Control estadístico

Capítulo
14
del proceso

Descripción del capítulo

CONTROL ESTADÍSTICO DEL PROCESO RESUMEN
(SPC) TÉRMINOS CLAVE
Gráficas de control para variables USO DE EXCEL OM PARA SPC
Teorema del límite central USO DE POM PARA WINDOWS
Determinación de los límites de la gráfica de PROBLEMAS RESUELTOS
la media (gráficas X–)
Determinación de los límites de la gráfica del
EJERCICIOS EN INTERNET Y EL CD-ROM DEL ESTUDIANTE
PREGUNTAS PARA ANALIZAR
O BJETIVOS DE APRENDIZAJE
rango (gráficas R )
EJERCICIO DEL MODELO ACTIVO Al terminar de estudiar este suplemento
Uso de las gráficas de media y de rango
PROBLEMAS usted será capaz de
Gráficas de control para atributos
PROBLEMAS DE TAREA EN INTERNET
Aspectos de administración y gráficas
de control CASOS DE ESTUDIO: BAYFIELD MUD COMPANY, IDENTIFICAR O DEFINIR:
PUNTUALIDAD EN ALABAMA AIRLINES
HABILIDAD DEL PROCESO Las causas naturales y asignables de las
CASOS DE ESTUDIO ADICIONALES variaciones
Razón de habilidad del proceso (Cp)
BIBLIOGRAFÍA
Índice de habilidad del proceso (Cpk) El teorema del límite central
RECURSOS DE INTERNET
MUESTREO DE ACEPTACIÓN Inspección por atributos y variables
Curva característica de operación
Control del proceso
Calidad de salida promedio
Gráficas X– y gráficas R
LCI y LCS
Gráficas p y gráficas c
Cp y Cpk
Muestreo de aceptación
Curva OC
NCA y PDTL
CSP
Riesgo del productor y del consumidor

DESCRIBIR O EXPLICAR:
El papel del control estadístico de la
calidad
410 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

BetzDearborn, una división de Hercules Incorporated, tiene sus oficinas centrales en Trevose, Pennsylvania. Es
proveedor global de químicos especializados para el tratamiento de aguas industriales, aguas de desecho y sistemas
de procesamiento. La compañía emplea el control estadístico del proceso para vigilar el desempeño de los
programas de tratamiento de una amplia variedad de industrias en todo el mundo. En el laboratorio de
aseguramiento de la calidad de BetzDearborn (que se muestra aquí) también se emplean las técnicas de muestreo
estadístico para dar seguimiento a los procesos de manufactura en todas las plantas de producción de la compañía.

Control estadístico del En este suplemento estudiamos el control estadístico del proceso, las mismas técnicas que emplean Betz-
proceso (SPC) Dearborn, IBM, GE y Motorola para alcanzar los estándares de calidad. Asimismo, introducimos el mues-
Procedimiento empleado treo de aceptación. El control estadístico del proceso es la aplicación de las técnicas estadísticas al con-
para supervisar estándares, trol del proceso. El muestreo de aceptación se usa para determinar si se acepta o rechaza el material
tomar medidas y acciones evaluado por una muestra.
correctivas mientras el
producto o servicio se
está produciendo. CONTROL ESTADÍSTICO DEL PROCESO (SPC)
El control estadístico del proceso (SPC, statistical process control) es una técnica estadística ampliamente
usada para asegurar que los procesos cumplan los estándares. Todos los procesos están sujetos a cierto gra-
do de variabilidad. En la década de los veinte, mientras estudiaba los datos del proceso, Walter Shewhart
de Laboratorios Bell hizo una distinción entre las causas comunes y especiales de la variación. En la actua-
lidad muchos se refieren a dichas variaciones como causas naturales y causas asignables. Walter Shewhart
Gráfica de control también desarrolló una herramienta simple pero poderosa para separarlas: la gráfica de control.
Presentación gráfica de los Empleamos el control estadístico del proceso para medir el desempeño de un proceso. Se dice que el
datos del proceso en el proceso opera bajo control estadístico cuando su única fuente de variación la constituyen las causas co-
tiempo. munes (naturales). Primero el proceso debe ponerse bajo control estadístico detectando y eliminando las
causas especiales (asignables) de variación.1 Entonces su desempeño es predecible y se evalúa su habili-
dad para satisfacer las expectativas. El objetivo de un sistema de control es proporcionar una señal esta-
dística cuando están presentes causas de variación asignables. Dicha señal es capaz de acelerar las ac-
ciones apropiadas para eliminar las causas asignables.

1Eliminar las causas asignables implica trabajo. Como lo observó el gurú de la calidad W. Edwards Deming: “un estado de
control estadístico no es el estado natural del proceso de manufactura. Por el contrario, es un logro al que se llega mediante
un esfuerzo determinado para eliminar, una a una, las causas especiales de variación excesiva”. Véase W. Edwards Deming,
“On Some Statistical Aids toward Economic Production”, Interfaces 5, núm. 4, (1975): 5.
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 411

Variaciones naturales Las variaciones naturales afectan casi todos los procesos de producción y
Variación natural son algo que se espera. Las variaciones naturales son las muchas fuentes de variación que ocurren den-
Variabilidades que deben tro de un proceso que está bajo control estadístico. Las variaciones naturales se comportan como un sis-
esperarse y que afectan, tema constante de causas fortuitas. Aun cuando los valores individuales son diferentes, como grupo for-
en cierto grado, todo man un patrón que puede describirse como una distribución. Cuando estas distribuciones son normales
proceso de producción; se caracterizan por dos parámetros:
también se conocen como
causas naturales. • media, µ (medida de la tendencia central, en este caso el valor promedio)
• desviación estándar, σ (medida de la dispersión)
Siempre que la distribución (medidas de los resultados) permanezca dentro de los límites especificados,
se dice que el proceso está “bajo control” y se toleran las variaciones naturales.

Variación asignable Variación asignable La variación asignable en un proceso que se rastrea hasta su causa especí-
Variación en un proceso fica. Factores como el desgaste de la maquinaria, el desajuste de equipos, la fatiga o la mala capacitación
de producción que se de los trabajadores, o nuevos lotes de materias primas, son fuentes potenciales de variaciones asignables.
rastrea hasta sus causas Las variaciones naturales y asignables distinguen dos tareas para los administradores de operaciones.
específicas. La primera es asegurarse de que el proceso opera bajo control con sólo la variación natural. La segunda
es, por supuesto, identificar y eliminar las variaciones asignables con la finalidad de mantener los pro-
cesos bajo control.

Muestras Debido a las variaciones naturales y asignables, el control estadístico del proceso usa pro-
medios de pequeñas muestras (a menudo de cuatro a ocho artículos) en contraste con los datos de las par-
tes individuales. Las piezas individuales tienden a ser demasiado erráticas para percibir las tendencias
con rapidez.
En la figura 14.1 se observan con detalle los pasos importantes para determinar las variaciones de los
procesos. La escala horizontal será el peso (como el número de onzas en las cajas de cereal), la longitud

FIGURA 14.1 ■
Frecuencia

Variaciones natural (a) Muestras de producto, por Cada una de éstas

ejemplo cinco cajas de cereal representa una
y asignable muestra de cinco
tomadas de la línea de la
máquina de llenado, varían entre cajas de cereal.
sí por su peso. Peso
Frecuencia

(b) Después de tomar suficientes La línea continua

muestras de un proceso estable, representa la
forman un patrón denominado distribución.
distribución.
Peso

(c) Hay muchos tipos de distribución, Medida de la tendencia Variación Forma

incluida la distribución normal central (media) (desv. est.)
Frecuencia

(con forma de campana), pero

las distribuciones varían en
términos de su tendencia central
(media), desviación estándar o
Peso Peso Peso
varianza y forma.

(d) Si sólo están presentes causas

Frecuencia

naturales de variación, el resultado

Predicción
del proceso forma una distribución
que es estable y predecible a
o
través del tiempo. Tiemp
Peso
(e) Si están presentes causas asignables
de variación, el resultado del proceso ???
no es estable a través del tiempo y ?? ??
? ?
?
Frecuencia

tampoco predecible. Es decir, ??

??
?
cuando ocurren causas que no son Predicción
una parte esperada del proceso,
nuestras muestras darán distribu- o
ciones inesperadas que varían en Tiemp
Peso
cuanto a la tendencia central, la
desviación estándar y la forma.
412 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

(como en los postes de una barda) o cualquier otra medida física. La escala vertical es la frecuencia. Las
muestras de cinco cajas de cereal en la figura 14.1 a) se pesan, b) forman una distribución, c) que puede
variar. Las distribuciones formadas en b) y c) caerán dentro de un patrón predecible, d) si sólo la varia-
ción natural está presente. Cuando existen causas asignables de variación, entonces podemos esperar ya
sea que varíe la media o que varíe la dispersión, como ocurre en e).

Gráficas de control El proceso para la construcción de una gráfica de control se basa en los con-
ceptos presentados en la figura 14.2. Esta figura muestra tres distribuciones que representan los resulta-
dos de tres tipos de proceso. Para observar si el proceso está dentro de los “límites de control”, grafica-
mos las muestras pequeñas y luego examinamos las características de los datos resultantes. El propósito
de la gráfica de control es ayudar a distinguir las variaciones naturales de las variaciones debidas a cau-
sas asignables. Como se observa en la figura 14.2, un proceso está a) bajo control y el proceso es capaz
de producir dentro de los límites de control establecidos, b) bajo control pero el proceso no es capaz de
producir dentro de los límites establecidos, o c) fuera de control. A continuación veremos algunas formas
Gráfica x de construir gráficas de control que ayudan a los administradores de operaciones a mantener un proceso
Gráfica de control de bajo control.
calidad para variables que
indica cuándo ocurren
cambios en la tendencia Gráficas de control para variables
central de un proceso de
Las variables son características que tienen dimensiones continuas. Tienen un número infinito de posibi-
producción.
lidades. Algunos ejemplos son peso, velocidad, duración, fuerza. Las gráficas de control para la media,
Gráfica R x (que se lee x barra), y para el rango (o intervalo de variación), R, se emplean para vigilar procesos con
Gráfica de control que da dimensiones continuas. La gráfica x nos indica si han ocurrido cambios en la tendencia central (en este
seguimiento al “rango” caso la media) de un proceso. Estos cambios llegan a atribuirse a factores como desgaste de herramien-
dentro de una muestra; tas, un aumento gradual de la temperatura, el uso de un método diferente en el segundo turno, o a mate-
indica cuando ocurre una riales nuevos o más fuertes. Los valores de la gráfica R, indican que ha ocurrido una ganancia o pérdida
ganancia o pérdida de en la dispersión. Quizá el cambio se deba al desgaste de los soportes, a una herramienta desajustada, al
uniformidad en la flujo errático de los lubricantes hacia la máquina o al descuido del operario de una máquina. Las dos grá-
dispersión de un proceso ficas van a la par cuando se trata de monitorear las variables porque miden los dos parámetros cruciales:
de producción. tendencia central y dispersión.

FIGURA 14.2 ■

Control del proceso: tres

(a) Bajo control estadístico
tipos de resultados del y capaz de producir dentro
proceso de los límites de control
⎧ ⎧ Un proceso con sólo causas
Frecuencia ⎪⎨ ⎪ naturales de variación y
⎪ ⎨
⎪ capaz de producir dentro
⎩ de los límites de control
⎩
especificados.
Límite de control inferior Límite de control superior

(b) Bajo control estadístico pero

⎧ incapaz de producir dentro de los
⎪
⎨ límites de control
⎪ Un proceso bajo control (sólo están
⎩
presentes causas naturales de
variación) pero incapaz de producir
dentro de los límites de control
especificados.

⎧
⎪ (c) Fuera de control
⎨
⎪ Un proceso fuera de control que
⎩
presenta causas asignables
Tamaño de variación.
(peso, longitud, velocidad, etc.)
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 413

Teorema del límite central

Teorema del límite El fundamento teórico de las gráficas x es el teorema del límite central. Este teorema establece que, in-
central dependientemente de la distribución de la población, la distribución de las x (cada una de las cuales es
Fundamento teórico de las la media de una muestra sacada de la población) tiende a seguir una curva normal cuando aumenta el nú-
gráficas x que establece mero de muestras. Por fortuna, incluso cuando la muestra (n) es bastante pequeña (digamos 4 o 5), en ge-
que, independientemente
neral, la distribución de los promedios todavía seguirá una curva normal. El teorema también establece
de la distribución de la
población de todas las que 1. la media de la distribución de las x (denominada x ) será igual a la media de la población global
partes o servicios, la (llamada µ); y 2. la desviación estándar de la distribución de las muestras, σ x , será la desviación están-
distribución de x tiende a dar de la población,2 σ, dividida entre la raíz cuadrada del tamaño de la muestra, n. En otras palabras:
seguir una curva normal
cuando aumenta el x = µ (14-1)
número de muestras.

Los dos parámetros son: y

Media → medida de la σ
tendencia central. σx = (14-2)
n
Rango → medida de
la dispersión.
La figura 14.3 muestra tres distribuciones de población posibles, cada una con su propia media, µ, y su
propia desviación estándar, σ. Si una serie de muestras aleatorias ( x1 , x2 , x3 , x 4 , etcétera), cada una de
tamaño n, se toma de cualquier distribución de población (la cual es normal, beta, uniforme u otra), la
distribución resultante de las xi tendrá la apariencia mostrada en la figura 14.3.
Más aún, la distribución de las muestras que se ilustra en la figura 14.4 tendrá menos variabilidad que
la distribución del proceso. Como la distribución de las muestras es normal, podemos afirmar que:

• 95.45% del tiempo, los promedios de las muestras caerán dentro de ±2σ x si el proceso sólo tie-
ne variaciones naturales.
• 99.73% del tiempo, los promedios de las muestras caerán dentro de ±3σ x si el proceso sólo tiene
variaciones naturales.

Si un punto cae fuera de los límites de control ±3σ x de la gráfica de control, entonces estamos 99.73%
seguros de que el proceso cambió. Ésta es la teoría que sustenta las gráficas de control.

FIGURA 14.3 ■
Tres distribuciones de población Distribución de las medias muestrales
Relación entre la
población y las Media de las medias de las muestras = x
distribuciones muestrales Beta σ
La desviación = σx =
√n
estándar de las
Sin importar la distribución medias muestrales
de la población (por Normal
ejemplo, normal, beta,
uniforme), cada una con
su propia media (µ) y
desviación estándar (σ), la Uniforme
distribución de las medias
de las muestras es normal. –3σx –2σx –1σx x +1σx +2σx +3σx
(media)
95.5% cae dentro de ±2σx
99.73% de todas las x
cae dentro de ±3σx

∑ (x − x )
i
2

i =1
2Nota: La desviación estándar se calcula fácilmente como: σ = .
n −1
414 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

FIGURA 14.4 ■

La distribución muestral Distribución de las

de las medias es medias de las muestras
normal y tiene menos
variabilidad que la Distribución de las
medias del proceso
distribución del proceso

En esta figura, la
distribución del proceso del
cual se tomó la muestra x=µ
también era normal pero (media)
pudo haber tenido
cualquier distribución.

Determinación de los límites de la gráfica de la media (gráficas x̄)

Si conocemos, a partir de los datos históricos, la desviación estándar de la población de un proceso, σ,
podemos fijar los límites de control superior e inferior con estas fórmulas:

Límite de control superior (LCS) = x + zσ x (14-3)

Límite de control inferior (LCI) = x − zσ x (14-4)

donde x = media de las medias de las muestras o el valor meta establecido para el proceso
“Todo lo que hace el control z = número de desviaciones estándar (2 para 95.45% de confianza, 3 para
de la calidad es encontrar
nuestros errores. Quiero 99.73%)
comenzar a evitarlos”. σ x = desviación estándar de las medias de la muestra = σ/ n
σ = desviación estándar de la población (proceso)
n = tamaño de la muestra

El ejemplo 1 muestra cómo establecer los límites de control para las medias de las muestras empleando
las desviaciones estándar.

Ejemplo 1 Cada hora se toman muestras del peso de las cajas de hojuelas de avena dentro de un lote de producción grande.
Con la finalidad de establecer límites de control que incluyan 99.73% de las medias muestrales, se seleccionan en
forma aleatoria muestras de nueve cajas y se pesan. Se dan los datos de las nueve cajas seleccionadas en la hora 1:

Hojuelas Hojuelas Hojuelas Hojuelas Hojuelas Hojuelas Hojuelas Hojuelas Hojuelas

de avena de avena de avena de avena de avena de avena de avena de avena de avena

17 oz. 13 oz. 16 oz. 18 oz. 17 oz. 16 oz. 15 oz. 17 oz. 16 oz.

El peso promedio en la primera muestra = 17 + 13 + 16 + 18 + 17 + 16 + 15 + 17 + 16

9
= 16.1 onzas

También se sabe que la desviación estándar (σ) de la población, es 1 onza. No mostramos las cajas de la muestra
de la hora 2 a la 12, pero presentamos el resto de los resultados:

PESO DE LA MUESTRA PESO DE LA MUESTRA PESO DE LA MUESTRA

HORA (PROM. DE 9 CAJAS) HORA (PROM. DE 9 CAJAS) HORA (PROM. DE 9 CAJAS)
1 16.1 5 16.5 9 16.3
2 16.8 6 16.4 10 14.8
3 15.5 7 15.2 11 14.2
4 16.5 8 16.4 12 17.3
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 415

La media promedio de las 12 muestras se calculó exactamente en 16 onzas. Por lo tanto, tenemos x = 16 onzas,
σ = 1 onza, n = 9 y z = 3. Los límites de control son:

⎛ 1 ⎞ ⎛ 1⎞
LCS x = x + zσ x = 16 + 3 ⎜ ⎟ = 16 + 3 ⎝ ⎠ = 17 onzas
⎝ 9⎠ 3

⎛ 1 ⎞ ⎛ 1⎞
LCI x = x − zσ x = 16 − 3 ⎜ ⎟ = 16 − 3 ⎝ ⎠ = 15 onzas
⎝ 9⎠ 3

Después graficamos las 12 muestras en la gráfica de control que se presenta en seguida. Como las medias de los
promedios de muestras recientes caen fuera de los límites de control superior e inferior de 17 y 15, podemos con-
cluir que el proceso se está tornando errático y sin control.

Gráfica de control Variación

para muestras Fuera de debida a causas
de 9 cajas control asignables

17 = LCS

Variación debida
16 = Media a causas naturales

15 = LCI
Variación
debida a causas
asignables
1 2 3 4 5 6 7 8 9 10 11 12 Fuera de
control
Número de muestra

El rango es la diferencia Puesto que las desviaciones estándar del proceso no están disponibles o es difícil cuantificarlas, lo usual es
entre el artículo más grande calcular los límites de control con base en los valores del rango promedio en lugar de las desviaciones están-
y el más pequeño en una dar. La tabla 14.1 proporciona las conversiones necesarias para hacerlo. El rango se define como la dife-
muestra. rencia entre el elemento más grande y más pequeño de una muestra. Por ejemplo, la caja más pesada
de hojuelas de avena en la hora 1, del ejemplo 1, era de 18 onzas y la más ligera era de 13 onzas, entonces
el rango para esa hora es 5 onzas. Empleamos la tabla 14.1 y las ecuaciones

LCS x = x + A2 R (14-5)
y
LCI x = x − A2 R (14-6)

donde R = rango promedio de las muestras

A2 = valor encontrado en la tabla 14.1
x = media de las medias de la muestra

TABLA 14.1 ■
TAMAÑO DE LA MUESTRA, n FACTOR DE LA MEDIA, A2 RANGO SUPERIOR, D4 RANGO INFERIOR, D3
Factores para el
2 1.880 3.268 0
cálculo de los límites
3 1.023 2.574 0
de control de la gráfica 4 .729 2.282 0
(3 sigma) 5 .577 2.115 0
6 .483 2.004 0
7 .419 1.924 0.076
8 .373 1.864 0.136
9 .337 1.816 0.184
10 .308 1.777 0.223
12 .266 1.716 0.284

Fuente: Reimpreso con autorización de American Society for Testing Materials, Copyright 1951. Tomado de Special
Technical Publication 15-C, “Quality Control Materials”, pp. 63 y 72.
416 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

El ejemplo 2 muestra cómo establecer los límites de control para las medias de las muestras empleando
la tabla 14.1 y el rango promedio.

Ejemplo 2 Las botellas de refrescos Super Cola muestran una etiqueta que dice “contenido neto 16 onzas”. Se ha encontrado
un promedio global del proceso de 16.01 onzas tomando varios lotes de muestras, donde cada muestra contenía 5
botellas. El rango promedio del proceso es .25 de onza. Determine los límites de control inferior y superior para
los promedios en este proceso.
Buscando al tamaño de muestra de 5 en la tabla 14.1 en la columna A2 del factor de la media, encontramos el
número .577. Por lo tanto, los límites inferior y superior de la gráfica de control son:

LCS x = x + A2 R
= 16.01 + (.577)(.25)
= 16.01 + .144
= 16.154 onzas
LCI x = x − A2 R
= 16.01 − .144
= 15.866 onzas

Determinación de los límites de la gráfica del rango (gráficas R)

En los ejemplos 1 y 2, determinamos los límite de control inferior y superior para el promedio del proce-
so. Además de preocuparse por el promedio del proceso, los administradores de operaciones se interesan
en la dispersión o rango del proceso. Aunque el promedio del proceso esté bajo control, la dispersión del
proceso puede no estarlo. Por ejemplo, algo podría haberse aflojado en una pieza del equipo que llena las ca-
jas con hojuelas de avena. Como resultado, el promedio de las muestras permanecería igual, aunque la
variación entre las muestras podría ser demasiado grande. Por ello, los administradores de operaciones
emplean las gráficas de control para rangos que les permiten monitorear la variabilidad del proceso, así
como las gráficas de control para promedios que les permiten vigilar la tendencia central del proceso. La
teoría que fundamenta las gráficas de control para rangos es la misma que la de las gráficas de control
para el promedio del proceso. Se establecen límites que contienen ±3 desviaciones estándar de la distri-
bución del rango promedio R . Las siguientes ecuaciones se utilizan para establecer los límites de control
inferior y superior para los rangos:
Es importante destacar que LCS R = D4 R (14-7)
cuando se construye el
LCSR y el LCIR, empleamos
el rango promedio, R . Pero
LCI R = D3 R (14-8)
cuando se grafican los
puntos una vez desarrollada donde LCSR = límite de control superior de la gráfica para el rango
la gráfica R, usamos los LCIR = límite de control inferior de la gráfica para el rango
valores del rango individual D4 y D3 = valores de la tabla 14.1
para cada muestra.
El ejemplo 3 muestra cómo establecer los límites de control empleando la tabla 14.1 y el rango promedio.
Ejemplo 3
El rango promedio del proceso de carga de camiones es de 5.3 libras. Si el tamaño de la muestra es 5, determine
los límites de control superior e inferior de la gráfica.
Si buscamos en la tabla 14.1 un tamaño de muestra de 5, encontramos que D4 = 2.115 y D3 = 0. Los límites de
control para el rango son:

LCS R = D4 R = (2.115)(5.3 libras) = 11.2 libras

LCI R = D3 R = (0)(5.3 libras) = 0

Uso de las gráficas de media y de rango

La distribución normal se define por dos parámetros, la media y la desviación estándar. La gráfica x (me-
dia) y la gráfica R imitan a estos dos parámetros. La gráfica x es sensible a los cambios en la media del
proceso, mientras que la gráfica R es sensible a los cambios en la desviación estándar del proceso. En con-
secuencia al usar ambas gráficas podemos dar seguimiento a los cambios en la distribución del proceso.
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 417
FIGURA 14.5 ■
(a)
Las gráficas de media y
rango se complementan Estas (La media de las
al mostrar la media distribuciones muestras está subiendo,
de muestras pero el rango es constante).
y la dispersión de la dieron como
distribución normal resultado las
siguientes
gráficas.
LCS

gráfica x (La gráfica x detecta un cambio

en la tendencia central).
LCI
LCS

gráfica R (La gráfica R no detecta

cambios en la media).
LCI

(b)
Estas
distribuciones (La media de la muestra
muestrales es constante, pero la
dieron como dispersión está aumentando).
resultado las
siguientes
gráficas. LCS

gráfica x (La gráfica x no detecta el

incremento en la dispersión).
LCI
LCS

gráfica R (La gráfica R detecta el

incremento en la dispersión).
LCI

Por ejemplo, las muestras y la gráfica x que se obtiene en la figura 14.5a muestran un cambio en la
media del proceso pero, como la dispersión es constante, la gráfica R no detecta cambios. Por el contra-
rio, las muestras y la gráfica x en la figura 14.5b no detectan cambios (porque ninguno está presente),
pero la gráfica R sí detecta el cambio en la dispersión. Ambas gráficas son necesarias para dar un segui-
miento preciso al proceso.

Pasos que se deben seguir cuando se usan las gráficas de control Son cinco los pa-
sos que normalmente se realizan cuando se emplean las gráficas x- y las gráficas R.
1. Recolectar 20 o 25 muestras de n = 4 o n = 5 cada una a partir de un proceso estable y calcular
la media y el rango de cada una.
2. Calcular las medias globales ( x y R ), establecer los límites de control apropiados, usualmen-
te en el nivel de 99.73% y calcular los límites de control superior e inferior preliminares. Si el
proceso no está estable en ese momento, use la media deseada, µ , en lugar de x para establecer
los límites.
3. Graficar las medias y los rangos de las muestras en sus respectivas gráficas de control y deter-
minar si caen fuera de los límites aceptables.
4. Investigar los puntos o patrones que indiquen que el proceso está fuera de control. Intentar asig-
nar las causas de la variación y después reanudar el proceso.
5. Recolectar muestras adicionales y, de ser necesario, revalidar los límites de control con los nue-
vos datos.
En los ejemplos de este suplemento, así como en el recuadro AO en acción, “verde es el color del dinero
para DuPont y el medio ambiente”, se presentan algunas aplicaciones de las gráficas de control.
418 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

AO EN ACCIÓN
Verde es el color del dinero para Actualmente, DuPont ahorra al año más de 15 millones de
libras de plástico reciclándolo para obtener otros productos
DuPont y el medio ambiente
en lugar de tirarlo en rellenos. A través de compras electróni-
DuPont descubrió que el control estadístico del proceso cas la empresa ha reducido el papel de desecho a casi na-
(SPC) es un excelente enfoque para la solución de proble- da y con la utilización de nuevos diseños de empaque redu-
mas ambientales. Con la meta de acabar con 35% de los jo el desperdicio de material en proceso en casi 40%.
desperdicios de manufactura y desechos sólidos, DuPont Integrando el control estadístico de procesos con las ac-
reunió información de sus sistemas de control de la calidad y tividades para el cumplimiento de las normas ambientales,
de las bases de datos sobre su administración de materiales. DuPont ha realizado mejoras importantes en la calidad que
Los diagramas de causa y efecto y las gráficas de Pareto superan por mucho los lineamientos reglamentarios. Las in-
revelaron dónde ocurrían los principales problemas. En- novaciones de DuPont en la solución de problemas am-
tonces la compañía comenzó a disminuir el desperdicio de bientales han permitido, al mismo tiempo, enormes ahorros
materiales a través de estándares mejorados de SPC para en costos.
la producción. Uniendo los sistemas de monitoreo basados
en la información de la planta y los estándares de la cali-
dad del aire, DuPont identificó formas de reducir las emisio-
nes. Usando un sistema de evaluación de proveedores vincu- Fuentes: P. E. Barnes, Business and Economic Review (enero-marzo de
lado con los requerimientos de compra JIT, la compañía 1998): 21-24; Environmental Quality Management (verano de 1998): 97-110,
implantó controles sobre la entrada de materiales nocivos. y Purchasing (6 de noviembre de 1997): 114.

Gráficas de control para atributos

Las gráficas de control x y R no son aplicables a los muestreos de atributos, los cuales casi siempre se
clasifican como defectuosos o no defectuosos. La medición de defectuosos implica contarlos (por ejem-
plo, número de focos malos en un lote determinado, o número de cartas o registros de datos escritos con
error) mientras que las variables suelen medirse por longitud o peso. Existen dos tipos de gráficas de
control para atributos: 1. las que miden el porcentaje de defectos en una muestra —denominadas gráfi-
cas p— y 2. las que cuentan el número de defectos —llamadas gráficas c—.

Gráficas p Gráficas p La principal forma de controlar los atributos es usar las gráficas p. Aunque los atributos
Gráficas de control de que son buenos o malos siguen una distribución binomial, se utiliza la distribución normal para calcular
calidad que se usan los límites de la gráfica p cuando los tamaños de las muestras son grandes. El procedimiento se asemeja
para controlar atributos. al enfoque de la gráfica x que también tiene como base el teorema del límite central.

Despliegue de una gráfica

para variables de Mitutoyo
Corporation usando un
software de SPC que está
vinculado directamente con
mecanismos de medición.
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 419
Si bien algunas gráficas SPC se generan por
computadora, ésta se prepara a mano. Esta
gráfica se actualiza cada hora y refleja una
semana de turnos de trabajo.

Se presentan las fórmulas para los límites de control superior e inferior de la gráfica p:

LCS p = p + zσ pˆ (14-9)

LCI p = p − zσ pˆ (14-10)

donde p = fracción media de defectos en la muestra

z = número de desviaciones estándar (z = 2 para límites 95.45%;
z = 3 para límites de 99.73%)
σ p̂ = desviación estándar para la distribución de la muestra

σ p̂ se estima con la siguiente fórmula:

p (1 − p )
σ pˆ = (14-11)
n
donde n = tamaño de cada muestra.

El ejemplo 4 muestra la forma de establecer cada límite de control de las gráficas p para estas desviacio-
nes estándar.

Ejemplo 4 Los encargados de la captura de datos en ARCO introducen miles de registros de seguros cada día. En la tabla se
presentan las muestras del trabajo de 20 empleados. Se examinaron cuidadosamente cien registros capturados por
cada empleado y se contó el número de errores. Después se calculó la fracción defectuosa en cada muestra.
Establezca los límites de control que incluyan 99.73% de la variación aleatoria en el proceso de captura cuan-
do está bajo control.

Número Número Fracción Número Número Fracción

de muestra de errores defectuosa de muestra de errores defectuosa
1 6 .06 11 6 .06
2 5 .05 12 1 .01
3 0 .00 13 8 .08
4 1 .01 14 7 .07
5 4 .04 15 5 .05
6 2 .02 16 4 .04
7 5 .05 17 11 .11
8 3 .03 18 3 .03
9 3 .03 19 0 .00
10 2 .02 20 4 .04
80
número total de errores 80
p= = .04
número total de registros examinados (100)(20)
(.04)(1 − .04)
σ pˆ = = .02 ( 0.196 se redondeó hacia arriba)
100

(Nota: 100 es el tamaño de cada muestra = n)

420 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

LCS p = p + zσ pˆ = .04 + 3(.02) = .10

LCI p = p − zσ pˆ = .04 − 3(.02) = 0

(debido a que no podemos tener un porcentaje de defectos negativo)

Cuando graficamos los límites de control y la fracción defectuosa de la muestra, encontramos que sólo una perso-
na que captura datos (número 17) está fuera de control. Es posible que la empresa quiera examinar el trabajo indi-
vidual un poco más de cerca para observar si existen problemas serios (véase la figura 14.6).

.11
.10 LCSp = 0.10
Fracción defectuosa
.09
.08
.07
.06
.05
.04 p– = 0.04
.03
.02
.01 LCIp = 0.00
.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Número de muestra

FIGURA 14.6 ■ Gráfica p para la captura de datos del ejemplo 4

El recuadro AO en acción, “el costoso experimento en los servicios del cuidado de la salud de Unisys
Gráficas c Corp.”, proporciona un seguimiento del mundo real al ejemplo 4.
Gráfica de control de la
calidad que se usa para Gráficas c En el ejemplo 4, contamos el número de registros defectuosos capturados. Un registro de-
regular el número de fectuoso es aquel que no está exactamente correcto porque tiene cuando menos un defecto. Sin embargo,
defectos por unidad de un registro malo puede contener más de un defecto. Las gráficas c se usan para controlar el número de
salida. defectos por unidad de salida (o por registro de seguros en el caso anterior).

AO EN ACCIÓN
El costoso exper imento en los 1. Porcentaje de reclamaciones procesadas con erro-
res. Una auditoría de un periodo de 3 meses, realizada
ser vicios del cuidado de la salud por Coopers & Lybrand, encontró que Unisys cometía
de Unisys Cor p. errores en 8.5% de las reclamaciones procesadas. El es-
tándar de la industria es 3.5% de “defectos”.
Cuando Unisys Corp., se expandió al negocio de los servicios 2. Porcentaje de reclamaciones procesadas en 30 días.
computarizados para el cuidado de la salud, las cosas se veían Para la medida de este atributo, un “defecto” es un
promisorias. Justo acababa de ganar la licitación contra Blue tiempo de procesamiento más largo que el tiempo asig-
Cross/Blue Shield de Florida para un contrato de 86 millones de nado en el contrato. En una muestra de un mes, 13% de
dólares para atender los servicios de seguros médicos de los las reclamaciones excedieron el límite de 30 días, mucho
empleados del estado de Florida. Su trabajo consistía en mane- más arriba del 5% permitido por el estado de Florida.
jar el procesamiento de las reclamaciones de los 215 mil em-
pleados del estado, un área en crecimiento aparentemente El contrato de Florida era una migraña para Unisys, que subes-
sencilla y lucrativa para una vieja compañía de computadoras timó la intensidad del trabajo de las reclamaciones sobre salud. Su
como Unisys. director general, James Unruh, simplemente suspendió las ambi-
Pero un año después, no sólo el contrato se había revoca- ciones futuras en el cuidado de la salud. Mientras tanto, el ejecuti-
do, sino que Unisys fue multada con más de 500,000 dólares por vo del estado de Florida, Ron Poppel, comenta: “en realidad, ne-
no reunir los estándares de calidad. A continuación mostramos cesitamos alguien que esté dentro del negocio de los seguros”.
dos de las medidas de la calidad, ambas de atributos (es decir,
“defectuoso” o “no defectuoso”) en las que la empresa estaba Fuentes: Knight Ridder Tribune Business News (7 de febrero de 2002): 1, y
fuera de control: Business Week (16 de junio de 1997): 6.
 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O (SPC) 421
La prueba de resistencia en esta tela proporciona una
observación más para la gráfica de control. Si la tensión
promedio está “fuera de control”, o si una “corrida” de
cinco promedios está por arriba o por debajo de la línea
central, el proceso debe detenerse y ajustarse.

Las gráficas de control de defectos son útiles para vigilar procesos en los que existe un gran número de
errores potenciales, pero que en realidad ocurre un número relativamente pequeño. Los defectos pueden
ser errores en las palabras de un periódico, circuitos malos en un microchip, imperfecciones en una me-
sa o la falta de pepinillos en una hamburguesa.
La distribución de probabilidad de Poisson,3 donde la varianza es igual a la media, es la base de las
gráficas c. Como c es el número promedio de los defectos por unidad, la desviación estándar es igual a
c . Para calcular los límites de control de 99.73% para c , utilizamos la fórmula

límites de control = c ± 3 c (14-12)

El ejemplo 5 muestra cómo establecer los límites de control para una gráfica c .

Ejemplo 5 Red Top Cab Company recibe varias quejas al día sobre el comportamiento de sus conductores. Durante un perio-
do de 9 días (donde los días son la unidad de medida), el propietario recibió los siguientes números de llamadas de
pasajeros irritados: 3, 0, 8, 9, 6, 7, 4, 9, 8, es decir, un total de 54 reclamaciones.
Para calcular los límites de control de 99.73%, tomamos

54
c = = 6 reclamaciones por día
9

Por lo tanto,

LCSc = c + 3 c = 6 + 3 6 = 6 + 3(2.45) = 13.35

LCI c = c − 3 c = 6 − 3 6 = 6 − 3(2.45) = 0 ← (ya que no puede ser negativo)

Después de que el propietario trazó una gráfica de control que resumía estos datos y la colocó en un lugar visible
del cuarto de casilleros de los conductores, el número de llamadas recibidas descendió a un promedio de tres por
día. ¿Podría usted explicar por qué ocurrió esto?

Aspectos de administración y gráficas de control

En un mundo ideal, no hay necesidad de gráficas de control. La calidad es uniforme y tan alta que los
empleados no necesitan perder tiempo ni dinero en el muestreo y monitoreo de variables y atributos.
Sin embargo, como los procesos aún no llegan a la perfección, los administradores deben tomar tres de-
cisiones importantes acerca de las gráficas de control.
Primero, los administradores deben seleccionar los puntos de su proceso que requieren SPC. Tal vez
se pregunten: “¿qué partes del trabajo son cruciales para el éxito?” o “¿qué partes del trabajo tienen ma-
yor tendencia a salirse de control?”

3Una distribución de probabilidad de Poisson es una distribución discreta que, en general, se usa cuando los elementos de in-
terés (en este caso defectos) son poco frecuentes y ocurren en un tiempo y espacio dados.
422 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

TABLA 14.2 ■
Uso de una gráfica x y una gráfica R
Ayuda para decidir qué 1. Las observaciones son variables, las cuales normalmente son las medidas del tamaño o peso de los productos.
gráfica de control usar Ejemplos de ello son el grosor y la longitud de un cable y el peso de una lata de sopa Campbell´s.
2. Reúna 20 o 25 muestras de n = 4, n = 5, o más, cada una de un proceso estable, y calcule la media de una gráfica
x y el rango para una gráfica R.
3. Rastreamos muestras de n observaciones cada una, como en el ejemplo 1.
Uso de una gráfica p
1. Las observaciones son atributos que se clasifican como buenos o malos (pasa-no pasa, funciona-no funciona), es
decir, en dos estados.
2. Manejamos fracciones, proporciones o porcentajes de defectos.
3. Existen diversas muestras, con muchas observaciones en cada una. Por ejemplo, 20 muestras de n = 100 observa-
ciones en cada una, como en el ejemplo 4.
Uso de una gráfica c
1. Las observaciones son atributos cuyos defectos por unidad de salida se pueden contar.
2. Manejamos el número contado, el cual es una pequeña parte de las ocurrencias posibles.
3. Los defectos serían: imperfecciones en un escritorio; reclamaciones en un día; crímenes en un año; asientos rotos
en un estadio; erratas en un texto impreso o puntos corridos en un rollo de tela.

Segundo, los administradores deben decidir si son apropiadas las gráficas de variables (es decir, x y
R) o las gráficas de atributos (es decir, p y c). Las gráficas de variables supervisan pesos o dimensiones.
Las gráficas de atributos son más una evaluación “si-no” o “pasa-no pasa” y su implantación tiende a ser
menos costosa. La tabla 14.2 lo ayudará a comprender cuándo utilizar cada tipo de gráficas de control.
Tercero, la compañía debe establecer políticas de SPC claras y específicas para que las sigan los em-
pleados. Por ejemplo, ¿debe detenerse un proceso de captura de datos si aparece una tendencia en el por-
centaje de registros defectuosos que se capturan? ¿Debe pararse una línea de ensamble si la longitud pro-
medio de cinco muestras sucesivas está arriba de la línea central? La figura 14.7 muestra algunos
patrones que deben observarse en un proceso a través del tiempo.
Corrida de prueba Se dispone de una herramienta llamada corrida de prueba para ayudarnos a identificar el tipo de
Una manera de examinar anomalías en un proceso, como se observa en la figura 14.7. En general, una corrida de cinco puntos arri-
los puntos en una gráfica ba o abajo del objetivo, o línea central, sugiere la presencia de una variación asignable o no aleatoria.
de control para observar Cuando así ocurre se tiene una señal, aunque todos los puntos caigan dentro de los límites de control. Es-
si existen variaciones no to significa que el proceso quizá no esté estadísticamente bajo control. Diversas corridas de pruebas se
aleatorias. describen en los libros bajo el tema de métodos de calidad.4

FIGURA 14.7 ■
Límite de
Patrones observables en
control superior
las gráficas de control
Meta
Fuente: Adaptado de Bertrand
L. Hansen, Quality Control:
Límite de
Theory and Applications (1991): control inferior
65. Reimpreso con autorización Comportamiento Un punto muy fuera, Tendencias en cualquiera de
de Prentice Hall, Upper Saddle normal. El proceso arriba (o abajo). las dos direcciones, 5 puntos.
está “bajo control”. Investigar la causa. Investigar la causa del cambio
River, Nueva Jersey. El proceso está progresivo. Esto puede ser el
“fuera de control”. resultado del desgaste gradual
de las herramientas.
Límite de
control superior

Meta

Límite de
control inferior
Dos puntos muy cerca Una corrida de 5 arriba Comportamiento
del control inferior (o abajo) de la línea central. errático. Investigar.
(o superior). Investigar Investigar la causa.
la causa.

4Véase James R. Thompson y Jacob Koroncki, Statistical Process Control for Quality Improvement (Nueva York: Chapman &
Hall, 1993), o Fred Aslup y Ricky Watson, Practical Statistical Process Control (Nueva York: Van Nostrand Reinhold, 1993).
 H A B I L I DA D D E L P RO C E S O 423

HABILIDAD DEL PROCESO

Cuando nos referimos al “control estadístico del proceso”, lo que queremos decir es que deseamos man-
tener el proceso bajo control. Esto significa que la variación natural del proceso debe ser suficientemente
pequeña (estrecha) como para elaborar productos que reúnan los estándares (calidad) requeridos. Sin em-
bargo, un proceso que se encuentra bajo control estadístico podría no fructificar en bienes y servicios que
cumplen sus especificaciones de diseño (tolerancias). La habilidad de un proceso para cumplir las espe-
cificaciones de diseño, establecidas por ingeniería de diseño o por los requerimientos del cliente, se deno-
Habilidad del proceso mina habilidad del proceso. Aun cuando un proceso esté bajo control estadístico (estable), a veces el re-
Aptitud para cumplir con sultado no reúne las especificaciones.
las especificaciones de Por ejemplo, digamos que el tiempo que un cliente está dispuesto a esperar para que terminen el traba-
diseño. jo de lubricación de su automóvil en Quick Lube es 12 minutos, con una tolerancia aceptable de ±2 minu-
tos. Esta tolerancia da una especificación superior de 14 minutos y una especificación inferior de 10 mi-
nutos. El proceso de lubricación debe ser capaz de operar dentro de estas especificaciones de diseño; de no
ser así, los requerimientos de algunos clientes no quedarán satisfechos. En un ejemplo de manufactura, las
tolerancias de los engranes en Harley-Davidson son extremadamente bajas, sólo ¡0.0005 pulgadas!
Existen dos medidas populares para determinar cuantitativamente si un proceso es capaz: la razón de
habilidad del proceso (Cp) y el índice de habilidad del proceso (Cpk).

Razón de habilidad del proceso (Cp)

Para que un proceso sea capaz, sus valores deben caer dentro de las especificaciones superior e inferior.
Eso significa en general que la habilidad del proceso está dentro de ±3 desviaciones estándar de la media
del proceso. Puesto que este intervalo de valores es de 6 desviaciones estándar, la tolerancia de un proce-
so capaz, que es la diferencia entre las especificaciones superior e inferior, debe ser mayor o igual que 6.5
La razón de la habilidad del proceso, Cp, se calcula como:
Cp
Razón o cociente para
determinar si un proceso Especificación superior – especificación inferior
reúne las especificaciones Cp = (14-13)
de diseño. 6σ

Un proceso capaz tiene una Cp de cuando menos 1.0. Si Cp es menor que 1.0, los productos o servicios que
produce el proceso están fuera de su tolerancia permitida. Con una Cp de 1.0, se espera que 2.7 partes en
1000 estén “fuera de especificaciones”.6 Cuanto mayor sea la razón de habilidad del proceso, mayor es la
probabilidad de que el proceso esté dentro de las especificaciones de diseño. Muchas empresas han ele-
gido como meta una razón Cp de 1.33 para reducir la variabilidad del proceso. Esto significa que esperan
que sólo 64 partes por millón estén fuera de lo especificado.

Ejemplo 6 En el proceso de reclamaciones de seguros de GE, x = 210.0, y σ = .516 minutos.

La especificación de diseño para cumplir las expectativas del cliente es 210 ±3 minutos. Por lo tanto, la espe-
cificación superior es 213 minutos y la especificación inferior 207 minutos.

Especificación superior – especificación inferior 213 − 207

Cp = = = 1.938
6σ 6(.516)

Dado que una razón de 1.00 significa que 99.73% de los resultados de un proceso están dentro de las especifica-
ciones, esta razón sugiere un proceso muy capaz, con una inconformidad inferior a 4 reclamaciones por millón.

Recuerde que en el capítulo 13 mencionamos el concepto de calidad six sigma, donde GE y Motoro-
la van a la cabeza. Este estándar se calcula en una razón Cp de 2.0, con sólo 3.4 partes defectuosas por
millón (muy cerca de cero defectos) en lugar de 2.7 partes por 1,000 con los límites 3 sigma.
Si bien Cp se relaciona con la dispersión del resultado del proceso relativa a su tolerancia, no observa
la forma en que el promedio del proceso se centra en su valor meta.

5Véase A Pocket Guide of Tools for Quality de GE, Methuen, MA (1994): 139-143.
6Esto se debe a que Cp igual a 1.0 tiene 99.73% de resultados dentro de las especificaciones. Por lo cual, 1.00
.9973 =
.0027; en 1000 partes, hay .0027 × 1000 = 2.7 defectos.
Con una Cp de 2.0, 99.99966% de los resultados están “dentro de especificaciones”. Por lo cual, 1.00
.9999966 =
.0000034; en un millón de partes, hay 3.4 defectos.
424 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

Índice de habilidad del proceso (Cpk)

Cpk El índice de habilidad del proceso, Cpk, mide la diferencia entre las dimensiones deseadas y las reales de
Proporción de la variación los bienes o servicios producidos.
natural (3σ) entre el centro La fórmula del índice Cpk es:
del proceso y el límite de
especificación más
cercano. ⎡límite de especificación superior – X X – Límite de especificación inferior⎤
C pk = mínimo de ⎢ , ⎥ (14-14)
⎣ 3σ 3σ ⎦

donde X = media del proceso

σ = desviación estándar de la población de un proceso

Cuando el índice Cpk es igual a 1.0, la variación del proceso se centra entre los límites de especifica-
ción inferior y superior y el proceso es capaz de producir dentro de ±3 desviaciones estándar (menos de
2,700 defectos por millón). Un Cpk de 2.0 significa que el proceso es capaz de producir menos de 3.4
defectos por millón. La figura 14.8 muestra el significado de varias medidas de Cpk y el ejemplo 7 mues-
tra una aplicación de Cpk.

Ejemplo 7 Usted es el gerente de mejoras de proceso y ha desarrollado una nueva máquina para cortar las plantillas de la me-
jor línea de zapatos deportivos de la compañía. Está emocionado porque la meta de la empresa en no más de 3.4
defectos por millón, y esta máquina parece ser la innovación que usted necesita. Las plantillas no pueden exceder
por más de ±.001 pulgada el grosor requerido de .250 pulgada. Usted desea saber si necesita reemplazar la máqui-
na existente, cuyo Cpk es 1.0. Por lo tanto, decide determinar el Cpk de la nueva máquina y tomar su decisión con
base en ello.

Límite de especificación superior = .251 de pulgada

Límite de especificación inferior = .249 de pulgada

Media del nuevo proceso X = .250 de pulgada.

Desviación estándar estimada del nuevo proceso = s = .0005 pulgada.

⎡ límite de especificación superior − X X – límite de especificación inferior⎤

C pk = mínimo de ⎢ , ⎥
⎣ 3σ 3σ ⎦
⎡ (.251) − .250 .250 − (.249) ⎤
C pk = mínimo de ⎢ ,
⎣ (3).0005 (3).0005 ⎥⎦

.001
Ambos cálculos dieron: = 0.67 .
.0015

Con un Cpk de sólo 0.67, la nueva máquina no debe reemplazar a la existente.

Si la media del proceso no está centrada en la media deseada (especificada), entonces se usa el número
más pequeño en el numerador de la ecuación (14-14) (el mínimo entre el límite superior de la especifica-
ción, menos la media y el del límite inferior de la especificación menos la media). Esta aplicación de Cpk
se muestra en el problema resuelto 14.4.
Cuando el proceso se centra entre el límite superior y el límite inferior de la especificación (como
fue el caso en el ejemplo 6) la razón de habilidad del proceso será igual al índice de habilidad del
proceso. No obstante, el índice Cpk mide la habilidad real de un proceso, esté o no esté centrada su
media entre los límites de la especificación. Como en la vida real a menudo las distribuciones de los
procesos no están centradas, la mayoría de las compañías emplean el Cpk para dar a conocer sus expec-
tativas a los proveedores. Cummings Engine Company, por ejemplo, primero solicitó a sus proveedores
que emplearan un Cpk arriba de 1.33 y después trabajó con ellos para elevar esa habilidad a un Cpk su-
perior a 1.67.
 MUESTREO D E AC E P TAC I Ó N 425
FIGURA 14.8 ■

Significados de las medidas Cpk Cpk = número negativo

(El proceso no cumple
Un índice Cpk de 1.0 indica que la las especificaciones).
variación del proceso está centrada
dentro de los límites de control inferior Cpk = cero
(El proceso no cumple
y superior. Cuando el Cpk aumenta las especificaciones).
a más de 1, el proceso se orienta
cada vez más a la meta, con menos Cpk = entre 0 y 1
defectos. Si el Cpk es menor que 1.0, (El proceso no cumple
el proceso no producirá dentro de las especificaciones).
la tolerancia especificada.
Cpk = 1
(El proceso cumple
las especificaciones).

Cpk mayor que 1

(El proceso es mejor
que lo requerido por las
especificaciones). Límite de Límite de
especificación especificación
inferior superior

MUESTREO DE ACEPTACIÓN7
Muestreo de aceptación El muestreo de aceptación es una manera de probar que implica tomar muestras aleatorias de “lotes” o
Método para medir grupos de productos terminados para medirlas contra estándares predeterminados. El muestreo es más
muestras aleatorias de lotes económico que la inspección al 100%. La calidad de la muestra se emplea para juzgar la calidad de todos
o grupos de productos los artículos en el lote. Aun cuando se inspeccionan los atributos y las variables mediante el muestreo de
contra estándares aceptación, es más común usar la inspección por atributos como se ilustra en esta sección.
predeterminados. El muestreo de aceptación suele aplicarse cuando los materiales llegan a la planta o en la inspección
final, pero casi siempre se emplea para controlar los lotes de productos comprados que llegan. Un lote de
Curva característica de artículos rechazados, con base en un nivel inaceptable de defectos encontrados en la muestra, puede 1.
operación (OC) regresarse al proveedor o 2. inspeccionarse al 100% para separar todos los defectuosos, usualmente
Gráfica que describe
cobrando al proveedor el costo de esta tarea. No obstante, el muestreo de aceptación no sustituye los con-
qué tan bien un plan de
troles adecuados del proceso. De hecho, el enfoque actual es construir controles estadísticos de calidad
aceptación discrimina
de los proveedores con la finalidad de eliminar el muestreo de aceptación.
entre lotes buenos y malos.

Curva característica de operación

La curva característica de operación (OC) describe qué tan bien un plan de aceptación discrimina en-
tre lotes buenos y lotes malos. Una curva pertenece a un plan específico, es decir, a una combinación de
Riesgo del productor
n (tamaño de la muestra) y c (nivel de aceptación). Lo que se intenta es mostrar la probabilidad de que el
Error que consiste en que el
plan acepte lotes con distintos niveles de calidad.
muestreo rechace un buen
En el muestreo de aceptación casi siempre intervienen dos partes: el fabricante del producto y el con-
lote del productor.
sumidor del producto. Al especificar un plan de aceptación, cada parte quiere eludir los costosos errores
de aceptar o rechazar un lote. Por lo común, el productor tiene la responsabilidad de reemplazar todas las
partes defectuosas rechazadas en el lote o pagar al cliente el embarque de un nuevo lote. En consecuen-
Riesgo del consumidor cia, el productor desea evitar el error de que un lote bueno sea rechazado (riesgo del productor). Por su
Error que consiste en que parte, el cliente o consumidor trata de evitar el error de aceptar un lote malo, porque los defectos encontra-
el consumidor acepte un dos en un lote previamente aceptado casi siempre son responsabilidad del cliente (riesgo del consumidor).
mal lote o descuido en el La curva OC muestra las características de un plan de muestreo particular, incluidos los riesgos de tomar
muestreo. una mala decisión.8

7Una amplia discusión sobre muestreo de aceptación se encuentra el Tutorial 2 en su CD-ROM.

8Observe que con el muestreo siempre se corre el peligro de llegar a una conclusión equivocada. Digamos en este ejemplo
que la población total bajo observación es una carga de 1,000 chips de computadora, de los cuales en realidad sólo 30 (o 3%)
son defectuosos. Eso significa que querríamos aceptar el embarque de chips, porque 4% de defectos es el promedio aceptado.
Sin embargo, si tomáramos una muestra aleatoria de n = 50 chips, es posible que encontráramos 0 defectos y aceptáramos el
embarque (lo cual está bien), pero también podríamos encontrar en la muestra el total de los 30 defectos. Si ocurriera esto úl-
timo, podríamos concluir de manera equivocada que 60% de la población total tiene defectos y rechazarla toda.
426 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

FIGURA 14.9 ■

Curva característica
de operación (OC) 100
que muestra los riesgos α = .05 Riesgo del productor para NCA
95
del productor y del
consumidor

Para este plan particular 75

de aceptación, un buen
lote tiene como máximo
Probabilidad
2% de defectos. Un mal lote de
tiene 7% de defectos o más. aceptación 50

25

10
β = .10
Porcentaje
0
de defectos
Riesgo del 0 1 2 3 4 5 6 7 8
consumidor
para PDTL NCA PDTL
Lotes Zona de indiferencia Lotes malos
buenos

La figura 14.9 ilustra con mayor detalle un plan de aceptación. En dicha figura se manejan cuatro
conceptos.
Nivel de calidad El nivel de calidad aceptable (NCA) es el nivel de calidad más bajo que estamos dispuestos a acep-
aceptable (NCA) tar. En otras palabras, estamos dispuestos a aceptar lotes con éste nivel de calidad o mejor, pero no peor.
Nivel de calidad que se Si el nivel aceptable de calidad es 20 defectos en un lote de 1,000 artículos o partes, entonces el NCA es
considera bueno para 20/1,000 = 2% de defectos.
un lote. El porcentaje de defectos tolerados en el lote (PDTL) es el nivel de calidad de un lote que considera-
Porcentaje de defectos mos malo. Queremos rechazar los lotes que tengan este nivel de calidad o uno menor. Si se acuerda que
tolerados en el lote el nivel inaceptable de calidad es 70 defectos en un lote de 1,000, entonces el PDTL es 70/1,000 = 7%
(PDTL) de defectos.
Nivel de calidad que se Para obtener un plan de muestreo, productor y consumidor deben definir no sólo qué es un “lote bue-
considera malo para no” y un “lote malo” a través del NCA y el PDTL, sino también especificar los niveles de riesgo.
un lote. El riesgo del productor () es la probabilidad de que un lote “bueno” sea rechazado. Éste es el riesgo
de que una muestra aleatoria pueda dar como resultado una proporción de defectos mucho mayor que la de
la población de todos los artículos. Un lote con un nivel de calidad aceptable NCA aún tiene una
probabilidad  de ser rechazado. Los planes de muestreo a menudo se diseñan para establecer el riesgo
del productor en  = .05, o 5%.

Este dispositivo de rastreo con láser, de Faro

Technologies, permite que los trabajadores de
control de la calidad midan e inspeccionen
partes y herramientas durante la producción.
El rastreador mide objetos desde una
distancia de 100 pies y toma hasta mil
lecturas por segundo.
 MUESTREO D E AC E P TAC I Ó N 427
Error tipo I El riesgo del consumidor () es la probabilidad de que se acepte un lote “malo”. Éste es el riesgo de
En términos estadísticos, la que una muestra aleatoria dé como resultado una proporción de defectos menor que la de la población to-
probabilidad de que se tal de artículos. El valor común del riesgo del consumidor en los planes de muestreo es  = .10, o 10%.
rechace un buen lote.
La probabilidad de rechazar un lote bueno se denomina error tipo I. La probabilidad de aceptar un lote
malo se le llama error tipo II.
Error tipo II
Los planes de muestreo y las curvas OC se desarrollan por computadora (como se observa en el softwa-
En términos estadísticos, la
re disponible con este libro), empleando tablas publicadas como la U.S. Military Standard MIL-STD-105
probabilidad de que se
acepte un mal lote.
y la tabla Dodge-Roming o, mediante cálculos usando las distribuciones binomial o de Poisson.9

Calidad de salida promedio

En la mayoría de los planes de muestreo, cuando se rechaza un lote se inspecciona el lote entero y se
reemplazan todos los artículos defectuosos. El uso de esta técnica de reemplazo mejora la calidad de sa-
lida promedio en términos del porcentaje de defectos. De hecho, dado 1. cualquier plan de muestreo que
reemplace todos los artículos defectuosos encontrados y 2. el porcentaje de defectos de entrada verdade-
Calidad de salida ro para el lote, es posible determinar la calidad de salida promedio (CSP) como un porcentaje de defec-
promedio (CSP) tos. La ecuación para CSP es:
Porcentaje de defectos en
un lote promedio de bienes ( Pd )( Pa )( N − n)
CSP = (14-15)
inspeccionado mediante el N
muestreo de aceptación.
donde Pd = porcentaje de defectos verdadero del lote
Pa = probabilidad de aceptar el lote
N = número de artículos en el lote
n = número de artículos en la muestra

El valor máximo de CSP corresponde al porcentaje de defectos promedio más alto o a la calidad prome-
dio más baja para el plan de muestreo. Esto se conoce como límite de calidad de salida promedio
(LCSP).
El muestreo de aceptación es útil para observar los lotes entrantes. Cuando se reemplazan las partes
defectuosas con partes buenas, el muestreo de aceptación ayuda a incrementar la calidad de los lotes al
reducir el porcentaje de defectos de salida.
En la figura 14.10 se comparan el muestreo de aceptación, SPC, y el índice Cpk. Como se ve en esa
figura, a) el muestreo de aceptación, por definición, acepta algunas unidades malas, b) las gráficas de
control buscan mantener el proceso bajo control, pero c) el índice Cpk centra la atención en mejorar el
proceso. Como administradores de operaciones, eso es precisamente lo que queremos hacer: mejorar
el proceso.

FIGURA 14.10 ■
Límite de Límite de
La aplicación de las técnicas especificación especificación
estadísticas de procesos inferior superior (a) Muestreo de acep-
contribuye a la identificación tación (Aceptación
y reducción sistemática de la de algunas unidades
malas; el “lote” es
variabilidad de un proceso bueno o malo).

(b) Control estadístico

del proceso (Man-
tiene el proceso
“bajo control”).

(c) Cpk > 1

(Diseño de un
proceso que
está bajo control).

Media del proceso, µ

9Las dos tablas que se emplean con más frecuencia para los planes de aceptación son Military Standard Sampling Procedures
and Tables for Inspection by Attributes (MIL-STD-105D) (Washington, DC: U.S. Government Printing Office, 1963), y H. F.
Dodge y H. G. Roming, Sampling Inspection Tables—Single and Double Sampling, 2a. ed. (Nueva York: John Wiley, 1959).
428 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

RESUMEN El control estadístico de procesos es la principal herramienta estadística para el control de la calidad. Las
gráficas de control para SPC ayudan a los administradores de operaciones a distinguir entre las variacio-
nes naturales y asignables. Las gráficas x y las gráficas R se utilizan para el muestreo de variables,
mientras que las gráficas p y gráficas c para el muestreo de atributos. El índice Cpk es una forma de
expresar la habilidad del proceso. Las curvas características de operación (OC) facilitan el muestreo
de aceptación y proporcionan al administrador las herramientas para evaluar la calidad de una corrida de
producción o de un embarque.

TÉRMINOS Control estadístico del proceso (SPC) Cp

Gráfica de control Cpk
CLAVE Variación natural Muestreo de aceptación
Variación asignable Curva característica de operación (OC)
Gráfica x Riesgo del productor
Gráfica R Riesgo del consumidor
Teorema del límite central Nivel de calidad aceptable (NCA)
Gráficas p Porcentaje de defectos tolerados en el lote (PDTL)
Gráficas c Error tipo I
Corrida de prueba Error tipo II
Habilidad del proceso Calidad de salida promedio (CSP)

USO DE EXCEL OM PARA SPC

Excel y otras hojas de cálculo se usan ampliamente en la industria para mantener las gráficas de control. El módu-
lo de control de calidad de Excel OM tiene la capacidad de elaborar gráficas x gráficas p y gráficas c. El pro-
grama 14.1 ilustra el enfoque de las hojas de cálculo de Excel OM para calcular los límites de control x para la
compañía Oat Flakes del ejemplo 1. Excel también tiene integrada la posibilidad de graficar con Chart Wizard.

No cambie esta celda sin haber cambiado el

número de renglones en la tabla de datos.

Introduzca la desviación estándar de la población, después los datos de cada

muestra. Por último, puede cambiar el número de desviaciones estándar.

Introduzca los datos del tamaño de cada

una de las muestras tomadas por hora.
Introduzca el pe- = B22
so promedio para
cada una de las Introduzca el número
12 muestras. deseado de desvia-
ciones estándar.

= B7/SQRT(B6)

Use el promedio global como línea central; sume y reste el

número deseado de desviaciones estándar para crear los límites
de control superior e inferior (ejemplo, LCI = F10 – F11*F12).

Calcule x barra menos el peso promedio global

de todas las muestras = PROMEDIO (B10:B21).

PROGRAMA 14.1 ■ Información de entrada de Excel OM y fórmulas seleccionadas para

el ejemplo 1 de Oat Flakes

USO DE POM PARA WINDOWS

El módulo de control de calidad de POM para Windows calcula todas las gráficas de control de SPC presenta-
das en este suplemento. Asimismo maneja muestreo de aceptación y curvas características de operación.
 P RO B L E M A S R E S U E LTO S 429

PROBLEMAS RESUELTOS
Problema resuelto 14.1 Solución
Un fabricante de partes para maquinaria de precisión produce ejes em- El factor promedio A2 de la tabla 14.1, donde el tamaño de la muestra es
pleados en la construcción de taladros. El diámetro promedio de un eje 6, es .483. Con este factor se obtienen los límites de control superior e
es .56 pulgadas. Las muestras de inspección contienen 6 ejes cada una. inferior:
El rango promedio de estas muestras es .006 pulgadas. Determine los lí-
mites de control superior e inferior para las gráficas x LCS x = .56 + (.483)(.006)
= .56 + .0029
= .5629 pulgadas
LCI x = .56 − .0029
= .5571 pulgadas

Problema resuelto 14.2 Solución

Nocaf Drinks, Inc. produce café descafeinado en frascos de Nocaf. Ca- Primero encontramos que x = 4.03 y R = .51. Después, usando la tabla
da frasco debe contener un peso neto de 4 onzas. La máquina que llena 14.1, encontramos que:
los frascos con café es nueva y el administrador de operaciones desea
cerciorarse de que tiene el ajuste adecuado. Bonnie Crutcher, la admi- LCS x = x + A2 R = 4.03 + (.373)(.51) = 4.22
nistradora de operaciones, toma una muestra de n = 8 frascos y registra
LCI x = x − A2 R = 4.03 − (.373)(.51) = 3.84
el promedio y el rango en onzas de cada muestra. Los datos de varias
muestras se presentan en la siguiente tabla. Observe que cada muestra LCI R = D4 R = (1.864)(.51) = .95
está compuesta por 8 frascos. LCI R = D3 R = (.136)(.51) = .07
Rango Promedio Rango Promedio
de la de la de la de la Parece que tanto el promedio del proceso como el rango están bajo control.
Muestra muestra muestra Muestra muestra muestra

A .41 4.00 E .56 4.17

B .55 4.16 F .62 3.93
C .44 3.99 G .54 3.98
D .48 4.00 H .44 4.01

¿Está la máquina bien ajustada y bajo control?

Problema resuelto 14.3

Altman Distributors, Inc., surte sus pedidos por catálogo. Entre los últimos 100 pedidos embarcados, el porcentaje de errores fue .05. Determine los
límites superior e inferior de este proceso para 99.73% de confianza.

Solución

p (1 − p ) (.05)(1 − .05)
LCS p = p+3 = .05 + 3
n 100
= .05 + 3(0.0218) = .1154

p (1 − p )
LCI p = p−3 = .05 − 3(.0218)
n
= .05 − .0654 = 0 (porque el porcentaje de defectos no puede ser negativo)

Problema resuelto 14.4

Ettlie Engineering tiene un nuevo sistema catalizador de inyección para su línea de producción de cubiertas de mostradores. Su departamento de in-
geniería de proceso realizó experimentos y determinó que la media es 8.01 gramos con una desviación estándar de .03. Sus especificaciones son:

µ = 8.0 y σ = .04, lo cual significa un límite de especificación superior de 8.12 [= 8.0 + 3(.04)]
y un límite de especificación inferior de 7.88 [= 8.0 – 3(.04)].
430 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

¿Cuál es el Cpk de desempeño del sistema de inyección? Usando nuestra fórmula:

⎡ límite de especificación superior − X X – límite de especificación inferior⎤

C pk = mínimo de ⎢ , ⎥
⎣ 3σ 3σ ⎦

donde X = media del proceso

σ = desviación estándar de la población del proceso

⎡ 8.12 − 8.01 8.01 − 7.88 ⎤

C pk = mínimo de ⎢ ,
⎣ (3)(.03) (3)(.03) ⎥⎦

⎡ .11 = 1.22, .13 = 1 44 ⎤

⎢⎣ .09 . ⎥
.09 ⎦
El mínimo es 1.22, por lo tanto el Cpk de 1.22 está dentro de las especificaciones y tiene una tasa de error implícita menor a 2,700 defectos por
millón.

EJERCICIOS EN INTERNET
Visite nuestra página Web como ayuda con el material de este capítulo.

En nuestra página Web, [Link]/heizer

• Autoevaluaciones • Recorrido virtual por una compañía
• Problemas de práctica • Problemas de tarea en Internet
• Ejercicios en Internet • Caso de estudio en Internet
• Artículos e investigación actuales

PREGUNTAS PARA ANALIZAR

1. Mencione los dos tipos de variación de Shewhart. ¿De qué otra forma 11. Defina Cpk y explique lo que significa un Cpk de 1.0. ¿Qué es la Cp?
se les llama? 12. En una gráfica de control, ¿qué implica una corrida de cinco puntos
2. Defina “bajo control estadístico”. arriba o abajo de la línea central?
3. Explique en forma breve qué hacen la gráfica x y la gráfica R. 13. ¿Qué son el nivel de calidad aceptable (NCA) y el porcentaje de defec-
4. ¿Qué origina que un proceso esté fuera de control? tos tolerados en el lote (PDTL)? ¿Cómo se emplean?
5. Señale los cinco pasos en el desarrollo y uso de la gráfica x y la 14. ¿Qué es una corrida de prueba y cuándo se usa?
gráfica R. 15. Analice los aspectos de administración acerca del uso de las gráficas
6. Enumere algunas causas posibles de variación asignable. de control.
7. Explique por qué es más fácil que una persona encuentre muestras 16. ¿Qué es una curva OC?
“fuera de los límites” si usa las gráficas de control 2-sigma que con 17. ¿Cuál es el propósito del muestreo de aceptación?
las gráficas de control 3-sigma. ¿Cuáles son algunas consecuencias 18. ¿Cuáles son los dos riesgos presentes cuando se utiliza el muestreo de
posibles de esto? aceptación?
8. ¿Cuándo se utiliza la media deseada, µ , en lugar de x para establecer 19. ¿Un proceso capaz es un proceso perfecto? Es decir, ¿un proceso ca-
la línea central de una gráfica de control? paz puede generar sólo resultados que cumplan las especificaciones?
9. ¿Un proceso de producción se calificará como “fuera de control” por- Explique su respuesta.
que es demasiado bueno? Explique por qué.
10. En una gráfica de control, ¿cuál sería el efecto sobre los límites de
control si el tamaño de la muestra varía de una muestra a otra?
 P RO B L E M A S 431

EJERCICIO DEL MODELO ACTIVO

Este modelo activo le permite evaluar elementos importantes en las gráficas p.

MODELO ACTIVO 14.1

■

Preguntas
1. ¿Está el proceso bajo control?
2. Suponga que empleamos una gráfica p de 95%. ¿Cuáles son los límites de control superior e inferior? ¿El proceso
se ha salido más de control?
3. Suponga que el tamaño de las muestras en realidad fue 120 y no 100 como se suponía. ¿Cómo afecta esto a la
gráfica?
4. ¿Qué ocurre con la gráfica si reducimos el valor de z?
5. ¿Qué pasa con la gráfica si reducimos el porcentaje?

PROBLEMAS*
. 14.1 Las cajas de Organic Flakes se fabrican con una capacidad de 14 onzas y una desviación estándar de .1 de onza. Es-
tablezca la gráfica x de 3-5 sigma para un tamaño de muestra de 36 cajas.

P . 14.2 El promedio global de un proceso que usted pretende monitorear es 50 unidades. La desviación estándar del proceso
es 1.72. Determine los límites de control superior e inferior para una gráfica de media, si elige un tamaño de muestra
de 5. Establezca z = 3.

P . 14.3 Se tomaron 35 muestras, de 7 sacos cada una, de una máquina de llenado de sacos con fertilizante. Los resultados fue-
ron: media global = 57.75 libras; rango promedio = 1.78 libras.
a) Determine los límites de control superior e inferior de la gráfica x
b) Determine los límites de control superior e inferior de la gráfica R.

*Nota: significa que el problema se resuelve con POM para Windows; significa que el problema se resuelve con Ex-
cel OM, y P que se resuelve con POM para Windows o con Excel OM.
432 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

P . 14.4 Food Storage Technologies fabrica unidades de refrigeración para productores de alimentos y establecimientos de
venta de alimentos al menudeo. Estas unidades mantienen una temperatura global promedio de 46º Fahrenheit. El
rango promedio es de 2º Fahrenheit. Se toman muestras de 6 unidades para vigilar el proceso de producción. Determi-
ne los límites de control superior e inferior para una gráfica de media y una gráfica de rango para estas unidades de
refrigeración.

P . 14.5 Len Liter pretende supervisar un proceso de llenado que tiene un promedio global de 705 cc. El rango promedio es 6
cc. Si usa un tamaño de muestra de 10 ¿cuáles son los límites de control superior e inferior para la media y el rango?

P 14.6 El muestreo de 4 piezas cada hora de alambre cortado con precisión (para un ensamble de computadoras) generó los
: siguientes resultados durante las últimas 24 horas:

Hora x R Hora x R
1 3.25 .71 13 3.11 .85
2 3.10 1.18 14 2.83 1.31
3 3.22 1.43 15 3.12 1.06
4 3.39 1.26 16 2.84 .50
5 3.07 1.17 17 2.86 1.43
6 2.86 .32 18 2.74 1.29
7 3.05 .53 19 3.41 1.61
8 2.65 1.13 20 2.89 1.09
9 3.02 .71 21 2.65 1.08
10 2.85 1.33 22 3.28 .46
11 2.83 1.17 23 2.94 1.58
12 2.97 .40 24 2.64 .97

Elabore las gráficas de control apropiadas y determine si existe alguna causa de preocupación en el proceso de corte.
Grafique la información y busque algún patrón.

P 14.7 Los pistones para automóviles (de 155 mm) se producen en un proceso de forja, y el diámetro es un factor crítico que
: debe controlarse. El rango y la media obtenidos a partir de muestras de 10 pistones de la producción diaria son los si-
guientes:

Día Media Rango

1 156.9 4.2
2 153.2 4.6
3 153.6 4.1
4 155.5 5.0
5 156.6 4.5

Elabore una gráfica x de 3-5 sigma y una gráfica R de 3-sigma para este factor.

P 14.8 La etiqueta de las cajas pequeñas de cereal NutraFlakes dice “peso neto 10 onzas”. Cada hora se pesan muestras
: aleatorias de tamaño n = 4 para revisar el control del proceso. Después de cinco horas de observaciones se obtuvieron
los siguientes datos:

PESOS
HORAS CAJA 1 CAJA 2 CAJA 3 CAJA 4
9 A.M. 9.8 10.4 9.9 10.3
10 A.M. 10.1 10.2 9.9 9.8
11 A.M. 9.9 10.5 10.3 10.1
Noon 9.7 9.8 10.3 10.2
1 P.M. 9.7 10.1 9.9 9.9

a) Con estos datos determine los límites para una gráfica x y una gráfica R (emplee la tabla 14.1).
b) ¿El proceso está bajo control?
c) ¿Qué otros pasos debe seguir el departamento de control de la calidad en este punto?

: 14.9 Whole Grains LLC aplica control estadístico del proceso para asegurar que sus hogazas de pan multigrano para sandwi-
ches, bajo en grasa y saludable, tengan el peso apropiado de 6 onzas. Con base en un proceso estable y bajo control,
se sabe que los límites para las gráficas x y R son: LCS x = 6.56 , LCI x = 5.84 , LCSR = 1.141, LCIR = 0.
Durante los últimos días, se tomaron 5 muestras aleatorias de cuatro hogazas cada una y se encontró lo siguiente:
 P RO B L E M A S 433

PASO NETO
MUESTRA HOGAZA #1 HOGAZA #2 HOGAZA #3 HOGAZA #4
1 6.3 6.0 5.9 5.9
2 6.0 6.0 6.3 5.9
3 6.3 4.8 5.6 5.2
4 6.2 6.0 6.2 5.9
5 6.5 6.6 6.5 6.9

¿Sigue estando el proceso bajo control?

14.10 Un proceso que se considera bajo control mide un ingrediente en onzas. La tabla da los datos de las 10 últimas muestras
tomadas (el tamaño de cada una es n = 5).

MUESTRAS
1 2 3 4 5 6 7 8 9 10
10 9 13 10 12 10 10 13 8 10
9 9 9 10 10 10 11 10 8 12
10 11 10 11 9 8 10 8 12 9
9 11 10 10 11 12 8 10 12 8
12 10 9 10 10 9 9 8 9 12

a) ¿Cuál es la desviación estándar del proceso? ¿Cuál es su σ x ?

b) Si z = 3, ¿cuáles son los límites de control para la gráfica de media?
c) ¿Cuáles son los límites de control para la gráfica de rangos?
d) ¿Está el proceso bajo control?

P 14.11 Se tomaron 12 muestras de 5 partes a partir de un proceso de producción de barras de acero cuya longitud debe ser

10 pulgadas. Se determinó la longitud de cada barra en las muestras. Se tabularon los resultados y se calcularon las
medias y rangos. Los resultados fueron:

Media de la Rang0
Muestra muestra (pulgadas) (pulgadas)
1 10.002 0.011
2 10.002 0.014
3 9.991 0.007
4 10.006 0.022
5 9.997 0.013
6 9.999 0.012
7 10.001 0.008
8 10.005 0.013
9 9.995 0.004
10 10.001 0.011
11 10.001 0.014
12 10.006 0.009

Determine los límites de control superior e inferior y las medias globales para las gráficas x y R. Grafique los va-
lores de las medias y rangos de las muestras. ¿Considera que los datos indican que el proceso está bajo control? ¿Por
qué?

P 14.12 Durante los últimos dos meses, Pat LaPoint ha estado preocupado por la máquina número 5 de las instalaciones de

West Factory. Para cerciorarse de que la máquina opera correctamente, toma muestras y calcula los promedios y los
rangos de cada una. Cada muestra consta de 10 artículos producidos en esa máquina. Recientemente se tomaron 12
muestras y se calcularon los rangos y promedios de cada una. Los rangos y promedios respectivos fueron 1.1 y 46
para la primera muestra; 1.31 y 45 para la segunda; .91 y 46 para la tercera, y 1.1 y 47 para la cuarta. Después de la
cuarta muestra, los promedios muestrales aumentaron. Para la quinta muestra, el rango fue 1.21 y el promedio 48;
para la muestra 6, fueron .82 y 47; para la 7, .86 y 50, y para la muestra 8, 1.11 y 49. Después de la octava muestra el
promedio muestral siguió aumentando y nunca fue menor que 50. Para la muestra 9, el rango y promedio fueron 1.12
y 51; para la 10, 99 y 52; para la 11, .86 y 50, y para la 12 fueron 1.2 y 52.
Durante la instalación el proveedor estableció un promedio de 47 para el proceso y un promedio de 1.0 para el
rango. LaPoint sospechaba que algo estaba francamente mal con la máquina número 5. ¿Está usted de acuerdo? (Pis-
ta: use las especificaciones del fabricante para establecer los límites de control. Las gráficas de corrida de prueba son
útiles).

P . 14.13 Históricamente, la tasa de defectos para la captura de datos de las reclamaciones de seguros ha sido alrededor de 1.5%.
¿Cuáles son los límites de control superior e inferior de la gráfica, si desea utilizar un tamaño de muestra de 100 y
límites de 3-sigma?
434 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

: 14.14 Usted busca desarrollar un sistema de monitoreo de la calidad para algunas partes que se compran de Warton & Cota
Manufacturing Co. Las partes son buenas o defectuosas. Usted decidió tomar una muestra de 100 unidades. Construya
una tabla de los límites de control superior e inferior de una gráfica con varios valores de la fracción defectuosa en
la muestra tomada. En esta tabla los valores para p muestran un rango de 0.02 a 0.10 en incrementos de 0.02. Desarro-
lle los límites de control superior e inferior para 99.73% de nivel de seguridad.

n = 100
p LCS LCI
0.02
0.04
0.06
0.08
0.10

P 14.15 La tabla da los resultados de la inspección de las muestras de ADN tomadas durante los últimos 10 días. El tamaño de
: la muestra es 100.

Día Defectuosas
1 7
2 6
3 6
4 9
5 5
6 6
7 0
8 8
9 9
10 1

a) Elabore una gráfica p 3-sigma con esta información.

b) Si el número de defectos en los siguientes tres días es 12, 5 y 13 ¿El proceso está bajo control?

P . 14.16 En el pasado, la tasa de defectos de sus productos fue 1.5%. ¿Cuáles son los límites de control superior e inferior de
la gráfica si desea usar un tamaño de muestra de 100 y z = 3?

P . 14.17 Regrese al problema 14.16. Si la tasa de defectos fuera de 3.5% en lugar de 1.5%, ¿cuáles serían los límites de control
(z = 3)?

P 14.18 Regrese a los problemas 14.16 y 14.17. La administración quiere reducir el tamaño de la muestra a 100 unidades. Si
: en el pasado la tasa de defectos fue 3.5%, ¿qué pasaría con los límites de control (z = 3)? ¿Debe llevarse a cabo esta
acción? Explique su respuesta.

P 14.19 El Hospital Central de Detroit busca mejorar su imagen proporcionando una experiencia positiva a sus pacientes y fa-
: miliares. Parte del programa de “imagen” incluye comidas sabrosas que inviten a los pacientes a comer sanamente.
Un cuestionario acompaña cada comida que se sirve y pregunta, entre otras cosas, si están satisfechos o insatisfechos
con la comida. Los resultados de una muestra de 100 pacientes de la encuesta durante los pasados 7 días arrojaron la
siguiente información:

Número de pacientes Tamaño de la

Día insatisfechos muestra
1 24 100
2 22 100
3 8 100
4 15 100
5 10 100
6 26 100
7 17 100

Elabore una gráfica p en la que se muestre el porcentaje de pacientes insatisfechos con sus comidas. Establezca los lími-
tes de control para incluir 99.73% de la variación aleatoria de satisfacción con la comida. Comente sus resultados.

P 14.20 Chicago Supply Company fabrica clips y otros productos de oficina. Aun cuando son baratos, los clips han dado a la
: compañía un alto margen de utilidad. Se toman muestras de 200 artículos. A continuación se observan los resultados
de las últimas 10 muestras. Establezca los límites de control superior e inferior para la gráfica de control y grafique
los datos. ¿Está el proceso bajo control?

Muestra 1 2 3 4 5 6 7 8 9 10
Defectuosas 5 7 4 4 6 3 5 6 2 8
 P RO B L E M A S 435

P . 14.21 La tienda departamental de Peter Ittig, Ittig Brothers, es la fabricante de ropa más grande de Amherst. La tienda recibe
un promedio de seis devoluciones al día. Con z = 3, ¿considera que debe llevarse a cabo alguna acción si el número
de devoluciones diarias aumenta a nueve?

P 14.22 Modern Art examina una muestra aleatoria de 100 mesas de comedor que salieron de la línea de ensamble de la em-
: presa. Una cuidadosa inspección revela un total de 2 mil imperfecciones. ¿Cuáles son los límites de control superior
e inferior con 99.73% para el número de imperfecciones? Si una mesa tiene 42 imperfecciones, ¿debe tomarse alguna
acción especial?

P 14.23 La mesa directiva busca evaluar el nuevo programa de matemáticas puesto en marcha este año para los alumnos de
: segundo grado en cinco escuelas primarias del condado. Una muestra de las calificaciones que obtuvieron los estu-
diantes en el examen estandarizado de matemáticas, aplicado en cada escuela primaria, generó los siguientes datos:

Número de errores
Escuela en el examen
A 52
B 27
C 35
D 44
E 55

Elabore una gráfica c para los errores en el examen y establezca los límites de control para contener 99.73% de la va-
riación aleatoria en las calificaciones. ¿Qué indica la gráfica? ¿Resultó efectivo el nuevo programa de matemáticas?

P 14.24 Las peguntas por teléfono de 100 “clientes” de IRS se monitorean todos los días en forma aleatoria. Asimismo se re-
: gistran los incidentes de información incorrecta y otras fallas (como la descortesía con los clientes). Los datos de la
última semana son:

Día Número de fallas

1 5
2 10
3 23
4 20
5 15

Construya una gráfica c para las fallas, con una desviación estándar de 3. ¿Qué indica la gráfica de control sobre los
operadores de teléfonos de IRS?

P 14.25 El departamento de cuentas por cobrar de Rick Wing Manufacturing ha tenido dificultades para que los clientes paguen

el monto total de sus facturas. Muchos clientes se quejan de que las facturas son incorrectas y que no concuerdan con
los materiales que llegan a sus plataformas de recepción. El departamento decidió implantar SPC en su proceso de
facturación. Con la finalidad de establecer las gráficas de control, se tomaron 10 muestras de 50 facturas cada una
durante un mes y los artículos en las facturas se revisaron contra las notas de llegada, enviadas por el departamento
de embarques de la compañía, para determinar el número de facturas incorrectas. Los resultados fueron:

Núm. de Núm. de facturas Núm. de Núm. de facturas

muestra incorrectas muestra incorrectas
1 6 6 5
2 5 7 3
3 11 8 4
4 4 9 7
5 0 10 2

a) Determine el valor de la barra p, es decir, la media de la fracción defectuosa. Después, determine los límites de control
para la gráfica p con un nivel de seguridad de 99.73% (3 desviaciones estándar). ¿Está el proceso bajo control? Si no
es así, ¿qué muestras estuvieron fuera de control?
b) ¿Cómo utilizaría las herramientas para la calidad analizadas en el capítulo 13 para determinar la fuente de los defec-
tos de facturación y dónde iniciaría sus esfuerzos de mejora para eliminar las causas?

P . 14.26 La diferencia entre los límites superior e inferior de la especificación para un proceso es 0.6 pulgadas. La desviación
estándar es 0.1 pulgadas. ¿Cuál es la razón de capacidad, Cp, del proceso? Interprete este número.

P 14.27 El proceso de producción de chips para computadora de Meena Chavan Corp. genera chips DRAM con una vida pro-
: medio de 1,800 horas y un σ = 100 horas. Los límites de tolerancia superior e inferior son 2,400 horas y 1,600 horas,
respectivamente. ¿Es capaz este proceso de producir chips DRAM dentro de su especificación?
436 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

P 14.28 Blackburn, Inc., fabricante de equipo en Nashville, sometió una muestra de válvula de corte para mejorar su proceso
: de manufactura. El departamento de ingeniería de procesos realizó algunos experimentos y encontró que la válvula
tiene una media (µ) de 8.00 y una desviación estándar (σ) de .04. Su desempeño deseado es µ = 8.0 y σ = .045. ¿Cuál
es el Cpk de la válvula Blackburn?

P 14.29 Las especificaciones de un revestimiento plástico para los proyectos de carreteras de concreto debe tener un grosor de
: 3.0 mm ± .1 mm. La desviación estándar del proceso se estima en 0.02 mm. ¿Cuáles son los límites superior e inferior
de la especificación para este producto? Se sabe que el proceso opera con un grosor medio de 3.0 mm. ¿Cuál es el Cpk
para este proceso? ¿Más o menos qué porcentaje de todas las unidades reunirá las especificaciones?

P 14.30 El administrador de una planta procesadora de alimentos desea una especificación de calidad con una media de 16
: onzas, un límite superior de especificación de 16.5 y un límite inferior de especificación de 15.5. El proceso tiene una
desviación estándar de 1 onza. Determine el Cpk de este proceso.

P 14.31 El proceso de llenado de envases de alimento para bebé debe tener una medida de 3 onzas ±0.150 onzas. Se muestrearon
: 200 botellas del proceso. Los resultados mostraron que la cantidad promedio de alimento vertido en los envases
fue 3.042 onzas. La desviación estándar de dicha cantidad fue 0.034 onzas. Determine el valor de Cpk. En general,
¿qué proporción de los envases cumple las especificaciones?

. 14.32 En un plan de muestreo de aceptación desarrollado para lotes que contienen 1,000 unidades, el tamaño de la muestra
es 80 y c es igual a 3. El porcentaje de defectos en los lotes que llegan es 3% y la probabilidad de aceptación obtenida
de una curva OC es .79. ¿Cuál es el la calidad de salida promedio?

. 14.33 Un plan de muestreo de aceptación tiene lotes de 500 unidades, un tamaño de muestra de 60 y c es igual a 2. Los lotes
que llegan tienen un porcentaje de defectos de 4% y la probabilidad de aceptación basada en una curva OC es .57.
¿Cuál es la CSP?

P 14.34 West Battery Corp. ha recibido últimamente quejas de los vendedores al menudeo respecto a que las baterías de 9 vol-

tios no duran tanto como las de otras marcas. James West, responsable del programa TQM en la planta de West en
Austin, considera que no hay problema porque sus baterías han tenido un promedio de vida de 50 horas, casi 10% más
que los modelos de los competidores. Aumentar la vida útil a más de 50 horas requeriría tecnología más avanzada no
disponible en la planta de WEST. Sin embargo, West estableció una revisión por hora en la línea de ensamble. Deci-
dió tomar muestras de 5 baterías de 9 voltios durante las siguientes 25 horas, con la finalidad de crear los estándares
para los límites de la gráfica de control (véase la siguiente tabla):

Datos de West Battery— tiempo de vida útil

de las baterías (en horas)

MUESTRA
HORA 1 2 3 4 5 X R
1 51 50 49 50 50 50.0 2
2 45 47 70 46 36 48.8 34
3 50 35 48 39 47 43.8 15
4 55 70 50 30 51 51.2 40
5 49 38 64 36 47 46.8 28
6 59 62 40 54 64 55.8 24
7 36 33 49 48 56 44.4 23
8 50 67 53 43 40 50.6 27
9 44 52 46 47 44 46.6 8
10 70 45 50 47 41 50.6 29
11 57 54 62 45 36 50.8 26
12 56 54 47 42 62 52.2 20
13 40 70 58 45 44 51.4 30
14 52 58 40 52 46 49.6 18
15 57 42 52 58 59 53.6 17
16 62 49 42 33 55 48.2 29
17 40 39 49 59 48 47.0 20
18 64 50 42 57 50 52.6 22
19 58 53 52 48 50 52.2 10
20 60 50 41 41 50 48.4 19
21 52 47 48 58 40 49.0 18
22 55 40 56 49 45 49.0 16
23 47 48 50 50 48 48.6 3
24 50 50 49 51 51 50.2 2
25 51 50 51 51 62 53.0 12
 CASO DE ESTUDIO 437
Una vez establecidos los límites, West tomó los datos de 5 horas más, que se dan en la tabla siguiente:

MUESTRA
HORA 1 2 3 4 5
26 48 52 39 57 61
27 45 53 48 46 66
28 63 49 50 45 53
29 57 70 45 52 61
30 45 38 46 54 52

a) ¿Está el proceso de manufactura bajo control?

b) Comente los tiempos de vida observados.

PROBLEMAS DE TAREA EN INTERNET

Visite nuestra página Web en [Link]/heizer para obtener los siguientes problemas de tarea
adicionales: del S6.35 al S6.51.

CASO DE ESTUDIO
Bayfield Mud Company que la entrega de estos embarques en las plataformas de perforación se
acompañara con instrucciones especiales de uso. Asimismo, los embarques
En noviembre de 2002, John Wells, un representante de servicio al clien- con menos peso deberían permanecer aislados en una bodega de Wet-Land,
te de Bayfield Mud Company, fue enviado al almacén de Wet-Land causando un manejo adicional y una mala utilización de su espacio. Por lo
Drilling, Inc. en Houston, para inspeccionar tres contenedores con agen- tanto, comunicaron a Wells que Wet-Land que buscarían un nuevo provee-
tes para el tratamiento de lodos que Bayfield había enviado a la empresa dor de agentes de tratamiento de lodos, si en el futuro recibía costales que se
en Houston. (Las oficinas corporativas de Bayfield y su planta más gran- apartaran de las 50 libras de manera significativa.
de se encuentran en Orange, Texas, justo al oeste de la frontera entre El departamento de calidad de Bayfield sospechó que los costales con
Louisiana y Texas). La queja de Wet-Land era que el peso de los costales menos peso podían haber surgido por los “crecientes dolores de cabeza” en
de 50 libras de agentes de tratamiento recién recibidos de Bayfield tenía la planta de Orange. Después de la última crisis de energía, las actividades
un déficit aproximado de 5%. de exploración de petróleo y gas aumentaron en forma considerable. A su
Los costales con menos peso fueron detectados inicialmente por uno vez, este aumento en la actividad creó una mayor demanda de los productos
de los encargados de recepción de Wet-Land, quien notó que los recibos de fabricados por las industrias relacionadas, incluida la de lodos para perfora-
la báscula del ferrocarril de los tres contenedores indicaban pesos netos ción. Así, Bayfield tuvo que ampliar sus operaciones de un turno (6:00 A.M.
significativamente menores que los de otro embarque idéntico recibido el a 2:00 P.M.) a dos (2:00 P.M. a 10: P.M.) a mediados de 2000 y, finalmente, a
25 de octubre de 2002. Llamó al departamento de tráfico de Bayfield para tres turnos (24 horas al día) en el otoño de 2002.
indagar si se habían usado tarimas más ligeras en estos embarques. (Eso El personal de llenado de sacos del turno nocturno estaba compuesto
podría explicar pesos netos más bajos.) Pero Bayfield indicó que no se ha- en su totalidad por trabajadores nuevos. Los encargados con más experien-
bían hecho cambios en los procedimientos de maniobra o carga, por lo cual cia fueron asignados temporalmente a supervisar a los empleados del últi-
los ingenieros de Wet-Land revisaron 50 costales al azar y descubrieron mo turno. La atención se había centrado en aumentar el número de sacos
que el peso neto promedio era 47.51 libras. Observaron que ese mismo llenos para satisfacer la creciente demanda. Se sospechaba que se habían
procedimiento en los embarques anteriores había dado como resultado un enviado apenas unos cuantos recordatorios para verificar en ocasiones el
peso neto promedio de los costales exactamente de 50 libras, con una des- mecanismo de peso del alimentador. (La revisión se hace al pesar sistemá-
viación estándar aceptable de 1.2 libras. En consecuencia, concluyeron que ticamente un costal en una báscula para determinar si el alimentador está
la muestra indicaba una falta de peso significativa. (Es posible que el lector soltando el peso apropiado de material en los sacos. Si hay una desviación
desee verificar dicha conclusión). Después se comunicaron con Bayfield, significativa de las 50 libras, se realizan los ajustes correctivos necesarios
y Wells fue enviado a investigar la reclamación. Una vez en las instalacio- en el mecanismo del alimentador).
nes, Wells verificó la queja y emitió un crédito de 5% a Wet-Land. Para verificar esta expectativa, el personal de control de calidad
La administración de Wet-Land, sin embargo, no quedó satisfecha por muestrea en forma aleatoria los sacos y prepara la gráfica que se presenta
completo con la emisión del crédito. Las gráficas que seguían sus ingenie- en la siguiente página. Cada hora se muestrean y se pesan seis costales.
ros de lodos en las plataformas de perforación tenían como base costales de
50 libras de agentes de tratamiento. Costales con menor peso podrían dar
como resultado un control deficiente de los químicos durante la perforación Preguntas para analizar
y, por ende, afectar negativamente la eficiencia de la operación. (Los agen-
tes para el tratamiento de lodos se emplean para controlar el pH y otras pro- 1. ¿Cuál es su análisis del problema del peso en los costales?
piedades químicas del cono durante la operación de perforado). Este defec- 2. ¿Qué procedimientos recomendaría para mantener un control de la
to podría tener consecuencias económicas graves debido al costo tan alto de calidad adecuado?
la perforación de pozos de petróleo y gas natural. Entonces, sería necesario Fuente: Profesor Jerry Kinard, Western Carolina University.
438 C A P Í T U L O 14 C O N T RO L E S TA D Í S T I C O D E L P RO C E S O

PESO PESO
PROMEDIO RANGO PROMEDIO RANGO
HORA (LIBRAS) MENOR MAYOR HORA (LIBRAS) MENOR MAYOR
6:00 A.M. 49.6 48.7 50.7 6:00 46.8 41.0 51.2
7:00 50.2 49.1 51.2 7:00 50.0 46.2 51.7
8:00 50.6 49.6 51.4 8:00 47.4 44.0 48.7
9:00 50.8 50.2 51.8 9:00 47.0 44.2 48.9
10:00 49.9 49.2 52.3 10:00 47.2 46.6 50.2
11:00 50.3 48.6 51.7 11:00 48.6 47.0 50.0
12 Medio día 48.6 46.2 50.4 12 Media noche 49.8 48.2 50.4
1:00 P.M. 49.0 46.4 50.0 1:00 A.M. 49.6 48.4 51.7
2:00 49.0 46.0 50.6 2:00 50.0 49.0 52.2
3:00 49.8 48.2 50.8 3:00 50.0 49.2 50.0
4:00 50.3 49.2 52.7 4:00 47.2 46.3 50.5
5:00 51.4 50.0 55.3 5:00 47.0 44.1 49.7
6:00 51.6 49.2 54.7 6:00 48.4 45.0 49.0
7:00 51.8 50.0 55.6 7:00 48.8 44.8 49.7
8:00 51.0 48.6 53.2 8:00 49.6 48.0 51.8
9:00 50.5 49.4 52.4 9:00 50.0 48.1 52.7
10:00 49.2 46.1 50.7 10:00 51.0 48.1 55.2
11:00 49.0 46.3 50.8 11:00 50.4 49.5 54.1
12 Media noche 48.4 45.4 50.2 12 Medio día 50.0 48.7 50.9
1:00 A.M. 47.6 44.3 49.7 1:00 P.M. 48.9 47.6 51.2
2:00 47.4 44.1 49.6 2:00 49.8 48.4 51.0
3:00 48.2 45.2 49.0 3:00 49.8 48.8 50.8
4:00 48.0 45.5 49.1 4:00 50.0 49.1 50.6
5:00 48.4 47.1 49.6 5:00 47.8 45.2 51.2
6:00 48.6 47.4 52.0 6:00 46.4 44.0 49.7
7:00 50.0 49.2 52.2 7:00 46.4 44.4 50.0
8:00 49.8 49.0 52.4 8:00 47.2 46.6 48.9
9:00 50.3 49.4 51.7 9:00 48.4 47.2 49.5
10:00 50.2 49.6 51.8 10:00 49.2 48.1 50.7
11:00 50.0 49.0 52.3 11:00 48.4 47.0 50.8
12 Medio día 50.0 48.8 52.4 12 Media noche 47.2 46.4 49.2
1:00 P.M. 50.1 49.4 53.6 1:00 A.M. 47.4 46.8 49.0
2:00 49.7 48.6 51.0 2:00 48.8 47.2 51.4
3:00 48.4 47.2 51.7 3:00 49.6 49.0 50.6
4:00 47.2 45.3 50.9 4:00 51.0 50.5 51.5
5:00 46.8 44.1 49.0 5:00 50.5 50.0 51.9

CASO DE ESTUDIO
Puntualidad en Alabama Airlines en 2001 cuando recortó sus vuelos debido a los ataques terroristas del 11
de septiembre.
Alabama Airlines se inauguró en diciembre de 2001 como servicio de Una de las principales prioridades de Alabama Air son las llegadas
transporte, con oficinas centrales y única casa localizadas en Birming- a tiempo. Para la aerolínea, llegar “a tiempo” significa arribar dentro de
ham. Producto de la desregulación, Alabama Air se unió al creciente
los 20 minutos anteriores o posteriores a la hora programada.
número de aerolíneas de vuelos cortos, punto a punto, que incluyen
Mike Hanna decidió supervisar personalmente el desempeño de Ala-
Lone Star, Comair, Atlantic Southeast y Skywest.
Dos ex pilotos, David Douglas (quien había trabajado con la de- bama Air. Cada semana durante 30 semanas, dio seguimiento al desempe-
saparecida Midway Airlines) y Michael Hanna (antes con Continental), ño de la puntualidad a través de una muestra aleatoria de 100 llegadas de
fundaron y administraron Alabama Air. La compañía adquirió una flota vuelos. La tabla que sigue contiene el número de vuelos que no cumplió
de 12 jets así como las instalaciones aeroportuarias que dejó Delta Airlines con la definición de puntualidad de Alabama:
 BIBLIOGRAFÍA 439
MUESTRA VUELOS MUESTRA VUELOS Preguntas para analizar
(SEMANA) RETRASADOS (SEMANA) RETRASADOS
1. Con 95% de nivel de confianza, grafique el porcentaje global de
1 2 16 2 vuelos retrasados (p) y los límites de control superior e inferior en
2 4 17 3 una gráfica de control.
3 10 18 7 2. Suponga que los límites de control superior e inferior de la industria
4 4 19 3 de las aerolíneas para los vuelos retrasados son .1000 y .0400, res-
5 1 20 2 pectivamente. Dibújelos en la gráfica de control.
6 1 21 3 3. Marque el porcentaje de vuelos retrasados en cada muestra. ¿Todas
7 13 22 7 las muestras caen dentro de los límites de control de Alabama Airli-
8 9 23 4 nes? ¿Qué debe hacerse cuando alguno cae fuera de los límites de
9 11 24 3 control?
10 0 25 2 4. ¿Qué reporta Mike Hanna sobre la calidad en el servicio?
11 3 26 2
12 4 27 0
13 2 28 1
14 2 29 3
15 8 30 4

CASOS DE ESTUDIO ADICIONALES

Casos de estudio en Internet: Visite nuestro sitio Web en [Link] para ver estos casos de estudio gratuitos:
• Green River Chemical Company: Una compañía necesita establecer una gráfica de control para monitorear el contenido de sulfato debido a las
reclamaciones de los clientes.

Harvard seleccionó estos casos de Harvard Business School para acompañar este suplemento ([Link]):
• Deutsche Allgemeinversicherung (# 696-084): Una compañía de seguros alemana intenta utilizar las gráficas p en la variedad de servicios que
presta.
• Process Control at Polaroid (A)(# 699-047): Esta planta de producción de películas cambia de la inspección OC tradicional a las gráficas de
SPC basadas en el trabajador.

BIBLIOGRAFÍA
Ott Ellis, Edward G. Schilling y Dean Nebauer. Process Quality Control.
Goetsch, David L. y Stanley B. Davis. Quality Management, 3a. ed. Upper
Nueva York: McGraw-Hill, 2000.
Saddle River, NJ: Prentice Hall, 2000.
Summers, Donna. Quality, 2a. ed. Upper Saddle River, NJ: Prentice Hall,
Griffith, Gary K. The Quality Technician´s Handbook, 4a. ed. Upper Saddle
2000.
River, NJ: Prentice Hall, 2000.
Vaughan, Timothy S. “Defect Rate Estimation for ‘Six Sigma’ Processes”.
Gyrna, Frank, Jr. Quality Planning and Analysis. Nueva York: McGraw-
Production and Inventory Management Journal (cuarto trimestre de
Hill, 2001.
1998): 5-9.
Krishnan, M.S., C.H. Kriebel, Sunder Kerke y Tridas Mukhopadhyay.
Wheeler, Donald J. “Why Three Sigma limits?” Quality Digest (agosto de
“An Empirical Analysis of Productivity and Quality in Software
1996): 63-64.
Products”. Management Science 46, núm. 6 (junio de 2000):
745-759.
Montgomery, D. C. Introduction to Statistical Quality Control, 4a. ed.
Nueva York: John Wiley, 2001.