SEMANA 6

A manufacturer of electric irons produces these items in two plants. Both plants have the same suppliers of
small parts. A saving can be made by purchasing thermostats for plant B from a local supplier. A single lot
was purchased from the local supplier, and a test was conducted to see whether or not these new
thermostats were as accurate as the old. The thermostats were tested on tile irons on the 550°F setting, and
the actual temperatures were read to the nearest 0,1°F with a thermocouple. The data are as follows:

Find 95% confidence intervals for σ 21 /σ 22 and for σ 1 /σ 2, where σ 21 and σ 22 are the population variances of
the thermostat readings for the new and old suppliers, respectively.
SOLUCIÓN:
En base a la información brindada, se hallaron el tamaño de la muestra, la media y varianza muestral:

Variable Aleatoria Continua:

Temperatura de las planchas eléctricas.
Primera muestra

Tamaño de la muestra 1
n1=23

Media muestral 1:
n
xi 530.3+559.3+…+554.9
x=∑ x 1= x 1=551.1Varianza muestral 1:
i=1 n 23

n 2
(x¿ ¿i−x ) 2
s2=∑ ¿ s1=(530.3−551.1)2 +(559.3−551.1)2+ …+¿ ¿ s21=105.9 Segunda muestra
i =1 n−1

Tamaño de la muestra 2:

n2 =23
 Media muestral 2:

559.7+550.7+…+ 535.1
x 2=
23
x 2=549.5 Varianza muestral 2:
2 2 2
s2=(559.7−549.5) +(550.7−549.5) +…+ ¿ ¿
2
s2=77.3

Se halló el intervalo de confianza para el cociente de varianzas de las 2 poblaciones (Proveedores

nuevos y Proveedores Antiguos)

2 2
s1 s1
2 2 2
s2 σ 1 s2
≤ 2≤
F α /2 σ 2 F 1−α / 2

Con ayuda de Excel:

105.9 105.9
2
73.9 σ1 73.9
≤ 2≤
¿ INV . F (0.975 ; 22; 22) σ 2 ¿ INV . F (0.025 ; 22 ; 22)
2
σ1
0.581 ≤ 2
≤3.230
σ2

Sacando raíz cuadrada:

σ1
0.762 ≤ ≤1.797
σ2

PROBLEMA 2
There is a sample of 50 micro-drills with an average lifetime (expressed as the number of holes drilled
before failure) was 12.68 with a standard deviation of 6.83. Suppose an engineer reported a confidence
interval of Suppose an engineer reported a confidence interval of (11.09, 14.27) but neglected to specify
the level. What is the level of this confidence interval?
Variable Aleatoria Discreta:
Número de orificios perforados antes de que falle la microperforadora.
SOLUCIÓN:
n=50
x=12.68
σ =6.83
11.09< μ <14.27
 6.83 6.83
12.68−Z α < μ<12.68+ Z α
2 √ 50 2 √ 50

Igualamos alguno de los dos límites, en este caso usaremos el límite inferior

6.83
11.09=12.68−Z α
2 √ 50
Z α =1.646
2

Se determina, con ayuda de Excel

=INV.NORM.ESTAND(0.95)
α
1− =0.95 α =0.1
2
Finalmente,
P=1−α
P=1−0.1
P=0.9=90 %

z 0.95

CONCLUSIONES
Problema 1
Al determinar el intervalo del cociente de las varianzas poblaciones, como el valor de 1 se encuentra
dentro de la recta de los limites inferior y superior, se concluye que las varianzas son similares, esto
quiere decir que los termostatos de los proveedores antiguos y nuevos son similares en la variabilidad de
su rendimiento. Por esa razón al fabricante de las planchas eléctricas le convendría comprar a los
proveedores locales ya que reduciría costos y no se vería afectada la eficiencia de la producción.
Problema 2
En base a los datos que nos proporciona el problema, utilizamos el intervalo de confianza para la media
poblacional y realizamos los cálculos respectivos hallando el nivel de confianza que omitió el ingeniero
al realizar el reporte y arrojó como resultado un 90% que corresponde a un rango de valores de11.09 a
14.27, el cual se encuentra con una alta probabilidad de que las microperforadoras realicen orificios
perforados antes de que fallen aunque lo ideal sería un nivel de confianza de 95% o 99%.
Semana 7
PROBLEMA 1
Los incineradores pueden ser una fuente de emisiones peligrosas en la atmósfera. Se recogieron
muestras de gas de una muestra de 50 incineradores en una ciudad importante. De las 50 muestras, sólo
18 cumplieron con un estándar medioambiental para la concentración de un compuesto peligroso.
¿Se puede concluir que menos de la mitad de los incineradores de la ciudad cumplen con la norma?

Datos:
n=50
α =0.05
z α =1.6449 (mediante Excel)

Sea p : proporción poblacional de incineradores que cumplen con un estándar ambiental .

18
^p= =0.36
50

MÉTODO 1 – PRUEBA DE HIPOTESIS

Paso 1:
H o : p ≥ p0
p0=0.5
H a : p< p0 Paso 2: α =0.05

Paso 3: Estadístico
Basándose en que los incineradores se muestrean de manera independiente y al usar el
teorema del límite central, puesto que el tamaño muestral es grande, se obtiene que

( √ pqn )
^p ⟶ N p ,

( √
^p ⟶ N 0.36 ,
0.36 (1−0.36)
50 )
N ( 0.36 , 0.068 )
^p − p0
z=
σ
0.36−0.5
z= =−2.0588
0.068

Paso 4: Regla de decisión: si z ← z α entonces se rechaza la hipótesis nula

z α =1.6449
−2.0588←1.6449
z=−2.0588
 −z α

Paso 5: Decisión: Como si se cumple que z ← z α entonces se rechaza la hipótesis nula,

esto quiere decir que menos de la mitad de los incineradores de la ciudad cumplen con
la norma.

MÉTODO 2 – INTERVALO DE CONFIANZA

Paso 1:
H o : p ≥ p0
p0=0.5
H a : p< p0 Paso 2: α =0.05

Paso 3: Método de comparación: Intervalo de confianza

^p−z α
√ ^p q^
n
≥p

0.36−1.6449
√ 0.36 (1−0.36)
50
≥p

0.25 ≥ p
Paso 4: Regla de decisión: si p0 no se encuentra en el intervalo de confianza, entonces
se rechaza la hipótesis nula.
p0=0.5 no se encuentra dentro del intervalo de confianza

Paso 5: Decisión: p0 no se encuentra dentro del intervalo de confianza, entonces se rechaza la

hipótesis nula; esto quiere decir, que menos de la mitad de los incineradores de la ciudad cumplen con
la norma.
PROBLEMA 2
El departamento de zoología de la Universidad de Virginia llevó a cabo un estudio para
estimar la diferencia en la cantidad de ortofósforo químico medido en dos estaciones
diferentes del río James. El ortofósforo se mide en miligramos por litro. Se reunieron 15
muestras de la estación 1 y se obtuvo una media de 3,84 con una desviación estándar de
3,07 miligramos por litro, mientras que 12 muestras de la estación 2 tuvieron un
contenido promedio de 1,49 con una desviación estándar 0,80 miligramos por litro.
Determine, al nivel de confianza de 95%, si estas estaciones presentan varianzas
desiguales, suponga que las observaciones vienen de poblaciones normales con
varianzas diferentes.

Datos:
Estación 1 Estación 2
n1=15 n2 =12

x 1=3.84 x 2=1.49
s1=3.07 s2=0.80

Nivel de significancia: α=0.05 MÉTODO – PRUEBA DE HIPOTESIS

Paso 1: Planteamiento de la hipótesis nula y la alterna

H o : μ2=μ1

H a : μ2 ≠ μ1 Paso 2: α =0.05

Paso 3: Estadístico de prueba

( 3.84−1.49 )−0
t= =2.846

√ 3.07 2 0.802
15
+
12
Con grados de libertad

( )
2 2 2
3.07 0.8
+
15 12
v= =16.33 ≅ 16
( ) ( )
2 2 2 2
3.07 0.8
15 12
+
15−1 12−1
Paso 4: Regla de decisión
Si t >t α/2 entonces se rechaza la hipótesis nula

… … … … … … … … … … …

t α / 2=2.120
 Paso 5: Decisión: Siendo t=2.846 mayor a 2.120, se rechaza la hipótesis nula; en otras
palabras, hay evidencia que indica que existe diferencia entre las cantidades de
ortofósforo químico que corresponden a ambas estaciones en río de James.

MÉTODO 2: INTERVALO DE CONFIANZA

Paso 1: Planteamiento de la hipótesis nula y la alterna
H o : μ2=μ1

H a : μ2 ≠ μ1 Paso 2: α =0.05

Paso 3: Estadístico de prueba

Con grados de libertad

( )
2 2 2
3.07 0.8
+
15 12
v= =16.33 ≅ 16
( ) ( )
2 2 2 2
3.07 0.8
15 12
+
15−1 12−1

Paso 4: Regla de decisión

Si –2.120 tR 2.120 No se rechaza Ho

Si tR < -2.120 o si tR > 2.120 se rechaza Ho

( 3.84−1.49 )−0
t= =2.846

√ 3.07 2 0.802
15
+
12
Paso 5: Decisión: Como 2.846 no esta dentro del intervalo –2.120 tR 2.120, se rechaza la
hipótesis nula.
Luego de comprobar que existe diferencia entre las cantidades de ortofósforo químico en la
estación 1 y 2 de río de Janeiro. Se establece el intervalo al que corresponde dicha diferencia:
 √ s 12 s 22
√
2 2
3.07 0.8
μ1−μ2 =( x 1−x 2) ± t α / 2 + =(3.84−1.49)±(2.120) +
n1 n2 15 12
μ1−μ2 =2.35 ±1.75 → 0.6 ≤ μ1 −μ 2 ≤ 4.10

De esta forma, se determinó que la diferencia entre los contenidos promedio de ortofósforo químico en
la estación 1 y 2 de río de Janeiro, bajo una confianza del 95%, se encuentra entre 0.60 a 4.10
miligramos por litro.
Semana 10

PROBLEMA 1

PROBLEMA GUÍA

Los pesos de envases nominales de 1 kg de un ingrediente químico concentrado son que se muestra en
la Tabla. Prepare una gráfica de probabilidad normal de los datos y el proceso de estimación.
capacidad. ¿Depende esta conclusión de la estabilidad del proceso?

PROBLEMA DEL GRUPO

Considere los datos del peso del paquete en el ejercicio anterior. Suponga que hay una menor
especificación a 0,985 kg. Calcule una relación de capacidad de proceso adecuada para este material.
¿Qué porcentaje de los envases producidos por este proceso se estima en estar por debajo del límite
de especificación?

Como el problema nos menciona que supongamos que hay una menor especificación a 0,985 kg,
asumimos a este valor como nuestro límite de especificación inferior y eliminamos los datos menores
a este.

0.9850 0.9965 1.0075 1.0180

0.9860 0.9975 1.0100 1.0200
0.9960 1.0050 1.0175 1.0250

Se realizó un Gráfico de Probabilidad Normal:

En primer lugar, procedemos a ordenar los datos de menor a mayor luego mediante la fórmula
mostrada calculamos los valores para el eje de las ordenadas.

Donde i es la posición o indice del dato y n es el número de datos de la muestra.

Gráfico de Probabilidad Normal

100.00%

90.00%

80.00%

70.00%

60.00%

50.00%

40.00%

30.00%

20.00%

10.00%

0.00%
0.9800 0.9850 0.9900 0.9950 1.0000 1.0050 1.0100 1.0150 1.0200 1.0250 1.0300

De la gráfica se puede interpretar que los datos siguen una distribución normal dado que se
encuentran cercanos a la recta de ajuste. Nuestra variable X ~ Pesos de envases, sigue una
distribución N(µ;σ) y el siguiente paso será proceder a la estimación de sus parámetros µ y σ.

Para el calculo de la media, lo realizamos mediante la gráfica elaborada. La media será el valor que
deja el 50% de los datos por debajo, con una flecha señalamos el valor del eje y, cortamos con la
recta y para leer el valor del eje x correspondiente. En este caso, µ sería aproximadamente.
 Para el cálculo de la desviación típica lo podemos realizar de dos maneras mediante las siguientes
formulas.

Por lo que podemos interpretar que los datos siguen una distribución normal dado que se
encuentran cercanos a la recta de ajuste.

Datos
Como en el ejercicio anterior nos mencionan que los pesos de los envases tienen un 1 Kg
nominal de un ingrediente químico concentrado.
μ0=1.0000

Calculamos la desviación típica muestral mediante Excel:

s=0.0133

Y la constante mediante la tabla:

C4 = 0.9776
Estimamos la desviación típica:
s 0.0133
σ^ estimado= = =0.0136
C 4 0.9776

Calculamos la media de los datos:

μ=1.0053

Luego calculamos los valores k y Cp para poder hallar el Cpk:

2|μ−μ 0|
k=
LES−LEI

2|1.0053−1.0000|
k= =0.265
1.0250−0.9850

LES−LEI
Cp=
6 σ^ estimado
1.0250−0.9850
Cp= =0.490
6 (0.0136)

Cpk=Cp(1−k )
Cpk=0.490 ( 1−0.265 )=0.36
Finalmente, el problema nos pide calcular:
¿Qué porcentaje de los envases producidos por este proceso se estima en estar por debajo del
límite de especificación?

(
P ( x< LEI )=P Z <
μ−LEI
σ ) (
=P Z <
1.0053−0.9850
0.0136 )
P ( x< LEI )=P ( Z<1.49 )

P ( x< LEI )=0.9 319

PROBLEMA 2

PROBLEMA GUÍA

Una empresa de contabilidad utiliza métodos de muestreo en sus procesos de auditoría de clientes. Las
cuentas de un tipo particular se agrupan en un tamaño de lote de 25. El al auditor le preocupan las cuentas
erróneas que escapan al proceso de auditoría. Muestrear y auditar las cuentas lleva mucho tiempo y es
muy costoso, y muestra aleatoria de tamaño n = 5 es aproximadamente la muestra más grande que
prácticamente se puede usado. Suponga que el lote de cuentas contiene una cuenta errónea. ¿Cuál es la
probabilidad de que la muestra que se selecciona contenga la cuenta errónea?

PROBLEMA DEL GRUPO

Reconsidere la situación descrita en el ejercicio 5. ¿Cuántas cuentas erróneas? debe estar en el lote de
cuentas para una muestra aleatoria de tamaño n = 5 para tener una probabilidad de que al menos 0,50
contenga la cuenta errónea?
Datos del enunciado

Lote , N =25.
n 5
Muestra , n=5d=¿? → Dadoque : = =0.2 ≥ 0.1
N 25
Entonces no cumple la condición para seguir una distribución binomial∋ Poisson.
Por lo tanto , sigue la siguiente distribución : Distribución hipergeométrica

Condición del problema: Pr ( x >0 ) ≥ 0.5

Se sabe, la formula acumulativa hipergeométrica

Pr ( x ≤ c )=
( x )( n−x )
NP N−NP

( Nn )
De dato sabemos:
1−Pr ( x ≤ 0 )=Pr ( x> 0 ) ≥ 0.5

Se calculó para cada valor de “d ” ,como se muestra en este ejemplo :d=1

1−Pr ( x ≤ 0 )=1−
( x )( n−x )
NP N−NP
=1−
( )(25 ( 251 )
0
25−25 ( 251 )
5−0
)
(n)
N
(255)
Pr ( x >0 )=1−0.8=0.2 Se repitió lo mismo con cada valor de “ d ” hasta que se cumplió lacondición .

Usando Excel se completó la siguiente tabla.

≤0¿ ≤ 0 ¿= Pr(x¿ 0 ¿
=DISTR.HIPERGEOM.N(0;5;1;25;FALSO)
=DISTR.HIPERGEOM.N(0;5;2;25;FALSO)
1- 0.633
=DISTR.HIPERGEOM.N(0;5;3;25;FALSO)
1- 0.496
=DISTR.HIPERGEOM.N(0;5;4;25;FALSO)
1- 0.383
 Se observa que para d ≥ 3 dicha probabilidad será mayor a 0.50.

Semana 9
PROBLEMA 1

Las piezas fabricadas mediante un proceso de moldeo por inyección se someten a una compresión
prueba de fuerza. Se recogen veinte muestras de cinco partes cada una, y el compresor las resistencias
(en psi) se muestran en la Tabla.

//Es decir que se tendrá que evaluar la resistencia a la compresión de piezas fabricadas, mediante el uso
de gráficas de control para observar y analizar que trayecto sigue y hacer posibles recomendaciones.

a) Establecer gráfica de control x-R de resistencia a la compresión utilizando estos datos. ¿Está el
proceso en control estadístico?

Número de muestra x1 x2 x3 x4 x5 x R
1 83.0 81.2 78.7 75.7 77.0 79.1 7.3
2 88.6 78.3 78.8 71.0 84.2 80.2 17.6
3 85.7 75.8 84.3 75.2 81.0 80.4 10.5
4 80.8 74.4 82.5 74.1 75.7 77.5 8.4
5 83.4 78.4 82.6 78.2 78.9 80.3 5.2
6 75.3 79.9 87.3 89.7 81.8 82.8 14.4
7 74.5 78.0 80.8 73.4 79.7 77.3 7.4
8 79.2 84.4 81.5 86.0 74.5 81.1 11.5
9 80.5 86.2 76.2 64.1 80.2 77.4 22.1
10 75.7 75.2 71.1 82.1 74.3 75.7 11.0
11 80.0 81.5 78.4 73.8 78.1 78.4 7.7
12 80.6 81.8 79.3 73.8 81.7 79.4 8.0
13 82.7 81.3 79.1 82.0 79.5 80.9 3.6
14 79.2 74.9 78.6 77.7 75.3 77.1 4.3
15 85.5 82.1 82.8 73.4 71.7 79.1 13.8
16 78.8 79.6 80.2 79.1 80.8 79.7 2.0
17 82.1 78.2 75.5 78.2 82.1 79.2 6.6
18 84.5 76.9 83.5 81.2 79.2 81.1 7.6
 19 79.0 77.8 81.2 84.4 81.6 80.8 6.6
20 84.5 73.1 78.6 78.7 80.6 79.1 11.4

Gráfico de Control x-R

Paso 1: Establecer los objetivos del control estadístico del proceso.

 Determinar la resistencia a la compresión de las piezas fabricadas.
 Mejoramiento de la calidad.
Paso 2: Identificar la variable o variables a controlar.
Variable cuantitativa continua: Resistencia a la prueba de compresión de las piezas fabricadas.
Paso 3: Determinar el tipo de Grafico de Control que es conveniente utilizar
Determinamos que el tipo de Grafico de Control a realizar será el x-R. Como se desconoce σ (usamos el
R) y μ (usamos x ). Los valores de R y x están presentes en la tabla proporcionada.
Paso 4: Elaborar el Plan de Muestreo (Tamaño de muestra, frecuencia de muestreo y número de
muestras).
El tamaño de muestra “n” pequeño es 5, el cual es el tamaño mas usual.
El número de muestra es 20. Es una muestra suficientemente grande para cerciorarse que tan resistentes
son las piezas fabricadas a la prueba de compresión.
Se proporciona una prueba satisfactoria de la estabilidad del proceso debido a que se presenta 20
muestras con n = 5.
Paso 5: Recoger los datos según el plan establecido
La empresa debió haber realizado la hoja de control correspondiente.
Paso 6: Calcular la media ( x ) y el recorrido (R) para cada muestra
En la tabla proporcionada ya están calculados para cada muestra.
Paso 7: Calcular los Límites de Control para cada uno de los gráficos
 Para el gráfico x:
a) Calcular la media ( x́ ) de los valores medios de las muestras
79.1+80.2+80.4+ …+81.1+80.8+ 79.1
x́= =79.33
20
b) Calcular el recorrido medio ( R ¿
7.3+17.6+ 10.5+…+7.6+ 6.6+11.4
R= =9.35
20
c) Calcular el Límite de Control Superior (LCSx) y el Límite de Control Inferior (LCIx)

 Para el gráfico x
 LCSx = x́ + A 2 R ⟹ LCSx = 79.33 + 0.577(9.35) = 84.72

LCIx = x́− A 2 R ⟹ LCIx = 79.33 - 0.577(9.35) = 73.94

 Para el gráfico R
a) Calcular el Límite de Control Superior (LCSR) y el Límite de Control Inferior (LCIR)
LCSR = D4 R ⟹ LCSR = 2.114(9.35) = 19.77

LCSR = D3 R ⟹ LCSR = 0(9.35) = 0

Paso 8: Definir las escalas de las gráficas

Paso 9: Representar en el gráfico la Línea Central y los Límites de Control

Paso 10: Incluir datos pertenecientes a las muestras en el gráfico

Paso 11: Gráfico

 Paso 12: Análisis y resultados aplicados al proceso

 Gráfico x: Como puede observarse en la presente gráfica, los promedios que corresponden a las
muestras 4,7,9 y 14 activaron la alarma de límite inferior. De esta forma, dichas muestras demandan de
la atención correspondiente por parte del fabricante. Mientras que el promedio que corresponde a la
muestra 10 activó la alarma de límite superior. Por ende, dicha muestra requiere de una respuesta o
acción.

 Gráfico R: Seguido de ello, desviando nuestra atención a las muestras que activaron la alarma de límite
inferior y superior, obsérvese en el gráfico R que solo la muestra 9 supera el límite de control superior.
Esto se explica al analizar las piezas que corresponden a dicha muestra, evidenciándose que en esta
muestra se encuentra la pieza con menor resistencia de todo el grupo. No hay tendencias o patrones
anómalos.

b) Después de establecer las gráficas de control en la parte a), 15 nuevos subgrupos fueron recogidos
y las resistencias a la compresión se muestran en la Tabla. Trazar la x y R valores contra las
unidades de control de la parte a) y sacar conclusiones.

Número de muestra x1 x2 x3 x4 x5 x R
1 68.9 81.5 78.2 80.8 81.5 78.2 12.6
2 69.8 68.6 80.4 84.3 83.9 77.4 15.7
3 78.5 85.5 78.4 80.3 81.7 80.9 7.1
4 76.9 86.1 86.9 94.4 83.9 85.6 17.5
5 93.6 81.6 87.8 79.6 71.0 82.7 22.6
6 65.5 86.8 72.4 82.6 71.4 75.7 21.3
7 78.1 65.7 83.7 93.7 93.4 82.9 28.0
8 74.9 72.6 81.6 87.2 72.7 77.8 14.6
9 78.1 77.1 67.0 75.7 76.8 74.9 11.1
10 78.7 85.4 77.7 90.7 76.7 81.8 14.0
11 85.0 60.2 68.5 71.1 82.4 73.4 24.8
12 86.4 79.2 79.8 86.0 75.4 81.4 11.0
13 78.5 99.0 78.3 71.4 81.8 81.8 27.6
14 68.8 62.0 82.0 77.5 76.1 73.3 20.0
15 83.0 83.7 73.1 82.2 95.3 83.5 22.2

Gráfico de Control x-R

 Los pasos 1, 2 y 3 se mantienen igual que en la parte a).
Paso 4: Elaborar el Plan de Muestreo (Tamaño de muestra, frecuencia de muestreo y número de
muestras).
El tamaño de muestra “n” pequeño es 5, el cual es el tamaño más usual.
El número de muestras es 15.
Paso 5: Recoger los datos según el plan establecido
La empresa debió haber realizado la hoja de control correspondiente.
Paso 6: Calcular la media ( x ) y el recorrido (R) para cada muestra
En la tabla proporcionada ya están calculados para cada muestra.
Paso 7: Calcular los Límites de Control para cada uno de los gráficos
 Para el gráfico x:
a) Calcular la media ( x́ ) de los valores medios de las muestras
78.2+77.4+80.9+ …+81.8+73.3+ 83.5
x́= =79.42
15
b) Calcular el recorrido medio ( R ¿
12.6+15.7 +7.1+…+27.6+ 20.0+22.2
R= =18.01
15
c) Calcular el Límite de Control Superior (LCSx) y el Límite de Control Inferior (LCIx)
LCSx = x́ + A 2 R ⟹ LCSx = 79.42 + 0.577(18.01) = 89.81

LCIx = x́− A 2 R ⟹ LCIx = 79.42 - 0.577(18.01) = 69.03

 Para el gráfico R
a) Calcular el Límite de Control Superior (LCSR) y el Límite de Control Inferior (LCIR)
LCSR = D4 R ⟹ LCSR = 2.114(18.01) = 38.07

LCIR = D3 R ⟹ LCSR = 0(18.01) = 0

Paso 8: Definir las escalas de las gráficas

 Paso 9: Representar en el gráfico la Línea Central y los Límites de Control
Paso 10:

Incluir datos pertenecientes a las muestras en el gráfico.

Paso 11: Grafico.

Paso 12: Análisis y resultados aplicados al proceso.

 En la gráfica x se puede observar la variación natural del proceso, sin cambios repentinos, ni
presentando tendencias específicas. Analizando la gráfica, podemos observar que la región de control B
se encuentran puntos correspondientes a las muestras 4, 9, 11, 14 y 15, pero no se observan puntos en la
región A ni violando los límites superior e inferior. Por lo cual, podemos deducir que se presentaron
problemas por causas naturales, es decir, no asignables y producidos por la aleatoriedad.

 En el gráfico R se pueden identificar 3 puntos sobre la región de control B, los cuales son pertenecientes
a las muestras 3, 7 y 13. Estos puntos activan las alarmas del límite inferior, por lo cual deducimos que
se dan por causas naturales, pero, teniéndose que tomar acciones frente a estos datos. Además, se
presenta una relativa estabilidad en la gráfica sin que los límites superior ni inferior sean perturbados por
algún dato. Ni se presentan tendencias a querer salir de los límites de control.
PROBLEMA 2
El artículo "High Tech, High Touch", de J. Ryan, que apareció en Quality Progress en 1987, analiza los
procesos de mejora de la calidad utilizados por Martin Marietta en la producción de los tanques de
 combustible externos (oxígeno líquido) del transbordador espacial. Incluye un gráfico que muestra los
recuentos de las principales no conformidades de hardware para cada uno de los 41 tanques producidos.
Los recuentos aproximados del área de datos adjuntos leídos de ese gráfico para los últimos 35 tanques.
(Los primeros seis tanques tenían un diseño diferente al de los demás y, por lo tanto, no se incluyen
aquí).
Tanque No conformidades
1 537
2 463
3 417
4 370
5 333
6 241
7 194
8 185
9 204
10 185
11 167
12 157
13 139
14 130
15 130
16 267
17 102
18 130
19 157
20 120
21 148
22 65
23 130
24 111
25 65
26 74
27 65
28 148
29 74
30 65
31 139
32 213
33 222
34 93
35 194

(a) Haga una gráfica c retrospectiva para estos datos. ¿Existe evidencia de una mejora real de la
calidad en esta serie de recuentos de no conformidades? Explique.
Sea n=35
Para lamedia y loslímites :

35

∑ xi 537+ 463+…+ 194

x= i=1 =
35 35
x=183.829

LCS=x +3 √ x
LCS=183.829+ 3 √ 183.829
LCS=224.504

LCI =x−3 √ x
LCI =183.829−3 √ 183.829
LCI =143.154
La gráfica se muestra a continuación:

RESPUESTA: Se evidencia una mejora en la calidad del recuento de no conformidades al inicio de la

gráfica debido a que se observa una fuerte tendencia decreciente marcada por puntos con respecto a los
datos de la muestra 1 a 8. Además, se observa otra tendencia negativa desde la muestra 9 a la 14 sin
embargo esta es menos significativa a la anterior. A partir de la muestra 15 se observan variaciones
impredecibles y fuera de control en su mayoría por los datos que se encuentran debajo del límite de
control inferior.
 Por lo tanto, podemos deducir la existencia de una mejora parcial al inicio de la gráfica mas no real por
las variaciones irregulares e impredecibles que se presentan a partir de la muestra 15 en adelante, lo que
no permite determinar una estabilidad en la calidad del recuento de no conformidades.
(b) Considere solo los últimos 17 tanques representados arriba. ¿Parece que la calidad se mantuvo
estable durante el período de producción presentado por estos tanques? (Haga otra gráfica c
retrospectiva)
Sea n=17
Para lamedia y loslímites :
17

∑ xi 157+120+ …+194
x= i=1 =
17 17
x=122.529

LCS=x +3 √ x
LCS=122.529+ 3 √ 122.529
LCS=155.737
LCI =x−3 √ x
LCI =122.529−3 √ 122.529
LCI =89.322
La gráfica se muestra a continuación: