Resumen

1. Introducción

2. Tablas de control estadístico

3. Tablas X¯ (media conocida de la población)

4. Tabla de S (desviación estándar conocida de la población)

5. Tablas ¯X y S (media y varianza desconocida de la población)

6. Procedimientos de muestreo para la observación

7. Desarrollo de planes de muestreo sencillo para riesgos estipulados del

productor y del consumidor

8. Muestreo para la aceptación por variables.

Métodos para el control de calidad y

muestreo de aceptación
1. Introducción
Es necesario establecer un procedimiento para inspeccionar una muestra
relativamente pequeña del producto proveniente de un lote para decidir si
reúne los estándares de calidad deseados. Un procedimiento de este tipo
incluye la noción de muestreo para la aceptación.

2. Tablas de control estadístico

Es un proceso inferencial basado en un muestreo repetitivo. Se emplea para
definir un estándar de calidad para un proceso de fabricación y para
determinar si éste se mantiene durante el proceso. De esta forma una tabla de
control estadístico de calidad es el proceso inferencial por el cual se decide si
una desviación observada de la norma deseada se debe al azar o a alguna
causa fija. Si es del azar se dice que el proceso está bajo control.

Los errores de tipo I y de tipo II se enuncian ahora de la manera siguiente:

Error de tipo I, declarar a un proceso fuera de control cuando en realidad está
bajo control. Error de tipo II: Declarar a un proceso bajo control cuando en
realidad está fuera de control.

3. Tablas X¯ (media conocida de la población)

Sea X1, X2, …, Xn una muestra aleatoria de tamaño n, en donde cada

La probabilidad de que

Los límites de control tres-sigma son

Cuando se toma una muestra de tamaño n y se calcula la media muestral, si

esta se encuentra en los límites anteriores se considera que el proceso se
encuentra bajo control. Por lo tanto, cada vez que se toma una muestra se está
probando la hipótesis nula de que la media del proceso es igual a μ contra la
hipótesis alternativa, de que ha habido un corrimiento en la media del proceso.

Ejemplo 1

Una máquina rellena un recipiente con 500 g de una sustancia, con una
desviación estándar de 2 g. Se toman 10 muestras diarias, cada una de 5
recipientes, y se mide el peso de cada recipiente. Los peso promedios para las
10 muestras en una semana son

Nº de muestra 1 2 3 4 5 6 7 8 9 10
Media muestra 498,37 499,49 501,25 498,63 502,97 500,56 499,23 498,76 501,05 500,27

Para los límites de control 3σ, ¿se encontró el proceso bajo control durante
esta semana? Con estos límites, ¿cuál es la probabilidad de no detectar un
corrimiento de 500 a 503 g en la media?

Dado que n=5, μ=500 y σ=2, los límites de control 3σ son 500±3
(2/50,5)=(497,3167; 502,5833). Nótese en la figura que la media muestral
quinta está por encima del límite superior; de esta forma, durante este tiempo
el proceso se juzgó como fuera de control.
La probabilidad de obtener un valor de la media muestral fuera de los límites
de control si el proceso se encuentra realmente bajo control es:

valor que se obtiene de 1-

(DISTR.NORM(502,683282;500;2/5^0,5;VERDADERO)-
DISTR.NORM(497,316718;500;2/5^0,5;VERDADERO))

Veamos el 2º apartado, la probabilidad de no detectar un corrimiento en la

media cuando ésta pasa a μ=503 es igual a:

valor que se obtiene:

=(DISTR.NORM(502,683282;503;2/5^0,5;VERDADERO)-
DISTR.NORM(497,316718;503;2/5^0,5;VERDADERO))

4. Tabla de S (desviación estándar conocida de la

población)
La variabilidad de un proceso es casi tan importante como el control del
promedio. Mantener un nivel aceptable en las tasas de variación se considera
vital en la fabricación de instrumentos de precisión.
Las tablas de control de variabilidad de un proceso se obtendrán mediante el
empleo de la desviación estándar muestral.

los límites de control 3σ son E(S) ± 3.d.e(S). Para obtener los valores de E(S)
y de Var(S) téngase en cuenta lo siguiente:

Por tanto:

Como Y sigue una chi-cuadrada con n-1 grado de libertad

Luego

Por tanto
En consecuencia

Para la varianza se obtiene:

Var (S2)=E(S2)-[E(S)]2

de ahí

la desviación estándar

y los límites de control 3σ son

Como la varianza σ es conocida, estos límites sólo dependen de c4 y c5, que a

su vez sólo dependen de n, el tamaño de la muestra. Para los valores usuales
de n, se obtiene:

n 4 5 6 7 8 9 10 11 12 13 14 15
c4 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727 0,9754 0,9776 0,9794 0,9810 0,9823
c5 0,3888 0,3412 0,3075 0,2822 0,2621 0,2458 0,2322 0,2207 0,2107 0,2019 0,1942 0,1872
Ejemplo 2

Si σ=2, los límites de control 3σ para la desviación estándar muestral, para

una muestra de tamaño n=5, son:

(0,94).2±(3)(0,3412)(2) lo que da el intervalo (- 0,1673 ; 3,9273 ) ;es decir, (0;

3,9273).

El proceso será considerado bajo control siempre que la desviación estándar

muestral se halle dentro de los límites de control ya establecidos.

5. Tablas ¯X y S (media y varianza desconocida de la

población)
Cuando la media del proceso no se conoce, tampoco se conoce la llamada
línea central de la tabla de control. Si la línea central es un valor estimado
basado en un gran número de muestras, los límites de control que se obtienen
deben de considerarse como límites tentativos. De acuerdo con Shewshart, los
límites deben de estar basados, por lo menos, en 20 muestras, cada una con 4
ó 5 observaciones. Shewshart denominó a estas muestras “subgrupos
racionales”. Estos deben de determinarse de manera tal que cada subgrupo sea
homogéneo y proporcione la máxima oportunidad de variación de un
subgrupo a otro.

Sea m el número de muestras y supóngase que ni = n para cada i=1, 2, …,

m. Sean

la media y la desviación estándar en la i-ésima muestra. Se tiene:

Es evidente que

de manera similar
Lo cual sugiere que

Los límites tentativos 3σ para la media muestral cuando no se conocen ni la

media ni la desviación típica poblacional son

y los correspondientes para la desviación estándar son

La construcción de las tablas de X¯ y S se basa en la distribución normal. La

tabla de X¯ es, relativamente, insensible a la hipótesis de normalidad debido
al teorema central del límite. Sin embargo, S, es mucho más sensible.

Ejemplo 3

Los datos siguientes son 20 muestras, cada uno con 5 observaciones tomadas
en intervalos de 2 horas, de la resistencia a la tensión en libras de un hilo.
Constrúyanse las tablas de control X ¯ y S con base en estos datos.

Número de
muestra valores de muestra Media S

1 44 46 48 52 49 47,8 3,03

2 44 47 49 46 44 46 2,12

3 47 49 47 43 44 46 2,45

4 45 47 51 46 48 47,4 2,30

5 44 41 50 46 50 46,2 3,90

6 49 46 45 46 49 47 1,87

7 47 48 50 46 47 47,6 1,52

8 49 46 51 48 46 48 2,12
 9 47 42 48 44 46 45,4 2,41

10 46 48 45 51 50 48 2,55

11 45 47 51 48 46 47,4 2,30

12 52 51 48 48 45 48,8 2,77

13 45 45 47 49 44 46 2,00

14 46 47 43 48 45 45,8 1,92

15 48 49 52 46 51 49,2 2,39

16 44 46 45 47 52 46,8 3,11

17 48 50 47 46 49 48 1,58

18 48 52 51 47 46 48,8 2,59

19 47 51 50 46 49 48,6 2,07

20 44 43 42 43 46 43,6 1,52

= 47,12

= 2,327

Al promediar las 20 medias maestrales, para n=5 se obtiene c4=0,94 y

c5=0,3412. Luego los límites tentativos de control 3 para las medias
maestrales son

y los límites tentativos para la desviación estándar muestral son

En la figura se observa que la media de la observación 20 se encuentra fuera
de control. Si se elimina este último valor, los valores nuevos que se obtienen
para los límites tentativos inferior y superior son:

Es decir:

Lo que da unos límites (43,92486924; 50,68565708) para la media y de (0,

4,9466) para S.

Tabla para p

Esta tabla se construye cuando se supone que el muestreo se lleva a cabo

sobre una distribución binomial de parámetro de proporción p. Para construir
los límites de control de las proporciones muestrales, supóngase que no se
conoce el valor del parámetro p. Sea m el número de muestras disponibles y
Xi el número de unidades defectuosas en la i-ésima muestra de tamaño n:
Entonces

basado en la i-ésima muestra. Y

es un estimador de p basado en las m muestras. Por tanto los límites 3σ para
las proporciones muestrales Xi/n son

Ejemplo 4

En un proceso de manufactura cada día se seleccionan al azar 100 unidades y

se envían para su inspección. Los siguientes datos son el número de unidades
defectuosas en la muestra durante 25 días

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
2 1 4 3 2 2 5 3 4 2 1 5 2 3 2 1 0 6 4 5 2 1 8 3 2

a) Con base en esta información obténgase una tabla de p.

b) Revísense los límites de control si algún día el proceso se juzgó fuera

de control

c) Si se supone que el proceso se encuentra bajo control con un

porcentaje de unidades defectuosas, igual al obtenido en la parte b,
¿cuál es la probabilidad de que, en un día determinado el proceso se
considere fuera de control?

Solución

Los límites inferior y superior 3 σ para el porcentaje muestral son:

b) La observación del día 22, cuyo porcentaje es 0,08 está por encima de los
límites de control. Si se elimina esta observación y vuelven a calcularse los
límites de control, los resultados son los siguientes:
0,02708±0,048697889=(0; 0,0758)

Ahora, todas las observaciones están dentro de los límites de control.

c) Supuesto que el porcentaje de unidades defectuosas es 0,02708; ¿cuál es la
probabilidad de que un día, el porcentaje esté por encima de los límites de
control?

El porcentaje se distribuye según una N(0,02708; 0,01623263). Por tanto la

probabilidad

6. Procedimientos de muestreo para la observación

Si la decisión que lleva a aceptar o rechazar el lote se toma de acuerdo con las
mediciones de los artículos las cuales son magnitudes físicas continuas,
entonces se dice que la inspección se lleva a cabo por variables. Si el artículo
se clasifica en defectuoso o no defectuoso, y el lote se acepta o rechaza con
base al número de artículos defectuosos en la muestra, se dice que la
inspección se lleva a cabo por características.

Veamos en primer lugar el muestreo con base en características.

Sea N el tamaño del lote. Entonces un plan básico para la aceptación es

seleccionar n artículos del lote de tamaño N y aceptar el lote si el número de
artículos defectuosos en la muestra es menor o igual que el número de
aceptación c, previamente estipulado. Por ejemplo, un plan de muestreo puede
definirse en la forma N=10.000; n=100; y c=1. Es decir, si hay más de un
artículo defectuoso el lote será rechazado. El consumidor puede optar entre
devolver el lote rechazado al fabricante (inspección no verificable) o
someterlo a una inspección del 100% (inspección verificable).

Un criterio muy importante en un plan de muestreo es la probabilidad de

aceptar el lote P(A), dada una proporción de artículos defectuosos p. Bajo las
hipótesis adecuadas y para algún valor de p y de c, la probabilidad de que el
lote sea aceptado con base en una muestra de tamaño n, es la probabilidad
binomial acumulativa

Si np tiene un tamaño moderado, la distribución binomial se puede aproximar

por la de Poisson.
La representación gráfica de P(A) en función de p, se denomina curva de
operación (CO). Veamos un ejemplo para n=100 y c=2. Utilizamos la
aproximación de Poisson

p λ P(A)
0,001 0,1 0,9998
0,002 0,2 0,9989
0,008 0,8 0,9526
0,01 1 0,9197
0,02 2 0,6767
0,03 3 0,4232
0,04 4 0,2381
0,05 5 0,1247
0,06 6 0,0620
0,07 7 0,0296
0,08 8 0,0138
0,09 9 0,0062

Supóngase que ambos están de acuerdo en que un lote es aceptable si la

proporción de artículos defectuosos es p≤p1 y no aceptable si la proporción es
p≥p2. Se dan las siguientes definiciones que implican riesgos.

Definición 1

El riesgo del productor  es la probabilidad de que el consumidor rechace un

lote cuya proporción de artículos defectuosos no es mayor que p1.

Definición 2

El riesgo del consumidor , es la probabilidad de aceptar un lote cuya

proporción de artículos defectuosos es mayor o igual a p2.

El riesgo del productor es la probabilidad de tipo I, del mismo modo que el

riesgo del consumidor es la probabilidad de tipo II.

En otras palabras, la situación anterior es análoga a probar la hipótesis nula

contra la hipótesis alternativa

p1 recibe el nombre de nivel aceptable de calidad (NAC)

p2 el de tolerancia de la proporción de defectuosos en el lote (TPDL)

La práctica usual ha sido la de escoger la probabilidad de aceptación P(A)=1-

 en NAC cercana al punto 0,95 de la curva, y la probabilidad de aceptación
P(A)= en TPDL, cercana al punto 0,10 sobre la curva. Entonces, el 95% de
los lotes que provienen de un proceso cuya proporción de artículos
defectuosos se encuentra en NAC, o por encima de éste, se aceptará; mientras
que sólo el 10% de los que provienen de un proceso cuya proporción de
artículos defectuosos se encuentra en TPDL o más, será aceptado.

7. Desarrollo de planes de muestreo sencillo para

riesgos estipulados del productor y del consumidor
La esencia del procedimiento está en determinar n y c, dadas las posibilidades
de aceptación en el NAC y el TPDL.

Por ejemplo, supóngase un plan de muestreo en el cuál la curva de operación

pase a través del riesgo del productor =0,05 en un NAC de 0,01, y de un
riesgo del consumidor =0,1 en un TPDL igual al 0,05. De esta forma, las
probabilidades de aceptación al NAC = 0,01 y al TPDL = 0,05 son 0,95 y 0,1
respectivamente.

Supóngase que las condiciones son tales que la distribución de Poisson

proporciona una aproximación adecuada. Sea X la variable aleatoria que
representa el número de artículos defectuosos en una muestra de tamaño n.

Entonces para el riesgo del productor, se desea determinar n y c, de manera

que:

de manera similar, el riesgo del consumidor

Dado que se conocen , p1 y p2; hay que determinar n y c.

No existe ningún método directo de resolución, debido a que n y c tienen que
ser enteros. Lo que se hace es determinar 4 planes: 2 contendrán el valor
exacto de  y diferirán muy poco de ; y otros dos, contendrán el valor exacto
de  y diferirán muy poco de .

Por ejemplo

Dados los valores =0,05; =0,1; p1=0,01; p2=0,05; el procedimiento es el

siguiente: sea λ1=np1 y λ2=np2 y fórmese el cociente λ2/ λ1; en el ejemplo,
este cociente vale 5.

Tenemos que determinar c, cuando λ2/ λ1=5.

Dado que no es probable obtener de manera exacta este valor, lo que se hace
es interpolar con los valores relacionados con el valor 5.

Lo anterior puede lograrse si, iniciando con c=0, se va calculando 1 de

manera que la P(A)=0,95 y calculando 2, de manera que p(A)=0,1.

Número de Valor de 1=np1 Valor de =np2 Cociente

aceptación c para P(A)=0,95 para P(A)=0,1 2/1.
0 0,05 2,30 46,00
1 0,35 3,88 11,09
2 0,81 5,32 6,57
3 1,36 6,68 4,91

De esta manera se llega a unos valores de c, en este caso c=2 y c=3; donde el
cociente entre λ2/ λ1 se aproxime a 5.

Para calcular los valores de n

c=2 p1 p2 c=3 p1 p2
n 0,01 0,05 n 0,01 0,05
 0,81 81  1,36 136
 5,32 106,4  6,68 133,6

Resumiendo, los valores posibles son:

Para el plan c=2 y n=81, la probabilidad de aceptar a un TPDL=0,05 se

obtiene mediante=(81)(0,05)=4,05. De acuerdo con lo anterior
P(A≤2| =4,05)= POISSON(2;4,05;VERDADERO)=0,23086824.
Para el plan c=2, n=107, la probabilidad de aceptar para NAC=0,01 se obtiene
mediante =(107)(0,01)=1,07. Luego P(A≤2 |=1,07)=
POISSON(2;1,07;VERDADERO)= 0,90638286.

Los 4 planes de muestreo para =0,05;=0,1; NAC=0,01; TPDL=0,05

Probabilidad de aceptación Probabilidad de aceptación

Plan de muestreo
para NAC=0,01 para TPDL=0,05
n=81, c=2 0,95 0,230868242
n=107, c=2 0,906382857 0,1
n=137, c=3 0,95 0,09
n=134, c=3 0,95 0,1

La decisión final sobre qué plan adoptar se toma en base a la cercanía a los
riesgos especificados.

8. Muestreo para la aceptación por variables.

Cuando esto es posible, se convierte en el tipo de muestreo más popular,
puesto que proporciona mucha más información. En general es mas costoso,
porque tiene que aplicarse el criterio de aceptación por separado para cada
medición de calidad cuando se muestrea por variables.

En el caso sencillo, en el que la aceptación de un lote se hace con base a las

medias de la muestra, se supone que la medición de la calidad es una variable
aleatoria normalmente distribuida y con varianza conocida.

Sean  el riesgo del productor y  el promedio del lote para el que la

probabilidad de aceptación es 1-. En forma similar, sea  el riesgo del
consumidor y  el promedio del lote para el cual la probabilidad de
aceptación es . Es decir, si el lote tiene una media , se desea aceptar el lote
con una probabilidad 1-, y si éste tiene una media  (>) se desea
aceptar el lote con una probabilidad . Dados , el plan de muestreo
por variables es una muestra de tamaño n y un valor de aceptación

de manera que cuando el valor de la media de la muestra

es mayor que

el lote será aceptado.

Para obtener estos valores, considérese lo siguiente. Para el riesgo del

productor

en donde

Para el riesgo del consumidor

en donde

Tenemos dos ecuaciones con dos incógnitas:

Empleando el método de igualación

Al igualar y resolver para n, se obtiene

Una vez calculado n, se lleva a cualquiera de las dos expresiones anteriores y

se obtiene la 2ª incógnita

Ejemplo

Una compañía constructora de un gran edificio de oficinas se interesa en la

resistencia a la comprensión del concreto que se empleará en la construcción
del edificio. El proceso a través del cuál se fabrica el concreto con una
resistencia promedio de 350 kilogramos por centímetro cuadrado (Kg. /cm2.)
es bueno. El concreto adquirido en este proceso debe aceptarse el 95% de las
veces. Un proceso que ofrece una resistencia de 347 Kg. /cm2. no es efectivo,
y al ser adquirido será rechazado en el 90% de los casos. Si el fabricante de
cemento asegura a la compañía que la desviación estándar de su proceso no es
mayor de 5 Kg. /cm2. ¿Cuántas muestras de concreto debe inspeccionar el
contratista con respecto a su resistencia, y cuál debe ser el valor de aceptación
para la media de la muestra bajo las condiciones dadas? Supóngase que la
resistencia del concreto se encuentra normalmente distribuida.

Solución

Los riesgos del productor y del consumidor están dados como =0,05
para =350 y =0,10 para =347. Para =0,05 y 1-=0,9, los valores
cuantiles estandarizados son z=-1,64485348 y z=1,28155194. Aplicando
la última formula para n, se obtiene:
Llevando este valor a la formula anterior, resulta:

El plan de muestreo consiste en probar la resistencia de 24 muestras de

concreto provenientes del proceso y aceptar el concreto siempre que la
resistencia promedio sea mayor de 384,32 kilogramos por centímetro
cuadrado.

Ejemplo

Una agencia estatal se encarga de vigilar el nivel de concentración de cierto

contaminante químico, el cuál ha sido derramado en grandes cantidades en
uno de los ríos más grandes del estado. La agencia debe decidir en forma
periódica cuándo el nivel de concentración se encuentra entre los límites
seguros para permitir la pesca con fines comerciales. La agencia desea obtener
un plan de muestreo por variables de tal manera que cuando el nivel de
concentración promedio real sea de 5,6 ppm decidirá el 95% de las veces que
la pesca continúe. Pero desea prohibir la pesca el 99% de las veces que se
observe una concentración hasta de 6,0 ppm. Si la desviación estándar no es
mayor de una parte por millón, determínese el plan de muestreo. Supóngase
que la distribución de este contaminante se encuentra normalmente
distribuida.

Solución

=0,05 =5,6 y =0,01 y =6,0; =1. El riesgo del productor está en

rechazar la validez del nivel de concentración cuando éste es de 5,6. Por tanto:

Análogamente el riesgo del consumidor está en aceptar la hipótesis nula

cuando ésta es falsa

Mirando en la tabla de la normal estándar los valores cuantiles z1- y z, se

obtiene:
z1- = 1,64485348 y z= -2,326347. Llevando estos dos valores a las
ecuaciones anteriores se obtienen los valores de

n =99.

El plan de muestreo consiste en medir el nivel de concentración de 99

muestras y no prohibir la pesca comercial siempre que el nivel medio de la
muestra sea inferior a 5,765 ppm.

Ejercicio

Un comprador de grandes cantidades de hilo desea desarrollar un plan de

muestreo por variables para la tensión de la ruptura del hilo. El hilo será
aceptado por el comprador si la tensión de ruptura es mayor de 60 libras. Se
sabe que la desviación estándar del hilo es de 8 libras y
dados =0,05; =0,05; NAC = 0,95 y TPDL = 0,1. Obténgase el plan de
muestreo. Supóngase que la tensión del hilo se encuentra normalmente
distribuida.

Solución

Ejercicio.

Supóngase que la calidad de un lote muy grande es de sólo el 5% de unidades

defectuosas. Un plan de muestreo para la aceptación requiere una muestra de
40 unidades y un número de aceptación igual a 2 unidades.

a) ¿Cuál es la probabilidad de que el lote sea aceptado?

b) Si la calidad real del lote es de 6,25% de unidades defectuosas,

¿cuál es la probabilidad de que el lote sea aceptado?

Solución

a) n=40 y c=2; p=0,05. Entonces la probabilidad de aceptar el lote es de:

b) Si p=0,0625. Entonces P(A)= 0,53968901.

Ejercicio.

Para el plan de muestreo n=25 y c=1, empléese la curva CO para obtener

TPDL para un riesgo del consumidor del 0,05.

Solución

Empleando la distribución binomial acumulada

n=25 c=1
p P(A)
0,1 0,27121
0,11 0,22206
0,12 0,18047
0,13 0,14567
0,14 0,11680
0,15 0,09307
0,16 0,07371
0,17 0,05804
0,171 0,05665
0,172 0,05529
0,173 0,05396
0,174 0,05266
0,175 0,05139
0,176 0,05015
0,177 0,04893
0,178 0,04774
0,179 0,04658
0,18 0,04544

Se obtiene para un valor de p=0,176.

Ejercicio.

Obténgase los 4 planes de muestreo que relacionan los riesgos del productor y
del consumidor de =0,05 para NAC =0,02 y =0,1 para TPDL=0,08,
respectivamente. Solución

Tenemos que calcular n y c.

Sean 1 = np1 y 2 = np2. El cociente de 2/1=p2/p1= (0,08)/(0,02)=4.

Formemos la tabla de la distribución de Poisson:

1 para  para
c P(A)=0,95 P(A)=0,1 2/1
0 0,05 2,3 46
1 0,35 3,88 11,0857143
2 0,81 5,32 6,56790123
3 1,36 6,68 4,91176471
 4 1,97 7,99 4,05583756
5 2,61 9,27 3,55172414

Los valores de c que se obtienen son c=4 y c=5. Para esos valores se calcula n.

Para c=4, se obtiene: 1=1,97; np1=1,97; n (0,02)=1,97; n=98,5≈99.

2=7,99; np2=7,99; n(0,08)=7,99; n=99,87≈100.

Para c=5, los valores que se obtienen son: n=131 y n=116.

Problema

Un consejo estatal formado para controlar la calidad del agua selecciona cada
semana 5 muestras de agua de una fuente de abastecimiento y determina la
concentración promedio de una sustancia tóxica. Los siguientes datos son las
cantidades promedio en partes por millón durante 12 semanas.

Semana 1 2 3 4 5 6 7 8 9 10 11 12
Media 5,2 4,9 5,5 5,4 4,8 4,6 5,5 4,7 5,1 4,5 5,8 5,6

a) Si los valores de la concentración promedio y de la desviación estándar

son 5 y 0,5 ppm, respectivamente, obténgase los límites de control
3 para la concentración promedio. Para este periodo, ¿existió alguna
razón para alarmarse?

b) Si se considera como peligrosa una concentración de 6 ppm, ¿qué tan

probable es tener un resultado como el anterior, con base en 5 muestras
de agua, si la concentración real promedio es de 5 ppm?

c) Mediante el uso de los límites de control de la parte a, ¿cuál es la

probabilidad de detectar un desplazamiento en el valor de la
concentración media de 5 ppm a 5,25 ppm?

Solución

a) 4,32917961 y 5,67082039.

b) 1-DISTR.NORM(6;5;0,5/5^0,5;VERDADERO)= 3,87556E-06

c) Para calcular dicha probabilidad

Ejercicio

Los siguientes datos son las tensiones promedio de ruptura de 6 muestras

de metal tomadas de forma periódica

Muestra 1 2 3 4 5 6 7 8 9 10
Media 498,6 508,3 484,6 505,7 491,7 495,4 482,6 515,2 510,8 503,7

Se sabe que los valores de tensión de ruptura promedio y de desviación

estándar son 500 y 20 libras, respectivamente.

a) Obténgase los límites de control 3 para la tensión de ruptura media de

la muestra y hágase una gráfica de la tabla de control. ¿Existe alguna
media muestral que se encuentre fuera de los límites de control?

b) Obténgase la probabilidad de no detectar un corrimiento en el valor

real de la tensión de ruptura promedio de 500 a 494 libras.

c) Obténgase los límites de control 3 para la desviación estándar

muestral.

Solución

a) Los límites de control 3  son: 475,505103 y 524,494897.

No existe ninguna media fuera de los límites de control.

b) La probabilidad de no detectar un corrimiento de la media de 500 a

494 es igual a
 c) Los límites de control son c4 ±3c5 donde tanto c4 como c5 sólo
dependen de n. Los valores de c4 y c5 para n=6 son:

c4=0,9515 y c5=0,3075

Luego el intervalo de control para la desviación típica es

de 0,57783183 a 37,4834826.

Ejercicio

Las tablas de control de X¯ y S de un proceso de llenado de recipientes se

conservan por algún tiempo. Con base en 25 muestras periódicas, cada una
con 5 recipientes se obtiene que

a) Si se supone que el proceso de llenado se encuentra bajo control

¿Cuáles son los límites de control de la media y de la desviación
estándar muestral?

b) Obténgase un estimado de la desviación estándar del proceso.

Solución

Sabemos que

de manera similar

Lo cual sugiere que

Los límites tentativos 3σ para la media muestral cuando no se conocen ni la

media ni la desviación típica poblacional son

y los correspondientes para la desviación estándar son

Luego, llevando los datos a las formulas se obtiene:

Para la media

Siendo c4=0,94. Lo que da: 378,362655 y 422,037345 para la media y 0

a 31,9594754 para la desviación típica.

b) Un estimador de  podría ser

lo que da (15,3)/(0,94)=16,2765957.

Ejercicio

En un proceso de manufactura, cada día se seleccionan al azar 100 unidades y

se envían para su inspección. Los siguientes datos son el número de unidades
defectuosas en la muestra durante 25 días.

Día 1 2 3 4 5 6 7 8 9 10 11 12 13
Unidades
Defectuosas 2 1 4 3 2 2 5 3 4 2 1 5 2

Día 14 15 16 17 18 19 20 21 22 23 24 25
Unidades
Defectuosas 3 2 1 0 6 4 5 2 1 8 3 2

a) Con base en esta información, obténgase una tabla de p.

b) Revísense los límites de control si algún día el proceso se juzgó fuera

de control.

c) Si se supone que el proceso se encuentra bajo control con un

porcentaje de unidades defectuosas, igual al obtenido en la parte b,
¿cuál es la probabilidad de que, en un día determinado el proceso se
considere como fuera de control?
Solución

a) De la muestra se obtiene:

Media 2,92

y los límites tentativos para las proporciones maestrales X/n son:

lo que da unos límites de 0 y 0,07971002.

b) La observación del día 23 queda fuera de los límites de control.

Eliminando esta última información, el nuevo valor estimado de p
es 0,02708333 y el resultado es: 0 y 0,07578122.

c) Supuesto que el porcentaje es 0,0271, la probabilidad de que un día

determinado el proceso se juzgue fuera de control es: