Aspectos estadísticos:

variabilidad y la
curva característica
de operación
Aspectos estadísticos: variabilidad y la curva característica de
operación
 Suponga que se tiene un proceso que produce lotes grandes de productos y se sabe que 6% de ellos
son defectuosos. Si se selecciona aleatoriamente una muestra de tamaño n = 100, entonces habría
gente que esperaría que en cada muestra se encuentren exactamente seis productos defectivos. Sin
embargo, esperar esto es un error, ya que los artículos extraídos en cada muestra depende del azar,
por lo que habrá algunas muestras con menos de seis y otras con más, a pesar de que se obtuvieron
del mismo lote. Para tener una mejor idea de la cantidad de artículos defectuosos en la muestra, se
aplica la distribución de probabilidades binomial
Curva característica de operación
(CO)

 La curva CO de un plan proporciona una caracterización del potencial desempeño del

mismo, mediante el cálculo de la probabilidad de aceptar o rechazar un lote que tiene
determinada calidad
 Suponga que en una fábrica se producen artículos por lotes de tamaño grande y que antes
de enviar un lote al cliente se le aplica el plan de muestreo simple por atributos definido
por n = 60, c = 1. Con lo que si en una muestra aleatoria de n = 60 se encuentra cero o a
lo más una unidad defectuosa, entonces el lote es aceptado y se envía al cliente. Pero si
se encuentran dos artículos o más defectuosos, entonces el lote es rechazado y debe ser
inspeccionado al 100%.
Para calcular las probabilidades de aceptación
(Pa) de la tabla 18.2, y en casos similares, se
utiliza la distribución binomial con parámetros
n y p . En específico para un plan (n, c), la Pa
se obtiene con

Pa =P(0) + P(1) +… + P(c)

para cada valor de p. En el caso de la tabla 18.2,

como c= 1, entonces se calcula
P(0) + P(1)
Por ejemplo si p = 0.02, se obtiene que
P(0) = 0.297
y P(1) =0.3633; por lo que Pa = 0.6619
Curva CO ideal

 Supongamos que se quiere diseñar un plan de muestreo para que rechace todos los lotes
que no tengan un nivel de calidad dado. Por ejemplo, se pretenden rechazar los lotes con
una proporción de artículos defectuosos mayor que 1% y aceptar los que tengan 1% de
defectuosos o menos. La curva CO ideal para esta situación se muestra en la figura 18.3, en
la que si el porcentaje de defectuosos de un lote es menor que 1%, se está satisfecho con tal
calidad y ese lote se acepta con probabilidad 1. Mientras que si la proporción de defectivos
de un lote es mayor que 1%, no se está satisfecho con esa calidad y la probabilidad de
aceptar es cero, es decir, un lote así se rechaza siempre
Sin embargo, no existe ningún plan de
muestreo que tenga esta curva ideal, que
sea capaz de hacer una discriminación
perfecta entre lotes “buenos” y “malos”.
En teoría, la curva CO ideal se puede
alcanzar con inspección a 100%,
siempre y cuando esta inspección
estuviera libre de errores, lo que
difícilmente ocurre.
De acuerdo con lo anterior, lo más que
se puede hacer en la práctica es diseñar
planes de muestreo de aceptación que
tengan alta probabilidad de aceptar lotes
buenos y una baja probabilidad de
aceptar lotes malos.
Propiedades de las curvas CO

1. No existe un plan de muestreo que tenga una curva CO ideal ,que pueda distinguir
perfectamente los lotes buenos de los malos. De esta manera, todo plan de muestreo tiene
riesgos de rechazar la buena calidad y aceptar la mala. Lo que sí existe son planes con mayor
probabilidad de aceptar la buena calidad y rechazar la mala.
 Al aumentar el tamaño de muestra y el
número de aceptación, se obtienen planes
con mayor potencia para distinguir la
buena calidad de la mala. el número de
aceptación c se mantiene proporcional al
tamaño de muestra. Entre más rápido caiga
la curva, menos probabilidad se tiene de
aceptar lotes de mala calidad. Por ejemplo,
suponga que un lote con 4% de defectivo
se considera como de mala calidad,
entonces con las tres curvas se tiene que:
Plan n = 60, c = 1, probabilidad de aceptarlo
0.302. Plan n = 120, c=2, probabilidad de
aceptarlo 0.137. Plan n = 240, c = 4,
probabilidad de aceptarlo 0.035.
 Al disminuir el número de
aceptación, la curva CO cae
más rápido y con ello los
planes se vuelven más
estrictos. Esto se puede
apreciar en las curvas CO
para los planes n = 80, c = 0;
n = 80, c = 1, y n = 80, c = 2
 La influencia del tamaño de lote al diseñar adecuadamente planes de
muestreo es menor de lo que comúnmente se cree. Para obtener todas las
curvas CO que hemos visto hasta aquí, se ha supuesto que las muestras se
extraen de un lote grande o que el lote proviene de un flujo continuo de
productos. A este tipo de curvas CO se les conocen como curvas CO tipo
B y la distribución apropiada para calcular las probabilidades de
aceptación es la binomial
 La curva CO tipo A se utiliza en el cálculo
de las probabilidades de aceptación de un
lote aislado y de tamaño pequeño. En este
caso, si el tamaño del lote es N, el de la
muestra es n y el número de aceptación es
c, entonces la distribución exacta del
número de artículos defectuosos en la
muestra es la distribución hipergeométrica
Índices para los planes de muestreo de
aceptación

 En una relación cliente-proveedor en la que hay un plan de muestreo de aceptación de por

medio, hay dos intereses: por un lado, el proveedor quiere que todos los lotes que cumplen
con un nivel de calidad adecuado sean aceptados, y por el otro, el cliente desea que todos los
lotes que no tienen un nivel de calidad aceptable sean rechazados. Desafortunadamente,
ambos intereses no pueden satisfacerse de manera simultánea por un plan de muestreo de
aceptación y explicamos la razón de ello cuando vimos la curva CO ideal. Ante esta
situación, lo que se hace para atender parcialmente ambos intereses es diseñar planes de
muestreo que tengan alta probabilidad de aceptar lotes “buenos” y una baja probabilidad de
aceptar lotes “malos”
 Nivel de calidad aceptable (NCA)
 Nivel de calidad límite (NCL)
 Calidad promedio de salida (CPS)
 Límite de la calidad promedio de salida (LCPS)
 Inspección total promedio (ITP)