LA IMPORTANCIA DEL ERROR DE MEDICIÓN

EN LA VARIABILIDAD OBSERVADA
DE LOS PROCESOS

Cra. Andrea Fabiana Righetti. Cra. María Rosa Yacci.

Mg. Silvia Joekes

Instituto de Estadística y demografía. Facultad de Ciencias Económicas

Universidad Nacional de Córdoba

RESUMEN

En el proceso de control de calidad, los problemas de medición suelen ser frecuentes. Algunas
veces inspeccionar hasta el 100 % de los productos, puede no ser una estrategia efectiva para
separar productos dentro o fuera de especificaciones.
En este artículo se estudia el impacto del error de medición sobre la capacidad del
proceso. Se realiza una aplicación referidas al peso crudo de galletitas elaboradas por una
empresa, mediante la simulación de Monte Carlo, considerando un error de medición con
media cero y desviación estándar 0,2 y 1,3 veces la desviación estándar del proceso de
producción. Se determina que un aumento del 2% y del 64% en la desviación estándar a causa
del error de medición se traduce en una disminución del 2% y del 39% respectivamente en el
índice de capacidad.

1
 Esto sugiere que algunas veces, el empleo del 100% de inspección puede no ser
adecuado y que sería preferible analizar las fuentes de variación del sistema de medición o
fijar especificaciones con una "banda de seguridad" considerando el error de medición.

PALABRAS CLAVE: Especificaciones, capacidad, error de medición, clasificación de la

producción.

2
Introducción

Cuando se estudia una determinada característica de calidad, por ejemplo una

característica medible, es importante mantener el control de la media del proceso y de su
variabilidad, ya que si por ejemplo la media cambia puede generar una mayor fracción de
productos disconformes o si la desviación estándar del proceso aumenta, puede dar como
resultado un mayor rechazo del proceso, aún en el caso que la media no haya sufrido cambios.
En todo proceso de fabricación, siempre existe un cierto grado de variabilidad inherente o
natural, pero también otros tipos de variabilidad pueden estar presentes, como por ejemplo:
ajuste incorrecto de maquinas, errores del operario o defectos de las materias primas, y
cualquier combinación entre ellos.
La variación observada incluirá la variación del proceso de medición, del proceso de
producción y la del error propiamente dicho.
2
σ observada = σ 2medicion +σ produccion
2 2
+σ error .

Estas variaciones no se pueden eliminar por completo, pero se pueden controlar y

mantener bajo ciertos márgenes. Cuando esto sucede se considera que el proceso que se
estudia se encuentra bajo control.

Objetivo
Estudiar el impacto que tiene el error de medición sobre la variabilidad observada del
proceso y en consecuencia sobre los indicadores de capacidad.

Especificaciones y error de Medición

La fluctuación o variabilidad natural de un proceso puede cuantificarse a través de la

desviación estándar del mismo, con lo cual se establecen los límites de tolerancia natural del
proceso. Estos límites no pueden fijarse voluntariamente, sino que dependen del proceso y de
las variables que lo afectan.
En cambio los limites de especificación son determinados por requerimientos de clientes
internos o externos o por el departamento de diseño del producto.
Es importante recalcar que entre los limites de tolerancia y los limites de especificación no
existe relación matemática. Los limites de tolerancia natural son motivados por la variabilidad
natural del proceso mientras que los limites de especificación son determinados externamente

3
y pueden ser impuestos por la administración, los ingenieros de manufactura, el cliente,
diseñadores de productos, etc.
Cuando se establecen los límites superior e inferior de especificación para una
característica de calidad determinada, estos límites indican lo que se desea en términos de
calidad. Además fijan los criterio para decidir si un producto específico está conforme, es
decir, es aceptado o disconforme y es rechazado, entendiendo por éste último un articulo que
no satisface una o más de las especificaciones. Tales criterios pueden fijarse utilizando límites
estadísticos.
En una industria, por ejemplo, el personal de producción necesita un procedimiento
simple para decidir si una unidad determinada debe ser aceptada, reprocesadas o rechazada.
Para evaluar la calidad de un producto algunas veces se realiza una inspección del 100%
de la producción, y si un producto cae o no dentro del intervalo de especificación se lo separa
en producto "aceptado" o "rechazado".Es decir si la medición de la característica de calidad se
encuentra dentro de los limites superior e inferior de especificación el producto se considera
aceptado y en caso contrario se lo rechaza.
Se entiende por Intervalo de especificación a IE = [LIE, LSE] [Límite Inferior de
Especificación, límite Superior de Especificación].
En muchas situaciones prácticas la característica de calidad de interés se distribuye
normalmente, con media μ, y desviación estándar σ. Basado en estos supuestos es posible
calcular la probabilidad que un producto dado esté dentro de especificaciones y sea
“aceptado” o esté fuera de especificación y sea “rechazado”. Estas probabilidades, si el
proceso respeta los supuestos, se traducen a su vez en la proporción de productos conformes y
rechazados que producirá potencialmente el proceso, tal como se muestra en la Figura 1.

aceptados
Inspección

rechazados

Figura 1. Distribución de productos separados en aceptados y rechazados con una

especificación determinada asumiendo que no tienen ningún error de medición.
Específicamente, si se denota por Φ (z) la función de distribución acumulada de la normal
estándar, entonces la probabilidad de aceptar un producto está dada por:

4
  LSE-μ   LIE-μ 
Pr(aceptar)=φ   -φ  
 σ   σ 
de modo similar, la probabilidad de rechazar un producto está dada por :
  LSE-μ   LIE-μ  
Pr(rechazar)=1-φ  -φ
  
  σ   σ 
La área bajo la curva mostrada en Figura 1 corresponden a estas probabilidades.
Cálculos similares pueden, en teoría, elaborarse bajo otros supuestos. Por ejemplo, cuando
los productos no se distribuyen normalmente pero siguen algún otro tipo de distribución.
Por lo general se considera un supuesto implícito pero poco realista el hecho de que
las mediciones efectuadas sobre un producto estén libres de error de medición. Esta
suposición es razonable, cuando la medición del proceso es muy precisa. Sin embargo,
cuando el error de medición implica una porción considerable del intervalo de especificación,
el supuesto resulta poco realista. En algunos casos, es posible evaluar analíticamente las
consecuencias del error de medición, mediante un estudio del sistema de medición como el
ANOVA por ejemplo.

El efecto del Error de Medición

En algunas situaciones prácticas, especialmente cuándo se fabrica con especificaciones

rígidas, la variación introducida por el error de medición puede ser una proporción
considerable de la amplitud del intervalo de especificación. Tal sería el caso al medir un
producto con un instrumento inestable que representa por ejemplo, una dispersión superior al
25% de ese intervalo, aún cuando la medición haya sido realizada por un operador
especializado. En este caso es posible que algunos productos que son rechazados, realmente
estén dentro de las especificaciones y son rechazados solamente por el error de medición. De
modo similar es posible que productos aceptados estén fuera de las especificaciones, y sean
clasificados erróneamente.
En síntesis, se pueden rechazar productos “aceptables”, y aceptar productos
“defectuosos”, causando problemas de calidad en el proceso final. Ninguna de estas
consecuencias son deseable, pero no siempre son evitable. El problema consiste entonces en
averiguar con que frecuencia esto sucede en una determinada situación, para así poder
establecer estrategias sobre las fuentes de variación que afectan las mediciones.

5
 Para comprender estos conceptos se considera un ejemplo mediante simulación de Monte
Carlo.
Los pasos de la simulación se delinean en el diagrama de flujo mostrado en la Figura 2. Como
se indica en el mismo se necesita primero generar una variable aleatoria X denominada
medición teórica, que se supone distribuida con una determinada variación debida
exclusivamente al proceso de producción y que se designa con σp. Nótese que la "verdadera"
variable X no es observable directamente en la práctica.

Medición teórica :

error de medición:

medición observada: Z = X+Y

6000

5000

4000

3000

si no
frecuencia absoluta

2000

1000

0
LIE LSE

Distribución de la producción

Z IE
Productos clasificados Productos clasificados
como aceptables como defectuosos

10000 400

8000
300

si
6000

200
Frecuencia absoluta

4000

no si no
frecuencia absoluta

100
2000

LIE
0 0
LSE
51
LIE LSE LIE LSE
Distribución de la producción Distribución de la producción

X IE X IE

Productos Productos Productos Productos

aceptables defectuoso aceptables defectuosos
clasificados clasificados Clasificados Clasificados
como como como como
aceptables aceptables defectuosos defectuosos

Figura 2. Diagrama de flujo de la simulación de un proceso con error de medición

Fijados los limites de especificación la distribución de la variable Z clasifica a la

producción en dos categorías: productos aceptables (dentro de especificación) y productos

6
defectuosos (fuera de especificación). Ahora bien, si un producto se encuentra dentro de
especificación para Z puede llevar a una decisión correcta si además la medición teórica X
está dentro de especificación o puede llevar a una decisión incorrecta cuando X no está dentro
de especificación.
Por otro lado, si se ha clasificado a un producto como defectuoso porque Z está fuera de
especificación, se puede tomar una decisión incorrecta si se verifica que X está dentro de
especificación. Sería una decisión correcta en caso que X también esté fuera de
especificación. Surgen de esta manera cuatro categorías de productos:
a) Productos “aceptables”, clasificados como aceptables.
b) Productos “aceptables”, clasificados como defectuosos.
c) Productos “defectuosos”, clasificados como aceptables.
d) Productos “defectuosos”, clasificados como defectuosos.

La tabla 1 a continuación muestra las decisiones asociadas a cada una de estas categorías.

Tabla 1. Clasificación de los productos según medición teórica y medición observada

Variable sin error de medición X

Productos aceptables: X ∈ IE Productos defectuosos: X ∉ IE

Productos
(c) Decisión Incorrecta:
clasificados (a) Decisión correcta :
Variable Productos defectuosos que son
como Productos aceptables que son
clasificados como aceptables.
Observada aceptables: clasificados como aceptables.
Error de decisión Tipo II.
Z=X+Y Z ∈ IE
Productos (b) Decisión Incorrecta:
Clasificados Productos aceptables que son (d) Decisión correcta :
como clasificados como defectuosos. Productos defectuosos que son
defectuosos: Error de decisión Tipo I. clasificados como defectuosos.
Z ∉ IE

Aplicaciones a situaciones reales mediante simulación

Se consideran dos ejemplos, ambos referidos al peso crudo de galletitas de tipo “agua”
elaboradas por una empresa. El intervalo de especificación para ésta característica es
IE = [53gs - 56gs.]. (La unidad de observación son diez galletitas).
A los fines de la simulación se parte del supuesto de que la distribución del verdadero
peso crudo X (en este ejemplo se denomina peso crudo teórico) es normal con media 54,5gs.
y desviación estándar de 0,5gs. en el que no se observan errores de medición. En este caso

7
inicial Z=X. Se generan 100.000 observaciones de esta distribución obteniendo el histograma
que se muestra en Figura 3.0 con los límites de especificación superpuestos.
Primer Caso: σ m =0.20σ p
Siguiendo el diagrama de flujo de la Figura 2, se simula a continuación el error de
medición (Y) con distribución normal de media cero y desviación estándar 0.2 veces la
desviación estándar del proceso de producción. La suma de X más Y da origen a la
proyección de la variable observada Z ( que se denomina peso crudo observado) como se
muestra en la Figura 3.1

10000 {{ 10000

8000 8000

6000 6000

4000 4000
Frecuencia Absoluta

Frecuencia absoluta

2000 2000

0 0
51 53 56 58 51 53 99686 56 58

X: peso crudo teórico z : peso crudo observado

Figure 3.0 Distribución del peso crudo teórico de Figure 3.1 Distribución del peso crudo observado
galletitas. N = 100000 μ = 54.5 σ = 0.5 de galletitas. N = 100000 μ = 54.5 σ = 0.10

Finalmente, considerando la distribución del peso crudo teórico, los productos pueden
ser clasificados como “aceptables” y “defectuosos” tal como se muestra en las Figuras 3.2 y
3.3.
Los pasos finales en el proceso descrito en Figura 2 se resumen en (a) productos
verdaderamente aceptables ubicados en la región central de la Figura 3.2; (b) productos
“aceptables” clasificados como defectuosos en el centro de la Figura 3.3;(c) productos
“defectuosos” clasificados como aceptables en las colas de Figura 3.2; y (d) los productos
10000 60
defectuosos, clasificados como “defectuosos”, en las colas de la Figura 3.3.
50
8000

40
6000

30

4000
20
Frecuencia absoluta
Frecuencia absoluta

2000
10

Figura 3.2 Distribución de peso crudo teórico de Figura 3.3 Distribución de peso crudo
0 0
galletitas
51
clasificadas como aceptables 58 teórico
51 de galletitas clasificadas como 58
considerando σm =53 0.2σp N = 9968656 53 56
defectuosas considerando σm = 0.2σp N= 314
X: peso crudo teórico X: peso crudo teórico 8
Segundo Caso : σ m =1.3σ p
En el segundo ejemplo se simula el error de medición Y con media 0 y desviación
estándar 1.3 veces la desviación estándar del proceso de producción, manteniendo constante
la variable X. Luego se suman ambas variables dando origen a la proyección de la variable
observada Z . En las figuras 4.1 y 4.2 se muestran las distribuciones de la variable X de los
productos clasificados como “aceptables” y “defectuosos” para este segundo ejemplo.

10000 400

8000
300

6000

200

4000
Frecuencia absoluta
frecuencia absoluta

100
2000

0 0
51 53 56 58 51 53 56 58

X: peso crudo teórico X: peso crudo teórico

Figura 4.1 Distribución de peso crudo teórico de Figura 4.2 Distribución de peso crudo teórico de
galletitas clasificadas como aceptables considerandogalletitas clasificadas como defectuosas
σm = 1.3 σp N = 93242 considerando σm = 1.3 σp N = 6758

Los resultados numéricos de la simulación se resumen en la Tabla 2 y 3, a

continuación.

Tabla 2. % de clasificación obtenidos por la simulación Primer caso.

9
 X:peso crudo teórico
aceptable defectuoso Total
Z:peso aceptable Recuento 99633 53 99686
crudo % de peso crudo observado 99.9% .1% 100.0%
observado % de peso crudo teórico 99.9% 20.5% 99.7%
% del total (a) 99.6% (c)Tipo II .1% 99.7%
defectuoso Recuento 109 205 314
% de peso crudo observado 34.7% 65.3% 100.0%
% de peso crudo teórico .1% 79.5% .3%
% del total (b)Tipo I .1% (d) .2% .3%
Total Recuento 99742 258 10000
% de peso crudo observado 99.7% .3% 0
100.0%
% de peso crudo teórico 100.0% 100.0% 100.0%
% del total 99.7% . .3% 100.0%

Tabla 3. % de clasificación obtenidos por la simulación Segundo caso.

X:peso crudo teórico

aceptable defectuoso Total
Z: peso aceptable Recuento 93137 105 93242
crudo % de peso crudo observado 99.9% .1% 100.0%
observado % de peso crudo teórico 93.4% 40.7% 93.2%
% del total (a) 93.1% (c)Tipo II .1% 93.2%
defectuoso Recuento 6605 153 6758
% de peso crudo observado 97.7% 2.3% 100.0%
% de peso crudo teórico 6.6% 59.3% 6.8%
% del total (b)TipoI 6.6% (d) .2% 6.8%
Total Recuento 99742 258 10000
% de peso crudo 99.7% .3% 0
100.0%
observado
% de peso crudo 100.0% 100.0% 100.0%
teórico
% del total 99.7% .3% 100.0%

Capacidad del proceso

La Capacidad de un proceso es un indicador de la aptitud del proceso para generar
productos que cumplan con determinadas especificaciones. Para lograr buenos indicadores, es
conveniente que los límites de tolerancia natural del proceso se encuentren dentro de los
límites de especificación del producto. De esta manera se asegura que toda la producción
cumplirá con las especificaciones.
El análisis de la capacidad del proceso es parte decisiva de un programa general de
mejoramiento de la calidad. Es una técnica que tiene aplicación en muchas partes del ciclo
productivo, incluyendo el diseño del producto y del proceso, la búsqueda de proveedores, la
planeación de la producción o la fabricación, etc. ( Montgomery, 1991 )

10
 El uso de índices de capacidad permiten cuantificar la variabilidad natural del proceso,
para poder analizar y evaluar si esta variabilidad es compatible con los requisitos o
especificaciones del producto.
Hay distintos métodos que se utilizan para el análisis de la capacidad del proceso.
Uno es el índice de capacidad de corto plazo es el Cp que compara la variabilidad natural del
proceso con las especficaciones.
LSE-LSI
Cp =
6σˆ
Si el Cp es igual a 1 indica que los limites de tolerancia natural en el proceso ( tres σ por
arriba y por debajo de la media) coinciden con los limites inferior y superior de
especificación, con lo cual se producirá un número moderadamente bajo de productos
disconformes. (Montgomery, 1991)
Si el Cp es menor a 1, el proceso no es capaz de cumplir con las especificaciones y en
consecuencia se genera un gran número de productos disconformes.
Valores superiores a 1 indican que los limites de especificación quedan fuera de los
limites superior e inferior de tolerancia natural y que por consiguiente la probabiliad de
producir unidades disconformes será muy baja.
La interpretación de éste índice se fundamenta en tres supuestos: que la característica de
calidad se distribuya normal; que el proceso sea estable y que se conozca la desviación
estándar del proceso.
Volviendo al ejemplo del peso crudo de las galletitas para lograr un Cp =1 se necesita que
σp = 0.5 .
Si el error de medición fuese nulo, σobs = σp partiendo de un Cp =1 la variación del

proceso debería ser σp = 0.5.

56-53
Cp = =1
6(0.5)
Sin embargo, la capacidad del proceso de producción libre de error de medición (X)
(previo a la inspección) siempre excederá a la capacidad observada del proceso. (Z).

Primer Caso:
Se introduce ahora el error de medición. En el primer caso se considera una desviación
estándar del error de medición inferior a la desviación estándar de la producción. En particular

σm = 0.20 σp y en consecuencia σ obs = σ p ∗ 12 +0.202 determina σobs = 0.51.

11
 El índice de capacidad se verá ahora afectado por el cambio producido en la varianza
del proceso. Esto se observa al calcular:
56-53
Cp obs = = 0.98
6(0.5) 12 +0.22
Es decir el índice de capacidad disminuye un 1.94%. En esta situación se produce una
pequeña porción de productos disconformes, tal como se observa en la Figura 5.1.

Segundo Caso:
Si la desviación estándar del error de medición es más grande, puede producirse una
mayor dificultad a la hora de tomar decisiones. La desviación estándar del proceso de
medición en algunas situaciones prácticas excede a la del proceso de producción. Tal es el
caso del segundo ejemplo que como situación extrema, simula un proceso de producción en el

que σ p =0.50 , pero se incrementa la desviación estándar para el error de medición en 1.3

veces el de producción σ m = 1.3 * σ p .

Esta situación puede darse en el caso que las mediciones sean realizadas por personas
con poca experiencia en el uso del instrumento o que el instrumento esté mal calibrado o no
suficientemente controlado, etc.

La desviación estándar de las observaciones ahora es: σ obs = 0.52 + 0.652 es decir

σ obs = 0.8201, lo que determina:

56-53
Cp = = 0.61 ;
6(0.8201)
Se puede observar como el aumento en la variación del error de medición produce una
disminución importante en la capacidad del proceso.
100.0 100.0
99.9 65.3 99.9
97.7
90.0 90.0

80.0 80.0

70.0 70.0

60.0 60.0

50.0 50.0

40.0 40.0

30.0 34.7 30.0

X:peso crudo teórico X:peso crudo teórico

20.0 20.0

rechazados 10.0 rechazados

10.0
0.0 aceptados
%

0.0 aceptados
%

aceptados rechazados aceptados rechazados

Figura Z:Peso
5.1 Porcentaje de productos aceptados y
crudo observado
Figura Z:peso
5.2 Porcentaje de productos aceptados y
crudo observado
defectuosos según peso observado y peso teórico defectuosos según peso observado y peso teórico
considerando σm = 0.2 σp considerando σm = 1.3 σp

12
Como síntesis se puede determinar que un aumento del 2% en la desviación estándar a causa
del error de medición se traduce en una disminución del 2% en el índice de capacidad y que,
un aumento del 64% en la desviación del proceso, se traduce en una disminución del 39% en
el índice mencionado.
Los resultados de los porcentajes empíricos estimados de errores Tipo I y II se
muestran resumidos en Tabla 2 y 3. Dos situaciones llaman la atención. Una de ellas es que
en el segundo caso el 98% de las galletitas clasificadas como “defectuosas” eran galletitas
realmente aceptables, (Figura 5.2) porcentaje mayor que en el primer caso que eran del 35%
(Figura 5.1) y la otra situación es que el 41% de las galletitas verdaderamente defectuosas
fueron clasificadas como “aceptables”. Esto sugiere que en esto casos, y en otros casos con un
Cp menor a 1, el empleo del 100% de inspección puede ocasionar más dificultades que
beneficios.
En algunos casos puede ser deseable mantener la inspección sobre la base de muestras
aleatorias de productos, pero nunca se debería tomar una decisión basada en los resultados de
la observación de una sola muestra. Si la metrología es deficiente, se debe intentar primero
desarrollar un mejor sistema de medición, o buscar maneras de reconsiderar las
especificaciones. También se pueden establecer límites de inspección diferentes a los límites
de especificación, como lo sugerido por Grubbs y Coon (1954).
Esta discusión plantea una pregunta: ¿cuándo se puede decir que una baja capacidad
del proceso refleja problemas reales de producción y cuándo es solamente el resultado de
malos procesos de medición?.
Si se conociese el error de medición, y se denotase por σm y σobs la desviación
estándar observada, entonces la desviación estándar del proceso de producción sería

2
σ p = σ obs − σ m2 ,lo que permitiría calcular un Cp para el verdadero proceso de producción.

Conclusión

Mediante el uso de la simulación de Monte Carlo se ha evaluado la relación entre las

especificaciones y la capacidad de los procesos cuando se trabaja con error de medición.
Cuando éste es pequeño, no es necesario preocuparse, pero cuando el error de medición
aumenta, la efectividad de la inspección 100% decae y puede enmascarar variaciones de los
procesos de producción.

13
 Por lo expresado precedentemente se hace imprescindible evaluar el sistema de
medición. Como manifiesta Deming, “un sistema de medición será ideal si es capaz de
producir mediciones correctas siempre que sea utilizado”. Para evaluar la calidad del sistema
de medición, hay que considerar que una medición es el agregado de muchas causas de
variación y cuando se conoce la relación funcional que liga al resultado final con las variables
componentes tanto como la estructura del error para estas componentes, puede estudiarse
como éstas variaciones se trasmiten al resultado final y aislar los factores que originaron la
variación (Joekes, 1994).
Dentro de lo que se considera error de medición está el error del instrumento
propiamente dicho, el error introducido por el operario y la interacción entre ambos. La suma
de estos errores se conoce como R & R o repetibilidad y reproducibilidad ( Figura 6). Los
fabricantes e ingenieros necesitan estudiarlas y usar los resultados para estimar el Cp real de
la distribución de la producción. En algunos casos, si el verdadero Cp es aceptable y el error
de medición es grande, se deberían emplear métodos alternativos a la inspección del 100%.
Además de analizar las fuentes de variación del sistema de medición, evaluando las
propiedades de repetibilidad, reproducibilidad, exactitud, estabilidad y linealidad, es
importante determinar si el proceso de medición es adecuado para discriminar la variación
existente entre los productos. Los gráficos de control representan una fuente sencilla para
detectar estas variaciones y mediante un análisis de varianza es posible cuantificar la
variación debida al instrumento, a los operadores y a los productos, pudiendo al mismo
tiempo determinar que parte de la variación total del proceso corresponde al sistema de
medición (Breyfogle III, 2003).
Variación
Observada

Variación de Variación
Proceso Real Medida

Variación de Variación de Variación debido Variación debido

Procesos a corto al I nstrumento a los Operadores
Proceso a
Plazo
Largo plazo

Dentro Entre
Repetibilidad exactitud Estabilidad Linealidad

Reproducibilidad

Repetibilidad y reproducibilidad son normalmente los principales

contribuyentes al error de medición

Figura 6 Fuente de Variación de Proceso Observada y R& R

14
 En algunos casos, una solución parcial al problema puede ser fijar las especificaciones
con una "banda de seguridad" considerando el error de medición (Bisgaard et al., 1998). Sin
embargo, se recomienda evaluar la metrología e intentar mejorarla analizando la exactitud,
estabilidad y linealidad antes de ajustar las especificaciones. Una vigilancia cuidadosa de los
procesos de producción a través de procedimientos estadísticos, tales como los gráficos de
control de X y R u otros métodos más sofisticados como los descriptos por Box y Luceño
(1997) son asimismo una alternativa a considerar.

BIBLIOGRAFÍA

1. BISGAARD SOREN, Spencer Graves and Rene Valverde (1998), Quality

Quandaries. “The impact of measurement error on specifications”. Center for Quality
and productivity. Wisconsin.
2. BOX, G. E. P.,S .Hunter and W. G. Hunter (1978). “Statistics for Experimenters”.
John Wiley and Sons, New York.
3. BREYFOGLE III Forest W. (2003). “Six Sigma: Smarter Solutions Using statistical
Methods”. Segunda Edición .Wile and Sons, .Austin Texas.
4. GÓMEZ Fraile Fermín: José Francisco Vilar Barrios y Miguel Tejero Monzón (2002).
“Seis Sigma”. Fundación Confemetal. Madrid.
5. GUTIÉRREZ PULIDO Humberto y Román De la Vara Salazar. (2004). “Control
Estadístico de la Calidad”.Mac Graw Hill. México DF.
6. JOEKES Silvia (1998) “Estudio de las componentes de variabilidad en los sistemas de
medición de los procesos industriales”. Maestría en Estadística Aplicada Trabajo final
de la materia Métodos Estadísticos II. ( en biblioteca de la maestría)
7. MONTGOMERY,D.(1991). “Control Estadístico de la Calidad”. Iberoamericana SA.
California.
8. SCHMIDT, J.C.D y Taylor, R.E.(1979). Análisis y Simulación de sistemas
industriales, Trillas, México.
9. TAGUCHI, G.(1986). “Introduction to Quality Engineering”. Asian Productivity
Organization, Tokyo.
10. WHEELER D, (2005). “The six Sigma Practitioner´s Guide to data analysis.
Statistical” process Control Inc.

15