Herramientas para La Solucion de Problemas

HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
mesada
CONTROL ESTADSTICO
DEL PROCESO
DR. PRIMITIVO REYES AGUILAR
Enero, 2006
Pgina 1
CONTROL ESTADSTICO DEL PROCESO
1. IMPORTANCIA DE LA MEJORA CONTINUA DE LA CALIDAD 4

1.1 Calidad y mejoramiento 4
1.2 Historia del control estadstico del proceso 6
1.3 Mtodos estadsticos para la mejora de la calidad 14
1.4 Administracin por calidad total 18
2. FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO 21

2.1 Conceptos bsicos y distribucin normal 21
2.2 Causas comunes y causas especiales 30
2.3 Bases estadsticas de las cartas de control 31
2.4 El resto de las 7 herramientas estadsticas 43
2.4 Implantacin del CEP 77
3. CARTAS DE CONTROL POR VARIABLES 78

3.1 Introduccin 78
3.2 Cartas de control de medias-rangos 78
3.3 Cartas de control medias-desviacin estndar 106
3.4 Cartas de control para lecturas individuales 114
3.5 Seleccin entre cartas por variables y por atributos 116
3.6 Aplicacin de cartas de control por variables 120
4. CARTAS DE CONTROL PARA ATRIBUTOS 122

4.1 Introduccin 122
4.2 Cartas de Control para fraccin no conforme - p 123
4.3 Cartas de Control np 134
4.4 Tamao de muestra variable 135
4.5 Curva caracterstica de operacin y ARL 140
4.6 Cartas de Control para No Conformidades c y u 143
4.7 Cartas de Control para tasas de defectos en ppm 158
Pgina 2
5. OTRAS CARTAS DE CONTROL ESPECIALES 159

5.1 Cartas de Control para corridas cortas de produccin 159
5.2 Cartas de control modificadas y de aceptacin 161
5.3 Cartas de Control para desgaste de herramienta o material 166
5.4 Carta de Pre Control o de Arcoiris 169
5.5 Cartas de Control para procesos de salida mltiple 173
5.6 Cartas de control Cu Sum 173
5.7 Cartas de control EWMA 175
5.8 Carta de control de Media Movil 184
6. ANLISIS DE CAPACIDAD DEL PROCESO 175

6.1 Introduccin 175
6.2 ndices de capacidad 181
6.3 Capacidad del proceso con histogramas y papel normal 187
6.4 Capacidad del proceso con cartas de control 193
6.5 Capacidad de procesos con Minitab normales y no normales 196
6.6 Anlisis de capacidad con experimentos diseados 202
6.7 Estudios de capacidad de sistemas de medicin 202
7. MUESTREO DE ACEPTACION POR ATRIBUTOS 248

7.1 El problema de la aceptacin por muestreo 248
7.2 Muestreo simple por atributos 252
7.3 Muestreo doble, mltiple y secuencial 260
7.4 Tablas de muestreo MIL-STD-105E 270
7.5 Planes de muestreo de Dodge Romig 274
8. MUESTREO DE ACEPTACIN POR VARIABLES 274

8.1 Control de la fraccin defectiva 279
8.2 Diseo de un plan de muestreo por variables 282
8.3 Tablas ASQC Z1.9 1993 285
8.4 Otros procedimientos de muestreo por variables 294
Pgina 3
Apndice 1. Frmulas de CEP
Pgina 4
1. IMPORTANCIA DE LA MEJORA CONTINUA

1.1 CALIDAD Y MEJORAMIENTO
Las dimensiones de la calidad segn Garvin son:

1. Desempeo (sirve el producto para el uso adecuado?)
2. Confiabilidad (qu tan frecuentemente falla el producto?)
3. Durabilidad (cul es la vida til del producto?)
4. Serviciabilidad (qu tan fcil se repara el producto?)
5. Esttica (tiene el producto el estilo, color, forma, empaque y apariencia
adecuada?)
6. Caractersticas (qu hace el producto ms all de su desempeo bsico?)
7. Calidad percibida (cul es la reputacin de la empresa o del producto?)
8. Cumplimiento de estndares (el producto est hecho de acuerdo a
estndares de diseo original?)
As la calidad tradicionalmente es adecuacin al uso.
Dentro de la adecuacin al uso existen la calidad de diseo y la calidad de

conformancia. La de diseo se refiere al diseo original del producto, los
materiales utilizados, especificaciones, y mtodos empleados. La calidad de
conformancia se refiere a que tan bien cumple el producto los requerimientos de
las especificaciones de su diseo, que bsicamente depende del proceso de
manufactura.
Una definicin ms moderna es que la calidad es inversamente

proporcional a la variabilidad.
De esta forma se define la mejora de calidad como:

Mejoramiento de la calidad es la reduccin de la variabilidad en
Pgina 5
productos y servicios.
EUA JAPON
LIE Objetivo LSE

Fig. 1.1 Enfoques de conformacia
Como los mtodos estadsticos tienen un papel importante en el mejoramiento de

la calidad, son objeto de estudio de la Ingeniera de calidad. Los datos
relacionados con la calidad se clasifican en atributos y en variables. Los de
atributos son discretos, enteros. Los de variables corresponden a mediciones con
valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadsticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o

varias especificaciones.
Un tipo especfico de no cumplimiento de especificaciones es llamado

defecto o no conformancia.
Caractersticas del producto: Son los elementos que en conjunto describen la

calidad del producto, evaluadas respecto a especificaciones, como son:
1. Fsicos: Longitud, peso, voltaje, viscosidad
Pgina 6
2. Sensoriales: Gusto, apariencia, color

3. Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO
Antecedentes
La teora de la administracin se desarroll bsicamente en los pases
industrializados, en respuesta a los problemas que presentaron las grandes
empresas caractersticas del sistema capitalista. 1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de divisin del trabajo
para aumentar la productividad en 1776.2
Smith not que en una industria de fabricacin de alfileres, diez personas, cada una
realizando una tarea especfica, podran producir 48,000 alfileres por da. Propuso que si
cada uno trabajara por separado y en forma independiente, los diez trabajadores tendran
suerte en hacer 200 (o an 10) alfileres al da.3
Smith concluy que la divisin del trabajo incrementaba la productividad sin

embargo se consideraba al trabajador como extensin de la mquina. Durante la
revolucin industrial, iniciada en el siglo XVIII en Gran Bretaala mano de obra era
sustituida por mquinas de una manera acelerada. 4 Esto, a su vez, abarat la fabricacin
de productos en las fbricas. Surge la administracin cientfica con Frederick
Taylor.
Frederick Winslow Taylor (1856-1915): l no desarroll una teora de

administracin, sino que haca nfasis en los aspectos empricos. 5 En 1911 public
sus Principios de la Administracin Cientfica 6 donde describe la administracin
cientfica, y us este trmino para definir la nica y mejor manera de realizar un
1
Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T. Cadell,
London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey, 1987, p.
31.
4
Ibidem, p. 31.
5
Simn, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados Unidos de
Amrica, 1911
Pgina 7
trabajo. Los estudios realizados antes y despus de esta publicacin, lo erigieron

como el padre de la administracin cientfica. 7 Sus cuatro principios son:
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al mtodo
emprico; 2. Escoger cientficamente y luego entrenar, ensear y desarrollar al trabajador;
3. Colaborar ampliamente con los trabajadores para asegurar que todo el trabajo se
realice conforme a los principios de la ciencia que se ha ido desarrollando; 4. Hay una
divisin casi igual del trabajo y la responsabilidad entre la administracin y los
trabajadores. La administracin se encarga de todo el trabajo para el cual est mejor
dotada que los trabajadores.8
Taylor9 seal que la creacin de nuevos mtodos de trabajo era responsabilidad

nica de gerentes y administradores. La mayor desventaja del taylorismo es que
los trabajadores pueden ser descalificados como si fueran extensin de las mquinas,10
como consecuencia, se tiene poca motivacin y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: disearon arreglos laborales para eliminar

movimientos manuales y corporales intiles, tambin experimentaron en el diseo
y uso de herramientas y equipo adecuado para optimizar el desempeo del
trabajo.11 Encontraron que no es el trabajo montono la causa de tanta
insatisfaccin laboral, sino la falta de inters que muestran los gerentes por los
trabajadores.12
El Fordismo de Henry Ford: se implant en empresas con lneas de productos

durables en Estados Unidos de Amrica, foment la modificacin de las normas de
consumo y de vida de los trabajadores, considerados como verdaderos
consumidores potenciales, para lo cual era necesario aumentar su poder de
compra y reducir costos de produccin, con sistemas de proteccin social. 13
7
Robbins, Stephen, op cit. p. 33.
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva York,
Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. Mxico, Prentice Hall Hispanoamericana, 1982, p.
304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, Transformaciones del proceso del trabajo y de la relacin salarial en el marco del nuevo
paradigma productivo. Sus repercuciones sobre la accin sindical, en Sociologa del Trabajo, Nueva poca,
nm. 18, primavera de 1993, pp. 80-82
Pgina 8
Con las crisis de los aos ochenta, la produccin masiva uniforme ya no es

competitiva, surge un nuevo paradigma que hace nfasis en la respuesta flexible
frente a los cambios impredecibles del mercado. 14
Control de calidad por inspeccin

Durante la primera guerra mundial el sistema de manufactura se volvi ms
complejo, involucrando a ms trabajadores reportando a un supervisor de
produccin, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la produccin, desligndose del
auto - control de calidad de los artculos que producan, esto tuvo auge entre los
aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el mercado. 15
Se establecen despus planes de muestreo militares, asumiendo que cualquier
proceso producir defectos, los esfuerzos se enfocan a detectarlos, no a
prevenirlos. Los productos defectuosos, eran reprocesados o desechados,
incrementando los costos de produccin entre un 20 a 30% e incrementando el
precio final del producto al menos 20% 16, absorbiendo el cliente las ineficiencias de
la empresa. El departamento de Control de Calidad se convierte en el "polica de
la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa,
est formado por especialistas y tcnicos que se encargan principalmente de
detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control

Estadstico del Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Pgina 9
Control estadstico del proceso (CEP)

CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableci mtodos de control de calidad ms rigurosos
que infundieran confianza en sus instrumentos y electrodomsticos, en 1924 se
form su departamento de Ingeniera de Inspeccin, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control 17. Por otra parte H. Dodge y H.
Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig 18, como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin
en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras probabilsticas, as como
a la falta de estadgrafos industriales, adecuadamente entrenados. 19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

se conoce como Control Estadstico del Proceso. De esta forma con objeto de
hacer ms eficientes a las organizaciones de inspeccin, se proporciona a los
inspectores con unas cuantas herramientas estadsticas, tales como cartas de control y tablas de
muestreo20. Se reduce el nivel de variacin del proceso hasta los lmites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medicin
formales desde los proveedores hasta el producto final y el proceso se
"estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada
por los crculos de control de calidad para la identificacin de problemas.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p. 261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Pgina 10
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

Manufactured Product, donde describe las cartas para el control estadstico del
proceso. En medio de los aos 30s los mtodos de control estadstico de calidad
se empezaron a aplicar en la Western Electric, brazo de manufactura de los
laboratorios Bell, sin embargo no fueron reconocidos estos mtodos ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de

control de procesos en la industria de la manufactura, la American Society for
Quality Control se form en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japn a dar seminarios sobre control estadstico de calidad a
sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente
es hasta la dcada de los ochenta cuando se voltea hacia los mtodos
estadsticos ya muy comunes en Japn dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General

Electric, Xerox, AT&T, etc., desarrollan e implantan una metodologa de calidad
total denominada Calidad 6 sigma con el objetivo de reducir los errores y defectos
a un mximo de 3.4 partes por milln (ppm), donde una de las herramientas clave
es el control estadstico del proceso, que permite obtener ahorros de costos muy
importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
Yo desarroll un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estndares... Sin embargo, me sorprend
un poco que en EUA, donde efectu una visita de estudio, sus mtodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japn y asimilarlos para adaptarlos
Pgina 11
a situaciones en Japn, de tal forma que los productos japoneses mejoraran su

calidad21
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa,

Diagrama de Pareto, Hoja de verificacin, Diagrama de dispersin, Estratificacin,
Histogramas y Cartas de control.
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en Japn,
todas las industrias japonesas confan en los mtodos estadsticos avanzados para el diseo de
productos,22 esto tambin ha permitido que los supervisores de las fbricas
japonesas utilicen estadstica de alto nivel para analizar problemas. Por ejemplo
para el caso del diseo de experimentos se tiene: el diseo estadstico de experimentos
es el arreglo, bajo el cual se efecta un programa experimental, incluye la seleccin de los niveles
ptimos de los factores que tienen influencia en la calidad del producto 23, ayuda a optimizar el
tiempo y los elementos de diseo, determinando los materiales ms baratos de tal
forma que el producto cumpla las especificaciones, y todava se asegure que el
producto se desempear en forma satisfactoria bajo condiciones variables.
Con la aplicacin del Control Estadstico del Proceso, el trabajador tiene de nuevo
la oportunidad de controlar la calidad de su trabajo, no a travs de inspeccin
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12, 1967, pp.
115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Pgina 12
100%, sino a travs de tcnicas de muestreo y de cartas de control, como mtodo

preventivo de defectos, lo que permite su autocontrol para reducir la variabilidad
del proceso de produccin, se complementa con las siete herramientas
estadsticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
Desarrollo del Control Estadstico del Proceso

W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.24
* * * *
** **
*** **
*** **
Distribucin de promedios
Universo de las muestras
Fig. 1.2 Experimentos de Shewhart para las cartas de control
Encontr que las medias de las muestras correspondan a las medias de la

poblacin y que la desviacin estndar de las medias de las muestras se
relacionaban con la desviacin estndar de la poblacin, como sigue:

__ (1.1)
X n
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 13
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.
Normalmente para conocer el estado de un proceso en determinado momento, es

necesario obtener un histograma de la caracterstica de inters, tomando al menos
30 piezas. Se calcula la media y la desviacin estndar de la muestra y se trata de
inferir sobre las caractersticas del proceso. Haciendo esto peridicamente se
pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
a) Proceso fuera de control b)Proceso en control

en media y variabilidad en media y esv. est.
Fig. 1.3 Comportamiento de procesos en control y fuera de

control25
Llevando un control de proceso a travs de histogramas no sera prctico y

aprovechando sus hallazgos del comportamiento de las medias Shewhart sugiri
llevar un control del proceso tomando muestras no de 50 piezas, sino de slo 5
consecutivas, monitoreando el comportamiento del proceso a travs de las cartas
de control de Shewhart, la media del proceso con las medias de las muestras y la
variabilidad con su rango. Tomado lmites de control establecidos a 3 de
medias o rangos.
1.3 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 14
Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de

experimentos y el muestreo estadstico, adems de las herramientas estadstica
para la solucin de problemas en planta por grupos de trabajo o Crculos de
calidad.
CARTAS DE CONTROL
LSC
LC
LIC
LSC = Lmite superior de control

LC = Lnea central
LIC = Lmite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus lmites de

control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 15
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

PROCESO
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.5 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual los

factores son variados de tal forma de probar todas las posibles combinaciones de
los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza

durante el desarrollo de los productos o procesos, ms que durante su fabricacin.
Pgina 16
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las

caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e

inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
- El costo de evaluacin es menor que con la inspeccin al 100%

- Se puede aplicar ms fcilmente cuando se trata de realizar pruebas
destructivas.
- Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que
con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:

- Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
- Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
- No se garantiza que los lotes aceptados estn libres de defectivos.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
Pgina 17
a) INSPECCIN EN LINEA ENVIO
PROCESO INSPECCION CLIENTE
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
c) INSPECCION RECTIFICADORA ACEPTAR ENVIO
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRA
BAJO
DISPOSICIN DE LOTES
Fig. 1.6 Variaciones del muestreo de aceptacin
El muestreo de aceptacin tiende a reforzar el apego o conformancia a

especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Fig. 1.7 Evolucin de la aplicacin de mtodos estadsticos
Pgina 18
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
1.4 ADMINISTRACIN POR CALIDAD TOTAL
Para que sean efectivas las herramientas estadsticas, su aplicacin debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en EUA,
Company Wide Quality Control en Japn, Seis Sigma de Motorola, Modelo de
Direccin por Calidad de Mxico (PNC), Malcolm Baldrige de EUA, QS 9000, VDA
6.1 VW, ISO 9000:2000, etc.), donde la alta direccin lleve el liderazgo por la
calidad, no funcionarn como elementos aislados.
La filosofa de Deming y Juran implica que la responsabilidad por la calidad se

expande a toda la organizacin, sin embargo para no caer en el error de que la
responsabilidad de todos es la de nadie, la calidad debe planearse.
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la
reduccin de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la direccin.
COSTOS DE CALIDAD
Son costos asociados con producir, identificar, evitar o reparar productos que no
cumplan especificaciones. Normalmente se clasifican en cuatro categoras:
Pgina 19
Prevencin, Apreciacin, Falla interna y Falla externa, algunos de los elementos

que incluyen son los siguientes:
Costos de prevencin Costos de falla interna

Planeacin e Ingeniera de calidad Scrap o desperdicio
Revisin de nuevos productos Retrabajos
Diseo de productos y procesos Re-inspeccin
Control de proceso Anlisis de falla
Entrenamiento Ineficiencias
Coleccin y anlisis de datos de calidad Descuentos
Costos de apreciacin Costos de falla externa

Inspeccin y prueba en recibo Atencin de quejas
Inspeccin y prueba de productos Producto regresado
Materiales usados en pruebas Cargos por garanta
Mantenimiento de equipo de prueba Costos legales
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados a
la prevencin de defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Costos de falla interna

Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Pgina 20
Costos de falla externa

Son los costos incurridos cuando el desempeo del producto no es el adecuado
una vez que lo utiliza el cliente.
Pgina 21
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO

DEL PROCESO (CEP)
2.1 CONCEPTOS BSICOS
CONCEPTO DE VARIACIN
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
DISTRIBUCION NORMAL
La notacin para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribucin es simtrica, unimodal y en forma de campana.
Las reas entre diferentes desviaciones estndar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Fig. 2.1 Curva de distribucin normal
Propiedades de la distribucin normal

La distribucin normal tiene forma de campana.
La distribucin normal es una distribucin de probabilidad que tiene media =
0 y desviacin estndar = 1.
El rea bajo la curva o la probabilidad desde ms menos infinito vale 1.
La distribucin normal es simtrica, cada mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
Pgina 22
La forma y la posicin de una distribucin normal dependen de los parmetros

y , en consecuencia hay un nmero infinito de distribuciones normales.
Existe una relacin del porcentaje de poblacin a la desviacin estndar. En la

figura observamos por ejemplo que el rea bajo la curva para 1 tiene un
porcentaje de 68.26%, 2 = 95.46% y 3 99.73%
La poblacin incluye todos los datos, la muestra es una porcin de la poblacin.
Pgina 23
La distribucin normal estndar
El valor de z
Determina el nmero de desviaciones estndar entre algn valor X y la media
de la poblacin . Para calcular el valor de Z usamos la siguiente frmula.
X
Z (2.1)

La distribucin de probabilidad f (Z) es una distribucin normal con media 0 y

desviacin estndar 1; esto es Z se distribuye normalmente con media cero y
desviacin estndar = 1 Z~N(0,1): La grfica de densidad de probabilidad se
muestra en la figura.
F(z)
La distribucin f (Z) se encuentra tabulada en la tabla de distribucin normal

estndar. En esta tabla podemos determinar los valores de Z o la probabilidad de
determinado valor Z.
NOTA: Cuando las tablas acumulativas de distribucin normal slo dan valores a
la izquierda de valores positivos de z, utilizando la propiedad de simetra se
pueden evaluar probabilidades o reas a la izquierda de valores negativos de z.
Pgina 24
P (x >= a) = 1 P (x <= a) (2.2)

P (x <= -a) = P (x >= a) y
P (x >= -a) = P (x <= a)
Tambin es muy til hacer un diagrama de la distribucin, indicando las reas
buscadas.
Ejemplo 2.1 : El gerente de personal de una gran compaa

requiere que los solicitantes a un puesto efecten cierta
prueba y alcancen una calificacin de 500. Si las
calificaciones de la prueba se distribuyen normalmente con
media 485 y desviacin estndar 30 Qu porcentaje
de los solicitantes pasar la prueba?
Calculando el valor de Z obtenemos:
X 500 485
Z = 0.5
30
Buscamos el valor correspondiente Z en las tabla de distribucin normal.

Z0.5 = .69146 = 69.146% siendo esta la probabilidad de que la calificacin sea
menor a 500 P (X<500). Dado que el porcentaje pedido es P( X 500) la solucin
es 1-.69146 =.3085 , 30.85% de los participantes pasarn la prueba.
485
3 0 .8 5 %
Z.0 5
Pgina 25
Ejemplo 2.2:
Encuentre las probabilidad siguiente usando la tabla Z,
P(-1.23 < Z > 0).
-1.23 Z
Solucin: Buscamos el valor Z 1.23 en las tablas siendo este = .89065. restando .
89065-.05 = .3905, este valor es la probabilidad de 0 a 1.23 que es
exactamente la misma de 1.23 a 0 por simetra. Por lo tanto la probabilidad es
.3905
Uso de la distribucin normal en Excel

Para calcular la probabilidad dado un valor Z procedemos de la siguiente
manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 ,

de click en aceptar y aparecer la probabilidad buscada f(z)= .903199
Para calcular Z dada una probabilidad f(z)

fx>Estadsticas>Distr.Norm.Estand.inv OK
De clic en aceptar. Procedemos de la misma manera que en el caso anterior,

pero en esta ocasin seleccionamos la probabilidad .93319
El valor Z = 1.4999
Pgina 26
Ejemplo 2.3 : Suponga que una distribucin normal dada tiene

una media de 20 y una desviacin estndar de 4. calcule la
probabilidad P (X > 24).

fx>Estadsticas>Distr.Norm.Estand. OK
El sistema muestra la ventana, en la cual llenamos los siguientes datos: X, Media,
desviacin estndar, 1.
El resultado de la frmula = .97724. , dado que esta es la probabilidad P(X 24),

la probabilidad buscada
P (X > 24) = 1-.8413= .1587
Para clculos utilizando el paquete Minitab, usar:
1. Calc >Probability Distributions >Normal

2. Indicar Cumulative Distribution o inverse Cumulative Distribution
(dando valores de Z se obtienen valores de rea) o Inverse Cumulative
Distribution (dando reas proporciona los valores de Z).
3. En Input constant indicar el valor de Z (cumulative) para obtener el rea
bajo la curva o proporcionar el rea bajo la curva (Inverse cumulative) para
obtener el valor de Z. OK
Si se especifica una columna Cx para almacenamiento de los resultados, estos no

se muestran automticamente, para verlos es necesario ejecutar la opcin
>Manip >Display Data
Ejemplo 2.4: La resistencia a la tensin de un papel para bolsa

de comestibles es una caracterstica de calidad importante.
La resistencia x es normalmente distribuida con media 40
Pgina 27
lb/in2 y la desviacin estndar es 2 lb/in2, denotada como x

N (40, 4). El comprador de bolsas requiere que al menos
tengan una resistencia de 35 lb/in2, cul es la probabilidad
de lograrlo?
P (x >= 35) = 1 P (x <= 35)

P (x<= 35)=P{ z <= (35-40)/2 }= P{z <= -2.5}=(-2.5)= 0.0062
Por tanto la probabilidad deseada es P(x>=35)=10.0062=
0.9938
35 40 =2 -2.5 0 =1
Ejemplo 2.5: El dimetro de una flecha metlica usada en una

unidad disco es normalmente distribuida con media 0.2508 y
desviacin estndar 0.0005. La especificacin de la flecha
est establecida como 0.2500 0.0015. Se desea determinar
que fraccin de las flechas producidas cumplen las
especificaciones.
La distribucin es la siguiente:
Pgina 28
0.2485 0.2508 0.2515 = 0.0005

LIE MEDIA PROCESO LSE
P(0.2485<=x<=0.2515)=P(x<=0.2515)P(x <= 0.2485) =

={(0.25150.2508)/0.0005}{(0.24850.2508)/0.0005} =
= (1.4) - (-4.6) = 0.9265 0.0000
= 0.9265
Es decir que el proceso tendr un rendimiento del 92.65% de

flechas producidas de acuerdo a especificaciones.
Si se ajustase la media del proceso a 0.2500, lo cual

representa la mejor condicin de ajuste, se tendra:
P(0.2485<=x<=0.2515)=P(x<= 0.2515)P(x <= 0.2485)=

={(0.2515.2500)/0.0005}{(0.24850.2500)/0.0005 }=
= (3.0) - (-3.0) = 0.99865 0.00135 =
= 0.9973
De esta forma centrando el proceso se obtendra el 99.73% de

rendimiento.
Algunas veces en vez de encontrar la probabilidad asociada con un valor particular

de una variable aleatoria, se requiere encontrar lo opuesto, es decir un valor de z
que donde se encuentre un cierto valor de probabilidad.
Ejemplo 2.6: si x N (10, 9). Se desea encontrar el valor de x

= a, tal que P(x > a) = 0.05.
Pgina 29
En la tabla se encuentra que para P( z<= 1.645) = 0.95, por

tanto:
(a 10) / 3 = 1.645
a = 14.935.
TEOREMA DEL LMITE CENTRAL
La distribucin normal tiene muchas propiedades tiles, una de estas se refiere a

la combinacin lineal de variables aleatorias independientes. Si x 1, x2 x3, ...., xn
son variables aleatorias independientes no necesariamente normales, con media
1, 2, ... n y varianzas 12, 22 , ..., n2 respectivamente, entonces la distribucin
del estadstico siguiente:
y = a1x1 + a2x2 + ............. + anxn (2.4)
es normal con media

y = a11 + a22 + ... + ann
y varianza
y2 = a1212 + a2222...,+ an2n2
donde a1, a2, ... an son constantes.
El Teorema del Lmite Central establece que la distribucin de la variable:
n n
[y -
i 1
i ] i
2
(2.5)
i 1
Se aproxima a la distribucin normal conforme n tiende a infinito. Es decir que la

suma de las n variables aleatorias independientemente distribuidas es
aproximadamente normal, independientemente de la distribucin de las variables
individuales.
Pgina 30
La aproximacin se mejora conforme se incrementa n, en general si las x i estn

distribuidas en forma idntica y su distribucin se asemeja a la normal, el teorema
del lmite central trabaja bien para n>=3 o 4, condiciones propicias para el control
estadstico de los procesos.
PRUEBAS DE HIPTESIS
Se pueden cometer dos tipos de errores cuando se prueban hiptesis:
Error tipo I, se rechaza Ho cuando es verdadera.

Error tipo II, no se rechaza Ho cuando es falsa.
Las probabilidades de esos dos tipos de errores son:

= P(error tipo I)
= P(error tipo II)
donde la potencia de la prueba es
Potencia = 1 - = Probabilidad de rechazar correctamente Ho.
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que

un lote bueno o un proceso que produce partes aceptables en relacin a una
caracterstica de calidad sea rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de

aceptar lotes de calidad pobre, o permitiendo que un proceso contine operando
de manera insatisfactoria respecto a una caracterstica de calidad.
El procedimiento general para pruebas de hiptesis es especificar una

probabilidad de error tipo I o , y disear un procedimiento de prueba que
minimice la probabilidad de error tipo II.
Pgina 31
Conforme se incrementa el tamao n de muestra, se reduce la probabilidad de

error tipo II.
PROBABILIDAD DE ERROR TIPO II
Tomando como estadstico de prueba Zc, y asumiendo que sigue una distribucin
normal N(0,1).

Z c X 0
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la distribucin
realmente es:
1 = 0 + con > 0
La hiptesis alterna H1 es verdadera y bajo esta suposicin, el estadstico Zc es:

Zc N ,1
n
BAJO H0 BAJO H1
- Z/2 0 Z/2 Zc = n /
Fig. 2.2 La distribucin de Zc bajo Ho y H1
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre -

Z/2 y Z/2 dado que la hiptesis alterna es verdadera.
Pgina 32
Para evaluar esta probabilidad, se evaluan F(Z /2) ) F(-Z/2), donde F es la

distribucin acumulativa normal estndar. La probabilidad de error tipo II es
(funciona igual para cuando < 0):
n n
Z / 2 Z / 2

(2.7)

Ejemplo 2.7: si los estndares especifican que la media de una

lata de caf es de 16.0 oz., y de acuerdo a la experiencia se
sabe que la desviacin estndar del contenido es de 0.1 oz.
Las hiptesis son:
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando
una muestra de 9 latas, se tiene que el estadstico de prueba
es:
Z 0 X 16
0 .1
9
Se rechaza Ho si Zo > Z0.025 = 1,96
Suponiendo que se desea encontrar la probabilidad del error

tipo II si el valor verdadero de la media es 1 =16.1
implicando que = 16.1 16.0 = 0.1, se tiene:
n n
Z / 2 Z / 2

0.1 9 0.1 9
1.96 1.96

0.1 0.1
Pgina 33
= (- 1.4 ) - ( -4.96 )
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es

16.1 oz. Es de 0.1492, o que la potencia de la prueba es de 1
- = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de ,

tomando como 0.05 y graficando contra d = / , se obtienen las curvas
caractersticas de operacin (OC).
(ver grfica de curva OC)
En las curvas OC se observa que:
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para

una n y dadas. Es decir que la prueba detecta ms fcilmente grandes
diferencias.
2. Conforme se incrementa n, la probabilidad de error tipo II es ms pequeo para
una y dadas. Es decir que la prueba se hace ms potente si se incrementa
el tamao de muestra.
HERRAMIENTAS PARA CONTROL DEL PROCESO
Para que un producto cumpla especificaciones del cliente en forma consistente,

debe ser producido por un proceso estable y repetible, con poca variacin
alrededor del valor nominal de las caractersticas de calidad del producto. El
Control Estadstico del Proceso es una serie de herramientas para la solucin de
problemas enfocados a lograr la estabilidad del proceso y mejorar su habilidad, a
travs de la reduccin de su variabilidad. Las herramientas principales son:
Pgina 34
1. Histograma o grfico de tallos-hojas

2. Hojas de verificacin
3. Grfica de Pareto
4. Diagrama de causa-efecto
5. Diagrama de concentracin de defectos
6. Diagramas de dispersin
7. Cartas de control
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los Bell
Telephone Labs., se denominan Cartas de Control de Shewhart y se usan para el
monitoreo del proceso en lnea. A continuacin se explica la teora de variabilidad
de Shewhart.
2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES
La variabilidad natural siempre existe en cualquier proceso de produccin, no

importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy grande
en relacin con la variabilidad natural y es originada por causas especiales o
asignables haciendo que el proceso opere fuera de control estadstico (ver pgina
siguiente).
De la figura cuando el proceso est en control, la mayor parte de la produccin se

encuentra dentro de los lmites de control (LSC y LIC). Sin embargo cuando el
proceso est fuera de control, una gran proporcin del proceso se encuentra fuera
de estos lmites.
Pgina 35
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas

especiales para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para esto se utilizan las cartas de control en lnea,
permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la
reduccin continua de la variabilidad hasta donde sea posible.
Pgina 36
2.3 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL
Una carta tpica representando un proceso en control estadstico se muestra a

continuacin. Contiene una lnea central que representa el valor promedio de la
caracterstica de calidad correspondiente al estado en control y dos lneas
adicionales llamadas lmites inferior y superior de control (LIC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
LIC Tiempo
Fig. 2.3 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un alto
riesgo de situacin fuera de control si los puntos se agrupan es forma sistemtica
dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Pgina 37
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se

concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II de la carta de control se presenta cuando se

concluye que el proceso est en control cuando en realidad est fuera de control.
La curva caracterstica de operacin (OC), con en el eje vertical, indica la
capacidad de la carta para detectar corridas de la media o rango del proceso de
diferentes magnitudes.
Ejemplo 2.8: Para el caso de pistones, evaluando la

caracterstica de calidad de dimetro interno del anillo. Si
la media del proceso es 74 y la desviacin estndar es de
0.01mm, con un tamao de muestra de n=5, se tiene:
La desviacin estndar de las medias es:

.01
X 0.0045
n 5
Asumiendo que el proceso est en control y de acuerdo al
teorema del lmite central se asume que las medias X i se
distribuyen normalmente, se debe espera que el 100(1- )% se

encuentren entre 74 Z/2 (0.0045).
Si se escoge arbitrariamente a Z/2 = 3, se obtienen los

lmites de control a 3 sigma:
LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 3 (0.0045) = 73.9865
Pgina 38
74.0135
74
74.9865 Tiempo
Fig. 2.4 Carta de Control tpica
El ancho de los lmites de control es inversamente

proporcional al tamao de muestra n, para un mltiplo de
sigma dado., La seleccin de los lmites de control es
equivalente a preparar la regin crtica para probar la
hiptesis en el tiempo:
H0 : = 74
H1 : 74
Con = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un

estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw (2.8)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central

expresada en unidades de desviacin estndar.
Pgina 39
El uso ms importante de la carta de control es la mejora del proceso, a travs de

su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO

DE LOS VALORES DE LAS MEDIAS LSC = 74.0135, LC = 74, LIC = 73.9865
INDIVIDUALES =.01
X 0.0045
Fig. 2.5 Comparacin de la variabilidad de la poblacin y la

de las medias y operacin de la carta de control
El proceso de mejora usando la carta de control requiere la accin de la

supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las

causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control OCAP, activado con la ocurrencia de cada
evento. Incluye Puntos de chequeo que son causas potenciales asignables y
terminadores que son las acciones que resuelven la situacin fuera de control.
Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
Pgina 40
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIN
Verificacin Deteccin de causa

y seguimiento asignable
Implantar Identificar causa

Accin raz del problema
Correctiva
Fig. 2.6 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL
La carta de control es un dispositivo de estimacin de parmetros del proceso una

vez que exhibe control estadstico, se puede estimar la media, varianza,
proporcin, etc. que pueden ser utilizados para determinar la capacidad de los
procesos para producir productos aceptables, base de decisiones gerenciales y
contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real

en alguna escala de medicin continua, se denomina una variable. En tales casos
se utilizan cartas de control de medias, que describan la tendencia central y cartas
de control basadas en rango o desviacin estndar para controlar la variabilidad
del proceso.
Pgina 41
Muchas caractersticas de calidad no pueden ser medidas en una escala continua,

en esos casos se puede juzgar cada producto como conforme o como no
conforme sobre la base de que posea o no ciertos atributos, o se pueden contar el
nmero de no conformidades o defectos que aparecen en una unidad de producto.
Las cartas de control para tales caractersticas de calidad, se denominan cartas de
control por atributos.
Un factor importante en la aplicacin de cartas de control es su diseo, es decir la

seleccin de tamao de muestra, lmites de control y frecuencia de muestreo.
Para la carta de control por variables del ejemplo se utiliz una muestra de 5
partes, lmites de control a 3-sigma y una frecuencia de muestreo cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo II,

aunque el diseo de la carta de control tambin debe tomar consideraciones
econmicas considerando los costos de muestreo, prdidas por fabricar productos
defectuosos y costo de investigar indicaciones fuera de control que son falsas
alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad

exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia

de haberse extrado de una poblacin estable (normal u otra), en anlisis de series
de tiempo se denomina ruido blanco. En este caso los datos pasados histricos
no dicen nada en relacin a predecir su comportamiento futuro.
Pgina 42
3. Procesos estacionarios con datos correlacionados: las observaciones

sucesivas de en estos datos son dependientes; es decir un valor por arriba de la
media tiende a ser seguido por otro valor arriba de la media y viceversa, esto
produce corridas lentas y largas en algn lado de la media.
4. Procesos no estacionarios: ocurren en los procesos qumicos e industrias de

proceso, los procesos son muy inestables y tienen corridas inestables alrededor
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin

exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de si no esta mal, no lo arregles, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
Pgina 43
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
a una distancia de 3.09-sigmas y los lmites de control sern:
LSC = 74 + 3.09 (0.0045) = 74.0139

LIC = 74 3.09 (0.0045) = 73.9861
Estos lmites de control se denominan lmites probabilsticos a 0.001. A

continuacin se presenta una comparacin entre lmites.
+3.09
+3.0
LC
-3.00
-3.09
Fig. 2.7 Lmites de control de Shewhart y Europeos
Los lmites de control a 0.001 se utilizan en pases europeos.

Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de la
lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la sensibilidad
de la carta de control para identificar corrimientos de la media del proceso, en
forma ms rpida. Si un punto cae fuera de los lmites preventivos, Una
desventaja es que crean confusin con el personal y se incrementa el riesgo de
error tipo I (falsas alarmas).
Pgina 44
TAMAO DE MUESTRA Y FRECUENCIA DE MUESTREO
Al disear una carta de control, se debe especificar tanto el tamao de muestra

como la frecuencia de muestreo, tamaos de muestra grandes permiten detectar
pequeas corridas en la media del proceso como se observa en las curvas
caractersticas de operacin.
Para la frecuencia de muestreo, la prctica industrial sugiere tomar muestras

pequeas frecuentes, principalmente en produccin masiva o cuando existe la
posibilidad de que existan muchas causas especiales, actualmente con las
computadoras esto es cada vez ms fcil.
Otra forma de determinar la frecuencia de muestreo y el tamao de muestra, es a

travs de la longitud media de racha de la carta de control (ARL), que es el
nmero de puntos que deben ser graficados antes de que un punto indique una
condicin fuera de control.
1
ARL (2.9)
p
donde p es la probabilidad de que un punto exceda los lmites de control. Para el

caso de 3-sigma p=0.0027 y el ARL 0 = 370. Es decir que si el proceso est en
control, se generar un punto fuera de control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces

aparecer una falsa alarma cada tiempo promedio de indicacin (ATS) en horas.
ATS ARLh (2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada
370 horas.
Pgina 45
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media
del proceso, se utilizan las curvas caractersticas de operacin. Por ejemplo, si
n=5 y la media se corre de 74.015mm, la probabilidad de que un punto caiga
dentro de los lmites de control es aproximadamente 0.50, por tanto utilizando
p=0.50, se puede calcular el ARL1 para una situacin fuera de control como sigue:
1 1
ARL1 2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento.

Si el muestreo se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se
podran tomar muestras ms frecuentes por ejemplo cada media hora o
incrementar el tamao de muestra. Si n=10, de la curva caracterstica de
operacin se observa que p=0.9 y el ARL 1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser ms aceptable.
En resumen las dos alternativas siguientes dan un resultado similar:
Diseo 1 Diseo 2
n=5 n = 10
Frec. Cada hora Frec. cada hora.
Las muestras se toman de manera ms frecuente a la ocurrencia de cambios en el

proceso registrados en bitcoras (cambio de turno, cambio de materiales, ajustes,
fallas, etc.), con objeto de detectar las causas de situaciones fuera de control.
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de

acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
Pgina 46
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior se recomienda tomar productos consecutivos de produccin para

formar la muestra (cuyo tamao puede ser entre 4 y 6), minimizando diferencias
dentro del subgrupo. En algunos procesos como los qumicos, es suficiente tomar
una sola unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL
Una carta de control indicar una condicin fuera de control cuando uno o ms
puntos caigan ms all de los lmites de control o cuando los puntos graficados
formen un patrn no aleatorio de comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo

tipo. Adems de las corridas ascendentes o descendentes, se encuentran las que
estn por debajo o sobre la media.
Dado que una corrida de 8 o ms puntos tiene una probabilidad de ocurrencia muy
baja, se considera que una racha o corrida con una longitud de 8 puntos indica
una condicin fuera de control.
Fig. 2.8 Proceso fuera de control por tendencias o corridas
Pgina 47
Otro patrn de inestabilidad se presenta cuando el comportamiento del proceso

muestra patrones cclicos.
Para reconocer un patrn de comportamiento no slo se requiere conocer las

tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para

detectar patrones no aleatorios en las cartas de control:
1. Un punto fuera de los lmites de control de 3-sigma.

2. Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma.
3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1-
sigma o ms all a partir de la lnea central.
4. Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son:
5. Siete puntos formando una tendencia creciente o decreciente.

6. Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea
central (adhesin a la media).
7. Catorce puntos en un rengln alternndose arriba y abajo.
8. Siete puntos que se encuentren ms all de 1-sigma de la lnea central.
9. Un patrn no usual o no aleatorio de datos.
10. Uno o ms puntos cerca de los lmites preventivos.
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se

pueden tener muchas falsas alarmas quitndole efectividad al programa del CEP.
2.4 EL RESTO DE LAS 7 HERRAMIENTAS ESTADSTICAS
Pgina 48
1. HOJA DE VERIFICACIN
2. DIAGRAMA DE PARETO
3. LLUVIA DE IDEAS
4. DIAGRAMA DE ISHIKAWA
5. CARTA DE TENDENCIAS
6. DIAGRAMA DE FLUJO
7. DIAGRAMA DE DISPERSIN
Pgina 49
2.4.1 HOJA DE VERIFICACIN
Se utiliza para reunir datos basados en la observacin del comportamiento de un

proceso con el fin de detectar tendencias, por medio de la captura, anlisis y
control de informacin relativa al proceso. Bsicamente es un formato que facilita
que una persona pueda tomar datos en una forma ordenada y de acuerdo al
estndar requerido en el anlisis que se est realizando. Las hojas de verificacin
tambin conocidas como de comprobacin o de chequeo organizan los datos de
manera que puedan usarse con facilidad ms adelante.
Pasos para la elaboracin de una hoja de verificacin:
1. Determinar claramente el proceso sujeto a observacin. Los integrantes deben

enfocar su atencin hacia el anlisis de las caractersticas del proceso.
2. Definir el perodo de tiempo durante el cul sern recolectados los datos. Esto
puede variar de horas a semanas.
3. Disear una forma que sea clara y fcil de usar. Asegrese de que todas las
columnas estn claramente descritas y de que haya suficiente espacio para
registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegrese de que se
dedique el tiempo necesario para esta actividad.
Ejemplo 2.9 Hoja de verificacin
DIA
DEFECTO 1 2 3 4 TOTAL
Tamao errneo IIIII I IIIII IIIII III IIIII II 26
Forma errnea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso errneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Pgina 50
Consejos para la elaboracin e interpretacin de las hojas de verificacin
1. Asegrese de que las observaciones sean representativas.

2. Asegrese de que el proceso de observacin es eficiente de manera que las
personas tengan tiempo suficiente para hacerlo.
3. La poblacin (universo) muestreada debe ser homognea, en caso contrario, el
primer paso es utilizar la estratificacin (agrupacin) para el anlisis de las
muestras/observaciones las cuales se llevarn a cabo en forma individual.
EJERCICIO 2.10: Colectar el intervalo de tiempo en que

ingresan personas a un establecimiento.
Pgina 51
2.4.2 DIAGRAMA DE PARETO
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar

en forma crtica los pocos proyectos que provocan la mayor parte de los
problemas de calidad.
El principio enuncia que aproximadamente el 80% de los efectos de un problema

se debe a solamente 20% de las causas involucradas.
El diagrama de Pareto es una grfica de dos dimensiones que se construye

listando las causas de un problema en el eje horizontal, empezando por la
izquierda para colocar a aquellas que tienen un mayor efecto sobre el problema,
de manera que vayan disminuyendo en orden de magnitud. El eje vertical se
dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el
porcentaje acumulado de efecto de las causas, empezando por la de mayor
magnitud.
Pasos para desarrollar el diagrama de Pareto:
1. Seleccione qu clase de problemas se van a analizar.

2. Decida qu datos va a necesitar y cmo clasificarlos. Ejemplo: Por tipo de
defecto, localizacin, proceso, mquina, trabajador, mtodo.
3. Defina el mtodo de recoleccin de los datos y el perodo de duracin de la
recoleccin.
4. Disee una tabla para el conteo de datos con espacio suficiente para
registrarlos.
5. Elabore una tabla de datos para el diagrama de Pareto con la lista de
categoras , los totales individuales, los totales acumulados, la composicin
porcentual y los porcentajes acumulados
Pgina 52
6. Organice las categoras por orden de magnitud decreciente, de izquierda a

derecha en un eje horizontal construyendo un diagrama de barras. El concepto
de otros debe ubicarse en el ltimo lugar independientemente de su
magnitud.
7. Dibuje dos ejes verticales y uno horizontal.
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un nmero de intervalos igual al nmero de
categoras clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados
(porcentaje acumulado) en la parte superior, al lado derecho de los intervalos
de cada categora, y conecte los puntos con una lnea continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para el
mejor entendimiento del diagrama de Pareto.
Ejemplo 2.11 Diagrama de Pareto:
El departamento de ventas de un fabricante de materiales de

empaque tiene registrada una lista de las quejas que se han
recibido durante el ltimo mes.
Pgina 53
Tipo de queja No. Total Composicin Porcentaje

de Acumulado Porcentual Acumulado
quejas
A) Entregas fuera de tiempo 25 25 35.71 35.71
B) Calibre fuera de especificaciones 23 48 32.85 68.56
C) Material sucio y maltratado 7 55 10 78.56
D) Material mal embalado 6 61 8.57 87.13

E) Dimensiones fuera de
especificaciones 3 64 4.28 91.41
F) Inexactitud en cantidades 2 66 2..85 94.26
G) Mala atencin del personal 1 67 1.42 95.68
H) Maltrato del material por 1 68 1.42 97.7
I) Fallas en documentacin 1 69 1.42 98.52
J) Producto con cdigos 1 70 1.4 99.94
Pgina 54
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Figura 2.12 Diagrama de Pareto
Pgina 55
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos
de enfocarnos primero a resolver.
Ejemplo 2.9 Diagrama de Pareto en Minitab

Capture los datos en la columna C1 (tipo de defecto), en la columna C2
(frecuencias)
Seleccione: Stat>Quality Tools>Pareto Chart
Escoja la opcin Chart defects table , en el campo labels in seleccione: C1
y en Frecuncies in seleccione: C2. Combine defects alter the first 80%.
Clic en OK
El sistema despliega la grfica de Pareto:
Fig. 2.10 Diagrama de Pareto en Minitab
En la grfica observamos que aproximadamente el 80% de los efectos es debido

a los defectos A,B y C (causas)
EJERCICIO 2.13: Realizar un diagrama de Pareto con los
defectos de una lnea productiva o una estacin de servicio
Pgina 56
2.4.3 LLUVIA DE IDEAS DE IDEAS (BRAINSTORMING)
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la

participacin de todo el equipo.
Para comenzar con el proceso de tormenta de ideas, en el cual se genera

informacin la gente se rene en una sala en la cual se recomienda la disposicin
de las mesas en forma de U para facilitar el debate. La gente que participa en la
sesin deber de pertenecer a diferentes reas o tener puntos de vista diferentes,
esto con el objeto de enriquecer la sesin.
El facilitador debe de contar con experiencia en la conduccin de sesiones de

tormentas de ideas, o al menos haber tenido experiencias previas.
Para conducir un grupo se lleva a cabo la siguiente metodologa:
1. Seleccionar el problema a tratar.

2. Pedir a todos los miembros del equipo generen ideas para la solucin del
problema, las cuales se anotan en el pizarrn sin importar que tan buenas o
malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
4. Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar ms ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este punto el
objetivo es tener mayor cantidad de ideas as existirn mayores posibilidades
de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar las
sugerencias de otros.
Pgina 57
7. Una vez que se tengan un gran nmero de ideas el facilitador procede a

agrupar y seleccionar las mejores ideas por medio del consenso del grupo de
trabajo.
8. Las mejores ideas son discutidas y analizadas con el fin del proponer una
solucin.
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa),
Diseo de experimentos, pruebas de confiabilidad, etc.
EJERCICIO 2.14: Realizar una lluvia de ideas para solucionar

el problema de llegar a tiempo a algn lugar.
Pgina 58
2.4.4 DIAGRAMA CAUSA-EFECTO (ISHIKAWA)
El diagrama causa-efecto, tambin llamado espina de pescado por la semejanza

de su forma, tambin es conocido por diagrama de Ishikawa.
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de

un problema (efecto) o de una condicin especfica en las caractersticas de un
proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada

y completa todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la bsqueda de las
verdaderas causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a travs de

un consenso, un diagrama de Pareto, otro diagrama o tcnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan el
problema.
3. Dibuje el diagrama:
- Coloque en un cuadro a la derecha la frase que identifique el efecto

(caracterstica de calidad)
- Trace una lnea horizontal hacia la izquierda del cuadro que contiene la
frase. A esta lnea se le conoce como columna vertebral.
- Coloque lneas inclinadas que incidan en la columna vertebral (causas
principales).
- Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas
conforme a la clasificacin de las causas (causas secundarias)
Pgina 59
- Dibuje lneas inclinadas que incidan en las lneas de las causas

secundarias (causas terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:

- Causas principales.
- Causas secundarias.
- Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Ejemplo 2.1526
En una fbrica de componentes electrnicos se detectaron

fallas en la lnea de ensamble al realizar la prueba de un
circuito, por lo cual se procedi a realizar una
investigacin utilizando el diagrama causa-efecto.
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales Ms:
Mquinas
Mano de obra
Mtodos
Materiales
Mediciones
Medio ambiente
26
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Daz de Santos,1995
Pgina 60
Estas constituyen las causas primarias del problema y es necesario desafiarlas

para encontrar causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a
partir de estas causas se agrupan las causas secundarias y terciarias derivadas
de la lluvia de ideas.
MEDICIONES MAQUINAS MANO DE OBRA
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MTODOS MATERIALES
Figura 2.11 Diagrama de causa efecto
El equipo analiza cada causa y por medio de eliminacin y consenso determina

cuales son las verdaderas causas que estn ocasionando el problema. Una vez
determinada las causas se realiza un anlisis Why-Why Why? El cual consiste en
preguntarnos tres veces por qu?, para encontrar la causa raz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (Ms):

mediciones, mquinas, mano de obra,medio ambiente, mtodos y materiales. Es
posible realizar este diagrama con causas primarias diferentes a las Ms, ej:
Pgina 61
Problema: Por que la versin del sistema Abacab, no satisface los

requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Polticas y procedimientos del sistema

Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad
Ejemplo 2.16 Diagrama de Causa Efecto en Minitab
Capture los datos en la columna C1 (tipo de defecto), en la columna C2

(frecuencias)
Seleccione: Stat>Quality Tools>Cause and Effect Diagram
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a

los conceptos de Personal, Mquinas, Materiales, Mtodos, Mediciones y
Medio ambiente.
Introducir los datos en la pantalla de entrada, indicando el problema en

Effect y aceptar con OK.
EJERCICIO 2.17: Realizar un diagrama de Ishikawa para

solucionar el problema de llegar a tiempo a la universidad
Pgina 62
2.4.5 CARTA DE TENDENCIAS
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Ejemplo 2.18:
Se tienen los datos siguientes de errores de planeacin de la
produccin durante 15 semanas: Se puede hacer en Minitab con Stat,
Semana
Quality Tools, Run Chart, Subgroup size =1 % errores Semana % errores
1 0.15 9 0.04
2 0.04 10 0.05
3 0.08 11 0.07
4 0.07 12 0.04
5 0.04 13 0.02
6 0.05 14 0.03
7 0.01 15 0.01
8 0.03
Permite observar el comportamiento de los datos durante un periodo de tiempo
determinado. Ejercicio 2.19: hacer una carta de tendencias con
datos reales de alguna situacin particular.
Fig. 2.12 carta de tendencias
Pgina 63
2.4.6 MAPA DE PROCESOS / DIAGRAMA DE FLUJO
Dentro de los sistemas de calidad resulta de gran utilidad representar la

estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
Proveen una secuencia grfica de cada uno de los pasos que componen una
operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y
comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de
documentacin, incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la
variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
Operacin de transformacin: de la cual resulta un cambio

fsico o qumico del producto.
Inspeccin: Verificacin de alguna caracterstica mediante un

estandar de calidad prestablecido.
Pgina 64
Transporte: Movimiento fsico del producto o un componente.
Demora: Indica la necesidad de un periodo de inactividad en

espera de operacin inspeccin o transporte.
Almacenamiento: Mantener un producto en almacenamiento

hasta
que contine su procesamiento o sea vendido.
Figura 2.13 Smbolos empleados en diagramas de flujo
Pasos para la elaboracin de un diagrama de flujo
1. Describir el proceso a evaluar: Es importante comenzar con los procesos

que se consideran de mayor impacto en la organizacin.
2. Definir todos los pasos que componen un producto o servicio: Existen

diferentes maneras de hacerlo. Una de ellas consiste en que el equipo de
trabajo anote en tarjetas los diferentes pasos que conforman el proceso,
con este mtodo el equipo puede arreglar y ordenar los pasos del proceso.
Otra manera de hacerlo es mediante el uso de programas de diagramas de
flujo en computadoras, de esta manera se tiene mayor flexibilidad que en el
mtodo anterior y se ahorra bastante tiempo.
Cada paso deber de ser discutido y analizado a detalle utilizando la
pregunta por qu se hace de esta manera?
3. Conectar las actividades: Cuando los pasos que componen el proceso

han sido descritos se construye el diagrama de flujo, conectando las
Pgina 65
actividades mediante flechas, cada smbolo debe describir la actividad que

se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como ideal

las siguientes preguntas pueden servir de gua:
Existen pasos demasiado complejos?
Existe duplicidad o redundancia?
Existen puntos de control para prevenir errores? deberan de existir?
El proceso funciona en la manera en la cual debera de hacerse?
Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante
tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan
valor y los que no agregan se puede llevar a cabo una simplificacin
sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se

dan a conocer a las personas involucradas en el proceso y se verifica su
efectividad.
Pgina 66
Diagrama de flujo: Una visita a la farmacia 27
Ejemplo 2.20 Operacin: despacho de una frmula.
EVENTO SMBOL TIEMP DISTANCI

O O A (pies)
(min.)
Abrir la puerta, caminar hacia el rea de la 0.8 50
farmacia del almacn.
Esperar para ser atendido. 1
Sacar la frmula de la billetera o del bolsillo 0.4

y entregarla al dependiente.
Esperar hasta cuando el dependiente 10
despache la frmula y calcule el valor.
Sacar la tarjeta de crdito de la billetera y 0.4
entregarla al dependiente.
Esperar que el dependiente diligencie el 1
desprendible de la tarjeta de crdito.
Verificar el desprendible 0.2
Firmar el desprendible 0.1
Esperar el desprendible y el medicamento 0.3
Colocar la tarjeta y el desprendible dentro de 0.2

la billetera
Recoger el medicamento y caminar de 0.8 50
regreso hasta la puerta
Diagrama de flujo de tiempo sin valor.
Es utilizado para detectar cuales son las actividades que agregan valor al proceso
y las que no agregan valor.
27
Adaptado de Hamid Noori/Russell Radford, Administracin de Operaciones y produccin, Ed. Mc.Graw
Hill Pp.282
Pgina 67
Pasos para realizarlo:

Dibujar una lnea horizontal para representar el tiempo total que se ocupa en el
proceso.
Relacione todos los pasos del proceso detalladamente, despus decida si el
paso tiene valor para el cliente.
Dibujar una lnea vertical fina que represente el tiempo que se requiere para
completar el paso.
Dibjela arriba de la lnea, si representa valor agregado, o debajo si no lo
representa.
En cada lnea vertical seale el paso del proceso.
Puede dibujar una barra con el tiempo de valor agregado como porcentaje de
tiempo total del proceso.
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo 2.21
Visita al consultorio mdico
Espera Espera
Diagrama de Flujo Fsico
Pasos para realizarlo:
Pgina 68
Dibuje el esquema fsico de su rea de trabajo, incluyendo estaciones de trabajo,

reas de espera, reas de mquinas, etc.
Use flechas para delinear el flujo de la parte dentro del rea. Cada flecha debe
delinear un paso del proceso.
Ventajas
Muestra el nmero de movimientos para completar el proceso.

Muestra la complejidad del flujo y las curvas.
Puede aadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin
valor agregado Vs tiempo con valor agregado.
Edificio A
Edificio B
Figura 2.14 Ejemplo de diagrama de flujo fsico
EJERCICIO 2.22: Realizar un diagrama de flujo de un proceso
Pgina 69
2.4.7 DIAGRAMAS DE DISPERSIN
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la

relacin entre dos variables. Por ejemplo, entre una caracterstica de calidad y un
factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una

comprensin ms profunda del problema planteado.
La relacin entre dos variables se representa mediante una grfica de dos

dimensiones en la que cada relacin est dada por un par de puntos (uno para
cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del

eje vertical y es la variable efecto.
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva,

significa que un aumento en la variable causa x provocar una aumento en la
variable efecto y y si es negativa significa que una disminucin en la variable x
provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin
pueden estar muy cerca de la lnea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El ndice que se utiliza para medir ese grado de
cercana de los puntos con respecto a la lnea recta es la correlacin. En total
existen cinco grados de correlacin: positiva evidente, positiva, negativa evidente,
negativa y nula.
Pgina 70
Accidentes laborales

Correlacin

positiva,

posible

Numero de rdenes urgentes
Figura 2.22 Diagrama de dispersin
Pgina 71
Figura 2.23 Diferentes tipos de correlacin

Tipos de correlacin
Correlacin Positiva Correlacin Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlacin 0
0 5 10 15 20 25
X 25 X
20
15
Correlacin 10
Y
5
Correlacin
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Pgina 72
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal

sera y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b de
tal forma que se minimice la distancia total entre puntos y la recta. Los clculos
son:
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
El ndice de correlacin (r) se puede calcular estadsticamente mediante las

ecuaciones que a continuacin se presentan
SCxy
r
SCx SCy
x y
SCxy xy n
SCx x 2

x 2
SCy y 2

y 2
n
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
Pgina 73
x 2
Sumatoria de los valores de la variable x al cuadrado
y 2
Sumatoria de los valores de la variable y al cuadrado
xy Sumatoria del producto de xy
x 2
Cuadrado de la sumatoria de la variable x
y 2
Cuadrado de la sumatoria de la variable y
n = nmero de pares ordenados (pares de datos x, y)
El factor de correlacin es un nmero entre 1 (correlacin negativa evidente) y +1

(correlacin positiva evidente), y r = 0 indicara correlacin nula.
La correlacin se utiliza para cuantificar el grado en que una variable provoca el
comportamiento de otra. Por ejemplo si se encuentra que la variable temperatura
tiene una correlacin positiva con el porcentaje de artculos defectuosos, se deben
buscar soluciones al problema de los artculos defectuosos mediante acciones
asociadas con la variable temperatura; de lo contrario, sera necesario buscar la
solucin por otro lado.
Observacin No. Latas, x tiempo, y x^2 y^2 xy
1 2.00 9.95 4.00 99.00 19.90
2 8.00 24.45 64.00 597.80 195.60
Ejemplo 2.23:
3 11.00 31.75 121.00 1,008.06 349.25
4 10.00 35.00 100.00 1,225.00 350.00
5 8.00 25.02 64.00
Un ingeniero que trabaja con botellas de refresco investiga 626.00 200.16
6 4.00 16.86 16.00 284.26 67.44
la distribucin
7 del producto
2.00 14.38y las operaciones
4.00 del servicio
206.78 28.76
8
de ruta para 2.00
mquinas 9.60
vendedoras. El 4.00
sospecha 92.16 19.20
que el tiempo
9 9.00 24.35 81.00 592.92 219.15
requerido 10
para cargar
8.00
y servir
27.50
una mquina
64.00
se relaciona
756.25
con
220.00
el nmero 11 de latas
4.00 entregadas
17.08del producto.
16.00 Se291.73
selecciona 68.32
una
12 11.00 37.00 121.00 1,369.00 407.00
muestra aleatoria de 25 expendios al menudeo que tienen
13 12.00 41.95 144.00 1,759.80 503.40
mquinas14vendedoras2.00 y se observa
11.66 para 4.00
cada expendio
135.96 el tiempo
23.32
15
de solicitud- 4.00
entrega 21.65
(en minutos) y 16.00
el volumen 468.72 86.60
del producto
16 4.00 17.89 16.00 320.05 71.56
entregado 17 (en latas).
20.00 Calcular
69.00 el coeficiente
400.00 de
4,761.00correlacin
1,380.00
18 1.00 10.30
y graficar. Los datos se muestran a continuacin: 1.00 106.09 10.30
19 10.00 34.93 100.00 1,220.10 349.30
20 15.00 46.59 225.00 2,170.63 698.85
21 15.00 44.88 225.00 2,014.21 673.20
22 16.00 54.12 256.00 2,928.97 865.92
23 17.00 56.63 289.00 3,206.96 962.71
Pgina 74
24 6.00 22.13 36.00 489.74 132.78
25 5.00 21.15 25.00 447.32 105.75
TOTALES 206.00 725.82 2,396.00 27,178.53 8,008.47
Utilizando las ecuaciones para obtener el coeficiente de correlacin tenemos:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia

estadstica para afirmar que el tiempo de entrega esta relacionado con el nmero
de latas.
Pgina 75
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Figura 2.24 Diagrama de dispersin con tendencia
En la grfica observamos que al aumentar el nmero de latas el tiempo de

entrega aumenta.
Para realizar el grfico de dispersin en Excel realice el siguiente

procedimiento:
1. Seleccione el icono asistente para grficos.

2. Seleccione el tipo de grfico xy(dispersin), y subtipo de grfico: dispersin,
compara pares de valores.(siguiente)
3. En la pestaa rango de datos seleccione los valores de x y y de la tabla de
datos. En la pestaa serie agregue el titulo, el rango de valores x, y se da
por de fault al haber seleccionado el rango de datos .(siguiente)
4. Ponga el titulo del grfico y eje de valores x y y de la tabla de datos. En esta
pantalla puede agregar lneas de divisin al grfico y otras opciones
(siguiente) (finalizar)
Pgina 76
5. Para realizar algn cambio, por ejemplo en la escala haga clic en la escala
de valores y aparecer un men que le permitir realizarlos.
Para determinar la funcin de regresin y correlacin en Minitab se siguen los

pasos siguientes (despus de cargar los datos correspondientes a X y a Y en las
columnas C1 y C2):
Minitab > Stat >Regresin ... Indicar la columna de Respuestas Y y la de

predictores X y aceptar con OK. Observar el valor del coeficiente de correlacin y
de determinacin.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en

Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de
predictores X, seleccionar si se quiere ajustar con los datos con una lnea, una
funcin cuadrtica o cbica y aceptar con OK. Observar el mayor valor del
coeficiente de correlacin que indica el mejor ajuste.
EJERCICIO 2.24: Realizar un diagrama de dispersin.
Pgina 77
2.5 IMPLEMENTACIN DEL CEP
El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta

exitosamente, ya que permite la mejora continua a travs de la reduccin de la
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora

continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as

como evaluar los avances y comunicarlos a la organizacin, lo cual puede motivar
a mejorar otros procesos.
Los elementos recomendados para un programa de CEP exitoso son:
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 78
3. CARTAS DE CONTROL POR VARIABLES
3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
LIE MEDIA LSE LIE MEDIA LSE LIE MEDIA LSE
MEDIA Y DESV. ESTANDAR MEDIA CORRIDA DESVIACION ESTANDAR

EN NIVELES NORMALES MAYOR A LA REQUERIDA
Fig. 3.1 Estados posibles de un proceso en control
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
Asumiendo que una caracterstica de calidad est distribuida normalmente con

media y desviacin estndar ambas conocidas. Si x1, x2, .... xn forman una
muestra de tamao n entonces se puede calcular la media de la muestra X .
Ahora como las medias de las muestras estn normalmente distribuidas con
media Xi = / n , y siendo que la probabilidad 1- de que cualquier media

muestral caer entre los lmites:
Pgina 79

Z / 2 X Z / 2 (3.1)
n
y

Z / 2 X Z / 2
n
Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero si

estable.
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras

preliminares o subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente. Si
se tienen m subgrupos, la gran media se calcula como sigue:
X i
(3.2)
X i 1
m
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
R = xmax xmin (3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
R i
(3.4)
R i 1
Pgina 80
DESARROLLO DE LA FORMULA PARA LOS LMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviacin estndar

como sigue:
W=R/ (3.5)
Los parmetros de la distribucin de W son funcin de n. La media de W es d2.

Por tanto un estimador de es R / d2 , donde d2 est tabulado para diferentes
valores de n, de esta forma si R es el rango promedio de las primeras muestras,
usando:
R
(3.6)
d2
Los lmites de control de la carta de medias son:
3R
LSC X Lmite superior de control (LSC)
d2 n
3R
LIC X Lmite inferior de control (LIC) (3.7)
d2 n
X Lnea central (LC)
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Pgina 81
Para el caso de los rangos, la lnea central es R . El estimador para R puede

hallarse de la distribucin del rango relativo W = R / , si la desviacin estndar de
W es d3 en funcin de n, se tiene:
R=W (3.9)
La desviacin estndar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
De esta forma los lmites de control para el rango son:
R d3
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 ] = D4 R
d2 d2
(3.11)
R d3
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en funcin de n para

facilitar el clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R

n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Pgina 82
Para valores pequeos de n, el rango es un buen estimador de la varianza tal

como lo hace la varianza de la muestra S 2. La eficiencia relativa del mtodo del
rango a la S2 se muestra abajo:
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y

grafican los lmites de control preliminares para determinar si el proceso estuvo en
Pgina 83
control (ver procedimiento de Grficas de Control). Para probar esta hiptesis, se

analizan todos los puntos graficados y se hace un anlisis para identificar si hay
puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de

anormalidad presente, se determina la causa especial de la anormalidad, se
toman acciones correctiva para que no vuelva a presentar, se eliminan los puntos
correspondientes al patrn de anormalidad y se re-calculan o revisan los lmites de
control. Se analiza la carta de control para observar un comportamiento aleatorio,
si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez teniendo
todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de

anormalidad o puntos fuera de control, no se eliminan y se consideran para la
determinacin de los lmites de control revisados para el control futuro del proceso.
INTERPRETACIN DE CARTAS DE CONTROL X R
Se debe iniciar con la interpretacin de la carta R, identificando causas especiales

y despus analizar la carta X . Adems de la situacin de un punto fuera de
control, se tienen otros patrones de anormalidad como los siguientes:
Patrones cclicos: Puede ser ocasionado por cambios ambientales, fatiga del
operador, o fluctuaciones en las presiones u otras variables del proceso.
Pgina 84
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o

fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en
mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Pgina 85
Una tendencia ascendente o descendente: Son causadas por deterioracin

gradual de herramientas u otro componente crtico del proceso, en los procesos
qumicos puede deberse a la separacin de algn componente.
LSC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Estratificacin: Se muestra como una adhesin a la media, puede ser causado por
lmites mal calculados, tomar piezas de procesos diferentes o falta de resolucin
del equipo de medicin.
LSC
LC
LIC
Fig. 3.7 Patrn de anormalidad de estratificacin
Por lo general la carta R es ms sensible a cambios en la normalidad de los

procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Pgina 86
En resumen los patrones de anormalidad ms comunes son:

- Un punto fuera de los lmites de control
- Siete puntos formando una tendencia ascendente o descendente
- Dos de tres puntos a ms de dos sigma de la lnea central en el mismo lado
- Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
- Siete puntos en secuencia sobre o bajo la lnea central
- Catorce puntos alternndose arriba y debajo de la media
- Quince puntos dentro de una sigma de la lnea central en ambos lados
- Cualquier otro patrn de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automvil,

se desea establecer un control estadstico para el dimetro
interno de los anillos, a travs de una carta de medias-
rangos. Se toman 25 subgrupos de 5 piezas cada uno.
El anlisis se inicia con la carta R ya que los lmites para

la carta X dependen de la variabilidad del proceso, y a
menos que esta variabilidad se encuentre en control, esos
lmites tendrn poco significado.
De las cartas de control se calcula un rango promedio R de

0.023mm (ver tabla de constantes para D3 y D4 con n=5):
LICR = R D3 = 0.023 (0) = 0

LSCR = R D4 = 0.023 (2.115) = 0.049
Si la carta de control para R se encuentra en control

estadstico, se puede ahora calcular los lmites para la
carta X donde la lnea central X es 74.001 (ver tabla de
constantes para obtener el valor de A2 con n=5).
Pgina 87
LSC = X + A2 R = 74.001 + (0.577) (0.0023) = 74.014

LIC = X - A2 R = 74.001 - (0.577) (0.0023) = 73.988
Si no se observan condiciones fuera de control en la carta X

. Si ambas cartas estn en control, se puede concluir que el
proceso est en control y se pueden adoptar los lmites
actuales para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensin crtica de una

parte, con el proceso corriendo normalmente, en 25 subgrupos
de tamao n=5, uno cada hora:
X11 X12 X13 X14 X15 Mediasa Rangosa Desv. Est.

138.1 110.8 138.7 137.4 125.4 130.08 27.9 12.1019
149.3 142.1 105.0 134.0 92.3 124.54 57.0 24.6583
115.9 135.6 124.2 155.0 117.4 129.62 39.1 16.1775
118.5 116.5 130.2 122.6 100.2 117.60 30.0 11.0515
108.2 123.8 117.1 142.4 150.9 128.48 42.7 17.7420
102.8 112.0 135.0 135.0 145.8 126.12 43.0 17.9458
120.4 84.3 112.8 118.5 119.3 111.06 36.1 15.2448
132.7 151.1 124.0 123.9 105.1 127.36 46.0 16.6649
136.4 126.2 154.7 127.1 173.2 143.52 47.0 20.1630
135.0 115.4 149.1 138.3 130.4 133.64 33.7 12.3062
139.6 127.9 151.1 143.7 110.5 134.56 40.6 15.8568
125.3 160.2 130.4 152.4 165.1 146.68 39.8 17.8672
145.7 101.8 149.5 113.3 151.8 132.42 50.0 23.1669
138.6 139.0 131.9 140.2 141.1 138.16 9.2 3.6363
110.1 114.6 165.1 113.8 139.6 128.64 55.0 23.5081
145.2 101.0 154.6 120.2 117.3 127.66 53.6 21.8355
125.9 135.3 121.5 147.9 105.0 127.12 42.9 15.9772
129.7 97.3 130.5 109.0 150.5 123.40 53.2 20.6947
123.4 150.0 161.6 148.4 154.2 147.52 38.2 14.4185
144.8 138.3 119.6 151.8 142.7 139.44 32.2 12.1146
.
Pgina 88
Los clculos y grficas se hicieron utilizando

el paquete MINITAB y se muestran a continuacin.
Las cartas de control quedan como sigue:

El proceso se observa en control estadstico, con estos
lmites de control calculados, se contina corriendo el
proceso para otros 10 datos con el comportamiento siguiente:

131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461
154.8 170.2 168.4 202.7 174.4 174.10 47.9 17.5943
157.5 154.2 169.1 142.2 161.9 156.98 26.9 9.9693
216.3 174.3 166.2 155.5 184.3 179.32 60.8 23.2220
186.9 180.2 149.2 175.2 185.0 175.30 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51.0 18.8798
178.2 186.7 142.4 159.4 167.6 166.86 44.3 17.1516
162.6 143.6 132.8 168.9 177.2 157.02 44.4 18.3454
172.1 191.7 203.4 150.4 196.3 182.78 53.0 21.5062
tas de control quedan como sigue:

El proceso se observa en control estadstico, con estos
lmites de control calculados, se contina corriendo el
proceso para otros 10 datos con el comportamiento siguiente:

131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461
154.8 170.2 168.4 202.7 174.4 174.10 47.9 17.5943
157.5 154.2 169.1 142.2 161.9 156.98 26.9 9.9693
216.3 174.3 166.2 155.5 184.3 179.32 60.8 23.2220
186.9 180.2 149.2 175.2 185.0 175.30 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51.0 18.8798
178.2 186.7 142.4 159.4 167.6 166.86 44.3 17.1516
162.6 143.6 132.8 168.9 177.2 157.02 44.4 18.3454
172.1 191.7 203.4 150.4 196.3 182.78 53.0 21.5062
Pgina 89
Test Results for Xbar Chart

TEST 1. One point more than 3.00 sigmas from center line.
Test Failed at points: 21 22 23 24 25 26 27 28 29 30
TEST 2. 9 points in a row on same side of center line.

Test Failed at points: 27 28 29 30
TEST 5. 2 out of 3 points more than 2 sigmas from center line

(on one side of CL).
TEST 6. 4 out of 5 points more than 1 sigma from center line

Test Failed at points: 22 23 24 25 26 27 28 29 30
TEST 8. 8 points in a row more than 1 sigma from center line

(above and below CL).
Test Failed at points: 26 27 28 29 30
Test Results for R Chart
Suponiendo que se identificaron las causas asignables

responsables de los puntos fuera de control identificados en
la carta de medias y que se hicieron ajustes al proceso para
corregirlo, se tomaron otros diez datos con los resultados
siguientes:
Pgina 90
X11 X12 X13 X14 X15 Mediasa Rangosa

131.5 143.1 118.5 103.2 121.6 123.58 39.9
111.0 127.3 110.4 91.0 143.9 116.72 52.9
129.8 98.3 134.0 105.1 133.1 120.06 35.7
145.2 132.8 106.1 131.0 99.2 122.86 46.0
114.6 111.0 108.8 177.5 121.6 126.70 68.7
125.2 86.4 64.4 137.1 117.5 106.12 72.7
145.9 109.5 84.9 129.8 110.6 116.14 61.0
123.6 114.0 135.4 83.2 107.6 112.76 52.2
85.8 156.3 119.7 96.2 153.0 122.20 70.5
107.4 148.7 127.4 125.0 127.2 127.14 41.3
Las cartas de control quedan como sigue:
Se identifican las siguientes situaciones anormales:

Test Failed at points: 26
TEST 2. 9 points in a row on same side of center line.

Test Failed at points: 29 30
TEST 5. 2 out of 3 points more than 2 sigmas from center line

Test Failed at points: 28
TEST 6. 4 out of 5 points more than 1 sigma from center line

Test Failed at points: 26 27 28 29
Identificando las causas y tomando acciones preventivas, se

eliminan los ltimos cinco puntos que ocasionan que la carta
de control de medias salga de control, ahora las cartas
quedan en control estadstico como sigue:
Pgina 91
Pgina 92
Ejemplo 3.3 Se considera otro ejemplo con los datos

individuales siguientes, procesados con el paquete Minitab:
X1 X2 X3 X4 X5 HORA Medias Rangos

-30 50 -20 10 30 1 8 80
0 50 -60 -20 30 2 0 110
-50 10 20 30 20 3 6 80
-10 -10 30 -20 50 4 8 70
20 -40 50 20 10 5 12 90
0 0 40 -40 20 6 4 80
0 0 20 -20 -10 7 -2 40
70 -30 30 -10 0 8 12 100
0 0 20 -20 10 9 2 40
10 20 30 10 50 10 24 40
40 0 20 0 20 11 16 40
30 20 30 10 40 12 26 30
30 -30 0 10 10 13 4 60
30 -10 50 -10 -30 14 6 80
10 -10 50 40 0 15 18 60
0 0 30 -10 0 16 4 40
20 20 30 30 -20 17 16 50
10 -20 50 30 10 18 16 70
50 -10 40 20 0 19 20 60
50 0 0 30 10 20 18 50
La grficas quedan como sigue:
Pgina 93
La carta de prueba de rachas queda como sigue, indicando un proceso normal:
Pgina 94
Pgina 95
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso

est en Control Estadstico.
Pgina 96
.
CAPACIDAD O HABILIDAD DEL PROCESO
Una vez que se tiene un proceso en control estadstico, se puede estimar su

capacidad o habilidad, tomando como referencia la desviacin estndar del
proceso estimada .
Ejemplo 3.3 (continuacin..)

R 0.023
= = = 0.0099
d2 2.326
Donde el valor de d2 se encuentra en las tablas de constantes
para una n=5. Si la especificacin de los anillos de pistones
es de 74.000 0.05 mm, se tienen como lmites inferior y
superior de especificaciones los siguientes:
LIE = 73.950
Pgina 97
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y

superior (LTNI y LTNS) se encuentran a 3-sigma del proceso
por abajo y por arriba de la media del proceso, o sea en:
LTNS = X + 3 = 74.001 + 3 (0.0099) = 74.0307

LTNI = X - 3 = 74.001 - 3 (0.0099) = 73.9713
LIE LTNI MEDIA LTNS LSE

Fig. 3.8 Localizacin de Lmites de especificaciones y
naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran

dentro de los lmites de especificacin, por tanto en principio no se observa que
haya partes fuera de especificaciones.
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o

PCR) siendo:
LSE LIE
Cp = (3.12)
6
74.05 73.95 0.10

Cp = 1.68
6(0.0099) 0.05984
Se pueden presentar tres casos:
Pgina 98
Caso 1. Si Cp es menor que 1, implica que la banda entre los lmites de tolerancia
naturales es mayor que la banda permitida por los lmites de especificacin.
LTNI LIE LSE LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE LSE
LNTI LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los lmites de tolerancia
natural del proceso, es menor que la banda permitida por las especificaciones.
LIE LTNI LTNS LSE
La fraccin de la banda de las especificaciones utilizada por el proceso se estima

como sigue:
P = (1 / Cp) 100% (3.13)
Pgina 99
P = (1 / 1.68) 100% = 59.2%
Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.
Se puede estimar la fraccin de anillos no conformes

producidos, con ayuda de la distribucin normal, como sigue:
p = P { x < 73.950 } + P { x > 74.001 }

73.950 74.001 74.050 74.001
=
0.0099 0.0099
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln
(ppm) de los anillos producidos estarn fuera de
especificaciones.
Pgina 100
Ejemplo 3.2 (continuacin...). Para la carta de control de

las medias, despus de haber eliminado las causas especiales
y tomado acciones para prevenir su recurrencia, se tiene el
clculo de habilidad como sigue:
Pgina 101
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la

capacidad o habilidad del proceso, una vez estable:
Pgina 102
Para el clculo de otros ndices que toman en cuenta la posicin de la media,

revisar el captulo de capacidad del proceso o el procedimiento de cartas X R.
REVISIN O RE-CLCULO DE LA LNEA CENTRAL Y LMITES DE CONTROL
Los lmites de control calculados como lmites preliminares, deben ser revisados
en forma peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos
dependiendo del proceso en particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la

media del proceso X se acerque cada vez ms a la media de las
especificaciones (en caso de ser bilaterales) o se aleje lo ms posible de la
especificacin (en caso de ser unilateral).
En cada carta de control X o R es necesario identificar las causas especiales que

originen condiciones fuera de control, tomar acciones correctivas para prevenir su
reincidencia, eliminar esos puntos tanto en la carta X como en la carta R y
recalcular los lmites de control, para usarse en el control futuro del proceso.
LMITES DE CONTROL, DE ESPECIFICACIN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relacin matemtica entre los
lmites de especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por

ingenieros de manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando slo su
Pgina 103
variabilidad aleatoria y maximizando la posibilidad de detectar corridas en la media

del proceso en funcin del tiempo.
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al

tiempo y la carta R monitorea la variabilidad interna entre muestras en un tiempo
dado.
CAMBIO DE TAMAO DE MUESTRA

Cuando el proceso ya mostr estabilidad durante un periodo largo de tiempo, es
posible reducir el esfuerzo y costo de control a travs de reducir el tamao de
muestra. Los lmites de control se pueden recalcular sin tomar muestras
adicionales como sigue:
R ant rango promedio para el tamao de subgrupo anterior

R nuevo rango promedio para el tamao de subgrupo nuevo
nant = tamao de subgrupo anterior
nnuevo = tamao de subgrupo nuevo
d2 ant = factor d2 para el tamao de subgrupo anterior
d2 nuevo = factor d2 para el tamao de subgrupo nuevo
Los nuevos lmites de control para la carta X son (seleccionando A2 en base al

nuevo tamao de subgrupo nnueva , la lnea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant (3.14)
LICX = X - A2 [d2 nuevo / d2 ant ] R ant
Para el caso de la carta R los nuevos lmites de control son (seleccionando D 3 y D4

para el nuevo tamao de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant (3.15)
LCR = R nuevo [d2 nuevo / d2 ant ] R ant
LICR = max { 0, D3 [d2 nuevo / d2 ant ] R ant }
Pgina 104
Si en Ejemplo 3.1 de trabajo se quisiera cambiar de n=5 a

n=3, se tendra:
De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva =

1.693, A2 nueva = 1.023, por tanto los lmites nuevos son:
LSCX = 74.001 + (1.023) [ 1.693 / 2.326 ] (0.023) = 74.018

LICX = 74.001 - (1.023) [ 1.693 / 2.326 ] (0.023) = 73.984
Para la carta R, de la tabla de constantes para n=3 se tiene

D3 = 0, D4 = 2.578, por tanto:
LSCR = (2.578) ) [ 1.693 / 2.326 ] (0.023) = 0.043

LICR = (0) ) [ 1.693 / 2.326 ] (0.023) = 0.0
LCR = [ 1.693 / 2.326 ] (0.023) = 0.017
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
LIMITE SUP. ANT.

LIMITE SUP.NVO.
CARTA R
Fig. 3.9 Revisin de lmites de control cambiando de n=5 a 3
Pgina 105
Como se puede observar el efecto de reducir el tamao de muestra hace que se

incremente el ancho de los lmites de control en la carta X (porque es ms
n
pequeo con n=5 que con n=3) y se reduzca la media de R y su lmite superior en
la carta R.
LA CURVA CARACTERSTICA DE OPERACIN

La habilidad de las cartas de control X R para detectar corrimientos en la media
del proceso es indicada por su curva caracterstica de operacin (OC). Su
determinacin se muestra a continuacin.
Si en la carta para X se conoce la desviacin estndar del proceso y es
constante, cuando la media del proceso 0 cambia a otro valor 1 = 0 + k , la
probabilidad de no detectar el cambio en la primera muestra subsecuente es el
riesgo , donde:
= P { LIC <= X <= LSC 1 = 0 + k } (3.16)

dado que X N (, 2/n) y que los lmites de control son:
LSC = 0 + L / n (3.17)
LIC = 0 - L / n
La probabilidad de que un punto de X i caiga dentro de lmites de control

sabiendo que la media del proceso ya es 1, es igual a la probabilidad de que el
punto se encuentre abajo del lmite superior (LSC) menos la probabilidad de que
se encuentre abajo del lmite inferior de control (LIC). Considerando la desviacin
Estndar de las medias, o sea:
Pgina 106
+
LSC ( ZLSC, x)
Xi
LC
( ZLIC, x)
LIC
-
Fig. 3.10 Clculo del error Beta o tipo II
LSC ( 0 k ) LIC ( 0 k )
Entonces = -
/ n / n
0 L / n ( 0 k ) 0 L / n ( 0 k )
= - (3.18)
/ n / n
Donde es la distribucin normal acumulativa. La expresin anterior se reduce a:
=(Lk n )-(-Lk n ) (3.19)
Ejemplo 3.4 Para una carta X R con L=3 (lmites a 3-sigma de

medias), tamao de muestra n=5, y se desea determinar el
corrimiento a 1 = 0 + 2 en la primera muestra subsecuente
al corrimiento de la media del proceso, se tiene:
= ( 3 2 5 ) - ( - 3 2 5 )
= (-1.47) - (-7.37)
= 0.0708
Pgina 107
Este es el riesgo o la probabilidad de no detectar tal

corrimiento. La probabilidad de s detectarlo es 1- =
= 1 0.0708 = 0.9292.
Con las frmulas anteriores se construyen las curvas

caractersticas de operacin para diferentes valores de n
en funcin de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene

que = 0.75 y la probabilidad de detectar el corrimiento en
la segunda muestra se calcula como (1- ) = 0.19, y as
sucesivamente. La longitud de la corrida media es el nmero
esperado de muestras antes de que el corrimiento sea
detectado, se denomina ARL o :
1
ARL = (3.20)
1
En este caso ARL = 1 / 0.25 = 4. Es decir que el se

requieren tomar cuatro muestras antes de detectar un
corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribucin del

rango relativo W=R/. Si el valor de la desviacin estndar cuando el proceso est
en control es 0, entonces la curva OC muestra la probabilidad de no detectar un
corrimiento a un nuevo valor 1, donde 1>0 , en la primera muestra despus del
corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de detectar
este corrimiento en cada muestra subsecuente. Por tanto la carta R tiene poca
Pgina 108
sensibilidad de detectar pequeos corrimientos en sigma, para cual se debe usar

la carta S con n>10.
LONGITUD DE CORRIDA MEDIA
La longitud de corrida media para la carta de Shewhart cuando el proceso est en

control es:
ARL = 1 / P ( un punto fuera de control) = ARL0 = 1 / (3.21)
Cuando el proceso est fuera de control es:
ARL1 = 1 / ( 1 - ) (3.22)
De las grficas de ARL anexas, se observa que para detectar un corrimiento de

1.5 con n=3, se requiere un ARL1 = 3. Se puede reducir el ARL1 a 1 si se
incrementa la n=16.
3.3 CARTAS DE CONTROL PARA X y S
Estas cartas de control son recomendadas cuando:
1. El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango

pierde eficiencia por no tomar en cuenta valores intermedios).
2. El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en lugar

del rango R en cada subgrupo se calcula la desviacin estndar S.
Pgina 109
S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es

un estimador insesgado de . Si la distribucin es normal, entonces S estima a
c4 donde c4 es una constante que depende del tamao de muestra n. Adems la
desviacin estndar de S es 1 c 4 .
1/ 2
2 ( n / 2)
c4 (3.18)
n 1 ((n 1) / 2)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Para la carta S se tiene: Para la carta X se tiene:

LSCs = c4 + 3 1 c 4 = B6 LSCX = + A (3.20)
LCs = c 4 LC =
Pgina 110
LICs = c4 - 3 1 c 4 = B5 LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede

estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
1 m
S Si
m i 1
(3.21)
__
S
(3.22)
c4
Como el estadstico S /c4 es un estimador insesgado de , los parmetros de la

carta sern los siguientes:
S
LSCs = S 3 1 c 42 = B4 S (3.23)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S
c4 n
(3.24)
LCx = X
Pgina 111
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la

tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S
n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de las

medias y de las desviaciones estndar como sigue:
Pgina 112
n X i i
X i 1
m (3.25)
n
i 1
i
1/ 2

(n i 1) S
i
2
S (3.26)
m

ni m
i 1
Ejemplo 3.4 Para una carta X-S con lmites variables, se
tomaron los datos siguientes, corriendo en Minitab:
X21 Subndice
74.030 1
74.002 1
74.019 1
73.992 1
74.008 1
73.995 2
73.992 2
74.001 2
73.998 3
74.024 3
74.021 3
74.005 3
74.002 3
74.002 4
73.996 4
73.993 4
74.015 4
74.009 4
73.992 5
74.007 5
74.015 5
73.998 5
74.014 5
74.009 6
73.994 6
73.997 6
73.985 6
73.995 7
74.006 7
73.994 7
74.000 7
73.985 8
74.003 8
73.993 8
74.015 8
Pgina 113
73.998 8
74.008 9
73.995 9
74.009 9
74.005 9
73.998 10
74.000 10
73.990 10
74.007 10
73.995 10
73.994 11
73.998 11
73.994 11
73.995 11
73.990 11
74.004 12
74.000 12
74.007 12
74.000 12
73.996 12
73.983 13
74.002 13
73.998 13
74.006 14
73.967 14
73.994 14
74.000 14
73.984 14
74.012 15
74.014 15
73.998 15
74.000 16
73.984 16
74.005 16
73.998 16
73.996 16
73.994 17
74.012 17
73.986 17
74.005 17
74.006 18
74.010 18
74.018 18
74.003 18
74.000 18
73.984 19
74.002 19
74.003 19
74.005 19
73.997 19
74.000 20
74.010 20
74.013 20
73.998 21
74.001 21
74.009 21
74.005 21
Pgina 114
73.996 21
74.004 22
73.999 22
73.990 22
74.006 22
74.009 22
74.010 23
73.989 23
73.990 23
74.009 23
74.014 23
74.015 24
74.008 24
73.993 24
74.000 24
74.010 24
73.982 25
73.984 25
73.995 25
74.017 25
74.13 25
.
Test Results for S Chart
Test Failed at points: 22 Debe identificarse la causa y tomar accin preventiva.
Pgina 115
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la

S = 0.0098, por tanto los lmites de control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como mtodo alterno para n variable se puede utilizar la n si no hay mucha

variacin entre los diferentes tamaos de muestra (dentro de n 25%).
ESTIMACIN DE
El valor de la desviacin estndar puede ser estimado del valor de S como

sigue:
S

c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para
c4
n=5.
Existe una variante de las cartas de medias-desviacin estndar denominadas

cartas de medias-varianza.
Pgina 116
3.4 CARTAS PARA LECTURAS INDIVIDUALES
Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1. Cuando hay inspeccin automtica de piezas individuales.

2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de
ms de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de
medicin de laboratorio) como en procesos qumicos.
4. En plantas de proceso como las de papel, el espesor de los acabados tiene
una variabilidad muy baja a travs del rollo.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los

rangos mviles se empiezan a calcular a partir de la segunda muestra como MR i
= X i X i 1 .
Para este caso, los lmites de control para la carta X son:
MR
LSCx = X 3
d2
__
LCx = X (3.27)
MR
LICx = X 3
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se

construye una carta de lecturas individuales, donde el rango
se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m =
nmero de subgrupos.
Pgina 117
. X-ind. No.Lote
33.75 1
33.05 2
34.00 3
33.81 4
33.46 5
34.02 6
33.68 7
33.27 8
33.49 9
33.20 10
33.62 11
33.00 12
33.54 13
33.12 14
33.84 15
El proceso est en control estadstico.
Pgina 118
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR

ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
LIE 1 2 3 LSE
Reaccin de carta X-R Reaccin de carta p
Fig. 3.11 Comparacin de sensibilidad entre cartas de control
Tal vez la ventaja ms importante de la carta X-R es que proporciona un indicador

de inicio de problemas y permite al personal operativo tomar acciones correctivas
antes que se produzcan defectivos realmente, de esta forma las cartas X-R son
indicadores gua de falla, mientras que las cartas p (o c o u) no reaccionan a
menos que el proceso haya cambiado tanto que se produzcan ms defectivos.
Pgina 119
En la figura, cuando la media del proceso esta en 1 se producen pocas no

conformidades, si la media del proceso se corre hacia arriba, cuando llegue a 2 la
carta X-R habr mostrado un patrn anormal o puntos fuera de control para tomar
acciones correctivas, mientras que la carta p no reaccionar hasta que la media
del proceso se haya recorrido hasta 3, o hasta que el nmero de unidades no
conformes producidas se haya incrementado. Por tanto las cartas X-R son ms
poderosas que las cartas p.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p

requiere un tamao de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman ms tiempo. Esta consideracin es
importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde

el valor medio de la caracterstica de calidad es 50 y la
desviacin estndar es 2, para lmites de 3-sigma y
especificaciones LIE=44 y LSE=56, cuando el proceso est en
control en el valor nominal de 50, la fraccin no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a

52, la fraccin defectiva producida ser aproximadamente
0.0202, si se desea que la probabilidad de detectar este
corrimiento en la siguiente muestra subsecuente sea del 0.50,
entonces el tamao de muestra en la carta X debe ser tal que
se cumpla que el LSC sea 52 o sea:
3(2)
50 52
n
donde n=9,
Pgina 120
Si se utiliza una carta p entonces el tamao de muestra

requerido para tener la misma probabilidad de detectar el
corrimiento es:
2
k
n p (1 p )

Con k = 3, que es el ancho de los lmites de control, p =

0.0027 y es la magnitud de incremento en fraccin
defectiva o sea = 0.0202 0.0027 = 0.0175, de esta forma,
n = 79.23 80
Donde se observa que a menos que el costo de medir 9 muestras

sea mayor que 9 veces el costo de inspeccin por atributos,
las carta X es ms econmica de aplicar.
GUA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de la
carta de control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
SELECCIN DE LA CARTA DE CONTROL ADECUADA

A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
Pgina 121
2. El proceso ha estado mostrando un comportamiento inconsistente en forma

crnica.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de manufactura.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad como en industrias
reguladas.
B. Se prefiere una carta por atributos en las situaciones siguientes:

1. Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
2. El proceso es una operacin de ensamble compleja y la calidad se evala por
la ocurrencia de no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeo del proceso para revisin ejecutiva.
C. Cartas de control por lecturas individuales
1. Es inconveniente o difcil obtener ms de una medicin por muestra, o la

repeticin de muestras slo mostrar errores de medicin de laboratorio, tal
como ocurre en proceso qumicos.
2. Se cuenta con inspeccin automatizada de cada unidad de producto. Para
estos casos tambin se deben considerar las cartas de sumas acumuladas o
de media mvil ponderada.
3. Los datos disponibles son muy lentos en el tiempo, por ejemplo datos
contables mensuales.
Pgina 122
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES
Algunas de las aplicaciones de las cartas de control por variables son:
1. Mejora de procesos de proveedores. Reducir su variabilidad a travs de

centrar su proceso y tomar acciones correctivas.
2. Seleccin de equipo productivo a travs de demostracin de su capacidad
antes de su embarque.
3. Corridas cortas en talleres de manufactura. Se controla la desviacin respecto
a la media especificada, de una caracterstica especfica de calidad para
diferentes productos similares.
4. Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay
especificaciones, (2) se requiere ms imaginacin para aplicar las cartas de
control. Se usan por ejemplo para reducir el tiempo de proceso de las cuentas
por pagar (pago de cheques).
Pgina 123
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
5 1.023 0.000 2.574 1.693
6 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para lmites de control en las cartas X-S son:

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Pgina 124
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIN
Muchas caractersticas de calidad no pueden ser representadas numricamente,
denominndose atributos. En tales casos cada artculo completo se clasifica
como conforme o no conforme a especificaciones y/o estndares, es decir

como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Fig. 4.1 Cuando el producto no es funcional es no conforme,

defectivo o defectuoso. Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p

de fraccin defectiva o la np para el nmero de defectivos o de no conformes. Se
aplica a productos simples (tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se

observan en un producto, se utiliza la carta de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante.
Se aplica a productos complejos (coches, TV, cmaras de video, escritorios,
refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a
los estndares establecidos o a las especificaciones.
Fig. 4.1 El producto puede ser funcional pero puede tener

defectos o no conformidades, que pueden ser corregidas con
retrabajo o no se pueden corregir y ser desperdicio.
Pgina 125
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p
La fraccin no conforme es la relacin entre el nmero de artculos discrepantes

entre el total de artculos, se expresa como fraccin decimal, aunque tambin se
puede expresar en porcentaje. El artculo puede tener varias caractersticas de
calidad que son examinadas por un inspector, si el artculo no est de acuerdo a
los estndares, se le considera como defectuoso o no conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre

el nmero de unidades no conformes D al tamao de muestra n, o sea:
Di
pi (4.1)
ni
La distribucin de este estadstico sigue la distribucin binomial por tanto:
__
p (4.2)
p(1 p )
2p (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadstico
que mide una caracterstica de calidad, con media w y varianza w , los lmites
2
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Pgina 126
Donde L es la distancia de la lnea central hasta los lmites de control, es comn

usar L = 3.
Por tanto los lmites de control de la carta p considerando L = 3 son:
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin

defectiva pi y se grafca en la carta, mientras no se observe ningn patrn
anormal y pi se localice dentro de lmites de control, se puede concluir que el
proceso est en control, de otra forma, se concluir que la fraccin no conforme se
ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos

observados en m muestras iniciales, cada una de tamao n , por lo general se
toman 20 a 25 de estas. As si Di son unidades no conformes en la muestra i , la
fraccin defectiva de la muestra i - sima estar dada como:
pi = D i / n i = 1, 2, 3,....., m (4.6)
y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m m
Di p i
(4.7)
p i 1
i 1
mn m
Pgina 127
El estadstico p estima la fraccin desconocida p, y los lmites preliminares de

control son:
p (1 p )
LSC p p 3 (4.5) anterior
n
LC p p
p (1 p )
LIC p p 3
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situacin fuera de control se eliminan
y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo

de naranja de 6 oz., se inspecciona cada caja y se
inspecciona el sello para evitar fugas, se lleva una carta de
control para tomar acciones y mejorar el desempeo de la
maquina selladora.
Para establecer la carta de control, se toman 30 muestras de

50 piezas cada una en intervalos de una hora.
Hora No-conformidades Hora No-conformidades

1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
Pgina 128
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Como en total se encontraron 347 cajas no conformes, se

estima p como sigue:
m m
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
De la carta de control se observa que las muestras 15 y 23

estn fuera de los lmites de control, de tal forma que el
proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la

muestra 15 corresponde a el cambio de un nuevo lote de cajas
el cual fue diferente y que la muestra 23 corresponde a un
operador sin experiencia asignado temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de

las causas anteriores y calculando nuevos lmites
preliminares con los puntos 15 y 23 eliminados, se tiene con
Minitab:
LSCp = 0.3893
Pgina 129
LCp = 0.2150
LICp = 0.0407
En la grfica de lmites revisados, se observa que la muestra

21 excede el limite superior de control, sin embargo no se
encontr una causa asignable, por tanto se retiene este punto
para el clculo de los lmites preliminares. Tampoco se
observan patrones de anormalidad, la mayor racha o corrida
tiene 5 puntos sobre la lnea central, lo cual no representa
una situacin fuera de control.
De esta forma se concluye que el proceso est en control a
una p = 0.2150 adoptando los lmites preliminares para
control futuro.
Se observa que a pesar de que el proceso est en control, no se tienen presentes

problemas controlables por el operador, por tanto las causas de variabilidad son
comunes y su reduccin depende slo del control de la administracin, una vez
Pgina 130
que interviene e Ingeniera realiza una serie de ajustes a la mquina, se monitorea

la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales

durante los siguientes 3 turnos, la grfica se hizo
utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los

ajustes y una mejor atencin de los operadores.
Pgina 131
Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3 turnos,

difiere de la fraccin no conforme preliminar, con el procedimiento de prueba de
hiptesis:
H0: p1 = p2
H1: p1 > p2
Donde p1 es la fraccin no conforme de los datos preliminares

(p1 = p 1 = 0.2182) y p2 es la fraccin no conforme del periodo actual. Para estimar
p2 se toman las ltimas 24 muestras o sea:
m m
D i p i
=
133

133
0.1108
p2 i 31
i 31 (50)(24) 1200
mn m
El estadstico de prueba aproximado para probar la hiptesis anterior es:
p1 p 2
Z0 n1 p1 n 2 p 2
n1 n 2 con p
p (1 p ) n1 n 2
n1n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
p 0.1669
1400 1200
0.2150 0.1108
Z0 7.10
1 1
(0.1669)(0.8331)
1400 1200
Para un nivel de significancia del 0.05 en la distribucin normal, se encuentra que:
Z0 = 7.10 > Z.05 = 1.645
Pgina 132
Por tanto se rechaza la hiptesis H o concluyendo que hubo una reduccin en la

fraccin defectiva promedio del proceso.
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos lmites de

control, para las siguientes 40 muestras se observa una
mejora del proceso, dentro de control.
Pgina 133
Es muy importante que para identificar fcilmente las causas asignables, se lleve
una bitcora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
DISEO DE LA CARTA DE CONTROL
Determinacin del tamao de muestra:
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al
menos una unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de

hallar al menos una unidad no conforme sea al menos 0.95, si
D es el nmero de artculos no conformes, entonces:
P{ D >= 1 }>= 0.95
Con la distribucin de Poisson se encuentra que = np debe

ser mayor a 3.00, por tanto si p = 0.01, implica que el
tamao de muestra debe ser al menos de 300.
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la media
de un proceso en una cierta cantidad.
Asumiendo que la distribucin normal es una buena aproximacin a la binomial, se

selecciona n de tal forma que el lmite superior de control coincida con la fraccin
defectiva en el estado fuera de control.
Pgina 134
Entonces n debe satisfacer:
p (1 p )
L (4.8)
n
Donde L es la distancia de la lnea central a los lmites de control en desviaciones

estndar, por tanto,
2
L
n p (1 p ) (4.9)

Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de

detectar un corrimiento a p = 0.05 sea de 0.50, entonces =
0.05 0.01 = 0.04 y si L = 3-sigma, se tiene:
2
3
n= (0.01)(0.99) 56
0.04
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar
n tan grande de tal forma que el lmite inferior tenga un valor positivo, para poder
investigar la causa de generacin de muy bajas cantidades de artculos
defectuosos con objeto de identificar errores de inspeccin o de los equipos de
medicin. Se tiene:
p (1 p )
LIC p p L 0 (4.10)
n
Implica que,
(1 p ) 2
n L (4.11)
p
Pgina 135
Ejemplo 4.4, si p = 0.05 y se tienen lmites de control a 3-

sigma, el tamao de muestra ser:
0.95
n (3) 2 171
0.05
Si n>171 unidades, la carta de control tendr un lmite

inferior de control positivo.
Es importante notar que la carta de control p se basa en la distribucin normal, es

decir que la probabilidad de ocurrencia de artculos defectivos es constante y que
las unidades producidas son independientes. Si no es el caso, se debe desarrollar
una carta de control basada en el modelo de probabilidad adecuado.
Pgina 136
4.3 CARTA DE CONTROL np
En lugar de tener fracciones no conformes, si el tamao de muestra es constante,

se pueden utilizar directamente el nmero de artculos defectivos o no conformes
np, para evitarle operaciones aritmticas al operador, los parmetros de esta carta
son:
LSC np np 3 np (1 p )
LC np np (4.12)
LIC np np 3 np (1 p )
Si no se conoce el valor de p, se puede estimar con la p .

El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los ltimos 39 datos de las cajas de

concentrado de jugo de naranja, se tiene:
Pgina 137
4.4 TAMAO DE MUESTRA VARIABLE
En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin

100% de los lotes producidos en un periodo de tiempo, por tanto la muestra ser
variable. Se tiene varios mtodos para llevar una carta de control:
Mtodo 1. Lmites variables
Se calculan lmites de control para cada muestra en base en la fraccin defectiva
promedio p y su tamao de muestra con p 3 p(1 p) / ni . La amplitud de los

lmites es inversamente proporcional a la raz cuadrada del tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin

diaria, registrando la produccin total y los defectivos del
da.
n-var nodef Fra-def LSC LIC Des-est

100 12 0.120000 0.183686 0.0073347 0.0293918
80 8 0.100000 0.194093 -0.0030730 0.0328611
80 6 0.075000 0.194093 -0.0030730 0.0328611
100 9 0.090000 0.183686 0.0073347 0.0293918
110 10 0.090909 0.179582 0.0114382 0.0280240
110 12 0.109091 0.179582 0.0114382 0.0280240
100 11 0.110000 0.183686 0.0073347 0.0293918
100 16 0.160000 0.183686 0.0073347 0.0293918
90 10 0.111111 0.188455 0.0025651 0.0309817
90 6 0.066667 0.188455 0.0025651 0.0309817
110 20 0.181818 0.179582 0.0114382 0.0280240
120 15 0.125000 0.176003 0.0150173 0.0268310
120 9 0.075000 0.176003 0.0150173 0.0268310
120 8 0.066667 0.176003 0.0150173 0.0268310
110 6 0.054545 0.179582 0.0114382 0.0280240
80 8 0.100000 0.194093 -0.0030730 0.0328611
80 10 0.125000 0.194093 -0.0030730 0.0328611
80 7 0.087500 0.194093 -0.0030730 0.0328611
90 5 0.055556 0.188455 0.0025651 0.0309817
100 8 0.080000 0.183686 0.0073347 0.0293918
100 5 0.050000 0.183686 0.0073347 0.0293918
100 8 0.080000 0.183686 0.0073347 0.0293918
100 10 0.100000 0.183686 0.0073347 0.0293918
90 6 0.066667 0.188455 0.0025651 0.0309817
Pgina 138
La fraccin defectiva media se calcula como sigue:
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
Y los lmites de control se calculan como sigue:

(0.096)(0.904)
LSCp= p 3 p 0.096 3
ni
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Se observa que la muestra 11 est fuera de control.
Pgina 139
Cuando se toman lmites de control variables, el anlisis de patrones de

anormalidad no tiene sentido ya que la desviacin estndar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
Mtodo 2. Tamao de muestra promedio
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
m
n i
2450
n i 1
98
m 25
Con lmites de control basados en n 98 :
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Otra vez de la grfica se observa que el punto 11 est fuera de control.
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la

carta de control estandarizada, la lnea central es cero y los lmites de control
estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
Pgina 140
pi p
Zi
p (1 p ) (4.13)
ni
donde p (o p si no hay estndar) es la fraccin defectiva media del proceso en su

condicin de control estadstico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta

estandarizada, por medio de Minitab.
n-var nodef Frac.-def LSC LIC Desv-est. Z-Estand

100 12 0.120000 0.183686 0.0073347 0.0293918 0.81655
80 8 0.100000 0.194093 -0.0030730 0.0328611 0.12172
80 6 0.075000 0.194093 -0.0030730 0.0328611 -0.63905
100 9 0.090000 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.0280240 -0.18166
110 12 0.109091 0.179582 0.0114382 0.0280240 0.46713
100 11 0.110000 0.183686 0.0073347 0.0293918 0.47632
100 16 0.160000 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.0280240 3.06231
120 15 0.125000 0.176003 0.0150173 0.0268310 1.08084
120 9 0.075000 0.176003 0.0150173 0.0268310 -0.78268
120 8 0.066667 0.176003 0.0150173 0.0268310 -1.09326
110 6 0.054545 0.179582 0.0114382 0.0280240 -1.47925
80 8 0.100000 0.194093 -0.0030730 0.0328611 0.12172
80 10 0.125000 0.194093 -0.0030730 0.0328611 0.88250
80 7 0.087500 0.194093 -0.0030730 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.080000 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.050000 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.080000 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.100000 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
Pgina 141
90 9 0.100000 0.188455 0.0025651 0.0309817 0.12911
Esta carta tiene la ventaja de poder identificar patrones de anormalidad e

identificar curva caracterstica de operacin, lo que no puede hacerse con la carta
de lmites de control variables. Una aplicacin diferente de la manufactura sera el
control de rdenes de compra errneas para cada semana.
Pgina 142
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL
La curva OC muestra en forma grfica la probabilidad de aceptar incorrectamente

la hiptesis de control estadstico (i.e. cometer un error tipo II o ). Esta curva
proporciona una evaluacin de la sensibilidad de la carta de control, o sea la
habilidad de detectar un corrimiento en la fraccin no conforme del proceso,
desde su valor nominal p a algn otro valor p .
La probabilidad de error tipo II para la carta de control de fraccin defectiva o no

conforme es:
P{ p LSC p} P{ p LIC p} = P{D nLSC p} P{D nLIC p} (4.14)
Como D es una variable aleatoria binomial con parmetros n y p, el error puede

ser obtenido de la funcin de distribucin acumulativa (la distribucin de Poisson
se puede utilizar como una aproximacin).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error

tipo II se calcula como sigue:
P{D (50 )( 0.3697 ) p} P{D (50)(0.030) p} P{D 18.49 p} P{D 1.52 p}
Sin embargo como D debe ser un entero, se toma,
P{D 18 p} P{D 1 p}
La curva OC se construy utilizando Excel y Minitab.
NOTA: Se debe usar la distribucin de Poisson para np <=5 y

distribucin Normal en caso contrario.
A continuacin se muestran curvas OC con 3 distribuciones.
Pgina 143
CURVA OC POR BINOMIAL CURVA OC POR POISSON

LIC = 1, LSC =18, n = 50 LIC = 1, LSC =18, n =50
p P(d<=18|p) P(d<=1|p) Beta=dif np P(d<=18|p) P(d<=1|p) Beta=dif

0.01 1 0.910564687 0.089435313 0.5 1 0.90979599 0.090204
0.03 1 0.555279873 0.444720127 1.5 1 0.5578254 0.442175
0.05 1 0.279431752 0.720568248 2.5 1 0.2872975 0.712703
0.1 0.99999986 0.03378586 0.966214001 5 0.999998598 0.04042768 0.959571
0.15 0.999940418 0.002905453 0.997034965 7.5 0.999697003 0.00470122 0.994996
0.2 0.997488797 0.000192678 0.997296118 10 0.992813495 0.0004994 0.992314
0.25 0.97126684 1.0005E-05 0.971256835 12.5 0.948148253 5.031E-05 0.948098
0.3 0.859440124 4.0337E-07 0.85943972 15 0.819471712 4.8944E-06 0.819467
0.35 0.621587051 1.2349E-08 0.621587038 17.5 0.608934016 4.6453E-07 0.608934
0.4 0.335613264 2.7751E-10 0.335613263 20 0.381421949 4.3284E-08 0.381422
0.45 0.127345115 4.36961E-12 0.127345115 22.5 0.202192955 3.976E-09 0.202193
0.5 0.032454324 4.52971E-14 0.032454324 25 0.092040859 3.6109E-10 0.092041
0.55 0.005296752 2.84312E-16 0.005296752 27.5 0.036606283 3.249E-11 0.036606
CURVA OC POR NORMAL COMPARACION DE LAS

LIC = 0.0303, LSC = 0.3697, n = 50 BETAS CON 3 DECIMALES
p Sigma LSC Z-Value LIC Z Value PZLSC PZLIC Beta np BINOM POISSON NORMAL
0.01 0.014071247 25.56276589 1.442658181 1 0.925442 0.074558435 0.5 0.089 0.090 0.075
0.03 0.024124676 14.08101803 0.0124354 1 0.504961 0.495039094 1.5 0.445 0.442 0.495
0.05 0.03082207 10.37243767 -0.639152399 1 0.261362 0.738638167 2.5 0.721 0.713 0.739
0.1 0.042426407 6.356889963 -1.642844755 1 0.050208 0.949792486 5 0.966 0.960 0.950
0.15 0.050497525 4.350708304 -2.370413218 0.999993 0.008884 0.991109116 7.5 0.997 0.995 0.991
0.2 0.056568542 2.999900519 -2.999900519 0.99865 0.00135 0.997299184 10 0.997 0.992 0.997
0.25 0.061237244 1.954692815 -3.587685977 0.97469 0.000167 0.97452355 12.5 0.971 0.948 0.975
0.3 0.064807407 1.075494349 -4.161561348 0.858923 1.58E-05 0.858907423 15 0.859 0.819 0.859
0.35 0.067453688 0.292052231 -4.739548131 0.614877 1.07E-06 0.614875519 17.5 0.622 0.609 0.615
0.4 0.069282032 -0.437342829 -5.336159863 0.330931 4.76E-08 0.33093135 20 0.336 0.381 0.331
0.45 0.070356236 -1.141334502 -5.965356044 0.126865 1.22E-09 0.126865425 22.5 0.127 0.202 0.127
0.5 0.070710678 -1.842720272 -6.642561102 0.032685 1.55E-11 0.032684871 25 0.032 0.092 0.033
0.55 0.070356236 -2.562672611 -7.386694153 0.005194 7.58E-14 0.005193524 27.5 0.005 0.037 0.005
Pgina 144
La curva OC calculada con las diferentes distribuciones de

probabilidad se muestra a continuacin:
Para esta carta de control, tambin se puede calcular la

longitud de corrida media ARL.
Cuando es proceso est en control:
ARL0 = 1 /
Cuando el proceso est fuera de control:
ARL1 = 1 / (1 - )
Estas probabilidades de errores tipo I y II se pueden obtener

o por calculo de probabilidades o usando las curvas OC.
Ejemplo 4.9, suponiendo que el proceso se corre a p 1 = 0.3,

siendo su valor nominal p0 = 0.2. De la curva OC se observa
que en este caso es 0.9973 estando en control, en este caso
= 1 - = 0.0027 y el valor de ARL0 es:
ARL0 = 1 / = 1 / 0.0027 = 370
Indicando que cada 370 puntos se puede tener una falsa

alarma.
Pgina 145
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES

(DEFECTOS) c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con

la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de

tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia
de una no conformidad en cualquier localizacin sea pequea y constante.
Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMAO DE MUESTRA CONSTANTE - CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es conveniente

registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspeccin de acuerdo a la distribucin de Poisson, o sea:
e c c x
p( x )
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
Pgina 146
LSCc = c +3 c
LCc = c (4.16)
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
Si no hay estndar definido c se estima con el promedio de no conformidades

observadas en una muestra preliminar inspeccionada, o sea con c , en este caso
los parmetros de la carta son:
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Cuando no hay datos histricos, se calculan lmites de control preliminares.
Ejemplo 4.18 Para el nmero de no conformidades observadas en

26 unidades de inspeccin sucesivas de 100 muestras de
circuitos impresos, se obtuvieron los datos siguientes:
No Conformidades
21 19
24 10
16 17
12 13
15 22
5 18
28 39
20 30
31 24
25 16
20 19
24 17
16 15
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Pgina 147
LIC = 6.48
De la carta de control preliminar, se observa que hay 2

puntos fuera de control, el 6 y el 20.
Una investigacin revel que el punto 6 fue debido a que un

inspector nuevo calific los circuitos impresos pero no tena
la suficiente experiencia, fue entrenado. El punto 20 fue
causado por una falla en el control de temperatura de la
soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se
recalculan los lmites de control.
Pgina 148
Como el proceso ya se encuentra en control estadstico, estos

lmites se tomarn como base para el siguiente periodo, donde
se tomaron 20 unidades de inspeccin adicionales.
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Se observa en la grfica que no se tienen puntos fuera de

control, sin embargo el promedio de defectos es alto,
requiere la accin de la administracin.
Pgina 149
Haciendo un anlisis de Pareto de los principales defectos se observ que el

principal defecto de soldadura insuficiente y soldadura fra, acumulan el 69% del
total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.
Pgina 150
Puede ser necesario estratificar el problema identificando en que modelo de

circuito impreso se presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las

diferentes fuentes de no conformidades.
SELECCIN DEL TAMAO DE MUESTRA
Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no

conformidades o defectos, sin embargo esto tambin depende de consideraciones
econmicas y del proceso, si en lugar de tomar 1 unidad de inspeccin, se toman
n unidades de inspeccin, entonces los nuevos lmites de control se pueden
calcular por los siguientes mtodos:
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspeccin anterior):
Pgina 151
LSC nc nc 3 nc
LC nc nc (4.18)
LIC nc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSC nc nc 3 nc = (2.5)(19.67) + 3 ( 2.5)(19.67 ) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LIC nc nc 3 nc = (2.5)(19.67) - 3 ( 2.5)(19.67 ) 28.14
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
c
u (4.19)
n
Como c es una variable aleatoria que sigue la distribucin de Poisson, los

parmetros de la carta u de nmero de no conformidades o defectos por unidad
son:
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Pgina 152
Donde u representa el nmero promedio de no conformidades por unidad en un

conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Ejemplo 4.10 Para un fabricante de computadoras registrando

los defectos en su lnea de ensamble final. La unidad de
inspeccin es una computadora y se toman 5 unidades de
inspeccin a un tiempo.
No conformindades
en cada 5 unidades carta u
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
Se calculan los lmites de control con:
__
Suma.de.no.conformidades
u
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
Pgina 153
En la carta de control no se observa falta de control

estadstico, por tanto los lmites preliminares se pueden
utilizar en corridas futuras.
MUESTRA VARIABLE CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la

inspeccin 100% de la produccin o lotes de producto, por tanto las unidades de
inspeccin no son constantes. En esta carta se tiene una lnea central constante y
los lmites de control varan inversamente con la raz cuadrada del tamao de
muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:

u
LSC ui u 3
ni
LC u u (4.21)
u
LSC ui u 3
ni
Pgina 154
Ejemplo 4.11 En una planta textil, se inspeccionan defectos

por cada 50m2 los datos se muestran a continuacin.
Unid.Insp. No Conf.
10.0 14
8.0 12
13.0 20
10.0 11
9.5 7
10.0 10
12.0 21
10.5 16
12.0 19
12.5 23
153
La lnea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspeccin
De la grfica no se observan puntos fuera de control.
Existen otras dos alternativas para el manejo de la carta u con n variable:
Pgina 155
1. Usando un promedio de tamaos de muestra.
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opcin preferida). Se grafica Z i con

lmites de control en +3 y 3, lnea central cero.
ui u
Zi
u (4.23)
ni
Ejemplo 4.11 (Cont...) Estandarizando la carta se tiene:
UIvar NoConUv Sigmau Z DUvar

10.0 14 0.374166 -0.05345 1.40000
8.0 12 0.433013 0.18475 1.50000
13.0 20 0.344010 0.34435 1.53846
10.0 11 0.331662 -0.96484 1.10000
9.5 7 0.278500 -2.45299 0.73684
10.0 10 0.316228 -1.32816 1.00000
12.0 21 0.381881 0.86414 1.75000
10.5 16 0.380952 0.27250 1.52381
12.0 19 0.363242 0.44965 1.58333
12.5 23 0.383667 1.09470 1.84000
La carta de control estandarizada para U, se encuentra en

control estadstico como se muestra abajo.
Pgina 156
SISTEMA DE DEMERITOS
Con productos complejos, se identifican diversos tipos de defectos, desde los que
se consideran menores hasta los que ponen en riesgo la salud del usuario. Por lo
cual es necesario dar una ponderacin a esos diversos tipos de defectos de
acuerdo a su gravedad, un esquema posible es el siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el

campo, o puede causar dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar una
falla de funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar
funcionando, o puede incrementar los costos de mantenimiento, o tener una mala
apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene defectos
de apariencia, terminados o calidad de trabajo.
Pgina 157
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC, ciD
respectivamente en la i-sima unidad inspeccionada. Se asume que cada clase de
defectos es independiente y que la ocurrencia de defectos de cada clase es
modelada bien con la distribucin de Poisson. Entonces se puede definir el
nmero de demritos en la unidad de inspeccin por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD (4.24)
Suponiendo que se toma una muestra de n unidades de inspeccin, entonces el
n
nmero de Demritos por unidad es (con d
i 1
i nmero total de demritos en
todas las unidades de inspeccin):
ui = D / n = d
i 1
i
(4.25)
n
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
u 100u A 50u B 10u C 1u D (4.27)
1/ 2
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
y u (4.28)
n
Pgina 158
Los nmeros u A, u B , u C , u D , representan el nmero promedio de defectos de la

clase A, clase B, clase C y clase D respectivamente. Se determina a partir de
datos preliminares tomados cuando el proceso est en control estadstico.
LA CURVA CARACTERSTICA DE OPERACIN
La curva caracterstica de operacin (OC) puede ser obtenida tanto para la carta c
como para la carta u a partir de la distribucin de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la

media real del numero de defectos c, se expresa como sigue:
P{x LSC c} P{ x LIC c} (4.29)
Donde x es una variable aleatoria de Poisson con parmetro c.
Ejemplo 4.12, para el caso de la carta c anterior con LSC =

33.22, LIC = 6.48, se tiene:
P{x 33.22 c} P{x 6.48 c}
cmo las cantidades deben ser enteras, esto es equivalente a:

P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribucin de Poisson como

sigue:
c P(x<=33|c) P(x<=6|c) Beta
1 1.000 0.999 0.001
3 1.000 0.967 0.033
5 1.000 0.762 0.238
7 1.000 0.450 0.550
10 1.000 0.130 0.870
15 0.999 0.007 0.992
20 0.997 0.000 0.950
30 0.709 0.000 0.709
33 0.367 0.000 0.131
35 0.367 0.000 0.367
40 0.131 0.000 0.131
45 0.037 0.000 0.037
Pgina 159
Pgina 160
Para el caso de la carta u, la curva OC puede generarse con:
P{ x LSC u} P{ x LIC u}
P{c nLSC u} P{c nLIC u} (4.30)

P{nLIC u c nLSC u}
Pgina 161
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm
Las cartas por atributos c y u no son convenientes en estos casos ya que tendran
ceros la mayor parte del tiempo, una alternativa es graficar los intervalos de
tiempo entre ocurrencias de los defectos o eventos.
Asumiendo que los defectos ocurren de acuerdo a la distribucin de Poisson,

entonces la distribucin de tiempo transcurrido entre eventos sigue la distribucin
exponencial, sin embargo dara una carta de control muy asimtrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a

una variable aleatoria de Weibull de tal forma que sea una buena aproximacin a
la normal. Si y representa la variable aleatoria exponencial original, la
transformacin adecuada es:
x = y1/3.6 = y0.277 (4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el

nmero de horas entre fallas como la variable a monitorear. En la pgina siguiente
se muestra este ejemplo.
Pgina 162
5. OTRAS CARTAS DE CONTROL ESPECIALES
5.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS DE

PRODUCCIN
5.1.1 CARTAS DE CONTROL DNOM
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de

produccin sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la

dimensin nominal de la pieza A T A = 50mm, y la dimensin
nominal de la pieza B es TB = 25mm, cuando se produce las
piezas A o B se toman muestras y se evala la desviacin
respecto a su media.
Muestra Pieza M1 M2 M3 D1 D2 D3 Media Rango

1 A 50 51 52 0 1 2 1.00 2
2 A 49 50 51 -1 0 1 0.00 2
3 A 48 49 52 -2 -1 2 -0.33 4
4 A 9 53 51 -1 3 1 1.00 4
5 B 24 27 26 -1 2 1 0.67 2
6 B 25 27 24 0 2 -1 0.33 2
7 B 27 26 23 2 1 -2 0.33 4
8 B 25 24 23 0 -1 -2 -1.00 2
9 B 24 25 25 -1 0 0 -0.33 1
10 B 26 24 25 1 -1 0 0.00 2
Ver carta en la pgina siguiente.
Pgina 163
Se deben cumplir 3 premisas para estas cartas:

1. La desviacin estndar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
2. El procedimiento trabaja mejor cuando el tamao de muestra es constante para
todas las diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepcin de
cuando se tiene slo un lmite de especificacin.
5.1.2 CARTAS DE CONTROL DE MEDIAS RANGOS ESTANDARIZADA
Si la desviacin estndar para las diferentes partes es diferente, se usan estas

cartas. Sean R i .....Ti el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,
R
RS (5.1)
Ri
Pgina 164
Se toman de datos histricos o de especificaciones para el rango, o se puede
Sd 2
estimar de con R i c4 sus lmites de control son D3 y D4. Para la media
graficar,
S x Ti
x (5.2)
Ri
La lnea central para la carta x estandarizada es cero, y sus lmites de control

son LSC = A2 y LIC = -A2 .
5.1.3 CARTAS DE CONTROL POR ATRIBUTOS
Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y LIC=-

3. Los estadsticos a graficar son:
pi p
Carta p Zi
p (1 p ) / n
npi n p
Carta np Zi
n p(1 p )
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN
5.2.1 Cartas de control modificadas

Las cartas de control modificadas se utilizan cuando la variabilidad es pequea
respecto a los lmites de especificaciones, es decir el Cp es mucho mayor que 1.
En este caso la media del proceso puede variar sobre un rango permitido sin
afectar el desempeo del proceso.
Pgina 165
La carta de control modificada X esta diseada para detectar slo si la media

verdadera del proceso , est localizada de tal forma que el proceso genere una
fraccin de productos no conformes mayor de algn valor especificado .
Se permite que vare entre I y S de tal forma que no se exceda la fraccin
defectiva . Se asume que el proceso est normalmente distribuido y que sea
conocida y est en control.

LIEsp. |--- 6 ---| LSEsp.
Fig. 5.1 Proceso con habilidad alta, Cp>>1

LIE I S LSE
Z Z
/ n
LIC LSC
Z
nn
Pgina 166
Fig. 5.2 Localizacin de los lmites de control
Donde:
I LIE Z (5.4)
S LSE Z
Donde Z es el punto superior 100(1-) de la distribucin normal, si se especifica

un error , los lmites de control superior e inferior son:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Lo comn es que Z =3.
En las cartas modificadas, es una fraccin no conforme que se acepta con una
probabilidad (1-). Si la variabilidad del proceso cambia, stas cartas no son
apropiadas, de tal forma que se recomienda siempre usar en forma adicional una
carta R o S, de donde incluso se estime la inicial.
5.2.2 CARTAS DE CONTROL DE ACEPTACIN
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar
un proceso que opera en forma satisfactoria o de aceptarlo si opera en forma
insatisfactoria.
Pgina 167
Los lmites de control para este caso se basan en una n especificada y una
fraccin no conforme del proceso que nos gustara rechazar con una
probabilidad (1-), por tanto:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Es posible tambin seleccionar un tamao de muestra de tal forma que se

obtengan los requerimientos para , , y . Igualando los lmites de control
superiores:
Z Z
LSC LSE Z = LSE Z
n n
Se obtiene
2
Z Z
n (5.6)
Z Z
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y

beta = 0.20, haciendo los clculos se obtiene una n = 31.43
32.
2
3.00 0.84
n
2.33 1.645
Pgina 168
Ejemplo 5.3 De Duncan se tiene:28
LSE =0.025
LSE-1.96
Amplitud de variacin 0.10

__
Aceptable para X
0.10
LIE+1.96
LIE =0.025
En la figura si suponemos que =0.025 y = 0.10, asumiendo

un proceso normal, los lmites para la carta de control de
aceptacin estarn en:
LSC = LSE 1.96 - 1.282/ n
LIC = LIE + 1.96 + 1.282/ n
28
Duncan A., Control de Calidad y Estadstica Industrial, Alfaomega, Mxico, 1989, pp. 527-530
Pgina 169
5.3 CARTA DE CONTROL PARA DESGASTE DE

HERRAMIENTA o MATERIAL
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta

de control, la distancia entre los lmites de especificacin debe ser
mucho mayor que 6X, por lo que se puede usar el concepto de la carta
de control modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del lmite inferior de

especificacin, y el mximo que se le permite variar es hasta 3x abajo
del lmite superior de especificacin. Esto minimiza los ajustes a realizar
durante las corridas de produccin. Se puede utilizar un valor diferente
de Z = 3 si se requiere una mayor proteccin en la fraccin defectuosa.
Para este problema tambin se puede utilizar la carta de regresin.
LSE
_
X
LSE-3x
Amplitud dentro de la cual

se espera encontrar las 6 _
X
medias de las piezas Distribucin de x
_
X
LIE+3x
LIE
Fig. 5.3 Carta de control para desgaste de herramienta o material
Como se puede observar, slo se puede emplear sta carta si la amplitud de los
lmites de especificacin es suficiente mayor a 6x para alojar la carta de
control.
Pgina 170
La pendiente b de la lnea central y lmites de control se pueden calcular por los

mtodos siguientes:
1. Dibujando una lnea central que pase por los puntos graficados y estimando en
forma grfica la pendiente.
2. Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de m
muestras con el nmero de muestra i = 1,2,3..m la pendiente b es (los datos
se pueden codificar para facilidad):
b [12 iX i /(m(m 2 1))] [6 X i /( m(m 1))]
(5.7)
3. Utilizando un paquete de computadora que incluye el clculo de mnimos

cuadrados.
Los valores sugeridos de inicio y paro del proceso son 1, , 2 donde:

1 LIE 3 x LIE 3R / d 2 (5.8)
2 LSE 3 x LSE 3R / d 2
El nmero de puntos que tienen que pasar para llegar de 1, , 2 es:
M* = ( 1, - 2 ) / b (5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste
es indispensable asegurarse que la carta de rangos est en control estadstico. En
caso de que la media en lugar de crecer, decrezca, las 1, , 2 se invierten:
_
Los lmites de control se encuentran a una distancia vertical A2 R de la lnea
central.
Pgina 171
Ejemplo 5.4 El dimetro exterior de una vlvula tiene una

especificacin de 1.1555 0.0005. Se han tomado 13 muestras
de 5 piezas cada una sin ajustar la herramienta de corte, en
intervalos de media hora. Los resultados son:
Muestra i 1 2 3 4 5 6 7
8
_
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568,
Xi
1.15570,
Ri 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00010,

0.00020
Muestra 9 10 11 12 13
_
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
Los resultados obtenidos son:
R-medio=0.0001769; LSCR=0.000374, = 0.000076053;
b = 0.0000492
1, , 2 son respectivamente 1.155228 y 1.155772

_
m* = 11.056, los lmites de control estn a A2 R =
0.5768(0.0001769)=0.000102.
Es decir que tienen que pasar 11 puntos o 5.5 horas para

reajustar el proceso
LSE
2
Pendiente b
LSC
1,
LIC
LIE
Fig. 5.4 Tiempo t o nmero de muestras antes de ajuste
Pgina 172
5.4 CARTA DE PRECONTROL O DE ARCOIRIS
Es una tcnica usada para detectar irregularidades en el proceso, que pueden

resultar en la produccin de unidades fuera de especificaciones. Pre-control,
principalmente se presta para el uso de aparatos de medicin hechos previamente
sobre los lmites de las especificaciones. El uso de stos aparatos de medicin
permite seleccionar fcilmente las unidades que proceden de las que no. Pre-
control es usado con frecuencia para determinar los valores de las variables del
proceso durante el perodo de arranque de la produccin.
Tambin se denomina carta de objetivo, utiliza los lmites de especificacin para su

establecimiento, situados a 3 es fcil de construir y usar, sin embargo, no
permite mejorar el proceso. La carta tiene tres reas:
ZONA ROJA Lmite superior de especificaciones
ZONA AMARILLA Esta zona comprende 1.5 o 7%
ZONA VERDE Esta zona comprende 1.5 o 86%

ZONA AMARILLA Esta zona comprende 1.5 o 7%
ZONA ROJA Lmite inferior de especificaciones

Fig. 5.5 Carta de Pre Control y sus zonas
En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga en
la zona amarilla y de 1/196 de que caigan dos consecutivas en sta zona, en este
caso se considera que el proceso se sali de control.
Pre-control se basa en la hiptesis de que si el proceso est operando

correctamente, la probabilidad de encontrar dos unidades fuera de los lmites de
control consecutivamente es demasiado pequea. Por lo tanto si dos unidades son
Pgina 173
encontradas consecutivamente fuera de los lmites de control, es razn suficiente

como para indicar una falla en el proceso.
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 29 es mayor
que uno (algunos textos recomiendan como mnimo Cp=2) 30, y cuando se han
alcanzado cero defectos en el proceso.
Definicin de los lmites de Pre-control.

Existen dos lmites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower
Pre-control limit(LPCL). Cada uno representa de la distancia entre el lmite de
especificaciones inferior (LSL) y el lmite de especificaciones superior (USL). La
siguiente figura considera un proceso distribuido de acuerdo a la distribucin
normal.
29
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
30
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons, Inc., 1991, pp. 332-334.
Pgina 174
LSL LPCL UPCL USL
0 1 1 3 1
4 2 4
Figura 5.6 Distribucin de reas de probabilidad para la

carta de pre-control
Pasos a seguir para aplicar Pre-control.
A continuacin se muestran las reglas de uso de la carta:
1. Iniciar el proceso. Si el primer artculo sale de especificaciones, parar, corregir

e iniciar de nuevo. Debern caer en la zona verde.
2. Si un artculo cae en la zona amarilla, tomar un siguiente artculo. Si cae
nuevamente en la zona amarilla parar y corregir el proceso, de otra forma
continuar.
3. Si 25 artculos consecutivos caen en la zona verde, reducir frecuencia de
chequeo.
Pgina 175
Figura 5.7 Pasos a seguir para el Pre-Control
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta
que una unidad exceda algn lmite de Pre-control. Examine la siguiente
unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Pgina 176
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA

MLTIPLE
Se utiliza para procesos con muchas fuentes de produccin, por ejemplo diversos
husillos que en principio producen piezas similares. El usar una carta de
control para cada husillo por separado sera prohibitivo, sin embargo se
tiene la alternativa de sta carta de control siempre que la produccin
entre husillos no est correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n = 4
de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media
_
de medias X y el R , los lmites de control se calculan como en una
carta de medias-rangos convencional con n = 4, en este caso A2 = 0.729,

D3 = 0, D4 = 2.282:
_ _
LICX = X - A2 R LICR = D3 R (5.10)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los lmites de control trazados, se grafica despus slo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este caso
husillos de la mquina, si se encuentran en control, se asume que las
dems estn en control. Para el rango se grafica slo el mayor de todos
los rangos. Cada punto es identificado por el nmero de husillo o salida
que lo produjo. El proceso se encuentra fuera de control si se algn
punto excede los lmites de 3-sigma. No se pueden aplicar pruebas de
rachas a estas cartas.
Pgina 177
Es til observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s
salidas y si r es el nmero de veces consecutivas que se repite como el
mayor o el menor, el ARL para este evento es:
s r 1
ARL0 (5.11)
s 1
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso

est en control, se esperar que una salida repita un valor extremo 4 veces en la
carta una vez de cada 259 muestras. Si esto sucede con ms frecuencia se debe
sospechar que la salida es diferente a las dems. Algunos de los pares adecuados
de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones dan ARLo
adecuados.
5.6 CARTAS DE CONTROL Cusum
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se

pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Pgina 178
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en

esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la informacin anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamao n >= 1 siendo x j el valor promedio de la
muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,
i
Ci ( x j 0 ) (5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo

similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las pginas siguientes.
CUSUM EN FORMA TABULAR
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el

objetivo con un estadstico C+ o debajo de este con un estadistico C -, tambin
llamados Cusums de lado superior o inferior respectivamente. Se calculan como
sigue:

C i max 0, xi ( 0 K ) C i1 (5.13)
C i max0, ( 0 K ) xi C i1 (5.14)
Pgina 179
donde los valores iniciales para C+ y C- son cero.
En las ecuaciones anteriores K es el valor de referencia y se selecciona como un

valor intermedio entre la 0 objetivo y la 1 fuera de control en la que estamos
interesados en detectar.
As, si el corrimiento se expresa en unidades de desviacin estndar 1 = 0 + ,

entonces K es la mitad de la magnitud del corrimiento:
K = / 2 = Valor absoluto de (1 - 0) / 2 (5.15)
Cuando cualquier estadstico C + y C- excede el intervalo de decisin H, se

considera al proceso fuera de control. Un valor razonable para H es cinco veces el
valor de .
Ejemplo 5.5: si 0 = 10, n=1, = 1, y asumiendo que se

quiere detectar un corrimiento de 1 = 1, se tiene:
1 = 10 + 1 = 11
K = = 1/2
H = 5 = 5

C i max 0, xi 10.5 C i1
C i max 0,9.5 x i C i1
Para el caso de i=1, con xi = 9.5 se tiene:

C1 max 0,9.45 10.5 0 0
C1 max 0,9.5 9.45 0 0.05
Para el caso de i=2, con xi = 7.99 se tiene:

C1 max 0,7.99 10.5 0 0
Pgina 180
C1 max 0,9.5 7.99 0.05 1.56
Si N+ y N- indican los periodos en que las sumas no han sido cero, se

obtiene la tabla de la pgina siguiente:
De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de 5.28,

lo que sugiere una situacin fuera de control, usando el contador N + cuyo valor es
7, indica que el ltimo punto en control fue el 29 7 = 22, de tal forma que el
corrimiento ocurri entre el periodo 22 y 23.
Tambin se puede obtener una presentacin grfica de esta carta, denominada

Carta de Estatus de Cusum, graficando Ci+ y Ci- contra el nmero de muestra. Esto
da una idea grfica al operador del desempeo del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la

causa asignable o especial, tomar accin correctiva e iniciar de nuevo la Cusum
Tabular.
Cuando el proceso se corre, la nueva media puede estimarse de:
Ci
0 K , si C i H (5.16)
N
Ci , si (5.17)
0 K Ci H
N

En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso
es,
5.28
10 0.5 11.25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Pgina 181
Cuando se utiliza un tamao de subgrupo mayor a 1, en las frmulas anteriores se

debe remplazar a xi por xi y por la x = , aunque se recomienda usar un
n
tamao de muestra 1 con frecuencia de muestreo mayor que para el equivalente

de Shewart.
La carta Cusum tabular tambin se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del mtodo tabular Cusum, es la mascarilla en V

propuesta por Barnard (1959), esta mascarilla es aplicada a valores sucesivos del
estadstico,
i
C i y j y i C i 1 (5.18)
j 1
donde yi = (xi - 0) / observacin estandarizada. Una mascarilla en V se muestra

a continuacin:
Ci
O d P
2A
1A
1 2 3 4 5 ............................................. i
Pgina 182
Figura 5.8 Carta de control Cusum con mascarilla en V

El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con
el punto O sobre el ltimo valor de C i y la lnea OP paralela al eje horizontal. Si
todos los puntos anteriores C 1, C2,....,Cj se encuentran dentro de los dos brazos de
la mascarilla, el proceso est en control, sin embargo si cualquier punto de las
sumas acumuladas se encuentra fuera de los brazos de la mascarilla, se
considera al proceso fuera de control.
En la prctica, la mascarilla en V se debe colocar a cada punto tan pronto como es

graficado, los brazos de la mascarilla se asumen extendidos hasta el origen.
La operacin de la mascarilla en V est determinada por la distancia

al vrtice d y el ngulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
k = A tan () (5.19)
y
h = A d tan () = d.k (5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos en

trminos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = y h = 5,

seleccionando A =1 se tiene
k = A tan () => = (1) tan ()

o = 26.57
de h = d.k => 5 = d (1/2)
o d =10
Pgina 183
Estos son los parmetros de la mascarilla en V.
Vmask Chart of AtoBDist
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.9 Ejemplo de carta de control Cusum con mascarilla

en V
Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con
las frmulas siguientes:

tan 1 (5.21)
2A
y
2 1
d 2
ln (5.22)

Donde 2 es la mxima probabilidad de una falsa alarma cuando el proceso est

en control y es la probabilidad de no detectar un corrimiento de magnitud .
ln( )
d cuando es muy pequeo.

Pgina 184
Ejemplo 5.7 si = 0.05 y = 0.05 y = 1, se obtiene la

mascara en V siguiente:
2 1 0.05
d 2
ln = 5.888
1 0.05
1
tan 1 26.56
2
No se recomienda el uso de la mascarilla en V ya que tiene algunas desventajas

como son:
1. Es un esquema de doble lado, no apta para control de un solo lado.

2. Es difcil determinar que tanto extender los brazos de la mascarilla en V,
dificultando la interpretacin del proceso.
3. Existe ambigedad asociada con alfa y beta.
5.7 CARTA DE CONTROL DE MEDIAS MOVILES

EXPONENCIALMENTE PONDERADAS (EWMA)
El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:
z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que:
z 0 0 a veces igual a x
Pgina 185
Si las observaciones xi son variables aleatorias independientes con varianza 2 ,

entonces la varianza de zi es:
zi2

1 (1 )
2i
(5.24)
2
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
1 (1 )

LSC 0 L 2i
(5.25)
2
LC 0 (5.26)
1 (1 )

LIC 0 L 2i
(5.27)
2
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa,

esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los lmites de control se estabilizan en:

LSC 0 L (5.28)
2
LC 0 (5.29)

LSC 0 L (5.30)
2
Ejemplo 5.8 Utilizando los datos de la carta Cusum con =

0.10, L = 2.7, 0 y =1, se tiene la carta EWMA mostrada en
la pgina siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73

con la frmulas anteriores.
Pgina 186
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC =

9.64, conforme se incrementa i los lmites se estabilizan en
LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3

equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rpido como la hace la
carta de Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
EWMA Chart of AtoBDist

2.0
UCL=1.861
1.5
1.0
__
EWMA
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.10 Ejemplo de carta de control EWMA
5.8 CARTA DE CONTROL DE MEDIA MOVIL
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar

pequeas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media mvil es:
Pgina 187
xi xi 1 ..... xi w1
Mi (5.31)
w
Los lmites de control son:
3
LSC 0 (5.32)
w
LC 0 (5.33)
3
LIC 0 (5.34)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el

estadstico Mi para periodos i 5.
xi xi 1 ....xi 4
Mi (5.35)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se
tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Moving Average Chart of AtoBDist

5
3 UCL=2.900
2
Moving Average
1 __
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.11 Ejemplo de carta de control de Media movil
Pgina 188
6. ANLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos

siguientes:
Pgina 189
1. Predecir que tanto cumplir las tolerancias especificadas el proceso.

2. Apoyar a los diseadores en la seleccin o modificacin de un proceso.
3. Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeo de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).

2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de

la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la

variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Pgina 190
.00135 LTNI LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Fig. 6.2 Fraccin defectiva fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.
En el rea sombrada observamos medidas fuera de los lmites de especificacin.
Pgina 191
Para solucionar este problema, podemos reducir la desviacin estndar.
Tambin podramos cambiar la media.
Lo ideal sera, por supuesto cambiar ambas.
Fig. 6.3 Algunas alternativas para mejorar la capacidad
Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos31:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los ndices de habilidad. Si los datos se componen
de menos de 100 valores, entonces deben calcularse los lmites de confianza
inferiores.
31
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 192
Los datos se recolectan durante un periodo suficientemente largo para

asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la

variacin en el sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Fig. 6.4 Variabilidad a corto plazo
Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de

tiempo suficientemente largo y en condiciones suficientemente diversas para que
sea probable que contenga algunos cambios de proceso y otras causas
Pgina 193
especiales. Aqu todas las familias de variacin exhiben su contribucin en la

variacin del proceso general.
Fig. 6.5 Variabilidad a largo plazo
Para el clculo de Z utilizamos las siguientes formulas:
Z st
lmite especif . nom.
(6.1)
desv.std ST
lmite especif . media
Z LT
desv.std LT
dnde:
Zst = variacin a corto plazo.

nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5

desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 194
6.2 NDICES DE CAPACIDAD
6.2.1 INDICE DE CAPACIDAD POTENCIAL Cp
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin

permitida por las especificaciones entre la amplitud de variacin entre los lmites
de tolerancia naturales del proceso.
LSE LIE
Cp PCR (6.2)
6
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE

= 74.05mm y el LIE= 73.95mm y de la carta R se estim
R
0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE LIE) / 6

= (74.05 73.95) / 6 (0.0099) = 1.68
La funcin P (inverso de Cp) es el porcentaje de la banda de

especificaciones usada por el proceso.
1
P 100 (6.3)
Cp
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Pgina 195
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial

Cp o PCR se define como:
LSE
Cps PCR S para el lmite superior (6.4)
3
LIE
Cpi PCR I para el lmite inferior
3
Ejemplo 6.2 Para el caso de la resistencia de las botellas

de vidrio, si el LIE = 200psi,
264 200 64
Cp PCR I 0.67
3(32) 96
Lo cual indica falta de habilidad, la fraccin abajo del

lmite inferior es:
LIE 200 264

ZI 2
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en

partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Pgina 196
1.10 484 967

1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67

para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso

respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
6.2.2 INDICE DE CAPACIDAD REAL Cpk
Este ndice si toma en cuenta el centrado del proceso respecto a las

especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cps correspondientes a cada lado de la media, como sigue,
Cpk PCRk min( PCR S , PCR I ) debe ser mayor a 1

(6.5)
donde,
LSE
Cps PCR S para el lmite superior (6.6)
3
LIE
Cpi PCR I para el lmite inferior
3
Pgina 197
Ejemplo 6.3 Para un proceso donde los lmites de

especificacin sean LSE=62, LIE=38, la media del proceso sea
=53 y su desviacin estndar =2, se tiene:
62 53
Cps PCRS 1.5 para el lmite superior
32
53 38
Cpi PCR I 2.5 para el lmite inferior
32
Por tanto, el ndice de capacidad real es:

Cpk PCRk min( PCR S , PCR I ) min(1.5,2.5) 1.5
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano

a la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado
6.2.3 NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un

comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin siguiente de acabado superficial en una parte maquinada no es
normal:
Pgina 198
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
Fig. 6.6 Transformacin de datos para normalizarlos
Lo cual representa una distribucin normal.
Pgina 199
6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
LIE LSE LIE LSE

PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente

Un nuevo ndice que toma en cuenta el centrado es el siguiente:
1
Si T ( LSE LIE ) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)

Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente

se tiene:
Lmites de especificacin: LIE = 38, LSE = 62, T = 50

Proceso A: Media = 50, desv. estndar = 5
Pgina 200
Proceso B: Media = 57.7, desv. estndar = 2.5
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Por tanto es mejor el proceso A, centrado en la media.
En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),

que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
Cpk
Cp pmk PCR pmk (6.11)
1 2
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE

PROBABILIDAD NORMAL
6.2.1 HISTOGRAMA
Para el estudio se requieren alrededor de 100 o ms observaciones para permitir

que el proceso se estabilice, deben seguirse los pasos previos siguientes:
Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
Pgina 201
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviacin estndar de la muestra S,

proporciona informacin acerca de la capacidad del proceso.
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de

1-litro en psi. Los datos se muestran se muestran a
continuacin.
HIST
265 346 265 221 261
205 317 254 176 248
263 242 281 248 260
307 258 294 263 274
220 276 223 231 337
268 300 260 334 250
260 208 308 280 278
234 187 235 265 254
299 264 283 272 274
215 271 277 283 275
197 280 200 265 278
286 242 235 262 250
274 260 246 271 265
243 321 328 245 270
231 228 296 301 298
267 250 276 280 257
281 299 264 274 210
265 258 269 253 280
214 267 235 287 269
318 293 290 258 251
Pgina 202
Fig. 6.8 Determinacin de la capacidad del proceso
X 264.06 S = 32.02
Consecuentemente la capacidad el proceso se estima en X 3S
264 96 psi.
Esta primera estimacin de la capacidad es independiente de las especificaciones.
6.3.2 PAPEL DE PROBABILIDAD NORMAL
Es una herramienta que permite evaluar la capacidad aproximada del proceso con
resultados parecidos a los del histograma pero con un nmero menor de muestras
y sin las operaciones del histograma, a continuacin se muestra un ejemplo de
esta herramienta.
Pgina 203
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como
en el histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable en
intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la
lnea de ajuste
4. Permite identificar la media y la desviacin estndar aproximada del proceso.
As como la fraccin defectiva, el porcentaje de datos entre cierto rango, el Cp y el
Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,

asignndoles una posicin ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (X j, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el
proceso y se procede a hacer las identificaciones:
La media corresponde al percentil 50 y la desviacin estndar es estimada por la

diferencia del percentil 84 menos el percentil 50,
La media ser el punto en X correspondiente a P j = 0.5

La desviacin estndar es la diferencia en Xj corresp. a Pj = 0.5 y Pj = 0.84
Pgina 204
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos
y, calculamos la probabilidad de su posicin (Pj)
Con ayuda del grfico podemos obtener la media, la desviacin

estndar y el porcentaje de valores que se encuentran fuera
de especificaciones.
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE X Media Xj
Fig. 6.9 Capacidad del proceso con pape normal
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se est analizando.
Pgina 205
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi,

puede predecirse usando una lnea slida como modelo. Por ejemplo, slo ms
del 20% de los datos del proceso seran valores de 225 o inferiores.
Ejemplo 6.6 Clculo de capacidad con papel normal en Minitab
pn2 PAPNOR
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
De este diagrama se obtiene:

260
298 260 38 psi
Pgina 206
Note que los valores no difieren mucho de los del histograma

con media 264.06 y desviacin estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de

partes fuera de las especificaciones, por ejemplo si se traza
el Lmite Inferior de Especificacin LIE en 200 psi, se
observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn

resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los mtodos de Pearson, transformar los datos por Box Cox o usar Weibull.
6.4 CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL

La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas

asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
?
? ?
? ?
? ?
Pgina 207
Fig. 6.10 Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso

estable. La distribucin ser predecible en el tiempo.
Prediccin
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control
Clculo de la desviacin estndar del proceso
R S
(Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviacin estndar de la poblacin

d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma

rangos / (n -1)
Pgina 208
Ejemplo 6.7 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo

lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes: x = 64.06 , R = 77.3
Por tanto estimando los parmetros del proceso se tiene:
x media de medias
R 77.3
33.23
d 2 2.326
Si el lmite de especificacin es: LIE = 200.
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes: x 100, s 1.05
Por tanto estimando los parmetros del proceso se tiene:
x 100
Pgina 209
s 1.05
= 1.117
C4 .094
C4 para n = 5 tiene el valor 0.94
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
6.5 CAPACIDAD DE PROCESOS CON MINITAB

NORMALES Y NO NORMALES
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
1. Calc > Random data > Normal

2. Generate 100 Store in columns C1 Mean 264.06 Estndar deviation
32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
Pgina 210
4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Otra opcin por medio de una grfica de probabilidad normal, se tiene:
5. Graph > Probability plot > Normal

6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Pgina 211
Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Pgina 212
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2

(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar de

todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as
como el desempeo Overall, no importando si el proceso est en control o no, en
este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack

Para mostrar toda la informacin relevante:
Determinar la capacidad con:
Pgina 213
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
En este caso de la grfica de probabilidad normal, los datos siguen una

distribucin normal.
Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
Pgina 214
En una compaa se manufacturan losetas para piso, el problema que se tiene es

referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull

9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NoNormal

8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
Pgina 215
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo

y los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.
El ndice Ppk y Ppu32 = 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
6.6 ANLISIS DE CAPACIDAD CON EXPERIMENTOS DISEADOS

32
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 216
El diseo de experimentos es un mtodo sistemtico para variar el nivel de los

parmetros controlables del proceso y analizar sus efectos en los resultados
finales o productos. De esta forma se puede determinar el nivel de los parmetros
que optimizan el proceso.
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN

6.6.1 ERROR DEL EQUIPO DE MEDICIN
En cualquier problema que involucre mediciones, de la variabilidad total parte de la
variabilidad observada es debida al producto mismo y parte es debida a la
variacin del equipo de medicin, o sea:
total
2
2producto equipo
2
. medicin (6.13)
Ejemplo 6.8 Tomando 20 partes y evalundolas 2 veces por un

mismo operador con el mismo instrumento de medicin, se
obtienen los resultados mostrados a continuacin:
PARTS OP1IN1 OP1IN2 X-media Rango
1 21 20 20.5 1
2 24 23 23.5 1
3 20 21 20.5 1
4 27 27 27.0 0
5 19 18 18.5 1
6 23 21 22.0 2
7 22 21 21.5 1
8 19 17 18.0 2
9 24 23 23.5 1
10 25 23 24.0 2
11 21 20 20.5 1
12 18 19 18.5 1
13 23 25 24.0 2
14 24 24 24.0 0
15 29 30 29.5 1
16 26 26 26.0 0
17 20 20 20.0 0
18 19 21 20.0 2
19 25 26 25.5 1
20 19 19 19.0 0
Pgina 217
Xbar/R for OP1IN1-OP1IN2

Notar que la carta X indica muchos puntos fuera de control,

lo cual es normal ya que se espera que el instrumento
distinga las diferentes unidades de producto. La carta R
representa las diferencias entre mediciones de la misma
unidad con el mismo instrumento. En este caso la carta R est
en control, indicando que el operador no tiene dificultad
para realizar las mediciones en forma consistente. Si hubiera
puntos fuera de control, indica que el operador tiene
dificultad para utilizar el instrumento.
La desviacin estndar del error de medicin, instrumento puede

estimarse como:
R 1 .0
instrumento 0.887
d 2 1.128
Pgina 218
Como la distribucin del error de medicin es aproximadamente

normal, entonces 6instrumento es un buen estimador de la
capacidad del instrumento de medicin.
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que

2.66 de error de medicin se puede asignar al error del
instrumento de medicin.
Es usual comparar la capacidad del instrumento de medicin contra el rango de

las especificaciones (LSE LIE), denominado P/T, como sigue:
P 6 instrumento
(6.14)
T LSE LIE
Para el caso del ejemplo se tiene:
P 6(0.887) 5.32
0.097
T 60 5 55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de la
tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del

producto y las del instrumento de medicin. Por tanto,
total
2
S2
2producto total
2
instrument
2
o
De los datos del ejemplo se tiene:
Pgina 219
Variable N Mean Median TrMean StDev SE Mean

OP1IN1 40 22.300 21.500 22.167 3.172 0.502
total
2
S 2 = 3.17 x 3.17 = 10.05
2producto total
2
instrument
2
o = 10.05 0.79 = 9.26
Por tanto la desviacin estndar de la caracterstica del producto es:
= 3.04
La variabilidad del instrumento de medicin tambin puede expresarse como un

porcentaje de la variabilidad de la caracterstica del producto como sigue:
instrumento
x100 (6.15)
producto
Para el ejemplo se tiene:

instrumento
x100 = 0.887 x100 29.2%
producto 3.04
6.6.2 REPETIBILIDAD Y REPRODUCIBILIDAD (R&R)
Se pueden determinar los componentes del error debidos a diferentes operadores

(repetibilidad) y debidos al instrumento de medicin en s (reproducibilidad).
error
2
.medicin repetibili dad reproducib ilidad
2 2
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes

por 3 operadores, haciendo 2 intentos cada uno como sigue.
Pgina 220
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1 21 20 1 20 20 0 19 21 2
2 24 23 1 24 24 0 23 24 1
3 20 21 1 19 21 2 20 22 2
4 27 27 0 28 26 2 27 28 1
5 19 18 1 19 18 1 18 21 3
6 23 21 2 24 21 3 23 22 1
7 22 21 1 22 24 2 22 20 2
8 19 17 2 18 20 2 19 18 1
9 24 23 1 25 23 2 24 24 0
10 25 23 2 26 25 1 24 25 1
11 21 20 1 20 20 0 21 20 1
12 18 19 1 17 19 2 18 19 1
13 23 25 2 25 25 0 25 25 0
14 24 24 0 23 25 2 24 25 1
15 29 30 1 30 28 2 31 30 1
16 26 26 0 25 26 1 25 27 2
17 20 20 0 19 20 1 20 20 0
18 19 21 2 19 19 0 21 23 2
19 25 26 1 25 24 1 25 25 0
20 19 19 0 18 17 1 19 17 2
La media de los rangos medios para cada operador es:
1 1
R ( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3 3
por tanto la desviacin estndar de la repetibilidad es:
R 1.15
repetibili dad 1.02 tomando d2 para n=2 lecturas
d2 1.128
La reproducibilidad es causada por diferencias entre los 3

operadores, es decir,
x max max ( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min
Pgina 221
Rx
reproducib ilidad
d2 considerando el nmero de operadores.
Del ejemplo, se tiene que para 3 operadores, d2 =1.693, por

tanto:
xmax = 22.60, xmin =22.28 y Rx=0.32, y
reproducibilidad = 0.32/1.693 = 0.19
Por tanto la variabilidad total del error de medicin es:

instrument
2
. medicin repetibili dad reproducib ilidad
2 2
= 1.022 + 0.192 = 1.08
instrumento.medicin = 1.04
La relacin P/T = 6 (1.04) / (60-5) = 0.11
Por otra parte utilizando el paquete Minitab se obtuvieron

las respuestas siguientes (tomando 5.15 sigmas):
Gage R&R Study - XBar/R Method
Gage R&R for OP1IN1
Gage name: DISPOSITIVO DE PRUEBA

Date of study: 20 JULIO 2000
Reported by: P. REYES
Tolerance: 5
Misc:
%Contribution
Source Variance (of Variance)
Total Gage R&R 1.0424 9.91

Repeatability 1.0394 9.88
Reproducibility 0.0030 0.03
Part-to-Part 9.4801 90.09
Pgina 222
Total Variation 10.5225 100.00
StdDev Study Var %Study Var %Tolerance

Source (SD) (5.15*SD) (%SV) (SV/Toler)
Total Gage R&R 1.02096 5.2579 31.47 9.56

Repeatability 1.01950 5.2504 31.43 9.55
Reproducibility 0.05449 0.2806 1.68 0.51
Part-to-Part 3.07898 15.8568 94.92 28.83
Total Variation 3.24384 16.7058 100.00 30.37
Number of distinct categories = 4
De esta forma cuando se toman en cuenta ambas la repetibilidad y la

reproducibilidad, la capacidad del sistema de medicin se reduce. Es necesario
entrenar al operador en el uso del instrumento de medicin y en todo caso a
encontrar otro equipo de medicin.
Pgina 223
6.6.3 R&R Capacidad de los sistemas de medicin - AIAG
En muchas ocasiones las organizaciones no consideran el impacto de no tener

sistemas de medicin de calidad, el hecho de que las mediciones no sean
exactas puede llevar a cometer errores en el clculo, y en los anlisis y
conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede

caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado. Por otro lado si los instrumentos de medicin
no estn calibrados correctamente tambin se pueden cometer errores. Cuando
sucede lo mencionado anteriormente tenemos un sistema de medicin deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos
innecesarios de reproceso al reparar un proceso de manufactura o de servicios,
cuando la principal fuente de variacin se deriva del sistema de medicin.
Posibles Fuentes de la Variacin del Proceso
Variacin del proceso
Variacin
Variacin deldel proceso,
proceso, real
real Variacin de la medicin
Variacin dentro de la Variacin

Equipooriginada
de
muestra medicin Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibracin
Pgina 224
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento

de medicin, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas caractersticas en una misma parte.
R E P E T I B IL I D A D
Pgina 225
Valor verdadero:
Valor correcto terico / estndares NIST33
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una

misma zona
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Resolucin: La medicin que tiene exactitud y precisin.
Exacto pero no preciso Exacto y preciso

Preciso pero no exacto
(resolucin)
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de

medicin, hechas sobre el mismo patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante un perodo de tiempo prolongado.
T i e m p o 2
33
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene el
CENEAM o el Centro Nacional de Metrologa
T i e m p o 1
Pgina 226
Linealidad: diferencia en los valores de la escala, a travs del rango de

operacin esperado del instrumento de medicin.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior) (rango superior)

Rango de Operacin del equipo
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor

verdadero. Error sistemtico o desviacin.
V a lo r
V e rd a d e ro
S e s g o
Calibracin: Es la comparacin de un estndar de medicin con exactitud

conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
Pgina 227
Importante: para que el equipo de medicin tenga una discriminacin

adecuada en la evaluacin de las partes, su
resolucin debe ser al menos 1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones

observadas son debidas al proceso y otras son debidas al error o variacin en los
sistemas de medicin. La variacin total es expresada de la siguiente manera:
2 total 2 proceso 2 error medicin
Pgina 228
Estudios R&R - Mtodo Corto del Rango
Es un mtodo que proporciona un valor aproximado del error R&R sin que muestre
las diferencias entre errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una
sola vez.
Se calcula el rango de la medicin de cada parte y al final el rango promedio.
La desviacin estndar de R&R se aproxima con la formula de rango medio entre

d2*
El % de R&R se calcula comparando la desv. Estndar de R&R con la del proceso
Partes Evaluador A Evaluador B Rango A,B

1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588

Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
Pgina 229
Estudio de R&R Mtodo largo
Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida

sobre el equipo de medicin a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegrese de que el equipo de medicin haya sido calibrado.

2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
Pgina 230
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA

Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y
otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso
Pgina 231
Ejemplo 134: Clculo de la Repetibilidad nicamente
Un equipo de mejora de la calidad involucrado en el diseo de CEP (Control

Estadstico del Proceso), desea realizar un clculo de la capacidad del sistema de
medicin. Se tienen veinte unidades de producto, el operador que toma las
mediciones para el diagrama de control usa un instrumento para medir cada
unidad dos veces. Los datos son mostrados en la tabla siguiente:
Parte Medicin 1 Medicin 2 Media Rango

1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
x 22.3
R 1 .0
La desviacin estndar del error de medicin, medicin , es calculada mediante la

siguiente frmula:
34
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 232
R 1
medicin = 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin

utilizamos:
6 medicin 6(0.887) 5.32
La proporcin 6 medicin de la banda de tolerancia (rango total de especificacin) es

llamada precisin de tolerancia:
P 6 medicin

T USL LSL
En este ejemplo USL = 60, LSL = 5
P 5.32
0.097 .
T 55
Como se mencion anteriormente los valores P/T de 0.1 o menores generalmente

implican una capacidad de error de medicin adecuada.
Calculamos la varianza total mediante:
2 Total S 2 (3.07) 2 9.4249
Pgina 233
La desviacin estndar es calculada a partir de los datos de la tabla.

Ya que tenemos un estimado de 2 medicin .887 2 .79 , podemos obtener un
estimado para 2 proceso
2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93

El error de medicin es expresado como un porcentaje de la variabilidad del
proceso:
medicion .79
100 25.73%
total 3.07
Al ser el error de medicin mayor al 10%, concluimos que no tenemos un sistema

de medicin confiable, por lo cual tenemos que realizar las acciones correctivas
correspondientes.
Clculos con Excel o manual: Introducir los datos en la hoja de coleccin de

datos siguiente por cada operador y hacer los clculos indicados en la zona gris:
RECOLECCIN DE DATOS
OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 RA : 0.00035
XA : 0.004666667
RA : 0.00035 # Intentos D4
Pgina 234
RB : 0.0004 3 2.58
RC : 0.0005
SUM: 0.00125 LSCR = R x D4
R: 0.000416667 LSCR = 0.001075
Pgina 235
columna 11 columna 12 Promedio Prom. Parte

3er Intento Rango X Xp =
0.0045 0.0005 0.0047 0.004556
0.0045 0.0010 0.0048 0.004889
0.0040 0.0005 0.0043 0.004444
0.0050 - 0.0050 0.004944
0.0040 0.0005 0.0043 0.004333
0.0050 - 0.0050 0.005111
0.0050 0.0005 0.0048 0.004833
0.0050 0.0010 0.0053 0.005111
0.0045 0.0010 0.0048 0.004778
0.0045 - 0.0045 0.004167
0.0460 0.0050 0.0477 Xp= 0.004717
RC : 0.0005 Rp= 0.000944
A2
LSCX = X + A2 R = 1.023
LSCX = 0.005142917
LICX = X - A2 R
LICX = 0.0043
RANGOS
LSCR = 0.001075 R= 0.00042 LICR = 0
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y parte
especfica errnea.
Pgina 236
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX = 0.005143 X= 0.004717 LICX = 0.004290417
LSCX
X
LICX
Se procede posteriormente a determinar los errores o variabilidad del sistema de

medicin con la hoja de trabajo siguiente, calculando los campos con sombra gris:
Pgina 237
Pgina 238
Interpretacin de los resultados
1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa

para liberar producto terminado la referencia es la tolerancia del cliente; si
el equipo se usa para control del proceso, la referencia es la variacin total
del proceso.
2. El nmero de categoras debe ser de al menos 4 indicando que el equipo

distingue las partes que son diferentes.
Pgina 239
Ejemplo 2 (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida

dos veces por tres operadores. Realice un estudio R&R mediante el mtodo
ANOVA.
OPERADOR A.- B.- C.-

columna columna columna columna columna columna columna columna columna
1 2 3 5 6 7 9 10 11
1er 2do 3er 1er 2do 3er 1er 2do 3er
Muestra Intento Intento Intento Intento Intento Intento Intento Intento Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045
2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes Operadores Medicin Partes Operadores Medicin Partes Operadores Medicin

1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
Pgina 240
4 1 0.005 4 2 0.005 4 3 0.005

5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
Seleccione en el men de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Study variation 5.15 Process tolerante 0.006
Pgina 241
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Part-To-Part 0.0000001 59.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19
Number of Distinct Categories = 1
Gage R&R for Datos
Anlisis de los resultados:
El error de R&R vs tolerancia es 64.03% y vs variacin total del proceso es

21.25% lo que hace que el equipo de medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.
Pgina 242
Gage R&R (Xbar/ R) for Datos

Reported by:
Gage name: Tolerance:
Date of study: Misc:
Components of Variation Datos by Partes

80 0.006
% Contribution
%Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
0.0050 1
0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
La grfica R se mantiene en control indicando que las mediciones se realizaron en

forma adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera de control, lo cual debera

ser al menos el 50%, indicando que el equipo no discrimina las diferentes partes.
Ejemplo 3: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to
remove interaction 0.25
Pgina 243

Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Los operadores y la interaccin no fueron significativos, slo las partes
Two-Way ANOVA Table Without Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 0.0000002 0.0000001 0.75592 0.473
Repeatability 78 0.0000077 0.0000001
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Study Var %Study Var %Tolerance
Pgina 244
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)

Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88
Number of Distinct Categories = 1
La interaccin no es significativa, y los errores de R&R indican que equipo de

medicin no es adecuado, ni el nmero de categoras.
Gage R&R (ANOVA) for Datos

Reported by:
Gage name: Tolerance:
Date of study: Misc:
Components of Variation Datos by Partes

80 0.006
% Contribution
%Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Las conclusiones son similares que con el mtodo de X barra R.
Pgina 245
Estudios de R&R por atributos
Una empresa est entrenando a cinco evaluadores para la porcin escrita de un

examen estndar de doceavo grado. Se requiere determinar la habilidad de los
evaluadores para calificar el examen de forma que sea consistente con los
estndares. Cada uno de los evaluadores califica 15 exmenes en una escala de
cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archive ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:
Appraiser Sample Rating Attribute

Simpson 1 2 2
Montgomer
y 1 2 2
Holmes 1 2 2
Duncan 1 1 2
Hayes 1 2 2
Simpson 2 -1 -1
Montgomer
y 2 -1 -1
Holmes 2 -1 -1
Duncan 2 -2 -1
Hayes 2 -1 -1
Simpson 3 1 0
Montgomer
y 3 0 0
Pgina 246
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomer
y 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomer
y 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Montgomer
y 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomer
y 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomer
y 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomer
y 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomer
y 10 1 1
Pgina 247
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomer
y 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomer
y 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomer
y 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomer
y 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomer
y 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Gage R&R for Datos

Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI

Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Pgina 248
Holmes 15 15 100.00 (81.90, 100.00)

Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with

the known standard.
Kendall's Correlation Coefficient
Appraiser Coef SE Coef Z P

Duncan 0.89779 0.192450 4.61554 0.0000
Hayes 0.96014 0.192450 4.93955 0.0000
Holmes 1.00000 0.192450 5.14667 0.0000
Montgomery 1.00000 0.192450 5.14667 0.0000
Simpson 0.93258 0.192450 4.79636 0.0000
Between Appraisers
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
-2 0.680398 0.0816497 8.3331 0.0000
-1 0.602754 0.0816497 7.3822 0.0000
0 0.707602 0.0816497 8.6663 0.0000
1 0.642479 0.0816497 7.8687 0.0000
2 0.736534 0.0816497 9.0207 0.0000
Overall 0.672965 0.0412331 16.3210 0.0000
Pgina 249
Kendall's Coefficient of Concordance
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
All Appraisers vs Standard
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with the known

standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)

-2 0.842593 0.115470 7.2971 0.0000
-1 0.796066 0.115470 6.8941 0.0000
0 0.850932 0.115470 7.3693 0.0000
1 0.802932 0.115470 6.9536 0.0000
2 0.847348 0.115470 7.3383 0.0000
Overall 0.831455 0.058911 14.1136 0.0000
Kendall's Correlation Coefficient

Coef SE Coef Z P
0.958102 0.0860663 11.1100 0.0000
Pgina 250
* NOTE * Single trial within each appraiser. No percentage of

assessment agreement within appraiser is plotted.
Date of study:
Reported by:
Name of product:
Misc:
Appraiser vs Standard
100 95.0% CI
Percent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los

evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Pgina 251
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento

adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de

especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages

pasa, no pasa no son confiables
Pgina 252
7. MUESTREO DE ACEPTACIN POR ATRIBUTOS
7.1 EL PROBLEMA DE LA ACEPTACIN POR MUESTREO

Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha
estado siendo desplazado por mtodos preventivos como el CEP y el diseo de
experimentos.
Si se recibe un lote de un proveedor, se toma una muestra y se evalan algunas

de las caractersticas del producto, en base a los resultados se toma una decisin
sobre la disposicin del lote, ya sea aceptados para su uso en produccin, o
rechazados para que el proveedor tome acciones.
Hay 3 aspectos importantes del muestreo:

1. Su propsito es calificar los lotes, no estimar los parmetros del lote.
2. No proporcionan un mecanismo de control de calidad, simplemente aceptan o
rechazan lotes.
3. Sirven como herramienta de auditora para segurar que la calidad de un lote
est de acuerdo a especificaciones.
Existen 3 alternativas para calificar un lote:

1. Aceptar sin inspeccin.Con proveedores confiables.
2. Inspeccionar al 100%, separando los productos defectuosos.
3. Realizar un muestreo de aceptacin.
La aceptacin por muestreo es ms util en las situaciones siguientes:

1. Cuando las pruebas son destructivas.
2. Cuando el costo de la inspeccin 100% es muy alto.
3. Cuando la inspeccin 100% es muy tardada.
Pgina 253
4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
6. Cuando hay riesgo de generar problemas legales por productos crticos.
7.1.1 VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspeccin por muestreo, se tienen las ventajas siguientes:

1. Es ms barato, requiriendo menos inspeccin.
2. Existe un menor manejo de producto o menor dao.
3. Se aplica a pruebas destructivas.
4. El rechazar un lote completo en lugar de slo las partes defectivas, motiva al
proveedor a mejorar su calidad.
El muestreo de aceptacin tambin presenta varias desventajas:

1. Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
2. La informacin que se genera respecto al producto o proceso es poca.
3. El muestreo de aceptacin requiere documentacin y planeacin, no as la
inspeccin 100%.
7.1.2 TIPOS DE PLANES DE MUESTREO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y

atributos. Una caracterstica se expresa en variables si se puede medir, o en
atributos si se califica como pasa no pasa.
Un plan de muestreo simple es un procedimiento de calificacin de lotes, donde se

toma una muestra aleatoria de n partes y la disposicin del lote es determinada
Pgina 254
dependiendo de los resultados de la muestra, aceptndose si se encuentran hasta

c productos defectivos.
Un plan de muestreo doble implica que despus de tomar una muestra e

inspeccionar, se toma una decisin de (1) rechazar, (2) aceptar o (3) tomar una
segunda muestra, si esto sucede, se combina la informacin de la primera y de la
segunda para tomar una decisin.
Un plan de muestreo mltiple es una extensin del doble, en el cual ms de dos

muestras pueden ser necesarias antes de tomar una decisin. Los tamaos de
estas muestras son ms pequeos que en el muestreo doble.
El muestreo secuencial implica la seleccin de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote despus de un cierto nmero de
unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con

cualquiera de las modalidades anteriores.
7.1.3 FORMACIN DE LOTES
Para inspeccin de lotes, estos deben cumplir las caractersticas siguientes:
1. Deben ser homogneos, las unidades deben ser producidas por las mismas
corridas de produccin, en condiciones similares. Es difcil tomar acciones
correctivas para lotes mezclados.
2. Lotes grandes son preferibles a lotes pequeos, dado que la inspeccin es
ms eficiente.
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de dao
y permitir la seleccin de muestra en forma sencilla.
Pgina 255
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes de
las capas superiores, sino de preferencia numerar las partes con un nmero y
seleccionar con tablas de nmeros aleatorios o tambin se puede estratificar el
lote.
7.1.4 GUIA DE APLICACIN DE PLANES DE MUESTREO
Un plan de aceptacin es el establecimiento del tamao de muestra a ser usado y

el criterio de aceptacin o rechazo para calificar lotes individuales.
Un esquema de aceptacin es un conjunto de procedimientos de planes de

aceptacin en los cuales se relacionan los tamaos de lote, tamao de muestra,
criterio de aceptacin o rechazo, la cantidad de inspeccin 100% y de muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los

procedimientos de muestreo de aceptacin son:
Procedimiento Procedimiento
Objetivos por atributos por Variables
1. Asegurar niveles de calidad Plan especfico Plan especfico

Para el consumidor y productor en base a curva OC en base a curva OC
2. Mantener la calidad en el Sistema de AQL Sistema de AQL

objetivo MIL-STD-105E MIL-STD-414
3. Asegurar el nivel de Sistema de AOQL Sistema de AOQL

calidad de salida de Dodge-Romig
6. Asegura la calidad no Planes LTPD de Planes LTPD con

menor que el objetivo de Dodge-Romig prueba de hiptesis.
Pgina 256
Los clientes estn enfocados a mejorar la calidad de sus proveedores,

seleccionando a los mejores y trabajando en forma cercana para reducir su
variabilidad, con tcnicas de control estadstico del proceso. El muestreo de
aceptacin se utiliza mientras se mejora la calidad con el proveedor.
7.2 MUESTREO SIMPLE POR ATRIBUTOS
Un plan de muestreo simple se define por su tamao de muestra n y el nmero de

aceptacin c. El tamao del lote se especifica como N.
Por ejemplo si se tiene el plan:
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspeccin, si el nmero de productos defectivos observados en la muestra d es
menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
7.2.1 LA CURVA OC
La curva caracterstica de operacin (OC) muestra la probabilidad de aceptar el

lote (Pa o en el eje Y), versus la fraccin defectiva media en el lote (p en el eje
X), mostrando la potencia de discriminacin del plan de muestreo.
La curva caracterstica de operacin se obtiene graficando p versus la probabilidad

binomial de encontrar y aceptar a lo ms c defectivos o sea:
Pgina 257
c
n! d nd
Pa P{d c) p (1 p) (7.1)
d 0 d!(n d )!
Esto mismo se puede aproximar por la distribucin de Poisson para efectos
prcticos.
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin

binomial acumulada (opcin VERDADERA en Excel) se muestra a continuacin:
7.2.2 CURVA CARACTERSTICA DE OPERACIN OC
p Pa =
0.005 0.98968755 Pa
0.01 0.939689918
0.02 0.736577576
0.03 0.498482838
0.04 0.304158359
Curva OC
0.05 0.172076864
0.06 0.091869347
0.07 0.046819851
0.08 0.022955079
0.09 0.010886432
p
Fig. 7.1 Curva caracterstica de operacin (OC)
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptacin

es de 0.74. Significa que de cada 100 lotes recibidos, se aceptarn 74 y se
rechazarn 26.
Pgina 258
A continuacin se muestran algunas variaciones de la curva caracterstica de

operacin variando tanto como el criterio de aceptacin c manteniendo n
constante y despus manteniendo c como constante y variando n.
Pgina 259
Fig. 7.2 Curvas caractersticas de operacin diversas
Manteniendo n constante y variando c se tiene:

p n = 89, c=0 n = 89 c=1 n = 89, c =2
0.005 0.640109373 0.926389444 0.98968755

0.01 0.408820174 0.776345382 0.939689918
0.02 0.165623034 0.466448545 0.736577576
0.03 0.06647898 0.249467514 0.498482838
0.04 0.026432591 0.124453451 0.304158359
0.05 0.010408805 0.059165839 0.172076864
0.06 0.004058625 0.027115072 0.091869347
0.07 0.001566688 0.01206181 0.046819851
0.08 0.000598572 0.005231002 0.022955079
0.09 0.0002263 0.002218234 0.010886432
c=0, 1, 2
Para el caso en que lo que se vare sea n se tiene:
p n = 50, c=2 n = 100, c = 2 n = 200, c = 2
0.005 0.997944456 0.985897083 0.920160568

0.01 0.986182729 0.920626798 0.676678695
0.02 0.921572252 0.676685622 0.235148136
0.03 0.810798075 0.419775083 0.059290946
0.04 0.676714004 0.232142624 0.012489138
0.05 0.540533123 0.118262981 0.002336294
0.06 0.416246472 0.056612777 0.000400477
0.07 0.310788561 0.025788541 6.40456E-05
0.08 0.225974275 0.011272803 9.66278E-06
0.09 0.160540491 0.004756131 1.38543E-06
n=50, 100,200
2
Pgina 260
PUNTOS ESPECIFICOS EN LA CURVA OC
Un consumidor frecuentemente fija de comn acuerdo con su proveedor, un nivel

de calidad aceptable (AQL), que representa el nivel ms pobre de calidad que el
consumidor considera aceptable como promedio, normalmente es la fraccin
defectiva que tiene un 95% de ser aceptada ( = 0.95).
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los casos
cuando tengan una fraccin defectiva de a lo ms un porcentaje defectivo tolerable
en el lote (LTPD), normalmente esta fraccin defectiva corresponde a una
probabilidad de aceptacin del 10% o rechazo del 90% de las veces. Tambin se
el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo A utilizando la distribucin hipergeomtrica se construye cuando

se tiene un lote aislado de tamao finito, se utiliza cuando n/N >=0.10.
La curva OC tipo B utiliza la distribucin binomial o de Poisson cuando n/N < 0.1,
sin embargo en los niveles donde n/N=0.1 ambas curvas A o B son muy parecidas.
7.2.3 DISEO DE UN PLAN DE MUESTREO EN BASE A CURVA OC
En este mtodo se especifican 2 puntos por los que debe pasar la curva OC, uno
de ellos tiene coordenadas (p 1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el
nomograma Binomial para encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una lnea recta el valor de p 1 en el eje

vertical izquierdo con 1- en el eje vertical derecho, y con otra lnea recta se hace
coincidir p2 en el eje vertical izquierdo con en el eje vertical derecho. En el punto
Pgina 261
de cruce se encuentra el valor de n y de c del plan de muestreo simple. Ver

nomograma y ejemplo en la pgina siguiente.
Cuando p1 es igual al AQL y p 2 es el LTPD, los puntos correspondientes en la

curva OC se denominan riesgo del productor (1-) y riego del consumidor .
7.2.4 INSPECCIN RECTIFICADORA
Los programas de aceptacin por muestreo normalmente requieren accin

correctiva cuando los lotes son rechazados, de tal forma que el proveedor los
selecciona al 100% remplazando los artculos defectivos por buenos. Esta
actividad se denomina inspeccin rectificadora por su impacto en la calidad de
salida final hacia la planta.
Lotes Seleccin 100%

Rechazados Fraccin defectiva 0
Lotes recibidos Inspeccin Lotes de salida

Fraccin defectiva Fraccin defectiva
p0 p1<p0
Lotes
Curva OC Aceptados
Fig. 7.3 Inspeccin rectificadora (piezas malas reemplazadas)
Suponiendo que los lotes que llegan tienen una fraccin defectiva p 0 , despus de
la actividad de inspeccin bajo un plan de muestreo, algunos lotes sern
aceptados y otros sern rechazados. Los lotes rechazados sern seleccionados al
100% por el proveedor remplazando los artculos defectuosos por buenos despus
se integran a los lotes que ingresan a la planta obtenindose una fraccin
Pgina 262
defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en

lotes de tamao N se tiene:
1. n artculos de la muestra no contienen defectivos.

2. N-n artculos los cuales si el lote se rechaz no contenan defectivos.
3. N-n artculos los cuales si el lote se acepta contienen p(N-n) defectivos.
As los lotes despus del proceso rectificador, contienen un nemro esperado de

defectivos igual a Pap(N-n) con la cual se puede expresar una fraccin defectiva
media AOQ como sigue,
Pa p( N n)
AOQ
N
(7.2)
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de

entrada p=0.01.
Como en la curva caracterstica de operacin (para n=89, c=2)
cuando p=0.01, Pa = 0.9397, entonces el AOQ es:
Pa p ( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
Cuando N es grande respecto al tamao de muestra n, se tiene,
AOQ Pa p (7.3)
La curva de AOQ versus p se muestra a continuacin:
Pgina 263
CURVA AOQ
Fraccin defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438
0.01 0.939689918 0.009396899
0.02 0.736577576 0.014731552
0.03 0.498482838 0.014954485
0.04 0.304158359 0.012166334
0.05 0.172076864 0.008603843
0.06 0.091869347 0.005512161
0.07 0.046819851 0.00327739
0.08 0.022955079 0.001836406
0.09 0.010886432 0.000979779
n=89, c=2
CURVA AOQ
Fraccin defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438 AOQ
0.01 0.939689918 0.009396899

0.02 0.736577576 0.014731552
0.03 0.498482838 0.014954485
AOQL = 1.55%
0.04 0.304158359 0.012166334
0.05 0.172076864 0.008603843
0.06 0.091869347 0.005512161
0.07 0.046819851 0.00327739
0.08 0.022955079 0.001836406
0.09 0.010886432 0.000979779 0.03
p
p
Fig. 7.4 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la

peor fraccin defectiva de salida hacia la planta o proceso, que se denomina lmite
Pgina 264
de calidad de salida promedio AOQL el cual es aproximadamente 0.0155 o 1.55%

defectivo.
El nmero promedio de inspeccin total por lote es ATI, igual a:
ATI n (1 Pa )( N n) (7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397

se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se

inspeccionarn por lote, algunas por el cliente (n) y otras
por el proveedor (N-n) en base al plan de muestreo.
Las curvas ATI para diferentes tamaos de lote se muestra a

continuacin, para n = 89 y c = 2:
p Pa ATI-N=1000 ATI-N=5000 ATI-N=10000

0.005 0.98968755 98.39464177 139.644441 191.20669
0.01 0.939689918 143.9424844 385.1828112 686.7332196
0.02 0.736577576 328.9778285 1382.667526 2699.779647
0.03 0.498482838 545.8821346 2551.950783 5059.536593
0.04 0.304158359 722.9117347 3506.278297 6985.486501
0.05 0.172076864 843.2379767 4154.93052 8294.546199
0.06 0.091869347 916.3070247 4548.829636 9089.4829
0.07 0.046819851 957.3471157 4770.067712 9535.968456
0.08 0.022955079 979.0879231 4887.267607 9772.492212
0.09 0.010886432 990.0824602 4946.536731 9892.104569
Pgina 265
ATI
N=10000
N=5000
N=1000
Fig. 7.5 Curvas de nmero de muestras inspeccionadas promedio

por el cliente y por el proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo ms

eficiente la inspeccin por muestreo.
7.3 MUESTREO DOBLE, MLTIPLE Y SECUENCIAL
Estos tipos de muestreo son extensiones del muestreo simple, se pueden disear
curvas CO equivalentes.
7.3.1 PLANES DE MUESTREO DOBLE
Un plan de muestreo doble es un procedimiento en el cual, bajo ciertas

circunstancias, se requiere una segunda muestra para calificar el lote. El plan se
define por los parmetros siguientes:
n1 = tamao de muestra en la primera muestra.

c1 = criterio de aceptacin en la primera muestra.
n2 = tamao de muestra en la segunda muestra.
c2 = criterio de aceptacin en la segunda muestra.
Pgina 266
Al aplicar el plan el nmero de defectivos observados en la primera muestra es d 1

y los defectivos observados en la segunda muestra es d 2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artculos, se acepta el lote si el total de defectivos

d1 <= c1=1, rechazndose si d1 >c2=3.
Si d1 es igual a 2 o a 3, se toma una segunda muestra de 100 artculos, se

inspecciona y se determina el nmero de defectivos d 2 .
Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.
En ambas muestras la primera y segunda, la inspeccin se continua hasta

inspeccionar todos los artculos, por eso se denomina inspeccin completa, el
nmero promedio de artculos inspeccionados por muestra ASN es,
ASN n1 n2 (1 P1 ) (7.5)
donde P1 es la probabilidad de tomar una decisin en la primera muestra o sea:

P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la
primera muestra}
Si por el contrario la inspeccin de los artculos se suspende cuando se encuentra

un nmero de defectivos mayor al criterio de aceptacin c 2 y no se inspeccionan
todos los artculos, el mtodo se denomina inspeccin recortada, el
comportamiento de ambos esquemas se muestra a continuacin,
Pgina 267
ASN
Insp. completa
n = cte.
Insp. recortada
Fig. 7.6 Diferencias en muestras inspeccionadas por el

cliente promedio con inspeccin completa y recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspeccin.
La inspeccin recortada si es ms econmica sin embargo proporciona menos

informacin acerca del lote.
CURVA CARACTERSTICA DE OPERACIN

Del ejemplo anterior, si Pa es la probabilidad de aceptacin, esta se forma con la
probabilidad de aceptacin en la primera muestra ms la probabilidad de
aceptacin en la segunda muestra ya sea usando la distribucin binomial o la de
Poisson. O sea:
Pa PaI PaII (7.6)

PaI P ( d 1 1 n1 ) (7.7)
PaII P (d1 2 n1 ) xP (d 2 1 n2 ) P ( d1 3 n1 ) xP (d 2 0 n 2 ) (7.8)
Pgina 268
Fig. 7.7 Curva caracterstica de operacin bajo muestreo

doble
Prob.de decidir
p Pa (1 muestra) Pa (2 muestra) Pa total en 1 muestra
0.005 0.973868476 0.023086044 0.99695452 0.975541743
0.01 0.910564687 0.060110197 0.970674884 0.928938723
0.02 0.735771394 0.082974214 0.818745608 0.876809831
0.03 0.555279873 0.055742128 0.611022002 0.908030663
0.04 0.400481197 0.027184125 0.427665321 0.971005627
0.05 0.279431752 0.01098373 0.290415482 1.021593093
0.06 0.190003258 0.003907151 0.193910409 1.04698017
0.07 0.126493499 0.001264661 0.12775816 1.052081017
0.08 0.082712023 0.00037995 0.083091973 1.046006124
0.09 0.053238461 0.000107325 0.053345786 1.035937851
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
DISEO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario disear un

plan de muestreo doble tomando como referencia las coordenadas de la curva OC
(p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean las
tablas de Grubbs (ver pginas siguientes).
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada

por,
Pgina 269
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artculos buenos en los
lotes rechazados, la curva de inspeccin total promedio es,
ATI nPaI (n1 n2 ) PaII N (1 Pa ) (7.10)
donde Pa Pa Pa
I II
7.3.2 PLANES DE MUESTREO MLTIPLE
Un muestreo mltiple es una extensin del doble, donde pueden requerirse ms

de dos muestras para calificar el lote, por ejemplo un plan de 5 etapas es el
siguiente:
Muestra acumuladaNmero de aceptacin No. Rechazo

20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Al terminar cada etapa de muestreo, si el nmero de defectivos es menor o igual al

nmero de aceptacin, se acepta el lote. Si en cualquier etapa el nmero de
defectivos acumulado excede el nmero de rechazo, se rechaza el lote, de otra
forma se sigue tomando una siguiente muestra.
Una ventaja que tiene es que el tamao de muestra es ms pequeo que en el

caso del simple o del doble, con una mejor eficiencia de inspeccin. Sin embargo
es ms complejo de administrar.
Pgina 270
7.3.3 MUESTREO SECUENCIAL
Es una extensin de los planes anteriores, aqu se toma una secuencia de

muestras del lote, cuya magnitud ser determinada por los resultados del proceso
de muestreo. Si el tamao del subgrupo inspeccionado en cada etapa es mayor
que uno, se denomina muetreo secuencial de grupo, si es uno, como es nuestro
caso, se denomina muestreo secuencial artculo por artculo, basado en Wald
(1947).
En este caso se tienen 2 lneas, una de aceptacin y otra de rechazo, teniendo

como dato las coordenadas de la curva OC (p 1, 1-) y (p2, ), las ecuaciones de
las lneas son:
X ACEPTACION h1 sn (7.11)
X RECHAZO h2 sn
1
h1 log k

1
h2 log k (7.12)

p 2 (1 p1 )
k log
p1 (1 p 2 )
1 p1
s log k
1 p2
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al

substituir valores en las ecuaciones anteriores:
k = 0.80066
h1=1.22
h2=1.57
Pgina 271
s=0.028
Por tanto las ecuaciones de las lneas de aceptacin y

rechazo son:
XA= -1.22 + 0.028n Lnea de aceptacin

XB= 1.57 + 0.028n Lnea de rechazo
Haciendo una tabla de valores donde el nmero de aceptacin

es el entero ms prximo menor que o igual a XA y el nmero
de rechazo es el entero ms prximo superior que o igual a XR.
MUESTREO SECUENCIAL
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
Pgina 272
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
Pgina 273
En este caso no se puede tomar una decisin de aceptacin

hasta que hayan transcurrido las suficientes muestras, que
hagan que la lnea de aceptacin tenga valores positivos en
Xa, 44 en este caso, y no se puede rechazar hasta en la 2.
Muestra.
No. de
defectos Lnea de
acumulados aceptacin
3
Lnea de
2 Rechazo
1
Nmero de
0 20 40 60 muestras
-1
Fig. 7.8 Comportamiento del muestreo secuencial
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p 1, 1-), (p2, ) y el punto medio de la curva
en p=s y Pa = h2 /(h1+h2).
Las muestras inspeccionadas promedio son:
A B
ASN Pa (1 Pa ) (7.13)
C C
Donde,

A log
1
1
B log

p 1 p2
C p log 2 (1 p ) log
p1 1 p1
Pgina 274
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras

inspeccionadas total es:
A
ATI Pa (1 Pa ) N (7.14)
C
Pgina 275
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)
DESCRIPCIN DE LA NORMA
Esta norma se desarroll durante la segunda guerra mundial emitindose en 1950

con la versin A. La versin D se public en 1963 y en 1971 fue adoptada por la
ANSI con pequeos cambios como la Z1.4 y en 1973 fue adoptada por la ISO
como la norma ISO 2859. En 1989 se liber la versin E.
La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):

- Muestreo simple.
- Muestreo doble.
- Muestreo mltiple
En cada uno de los casos se prevn los siguientes tipos de inspecciones:
- Inspeccin normal.
- Inspeccin estricta.
- Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa

mala calidad del proveedor y se usa la reducida cuando la calidad del
proveedor es buena, reduciendo los tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1%

y 10%), negociado entre cliente y proveedor. Los valores tpicos de AQL
para defectos mayores es de 1%, 2.5% para defectos menores y 0% para
defectos crticos. Cuando se utiliza para planes de defectos por unidad se
tienen 10 rangos adicionales de AQLs hasta llegar a 1000 defectos por cada
100 unidades, los noveles pequeos de AQL se pueden utilizar tanto para
controlar fraccin defectiva como defectos por unidad.
Pgina 276
El tamao de muestra en el estndar est determinado por el tamao del

lote y por la seleccin del nivel de inspeccin. Se proporcionan tres niveles
de inspeccin, donde el nivel II se considera normal; el nivel I requiere
alrededor de la mitad de la inspeccin del nivel II y se usa cuando se
requiere menos discriminacin; el nivel III requiere alrededor del doble de
inspeccin del nivel II, y se usa cuando se requiere ms discriminacin. Hay
tambin cuatro niveles especiales de inspeccin, S-1, S-2, S-3 y S-4, estos
usan tamaos de muestra muy pequeos y slo deben usarse cuando los
riesgos grandes del muestreo sean aceptables.
Para un AQL especfico, un nivel de inspeccin y un tamao de lote dado, el

estndar MIL-STD-105E proporciona un plan de muestreo normal que se
utilizar conforme el proveedor produzca productos con calidad AQL o
mejor. Tambin proporciona un mecanismo de cambio de cambio a
inspeccin estricta o reducida como se ilustra en la figura y se describe a
continuacin.
1. Normal a estricta. Cuando se tiene inspeccin normal, la inspeccin estricta

se instituye cuando cundo dos de cinco lotes consecutivos han sido
rechazados.
2. Estricta a normal. Cuando se tiene inspeccin estricta, la inspeccin normal

se instituye cuando cinco lotes consecutivos son aceptados.
3. Normal a reducida. Cuando se tiene inspeccin normal, la inspeccin

reducida se instituye cuando se cumple con todas las condiciones siguientes:
a. Diez lotes consecutivos han sido aceptados con inspeccin normal.

b. El nmero total de defectivos en las muestras de los diez lotes
precedentes es menor o igual a el nmero lmite aplicable del estndar.
Pgina 277
c. La produccin de lotes ha sido continua sin interrupciones mayores.

d. La inspeccin reducida se considera adecuada por la funcin
responsable de la inspeccin por muestreo.
4. Reducida a normal. Cuando se tiene inspeccin reducida, la inspeccin

normal se instituye cuando se cumple cualquiera de las condiciones
siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de aceptacin
o rechazo, el lote se acepta pero se cambia a inspeccin normal en el
prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.
5. La Inspeccin se descontina. Cuando diez lotes se acepten con inspeccin

estricta y el proveedor tome acciones para mejorar su calidad.
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
1. Negociacin del AQL (cliente proveedor).

2. Decisin del nivel de inspeccin.
3. Determinacin del tamao del lote.
4. Consultar la tabla 1 (ver apndice) y localizar la letra cdigo correspondiente
al tamao del lote y el nivel de inspeccin.
5. Decisin en cuanto al procedimiento de muestreo a utilizar (simple, doble,
mltiple).
6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se
encuentran en el apndice).
Pgina 278
7. Uso de la tablas para inspeccin reducida y estricta, cuando se requieran

hacer cambios.
Ejemplo 7.4 Si N= 2,000 y AQL= 0.65% usando el nivel II de

inspeccin:
1. La tabla I indica la letra cdigo K.

2. La tabla II-A para inspeccin normal indica el plan de
muestreo n=125 y c=2.
3. La tabla II-B para inspeccin estricta indica el plan de
muestreo n= 125, c=1.
La flecha descendente cambia la c, la letra de cdigo y el

tamao de muestra, lo mismo para la ascendente. Por
ejemplo, un AQL de 1.5% y letra F ser cambiado a letra G
con tamao de muestra 32 en lugar de 20.
Para el caso de muestreo doble con los datos anteriores, la

letra cdigo es K y de las III-A, III-B y III-C se obtienen
los planes de inspeccin normal (n1= n2=80, c1a=0, cir=3,
c2a=3), estricta (mismas que n1 y n2, c1a=0, cir=2, , c2a=1,
c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del

productor de la curva OC, la parte restante de la curva depende de la seleccin
Pgina 279
del nivel de inspeccin. Los tamaos de muestra seleccionados son 2, 3, 5, 8, 13,

20, 32, 50, 80, 125, 200, 315, 500, 800, 1250 y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del tamao
de muestra se obtiene una recta hasta n=80 y despus una recta con una
pequea pendiente. Como la razn de N a n es decreciente conforme aumenta N
se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MIL-
STD-105E, difiriendo en que:
1. Se usa el trmino No conforme o no conformancia o porcentaje no

conforme.
2. Cambian ligeramente las reglas de cambio agregndose una opcin para
inspeccin reducida sin el uso de nmeros lmite.
3. Se agregan varias tablas que muestran el desempeo de los planes, como el
AOQL, fracciones defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
4. Hay una descripcin detallada de los planes de muestreo simples.
5. Se proporciona un esquema ilustrando las reglas de cambio en inspeccin.
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920)
Desarrollaron dos tipos de planes usando inspeccin rectificadora:

1. Planes para el porcentaje defectuoso tolerable en el lote LTPD y
2. Los que proporcionan un lmite de la calidad mxima promedio de salida
AOQL especificado.
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fraccin defectiva
en ppm dependiendo del AQL aceptable.
Pgina 280
AQL ppm
10% 100,000
1% 10,000
0.1% 1,000
0.01% 100
0.001% 10
0.0001% 1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus

componentes tienen en promedio un AQL = 0.5% , por tanto la
probabilidad de que el equipo trabaje es de:
P( funcin _ adecuada ) (0.995)100 0.6058
Por tanto es obvio que se requieran planes de proteccin del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspeccin de sub-ensambles.
Los planes de Dodge-Romig de AOQL y LTPD estn diseados para minimizar la

inspeccin total promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando el
rechazo medio del proceso es bajo (alrededor de 100 ppm).
7.5.1 PLANES DE AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%,
0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para muestreo
simple y doble.
Pgina 281
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL=

3% y la fraccin disconforme del proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una

seguridad del 90% de que sern rechazados los lotes que
tengan desde un 10.3% defectuoso.
Suponiendo que los lotes recibidos tengan un promedio de 1%

de defectivo y la probabilidad de aceptacin sea Pa=0.9957,
se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarn 86 partes del lote en

promedio.
7.5.2 PLANES DE LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1. Se
proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y
10%.
Ejemplo 7.6 Suponiendo N=5,000 con fraccin promedio de

defectivos del proveedor de 0.25% de productos no conformes
y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los

lotes rechazados son seleccionados al 100% y los artculos
defectuosos se reemplazan por artculos buenos, el
AOQL=0.28%.
Pgina 282
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la

fraccin promedio no conforme del proveedor. Se puede estimar la fraccin
defectiva promedio del proceso por medio de carta de control p para los primeros
25 lotes del proveedor, con las causas especiales eliminadas y el proveedor haya
tomado acciones para prevenir su reincidencia.
Pgina 283
8. MUESTREO DE ACEPTACIN POR VARIABLES
VENTAJAS Y DESVENTAJAS
La principal ventaja del muestreo por variables es que se puede obtener la misma
curva caracterstica de operacin con tamao de muestra menor que el que
requerira un plan por atributos. Otra ventaja es que los datos por variables
proporcionan ms informacin del proceso que los atributos. Cuando los AQLs
son muy pequeos (del orden de ppm), el tamao de muestra requerido en el caso
de muestreo por atributos es muy grande y por variables muy pequeo. Cuando la
inspeccin es del tipo destructivo, los planes por variables si se aplican son ms
econmicos.
Como desventajas se tienen el probable alto costo de las mediciones versus

juzgar por atributos, a pesar de que el tamao de muestra sea menor y que es
necesario un plan de muestreo para cada caracterstica importante del producto.
Se debe conocer la distribucin de la caracterstica de calidad, la cual debe ser

normal ya que de otra forma se pueden cometer errores en la aplicacin del plan
de muestreo por variables. Esto es ms crtico cuando las fracciones defectivas
son muy pequeas.
En la figura de la pgina siguiente se muestran las diferencia para varias

distribuciones. Si la distribucin no es normal se puede disear un plan si se
puede determinar la fraccin defectiva a partir de la media y la desviacin estndar
de esa distribucin.
Los planes especifican el nmero de artculos a muestrear en los cuales se hacen

mediciones en la caracterstica de calidad seleccionada, y el criterio de aceptacin
de esos lotes.
Pgina 284
Una comparacin entre los diferentes tipos de muestreo se da a continuacin,

considerando una p1 = 0.01, p2 = 0.08, = 0.05 y = 0.10:
Tipo de muestreo n ASN

1. Muestreo simple por atributos n = 67.
2. Muestreo doble por atributos ASN en p1 = 45
3. Muestreo mltiple por atributos ASN en p1 = 41
6. Muestreo simple por variables, n=27
sigma desconocida, mtodo de s
7. Muestreo simple por variables n=10
Sigma conocida
Como se observa, si la distribucin es normal y la desviacin estndar es

conocida, el costo de muestreo por variables es menor.
TIPOS DE PLANES DE MUESTREO
Existen dos tipos de planes de muestreo por variables, los que controlan la
fraccin defectuosa del lote y los que controlan un parmetro del proceso tal como
la media.
8.1 CONTROL DE LA FRACCIN DEFECTIVA
Como la caracterstica de calidad es una variable, siempre existir ya sea un lmite

de especificacin inferior LIE, lmite de especificacin superior o ambos, que
definan los valores aceptables de esa caracterstica.
Pgina 285
Considerando una caracterstica de calidad x normalmente distribuida y un lmite

inferior de especificaciones LIE, la fraccin defectiva p es funcin de la media del
lote y su desviacin estndar .
Asumiendo que la desviacin estndar del proceso es conocida, se desea tomar

una muestra del lote para determinar si o no el valor de la media es tal que la
fraccin defectiva p es aceptable. Para esto se tienen dos mtodos.
__
LIE X x
Fig. 8.1 Bases del muestreo por variables
Procedimiento 1.
Tomando una muestra aleatoria de n artculos del lote y calculando el estadstico
X LIE
Z LIE (8.1)

ZLIE expresa justamente la distancia entre la media X de la muestra y el lmite

inferior de especificacin LIE, entre mayor sea su valor, la media X de la muestra
estar ms alejada del LIE y en consecuencia menor ser la fraccin defectiva p.
Si hay un valor crtico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crtica por decir k para
ZLIE. De esta forma si ZLIE <= k, se aceptar el lote ya que automticamente la
Pgina 286
fraccin defectiva p es satisfactoria, en caso contrario la fraccin defectiva p es

mayor que la aceptable y se rechazar el lote.
Ejemplo 8.1 Si =100, =10 y LIE= 82:
X LIE 82 100
Z LIE 1.8
10
Donde (-1.8) = 0.0359 o sea el 3.59% defectuoso.
Se sigue el mismo procedimiento para el caso de tener un lmite superior de

especificacin unilateral LSE.
LSE X
Z LSE (8.2)

Cuando se tiene un solo lmite de especificacin, la relacin entre Z y la fraccin

defectiva (p) es:
p Zs Zi
0.25 0.6745
0.20 0.8416
0.15 1.0364
0.10 1.2816
0.5 1.6449
0.2 2.0537
0.1 2.3263
Procedimiento 2.
Pgina 287
A partir de una muestra sencilla de tamao n del lote, se calcula Z LIE o

QLIE Z LIE n /(n 1) (ms exacto) y se estima la fraccin defectiva p como
el rea bajo la curva normal debajo de Z LIE, si esta fraccin estimada p,

excede un valor mximo M, se rechaza el lote, de otra forma se acepta.
Para el caso de lmites bilaterales se calculan ambos Q LIE y QLSE.
X LIE
Q LIE n /( n 1)

(8.3)
LSE X
Q LSE n /( n 1)

Se estiman las fracciones defectivas P(QLIE) y P(QLSE) de la tabla mostrada

en el apndice para estimar las fracciones defectivas p I y pS, si la suma de
ambas fracciones defectivas no excede al valor mximo permitido M se
acepta el lote, en caso contrario se rechaza el lote.
Cuando la desviacin estndar es desconocida, se puede estimar de la

desviacin estndar de la muestra s, remplazando en las frmulas
anteriores a por s.
8.2 DISEO DE UN PLAN DE MUESTREO POR VARIABLES CON

UNA CURVA CO ESPECFICA
Para disear un plan de muestreo por variables usando el procedimiento 1, el

mtodo de k, que tiene una curva OC especificada por dos puntos (p 1, 1-), (p2, )
donde p1 y p2 son las fracciones defectivas que corresponden a niveles de calidad
aceptables y rechazables respectivamente se utiliza un nomograma.
Pgina 288
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver

pgina siguiente), para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva caracterstica de operacin

CO, cambiando los valores de las fracciones defectivas p y hallando sus
probabilidades de aceptacin si se mantiene fijo n y k.
Ejemplo 8.2 Un embotellador ha establecido que la

resistencia mnima para una botella de plstico sea de LIE=
225 psi, si a lo ms el 1% no pasa el lmite, se aceptar el
lote con una probabilidad del 95% (p1=0.10 y 1-= 0.95),
mientras que si el 6% o ms estn abajo del lmite, el
embotellador rechazar el lote con una probabilidad de 90%
(p2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza

una lnea que une a el punto 0.01 en la escala de fraccin
defectivas con el punto 0.95 en la escala de probabilidad de
aceptacin. Despus se traza una lnea similar que conecta
los puntos p2 = 0.06 y Pa=0.10, en la interseccin de esas
lneas se lee, k=1.9 y n=40 para desconocida (siguiendo la
lnea curveada) o n=15 (bajando una lnea perpendicular) para
conocida.
a) Procedimiento 1
Si se desconoce la desviacin estndar, se toma una muestra
aleatoria de n = 40 piezas calculando la media y la
desviacin estndar s, se calcula ahora:
Pgina 289
X LIE
Z LIE

Si ZI k = 1.9 se acepta el lote, de otra forma se rechaza.
Si se conoce la desviacin estndar, la n pasa de 40 a 15 con

menos costos, al bajar en forma perpendicular en el punto de
interseccin hacia la escala de n.
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M

del nomograma de la fig. 14.3,
La abscisa se calcula como sigue (con n = 40 y k = 1.9):
1 k n 1 1.9 40
0.35
2 2( n 1) 2 2(39)
Esto indica que M = 0.30.
Por ejemplo si se toma una muestra de n=40 partes y se

observa que la media de la muestra X 255 y s = 15, el valor
de ZLIE es:
X LIE 225 225

Z LIE 2
s 15
de las tablas para fraccin defectiva al final de este

captulo se obtiene una p = 0.020, y siendo que es menor que
M = 0.030, se acepta el lote.
Pgina 290
Para lmites bilaterales se obtienen ambas p i y ps en base a Zi y Zs, si pi + ps M

se acepta el lote, si no se cumple lo anterior, el lote se rechaza.
8.3 TABLAS ASQC Z1.9 1993
Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente

fueron homologadas con las tablas MIL-STD-105E (incluyendo inspeccin
normal, reducida y estricta y concordancia en las letras cdigo de los planes
para cada AQL) para su uso en la industria dando lugar a las tablas Z1.9 de
la ASQC.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin
(el normal es el II), el nivel III tiene una curva ms abrupta que el nivel II. Se
pueden usar niveles ms bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Tiene la siguiente organizacin:
Variabilidad Variabilidad
Desconocida Conocida
Mtodo de S
Especificacin Especificaciones
Unilateral Bilaterales
Procedimiento 1 Procedimiento 2 Procedimiento 2

(Mtodo de k) (Mtodo de M) (Mtodo de M)
Fig. 8.2 Organizacin del muestreo por variables
Tienen 4 secciones:
Pgina 291
A. Descripcin general, con definicin de trminos, cdigo de letras de tamao de

muestra, y curvas OC de los planes.
B. Planes basados en la desviacin estndar de la muestra con sigma del
proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya
descontinuado).
D. Planes basados en la media de la muestra cuando se conoce la sigma del
proceso.
USO DE LAS TABLAS
Las tablas se encuentran en el apndice y su uso se ilustra con un ejemplo:
Ejemplo 8.4 Para el caso del embotellador: Si el lmite

inferior LIE = 225 psi, suponiendo que el nivel de calidad
aceptable en este lmite es AQL = 1% y que las botellas se
embarcan en lotes de N = 100,000, con sigma desconocida se
tiene:
Procedimiento 1.
1. En la tabla A-2 se identifica el cdigo de letra, en este
caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la
letra N y AQL= 1.00 negociado entre proveedor y cliente,
se obtiene k = 2.03. Para el caso de inspeccin severa
(escala inferior) k = 2.18. Para el caso de inspeccin
reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el rengln de N y
columna de AQL= 1% obtenindose M= 2.05%. Para inspeccin
severa M = 1.42%. Para inspeccin reducida, de la tabla B-
4 se obtiene k = 3.44%.
Pgina 292
4. La inspeccin estricta se usa cuando 2 de 5 lotes han

sido rechazados
5. La inspeccin reducida se usa cuando los 10 lotes
anteriores se han aceptado y su fraccin defectiva estimada
es menor que un lmite inferior especificado y la produccin
es estable.
6.La tabla B-6 se usa para obtener la desviacin estndar
mxima que se debe obtener en la muestra con base a la
tolerancia. Si el valor de s excede este valor, se rechaza el
lote.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con
sigma conocida con menor n si se demuestra estabilidad en una grfica X -s para
los lotes (al menos para 30). Los planes especficos para este tipo de planes se
deben consultar en el estndar.
EJEMPLOS TOMADOS DEL ESTANDAR Z1.9-1993
8.3.1 VARIABILIDAD DESCONOCIDA MTODO DE LA

DESVIACIN ESTNDAR
B1. Plan de muestreo para lmite especificacin unilateral. Forma 1

a) De la tabla A2 seleccionar la letra cdigo de funcin del tamao del lote y el
nivel de inspeccin.
b) Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan.
n - tamao de muestra.
K - constante de aceptabilidad
c) Obtener mediciones de muestras , calcular X y s.
d) Criterio de aceptacin.
LSE - Lmite superior de especificacin.
Pgina 293
LIE - Lmite inferior de especificacin.
Comparar (LSE X) / s ( X LIE) / s con k.
Si es mayor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.5 La mxima temperatura de operacin es de 209F.

Un lote de 40 artculos se inspecciona, tomando AQL = 1%,
nivel II.
Solucin.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
B5- Usando la forma 2

a) Usar tablas B3 ( normal y estricta) y B4 (reducida) y obtener el plan de
inspeccin, n y M Porcentaje mximo de no conformes.
b) Obtener mediciones de muestras, calculando X y s.
c) Criterio de aceptacin.
Calcular el ndice de calidad QS= (LSE - X ) / s
QI= ( X LIE ) / s
En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme
PS o P I .
Comparar PS o PI con M , si es igual o menor se acepta el lote, se rechaza en

caso contrario.
Pgina 294
Ejemplo 8.6 De lo anterior; X = 195 ; s = 8.8

a) De la tabla B3 se obtiene M = 3.33% para letra D, n = 5 y
AQL = 1%.
b) De la taba B5 con QS= 1.59 se obtiene PS = 2.19%
c) Como PS M se acepta el lote.
B8. Plan de muestreo para doble lmite de especificacin.

a) Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
b) Obtener el plan n y M de tabla B3 y B4. Si se especifican diferentes AQLs
para cada lmite de especificacin, obtener el porcentaje mximo no conforme
para cada lmite MI y MS. Si se asigna el mismo AQL a ambos lmites, designar
el nivel mximo de porcentaje no conforme por M.
c) Obtener mediciones del muestreo.
d) Calcular los Indices de Calidad QS = (LSE - X ) / s y QL =( X LIE ) /s
e) De tabla B5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.
Pestimada= PI + PS
f) Comparar Pest. Con M, si es menor o igual se acepta el lote, en caso contrario
se rechaza.
Nota: Cuando hay diferente AQL para cada lmite:

Aceptar si PI MI y PS MS y P = PI + PS mayor (MS, MI)
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel

de inspeccin II, inspeccin normal y en base a temperaturas
_
de los ejemplos anteriores, n = 5, X = 195; s= 8.8;
considerando LIE= 180F; LSE= 209F; AQL= 1% donde de tabla

B-3 M = 3.32%
209 180
QS= 1.59 ; PS = 2.19% (de tabla B-5)
8.8
Pgina 295
195 180
QI= 1.704; PI = 0.66% (de tabla B-5) por tanto
8.8
la fraccin defectiva total es de
p = 2.85%
Como P < M se acepta el lote.
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3,

MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
b) Comparando PS MS ; PI MI y P MI
Se acepta el lote.
8.3.2 VARIABILIDAD CONOCIDA
D.1 Slo un lmite de especificacin. Forma 1.

Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9 Se toma un lote de 500 artculos para

inspeccin. LIE= 58,000 psi. N= 500, nivel II,
inspeccin Normal. AQL= 1.5%. La variabilidad es
conocida con valor 3,000 psi
a) de tabla A2, se identifica la letra I y de tabla D1

obtenemos n = 10
Valores de muestra 62,500; 60,500; 68,000; 59,000;
65,500
62,000; 61,000; 96,000; 58,000; 64,500.
a) Clculo de X= 63,000 ; ( X LIE) / = 1.67
b) De tabla D1 ; k = 1.7
c) Comparando ( X LIE)/ < k y el lote se rechaza.
Pgina 296
D.5 Usando la forma 2.

a) Usar tablas D3 y D4 obteniendo n, M y V
b) Calcular QS= (LSE - X) V / y QL=( X LIE) V /
c) Usando tabla D5 estimar PS y PI

d) Comparar D= PS + PI M para aceptabilidad
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500
artculos; AQL = 1.5%; Inspeccin nivel II, normal. De
X = 63,000; n = 10 ; =
_
los datos anteriores se obtuvo
3,000. De tabla A-2 se obtiene la letra I.
a) Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054
respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
D9. Plan de muestreo para doble lmite de especificacin

a) Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
b) Obtener el plan n, el factor v y el porcentaje mximo aceptable M de tabla D3 y
D4. Si se especifican diferentes AQLs para cada lmite de especificacin,
obtener el porcentaje mximo no conforme para cada lmite M I y MS. Si se
asigna el mismo AQL a ambos lmites, designar el nivel mximo de porcentaje
no conforme por M.
c) Obtener mediciones del muestreo en n partes.
d) Calcular la media de los datos.
e) Calcular los Indices de Calidad QS = (LSE - X ) v / y QL =( X LIE ) v /
f) De tabla D-5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.
Pestimada= PI + PS
Pgina 297
Ejemplo 8.11 La especificacin para una colada de acero es de

67,000 y 58,000 psi respectivamente. Un lote de 500 artculos
se somete a inspeccin. El nivel de inspeccin es II,
inspeccin normal con AQL = 1.5%. La variabilidad conocida
con valor 3,000 psi.
a) De tabla D-3 se obtuvo n = 10, v = 1.054, M = 3.63%

_
b) De las mediciones de las 10 muestras se obtuvo X 63,000
c) Los ndices QS con QL son respectivamente 2.459 y 3.162 con
fracciones estimadas defectuosas 0.697% y 0.078% de la
tabla D-5.
d) Como la fraccin defectiva total no excede el valor de M =
3.63%, se acepta el lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso

contrario se rechaza.
8.3.3 DISCUSIN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideracin muy importante en el uso de las normas es que la

poblacin de donde se obtienen las muestras debe ser normal. Es ms crtico
para pequeos valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la

distribucin para asegurar que la norma Z1.9 es aplicable sin modificaciones.
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
1. Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-
STD-105E por atributos.
Pgina 298
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la MIL-
STD-105E.
3. Los niveles de inspeccin originales I, II, III, IV y V se denominaron S 3, S4, I, II
y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez
de las desviaciones estndar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han
sido aceptados y:
El AQL es un paso menor.
El proceso est bajo control estadstico.
La inspeccin reducida es aprobada.
7. La ISO 3951 permite el paso de un mtodo de sigma desconocida a sigma
conocida, utilizando como sigma el valor promedio estimado en la carta de
control estable con al menos 30 subgrupos. Requiriendo la continuacin de la
carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por

atributos con la MIL-STD-105E, obtener informacin suficiente y despus cambiar
a un esquema por variables manteniendo la misma combinacin de letra para el
AQL.
Pgina 299
Es muy importante una prueba de normalidad a partir de los datos variables de

cada lote.
Pgina 300
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
8.4.1 ASEGURAMIENTO DE LA MEDIA DEL PROCESO
Los planes de muestreo por variables tambin pueden utilizarse para asegurar la
calidad media de un material en lugar de su fraccin defectiva. El mtodo general
que aqu se emplea es el de prueba de hiptesis, lo cual se ilustra con un
ejemplo.
Ejemplo 8.12 Se considera aceptable un lote si tiene menos

de 0.3 ppm de emisiones de formaldedo en maderas. Se disea
un plan de muestreo con una probabilidad de aceptacin del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes
con un 0.4 ppm tengan una probabilidad de aceptacin del
10%. Si por experiencia se sabe que la desviacin estndar
es 0.10 ppm, se tiene:
Si X A es la media muestral debajo de la cual se aceptar el

lote, est normalmente distribuida y tiene una probabilidad
de 0.95 de aceptacin, entonces,
X A 0.3 X A 0.3
1.645 (8.4)
0.1
n n
En forma similar si los lotes que tienen un nivel de emisin

de 0.40 ppm tienen una probabilidad de 0.10 de aceptacin,
entonces,
Pgina 301
X A 0.4 X A 0.4
1.282 (8.5)
0.1
n n
resolviendo para X A y n se obtiene:
X A = 0.355 n= 9
MUESTREO SECUENCIAL POR VARIABLES
Similar al de atributos graficando la suma acumulada de las mediciones de la

caracterstica de calidad. Las lneas para aceptacin del lote, rechazo del lote y
continuacin del muestreo se construyen en forma similar a las de atributos (ver
Duncan 1986).
Pgina 302
APNDICES
Pgina 303
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

CARTAS Xbarra-R
Lmites de control para medias n =5
LSC = X + A2 R
LIC = X - A2 R
Lmites de control para rangos n=5

LSC = D4 R
LIC = D3 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Lmites de control para desviaciones estndar

LSCs = B4 S
LCs = S
LICs = B3 S
CARTAS I-MR de valores individuales

Para los valores individuales n=2
MR
LSCx = X 3
d2
__
LCx = X
MR
LICx = X 3
d2
Pgina 304
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p
__ __
LICp = p 3 p (1 p )
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3 c
LCc = c
LICc = c - 3 c
CARTAS u
Pgina 305
c
u
n
Donde u representa el nmero promedio de no conformidades por unidad en un

conjunto de datos preliminar
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Pgina 306
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
7 1.023 0.000 2.574 1.693
8 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para lmites de control en las cartas X-S son:

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Pgina 307

Herramientas para La Solucion de Problemas

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Herramientas para La Solucion de Problemas

Transféré par

Droits d'auteur :

Formats disponibles

HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS

DR. PRIMITIVO REYES AGUILAR

CONTROL ESTADSTICO DEL PROCESO

1. IMPORTANCIA DE LA MEJORA CONTINUA DE LA CALIDAD 4

2. FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO 21

3. CARTAS DE CONTROL POR VARIABLES 78

4. CARTAS DE CONTROL PARA ATRIBUTOS 122

5. OTRAS CARTAS DE CONTROL ESPECIALES 159

6. ANLISIS DE CAPACIDAD DEL PROCESO 175

7. MUESTREO DE ACEPTACION POR ATRIBUTOS 248

8. MUESTREO DE ACEPTACIN POR VARIABLES 274

Apndice 1. Frmulas de CEP

1. IMPORTANCIA DE LA MEJORA CONTINUA

Las dimensiones de la calidad segn Garvin son:

As la calidad tradicionalmente es adecuacin al uso.

Dentro de la adecuacin al uso existen la calidad de diseo y la calidad de

Una definicin ms moderna es que la calidad es inversamente

De esta forma se define la mejora de calidad como:

LIE Objetivo LSE

Como los mtodos estadsticos tienen un papel importante en el mejoramiento de

Los productos no conformes o defectivos son los que no cumplen una o

Un tipo especfico de no cumplimiento de especificaciones es llamado

Caractersticas del producto: Son los elementos que en conjunto describen la

1. Fsicos: Longitud, peso, voltaje, viscosidad

2. Sensoriales: Gusto, apariencia, color

1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Smith concluy que la divisin del trabajo incrementaba la productividad sin

Frederick Winslow Taylor (1856-1915): l no desarroll una teora de

trabajo. Los estudios realizados antes y despus de esta publicacin, lo erigieron

Taylor9 seal que la creacin de nuevos mtodos de trabajo era responsabilidad

Frank (1864-1924) y Lillian Gilberth: disearon arreglos laborales para eliminar

El Fordismo de Henry Ford: se implant en empresas con lneas de productos

Con las crisis de los aos ochenta, la produccin masiva uniforme ya no es

Control de calidad por inspeccin

Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control

Control estadstico del proceso (CEP)

a la falta de estadgrafos industriales, adecuadamente entrenados. 19

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de

En los aos recientes, empresas de alta tecnologa como Motorola, General

a situaciones en Japn, de tal forma que los productos japoneses mejoraran su

Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa,

100%, sino a travs de tcnicas de muestreo y de cartas de control, como mtodo

Desarrollo del Control Estadstico del Proceso

Fig. 1.2 Experimentos de Shewhart para las cartas de control

Encontr que las medias de las muestras correspondan a las medias de la

Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.

Normalmente para conocer el estado de un proceso en determinado momento, es

a) Proceso fuera de control b)Proceso en control

Fig. 1.3 Comportamiento de procesos en control y fuera de

Llevando un control de proceso a travs de histogramas no sera prctico y

1.3 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de

LSC = Lmite superior de control

Fig. 1.4 Carta de control de Shewhart y sus lmites de

INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

Fig. 1.5 Proceso de produccin, entradas y salidas

El principal mtodo para disear experimentos es el diseo factorial, en el cual los

El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza

El monitoreo en el proceso de las variables relevantes que afectan las

Est relacionado con la inspeccin y prueba del producto, donde se selecciona e

Tiene las siguientes ventajas: