Control Estadstico de Procesos

Crculo de Calidad: Medio

INDICE

1.-Indice y bibliografia_________________________________________________________ 1
2.-Introduccion ______________________________________________________________ 2
3.-Soluciones de los problemas propuestos ________________________________________ 3 32

BIBLIOGRAFIA

Control Estadstico de Procesos Robert T. Amsden, Howard E. Butler, Davida M.

Amsden
Control Estadstico de Procesos Antonio Sole Cabanes

Control Estadstico de Procesos

Crculo de Calidad: Medio

INTRODUCCION:

El presente trabajo est orientado bsicamente al desarrollo de herramientas estadsticas para un

control estadstico, estas pueden ser: distribucin de frecuencias, diagramas de Pareto,
diagramas de dispersin, diagramas de tallo y hoja, graficas de probabilidades normales,
histogramas de barras, entre otros.
Tambin se desarrollara distintos tipos de ejercicios sobre problemas en un proceso productivo,
esto de la mano con las herramientas tales como: leyes de probabilidades, tcnicas de muestreo,
etc.
Todo lo anterior repercute en un mejoramiento y optimizacin de los procesos productivos de una
empresa.

Control Estadstico de Procesos

Crculo de Calidad: Medio

EJERCICIOS DE CONTROL ESTADISTICA DE PROCESOS:

PROBLEMA (1):
Un banco nacional ha establecido estndares de la calidad para sus sucursales y ha asignado
una porcin del presupuesto de salarios en esta base. Una medida del nivel del servicio es el
tiempo requerido para completar todos los trmites de abrir una cuenta de cheques. Un tiempo de
ms de 12 minutos e considerado un mal servicio y el tiempo tiene una desviacin estndar
conocida de 4.2 minutos.
Disear un plan de muestreo para variables, para una muestra de n=36 observaciones que
permitir a la matriz muestrear a las sucursales para que el riesgo de rechazar la queja de una
sucursal (que promedia 12 minutos o menos) se limita a 1%(cuando el tiempo medio real es de 12
minutos).

RESOLUCION:

DATOS:
= 12
n = 36
xx 12
= 4,2

xx = + Z/2(/

= 0,01
xx = 12 +2,33(4,2/

xx =13,631

0.01

xx 13,63

0.49

-3 -2 -1
2 3

2.33

Control Estadstico de Procesos

Crculo de Calidad: Medio

PROBLEMA (2) :

Anlisis de grficos
9.1 Histogramas
9.2 Diagrama de Pareto
9.3 Diagramas de dispersin

9.4 Boxplots
9.5 Diagrama de Tallo y Hoja
9.6 Grafico de Probabilidad Normal

RESOLUCION:
HISTOGRAMAS: Es una instantnea del proceso o una imagen de un proceso en un momento
dado, se usan para los siguientes propsitos:
a) Evaluar o revisar los procesos
b) Indicar la necesidad de tomar acciones correctivas
c) Medir los efectos de dichas acciones correctivas
d) Comparar el rendimiento de cada maquina

DIAGRAMA DE PARTEO: Este mtodo nos ayuda a analizar los problemas de calidad existentes
en el proceso y tambin es un instrumento de comunicacin que permite decidir cual de los
problemas resolver primero. Es una grfica para organizar datos de forma que estos queden en
orden descendente, de izquierda a derecha y separados por barras. Permite, pues, asignar un
orden de prioridades. El diagrama permite mostrar grficamente el principio de Pareto (pocos
vitales, muchos triviales), es decir, que hay muchos problemas sin importancia frente a unos pocos
graves. Mediante la grfica colocamos los "pocos vitales" a la izquierda y los "muchos triviales" a
la derecha. El diagrama facilita el estudio comparativo de numerosos procesos dentro de las
industrias o empresas comerciales, as como fenmenos sociales o naturales, como se puede ver
en el ejemplo de la grfica al principio del artculo. Hay que tener en cuenta que tanto la
distribucin de los efectos como sus posibles causas no es un proceso lineal sino que el 20% de
las causas totales hace que sean originados el 80% de los Efectos.

DIAGRAMAS DE DISPERSIN Proceso de interpretacin El Diagrama de Dispersin expresa el

grado de relacin entre dos variables, y dicha relacin no necesariamente significa que
una de ellas es la causa de la otra. Ejemplo: r g q .o ibe n d . f u w El
anlisis de un Diagrama de Dispersin es un proceso de cuatro pasos: w Primero: Elaborar una
teora admisible y relevante sobre la supuesta relacin entre dos variables. w Segundo: Recoger
datos y construir el Diagrama. Tercero: Identificar y clasificar la pauta de correlacin. Cuarto:
Discutir la teora original y considerar otras explicaciones. La construccin y
clasificacin del Diagrama de Dispersin es la parte central del proceso. No es ni el principio ni el
final. Diagrama de dispersin

Control Estadstico de Procesos

Crculo de Calidad: Medio

BOXPLOTS: Esta presentacin visual, asocia las cinco medidas que suelen trabajarse de forma
individual.
Presenta
al
mismo
tiempo,
informacin
sobre
la tendencia
central, dispersin y simetra de los datos de estudio. Adems, permite identificar con claridad y de
forma individual, observaciones que se alejan de manera poco usual del resto de los datos. A
estas observaciones se les conoce como valores atpicos. Por su facilidad de construccin e
interpretacin, permite tambin comparar a la vez varios grupos de datos sin perder informacin ni
saturarse de ella. Esto ha sido particularmente importante a la hora de escoger esta
representacin para mostrar la opinin de los estudiantes respecto a la actuacin docente a travs
de las diversas preguntas del instrumento utilizado.
Las partes del Boxplot se identifican como sigue:
1.-Lmite superior: Es el extremo superior del bigote. Las opiniones por encima de este lmite se
consideran atpicas. Para ms detalles consulte sobre la construccin de los lmites y los valores
atpicos.
2.-Tercer cuartil (Q3): Por debajo de este valor se encentran como mximo el 75% de las
opiniones de los estudiantes.
3.-Mediana: Coincide con el segundo cuartil. Divide a la distribucin en dos partes iguales. De este
modo, 50% de las observaciones estn por debajo de la mediana y 50% est por encima.
4.-Primer cuartil (Q1): Por debajo de este valor se encuentra como mximo el 25% de las
opiniones de los estudiantes
5.-Lmite inferior: Es el extremo inferior del bigote. Las opiniones por debajo de este valor se
consideran atpicas. Para ms detalles consulte sobre la construccin de los lmites y los valores
atpicos.
6.-Valores atpicos: Opiniones que estn apartadas del cuerpo principal de datos. Pueden
representar efectos de causas extraas, opiniones extremas o en el caso de la tabulacin manual,
errores de medicin o registro.
Se colocan en la grfica con asteriscos (*) o puntos (.) segn se alejan menos o ms del
conjunto de datos. Se utiliza un superndice numrico para indicar el nmero de veces que
aparece ese dato como atpico. NOTA: Esta presentacin en lnea del Boxplot est en primera
versin y aun en proceso de mejora. Se sealan los datos atpicos con una circunferencia (o) en el
caso de ser nica la observacin. En caso contrario, usted slo ver un tringulo ($). Si esto
sucede, debe remitirse al reporte numrico para verificar la cantidad de observaciones atpicas por
pregunta.

7.-Media aritmtica: Es lo que tradicionalmente se conoce como promedio. Originalmente no

forma parte del boxplot, sin embargo, se consider su inclusin para dar una idea del puntaje
general obtenido por pregunta. Actualmente se trabaja en la elaboracin de estadsticos ms
representativos que la media aritmtica para describir el conjunto de datos.

Control Estadstico de Procesos

Crculo de Calidad: Medio

DIAGRAMA DE TALLO Y HOJA: Nos permite determinar rpidamente algunas caractersticas

importantes de los datos que nos evidentes en la tabla de dato.

GRAFICO DE PROBABILIDAD NORMAL El grfico de probabilidad normal es una importante

herramienta grfica para comprobar si un conjunto de datos puede considerarse o no procedente
de una distribucin normal.

PROBLEMA (3):
Supngase que los dimetros de los tornillos fabricados por una compaa estn distribuidos
normalmente con una media 0.25 pulgadas y = 0.02 pulgadas. Se considera defectuosos un
tornillo si su dimetro es 0.20 pulgadas o 0.28 pulgadas.
Hallar el porcentaje de tornillos defectuosos producidos por la compaa.
RESOLUCION:
PROBABILIDAD DE TORNILLOS BUENOS O NO DEFECTUOSOS:
P [0.20 X 0.28]
P [ (0.20-0.25)/0.02 (X-)/ (0.28-0.25)/0.02 ]
P [-2.5 Z 1.5]
P [ -2.5 Z 0] + P [ 0 Z 1.5 ]
0.4938 + 0.4332
0.9270
PROBABILIDADES DE TORNILLOS DEFECTUOSOS:
P [Xc] = 1- 0.9270 = 0.073 7.3 %
RSPTA: LA PROBABILIDAD DE QUE SE PRODUSCAN TORNILLOS DEFECTUOSOS POR LA
CIA ES UN 7.3%.

PROBLEMA (4):
Sea X la vida de un foco elctrico de marca A, y la de marca B, siendo X e E independientes. Se
sabe que X tiene una distribucin normal con media x =1000 horas y varianza 2x=2500 horas2, y
que Y tiene una distribucin normal con una media y =900 horas y varianza 2y=2400 horas2. Sea
D=(X-Y).
11a.- Cul es la distribucin de la diferencia: D(X-Y)?
11b.- analizar la distribucin de D.

Control Estadstico de Procesos

Crculo de Calidad: Medio

SOLUCION:
DATOS

MARCA A
x =1000 horas

2x=2500 horas2

n=100

=0.05

MARCA B
y =900

2y=2400 horas2

X2=0 + z *

a) d= x- y

d=1000-900

d=100

b) H0 : x- y =0

Hi: x- y =0

c) Z=?

AREA=0.475

Z=1.96

d) =

Z=1.96

2 x 2 y
+
n
n

=7

2500 2400
+
100 100

e) X1=0 - z *

X1 =0-1.96*7

X1 =-13.72

X2=0+1.96*7
X2=+13.7

Control Estadstico de Procesos

Crculo de Calidad: Medio

f)

COMPARACIN

d= x- y

d=1000-900

d=100

d
Vs X2

100
7

La vida media de la marca A y la marca B son diferentes .

X2=7

d=10
0

PROBLEMA (5):

Los propietarios de una huerta de naranjas y una planta empacadora han acordado un
Plan de Muestreo en un embarque, con una muestra de 300 naranjas, el cual se aceptara
si se encuentran daadas 6 naranjas o menos, cumple el plan las especificaciones de
limitar a 20% o menos el riesgo de la huerta, consistente en rechazar lotes que sean
buenos conteniendo solo el 2% de naranjas daadas y limita el riesgo de la planta a 25% o
menos de aceptar embarques malos con el 4% de naranjas daadas?

SOLUCION

n=300 naranjas

c 6 --- x 6

< 0.20 a NAC = 0.02

= np = 300 * 0.02 = 6

P [ x 6 | = 6 ] = 0.606

=1-0.606

= 0.394

0.25 a PTDL = 0.04

= np = 300 * 0.04 = 12

P [ x 6 | = 12 ] = 0.0458

= 0.0458

RESPUESTA

Vemos que no satisface el limite de riesgo; pero si satisface.

Control Estadstico de Procesos

Crculo de Calidad: Medio

Para el mismo problema Cul seria el efecto de cambiar el valor de aceptacin a c5?

SOLUCION

c 5 --- x 5

< 0.20 a NAC = 0.02

= np = 300 * 0.02 = 6

P [ x 5 | = 6 ] = 0.4457

= 1 - 0.4457

= 0.5543

0.25 a PTDL = 0.04

= np = 300 * 0.04 = 12

P [ x 5 | = 12 ] = 0.0203

=0.0203

RESPUESTA

La satisfaccin causada por los limites de riesgo serian los mismo con un c6 o c5.

PROBLEMA (6):

Dar las definiciones de:

a) LCMS: Limite de la calidad media de salida. Se considera que existe algn tipo de relacin entre la
proporcin de defectos previos a la inspeccin y la que hay despus de la inspeccin.

b) NCA: Nivel de calidad aceptable; es un nivel aceptable, terico y arbitrario. El NCA es definido
bsicamente en trminos de la maquina proporcin aceptable de deficiencias encontradas de la
inspeccin.

c) NCL: Nivel de calidad limite; es el nivel de calidad inaceptable en el que la probabilidad de

aceptacin debe ser baja.

d) NCI: Nivel de calidad de indiferencia; es el porcentaje no conforme al que corresponde una

probabilidad de aceptacin del 50%. Se usa, a veces, en las tablas de muestreo. Est relacionado
con una posicin entre el NCA y el NCL.

e) CC: Curva Caractersticas; en ella se tiene una representacin visual del riesgo atribuido al
productor y al consumidor. Descubre la nocin de que la inspeccin (ya sea al cien por ciento o
por muestreo) no garantiza que todos los defectos sern contados. La CC es un grafico
estadstico de la proporcin de defectos de un lote, comparada con la probabilidad de que el plan

Control Estadstico de Procesos

Crculo de Calidad: Medio

de muestreo acepte el lote. La premisa bsica de la CC es maximizar la aceptacin de los lotes

buenos y minimizar la aceptacin de los lotes malos.

f) 1 del productor: Es un riesgo en trminos del productor, est relacionado con los productos que
sern rechazados.

g) 1 del productor: Es un riesgo e trminos del productor, est relacionado con el nmero de
productos defectuosos que sern aceptados.

h) 2 del cliente: Es un riesgo en trminos del consumidor, est relacionado con los productos que
sern rechazados.

i) 2 del cliente: Es un riesgo e trminos del consumidor, est relacionado con el nmero de
productos defectuosos que sern aceptados.

j) SPC: Control estadstica de procesos; significa la evaluacin estadstica de un proceso dado,

determinando las causas de los problemas relacionados con la calidad que afectan su control, y la
erradicacin de estas.

PROBLEMA (7):

Una fundidora de metales produce lingotes de titanio cuyos pesos estn normalmente
distribuidos con =9 libras. Los lingotes embarcados que promedian menos de 200 libras
son considerados de baja calidad, y la empresa debe disminuir tales embarques. Disese
un Plan de Muestreo para muestra de n=28 que limite el riesgo de rechazar lotes que
promedian 200 libras a 4%.

SOLUCION

= 9 libras

n =28

=200

--->

9
=
=1.70 libras
n 28

Hallamos el limite:

Control Estadstico de Procesos

Crculo de Calidad: Medio

=0.05

z =1

c = - z

c = 200 - 1(1.70)

c = 198.3

RESPUESTA

Al tomar una muestra aleatoria de 28; si su peso especifico es > 198.3 libras aceptamos el
embarque, de lo contrario lo rechazamos.

Problema (8):

Una curva de calidad promedio de productos salientes (CPS) muestra la calidad promedio
esperada en todos lotes salientes despus de que los lotes rechazados de la muestra han
sido 100% inspeccionados y todos los defectos eliminados. Los lotes entrantes con un
pequeo % de defecto pasaran con una calidad resultante alta de salida. Aquellos con un
% de defectos ligeramente alto resultaran con peor calidad de salida, debido a que los
lotes que tienen una gran proporcin de defectos terminaran siendo 100% inspeccionados
y solo pasaran los artculos aceptables

Esta afirmacin es cierta o falsa FUNDAMENTE

a. Afirmativo

b. Negativo

c. Incompleto

La curva de calidad de productos salientes refleja la probabilidad de aceptar el lote dado

que la multar tomada contenga productos defectuosos.

PROBLEMA (9):

Muchos procesos de los sistemas de produccin, bienes y servicios, en general, tienen sus
limites de tolerancia naturalmente amplios dentro de los cuales caen la mayora de las
observaciones (eventos, actividades, acciones, dinmica de produccin, de presupuestos,
de negocios, de finanzas, de gestin, etc). Sin embargo, como se establece el teorema del
limite central, las medias de las muestras y las proporciones de las muestras exhiben
mucho menos variacin que los valores individuales.

Esta afirmacin es cierta o falsa. FUNDAMENTE

SOLUCION:

Control Estadstico de Procesos

Crculo de Calidad: Medio

Esto porque segn el teorema del lmite central si se tiene un grupo numeroso de variables
independientes y estas son aleatorias, y adems que todas ellas sigan un mismo modelo
de distribucin; la suma de ellas es decir las medias y varianzas van a seguir una
distribucin normal. Todo esto repercute en la amplia variacin entre valores individuales
(aleatoriedad) y en la poca variacin de las medias muestrales.

PROBLEMA (10):

Un embarque de 1000 semiconductores es inspeccionado por muestreo estadstico. El

productor y el cliente han acordado adoptar un Plan por el cual el riesgo es limitado a 5%
en NAC=1% de defectuosos, y el riesgo esta limitado a 10% en PTDL=5% de
defectuosos. Constryase la curva CO para el Plan de Muestreo con n suficientemente
apropiado y c3, e indquese si el Plan satisface los requerimientos de ambos interesados.

SOLUCION

c 3 -----> P [ x 3 ]

Usamos Poisson con una muestra de 100

P [ x 3 | ] donde = np

Para NAC P = 0.01 -----> x = 100 (0.01) = 1

P [ x 3 | = 1 ] = P [ x 0 | = 1] + P[ x 1 | = 1 ] + P[ x 2 | = 1] + P[ x | = 1 ]

P[ x 3 | = 1] = 0.3679 + 0.3679 + 0.1839 + 0.0613

P [ x 3 | = 1] = 0.981

=1 - P[ x 3 | = 1]

=1-0.981

=0.019

Para PTDL P = 0.05 -----> x = 100 (0.05) = 5

P[ x 3 | = 5 ] = P[ x 0 | = 5 ] + P[ x 1 | = 5 ] + P[ x 2 | = 5] + P[ x | = 5 ]

P[x3|=5]=0.0067+0.0337+0.0842+0.1404

P[x3|=5]=0.265

=0.265

Control Estadstico de Procesos

Crculo de Calidad: Medio

PROBLEMA (11):

Un embarque de 1100 semiconductores es inspeccionado por muestreo estadstico. El

productor y el cliente han acordado adoptar un plan por el cual el riesgo es limitado a 5%
en NAC =1.5% de defectuosos, y el riesgo est limitado a 10% en PTDL =5%
defectuosos. Constryase la curva CO para el Plan de Muestreo con n=110 y c3, e
indquese si el plan satisface los requerimientos de ambos interesados.

SOLUCION

EL PRODUCTOR:

n= 110

= 0.05

NAC=1.5%

Entonces p1= 0.015 de defectuosos

EL CLIENTE:

n= 110

=0.10

PTDL= 5%

Entonces p2= 0.05 de defectuosos Se considera un c3

PARA EL PRODUCTOR:

HALLAMOS: p [x3; 1]

Donde: 1 = np= (110)*(0.015)= 1.65

Para 1= 1.65

p (x=0) = [e-1.65 (1.65)0] / 0!]= 0.19205

p (x=1) = [e-1.65 (1.65)1] / 1!]= 0.31688

p (x=2) = [e-1.65 (1.65)2] / 2!]= 0.26143

p (x=3) = [e-1.65 (1.65)3] / 3!]= 0.14379

Entonces: p [x3; 1= 1.65]= 0.91415

,= 1-0.91415 = 0.0859
Por lo Tanto: ,>

0.0859> 0.05

Control Estadstico de Procesos

Crculo de Calidad: Medio

ESTO NO ES SATISFACTORIO PARA EL FABRICANTE YA QUE ESTA AUMENTANDO

SU RIESGO DE RECHAZAR UN LOTE BUENO.

PARA EL CLIENTE:

HALLAMOS: p [x3; 2]

Donde: 2 = np= (110)*(0.05)= 5.5

Para 2= 5.5

p (x=0) = [e-5.5 (5.5)0] / 0!]= 0.0041

p (x=1) = [e-5.5 (5.5)1] / 1!]= 0.0225

p (x=2) = [e-5.5 (5.5)2] / 2!]= 0.0618

p (x=3) = [e-5.5 (5.5)3] / 3!]= 0.1133

Entonces: p [x3; 2= 5.5]= 0.2017

,= 0.2017

Por lo Tanto:

ESTE PLAN DE MUESTREO NO ES CONVENIENTE PARA ELCLIENTE YA QUE ESTA

AUMENTANDO SU RIESGO DE ACEPTAR UN PRODUCTO MALO.

CONCLUSION:

PODEMOS CONCLUIR QUE ESTE PLAN DE MUESTREO ES INADECUADO PORQUE

PERJUDICA TANTO AL COMPRADOR COMO AL FABRICANTE, LO RECOMENDABLE
SERIA AUMENTAR EL TAMAO DE LAMUESTRA ALEATORIA YEL c; COMO SE VE A
CONTINUACION; EN EL EJERCICIO CORREGIDO:

,>;

0.2017>0.10

EL PRODUCTOR:

n= 214

= 0.05

NAC=1.5%

Entonces p1= 0.015 de defectuosos

EL CLIENTE:

n= 214

=0.10

Control Estadstico de Procesos

Crculo de Calidad: Medio

PTDL= 5%

Entonces p2= 0.05 de defectuosos

Ahora consideramos que c6

PARA EL PRODUCTOR:

HALLAMOS: p [x6; 1]

Donde: 1 = np= (214)*(0.015)= 3.21

Para 1= 3.21

p (x=0) = [e-3.21 (3.21)0] / 0!]= 0.0404

p (x=1) = [e-3.21 (3.21)1] / 1!]=0.1295

p (x=2) = [e-3.21 (3.21)2] / 2!]=0.2079

p (x=3) = [e-3.21 (3.21)3] / 3!]=0.2225

p (x=4) = [e-3.21 (3.21)4] / 4!]=0.1785

p (x=5) = [e-3.21 (3.21)5] / 5!]=0.1146

p (x=6) = [e-3.21 (3.21)6] / 6!]=0.0613

Entonces: p [x6; 1= 3.21]= 0.9547

,= 1-0.9547 = 0.0453

Por lo Tanto: ,>

EN ESTE CASO EL RIESGO DE RECHAZAR UN LOTE DISMINUYE LO QUE ES

SATISFACTORIO PARA EL PRODUCTOR

0.0453< 0.05

PARA EL CLIENTE:

HALLAMOS: p [x6; 2]

Donde: 2 = np= (214)*(0.05)= 10.7

Control Estadstico de Procesos

Para 2= 10.7

p (x=0) = [e-10.7 (10.7)0] / 0!]= 2.25*10-5

p (x=1) = [e-10.7 (10.7)1] / 1!]= 0.00024

p (x=2) = [e-10.7 (10.7)2] / 2!]= 0.00129

p (x=3) = [e-10.7 (10.7)3] / 3!]= 0.0046

p (x=4) = [e-10.7 (10.7)4] / 4!]= 0.0123

p (x=5) = [e-10.7 (10.7)5] / 5!]= 0.0263

p (x=6) = [e-10.7 (10.7)6] / 6!]= 0.0469

Entonces: p [x6; 2= 10.7]= 0.0918

Crculo de Calidad: Medio

,= 0.0918

Por lo Tanto:

ESTE PLAN DE MUESTREO ES CONVENIENTE PARA EL CLIENTE YA QUE ESTA

DISMINUYENDO SU RIESGO DE ACEPTAR UN PRODUCTO MALO.

CONCLUSION:

PODEMOS CONCLUIR QUE ESTE PLAN DE MUESTREO ES EL MAS ADECUADO

PORQUE EN EL CASO DE AMBOS ES SATISFACTORIO,REDUCEN SUS RIESGOS
TANTO PARA EL CASO DEL PRODUCTOR(PROVEEDOR) COMO PARA EL CASO
DEL CLIENTE (COMPRADOR).

ENTONCES EL PLAN DE MUESTREO RECOMENDABLE SERIA:

,<;

0.0918<0.10

n= 214
c6
=0.0453
NAC= 1.5%
n= 214
= 0.0918
PTDL= 5%

HALLAMOS LA CURVA CARACTERISTICA DE OPERACIN CO:

P( DEFE
CTUOSO
S)
0

0.001

0
0.2
14

P
(ACEPTAB
ILIDAD)
1
0.9999999
97

Control Estadstico de Procesos

0.002

0.003

0.004

0.005

0.006

0.007

0.008

0.009

0.01

0.011

0.012

0.013

0.014

0.015

0.016

0.017

0.018

0.019

0.02

0.021

0.022

0.023

0.024

0.025

0.4
28
0.6
42
0.8
56
1.0
7
1.2
84
1.4
98
1.7
12
1.9
26
2.1
4
2.3
54
2.5
68
2.7
82
2.9
96
3.2
1
3.4
24
3.6
38
3.8
52
4.0
66
4.2
8
4.4
94
4.7
08
4.9
22
5.1
36
5.3
5

Crculo de Calidad: Medio

0.9999996
41
0.9999949
01
0.9999682
59
0.9998741
54
0.9996248
2
0.9990810
47
0.9980503
08
0.9962925
48
0.9935324
07
0.9894757
90
0.9838284
57
0.9763144
61
0.9555926
99
0.9547703
48
0.9404124
93
0.9235477
33
0.9041698
93
0.8823362
85
0.8581630
88
0.8318185
30
0.8035145
47
0.7734975
77
0.7420390
44
0.7094260
34

Control Estadstico de Procesos

0.026

0.027

0.028

0.029

0.03

0.031

0.032

0.033

0.034

0.035

0.036

0.037

0.038

0.039

0.04

0.041

0.042

0.043

0.044

0.045

0.046

0.047

0.048

0.049

5.5
64
5.7
78
5.9
92
6.2
06
6.4
2
6.6
34
6.8
48
7.0
62
7.2
76
7.4
9
7.7
04
7.9
18
8.1
32
8.3
46
8.5
6
8.7
74
8.9
88
9.2
02
9.4
16
9.6
3
9.8
44
10.
058
10.
272
10.
466

Crculo de Calidad: Medio

0.6759525
24
0.6419114
42
0.6075877
65
0.5732527
23
0.5391591
73
0.5055381
02
0.4725961
96
0.4405143
92
0.4094472
79
0.3795232
42
0.3508452
13
0.3234919
00
0.2975193
94
0.2729630
34
0.2498394
36
0.2281486
13
0.2078761
11
0.1889951
10
0.1714684
39
0.1552504
80
0.1402889
32
0.1265264
22
0.1139019
53
0.1023521
85

Control Estadstico de Procesos

0.05

0.051

10.
7
10.
914

Crculo de Calidad: Medio

0.0918125
61
0.0822182
66

CURVA CO
1.2
1
0.8
p( aceptabilidad)

0.6
0.4
0.2
0
0

0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
p( defectuosos)

PROBLEMA (12):

Un embarque de 2000 semiconductores es inspeccionado por muestreo estadstico. El

productor y el cliente han acordado adoptar un plan por el cual el riesgo es limitado a 5%
en NAC =1% de defectuosos, y el riesgo est limitado a 10% en PTDL =5%

Control Estadstico de Procesos

Crculo de Calidad: Medio

defectuosos. Constryase la curva CO para el Plan de Muestreo con n=200 y c3, e

indquese si el plan satisface los requerimientos de ambos interesados.

SOLUCION

EL PRODUCTOR:

n= 200

= 0.05

NAC=1%

Entonces p1= 0.01 de defectuosos

EL CLIENTE:

n= 200

=0.10

PTDL= 5%

Entonces p2= 0.05 de defectuosos Se considera un c3

PARA EL PRODUCTOR:

HALLAMOS: p [x3; 1]

Donde: 1 = np= (200)*(0.01)= 2

Para 1= 2

p (x=0) = [e-2 (2)0] / 0!]= 0.1353

p (x=1) = [e-2 (2)1] / 1!]= 0.2707

p (x=2) = [e-2 (2)2] / 2!]= 0.2707

p (x=3) = [e-2 (2)3] / 3!]= 0.1804

Entonces: p [x3; 1= 2]= 0.8571

,= 1-0.8571 = 0.1429

Por lo Tanto: ,>

ESTO NO ES SATISFACTORIO PARA EL FABRICANTE YA QUE ESTA AUMENTANDO

SU RIESGO DE RECHAZAR UN LOTE BUENO.

0.1429> 0.05

Control Estadstico de Procesos

Crculo de Calidad: Medio

PARA EL CLIENTE:

HALLAMOS: p [x3; 2]

Donde: 2 = np= (200)*(0.05)= 10

Para 2= 10

p (x=0) = [e-10 (10)0] / 0!]= 4.54*10-5

p (x=1) = [e-10 (10)1] / 1!]= 4.54*10-4

p (x=2) = [e-10 (10)2] / 2!]= 2.27*10-3

p (x=3) = [e-10 (10)3] / 3!]= 7.57*10-3

Entonces: p [x3; 2= 10]= 0.0103

,= 0.0103

Por lo Tanto:

ESTE PLAN DE MUESTREO ES CONVENIENTE PARA EL CLIENTE YA QUE ESTA

DISMINUYENDO SU RIESGO DE ACEPTAR UN PRODUCTO MALO.

CONCLUSION:

PODEMOS CONCLUIR QUE ESTE PLAN DE MUESTREO ES INADECUADO PORQUE

PERJUDICA AL FABRICANTE, LO RECOMENDABLE SERIA AUMENTAR EL TAMAO
DE LAMUESTRA ALEATORIA Y EL c; COMO SE VE A CONTINUACION; EN EL
EJERCICIO CORREGIDO:

,<;

0.0103<0.10

EL PRODUCTOR:

n= 300

= 0.05

NAC=1%

Entonces p1= 0.01 de defectuosos

Ahora consideramos que c6

EL CLIENTE:

n= 300

=0.10

Control Estadstico de Procesos

Crculo de Calidad: Medio

PTDL= 5%

Entonces p2= 0.05 de defectuosos

Ahora consideramos que c6

PARA EL PRODUCTOR:

HALLAMOS: p [x6; 1]

Donde: 1 = np= (300)*(0.01)= 3

Para 1= 3.21

p (x=0) = [e-3. (3)0] / 0!]= 0.0498

p (x=1) = [e-3. (3)1] / 1!]=0.1494

p (x=2) = [e-3. (3)2] / 2!]=0.2240

p (x=3) = [e-3. (3)3] / 3!]=0.2240

p (x=4) = [e-3. (3)4] / 4!]=0.1680

p (x=5) = [e-3. (3)5] / 5!]=0.1008

p (x=6) = [e-3. (3)6] / 6!]=0.0504

Entonces: p [x6; 1= 3]= 0.9664

,= 1-0.9664 = 0.0336

Por lo Tanto: ,<

EN ESTE CASO EL RIESGO DE RECHAZAR UN LOTE BUENO DISMINUYE LO QUE ES

SATISFACTORIO PARA EL PRODUCTOR

0.0336< 0.05

PARA EL CLIENTE:

HALLAMOS: p [x6; 2]

Donde: 2 = np= (300)*(0.05)= 15

Para 2= 15

p (x=0) = [e-15 (15)0] / 0!]= 3.06*10-7

Control Estadstico de Procesos

p (x=1) = [e-15 (15)1] / 1!]= 4.59*10-6

p (x=2) = [e-15 (15)2] / 2!]= 3.44*10-5

p (x=3) = [e-15 (15)3] / 3!]= 1.72*10-4

p (x=4) = [e-15 (15)4] / 4!]= 6.45*10-4

p (x=5) = [e-15 (15)5] / 5!]= 1.94*10-3

p (x=6) = [e-15 (15)6] / 6!]= 4.84*10-3

Entonces: p [x6; 2= 10.7]= 0.00763

Crculo de Calidad: Medio

,= 0.00763

Por lo Tanto:

ESTE PLAN DE MUESTREO ES CONVENIENTE PARA EL CLIENTE YA QUE ESTA

DISMINUYENDO SU RIESGO DE ACEPTAR UN PRODUCTO MALO.

CONCLUSION:

PODEMOS CONCLUIR QUE ESTE PLAN DE MUESTREO ES EL MAS ADECUADO

PORQUE EN EL CASO DE AMBOS ES SATISFACTORIO,REDUCEN SUS RIESGOS
TANTO PARA EL CASO DEL PRODUCTOR(PROVEEDOR) COMO PARA EL CASO
DEL CLIENTE (COMPRADOR).

ENTONCES EL PLAN DE MUESTREO RECOMENDABLE SERIA:

,<;

n= 300
c6
=0.0336
NAC= 1.5%
n= 300
= 0.00763
PTDL= 5%

P( DEFEC
TUOSOS)
0
0.01
0.011
0.012
0.013
0.014
0.015
0.016
0.017

0
3
3.3
3.6
3.9
4.2
4.5
4.8
5.1

0.00763<0.10

Control Estadstico de Procesos

0.018
0.019
0.02
0.021
0.022
0.023
0.024
0.025
0.026
0.027
0.028
0.029
0.03
0.031
0.032
0.033

0.034

0.035

0.036

0.037

0.038

0.039
0.04

0.041

0.042

0.043

0.044

0.045

0.046

0.047

0.048

0.049

5.4
5.7
6
6.3
6.6
6.9
7.2
7.5
7.8
8.1
8.4
8.7
9
9.3
9.6
9.9
10.
2
10.
5
10.
8
11.
1
11.
4
11.
7
12
12.
3
12.
6
12.
9
13.
2
13.
5
13.
8
14.
1
14.
4
14.
7

Crculo de Calidad: Medio

Control Estadstico de Procesos

0.05

0.051

Crculo de Calidad: Medio

15
15.
3

CURVA CO
1.2
1
0.8
p( aceptabilidad)

0.6
0.4
0.2
0
0

0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
p( defectuosos)

PROBLEMA (13):

El promedio de clientes que entran a una tienda por da era de 175. Se hace una campaa
publicitaria durante 7 semanas. Durante la campaa, el promedio de clientes aumento a
181 por dia con una varianza de 441, aument en forma significativa el nmero de
clientes que entran a la tiemda gracias a la campaa publicitaria?, (=0,01).

SOLUCION
1)

Hiptesis: Como queremos saber si ha aumentado en forma significativa el nmero de clientes

que entra a una tienda gracias a la campaa publicitaria , por lo tanto planteamos la siguiente
hiptesis:

Ho:

H1:

2)

Nivel
de
confianza (1)

99%
=0.9
9

Nivel
de
significancia

1%=

Control Estadstico de Procesos

Crculo de Calidad: Medio

()

0.01

3)

Estadgrafo de prueba o dcima: Como la prueba es unilateral derecha , el valor de Z= 2,33

4) Estadstica de la prueba:

= 2.0

5) Contraste calculado y tabulado: Como 2.0 es menor de 2.33 aceptamos la hiptesis nula.

2.

Conclusin: Podemos afirmar con un nivel de significacin de 0.01 que el nmero de

clientes que entran a la tienda gracias a la campaa publicitaria no ha aumentado
significativamente.

PROBLEMA (14):
Un ingeniero industrial calcula la diferencia que hubo entre las ganancias netas de
impuestos de 100 grandes Sociedades Annimas, elegidas aleatoriamente, durante el
tercer trimestre del 2010 y el mismo periodo del 2008 y determina que el aumento
promedio de la utilidad neta para esta muestra en particular fue del 18% con un desvo
estndar del 20%. Si estamos razonablemente seguros de que el verdadero aumento

Control Estadstico de Procesos

Crculo de Calidad: Medio

promedio en utilidades netas del periodo, para todas las grandes sociedades fue superior
al 13% pero inferior al 23%, qu coeficiente de confianza utiliz este profesional?
SOLUCION

Datos:

=0.18

=0.20

0.13< X < 0.23

Como la muestra es mayor de 30 datos usamos la docima Z para hallar el coeficiente de

confianza

Z=

X
n

Entonces:

0.13< X < 0.23

0.130.18< X <0.230.18

0.130.18
X
0.230.18
100<
n<
100
0.20

0.20

P(2.5<Z <2.5)=1
Buscando en tablas de Z de distribucin normal tpica de dos colas tenemos que para
valores Z de 2.5 se da un nivel de confianza del 99% es decir
1 =99

Rpta: El profesional trabajo con un coeficiente de confianza de 99%.

PROBLEMA (15):

Se establece una grafica de control con limites 2 para usarse en el monitoreo de

muestras de tamao n=100 de un proceso con una desviacin estndar de =5 onzas.

Control Estadstico de Procesos

Crculo de Calidad: Medio

Suponiendo que el proceso esta normalmente distribuido y esta bajo control Qu

proporcin de los valores individuales caer fuera de los limites de control?
SOLUCION:

Desviaciones = 2

= 5 onzas

= 1- P [-2 x2]

=1- P [(-2-0)/5(x-)/ (2-0)/5]

=1- P [-0.4 Z 0.4]

=1-2(P [0 Z 0.4])

=1-2(0.1554)

=1-0.3408 =0.6892

= 69%

PROBLEMA (16):

Un productor de cosmticos ha establecido niveles de actividad de control de la calidad en

unidades de horas-trabajador equivalentes de inspeccin y control dedicada a un producto
por dia. Cada unidad equivalente de hora-trabajador cuesta normalmente $20. La empresa
considera que con 0 unidades equivalentes de hora-trabajador, el costo del producto
defectuoso es de $400, y cada unidad adicional lo reduce en $30. Cul es el nivel optimo
de actividad de control de la calidad en trminos de horas-trabajador equivalentes?

SOLUCION

Dado que cada hora de inspeccin y control cuesta solo $20 y reduce los costos de
productos defectuosos en $30/h, sense tantas horas como se necesite para eliminar el
costo de $400 o ($400)/($30/h)=13.3 horas.

PROBLEMA (17):

Una muestra aleatoria de 400 artculos se toma de un proceso de produccin para probar
la hiptesis de que el proceso tiene 10% de defectuosos. Se encontraron 80 defectuosos.

a) Cul es el error estndar terico (hipottico de la proporcin, p)?

b) Cul es el error estimado de la proporcin basado en la evidencia de la muestra, Sp?
SOLUCION

n= 400 articulos

Control Estadstico de Procesos

p = 0.1 %

q = 0.9 %

Crculo de Calidad: Medio

(a) Error estimado teorico (hipotetico)

p=

pq
0.10.9
=
=0.015
n
400

(b) Error Estimado segun la evidencia

80

p= 100

p=0.2

q=0.8

p=

pq
0.20.8
=
=0.02
n
400

RESPUESTA: (a) 0.015 y (b) 0.02.

Problema (18):

El departamento de operaciones de una compaa de gas y de una ciudad tiene un

estndar de la calidad del servicio de no mas de cuatro quejas por hora. Si la compaa
promedia cuatro quejas por hora, Cul es la probabilidad de que pasen 30 minutos sin
quejas?

SOLUCION

Utilizando la probabilidad de poisson desarrollamos el presente ejercicio

= 4 quejas por cada hora

= 1 = 2 quejas en 30 dias

P [x=0] = (20)*(e-2) / 0!

P [x=0] = 0.135

Entonces:

La probabilidad de que en media hora no haya ninguna queja es de 0.135

Control Estadstico de Procesos

Crculo de Calidad: Medio

PROBLEMA (19):

Los componentes defectuosos est saliendo de una lnea de ensamble a una taza
promedio de 3.5 por minuto, Cul es la probabilidad de que ms de 5 defectuosos lleguen
en un minuto?

SOLUCION

= 3.5 defectuosos

P [x>5] = 1 - P [x5]

P [x=0] = (3.50 * e-3.5) / 0! = 0.0302

P [x=1] = (3.51 * e-3.5) / 1! = 0.1057

P [x=2] = (3.52 * e-3.5) / 2! = 0.1850

P [x=3] = (3.53 * e-3.5) / 3! = 0.2158

P [x=4] = (3.54 * e-3.5) / 4! = 0.1888

P [x=5] = (3.55 * e-3.5) / 5! = 0.1322

Dichos datos tambin pueden ser obtenidos mediantes las tablas de poisson

P [x5] = P[x=0] + P[x=1] + P[x=2] + P[x=3] + P[x=4] + P[x=5]

P [x5] = 0.8577

Entonces, debido a que el problema nos pide hallar de defectuosos hacemos:

P [x>5] = 1 P [x5] = (1 0.8577) = 0.1423

P [x>5] = 0.1423

PROBLEMA (20):

Northeast Paper Co., empaca un gran volumen de hojas bajo una marca para una cadena
de alimentos. Ocasionalmente los empaques son defectuosos debido a los cortes finales,
el color est manchado, o no apropiadamente sellados. La compaa de papel y la cadena
de alimentos han acordado adoptar un plan de muestreo para que el riesgo de Northeast
Paper Co., este limitado al 25 de rechazar lotes que sean buenos con 0.5% de defectuosos
(p=0.005) y el riesgo de la cadena no sea mayor de 5% de aceptar lotes malos con 4% de
defectuosos.

a) Constryase la curva CO para el plan de muestreo (n=200, c3)

b) este plan satisface el acuerdo del riesgo para la compaa papelera?
c) satisface este plan el riesgo para la cadena de alimentos?

Control Estadstico de Procesos

Crculo de Calidad: Medio

SOLUCION

a)

P0
0.01

n
200

P0 n
2

0.02

200

0.03

200

0.04

200

0.05

200

10

0.06

200

12

0.07

200

14

0.08

200

16

0.09

200

18

0.10

200

20

P
0.85712
35
0.43347
01
0.15120
39
0.04238
01
0.01030
61
0.00229
18
0.00047
42
9.314*1
0-5
1.756*1
0-5
3.204*1
0-6

Para calcular P usamos la ley de Poisson dado que el nmero de muestreo es con
sustitucin siendo n>30 observaciones. A continuacin se presenta la curva caracterstica
CC.

Control Estadstico de Procesos

Crculo de Calidad: Medio

CO
0.9
0.8
0.7
0.6
probabilidad de aceptacin (Pa)

0.5
0.4
0.3
0.2
0.1
0

porcentaje de defectuosos

b) riesgo para la compaa papelera (riesgo del productor) es de 1=2% 1=98% a uj NAC =0.05

1=np

0.005

200

P[x3/
1]
0.98101
18

Riesgo

calculado=
0.02

El riesgo calculado es igual al riesgo terico entonces el plan esta a favor del productor,
hay una mayor probabilidad de aceptar lotes buenos. En resumen se cumple la condicin
con una probabilidad de aceptacin del 98%.

c) Riesgo para la cadena de alimentos (riesgo del consumidor) es de

NCL=PTDL=0.4

2=np

0.04

200

P[x3/
2]
0.0423

1=95%

1=5% a un

Riesgo

calculado=0.0

Control Estadstico de Procesos

Crculo de Calidad: Medio

801

423801

PROBLEMA (21):

Un banco nacional ha establecido estndares de la calidad para sus sucursales y a

asignado un porcin del presupuesto de salarios en esta base. Una medida del nivel del
servicio es el tiempo requerido para completar todos los trmites de abrir una cuenta de
cheques. Un tiempo de mas de 12 minutos es considerado un mal servicio y el tiempo
tiene una desviacin estndar conocida de 4.2 minutos.

N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

DA
TO
S
14
14
13
15
13
13
12
15
13
11
14
13
14
14
16
13
13
11
15
14
14
14
14
15
13
14
14
14
13
14
12
15
14
14
15
12

Disese un plan de muestreo para variables, para una muestra

de n=36 observaciones, que permitir la matriz muestrear a las
sucursales para que el riesgo de rechazar la queja de una
sucursal (que promedia 12 minutos o menos) se limite a 1%
(cuando el tiempo medio real es 12 minutos).

Nos pide disear una muestra con 36 observaciones que

veremos a continuacin:

DES
VIACI
ON

MEDI
A

1%

4.2
13.
638
888
9
0.0
380
555
6

SE ACEPTA CON
MEDIA DE 13.68

LA

Problema (22):

La siguiente regla se utiliza en el control de la operacin de u

proceso de produccin de ciertas piezas: seleccionar
aleatoriamente una muestra de 36 piezas si el porcentaje de

Control Estadstico de Procesos

Crculo de Calidad: Medio

piezas defectuosas en la muestra es P0 por ciento o ms, detener el proceso; en caso

contrario, continuar con el proceso.

Determnese el valor de P0 de modo que haya una probabilidad de 90% de que sea
detenido un proceso que est produciendo un 10% de piezas defectuosas, en promedio

SOLUCION

Datos:

p = 0.10

q = (1 p) = 0.90

n = 36

= np = 3.6

npq

= 1.8

Resolviendo:

P [ z > n P0 Z /2 () ] = 0.10

P = 0.10

z = 1.28

1.28 = n P0 Z/2 ()

1.28 = 36 P0 (1.64) * (1.8)

1.28 + 2.95 = 36 P0

4.23 = 36 P0

4.23 = 36 P0

Entonces :

P0 = 0.12