de aceptacin es baja (en general inferior al
10%). En este caso particular se podra coger LQ=16%. ( Tabla A5.2).
d. Cul sera el riesgo del productor (#) y el del consumidor ($), teniendo en cuenta los valores
AQL y LQ que se haya escogido?
El riesgo del productor # es la probabilidad de rechazar un lote con p=AQL (que debera ser acepta-
do). Al escoger AQL= 1,4 % en la tabla A5.2, le corresponde una probabilidad de aceptacin de
0,952, de donde se deduce que al hacer p=AQL la curva caracterstica nos da P
a
=1-#
En este caso #=1-0,952=0,048
El riesgo del consumidor, $, es la probabilidad de aceptar un lote con LQ de no conformidades (que
debera ser rechazado).
Si LQ = 16 %, en la tabla A5.2 le corresponde una $=0,074.

7. Indicar el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si se
quieren inspeccionar lotes de N=20.000 unidades de forma continuada y el nivel de calidad aceptable
(AQL) pactado con el proveedor es de 0,25% no conformidades.
Para escoger un plan de muestreo, la norma la ISO 2859 propone que a menos que se indique lo
contrario se utilizar la inspeccin para usos generales nivel II.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=20.000 unidades le corres-
ponde la letra cdigo M.
Para la letra cdigo M, para inspeccin rigurosa, mirando la tabla 3.4 del captulo 2, le corresponde
para un AQL=0,25% el plan de muestreo n=315 Ac=1

8. Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 1 parte si se quie-
ren inspeccionar lotes de N=700 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 0,15% no conformidades.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=700 unidades le correspon-
de la letra cdigo J.
Para la letra cdigo J, para inspeccin normal, mirando la tabla 3.4 del captulo 2, le corresponde para
un AQL=0,15% el plan de muestreo n=80 Ac=0.

9. Indicar el plan de muestreo (para inspeccin reducida) que propone la ISO 2859 1 parte si se
quieren inspeccionar lotes de N=500 unidades de forma continuada y el nivel de calidad aceptable
(AQL) pactado con el proveedor es de 1% no conformidades.
Mirando la tabla 3.1 del captulo 2 (Mdulo 2), para un lote de tamao N=500 unidades le correspon-
de la letra cdigo H.
Para la letra cdigo H, para inspeccin reducida, mirando la tabla 3.3 del captulo 2, le corresponde
para un AQL=1% el plan de muestreo n=20 Ac=0 y Re=2, lo que indica que en caso de detectar una
unidad no conforme se acepta el lote y se restablece la inspeccin normal.

10. Con el plan escogido en el ejercicio 9 determinar cul sera la probabilidad de aceptar un lote de
N=500 con 50 no conformidades?
La proporcin de no conformidades del lote es p=50/500=0,10.
Sea X la variable aleatoria nmero de no conformidades en una muestra de tamao n=20. Por ser
10n<N podemos aproximar X por la distribucin binomial de parmetros n=20 y p=0,10. La probabili-
dad de aceptar el lote con un 10% de no conformidades es:
P(aceptar el lote -p=0,10)=P( X " 1)=B(1;20;0,10)=0,3917 ( mirando las tablas de la binomial).
Obsrvese que se ha hecho el clculo de la probabilidad de aceptar el lote con el plan de muestreo
n=20 Ac=1 ya que en el apartado anterior para inspeccin reducida, mirando la tabla 3.3 del captulo
2, le corresponde para un AQL=1% el plan de muestreo n=20 Ac=0 y Re=2, lo que indica que en
caso de detectar una unidad no conforme se acepta el lote y se restablece la inspeccin normal.

11. Con el plan escogido en el ejercicio 9 determinar cul sera la el riesgo del productor #?.
El riesgo del productor, #, es la probabilidad de rechazar un lote con p=AQL (que debera ser acepta-
do). La probabilidad de aceptar el lote cuando p=AQL=1% es:
P(aceptar el lote -p=0,01)= P( X " 1)=B(1;20;0,01)=0,9831 ( mirando las tablas de la binomial).
Por lo que la probabilidad de rechazarlo es:
#=1- P(aceptar el lote -p=0,01)=1-0,9831=0,0169.
Mdulo 3. Control estadstico de proceso 91

Mdulo 3. Control estadstico de proceso
Captulo 2. Grficos de control
2.1 Algunas frmulas de los grficos de control
2.2 Primeras ideas de los grficos de control
2.3 Variantes de los grficos de control
2.4 Lmites de control
2.5 Pautas en los lmites de control
Captulo 3. Capacidad de un proceso
3.1 Variantes en la expresin de la capacidad
3.2 ndices de capacidad
3.3 Validez de los ndices
Captulo 4. Grficos de control para variables
4.1 Grficos de control para subgrupos
4.2 Grficos / X R y / X s
4.3 Grficos para observaciones individuales
Captulo 5. Grficos de control para atributos
5.1 Control de la proporcin de unidades no conformes
5.2 Control del nmero de no conformidades
5.3 Control del nmero de demritos
Anexo A6. Distribuciones de probabilidad
Anexo A7. Caso prctico 1
Anexo A8. Caso prctico 2
1. INTRODUCCIN
Este mdulo trata sobre la construccin e interpretacin de los grficos de control. La mayor parte
de ellas est dedicada a los grficos de control clsicos, que fueron diseados por W. E. Shewhart en
los aos 20 y a los que modernamente denominamos grficos de Shewhart.
Los mtodos que presentamos se ilustran con su aplicacin a cinco ejemplos de proceso, que se han
considerado representativos y que se describen brevemente en este captulo. Tanto las tablas como
los grficos que se han incluido en estas notas, han sido preparados en hojas de clculo Excel.
La terminologa estadstica que se usa es completamente estndar y no difiere de la que se pueda
hallar en cualquier manual de control estadstico de proceso. En este sentido, estas notas son autosu-
ficientes.
En el anexo A1 del mdulo 1 se incluyen unas notas histricas sobre la evolucin del control estads-
tico de la calidad, desde Shewhart hasta hoy. Confiamos en que estos apuntes, respaldados por las
referencias bibliogrficas que se dan al final, resulten suficientes para los lectores que deseen adquirir
una perspectiva histrica de los grficos de control.
Hemos incluido en la bibliografa las normas americanas, britnicas e internacionales que se ocupan
de los grficos de control y algunos artculos que pueden ayudar a los lectores a profundizar en algn
aspecto que nosotros tratamos muy por encima, como la relacin entre los mtodos SPC y el control
automtico de proceso.
En este primer captulo daremos un repaso a las nociones bsicas del control de proceso, algunas de
ellas introducidas en el mdulo 1, a fin de dejarlas bien claras y establecer la terminologa del lengua-
je del control de proceso, que se usar con frecuencia en estas notas. El concepto de proceso es
fundamental en la empresa contempornea. En los orgenes del control de la calidad (aos 20), el
trmino proceso se usaba para designar un proceso de fabricacin, que implicaba operarios, mqui-
nas, materias primas, etc. Poco a poco el concepto fue adquiriendo mayor alcance, extendindose a
los procesos de soporte o de servicio. En el lenguaje empresarial de hoy, proceso es la transforma-
cin de unos elementos de entrada o inputs en unos elementos de salida o outputs. Un proceso
puede subdividirse en subprocesos, o fases, segn convenga desde el punto de vista prctico.
Se denomina producto al resultado de un proceso. Controlar un proceso significa gestionarlo de mo-
do que el producto sea predecible y satisfactorio. Cuando se alcanza tal situacin, se dice que el pro-
ceso est en estado de control. El control de un proceso es el conjunto de actividades que se rea-
lizan para controlarlo. Cuando el control de un proceso se lleva a cabo segn un programa predefini-
do, a ste se le denomina plan de control del proceso. La existencia del plan de control no presu-
pone que haya un documento nico, con ese nombre u otro, que lo describa.
El objetivo del control de proceso es conseguir que se satisfagan de forma continuada unos requisi-
tos. Los requisitos hacen referencia al proceso en s (al modo en que se realiza la transformacin) o
al producto. El documento que recoge estos requisitos (si existe) se denomina especificacin (de
proceso o de producto). En caso de cumplirse los requisitos especificados, se habla de proceso o
producto conforme. Una especificacin debe indicar, en la medida de lo posible, cmo puede verifi-
carse la conformidad.
Una estrategia clsica del control de proceso consiste en el seguimiento, a lo largo del tiempo, de uno
o varios indicadores relacionados con l. Los grficos de control, de los que trataremos en estas
notas, constituyen una herramienta sencilla para realizar este seguimiento. La denominacin control
estadstico de proceso, abreviadamente SPC (statistical process control), se refiere al uso de los
grficos de control y las frmulas estadsticas asociadas a ellos en el control de la produccin.

Un grfico de control muestra la evolucin, a lo largo del tiempo, de un indicador. Los indicadores
usados pueden ser:
! Parmetros de proceso, como temperatura, tiempo de reaccin, etc.
! Medidas de eficiencia, como rendimiento, coste, consumo, mermas, etc.
! Resultados de la inspeccin del producto
En la ltima parte de este captulo daremos algunos ejemplos de procesos y de indicadores adecua-
dos para el control de esos procesos.
Las causas o condiciones que influyen sobre la transformacin que constituye la esencia de un pro-
ceso se denominan genricamente factores del proceso. Factores tpicos en los procesos industria-
les son las materias primas, el medio ambiente y los operarios. Los factores del proceso no actan
siempre de la misma forma, lo que da lugar a fluctuaciones en los indicadores a travs de los cuales
vemos el proceso. La expresin variabilidad del proceso alude a este hecho. Decimos que un
proceso est en estado de control estadstico (respecto a un indicador) cuando su variabilidad si-
gue una pauta conocida y consistente en el tiempo. El significado exacto de esta definicin para cada
caso particular depende de la naturaleza del proceso y del indicador usado. Un proceso en estado de
control estadstico es predecible, en el sentido de que podemos predecir el intervalo de valores dentro
del cual oscilar el indicador considerado.
Decimos que un proceso es capaz (respecto a un indicador y unos requisitos relativos a ese indica-
dor) cuando del estudio de su variabilidad se concluye que podemos esperar que satisfaga los requi-
sitos de forma continua a lo largo del tiempo. No tiene sentido discutir la capacidad de un proceso que
no est en estado de control estadstico para el indicador correspondiente, ni sin especificar el indica-
dor a que nos referimos, ya que un proceso puede ser capaz para un indicador, pero no serlo para
otro.
Presentamos a continuacin algunos ejemplos que ilustran las distintas clases de proceso.
Ejemplo 1: Fabricacin de hojas de acero
Una industria del sector metalrgico produce hojas de acero. Para ello se prensa una lmina de acero
entre dos rodillos y despus se corta para conseguir las dimensiones deseadas. En el proceso de
prensado se utiliza como indicador el grosor de las hojas, que se mide con un micrmetro.
Ejemplo 2: Servicio de atencin al cliente
En una empresa se ha organizado un servicio telefnico de atencin al cliente. Como indicador se
utiliza el porcentaje de llamadas que son contestadas antes de que suene la tercera seal. Tanto en
este ejemplo como en el anterior tenemos un proceso en el que el producto consiste en un conjunto
de unidades, cada una de las cuales puede ser conforme o no a la especificacin. El caso ms sim-
ple, cubierto en todos manuales de control estadstico de proceso (algunos parecen considerar ni-
camente ste), es aquel en el cual las unidades se producen de la misma forma, una despus de
otra. En estos procesos todos los factores tienen la posibilidad de actuar en el intervalo de tiempo que
media entre dos unidades consecutivas.
Ejemplo 3: Fabricacin de ferritas
En la fabricacin de ferritas hay una primera fase, que podemos denominar proceso de prensado, en
la cual una prensa transforma un polvo compuesto por una mezcla de xidos en unas unidades sli-
das. La prensa tiene uno o varios moldes y en cada golpe arroja tantas unidades como moldes tiene.
El nmero de golpes por minuto es elevado. Se utilizan como indicadores las dimensiones y el peso
de cada unidad.
Hay procesos, como el de este ejemplo, en los que las unidades no se producen una despus de otra
del mismo modo. Por ejemplo, consideremos una mquina con varias posiciones (orificios, cavidades
de un molde, etc.) en las que tiene lugar una transformacin de las unidades del producto. Las unida-
des que provienen de distintas posiciones pueden presentar diferencias entre ellas, a causa de que la
transformacin no se realiza exactamente del mismo modo en las diferentes posiciones. Estas dife-
rencias siguen a veces una pauta consistente en el tiempo, pero otras veces no. Para analizar la va-
riabilidad de este tipo de procesos hay que tener en cuenta las dos fuentes que la originan. Una da
lugar a diferencias entre unidades producidas en distintas posiciones y la otra a diferencias entre uni-
dades de la misma posicin. A pesar de que esta situacin es muy frecuente en la industria, ya que
permite mayor productividad, es esquivada en la mayora de los manuales de control estadstico de
proceso. La expresin proceso multiposicional alude a este tipo de proceso.
Ejemplo 4: Tejido para asientos de automvil
En una industria textil, uno de los productos es un tejido para el revestimiento de asientos de autom-
vil. El tejido se produce en continuo y se suministra al cliente en bobinas de 100 metros. Como indi-
cador se utiliza el nmero de defectos por metro. En los procesos continuos, o procesos de fabrica-
cin en continuo, no se producen unidades individuales, sino un flujo continuo de material.
Ejemplo 5: Fabricacin de productos qumicos
En una industria qumica, uno de los productos con mayor facturacin es un producto para tratamien-
to de superficies. Este producto se fabrica en un reactor donde se mezclan diversos componentes en
condiciones especificadas. Cada batch constituye un lote del producto. Uno de los indicadores que se
utilizan para el seguimiento de este producto es el pH de un lote, que se obtiene analizando una
muestra extrada del reactor antes de su descarga.
Un proceso en batch es una transformacin por la que se obtiene una cierta cantidad del producto,
denominada batch, en las mismas condiciones. El batch puede presentar una variabilidad interna, con
lo que no tendra sentido tratar de definirlo mediante una sola medicin, a menos que sta se realice
sobre una muestra compuesta. Si la variabilidad interna es pequea frente a la variabilidad entre bat-
ches, se puede tratar cada batch como si fuera una unidad separada. En la fabricacin en batch se
realizan a veces cambios frecuentes de producto, que pueden hacer intil el seguimiento mediante
grficos de control, a menos que se use como indicador una caracterstica o parmetro de proceso
comn a varios productos. Este hecho y la existencia de variabilidad interna hacen que no pueda
darse un mtodo general para el seguimiento de los datos de un proceso en batch.

2. GRFICOS DE CONTROL
2.1 Algunas frmulas estadsticas
En esta primera seccin vamos a dar un repaso a algunas frmulas estadsticas que intervienen en la
elaboracin de los grficos de control. Llamamos estadstico al resultado de realizar una operacin
matemtica sobre un conjunto de datos, normalmente con el fin de resumir la informacin y hacerla
ms comprensible. Cuanto mayor es el nmero de datos, ms interesa resumir la informacin me-
diante estadsticos. El estadstico ms utilizado es la media. Si x
1
, x
2
, ..., x
n
son resultados de la ob-
servacin de una variable aleatoria X, su media es
1 n
x x
x
n
! !
"
!

La media es una medida de posicin, que marca un punto en torno al cual estn ms o menos agru-
pados los datos. Si aplicamos a los datos una transformacin lineal, la media se transforma de la
misma forma. Es decir, si definimos Y = a + bX, entonces la media de los datos y
i
= a + bx
i
es
y a bx " !
El recorrido es la diferencia entre el mayor y el menor de los valores hallados. Se designa habitual-
mente por R. El recorrido es una medida de la dispersin de los datos y puede usarse para evaluar la
variabilidad de X.
Otra medida de dispersin es la varianza,
2 2
2 1
( ) ( )
1
n
x x x x
s
n
# ! ! #
"
#
!

Para comprender por qu la varianza mide la dispersin de los datos basta observar que los suman-
dos que hay en el numerador de esta frmula son positivos, al ser cuadrados, y mayores cuanto ma-
yores sean las desviaciones de los valores de X respecto de su media.
Se llama desviacin estndar a la raz cuadrada de la varianza. Las dimensiones de la varianza de
X no son las mismas que las de X (por ejemplo, si X se mide en mm, la varianza resulta en mm
2
),
pero las de la desviacin estndar s, por lo que sta puede usarse como escala para medir la magni-
tud de la desviacin de un valor x
i
respecto de la media. A veces se efecta la transformacin
i
i
x x
z
s
#
"
lo que equivale a dar las desviaciones respecto a la media como mltiplos de s". Esta transformacin
se denomina estandarizacin o normalizacin. La media de los z
i
es 0, y la desviacin estndar 1.
La desviacin estndar s y el recorrido R son dos formas alternativas de evaluar la variabilidad de X.
Si sumamos una constante a todos los datos, su valor no se altera, pero si los multiplicamos por un
factor constante, la desviacin estndar y el recorrido quedan multiplicados por ese factor. s y R tie-
nen sus ventajas e inconvenientes:
! El recorrido es ms sencillo de calcular, y mucho ms fcil de entender, que la desviacin estn-
dar.
! El recorrido slo tiene en cuenta los dos valores extremos, mientras que la desviacin estndar
considera todos los datos. Por consiguiente, el recorrido es menos aconsejable a medida que
aumenta el nmero de datos, ya que su uso involucra prdida de informacin. De hecho, slo se
usa cuando el nmero de datos es pequeo (5 o 6 como mximo).
! La interpretacin del valor de R depende del nmero de datos a partir de los que se ha obtenido,
ya que no puede esperarse la misma magnitud para un recorrido de 5 datos que para uno de 2.
En cambio, se puede usar el valor de s independientemente del nmero de datos. En la prctica,
se usa a veces el recorrido para series de datos pequeas, pero para su interpretacin siempre
se transforma previamente en una desviacin estndar, como veremos en el captulo 4.
NOTA. La desviacin estndar, tal como la hemos definido aqu, se denomina, si hay riesgo de con-
fusin, desviacin estndar muestral o, en el contexto de las ciencias experimentales, desviacin
estndar experimental. La desviacin estndar muestral no debe confundirse con la de una poblacin,
que es un parmetro estadstico que se usa cuando se conocen todos los valores de una variable X
para una poblacin (finita) de N individuos, cuya media es ". La frmula es entonces
2 2
1
( ) ( )
N
x x
N
$ $
%
# ! ! #
"
!

Ejemplo 1 (continuacin)
Los lmites de tolerancia para el grosor de las hojas de acero son 0,6 # 0,002 mm. Para verificar el
estado de control del proceso se extraen muestras de cinco unidades de 20 lotes consecutivos y se
mide el grosor de cada unidad. Los resultados (en micras) se presentan en la tabla 2.1 junto con la
media, la desviacin estndar y el recorrido de cada muestra. En la ltima fila se dan las medias de
las cuatro ltimas columnas, es decir, la media de los 100 datos, la desviacin estndar media, la
varianza y el recorrido medio. La tabla se ha preparado en una hoja Excel.
Tabla 2.1 Grosor de una hoja de acero
Muestra x1 x2 x3 x4 x5
x
s s
2
R
1 598,0 599,8 600,0 599,8 600,0 599,5 0,856 0,732 2
2 600,0 598,8 598,2 599,4 599,6 599,2 0,707 0,5 1,8
3 599,4 599,4 600,0 598,8 599,2 599,4 0,434 0,188 1,2
4 599,4 599,6 599,0 599,2 600,6 599,6 0,623 0,388 1,6
5 598,8 598,8 599,8 599,2 599,4 599,2 0,424 0,18 1
6 600,0 600,2 600,2 599,6 599,0 599,8 0,51 0,26 1,2
7 599,0 599,8 600,8 598,8 598,2 599,3 1,006 1,012 2,6
8 6,000 599,2 599,8 601,2 600,4 600,1 0,743 0,552 2
9 600,2 599,6 599,6 599,6 600,2 599,8 0,329 0,108 0,6
10 599,2 599,0 599,6 600,4 600.0 599,6 0,573 0,328 1,4
11 599,0 599,6 599,4 599,2 597,8 599 0,707 0,5 1,8
12 600,4 599,6 600,0 600,8 600,4 600,2 0,456 0,208 1,2
13 599,4 599,0 598,4 599,0 599,6 599,1 0,46 0,212 1,2
14 598,8 599,2 599,6 598,6 599,8 599,2 0,51 0,26 1,2
15 599,6 599,2 599,6 600,2 599,8 599,7 0,363 0,132 1
16 599,6 600.0 599,6 599,2 598,6 599,4 0,529 0,28 1,4
17 599,6 601,2 599,6 600,2 600.0 600,1 0,657 0,432 1,6
18 600.0 599,4 599,8 599,2 599,6 599,6 0,316 0,1 0,8
19 599,4 600.0 600 599,2 599,4 599,6 0,374 0,14 0,8
20 599,6 599,8 599.0 599,6 599,4 599,5 0,303 0,092 0,8
Promedios 599,54 0,544 0,3302 1,36

2.2 Primeras ideas sobre los grficos de control
El grfico de control es la herramienta bsica del control estadstico de proceso. Su empleo permite
comparar los datos de un indicador de un proceso con unos lmites fijados a partir de un estudio de la
variabilidad del proceso o de requisitos previamente establecidos. En un grfico de control se repre-
sentan los valores de algn estadstico, calculado a partir de datos del proceso recogidos a lo largo
de un perodo de tiempo. Hay varios tipos de grficos de control, segn el estadstico que se use para
elaborarlos y la forma de establecer los lmites.
En los grficos de control tpicos, adems de los puntos que representan los valores del estadstico
correspondiente, unidos por una lnea quebrada, se dibujan tres lneas horizontales que ayudan a la
interpretacin del grfico:
! La lnea central, asociada al valor medio del estadstico utilizado.
! Los lmites de control, superior e inferior, situados a ambos lados de la lnea central y, en la
mayora de los casos, equidistantes de ella.
En las figuras 2.1, 2.2 y 2.3 pueden verse grficos de control elaborados a partir de los datos de la
tabla 2.1, usando la media, la desviacin estndar y el recorrido, respectivamente. Ms adelante se
ver cmo se han obtenido los lmites de control que hay en estos grficos.
Los grficos de control se elaboran a partir de datos relativos a unos determinados indicadores. Estos
indicadores pueden obtenerse de dos formas alternativas:
! A travs de mediciones de una caracterstica medible del producto (longitud, peso, etc.) o de un
parmetro del proceso (temperatura, presin, etc.). Los grficos de control que se usan en este
caso son los grficos de control por variables.
! Contando las unidades no conformes o las no conformidades (incumplimientos de uno o varios
requisitos). En el primer caso hablaremos de control por la proporcin de unidades no con-
formes, y en el segundo de control por el nmero de no conformidades. Ambas situaciones
quedan dentro de lo que se llama control por atributos.
598
598,5
599
599,5
600
600,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 2.1 Grfico de control para las medias de la Tabla 2.1

0
0,2
0,4
0,6
0,8
1
1,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 2.2. Grfico de control para las desviaciones estndar de la Tabla 2.1

0
0,5
1
1,5
2
2,5
3
3,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 2.3. Grfico de control para los recorridos de la Tabla 2.1

En el control por variables se trabaja con ms informacin que en el control por atributos y, por consi-
guiente, el nmero de observaciones que se realizan es menor. No obstante, el control por atributos
es ms sencillo.
2.3 Variantes de los grficos de control
En el control por variables el indicador es una caracterstica medible cuyos valores se obtienen me-
diante la inspeccin de muestras del producto o se extraen de los registros de un parmetro de pro-
ceso. Para una caracterstica medible, la especificacin se concreta en la definicin de una zona de
tolerancia, que es la zona de valores dentro de la cual el valor de la caracterstica se considera acep-
table. La zona de tolerancia viene definida por uno o dos lmites de tolerancia. Cuando hay lmite
superior e inferior, se llama tolerancia a la diferencia entre ambos.
El modelo terico habitual en el control por variables es la distribucin normal (ver Anexo A6), que
tiene dos parmetros (estadsticos), " y $. Se interpreta " como una indicacin del nivel medio de la
caracterstica y $ como una medida de su variabilidad. El rasgo esencial de esta variante del control
de proceso, desde el punto de vista matemtico, es que estas variables pueden variar de forma conti-
nua, de modo que todos los valores de un intervalo son posibles. Naturalmente, esto slo es as en

teora, ya que, en la realidad, el instrumental usado en las mediciones slo permite obtener un con-
junto finito de valores. Sin embargo, en la mayora de los casos el uso de variables continuas propor-
ciona una aproximacin razonable y simplifica el tratamiento matemtico. Como para caracterizar el
proceso se necesitan dos parmetros, " y $, para su seguimiento se usan dos grficos de control.
La inspeccin por atributos consiste en verificar la presencia o ausencia de alguna caracterstica o
atributo en la muestra de producto que se inspecciona. Los datos a partir de los cuales se elaboran
los grficos de control se obtienen al contar las no conformidades presentes en la muestra y en esta-
do primario son nmeros naturales (0, 1, 2, etc.), aunque se pueden transformar, por ejemplo, en
porcentajes para facilitar su interpretacin.
Una primera variante del control por atributos se ocupa de la proporcin de unidades no conformes
que se halla en muestras extradas de la produccin. La proporcin de unidades no conformes es el
cociente de dividir el nmero de unidades no conformes por el nmero de unidades inspeccionadas.
Esta variante de control por atributos tiene cuando el producto est formado por unidades discretas,
que se pueden clasificar en conformes y no conformes en base a la especificacin.
El modelo terico para estas variables es la distribucin binomial (ver Anexo A6), con un parmetro
p que se interpreta como la proporcin de unidades no conformes producida por el proceso. El nme-
ro medio de unidades no conformes en una muestra de tamao n es np. En esta variante del control
de estadstico de proceso slo se usa un grfico, en el que sigue la evolucin de p (o np) a lo largo
del tiempo.
Por definicin, la proporcin de unidades no conformes est comprendida entre 0 y 1. Si la multipli-
camos por 100 obtenemos el porcentaje. El uso de porcentajes es comn en el lenguaje coloquial,
pero desde el punto de vista estadstico, el multiplicar las proporciones por 100 es irrelevante. A ve-
ces se usa el smbolo p para designar porcentajes. Por ejemplo, en las tablas de muestreo MIL-STD-
105 (v. Mdulo 2), p es el porcentaje de unidades no conformes. Sin embargo, en este mdulo, p
siempre designa una proporcin.
Una segunda variante del control por atributos se ocupa del nmero de no conformidades halladas en
muestras extradas de la produccin. El modelo terico es, en este caso, la distribucin de Poisson
(v. Anexo A6), con un parmetro c que se interpreta como el nmero medio de no conformidades por
muestra. Como en el caso anterior, se usa un nico grfico de control para seguir la evolucin de c.
El control por el nmero de no conformidades se utiliza tpicamente en dos situaciones:
! Para el hardware y los servicios, en el caso en que cada unidad pueda presentar ms de una no
conformidad e interese el nmero de stas, no el de unidades no conformes.
! En material procesado en continuo que se inspecciona por atributos, como cable, papel, tejido,
etc.
Si existen unidades'', el nmero medio de no conformidades por unidad, en una muestra de tamao
n, es u = c/n. En los materiales continuos no hay unidades'', pero la definicin tambin tiene sentido.
Para ello se toma como unidad un segmento o rea de producto, de forma que las muestras conside-
radas sean mayores que estos segmentos. Por ejemplo, en la fabricacin de un tejido podemos con-
siderar el nmero de defectos por metro (as lo haremos al discutir el Ejemplo 3 en el prximo captu-
lo).
En ciertos productos interesa distinguir las no conformidades segn su gravedad. Para ello se asigna,
a cada clase de no conformidad, un coeficiente o peso w, que se interpreta como el nmero de de-
mritos que corresponde a una no conformidad de esa clase. Al inspeccionar una muestra de pro-
ducto, se multiplica el nmero de no conformidades de cada clase halladas en la inspeccin por su
peso, sumando los resultados para obtener el nmero total de demritos de la muestra. El proceso se
evala por el nmero medio de demritos por muestra (o unidad).
Habitualmente, en la asignacin del peso w a una clase de no conformidades se tiene en cuenta el
impacto que produce sobre el cliente o usuario del producto. Por tanto, los demritos no son algo
intrnseco, sino que dependen principalmente del destino que se d al producto.
En una situacin estndar, podemos dividir las no conformidades en cuatro clases:
! Crticas. Las que representan un peligro para la integridad del usuario o que afectarn con segu-
ridad al rendimiento del producto. Podemos asignarles un peso w = 50.
! Mayores. Las que afectarn probablemente al rendimiento del producto, o que son causa de que
el usuario tenga que efectuar correcciones. Ahora w = 10.
! Menores. Las que pueden causar fallos en el servicio, pero el producto podr realizar su funcin
principal. Su aparicin reiterada podra inducir al usuario a comprar el producto a la competencia.
En este caso, w = 5.
! Intrascendentes. Las que no son advertidas por el usuario cuando se presentan de forma aisla-
da, pero su aparicin reiterada podra inducir al usuario a adquirir el producto a la competencia en
el futuro. Podemos asignarles w = 1.
En otros casos, los pesos son 100, 50, 10 y 1, como en un sistema usado por AT&T. Otro ejemplo es
el sistema usado por Peugeot en sus auditoras internas, en las que se asigna w = 3 a los defectos
aceptados por el comprador medio, w = 5 a los defectos importantes que el comprador medio no ad-
mitira, y w = 15 a defectos ms notorios, que seran detectados con toda seguridad por cualquier
cliente.
2.4 Lmites de control
Los lmites de control son valores con los que se comparan los del estadstico cuyo seguimiento se
realiza en el grfico de control. La comparacin puede tener dos fines distintos:
! Proporcionar un criterio de advertencia para intervenir en el proceso, corrigiendo su funciona-
miento. Para ello es preciso que los lmites de control se establezcan de antemano, de forma que,
al ir aadiendo puntos al grfico, se pueda ver la posicin de cada punto respecto a los lmites.
Diremos en este caso que el grfico tiene lmites de control prefijados. Los lmites prefijados se
establecen a partir de datos anteriores, sean de un estudio previo o de otros grficos. A veces, no
son slo el resultado de un anlisis estadstico, sino que representan un compromiso entre la va-
riabilidad observada en el proceso y los requisitos especificados.
! Servir de base para juzgar si el proceso est en estado de control estadstico. En este caso, lo
normal es que los lmites se calculen a partir de los propios datos, cuando se disponga de todos
ellos. Hablamos entonces de lmites de control calculados.
Obsrvese que, con lmites de control prefijados, se puede ir trazando el grfico a medida que se va
disponiendo de los datos, mientras que para los lmites calculados hay que esperar a tenerlos todos.
Se puede usar un grfico con lmites prefijados como instruccin de trabajo grfica, para decidir
cundo se debe intervenir en el proceso. No es aconsejable establecer instrucciones de este tipo sin
un estudio previo del proceso por alguien con una cierta experiencia en el anlisis de grficos de con-
trol, ni sin que el proceso haya alcanzado el estado de control estadstico.
Un punto fuera de la banda de control definida por los lmites (punto fuera de control) puede dar lugar,
si as lo establece el procedimiento de control, a una intervencin, que puede consistir en:

! La identificacin de la causa de la aparicin de ese punto
! El ajuste del proceso
! La interrupcin del proceso
Naturalmente, para que estas intervenciones tengan sentido es necesario que al establecer los lmites
de control se haya tenido en cuenta cul es la variabilidad natural del proceso, que puede determi-
narse mediante un estudio de capacidad como los que veremos en el captulo 3. De lo contrario, si la
banda de control fuera demasiado estrecha, se produciran falsas alarmas'', que daran lugar a inter-
venciones innecesarias.
Los lmites calculados se obtienen mediante frmulas escogidas, de forma que, si hay puntos ms
all de los lmites, pueda considerarse que el valor del parmetro cuyo seguimiento se realiza con el
grfico puede haber cambiado. Los grficos de control con lmites calculados son una herramienta del
anlisis de procesos y normalmente se construyen a posteriori (es decir, cuando ya se tienen los da-
tos) con el fin de analizar el comportamiento del proceso, ver cul es su variabilidad, y si sta presen-
ta una pauta consistente en el tiempo. Su objeto es verificar el estado de control estadstico y la ca-
pacidad del proceso o, en caso negativo, ayudar al diagnstico sobre las medidas que se deben to-
mar.
El control por variables se basa en la distribucin normal. Se supone que la variable que se represen-
ta en el grfico tiene una distribucin normal de parmetros " y $. Si los parmetros permanecen
constantes, debe haber muy pocos valores fuera del intervalo " # 3$, con lo que ste da una banda
de variabilidad que podemos considerar como normal (v. Anexo A6). En el control por atributos se usa
tambin, para simplificar, la regla " # 3$. Hay que advertir que la mayora de las frmulas usadas en
el clculo de los lmites de control slo son vlidas si las observaciones son estadsticamente inde-
pendientes (v. Anexo A6). Frecuentemente, esta condicin no se tiene en cuenta, y muchos manuales
de Control Estadstico de Proceso ni siquiera la mencionan.
En el grfico de la figura 2.1 se ha usado, para la lnea central, el valor medio de todos los Datos,
x=599,545, que coincide con la media de los valores de la columna de medias de la tabla 2.1, y los
lmites de control UCL=600,32 Y LCL=598,77 se han obtenido a partir de los datos por un procedi-
miento que veremos en el Captulo 4.
En el grfico de la figura 2.2 se ha usado para la lnea central la desviacin estndar media,
s =0,544, y el lmite de control superior (calculado), UCL = 1,14, se ha obtenido por un procedimiento
que veremos ms adelante. En el de la Figura 2.3 se ha usado para la lnea central el recorrido me-
dio, R =1,36, y el lmite de control superior (calculado) es UCL = 2,88.
2.5 Pautas en un grfico de control
Adems de verificar que todos los puntos estn entre los lmites de control, es interesante examinar si
aparecen de ciertas pautas en los grficos de control. La idea es simple: un proceso en estado de
control debe parecerse lo ms posible a un fenmeno puramente aleatorio, y por consiguiente cual-
quier pauta que podamos descubrir en un grfico de control puede ser un sntoma de la actuacin de
una causa que nos interese identificar.

Figura 2.4 Pautas en un grfico de control

Una de las pautas ms sencillas de detectar es la racha. La racha es una serie interrumpida de pun-
tos por encima o por debajo de la lnea central. Si la lnea central se ha escogido de forma que sea
igualmente probable encontrar un punto por encima de la lnea central como por debajo, la probabili-
dad de hallar una racha larga es pequea. Por consiguiente, la aparicin de una racha sugiere un
cambio en el proceso. Aunque no hay unanimidad, en general se considera que una racha de siete u
ocho puntos es una evidencia en contra del estado de control estadstico. La ltima de las reglas de
Western Electric, que veremos a continuacin, prohbe las rachas de ocho puntos.
Una tendencia en un proceso se detecta por la presencia de una serie interrumpida de puntos del
grfico en sentido ascendente o descendente. Las tendencias pueden corresponder a una deriva en
las instalaciones de fabricacin, en los mecanismos de regulacin o en los instrumentos de medida, y
su deteccin precoz es importante, de cara a adoptar medidas preventivas. De todos modos, debe
tenerse en cuenta que un grfico de control no siempre es capaz de detectar una tendencia en la
forma descrita. Una tendencia puede ser lenta y materializarse en el grfico por fluctuaciones por
encima y por debajo de una cierta curva. Estas tendencias se detectan ms claramente en una va-
riante especial de los grficos de control, los grficos de control para la media mvil.

Tendencias

Comportamiento
Ciclico

Rfagas

El comportamiento cclico de un proceso se da cuando se va repitiendo en los grficos de control
una cierta pauta a intervalos de tiempo ms o menos regulares. Cuando la fabricacin est organiza-
da por turnos, se dan con frecuencia comportamientos de tipo cclico.
Cualquier cosa que pueda verse en un grfico de control es interesante, si se puede interpretar sobre
el proceso. En cualquier caso, debe tenerse presente que al aumentar el nmero de pruebas aumen-
ta tambin la probabilidad de que alguna de ellas d positivo" por razones puramente aleatorias. Lo
que importa realmente es limitar la variabilidad del proceso, y por tanto, el principal objetivo es man-
tener el grfico dentro de la banda de control. Los tests adicionales son interesantes como oportuni-
dad de descubrir algo sobre el proceso que permita mejorarlo, pero no como una va para someterlo a
un examen ms riguroso.
El que un punto caiga ms all de los lmites de 3$ no es el nico test que puede usarse para verificar
si un indicador presenta un comportamiento irregular. Un manual clsico de Western Electric propona
otros tres tests. El conjunto de estos cuatro tests se populariz en la industria de los Estados Unidos
con el nombre de reglas de Western Electric. Las tres reglas restantes se basan en la divisin de
las mitades superior e inferior de la banda de control en tres zonas, designadas como A, B y C, deli-
mitadas por lneas horizontales a distancia 3$, 2$ y $ de la lnea central. Las reglas se aplican sepa-
radamente a la mitad superior y a la inferior. Entindase siempre que $ se refiere a la desviacin tpi-
ca del estadstico que se dibuja y por lo tanto si se trata de un grfico de medias ser la desviacin
tpica de la caracterstica de inters dividida por %n, siendo n el tamao del subgrupo.
De acuerdo con las reglas de Western Electric, se considera que un proceso no est en estado de
control estadstico cuando se da una de las condiciones siguientes:
! Un punto cae ms lejos de la lnea de 3$ (ms all de la zona A).
! Dos de tres puntos consecutivos caen ms lejos de la lnea de 2$ (zona A o ms all).
! Cuatro de cinco puntos consecutivos caen ms lejos de la lnea de $ (zona B o ms all).
! Ocho puntos consecutivos caen en la misma mitad del grfico (zona C o ms all).
En la figura 2.5 puede verse el grfico de la figura 2.1 dividido en zonas segn las reglas de Western
Electric. En este ejemplo no se incumple ninguna de las cuatro reglas.

598
598,5
599
599,5
600
600,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Zona B
ZonaC
Zona B
Zona A
Zona C
Zona A

Figura 2.5. Grfico de medias del ejemplo 1 dividido en las zonas A, B y C
Adems de las reglas de Western Electric, se han propuesto otros conjuntos de pruebas para decidir
si un grfico permite considerar un proceso fuera de control estadstico. Algunos de estos sistemas
son ms sofisticados, y consideran la probabilidad de error al concluir que existe una racha o tenden-
cia. Por ejemplo, en Duncan (1986) se puede encontrar informacin sobre las probabilidades de apa-
ricin de rachas de diferentes longitudes.
Otros sistemas con estructura similar al de Western Electric han sido adoptados por distintas organi-
zaciones. Las reglas Ford, por ejemplo, adoptadas por Ford para s misma y para sus proveedores,
prohben en un grfico de un proceso en estado de control las siguientes pautas:
! Los puntos ms all de las lneas de 3$
! Una racha de 7 o ms puntos
! Una tendencia de 7 o ms puntos
! 2/3 de los puntos del grfico en el tercio central (zona C)
Las reglas SAS deben su nombre a SAS Institute, fabricante de software estadstico. El mdulo de
control de calidad de SAS las usa para realizar un test a los datos usados en un grfico de control.
Las reglas SAS prohben:
! 9 o ms puntos seguidos en la zona C
! 14 o ms puntos alternando encima y debajo de la lnea central
! 2 puntos sobre 3 seguidos en la zona A
! 4 puntos de 5 seguidos en la zona C
! 8 puntos seguidos fuera de la zona C
Otro sistema es el recomendado por AFNOR, que es una organizacin francesa de normalizacin,
homloga de la espaola AENOR. En las normas AFNOR se proponen las siguientes reglas de ex-
clusin:
! 2 puntos de 3 seguidos entre los lmites de control y los de vigilancia (zona B)
! Una racha de 9 o ms puntos


3. CAPACIDAD DE UN PROCESO
3.1 Variantes en la expresin de la capacidad
El objetivo de un estudio de capacidad es verificar que un proceso es capaz respecto a un cierto
requisito, que se refiere a un indicador. La capacidad es funcin de la variabilidad del proceso y, por
lo tanto, para analizar la capacidad de un proceso y extraer conclusiones vlidas, ste debe hallarse
en una situacin de control estadstico, es decir, que las pautas que rigen la variabilidad del proceso
deben ser conocidas y permanecer estables. Recordemos que un proceso en estado de control esta-
dstico puede no ser capaz, y que puede ser capaz respecto a la especificacin de un usuario o clien-
te, pero no respecto a las de otro, que sea ms restrictivo. Tambin puede ocurrir que el proceso
cumpla habitualmente la especificacin, sin estar en estado de control estadstico.
El estudio de capacidad comporta un contraste entre una evaluacin numrica de la variabilidad del
indicador considerado y los lmites de tolerancia establecidos para ese indicador. Este contraste se
denomina anlisis de capacidad. En el control por variables, el anlisis de capacidad da lugar a uno
o varios ndices de capacidad. Por eso, se confunde a veces el anlisis de capacidad con el clculo
de los ndices de capacidad, que no es sino un aspecto particular.
A veces, en el estudio de la variabilidad de un proceso se han de considerar distintas componentes.
En primer lugar, se debe examinar la variabilidad del proceso de medida que genera los datos del
indicador que consideramos. La variabilidad generada por el propio proceso de medida representa ya
de por s una limitacin a la capacidad del proceso, no en cuanto a s mismo, sino a cmo lo vemos.
Es necesario evaluar esta limitacin si se quiere saber realmente lo que el proceso puede dar de s.
Para tener informacin vlida sobre el proceso que se estudia, la variabilidad del proceso de medida
debe ser pequea comparada con la variabilidad observada en los datos de control de proceso. Por la
aditividad de la varianza, la varianza observada es la suma de la varianza del proceso ms la de la
medida,
$
2
OBS
= $
2
PRO
+ $
2
MED

En la prctica, esta frmula implica que, segn cul sea la magnitud relativa de ambas varianzas, la
variabilidad del proceso de medida sea irrelevante o, por el contrario, haga justificar que las fluctua-
ciones observadas en el indicador cuyo seguimiento se realiza se atribuyan al proceso de medida,
con lo cual la variabilidad propia del proceso no puede ser evaluada y el anlisis de capacidad no es
viable.
NOTA. En la norma ISO 9001 se exige un anlisis previo de la variabilidad de los procesos de medida
que intervienen en el aseguramiento de la calidad y que esta variabilidad sea compatible con la capa-
cidad de medida requerida. De hecho, un requisito como ste puede ser considerado como una exi-
gencia de que el proceso de medida sea capaz y, en consecuencia, usar los ndices de capacidad
que veremos despus para evaluar la capacidad del proceso de medida. La norma QS-9000 del sec-
tor de automocin propone un sistema distinto al de los ndices de capacidad para evaluar la capaci-
dad del proceso de medida (v. Measurement System Analysis, 1995). Nos ocuparemos del control de
los equipos de medida en el mdulo 4.
Conviene, asimismo, distinguir entre la variabilidad instantnea de un proceso, que se refiere a resul-
tados separados por un margen muy estrecho de tiempo, y la variabilidad a ms largo plazo. En los
estudios de capacidad a corto plazo es viable, en general, asumir que el proceso est en estado de
control estadstico, pero no as en los estudios a largo plazo, donde hay un margen de tiempo ms
amplio para que cambien las condiciones en que trabaja el proceso.
El estudio de capacidad a corto plazo es tpico del sector de automocin, donde a menudo se le llama
estudio de capacidad de mquina y, en el contexto de la norma QS-9000 (v. APQP, 1995), forma
parte de la validacin del proceso de produccin de un producto nuevo, El estudio tpico de capacidad
de mquina se aplica a una mquina que produce unas piezas o componentes, y en l se produce
una serie de, por ejemplo, 100 unidades (el nmero vara en funcin de diversos factores, pero es
mayor que 40) y se evala la variabilidad a partir de un histograma (v. ms adelante), una desviacin
estndar o un ndice de capacidad. La variabilidad hallada en un estudio tal es la mnima posible y se
atribuye a la mquina, de ah la denominacin capacidad de mquina''. Presumiblemente, el proceso
presentar ms variabilidad en un intervalo de tiempo ms largo. El objetivo del estudio de capaci-
dad de proceso, que se hace a continuacin, es conseguir que la variabilidad del proceso est lo
ms cerca posible de esta variabilidad mnima hallada en el estudio de capacidad de mquina.
3.2 ndices de capacidad
Supongamos un proceso en estado de control respecto a un indicador X, y que X tiene distribucin
normal, con parmetros " y $. Entonces la prctica totalidad de los valores observados deben caer
entre los lmites " # 3$, es decir, dentro de un intervalo de longitud 6$. El ndice C
p
es el cociente
entre la tolerancia y 6$. Si los lmites de tolerancia superior e inferior se designan por TS y TI, respec-
tivamente, tenemos
6
p
TS TI
C
%
#
"
La condicin de proceso capaz se asocia a valores de este ndice mayores que 1. Recurdese que la
discusin slo tiene sentido para procesos en estado de control.
Los datos de la tabla 3.1 proceden de un primer estudio de capacidad de mquina, realizado en una
prensa con una sola cavidad. En l se han recogido 60 unidades, prensadas consecutivamente. Se
trata de ferritas de forma cilndrica, cuyas alturas aparecen en la tabla.

Tabla 3.1 Estudio de capacidad de mquina
15,33 15,23 15,29 15,25 15,23
15,27 15,22 15,20 15,28 15,23
15,29 15,21 15,18 15,30 15,21
15,27 15,23 15,35 15,28 15,24
15,29 15,27 15,18 15,25 15,22
15,2 15,33 15,16 15,30 15,24
15,34 15,24 15,17 15,28 15,18
15,32 15,26 15,19 15,19 15,19
15,41 15,25 15,25 15,21 15,32
15,21 15,29 15,21 15,22 15,16
15,27 15,22 15,27 15,25 15,20
15,35 15,31 15,23 15,28 15,32

Los lmites de tolerancia (internos) son 15,30 # 0,25mm.

La desviacin estndar de los 60 valores es s = 0,05386. Usando s como valor estimado de $, obte-
nemos el ndice de capacidad de mquina:
0,5
1,547
6 0,05386
p
C " "
&

A veces es interesante distinguir entre capacidad de mquina y capacidad de proceso. Se puede
distinguir entre ambos ndices, designndolos respectivamente por C
p
, ndice de capacidad, y P
p
,
ndice de rendimiento (performance). Esta notacin es habitual en la sector de automocin y, en
general, se usa para distinguir entre distintos niveles de variabilidad en un proceso, que se atribuyen
a factores que interesa diferenciar.
Esta distincin se basa en que si la capacidad de mquina es insuficiente, no tiene sentido esforzarse
en intentar obtener del control del proceso ms de lo que puede dar de s. De hecho, el ndice C
p

debe ser netamente mayor que 1, si tenemos en cuenta que la variabilidad del proceso en la produc-
cin real es, normalmente, mayor que la que observamos a corto plazo. Por eso, algunos clientes
exigen a sus proveedores ndices C
p
superiores a 1,33. Tambin es esencial conocer la capacidad de
mquina antes de establecer una especificacin interna.
Cabe esperar que el ndice P
p
sea menor que el C
p
, aunque no mucho, si el proceso est realmente
en estado de control. Como los lmites de control basados en la regla #3$ son muy conservadores,
puede darse una diferencia entre ambos ndices sin que en los grficos aparezcan puntos fuera de
los lmites de control.
Se realiza un segundo estudio de capacidad de proceso para la misma prensa, en el que se recogen
5 unidades cada media hora, durante 10 horas, en las que no se realiza ningn ajuste de la prensa,
obtenindose los resultados de la Tabla 3.2.
Tabla 3.2. Resultados del segundo estudio de capacidad
Muestra Resultados
1 15,17 15,22 15,30 15,25 15,25
2 15,28 15,25 15,28 15,26 15,35
3 15,35 15,28 15,36 15,34 15,30
4 15,29 15,28 15,29 15,32 15,27
5 15,35 15,32 15,38 15,37 15,36
6 15,30 15,27 15,34 15,31 15,41
7 15,26 15,20 15,16 15,43 15,29
8 15,25 15,30 15,30 15,32 15,36
9 15,30 15,30 15,33 15,23 15,15
10 15,26 15,23 15,22 15,28 15,21
11 15,20 15,17 15,35 15,19 15,19
12 15,16 15,21 15,20 15,17 15,17
13 15,23 15,12 15,29 15,21 15,16
14 15,19 15,19 15,21 15,21 15,23
15 15,20 15,22 15,23 15,24 15,16
16 15,18 15,12 15,16 15,17 15,16
17 15,16 15,16 15,14 15,15 15,16
18 15,25 15,23 15,15 15,22 15,16
19 15,14 15,23 15,20 15,10 15,18
20 15,25 15,14 15,19 15,19 15,17
La desviacin estndar de estos 100 valores es s = 0,070645, mayor que en el estudio de capacidad
de mquina comentado ms arriba. Usando este resultado como valor estimado de $, aunque ms
adelante veremos que no es lo correcto, resulta P
p
= 1,1796.
La diferencia entre ambos ndices puede atribuirse, como ya hemos comentado, a que la variabilidad
en 10 horas es mayor que la instantnea. La Figura 3.1 ilustra la evolucin de la altura media de las
ferritas a lo largo de las 10 horas. El grfico sugiere que se ha producido una variacin en la altura
media durante este perodo, con lo que el proceso no se halla en estado de control estadstico y no
tiene sentido el clculo del ndice P
p
. Como se ver en el apartado siguiente, los ndices son vlidos si
se puede suponer que la distribucin de los datos sigue la ley normal.

15,10
15,15
15,20
15,25
15,30
15,35
15,40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
CL = 15,2394

Figura 3.1 Seguimiento del proceso de prensado durante 10 horas

No tiene sentido esperar que el valor medio " de una variable X coincida exactamente con el punto
medio del intervalo de tolerancia establecido para esa variable. Si la diferencia entre ambos es apre-
ciable (proceso no centrado), el que el ndice C
p
sea mayor que 1 no garantiza que se cumpla la es-
pecificacin. Por esta razn, es interesante considerar el ndice C
pk
, que se define como

C
pk
= min ,
3 3
TS TI $ $
% %
# # ' (
) *
+ ,

Obsrvese que, si " coincide con el punto medio de los lmites de tolerancia, C
p
y C
pk
coinciden. Esto
no es nunca exactamente cierto, y en la prctica C
pk
es menor que C
p
. En la figura 3.2 se puede
apreciar cmo varan ambos ndices, dependiendo de la situacin del proceso.


Figura 3.2 Ejemplos de cmo varan los valores de los ndices Cp y Cpk para una ca-
racterstica de un proceso de TI=38, TS=62 y !=2, donde la media del proceso m es pro-
ceso dependiendo de la situacin del proceso.

El ndice C
pk
no slo sirve para controlar que la dispersin del proceso no exceda de lo que sera ad-
misible en relacin a la especificacin, sino tambin que el proceso no est descentrado. El ndice
P
pk
puede definirse de forma anloga.

En el primer estudio de capacidad de mquina descrito anteriormente, se puede usar la media
x =15,252 como valor estimado de ", obtenindose
15,252 15,05
1,2501
3 0,05386
pk
C
#
" "
&

Para el estudio de capacidad de proceso, si se usa como valor estimado de " la media de los 100
resultados, que es x =15,2394, se obtiene
15,2394 15,05
0,8937
3 0,07064
pk
P
#
" "
&

Aqu tampoco es correcto usar el ndice P
pk
, puesto que el proceso no se halla en estado de control
estadstico.
NOTA. El ejemplo 3 es un ejemplo real y muy tpico en la industria. Cuando se realizar un estudio de
capacidad de proceso la forma de proceder podra ser: primero realizar un estudio de capacidad de
mquina tomando una serie de muestras seguidas de la fabricacin (entre 50 y 100). Seguidamente,
se comprueba la validez de la distribucin normal y, en caso afirmativo los ndices de capacidad son
vlidos. En caso de que stos tengan un valor aceptable (sobradamente superiores a 1) se hace un
estudio de capacidad de proceso. Para que los ndices de capacidad sean vlidos se debe verificar
que el proceso se halla en estado de control estadstico.
El sistema de clculo de los ndices de capacidad expuesto aqu se llama, a veces, analtico, en opo-
sicin a un mtodo grfico, poco usado actualmente. Este mtodo se basa en un grfico denominado
recta de probabilidad normal, o, en el contexto del control estadstico de calidad, recta de Henry,
que consiste en un conjunto de puntos (uno por dato) que se sitan en un diagrama XY, sobre un
papel especial, llamado papel probabilstico, en el que la escala de uno de los ejes se basa en la dis-
tribucin normal. Ajustando a ojo una recta al conjunto de puntos, se pueden obtener los valores " #
3$ de forma grfica.
Una ventaja del mtodo grfico es que obvia los clculos, en especial el de la desviacin estndar,
que es inviable si se calcula a mano. Sin embargo, si se dispone de un ordenador convencional con
una hoja de clculo, no hay problema para calcular un ndice de capacidad directamente a partir de
los datos, por lo que hoy en da el mtodo grfico se usa poco. Ahora bien, el mtodo grfico tiene
otra ventaja: permite contrastar los datos con la distribucin normal de forma sencilla y rpida, com-
probando que los puntos del grfico estn (aproximadamente) en lnea recta. Veremos en el siguiente
apartado cmo puede hacerse esto.
3.3. Validez de los ndices
Los ndices de capacidad que hemos comentado en estas notas estn basados en la distribucin
normal. Ahora bien, qu sucede si X no sigue la distribucin normal? En ese caso, al intervalo " #
3$ ya le no corresponde una probabilidad del 99,73%, y la interpretacin de los ndices no es vlida.
No obstante, los ndices de capacidad tienen la ventaja de estar normalizados en un doble sentido:
! No dependen de la escala, y su valor puede interpretarse directamente, independientemente de la
caracterstica a la que se refieren y de las unidades de medida.
! Todo el mundo usa las mismas frmulas.

Teniendo en cuenta estas ventajas, es interesante, si se quiere disponer de una evaluacin numrica
de la capacidad, mantener las frmulas clsicas. Vamos a ver cmo se puede ver si la aproximacin
por la distribucin normal es razonable.
Una tabla de frecuencia para X es una tabla en la que se dan las frecuencias con las que X toma
valores en una serie de intervalos adyacentes (v. Tablas 3.3 y 3.4). Un diagrama de barras basado en
una tabla de frecuencia se denomina histograma. La tabla de frecuencia es el reflejo experimental de
la distribucin de frecuencia terica, dada por la curva de probabilidad (v. Apndice A6). Cuando la
tabla de frecuencia refleja una distribucin de frecuencia con un mximo en el centro, lo que en los
libros de Estadstica se llama una distribucin unimodal, y es aceptablemente simtrica respecto al
centro, el intervalo " # 3$ se puede usar para una prediccin estadstica, como la que se quiere hacer
en un estudio de capacidad.

Tabla 3.3 Tabla de frecuencia (primer estudio)
Intervalo Frecuencia
15.10-15.15 0
15.15-15.20 12
15.20-15.25 22
15.25-15.30 16
15.30-15.35 9
15.35-15.40 0
15.40-15.45 1

Tabla 3.4 Tabla de frecuencia (segundo estudio)
Intervalo Frecuencia
15.05-15.10 1
15.10-15.15 8
15.15-15.20 29
15.20-15.25 23
15.25-15.30 21
15.30-15.35 11
15.35-15.40 5
15.40-15.45 2

La tabla 3.3 es una tabla de frecuencia para los resultados del primer estudio de capacidad que
hemos comentado (v. Tabla 3.1). Se puede considerar vlida, a los efectos de un estudio de capaci-
dad, la aproximacin por el modelo normal, ya que se trata de una distribucin unimodal y razona-
blemente simtrica.
Qu pasa con el segundo estudio (Tabla 3.2)? Que la media " va cambiando a lo largo de las diez
horas, con lo cual la frmula usada en el primer estudio para obtener un valor estimado de $ ya no
sirve. Sin embargo, eso es difcil de ver en la tabla de frecuencia (v. Tabla 3.4), que muestra una dis-
tribucin ms aplanada (la desviacin estndar es mayor), pero aceptable. La manera de entender lo
que sucede es utilizar un grfico como el de la figura 4.1.
En los cursos de Estadstica se recomienda a menudo comprobar la validez del modelo normal exa-
minando un histograma. No obstante, a menos que el nmero de datos sea elevado (ms de 50), la
distribucin de frecuencia, sea en forma de tabla o en forma grfica, es difcil de interpretar para al-
guien que no tenga prctica en el anlisis de datos. Por el contrario, los grficos de probabilidad, que
presentamos a continuacin, pueden usarse aunque el nmero de datos sea pequeo. Hace algunos
aos estos grficos se dibujaban a mano, usando un papel milimetrado especial. Hoy da, la mayor
parte del software estadstico comercializado incluye la construccin de estos grficos. En una hoja
Excel, la construccin es algo ms elaborada, pero no presenta mucha dificultad, como vamos a ver.
Para dibujar un grfico de probabilidad en Excel basta construir una tabla (v. Tabla 3.5), en la
que en la primera columna se colocan los datos cuya distribucin se quiere contrastar con el mo-
delo normal, ordenados de menor a mayor. En la segunda columna se coloca el rango corres-
pondiente a cada dato, es decir, su nmero de orden en la lista. En la siguiente columna se calcula
el valor P
k
asociado a cada dato x
k
, que representa la proporcin de datos menores que x
k
, del si-
guiente modo: si k es el rango de x
k
y n es el nmero de datos, entonces
0,5
k
k
P
n
#
"
En la ltima columna se colocan los valores z
P
correspondientes las probabilidades P
k
en el distribu-
cin normal, con " = 0, $ = 1. Si Z es una variable que sigue este modelo, z
P
es un valor que cumple
Prob(Z < z
P
) = P. En Excel, la funcin DISTR.NORM.ESTAND.INV permite obtener estos valores
fcilmente.
Finalmente, se construye un grfico XY, en el que se coloca un punto para cada dato, tomando como
abscisa el valor x
k
(primera columna de la tabla) y como ordenada z
k
(cuarta columna).
La tabla 3.5 es un resumen los resultados del primer estudio de capacidad (v. Tabla 3.1) y la figura
3.3 el grfico correspondiente. Usando una de las opciones grficas de Excel se puede agregar la
lnea de tendencia lineal sobre los puntos del grfico, lo que indica que el modelo normal da una
aproximacin aceptable.
NOTA. Si se concluye que el modelo normal no es vlido, se pueden usarse grficos de otras distri-
buciones de probabilidad, como la lognormal o la de Weibull. De todos modos, esto slo tiene inters
si el modelo normal no da una buena aproximacin, ya que si no, no merece la pena complicar el
estudio introduciendo un modelo que no se entienda bien. Si se descarta el modelo normal, se susti-
tuyen los valores " # 3$ por unos valores x
1
y x
2
tales que Prob(x
1
< X < x
2
) = 0,9973.
Para un proceso multiposicional se puede hacer un estudio de capacidad como el que hemos descri-
to, pero no es vlido juntar los datos correspondientes a unidades producidas en diferentes posicio-
nes para el clculo de una desviacin estndar sin haber comprobado previamente que las diferen-
cias entre las posiciones son despreciables. Sin embargo, en la prctica, muchas veces no es as.
No es posible avanzar mucho en una discusin general sobre este tema, ya que se pueden dar situa-
ciones muy diversas. El nmero de posiciones puede ser pequeo (2, 3, etc.) de modo que tenga
sentido analizar lo que sucede en cada posicin por separado, o grande (ms de 10), de modo que el
anlisis individualizado de las distintas posiciones sea inviable. Nos limitaremos, pues, a comentar un
ejemplo sencillo.


y = 18,297x - 279,06
R
2
= 0,9754
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
15,1 15,15 15,2 15,25 15,3 15,35 15,4 15,45

Figura 3.3 Grfico de probabilidad normal

Tabla 3.5. Tabla para un grfico de probabilidad normal

x
k
k P
k
z
k
x
k
k P
k
z
k
15,16 1 0,008 -2,394 15,25 31 0,508 0,021
15,16 2 0,025 -1,960 15,25 32 0,525 0,063
15,17 3 0,042 -1,732 15,25 33 0,542 0,105
15,18 4 0,058 -1,569 15,25 34 0,558 0,147
15,18 5 0,075 -1,440 15,26 35 0,575 0,189
15,18 6 0,092 -1,331 15,27 36 0,592 0,232
15,19 7 0,108 -1,235 15,27 37 0,608 0,275
15,19 8 0,125 -1,150 15,27 38 0,625 0,319
15,19 9 0,142 -1,073 15,27 39 0,642 0,363
15,20 10 0,158 -1,001 15,27 40 0,658 0,408
15,20 11 0,175 -0,935 15,28 41 0,675 0,454
15,20 12 0,192 -0,872 15,28 42 0,692 0,501
15,21 13 0,208 -0,812 15,28 43 0,708 0,549
15,21 14 0,225 -0,755 15,28 44 0,725 0,598
15,21 15 0,242 -0,701 15,29 45 0,742 0,648
15,21 16 0,258 -0,648 15,29 46 0,758 0,701
15,21 17 0,275 -0,598 15,29 47 0,775 0,755
15,22 18 0,292 -0,549 15,29 48 0,792 0,812
15,22 19 0,308 -0,501 15,30 49 0,808 0,872
15,22 20 0,325 -0,454 15,30 50 0,825 0,935
15,22 21 0,342 -0,408 15,31 51 0,842 1,001
15,23 22 0,358 -0,363 15,32 52 0,858 1,073
15,23 23 0,375 -0,319 15,32 53 0,875 1,150
15,23 24 0,392 -0,275 15,32 54 0,892 1,235
15,23 25 0,408 -0,232 15,33 55 0,908 1,331
15,23 26 0,425 -0,189 15,33 56 0,925 1,440
15,24 27 0,442 -0,147 15,34 57 0,942 1,569
15,24 28 0,458 -0,105 15,35 58 0,958 1,732
15,24 29 0,475 -0,063 15,35 59 0,975 1,960
15,25 30 0,492 -0,021 15,41 60 0,992 2,394
Se hace un tercer estudio de capacidad, para una prensa con tres cavidades, en el que se recogen
las unidades resultantes de siete golpes de prensa, en total 21 unidades, y se miden el peso y la altu-
ra. Los resultados obtenidos se pueden ver en la tabla 3.6. Los lmites de tolerancia para la altura son
8,15 # 0,10 cm y, para el peso, 4,08 # 0,05 g.

Tabla 3.6. Resultados del estudio de capacidad para la prensa con tres cavidades

Altura (Spec 8,150,10 cm) Peso (Spec 4,080,05 g)
Pieza Izquierda Centro Derecha Izquierda Centro Derecha
1 8,09 8,08 8,11 4,09 4,00 4,10
2 8,08 8,07 8,12 4,08 4,01 4,10
3 8,08 8,08 8,12 4,09 4,01 4,10
4 8,09 8,09 8,12 4,09 4,00 4,10
5 8,09 8,08 8,11 4,08 4,00 4,10
6 8,08 8,08 8,12 4,08 4,01 4,10
7 8,08 8,07 8,12 4,08 4,01 4,10

En este caso, es obvio que la altura media y el peso medio son distintos en las tres cavidades y, por
consiguiente, no es correcto juntar los datos de distintas cavidades y calcular los ndices de capaci-
dad como hicimos con los datos de la tabla 3.1. Por otra parte, no es necesario un ndice de capaci-
dad para concluir que difcilmente se pueden mantener los lmites de tolerancia del peso, ya que entre
la cavidad central y la derecha se hallan diferencias de 0,10 g. Si esta situacin no se puede cambiar,
hay que ampliar la tolerancia.


4. GRFICOS DE CONTROL PARA VARIABLES
4.1. Grficos de control para subgrupos
Consideremos un proceso cuyo control se ejerce mediante el seguimiento de una caracterstica me-
dible. En la variante ms habitual, los datos se obtienen realizando series cortas de observaciones,
separadas por un intervalo de tiempo de longitud ms o menos constante. Estas series se denominan
subgrupos racionales o simplemente subgrupos. Cada subgrupo da lugar a un punto en el grfico
de control. En la tabla 2.1 hemos visto un conjunto de 100 observaciones, agrupadas en 20 subgru-
pos de 5 observaciones. A partir de estos datos se pueden trazar grficos de control con 20 puntos
(Figuras 2.1--2.4).
Al examinar la variabilidad que presentan los datos obtenidos de esta forma, se debe distinguir entre
los datos que pertenecen al mismo subgrupo y los de subgrupos distintos. Por consiguiente, la forma-
cin de subgrupos no puede hacerse de forma arbitraria, sino que debe satisfacer unas reglas. Las
reglas siguientes suelen dar un resultado satisfactorio:
! Todas las observaciones del mismo subgrupo se obtienen en las mismas condiciones.
! Un subgrupo no contiene datos de lotes distintos ni de distinta naturaleza.
! Se puede aceptar que las observaciones son estadsticamente independientes (v. Apndice A6).
Las observaciones de un mismo subgrupo se realizan, en el caso ms tpico, sobre unidades de pro-
ducto obtenidas en un intervalo corto de tiempo. En la mayora de los casos, el intervalo de tiempo
entre subgrupos sucesivos se establece de forma emprica. Para ello, se empieza por un intervalo
que parezca adecuado (preferentemente corto), y posteriormente se alarga o acorta el intervalo en
funcin del resultado obtenido. Desde luego, la frecuencia de muestreo debe ser compatible con la
disponibilidad de personal, pero no hay que olvidar que cada proceso tiene su propio timing, que no
tiene nada que ver con los recursos de plantilla. En bastantes casos, la misma naturaleza del proceso
impone un intervalo mnimo de tiempo. Por ejemplo, en el control de un proceso en batch, podemos
tener a lo sumo un dato por batch.
En la mayora de aplicaciones, el tamao de los subgrupos (o sea, el nmero de observaciones que
los componen) es 4 o 5, aunque no hay ninguna regla que diga que debe ser as. A favor de un mayor
tamao de subgrupo juega el que se consiga de esa forma un mayor poder de deteccin. En efecto,
de acuerdo con la frmula de la desviacin estndar de la media muestral,
x
x
n
%
% "
por lo que la variabilidad de la media disminuye al aumentar el tamao de subgrupo, reducindose la
distancia entre los lmites de control de la media, que se calculan con la regla 3
x
% - . En contra de un
tamao de subgrupo elevado juega el coste de inspeccin que supone. Un tamao 4 o 5 representa
en muchos casos un equilibrio entre estos dos factores.
NOTA. Se han propuesto diversos mtodos para fijar la frecuencia de muestreo y el tamao de sub-
grupo, basados en criterios de tipo econmico. Estos mtodos son, sin embargo, aplicables en pocos
casos, ya que precisan de una evaluacin del coste de inspeccin y del coste de no detectar una
desviacin respecto al estado de control. La dificultad para evaluar este ltimo representa una limita-
cin importante para la aplicacin de estos mtodos. Puede hallarse informacin sobre ellos en Dun-
can (1986) y Montgomery (1991).
Para calcular los lmites de control se necesita un valor estimado de $. En esencia, el mtodo para
obtener un valor estimado de $ a partir de subgrupos es el siguiente: se calcula un estadstico que
mida la dispersin en cada subgrupo y se promedian los valores obtenidos para obtener una esti-
macin de $ que considere la informacin de todos los subgrupos. Designaremos por % el valor esti-
mado de $, siguiendo la costumbre en los libros de Estadstica de diferenciar el valor estimado de $
del autntico colocando un acento circunflejo.
Se pueden usar tres estadsticos para evaluar la dispersin dentro de los subgrupos: el recorrido R, la
desviacin estndar s y la varianza s
2
. Para mostrar cmo se pueden obtener valores estimados de $
a partir de estos estadsticos, supongamos un conjunto de datos formado por la unin de k subgrupos
de tamao n. Designamos por x
ij
la observacin j-sima del subgrupo i-simo, y por ,
i
x R
i
y s
i
la media,
el recorrido y la desviacin estndar, respectivamente, del subgrupo i-simo. La tabla 4.1 es una tabla
de datos organizada de esta forma, con estructura similar a la de la tabla 2.1.

Tabla 4.1. Datos estructurados en subgrupos

Subgrupo Observaciones Media Varianza Recorrido Desv. estndar
1 x
11
x
12
... x
1n

1
x s
2
1
R
1
s
1
2 x
21
x
22
... x
2n

2
x s
2
2
R
2
s
2
... ... ... ...
k x
k1
x
k2
... x
kn

k
x s
2
k
R
k
s
k

El procedimiento ms usado y tambin el ms sencillo si los clculos se hacen a mano, es el que usa
el recorrido medio,
1 k
R R
R
k
! !
"
!

Dividiendo R por una constante que se designa por d
2
, se obtiene un valor estimado
2
R
d
% "
El valor de d
2
depende de n. En la Tabla 4.2 pueden hallarse los valores de d
2
, junto a los de otras
constantes que comentaremos ms adelante, para 2 & n & 10.

Tabla 4.2. Constantes de los grficos X /R

n A
2
d
2
D
3
D
4
2 1,88 1,13 0,00 3,27
3 1,02 1,69 0,00 2,58
4 0,73 2,06 0,00 2,28
5 0,58 2,37 0,00 2,12
6 0,48 2,53 0,00 2,00
7 0,42 2,70 0,08 1,92
8 0,37 2,85 0,14 1,86
9 0,34 2,97 0,18 1,82
10 0,31 3,08 0,22 1,78

En el ejemplo del grosor de las hojas de acero (tabla 2.1), obtuvimos R =1,36. Como n=5, debemos
tomar d
2
= 2,37 en la tabla 4.2, lo que nos da el valor estimado
1,36
0,5738
2,37
% " "
Otro procedimiento clsico para obtener un valor estimado de $ utiliza la desviacin estndar media,
1 k
s s
s
k
! !
"
!

y es anlogo al del recorrido medio. En este caso la frmula es
4
s
c
% "
donde c
4
es una constante cuyos valores, para 2 & n & 10, pueden verse en la tabla 4.3, junto a los de
otras constantes que aparecern ms adelante.

Tabla 4.3. Constantes de los grficos X /s

n A
3
c
4
B
3
B
4
2 2,66 0,80 0,00 3,27
3 1,95 0,87 0,00 2,57
4 1,63 0,92 0,00 2,27
5 1,43 0,94 0,00 2,09
6 1,29 0,95 0,03 1,97
7 1,18 0,96 0,12 1,88
8 1,10 0,97 0,18 1,82
9 1,03 0,97 0,24 1,76
10 0,97 0,97 0,28 1,72

En la tabla 2.1, la desviacin estndar media es s " 0,544. Como n=5, tomamos c
4
= 0,94 en la tabla
4.3, lo que nos da un valor estimado
0 544
0 5787
0 94
,
,
,
% " "
Un tercer mtodo utiliza la varianza media
2 2
1
k
k
s s
% "
! ! !

En este caso no se necesita constante, ya que las varianzas son aditivas, como ya hemos comentado
anteriormente. La varianza media es un valor estimado de $
2
y su raz cuadrada da un valor estimado
de $. Como la raz cuadrada de la media no es igual a la media de las races cuadradas, la varianza
media no coincide con el cuadrado de la desviacin estndar media, ya que la raz cuadrada de la
media no es igual a la media de las races cuadradas.
En el ejemplo del grosor de las hojas de acero (v. Tabla 2.1), la varianza media es 0,3302. Resulta un
valor estimado
0,3302 0,5746 % " "

Como es de esperar, puesto que las frmulas son distintas, estos tres procedimientos dan valores
estimados de $ distintos (y, por consiguiente, si usamos estos valores en el clculo de ndices de
capacidad, obtenemos ndices distintos). As se ha visto en el ejemplo de la tabla 2.1, donde hemos
ido aplicando los tres mtodos sucesivamente. No obstante, asumiendo el estado de control estads-
tico y la validez del modelo normal, los tres mtodos deben conducir a resultados parecidos, como ha
ocurrido en este ejemplo.
Puede parecer que el camino ms directo para obtener un valor estimado de $ sera calcular la des-
viacin estndar s de la serie obtenida juntando las observaciones de todos los subgrupos. Sin em-
bargo, este procedimiento no se usa hasta haber comprobado que el proceso est en estado de con-
trol (se usa entonces para el estudio de capacidad). La razn de ello es que, si hay puntos fuera de
control, la frmula de la desviacin estndar puede conducirnos a una sobreestimacin de $. Si us-
ramos este valor sobreestimado para calcular lmites de control, obtendramos una banda de control
demasiado ancha, y posiblemente la existencia de puntos fuera de control nos impedira reconocer
que estn fuera de control. De todos modos, hay que tener en cuenta que las tres frmulas que he-
mos dado estiman $ teniendo en cuenta solamente la variabilidad a corto plazo, mientras que en el
valor de la desviacin estndar s influye la variabilidad a ms largo plazo. Por eso, aunque los grfi-
cos de control no presenten puntos ms all de los lmites, el valor de s es normalmente mayor que
los valores estimados a partir de los subgrupos (y por tanto da menos capacidad).
En la tabla 2.1, la desviacin estndar de los 100 datos es
0,61929. s % " "

Este valor estimado de $ es mayor que los anteriores, tal como habamos previsto. La tolerancia para
el grosor de las hojas de acero es 2 ' 2 = 4 micras, y podemos calcular ndices de capacidad usando
los diferentes valores estimados de $. Por ejemplo, el ndice Cp obtenido con este ltimo valor esti-
mado de $ es
4 4
1,0764
6 6 0,6192
p
C
%
" " "
& &

En cambio, los ndices obtenidos con los otros valores estimados de $ son
4 4
1,1617
6 6 0,5738
p
C
%
" " "
& &


para el valor estimado a partir del recorrido medio,
4 4
1,1519
6 6 0,5787
p
C
%
" " "
& &

para el valor estimado a partir de la desviacin estndar media, y
4 4
1,1601
6 6 0,5746
p
C
%
" " "
& &

para el valor estimado a partir de la varianza media.
4.2. Grficos X /R y X /s
Hay dos alternativas clsicas para los grficos de control para variables, segn se mida la variabilidad
dentro de los subgrupos con el recorrido, o con la desviacin estndar. En el primer caso se trabaja
con un grfico X /R, y en el segundo con un grfico X /s.
Un grfico X /R es un sistema formado por dos grficos de control. Uno se elabora con las medias de
los subgrupos y el otro con los recorridos. En el caso de lmites calculados, stos se obtienen usando
un valor estimado de la desviacin estndar $ obtenido a partir del recorrido medio. Anlogamente,
un grfico X /s es un sistema formado por un grfico de medias y otro de desviaciones estndar, con
los lmites de control calculados usando un valor estimado de $ obtenido a partir de la desviacin
estndar media.
Sea cual sea el procedimiento, debe recalcarse que el uso de los recorridos o de las desviaciones
estndar de los subgrupos para estimar $, y por tanto para calcular los lmites de control para la me-
dia, slo tiene sentido si la estabilidad del parmetro $ es admisible, lo que se comprueba mediante
un grfico s o R. Por consiguiente, haya o no algn punto fuera de control en el grfico , X los lmites
de control no son vlidos si la variabilidad del proceso no es estable, es decir, si los valores de s o R
que intervienen en el clculo de los lmites no han pasado el test del segundo grfico.
Supongamos que X tiene distribucin normal, con media " y desviacin estndar$. Entonces un valor
estimado de " es
1 11
... ...
k kn
x x x x
x
k kn
$
! ! ! !
" " "

La media de n observaciones independientes de X tiene distribucin normal, con media " y varianza
$
2
/n. Si el parmetro $ se estima a partir del recorrido medio , R se obtiene un valor estimado de la
desviacin estndar de la media haciendo
2
x
R
d n
% "

El lmite de control superior UCL (upper control limit) es entonces
2
UCL 3
R
x
d n
" !

y el lmite de control inferior LCL (lower control limit),
2
LCL 3
R
x
d n
" #
Se designa por A
2
el coeficiente deR en la frmula de los lmites de control,
2
2
3
A
d n
"
con lo cual se obtiene una frmula simplificada para el clculo de los lmites,
2
x A R -
A
2
est tabulado para distintos valores de n (v. Tabla 4.2).
En la tabla 2.1, X =599,545 y R =1,36. Entrando n = 5 en la tabla 4.2 resulta A
2
= 0,58. Por lo tanto,
UCL = 599,545 + 0,58 ' 1,36 = 600,33
LCL = 599,545 - 0,58 ' 1,36 = 598,76
Estos lmites son los que se usaron en el grfico de la figura 2.1. Anlogamente, el valor estimado de
la desviacin estndar de la media es ahora
4
s
c n
% "
con lo que los lmites de control UCL y LCL se obtienen haciendo
3
, x A s - donde
3
4
3
A
c n
"
es una constante que depende de n (Tabla 4.3). Por descontado, los lmites obtenidos por ambos
procedimientos sern distintos, pero la diferencia debe ser pequea si el estado de control estadstico
y la validez del modelo normal son aceptables.
En la tabla 2.1, x = 599,54 y s = 0,544. Entrando n = 5 en la tabla 4.3, resulta A
3
= 1,43. Por tanto,
UCL = 599,545 + 1,43 ' 0,544 = 600,32
LCL = 599,545 - 1,43 ' 0,544 = 598,77
Tambin se puede usar el valor estimado de $ extrado de la varianza media. Entonces no se necesi-
tan constantes, sino que se hace directamente,
3 x
n
%
-

En el ejemplo del grosor de las hojas de acero (v. Tabla 2.1), el valor estimado de $ a partir de la
varianza media es 0,5746. % " Luego
0,5746 0,5746
UCL 599 545 3 600,316; LCL 599 545 3 598,74
5 5
, , " ! & " " # & "
NOTAS:
(a) Las frmulas que hemos presentado para el clculo de los lmites de control constituyen el siste-
ma ms difundido, que ha sido recientemente normalizado (ISO 8258). Existen, no obstante, dis-
tintas variantes, unas destinadas al mismo uso que las frmulas de Shewhart, y otras a usos al-
ternativos. Por ejemplo, algunos autores recomiendan complementar los lmites de control a dis-
tancia 3$ de la lnea central con otros lmites a distancia 2$, denominados lmites de vigilancia.
Estos lmites separan las zonas A y B de las reglas de Western Electric. El uso de los lmites de
vigilancia es tpico en situaciones en las que se precisa gran sensibilidad a las desviaciones, por
ejemplo, en el control de la calidad del laboratorio. Pueden hallarse ms detalles sobre los lmites
de vigilancia en la norma ISO 7873, y sobre su aplicacin en el laboratorio en Miller & Miller
(1993).
(b) La regla de fijar los lmites de control a distancia 3$, en los grficos de control con lmites calcula-
dos, se extendi de los Estados Unidos al resto de los pases, con excepcin del Reino Unido,
donde ha persistido un sistema alternativo. En la norma britnica la banda de control corresponde
a una probabilidad del 99,9%, lo que equivale, para un grfico basado en la distribucin normal, a
colocar los lmites a distancia 3,09$ de la lnea central. Puede encontrarse informacin sobre el
sistema britnico en Bisell (1994), en Wetherill & Brown (1991), y en la norma BS 5700.
(c) Tambin se han desarrollado grficos de control para la aceptacin/rechazo de un proceso.
Estos grficos son anlogos a los de Shewhart, aunque con un algoritmo de clculo diferente pa-
ra los lmites de control, que en este caso se llaman lmites de aceptacin. Estos lmites se ba-
san en unos parmetros denominados APL (nivel de proceso aceptable), RPL (nivel de proceso
rechazable), ( (riesgo del productor) y ) (riesgo del comprador), que son tpicos del diseo de
planes de muestreo para inspeccin de producto acabado. Pueden hallarse detalles en la norma
ISO 7966, dedicada al tema, en Duncan (1986) y en Schilling (1982).
(d) A veces se usa la mediana en lugar de la media en los grficos de control para variables. La
construccin es totalmente anloga a la de un grfico X /R, aunque, si se trabaja con lmites cal-
culados, las frmulas son diferentes. La lnea central se sita en la media de las medianas de los
subgrupos, y los lmites de control se obtienen sumando y restando el producto del recorrido me-
dio por una constante A
m
que depende de del tamao de subgrupo n (v. Tabla 4.4).

Tabla 4.4. Constantes para medianas

n A
m
2 1,88
3 1,19
4 0,80
5 0,69
6 0,55
7 0,51
8 0,43
9 0,41
10 0,36
Para trazar el grfico de control R se usan los recorridos de los subgrupos. Si los lmites de control se
calculan a partir de los datos, se usan las frmulas:
3 4
LCL ; UCL , D R D R " "
donde D
3
y D
4
son constantes, que se pueden extraer de la tabla 4.2, y que resultan de aplicar el es-
quema " # 3$ al recorrido R. Para ello se obtiene un valor estimado
R
% de la desviacin estndar R,
y se hace 3
R
R % - . Mediante una transformacin que no vamos a detallar aqu, estos lmites se pue-
den expresar en la forma presentada anteriormente. Este es el procedimiento que se halla, general-
mente sin la menor explicacin, en los manuales de control estadstico de proceso.
Hay que mencionar que un intervalo de este tipo no corresponde en este caso a un 99,73% de las
observaciones, aunque X tenga distribucin normal, ya que R no tiene distribucin normal en ningn
caso. No obstante, este esquema es sencillo, y se aplica al clculo de los lmites de control incluso
para variables discretas, como se ver en el control por atributos.
Se observa en la tabla 4.2 que D
3
= 0 para n < 6. Lo que sucede en realidad es que el valor 3
R
R % #
es negativo en estos casos, y se hace igual a cero para evitar el absurdo que supondra un lmite de
control negativo para un estadstico que slo toma valores positivos. Como la curva de probabilidad
de R es asimtrica, puede suceder el lmite inferior obtenido por este procedimiento (basado en la
curva normal, que es simtrica) caiga fuera del intervalo de valores posibles.
En la tabla 2.1, R =1,36, y, entrando n = 5 en la tabla 4.2 resultan D
3
= 0 y D
4
= 2,12. Por tanto,
UCL = 2,12 ' 1,36 = 2,88, y LCL = 0. Estos son los lmites de la figura 2.3.
Para trazar el grfico s se usan las desviaciones estndar de los subgrupos. Su interpretacin es
anloga a la del grfico R. Los lmites de control vienen dados por frmulas anlogas a las del reco-
rrido, sustituyendo las constantes D
3
y D
4
por otras, B
3
y B
4
, que se pueden extraer de la Tabla 4.3.
Por idnticas razones a las que hemos comentado para D
3
, se hace B
3
= 0 para n < 6.
En la tabla 2.1, s = 0,544, y, entrando n = 5 en la tabla 4.3 resultan B
3
= 0 y B
4
= 2,09. Por tanto,
UCL = 2,09 ' 0,544 = 1,1369 y LCL = 0. Estos son los lmites de la figura 2.2.
NOTA. Hay un mtodo alternativo para el clculo de los lmites de control del grfico s, basado en la
distribucin de s
2
. Los lmites de control se obtienen multiplicando el valor estimado $ por unos facto-
res que se extraen de una tabla estadstica denominada tabla chi cuadrado. Para ms detalles, puede
consultarse Ryan (1989).
4.3. Grficos para observaciones individuales
Los grficos de control X /R y X /s se pueden usar cuando las observaciones se presentan en sub-
grupos. Esto no siempre es posible, y a veces es posible pero no prctico. En ciertas situaciones se
debe trabajar con observaciones individuales, en lugar de medias de subgrupos. Las razones para
ello pueden ser:

! Se dispone de pocas mediciones de la caracterstica estudiada, bien porque recoger los datos
sea demasiado caro o demasiado lento, o porque se deba limitar la inspeccin a un nmero pe-
queo de unidades (por ejemplo, si se trata de ensayos destructivos).
! Se trata de una caracterstica para la que un solo nmero representa una condicin dada (en
general, los parmetros de proceso o las caractersticas de producto para los procesos en batch).
La tcnica para construir un grfico de observaciones individuales, o grfico X, es muy simple. Se
traza en el grfico un punto para cada observacin. Si se usan lmites de control calculados, stos
resultan de sumar y restar 3$ a la media, y lo nico nuevo es cmo obtener un valor estimado de $.
La solucin ms utilizada consiste en obtener un valor estimado de $ a partir de un recorrido medio,
que se obtiene como sigue. Supongamos que se dispone de una serie x
1
, x
2
, *, x
k
de observaciones
de la variable X. Se considera la serie de recorrido mvil asociada a esta serie de observaciones,
MR
1
= |x
1
- x
2
|, MR
2
= |x
2
- x
3
|, ..., MR
k-1
= |x
k-1
- x
k
|
y se extrae su media , MR que es el recorrido mvil medio,
1 1
1
k
MR MR
MR
k
#
! !
"
#
!

Como se trata de recorridos de grupos de 2 valores, el recorrido mvil medio es un valor estimado de
d
2
$ donde d
2
= 1,13, se puede extraer de la tabla 4.2, tomando n = 2. Dividiendo por d
2
resulta el va-
lor estimado . % Al igual que en los grficos X /R, este procedimiento equivale a sumar y restar al valor
central la cantidad
3 3 2,66
1,13
MR
MR % " "
El segundo procedimiento para el clculo de los lmites de control usa como valor estimado de $ la
desviacin estndar s (variabilidad a largo plazo). Recordemos que s es muy sensible a la presencia
de observaciones discordantes y, en caso de usar este procedimiento para estimar $, se debe prestar
mucha atencin a la posible aparicin de estos valores, y suprimirlos si se identifica la causa que los
ha producido.
NOTA. Algunos autores desaconsejan el mtodo del recorrido mvil medio para el clculo de lmites
de control en los grficos de observaciones individuales, abogando por usar el valor estimado de $
dado por la desviacin estndar s, a pesar de los inconvenientes de la estimacin directa, que ya
hemos comentado. Repasamos a continuacin las razones en contra del mtodo de los recorridos
mviles. Una discusin ms a fondo, con ejemplos reales y simulados, puede encontrarse en
Ryan(1989).
! Los recorridos MR
1
, ..., MR
k-1
no son independientes, aunque las observaciones x
1
, x
2
, *, x
k
lo
sean (dos recorridos consecutivos tienen correlacin 1/2 o -1/2).
! Si X tiene una pauta de comportamiento no detectada, los recorridos sern menores, ya que un
valor de X se parecer a los contiguos, lo que hace que el recorrido medio sea bajo y $ quede in-
fraestimada.
! El recorrido mvil depende fuertemente de la frecuencia del muestreo y, por consiguiente, el valor
estimado de $ a partir del recorrido mvil medio no es fiable en tanto no quede claro que la dis-
tancia entre observaciones consecutivas es representativa de la variabilidad del proceso.
Interesa conocer la variabilidad del pH de uno de los productos de mayor produccin (unos 20 lotes al
ao). Se realiza un anlisis estadstico (exploratorio) de los registros de produccin del ltimo ao
mediante un grfico de observaciones individuales. Los datos del pH de los 22 lotes producidos el
ltimo ao pueden verse en la tabla 4.5, junto con los valores del recorrido mvil.

Tabla 4.5. Valores de pH de la produccin de un ao

Lote

Ph
MR

Lote

Ph

MR
1 11,23 12 11,30 0,40
2 11,10 0,13 13 10,95 0,35
3 11,20 0,10 14 11,20 0,25
4 11,20 0,00 15 11,57 0,37
5 11,40 0,20 16 11,26 0,31
6 11,20 0,20 17 11,21 0,05
7 11,20 0,00 18 11,10 0,11
8 11,35 0,15 19 11,45 0,35
9 11,40 0,05 20 11,02 0,43
10 10,60 0,80 21 11,35 0,33
11 10,90 0,30 22 11,52 0,17

La media y el recorrido mvil medio son
11,2141; 0,2405 X MR " "
y los lmites de control
UCL = 11,2141 + 2,66 x 0,2405 = 11,8537
LCL = 11,2141 - 2,66 x 0,2405 = 10,5745
El grfico X correspondiente se presenta en la figura 4.1. En l no hay ningn punto fuera de los lmi-
tes de control, aunque se pueden abrigar sospechas sobre el lote 10, ya que el punto del grfico que
corresponde a este lote est muy cerca del lmite inferior.
10,4
10,6
10,8
11
11,2
11,4
11,6
11,8
12
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Muestra
p
h

Figura 4.1. Grfico de control para los datos de la Tabla 4.5

El valor estimado de $ a partir del recorrido mvil medio es:
2
0,2405
0,2132
1,13
MR
d
% " " "
Este valor no difiere mucho del de la desviacin estndar de los 22 datos de pH, que es s = 0,2184.
As pues, en este caso no tiene mucha importancia usar uno u otro mtodo.
Cuando los lmites de control se calculan a partir de los propios datos con los que se traza el grfico
de control, se plantea con frecuencia la cuestin de si hay que incluir los datos que corresponden a
puntos fuera de control. Como regla general, se admite que uno de estos puntos debe suprimirse
cuando:
! Se ha hallado la causa que produjo la desviacin puesta de manifiesto por ese punto.
! Se ha eliminado dicha causa.
Si la causa no ha sido identificada o, aun sindolo, no ha sido eliminada, los datos correspondientes
al punto fuera de control se consideran todava tpicos del proceso y deben tenerse en cuenta. Por
otra parte, si se efecta un cambio significativo en el proceso, los datos recogidos con anterioridad a
dicho cambio no pueden considerarse ya como tpicos del proceso y deben tratarse con precaucin.
De todas maneras, hay que tener en cuenta que, al suprimir un punto fuera de control y rehacer los
clculos, cambia la posicin de la lnea central y de los lmites de control y, en particular, la banda de
control se hace ms estrecha. Puede suceder que un punto que estaba entre los lmites de control
quede fuera al recalcular los lmites. Esto es un sntoma de que el problema no se limita a la causa
previamente detectada.
Si se decide ignorar el lote 10 de la tabla 4.5, por considerar que no es tpico del proceso, hay que
rehacer los clculos, lo que es sencillo si se usa una hoja de clculo. En la Tabla 4.6 se incluyen so-
lamente los datos correspondientes a los 21 lotes restantes.

Tabla 4.6. Resultado de suprimir un lote en la Tabla 4.5

Lote

Ph
MR

Lote

Ph

MR
1 11,23 12 10,95 0,35
2 11,10 0,13 13 11,20 0,25
3 11,20 0,10 14 11,57 0,37
4 11,20 0,00 15 11,26 0,31
5 11,40 0,20 16 11,21 0,05
6 11,20 0,20 17 11,10 0,11
7 11,20 0,00 18 11,45 0,35
8 11,35 0,15 19 11,02 0,43
9 11,40 0,05 20 11,35 0,33
10 10,90 0,05 21 11,52 0,17
11 11,30 0,40
La media y el recorrido mvil medio son, ahora,
11,2433; 0,2225 x MR " "
y los lmites de control
UCL = 11,2433 + 2,66 x 0.2225 = 11,8352
LCL = 11,2433 - 2,66 x 0,2225 = 10,6515
El grfico que corresponde a la tabla 4.6 se presenta en la figura 4.2. Tampoco hay ningn punto
fuera de los lmites de control, y da una mayor apariencia de regularidad.

10,4
10,6
10,8
11
11,2
11,4
11,6
11,8
12
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Muestra
p
h

Figura 4.2 Grfico de control para los datos de la Tabla 4.6

A veces se acompaa el grfico X con un grfico de recorridos mviles o grfico MR, en el que los
lmites se pueden calcular como en el grfico R ordinario, usando las constantes D
3
y D
4
, con n = 2
(naturalmente, D
3
= 0, y por tanto LCL=0). Algunos autores critican el grfico MR con el argumento de
que los coeficientes usados en el clculo de los lmites de control no son aplicables, por no ser vli-
das las hiptesis en las que se basa el procedimiento de clculo. En efecto, los recorridos no son
estadsticamente independientes, como lo eran cuando se extraan de subgrupos distintos. Al margen
de estas objeciones de naturaleza terica, la realidad es que los usuarios prestan poca atencin a los
grficos MR, debido a que no contienen informacin nueva respecto al grfico X, salvo un nuevo lmi-
te de control.

Para los datos de la tabla 4.5 tenemos
4
UCL 3,27 0,2405 0,7864 D MR " " & "

con lo que el recorrido entre el lote 9 y el 10 est fuera de control, lo que confirma las reservas que
suscitaba el grfico de la figura 4.1. La figura 4.3 es el grfico MR correspondiente.


0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Muestra
M
R

Figura 4.3 Grfico MR para los datos de la Tabla 4.5

Finalmente, comentamos brevemente algunos de los inconvenientes y ventajas de los grficos de
observaciones individuales. Entre los inconvenientes podemos destacar:
! No existe un mtodo satisfactorio para la estimacin de $.
! Tienen menor poder de deteccin, ya que la banda de control es ms estrecha.
! Si la distribucin normal no da una descripcin aceptable de la variable, los lmites de control no
son vlidos. Al usar medias, en cambio, se tiene una mejor aproximacin a la distribucin normal,
por el teorema central del lmite, como se menciona en el anexo 3.1.
Entre las ventajas podemos citar:
! Los clculos son ms sencillos.
! Los grficos son ms fciles de entender.
! En los grficos de observaciones individuales se pueden incluir los lmites de tolerancia.
5. GRFICOS DE CONTROL PARA ATRIBUTOS
5.1. Control de la proporcin de unidades no conformes
En el captulo 2 hemos comentado las variantes del control por atributos, que se diferencian segn el
parmetro estadstico al que se aplican:

! La proporcin de unidades no conformes
! El nmero medio de no conformidades por muestra o por unidad
! El nmero medio de demritos por muestra o por unidad

En este captulo discutimos estas variantes y los grficos que se usan en cada una de ellas. Nos limi-
taremos a los grficos ms tpicos, que se construyen siguiendo las directrices dadas por Shewhart.
Consideramos en primer lugar la situacin en la cual el producto est formado por unidades, que se
clasifican en conformes y no conformes, y el control se ejerce a travs de la inspeccin de conjuntos
de n unidades. Se denomina a estos conjuntos muestras, y n es el tamao de muestra.
El tamao de muestra en el control por atributos es, en general, mucho mayor que el tamao de sub-
grupo del control por variables. En efecto, la proporcin de unidades no conformes es pequea, y si
las muestras no fuesen grandes, el nmero de muestras debera serlo para que apareciesen unida-
des no conformes. As pues, muestras de 50 y hasta 100 unidades son frecuentes en el control por
atributos, mientras que en el control por variables el tamao de los subgrupos no acostumbra pasar
de 5.
Se considera que el proceso est en estado de control estadstico cuando:

! La proporcin p de unidades no conformes generadas por el proceso es estable a lo largo del
perodo en el que se han obtenido las muestras.
! La aparicin de una unidad no conforme en una muestra es independiente de lo que suceda en
las otras muestras, y el que una unidad de una muestra sea no conforme es independiente de
que las restantes lo sean.

En estas condiciones, el nmero de unidades no conformes en una muestra de tamao n tiene una
distribucin binomial de parmetros n y p. El control efectivo del proceso puede hacerse llevando a un
grfico el nmero de unidades no conformes por muestra, o bien la proporcin de unidades no
conformes en las muestras inspeccionadas.
La relacin entre ambos mtodos est clara: si designamos por p la proporcin de unidades no con-
formes, y las muestras tienen tamao n, el nmero medio de unidades no conformes es np. Desde el
punto de vista matemtico, ambos procedimientos son equivalentes y se pueden usar indistintamente,
salvo cuando el tamao de muestra es variable, situacin en la que slo tiene sentido usar la propor-
cin de unidades no conformes. Los grficos de control del nmero de unidades no conformes son los
grficos np, y los de la proporcin de unidades no conformes, los grficos p.

Para una distribucin binomial de parmetros n y p, la media es " = np. Se obtiene un valor estimado
de " sustituyendo en esta frmula la proporcin p por su valor estimado, que se puede obtener como
sigue. Supongamos que se han inspeccionado k muestras de tamao n y se cuentan en cada una las
unidades no conformes, obteniendo los valores r
1
, r
2
, *, R
k
. Entonces el valor estimado de p es el
cociente del nmero de unidades no conformes halladas entre el nmero total de unidades
inspeccionado,
1 k
r r
p
nk
! !
"
!

y el valor estimado de " es
np $ "

Esto equivale a calcular la proporcin de unidades no conformes en cada muestra y extraer la media.
Es decir, designando por p
i
=r
i
/n la proporcin de unidades no conformes en la muestra i-sima,
1 k
p p
p
k
! !
"
!

El valor estimado de la desviacin tpica se obtiene haciendo
(1- ) np p % "
Estos valores se usan directamente si el control se aplica al nmero de unidades no conformes por
muestra (grfico np). Si se aplica a la proporcin de unidades no conformes, hay que dividir la media
y la desviacin tpica por el tamao de muestra. Entonces el valor estimado de la media es , p $ " y el
de la desviacin tpica,
(1 )
p p
n
%
#
"

Para estudiar la regularidad estadstica del proceso del servicio de atencin al cliente, se registran los
datos relativos a 50 llamadas seleccionadas diariamente de forma aleatoria, durante 20 das consecu-
tivos. Las llamadas que se han contestado despus de la tercera seal se consideran no conformes.
El nmero de llamadas no conformes en cada una de estas muestras se presenta en la tabla 5.1.
Tabla 5.1 Respuestas no conformes
muestra No conformes
p
1 1 0,02
2 0 0
3 1 0,02
4 2 0,04
5 2 0,04
6 0 0
7 1 0,02
8 3 0,06
9 0 0
10 0 0
11 2 0,04
12 0 0
13 1 0,02
14 4 0,08
15 0 0
16 1 0,02
17 0 0
18 0 0
19 2 0,04
20 0 0

Hay, en total, 20 unidades no conformes y, por lo tanto, el nmero medio es 1, np " y la proporcin
media 0,02. p " La desviacin tpica estimada para el nmero de unidades no conformes es
(1 ) 0,9899 np p % " # "
En un grfico np, en el que se efecta el seguimiento del nmero de unidades no conformes por
muestra, la lnea central se sita en . np Los lmites de control se obtienen sumando y restando3 % al
valor medio,
3 (1 ) np np p - #

0
1
2
3
4
5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
UCL
CL

Figura 5.1 Grfico np para los datos de la Tabla 5.1

Para pasar de un grfico np a un grfico p, basta dividir todo por n. La lnea central se sita en el va-
lor estimado de la media, que es , p y los lmites se obtienen sumando y restando3 , %
(1 )
3
p p
p
n
#
-
Si el tamao de muestra es variable, el grfico np no puede usarse, ya que la media cambia de una
muestra a otra. El grfico p s tiene sentido, aunque los lmites de control son distintos para muestras
de distinto tamao, lo que es muy engorroso si los grficos se hacen a mano. Designando por n
i
el
tamao de la muestra i-sima, p se obtiene
1
1
k
k
r r
p
n n
! !
"
! !
!
!

y los lmites de control para la proporcin de unidades no conformes en la muestra i-sima son
(1 )
3
i
p p
p
n
#
-

Si los n
i
no son muy distintos, se puede usar un valor medio n para simplificar, y as tener los mismos
lmites a lo largo de todo el grfico. Esta reduccin simplifica efectivamente los clculos, pero introdu-
ce un error. Si las muestras tienen tamaos parecidos (en general, se recomienda no usar esta re-
duccin si los n
i
difieren en ms de un 25%) el error es pequeo, pero si no es as, puede ser impor-
tante.
NOTAS:
(a) Al igual que suceda en los grficos R y s del control por variables, las frmulas para el clculo de
los lmites de control se basan en la regla " # 3$, derivada de la distribucin normal, y no son
exactamente ciertas para una distribucin binomial.
(b) El lmite inferior rara vez se usa, ya que casi siempre se quiere controlar que el nmero de unida-
des no conformes no sea demasiado grande. Por otra parte, por la asimetra de la distribucin bi-
nomial, este lmite puede ser negativo y carecer de sentido, como suceda en los grficos R y s.
La lnea central del grfico np correspondiente a los datos de la tabla 5.1 es 1, y los lmites de control
son
UCL = 1 + 3 x 0,9899 = 3,9698
LCL = 1 3 x 0,9899 = -1,9698
El lmite inferior no tiene sentido y se ignora. El grfico np correspondiente a estos resultados es la
figura 5.1. Se aprecia en ella que el valor de la muestra 14 excede el lmite de control. Al ser UCL < 4,
para que no haya puntos fuera de control, puede haber, como mximo, 3 llamadas no conformes en
una muestra de 50. No obstante, la proximidad entre el punto en cuestin y el lmite aconseja no ex-
traer conclusiones precipitadas, ya que basta modificar ligeramente los datos para que no haya pun-
tos fuera de control.
NOTA. Puede verse que, si la variable aleatoria X = nmero de no conformidades se distribuye bi-
nomialmente n = 50 y p = 0,02, la probabilidad de X = 4 es del 1,45% y la de X > 4 del 1,78% (mucho
mayor que la probabilidad del 0,27% de que +X - "+ > 3$ que dimos para la distribucin normal). Si se
extraen 20 muestras, la probabilidad de que en alguna de ellas se obtenga un valor un valor mayor o
igual que 4 es superior al 30%. Tales contradicciones se dan cuando el nmero medio de unidades
no conformes por muestra es pequeo y el lmite de control es muy prximo a un nmero entero. Por
esta razn se recomienda usar un tamao de muestra suficiente para que np > 3. Cuando p es pe-
quea, esto encarece el control por atributos y puede hacerlo inviable.
5.2. Control de las no conformidades
Consideramos ahora la situacin en la cual el seguimiento de un proceso se realiza a travs del n-
mero de no conformidades observado en muestras de producto inspeccionadas con frecuencia prefi-
jada. Estas muestras pueden ser conjuntos de unidades, en el caso del hardware, o segmentos de
magnitud constante, en materiales continuos, donde las unidades son artificiales (por ejemplo, un
metro de cable).
En esta variante del control de procesos se puede escoger entre usar, como estadstico para la elabo-
racin de los grficos, el nmero de no conformidades por muestra (de rea, de longitud, etc.), que es
lo ms directo cuando todas las muestras tienen el mismo tamao, o el nmero de no conformidades
por unidad, que tiene sentido aun cuando las muestras no tienen el mismo tamao. En el primer caso
obtendremos un grfico c, y en el segundo un grfico u. Ambas variantes se basan en el mismo
modelo estadstico, la distribucin de Poisson (v. Apndice A6).
Supongamos que se inspeccionan muestras de n unidades (n puede ser constante o variable) y se
cuentan las no conformidades en cada muestra. Podemos considerar que el proceso est en estado
de control estadstico cuando:
! El nmero medio c de no conformidades por muestra es estable.
! Las no conformidades aparecen independientemente unas de otras.
Entonces el nmero de no conformidades por muestra tiene una distribucin de Poisson de parmetro
c. La media y la varianza de esta distribucin son iguales a c. (v. Anexo A6).
Supongamos en primer lugar que todas las muestras tienen el mismo tamao. Entonces el nmero de
no conformidades por muestra sigue una distribucin de Poisson, y se obtiene un valor estimado de la
media (que coincide con la varianza) como sigue. Se cuenta el nmero de no conformidades c
i
en
cada muestra y el valor estimado de " es
1 k
c c
c
k
! !
"
!

donde k es el nmero de muestras.
Para un producto formado por unidades' podemos estar interesados en el seguimiento del nmero
de no conformidades por unidad, u
i
= c
i
/n. Entonces, si las muestras tienen n unidades, basta dividir
por n. As, el valor estimado del nmero medio de no conformidades por unidad es
1 1
k k
u u c c
u
k nk
$
! ! ! !
" " "
! !

siendo u
i
=c
i
/n el nmero de no conformidades por unidad en la muestra i-sima.

Supongamos ahora que el nmero de unidades por muestra no es constante, y que n
1
, n
2
, *, n
k
son
los respectivos tamaos de muestra. En esta situacin no tiene sentido el seguimiento del nmero de
no conformidades por muestra, sino que el control se aplica al nmero de no conformidades por uni-
dad, u
i
. El valor estimado de la media es entonces
1
1
k
k
c c
u
n n
$
! !
" "
! !
!
!

Para el control del proceso de tejido se inspeccionan 20 piezas de varios metros cada una que, por
razones de organizacin, tienen distinta longitud. Los resultados de la inspeccin se presentan en la
tabla 5.2.

Tabla 5.2 Defectos hallados en la inspeccin
muestra Longitud defectos Defectos / metro
1 13 4 0,31
2 15 3 0,20
3 12 5 0,42
4 16 2 0,13
5 9 1 0,11
6 16 4 0,25
7 12 3 0,25
8 16 4 0,25
9 8 2 0,25
10 18 5 0,28
11 13 3 0,23
12 14 3 0,21
13 16 6 0,38
14 15 5 0,33
15 14 1 0,07
16 13 3 0,23
17 14 2 0,14
18 15 5 0,33
19 20 7 0,35
20 14 2 0,14

Como las muestras tienen distinta longitud, se debe usar un grfico u. El valor estimado del nmero
medio de defectos por metro es
4 3 2
0,247.
13 15 14
u
! ! !
" "
! ! !
!
!

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 5.2 Grfico u para los datos de la Tabla 5.2

Para controlar el nmero de no conformidades por muestra se usa un grfico c. La lnea central se
sita en el valor , c y los lmites de control se obtienen sumando y restando3 , %
3 c c -

Para controlar el nmero de no conformidades por unidad se usa un grfico u. El valor estimado de $
es
u
n
% "

La lnea central se sita en el valor , u y los lmites de control se obtienen sumando y restando3 , %
3
u
u
n
-

Si el nmero de unidades por muestra no es constante, el grfico c no tiene sentido, y slo puede
usarse el grfico u. Entonces, la lnea central se sita en , u y los lmites de control para la muestra i-
sima son
3
i
u
u
n
-

Como para el grfico p, si los n
i
no son muy distintos, puede usarse un valor medio, , n para simplificar,
y as tener los mismos lmites a lo largo de todo el grfico.
NOTA. Como en la seccin anterior, los lmites de control estn basados en la regla " # 3$.

El tamao medio de muestra es 14,50. n " Con este valor medio, los lmites de control son
0,247
UCL 0,247 3 0,644
14,15
" ! "
0,247
LCL 0,247 3 0,149
14,15
" # " #
El lmite inferior es negativo y se ignora. El grfico correspondiente es la figura 5.2. No hay puntos
fuera de control.
Para mostrar cmo puede afectar a los lmites de control el tomar un tamao medio de muestra, cal-
culamos el lmite superior para la muestra mayor y para la menor. La mayor tiene 20 metros, y por
tanto,
0,247
UCL 0,247 3 0,581
20
" ! "
y la menor 8 metros, con lo que
0,247
UCL 0,247 3 0,775
8
" ! "
La diferencia entre ambos lmites hace recomendable una cierta precaucin al usar este tipo de apro-
ximaciones.
5.4. Control del nmero de demritos
Consideremos finalmente el caso de un producto que puede presentar varias clases de no conformi-
dad, de distinta importancia. Puede ser interesante en esta situacin usar un mtodo que tenga en
cuenta la diferente consideracin que nos merecen los distintas clases de no conformidad, tal como
comentamos en el captulo 2. Se asigna un nmero de demritos a cada clase, y el nmero de dem-
ritos de una muestra es la suma de los productos del nmero de no conformidades de cada clase por
el nmero de demritos correspondiente a esa clase.
Se puede realizar el seguimiento del nmero de demritos por muestra en un grfico de control, que
se denomina grfico D. Consideremos, para simplificar, un producto que pueda presentar cuatro
clases de disconformidad. Atribuimos a cada clase un nmero de demritos w, que normalmente ser
un nmero entero positivo. Si una muestra presenta c
1
, c
2
, c
3
y c
4
no conformidades de cada clase,
respectivamente, el nmero de demritos de esa muestra ser
D = w
1
c
1
+ w
2
c
2
+ w
3
c
3
+ w
4
c
4

Ahora D ya no tiene distribucin de Poisson, como en los grficos c, y no podemos usar el mismo
valor estimado para la media y la varianza. La media de D se estima por la media de los nmeros de
demritos de las sucesivas muestras,
1 1 2 2 3 3 4 4
D w c w c w c w c $ " " ! ! !

Si se puede asumir que la aparicin de un tipo de disconformidad es independiente de la aparicin de
los restantes tipos, la desviacin tpica de D puede estimarse por
2 2 2 2
1 1 2 2 3 3 4 4
w c w c w c w c % " ! ! !
La lnea central se sita en D y los lmites de control se obtienen sumando y restando3 , %
3 D % -
Todo esto se aplica a un grfico de demritos que viene a ser el homlogo de un grfico c, es decir, al
grfico del nmero de demritos por muestra. Para un producto formado por unidades, se puede
considerar el nmero de demritos por unidad,
1 1 2 2 3 3 4 4 u
D
D w u w u w u w u
n
" " ! ! !
La lnea central para el grfico se obtiene haciendo la media de los nmeros de demritos para las
sucesivas muestras y los lmites de control se calculan como en el caso anterior.


A6. DISTRIBUCIONES DE PROBABILIDAD
A6.1 Discusin general
Todo proceso presenta una variabilidad, que se pone de manifiesto en las variaciones que se obser-
van a lo largo del tiempo en los indicadores cuyo seguimiento se realiza en el control estadstico de
proceso. El lenguaje estadstico que introducimos en este apndice es til para evaluar esa variabili-
dad. Una hiptesis de trabajo habitual de la estadstica consiste en suponer que el problema que se
quiere tratar puede describirse en trminos de un modelo terico. El modelo cubre todas las situa-
ciones posibles para el problema, y entonces cada situacin particular puede caracterizarse por los
valores de unos parmetros. Identificando los valores de los parmetros podemos prever, en trmi-
nos estadsticos, las variaciones de un indicador ligado al problema que se considera. Presentaremos
aqu tres modelos, el normal, el binomial y el de Poisson.
Conocer el valor de los parmetros estadsticos es fundamental para poder prever con qu frecuencia
los valores de un indicador estarn dentro de un cierto intervalo, y poder, en consecuencia, decidir si
un proceso es capaz. Un paso previo esencial es asegurar la regularidad estadstica del proceso, es
decir, la estabilidad de los parmetros. Si no puede suponerse que los valores actuales de los par-
metros estadsticos continuarn siendo vlidos, no tiene sentido hacer predicciones basadas en esos
valores.
Por probabilidad de un suceso se entiende la expectativa de la proporcin de casos en que se obtie-
ne dicho suceso cuando el nmero de experiencias realizadas sea grande. Cuanto mayor sea el n-
mero de experiencias, mejor ser la aproximacin de la proporcin observada a esta expectativa.
Podemos obtener una aproximacin de la probabilidad de un fenmeno realizando un nmero eleva-
do de experiencias y calculando la proporcin de experiencias en las que se da el fenmeno. Diremos
entonces que esa proporcin es un valor estimado de la probabilidad. Si, por ejemplo, inspecciona-
mos 1000 unidades de un producto, resultando 20 defectuosas, el valor 0,02 es una estimacin de la
probabilidad de que, al escoger al azar una unidad de ese producto, obtengamos una unidad defec-
tuosa.
No obstante, las probabilidades no siempre se estiman directamente a partir de proporciones obser-
vadas, sino mediante frmulas que se deducen matemticamente de algn modelo, cuya validez se
asume, implcita o explcitamente. Por ejemplo, en el control por variables, las probabilidades se cal-
culan a partir de los valores de la media y la desviacin tpica, asumiendo la validez de la distribucin
normal, que presentaremos en el apartado siguiente. Debe entenderse que, al proceder de este mo-
do, los mtodos slo son exactos para aquellos casos en los que las hiptesis estadsticas implcitas
son completamente vlidas, lo que en la prctica no es verdad nunca. Por consiguiente, las predic-
ciones que se hacen a partir del tratamiento estadstico de los datos son slo aproximaciones, tanto
mejores cuanto mayor sea la adecuacin entre la realidad y las hiptesis asumidas en los mtodos
empleados.
Un concepto importante, ligado a la probabilidad, es el de independencia estadstica. Se dice que
dos sucesos son estadsticamente independientes cuando el conocimiento de que uno de ellos se da
no modifica la probabilidad de que se d el otro. La independencia es una de las nociones bsicas de
la Estadstica y su importancia radica en el hecho de que, en general, la mayora de los mtodos cl-
sicos de la estadstica asumen la independencia de las observaciones. Esta hiptesis, implcita en
algunas de las frmulas de los grficos de control, no siempre se tiene en cuenta. En general, la hip-
tesis de la independencia de las observaciones supone que stas se hacen de forma que los resulta-
dos de unas no modifican las expectativas en las otras. Aunque ambas cosas no sean exactamente lo
mismo, se dice, cuando no hay independencia, que las observaciones estn correlacionadas.

A6.2 Distribuciones continuas
En el control por variables se realizan mediciones de caractersticas que pueden variar de forma con-
tinua. No tiene sentido, entonces, considerar la probabilidad de que esa caracterstica tome un valor
determinado, sino que se consideran probabilidades de intervalos (por ejemplo, la probabilidad de
que el grosor de las hojas de acero del ejemplo 1 est comprendido entre los lmites de tolerancia 598
y 602 !m). Estas probabilidades se calculan habitualmente a partir de distribuciones de probabili-
dad. Para una variable continua, la distribucin se materializa en una curva, llamada curva de den-
sidad de probabilidad o, ms brevemente, curva de probabilidad.
La curva de probabilidad de una variable continua X permite calcular probabilidades del siguiente
modo: la probabilidad de que el valor de X est comprendido entre dos valores dados x
1
y x
2
(x
1
< X <
x
2
) es igual al rea delimitada por el eje x, la curva de probabilidad y las verticales x = x
1
y x = x
2
(v.
Figura A6.1). Esto implica, en particular, que la probabilidad sea mayor en los intervalos sobre los
cuales la curva de probabilidad est ms separada del eje x. De este modo, una simple ojeada a la
curva de probabilidad permite saber en qu intervalos la probabilidad de hallar el valor de X es mayor.

Figura A6.1 Curva de probabilidad

La curva de probabilidad puede darse tambin a travs de su ecuacin, que es una expresin del tipo
y = f(x), donde f es una funcin matemtica. Entonces el rea entre x
1
y x
2
se puede calcular inte-
grando f,
2
1
1 2
Prob( ) .
x
x
x X x f(x) dx ! ! "
#

La media de una variable continua se define por
( ) x f x dx $
%&
'&
"
#

! es un parmetro asociado al modelo. Cuando se asume la validez de una determinada distribucin,
se supone que el valor de ! es desconocido, pero que se puede obtener un valor estimado a partir

de los resultados de las observaciones de la variable X. En particular, el estadstico x da un valor es-
timado de !. De ah que se use la misma palabra para designar ambas cosas. Debe entenderse, sin
embargo, que ! es un valor terico constante (y desconocido) y x un valor experimental que vara de
una experiencia a otra. Puede demostrarse matemticamente que ! es el lmite de x cuando el nme-
ro de observaciones tiende a infinito, con lo cual puede interpretarse como la expectativa del valor
medio que obtendramos si el nmero de observaciones fuese muy grande.
Otro parmetro del modelo es la varianza, que se define por
2 2
( ) ( ) x f x dx ( $
%&
'&
" '
#

La desviacin estndar " es la raz cuadrada de la varianza. Algunas distribuciones, como la nor-
mal, que presentamos en el apartado siguiente, quedan determinados por los valores de ! y ". Puede
hacerse un comentario similar al del prrafo anterior respecto a la relacin entre el parmetro " y el
estadstico s, con un aadido, que s solamente da un valor estimado de " cuando las observaciones
son independientes.
A6.3 Distribuciones discretas
En el control por atributos se manejan datos que resultan de contar las apariciones de un cierto fen-
meno (por ejemplo, el nmero de unidades no conformes en una muestra extrada de un lote para la
inspeccin final). Si designamos por X el nmero de veces que aparece ese fenmeno en una ins-
peccin, X es una variable cuyos valores son 0, 1, 2, #, pero X no puede tomar, por ejemplo, ningn
valor comprendido entre 1 y 2. La curva de probabilidad no tiene sentido, sino que se utiliza una dis-
tribucin de probabilidad discreta, que asigna a cada valor su probabilidad.
En general, si designamos por x
1
, x
2
, #, x
i
, # los valores de X, podemos asociar a cada uno de ellos
una probabilidad p
i
= Prob(X = x
i
). La media se define entonces por
1 1 2 2 i i
p x p x p x $ " % % % % ! !
y la varianza por
) * ) * ) *
2 2 2
2
1 1 2 2 i i
p x p x p x ( $ $ $ " ' % ' % % ' % ! !
La interpretacin de ! y " es anloga a la que tienen en las distribuciones continuas.
Supongamos que el servicio de atencin al cliente responde el 18% de las llamadas despus de la
tercera seal y que la hora, la duracin y el nmero de seales antes de que la llamada sea contesta-
da quedan registrados por el sistema informtico de la empresa. Podemos seleccionar aleatoriamente
una muestra de 10 llamadas y ver cuntas han sido respondidas despus de la tercera seal. Si de-
signamos por X el nmero de llamadas donde eso sucede, los valores posibles de X son 0, 1, 2, #,
10. Cada valor de X tiene una probabilidad asociada que puede calcularse con la distribucin binomial
que veremos ms adelante. En la tabla A6.1 pueden verse estas probabilidades, junto a los valores
de los parmetros ! y " que resultan de aplicar las expresiones que hemos usado para definirlos.

TABLA A6.1 Probabilidades en un modelo binomial con n=10 y p=0,18
X P(X=x)
0 0,1374
1 0,3017
2 0,2980
3 0,1745
4 0,0670
5 0,0177
6 0,0032
7 0,0004
8 0,0000
9 0,0000
10 0,0000
Media =
10
0
( )
X
x P X x
"
+ "
,
=1,8
Desviacin estndar =
10
2
0
( 1,8) ( )
X
x P X x
"
' + "
,
=1,21149

A6.4 Distribucin normal
El modelo habitual del control por variables y el ms usado en general en la estadstica es la distri-
bucin normal. Otras distribuciones de inters en el control de la calidad como la exponencial o la de
Weibull, de gran importancia en la fiabilidad industrial, no se tratan en estas notas. En la distribucin
normal, la curva de probabilidad viene dada por
) *
2
2
1
exp
2 2
x
y
$
( -(
. /
'
0 1 " '
0 1
2 3

donde ! y " son los parmetros del modelo, $ designa el nmero pi de las Matemticas, y exp es la
funcin exponencial.
Puede demostrarse matemticamente que, al aplicar las frmulas que hemos dado al definir la media
y la desviacin estndar se obtienen precisamente los valores ! y " que aparecen en la expresin de
f(x). De ah que hayamos usado directamente esos smbolos para los parmetros. En las figuras A6.2
y A6.3 pueden verse curvas normales con distintos valores de ! y ".


Figura A6.2 Comparacin de curvas normales con distinto valor de ! e igual "

Figura A6.3 Comparacin de curvas normales con distintos valor de " e igual !

Conociendo los parmetros ! y " de una distribucin normal, se puede hallar la probabilidad de cual-
quier intervalo. Para ello no hace falta calcular una integral, ya que pueden usarse las tablas de la
distribucin normal de los libros de Estadstica o medios electrnicos de clculo (por ejemplo, la fun-
cin DISTR.NORM de Excel).
Si tomamos como valor de ! la media de los datos de la tabla 2.1, 599,545 x " micras, y como valor
de " la desviacin estndar s = 0,619299 micras, podemos calcular la probabilidad de que el grosor
de una hoja de acero, extrada al azar de la produccin, est comprendido entre los lmites de tole-
rancia de 598 y 602 micras. Este clculo es bastante sencillo si se dispone de una calculadora que d
probabilidades asociadas a la distribucin normal, o de una hoja de clculo (en Excel esta probabili-
dad es igual a la diferencia entre los valores de la funcin DISTR.NORM en 598 y 602). En este caso,
se obtiene
) * ) * Prob(598 602) Prob 602 Prob 598 0,999963 0,006302 0,99361. X X X ! ! " ! ' ! " ' "
No obstante, estos clculos son poco frecuentes en este contexto, y en la prctica el uso de la distri-
bucin normal en el control de la calidad se limita, casi exclusivamente, al manejo de unos pocos
valores. En estas notas nos limitaremos a los intervalos ! % ", ! % 2" y ! % 3",
) * Prob - 0,6826 X $ ( $ ( ! ! % "
) * Prob - 2 2 0,9544 X $ ( $ ( ! ! % "
) * Prob - 3 3 0,9973 X $ ( $ ( ! ! % "
En particular, la ltima de estas expresiones significa que el 99,73% del rea comprendida bajo la
curva normal corresponde a los valores cuya distancia a ! es inferior a 3". Una consecuencia de este
esquema es que, en la prctica, para una variable con distribucin normal no se hallan ms que muy
raramente valores fuera del intervalo ! % 3". Este es, pues, un intervalo natural del cual no debe
salir X, a menos que cambien los valores de los parmetros. Este hecho se utiliza para calcular ndi-
ces de capacidad (v. Captulo 3) y lmites de control (v. Captulos 4 y 5).
Supongamos que X es una variable con distribucin normal de media ! y desviacin estndar ". de-
signamos por X la media de n observaciones independientes de X. Por ejemplo, en el Ejemplo 1, si X
es el grosor de una hoja de acero, X sera el grosor medio de una muestra de cinco unidades. Los
valores de la columna de medias en la tabla 2.1 son las observaciones de la variable . X
Un teorema clsico de la estadstica asegura que X tiene distribucin normal de media ! y desviacin
estndar "/&n. Este resultado no hace sino cuantificar el hecho de que las fluctuaciones estadsticas
de la media de n observaciones son de menor magnitud cuanto mayor es n. Usando esto podemos
calcular probabilidades para X como hicimos para X, sin ms que corregir el valor de la desviacin
estndar, cambiando " por "/&n. Por ejemplo,
Prob 3 3 0,9973 X
n n
( (
$ $
. /
' ! ! % "
0 1
2 3

Si X no tiene distribucin normal, puede asegurarse an que la media de X es !, y su desviacin es-
tndar "/&n, aunque no que la distribucin normal sea vlida. Sin embargo, un teorema clsico de la
estadstica, el teorema central del lmite, asegura que la curva de probabilidad de la media se apro-
xima a la normal cuando n es grande. Por consiguiente, aunque el nmero de observaciones que se
promedien sea pequeo, puede esperarse, razonablemente, que la distribucin normal sea una apro-
ximacin mejor para X que para X.
La distribucin normal se viene usando regularmente desde que fuera introducida por C.F. Gauss (de
ah viene el nombre de distribucin gaussiana que se le da a veces) hace aproximadamente 200 aos
para el estudio de los errores de ciertas medidas astronmicas. Ello es debido, aparte de sus propie-
dades matemticas, al hecho de que tiene una curva de probabilidad simtrica, de forma acampana-
da, lo que hace que proporcione una aproximacin satisfactoria para las variables que intervienen en
diversas situaciones. Eso no quiere decir que otras distribuciones cuya curva de probabilidad sea
parecida no proporcionen aproximaciones igualmente buenas a situaciones en los que se usa la nor-
mal. Pero debido a las propiedades de la normal, se usa siempre que no haya razones de peso en

contra. Por otro lado, no hay que precipitarse en descartar la distribucin normal, aunque los primeros
datos muestren divergencias importantes con la curva normal, porque a veces estas divergencias se
deben a la inestabilidad de los parmetros estadsticos de la variable de la que se han obtenido los
datos.
Hemos dado, para la distribucin normal, las probabilidades de distintos intervalos. Estas probabilida-
des no son exactamente vlidas para otras distribuciones. Invalida esto los mtodos del control por
variables, que estn basados en la normal? La respuesta es que la desviacin respecto a la normal
afecta a unos mtodos ms que a otros, por lo que la cuestin es slo importante en algunas situa-
ciones especiales. La cuestin central, en lo que concierne al control de proceso, no es si la distribu-
cin normal es o no es la mejor descripcin de la variabilidad de un proceso, sino si los lmites ! % 3"
definen un intervalo donde se halle aproximadamente el 99,73% de las observaciones que puedan
hacerse. Los problemas se presentarn, pues, cuando el intervalo sea demasiado estrecho y los
valores obtenidos se escapen, por la izquierda o por la derecha, con mayor frecuencia de la prevista
por el modelo normal, o cuando sea demasiado ancho y los valores observados slo ocupen una
parte del intervalo.
A6.5 Distribucin Binomial y Poisson
Consideremos ahora el problema siguiente: se hacen n experiencias independientes en las que pue-
de ocurrir un cierto suceso D, siempre con la misma probabilidad p. Por ejemplo, se extrae una
muestra de n unidades de un producto de un lote homogneo que contiene un nmero de unidades
mucho mayor que n (para que se pueda admitir que las extracciones son independientes) y se obser-
va la aparicin de un cierto defecto que se produce, como trmino medio, en una fraccin p de la
produccin. Sea X el nmero de veces que ocurre D en n experiencias. Entonces los valores posibles
de X son 0, 1, 2, #, n. Puede demostrarse, mediante un argumento de tipo combinatorio, que las
probabilidades de estos valores vienen dadas por la distribucin binomial,
) * ) * Prob 1 0,1,2, , .
n x
x
x
n
P X x p p x n
x
' . /
" " " ' "
0 1
2 3
"

Esta situacin se expresa diciendo que X tiene una distribucin binomial de parmetros n y p. La me-
dia y la desviacin estndar se pueden obtener en funcin de estos parmetros mediante las frmulas
, (1 ) np np p $ ( " " '

Sin hacer clculos, el valor de ! puede preverse por intuicin: si la proporcin de casos en los que se
obtiene un cierto fenmeno es p, y se realizan n experiencias, el nmero medio de experiencias en
las que se obtiene ese fenmeno debe ser np. En cambio, el valor de " no se explica por un razona-
miento tan sencillo.
Es interesante tener presentes las condiciones en las que es vlido el uso del modelo binomial, que
podemos resumir en:
' Que existan dos alternativas posibles para cada experiencia, por ejemplo, conforme o no confor-
me.
' Que la probabilidad p sea la misma en cada experiencia.
' Que las experiencias sean independientes.

Las probabilidades de la tabla A6.1 se pueden obtener mediante la frmula binomial. Por ejemplo,
) * ) * ) *
5 5
5
10
Prob 5 0,18 0,82 0,0177
5
P X
. /
" " " "
0 1
2 3

Se pueden comprobar, asimismo, los valores de la media y la desviacin estndar,
0,18 10 1,8; 10 0,18 0,82 1,2149 $ ( " + " " + + "

NOTA. El clculo de las probabilidades con la frmula binomial puede resultar muy tedioso si se hace
a mano, pero una hoja de clculo permite obtenerlas sin mucho trabajo. De hecho, la tabla A6.1 se ha
construido en una hoja Excel, usando la funcin DISTR.BINOM.
Aunque la distribucin de Poisson tiene muchas aplicaciones, nos limitaremos aqu a una presen-
tacin breve, aunque suficiente para el uso que haremos de este modelo. Consideramos la variable X
igual al nmero de veces que aparece un cierto fenmeno espordico en una unidad de tiempo o de
espacio y asumimos la validez de las condiciones siguientes:
' El nmero medio c de veces que el fenmeno aparece por unidad es fijo.
' El hecho de que el fenmeno aparezca en un momento o lugar concreto es independiente del
hecho de que lo haga en otro.
' No hay lmite terico al nmero posible de apariciones por unidad del fenmeno considerado.
En estas condiciones, diremos que X tiene una distribucin de Poisson de parmetro c. La probabili-
dad de que el fenmeno considerado ocurra k veces se calcula con la frmula
) * Prob ; 0,1,2,
!
k
k
c
c
P X k e k
k
'
" " " 4 "

La distribucin de Poisson tiene un solo parmetro c, y la media y la varianza coinciden precisamente
con ese parmetro,
2
c $ ( " "

En general, no es cierto que la media y la varianza de una variable coincidan, y esta igualdad es una
propiedad muy especial de la distribucin de Poisson, muy interesante en las aplicaciones. El par-
metro c se estima a partir del nmero medio de apariciones del fenmeno observadas experimental-
mente.
Como resultado de la inspeccin de muestras extradas de la produccin, se ha obtenido una aproxi-
macin del nmero medio de defectos por metro, c = 0,247. Si inspeccionamos una pieza de un metro
extrada de forma aleatoria de la produccin, el nmero de defectos X puede tomar los valores 0, 1, 2,
etc., cuyas probabilidades se pueden calcular con la frmula de Poisson. Los resultados se pueden
ver en la tabla A6.2, donde se incluyen los valores de la media y la desviacin estndar.

Tabla A6 Probabilidades en un modelo de Poisson
X P(X=x)
0
0,7811
1
0,1929
2
0,0238
3
0,0020
4
0,0001
5
0,0000
6
0,0000
Media =
0
( )
X
x P X x
&
"
+ "
,
=0,247
Desviacin estndar
2
0
( 0,247) ( ) 0,247
X
x P X x
&
"
' + " "
,
=0,497

A7. CASO PRCTICO 1
Un empresa, que forma parte de una multinacional cuya actividad gira en torno al caucho y sus deri-
vados, suministra componentes de freno a varios clientes del sector de automocin. Como la mayora
de las empresas proveedoras del sector, aplica desde hace aos los mtodos SPC, impuestos por los
fabricantes de automviles. El responsable de Produccin no est de acuerdo con los mtodos apli-
cados y decide exponerle sus objeciones al responsable de Calidad. Este no tiene inconveniente en
revisar los mtodos empleados, pero le recuerda que los mtodos SPC que se usan son completa-
mente estndar y han sido impuestos por los clientes, por lo que pocas variantes pueden hacerse.
Acuerdan discutir las cuestiones planteadas por el responsable de Produccin en un grupo de trabajo
que formarn ellos dos junto al responsable de Ventas, muy sensibilizado respecto a cualquier tema
que pueda afectar a la relacin con los clientes, y el responsable de Ingeniera.
El responsable de Produccin acaba de realizar un curso de Control Estadstico de Proceso, por re-
comendacin del responsable de Calidad, y algunas cosas que ha aprendido en este curso no aca-
ban de cuadrar con lo que ve en la planta. Empieza por exponer sus reservas sobre la forma en que
se realiza el control en la ltima operacin del proceso, la de rectificado. Una de las caractersticas
controladas en esta operacin es el dimetro exterior de las piezas, y el control se lleva a cabo me-
diante grficos SPC que trazan a mano los operarios, en tiempo real.
El procedimiento para elaborar los grficos es el siguiente. Cada 4 horas se inspeccionan 5 unidades,
se mide el dimetro de cada una, y se calculan la media x y el recorrido R. Con las medias se traza
un grfico X y con los recorridos un grfico R. Como los turnos son de 8 horas, se hace una inspec-
cin al empezar el turno y otra a medio turno, con lo que los datos recogidos en un da normal dan
lugar a 6 puntos en cada uno de los grficos. Normalmente, el mismo grfico se mantiene toda la
semana (de lunes a viernes), con lo que, si no ha habido cambio de producto, el grfico puede llegar
a tener 30 puntos. En ambos grficos se trazan al empezar unas lneas horizontales que correspon-
den a un valor medio y a los lmites de control. Cuando un punto cae ms all de los lmites, se debe
ajustar la mquina rectificadora. Tanto la lnea central como los lmites de control se dibujan a partir
de valores obtenidos mediante clculos realizados con los datos que se usaron para trazar el anterior
par de grficos.
En la tabla A7.1 puede verse una serie (semanal) de datos, relativos a un producto cuyos lmites de
tolerancia para el dimetro exterior son 39,10 0,10 mm. La tabla se ha preparado en una plantilla
Excel, lo que permite obtener automticamente las medias, los recorridos y los lmites para el siguien-
te grfico.
Tabla A7. 1 Datos para los grficos SPC (Caso prctico 1)
Observaciones Media Recorrido
39.07 39.08 39.16 39.06 39.20 39.114 0.14
39.09 39.15 39.12 39.12 39.09 39.114 0.06
39.15 39.18 39.11 39.10 39.10 39.128 0.08
39.06 39.09 39.11 39.11 39.02 39.078 0.09
39.10 39.12 39.10 39.10 39.14 39.112 0.04
39.08 39.10 39.11 39.14 39.16 39.118 0.08
39.13 39.07 39.12 39.13 39.11 39.112 0.06
39.06 39.12 39.10 39.10 39.06 39.088 0.06
39.08 39.11 39.13 39.10 39.13 39.110 0.05
39.07 39.07 39.11 39.05 39.13 39.086 0.08
39.09 39.09 39.11 39.07 39.17 39.106 0.10
39.13 39.07 39.11 39.10 39.17 39.116 0.10
39.07 39.06 39.07 39.10 39.10 39.080 0.04
39.04 39.07 39.06 39.14 39.08 39.078 0.10
39.07 39.11 39.07 39.07 39.10 39.084 0.04
39.09 39.14 39.10 39.07 39.05 39.090 0.09
39.08 39.12 39.11 39.12 39.11 39.108 0.04
39.04 39.07 39.10 39.12 39.09 39.084 0.08
39.13 39.09 39.06 39.08 39.13 39.098 0.07
39.07 39.02 39.06 39.10 39.10 39.070 0.08
39.13 39.11 39.11 39.11 39.11 39.114 0.02
39.09 39.10 39.11 39.14 39.04 39.096 0.10
39.10 39.06 39.08 39.09 39.03 39.072 0.07
39.08 39.14 39.06 39.12 39.08 39.096 0.08
39.11 39.12 39.06 39.08 39.09 39.092 0.06
39.09 39.18 39.09 39.07 39.14 39.114 0.11
39.11 39.07 39.08 39.11 39.09 39.092 0.04
39.16 39.07 39.03 39.09 39.13 39.096 0.13
39.07 39.15 39.13 39.12 39.10 39.114 0.08
39.17 39.11 39.12 39.15 39.09 39.128 0.08

El procedimiento para obtener los valores correspondientes a la lnea central y los lmites de control
es el que sigue. Primero se calculan la media total , x que es el promedio de los 30 valores medios, y
el recorrido medio , R promedio de los 30 recorridos. Estos valores se usan para las lneas centrales
de ambos grficos. Para el grfico , X los lmites de control superior (UCL) e inferior (LCL) se calculan
mediante las frmulas clsicas de Shewhart.

En la figura A7.1 pueden verse los grficos correspondientes a los datos de la tabla A7.1. Cada punto
del primer grfico es la media de 5 unidades, y cada punto del segundo el recorrido de 5 unidades.
Entre dos puntos consecutivos de un grfico han pasado 4 horas. En un mismo grfico intervienen
tres operarios, el del turno de maana, el de tarde y el de noche. Los grficos no presentan puntos
fuera de control y, por lo tanto, no ha habido necesidad de ajustes (eso no quiere decir que los opera-
rios no los hayan hecho por su cuenta). En estos grficos los lmites se han calculado a partir de los
datos de la semana anterior, por el procedimiento que hemos resumido ms arriba.
39.040
39.060
39.080
39.100
39.120
39.140
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
UCL = 39.132
LCL = 39.046

Figura A7.1.a Grfico X (Caso prctico 1)

0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
UCL = 0.151

Figura A7.1.b Grfico R (Caso prctico 1)
El responsable de Produccin presenta a los dems una serie de objeciones. La primera se refiere al
nmero de unidades inspeccionadas, 5 cada 4 horas, que considera excesivo. Por un lado, los opera-
rios se quejan de que el control de calidad es una tarea aadida a lo que ellos consideran su trabajo,
la produccin, y no ven la necesidad de inspeccionar 5 unidades para saber si tienen que ajustar la
mquina rectificadora. Por otro lado, segn lo que l ha aprendido sobre grficos de control, para
cada punto del grfico se inspeccionan varias unidades, que forman lo que en ese contexto se deno-
mina un subgrupo, pero los subgrupos no tienen necesariamente tamao 5, sino que pueden ser de 3
o 4 unidades.

REFLEXIONES:
Cmo se forman los subgrupos? Cul debe ser el tamao de los subgrupos? Qu ventajas tienen
los subgrupos de 5 unidades?
El responsable de Calidad le responde que, efectivamente, los subgrupos pueden tener tamao dis-
tinto de 5, y que no recuerda por qu se estableci el tamao de subgrupo 5, pero presume que fue a
sugerencia de algn cliente. De todos modos, los subgrupos de 5 unidades son habituales en las
aplicaciones reales del Control Estadstico de Proceso, aunque no sean obligatorios. El responsable
de Ventas considera que esto lo tienen que decidir los tcnicos, que son los otros dos, pero insiste en
que si modifican algo lo hagan de forma que los clientes no lo noten, para evitar dar explicaciones.
Deciden realizar una prueba a partir de datos ya existentes, para ver qu aspecto tendra un grfico
realizado con subgrupos de 3 unidades. El responsable de Calidad se ofrece para hacer la demostra-
cin con los datos de la tabla A7.1, usando slo las tres primeras unidades de cada subgrupo (v. Ta-
bla A7.2). Adems, explica a los otros dos, debe recalcular los lmites de control de ambos grficos y
la lnea central del grfico R.
TABLA A7.2 Datos para grficos SPC (tamao de subgrupo 3)
Observaciones Media Recorrido
39.07 39.08 39.16 39.103 0.09
39.09 39.15 39.12 39.120 0.06
39.15 39.18 39.11 39.147 0.07
39.06 39.09 39.11 39.087 0.05
39.10 39.12 39.10 39.107 0.02
39.08 39.10 39.11 39.097 0.03
39.13 39.07 39.12 39.107 0.06
39.06 39.12 39.10 39.093 0.06
39.08 39.11 39.13 39.107 0.05
39.07 39.07 39.11 39.083 0.04
39.09 39.09 39.11 39.097 0.02
39.13 39.07 39.11 39.103 0.06
39.07 39.06 39.07 39.067 0.01
39.04 39.07 39.06 39.057 0.03
39.07 39.11 39.07 39.083 0.04
39.09 39.14 39.10 39.110 0.05
39.08 39.12 39.11 39.103 0.04
39.04 39.07 39.10 39.070 0.06
39.13 39.09 39.06 39.093 0.07
39.07 39.02 39.06 39.050 0.05
39.13 39.11 39.11 39.117 0.02
39.09 39.10 39.11 39.100 0.02
39.10 39.06 39.08 39.080 0.04
39.08 39.14 39.06 39.093 0.08
39.11 39.12 39.06 39.097 0.06
39.09 39.18 39.09 39.120 0.09
39.11 39.07 39.08 39.087 0.04
39.16 39.07 39.03 39.087 0.13
39.07 39.15 39.13 39.117 0.08
39.17 39.11 39.12 39.133 0.06


Los nuevos grficos pueden verse en la figura A7.2. Como era de esperar, la forma de los grficos ha
cambiado. Como consecuencia de las correcciones efectuadas por el responsable de Calidad, la se-
paracin entre los lmites de la media ha aumentado, mientras que en el grfico R la escala se ha
reducido. En el grfico X aparece un punto fuera de control y en el grfico R hay un punto muy cerca
del lmite de control.
39.020
39.040
39.060
39.080
39.100
39.120
39.140
39.160
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
LCL = 39.033
UCL = 39.145

Figura A7.2.a Grfico X (tamao de subgrupo 3)

0.00
0.03
0.05
0.08
0.10
0.13
0.15
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
UCL = 0.131

Figura A7.2.b Grfico R (tamao de subgrupo 3)
REFLEXIONES:
Por qu los lmites de control de la media estn ms separados al reducir el tamao de los subgru-
pos? Cmo realiz el responsable de Calidad la conversin de los lmites de control de un grfico a
otro? Por qu modific la lnea central slo en el grfico R? Qu se puede concluir del hecho de
que haya un punto fuera de control?

El responsable de Produccin se sorprende de que un proceso que estaba en estado de control deje
de estarlo si se usan menos datos para construir el grfico. La idea de que se deba efectuar o no un
ajuste en funcin de si se inspeccionan 3 o 5 unidades resulta desalentadora. Reconoce que el asun-
to es ms complejo de lo que l crea.
El responsable de Calidad no concede mucha importancia al punto fuera de control. Segn l, estas
cosas suceden a veces cuando se usan lmites de control distintos a los que resultaran de los datos
con los que se traza el grfico (por ejemplo, los lmites correspondientes a un grfico de la semana
anterior). Para convencerlos, calcula los lmites usando los datos de la tabla A7.2, y les presenta los
nuevos grficos, que pueden verse en la Figura A7.3.

39.020
39.040
39.060
39.080
39.100
39.120
39.140
39.160
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
LCL = 39.043
UCL = 39.151

Figura A7.3.a Grfico X (tamao de subgrupo 3, lmites calculados)

0.00
0.03
0.05
0.08
0.10
0.13
0.15
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
UCL = 0.136

Figura A7.3.b Grfico R (tamao de subgrupo 3, lmites calculados)


REFLEXIONES:
Por qu ahora ya no hay puntos fuera de control? El problema estaba en los lmites y no en los
datos?
Despus de esta demostracin, nuestros directivos consideran que es prudente realizar una prueba
piloto de tres semanas con este mismo producto. En esta prueba se inspeccionarn 3 unidades cada
4 horas. Los tres directivos se ocuparn personalmente de analizar los grficos elaborados con los
datos recogidos y de calcular los lmites al final de la semana.
El ejercicio que se lleva a cabo reafirma al responsable de Produccin en la siguiente objecin que
tena preparada, referida a los cambios continuos en los lmites de control, que segn l despistan a
los operarios. En su opinin, es correcto calcular los lmites de control al concluir un grfico para veri-
ficar la estabilidad del proceso. Sin embargo, si los lmites se usan para el control efectivo del proce-
so, deberan permanecer fijos, como el resto de las instrucciones de control de proceso.
REFLEXIONES:
Tiene sentido utilizar lmites de control calculados a partir de datos distintos de los que se utilizan
para trazar el grfico? Si no se hace as, cmo se puede disponer de lmites al iniciar el grfico? Si
los lmites cambian de un grfico a otro, no se dar una situacin en la que se ajuste hoy el proceso a
partir de un valor a partir del cual no se hubiera ajustado la semana pasada?
El responsable de Calidad explica a los otros que las frmulas de los grficos de control slo permiten
calcular los lmites cuando se tienen todos los datos, cosa que, efectivamente, l hace cuando el gr-
fico est concluido. Sin embargo, para que los operarios tengan una referencia al ir trazando el grfi-
co, usa los clculos efectuados con los datos del grfico anterior para establecer lmites. No obstante,
reconoce que resultara ms coherente para los operarios que los lmites se mantuvieran constantes.
Se compromete, pues, a hacer un estudio a partir de los datos existentes, establecer lmites de con-
trol fijos, revisndolos a los seis meses, y posteriormente, cada ao. De todos modos, l cree que si
el proceso est en estado de control, los lmites no deben cambiar mucho de un grfico a otro.
En esto estn de acuerdo todos. El principal problema con los lmites de control, en opinin del res-
ponsable de Produccin, estriba en que los operarios, al margen de lo que pase con los lmites de
control, ajustan la mquina rectificadora al iniciar el turno, lo cual introduce una fuente adicional de
variabilidad en el proceso. El diagnstico que pueda hacer el responsable de Calidad sobre la estabi-
lidad del proceso mediante los grficos de control no tiene mucho sentido, ya que los datos no co-
rresponden al proceso propiamente dicho, sino al proceso perturbado por una serie de intervencio-
nes. En su opinin, estos ajustes innecesarios no deberan hacerse. Ms an, si se efecta un ajuste
motivado por un punto fuera de control, debera dividirse la serie de datos en dos partes y calcular
lmites para cada subserie.
REFLEXIONES:
Tiene sentido calcular los lmites de control a partir de una serie de datos que cubre un perodo en el
que se ha efectuado un ajuste del proceso?
Todos estn de acuerdo en que se debe ajustar el proceso en funcin de los datos que se van reco-
giendo, nunca en funcin de preferencias personales. Si cada operario ajusta cuando lo cree conve-
niente, los grficos no sirven para nada. El responsable de Calidad propone que dentro de la prueba
piloto que se va a realizar, los operarios respeten escrupulosamente la consigna de no efectuar un
ajuste ms que cuando el grfico indique la necesidad de hacerlo, anotando al reverso de la hoja
donde se dibuja el grfico el momento del ajuste y en qu consisti ste.
El responsable de Ventas sugiere prudencia, ya que, a fin de cuentas, el cliente est satisfecho con el
control tal como se realiza actualmente. El responsable de Produccin est de acuerdo en que el
control debe hacerse de forma que satisfaga al cliente, pero insiste en que los grficos no se hacen
solamente para ensearlos a los clientes, sino que se deben usar como una fuente de informacin
para un diagnstico del proceso y para evaluar la eficacia de los cambios introducidos. Por consi-
guiente, los grficos deben hacerse de forma que la empresa saque el mayor rendimiento posible.
Acuerdan finalmente realizar la prueba en la forma que sugiere el responsable de Calidad.
REFLEXIN FINAL:
Son correctos los argumentos que han conducido a los directivos de Rubber a realizar estas prue-
bas? Sugerira usted algo ms?

A8. CASO PRACTICO 2
Un empresa se dedica al desarrollo, produccin y comercializacin de productos qumicos para usos
especficos. El proceso de incorporacin de un nuevo producto a su catlogo sigue, ms o menos, el
guin siguiente. En primer lugar, el Departamento Comercial apalabra las prestaciones del producto
con los clientes potenciales. A continuacin, hace el desarrollo del producto y el proceso de produc-
cin, estableciendo provisionalmente lmites de tolerancia para una serie de caractersticas cuyo valor
se puede determinar en el laboratorio de I+D a partir del anlisis de una muestra. Pasado un tiempo,
los lmites de tolerancia se establecen de forma definitiva.
El proceso de produccin es un proceso en batch, que en la mayora de los casos se puede resumir
como sigue. Se vierten en un reactor los componentes del producto, en las dosis adecuadas, y des-
pus de permanecer la mezcla en el reactor, en agitacin permanente, durante un tiempo y en unas
condiciones especificadas, se analiza una muestra en el Laboratorio de Control de Calidad para veri-
ficar la conformidad con la especificacin del producto (provisional o definitiva). En caso afirmativo, el
laboratorio emite el correspondiente boletn de anlisis y se descarga el reactor envasando el produc-
to en la forma que corresponde. En caso de no conformidad con la especificacin, se aade una cier-
ta cantidad del componente adecuado, se mezcla, y se vuelve a analizar una muestra, y as hasta
obtener valores satisfactorios. En algunos productos, la correccin no es algo excepcional, sino que
se ha convertido en habitual, incorporndose tcitamente al procedimiento de fabricacin.
El responsable de I+D desea hacer un seguimiento de algunas caractersticas crticas de ciertos pro-
ductos para establecer definitivamente los lmites de tolerancia, modificando si es preciso los lmites
establecidos provisionalmente por el laboratorio de I+D. Su deseo es que el seguimiento se haga de
forma cientfica, huyendo de criterios subjetivos tales como parece que va bien o estamos tenien-
do problemas. Tiene la intencin de usar grficos de control, que le servirn no slo hacer el segui-
miento, sino tambin para exponer sus conclusiones a los dems. En los grficos espera ver si el
proceso de produccin de un producto es estable a lo largo del tiempo y, si as es, podr usar las
frmulas de los lmites de control para establecer lmites de tolerancia compatibles con la capacidad
del proceso.
Decide empezar por un producto de reciente introduccin, de gran volumen de ventas. Una caracte-
rstica crtica de este producto es la viscosidad, cuyos lmites de tolerancia (mtodo de copa) son 80 y
110 segundos. Decide recoger datos de 22 lotes consecutivos, que equivalen a la produccin de un
trimestre. De acuerdo con lo que aprendi en un curso de Control Estadstico de Calidad realizado
hace algunos aos, para calcular los lmites de control los datos deben recogerse agrupados en sub-
grupos. Tal como l lo entiende, un subgrupo es una serie corta de observaciones realizadas en las
mismas condiciones, y de modo que el tiempo que transcurra entre dos observaciones consecutivas
sea mnimo. Estos subgrupos constan tpicamente de 5 observaciones, pero hay frmulas para sub-
grupos de cualquier tamao.
REFLEXIONES:
Cmo se forman los subgrupos? Cul debe ser el tamao de los subgrupos?
Para simplificar al mximo, el responsable de I+D decide construir los grficos de control usando sub-
grupos de tamao 2. Ahora bien, en el control de calidad se analiza una nica muestra, una sola vez
(aunque a veces se repite el anlisis si los resultados difieren de los esperados), y por consiguiente
slo se dispone de un dato para cada lote de produccin. Para formar los subgrupos, considera las
siguientes opciones:
' Analizar por duplicado cada muestra, y con los dos resultados obtenidos formar un subgrupo de
tamao 2.
' Extraer dos muestras de cada lote, y con los resultados de ambas formar un subgrupo de tamao
2.
' Agrupar los lotes por parejas, de modo que cada dos lotes den lugar a un subgrupo de tamao 2.
La tercera opcin es la ms barata, ya que no supone aumentar el trabajo del laboratorio, pero el
tiempo hasta completar el mismo nmero de subgrupos es el doble. Por otra parte, le parece que este
procedimiento no est de acuerdo con la teora de los grficos de control, donde se supone que las
observaciones de un mismo subgrupo se realizan en las mismas condiciones, y el grfico sirve para
ver si de un subgrupo a otro ha habido variaciones en el proceso. Con los subgrupos de dos lotes, si
hubiera cambios en el proceso, stos podran producirse tanto dentro de un subgrupo como entre dos
subgrupos consecutivos.
Finalmente, entre las dos primeras opciones, se decide por la segunda. De este modo las diferencias
entre las observaciones de un mismo subgrupo reflejarn no slo la imprecisin en la determinacin
de la viscosidad, sino las posibles diferencias entre muestras del mismo lote, que le interesa investi-
gar. De hecho, la gran cantidad de muestras adicionales que se extraen para confirmar los resultados
cuando la viscosidad de la primera muestra no es conforme, revela una desconfianza en el muestreo,
que le hace pensar que existe un problema en la homogeneizacin de este producto.
REFLEXIONES:
Es correcto este procedimiento para formar los subgrupos?
El responsable de I+D habla con el responsable de Calidad para ver si es viable realizar una prueba
en la que se analicen dos muestras por lote, en 22 lotes consecutivos. El responsable de Calidad
accede a realizar la extraccin y el anlisis de las muestras suplementarias, aunque slo como prue-
ba piloto, ya que no ve muy cannico el procedimiento, y no cree que el coste de las muestras adicio-
nales vaya a ser aceptado por la gerencia ms que en casos excepcionales. Las muestras se extrae-
rn de la parte superior y de la parte inferior del reactor.
Los grficos de control elaborados a partir de los datos recogidos para este estudio pueden verse en
la figura A8.1. Cada punto de un grfico corresponde a un lote, de modo los grficos reflejan la evolu-
cin del proceso a lo largo del perodo cubierto por los 22 lotes. Los datos de viscosidad se presentan
en la tabla A8.1. Junto a las viscosidades obtenidas para ambas muestras se dan la media de ambos
resultados, y el recorrido. Con las 22 medias se ha trazado el grfico X (Figura A8.1.a) y, con los re-
corridos, el grfico R (Figura A8.1.b). En ambos grficos se trazan unas lneas horizontales que co-
rresponden a un valor medio y a los lmites de control, ms all de los cuales no debiera hallarse nin-
gn punto del grfico si el proceso fuese estable. La tabla se ha preparado en una plantilla Excel, lo
que permite obtener automticamente las medias, los recorridos y los lmites de control. El procedi-
miento que se sigue para obtener los valores correspondientes a la lnea central y los lmites de con-
trol es el clsico de Shewhart.


Tabla A8.1 Resultados de viscosidad de 22 lotes (Caso prctico 2)
Batch Muestra 1 Muestra 2 Media Recorrido
1 98 92 95 6
2 82 98 90 16
3 94 78 86 16
4 70 102 86 32
5 86 86 86 0
6 102 92 97 10
7 98 96 97 2
8 94 94 94 0
9 97 83 90 14
10 79 115 97 36
11 103 93 98 10
12 86 98 92 12
13 106 82 94 24
14 74 98 86 24
15 84 108 96 24
16 105 85 95 20
17 87 85 86 2
18 92 84 88 8
19 105 91 98 14
20 101 79 90 22
21 92 88 90 4
22 100 96 98 4

60
70
80
90
100
110
120
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
UCL=117,83
LCL=66,63

Figura A8.1.a Grfico X para la viscosidad (Caso prctico 2)

0
5
10
15
20
25
30
35
40
45
50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
UCL=44,59

Figura A8.1.b Grfico R para la viscosidad (Caso prctico 2)

No hay puntos fuera de los lmites de control, lo que constituye una buena noticia. El grfico R tiene
un aspecto satisfactorio en cuanto que pone de manifiesto una cierta estabilidad en la diferencias
entre las muestras del mismo lote, aunque las diferencias halladas son muy grandes para una tole-
rancia de 30 segundos. Est claro que habr que revisar la tolerancia o mejorar la homogeneidad de
los lotes.
El grfico X presenta una pauta que extraa al responsable de I+D, porque el proceso le parece de-
masiado controlado. Las fluctuaciones de la media no ocupan ms que una tercera parte de la banda
determinada por los lmites de control. Parece como los lmites fueran de un proceso distinto, con
mayor variabilidad.
REFLEXIONES:
Cmo puede ser que las fluctuaciones de un proceso sean tan pequeas en relacin a la banda de
control? Si los lmites se han calculado con los mismos datos con los que se ha trazado el grfico,
no deberan reflejar la variabilidad de estos datos?
El responsable de I+D no entiende muy bien lo que sucede y decide pedirle ayuda al responsable de
Calidad. Este le hace notar que los subgrupos no pueden formarse de cualquier manera, sino de
acuerdo con unas reglas. Opina que los subgrupos formados de este modo no tienen sentido, ya que
las observaciones que integran un subgrupo deben corresponder a unidades distintas, de modo que
cada una puede ser conforme o no, independientemente de que lo sean las restantes. En este estu-
dio, por el contrario, las diferencias entre las observaciones del mismo subgrupo se deben a errores
del proceso de medida (entendiendo como tal la secuencia formada por la extraccin de una muestra
y la medida de su viscosidad). En su opinin, la nocin de subgrupo tiene sentido cuando el producto
est formado por unidades, pero no en el caso de materiales continuos como los productos qumi-
cos. Le pide unos das para repasar la documentacin de que dispone sobre el tema, pues cree re-
cordar que existe un mtodo especfico para calcular los lmites de control sin necesidad de agrupar
los datos formando subgrupos.

REFLEXIONES:
Tiene razn el responsable de Calidad y los lmites de control calculados de esta forma no tienen
sentido? Solamente los lmites de la media carecen de sentido, o tambin los del grfico R? El
problema est el diseo del estudio o slo en los clculos que se han hecho para obtener los lmites
de control?
Transcurridos unos das, el responsable de Calidad confirma que, efectivamente, hay un mtodo para
calcular lmites de control para procesos en los que se dispone de una sola observacin para cada
inspeccin. Los grficos de control correspondientes se denominan grficos X, o grficos de observa-
ciones individuales, y pueden ser usados para los procesos en batch.
El procedimiento de clculo de los lmites de control en este caso se puede resumir como sigue. Se
recoge una serie de datos de una variable X, por ejemplo de 22 lotes consecutivos, un dato por lote.
A partir de esta serie se forma la serie de recorrido mvil, MR, en la que hay 21 observaciones, que
son las diferencias absolutas (sin signo) entre lotes consecutivos. Se calculan la media x de las 22
observaciones de la variable X y el recorrido mvil medio MR , que es la media de los 21 valores de
la serie de recorrido mvil, y se usa una frmula similar a la que se aplica cuando efectivamente hay
subgrupos:
UCL 2.66 ; LCL - 2.66 x MR x MR " % "
REFLEXIONES:
Por qu ahora los recorridos que se usan para calcular la anchura de la banda de control son dife-
rencias entre las viscosidades medias (duplicados), mientras que antes eran diferencias entre deter-
minaciones individuales?
Para aclarar el procedimiento, deciden construir un grfico de control para la viscosidad, calculando
los lmites de esta forma y aprovechando los datos del estudio ya realizado. Usan como variable X la
media de las viscosidades de las dos muestras de cada lote, considerando que es un valor ms fiable
que las determinaciones individuales. A partir de la tabla A8.1, preparan una nueva hoja de clculo
para obtener la serie MR, como puede verse en la tabla A8.2. La figura A8.2 es el grfico X que resul-
ta. La banda de control se ha reducido, aunque los lmites de control todava quedan algo lejos. Por
otra parte, la anchura de la banda de control es menor que la tolerancia, lo que resulta tranquilizador.

Tabla A8.2 Datos para un grfico X
Batch Viscosidad
media
Recorrido
mvil
Batch Viscosidad
media
Recorrido
mvil
1 95 12 92 6
2 90 5 13 94 2
3 86 4 14 86 8
4 86 0 15 96 10
5 86 0 16 95 1
6 97 11 17 86 9
7 97 0 18 88 2
8 94 3 19 98 10
9 90 4 20 90 8
10 97 7 21 90 0
11 98 1 22 98 8

70
80
90
100
110
1 3 5 7 9 11 13 15 17 19 21
UCL = 104.8
LCL = 79.7

Figura A8.2 Grfico X para la viscosidad media

El responsable de I+D deseara resumir la informacin contenida en el grfico de la figura A8.2 dando
un valor medio y una desviacin estndar. La desviacin estndar corresponde a la frmula
) *
2
-
- 1
i
x x
s
n
"
,

Estos valores pueden obtenerse fcilmente en la hoja de clculo a partir de los datos de la tabla A8.2.
Los resultados obtenidos son
92,2; 4,56 x s " "

Aqu hay algo que no le cuadra al responsable de I+D. La media 92,2 coincide con el valor asociado a
la lnea central en el grfico de la Figura A8.2, pero la anchura de la banda de control en el grfico
debera coincidir con 6s = 27,33, si los lmites se calculan usando la frmula habitual en los mtodos
SPC. Sin embargo la diferencia entre los lmites de control del grfico es
104,8 79,7 = 25,1

El responsable de Calidad le aclara que, efectivamente, los lmites de control en el grfico de la figura
A8.2 se han obtenido segn la regla !!! 3", pero el valor de " que se ha usado no ha sido el que l
supone, sino el obtenido a travs de la frmula:
2
MR
d
( "
en la que la constante d
2
se extrae de la tabla de constantes de los grficos de control, tomando n =
2. As,
4,71
4,17.
1,13
" " (
Esta frmula alternativa proporciona tambin un valor estimado de la desviacin tpica y la diferencia
entre ambas estimaciones no es relevante, segn el responsable de Calidad.
REFLEXIONES:
Tiene razn el responsable de Calidad y la diferencia hallada entre ambos valores de " no tiene
relevancia? Por qu se usan dos frmulas distintas, que dan resultados distintos, para calcular lo
mismo?
El responsable de Calidad le explica que, para el caso de observaciones individuales, tambin existe
un grfico de recorridos, denominado grfico MR, o grfico de recorrido mvil. La lnea central se
asocia al recorrido mvil medio y el lmite de control se calcula usando la constante D
4
= 3,27 de la
tabla de constantes, correspondiente a n = 2,
UCL 3,27 MR "
Para ilustrar la explicacin, le presenta el grfico MR de la figura A8.3. Confiesa que l no ve muy
claro cul es el inters del grfico MR, y cree que no les va a ser de utilidad. Opina que lo ms prcti-
co sera usar un grfico de observaciones individuales para el seguimiento de las caractersticas crti-
cas de aquellos productos para los que se crea interesante, con los grficos de control calculados a
partir del recorrido mvil medio y prescindir de los grficos MR.

0
2
4
6
8
10
12
14
16
1 3 5 7 9 11 13 15 17 19 21
UCL = 15.42

Figura A8.3 Grfico MR para la viscosidad media
REFLEXIONES:
Es cierto, como dice el responsable de Calidad, que el grfico MR no tiene inters en una situacin
como sta?
El responsable de Produccin est de acuerdo en lo que se refiere al grfico MR. En lo referente al
grfico X, considera que el grfico de la figura A8.2 solamente le sirve para comprobar la estabilidad
del proceso de fabricacin del producto en lo que se refiere a la viscosidad del producto, pero que los
lmites de control slo pueden aplicarse a un promedio de las viscosidades de dos muestras y no a
una determinacin individual, que es a lo que se refiere la especificacin del producto.
El responsable de Calidad est de acuerdo y le propone que hagan una prueba para ver qu resulta-
ra de usar los valores individuales de viscosidad para los grficos X. En la prueba usan la segunda
columna de la tabla A8.1, en la que hay 3 lotes fuera de especificacin (viscosidad inferior a 80), co-
mo serie X, y preparan la correspondiente hoja de clculo, que puede verse en la tabla A8.3.

Tabla A8.3 Datos para el grfico X de la viscosidad
Batch Viscosidad Rec. mvil Batch Viscosidad Rec. mvil
1 98 12 86 17
2 82 16 13 106 20
3 94 12 14 74 32
4 70 24 15 84 10
5 86 16 16 105 21
6 102 16 17 87 18
7 98 4 18 92 5
8 94 4 19 105 13
9 97 3 20 101 4
10 79 18 21 92 9
11 103 24 22 100 8

50
70
90
110
130
1 3 5 7 9 11 13 15 17 19 21
UCL = 129.7
LCL = 55.3

Figura A8.4 Grfico X para la viscosidad

La Figura A8.4 es el grfico X correspondiente, en el que los lmites de control se han calculado por el
mismo mtodo que en la Figura A8.2. No hay puntos fuera de control, pero la banda de control tiene
una anchura que excede del doble de la tolerancia. La media y la desviacin estndar son
92,5, 10,32 x s " "
Si se mantiene la idea inicial de fijar los lmites de tolerancia a partir de los lmites de control, se ob-
tiene una tolerancia:
129,7 56,3 = 74,5
En cambio, si se usa la frmula 3 x s 5 , resulta 6s = 61,93
Tras todo este trabajo, el responsable de I+D ha llegado a las conclusiones siguientes:
' Utilizar los grficos de control como haba previsto inicialmente, pero trabajando con observa-
ciones individuales.
' Se limitar a los grficos X, dejando de lado los grficos MR.
' Usar los lmites de control para definir lmites de tolerancia. Cuando hacerlo de este modo sea
incompatible con lo que requieren los clientes, deber mejorarse el proceso, reduciendo la varia-
bilidad.
REFLEXIONES:
Son correctas estas conclusiones?
Sin embargo, hay algunas cosas que no acaban de cuadrar. En primer lugar, sigue viendo los datos
del proceso demasiado lejos de los lmites de control. De hecho, el recorrido total de los 22 lotes es
R = 106 - 70 = 36
que representa menos de la mitad de la banda de control.
REFLEXIONES:
Hay que buscar una explicacin a este hecho o se trata slo de una contradiccin aparente, que se
produce porque el responsable de I+D no ha entendido bien lo que significan los lmites de control?
El responsable de Calidad le dice que no se preocupe, porque estos datos son algo raros desde el
punto de vista de la estadstica y no responden al comportamiento aleatorio que se da por hecho en
los libros de estadstica. Como la viscosidad es una caracterstica crtica de este producto, debe co-
rregirse cuando no es conforme. Sucede que es fcil rebajar la viscosidad, aadiendo un componente
que aumenta la fluidez del producto, pero no es sencillo aumentarla. Por esta razn se ha diseado el
proceso de forma que la viscosidad salga ms alta de lo previsto por I+D. Cuando el resultado obteni-
do en el control de calidad supera 110 segundos, que es el lmite de tolerancia superior, se rebaja la
viscosidad, y por esta razn no hay valores por encima de 110. En cambio, cuando es inferior a 80
segundos, siempre se analiza otra muestra, para ver si el resultado del segundo anlisis es conforme,
que es lo que ha pasado con los lotes 4, 10 y 14, que se han dado como buenos.
El responsable de I+D admite que su desconocimiento de los entresijos de la produccin representa
una dificultad a la hora de establecer la especificacin de un producto, pero insiste en que las diferen-
cias de viscosidad entre muestras diferentes del mismo lote representan un problema que se debe
intentar resolver en lugar de convivir con l, que es lo que se viene haciendo con este apao de la
segunda muestra. Si no puede mejorarse la homogeneidad, debe ampliarse la tolerancia del produc-
to.
REFLEXIN FINAL:
Son correctas las conclusiones a las que ha llegado el responsable de I+D? Aadira Vd. algo
ms?
Mdulo 4. Control metrolgico 163

Mdulo 4. Control metrolgico
Captulo 2. Conceptos fundamentales
2.1 Control de un proceso de medida
2.2 Exactitud
2.3 Calibracin y patrones
2.4 Incertidumbre
2.5 Expresin del sesgo y la imprecisin
Captulo 3. Plan de control metrolgico
3.1 Planteamiento general
3.2 Requisitos metrolgicos
3.3 Plan de control metrolgico
3.4 Procedimientos de control metrolgico
3.5 Registros del control metrolgico
Captulo 4. Calibracin
4.1 Obtencin del sesgo
4.2 Factores de calibracin
4.3 Recta de calibracin
Captulo 5. Estudios de precisin
5.1 Consideraciones previas
5.2 Clculos con varianzas
5.3 Componentes de imprecisin
5.4 Repetibilidad y reproducibilidad
1. INTRODUCCIN
Este mdulo trata sobre el control metrolgico en la industria, en el contexto de la gestin de la cali-
dad. El control metrolgico, que es uno de los componentes de un sistema de calidad, recibe distintos
nombres en la literatura sobre gestin de la calidad, como control de los equipos de medida, en la
versin de 1994 de la norma ISO 9001, control de los dispositivos de seguimiento y medicin, en
la versin actual (2000), o sistema de gestin de las mediciones, en la ISO 10012. La expresin
anlisis del sistema de medida, que aparece en las normas de la industria de automocin (v. ISO
16949 o MSA, 1995), est ligada tambin al control metrolgico.
En estas notas, llamamos control metrolgico al control de los procesos de medida de una organiza-
cin, sea una industria, un laboratorio de anlisis clnicos, un hospital, etc., usando la expresin pro-
ceso de medida'', en lugar de equipos de medida'', para recalcar que el control no se limita a unos
objetos materiales, sino tambin a los mtodos usados y a las personas que intervienen. Definiremos
formalmente estos conceptos en el captulo 2.
En los diferentes modelos de gestin de la calidad (ISO 9001, ISO 16949, etc.) se hallan requisitos de
control metrolgico que tienen una importancia mayor o menor segn la complejidad de los procesos
de medida de la empresa. En estas notas presentamos los conceptos metrolgicos fundamentales y
algunas ideas sobre cmo organizar el control metrolgico de forma prctica, garantizando el cumpli-
miento de los requisitos del correspondiente modelo, pero evitando procedimientos complejos y difci-
les de mantener. Nos centramos en los requisitos de la norma ISO 9001, teniendo presente que el
modelo de la norma ISO 16949, es de aplicacin para los proveedores del sector de automocin.
As pues, el objeto de estas notas es doble:
! Facilitar la comprensin de los requisitos de control metrolgicos incluidos en la norma ISO 9001
sobre los sistemas de calidad.
! Dar algunas recomendaciones de carcter prctico sobre el modo de realizar dicho control.
Ya hemos hablado en el mdulo 1 de la gestin de la calidad, y por lo tanto nos limitaremos aqu a los
requisitos de carcter metrolgico, y con especial detalle al elemento 7.6 de la versin vigente (2000)
de la norma ISO 9001, relativo al control de los dispositivos de seguimiento y medicin.
Tal como los establece la norma ISO 9001 (en su versin en castellano), los requisitos son:
La organizacin debe determinar el seguimiento y la medicin a realizar, y los dispositivos de medi-
cin y seguimiento necesarios para proporcionar la evidencia de la conformidad del producto con los
requisitos determinados (vase 7.2.1).
La organizacin debe establecer procesos para asegurarse de que el seguimiento y medicin pueden
realizarse y se realizan de una manera coherente con los requisitos de seguimiento y medicin.
Cuando sea necesario asegurarse de la validez de los resultados, el equipo de medicin debe:
a) calibrarse o verificarse a intervalos especificados o antes de su utilizacin, comparado con patro-
nes de medicin trazables a patrones de medicin nacionales o internacionales; cuando no existan
tales patrones debe registrarse la base utilizada para la calibracin o la verificacin;
b) ajustarse o reajustarse segn sea necesario;
c) identificarse para poder determinar el estado de calibracin;
d) protegerse contra ajustes que pudieran invalidar el resultado de la medicin;

e) protegerse contra los daos y el deterioro durante la manipulacin, el mantenimiento y el almace-
namiento.
Adems, la organizacin debe evaluar y registrar la validez de los resultados de las mediciones ante-
riores cuando se detecte que el equipo no est conforme con los requisitos. La organizacin debe
tomar las acciones apropiadas sobre el equipo y sobre cualquier producto afectado. Deben mante-
nerse registros de los resultados de la calibracin y la verificacin (vase 4.2.4).
Debe confirmarse la capacidad de los programas informticos para satisfacer su aplicacin prevista
cuando stos se utilicen en las actividades de seguimiento y medicin de los requisitos especificados.
Esto debe llevarse a cabo antes de iniciar su utilizacin y confirmarse de nuevo cuando sea necesa-
rio.
NOTA. -- Vanse la Norma ISO 10012.
Segn nuestra experiencia, buena parte de la dificultad para el tratamiento del control metrolgico en
el contexto industrial reside en el lenguaje que se usa, y creemos oportuno hacer dos consideracio-
nes previas. Por un lado, trminos que en el lenguaje coloquial son intercambiables (por ejemplo,
exactitud y precisin), en el mbito de la metrologa tienen significados perfectamente diferenciados.
Por otro, los profesionales de los distintos campos de la metrologa (fabricantes de balanzas, de ter-
mmetros, profesionales de laboratorio, etc.) no usan una terminologa unificada. Hay que observar
que tres trminos que en la anterior versin de la norma inducan a bastantes confusiones, la incerti-
dumbre, la exactitud y la precisin (que en estas notas se discuten a fondo) han desaparecido en la
versin actual, donde el lenguaje es ms llano: hay que establecer unos requisitos para los dispositi-
vos de seguimiento y medida y controlarlos para garantizar que los requisitos se cumplen. Es posible
que esta nueva presentacin de los requisitos de control metrolgico sea ms comprensible para los
usuarios.
Por otro lado, la norma ISO 9001 remite a los usuarios que necesiten una orientacin a las normas
ISO 10012-1 e ISO 10012-2. En el 2003 se ha publicado la revisin de la ISO 10012 Sistema de
gestin de las mediciones. Requisitos para los procesos de medicin y los equipos de medi-
cin.
Para facilitar la comprensin, hemos adoptado en estas notas las siguientes directrices:
! Emplear un mnimo de terminologa especfica, limitndonos a los trminos siguientes: exactitud,
sesgo, precisin (o imprecisin), resolucin, patrn, calibracin y ajuste. Es recomendable, en
general, a quien tenga que documentar el control metrolgico, que adopte alguna medida de este
tipo.
! Definir todos los trminos usados, dando entre parntesis la versin en ingls.
! Usar slo definiciones normalizadas, extradas de las normas y guas recogidas en la bibliografa.
Es posible que alguna de estas definiciones no coincida con las que maneje el lector, o personas
con las que haya tenido contacto profesional (clientes, auditores, consultores, etc.). Estas defini-
ciones se pueden hallar en el Glosario.
Para entender lo que significan los requisitos de tipo metrolgico que hemos reproducido ms arriba,
puede ser til el ejemplo siguiente, en cuya presentacin se usan algunos trminos cuya definicin
formal vendr despus.

Ejemplo 1
Uno de los productos de un fabricante de papel para envasado de productos alimentarios es un papel
recubierto por una capa de cera. Uno de los requisitos de calidad de este producto se refiere al gra-
maje (peso por unidad de superficie) de cera La tolerancia (interna) de fabricacin es " 1gr/m
2
. El
gramaje se mide por un procedimiento que consiste esencialmente en pesar una muestra de papel de
rea especificada, quitarle la cera, y volver a pesar, obteniendo el gramaje de cera por diferencia.
Para esta medida no se dispone de un papel patrn (no existe tal cosa), aunque s de un juego de
pesas patrn para calibrar la balanza (es decir, para evaluar el sesgo). Por otro lado, la imprecisin
de la balanza es una componente poco relevante de la imprecisin del mtodo.
En un experimento para explorar la precisin del mtodo, se hacen 6 medidas del gramaje de una
muestra de produccin (que son pocas para usar de modo fiable las frmulas estadsticas que vere-
mos despus, pero suficientes en un experimento exploratorio). Los valores obtenidos son: 12,1,
12,7, 11,6, 11,8, 11,5 y 10,7. El recorrido de estos valores (12,7-10,7 = 2,0) coincide con la tolerancia
del gramaje. Este experimento sencillo muestra que, de cualquier forma que se establezcan los requi-
sitos de medida en este caso, si han de ser coherentes con la tolerancia de fabricacin, este proceso
de medida no los cumplir.
NOTA. No hemos considerado en esta discusin si la variabilidad observada en los resultados de
medida se debe atribuir a los instrumentos de medida o a la irregularidad del material. Resulta impo-
sible en este caso separar una cosa de la otra, ya que el ensayo es destructivo y no se puede repetir
sobre el mismo trozo de papel. Por otro lado, tendra poco inters prctico, ya que en el control del
proceso de produccin la conformidad del producto se establece asignando el valor de gramaje obte-
nido a una cantidad mucho mayor de papel, normalmente a bobinas de varios miles de metros, y de
lo que se trata es de que esta asignacin sea fiable. Probablemente, el problema que se ha detectado
no radica en los instrumentos, sino en el mtodo, y es posible que modificando ste de forma que la
superficie que se pesa para obtener el gramaje sea mayor, se mejore la precisin de la medida.

2. CONCEPTOS FUNDAMENTALES
2.1 Control de un proceso de medida
Como en otros contextos, en el de control metrolgico resulta til el lenguaje del control de proceso, y
se usar con frecuencia en estas notas, en la misma lnea del mdulo 1. Nos ocupamos en estas
notas de los procesos de medida. En un proceso de medida:
! El input es el material cuyo estado se quiere caracterizar mediante un resultado de medida.
! El output es el resultado de la medida.
! Las actividades estn reguladas por procedimientos y consisten en usar de una cierta forma ins-
trumentos de muestreo, de medida, reactivos, patrones, etc.
Podemos imponer requisitos de calidad a un proceso de medida, del mismo modo que a un proceso
de produccin o distribucin. De esta forma, podemos definir el control metrolgico como el conjunto
de actividades que se llevan a cabo para garantizar que los procesos de medida cumplan los requisi-
tos establecidos para ellos. En una industria, estos requisitos son consecuencia del papel que tienen
los procesos de medida en el plan de control de la produccin. Es, por tanto, el usuario quien debe
establecerlos, en funcin de las prestaciones que requiera el control de la produccin.
NOTA. La expresin proceso de medida es cmoda para discutir estas cuestiones. En el glosario
del VIM se define proceso de medida como un conjunto de informaciones, equipos y operaciones
relativos a la medida, mientras que en la norma ISO 10012 es un conjunto de operaciones para de-
terminar el valor de una cantidad.
2.2 Exactitud
La exactitud (accuracy) de un resultado de medida es el grado de coincidencia entre ese resultado y
un valor de referencia aceptado. La exactitud de un resultado de medida se evala mediante el error,
que es la diferencia entre el resultado y el valor de referencia. Observa que el valor de referencia, o
valor patrn, est implcito en la nocin de exactitud. La exactitud siempre se refiere a un valor de
referencia. En esta definicin (extrada de la norma ISO 5725), se elude mencionar el valor autnti-
co, que es una nocin bastante etrea para muchas medidas que se hacen en la industria.
La exactitud de un resultado de medida individual se evala mediante un nico nmero, el error. Sin
embargo, el error no es el mismo cada vez que se realiza la medida (aunque se repita sobre el mismo
espcimen). La variabilidad del error hace que sea interesante considerar la medida como un proce-
so.
La exactitud de un proceso de medida se puede definir como su aptitud para dar resultados prxi-
mos a un valor de referencia aceptado. Dada la variabilidad del error, para evaluar la exactitud de un
proceso de medida es conveniente recurrir al lenguaje estadstico. La exactitud de un proceso no
siempre se puede evaluar directamente, ya que no se dispone (salvo en casos muy especiales) de
especmenes con valores de referencia asignados. Existen patrones, pero son distintos de los espe-
cmenes que se miden en la aplicacin real del proceso de medida (ver ejemplos del final del captu-
lo).
En el modelo clsico, que permite simplificar el examen de la exactitud de un proceso de medida, se
descompone el error de medida en dos sumandos: un trmino constante, llamado sesgo (bias), o
error sistemtico, y un trmino variable, llamado error aleatorio,
Error = Error sistemtico + Error aleatorio.
El error aleatorio vara de una medicin a otra, y es impredecible, aunque se pueden dar lmites a su
variacin, como veremos ms adelante. La precisin, que se puede definir como el grado de coinci-
dencia entre los resultados de medida obtenidos al repetir la medida, es un concepto que hace refe-
rencia a la dispersin del error aleatorio. En estas notas usamos el trmino precisin en sentido cuali-
tativo, y con el trmino imprecisin nos referimos a una medida numrica de la precisin, es decir,
de la magnitud del error aleatorio.
La resolucin de un proceso de medida es la menor diferencia que puede obtenerse entre dos resul-
tados de medida. Para procesos de medida muy sencillos, que se reducen a la lectura de un instru-
mento (por ejemplo, un termmetro), la resolucin coincide con la distancia mnima entre dos indica-
ciones del instrumento. La conveniencia de utilizar frmulas estadsticas, como medias y desviacio-
nes estndar, para evaluar la exactitud, depende de la resolucin, como veremos ms adelante.
2.3 Calibracin y patrones
Un patrn de medida (measure standard) es algo a lo que podemos asignar un valor de referencia
para verificar la exactitud de un proceso de medida. Un patrn puede ser:
! Una medida materializada, como una pesa de 1 Kg, o una resistencia de 100 #.
! Un instrumento de medida, como un termmetro patrn.
! Un material de referencia, como el aceite patrn del viscosmetro, o la solucin tampn del pH-
metro. En general, se llama material de referencia a una sustancia de la cual una o varias propie-
dades son lo suficientemente conocidas como para ser usadas en la calibracin de un instrumen-
to, la evaluacin de un mtodo de medida o para asignar valores a materiales (v. ISO Guide 30,
1981).
El valor de referencia asignado al patrn puede ser:
! Un valor certificado, si figura en un certificado u otro documento que acompaa al patrn, y ha
sido obtenido por un procedimiento tcnicamente vlido. La certificacin, en este caso, es el
procedimiento para establecer, por operaciones tcnicamente vlidas, valores de una magnitud
de un material (v. ISO Guide 31, 1981).
! Un valor documentado por el fabricante del patrn, pero no certificado, ni por ste ni por otro or-
ganismo.
! Un valor consenso, si ha sido obtenido a travs de un ensayo inter-laboratorios, o por acuerdo
entre varios organismos.
! Un valor obtenido por el usuario.
La calibracin de un proceso de medida es el conjunto de operaciones que se realizan para estable-
cer la relacin entre los resultados de medida y uno o varios valores de referencia.
En la prctica, la relacin entre los valores de referencia y las lecturas de un instrumento puede pre-
sentar formas distintas. Se dan dos situaciones tpicas:
! La lectura del instrumento se refiere a la magnitud que se mide, por ejemplo, en una balanza. En
este caso, el objeto de la calibracin es establecer la diferencia entre los valores de referencia y
los valores indicados por el instrumento en el intervalo de trabajo, es decir, obtener un sesgo para
cada valor de referencia.

! Cuando la lectura se refiere a una magnitud diferente de la que se quiere medir, el objeto de la
calibracin es establecer la relacin matemtica entre ambas magnitudes. Por ejemplo, en un vis-
cosmetro capilar se mide el tiempo que tarda en pasar un fluido entre dos seales de un tubo,
que se multiplica por un factor para obtener la viscosidad, y la calibracin es la operacin que
permite obtener este factor. En otros casos, por ejemplo en un espectrofotmetro, la relacin es
ms compleja, y debe hallarse una ecuacin lineal (la recta de calibracin).
Esta definicin de calibracin no se aplica slo a instrumentos de medida (por ejemplo, a una balan-
za), sino a procesos en los que intervienen instrumentos de medida, aparatos auxiliares y personas.
Por ejemplo, la calibracin del viscosmetro capilar es, en realidad, la calibracin del sistema formado
por: a) el propio instrumento, b) el bao termosttico, con su termmetro, c) el cronmetro, y d) la
persona que acciona el cronmetro.
En el lenguaje ordinario (y a veces en la documentacin que acompaa a los instrumentos de medi-
da), se confunden la calibracin de un instrumento de medida y el ajuste, que es una operacin que
se realiza sobre el instrumento para eliminar el sesgo. El ajuste es una medida correctiva, que no
siempre se aplica aunque el sesgo sea diferente de cero y, por tanto, no toda calibracin va seguida
de un ajuste. Mantendremos en estas notas la diferenciacin entre ambos conceptos (que ya hace la
norma ISO 9001).
La calibracin de un patrn tiene por finalidad asignarle un valor de referencia, o establecer la vali-
dez de una asignacin previa. Por ejemplo, enviamos una pesa de 1 Kg a un laboratorio acreditado
para su calibracin y nos la devuelven con un certificado que establece que su peso es 1007 g. Se
incluye con frecuencia en el certificado una evaluacin de la incertidumbre (ver definicin en la sec-
cin siguiente) de esta asignacin, que se llama, a veces, incertidumbre del patrn.
2.4 Incertidumbre
En general, el trmino incertidumbre (uncertainty) se asocia a la proximidad mayor o menor de los
resultados de medida a un valor autntico o verdadero. En el contexto de la metrologa profesional,
es un parmetro que informa sobre la magnitud de las diferencias que cabe esperar entre los resulta-
dos de medida y el valor autntico y, por tanto, sobre la exactitud. Este trmino, fuente de frecuentes
confusiones, ha desaparecido en la ltima revisin de la norma ISO 9001.
En el contexto del control de la calidad en la industria, no obstante, el manejo de esta nocin presenta
algunos problemas:
! El significado del valor autntico en algunas mediciones que se hacen en la industria no est
claro (en especial en ciertos sectores de la industria de proceso, como el textil).
! No hay consenso sobre la forma de expresar la incertidumbre (v. GUM, 1995).
! Al adoptar frmulas extradas de la documentacin tcnica que acompaa a los instrumentos de
medida o a los certificados de calibracin, se produce un malentendido bastante frecuente en el
aseguramiento de la calidad: se evala la incertidumbre de una calibracin en la que las medidas
se efectan sobre un patrn, en lugar de la incertidumbre de las medidas que forman parte del
control de la calidad. Esta ltima incertidumbre, que es la que interesa al aseguramiento de la ca-
lidad, puesto que cuestiona la conformidad del producto verificada en la inspeccin, es en mu-
chos casos, significativamente mayor que la primera, por la intervencin de factores como el
muestreo, la irregularidad de la superficie del producto, la falta de uniformidad, etc. (v. Ejemplos 2
y 3).
En estas notas proponemos una aproximacin bastante transparente y sencilla de llevar a cabo en la
prctica (sa es al menos, nuestra experiencia), que consiste en:
! Renunciar a condensar en un nico parmetro (la incertidumbre) la informacin sobre los errores
de medida, considerando en su lugar dos parmetros, sesgo e imprecisin.
! No usar el trmino incertidumbre ms que en sentido cualitativo.
2.5 Expresin del sesgo y la imprecisin
Para evaluar la exactitud de un proceso de medida, consideremos una variable X cuyos valores sean
los resultados de medida obtenidos ejecutando el proceso sobre un espcimen fijo. Si admitimos que
X tiene distribucin normal (v. Apndice A6), lo que representa una aproximacin satisfactoria para lo
que pretendemos, esto es, dar una descripcin estadstica de la exactitud, podemos evaluar la exacti-
tud del proceso mediante dos parmetros estadsticos:
! La diferencia entre la media y el valor de referencia es el sesgo.
! La desviacin estndar proporciona una evaluacin de la imprecisin.
No obstante, no siempre son tiles las frmulas estadsticas para evaluar la exactitud. Para verlo,
imaginemos la siguiente situacin: aplicamos repetidamente un determinado proceso de medida so-
bre un mismo espcimen, obteniendo una coleccin de resultados. Entonces:
! Si todos los resultados son iguales, no hacen falta frmulas estadsticas: hay o no hay sesgo, y
no tiene sentido hablar de precisin (a veces se dice que la imprecisin es inferior a la resolu-
cin).
! Si se obtienen resultados distintos, tiene sentido usar frmulas estadsticas derivadas de la distri-
bucin normal cuando el nmero de valores distintos sea alto. En este caso es til sustituir X, que
es discreta (ya que el proceso tiene una resolucin dada), por una variable continua.
A partir de qu punto tiene sentido el uso de medias y desviaciones estndar para evaluar la exacti-
tud? No hay ninguna norma que regule esta cuestin, por lo que slo podemos recomendar, a ttulo
privado:
! Usar las frmulas estadsticas (media y/o desviacin estndar) a partir de una imprecisin igual a
5 veces la resolucin. En caso contrario, hacer una estimacin directa (v. Ejemplo 2).
! Mantener una cierta cautela al usar las frmulas derivadas de la distribucin normal, cuando la
imprecisin no sea por lo menos 10 veces mayor que la resolucin.
Supongamos que se realiza n veces una medida sobre un patrn. La diferencia entre la media x de
los resultados de medida y el valor patrn es un valor estimado del sesgo. Este sesgo estimado es un
valor experimental, y si repetimos el experimento (las n mediciones), el valor obtenido ser distinto.
Dicho de otro modo, el valor del sesgo que hemos obtenido tiene un error. La desviacin estndar del
error del sesgo obtenido a partir de n medidas es igual a la del error de medida dividida por $n (v.
Apndice). Entonces, si x
0
es el valor patrn y % la desviacin estndar en la medida del patrn, po-
demos dar lmites de confianza del 95% (v. Apndice) para el sesgo mediante la frmula
0
2 x x
n
!
" #
El segundo sumando de esta frmula se llama a veces incertidumbre de la calibracin o, cuando
se calibra un patrn, incertidumbre del patrn.

La imprecisin de un proceso de medida puede evaluarse directamente, cuando es pequea (respec-
to a la resolucin), o mediante una frmula estadstica. No hay un mtodo normalizado para cuantifi-
car la precisin, por lo que conviene aclarar cul se usa. Todas las expresiones numricas de la pre-
cisin, salvo en casos de baja resolucin, estn basadas en una desviacin estndar %. Citamos a
continuacin algunas variantes.
! Con el valor de %
! Con el valor 2%, de modo que "2% define (aproximadamente) un intervalo de confianza del 95%
! Con el valor 2,8%, que corresponde (aproximadamente) a un lmite del 95% de confianza para la
diferencia absoluta (sin signo) de dos medidas independientes. Este es el sistema establecido por
la norma ISO 5725, usado en las normas ASTM y, por la IUPAC, para evaluar la repetibilidad y la
reproducibilidad de un mtodo analtico.
! Con el valor 5,15% ("2,575%), que corresponde a la longitud de un intervalo de confianza del 99%.
Es el sistema recomendado por la norma ISO 16969 del sector de automocin (ver Captulo 6).
Empleamos en estas notas la expresin "2%, dando a % el valor estimado de que se disponga. La
imprecisin la cuantificaremos por 4%, cuando se compare con una tolerancia.
Ejemplo 2
En una industria qumica se calibran, por primera vez, tres viscosmetros. El primero es un viscosme-
tro Brookfield LVT DV-I digital, de resolucin 0,1 mps. Como patrn se usa un aceite suministrado por
Brookfield, con valor de referencia 50 mps. Se mide 10 veces la viscosidad del patrn, obteniendo los
valores: 51,3, 50,3, 51,7, 51,5, 50,9, 50,9, 51,8, 50,7, 50,9 y 51,1. La media y la desviacin estndar
de estos resultados son
51,110; 0, 468 x s $ $
El sesgo estimado es 51,110 - 50 = 1,110. El valor estimado para la desviacin estndar del sesgo es
0, 468
0,148
10
s
n
$ $
Podemos expresar, usando lmites de confianza del 95%, el sesgo en la forma 1,110 " 0,296. La lon-
gitud de este intervalo, 2 & 0,296=0,492, es la incertidumbre de la calibracin. Observa que el interva-
lo de confianza no contiene el cero. Cuando se da esta situacin, se dice que el sesgo es estadsti-
camente significativo.
El segundo es un viscosmetro RVT DV-I digital, de resolucin 1 mps, para el que se usa como patrn
un aceite de 500 mps. Se hacen 10 medidas del patrn, obteniendo los resultados: 516, 517, 517,
516, 517, 517, 517, 517, 517, y 517.
Las conclusiones del experimento son:
! El sesgo est comprendido entre 16 y 17 mps.
! No es necesario hacer medidas replicadas para evaluar el sesgo.
Por ltimo, se calibra tambin un viscosmetro RVT DV-II analgico, de resolucin 5 mps, usando otra
vez el patrn de 500 mps. Despus de 6 medidas, se interrumpe el experimento considerando que no
tiene inters proseguir, a la vista de los resultados: 515--520, 520, 515--520, 520, 520, y 515--520.
! El sesgo est comprendido entre 15 y 20 mps.
! Como antes, las medidas replicadas no son necesarias para evaluar el sesgo.
Ejemplo 3
En una fbrica de tarjetas de plstico magnetizadas se desea evaluar el sesgo y la precisin de un
micrmetro que se usa para verificar la altura de tarjetas de plstico. Para una tarjeta tpica, los lmi-
tes de tolerancia son 53,920 y 54,030 mm. Como patrn, se usa una galga con valor nominal 54,991
mm. Se efectan cinco medidas del patrn, obteniendo los resultados siguientes: 54,995, 54,993,
54,994, 54,996, y 54,994.
Las conclusiones de este primer experimento son:
! El sesgo est entre 0,003 y 0,004 mm.
! La imprecisin (sobre el patrn) es del orden de 0,03 mm.
Para evaluar la precisin de la medida de la altura de una tarjeta se hace un experimento en el que
cuatro operarios miden la misma tarjeta cinco veces cada uno (ver Tabla 2.1).

TABLA 2.1 Estudio de precisin del micrmetro (Ejemplo 3)
Operario Resultados Media Varianza
1 53,964 53,960 53,959 53,957 53,956 53,9592 9,7E-06
2 53,953 53,958 53,956 53,957 53,953 53,9554 5,3E-06
3 53,961 53,954 53,952 53,952 53,952 53,9542 1,52E-05
4 53,961 53,957 53,957 53,955 53,953 53,9566 8,8E-06

Las conclusiones del segundo experimento son:
! La imprecisin de la medida sobre el producto es mayor que sobre el patrn (lo que es tpico en
las medidas dimensionales de materiales deformables).
! Usando la media de las varianzas de los cuatro operarios como valor estimado de la varianza de
los errores de medida (v. Apndice), tenemos s
2
= 9,75 & 10
-6
y, por lo tanto s = 0,003 mm. Esto
da una imprecisin de "0,006 mm para medidas realizadas por el mismo operario. Puede consi-
derarse aceptable la relacin
Imprecisin 0,012
10,01%
Tolerancia 0,11
$ $
! Se observan diferencias entre los resultados obtenidos por los cuatro operarios, aunque stas no
superan el 5% de la tolerancia, por lo que no parecen preocupantes. No obstante, sera oportuno
revisar el procedimiento de uso del micrmetro para ver si se puede uniformizar ms la manera
de aplicarlo.

Se desea ahora evaluar la precisin de un proceso de medida en el que se usa el primero de los vis-
cosmetros del ejemplo 2. Se trata de la medida de la viscosidad de una resina. Se efectan 10 de-
terminaciones replicadas de la viscosidad de una muestra. Con el fin de hacer el experimento ms
completo, se determina la viscosidad a 30 y 60 rpm (el mtodo Brookfield, para un fluido no newto-
niano, puede dar resultados distintos, segn la velocidad de giro del husillo).
Los resultados obtenidos han sido:
! A 30 rpm: 88, 76, 92, 88, 88, 72, 72, 100, 80, 76. La media es
1
84,00 x $ y la desviacin estndar
s
1
= 9,43.
! A 60 rpm: 72, 76, 74, 70, 76, 70, 82, 74, 70, 72. La media es
2
73,60 x $ y la desviacin estndar
s
2
= 3,75.
! La imprecisin mayor es en la muestra de produccin que en el patrn.
! En algunos casos la imprecisin no depende slo del instrumento de medida, sino de cmo se
use. As, se obtiene mayor imprecisin a 30 rpm (F = (9,43/3,75)
2
= 6,32, v. Apndice). Recurde-
se que la norma ISO 9001 establece que el seguimiento y medicin pueden realizarse y se reali-
zan de una manera coherente con los requisitos de seguimiento y medicin.
3. PLAN DE CONTROL METROLGICO
3.1 Planteamiento general
Como dijimos en la introduccin, nuestra intencin es presentar un enfoque sencillo y ordenado del
control metrolgico. Para ello, lo mejor es seguir el desarrollo lgico de la planificacin de la calidad,
tratando el control metrolgico como un caso ms de control de proceso que se ejecuta de acuerdo
con un plan de control, el plan de control metrolgico.
La planificacin de la calidad requiere planes de control ms o menos formalizados. El objetivo de un
plan de control es garantizar que se cumplen unos requisitos (de un producto o proceso). En la mayo-
ra de los casos, el plan de control no existe formalmente, sino descompuesto en planes ms locali-
zados (por ejemplo, un plan de control de producto consta del plan de control de materias primas, el
de control de proceso, el de control de producto acabado, etc.). El plan de control incluye el uso de
unos dispositivos que, en la norma ISO 9001, son los necesarios para proporcionar la evidencia de la
conformidad del producto con los requisitos determinados. El control metrolgico debe incluir estos
dispositivos, as como los que intervengan en su control (por ejemplo, una balanza que se usa para
preparar una disolucin patrn).
Un guin lgico para el desarrollo del plan de control metrolgico podra ser, siguiendo el hilo de la
norma ISO 9001:
1. Establecer el alcance del sistema de calidad. A qu productos afecta?
2. Establecer los requisitos de calidad que deben cumplir los productos afectados por el sistema.
Qu atributos? Qu caractersticas medibles? Cules son los lmites de tolerancia?
3. Identificar los dispositivos de seguimiento y medicin que proporcionan evidencia de que el pro-
ducto cumple los requisitos de calidad (aqu empieza el control metrolgico).
4. Establecer los requisitos de seguimiento y medicin (metrolgicos). Qu resolucin deben te-
ner? Cul es el error mximo permitido?
5. Validar (es decir, verificar que cumple los requisitos establecidos) el dispositivo de seguimiento y
medicin antes de empezar a usarlo.
6. Efectuar el control del dispositivo, mediante unas verificaciones que se realizan de acuerdo con
un procedimiento o instruccin de trabajo, para garantizar que sigue cumpliendo los requisitos.
7. Mantener registros de la validacin y de las verificaciones posteriores.
Hemos distinguido aqu entre la validacin y las verificaciones que forman parte del control (v. defini-
ciones en el glosario). La razn de ello es que, normalmente, lo que llamamos aqu validacin se
hace solamente una vez, mientras que las restantes verificaciones se van repitiendo con una periodi-
cidad que se especifica en la documentacin del sistema.
3.2 Requisitos metrolgicos
Algunos requisitos metrolgicos, como la resolucin, se aseguran al elegir adecuadamente el disposi-
tivo de medida, y se establecen teniendo en cuenta la oferta existente. El requisito fundamental, que
afecta a la magnitud de los errores de medida, se puede desglosar en dos, uno relativo al sesgo y
otro a la precisin (esa era mi recomendacin en el captulo anterior). Un modo prctico de plantear
esta cuestin es establecer un lmite para el valor absoluto (sin signo) del error. Usaremos aqu, en

este sentido, la expresin error mximo permisible, extrada de las normas ISO 9000 y 10012 (a
veces se usa esta expresin, u otras similares, para referirse a un lmite del sesgo o error medio),
aunque cualquiera otra que admita una interpretacin anloga es adecuada.
Un ejemplo sencillo es el siguiente: considerando la influencia de la temperatura sobre las transfor-
maciones que tienen lugar en un proceso qumico, un tcnico de produccin establece que los errores
de una sonda de temperatura no pueden superar 1 grado. Entonces el error mximo permisible es 1
grado. Este lmite se refiere a todos los errores de medida, no bastando, salvo cuando la precisin es
absoluta y el error es constante, con efectuar una sola observacin y verificar que el error no supera 1

grado.
Una vez establecido el error mximo permisible, los requisitos de la norma ISO 9001 son indiscuti-
bles: hay que garantizar, de forma continuada y con evidencias objetivas (certificados, registros,
etc.), que este lmite no se supera. El conjunto de las operaciones necesarias para ello se llama con-
firmacin metrolgica. En general, la confirmacin metrolgica incluye la calibracin o la verifica-
cin, cualquier ajuste o reparacin, la subsiguiente recalibracin, la comparacin con los requisitos
metrolgicos del equipo y cualquier sellado o etiquetado.
El error mximo permisible se establece en funcin de cmo los errores de medida puedan afectar a
la conformidad de los productos en cuyos planes de control interviene el equipo. Esta posible influen-
cia se puede aclarar mediante un razonamiento terico o experimentalmente. Dada la variedad de
situaciones que pueden darse y las limitaciones que en algunas ocasiones tienen los equipos existen-
tes, no hay reglas que establezcan qu porcentaje de la tolerancia establecida para el resultado de
medida puede admitirse. El error mximo permisible nunca puede ser inferior a la resolucin.
Una vez fijado el error mximo permisible, se comprueba la capacidad del proceso de medida. Es
aconsejable separar imprecisin y sesgo. Si no se conoce la precisin, se la puede evaluar experi-
mentalmente realizando lo que se denomina un estudio de precisin (v. Captulo 5). Hay que docu-
mentar los estudios de precisin. En la mayora de los casos, una vez evaluada la precisin y visto
que es compatible con el lmite de error mximo permisible establecido, no hace falta reevaluarla,
salvo que pueda cambiar (desgaste de algn elemento, incorporacin de nuevos analistas, etc.).
Una vez se ha comprobado que la precisin es suficiente, debe verificarse el sesgo. Para algunos
procesos de medida, la verificacin puede hacerse globalmente, pero si no existe un patrn, hay que
verificar el sesgo de los distintos instrumentos implicados en el proceso de medida. Hay que notar
que la precisin se evala sobre una muestra, sea de materia prima o de producto (final o interme-
dio), y el sesgo sobre el patrn. Si la precisin es, en ambos casos, del mismo orden, el estudio resul-
ta ms sencillo.
NOTA. En la norma QS-9000 se dan criterios numricos para establecer lmites para los errores de
medida (v. MSA, 1995).
3.3 Plan de control metrolgico
Una vez validado el equipo para su uso en el plan de control del producto, el control metrolgico con-
siste en una serie de verificaciones de que las prestaciones del equipo se mantienen. No existen re-
glas generales sobre cmo tienen que hacerse las verificaciones, ya que pueden ir desde una mera
limpieza (viscosmetro capilar) a una calibracin, y eventual ajuste, cada vez que se conecta el equipo
(pH-metro).
La finalidad del control es prevenir, y corregir si es necesario, la degradacin de las caractersticas
metrolgicas. En muchos casos, se reduce a una simple verificacin peridica del sesgo, ya que la
precisin no cambia. La frecuencia de la verificacin depende del equipo y del uso que de l se haga.
Una forma sencilla de documentar el plan de control metrolgico es mantener una ficha para cada
equipo objeto del control, junto con un calendario de actuaciones. Estas fichas pueden integrarse en
un nico documento o en una base de datos. Un posible contenido de esta ficha sera:
! Cdigo que identifica el equipo
! Descripcin del equipo. Se especifica qu clase de equipo es: balanza de laboratorio, termmetro
de mercurio, viscosmetro Brookfield, etc.
! Resolucin. Conviene especificarla cuando en un mismo centro de produccin hay instrumentos
de medida de la misma magnitud, pero con distinta resolucin. Para algunos equipos (por ejem-
plo, un cromatgrafo), no tiene sentido especificar la resolucin, ya que depende de la aplicacin.
! Uso y ubicacin. Dnde se encuentra y para qu se usa.
! Intervalo de trabajo. Los valores medidos se mueven dentro de un intervalo, determinado por los
lmites de tolerancia establecidos en los planes de control en los que interviene el equipo. En la
mayora de los casos, el equipo puede trabajar fuera de este intervalo.
! Precisin. Siempre que pueda establecerse de forma general e inequvoca, y no dependa de la
aplicacin.
! Error mximo permisible. Se establece teniendo en cuenta todos los planes de control en que
interviene el equipo. Puede variar a lo largo del intervalo de trabajo.
! Procedimiento de calibracin y/o control metrolgico (cdigo)
! Intervalo de control. Es el mximo perodo que puede transcurrir entre dos confirmaciones conse-
cutivas. Las expresiones frecuencia de control o intervalo de calibracin aluden al mismo concep-
to.
! Documentacin de inters (identificacin)
NOTA. En la documentacin tcnica de la norma QS-9000 se presentan formatos de plan de control
de producto que permiten incluir, para cada verificacin incluida en el plan de control, informacin
sobre el equipo de medida implicado, con lo que el plan de control de los equipos de medida puede
unirse al de producto (v. APQP, 1995).
3.4 Procedimientos de control metrolgico
Las directrices generales para el control metrolgico pueden establecerse en el manual de calidad o
en un procedimiento de carcter general y el modo en que se realiza el control de un equipo indivi-
dual, en un procedimiento particular.
Est bastante arraigada la costumbre de separar los casos en que el control se reduce a operaciones
de mantenimiento, como limpieza y sustitucin de componentes, de aquellos en que el control incluye
la calibracin, de forma que hay procedimientos de mantenimiento y procedimientos de calibra-
cin. Se trata de una cuestin de orden prctico, que no tiene trascendencia si todo el control lo reali-
zan las mismas personas. Lo que s es aconsejable, en las industrias de proceso donde unos equipos
estn acoplados a las instalaciones, mientras que otros se encuentran en uno o varios laboratorios,
es separar el control de los equipos de proceso y el control de los equipos de laboratorio, ya que ge-
neralmente lo realizan personas distintas, con calendarios distintos, puesto que el control de la ins-
trumentacin de proceso est subordinado a la programacin de la produccin.

NOTA. Algunos tcnicos denominan procedimientos a los procedimientos de carcter general, que no
hacen referencia a un equipo o producto concreto, e instrucciones de trabajo a los procedimientos
que se refieren a situaciones particulares. Esta terminologa ha sido incorporada por la norma QS-
9000 (v. QS-9000, 1995). No obstante, en la terminologa ISO (v. ISO 9000) cualquier documento en
el que se especifica el modo de realizar una actividad es un procedimiento.
El guin de un procedimiento (o instruccin de trabajo) de control de un equipo de medida se puede
establecer del siguiente modo:
! Objeto. El control del equipo, con el fin de asegurar que no se supere el lmite de error mximo
permisible.
! Alcance. Los equipos afectados por el procedimiento.
! Responsabilidades. Hay que especificar quin tiene la responsabilidad sobre el presente docu-
mento, quin es responsable de que se realice el control y quin lo realiza.
! Patrones. Si el control incluye calibraciones, se ha de documentar la informacin relativa a los
patrones: la identificacin del patrn, su procedencia, las condiciones de conservacin, la forma
de prepararlo (por ejemplo, para un espectrofotmetro, una disolucin patrn) y la caducidad.
! Operaciones. Se describen las operaciones que constituyen el control. En la mayora de los ca-
sos, estas operaciones dan lugar a resultados numricos (por ejemplo, si hay una calibracin).
Debe especificarse cmo se obtienen estos resultados, si hay operaciones matemticas que rea-
lizar (por ejemplo, calcular una media para obtener un sesgo).
! Criterio de aceptacin. Se especifica el criterio que deben satisfacer los resultados obtenidos (por
ejemplo, sesgo menor que 0,1 mm). Si se satisface el criterio, el equipo es conforme, y si no, no
lo es.
! Acciones correctivas. Se describen las acciones correctivas que se han de llevar a cabo si el
equipo no es conforme. Las ms tpicas son el ajuste, la sustitucin de algn elemento (o de todo
el equipo), la limpieza y la reparacin.
! Registros. Se indica cmo debe registrarse el control (v. la seccin siguiente).
! Identificacin del estado de control. Se indica cmo se identifica (por ejemplo, con una etiqueta) el
estado de control del equipo. La funcin de la identificacin es evitar el uso de un equipo que ha
superado el intervalo de control o que ha resultado no conforme, sin que se haya realizado la per-
tinente accin correctiva.
3.5 Registros del control metrolgico
En general, un registro es un documento que presenta unos resultados obtenidos o proporciona evi-
dencia de alguna actividad realizada. Uno de los requisitos de la norma ISO 9001 es mantener regis-
tros del control metrolgico. Estos registros y, en general, todos los registros de calidad, pueden reali-
zarse sobre papel o soporte informtico.
Una posible lista de informaciones a incluir en el registro podra ser la siguiente:
! Identificacin del equipo afectado
! Procedimiento de control/calibracin (cdigo)
! Fecha de la verificacin realizada
! Decisin (conforme/no conforme)
! Identificacin del responsable de la verificacin
! Accin correctiva (en caso de no conformidad). Se puede incluir informacin sobre la descripcin
de la accin realizada, la fecha de la nueva verificacin, los resultados obtenidos y la identifica-
cin del responsable de la accin
! Fecha de la prxima verificacin.

4. CALIBRACIN
4.1 Obtencin del sesgo
En el captulo anterior hemos expuesto algunas ideas bsicas sobre la organizacin del control metro-
lgico. En ste avanzamos algo ms en la descripcin de las verificaciones a realizar. Como las veri-
ficaciones, su frecuencia y las eventuales acciones correctivas son distintas para cada situacin, no
es posible hacer una exposicin general, por lo que nos limitaremos a considerar algunos ejemplos.
Consideremos en primer lugar un pH-metro, que es un instrumento de gran difusin en la industria de
proceso, ya que el pH es una caracterstica sustitutoria bastante habitual. En principio, el pH puede
variar entre 0 a 14, pero, en la prctica, en una industria particular, el intervalo de trabajo es mucho
ms restringido. El pH- metro se calibra frecuentemente, debido a que la mera conexin/desconexin
del equipo puede generar un sesgo, y el usuario puede ajustarlo por s mismo. Cuando no lo consi-
gue, una accin correctiva tpica es la sustitucin de un electrodo.
Los patrones son disoluciones comerciales, cuyos valores de referencia habituales son 4, 7 y 9 (se
usa una u otra disolucin patrn segn el intervalo de trabajo). Si la disolucin patrn se prepara a
partir de otra ms concentrada, los equipos usados en la preparacin deben incluirse en el plan de
control metrolgico.
Si se trata de un pH-metro de resolucin 0,1, la imprecisin es, normalmente, de este mismo orden,
por lo que no tiene sentido hacer medidas replicadas en la calibracin. El procedimiento que resumi-
mos a continuacin se refiere a este caso. Si la resolucin es 0.01, la discusin sera parecida a la del
viscosmetro Brookfield (v. Ejemplo 2).
El procedimiento de control del equipo debe contener:
! La descripcin de los patrones y la manera de prepararlos
! Las operaciones a realizar para medir el pH de la disolucin patrn con ese equipo (a menos que
se describan en otro lugar).
! El criterio de aceptacin para el resultado obtenido (por ejemplo, el error obtenido al medir el pH
de la disolucin patrn no debe superar 0,1).
! La forma de ajustar el equipo
! Otras posibles acciones correctivas
! Dnde se registra la verificacin realizada
! La frecuencia con que se efecta la verificacin
! El modo de identificar el estado de control
Usaremos ahora el primero de los viscosmetros del ejemplo 2 para ilustrar el modo en que se esta-
blecen, en distintas situaciones, el criterio de aceptacin y el nmero de medidas replicadas. Para el
resto del procedimiento puede servir el guin dado para el pH-metro, salvo en lo referente al ajuste,
que, en este caso, exige una cierta especializacin.
! Situacin 1. Supongamos que el error admisible fijado para la medida de viscosidad de un pro-
ducto es 10 mps, y que la imprecisin de la medida de viscosidad del producto es "6 mps (una
suposicin realista, segn lo que se vio en el captulo 2, donde obtuvimos s = 3,75 mps a 60 rpm).
Entonces el sesgo no puede superar 4 mps (10 6 = 4). Como la precisin en la medida de la
viscosidad del patrn puede estimarse como "1 mps (en el captulo 2 obtuvimos s = 0,468 mps),
puede limitarse la verificacin a realizar una medida de viscosidad del patrn, y el criterio de
aceptacin a que el error de esa medida no supere 3 mps.
! Situacin 2. Supongamos que el error admisible es 5 mps y la imprecisin "3 mps. Entonces el
sesgo no puede superar 2 mps. Podemos hacer 4 medidas replicadas e imponer como criterio de
aceptacin que el sesgo obtenido (media de los 4 errores) no supere 1,5 mps, ya que los lmites
de confianza para el sesgo son:
1
Sesgo obtenido Sesgo obtenido 0 5
4
, # $ #
! Situacin 3. Supongamos que el error admisible es 5 mps y la imprecisin "4 mps. Entonces el
sesgo no puede superar 1 mps. Podemos realizar 10 medidas replicadas e imponer como criterio
de aceptacin que el sesgo obtenido (media de los 10 errores) no supere 0.65 mps, ya que los
lmites de confianza son:
1
Sesgo obtenido Sesgo obtenido 0 32
10
, # $ #
! Situacin 4. Supongamos que el error admisible es 5 mps y la imprecisin "5 mps. En este caso,
el equipo no es vlido para esta aplicacin.
Como se ve, el nmero de replicados y el criterio de aceptacin se deciden en funcin de la magnitud
relativa del error admisible y la imprecisin. Cuento menor es la diferencia entre ambos, ms se com-
plica el procedimiento.
Hemos basado la discusin en la regla:
Sesgo + Imprecisin ' Error admisible,
o, si se prefiere:
Error total = Error sistemtico + Error aleatorio ' Error admisible.
4.2 Factores de calibracin
El viscosmetro Cannon-Fenske ya ha aparecido en el captulo 2. En este caso, la calibracin es un
experimento cuyo fin es determinar un factor, el factor de calibracin, que se usar para transformar
tiempos en viscosidades. Una vez determinado el factor, el control 00puede limitarse a limpiar el tubo
y verificar su integridad. Como se limpian con frecuencia, los tubos pueden romperse, por lo que se
acostumbra a tener varios, cada uno con su factor asociado.
Los patrones son fluidos de viscosidad conocida. Los factores pueden ser distintos para los distintos
patrones. Para obtener el factor, se mide varias veces el tiempo de paso del fluido patrn, se calcula
la media, y se efecta la divisin
Viscosidad patrn
Factor
tiempo medio
$

Para decidir el nmero de medidas replicadas, se puede razonar como en el apartado anterior. La
frmula para el clculo de los lmites de confianza del factor (la incertidumbre de la calibracin) es
ms complicada, por lo que la obviamos aqu, pero puede hacerse una simulacin sencilla para saber
cul sera la magnitud de los errores en la medida de viscosidad originados por los errores en la ob-
tencin del factor. Para ello basta medir el tiempo de paso varias veces, y traducir las diferencias
entre los resultados a unidades de viscosidad.
Es importante tambin el control del personal que efecta la medida, ya que, en sentido estricto, el
factor slo es vlido para la persona que lo obtuvo.
El procedimiento de control debe incluir:
! La descripcin de los patrones y su preparacin
! Las operaciones a realizar para obtener el tiempo de paso del fluido patrn (a menos que ya se
describan en otro lugar).
! El modo de obtener el factor
! Dnde se registra la calibracin
! Limpieza, comprobacin y sustitucin de los tubos
! Control del personal que realiza las medidas
! Modo de identificar el estado de control
4.3 Recta de calibracin
Por ltimo, para ilustrar el caso ms complejo, consideramos el caso de un espectrofotmetro, que se
usa para determinar el contenido de uno de los componentes de una sustancia. La calibracin del
espectrofotmetro tiene como fin determinar la funcin matemtica que permite transformar su res-
puesta (la absorbancia) en el contenido de ese componente, que, normalmente, es lineal. Su grfica
es la recta de calibracin. La calibracin es especfica para cada anlisis en que intervenga el equi-
po. Los patrones son disoluciones, normalmente preparadas por el usuario, cuya concentracin en el
componente que interesa es conocida.
Para determinar los dos parmetros de la recta, se obtienen una o varias veces las respuestas co-
rrespondientes a las disoluciones patrn, a las que se aplican las frmulas de la regresin lineal,
tomando como variable X el contenido del componente que interesa en la disolucin patrn, y como Y
la respuesta del equipo. Estos equipos disponen de software para los clculos, de modo que el usua-
rio no tiene que preocuparse por ellos, ni anotar la ecuacin de la recta, salvo si el procedimiento
correspondiente prev hacerlo en el registro de la calibracin. En cambio, es importante la disciplina
en la realizacin del experimento, especialmente en la preparacin de las disoluciones patrn.
El procedimiento de calibracin debe incluir:
! La descripcin de los patrones y su preparacin
! Las operaciones a realizar para obtener la respuesta del equipo para las disoluciones patrn (a
menos que ya se describan en otro lugar)
! La frecuencia de la calibracin
! Dnde se registra la calibracin
! El modo de identificar si el equipo ha sido calibrado
El control propiamente dicho puede realizarse estableciendo unos lmites de tolerancia para los pa-
rmetros de una de la recta de calibracin de uno de los anlisis en los que se use el equipo, o usan-
do un patrn de control (check standard). El patrn de control es una sustancia, cuya composicin
no es importante conocer, para la que se hace la lectura peridicamente (sin traducirla a unidades de
concentracin). Para esta lectura se establecen lmites de tolerancia. Es aconsejable el seguimiento
de los resultados durante un tiempo en un grfico de control, antes de establecer los lmites.
Ejemplo 4
Se calibra un espectrofotmetro para la determinacin del contenido (ppm) de boro en aguas residua-
les. El mtodo est basado en la norma ASTM D-3082-74, y usa un blanco (un espcimen con conte-
nido cero) de agua destilada. La calibracin se realiza con siete disoluciones patrn, cuyos conteni-
dos de boro se presentan en la tabla 4.1, junto a las absorbancias (diferencias patrn menos blanco)
obtenidas.

Tabla 4.1 Resultados experimentales
Contenido de
boro (X)

Absorbancia
(Y)
0,0000 0,000
1,0016 0,049
2,0032 0,077
3,0048 0,120
4,0065 0,163
5,0810 0,200
10,1600 0,423

Los coeficientes de la recta de calibracin (Y = a + bX, donde Y es la absorbancia y X el contenido de
boro) son
a = 0,0015 b = 0,04128
y la correlacin,
r = 0,9991
Esta correlacin es satisfactoria (si no se obtiene una correlacin muy prxima a 1, el mtodo no es
apropiado, o ha habido algn error).

5. ESTUDIOS DE PRECISIN
5.1 Consideraciones previas
Para ilustrar la importancia de conocer la precisin de los procesos de medida, consideremos la si-
tuacin siguiente: se tiene un lote de producto (propio o de un proveedor), sobre una muestra del cual
se efecta una medida, obtenindose un resultado numrico a partir del cual se toma una decisin
(por ejemplo, que el lote pase al estado de disponible para su entrega al cliente). Si se repite todo el
proceso, extrayendo otra muestra y midindola, se obtiene un resultado diferente, con lo que la deci-
sin podra ser tambin diferente. Esto significa que la imprecisin resta fiabilidad a las decisiones
que se tomen a partir de los resultados de medida. La medida en que esto ocurre depende, en gene-
ral, de la magnitud relativa de la imprecisin y la tolerancia establecida para la verificacin que se
est realizando.
Por consiguiente, uno de los requisitos metrolgicos debe ser, o incluir implcitamente, la imprecisin
mxima permisible. Una sugerencia para establecer este lmite es partir de un lmite para el cociente
Imprecisin
Tolerancia

que da una medida numrica de la capacidad de la medida, parecida al ndice de capacidad C
p
del
control estadstico de proceso. Este lmite se establece a priori, por ejemplo, un 10% (sin que esto
sea una norma, sino una sugerencia nuestra para quien no sepa por dnde empezar).
Pero es importante conocer con detalle la imprecisin? En la mayora de los casos, la imprecisin es
mucho menor que la tolerancia, por lo que no es importante disponer de una evaluacin muy fiable,
ya que lo que realmente interesa es tener (y garantizar) la capacidad de medida, ms que cuantificar-
la. Sin embargo, si la imprecisin supera, por ejemplo, el 10% de la tolerancia, se deben analizar la
distintas causas que la originan y tratar de mejorar el proceso de medida. La mejora de un proceso de
medida pasa, en muchos casos, por analizar los distintos factores de imprecisin. En este captulo
presentamos un mtodo para hacer este anlisis.
En el Captulo 2, vimos cmo evaluar la precisin a partir de una desviacin tpica y la regla dada all
se ha usado en varios ejemplos. La desviacin tpica se puede obtener a partir de la serie de resulta-
dos obtenidos repitiendo la medicin, o como promedio de desviaciones tpicas obtenidas en distin-
tos experimentos. Esto ltimo puede hacerse de dos formas diferentes:
! Promediando varianzas. As se har en el ejemplo 5.
! Promediando recorridos. Este mtodo es muy intuitivo cuando los clculos se acompaan con
grficos de control (v. Mdulo 3).
5.2 Clculo con varianzas
Una varianza es una suma de cuadrados dividida por un nmero, que se llama nmero de grados
de libertad (degrees of freedom). Para una varianza muestral, el nmero de grados de libertad es
igual al nmero de observaciones menos 1. Si usamos la varianza muestral, s
2
, como aproximacin
de la varianza de la poblacin, %
2
, el nmero de grados de libertad es una medida de la calidad de la
aproximacin, en el sentido de que a partir de ella se pueden obtener lmites de confianza para %
2
. No
profundizaremos aqu en esta cuestin, que es complicada, pero s presentamos en la figura 5.1, para
ilustrar el significado prctico del nmero de grados de libertad, los lmites del 95% para el cociente
s/% en el caso de una distribucin normal. Estos lmites se pueden obtener usando un modelo mate-
mtico llamado distribucin chi cuadrado. Se observa que, a partir de un cierto punto, el aumento
del coste experimental repercute poco en la calidad de los resultados. Bajo este punto de vista, 10
observaciones seran una opcin razonable.

0%
25%
50%
75%
100%
125%
150%
175%
200%
225%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Grados de libertad
P
o
r
c
e
n
t
a
j
e

v
a
l
o
r

e
s
t
i
m
a
d
o
/
v
a
l
o
r

r
e
a
l

Figura 5.1 Porcentaje del valor estimado respecto al valor real de la desviacin estndar

Una propiedad importante de la varianza es que es aditiva. Si X
1
, X
2
, (, X
n
son variables indepen-
dientes, con varianzas
2 2 2
1 2
, , , ,
n
! ! ! ! y
1 2
,
n
X X X X $ % % % " la varianza de X es la suma
2 2 2 2
1 2 n
! ! ! ! $ % % % "
Los sumandos
2 2 2
1 2
, , , ,
n
! ! ! " se denominan componentes de la varianza. Obsrvese que lo que se
suma son varianzas y no desviaciones tpicas. Algunas aplicaciones de esta propiedad al control me-
trolgico son las siguientes:
! La desviacin tpica de la media de n observaciones independientes de una variable con desvia-
cin tpica % es . n ! Esto resulta de que la varianza de la suma de las n observaciones es n%
2
,
por lo que, al dividir por n (o sea, dividir por n
2
la varianza), se obtiene una varianza %
2
/n para la
media.
! Si se hacen dos observaciones independientes, la varianza de la diferencia es 2%
2
. Por tanto la
desviacin tpica de la diferencia es 2 . ! Este hecho se usa para calcular los lmites de repetibili-
dad y reproducibilidad.

! Supongamos k experimentos independientes, en cada uno de los cuales se hacen n observacio-
nes de una variable X, siendo las varianzas respectivas
2 2 2
1 2
, , , ,
k
s s s ! con n -1 grados de libertad to-
das ellas. Entonces, el promedio
2 2 2
2 1 2 k
s s s
s
k
% % %
$
"

es un valor estimado de la varianza de X, con k(n - 1) grados de libertad.
! Si el error de una medida es la suma de errores independientes debidos a distintos factores que
actan independientemente,
1 2
,
k
e e e e $ % % % " la varianza del error total es la suma de las va-
rianzas de los errores debidos a cada uno de los factores. Un enunciado equivalente sera: la im-
precisin total es la raz cuadrada de la suma de los cuadrados de sus componentes.
El anlisis de la varianza, abreviadamente ANOVA (analysis of variance), es una tcnica estadstica
que consiste en descomponer la variacin total de un conjunto de datos en componentes asociadas a
distintos factores. Una de las variantes del ANOVA permite obtener valores estimados de las compo-
nentes de la varianza. A veces se alude a esta variante como ANOVA de tipo II, para diferenciarlo del
de tipo I, que es el que aparece normalmente en los cursos de Estadstica que tratan sobre Diseo de
Experimentos.
Para poder estimar las componentes de la varianza se debe organizar un experimento segn un cier-
to esquema o diseo experimental, que se llama diseo jerarquizado, o diseo encajado (nested).
Estos diseos son tpicos en el estudio de la variabilidad en los procesos industriales, en situaciones
en las que se descompone la variabilidad observada en las contribuciones de distintos factores.
Nos limitaremos aqu al caso en de dos componentes. El lector interesado en situaciones ms com-
plejas puede consultar Box et al. (1978). Supongamos que los factores son A y B, y que, en la se-
cuencia de operaciones que constituyen el procedimiento, A acta primero y B despus (por ejemplo,
A podra ser la extraccin de la muestra y B el anlisis). Un diseo experimental k & n para este pro-
blema consiste en la obtencin de kn resultados, agrupados en k grupos de n observaciones, de for-
ma que las diferencias entre resultados de un mismo grupo se atribuyan al factor B, pero las diferen-
cias entre resultados de grupos diferentes se atribuyan a ambos factores conjuntamente (por ejemplo,
se extraen k muestras, a partir de cada una de las cuales se hacen n anlisis replicados).
Supongamos que se han recogido los datos de acuerdo con un diseo k & n. Hay k grupos de n ob-
servaciones, cada uno con su media y su varianza (Tabla 5.1).

Tabla 5.1 Resultados de un diseo k&n
Observaciones Media Varianza
x
11
x
12
... x
1n

1
x
2
1
s
x
21
x
22
... x
2n

2
x
2
2
s
... ... ... ...
x
k1
x
k2
... x
kn

k
x
2
k
s

La varianza promedio da un valor estimado de la varianza asociada al factor B, o varianza dentro de
los grupos,
2 2 2
2 1 2

k
B
s s s
s
k
% % %
$
"

Para obtener un valor estimado de la varianza
2
,
A
! asociada al factor A, se calcula en primer lugar la
varianza de las medias de los grupos varianza entre grupos. Una parte de esta varianza, igual a
2
,
B
n ! es atribuible al factor B, ya que se ha calculado a partir de datos obtenidos promediando n ob-
servaciones que tienen un error con varianza
2
.
B
!

Por tanto, un valor estimado de
2
A
! es la diferencia
2
2
1 2
( , , , )
B
A k
s
s Var x x x
n
$ " "
Un valor estimado de la varianza total es
2 2 2
A B
s s s $ %
NOTA. Estas operaciones pueden realizarse con una calculadora de bolsillo que sea capaz de calcu-
lar medias y varianzas, o en una hoja electrnica de clculo. Esta ltima opcin, en la que puede
usarse el formato de la tabla 5.1, aadiendo las frmulas para
2
A
s y
2
B
s , es muy prctica, ya que per-
mite presentar juntos los datos y los resultados del anlisis y elimina los errores introducidos por los
redondeos. En los libros de estadstica, el anlisis de la varianza se presenta en una tabla, denomi-
nada tabla ANOVA, que aqu hemos obviado para aligerar la exposicin.
En un diseo experimental como ste, no slo hay que fijar las condiciones en las que se recoge ca-
da dato, sino tambin determinar el nmero de grupos, k, y el nmero de observaciones por grupo, n.
Por un lado, cuanto mayores sean k y n, mejores sern las estimaciones y, por otro, debe limitarse el
coste del experimento. Supongamos, por ejemplo, que pensamos hacer 30 mediciones. Las opciones
son: 2 & 15, 15 & 2,3 & 10, 10 & 3,5 & 6 y 6 & 5. Cul es la mejor (en trminos estadsticos)? Un va-
lor estimado de una varianza es tanto mejor cuanto mayor sea el nmero de grados de libertad aso-
ciado. En un diseo k & k, debemos tener en cuenta lo siguiente:
!
2
B
s es el promedio de k varianzas, todas ellas con n 1 grados de libertad, es decir, es una suma
de cuadrados dividida por k(n - 1), que es su nmero de grados de libertad.
! La varianza entre grupos tiene k - 1 grados de libertad.
El problema est, pues, en mantener un nmero de grupos alto, para conseguir una buena estimacin
de
2
.
A
! Esta conclusin es importante porque, en muchos casos, el coste de aumentar k es superior
al de aumentar n. Los clculos de la tabla 5.2 muestran que el diseo 15 & 2 es el ms adecuado.

Tabla 5.2 Grados de libertad en distintos diseos
Diseo Entre grupos Dentro de grupos
2&15 1 28
15&2 14 15
3&10 2 27
10&3 9 20
5&6 4 25
6&5 5 24


En otro procedimiento, empleado en los grficos de control, se calculan los recorridos R
1
, R
2
, (, R
k
, y
su media , R que es el recorrido medio (mean range). Dividiendo el recorrido medio por una cons-
tante, que se designa por d
2
y que depende de n, se obtiene un valor estimado de %. d
2
puede hallar-
se en una tabla de constantes para grficos de control (v. Tabla 5.3). Si k es elevado (por ejemplo k >
10), los recorridos se pueden representar en un grfico de control R, lo que resulta muy intuitivo. El
lmite de control superior se calcula mediante la frmula
4
, UCL D R $ en la que D
4
es una constante
que puede hallarse en la misma tabla de constantes.
NOTA. Qu ocurre si el valor de
2
A
s es negativo? Un valor negativo carece de sentido, ya que una
varianza no puede serlo. Siempre que en un anlisis estadstico el valor estimado de una varianza
sea negativo, se tiene que interpretar como una indicacin de que el modelo usado no es correcto. En
este caso, lo que sucede es que la influencia de A no es significativa y para el anlisis debemos su-
primirlo (el factor, no los datos). Eso no siempre quiere decir que esa influencia no exista, sino que a
veces lo que sucede es que no disponemos de suficiente informacin para evaluarla (k es demasiado
bajo).
5.3. Componentes de imprecisin
Los factores que pueden contribuir a la variabilidad de un proceso de medida son numerosos. Entre
los ms tpicos, se pueden citar:
! El personal implicado en la medicin
! Los instrumentos de medida y aparatos auxiliares
! El medio ambiente
! La extraccin de la muestra
! Las manipulaciones realizadas para preparar el espcimen que se analiza
Naturalmente, cabe esperar una variabilidad mayor cuando las mediciones las hagan personas distin-
tas, con instrumentos distintos, en condiciones ambientales distintas, etc., es decir, cuanta ms liber-
tad se permita a la actuacin de estos factores. La evaluacin de la contribucin de estos factores a la
variabilidad total se plasma en unos valores llamados componentes de la varianza. En los estudios
de precisin, las componentes de la varianza se asocian a componentes de imprecisin.
Supongamos un proceso en batch en el que se extrae una muestra de cada batch, que se analiza en
el laboratorio, obtenindose un resultado que se registra en un boletn de anlisis, que se asocia a
ese batch y, en muchos casos, se entrega al cliente. Se considera que la imprecisin de esta medida
se debe a la actuacin de dos factores, el muestreo (A) y el anlisis (B). La componente de impreci-
sin B es una medida numrica del grado de coincidencia entre los resultados analticos obtenidos
sobre una misma muestra, mientras que la componente A es una medida del grado de coincidencia
entre los resultados medios de muestras distintas extradas del mismo batch. El diseo experimental
para evaluar ambas componentes podra ser el siguiente: se extraen 10 muestras de un batch y se
realizan 3 anlisis replicados de cada muestra, obtenindose una tabla de 30 resultados.
Hay que tener en cuenta que el principal beneficio de este experimento no es evaluar la precisin,
cosa que puede hacerse con un experimento ms sencillo, sino conocer la magnitud relativa de las
componentes. Frecuentemente, una es mucho mayor que la otra (v. Ejemplo 5) y su magnitud relativa
nos dice cul de los factores contribuye en mayor grado a la variabilidad del proceso de medida. Este
dato es esencial si queremos mejorar la precisin de la medida.
El estudio de tres componentes de la varianza lleva a estudios de mayor coste, que son poco frecuen-
tes en la industria, ya que para un proceso de medida complejo, que conste de numerosas operacio-
nes, se pueden integrar los distintos factores en dos, ver cul de ambos tiene una contribucin mayor
e investigar ste. En cualquier caso, siempre es recomendable un estudio exploratorio para disponer
de una primera evaluacin de la precisin que permita valorar si vale la pena realizar un estudio de
este tipo. En estas notas nos limitamos al caso de dos factores.
Ejemplo 5
Una de las caractersticas de una resina sinttica es el valor epoxi, que es una medida del grado de
polimerizacin del compuesto que la constituye. Este valor se obtiene mediante una valoracin con un
reactivo, cuya normalidad se determina en el mismo laboratorio. Se desea evaluar la precisin de la
valoracin, y se cree que, entre los diversos factores que contribuyen a la imprecisin de la medida, el
ms decisivo es la valoracin del reactivo. En consecuencia, se organiza un experimento segn un
diseo jerarquizado 10 & 3 con dos factores: la valoracin del reactivo (A) y la determinacin del valor
epoxi (B). Se preparan 10 reactivos, con cada uno de los cuales se hacen tres valoraciones de una
muestra de uno de los productos de mayor venta. Los resultados se presentan en la tabla 5.3, a la
que se han aadido dos columnas con las medias y varianzas de los triplicados, respectivamente.

Tabla 5.3 Constantes de los grficos de control
n d
2
D
4
2 1,13 3,27
3 1,69 2,58
4 2,06 2,28
5 2,37 2,12
6 2,53 2,00
7 2,70 1,92
8 2,85 1,86
9 2,97 1,82
10 3,08 1,78

En primer lugar, se calcula la varianza dentro de los grupos (promedio de la ltima columna de la
tabla), que da
2
0,000020,
B
s $ y es una estimacin de la varianza del anlisis. A continuacin, se calcu-
la la varianza entre grupos (varianza de los valores de la quinta columna de la tabla), que es
0,000153. Restando
2
3
B
s a este valor, se obtiene
2
0,000020
0,000153 0,000147
3
A
s $ " $

que es una estimacin de la varianza debida a la valoracin del reactivo. La varianza total es la suma
de las varianzas debidas a ambos factores,
2
0,000147 0,000020 0,000167 s $ % $

Como puede verse, las contribuciones de ambos factores tienen distinto orden de magnitud. El valor
estimado de la desviacin tpica del proceso analtico es, finalmente, s = 0,0129. Este estudio muestra
que los intentos de mejorar la precisin del anlisis deben encaminarse a reducir la variabilidad gene-
rada por la valoracin del reactivo.

5.4 Repetibilidad y reproducibilidad
Segn la norma ISO 5725, para definir con bastante aproximacin la realidad de muchos procedi-
mientos de medida, bastan dos medidas extremas de la precisin, la repetibilidad (r) y la reproduci-
bilidad (R). La repetibilidad se aplica a las medidas realizadas en condiciones lo ms estables posi-
ble, con diferencias pequeas de tiempo, por un mismo operario y con el mismo equipo. Se habla
entonces de condiciones de repetibilidad. La reproducibilidad, por el contrario, se aplica a medidas
hechas en distintas condiciones (distintos operarios, distintos aparatos, distintos laboratorios, o po-
cas distintas). Para que una expresin de la reproducibilidad sea vlida, se deben especificar las con-
diciones que pueden cambiar de una medida a otra. Las restantes condiciones, que no se alteran,
son las condiciones de reproducibilidad.
Este planteamiento equivale a la descomposicin en dos componentes de imprecisin, en la que se
consideran dos factores: uno de ellos genera la imprecisin mnima, presente en condiciones de repe-
tibilidad, y el otro la imprecisin adicional, obtenida en condiciones de reproducibilidad. Es un plan-
teamiento especialmente adecuado para un ensayo inter-laboratorios, en el que los factores corres-
ponden, respectivamente, a la variabilidad entre medidas repetidas en el mismo laboratorio y a la
variabilidad debida al cambio de laboratorio.
La norma ISO 5725 presenta un mtodo para la evaluacin de la repetibilidad y la reproducibilidad de
un procedimiento de medida, aplicable en un ensayo inter-laboratorios. La variabilidad debida al factor
laboratorio se suma a la variabilidad interna de los laboratorios (repetibilidad) para dar la variabilidad
total (reproducibilidad) de la medida. Segn la norma, la repetibilidad se evala dando un valor por
debajo del cual se debe obtener, con una probabilidad especificada (habitualmente del 95%), el valor
absoluto de la diferencia entre dos resultados individuales. Para ello se parte de la desviacin tpica
de repetibilidad %
r
, o desviacin tpica en condiciones de repetibilidad, y se calcula el lmite de repe-
tibilidad
2,8
r
r ! $

que puede usarse para ver si la diferencia entre dos medidas hechas en un mismo laboratorio son
significativamente diferentes. La reproducibilidad se evala de modo anlogo, mediante el lmite de
reproducibilidad,
2,8
R
R s $

El mtodo de la norma ISO 5725 coincide bsicamente con el propuesto en la norma ASTM E691,
que tiene idntico objeto, y con el recomendado por la IUPAC. En la presentacin de los mtodos de
anlisis aceptados por estos organismos, se evala la precisin mediante valores r y R.
Mdulo 2: Autoevaluaciones 191
Mdulo 2: Autoevaluaciones

1. Cul es la probabilidad de aceptar un lote de tamao N=500 con 25 no conformidades si
utilizamos el plan de muestreo n=16 Ac=1?

0,2525 ! 0,8108 ! 0,5147 ! 0,3707 ! .............!

2. Cul es la calidad de salida media (AOQ) para un lote de N=500 unidades con un 1% de no
conformidades si utilizamos un plan de muestreo rectificativo n=14 Ac=0?

0,043 ! 0,001 ! 0,009 ! 0,9913 ! .............!

3. Dado el plan de muestreo n=11 Ac=1 y el tamao del lote es N=200. Si el AQL=0.01, indique
cul es el riesgo ":

0,0052 ! 0,05 ! 0,0062 ! 0,9998 ! .............!

4. Cul es el LQL del plan de muestreo n=11 Ac=1 si el riesgo es #=0.0606 y el lote de tamao
N=200?

0,30 ! 0,35 ! 0,20 ! 0,25 ! .............!

5. Cul es la inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a
almacn es p=0.15, para un plan de muestreo rectificativo n=12 Ac=0, donde el tamao de los
lotes es de N=1000 unidades?

859,51 ! 982,45 ! 928,32 ! 892,45 ! .............!

6.1. Indique el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si
queremos inspeccionar lotes de N=50.000 unidades de forma continuada y el nivel de calidad
aceptable (AQL) pactado con el proveedor es de 0,25% de no conformidades.

n=500 Ac=3 ! n=800 Ac=1 ! n=500 Ac=2 ! n=800 Ac=2 ! n=..... Ac=...!

6.2. Con el plan que haya escogido en el apartado 6.1., cul es la probabilidad de aceptacin de un
lote que lleve 0,2% de piezas no conformes:

0,9976 ! 0,9503 ! 0,7576! 0,9197 ! .............!

7. Calcule el riesgo " por un plan doble n
1
=18, c
1
=2, n
2
=25, c
2
=4 si el nivel de calidad aceptable
(AQL) es 0.05, suponiendo que el lote es grande.

0,031 ! 0,0341 ! 0,0251 ! 0,05 ! .............!

8. Dado el plan de muestreo n=12 Ac=1 y el tamao del lote N=200, si el AQL=0.01, indique cul es
el riesgo ":

0,043 ! 0,05 ! 0,0062 ! 0,3707 ! .............!

9. Cul es la calidad de salida media (AOQ) para un lote de N=500 unidades con un 5% de no
conformidades si utilizamos un plan de muestreo rectificativo n=13 Ac=1?

0,034 ! 0,043 ! 0,009 ! 0,9913 ! .............!

10. Cul es la probabilidad de aceptar un lote de tamao N=1000 con 150 no conformidades si
utilizamos el plan de muestreo n=17 Ac=1?

0,2734 ! 0,8108 ! 0,2525 ! 0,3707 ! .............!

11. Cul es el LQ del plan de muestreo n=12 Ac=1 si el riesgo #=0.085 y el lote de tamao N=200?

0,30 ! 0,27 ! 0,20 ! 0,25 ! .............!

12. Cul es la inspeccin total mediana (ATI) si la proporcin de unidades no conformes de entrada
a almacn es p=0,25, para un plan de muestreo rectificativo n=14 Ac=0, donde el tamao de los
lotes es de N=1.000 unidades?

859,51 ! 982,45 ! 928,32 ! 892,45 ! .............!

13.1Indique el plan de muestreo (para inspeccin rigurosa) que propone la ISO 2859 1 parte si
queremos inspeccionar lotes de N=70.000 unidades de forma continuada y el nivel de calidad
aceptable (AQL) pactado con el proveedor es de 0,40% de no conformidades.

n=500 Ac=3 ! n=800 Ac=1 ! n=500 Ac=2 ! n=800 Ac=2 ! n=..... Ac=... !

13.2 Con el plan que haya escogido en el apartado 13.1, cul es la probabilidad de aceptacin de un
lote que lleve 0,5% de piezas no conformes?:

0,9976 ! 0,9503! 0,7576 ! 0,9197 ! .............!

14. Calcule el riesgo " para un plan doble n
1
=10, c
1
=3, n
2
=12, c
2
=5 si el nivel de calidad aceptable
(AQL) es 0.15, suponiendo que el lote es grande.

0,031 ! 0,0341 ! 0,0251 ! 0,05 ! .............!

15. Dado el plan de muestreo n=20 Ac=1. Si el LQL=0.15, indicar cul es el riesgo #:

0, 15 ! 0,18 ! 0,10 ! 0,05 ! ............!

16. Dado un plan de muestreo n=15 Ac=2. Si el AQL=0,05, calcule el valor del riesgo ":

0,05 ! 0,04 ! 0,08 ! 0,10 ! ...........!

17. Calcule la calidad de salida media (AOQ) para p=0,10 si utilizamos un plan de muestreo
rectificativo para lotes de N=1.000 unidades y n=20 Ac=1:

0,05 ! 0,04 ! 0,15 ! 0,01 ! ..........!

18. Calcule la Inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a
almacn es p=0,05, para un plan de muestreo rectificativo n=20 Ac=1, donde el tamao de los
lotes es de N=1000 unidades:

279 ! 980 ! 350 ! 337 ! ............!

19. Calcule el riesgo # para un plan doble n
1
=15, c
1
=0, n
2
=20, c
2
=1 si el nivel de calidad lmite (LQL)
es 0,15.

0,10 ! 0,13 ! 0,15 ! 0,05 ! ............ !

20. Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 si hemos de
inspeccionar lotes de N=2000 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 0,15% de no conformidades:

n=125, Ac=3 ! n=125, Ac=0 ! n=315, Ac=1 ! n=80, Ac=0 ! n= , Ac= !

21. Dado el plan de muestreo n=20 Ac=0. Si el LQL=0,10, indicar cul es el riesgo #

0, 15 ! 0,18 ! 0,12 ! 0,05 ! ..........!

22. Dado un plan de muestreo n=20 Ac=3. Si el AQL=0,05, calcule el valor del riesgo ":

0,05 ! 0,04 ! 0,02 ! 0,10 ! ...........!

23. Calcule la calidad de salida media (AOQ) para p=0,20 si utilizamos un plan de muestreo
rectificativo para lotes de N=1000 unidades y n=20 Ac=2:

0,05 ! 0,04 ! 0,15 ! 0,01 ! ..........!

24. Calcule la inspeccin total media (ATI) si la proporcin de unidades no conformes de entrada a
almacn es p=0,10, para un plan de muestreo rectificativo n=20 Ac=1, donde el tamao de los
lotes es de N=1.000 unidades:

279 ! 617 ! 350 ! 220 ! ............!

25. Calcule el riesgo # per un plan doble n
1
=20, c
1
=0, n
2
=15, c
2
=1 si el nivel de calidad lmite (LQ) es
0,15:

0,10 ! 0,13 ! 0,15 ! 0,05 ! ............ !

26 Indicar el plan de muestreo (para inspeccin normal) que propone la ISO 2859 si hemos de
inspeccionar lotes de N=1000 unidades de forma continuada y el nivel de calidad aceptable (AQL)
pactado con el proveedor es de 1% de no conformidades:

n=125, Ac=3 ! n=125, Ac=0 ! n=315, Ac=1 ! n=80, Ac=2 ! n= ...., Ac=.... !


1. En un proceso de fabricacin la altura en mm de una pieza sigue una ley normal de media m= 20
y desviacin estndar != 0,2. Calcule el % de piezas que no cumplirn la tolerancia si los lmites
de tolerancia son 20,2" 0,5.

16% # 6,9% # 6,7% # 18% # ..............#

2. Cul es la ! de un proceso de media m=14, Cpk=1,1 y tolerancias TI=11 y TS=16:

0,47 # 0,243 # 0,606 # 1,72 # ................#

3. En un proceso de fabricacin la altura en mm de una pieza sigue una ley normal de media m= 22
y desviacin estndar !=0,2. Calcule el % de peces que no cumplirn la tolerancia si los lmites
de tolerancia son 22,2"0,4.

16% # 6,9% # 6,7% # 19% # ..............#

4. Cul es la ! de un proceso de media m=12, Cpk=1,4 y tolerancias TI=11 y TS=16?

0,238 # 0,73 # 0,47 # 1,72 # ..............#

5. El dimetro de una pieza de un proceso de fabricacin sigue una ley normal. Qu porcentaje de
la fabricacin no cumple la tolerancia si las tolerancias son TI= 40 mm TS= 50 mm, el Cp= 1,4 y
el Cpk= 0:

0% # 50% # 2% # 1,4% # ............#

6. Calcular el Cpk de un proceso que sigue una ley normal de media m= 40, !
2
=4, Cp= 2 y la
tolerancia inferior es 20:

-1,33333 # 1,33333 # -0.6667 # 0,6667 # ............ #

7. En un grfico de control u, de una fabricacin de tejido, se cogen 20 muestras de 10 m
2
. Si
u =0,20 defectos/m
2
y la muestra 18 tiene 0,60 defectos/m
2
, podemos decir que

! la muestra18 se encuentra dentro de los lmites de control #
! la muestra 18 se encuentra fuera de los lmites de control #
! no podemos decir nada sobre la muestra 18

#
.......................................................................... #

8. El punto de un grfico de control de medias (k= 20 y n=4) correspondiente a la 6
a
muestra: 3.56,
3.65, 3.72 y 3.62, utilizando las reglas del test de Western Electric de un proceso en X =3.5 mm y
!
2
=0.01 mm
2
,se encontrar en:

Zona A # Zona B # Zona C # Ms all de la zona A # .............. #

9. El dimetro de una pieza de un proceso de fabricacin sigue una ley normal. Cul es la media
de los dimetros si un 50% de las piezas son defectuosas por exceso, las tolerancias son
TI=30mm TS=40 mm, el Cp=1,3 y el Cpk=0?:

35 # 55 # 30 # 40 # ............#


10. Calcular el Cpk de un proceso que sigue una ley normal de media m=40, !
2
=4, Cp=1 y la
tolerancia inferior es 20:

1,33333 # -1,3333 # -0,6667 # 0,6667 # ............#

11. En un grfico de control u, de una fabricacin de tejido, se cogen 18 muestras de 10 m
2
. Si
0,20 u " defectos/m
2
y la muestra 18 tiene 0,65 defectos/m
2.
, podemos decir que

! la muestra 18 se encuentra dentro de los lmites de control #
! la muestra 18 se encuentra fuera de los lmites de control #
! no podemos decir nada sobre la muestra 18 #
! ............................................................................................ # .

12. El punto de un grfico de control de medias (k=20 y n=4) correspondiente a la 6
muestra: 3,45,
3,52, 3,31 y 3,75, utilizando las reglas del test de Western Electric de un proceso con X =3,5
mm y
2
! =0,01 mm
2
, se encontrar en:

Zona A # Zona B # Zona C # Ms all de la zona A # .............. $

13. En un grfico de control con 20 observaciones individuales, x =2,90 y
2
S =0,01, utilizando las
reglas del Test de Western Electric la 7
a
muestra 3,15 se encontrar:


14. En un grfico de control np con 20 muestras de tamao 25, si p =0,05 cual es la probabilidad de
que un punto se encuentre fuera de los lmites de control si se asume que el nmero de no
conformidades por muestra sigue la distribucin binomial.

0,8729 # 0,1271 # 0,9245 # 0,2642 # .............. $

15. El punto 12 de un grfico de control de observaciones individuales es 4,54, con 20 puntos,
x =4,9 y
2
S =0,01, utilizando las reglas del Test de Western Electric se encontrar en:


16. En un grfico de control np con 20 muestras de tamao 19, si p =0,05 cual es la probabilidad de
que un punto se encuentre fuera de los lmites de control si se asume que el nmero de no
conformidades por muestra sigue la distribucin binomial.

0,8729 # 0,7547 # 0,2453 # 0,2642 # .............. $

17. Calcular el Cpk de un proceso que sigue una ley normal de media %= 100, !

=4, Cp= 2 y la TS
es 103:

0,8333 # 0,78 # 0,25 # 3,75 # .............. $

18. Calcular los lmites de control de un grfico de medias, si x =12,3 y R =0,24 (n=3 y k=20).

12,14 y 12,46# 12,12 y 12,48# 12,05 y 12,55# 12,19 y 12,41# .....,...... y............ #

19. La tolerancia de una cota de una pieza es 125mm"0,5. Calcular el porcentaje de piezas de
fabricacin que sern defectuosas por defecto si la media del proceso es 225,2 mm y la
desviacin estndar 0,2 mm.

99,98% # 0,02% # 6,68% # 93,32% # ................. #

20. La tolerancia de una cota de una pieza es 125mm"0,5. Calcular el porcentaje de piezas de
fabricacin que sern defectuosas por exceso si la media del proceso es 325,1 mm y la
desviacin estndar 0,2 mm.

97,72 %# 2,28% # 0,13 % # 99,87% # .................. #

21. Calcular el Cpk de un proceso que sigue una ley normal de media %= 90, !

=4, Cp= 2 y la TS es
93:

0,8333 # 0,78 # 0,25 # 3,75 # .............. $

22. Calcular los lmites de control de un grfico de medias, si x =22,3 y R =0,24 (n=3 y k=20).

22,19 y 22,41# 22,16 y 22,44# 22,05 y 22,55# 22,21 y 12,39 # .....,..... y............ #



Calcular el sesgo y la incertidumbre de la calibracin de un equipo de medida de resolucin 0,01 cl,
donde se han realizado n=10 repeticiones en condiciones de repetibilidad, X =2,30 cl, s
2
=0,0043, el
valor del patrn es 2,33cl !0,1 ml (para K=2):

1. El sesgo es

0,03 " 0,01 " -0,03 " 0,02 " ........"

2. La incertidumbre de la calibracin expresada en ml, en trminos de !2# es

!0,05247 " !0,430503 " !0,416333 " !0,05132 " ............"

3. En un estudio de repetibilidad y reproducibilidad de un pie de rey, tres operarios han cogido 10
piezas de tolerancia 25!0,9 mm, y se han realizado tres mediciones de cada pieza. Utilizando el
mtodo del recorrido y la media se ha obtenido: la variacin del equipo EV= 0,42mm, la variacin
de los operarios AV= 0,16 mm y la variacin de las piezas PV= 0,95. El % respecto la tolerancia
es:

42,765% " 24,969% " 44,21% " 64,444% " ............ "

Para evaluar la imprecisin de un mtodo de ensayo se han realizado dos series de n=10 valores y se
han obtenido s
1
=0,456 y s
2
=0,230. Queremos comprobar si las varianzas son estadsticamente
diferentes con un riesgo $=0,10:

4. Calcular el valor del estadstico y el valor superior de las tablas F

1,9826 y 3.18 " 3,9307 y 3,18 " 3,9307 y 3.44 " 1,9826 y 3.44 " .......... y ............ "

5. Las varianzas experimentales son:

! Diferentes con un nivel de confianza del 0,90 "
! No hay divergencia entre las varianzas en un riesgo del 0.10 "
! .............................................................................................. "

6. El valor de reproducibilidad de un ensayo de viscosidad es R=18 mps. Se ha realizado un estudio
en dos laboratorios sobre el mismo espcimen y ha resultado 523 mps y 540 mps
respectivamente; podemos decir que:

! Las diferencias no son estadsticamente diferentes con un riesgo del 0.05 "
! Se ha de determinar cul es el valor de repetibilidad "
! Las diferencias son estadsticamente diferentes con una confianza 0.95 "
! ....................................................................... ................... ......................... "

Calcular el sesgo y la incertidumbre de la calibracin de un equipo de medida de resolucin 0,01 cl,
donde se han realizado n=10 repeticiones en condiciones de repetibilidad, X =4,25 cl, s
2
=0,004, el
valor del patrn es 4,23cl ! 0,1 ml (para K=2):

7. El sesgo es

0,03 " -0,02 " -0,03 " 0,02 " ............."


8. La incertidumbre de la calibracin expresada en ml, en trminos de !2# es

0,05247 " 0,416333 " 0,430503 " 0,05132 " ............"

9. El valor de reproducibilidad de un ensayo de viscosidad es R=22 mps. Se ha realizado un estudio
en dos laboratorios sobre el mismo espcimen y ha resultado 123 mps y 146 mps
respectivamente; podemos decir que:

! Las diferencias no son estadsticamente diferentes con un riesgo del 0,05 "
! Se ha de determinar cul es el valor de repetibilidad "
! Las diferencias son estadsticamente diferentes con una confianza 0,95 "
....................................................................... ................... ......................... "

10. En un estudio de repetibilidad y reproducibilidad de un pie de rey, tres operarios han cogido 10
piezas de tolerancia 25!0,9 mm, y se han realizado tres mediciones de cada pieza. Utilizando el
mtodo del recorrido y la media se ha obtenido: la variacin del equipo EV=0,42mm, la variacin
de los operarios AV= 0,16 mm y la variacin de las piezas PV=0,95. El % R&R respecto la
variacin del proceso es:

42,765% " 24,969% " 44,21% " 64,444% " ............"

Para evaluar la imprecisin de un mtodo de ensayo se han realizado dos series de n=9 valores y se
han obtenido s
2
1
=0,456 y s
2
2
=0,230. Queremos comprobar si las varianzas son estadsticamente
diferentes con un riesgo $=0.10:

11. Calcular el valor del estadstico y el valor superior de las tablas F

1,9826 y 3,18 " 3,9307 y 3,18 " 3,9307 y 3,44 " 1,9826 y 3,44 " ......... y ............ "

12. Las varianzas experimentales son:

! Diferentes con un nivel de confianza del 0,90 "
! No hay divergencia entre las varianzas con un riesgo del 0,10 "
! ............................................................................................. "

Un fabricante de envases de productos alimentarios se halla en el proceso de certificacin de la ISO
9001. Para determinar los requisitos metrolgicos extrae una muestra de produccin y realiza 6
medidas repetidas del ensayo del gramaje donde la tolerancia de fabricacin es ! 5 g/m
2
. Los
resultados son 13,9; 14,3; 14,2; 14,4; 14 y 14,4.

13. La imprecisin de lassaig expresado en g/m
2
, en trminos de !2# es:

!0,94 " !1,38 " !0,42 " !0,09 " ........ "

14. Se puede concluir:
La imprecisin del ensayo es coherente con los requisitos metrolgicos "
La imprecisin del ensayo No es coherente con los requisitos metrolgicos "
La repetibilidad del ensayo es 1,32 "
La reproducibilidad del ensayo es 1,93 "
................................................................. "

Soluciones a las autoevaluaciones 201

Soluciones a las autoevaluaciones

SOLUCIN
PREGUNTA
MDULO 2 MDULO 3 MDULO 4
1 0,8108 6,7% - 0,03
2 0,009 0,606 ! 0,430503
3 0,0052 16% 24,969%
4 0,35 0,238 3,9307 y 3,18
5 859,51 50%
Son diferentes con un nivel
de confianza del 0,9
6.1 n= 500 Ac= 2 0,6667
Las diferencias no son
estadsticamente diferentes
con riesgo del 0,05
6.2 0,9197 _ _
7 0,0251
La muestra 18 se encuentra
fuera de los lmites de control
0,02
8 0,0062 Zona B 0,416333
9 0,043 40
Las diferencias son
estadsticamente diferentes
con una confianza 0,95
10 0,2525 - 1,3333 42,765 %
11 0,30
La muestra 18 se encuentra
fuera de los lmites de control
1,9826 y 3,44
12 982,45 Zona C
No hay divergencia entre las
varianzas con un riesgo del
0,10
13.1 n= 500 Ac= 3 Zona A - 0,03
13.2 0,7576 _ !0,42
14 0,031 0,1271
La imprecisin del ensayo
es coherente con los
requisitos metrolgicos
15 0,18 Ms all de la zona A _
16 0,04 0,2453 _
17 0,04 0,25 _
18 279 12,05 y 12,55 _
19 0,10 0,02% _
20 n= 80 Ac= 0 2,28% _
21 0,12 0,25 _
22 0,02 22,05 y 22,55 _
23 0,04 _ _
24 617 _ _
25 0,05 _ _
26 n= 80 Ac= 2 _ _

Glosario 203

GLOSARIO
Accin correctiva (ISO 9000)
Accin tomada para eliminar la causa de una no conformidad existente u otra situacin indeseable.
Accin preventiva (ISO 9000)
Accin tomada para eliminar la causa de una potencial no conformidad u otra potencial situacin in-
deseable.
Ajuste (VIM)
Operacin destinada a llevar un aparato de medida a una situacin en la que no tenga sesgo.
Aseguramiento de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a proporcionar confianza de que se cumplirn los requisi-
tos de la calidad.
Auditora (ISO 9000)
Proceso sistemtico, independiente y documentado para obtener evidencias y evaluarlas de manera
objetiva con el fin de determinar el alcance al que se cumplen los criterios de la auditoria.
Calibracin (VIM)
Conjunto de operaciones que establecen, bajo condiciones especificadas, la relacin entre a) los va-
lores indicados por un equipo o sistema de medida, o b) los valores representados por un material de
referencia, y los valores correspondientes conocidos de una magnitud.
Calidad (ISO 9000)
Facultad de un conjunto de caractersticas inherentes de un producto, sistema o proceso para cumplir
los requisitos de los clientes y de otras partes interesadas.
Caracterstica (ISO 9000)
Rasgo diferenciador.
Caracterstica de la calidad (ISO 9000)
Caracterstica inherente de un producto, proceso o sistema, derivada de un requisito.
Caracterstica metrolgica (ISO 9000)
Rasgo distintivo que puede influir sobre los resultados de la medicin.
Certificacin (ISO Guide 30)
Procedimiento para establecer, por operaciones tcnicamente vlidas, los valores medidos de una
magnitud de un material.
Cliente (ISO 9000)
Organizacin o persona que recibe un producto.
Condiciones de repetibilidad (ISO 5725--1)
Condiciones en las que se obtienen resultados de medida independientes, usando el mismo mtodo,
sobre material idntico, en el mismo laboratorio, por el mismo operario, usando el mismo equipo y
dentro de un intervalo de tiempo corto.
Condiciones de reproducibilidad (ISO 5725--1)
Condiciones en las que se obtienen resultados de medida, usando el mismo mtodo sobre material
idntico, en distintos laboratorios, por distintos operarios, usando distinto equipo.
Confirmacin metrolgica (ISO 9000)
Conjunto de operaciones necesarias para asegurar que el equipo de medicin cumple con los requisi-
tos para su uso previsto.
NOTA 1 La confirmacin metrolgica incluye calibracin y/o verificacin; cualquier ajuste necesario;
reparacin y posterior recalibracin; comparacin con los requisitos metrolgicos para el uso previsto
del equipo de medicin; as como cualquier sellado y etiquetado requeridos.
NOTA 2 La confirmacin metrolgica no se consigue hasta que se demuestra y documenta la ade-
cuacin de los equipos de medicin para la utilizacin prevista.
NOTA 3 -- Los requisitos relativos a la utilizacin prevista pueden incluir consideraciones tales como
el rango, la resolucin, los errores mximos permisibles, etc.
NOTA 4 Los requisitos de la confirmacin metrolgica normalmente son distintos de los requisitos
del producto y no se encuentran especificados en los mismos.
Control de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a la satisfaccin de los requisitos de calidad.
Conformidad (ISO 9000)
Cumplimiento de un requisito.
Documento (ISO 9000)
Informacin y su medio de transporte.
Eficacia (ISO 9000)
Extensin en la que se realizan las actividades planificadas y se alcanzan los resultados planificados.
Eficiencia (ISO 9000)
Relacin entre el resultado alcanzado y los recursos utilizados.
Ensayo (ISO 9000)
Determinacin de una o ms caracterstica de acuerdo con un procedimiento.
Glosario 205

Equipo de medicin (ISO 9000)
Instrumento de medicin, software, patrn de medicin, material de referencia o equipos auxiliares o
combinacin de ellos, necesarios para llevar a cabo un proceso de medicin.
Especificacin (ISO 9000)
Documento que establece requisitos.
Estructura organizativa (ISO 9000)
Descripcin de responsabilidades, autoridades y relaciones entre el personal.
Evidencia objetiva (ISO 9000)
Datos que respaldan la evidencia o verdad de algo.
NOTA La evidencia objetiva se obtiene por medio de la observacin, medida, ensayo u otros me-
dios.
Exactitud (ISO 5725--1)
Grado de coincidencia entre un resultado de medida y el valor de referencia aceptado.
Gestin de la calidad (ISO 9000)
Actividades coordinadas para dirigir y controlar una organizacin en lo relativo a la calidad.
Incertidumbre (GUM)
Parmetro, asociado al resultado de una medicin, que caracteriza la dispersin de los valores que
pueden ser razonablemente atribuidos a la magnitud medida.
Informacin (ISO 9000)
Datos que poseen significado
Inspeccin (ISO 9000)
Evaluacin de la conformidad por medio de observacin y dictamen, acompaado cuando sea apro-
piado por medidas, ensayos o clculos.
Lmite de tolerancia (ISO 3534)
Valor lmite (inferior o superior) especificado para una caracterstica medible. Cuando hay un nico
lmite especificado, se le denomina lmite simple de tolerancia. Cuando hay dos lmites, superior e
inferior, se les denomina respectivamente
Manual de la calidad (ISO 9000)
Documento que describe el sistema de gestin de la calidad de una organizacin.
Material de referencia (VIM)
Sustancia para la cual una o varias propiedades estn lo suficientemente bien establecidas como
para calibrar un instrumento o validar un procedimiento de medida.
Mejora de la calidad (ISO 9000)
Parte de la gestin de la calidad orientada a mejorar su eficacia y eficiencia.
Mtodo de referencia (ISO Guide 30)
Mtodo de medida que ha sido exhaustivamente utilizado y claramente descrito, habindose evalua-
do su exactitud, y que puede ser utilizado para evaluar la exactitud de otros mtodos (y eventualmen-
te validarlos) y para asignar valores de referencia.
Muestra (ISO 3534)
Uno o ms objetos extrados de una poblacin y destinados a proporcionar informacin sobre la po-
blacin y, eventualmente, servir de base para una decisin sobre la poblacin o el proceso que la ha
producido.
Muestreo (ISO 3534)
El procedimiento usado para seleccionar o constituir una muestra.
No conformidad (ISO 9000)
Incumplimiento de un requisito.
Organizacin (ISO 9000)
Conjunto de personal e instalaciones con un claro establecimiento de responsabilidades, autoridades
y relaciones.
Parte interesada (ISO 9000)
Persona con un inters o grupo que tenga un inters compartido en el xito de una organizacin.
Patrn de medida (VIM)
Medida materializada, aparato de medida, material de referencia o sistema de medida destinado a
definir, realizar o reproducir una unidad o uno o varios valores de una magnitud para transmitirlos por
comparacin a otros instrumentos de medida.
Planificacin de la calidad (ISO 9000)
La parte de la gestin de la calidad enfocada al establecimiento de los objetivos de la calidad y a la
especificacin de los procesos operativos necesarios y de los recursos relacionados para cumplir los
objetivos de la calidad.
Glosario 207

Poltica de la calidad (ISO 9000)
Intenciones y direccin global de una organizacin relativas a la calidad tal como se expresan for-
malmente por la alta direccin.
Precisin (ISO 5725-1)
Grado de coincidencia entre resultados de medida independientes, obtenidos en condiciones prescri-
tas.
Procedimiento (ISO 9000)
Forma especificada para llevar a cabo una actividad o un proceso.
Proceso (ISO 9000)
Sistema de actividades, que utilizan recursos para transformar entradas en salidas.
Proceso de medicin (ISO 9000)
Conjunto de recursos, actividades interrelacionadas e influencias relativas a una medicin.
Producto (ISO 9000)
Resultado de un proceso.
Registro (ISO 9000)
Documento que proporciona resultados conseguidos o evidencia de actividades efectuadas.
Repetibilidad (ISO 5725-1)
Precisin bajo condiciones de repetibilidad.
Reproducilidad (ISO 5725-1)
Precisin bajo condiciones de reproducibilidad.
Requisito (ISO 9000)
Necesidad o expectativa establecida o habitualmente implcita u obligatoria.
Requisito metrolgico (ISO 9000)
Requisito para una caracterstica metrolgica.
Resolucin (VIM)
Expresin cuantitativa de la aptitud de un dispositivo indicador para permitir distinguir de modo signifi-
cativo entre dos valores prximos de la magnitud indicada.
Revisin (ISO 9000)
Actividad formal y sistemtica para asegurar la continua conformidad, la adecuacin, eficiencia y efi-
cacia de la materia objeto de la revisin para alcanzar unos objetivos claramente establecidos.
Sesgo (ISO 5725-1)
Diferencia entre la esperanza de los resultados de medida y el valor de referencia aceptado.
Servicio (ISO 9000)
Producto intangible resultado de al menos una actividad efectuada en el interfaz entre el suministra-
dor y el cliente.
Sistema (ISO 9000)
Conjunto de elementos mutuamente relacionados o que actan entre s.
Sistema de control de las mediciones (ISO 9000)
Conjunto de operaciones necesarias para lograr la confirmacin metrolgica y el control continuo de
los procesos de medicin.
Sistema de gestin de la calidad (ISO 9000)
Sistema para establecer la poltica de la calidad y los objetivo de la calidad y para la consecucin de
dichos objetivos.
Tolerancia (ISO 3534)
Diferencia entre los lmites superior e inferior de tolerancia.
Trazabilidad (ISO 9000)
Capacidad para seguir la historia, aplicacin o localizacin de todo aquello que est en consideracin.
Unidad de muestreo (ISO 3534)
Objeto extrado de la poblacin.
Validacin (ISO 9000)
Confirmacin mediante el examen y la aportacin de evidencia objetiva de que se han cumplido los
requisitos particulares para una utilizacin o especfica prevista.
Verificacin (ISO 9000)
Confirmacin mediante el examen y la aportacin de evidencia objetiva de que se han cumplido los
requisitos especficados.
Zona de tolerancia (ISO 3534)
La zona de valores en la cual una caracterstica medible es conforme a su especificacin.
NDICE

1. Ley de Snedecor F .................................................................................................... 211
1.1. Ley de Snedecor F: P(0,99)................................................................................. 211
2. Funcin de distribucin de la ley Normal ............................................................... 214
3. Funcin de la distribucin X
2
................................................................................... 215
4. Funcin de la distribucin T- Student..................................................................... 216
5. Funcin de distribucin Binomial (Tabla 1) ........................................................... 217
6. Funcin de distribucin Poisson (Tabla 1)............................................................. 223
Tablas de Estadstica 211
1. Ley de Snedecor F
1.1. Ley de Snedecor F: P(0,99)
!"
0,01 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 60 120
1 4052 4999 5404 5624 5764 5859 5928 5981 6022 6056 6083 6107 6126 6143 6157 6209 6240 6260 6286 6313 6340
2 98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40 99,41 99,42 99,42 99,43 99,43 99,45 99,46 99,47 99,48 99,48 99,49
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,13 27,05 26,98 26,92 26,87 26,69 26,58 26,50 26,41 26,32 26,22
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,31 14,25 14,20 14,02 13,91 13,84 13,75 13,65 13,56
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 9,82 9,77 9,72 9,55 9,45 9,38 9,29 9,20 9,11
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 7,66 7,60 7,56 7,40 7,30 7,23 7,14 7,06 6,97
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 6,41 6,36 6,31 6,16 6,06 5,99 5,91 5,82 5,74
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,73 5,67 5,61 5,56 5,52 5,36 5,26 5,20 5,12 5,03 4,95
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 5,05 5,01 4,96 4,81 4,71 4,65 4,57 4,48 4,40
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,77 4,71 4,65 4,60 4,56 4,41 4,31 4,25 4,17 4,08 4,00
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 4,34 4,29 4,25 4,10 4,01 3,94 3,86 3,78 3,69
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 4,10 4,05 4,01 3,86 3,76 3,70 3,62 3,54 3,45
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 3,91 3,86 3,82 3,66 3,57 3,51 3,43 3,34 3,25
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 3,75 3,70 3,66 3,51 3,41 3,35 3,27 3,18 3,09
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 3,61 3,56 3,52 3,37 3,28 3,21 3,13 3,05 2,96
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,62 3,55 3,50 3,45 3,41 3,26 3,16 3,10 3,02 2,93 2,84
!# 17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 3,40 3,35 3,31 3,16 3,07 3,00 2,92 2,83 2,75
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,43 3,37 3,32 3,27 3,23 3,08 2,98 2,92 2,84 2,75 2,66
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 3,24 3,19 3,15 3,00 2,91 2,84 2,76 2,67 2,58
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,29 3,23 3,18 3,13 3,09 2,94 2,84 2,78 2,69 2,61 2,52
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 3,12 3,07 3,03 2,88 2,79 2,72 2,64 2,55 2,46
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 3,07 3,02 2,98 2,83 2,73 2,67 2,58 2,50 2,40
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14 3,07 3,02 2,97 2,93 2,78 2,69 2,62 2,54 2,45 2,35
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 2,98 2,93 2,89 2,74 2,64 2,58 2,49 2,40 2,31
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,06 2,99 2,94 2,89 2,85 2,70 2,60 2,54 2,45 2,36 2,27
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 2,90 2,86 2,81 2,66 2,57 2,50 2,42 2,33 2,23
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,99 2,93 2,87 2,82 2,78 2,63 2,54 2,47 2,38 2,29 2,20
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,96 2,90 2,84 2,79 2,75 2,60 2,51 2,44 2,35 2,26 2,17
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,93 2,87 2,81 2,77 2,73 2,57 2,48 2,41 2,33 2,23 2,14
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,91 2,84 2,79 2,74 2,70 2,55 2,45 2,39 2,30 2,21 2,11
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 2,61 2,56 2,52 2,37 2,27 2,20 2,11 2,02 1,92
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,56 2,50 2,44 2,39 2,35 2,20 2,20 2,20 2,20 1,84 1,73
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,40 2,34 2,28 2,23 2,19 2,03 2,03 2,03 2,03 1,66 1,53
1.2. Ley de Snedecor F: P(0,95)

!"
0,05 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 60 120
1 161 199 216 225 230 234 237 239 241 242 243 244 245 245 246 248 249 250 251 252 253
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40 19,41 19,42 19,42 19,43 19,45 19,46 19,46 19,47 19,48 19,49
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,76 8,74 8,73 8,71 8,70 8,66 8,63 8,62 8,59 8,57 8,55
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,94 5,91 5,89 5,87 5,86 5,80 5,77 5,75 5,72 5,69 5,66
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,70 4,68 4,66 4,64 4,62 4,56 4,52 4,50 4,46 4,43 4,40
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00 3,98 3,96 3,94 3,87 3,83 3,81 3,77 3,74 3,70
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,60 3,57 3,55 3,53 3,51 3,44 3,40 3,38 3,34 3,30 3,27
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31 3,28 3,26 3,24 3,22 3,15 3,11 3,08 3,04 3,01 2,97
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,10 3,07 3,05 3,03 3,01 2,94 2,89 2,86 2,83 2,79 2,75
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,94 2,91 2,89 2,86 2,85 2,77 2,73 2,70 2,66 2,62 2,58
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,82 2,79 2,76 2,74 2,72 2,65 2,60 2,57 2,53 2,49 2,45
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,72 2,69 2,66 2,64 2,62 2,54 2,50 2,47 2,43 2,38 2,34
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,63 2,60 2,58 2,55 2,53 2,46 2,41 2,38 2,34 2,30 2,25
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,57 2,53 2,51 2,48 2,46 2,39 2,34 2,31 2,27 2,22 2,18
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,51 2,48 2,45 2,42 2,40 2,33 2,28 2,25 2,20 2,16 2,11
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,46 2,42 2,40 2,37 2,35 2,28 2,23 2,19 2,15 2,11 2,06
!# 17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,41 2,38 2,35 2,33 2,31 2,23 2,18 2,15 2,10 2,06 2,01
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37 2,34 2,31 2,29 2,27 2,19 2,14 2,11 2,06 2,02 1,97
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,34 2,31 2,28 2,26 2,23 2,16 2,11 2,07 2,03 1,98 1,93
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,31 2,28 2,25 2,22 2,20 2,12 2,07 2,04 1,99 1,95 1,90
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28 2,25 2,22 2,20 2,18 2,10 2,05 2,01 1,96 1,92 1,87
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,26 2,23 2,20 2,17 2,15 2,07 2,02 1,98 1,94 1,89 1,84
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,24 2,20 2,18 2,15 2,13 2,05 2,00 1,96 1,91 1,86 1,81
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,22 2,18 2,15 2,13 2,11 2,03 1,97 1,94 1,89 1,84 1,79
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,20 2,16 2,14 2,11 2,09 2,01 1,96 1,92 1,87 1,82 1,77
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18 2,15 2,12 2,09 2,07 1,99 1,94 1,90 1,85 1,80 1,75
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,17 2,13 2,10 2,08 2,06 1,97 1,92 1,88 1,84 1,79 1,73
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,15 2,12 2,09 2,06 2,04 1,96 1,91 1,87 1,82 1,77 1,71
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,14 2,10 2,08 2,05 2,03 1,94 1,89 1,85 1,81 1,75 1,70
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,13 2,09 2,06 2,04 2,01 1,93 1,88 1,84 1,79 1,74 1,68
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,04 2,00 1,97 1,95 1,92 1,84 1,78 1,74 1,69 1,64 1,58
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,95 1,92 1,89 1,86 1,84 1,75 1,75 1,75 1,75 1,53 1,47
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,87 1,83 1,80 1,78 1,75 1,66 1,66 1,66 1,66 1,43 1,35
1.3. Funcin de distribucin F: P(0,90)
!"
0,1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 40 60 120
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19 60,47 60,71 60,90 61,07 61,22 61,74 62,05 62,26 62,53 62,79 63,06
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,40 9,41 9,41 9,42 9,42 9,44 9,45 9,46 9,47 9,47 9,48
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,22 5,21 5,20 5,20 5,18 5,17 5,17 5,16 5,15 5,14
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92 3,91 3,90 3,89 3,88 3,87 3,84 3,83 3,82 3,80 3,79 3,78
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,28 3,27 3,26 3,25 3,24 3,21 3,19 3,17 3,16 3,14 3,12
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,92 2,90 2,89 2,88 2,87 2,84 2,81 2,80 2,78 2,76 2,74
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,68 2,67 2,65 2,64 2,63 2,59 2,57 2,56 2,54 2,51 2,49
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,52 2,50 2,49 2,48 2,46 2,42 2,40 2,38 2,36 2,34 2,32
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,40 2,38 2,36 2,35 2,34 2,30 2,27 2,25 2,23 2,21 2,18
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,30 2,28 2,27 2,26 2,24 2,20 2,17 2,16 2,13 2,11 2,08
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,23 2,21 2,19 2,18 2,17 2,12 2,10 2,08 2,05 2,03 2,00
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,17 2,15 2,13 2,12 2,10 2,06 2,03 2,01 1,99 1,96 1,93
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,12 2,10 2,08 2,07 2,05 2,01 1,98 1,96 1,93 1,90 1,88
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,07 2,05 2,04 2,02 2,01 1,96 1,93 1,91 1,89 1,86 1,83
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,04 2,02 2,00 1,99 1,97 1,92 1,89 1,87 1,85 1,82 1,79
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 2,01 1,99 1,97 1,95 1,94 1,89 1,86 1,84 1,81 1,78 1,75
!# 17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,98 1,96 1,94 1,93 1,91 1,86 1,83 1,81 1,78 1,75 1,72
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,95 1,93 1,92 1,90 1,89 1,84 1,80 1,78 1,75 1,72 1,69
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,93 1,91 1,89 1,88 1,86 1,81 1,78 1,76 1,73 1,70 1,67
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,91 1,89 1,87 1,86 1,84 1,79 1,76 1,74 1,71 1,68 1,64
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,90 1,87 1,86 1,84 1,83 1,78 1,74 1,72 1,69 1,66 1,62
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,88 1,86 1,84 1,83 1,81 1,76 1,73 1,70 1,67 1,64 1,60
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,87 1,84 1,83 1,81 1,80 1,74 1,71 1,69 1,66 1,62 1,59
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,85 1,83 1,81 1,80 1,78 1,73 1,70 1,67 1,64 1,61 1,57
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,84 1,82 1,80 1,79 1,77 1,72 1,68 1,66 1,63 1,59 1,56
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,83 1,81 1,79 1,77 1,76 1,71 1,67 1,65 1,61 1,58 1,54
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,82 1,80 1,78 1,76 1,75 1,70 1,66 1,64 1,60 1,57 1,53
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,81 1,79 1,77 1,75 1,74 1,69 1,65 1,63 1,59 1,56 1,52
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,80 1,78 1,76 1,75 1,73 1,68 1,64 1,62 1,58 1,55 1,51
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,79 1,77 1,75 1,74 1,72 1,67 1,63 1,61 1,57 1,54 1,50
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,74 1,71 1,70 1,68 1,66 1,61 1,57 1,54 1,51 1,47 1,42
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,68 1,66 1,64 1,62 1,60 1,54 1,54 1,54 1,54 1,40 1,35
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,63 1,60 1,58 1,56 1,55 1,48 1,48 1,48 1,48 1,32 1,26
2. Funcin de distribucin de la ley Normal

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
3. Funcin de la distribucin X
2

!
p
0,995 0,99 0,975 0,95 0,9 0,75 0,5 0,25 0,1 0,05 0,025 0,01 0,005
1 7,879 6,635 5,024 3,841 0,016 1,323 0,455 0,102 0,016 0,004 0,001 0,000 0,000
2 10,597 9,210 7,378 5,991 0,211 2,773 1,386 0,575 0,211 0,103 0,051 0,020 0,010
3 12,838 11,345 9,348 7,815 0,584 4,108 2,366 1,213 0,584 0,352 0,216 0,115 0,072
4 14,860 13,277 11,143 9,488 1,064 5,385 3,357 1,923 1,064 0,711 0,484 0,297 0,207
5 16,750 15,086 12,832 11,070 1,610 6,626 4,351 2,675 1,610 1,145 0,831 0,554 0,412
6 18,548 16,812 14,449 12,592 2,204 7,841 5,348 3,455 2,204 1,635 1,237 0,872 0,676
7 20,278 18,475 16,013 14,067 2,833 9,037 6,346 4,255 2,833 2,167 1,690 1,239 0,989
8 21,955 20,090 17,535 15,507 3,490 10,219 7,344 5,071 3,490 2,733 2,180 1,647 1,344
9 23,589 21,666 19,023 16,919 4,168 11,389 8,343 5,899 4,168 3,325 2,700 2,088 1,735
10 25,188 23,209 20,483 18,307 4,865 12,549 9,342 6,737 4,865 3,940 3,247 2,558 2,156
11 26,757 24,725 21,920 19,675 5,578 13,701 10,341 7,584 5,578 4,575 3,816 3,053 2,603
12 28,300 26,217 23,337 21,026 6,304 14,845 11,340 8,438 6,304 5,226 4,404 3,571 3,074
13 29,819 27,688 24,736 22,362 7,041 15,984 12,340 9,299 7,041 5,892 5,009 4,107 3,565
14 31,319 29,141 26,119 23,685 7,790 17,117 13,339 10,165 7,790 6,571 5,629 4,660 4,075
15 32,801 30,578 27,488 24,996 8,547 18,245 14,339 11,037 8,547 7,261 6,262 5,229 4,601
16 34,267 32,000 28,845 26,296 9,312 19,369 15,338 11,912 9,312 7,962 6,908 5,812 5,142
17 35,718 33,409 30,191 27,587 10,085 20,489 16,338 12,792 10,085 8,672 7,564 6,408 5,697
18 37,156 34,805 31,526 28,869 10,865 21,605 17,338 13,675 10,865 9,390 8,231 7,015 6,265
19 38,582 36,191 32,852 30,144 11,651 22,718 18,338 14,562 11,651 10,117 8,907 7,633 6,844
20 39,997 37,566 34,170 31,410 12,443 23,828 19,337 15,452 12,443 10,851 9,591 8,260 7,434
21 41,401 38,932 35,479 32,671 13,240 24,935 20,337 16,344 13,240 11,591 10,283 8,897 8,034
22 42,796 40,289 36,781 33,924 14,041 26,039 21,337 17,240 14,041 12,338 10,982 9,542 8,643
23 44,181 41,638 38,076 35,172 14,848 27,141 22,337 18,137 14,848 13,091 11,689 10,196 9,260
24 45,558 42,980 39,364 36,415 15,659 28,241 23,337 19,037 15,659 13,848 12,401 10,856 9,886
25 46,928 44,314 40,646 37,652 16,473 29,339 24,337 19,939 16,473 14,611 13,120 11,524 10,520
26 48,290 45,642 41,923 38,885 17,292 30,435 25,336 20,843 17,292 15,379 13,844 12,198 11,160
27 49,645 46,963 43,195 40,113 18,114 31,528 26,336 21,749 18,114 16,151 14,573 12,878 11,808
28 50,994 48,278 44,461 41,337 18,939 32,620 27,336 22,657 18,939 16,928 15,308 13,565 12,461
29 52,335 49,588 45,722 42,557 19,768 33,711 28,336 23,567 19,768 17,708 16,047 14,256 13,121
30 53,672 50,892 46,979 43,773 20,599 34,800 29,336 24,478 20,599 18,493 16,791 14,953 13,787
38 64,181 61,162 56,895 53,384 27,343 43,462 37,335 31,815 27,343 24,884 22,878 20,691 19,289
40 66,766 63,691 59,342 55,758 29,051 45,616 39,335 33,660 29,051 26,509 24,433 22,164 20,707
60 91,952 88,379 83,298 79,082 46,459 66,981 59,335 52,294 46,459 43,188 40,482 37,485 35,534
4. Funcin de la distribucin t- Student

v
$
0,1 0,05 0,025 0,01 0,005 0,0025 0,001
1 3,078 6,314 12,706 31,821 63,656 127,321 318,289
2 1,886 2,920 4,303 6,965 9,925 14,089 22,328
3 1,638 2,353 3,182 4,541 5,841 7,453 10,214
4 1,533 2,132 2,776 3,747 4,604 5,598 7,173
5 1,476 2,015 2,571 3,365 4,032 4,773 5,894
6 1,440 1,943 2,447 3,143 3,707 4,317 5,208
7 1,415 1,895 2,365 2,998 3,499 4,029 4,785
8 1,397 1,860 2,306 2,896 3,355 3,833 4,501
9 1,383 1,833 2,262 2,821 3,250 3,690 4,297
10 1,372 1,812 2,228 2,764 3,169 3,581 4,144
11 1,363 1,796 2,201 2,718 3,106 3,497 4,025
12 1,356 1,782 2,179 2,681 3,055 3,428 3,930
13 1,350 1,771 2,160 2,650 3,012 3,372 3,852
14 1,345 1,761 2,145 2,624 2,977 3,326 3,787
15 1,341 1,753 2,131 2,602 2,947 3,286 3,733
16 1,337 1,746 2,120 2,583 2,921 3,252 3,686
17 1,333 1,740 2,110 2,567 2,898 3,222 3,646
18 1,330 1,734 2,101 2,552 2,878 3,197 3,610
19 1,328 1,729 2,093 2,539 2,861 3,174 3,579
20 1,325 1,725 2,086 2,528 2,845 3,153 3,552
21 1,323 1,721 2,080 2,518 2,831 3,135 3,527
22 1,321 1,717 2,074 2,508 2,819 3,119 3,505
23 1,319 1,714 2,069 2,500 2,807 3,104 3,485
24 1,318 1,711 2,064 2,492 2,797 3,091 3,467
25 1,316 1,708 2,060 2,485 2,787 3,078 3,450
26 1,315 1,706 2,056 2,479 2,779 3,067 3,435
27 1,314 1,703 2,052 2,473 2,771 3,057 3,421
28 1,313 1,701 2,048 2,467 2,763 3,047 3,408
29 1,311 1,699 2,045 2,462 2,756 3,038 3,396
30 1,310 1,697 2,042 2,457 2,750 3,030 3,385
31 1,309 1,696 2,040 2,453 2,744 3,022 3,375
32 1,309 1,694 2,037 2,449 2,738 3,015 3,365
33 1,308 1,692 2,035 2,445 2,733 3,008 3,356
34 1,307 1,691 2,032 2,441 2,728 3,002 3,348
35 1,306 1,690 2,030 2,438 2,724 2,996 3,340
36 1,306 1,688 2,028 2,434 2,719 2,990 3,333
37 1,305 1,687 2,026 2,431 2,715 2,985 3,326
38 1,304 1,686 2,024 2,429 2,712 2,980 3,319
39 1,304 1,685 2,023 2,426 2,708 2,976 3,313
40 1,303 1,684 2,021 2,423 2,704 2,971 3,307
5. Funcin de distribucin Binomial (Tabla 1)

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
2 0 0,9801 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,25
1 0,9999 0,9975 0,9900 0,9775 0,9600 0,9375 0,9100 0,8775 0,8400 0,7975 0,75
2 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
3 0 0,9703 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,9997 0,9928 0,9720 0,9393 0,8960 0,8438 0,7840 0,7183 0,6480 0,5748 0,5000
2 1,0000 0,9999 0,9990 0,9966 0,9920 0,9844 0,9730 0,9571 0,9360 0,9089 0,8750
3 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4 0 0,9606 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,9994 0,9860 0,9477 0,8905 0,8192 0,7383 0,6517 0,5630 0,4752 0,3910 0,3125
2 1,0000 0,9995 0,9963 0,9880 0,9728 0,9492 0,9163 0,8735 0,8208 0,7585 0,6875
3 1,0000 0,9999 0,9995 0,9984 0,9961 0,9919 0,9850 0,9744 0,9590 0,9375
4 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
5 0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313
1 0,9990 0,9774 0,9185 0,8352 0,7373 0,6328 0,5282 0,4284 0,3370 0,2562 0,1875
2 1,0000 0,9988 0,9914 0,9734 0,9421 0,8965 0,8369 0,7648 0,6826 0,5931 0,5000
3 1,0000 0,9995 0,9978 0,9933 0,9844 0,9692 0,9460 0,9130 0,8688 0,8125
4 1,0000 0,9999 0,9997 0,9990 0,9976 0,9947 0,9898 0,9815 0,9688
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
6 0 0,9415 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,9985 0,9672 0,8857 0,7765 0,6554 0,5339 0,4202 0,3191 0,2333 0,1636 0,1094
2 1,0000 0,9978 0,9842 0,9527 0,9011 0,8306 0,7443 0,6471 0,5443 0,4415 0,3438
3 0,9999 0,9987 0,9941 0,9830 0,9624 0,9295 0,8826 0,8208 0,7447 0,6563
4 1,0000 0,9999 0,9996 0,9984 0,9954 0,9891 0,9777 0,9590 0,9308 0,8906
5 1,0000 1,0000 0,9999 0,9998 0,9993 0,9982 0,9959 0,9917 0,9844
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
7 0 0,9321 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,9980 0,9556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0,1024 0,0625
2 1,0000 0,9962 0,9743 0,9262 0,8520 0,7564 0,6471 0,5323 0,4199 0,3164 0,2266
3 0,9998 0,9973 0,9879 0,9667 0,9294 0,8740 0,8002 0,7102 0,6083 0,5000
4 1,0000 0,9998 0,9988 0,9953 0,9871 0,9712 0,9444 0,9037 0,8471 0,7734
5 1,0000 0,9999 0,9996 0,9987 0,9962 0,9910 0,9812 0,9643 0,9375
6 1,0000 1,0000 0,9999 0,9998 0,9994 0,9984 0,9963 0,9922
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
8 0 0,9227 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
1 0,9973 0,9428 0,8131 0,6572 0,5033 0,3671 0,2553 0,1691 0,1064 0,0632 0,0352
2 0,9999 0,9942 0,9619 0,8948 0,7969 0,6785 0,5518 0,4278 0,3154 0,2201 0,1445
3 1,0000 0,9996 0,9950 0,9786 0,9437 0,8862 0,8059 0,7064 0,5941 0,4770 0,3633
4 1,0000 0,9996 0,9971 0,9896 0,9727 0,9420 0,8939 0,8263 0,7396 0,6367
5 1,0000 0,9998 0,9988 0,9958 0,9887 0,9747 0,9502 0,9115 0,8555
6 1,0000 0,9999 0,9996 0,9987 0,9964 0,9915 0,9819 0,9648
7 1,0000 1,0000 0,9999 0,9998 0,9993 0,9983 0,9961
8 1,0000 1,0000 1,0000 1,0000 1,0000

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
9 0 0,9135 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020
1 0,9966 0,9288 0,7748 0,5995 0,4362 0,3003 0,1960 0,1211 0,0705 0,0385 0,0195
2 0,9999 0,9916 0,9470 0,8591 0,7382 0,6007 0,4628 0,3373 0,2318 0,1495 0,0898
3 1,0000 0,9994 0,9917 0,9661 0,9144 0,8343 0,7297 0,6089 0,4826 0,3614 0,2539
4 1,0000 0,9991 0,9944 0,9804 0,9511 0,9012 0,8283 0,7334 0,6214 0,5000
5 0,9999 0,9994 0,9969 0,9900 0,9747 0,9464 0,9006 0,8342 0,7461
6 1,0000 1,0000 0,9997 0,9987 0,9957 0,9888 0,9750 0,9502 0,9102
7 1,0000 0,9999 0,9996 0,9986 0,9962 0,9909 0,9805
8 1,0000 1,0000 0,9999 0,9997 0,9992 0,9980
9 1,0000 1,0000 1,0000 1,0000
10 0 0,9044 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,9957 0,9139 0,7361 0,5443 0,3758 0,2440 0,1493 0,0860 0,0464 0,0233 0,0107
2 0,9999 0,9885 0,9298 0,8202 0,6778 0,5256 0,3828 0,2616 0,1673 0,0996 0,0547
3 1,0000 0,9990 0,9872 0,9500 0,8791 0,7759 0,6496 0,5138 0,3823 0,2660 0,1719
4 0,9999 0,9984 0,9901 0,9672 0,9219 0,8497 0,7515 0,6331 0,5044 0,3770
5 1,0000 0,9999 0,9986 0,9936 0,9803 0,9527 0,9051 0,8338 0,7384 0,6230
6 1,0000 0,9999 0,9991 0,9965 0,9894 0,9740 0,9452 0,8980 0,8281
7 1,0000 0,9999 0,9996 0,9984 0,9952 0,9877 0,9726 0,9453
8 1,0000 1,0000 0,9999 0,9995 0,9983 0,9955 0,9893
9 1,0000 1,0000 0,9999 0,9997 0,9990
10 1,0000 1,0000 1,0000
11 0 0,8953 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005
1 0,9948 0,8981 0,6974 0,4922 0,3221 0,1971 0,113 0,0606 0,0302 0,0139 0,0059
2 0,9998 0,9848 0,9104 0,7788 0,6174 0,4552 0,3127 0,2001 0,1189 0,0652 0,0327
3 1 0,9984 0,9815 0,9306 0,8389 0,7133 0,5696 0,4256 0,2963 0,1911 0,1133
4 0,9999 0,9972 0,9841 0,9496 0,8854 0,7897 0,6683 0,5328 0,3971 0,2744
5 1 0,9997 0,9973 0,9883 0,9657 0,9218 0,8513 0,7535 0,6331 0,5
6 1 0,9997 0,998 0,9924 0,9784 0,9499 0,9006 0,8262 0,7256
7 1 0,9998 0,9988 0,9957 0,9878 0,9707 0,939 0,8867
8 1 0,9999 0,9994 0,998 0,9941 0,9852 0,9673
9 1 1 0,9998 0,9993 0,9978 0,9941
10 1 1 0,9998 0,9995
11 1 1
12 0 0,8864 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002
1 0,9938 0,8816 0,659 0,4435 0,2749 0,1584 0,085 0,0424 0,0196 0,0083 0,0032
2 0,9998 0,9804 0,8891 0,7358 0,5583 0,3907 0,2528 0,1513 0,0834 0,0421 0,0193
3 1 0,9978 0,9744 0,9078 0,7946 0,6488 0,4925 0,3467 0,2253 0,1345 0,073
4 0,9998 0,9957 0,9761 0,9274 0,8424 0,7237 0,5833 0,4382 0,3044 0,1938
5 1 0,9995 0,9954 0,9806 0,9456 0,8822 0,7873 0,6652 0,5269 0,3872
6 0,9999 0,9993 0,9961 0,9857 0,9614 0,9154 0,8418 0,7393 0,6128
7 1 0,9999 0,9994 0,9972 0,9905 0,9745 0,9427 0,8883 0,8062
8 1 0,9999 0,9996 0,9983 0,9944 0,9847 0,9644 0,927
9 1 1 0,9998 0,9992 0,9972 0,9921 0,9807
10 1 0,9999 0,9997 0,9989 0,9968
11 1 1 0,9999 0,9998
12 1 1

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
13 0 0,8775 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001
1 0,9928 0,8646 0,6213 0,3983 0,2336 0,1267 0,0637 0,0296 0,0126 0,0049 0,0017
2 0,9997 0,9755 0,8661 0,6920 0,5017 0,3326 0,2025 0,1132 0,0579 0,0269 0,0112
3 1,0000 0,9969 0,9658 0,8820 0,7473 0,5843 0,4206 0,2783 0,1686 0,0929 0,0461
4 0,9997 0,9935 0,9658 0,9009 0,7940 0,6543 0,5005 0,3530 0,2279 0,1334
5 1,0000 0,9991 0,9925 0,9700 0,9198 0,8346 0,7159 0,5744 0,4268 0,2905
6 0,9999 0,9987 0,9930 0,9757 0,9376 0,8705 0,7712 0,6437 0,5000
7 1,0000 0,9998 0,9988 0,9944 0,9818 0,9538 0,9023 0,8212 0,7095
8 1,0000 0,9998 0,9990 0,9960 0,9874 0,9679 0,9302 0,8666
9 1,0000 0,9999 0,9993 0,9975 0,9922 0,9797 0,9539
10 1,0000 0,9999 0,9997 0,9987 0,9959 0,9888
11 1,0000 1,0000 0,9999 0,9995 0,9983
12 1,0000 1,0000 0,9999
13 1,0000
14 0 0,8687 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001
1 0,9916 0,8470 0,5846 0,3567 0,1979 0,1010 0,0475 0,0205 0,0081 0,0029 0,0009
2 0,9997 0,9699 0,8416 0,6479 0,4481 0,2811 0,1608 0,0839 0,0398 0,0170 0,0065
3 1,0000 0,9958 0,9559 0,8535 0,6982 0,5213 0,3552 0,2205 0,1243 0,0632 0,0287
4 0,9996 0,9908 0,9533 0,8702 0,7415 0,5842 0,4227 0,2793 0,1672 0,0898
5 1,0000 0,9985 0,9885 0,9561 0,8883 0,7805 0,6405 0,4859 0,3373 0,2120
6 0,9998 0,9978 0,9884 0,9617 0,9067 0,8164 0,6925 0,5461 0,3953
7 1,0000 0,9997 0,9976 0,9897 0,9685 0,9247 0,8499 0,7414 0,6047
8 1,0000 0,9996 0,9978 0,9917 0,9757 0,9417 0,8811 0,7880
9 1,0000 0,9997 0,9983 0,9940 0,9825 0,9574 0,9102
10 1,0000 0,9998 0,9989 0,9961 0,9886 0,9713
11 1,0000 0,9999 0,9994 0,9978 0,9935
12 1,0000 0,9999 0,9997 0,9991
13 1,0000 1,0000 0,9999
14 1,0000
15 0 0,8601 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000
1 0,9904 0,8290 0,5490 0,3186 0,1671 0,0802 0,0353 0,0142 0,0052 0,0017 0,0005
2 0,9996 0,9638 0,8159 0,6042 0,3980 0,2361 0,1268 0,0617 0,0271 0,0107 0,0037
3 1,0000 0,9945 0,9444 0,8227 0,6482 0,4613 0,2969 0,1727 0,0905 0,0424 0,0176
4 0,9994 0,9873 0,9383 0,8358 0,6865 0,5155 0,3519 0,2173 0,1204 0,0592
5 0,9999 0,9978 0,9832 0,9389 0,8516 0,7216 0,5643 0,4032 0,2608 0,1509
6 1,0000 0,9997 0,9964 0,9819 0,9434 0,8689 0,7548 0,6098 0,4522 0,3036
7 1,0000 0,9994 0,9958 0,9827 0,9500 0,8868 0,7869 0,6535 0,5000
8 0,9999 0,9992 0,9958 0,9848 0,9578 0,9050 0,8182 0,6964
9 1,0000 0,9999 0,9992 0,9963 0,9876 0,9662 0,9231 0,8491
10 1,0000 0,9999 0,9993 0,9972 0,9907 0,9745 0,9408
11 1,0000 0,9999 0,9995 0,9981 0,9937 0,9824
12 1,0000 0,9999 0,9997 0,9989 0,9963
13 1,0000 1,0000 0,9999 0,9995
14 1,0000 1,0000
16 0 0,8515 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000
1 0,9891 0,8108 0,5147 0,2839 0,1407 0,0635 0,0261 0,0098 0,0033 0,0010 0,0003
2 0,9995 0,9571 0,7892 0,5614 0,3518 0,1971 0,0994 0,0451 0,0183 0,0066 0,0021
3 1,0000 0,9930 0,9316 0,7899 0,5981 0,4050 0,2459 0,1339 0,0651 0,0281 0,0106
4 0,9991 0,9830 0,9209 0,7982 0,6302 0,4499 0,2892 0,1666 0,0853 0,0384
5 0,9999 0,9967 0,9765 0,9183 0,8103 0,6598 0,4900 0,3288 0,1976 0,1051
6 1,0000 0,9995 0,9944 0,9733 0,9204 0,8247 0,6881 0,5272 0,3660 0,2272
7 0,9999 0,9989 0,9930 0,9729 0,9256 0,8406 0,7161 0,5629 0,4018
8 1,0000 0,9998 0,9985 0,9925 0,9743 0,9329 0,8577 0,7441 0,5982
9 1,0000 0,9998 0,9984 0,9929 0,9771 0,9417 0,8759 0,7728
10 1,0000 0,9997 0,9984 0,9938 0,9809 0,9514 0,8949
11 1,0000 0,9997 0,9987 0,9951 0,9851 0,9616
12 1,0000 0,9998 0,9991 0,9965 0,9894
13 1,0000 0,9999 0,9994 0,9979
14 1,0000 0,9999 0,9997
15 1,0000 1,0000

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
17 0 0,8429 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000
1 0,9877 0,7922 0,4818 0,2525 0,1182 0,0501 0,0193 0,0067 0,0021 0,0006 0,0001
2 0,9994 0,9497 0,7618 0,5198 0,3096 0,1637 0,0774 0,0327 0,0123 0,0041 0,0012
3 1,0000 0,9912 0,9174 0,7556 0,5489 0,3530 0,2019 0,1028 0,0464 0,0184 0,0064
4 0,9988 0,9779 0,9013 0,7582 0,5739 0,3887 0,2348 0,1260 0,0596 0,0245
5 0,9999 0,9953 0,9681 0,8943 0,7653 0,5968 0,4197 0,2639 0,1471 0,0717
6 1,0000 0,9992 0,9917 0,9623 0,8929 0,7752 0,6188 0,4478 0,2902 0,1662
7 0,9999 0,9983 0,9891 0,9598 0,8954 0,7872 0,6405 0,4743 0,3145
8 1,0000 0,9997 0,9974 0,9876 0,9597 0,9006 0,8011 0,6626 0,5000
9 1,0000 0,9995 0,9969 0,9873 0,9617 0,9081 0,8166 0,6855
10 0,9999 0,9994 0,9968 0,9880 0,9652 0,9174 0,8338
11 1,0000 0,9999 0,9993 0,9970 0,9894 0,9699 0,9283
12 1,0000 0,9999 0,9994 0,9975 0,9914 0,9755
13 1,0000 0,9999 0,9995 0,9981 0,9936
14 1,0000 0,9999 0,9997 0,9988
15 1,0000 1,0000 0,9999
16 1,0000
18 0 0,8345 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000
1 0,9862 0,7735 0,4503 0,2241 0,0991 0,0395 0,0142 0,0046 0,0013 0,0003 0,0001
2 0,9993 0,9419 0,7338 0,4797 0,2713 0,1353 0,0600 0,0236 0,0082 0,0025 0,0007
3 1,0000 0,9891 0,9018 0,7202 0,5010 0,3057 0,1646 0,0783 0,0328 0,0120 0,0038
4 0,9985 0,9718 0,8794 0,7164 0,5187 0,3327 0,1886 0,0942 0,0411 0,0154
5 0,9998 0,9936 0,9581 0,8671 0,7175 0,5344 0,3550 0,2088 0,1077 0,0481
6 1,0000 0,9988 0,9882 0,9487 0,8610 0,7217 0,5491 0,3743 0,2258 0,1189
7 0,9998 0,9973 0,9837 0,9431 0,8593 0,7283 0,5634 0,3915 0,2403
8 1,0000 0,9995 0,9957 0,9807 0,9404 0,8609 0,7368 0,5778 0,4073
9 0,9999 0,9991 0,9946 0,9790 0,9403 0,8653 0,7473 0,5927
10 1,0000 0,9998 0,9988 0,9939 0,9788 0,9424 0,8720 0,7597
11 1,0000 0,9998 0,9986 0,9938 0,9797 0,9463 0,8811
12 1,0000 0,9997 0,9986 0,9942 0,9817 0,9519
13 1,0000 0,9997 0,9987 0,9951 0,9846
14 1,0000 0,9998 0,9990 0,9962
15 1,0000 0,9999 0,9993
16 1,0000 0,9999
17 1,0000
19 0 0,8262 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000
1 0,9847 0,7547 0,4203 0,1985 0,0829 0,0310 0,0104 0,0031 0,0008 0,0002 0,0000
2 0,9991 0,9335 0,7054 0,4413 0,2369 0,1113 0,0462 0,0170 0,0055 0,0015 0,0004
3 1,0000 0,9868 0,8850 0,6841 0,4551 0,2631 0,1332 0,0591 0,0230 0,0077 0,0022
4 0,9980 0,9648 0,8556 0,6733 0,4654 0,2822 0,1500 0,0696 0,0280 0,0096
5 0,9998 0,9914 0,9463 0,8369 0,6678 0,4739 0,2968 0,1629 0,0777 0,0318
6 1,0000 0,9983 0,9837 0,9324 0,8251 0,6655 0,4812 0,3081 0,1727 0,0835
7 0,9997 0,9959 0,9767 0,9225 0,8180 0,6656 0,4878 0,3169 0,1796
8 1,0000 0,9992 0,9933 0,9713 0,9161 0,8145 0,6675 0,4940 0,3238
9 0,9999 0,9984 0,9911 0,9674 0,9125 0,8139 0,6710 0,5000
10 1,0000 0,9997 0,9977 0,9895 0,9653 0,9115 0,8159 0,6762
11 1,0000 0,9995 0,9972 0,9886 0,9648 0,9129 0,8204
12 0,9999 0,9994 0,9969 0,9884 0,9658 0,9165
13 1,0000 0,9999 0,9993 0,9969 0,9891 0,9682
14 1,0000 0,9999 0,9994 0,9972 0,9904
15 1,0000 0,9999 0,9995 0,9978
16 1,0000 0,9999 0,9996
17 1,0000 1,0000

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
20 0 0,8179 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000
1 0,9831 0,7358 0,3917 0,1756 0,0692 0,0243 0,0076 0,0021 0,0005 0,0001 0,0000
2 0,9990 0,9245 0,6769 0,4049 0,2061 0,0913 0,0355 0,0121 0,0036 0,0009 0,0002
3 1,0000 0,9841 0,8670 0,6477 0,4114 0,2252 0,1071 0,0444 0,0160 0,0049 0,0013
4 0,9974 0,9568 0,8298 0,6296 0,4148 0,2375 0,1182 0,0510 0,0189 0,0059
5 0,9997 0,9887 0,9327 0,8042 0,6172 0,4164 0,2454 0,1256 0,0553 0,0207
6 1,0000 0,9976 0,9781 0,9133 0,7858 0,6080 0,4166 0,2500 0,1299 0,0577
7 0,9996 0,9941 0,9679 0,8982 0,7723 0,6010 0,4159 0,2520 0,1316
8 0,9999 0,9987 0,9900 0,9591 0,8867 0,7624 0,5956 0,4143 0,2517
9 1,0000 0,9998 0,9974 0,9861 0,9520 0,8782 0,7553 0,5914 0,4119
10 1,0000 0,9994 0,9961 0,9829 0,9468 0,8725 0,7507 0,5881
11 0,9999 0,9991 0,9949 0,9804 0,9435 0,8692 0,7483
12 1,0000 0,9998 0,9987 0,9940 0,9790 0,9420 0,8684
13 1,0000 0,9997 0,9985 0,9935 0,9786 0,9423
14 1,0000 0,9997 0,9984 0,9936 0,9793
15 1,0000 0,9997 0,9985 0,9941
16 1,0000 0,9997 0,9987
17 1,0000 0,9998
18 1,0000
25 0 0,7778 0,2774 0,0718 0,0172 0,0038 0,0008 0,0001 0,0000 0,0000 0,0000 0,0000
1 0,9742 0,6424 0,2712 0,0931 0,0274 0,0070 0,0016 0,0003 0,0001 0,0000 0,0000
2 0,9980 0,8729 0,5371 0,2537 0,0982 0,0321 0,0090 0,0021 0,0004 0,0001 0,0000
3 0,9999 0,9659 0,7636 0,4711 0,2340 0,0962 0,0332 0,0097 0,0024 0,0005 0,0001
4 1,0000 0,9928 0,9020 0,6821 0,4207 0,2137 0,0905 0,0320 0,0095 0,0023 0,0005
5 0,9988 0,9666 0,8385 0,6167 0,3783 0,1935 0,0826 0,0294 0,0086 0,0020
6 0,9998 0,9905 0,9305 0,7800 0,5611 0,3407 0,1734 0,0736 0,0258 0,0073
7 1,0000 0,9977 0,9745 0,8909 0,7265 0,5118 0,3061 0,1536 0,0639 0,0216
8 0,9995 0,9920 0,9532 0,8506 0,6769 0,4668 0,2735 0,1340 0,0539
9 0,9999 0,9979 0,9827 0,9287 0,8106 0,6303 0,4246 0,2424 0,1148
10 1,0000 0,9995 0,9944 0,9703 0,9022 0,7712 0,5858 0,3843 0,2122
11 0,9999 0,9985 0,9893 0,9558 0,8746 0,7323 0,5426 0,3450
12 1,0000 0,9996 0,9966 0,9825 0,9396 0,8462 0,6937 0,5000
13 0,9999 0,9991 0,9940 0,9745 0,9222 0,8173 0,6550
14 1,0000 0,9998 0,9982 0,9907 0,9656 0,9040 0,7878
15 1,0000 0,9995 0,9971 0,9868 0,9560 0,8852
16 0,9999 0,9992 0,9957 0,9826 0,9461
17 1,0000 0,9998 0,9988 0,9942 0,9784
18 1,0000 0,9997 0,9984 0,9927
19 0,9999 0,9996 0,9980
20 1,0000 0,9999 0,9995
21 1,0000 0,9999
22 1,0000

n 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
30 0 0,7397 0,2146 0,0424 0,0076 0,0012 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,9639 0,5535 0,1837 0,0480 0,0105 0,0020 0,0003 0,0000 0,0000 0,0000 0,0000
2 0,9967 0,8122 0,4114 0,1514 0,0442 0,0106 0,0021 0,0003 0,0000 0,0000 0,0000
3 0,9998 0,9392 0,6474 0,3217 0,1227 0,0374 0,0093 0,0019 0,0003 0,0000 0,0000
4 1,0000 0,9844 0,8245 0,5245 0,2552 0,0979 0,0302 0,0075 0,0015 0,0002 0,0000
5 0,9967 0,9268 0,7106 0,4275 0,2026 0,0766 0,0233 0,0057 0,0011 0,0002
6 0,9994 0,9742 0,8474 0,6070 0,3481 0,1595 0,0586 0,0172 0,0040 0,0007
7 0,9999 0,9922 0,9302 0,7608 0,5143 0,2814 0,1238 0,0435 0,0121 0,0026
8 1,0000 0,9980 0,9722 0,8713 0,6736 0,4315 0,2247 0,0940 0,0312 0,0081
9 0,9995 0,9903 0,9389 0,8034 0,5888 0,3575 0,1763 0,0694 0,0214
10 0,9999 0,9971 0,9744 0,8943 0,7304 0,5078 0,2915 0,1350 0,0494
11 1,0000 0,9992 0,9905 0,9493 0,8407 0,6548 0,4311 0,2327 0,1002
12 0,9998 0,9969 0,9784 0,9155 0,7802 0,5785 0,3592 0,1808
13 1,0000 0,9991 0,9918 0,9599 0,8737 0,7145 0,5025 0,2923
14 0,9998 0,9973 0,9831 0,9348 0,8246 0,6448 0,4278
15 0,9999 0,9992 0,9936 0,9699 0,9029 0,7691 0,5722
16 1,0000 0,9998 0,9979 0,9876 0,9519 0,8644 0,7077
17 0,9999 0,9994 0,9955 0,9788 0,9286 0,8192
18 1,0000 0,9998 0,9986 0,9917 0,9666 0,8998
19 1,0000 0,9996 0,9971 0,9862 0,9506
20 0,9999 0,9991 0,9950 0,9786
21 1,0000 0,9998 0,9984 0,9919
22 1,0000 0,9996 0,9974
23 0,9999 0,9993
24 1,0000 0,9998
25 1,0000
6. Funcin de distribucin Poisson (Tabla 1)

x/% 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
1 0,9953 0,9825 0,9631 0,9384 0,9098 0,8781 0,8442 0,8088 0,7725 0,7358
2 0,9998 0,9989 0,9964 0,9921 0,9856 0,9769 0,9659 0,9526 0,9371 0,9197
3 1,0000 0,9999 0,9997 0,9992 0,9982 0,9966 0,9942 0,9909 0,9865 0,9810
4 1,0000 1,0000 0,9999 0,9998 0,9996 0,9992 0,9986 0,9977 0,9963
5 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997 0,9994
6 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
7 1,0000
x/% 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0
0 0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0,1827 0,1653 0,1496 0,1353
1 0,6990 0,6626 0,6268 0,5918 0,5578 0,5249 0,4932 0,4628 0,4337 0,4060
2 0,9004 0,8795 0,8571 0,8335 0,8088 0,7834 0,7572 0,7306 0,7037 0,6767
3 0,9743 0,9662 0,9569 0,9463 0,9344 0,9212 0,9068 0,8913 0,8747 0,8571
4 0,9946 0,9923 0,9893 0,9857 0,9814 0,9763 0,9704 0,9636 0,9559 0,9473
5 0,9990 0,9985 0,9978 0,9968 0,9955 0,9940 0,9920 0,9896 0,9868 0,9834
6 0,9999 0,9997 0,9996 0,9994 0,9991 0,9987 0,9981 0,9974 0,9966 0,9955
7 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994 0,9992 0,9989
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998
9 1,0000 1,0000 1,0000 1,0000
x/% 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0
0 0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,3796 0,3546 0,3309 0,3084 0,2873 0,2674 0,2487 0,2311 0,2146 0,1991
2 0,6496 0,6227 0,5960 0,5697 0,5438 0,5184 0,4936 0,4695 0,4460 0,4232
3 0,8386 0,8194 0,7993 0,7787 0,7576 0,7360 0,7141 0,6919 0,6696 0,6472
4 0,9379 0,9275 0,9162 0,9041 0,8912 0,8774 0,8629 0,8477 0,8318 0,8153
5 0,9796 0,9751 0,9700 0,9643 0,9580 0,9510 0,9433 0,9349 0,9258 0,9161
6 0,9941 0,9925 0,9906 0,9884 0,9858 0,9828 0,9794 0,9756 0,9713 0,9665
7 0,9985 0,9980 0,9974 0,9967 0,9958 0,9947 0,9934 0,9919 0,9901 0,9881
8 0,9997 0,9995 0,9994 0,9991 0,9989 0,9985 0,9981 0,9976 0,9969 0,9962
9 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9991 0,9989
10 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
12 1,0000 1,0000

x/% 3,1 3,2 3,2 3,4 3,5 3,6 3,7 3,8 3,9 4,0
0 0,0450 0,0408 0,0408 0,0334 0,0302 0,0273 0,0247 0,0224 0,0202 0,0183
1 0,1847 0,1712 0,1712 0,1468 0,1359 0,1257 0,1162 0,1074 0,0992 0,0916
2 0,4012 0,3799 0,3799 0,3397 0,3208 0,3027 0,2854 0,2689 0,2531 0,2381
3 0,6248 0,6025 0,6025 0,5584 0,5366 0,5152 0,4942 0,4735 0,4532 0,4335
4 0,7982 0,7806 0,7806 0,7442 0,7254 0,7064 0,6872 0,6678 0,6484 0,6288
5 0,9057 0,8946 0,8946 0,8705 0,8576 0,8441 0,8301 0,8156 0,8006 0,7851
6 0,9612 0,9554 0,9554 0,9421 0,9347 0,9267 0,9182 0,9091 0,8995 0,8893
7 0,9858 0,9832 0,9832 0,9769 0,9733 0,9692 0,9648 0,9599 0,9546 0,9489
8 0,9953 0,9943 0,9943 0,9917 0,9901 0,9883 0,9863 0,9840 0,9815 0,9786
9 0,9986 0,9982 0,9982 0,9973 0,9967 0,9960 0,9952 0,9942 0,9931 0,9919
10 0,9996 0,9995 0,9995 0,9992 0,9990 0,9987 0,9984 0,9981 0,9977 0,9972
11 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996 0,9995 0,9994 0,9993 0,9991
12 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
14 1,0000 1,0000
x/% 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4,9 5,0
0 0,0166 0,0150 0,0136 0,0123 0,0111 0,0101 0,0091 0,0082 0,0074 0,0067
1 0,0845 0,0780 0,0719 0,0663 0,0611 0,0563 0,0518 0,0477 0,0439 0,0404
2 0,2238 0,2102 0,1974 0,1851 0,1736 0,1626 0,1523 0,1425 0,1333 0,1247
3 0,4142 0,3954 0,3772 0,3594 0,3423 0,3257 0,3097 0,2942 0,2793 0,2650
4 0,6093 0,5898 0,5704 0,5512 0,5321 0,5132 0,4946 0,4763 0,4582 0,4405
5 0,7693 0,7531 0,7367 0,7199 0,7029 0,6858 0,6684 0,6510 0,6335 0,6160
6 0,8786 0,8675 0,8558 0,8436 0,8311 0,8180 0,8046 0,7908 0,7767 0,7622
7 0,9427 0,9361 0,9290 0,9214 0,9134 0,9049 0,8960 0,8867 0,8769 0,8666
8 0,9755 0,9721 0,9683 0,9642 0,9597 0,9549 0,9497 0,9442 0,9382 0,9319
9 0,9905 0,9889 0,9871 0,9851 0,9829 0,9805 0,9778 0,9749 0,9717 0,9682
10 0,9966 0,9959 0,9952 0,9943 0,9933 0,9922 0,9910 0,9896 0,9880 0,9863
11 0,9989 0,9986 0,9983 0,9980 0,9976 0,9971 0,9966 0,9960 0,9953 0,9945
12 0,9997 0,9996 0,9995 0,9993 0,9992 0,9990 0,9988 0,9986 0,9983 0,9980
13 0,9999 0,9999 0,9998 0,9998 0,9997 0,9997 0,9996 0,9995 0,9994 0,9993
14 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9999 0,9998 0,9998
15 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999

x/% 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9 6,0
0 0,0061 0,0055 0,0050 0,0043 0,0041 0,0037 0,0033 0,0030 0,0027 0,0025
1 0,0372 0,0342 0,0314 0,0279 0,0266 0,0244 0,0224 0,0206 0,0189 0,0174
2 0,1165 0,1088 0,1016 0,0922 0,0884 0,0824 0,0768 0,0715 0,0666 0,0620
3 0,2513 0,2381 0,2254 0,2086 0,2017 0,1906 0,1800 0,1700 0,1604 0,1512
4 0,4231 0,4061 0,3895 0,3669 0,3575 0,3422 0,3272 0,3127 0,2987 0,2851
5 0,5984 0,5809 0,5635 0,5392 0,5289 0,5119 0,4950 0,4783 0,4619 0,4457
6 0,7474 0,7324 0,7171 0,6954 0,6860 0,6703 0,6544 0,6384 0,6224 0,6063
7 0,8560 0,8449 0,8335 0,8168 0,8095 0,7970 0,7841 0,7710 0,7576 0,7440
8 0,9252 0,9181 0,9106 0,8994 0,8944 0,8857 0,8766 0,8672 0,8574 0,8472
9 0,9644 0,9603 0,9559 0,9493 0,9462 0,9409 0,9352 0,9292 0,9228 0,9161
10 0,9844 0,9823 0,9800 0,9764 0,9747 0,9718 0,9686 0,9651 0,9614 0,9574
11 0,9937 0,9927 0,9916 0,9898 0,9890 0,9875 0,9859 0,9841 0,9821 0,9799
12 0,9976 0,9972 0,9967 0,9959 0,9955 0,9949 0,9941 0,9932 0,9922 0,9912
13 0,9992 0,9990 0,9988 0,9985 0,9983 0,9980 0,9977 0,9973 0,9969 0,9964
14 0,9997 0,9997 0,9996 0,9995 0,9994 0,9993 0,9991 0,9990 0,9988 0,9986
15 0,9999 0,9999 0,9999 0,9998 0,9998 0,9998 0,9997 0,9996 0,9996 0,9995
16 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9998
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
x/% 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 11,0
0 0,0015 0,0009 0,0006 0,0003 0,0002 0,0001 0,0001 0,0000 0,0000 0,0000
1 0,0113 0,0073 0,0047 0,0030 0,0019 0,0012 0,0008 0,0005 0,0003 0,0002
2 0,0430 0,0296 0,0203 0,0138 0,0093 0,0062 0,0042 0,0028 0,0018 0,0012
3 0,1118 0,0818 0,0591 0,0424 0,0301 0,0212 0,0149 0,0103 0,0071 0,0049
4 0,2237 0,1730 0,1321 0,0996 0,0744 0,0550 0,0403 0,0293 0,0211 0,0151
5 0,3690 0,3007 0,2414 0,1912 0,1496 0,1157 0,0885 0,0671 0,0504 0,0375
6 0,5265 0,4497 0,3782 0,3134 0,2562 0,2068 0,1649 0,1301 0,1016 0,0786
7 0,6728 0,5987 0,5246 0,4530 0,3856 0,3239 0,2687 0,2202 0,1785 0,1432
8 0,7916 0,7291 0,6620 0,5925 0,5231 0,4557 0,3918 0,3328 0,2794 0,2320
9 0,8774 0,8305 0,7764 0,7166 0,6530 0,5874 0,5218 0,4579 0,3971 0,3405
10 0,9332 0,9015 0,8622 0,8159 0,7634 0,7060 0,6453 0,5830 0,5207 0,4599
11 0,9661 0,9467 0,9208 0,8881 0,8487 0,8030 0,7520 0,6968 0,6387 0,5793
12 0,9840 0,9730 0,9573 0,9362 0,9091 0,8758 0,8364 0,7916 0,7420 0,6887
13 0,9929 0,9872 0,9784 0,9658 0,9486 0,9261 0,8981 0,8645 0,8253 0,7813
14 0,9970 0,9943 0,9897 0,9827 0,9726 0,9585 0,9400 0,9165 0,8879 0,8540
15 0,9988 0,9976 0,9954 0,9918 0,9862 0,9780 0,9665 0,9513 0,9317 0,9074
16 0,9996 0,9990 0,9980 0,9963 0,9934 0,9889 0,9823 0,9730 0,9604 0,9441
17 0,9998 0,9996 0,9992 0,9984 0,9970 0,9947 0,9911 0,9857 0,9781 0,9678
18 0,9999 0,9999 0,9997 0,9993 0,9987 0,9976 0,9957 0,9928 0,9885 0,9823
19 1,0000 1,0000 0,9999 0,9997 0,9995 0,9989 0,9980 0,9965 0,9942 0,9907
20 1,0000 0,9999 0,9998 0,9996 0,9991 0,9984 0,9972 0,9953
21 1,0000 0,9999 0,9998 0,9996 0,9993 0,9987 0,9977
22 1,0000 0,9999 0,9999 0,9997 0,9994 0,9990
23 1,0000 0,9999 0,9999 0,9998 0,9995
24 1,0000 1,0000 0,9999 0,9998
25 1,0000 0,9999

x/% 12,0 13,0 14,0 15,0 16,0 17,0 18,0 19,0 20,0 25,0
0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0005 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0023 0,0011 0,0005 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0076 0,0037 0,0018 0,0009 0,0004 0,0002 0,0001 0,0000 0,0000 0,0000
5 0,0203 0,0107 0,0055 0,0028 0,0014 0,0007 0,0003 0,0002 0,0001 0,0000
6 0,0458 0,0259 0,0142 0,0076 0,0040 0,0021 0,0010 0,0005 0,0003 0,0000
7 0,0895 0,0540 0,0316 0,0180 0,0100 0,0054 0,0029 0,0015 0,0008 0,0000
8 0,1550 0,0998 0,0621 0,0374 0,0220 0,0126 0,0071 0,0039 0,0021 0,0001
9 0,2424 0,1658 0,1094 0,0699 0,0433 0,0261 0,0154 0,0089 0,0050 0,0002
10 0,3472 0,2517 0,1757 0,1185 0,0774 0,0491 0,0304 0,0183 0,0108 0,0006
11 0,4616 0,3532 0,2600 0,1848 0,1270 0,0847 0,0549 0,0347 0,0214 0,0014
12 0,5760 0,4631 0,3585 0,2676 0,1931 0,1350 0,0917 0,0606 0,0390 0,0031
13 0,6815 0,5730 0,4644 0,3632 0,2745 0,2009 0,1426 0,0984 0,0661 0,0065
14 0,7720 0,6751 0,5704 0,4657 0,3675 0,2808 0,2081 0,1497 0,1049 0,0124
15 0,8444 0,7636 0,6694 0,5681 0,4667 0,3715 0,2867 0,2148 0,1565 0,0223
16 0,8987 0,8355 0,7559 0,6641 0,5660 0,4677 0,3751 0,2920 0,2211 0,0377
17 0,9370 0,8905 0,8272 0,7489 0,6593 0,5640 0,4686 0,3784 0,2970 0,0605
18 0,9626 0,9302 0,8826 0,8195 0,7423 0,6550 0,5622 0,4695 0,3814 0,0920
19 0,9787 0,9573 0,9235 0,8752 0,8122 0,7363 0,6509 0,5606 0,4703 0,1336
20 0,9884 0,9750 0,9521 0,9170 0,8682 0,8055 0,7307 0,6472 0,5591 0,1855
21 0,9939 0,9859 0,9712 0,9469 0,9108 0,8615 0,7991 0,7255 0,6437 0,2473
22 0,9970 0,9924 0,9833 0,9673 0,9418 0,9047 0,8551 0,7931 0,7206 0,3175
23 0,9985 0,9960 0,9907 0,9805 0,9633 0,9367 0,8989 0,8490 0,7875 0,3939
24 0,9993 0,9980 0,9950 0,9888 0,9777 0,9594 0,9317 0,8933 0,8432 0,4734
25 0,9997 0,9990 0,9974 0,9938 0,9869 0,9748 0,9554 0,9269 0,8878 0,5529
26 0,9999 0,9995 0,9987 0,9967 0,9925 0,9848 0,9718 0,9514 0,9221 0,6294
27 0,9999 0,9998 0,9994 0,9983 0,9959 0,9912 0,9827 0,9687 0,9475 0,7002
28 1,0000 0,9999 0,9997 0,9991 0,9978 0,9950 0,9897 0,9805 0,9657 0,7634
29 1,0000 0,9999 0,9996 0,9989 0,9973 0,9941 0,9882 0,9782 0,8179
30 0,9999 0,9998 0,9994 0,9986 0,9967 0,9930 0,9865 0,8633
31 1,0000 0,9999 0,9997 0,9993 0,9982 0,9960 0,9919 0,8999
32 1,0000 0,9999 0,9996 0,9990 0,9978 0,9953 0,9285
33 0,9999 0,9998 0,9995 0,9988 0,9973 0,9502
34 1,0000 0,9999 0,9998 0,9994 0,9985 0,9662
35 1,0000 0,9999 0,9997 0,9992 0,9775
36 0,9999 0,9998 0,9996 0,9854
37 1,0000 0,9999 0,9998 0,9908
38 1,0000 0,9999 0,9943
39 0,9999 0,9966
40 1,0000 0,9980
41 0,9988
Bibliografa 227
BIBLIOGRAFA
Libros
1. Akao, Y. (1990). Quality Function Deployment: Integrating Customer Requirements into Product
Design. Productivity Press.
2. APQP (1995). Advanced Product Quality Planning and Control Plan. Carwin.
3. Barba, E. (1993). La excelencia en el desarrollo de nuevos productos. Gesti 2000.
4. Bissell, D. (1994), Statistical Techniques for SPC and TQM. Chapman & Hall.
5. Box, G. & Luceo, A. (1997), Statistical Control by Monitoring and Feedback Adjustment. Wiley.
6. Box, G. E. P., Hunter, W. G. & Hunter, J. S. (1978). Statistics for Experimenters: An Introduction to
Design, Data Analysis, and Model Building. Wiley.
7. Breyfogle, F. W. (1999). Implementing Six Sigma: Smarter Solutions Using Statistical Methods.
ASQC Quality Press.
8. Camp, R. C. (1989). Benchmarking: Search for Industry Best Practices That Lead to Superior
Performance. ASQC Quality Press.
9. Dahlgaard, J. J. Kristensen, K. and Kanji, G. P. (1998). Fundamentals of Quality Management.
Chapman & Hall.
10. Davenport, T. H. (1993). Innovacin de procesos. Daz de Santos.
11. Deming, W. E. (1989). Calidad, productividad y competitividad: La salida de la crisis. Daz de
Santos.
12. Deming, W. E. (1993). The New Economics. Massachussetts Institute of Technology.
13. Dodge, H. F. & Romig, H. G. (1959). Sampling Inspection Tables. Wiley.
14. Duncan, A. J. (1986). Quality Control and Industrial Statistics. Irwin.
15. Feigenbaum, A. V. (1983). Total Quality control. McGraw-Hill.
16. FMEA (1995). Potential Failure Mode and Effect Analysis. Carwin.
17. Gmez, G. & Canela, M. A. (1992). Fiabilidad industrial. Edicions UPC.
18. Haavind, R. (1992). The Road to the Baldrige Award: Quest for Total Quality. Butterworth-
Heinemann.
19. Hammer, M. (1995). The Reengineering Revolution. Harper Business.
20. Hammer, M. & Champy, J. (1993). Reingeniera de la empresa. Parramn.
21. Harrington, H. J. (1993). Mejoramiento de los procesos de la empresa. McGraw-Hill.
22. Harrington, H. J. (1993). Los costes de la mala calidad. Daz de Santos.
23. Harry, M. J. & Schroeder, R. (2000). Six Sigma. The Breakthrough Management Strategy
Revolutionizing the Worlds Top Corporations. ASQC Quality Press.
24. Imai, M. (1986). Kaizen: The Key to Japans Competitivity Success. Random House.
25. Ishikawa, K. (1991). Introduction to Quality Control. Third Corporation.
26. Juran, J. M. (1988). Jurans Quality Control Handbook. McGraw-Hill.
27. Juran, J. M. (1992). Juran on Quality by Design.
28. Juran, J. M. (1993). Quality Planning Analysis.
29. King, B. (1989). Better Design in Half the Time. GOAL/QPC.
30. Kotz, S. & Johnson, N. L. (1993). Process Capability Indices. Chapman & Hall.
31. Mandel, J. (1991). Evaluation and Control of Measurements, Dekker
32. McWilliams, Th. P. (1989). How to Use Sequential Statistical Methods. ASQC Quality Press.
33. Miller, J. C. & Miller, J. N. (1993), Statistics in Analytical Chemistry, Ellis Horwood.
34. Mizuno, S. (1988). Company-Wide Total Quality Control. Asian Productivity Organization.
35. MSA (1995). Measurement System Analysis. Carwin.
36. Montgomery, D. C. (1991). Statistical Quality Control. John Wiley.
37. Montgomery, D. C. (1991). Design and Analysis of Experiments. John Wiley.
38. Nakajima, S. (1991). TPM: Programa de desarrollo. Productivity Press.
39. Neave, H. R. (1990). The Deming Dimension. SPC Press.
40. Osada, (1991). The 5 Ss: Five Keys to a Total Quality Environment. Asian Productivity
Organization.
41. Ott, E. R. & Schilling, E.G. (1990). Process Quality Control. McGraw-Hill.
42. Padkhe, M. (1989). Quality Engineering Using Robust design. Prentice-Hall.
43. Ross, P. J. (1996). Taguchi Techniques for Quality Engineering. ASQC Quality Press.
44. Ryan, T. P. (1989). Statistical Methods for Quality Improvement. John Wiley.
45. Rotger, J. J & Canela, M. A. (1996). Gestin de la Calidad: Una visin prctica. BETA.
46. Schilling, E. G. (1982). Acceptance Sampling in Quality Control, Dekker.
47. Scholtes. P. (1988). The Team Handbook. Joiner.
48. Shewhart, W. A. (1931). The Economic Control of Quality of Manufactured Product. ASQC Quality
Press.
49. Shingo, S. (1990). Tecnologas para el cero defectos: Inspecciones en la fuente y el sistema
Poka-Yoke. Productivity Press.
50. SPC (1995). Statistical Process Control. Carwin.
51. Stamatis, D. H. (1995). Failure Mode and Effect Analysis: FMEA from Theory to Execution. ASQC
Quality Press.
52. Statistical Quality Control Handbook (1956). Western Electric Co. (desde 1984, publicado por
AT&T).
53. Steeples, M. M. (1992). The Corporate guide to the Malcolm Baldrige Award. ASQC Quality
Press.
54. Stephens, K. S. (1986). How to Perform Skip-Lot and Chain Sampling. ASQC Quality Press.
55. Stephens, K. S. (1986). How to Perform Continuous Sampling (CSP). ASQC Quality Press.
56. Taguchi, G. (1986). Introduction to Quality Engineering. UNIPUB/Kraus International.
57. Taguchi, G. & Wu, Y. (1980). Introduction to Off-Line Quality Control. Central Japan Quality
Control Association.
58. Taylor, J. K. (1987), Quality Assurance of Chemical Measurements, Lewis.
59. Wadsworth, H. M., Stephens, K. S. & Godfrey, A. B. (1986). Modern Methods for Quality Control
and Improvement. Wiley.
60. Wetherill, G. B. & Brown, D. W. (1991). Statistical Process Control. Chapman & Hall.
Bibliografa 229
61. Wheeler, D. J. & Chambers, D. S. (1990). Understanding Statistical Process Control. Addison-
Wesley.
Normas
1. ANSI/ASQC S1 (1987), An Attribute Skip-Lot Sampling Program.
2. ANSI/ASTM E 178 (1989). Standard Practice for Dealing with Outlying 0bservations.
3. ANSI/ASTM E 456 (1991). Standard Terminology Relating to Quality and Statistics.
4. ANSI/ASTM E 691 (1979). Standard Practice for Conducting an Interlaboratory Test Program to
Determine the Precision of Test Methods.
5. ASQC (1987). Quality Assurance for the Chemical and Process Industries.
6. ASQC (1983). Glosary & Tables for Statistical Quality Control.
7. ASTM MNL 7 (1990). Manual on Presentation of Data and Control Chart Analysis.
8. BS 5700 (1984). Guide to Process Control Using Quality Control Chart Methods and CuSum
Techniques.
9. BS 5703 (1980). Data Analysis and Quality Control Using Cusum Techniques.
10. Department of Defense (1994). Framework for Managing Process Improvement: A Guide to the
Methodology.
11. FAO/WHO Codex Alimentarius (1985). Recommended international Code for Hygienic Practices
for Production Meat and Poultry Products.
12. FDA (1987). Guideline on General Principles of Process Validation.
13. GUM (1995). Guide to the expression of uncertainty in measurement. BIPM, IEC, IFCC, ISO,
IUPAC, IUPAP, OIML.
14. IDEF0 (1993). Integration Definition for Function Modeling.
15. ISO Guide 30 (1981). Termes et definitions utiliss en rapport avec les matriaux de rfrence.
16. ISO Guide 31 (1981). Contenu des certificats des matriaux de rfrence.
17. ISO 2859 (1989). Rgles d'chantillonage pour les contrles par attributs.
Partie 0. Introduction au systme d'chantillonage par attributs de l'ISO 2859.
Partie 1. Plans d'chantillonage pour les contrles lot par lot, indexs d'aprs le niveau de qualit
acceptable (NQA).
Partie 2. Plans d'chantillonage pour les contrles de lots isols, indexs d'aprs la qualit limite
(QL).
18. ISO 3534 (1993). Statistics --- Vocabulary and symbols.
Part 1. Probability and general statistical terms.
Part 2. Statistical quality control.
19. ISO 3951 (1989). Rgles et tables d'chantillonage pour les contrles par mesures des
pourcentages de non conformes.
20. ISO 5725 (1991). Accuracy (Trueness and Precision) of Measurement Methods and Results.
Part 1. General principles and definitions.
Part 2. A basic method for the determination of repeatability and reproducibility of a standard
measurement method.
Part 3. Intermediate measures on the precision of a standard measurement method.
Part 4. Basic methods for the determination of the trueness of a standard measurement method.
Part 5. Alternative methods for the determination of the precision of a standard measurement
method.
Part 6. Use in practice of accuracy values.
21. ISO 7870 (1988). Control Charts---General Guide and Introduction.
22. ISO 7873 (1988). Control Charts for Arithmetic Average with Warning Limits.
23. ISO 7966 (1989). Acceptance Control Charts.
24. ISO 8258 (1991). Shewhart Control Charts.
25. ISO 8422 (1988). Plans d'chantillonage progressifs par attributs.
26. ISO 8423 (1988). Plans d'chantillonage progressifs pour le contrle par mesures de la proportion
d'individus non conformes (cart-type connu).
27. ISO 14560 (2001). Acceptance sampling procedures by attributes --- Specified quality levels in
nonconforming items per million.
28. MIL-STD-105E (1989). Sampling procedures and tables for inspection by attributes.
29. MIL-STD-1235B (1962). Single and multi-level continuous sampling procedures and tables for
inspection by attributes.
30. MSA Measurement System Analysis Manual reference QS-9000 (1998). Carwin
31. QS-9000 (1995). Quality System Requirements. Carwin.
32. UNE 66175:2003. Sistema de gestin de la calidad. Gua para la implantacin del sistema de
indicadores.
33. UNE-EN ISO 9000 (2000). Sistemas de gestin de la calidad --- Fundamentos y vocabulario.(ISO
9000:2000).
34. UNE-EN ISO 9001 (2000). Sistemas de gestin de la calidad --- Requisitos. (ISO 9001:2000).
35. UNE-EN ISO 9004 (2000). Sistema de gestin de la calidad --- Directrices para la mejora del
desempeo. (ISO 9004:2000).
36. UNE-EN ISO 10012 (2003). Sistema de gestin de las mediciones. Requisitos para los procesos
de medicin y los equipos de medicin (ISO 10012:2003).
37. UNE-EN ISO 19011 (2002).Directrices para la auditoria de los sistemas de gestin de la calidad
y/o ambiental (ISO 19011:2002).
38. UNE-EN ISO 19011 (2002) ERRATUM. Directrices para la auditoria de los sistemas de gestin de
la calidad y/o ambiental.
39. UNE-EN ISO/IEC 17024:2003. Evaluacin de la conformidad. Requisitos generales para los
organismos que realizan certificacin de personas (ISO/IEC 2003).
40. UNE-EN ISO/IEC 17025:2003. Requisitos generales relativos a la competencia de los laboratorios
de ensayo y calibracin (ISO/IEC 1999).
41. UNE-EN ISO/TS 16949:2002. Sistema de gestin de la calidad. Requisitos particulares para la
aplicacin de la norma ISO 9001:2000 para la produccin en serie y de piezas de recambio en la
industria del automvil.
42. UNE-EN ISO/TS 16949:2002 ERRATUM. Sistema de gestin de la calidad. Requisitos
particulares para la aplicacin de la norma ISO 9001:2000 para la produccin en serie y de piezas
de recambio en la industria del automvil.
43. VIM (1993). International Vocabulary of Basic and General Terms in Metrology. BIPM, IEC, IFCC,
ISO, IUPAC, IUPAP, OIML.

Bibliografa 231
Artculos
1. Alt, F. B. & Smith, N. D. (1988).Multivariate Control Process, en Handbook of Statistics, ed. P.R.
Krishnaiah & C.R. Rao, pp. 333-351, Elsevier.
2. Alwan, L. C. & Roberts, H. V. (1989). Time Series Modeling for Statistical Process Control.
Journal of Bussiness & Economic Statistics 6, 87-95.
3. Box, G. & Kramer, T. (1992). Statistical Process Monitoring and Feedback Adjustement: A
Discussion. Technometrics 34, 251-285.
4. Barba, E. (1994). La ingeniera simultnea. Quaderns de Tecnologia 8, 152-153.
5. Boardman, T. J. (1994). The Statiscian who Changed the World: W. Edwards Deming, 1900-
1993. The American Statistician 48.
6. Canela, M. A. & Rotger, J. J. (1994). La cultura de la calidad en Japn. Quaderns de Tecnologia
8, 133-136.
7. IUPAC (1990). Harmonized Protocols for the Adoption of Standardized Analytical Methods and
for the Presentation of their Performance Characteristics. Pure and Applied Chemistry 62, 149--
162.
8. Juran, M. (1994). The Upcoming Century of Quality, Quality Progress.
9. Kondo (1995). Quality and people, en Total Quality Management, Proceedings of the First World
Congress. Chapman & Hall.
10. Montgomery, D. G. & Mastrangelo, C.M. (1991). Some Statistical Process Control Methods for
Autocorelated Data. Journal of Quality Technology 23, 179-204.
11. Rodrguez, R. R. (1992). Recent Developments in Process Capability Analysis. Journal of
Quality Technology 24, 176-187.
12. Romano, P. (2000). ISO 9000; What is its impact on performance? Quality Management Journal
7.
13. Vander Wiel, S. A., Faltin, F.W. & Doganaksoy, N. (1992). Algorithmic Statistical Process Control:
Concepts and Application. Technometrics 34, 286-297.
14. Woodall, W. H. & Adams, B. M. (1993). The Statistical design of CUSUM Charts. Quality
Engineering 5, 559-570.


Gestio de La Qualitat PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Gestio de La Qualitat PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Este libro trata de las nociones bsicas de la ges-

tin de la calidad y de algunas tcnicas estadsticas

Anda mungkin juga menyukai