CEP en

CONTROL ESTADÍSTICO DEL PROCESO
CONTROL ESTADÍSTICO
DEL PROCESO
Con base en el Texto de Control Estadístico de la Calidad de

Douglas Montogomery
DR. PRIMITIVO REYES AGUILAR

Diciembre, 2008
Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12
Página 1
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO.....................................................................................................6
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO...............................................................8
Antecedentes..............................................................................................................................8
CEP en occidente.......................................................................................................................11
CEP en Japón.............................................................................................................................12
Desarrollo del Control Estadístico del Proceso..........................................................................14
Teorema del límite central.........................................................................................................15
Interpretación...........................................................................................................................16
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS.....................................18
Hoja de verificación o registro...................................................................................................18
Diagrama de Pareto...................................................................................................................20
Diagrama de Dispersión............................................................................................................24
Histogramas..............................................................................................................................31
Lluvia de ideas (Brainstorming).................................................................................................32
Diagrama de Causa efecto.........................................................................................................33
Carta de tendencias..................................................................................................................38
Diagrama de flujo......................................................................................................................39
Pasos para la elaboración de un diagrama de flujo...................................................................40
Diagrama de flujo de tiempo – valor agregado.........................................................................44
Diagrama de Flujo Físico............................................................................................................45
Estratificación............................................................................................................................46
Las cartas de control.................................................................................................................46
1.4 MÉTODOS LEAN PARA LA MEJORA.........................................................................................47
Los 7 desperdicios o Muda........................................................................................................47
Métodos Lean para la mejora...................................................................................................48
Mapeo de la cadena de valor....................................................................................................48
Las 5 Ss y la administración visual.............................................................................................51
Preparaciones rápidas (SMED)..................................................................................................52
Poka Yokes o A prueba de error................................................................................................53
Trabajo estandarizado...............................................................................................................54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS........................................................................55
Diagrama de Afinidad................................................................................................................56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de árbol......................................60
Diagrama de árbol.....................................................................................................................61
Diagrama Matricial....................................................................................................................64
Matrices de Prioridades o prioritización...................................................................................68
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD........................................................78
Cartas de control.......................................................................................................................78
Diseño de experimentos...........................................................................................................79
Muestreo de aceptación...........................................................................................................80
Página 2
1.7 ADMINISTRACIÓN POR CALIDAD TOTAL..................................................................................82

Costos de calidad......................................................................................................................83
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO (CEP) 85
Concepto de variación...............................................................................................................85
2.1 DISTRIBUCIÓN NORMAL.........................................................................................................85
Estandarización de valores reales..............................................................................................91
2.2 PRUEBA DE NORMALIDAD......................................................................................................93
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS.........................................................95
2.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL.................................................................99
Tamaño de muestra y frecuencia de muestreo.......................................................................106
Subgrupos racionales..............................................................................................................107
Análisis de patrones en cartas de control................................................................................108
2.5 IMPLEMENTACIÓN DEL CEP..................................................................................................109
3. CARTAS DE CONTROL POR VARIABLES 111
3.1 INTRODUCCIÓN...................................................................................................................111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS..........................................................................111
Interpretación de cartas de control X  R ............................................................................116
Capacidad o habilidad del proceso..........................................................................................128
La curva característica de operación.......................................................................................135
3.3 CARTAS DE CONTROL PARA X y S.......................................................................................138
3.4 CARTAS PARA LECTURAS INDIVIDUALES................................................................................145
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS.............................................149
3.6 APLICACIÓN DE CARTAS DE CONTROL POR VARIABLES.........................................................152
4. CARTAS DE CONTROL PARA ATRIBUTOS 154
4.1 INTRODUCCIÓN....................................................................................................................154
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p....................................................155
4.3 CARTA DE CONTROL np.........................................................................................................167
4.4 TAMAÑO DE MUESTRA VARIABLE.........................................................................................168
4.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL....................................................................172
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) – c y u................................176
Tamaño de muestra constante - CARTA c...............................................................................176
Selección del tamaño de muestra...........................................................................................182
Carta de control de defectos por unidad U.............................................................................183
Sistema de demeritos..............................................................................................................189
La curva característica de operación.......................................................................................190
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm....................................................192
5. OTRAS CARTAS DE CONTROL ESPECIALES 193
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIÓN........................................193
Cartas de control dnom...........................................................................................................193
Cartas de control de medias rangos estandarizada.................................................................194
Cartas de control por atributos...............................................................................................195
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIÓN.......................................................195
Cartas de control modificadas.................................................................................................195
Cartas de control de aceptación..............................................................................................197
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL.................................199
5.4 CARTA DE PRECONTROL O DE ARCOIRIS..............................................................................202
Página 3
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE..............................................205

5.6 CARTAS DE CONTROL Cusum................................................................................................206
Cusum normal.........................................................................................................................206
Cusum en forma tabular.........................................................................................................211
EL PROCEDIMIENTO DE LA MASCARILLA EN V............................................................................214
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE PONDERADAS (EWMA)...219
5.8 CARTA DE CONTROL DE MEDIA MOVIL.................................................................................224
6. ANÁLISIS DE CAPACIDAD DEL PROCESO 229
6.1 INTRODUCCIÓN....................................................................................................................229
Condiciones para realizar un estudio de capacidad del proceso.............................................232
6.2 ÍNDICES DE CAPACIDAD........................................................................................................234
Índice de capacidad potencial Cp............................................................................................234
Índice de capacidad real Cpk...................................................................................................237
Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm................................................239
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD NORMAL..........241
Histograma..............................................................................................................................241
Papel de probabilidad normal.................................................................................................243
Capacidad del proceso con cartas de control..........................................................................247
Capacidad de procesos con Minitab: normales y no normales.............................................250
Capacidad de procesos no normales.......................................................................................254
Análisis de capacidad con experimentos diseñados................................................................255
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN........................................................256
Error del equipo de medición..................................................................................................256
Repetibilidad y reproducibilidad (R&R)...................................................................................259
R&R Capacidad de los sistemas de medición - AIAG..............................................................262
Definiciones............................................................................................................................263
Exactitud :...............................................................................................................................264
Estudios R&R - Método Corto del Rango.................................................................................266
Estudio de R&R Método largo.................................................................................................267
Método de Promedios- Rango................................................................................................268
Cálculos con Excel o manual:...................................................................................................268
Interpretación de los resultados..............................................................................................274
Estudios de R&R por atributos................................................................................................279
Interpretación de resultados...................................................................................................287
7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS 289
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO.............................................................289
7.2 MUESTREO SIMPLE POR ATRIBUTOS.....................................................................................293
Muestreo aleatorio simple......................................................................................................293
La curva OC.............................................................................................................................293
Puntos específicos en la curva OC...........................................................................................296
Inspección rectificadora..........................................................................................................297
Muestreo doble, múltiple y secuencial...................................................................................300
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859).................................................308
Descripción de la norma.........................................................................................................308
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920).............................................................315
Planes de AOQL.......................................................................................................................316
Planes de LTPD........................................................................................................................316
Página 4
8. MUESTREO DE ACEPTACIÓN POR VARIABLES 318

Ventajas y desventajas............................................................................................................318
8.1 CONTROL DE LA FRACCIÓN DEFECTIVA.................................................................................319
8.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES...........................................................322
8.3 TABLAS ASQC Z1.9 – 1993.....................................................................................................324
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES...................................................332
Muestreo secuencial por variables..........................................................................................332
Página 5
1. IMPORTANCIA DE LA MEJORA CONTINUA
1.1 CALIDAD Y MEJORAMIENTO

Las dimensiones de la calidad según Garvin son:
1. Desempeño (¿sirve el producto para el uso adecuado?)
2. Confiabilidad (¿qué tan frecuentemente falla el producto?)
3. Durabilidad (¿cuál es la vida útil del producto?)
4. Serviciabilidad (¿qué tan fácil se repara el producto?)
5. Estética (¿tiene el producto el estilo, color, forma, empaque y apariencia adecuada?)
6. Características (¿qué hace el producto más allá de su desempeño básico?)
7. Calidad percibida (¿cuál es la reputación de la empresa o del producto?)
8. Cumplimiento de estándares (¿el producto está hecho de acuerdo a estándares de diseño

original?)
Así la calidad tradicionalmente es adecuación al uso.
Dentro de la adecuación al uso existen la calidad de diseño y la calidad de conformancia. La de

diseño se refiere al diseño original del producto, los materiales utilizados, especificaciones, y
métodos empleados. La calidad de conformancia se refiere a que tan bien cumple el producto los
requerimientos de las especificaciones de su diseño, que básicamente depende del proceso de
manufactura.
Una definición más 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 reducción de la variabilidad en
productos y servicios.
Página 6
EUA JAPON
LIE Objetivo LSE

Fig. 1.1 Enfoques de conformancia
Como los métodos estadísticos tienen un papel importante en el mejoramiento de la calidad, son
objeto de estudio de la Ingeniería 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
estadísticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Un tipo específico de no cumplimiento de especificaciones es llamado defecto o no

conformancia.
Características del producto: Son los elementos que en conjunto describen la calidad del producto,
evaluadas respecto a especificaciones, como son:
1. Físicos: Longitud, peso, voltaje, viscosidad

2. Sensoriales: Gusto, apariencia, color
3. Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.
Página 7
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
La teoría de la administración se desarrolló básicamente en los países industrializados, en
respuesta a los problemas que presentaron las grandes empresas características del sistema
capitalista.1 Sus primeros indicios se observan con el economista Adam Smith con el concepto de
división del trabajo para aumentar la productividad en 1776. 2
Smith notó que, en una industria de fabricación de alfileres, diez personas, cada
una realizando una tarea específica, podrían producir 48,000 alfileres por día.
Propuso que si cada uno trabajara por separado y en forma independiente, los diez
trabajadores tendrían suerte en hacer 200 (o aún 10) alfileres al día. 3
Smith concluyó que la división del trabajo incrementaba la productividad sin embargo se
consideraba al trabajador como extensión de la máquina. Durante la revolución industrial,
“iniciada en el siglo XVIII en Gran Bretaña…la mano de obra era sustituida por máquinas de una
manera acelerada”.4 Esto, a su vez, abarató la fabricación de productos en las fábricas. Surge la
administración científica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de administración, sino que
hacía énfasis en los aspectos empíricos. 5 En 1911 publicó sus “Principios de la Administración
Científica”6 donde describe la administración científica, y usó este término para definir “la única y
mejor manera” de realizar un trabajo. Los estudios realizados antes y después de esta publicación,
lo erigieron como el padre de la administración científica. 7 Sus cuatro principios son:
1
Simón, Nadima S., Evaluación Organizacional, SICCO, México, 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
Simón, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados
Unidos de América, 1911
7
Robbins, Stephen, op cit. p. 33.
Página 8
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al
método empírico; 2. Escoger científicamente y luego entrenar, enseñar 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 división casi igual del trabajo y la
responsabilidad entre la administración y los trabajadores. La administración se
encarga de todo el trabajo para el cual esté mejor dotada que los trabajadores. 8
Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad única de gerentes
y administradores. La mayor desventaja del taylorismo es que los trabajadores pueden ser
descalificados “como si fueran extensión de las máquinas”,10 como consecuencia, se tiene poca
motivación y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar movimientos
manuales y corporales inútiles, también experimentaron en el diseño y uso de herramientas y
equipo adecuado para optimizar el desempeño del trabajo. 11 Encontraron que no es el trabajo
monótono la causa de tanta insatisfacción laboral, sino la falta de interés que muestran los
gerentes por los trabajadores.12
El “Fordismo” de Henry Ford: se implantó en empresas con líneas de productos durables en

Estados Unidos de América, fomentó la modificación 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 producción, con sistemas de protección social. 13
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. México, 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 relación salarial en el marco
del nuevo paradigma productivo. Sus repercuciones sobre la acción sindical”, en Sociología del
Trabajo, Nueva época, núm. 18, primavera de 1993, pp. 80-82
Página 9
Con las crisis de los años ochenta, la producción masiva uniforme ya no es competitiva, surge un
nuevo paradigma que hace énfasis en la respuesta flexible frente a los cambios impredecibles del
mercado. 14
Control de calidad por inspección

Durante la primera guerra mundial el sistema de manufactura se volvió más complejo,
involucrando a más trabajadores reportando a un supervisor de producción, con Taylor aparecen
los primeros inspectores de control de calidad; los trabajadores y el supervisor se enfocaron a la
producción, desligándose del auto - control de calidad de los artículos que producían, esto tuvo
auge entre los años 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 inspección 100% realizada por personas tiene errores,
se estableció un departamento de Servicio para corregir los productos defectuosos en el
mercado.15 Se establecen después planes de muestreo militares, asumiendo que cualquier proceso
producirá defectos, los esfuerzos se enfocan a detectarlos, no a prevenirlos. Los productos
defectuosos, eran reprocesados o desechados, incrementando los costos de producción 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 "policía de la
calidad" y se le responsabiliza de todos los problemas de calidad en la empresa, está formado por
especialistas y técnicos que se encargan principalmente de detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control Estadístico del
Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Página 10
Control estadístico 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 compañías, tales como la
Western Electric, bajo contrato de la American Bell Telephone Company, estableció métodos de
control de calidad más rigurosos que infundieran confianza en sus instrumentos y
electrodomésticos, en 1924 se formó su departamento de Ingeniería de Inspección, entre sus
primeros miembros se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry
G. Romig y otros.
Según 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 inspección por muestreo de Dodge-Romig” 18, como una alternativa a la
inspección 100% al producto terminado, sin embargo su adopción en occidente fue muy lenta,
Freeman, sugiere que esto se dio por “la tendencia de los ingenieros americanos a eliminar la
variación, y su desdén por las teorías probabilísticas, así como a la falta de estadígrafos
industriales, adecuadamente entrenados”.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy se conoce como
“Control Estadístico del Proceso”. De esta forma con objeto de hacer más eficientes a las
organizaciones de inspección, “se proporciona a los inspectores con unas cuantas herramientas
estadísticas, tales como cartas de control y tablas de muestreo” 20. Se reduce el nivel de variación
del proceso hasta los límites predecibles y se identifican las oportunidades de mejora. Se
establecen sistemas de medición formales desde los proveedores hasta el producto final y el
proceso se "estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada por
los círculos de control de calidad para la identificación de problemas.
En 1931, W.A. Shewhart publica su libro “Economic Quality Control of Quality of Manufactured
Product”, donde describe las cartas para el control estadístico del proceso. En medio de los años
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
Página 11
30’s los métodos de control estadístico de calidad se empezaron a aplicar en la Western Electric,
brazo de manufactura de los laboratorios Bell, sin embargo, no fueron reconocidos estos métodos
ampliamente.
Durante la II guerra mundial se expandió el uso de los métodos estadísticos de control de procesos
en la industria de la manufactura, la American Society for Quality Control se formó en 1946 para
promover su uso. De 1946 a 1949 W. Deming es invitado a Japón a dar seminarios sobre control
estadístico de calidad a sus industriales, extendiendo el uso de éstos métodos. Aparecen las obras
de Eugene L. Grant y A.J. Duncan sobre control estadístico del proceso. En occidente es hasta la
década de los ochenta cuando se voltea hacia los métodos estadísticos ya muy comunes en Japón
dado el éxito industrial de este país.
En los años recientes, empresas de alta tecnología como Motorola, General Electric, Xerox, AT&T,
etc., desarrollan e implantan una metodología de calidad total denominada Calidad 6 sigma con el
objetivo de reducir los errores y defectos a un máximo de 3.4 partes por millón (ppm), donde una
de las herramientas clave es el control estadístico del proceso, que permite obtener ahorros de
costos muy importantes.
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos estadísticos en el
Japón, incluyendo conferencias dirigidas a los líderes industriales, en esta época Kaoru Ishikawa
experto japonés en control de calidad inició sus estudios sobre conceptos de control de calidad,
describe su propia motivación como sigue:
Yo desarrollé un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estándares... Sin embargo, me sorprendí un
poco que en EUA, donde efectué una visita de estudio, sus métodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos
a situaciones en Japón, de tal forma que los productos japoneses mejoraran su
calidad21
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12,
1967, pp. 115-116.
Página 12
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los japoneses
aprendieron el control de calidad de occidente, invitaron a Deming, Juran y otros eruditos a Japón
para que les enseñasen el control estadístico del proceso. Sin embargo la implantación de estas
técnicas fue posible después de su modificación y adaptación a las empresas japonesas,
incluyendo la creación de varias herramientas útiles como refinamiento del control estadístico de
calidad, tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos de
control de calidad y la aplicación de técnicas estadísticas avanzadas.
Entre las 7 herramientas estadísticas se encuentran: Diagrama de Ishikawa, Diagrama de Pareto,

Hoja de verificación, Diagrama de dispersión, Estratificación, Histogramas y Cartas de control.
Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón, “ todas las
industrias japonesas confían en los métodos estadísticos avanzados para el diseño de productos” ,22
esto también ha permitido que los supervisores de las fábricas japonesas utilicen estadística de
alto nivel para analizar problemas. Por ejemplo para el caso del diseño de experimentos se tiene:
“el diseño estadístico de experimentos es el arreglo, bajo el cual se efectúa un programa
experimental, incluye la selección de los niveles óptimos de los factores que tienen influencia en la
calidad del producto “23, ayuda a optimizar el tiempo y los elementos de diseño, determinando los
materiales más baratos de tal forma que el producto cumpla las especificaciones, y todavía se
asegure que el producto se desempeñará en forma satisfactoria bajo condiciones variables.
Con la aplicación del Control Estadístico del Proceso, el trabajador tiene de nuevo la oportunidad
de controlar la calidad de su trabajo, no a través de inspección 100%, sino a través de técnicas de
muestreo y de cartas de control, como método preventivo de defectos, lo que permite su
autocontrol para reducir la variabilidad del proceso de producción, se complementa con las siete
herramientas estadísticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Página 13
Desarrollo del Control Estadístico del Proceso

W. A. Shewhart demostró que cuando se extraen muestras de tamaño 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 distribución normal. 24
* * * *
** **
*** **
*** * *
Distribución de promedios
Universo de las muestras
Fig. 1.2 Experimentos de Shewhart para las cartas de control
Encontró que las medias de las muestras correspondían a las medias de la población y que la
desviación estándar de las medias de las muestras se relacionaban con la desviación estándar de la
población, como sigue (TEOREMA DEL LÍMITE CENTRAL):

 __  (1.1)
X n
Donde n es el tamaño de la muestra y  es la desviación estándar de la población.
Población con media m y desviación estándar  y cualquier distribución.
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold
Co., 1931, p. 182
Página 14
X1 X2 X3
X-media 1 X-media 2 X-media 3
Conforme el tamaño de muestra se incrementa las muestras se distribuyen normalmente con

media de medias m y desviación estándar de las medias de las muestras  / Ön. También se
denomina Error estándar de la media.
Histogram of Promedios
14
12
10
Frequency
0
3 4 5 6 7
Promedios
Fig. 1.3 Distribución de las medias muestrales - Normal
En general si las xi están distribuidas en forma idéntica y su distribución se asemeja a la normal, el

teorema del límite central trabaja bien para n>=3 o 4, condiciones propicias para el control
estadístico de los procesos.
Teorema del límite central

La distribución normal tiene muchas propiedades útiles, una de estas se refiere a la combinación
lineal de variables aleatorias independientes. Si x 1, x2 x3, ...., xn son variables aleatorias
independientes no necesariamente normales, con media m1, m2, ... mn y varianzas 12, 22 , ..., n2
respectivamente, entonces la distribución del estadístico siguiente:
y = a1x1 + a2x2 + ............. + anxn
es normal con media
my = a1m1 + a2m2 + ... + anmn
Página 15
y varianza
y2 = a1212 + a2222...,+ an2n2
donde a1, a2, ... an son constantes.
El Teorema del Límite Central establece que la distribución de la variable:
n n
[y - 
i 1
mi ]   i
2
(2.5)
i 1
Se aproxima a la distribución normal conforme n tiende a infinito. Es decir que la suma de las n
variables aleatorias independientemente distribuidas es aproximadamente normal,
independientemente de la distribución de las variables individuales.
La aproximación se mejora conforme se incrementa n, en general si las x i están distribuidas en

forma idéntica y su distribución se asemeja a la normal, el teorema del límite central trabaja bien
para n>=3 o 4, condiciones propicias para el control estadístico de los procesos.
Interpretación
Normalmente para conocer el estado de un proceso en determinado momento, es necesario
obtener un histograma de la característica de interés, tomando al menos 30 piezas. Se calcula la
media y la desviación estándar de la muestra y se trata de inferir sobre las características del
proceso. Haciendo esto periódicamente 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.
Página 16
Fig. 1.4 Comportamiento de procesos en control y fuera de control 25
Llevando un control de proceso a través de histogramas no sería práctico y aprovechando sus

hallazgos del comportamiento de las medias Shewhart sugirió llevar un control del proceso
tomando muestras no de 50 piezas, sino de sólo 5 consecutivas, monitoreando el comportamiento
del proceso a través de las cartas de control de Shewhart, la media del proceso con las medias de
las muestras y la variabilidad con su rango. Tomado límites de control establecidos a  3 de
medias o rangos.
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn,
Michigan, 1983
Página 17
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS
Figura 3.1 Las 7 herramientas estadísticas de calidad
Fig. 1.5 Las 7 herramientas estadísticas para la mejora y solución de problemas
Hoja de verificación o registro

Se utiliza para reunir datos basados en la observación del comportamiento de un proceso con el fin
de detectar tendencias, por medio de la captura, análisis y control de información relativa al
proceso. Básicamente es un formato que facilita que una persona pueda tomar datos en una forma
ordenada y de acuerdo al estándar requerido en el análisis que se esté realizando. Las hojas de
verificación también conocidas como de comprobación o de chequeo organizan los datos de
manera que puedan usarse con facilidad más adelante.
Pasos para la elaboración de una hoja de verificación:
1. Determinar claramente el proceso sujeto a observación. Los integrantes deben enfocar su

atención hacia el análisis de las características del proceso.
Página 18
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto puede variar de
horas a semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las columnas estén
claramente descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se dedique el
tiempo necesario para esta actividad.
Anotar frecuencia de ocurrencia de los eventos (con signos |, X, *, etc.)
Figura 1.6 Ejemplo de hoja de verificación o registro
Consejos para la elaboración e interpretación de las hojas de verificación

1. Asegúrese de que las observaciones sean representativas.
2. Asegúrese de que el proceso de observación es eficiente de manera que las personas tengan
tiempo suficiente para hacerlo.
3. La población (universo) muestreada debe ser homogénea, en caso contrario, el primer paso es
utilizar la estratificación (agrupación) para el análisis de las muestras/observaciones las cuales
se llevarán a cabo en forma individual.
Ejercicio: Hacer hoja de registro con las antigüedades en la organización y concluir:

Antigüedad Registro
0.5 -1 años
1.1 – 2 años
2.1 – 4 años
4.1 – 7 años
Más de 7 años
Conclusiones:
Página 19
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crítica
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 gráfica 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 qué clase de problemas se van a analizar.
2. Decida qué datos va a necesitar y cómo clasificarlos. Ejemplo: Por tipo de defecto, localización,
proceso, máquina, trabajador, método.
3. Defina el método de recolección de los datos y el período de duración de la recolección.
4. Diseñe 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 categorías , los totales
individuales, los totales acumulados, la composición porcentual y los porcentajes acumulados
6. Organice las categorías 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
último 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%
Página 20
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de categorías 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 categoría, y conecte
los puntos con una línea continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el mejor
entendimiento del diagrama de Pareto.
Ejemplo de 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 último mes.
Tipo de queja No. Total Composición 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 atención del personal 1 67 1.42 95.68
H) Maltrato del material por transportistas 1 68 1.42 97.7
I) Fallas en documentación 1 69 1.42 98.52
J) Producto con códigos equivocados 1 70 1.4 99.94
Página 21
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 1.7a Diagrama de Pareto
Página 22
Las quejas A, B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos
primero a resolver.
Ejemplo: Se tienen los gastos siguientes:

TIPO_GTO GASTO CANT
A Papelería 20
B Toners 60
C Víaticos 80
D Gasolina 30
E Copiado 10
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 opción Chart defects table , en el campo labels in seleccione: C1 y en Frequencies
in seleccione: C3. Combine defects alter the first 80%.
 Clic en OK
 El sistema despliega la gráfica de Pareto:
Construir un diagrama de Pareto y su línea acumulativa
Pareto Chart of C1
200 100
80
150
60
Percent
Count
100
40
50
20
0 0
C1 C B D A Other
Count 80 60 30 20 10
Percent 40.0 30.0 15.0 10.0 5.0
Cum % 40.0 70.0 85.0 95.0 100.0
Figura 1.7b Diagrama de Pareto

En la gráfica observamos que aproximadamente el 85% de los gastos es debido a los gastos C, B,
D.
Página 23
Ejercicio: Hacer un diagrama de Pareto con los gastos principales:

Ordenarlos de mayor a menor
Tipo de Gasto Descripción Frecuencia
Frecuencia %
Diagrama de Dispersión
Se utiliza para analizar la correlación entre dos variables, se puede encontrar: Correlación
positiva o negativa, fuerte o débil o sin correlación.
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos
variables. Por ejemplo, entre una característica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más
profunda del problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que
cada relación está dada por un par de puntos (uno para cada variable).
Página 24
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
la variable efecto.
Fig. 1.8 Gráfica de dispersión donde se observa una correlación positiva
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa
significa que una disminución en la variable x provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy
cerca de la línea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es
la correlación. En total existen cinco grados de correlación: positiva evidente, positiva, negativa
evidente, negativa y nula.
Página 25
Figura 1.9 Diagrama de dispersión y su correlación entre X,Y
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería y = a + bx.
Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se minimice la
distancia total entre puntos y la recta. Los cálculos son:
a
 y x 2
  x  xy
n x   x
2 2
n xy   x  y
b
n x 2    x 
2
El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a
continuación se presentan
SCxy
r
SCx  SCy
 xy  
x y
SCxy 
n
Página 26
SCx   x 2

 x 2
SCy   y 2

 y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
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 = número de pares ordenados (pares de datos x, y)
El factor de correlación es un número entre –1 (correlación negativa evidente) y +1 (correlación

positiva evidente), y r = 0 indicaría correlación nula.
La correlación 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 correlación positiva con
el porcentaje de artículos defectuosos, se deben buscar soluciones al problema de los artículos
defectuosos mediante acciones asociadas con la variable temperatura; de lo contrario, sería
necesario buscar la solución por otro lado.
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y
las operaciones del servicio de ruta para máquinas vendedoras. El sospecha que el tiempo
requerido para cargar y servir una máquina se relaciona con el número de latas entregadas del
producto. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen máquinas
vendedoras y se observa para cada expendio el tiempo de solicitud- entrega (en minutos) y el
Página 27
volumen del producto entregado (en latas). Calcular el coeficiente de correlación y graficar. Los
datos se muestran a continuación:
Observación 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
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 64.00 626.00 200.16
6 4.00 16.86 16.00 284.26 67.44
7 2.00 14.38 4.00 206.78 28.76
8 2.00 9.60 4.00 92.16 19.20
9 9.00 24.35 81.00 592.92 219.15
10 8.00 27.50 64.00 756.25 220.00
11 4.00 17.08 16.00 291.73 68.32
12 11.00 37.00 121.00 1,369.00 407.00
13 12.00 41.95 144.00 1,759.80 503.40
14 2.00 11.66 4.00 135.96 23.32
15 4.00 21.65 16.00 468.72 86.60
16 4.00 17.89 16.00 320.05 71.56
17 20.00 69.00 400.00 4,761.00 1,380.00
18 1.00 10.30 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
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
Utilizando las ecuaciones para obtener el coeficiente de correlación tenemos: 8,008.47
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para
afirmar que el tiempo de entrega está relacionado con el número de latas.
Página 28
Figura 1.10 Diagrama de dispersión con tendencia
En la gráfica observamos que al aumentar el número de latas el tiempo de entrega aumenta.
 Para realizar el gráfico de dispersión en Excel realice el siguiente procedimiento:
1. Seleccione el icono asistente para gráficos.

2. Seleccione el tipo de gráfico xy(dispersión), y subtipo de gráfico: dispersión, compara pares
de valores.(siguiente)
3. En la pestaña rango de datos seleccione los valores de x y y de la tabla de datos. En la
pestaña serie agregue el título, el rango de valores x, y se da por default al haber
seleccionado el rango de datos .(siguiente)
4. Ponga el titulo del gráfico y eje de valores x y y de la tabla de datos. En esta pantalla puede
agregar líneas de división al gráfico y otras opciones (siguiente) (finalizar)
5. Para realizar algún cambio, por ejemplo en la escala haga clic en la escala de valores y
aparecerá un menú que le permitirá realizarlos.
Página 29
Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes
(después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Minitab > Stat >Regresión ... Indicar la columna de Respuestas Y y la de predictores X y aceptar
con OK. Observar el valor del coeficiente de correlación y de determinación.
Para obtener la línea de mejor ajuste de la regresión, 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 línea, una función cuadrática o cúbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste.
Ejercicio: Hacer un diagrama de dispersión con los datos siguientes:

Errores (escala 5 por división)
Antigüedad Errores
4 20
2 12
8 36
6 28
10 44
5 25
7 32
1 5
Antiguedad
Conclusiones:
Página 30
Histogramas
Se utilizan para ver la distribución de frecuencia de una tabla de datos
Figura 3.5 Distribución de frecuencias o histograma
Figura 1.11 Histograma en Excel
Pasos para hacer un histograma:
1. Contar el número de datos, identificar el valor máximo, el mínimo y el rango.
2. Determinar el ancho de clase = Rango / 5 a 8.
3. Contar cuantos datos entran dentro de cada celda.
4. Graficar las frecuencias de cada celda.
Ejercicio: Realizar un histograma con los datos de edades siguientes:

2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
Paso 1. Número de datos = Valor mayor = Valor menor = Rango =
Página 31
Paso 2. Ancho de clase = Rango / 6 = redondear a:

Paso 3. Contar elementos para cada clase:
Columna Intervalo Registro de frecuencias
Frecuencia
1 0 -17
2 18-35
3 36-53
4 54-71
5 72-89
6 90 en
adelante
Paso 4. Hacer la gráfica del histograma:
Conclusiones:
Lluvia de ideas (Brainstorming)
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la participación de todo el
equipo.Para comenzar con el proceso de tormenta de ideas, en el cual se genera información la
gente se reúne en una sala en la cual se recomienda la disposición de las mesas en forma de “U”
para facilitar el debate. La gente que participa en la sesión deberá de pertenecer a diferentes áreas
o tener puntos de vista diferentes, esto con el objeto de enriquecer la sesión.
El facilitador debe de contar con experiencia en la conducción de sesiones de tormentas de ideas,

o al menos haber tenido experiencias previas.
Para conducir un grupo se lleva a cabo la siguiente metodología:
Página 32
1. Seleccionar el problema a tratar.

2. Pedir a todos los miembros del equipo generen ideas para la solución del problema, las cuales
se anotan en el pizarrón 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 más ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este punto el objetivo es tener
mayor cantidad de ideas así existirán mayores posibilidades de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar las sugerencias de otros.
7. Una vez que se tengan un gran número 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 solución.
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseño de experimentos,
pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algún lugar.
Diagrama de Causa efecto

Muestra la relación entre una característica de calidad y los factores de influencia, para
encontrar las causas posibles. Se usa la lluvia de ideas, debe hacerse sin juicios previos y
respetando las opiniones.
 Técnica para generar ideas creativas cuando la mejor solución no es obvia.

 Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
 El problema a analizar debe estar siempre visible
 Generar y registrar en el diagrama de Ishikawa un gran número de ideas, sin
juzgarlas, ni criticarlas
 Motivar a que todos participen con la misma oportunidad
El diagrama causa-efecto, también llamado “espina de pescado” por la semejanza de su forma,
también es conocido por diagrama de Ishikawa.
Página 33
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condición específica en las características 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 búsqueda 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 través de un consenso, un

diagrama de Pareto, otro diagrama o técnica.
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 (característica de
calidad)
- Trace una línea horizontal hacia la izquierda del cuadro que contiene la frase. A esta línea
se le conoce como columna vertebral.
- Coloque líneas inclinadas que incidan en la columna vertebral (causas principales).
- Dibuje líneas horizontales con flechas que incidan en las líneas inclinadas conforme a la
clasificación de las causas (causas secundarias)
- Dibuje líneas inclinadas que incidan en las líneas 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 característica específica.
Página 34
6. Elabore y ejecute un programa de corrección de las causas relevantes.
Figura 1.12 Diagrama de causa efecto, de Ishikawa o espina de pescado
Ejemplo: En una fábrica de componentes electrónicos se detectaron fallas en la línea de ensamble

al realizar la prueba de un circuito, por lo cual se procedió a realizar una investigación utilizando el
diagrama causa-efecto.
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales M’s:

 Máquinas
 Mano de obra
 Métodos
 Materiales
 Mediciones
 Medio ambiente
Página 35
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), 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 MÉTODOS MATERIALES
Figura 1.13 Diagrama de causa efecto
El equipo analiza cada causa y por medio de eliminación y consenso determina cuales son las
verdaderas causas que están ocasionando el problema. Una vez determinada las causas se realiza
un análisis Por qué, Por qué, por qué (Why-Why Why), el cual consiste en preguntarnos cinco
veces por qué?, para encontrar la causa raíz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (M’s): mediciones, máquinas,
personal, medio ambiente, métodos y materiales. Es posible realizar este diagrama con causas
primarias diferentes a las M´s, ej:
Página 36
Problema: Por qué la versión del sistema “Abacab”, no satisface los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
 Políticas y procedimientos del sistema

 Funcionalidad.
 Diseño
 Accesibilidad
 Tiempo de respuesta
 Confiabilidad
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, Máquinas, Materiales, Métodos, Mediciones y Medio ambiente.
Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar

con OK.
Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de
un problema y concluir.
Página 37
Carta de tendencias
Definición:
Es una ayuda gráfica 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 afectará en forma negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeación de la producción durante 15
semanas: Se puede hacer en Minitab con Stat, Quality Tools, Run Chart, Subgroup size = 1
Permite observar el comportamiento de los datos durante un periodo de tiempo determinado.
Fig. 1.14 Carta de tendencias
Página 38
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 gráfica de cada uno de los pasos que componen una operación desde el
inicio hasta el final. Permitiendo una mejor visualización y comprensión del proceso.
 Los diagramas de flujo pueden minimizar grandes volúmenes de documentación, incluyendo la
documentación ISO 9000.
 Facilitan el desarrollo de Procedimientos Estándar de Operación.
 Al tener un procedimiento de operación estándar se reduce en gran medida la variación y el
tiempo de ciclo.
 Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Se utiliza para identificar los procesos, las características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de reacción, se tienen los tipos
siguientes:
 Diagramas de flujo de proceso detallados
 Diagramas físicos de proceso
 Diagramas de flujo de valor
Fig. 1.15 Símbolos utilizados en los diagramas de flujo
Página 39
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a
continuación:
Operación de transformación: de la cual resulta un cambio físico o químico

del producto.
Inspección: Verificación de alguna característica mediante un estandar de

calidad prestablecido.
Transporte: Movimiento físico del producto o un componente.
Demora: Indica la necesidad de un periodo de inactividad en espera de

operación inspección o transporte.
Almacenamiento: Mantener un producto en almacenamiento hasta

que continúe su procesamiento o sea vendido.
Pasos para la elaboración 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 organización.
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
Página 40
diferentes pasos que conforman el proceso, con este método 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 método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué
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 actividades mediante flechas, cada
símbolo 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 guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería 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 simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
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.
Página 41
Diagrama de flujo: Una visita a la farmacia 26
Ejemplo: Operación de despacho de una fórmula.
EVENTO SÍMBOLO TIEMPO DISTANCIA

(min.) (pies)
Abrir la puerta, caminar hacia el área de la farmacia 0.8 50
del almacén.
Esperar para ser atendido. 1
Sacar la fórmula de la billetera o del bolsillo y 0.4

entregarla al dependiente.
Esperar hasta cuando el dependiente despache la 10
fórmula y calcule el valor.
Sacar la tarjeta de crédito de la billetera y entregarla 0.4
al dependiente.
Esperar que el dependiente diligencie el desprendible 1
de la tarjeta de crédito.
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 la 0.2

billetera
Recoger el medicamento y caminar de regreso hasta 0.8 50
la puerta
Figura 1.16 Ejemplo de diagrama de flujo
26
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed.
Mc.Graw Hill Pp.282
Página 42
Ejercicio: Hacer el diagrama de flujo de un proceso e identificar áreas de oportunidad
Página 43
Diagrama de flujo de tiempo – valor agregado

Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no
agregan valor.
Pasos para realizarlo:

• Dibujar una línea horizontal para representar el tiempo total que se ocupa en el proceso.
• Relacione todos los pasos del proceso detalladamente, después decida si el paso tiene valor para
el cliente.
• Dibujar una línea vertical fina que represente el tiempo que se requiere para completar el paso.
• Dibújela arriba de la línea, si representa valor agregado, o debajo si no lo representa.
• En cada línea vertical señale el paso del proceso.
• Puede dibujar una barra con el tiempo de valor agregado como porcentaje de tiempo total del
proceso.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
Visita al consultorio médico

Exa cripci
P re
Pr
me
s
esi
ny n
ón
Pe guí
Sa
ó
so nea
n
Espera Espera
Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt ar
lir
la
m
nt ars
ar
m
g
de
ad
ar e
se
se
lc
on
er
su
lto
rio
Figura 1.17 Diagrama de flujo de valor
Página 44
Diagrama de Flujo Físico

Pasos para realizarlo:
•Dibuje el esquema físico de su área de trabajo, incluyendo estaciones de trabajo, áreas de espera,
áreas de máquinas, etc.
•Use flechas para delinear el flujo de la parte dentro del área. Cada flecha debe delinear un paso
del proceso.
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs
tiempo con valor agregado.
Edificio A
Edificio B
Figura 1.18 Ejemplo de diagrama de flujo físico
EJERCICIO: Realizar un diagrama de flujo de un proceso
Página 45
Estratificación
Se utiliza para separar un aspecto general en los estratos que lo componen, por ejemplo,
por regiones, estados, municipios, etc. Clasificación de los datos o factores sujetos a
estudio en una serie de grupos con características similares.
Problemas con boletas

Por región
Por estado
Por municipio
Figura 1.19 Estratificación de un problema
Ejercicio: Describir un ejemplo de estratificación de un aspecto poblacional

Inicio:
Primer paso:
Segundo paso:
Tercer paso:
Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos
de cartas de control: por atributos (juzga productos como buenos o malos) y por variables
(variables como, temperaturas).
Figura 1.20 Carta de control con sus límites de control y línea central
Página 46
Figura 1.21 Patrones de anormalidad en cartas de control
 Las cartas de control detectan la variación anormal en un proceso, denominadas

“causas especiales o causas asignables de variación.”
 El patrón normal de un proceso se llama causas de variación comunes.
 El patrón anormal debido a eventos especiales se llama causa especial de
variación.
1.4 MÉTODOS LEAN PARA LA MEJORA

A continuación se muestran los métodos para hacer más flexibles y esbeltas las operaciones en las
organizaciones:
Los 7 desperdicios o Muda
Son aspectos que no agregan valor al cliente, es decir no está dispuesto a pagar por ellos y
hacen que la operación sea costosa y lenta:
Página 47
 Servicios no requeridos
 Movimientos excesivos
e innecesarios
 Transportes innecesarios
 Inventarios innecesarios
 Esperas o firmas innecesarios
 Errores
 Retrabados o reinspecciones
Ejercicio: Identificar tres Mudas en la organización

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Métodos Lean para la mejora
Para reducir el Muda se utilizan diversos métodos Lean como son:

 Mapeo de la cadena de valor
 Las 5 S’s
 Cambios rápidos (SMED)
 Poka Yokes o A Prueba de error
 Trabajo estandarizado
Mapeo de la cadena de valor

Se trata de realizar un mapeo de los procesos, identificando las actividades que no agregan valor
(Muda) para su reducción o eliminación, así como las actividades que agregan valor para su
optimización, a continuación se presenta un ejemplo:
Página 48
Ejercicio: Mejora del tiempo de ciclo de atención en una sala de emergencia:
Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atención en una sala de emergencia, considerando tiempos y distancias.
Página 49
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Página 50
Las 5 Ss y la administración visual
Objetivo: Encontrar cualquier cosa y tener idea del estado de la operación en menos de 30
segundos, por una persona familiarizada con el área de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
1.- SEIRI significa: ORGANIZAR y SELECCIONAR:

Trabajo en proceso, Herramientas innecesarias, Maquinaria no ocupada, Productos
defectuosos, Papeles y documentos, lo más importante en este punto es:
Diferenciar entre lo necesario y lo innecesario.
Fig. 1.22 Áreas de oportunidad para 5S’s
2.- SEITON significa PONER LAS COSAS EN ORDEN.

Las cosas deben mantenerse en orden de manera que estén listas para ser utilizadas
cuando se necesiten.
Fig. 1.23 Implementación del orden de 5S’s
Página 51
3.- SEISO significa: LIMPIEZA.

 Mantener limpio el lugar de trabajo.
4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.

 Hacer del aseo y de la pulcritud un hábito,
principiando con la propia persona.
5.- SHITSUKE (DISCIPLINA).

 Seguir los procedimientos en los procesos administrativos y de manufactura.
Las 5´s se han definido como Selección u Organización, Orden, Limpieza, Estandarización
y Disciplina. Los dos elementos más importantes son la Organización y el Orden ya que de
ellos depende el éxito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la búsqueda
de piezas, útiles, información, requisiciones, herramientas etc. evitando esto se previenen
los accidentes, no se generan defectos y todo se encuentra.
Ejercicio: Identificar áreas de oportunidad de aplicación de las 5S’s en la organización

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Preparaciones rápidas (SMED)
Objetivo: Cambiar el proceso para un servicio diferente en menos de 10 minutos

1. Formar un equipo de trabajo
2. Filmar las actividades de preparación
3. Separar actividades de preparación internas y externas
4. Convertir actividades de preparación internas a externas
5. Afinar las operaciones (paralelo, externas, etc.)
6. Verificar resultados y dar reconocimiento al equipo
La Preparación interna (IED), son las operaciones realizadas con el servicio suspendido.
La Preparación externa (OED), son las operaciones realizadas mientras se están
proporcionando los servicios.
Página 52
Ejemplo de Cambio rápido – SMED: Se redujo el tiempo de preparación en una estación

de servicio de 11 minutos a 1 minuto, ya que antes primero se detenía, llamaban al
dependiente, buscaba las mercancías, etc. ahora las mercancías clave están cerca del
mostrador y no se pierde tiempo. Otro ejemplo es la obtención de pasaportes en 40
minutos o un trámite en las oficinas de hacienda.
Ejercicio: Identificar áreas de oportunidad para implementar cambios rápidos.

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Poka Yokes o A prueba de error
Objetivo: Prevenir o detectar la ocurrencia de errores humanos.

Causas de los errores:
• Procedimientos incorrectos
• Variación excesiva en procedimientos
• Procesos o procedimientos no claros o no documentados
• Errores humanos mal intencionados
• Cansancio, distracción, Falla de memoria o confianza, etc.
Pasos para el desarrollo de Poka Yokes

1. Describir el defecto: Formar un equipo de trabajo, mostrar la tasa de errores
2. Identificar el lugar donde se descubren o producen los errores
3. Detalle de los procedimientos de la operación donde se producen los errores
4. Identificar desviaciones de los procedimientos donde se producen los errores.
Identificar las condiciones donde se ocurren los errores (investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.
7. Desarrollar un dispositivo Poka Yoke
Ejemplo: Instalación de puertas automáticas para permitir la entrada solo a personal

autorizado.
Ejercicio: Identificar áreas de oportunidad para implementar A Prueba de error / Poka

Yokes.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Página 53
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma como
deben realizarse las operaciones y actividades para que todos las realicen de la misma
manera, para tener productos homogéneos.
Por estandarización se entiende:

 Siempre seguir la misma secuencia de trabajo
 Los métodos totalmente documentados
 Los métodos están visibles en cada estación de trabajo
 El material y documentos de trabajo están colocados siempre en el mismo lugar
 La información se presenta de la misma forma en toda la organización
 Se tiene el registro del movimiento detallado del cuerpo humano
Ejercicio: Identificar áreas de oportunidad para implementar procedimientos e instructivos

para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Página 54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS
 Diagrama de afinidad:
o Organiza grandes cantidades de información
 Diagrama doble de interrelaciones:

o Muestra los enlaces de causas y efectos entre aspectos relacionados
 Diagrama de árbol:
o Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
 Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
 Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
 Carta de Programa de Decisión de Procesos (CPDP):

o Revela cadenas de eventos y planes de contingencia
 Diagrama de redes y actividades:

o Desarrolla u programa para tareas complejas
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal en los casos
siguientes:
 Dividir un requerimiento general de detalles específicos
 Identificar y eliminar las causas raíz de un problema
 Programar actividades complejas
 Planeación de contingencia
 Ayudar a una organización a pasar de la manera antigua de pensar a otras formas
más novedosas de hacerlo
 Realizar una selección final de una lista de opciones
 Evaluar opciones de diseño de producto
Página 55
Diagrama de Afinidad
Es una herramienta que se emplea para organizar grandes cantidades de información

agrupando los aspectos de la misma con base en relaciones clave entre ellos; también se
conoce como método KJ. Cuando se emplea este diagrama, se organizan las ideas o áreas
generales de problemas para adquirir la comprensión de un problema o asunto complejo,
así como para identificar las causas potenciales de un problema. La herramienta ayuda a
mejorar el compromiso y el apoyo del equipo.
- Usar cuando existe un caos, el equipo aporta ideas, se requiere un pensamiento

trascendental o el tema es un aspecto amplio.
PASOS
1. Reunir el equipo y elegir un líder, todos relacionados con el asunto a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por “familias”.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un círculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el consenso
8. Discutir el diagrama de afinidad
Página 56
FUENTE HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYEE1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Fig. 1.24 ejemplos de diagrama de afinidad
Página 57
Diagrama doble de Interrelaciones
Un diagrama doble de interrelaciones es una herramienta gráfica que se emplea para

organizar problemas o aspectos complejos y que implican muchas variables, se emplea
para estudiar las relaciones entre los elementos de un problema e identificar las causas
raíz o las soluciones, es similar al diagrama de afinidad en la medida que el proceso de
construcción de una gráfica doble interrelaciones es creativo.
Ayuda a identificar las causas potenciales de un problema. permite que el equipo observe
al mismo tiempo muchos efectos y trace la relación entre dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un líder.
2. Poner el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Analizar las relaciones.
5. Revisar el Diagrama doble de interrelaciones.
6. Identificar causas y efectos raíz.
a. Una causa raíz es una categoría de la que sale la gran cantidad de flechas.
b. Un efecto raíz es una categoría a la que llega una gran cantidad de flechas.
7. Estudiar el Diagrama doble de interrelaciones.
Página 58
FUENTE: PRIMER CERTIFIED QUALITY MANAGER – WWW.QUALITY COUNCIL.COM
FIG. 1.25 EJEMPLOS DE DIAGRAMA DE INTERRELACIONES
Página 59
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/TUFINO_COMP
LEMENTARIO/TUFINO_INTERRELACION.PDF
Fig. 1.26 ejemplos de diagrama de interrelaciones
Página 60
Diagrama de árbol
Un diagrama de árbol (diagrama sistemático) es una técnica que se emplea para buscar la
forma más apropiada y eficaz de alcanzar un objetivo específico. Esta herramienta gráfica
de diagrama los diversos niveles de detalle, estos representan acciones (o tareas) que
siguen rutas lógicas para implantar un objetivo amplio. Al implantar los puntos detallados
de acción, se crea un efecto de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de árbol ayuda a orientar tareas
específicas, es posible emplearlo para planear la implantación de una solución detallada
en forma ordenada. El diagrama de árbol funciones para dividir un aspecto u objetivo más
complejo.
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaración de objetivo.
3. Generar los encabezados de primer nivel del árbol
4. Completar el diagrama de árbol bajo cada encabezado principal
5. Revisar el diagrama de árbol terminado.
Página 61
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE039C1257029004
1808D?OPENDOCUMENT
FUENTE HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PDF
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE ÁRBOL
Página 62
FIG. 1.28 EJEMPLOS DE DIAGRAMA DE ÁRBOL
Página 63
Diagrama Matricial
FIG. 1.29 EJEMPLO DE DIAGRAMA MATRICIAL
Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones
entre ideas, tares y responsabilidad y que aparecen en diversas formas matriciales, es
posible emplear estas herramientas para organizar y comparar dos o más conjuntos de
artículos para mostrar cuáles de ellos están relacionados, asimismo pueden mostrar la
fortaleza estadística y la dirección de influencia de cada relación.
Pueden tener cualquiera de las siguientes formas: L, T, Y, X y C
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. ¿Qué tipo de información se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los símbolos de relación a emplear y crear una leyenda
5. Concluir la matriz.
Página 64
FUENTE: CQM PRIMER WWW.QUALITYCOUNCIL.COM

FIG. 1.30 EJEMPLOS DE DIAGRAMA MATRICIAL
Página 65
DIAGRAMAS MATRICIALES 27
FIG. 1.31 DIAGRAMA MATRICIAL EN “L” DIAGRAMA MATRICIAL “A”
FIG. 1.32DIAGRAMA MATRICIAL EN “T” DIAGRAMA MATRICIAL EN “Y”
27
Diagramas tomados de la dirección www.fundibeq.org 28 de diciembre de 2008
Página 66
FIG. 1.33 DIAGRAMA MATRICIAL EN “X” DIAGRAMA MATRICIAL EN “C”

TRIDIM
FIG. 1.34 APLICACIÓN EN EL DESARROLLO DEL PRODUCTO (MATRIZ DE QFD):
Página 67
Matrices de Prioridades o prioritización
Las matrices de prioridades son herramientas para tomas decisiones. Utilizando criterios
ponderados y acordados, se emplean tales herramientas para asignar prioridades a
aspectos, tareas u opciones posibles. Se basan en la combinación de un diagrama de árbol
y uno matricial.
Pueden ayudar a reducir el número de opciones; de modo que sea posible tomar
decisiones con mayor facilidad, debido a que las matrices de prioridades proporcionan un
enfoque lógico a la elección de un conjunto de opciones, son ideales para elegir un
problema para que lo ataque el equipo y estrechar una lista de soluciones potenciales para
un problema.
PASOS
1. Reunir un equipo apropiado.

2. Establecer el objetivo principal a alcanzar y las opciones que ayuden a
lograrlo.
3. Generar los criterios por los que se juzgarán las opciones.
4. Juzgar cada criterio contra todos los demás.
5. Comparar entre sí las opciones para todos los criterios retenidos.
6. Compara cada opción con base en todos los criterios combinados.
Brassard28 proporciona tres tipos de matrices de prioridades:
 El método del criterio analítico completo

 El método del criterio de consenso
 El método combinado de Diagrama de relaciones y Matriz
Loa criterios son prioritizados, ponderados y aplicados contra las opciones de decisión
generadas, seleccionando una decisión con base en números como resultado.
28
Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC
Página 68
Fuente: CQM PRIMER www.qualitycouncil.com
Fig. 1.35 Ejemplos de matrices de priorización
Página 69
Carta de Programa de Decisión de Procesos (CPDP)
Cambiar fecha de
reunión
Reservar sala de Sala de reuniones no
reuniones disponible
Reservar otro sitio
Rentar equipo
audiovisual
Planeación de una Verificar equipo Equipo audiovisual no
reunión audiovisual disponible Reservar otro sitio
Banquete no
Ordenar a otro
disponible
Efectuar los proveedor
arreglos de
alimentación Solicitar un menú
Menú no distinto
disponible
= Seleccionado Ordenar otro
= No factible proveedor de
banquetes
Fig. 1.36 Ejemplo de diagrama de árbol y plan de contingencia CPDP - reunión
Una Carta de programa de decisión del proceso (CPDP) es una herramienta dinámica de
planeación que se emplea para diagramar en forma sistemática todas las posibles cadenas
de eventos para alcanzar un objetivo amplio o para implantar una solución compleja.
Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo
cronológico, se emplea este método cuando existe incertidumbre en un proceso de
implantación, cuando el problema u objetivo es único o desconocido.
Las Cartas de programa de decisión del proceso se clasifican por las herramientas que se
emplea:
 CPDP “planeado por adelantado”: anticipan lo “inesperado” antes de la
implantación verdadera. Se efectúa una tormenta de ideas de todas las distintas
posibilidades y se elaboran planes de contingencia con anticipación.
 CPDP en tiempo real: se desarrollan alternativas durante la implantación.
La CPDP se clasifica por el formato gráfico:
Página 70
 Gráfico: combinación de diagrama de árbol y diagrama de flujo.

 Descripción: lista numerada de eventos y contramedidas.
Se emplea una CPDP para describir de manera sistemática una solución u objetivo
complejos, otro propósito es probar teorías durante la implantación de una solución
compleja.
PASOS
1. Reunir el equipo apropiado
2. Elegir el flujo básico de implantación
3. Elegir el formato de la carta
4. Establecer el objetivo principal
5. Enumerar los pasos del proceso
6. Determinar contramedidas
7. Evaluar las contramedidas
- Evaluar las contramedidas y marcarlas en la forma siguiente
= Seleccionada
= No factible
Fig. 1.37 Ejemplo de diagrama de árbol y plan de contingencia CPDP en general
Página 71
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Fig. 1.38 Ejemplo de diagrama de árbol y plan de contingencia CPDP para manufactura
Página 72
Diagrama de redes de actividades
Un diagrama de redes de actividades (también conocido como diagrama de flechas) es una

técnica de administración de redes de uso generalizado para la planeación e implantación
de tareas complejas, en particular las más comunes que cuentan con subtareas conocidas.
Es una combinación de la Técnica de Revisión y Evaluación y Programas (PERT) y el Método
de Ruta Crítica (CPM).
Se emplea el diagrama de redes de actividades para desplegar soluciones complejas con

programas muy estrictos de tiempo. Identifica los pasos y subtareas y muestra el flujo de
rutas simultáneas de implantación
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo deberán conocer a fondo las tareas y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crítica del proyecto.
6. Calcular la fecha más tardía de inicio y más temprana de conclusión de cada
subtarea.
7. Calcular la holgura total.
8. Diseñar el diagrama de redes de actividades.
Página 73
EJEMPLO: INAUGURACIÓN DE UN NUEVO RESTAURANTE
Página 74
Fig. 1.39 Ejemplo de diagrama de flechas (PERT)
El TE de un evento representa el tiempo más breve posible en que el evento puede alcanzarse, y
se calcula sumando los tiempos t de la secuencia de actividades que conduce al mismo.
Cuando hay más de un camino que conduce a un evento, el camino que consume el mayor tiempo,
determina el tiempo más breve posible en que puede esperarse alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
a) Se empieza con el primer evento (su TE es igual a cero), considerando sus directos sucesores
etc..., hasta llegar al último evento del proyecto. (Su TE indica el tiempo mínimo esperado para
terminar el proyecto).
b) Se identifican todos los eventos que preceden directamente al evento N.
c) Para cada uno de estos eventos se añade a su TE la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el mayor. Este será el único TE del evento N. Los
demás valores obtenidos son irrelevantes y no se volverán a considerar.
Página 75
Los valores TE así obtenidos, se escribirán en el Diagrama de Flechas por encima del respectivo
evento.
El TL de un evento representa el tiempo máximo en que debe alcanzarse el evento para poder
seguir el proyecto tal y como ha sido planificado, siendo el TL del último evento el tiempo
establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el último evento (= fin del proyecto), operando en sentido inverso hasta el
primero. El TL del último evento se considera aquí como un dato externo, ya establecido. (Deseo
del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE obtenido en el Paso 4
para el evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el menor. Este será el único TL del evento N. Los demás
valores obtenidos son irrelevantes y no se volverán a considerar.
Los valores TL así obtenidos, se escribirán en el Diagrama de Flechas debajo del respectivo evento.
La holgura de un evento es la diferencia entre el tiempo máximo permisible y el tiempo mínimo

posible para alcanzarlo.
La holgura indica entonces el margen de seguridad de tiempo de que se dispone para alcanzar este
evento, sin comprometer el plan de marcha del proyecto. La holgura de un evento puede ser
positiva, negativa o igual a cero.
El camino crítico es aquella secuencia de actividades, desde el primer evento hasta el último, en la
que los eventos disponen de la holgura mínima.
Se identificará en el Diagrama de Flechas, el camino crítico, señalando las actividades que lo
constituyen con líneas más gruesas.
Página 76
Fig. 1.40 Determinación de la Ruta Crítica en el diagrama de flechas (PERT)
Página 77
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD
Se utilizan tres métodos estadísticos principales para la mejora de la calidad y la solución de

problemas: las cartas de control, el diseño de experimentos y el muestreo estadístico, además de
las herramientas estadística para la solución de problemas en planta por grupos de trabajo o
Círculos de calidad.
Cartas de control
En 1924 WALTER SHEWHART realizó experimentos y desarrolló las Cartas de Control en la planta
telefónica Western Electric de los los Bell Labs, las cuales tienen las siguientes características:
 Técnicas útiles para el monitoreo de procesos
 Permiten identificar situaciones anormales en 6Ms
 Sirven para prevenir la generación de defectivos
Fig. 1.41 Carta de control

LSC = Límite superior de control
LC = Línea central
LIC = Límite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus límites de control
La carta de control es una técnica muy útil para el monitoreo de los procesos, cuando se presentan
variaciones anormales donde las medias o los rangos salen de los límites de control, es señal de
Página 78
que se debe tomar acción para remover esa fuente de variabilidad anormal. Su uso sistemático
proporciona un excelente medio para reducir la variabilidad.
Diseño de experimentos
Un experimento diseñado es muy útil para descubrir las variables clave que tienen influencia en las
características de calidad de interés del proceso. Es un método para variar en forma sistemática los
factores controlables del proceso y determinar los efectos que tienen esos factores en los
parámetros finales del producto. Permite reducir la variabilidad en la característica de calidad y en
determinar los niveles más adecuados de los factores controlables que optimicen el desempeño
del proceso. Fisher inicia el desarrollo del diseño de experimentos en la agricultura en Inglaterra en
los años 1920’s.
ENTRADAS CONTROLABLES
X1 X2 XP
INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

PROCESO
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.42 Proceso de producción, entradas y salidas
El principal método para diseñar experimentos es el diseño factorial, en el cual los factores son
variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores.
El diseño de experimentos es una herramienta fuera de línea es decir se utiliza durante el

desarrollo de los productos o procesos, más que durante su fabricación.
Página 79
Una vez que se han identificado las variables que afectan el desempeño del proceso, normalmente
es necesario modelar la relación entre estas variables y la característica de calidad de interés. Para
lo cual se puede utilizar el análisis de regresión.
El monitoreo en el proceso de las variables relevantes que afectan las características de calidad se
hace por medio de cartas de control.
Muestreo de aceptación
Está relacionado con la inspección y prueba del producto, donde se selecciona e inspecciona una
muestra aleatoria de un lote mayor, resultando en una aceptación o rechazo de ese lote mayor,
esto ocurre en la recepción de materias primas y componentes y en el producto terminado.
Tiene las siguientes ventajas:
- El costo de evaluación es menor que con la inspección al 100%

- Se puede aplicar más fácilmente cuando se trata de realizar pruebas destructivas.
- Se puede aplicar presión sobre la calidad de los lotes de proveedores ya que con una pequeña
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 técnica confiable.
- No se garantiza que los lotes aceptados estén libres de defectivos.
LOTE MUESTRA ALEATORIA

Fig. 1.43 Esquema del muestreo estadístico
Página 80
En 1926 HAROLD F. DODGE Y HARRY G. ROMIG, desarrollaron las técnicas de Muestreo

Estadístico.
A continuación se muestran diferentes esquemas de la aplicación del método.
a) INSPECCIÓN EN LINEA ENVIO
PROCESO INSPECCION CLIENTE
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
c) INSPECCION RECTIFICADORA ACEPTAR ENVIO
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRAB
AJO
DISPOSICIÓN DE LOTES
Fig. 1.44 Variaciones del muestreo de aceptación
El muestreo de aceptación tiende a reforzar el apego o conformancia a especificaciones pero no

tiene un efecto de retroalimentación en el proceso de producción o diseño que mejoren la calidad.
Página 81
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la evolución
siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
0% EXPERIMENTOS
Tiempo
Fig. 1.45 Evolución de la aplicación de métodos estadísticos
1.7 ADMINISTRACIÓN POR CALIDAD TOTAL
Para que sean efectivas las herramientas estadísticas, su aplicación debe ser parte de un programa
mayor de Calidad Total (Total Quality Management en EUA, Company Wide Quality Control en
Japón, Seis Sigma de Motorola, Modelo de Dirección por Calidad de México (PNC), Malcolm
Baldrige de EUA, QS 9000, ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta dirección
lleve el liderazgo por la calidad, no funcionarán como elementos aislados.
La filosofía de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la
organización, 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 métodos estadísticos en Japón para la reducción de la
variabilidad y mejora continua de calidad, con sus 14 recomendaciones a la dirección.
Página 82
Fig. 1.46 Modelo de gestión de calidad ISO 9000
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que no cumplan
especificaciones. Normalmente se clasifican en cuatro categorías: Prevención, Apreciación, Falla
interna y Falla externa, algunos de los elementos que incluyen son los siguientes:
Costos de prevención Costos de falla interna

Planeación e Ingeniería de calidad Scrap o desperdicio
Revisión de nuevos productos Retrabajos
Diseño de productos y procesos Re-inspección
Control de proceso Análisis de falla
Entrenamiento Ineficiencias
Colección y análisis de datos de calidad Descuentos
Página 83
Costos de apreciación Costos de falla externa

Inspección y prueba en recibo Atención de quejas
Inspección y prueba de productos Producto regresado
Materiales usados en pruebas Cargos por garantía
Mantenimiento de equipo de prueba Costos legales
Costos de prevención
Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a la prevención de
defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciación
Son los costos asociados con la medición, evaluación, o auditoría a productos, componentes y
materiales comprados para asegurar su conformancia a los estándares 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.
Costos de falla externa

Son los costos incurridos cuando el desempeño del producto no es el adecuado una vez que lo
utiliza el cliente.
Página 84
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL

PROCESO (CEP)
Concepto de variación
Los métodos estadísticos se basan en que no existen dos productos EXACTAMENTE iguales de un
proceso de manufactura, por tanto la VARIACIÓN es inevitable, su análisis se hace con el apoyo de
la estadística.
2.1 DISTRIBUCIÓN NORMAL
Un proceso opera en condiciones normales, si tiene los materiales dentro de de especificaciones y

del mismo lote, un método consistente, un medio ambiente adecuado, el operador capacitado, y el
equipo ajustado correctamente, si se toman mediciones en alguna característica del producto,
mostrará el siguiente comportamiento:
Fig. 2.1 Construcción de la distribución normal
La distribución normal es una de las distribuciones más usadas e importantes. Se ha desenvuelto

como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio.
Página 85
Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es muy
parecida a la distribución normal. La distribución normal es llamada también campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o población, sus parámetros se indican con
letras griegas, tales como: promedio o media = m (mu), y desviación estándar (indicador de la
dispersión de los datos) =  (sigma).
Para el caso de estadísticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribución normal estándar
 La distribución normal estándar tiene media m = 0 y desviación estándar  =1. La media,

Mediana y Moda coinciden, son iguales y se localizan en el pico.
Fig. 2.2 Propiedades de la distribución normal
 El área bajo la curva o probabilidad de menos infinito a más infinito vale 1.

 La distribución normal es simétrica, la mitad de curva tiene un área de 0.5.
 La escala horizontal de la curva se mide en desviaciones estándar.
 La forma y la posición de una distribución normal dependen de los parámetros m ,  , por lo
que hay un número infinito de distribuciones normales.
Página 86
Límite inferior de especs. Límite superior de especificaciones

Fig. 2.3 Distribuciones normales con varias desv. estándar
LIE LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estándar
Página 87
Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva para  1 tiene un
porcentaje de 68.26%,  2 = 95.46% y  3  99.73% .
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
Fig. 2.5 Área bajo la curva de Distribución normal
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el área bajo la curva.
La primera tabla sirve para determinar el área o probabilidad que se encuentra fuera de los límites
de especificaciones. La segunda tabla proporciona valores de área bajo la curva para Z’s mayores a
cero. En cada una se muestran ejemplos de su uso.
Página 88
Página 89
Ejemplo 2.1
a) Determinar el área bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el área bajo la curva de menos infinito a Z = - 2.

P(Z<= - 2) = 0.0228
c) Determinar el área bajo la curva entre Z >= -2. hasta Z <= -1
P(- 2 <= Z<= -1) = 0.1359
Página 90
Página 91
Ejemplo 2.2
a) Determinar el área bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el área bajo la curva de menos infinito a Z = 2.

P(Z <= 2) = 0.9772 8
c) Determinar el área bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 – 0.8413 = 0.1369
EJERCICIO 2.1:
¿Qué porcentaje del área bajo la curva normal estándar o probabilidad está incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) – P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) – P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) – P(Z <= -1.3) =
Página 92
d) P( Z >= 2.4) = P(Z <= -2.4) =

e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarización de valores reales

En la práctica, se tienen valores reales de promedio diferentes de cero y con desviación estándar
diferentes de uno, para determinar la probabilidad o área bajo la curva, se determina el número de
desviaciones estándar Z  entre algún valor X y la media de la población m o de la muestra X
como sigue:
X m
Z sí se consideran los datos completos del proceso.

XX
Z sí se consideran sólo los datos de una muestra.
s
Ejemplo 2.3 El departamento de personal de una empresa requiere que los solicitantes a un
puesto en cierta prueba alcancen una calificación de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media m  485 y desviación estándar  30 ¿Qué porcentaje de
los solicitantes pasará la prueba?
Calculando el valor de Z obtenemos:

X  m 500  485
Z =  0.5
 30
Buscamos el valor correspondiente Z en las tablas de distribución normal estándar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
calificación sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X  500) la
solución es 1-0.69146 =0.3085, por tanto sólo 30.85% de los participantes pasarán la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
3 0 .8 5 %
Z Página
.0 5 93
Fig. 2.6 Área bajo la curva de Distribución normal
Ejemplo 2.4 Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y
una desviación estándar de 4. Calcule la probabilidad
P (X >=24) = 1 – P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.

OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
Fig. 2.7 Cálculo del área bajo la curva normal sin requerir Z
El resultado de la fórmula = 0.8413. , dado que esta es la probabilidad P(X  24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Página 94
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar de 10Kgs.
a) ¿Cuál es la probabilidad de que un producto pese más de 85Kgs.?

b) ¿Cuál es la probabilidad de que un producto pese menos de 55Kgs.?
c) ¿Cuál es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) ¿Cuál es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) ¿Cuál es la probabilidad de que el producto pese entre 85 y 100Kgs.?
2.2 PRUEBA DE NORMALIDAD

Para probar normalidad de datos, se pueden utilizar los métodos de Anderson Darling o Ryan si el
tamaño de muestra es mayor a 15 y se utiliza la prueba de Kolmogorov Smirnov para 15 datos o
menos de muestra, observando la gráfica de probabilidad normal.
a) En el método de Anderson Darling o Ryan Joiner, si el valor de probabilidad P de la prueba es

mayor a 0.05, se considera que los datos son normales. Seguir los siguientes pasos:
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02 OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o
Ryan Joiner como sigue:
1. Stat > Basic statistics > Normality Test

2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 95
Fig. 2.7 Gráfica de probabilidad de un proceso normal
b) Otra opción por medio de una gráfica de probabilidad normal, se tiene:

3. Graph > Probability plot > Normal
4. Graph Variable C1
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la
distribución.
Fig. 2.8 Gráfica de probabilidad normal con Int.de confianza
Página 96
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS
Se pueden cometer dos tipos de errores cuando se prueban hipótesis:
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 relación a una característica 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 continúe operando de manera insatisfactoria
respecto a una característica de calidad.
El procedimiento general para pruebas de hipótesis es especificar una probabilidad de error tipo I
o , y diseñar un procedimiento de prueba que minimice la probabilidad de error tipo II.
Conforme se incrementa el tamaño n de muestra, se reduce la probabilidad de error tipo II.
PROBABILIDAD DE ERROR TIPO II
Tomando como estadístico de prueba Zc, y asumiendo que sigue una distribución normal N(0,1).
Página 97

Z c  X m 0  
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y entonces hallar la
distribución de Zc. Suponiendo que la media de la distribución realmente es:
m1 = m0 +  con  > 0
La hipótesis alterna H1 es verdadera y bajo esta suposición, el estadístico Zc es:
  
Zc  N  ,1
 n 
BAJO H0 BAJO H1
- Z/2 0 Z/2 Zc’ =  n / 

Fig. 2.9 La distribución 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 hipótesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z /2) ) – F(-Z/2), donde F es la distribución acumulativa
normal estándar. La probabilidad de error tipo II es (funciona igual para cuando  < 0):
  n   n
   Z  / 2      Z  / 2 
 
 (2.7)
     
Ejemplo 2.5: si los estándares especifican que la media de una lata de café es de 16.0 oz., y de
acuerdo a la experiencia se sabe que la desviación estándar del contenido es de 0.1 oz. Las
hipótesis son:
Ho: m = 16.0
Página 98
Ho: m  16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de 9 latas, se tiene
que el estadístico 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 m1 =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 
=  (- 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 ecuación anterior para , se observa que es una función de n, y de  , tomando  como 0.05
y graficando  contra d =  / , se obtienen las curvas características de operación (OC).
(ver gráfica 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 más fácilmente grandes diferencias.
Página 99
2. Conforme se incrementa n, la probabilidad de error tipo II es más pequeño para una  y 

dadas. Es decir que la prueba se hace más potente si se incrementa el tamaño de muestra.
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
línea. A continuación se explica la teoría de variabilidad de Shewhart.
Causas comunes y causas especiales
La variabilidad natural siempre existe en cualquier proceso de producción, no importa que tan bien
diseñado esté. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, un proceso que opera en estas condiciones se dice que está en control estadístico.
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas, errores de
operadores o materiales defectuosos. Esta variabilidad es muy grande en relación con la
variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso
opere fuera de control estadístico (ver página siguiente).
De la figura cuando el proceso está en control, la mayor parte de la producción se encuentra

dentro de los límites de control (LSC y LIC). Sin embargo cuando el proceso está fuera de control,
una gran proporción del proceso se encuentra fuera de estos límites.
El Objetivo del CEP es la detección 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 línea, permitiendo también la estimación de la capacidad o
habilidad del proceso y la reducción continua de la variabilidad hasta donde sea posible.
Página 100
2.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL
Una carta típica representando un proceso en control estadístico se muestra a continuación.

Contiene una línea central que representa el valor promedio de la característica de calidad
correspondiente al estado “en control” y dos líneas adicionales llamadas límites 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 acción.
LSC
LC
LIC Tiempo 
Fig. 2.10 Carta de control de Shewhart
Un punto que se encuentre fuera de los lÍmites de control mostrará evidencia que el proceso está
fuera de control y será necesario una investigación de la causa especial y la acción correctiva
necesaria para eliminarla. También se tendrá un alto riesgo de situación fuera de control si los
puntos se agrupan es forma sistemática dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del proceso está en
control y tiene un valor m0 si un valor de media muestral X i cae dentro de los límites de control;
de otra forma se concluye que el proceso está fuera de control y que la media del proceso tiene un
valor diferente del de m0, por decir m1, donde m1  m0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control, son
esquemas de prueba de hipótesis para analizar el desempeño de las cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el
proceso está fuera de control cuando en realidad no lo está.
Página 101
La probabilidad de error tipo II de la carta de control se presenta cuando se concluye que el

proceso está en control cuando en realidad está fuera de control. La curva característica de
operación (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 2.6: Para el caso de pistones, evaluando la característica de calidad de diámetro interno
del anillo. Si la media del proceso es 74 y la desviación estándar es de 0.01mm, con un tamaño de
muestra de n=5, se tiene:
La desviación estándar de las medias es:

 .01
X    0.0045
n 5
Asumiendo que el proceso está en control y de acuerdo al teorema del límite 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 límites de control a “3 sigma”:

LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 – 3 (0.0045) = 73.9865
74.0135
74
74.9865 Tiempo 
Fig. 2.11 Carta de Control típica
Página 102
El ancho de los límites de control es inversamente proporcional al tamaño de muestra n, para un

múltiplo de sigma dado, La selección de los límites de control es equivalente a preparar la región
crítica para probar la hipótesis en el tiempo:
H0 : m = 74
H1 : m  74
Con  = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un estadístico muestral que
mide alguna característica de calidad de interés y asumiendo que su media es mw con desviación
estándar w se tiene:
LSC = mw + Lw (2.8)

LC = mw
LIC = mw - Lw
Donde L es la distancia de los límites de control a partir de la línea central expresada en

unidades de desviación estándar.
El uso más importante de la carta de control es la mejora del proceso, a través de su monitoreo, al
principio se observará que los procesos no están en control estadístico, sin embargo con las cartas
de control se podrán identificar causas especiales que al ser eliminadas, resulten en una reducción
de la variabilidad mejorando el proceso.
DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO
Página 103
DE LOS VALORES DE LAS MEDIAS LSC = 74.0135, LC = 74, LIC = 73.9865

INDIVIDUALES =.01  X  0.0045
Fig. 2.12 Comparación de la variabilidad de la población y la de las medias y operación de la carta

de control
El proceso de mejora usando la carta de control requiere la acción de la supervisión, operador e

ingeniería, la carta de control sólo detecta causas especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las causas raíz del
problema y atacarlas para lo cual se puede utilizar el Plan de acción 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 situación fuera
de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIÓN
Verificación Detección de causa

y seguimiento asignable
Implantar Identificar causa

Acción raíz del problema
Correctiva
Fig. 2.13 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL
La carta de control es un dispositivo de estimación de parámetros del proceso una vez que exhibe
control estadístico, se puede estimar la media, varianza, proporción, etc. que pueden ser utilizados
Página 104
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 cómo se evalúe la característica de calidad.
Si la característica de calidad se puede evaluar y expresar como un número real en alguna escala
de medición 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 desviación
estándar para controlar la variabilidad del proceso.
Muchas características 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 número de no conformidades o defectos que aparecen en
una unidad de producto. Las cartas de control para tales características de calidad, se denominan
cartas de control por atributos.
Un factor importante en la aplicación de cartas de control es su diseño, es decir la selección de

tamaño de muestra, límites de control y frecuencia de muestreo. Para la carta de control por
variables del ejemplo se utilizó una muestra de 5 partes, límites de control a 3-sigma y una
frecuencia de muestreo cada hora.
Si se incrementa el tamaño de muestra, decrece la probabilidad del error tipo II, aunque el diseño
de la carta de control también debe tomar consideraciones económicas considerando los costos de
muestreo, pérdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera de
control que son “falsas alarmas”.
Otra consideración en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varían 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 área de
aplicación de las cartas de control más efectivo.
Página 105
2. Procesos con datos no correlacionados: las observaciones dan la apariencia de haberse extraído
de una población estable (normal u otra), en análisis de series de tiempo se denomina “ruido
blanco”. En este caso los datos pasados históricos no dicen nada en relación a predecir su
comportamiento futuro.
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 algún lado de la
media.
4. Procesos no estacionarios: ocurren en los procesos químicos e industrias de proceso, los

procesos son muy inestables y tienen corridas inestables alrededor de una media fija. En estos
casos se estabiliza el desempeño de los procesos por medio de control automático por
retroalimentación.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicación exitosa ayuda a
reducir desperdicios y retrabajos, que son factores que reducen la productividad (productos
buenos por hora).
2. Son efectivas como herramientas de prevención de defectos. Apoyan el concepto de hacerlo
bien a la primera vez, es más 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 sólo se están teniendo variaciones aleatorias en el proceso.
4. Proporcionan información de diagnóstico. Proporcionan un patrón de puntos que permite la
toma de decisiones para la mejora del proceso, al operador o al ingeniero experimentado.
5. Proporcionan información acerca de la capacidad o habilidad del proceso. Proporcionan
información acerca de los parámetros importantes del proceso y de su estabilidad con el
Página 106
tiempo, permitiendo la estimación de la capacidad del proceso para producir dentro de

especificaciones.
SELECCIÓN DE LOS LÍMITES DE CONTROL
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se
incrementa el riego de error tipo II y viceversa. Con límites 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 límites de control a una distancia de 3.09-sigmas y los límites de control serán:
LSC = 74 + 3.09 (0.0045) = 74.0139

LIC = 74 – 3.09 (0.0045) = 73.9861
Estos límites de control se denominan límites probabilísticos a 0.001. A continuación se presenta

una comparación entre límites.
+3.09 
+3.0 
LC
-3.00
-3.09 
Fig. 2.14 Límites de control de Shewhart y Europeos
Los límites de control a 0.001 se utilizan en países europeos.

Algunos analistas sugieren el uso de límites preventivos trazados a 2-sigmas de la línea central,
para el caso de límites de control a 3-sigmas y a 0.025 de probabilidad para límites de control a
0.001. Estos límites aumentan la sensibilidad de la carta de control para identificar corrimientos de
la media del proceso, en forma más rápida. Si un punto cae fuera de los límites preventivos, Una
desventaja es que crean confusión con el personal y se incrementa el riesgo de error tipo I (falsas
alarmas).
Página 107
Tamaño de muestra y frecuencia de muestreo
Al diseñar una carta de control, se debe especificar tanto el tamaño de muestra como la frecuencia
de muestreo, tamaños de muestra grandes permiten detectar pequeñas corridas en la media del
proceso como se observa en las curvas características de operación.
Para la frecuencia de muestreo, la práctica industrial sugiere tomar muestras pequeñas frecuentes,
principalmente en producción masiva o cuando existe la posibilidad de que existan muchas causas
especiales, actualmente con las computadoras esto es cada vez más fácil.
Otra forma de determinar la frecuencia de muestreo y el tamaño de muestra, es a través de la

longitud media de racha de la carta de control (ARL), que es el número de puntos que deben ser
graficados antes de que un punto indique una condición fuera de control.
1
ARL  (2.9)
p
donde p es la probabilidad de que un punto exceda los límites de control. Para el caso de 3-sigma
p=0.0027 y el ARL0 = 370. Es decir que si el proceso está en control, se generará un punto fuera de
control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces aparecerá una falsa
alarma cada tiempo promedio de indicación (ATS) en horas.
ATS  ARLh (2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada 370 horas.
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso, se
utilizan las curvas características de operación. Por ejemplo, si n=5 y la media se corre de
74.015mm, la probabilidad de que un punto caiga dentro de los límites de control es
Página 108
aproximadamente 0.50, por tanto utilizando p=0.50, se puede calcular el ARL 1 para una situación
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 podrían tomar muestras más
frecuentes por ejemplo cada media hora o incrementar el tamaño de muestra. Si n=10, de la curva
característica de operación se observa que p=0.9 y el ARL 1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser más aceptable.
En resumen las dos alternativas siguientes dan un resultado similar:
Diseño 1 Diseño 2
n=5 n = 10
Frec. Cada ½ hora Frec. cada hora.
Las muestras se toman de manera más frecuente a la ocurrencia de cambios en el proceso

registrados en bitácoras (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
están presentes causas asignables, la diferencia entre los subgrupos sea maximizada, minimizando
la diferencia dentro del subgrupo.
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.
Página 109
Por lo anterior se recomienda tomar productos consecutivos de producción para formar la muestra
(cuyo tamaño puede ser entre 4 y 6), minimizando diferencias dentro del subgrupo. En algunos
procesos como los químicos, es suficiente tomar una sola unidad de producto como muestra, dado
que existe homogeneidad.
Análisis de patrones en cartas de control
Una carta de control indicará una condición fuera de control cuando uno o más puntos caigan más
allá de los límites de control o cuando los puntos graficados formen un patrón no aleatorio de
comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo tipo. Además de las
corridas ascendentes o descendentes, se encuentran las que están por debajo o sobre la media.
Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy baja, se
considera que una racha o corrida con una longitud de 8 puntos indica una condición fuera de
control.
Fig. 2.15 Proceso fuera de control por tendencias o corridas
Otro patrón de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones
cíclicos.
Para reconocer un patrón de comportamiento no sólo se requiere conocer las técnicas estadísticas,
sino también es necesario tener un conocimiento profundo del proceso.
Página 110
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 límites de control de 3-sigma.

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

6. Quince puntos consecutivos encontrados entre más menos 1-sigma de la línea central
(adhesión a la media).
7. Catorce puntos en un renglón alternándose arriba y abajo.
8. Siete puntos que se encuentren más allá de 1-sigma de la línea central.
9. Un patrón no usual o no aleatorio de datos.
10. Uno o más puntos cerca de los límites preventivos.
Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se pueden tener muchas
falsas alarmas quitándole efectividad al programa del CEP.
2.5 IMPLEMENTACIÓN DEL CEP
El CEP proporciona un retorno sobre la inversión apreciable cuando se implanta exitosamente, ya

que permite la mejora continua a través de la reducción de la variabilidad. Las cartas de control
son una herramienta importante para esta mejora.
El CEP no sirve si se implanta y después no se mantiene, ya que la mejora continua debe ser parte
de la cultura de la organización.
Página 111
Para su implantación es necesario el liderazgo gerencia y el trabajo en equipo, así como evaluar los
avances y comunicarlos a la organización, 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. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 112
3. CARTAS DE CONTROL POR VARIABLES
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica 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 característica de calidad está distribuida normalmente con media m y
desviación estándar  ambas conocidas. Si x 1, x2, .... xn forman una muestra de tamaño n entonces
se puede calcular la media de la muestra X .
Ahora como las medias de las muestras están normalmente distribuidas con media m Xi =/ n,
y siendo que la probabilidad 1- de que cualquier media muestral caerá entre los límites:
Página 113

m  Z  / 2 X  m  Z  / 2 (3.1)
n
y

m  Z  / 2 X  m  Z  / 2
n
Lo anterior será válido aún si la distribución de la población no es normal pero si estable.
En la práctica los límites de control se estiman a partir de 20 o 25 muestras preliminares o

subgrupos, el tamaño 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 línea 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
Página 114
DESARROLLO DE LA FORMULA PARA LOS LÍMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviación estándar como sigue:
W=R/ (3.5)
Los parámetros de la distribución de W son función de n. La media de W es d2. Por tanto un

estimador de  es R / d2 , donde d2 está 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 límites de control de la carta de medias son:
3R
LSC  X  Límite superior de control (LSC)
d2 n
3R
LIC  X  Límite inferior de control (LIC) (3.7)
d2 n
X Línea 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.
Página 115
Para el caso de los rangos, la línea central es R . El estimador para R puede hallarse de la
distribución del rango relativo W = R / , si la desviación estándar de W es d 3 en función de n, se
tiene:
R=W (3.9)
La desviación estándar 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 límites 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 función de n para facilitar el cálculo
de los límites de control como sigue:
Tabla 3.1 Constantes para límites de control en cartas X-R

n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 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 2.97
10 0.308 0.223 1.777 3.078
Para valores pequeños de n, el rango es un buen estimador de la varianza tal como lo hace la
varianza de la muestra S2. La eficiencia relativa del método del rango a la S 2 se muestra abajo:
Página 116
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 rápidamente ya que ignora los valores intermedios entre x max
y xmin sin embargo para valores pequeños de n (4,5 o 6) empleados en las cartas de control, es
adecuado. Para cuando n>10 se utiliza la desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener habilidad para
realizar la medición 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 través de una carta de control, es muy importante
llevar una bitácora registrando todos los cambios (tiempo y descripción) conforme ocurran, por
ejemplo: cambio de turno, cambio de materiales, ajuste de máquina, interrupción de energía,
arranque de máquina, 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 límites de
control preliminares para determinar si el proceso estuvo en control (ver procedimiento de
Gráficas de Control). Para probar esta hipótesis, se analizan todos los puntos graficados y se hace
un análisis para identificar si hay puntos fuera de los límites de control o patrones anormales de
comportamiento, si así fuera, los límites de control preliminares se pueden utilizar para el control
futuro del proceso.
Página 117
Si no se prueba la hipótesis de que el proceso está en control, por algún patrón 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 patrón de anormalidad y se re-
calculan o revisan los límites 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 límites de control más 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 determinación de los límites de control
revisados para el control futuro del proceso.
Interpretación de cartas de control X R
Se debe iniciar con la interpretación de la carta R, identificando causas especiales y después

analizar la carta X . Además de la situación de un punto fuera de control, se tienen otros
patrones de anormalidad como los siguientes:
Patrones cíclicos: Puede ser ocasionado por cambios ambientales, fatiga del operador, o
fluctuaciones en las presiones u otras variables del proceso.
LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o fuera de los límites
de control, con muy pocos puntos cerca de la línea 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.
Página 118
LSC
LC
LIC
Fig. 3.3 Patrón de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en métodos,
operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
Fig. 3.4 Patrón de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioración gradual de

herramientas u otro componente crítico del proceso, en los procesos químicos puede deberse a la
separación de algún componente.
LSC
LC
LIC
Fig. 3.5 Patrón de anormalidad de tendencia ascendente
Página 119
Estratificación: Se muestra como una adhesión a la media, puede ser causado por límites mal
calculados, tomar piezas de procesos diferentes o falta de resolución del equipo de medición.
LSC
LC
LIC
Fig. 3.6 Patrón de anormalidad de “estratificación”
Por lo general la carta R es más 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.
En resumen los patrones de anormalidad más comunes son:

- Un punto fuera de los límites de control
- Siete puntos formando una tendencia ascendente o descendente
- Dos de tres puntos a más de dos sigma de la línea central en el mismo lado
- Cuatro de cinco puntos a más de una sigma de la línea central del mismo lado.
- Siete puntos en secuencia sobre o bajo la línea central
- Catorce puntos alternándose arriba y debajo de la media
- Quince puntos dentro de una sigma de la línea central en ambos lados
- Cualquier otro patrón de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automóvil, se desea establecer un control
estadístico para el diámetro interno de los anillos, a través de una carta de medias-rangos. Se
toman 25 subgrupos de 5 piezas cada uno.
El análisis se inicia con la carta R ya que los límites para la carta X dependen de la variabilidad del
proceso, y a menos que esta variabilidad se encuentre en control, esos límites tendrán poco
significado.
Página 120
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 estadístico, se puede ahora calcular los límites
para la carta X donde la línea central X es 74.001 (ver tabla de constantes para obtener el
valor de A2 con n=5).
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 están en

control, se puede concluir que el proceso está en control y se pueden adoptar los límites actuales
para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensión crítica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamaño n=5, uno cada hora:
X11 X12 X13 X14 X15 Medias Rangos Desv. Est.

138.1 110.8 138.7 137.4 125.4 130.1 27.9 12.1
149.3 142.1 105.0 134.0 92.3 124.5 57.0 24.7
115.9 135.6 124.2 155.0 117.4 129.6 39.1 16.2
118.5 116.5 130.2 122.6 100.2 117.6 30.0 11.1
108.2 123.8 117.1 142.4 150.9 128.5 42.7 17.7
102.8 112.0 135.0 135.0 145.8 126.1 43.0 17.9
120.4 84.3 112.8 118.5 119.3 111.1 36.1 15.2
132.7 151.1 124.0 123.9 105.1 127.4 46.0 16.7
136.4 126.2 154.7 127.1 173.2 143.5 47.0 20.2
135.0 115.4 149.1 138.3 130.4 133.6 33.7 12.3
139.6 127.9 151.1 143.7 110.5 134.6 40.6 15.9
125.3 160.2 130.4 152.4 165.1 146.7 39.8 17.9
145.7 101.8 149.5 113.3 151.8 132.4 50.0 23.2
138.6 139.0 131.9 140.2 141.1 138.2 9.2 3.6
110.1 114.6 165.1 113.8 139.6 128.6 55.0 23.5
Página 121
145.2 101.0 154.6 120.2 117.3 127.7 53.6 21.8

125.9 135.3 121.5 147.9 105.0 127.1 42.9 16.0
129.7 97.3 130.5 109.0 150.5 123.4 53.2 20.7
123.4 150.0 161.6 148.4 154.2 147.5 38.2 14.4
144.8 138.3 119.6 151.8 142.7 139.4 32.2 12.1
Los cálculos y gráficas se hicieron utilizando

el paquete MINITAB y se muestran a continuación.
Las cartas de control quedan como sigue:
Xbar-R Chart of X11, ..., X15

U C L=154.45
150
Sample Mean
140
_
_
130 X=130.88
120
110
LC L=107.31
1 3 5 7 9 11 13 15 17 19
Sample
U C L=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Fig. 3.7 Cartas de control iniciales
El proceso se observa en control estadístico, con estos límites de control calculados, se continú a
corriendo el proceso para otros 10 datos con el comportamiento

siguiente:
X11 X12 X13 X14 X15 Medias Rangos Desv. Est.
131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
Página 122
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461

154.8 170.2 168.4 202.7 174.4 174.1 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 23.222
186.9 180.2 149.2 175.2 185.0 175.3 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51 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 21.5062

1
1 1
180 1 1
1
U C L=169.04
165
Sample Mean
150 _
_
X=144.26
135
120 LC L=119.47
1
1
1 4 7 10 13 16 19 22 25 28
Sample
U C L=90.9
80
Sample Range
60
_
40 R=43.0
20
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Fig. 3.8 Cartas de control con 10 puntos adicionales del proceso
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:
X11 X12 X13 X14 X15 Medias Rangos
131.5 143.1 118.5 103.2 121.6 123.6 39.9
111.0 127.3 110.4 91.0 143.9 116.7 52.9
129.8 98.3 134.0 105.1 133.1 120.1 35.7
Página 123
145.2 132.8 106.1 131.0 99.2 122.9 46.0

114.6 111.0 108.8 177.5 121.6 126.7 68.7
125.2 86.4 64.4 137.1 117.5 106.1 72.7
145.9 109.5 84.9 129.8 110.6 116.1 61.0
123.6 114.0 135.4 83.2 107.6 112.8 52.2
85.8 156.3 119.7 96.2 153.0 122.2 70.5
107.4 148.7 127.4 125.0 127.2 127.1 41.3

160
U C L=153.18
Sample M ean
140
_
_
X=127.06
120
100 LC L=100.95
1 4 7 10 13 16 19 22 25 28
Sample
100
U C L=95.7
75
Sample Range
50 _
R=45.3
25
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos anormales
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales

siguientes, procesados con el paquete Minitab:
HORA X1 X2 X3 X4 X5 Medias Rangos
1 -30 50 -20 10 30 8 80
2 0 50 -60 -20 30 0 110
3 -50 10 20 30 20 6 80
4 -10 -10 30 -20 50 8 70
5 20 -40 50 20 10 12 90
6 0 0 40 -40 20 4 80
Página 124
7 0 0 20 -20 -10 -2 40
8 70 -30 30 -10 0 12 100
9 0 0 20 -20 10 2 40
10 10 20 30 10 50 24 40
11 40 0 20 0 20 16 40
12 30 20 30 10 40 26 30
13 30 -30 0 10 10 4 60
14 30 -10 50 -10 -30 6 80
15 10 -10 50 40 0 18 60
16 0 0 30 -10 0 4 40
17 20 20 30 30 -20 16 50
18 10 -20 50 30 10 16 70
19 50 -10 40 20 0 20 60
20 50 0 0 30 10 18 50

U C L=47.53
40
Sample Mean
20 _
_
X=10.9
0
-20
LC L=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
U C L=134.3
Sample Range
100
_
R=63.5
50
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Fig. 3.10 Cartas de control iniciales
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso
normal:
Página 125
Probability Plot of Medias

Normal
99
Mean 10.9
StDev 8.065
95 N 20
AD 0.355
90
P-Value 0.425
80
70
Percent
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
Página 126
Fig. 3.11 a y b Prueba de normalidad en medias y rangos de un proceso estable e
Probability Plot of Rangos

Normal
99
Mean 63.5
StDev 22.54
95 N 20
AD 0.478
90
P-Value 0.210
80
70
Percent
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso está en Control
Estadístico (en ambos casos el P value es mayor a 0.05).
Página 127
Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias – rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Subgrupo Subgrupo Subgrupo
Variables 1 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
límites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la línea central es R los límites de control para el rango son:
LSC = 2.114x R
LIC = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones
preventivas para prevenir la reincidencia y se recalculan los límites de control futuros.
Página 128
Figura 3.12 Carta de control X-R fuera de control
Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y
tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de
control y se recalculan los límites de control.
Xbar-R Chart of Supp2
U C L=602.247
602
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
Figura 3.13 Carta de control de medias rangos X-R estable

.
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
Página 129
Página 130
Capacidad o habilidad del proceso
Una vez que se tiene un proceso en control estadístico, se puede estimar su capacidad o habilidad,
tomando como referencia la desviación estándar del proceso estimada .
Ejemplo 3.3 (continuación..)

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 especificación de
los anillos de pistones es de 74.000  0.05 mm, se tienen como límites inferior y superior de
especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los límites 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. 3.14 Localización de Límites de especificaciones y naturales
Se observa que los límites de tolerancia naturales del proceso se encuentran dentro de los límites
de especificación, por tanto en principio no se observa que haya partes fuera de especificaciones.
Página 131
Otra forma de expresar lo anterior es con el índice 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:
Caso 1. Si Cp es menor que 1, implica que la banda entre los límites de tolerancia naturales es
mayor que la banda permitida por los límites de especificación.
LTNI LIE LSE LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los límites 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 límites de tolerancia natural del
proceso, es menor que la banda permitida por las especificaciones.
Página 132
LIE LTNI LTNS LSE
La fracción de la banda de las especificaciones utilizada por el proceso se estima como sigue:
CR = (1 / Cp) 100% (3.13)

CR = (1 / 1.68) 100% = 59.2%
Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.
Se puede estimar la fracción de anillos no conformes producidos, con ayuda de la distribución

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 millón (ppm) de los anillos producidos estarán
fuera de especificaciones.
Página 133
Ejemplo 3.2 (continuación...). Para la carta de control de las medias, después de haber eliminado
las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el cálculo de
habilidad como sigue (considerando que los límites de especificación son 85 y 175):
Process Capability of X11, ..., X15
LSL USL
P rocess Data Within
LS L 85 Ov erall
Target *
USL 175 P otential (Within) C apability
S ample M ean 127.063 Cp 0.77
S ample N 150 C P L 0.72
S tDev (Within) 19.4626 C P U 0.82
S tDev (O v erall) 19.8965 C pk 0.72
O v erall C apability
Pp 0.75
PPL 0.70
PPU 0.80
P pk 0.70
C pm *
60 80 100 120 140 160 180

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 26666.67 P P M < LS L 15338.42 P P M < LS L 17253.10
PPM > USL 6666.67 PPM > USL 6888.71 PPM > USL 7991.57
P P M Total 33333.33 P P M Total 22227.13 P P M Total 25244.67
Fig. 3.15 Capacidad de proceso del ejemplo 3.2
Página 134
Ejemplo 3.3. Para las cartas X-R se tiene el cálculo de la capacidad o habilidad del proceso, una vez
estable (considerando que los límites de especificación son -80 y +80):
Process Capability of X1, ..., X5
LSL USL
P rocess Data Within
LS L -80 Ov erall
Target *
USL 80 P otential (Within) C apability
S ample M ean 10.9 Cp 0.98
S ample N 100 C P L 1.11
S tDev (Within) 27.3001 C P U 0.84
S tDev (O v erall) 25.2301 C pk 0.84
O v erall C apability
Pp 1.06
PPL 1.20
PPU 0.91
P pk 0.91
C pm *
-60 -30 0 30 60
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 434.76 P P M < LS L 157.38
P P M > U S L 0.00 P P M > U S L 5684.82 P P M > U S L 3083.22
P P M Total 0.00 P P M Total 6119.59 P P M Total 3240.59
Fig. 3.16 Capacidad de proceso del ejemplo 3.3
Para el cálculo de otros índices que toman en cuenta la posición de la media, revisar el capítulo de
capacidad del proceso o el procedimiento de cartas X –R.
REVISIÓN O RE-CÁLCULO DE LA LÍNEA CENTRAL Y LÍMITES DE CONTROL
Los límites de control calculados como límites preliminares, deben ser revisados en forma
periódica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del proceso en
particular.
Lo recomendable en cada revisión es tomar las acciones necesarias para que la media del proceso
X se acerque cada vez más a la media de las especificaciones (en caso de ser bilaterales) o se
aleje lo más posible de la especificación (en caso de ser unilateral).
Página 135
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 límites de control, para usarse
en el control futuro del proceso.
LÍMITES DE CONTROL, DE ESPECIFICACIÓN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relación matemática entre los límites de
especificación y los de control o los de tolerancia natural.
Los límites de especificación son establecidos externamente al proceso por ingenieros de

manufactura, el cliente o por los diseñadores 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 sólo su variabilidad aleatoria y
maximizando la posibilidad de detectar corridas en la media del proceso en función 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 TAMAÑO DE MUESTRA

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

R nuevo  rango promedio para el tamaño de subgrupo nuevo
nant = tamaño de subgrupo anterior
nnuevo = tamaño de subgrupo nuevo
d2 ant = factor d2 para el tamaño de subgrupo anterior
Página 136
d2 nuevo = factor d2 para el tamaño de subgrupo nuevo
Los nuevos límites de control para la carta X son (seleccionando A2 en base al nuevo tamaño de
subgrupo nnueva , la línea 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 límites de control son (seleccionando D 3 y D4 para el nuevo
tamaño 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 }
Si en Ejemplo 3.1 de trabajo se quisiera cambiar de n=5 a n=3, se tendría:
De la tabla de constantes se tiene: d 2 ant. = 2.326, d2 nueva = 1.693, A2 nueva = 1.023, por tanto los límites
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 D 3 = 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
Página 137
LIM.INF.NVO.
LIMITE SUP. ANT.

LIMITE SUP.NVO.
CARTA R
Fig. 3.17 Revisión de límites de control cambiando de n=5 a 3
Como se puede observar el efecto de reducir el tamaño de muestra hace que se incremente el

ancho de los límites de control en la carta X (porque es más pequeño con n=5 que con n=3) y
n
se reduzca la media de R y su límite superior en la carta R.
La curva característica de operación

La habilidad de las cartas de control X  R para detectar corrimientos en la media del proceso es
indicada por su curva característica de operación (OC). Su determinación se muestra a
continuación.
Si en la carta para X se conoce la desviación estándar del proceso  y es constante, cuando la
media del proceso m0 cambia a otro valor m1 = m0 + k , la probabilidad de no detectar el cambio en
la primera muestra subsecuente es el riesgo , donde:
 = P { LIC <= X <= LSC  m1 = m0 + k  } (3.16)

dado que X  N (m, 2/n) y que los límites de control son:
LSC = m0 + L / n (3.17)
LIC = m0 - L / n
Página 138
La probabilidad de que un punto de X i caiga dentro de límites de control sabiendo que la media
del proceso ya es m1, es igual a la probabilidad de que el punto se encuentre abajo del límite
superior (LSC) menos la probabilidad de que se encuentre abajo del límite inferior de control
(LIC). Considerando la desviación Estándar de las medias, o sea:
+
LSC  ( ZLSC, x)
Xi
LC
 ( ZLIC, x)
LIC
-
Fig. 3.18 Cálculo del error Beta o tipo II
 LSC  ( m 0  k )   LIC  ( m 0  k ) 
Entonces  =  
/ n  -  / n 
   
 m 0  L / n  ( m 0  k )   m  L / n  ( m 0  k ) 
 =  -  0  (3.18)
 / n   / n 
Donde  es la distribución normal acumulativa. La expresión anterior se reduce a:
=(L–k n )-(-L–k n ) (3.19)
Ejemplo 3.4 Para una carta X  R con L=3 (límites a 3-sigma de medias), tamaño de muestra n=5,
y se desea determinar el corrimiento a m1 = m0 + 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)
Página 139
= 0.0708
Este es el riesgo  o la probabilidad de no detectar tal corrimiento. La probabilidad de sí detectarlo

es 1-  =
= 1 – 0.0708 = 0.9292.
Con las fórmulas anteriores se construyen las curvas características de operación  para diferentes
valores de n en función 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 así sucesivamente.
La longitud de la corrida media es el número 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 distribución del rango relativo
W=R/. Si el valor de la desviación estándar cuando el proceso está 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 después del corrimiento. Se grafica  contra = 1/0.
Por ejemplo si  = 2 con n=5, sólo se tienen una probabilidad del 40% de detectar este corrimiento
en cada muestra subsecuente. Por tanto la carta R tiene poca sensibilidad de detectar pequeños
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 está en control es:
Página 140
ARL = 1 / P ( un punto fuera de control) = ARL 0 = 1 /  (3.21)
Cuando el proceso está fuera de control es:
ARL1 = 1 / ( 1 -  ) (3.22)
De las gráficas 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 tamaño de muestra es moderadamente grande n>10 o 12 (donde el rango pierde eficiencia

por no tomar en cuenta valores intermedios).
2. El tamaño de muestra es variable.
Su construcción es similar a la de la carta de medias-rangos, excepto que en lugar del rango R en

cada subgrupo se calcula la desviación estándar S.
Página 141
Xbar-S Chart of X1, ..., X5

U C L=46.91
40
Sample Mean
20 _
_
X=10.9
0
-20
LC L=-25.11
1 3 5 7 9 11 13 15 17 19
Sample
60
U C L=52.71
45
Sample StDev
30 _
S =25.23
15
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Figura 3.19 Ejemplo de carta X-S
S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es un estimador

insesgado de . Si la distribución es normal, entonces S estima a c4 donde c4 es una constante
que depende del tamaño de muestra n. Además la desviación estándar 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 información se pueden establecer los límites 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 = m + A (3.20)
LCs = c4 LC = m
Página 142
LICs = c4 - 3  1  c 4 = B5  LICX = m - 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 desviación estándar de la población, se puede estimar utilizando

diversas muestras m con datos históricos, donde se obtenga la desviación estándar en cada una de
ellas y se promedien.
1 m
S  Si
m i 1
(3.21)
__
S (3.22)
 
c4
Como el estadístico S /c4 es un estimador insesgado de , los parámetros de la carta serán 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 límites de control para esta
carta son:
Página 143
S
LSCx = X + 3 = X + A3 S (3.24)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, A’s y B’s se encuentran tabuladas en función de n en la tabla de constantes,
como sigue:
Tabla 3.2 Constantes para límites de control en cartas X-S

n c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 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 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 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 0.75 0.763 0.448 1.552 0.44 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 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 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 0.6 0.606 0.565 1.435 0.559 1.42
Página 144
CASO DE n VARIABLE
En el caso de tamaño de muestra variable, se utiliza el promedio ponderado de las medias y de las
desviaciones estándar como sigue:
n X i i
X i 1
m (3.25)
n
i 1
i
1/ 2
 2 
  (ni  1) S i 
S m  (3.26)
 
  ni  m 
 i 1 
Ejemplo 3.4 Para una carta X-S con límites variables, se tomaron los
datos siguientes, corriendo en Minitab:
Datos Muestra Datos Muestra Datos Muestra Datos Muestra
74.030 1 74.000 7 73.994 14 74.009 21
74.002 1 73.985 8 74.000 14 74.005 21
74.019 1 74.003 8 73.984 14 73.996 21
73.992 1 73.993 8 74.012 15 74.004 22
74.008 1 74.015 8 74.014 15 73.999 22
73.995 2 73.998 8 73.998 15 73.990 22
73.992 2 74.008 9 74.000 16 74.006 22
74.001 2 73.995 9 73.984 16 74.009 22
73.998 3 74.009 9 74.005 16 74.010 23
74.024 3 74.005 9 73.998 16 73.989 23
74.021 3 73.998 10 73.996 16 73.990 23
74.005 3 74.000 10 73.994 17 74.009 23
74.002 3 73.990 10 74.012 17 74.014 23
74.002 4 74.007 10 73.986 17 74.015 24
73.996 4 73.995 10 74.005 17 74.008 24
73.993 4 73.994 11 74.006 18 73.993 24
74.015 4 73.998 11 74.010 18 74.000 24
74.009 4 73.994 11 74.018 18 74.010 24
73.992 5 73.995 11 74.003 18 73.982 25
74.007 5 73.990 11 74.000 18 73.984 25
Página 145
74.015 5 74.004 12 73.984 19 73.995 25

73.998 5 74.000 12 74.002 19 74.017 25
74.014 5 74.007 12 74.003 19 74.13 25
74.009 6 74.000 12 74.005 19
73.994 6 73.996 12 73.997 19
73.997 6 73.983 13 74.000 20
73.985 6 74.002 13 74.010 20
73.995 7 73.998 13 74.013 20
74.006 7 74.006 14 73.998 21
73.994 7 73.967 14 74.001 21
Xbar-S Chart of Datos

74.02 UCL=74.02046
74.01
Sample Mean
_
_
74.00 X=74.0009
73.99
LCL=73.98134
73.98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
0.024 UCL=0.02403
0.018
Sample StDev
0.012
_
S=0.00736
0.006
0.000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Tests performed with unequal sample sizes
Fig. 3.20 Ejemplo de carta X-S con límites variables
Página 146
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la S = 0.0098, por tanto los límites 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 método alterno para n variable se puede utilizar la n si no hay mucha variación entre los
diferentes tamaños de muestra (dentro de n  25%).
ESTIMACIÓN DE 
El valor de la desviación estándar  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 n=5.
c4
Existe una variante de las cartas de medias-desviación estándar denominadas cartas de medias-
varianza.
Página 147
3.4 CARTAS PARA LECTURAS INDIVIDUALES
Existen muchas situaciones donde el tamaño de muestra es n =1, por ejemplo:

1. Cuando hay inspección automática de piezas individuales.
2. La tasa de producción es muy baja y no es inconveniente tomar muestras de más de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (sólo por errores de medición de
laboratorio) como en procesos químicos.
4. En plantas de proceso como las de papel, el espesor de los acabados tiene una variabilidad
muy baja a través del rollo.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los rangos móviles se
empiezan a calcular a partir de la segunda muestra como MR i = X i  X i 1 .

Para este caso, los límites 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 habrá (m – 1) rangos en total. Con m = número de subgrupos.
Lote Viscocidad
1 33.75
2 33.05
3 34.00
4 33.81
5 33.46
Página 148
6 34.02
7 33.68
8 33.27
9 33.49
10 33.20
11 33.62
12 33.00
13 33.54
14 33.12
15 33.84
I-MR Chart of Viscocidad

U C L=34.802
34.5
Individual V alue
34.0
_
33.5 X=33.523
33.0
32.5
LC L=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
1.6 U C L=1.571
1.2
Moving Range
0.8
__
M R=0.481
0.4
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
Fig. 3.21 Carta de lecturas individuales o rango móvil (I-MR)
El proceso está en control estadístico.
Ejemplo 3.7: Se toman varios datos de edades 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 habrá (m – 1) rangos en total. Con m = número de valores individuales.
Página 149
Por ejemplo:
Valores individuales Rango
23 -
15 8
11 4
24 13
38 14
19 19
Al final se hace un promedio de los valores individuales X y un promedio de rangos móviles

R y los límites de control para la carta I-MR se calculan con las fórmulas siguientes:
Para la carta I: LSCx  X  (2.66 * R ) LICx  X  ( 2.66 * R )

y para la carta R: LICr 0 LSCr 3.27 * R
I-MR Chart of Supp1

1 1
U C L=601.176
601
Individual V alue
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Figura 3.22 Carta de control I-MR. El proceso no está en control estadístico.
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Página 150
Página 151
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias características a la vez clasificando la
unidad como conforme o no conforme, si no cumple alguna de esas características. Por otra parte
si esas características se controlan como variables, debe llevarse una carta de control para cada
una de esas características, lo cual es más laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de atributos, tal
como la media del proceso y su variabilidad, también proporcionan información 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 artículos no conformes, lo que no sucede con las cartas por
atributos hasta que el proceso genere más disconformes.
LIE m1 m2 m3 LSE
Reacción de carta X-R Reacción de carta p
Fig. 3.23 Comparación de sensibilidad entre cartas de control
Tal vez la ventaja más 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 guía de falla, mientras que las
cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan
más defectivos.
En la figura, cuando la media del proceso esta en m1 se producen pocas no conformidades, si la

media del proceso se corre hacia arriba, cuando llegue a m2 la carta X-R habrá mostrado un patrón
anormal o puntos fuera de control para tomar acciones correctivas, mientras que la carta p no
reaccionará hasta que la media del proceso se haya recorrido hasta m3, o hasta que el número de
Página 152
unidades no conformes producidas se haya incrementado. Por tanto las cartas X-R son más
poderosas que las cartas p.
Para el mismo nivel de protección contra corrimientos del proceso, la carta p requiere un tamaño
de muestra mayor, la X-R requiere tomar mucho menos unidades aunque las mediciones toman
más tiempo. Esta consideración 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 característica
de calidad es 50 y la desviación estándar es 2, para límites de 3-sigma y especificaciones LIE=44 y
LSE=56, cuando el proceso está en control en el valor nominal de 50, la fracción no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fracción defectiva producida
será aproximadamente 0.0202, si se desea que la probabilidad de detectar este corrimiento en la
siguiente muestra subsecuente sea del 0.50, entonces el tamaño 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,
Si se utiliza una carta p entonces el tamaño 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 límites de control, p = 0.0027 y  es la magnitud de incremento

en fracción defectiva o sea  = 0.0202 – 0.0027 = 0.0175, de esta forma,
n = 79.23  80
Página 153
Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo
de inspección por atributos, las carta X es más económica de aplicar.
GUÍA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la característica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarán las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicación de la carta de control.
5. Seleccionar el sistema de colección de datos y software de C.E.P.
SELECCIÓN 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.
2. El proceso ha estado mostrando un comportamiento inconsistente en forma crónica.
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 operación de ensamble compleja y la calidad se evalúa 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 desempeño del proceso para revisión ejecutiva.
C. Cartas de control por lecturas individuales
Página 154
1. Es inconveniente o difícil obtener más de una medición por muestra, o la repetición de

muestras sólo mostrará errores de medición de laboratorio, tal como ocurre en proceso
químicos.
2. Se cuenta con inspección automatizada de cada unidad de producto. Para estos casos también
se deben considerar las cartas de sumas acumuladas o de media móvil ponderada.
3. Los datos disponibles son muy lentos en el tiempo, por ejemplo datos contables mensuales.
3.6 APLICACIÓN 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 través de centrar su proceso y

tomar acciones correctivas.
2. Selección de equipo productivo a través de demostración de su capacidad antes de su
embarque.
3. Corridas cortas en talleres de manufactura. Se controla la desviación respecto a la media
especificada, de una característica específica de calidad para diferentes productos similares.
4. Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay especificaciones, (2)
se requiere más imaginación para aplicar las cartas de control. Se usan por ejemplo para
reducir el tiempo de proceso de las cuentas por pagar (pago de cheques).
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL
Las constantes para límites de control en las cartas X-R son:

n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 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 2.97
10 0.308 0.223 1.777 3.078
Página 155
n c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 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 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 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 0.75 0.763 0.448 1.552 0.44 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 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 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 0.6 0.606 0.565 1.435 0.559 1.42
Página 156
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIÓN
Muchas características de calidad no pueden ser representadas numéricamente, denominándose

atributos. En tales casos cada artículo completo se clasifica como conforme o no conforme a
especificaciones y/o estándares, 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 fracción

defectiva o la np para el número de defectivos o de no conformes. Se aplica a productos simples
(tornillos, lápices, botellas, etc.)
Cuando más bien se controla el número 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,
cámaras de video, escritorios, refrigeradores, etc.) Un defecto o no conformidad es una
discrepancia respecto a los estándares 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.
Página 157
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p
La fracción no conforme es la relación entre el número de artículos discrepantes entre el total de

artículos, se expresa como fracción decimal, aunque también se puede expresar en porcentaje. El
artículo puede tener varias características de calidad que son examinadas por un inspector, si el
artículo no está de acuerdo a los estándares, se le considera como defectuoso o no conforme.
La fracción defectiva o no conforme en la muestra se define como la relación entre el número de

unidades no conformes D al tamaño de muestra n, o sea:
Di
pi  (4.1)
ni
La distribución de este estadístico sigue la distribución binomial por tanto:
__
mp (4.2)
p (1  p )
 2p  (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico que mide una
característica de calidad, con media mw y varianza  w , los límites de control son:

2
LSC = mw + Lw
LC = mw (4.4)
LIC = mw - Lw
Donde L es la distancia de la línea central hasta los límites de control, es común usar L = 3.
Por tanto los límites de control de la carta p considerando L = 3 son:
Página 158
__ __
__
LSCp = p  3 p (1  p )
n
__
LCp = p (4.5)
__ __
LICp = p  3 p (1  p )
__
Durante la operación, se toman muestras de n unidades, se calcula la fracción defectiva p i y se
grafíca en la carta, mientras no se observe ningún patrón anormal y p i se localice dentro de

límites de control, se puede concluir que el proceso está en control, de otra forma, se concluirá
que la fracción no conforme se ha desplazado de su valor original y el proceso se encuentra fuera
de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamaño n , por lo general se toman 20 a 25 de estas. Así si D i son
unidades no conformes en la muestra i , la fracción defectiva de la muestra i - ésima estará dada
como:
pi = Di / n i = 1, 2, 3,....., m (4.6)
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
m m
D  p i i
(4.7)
p i 1
 i 1
mn m
El estadístico p estima la fracción desconocida p, y los límites preliminares de control son:
p (1  p )
LSC p  p  3 (4.5) anterior
n
LC p  p
Página 159
p(1  p )
LIC p  p  3
n
Una vez hecha la gráfica trazando los límites 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 situación fuera
de control se eliminan y se calculan de nuevo los límites 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 P para tomar
acciones y mejorar el desempeño 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 Defectos Hora Defectos
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
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
D  p i i
=
347
= 0.2313
p i 1
 i 1 (30)(50)
mn m
Página 160
Los límites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
P Chart of Defectos
0.5 1
0.4 UCL=0.4102
0.3
Proportion
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 4.1 Carta de control p fuera de control
De la carta de control se observa que las muestras 15 y 23 están fuera de los límites de control, de
tal forma que el proceso está fuera de control.
Del análisis de los datos de la bitácora se encontró 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 máquina.
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando
nuevos límites preliminares con los puntos 15 y 23 eliminados, se tiene con Minitab:
LSCp = 0.3893
Página 161
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
0.3
Proportion
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 4.2 Carta de control p fuera de control en un punto
En la gráfica de límites revisados, se observa que la muestra 20 excede el límite superior de

control, sin embargo no se encontró una causa asignable, por tanto se retiene este punto para el
cálculo de los límites preliminares. Tampoco se observan patrones de anormalidad, la mayor racha
o corrida tiene 5 puntos sobre la línea central, lo cual no representa una situación fuera de control.
De esta forma se concluye que el proceso está en control a una p = 0.2150 adoptando los límites
preliminares para control futuro.
Página 162
P Chart of Defectos
0.4
UCL=0.3804
0.3
Proportion
_
0.2 P=0.2081
0.1
LCL=0.0359
0.0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.3 Carta de control p en control estadístico
A<Se observa que a pesar de que el proceso está en control, no se tienen presentes problemas
controlables por el operador, por tanto las causas de variabilidad son comunes y su reducción
depende sólo del control de la administración, una vez que interviene e Ingeniería realiza una serie
de ajustes a la máquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los siguientes 3 turnos, la
gráfica se hizo utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los ajustes y una mejor atención de los
operadores.
Página 163
Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos, difiere de la
fracción no conforme preliminar, con el procedimiento de prueba de hipótesis:
H0: p1 = p 2
H1: p1 > p2
Donde p1 es la fracción no conforme de los datos preliminares

(p1 = p 1 = 0.2182) y p2 es la fracción no conforme del periodo actual. Para estimar p 2 se toman las
últimas 24 muestras o sea:
m m
 Di p i
=
133

133
 0.1108
p2  i  31
 i 31 (50)( 24) 1200
mn m
El estadístico de prueba aproximado para probar la hipótesis anterior es:
p1  p 2
Z0  n1 p1  n2 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 distribución normal, se encuentra que:
Z0 = 7.10 > Z.05 = 1.645
Página 164
Por tanto se rechaza la hipótesis H o concluyendo que hubo una reducción en la fracción defectiva
promedio del proceso.
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos límites de control, para las siguientes 40 muestras
se observa una mejora del proceso, dentro de control. Es muy importante que para identificar
fácilmente las causas asignables, se lleve una bitácora de cambios, donde se anote cada cambio
que ocurra, independientemente que afecte o no al proceso.
Figura 4.4 Carta de control p con nuevos puntos tomados
Página 165
Diseño de la carta de control
Determinación del tamaño de muestra:
Método 1.
El tamaño 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 número de artículos no conformes, entonces:
P{ D >= 1 }>= 0.95
Con la distribución de Poisson se encuentra que  = np debe ser mayor a 3.00, por tanto si p =
0.01, implica que el tamaño de muestra debe ser al menos de 300.
Método 2.
Duncan sugiere que el tamaño 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 distribución normal es una buena aproximación a la binomial, se selecciona n de

tal forma que el límite superior de control coincida con la fracción defectiva en el estado fuera de
control.
Entonces n debe satisfacer:
p (1  p )
 L (4.8)
n
Donde L es la distancia de la línea central a los límites de control en desviaciones estándar, por
tanto,
Página 166
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 
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar n tan grande de
tal forma que el límite inferior tenga un valor positivo, para poder investigar la causa de generación
de muy bajas cantidades de artículos defectuosos con objeto de identificar errores de inspección o
de los equipos de medición. Se tiene:
p(1  p)
LIC p  p  L 0 (4.10)
n
Implica que,
(1  p ) 2
n L (4.11)
p
Ejemplo 4.4, si p = 0.05 y se tienen límites de control a 3-sigma, el tamaño de muestra será:
0.95
n (3) 2  171
0.05
Si n>171 unidades, la carta de control tendrá un límite inferior de control positivo.
Es importante notar que la carta de control p se basa en la distribución normal, es decir que la
probabilidad de ocurrencia de artículos 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.
Página 167
Ejemplo 4.3 Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50

servicios contabilizando las quejas en cada uno como sigue:
No
Servicio No conformes Servicio No conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 quejas o servicios 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 límites de control usando Minitab son:
LSCp = 0.4102 LCp = 0.2313 LICp = 0.0524
Fig. 4.4a. Carta de control P para la fracción de servicios no conformes.
Ejercicio Hacer una carta de control P por atributos.
Página 168
Página 169
Página 170
4.3 CARTA DE CONTROL np
En lugar de tener fracciones no conformes, si el tamaño de muestra es constante, se pueden

utilizar directamente el número de artículos defectivos o no conformes np, para evitarle
operaciones aritméticas al operador, los parámetros 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 número de defectivos o no conformes un entero, por tanto es más fácil de graficar e interpretar
por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los últimos 39 datos de las cajas de concentrado de jugo de naranja es, se tiene:
NP Chart of Defectos
20
UCL=19.02
15
Sample Count
__
10 NP=10.41
LCL=1.80
0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.5 Carta de control np en control estadístico con límites de control constantes
Página 171
4.4 TAMAÑO DE MUESTRA VARIABLE
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de los lotes
producidos en un periodo de tiempo, por tanto la muestra será variable. Se tiene varios métodos
para llevar una carta de control:
Método 1. Límites variables
Se calculan límites de control para cada muestra en base en la fracción defectiva promedio p y su
tamaño de muestra con p  3 p (1  p ) / ni . La amplitud de los límites es inversamente
proporcional a la raíz cuadrada del tamaño de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspección diaria, registrando la producción total
y los defectivos del día.
n-var nodef Fra-def LSC LIC Des-est

100 12 0.12 0.183686 0.007335 0.0293918
80 8 0.1 0.194093 -0.00307 0.0328611
80 6 0.075 0.194093 -0.00307 0.0328611
100 9 0.09 0.183686 0.007335 0.0293918
110 10 0.090909 0.179582 0.011438 0.028024
110 12 0.109091 0.179582 0.011438 0.028024
100 11 0.11 0.183686 0.007335 0.0293918
100 16 0.16 0.183686 0.007335 0.0293918
90 10 0.111111 0.188455 0.002565 0.0309817
90 6 0.066667 0.188455 0.002565 0.0309817
110 20 0.181818 0.179582 0.011438 0.028024
120 15 0.125 0.176003 0.015017 0.026831
120 9 0.075 0.176003 0.015017 0.026831
120 8 0.066667 0.176003 0.015017 0.026831
110 6 0.054545 0.179582 0.011438 0.028024
80 8 0.1 0.194093 -0.00307 0.0328611
80 10 0.125 0.194093 -0.00307 0.0328611
80 7 0.0875 0.194093 -0.00307 0.0328611
90 5 0.055556 0.188455 0.002565 0.0309817
100 8 0.08 0.183686 0.007335 0.0293918
100 5 0.05 0.183686 0.007335 0.0293918
Página 172
100 8 0.08 0.183686 0.007335 0.0293918

100 10 0.1 0.183686 0.007335 0.0293918
90 6 0.066667 0.188455 0.002565 0.0309817
La fracción defectiva media se calcula como sigue:
25
D i
234
p i 1
25
  0.096
2450
n
i 1
i
Y los límites 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
NP Chart of nodef
1
20
UCL=16.94
15
Sample Count
10 __
NP=8.58
0 LCL=0.22
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Figura 4.6 Carta de control np en control estadístico con límites de control variables
Página 173
Se observa que la muestra 11 está fuera de control.
Cuando se toman límites de control variables, el análisis de patrones de anormalidad no tiene

sentido ya que la desviación estándar en cada muestra esta variando y no es posible visualizar
corridas o rachas.
Método 2. Tamaño de muestra promedio

En este caso, se toma el promedio de los tamaños de muestra para calcular los límites de control
aproximados, se asume que los tamaños de muestra no diferirán en forma apreciable de los
observados, aquí los límites de control son constantes. Si existen grandes diferencias mayores al
promedio más o menos 25%, este método no es adecuado.
m
n i
2450
n i 1
  98
m 25
Con límites 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 gráfica se observa que el punto 11 está fuera de control.
Método 3. Carta de control estandarizada.
En este método, los puntos se grafican en unidades de desviación estándar. En la carta de control
estandarizada, la línea central es cero y los límites de control están a +3 y –3 respectivamente, la
variable a graficar en la carta es:
pi  p
Zi 
p (1  p ) (4.13)
ni
Página 174
donde p (o p si no hay estándar) es la fracción defectiva media del proceso en su condición de

control estadístico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada, por medio de Minitab.
Página 175
I-MR Chart of Z-Estand

1
3.0 U C L=2.871
Individual V alue
1.5
_
0.0 X=-0.028
-1.5
-3.0 LC L=-2.926
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
1
4
U C L=3.560
3
M oving Range
2
__
1 M R=1.090
0 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
Figura 4.7 Carta de control p estandarizada (Zi)

Esta carta tiene la ventaja de poder identificar patrones de anormalidad e identificar curva
característica de operación, lo que no puede hacerse con la carta de límites de control variables.
Una aplicación diferente de la manufactura sería el control de órdenes de compra erróneas para
cada semana.
4.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL
La curva OC muestra en forma gráfica la probabilidad de aceptar incorrectamente la hipótesis de

control estadístico (i.e. cometer un error tipo II o ). Esta curva proporciona una evaluación de la
sensibilidad de la carta de control, o sea la habilidad de detectar un corrimiento en la fracción no
conforme del proceso, desde su valor nominal p a algún otro valor p .
La probabilidad de error tipo II para la carta de control de fracción defectiva o no conforme es:
  P{ p  LSC p}  P{ p  LIC p} = P{D  nLSC p}  P{D  nLIC p} (4.14)
Página 176
Como D es una variable aleatoria binomial con parámetros n y p, el error  puede ser obtenido de
la función de distribución acumulativa (la distribución de Poisson se puede utilizar como una
aproximación).
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 construyó utilizando Excel y Minitab.
NOTA: Se debe usar la distribución de Poisson para np <=5 y distribución Normal en caso contrario.
A continuación se muestran curvas OC con 3 distribuciones.
Página 177
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
La curva OC calculada con las diferentes distribuciones de probabilidad se muestra a continuación:
Página 178
Para esta carta de control, también se puede calcular la longitud de corrida media ARL.
Cuando es proceso está en control:
ARL0 = 1 / 
Cuando el proceso está 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.
Figura 4.8 Curva característica de operación np
Ejemplo 4.9, suponiendo que el proceso se corre a p 1 = 0.3, siendo su valor nominal p 0 = 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.
Página 179
4.6 NO CONFORMIDADES (DEFECTOS) – c CARTAS DE CONTROL PARA y u
Una no conformidad o defecto es una característica específica que no cumple con la especificación
del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta
críticas. Se pueden desarrollar cartas de control para el número total de no conformidades en una
unidad o el número promedio de no conformidades por unidad.
Estas cartas asumen que las ocurrencias de no conformidades en muestras de tamaño constante
son modeladas bien por la distribución 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 localización sea pequeña y
constante. Además, cada unidad de inspección debe representar una “área de oportunidad”
idéntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Tamaño de muestra constante - CARTA c
Una unidad de inspección es simplemente una entidad para la cual es conveniente registrar el
número 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 inspección de acuerdo a
la distribución de Poisson, o sea:
e c c x
p( x ) 
x!
(4.15)
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los límites de control para la carta de no conformidades son:
Página 180
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 estándar definido c se estima con el promedio de no conformidades observadas en una

muestra preliminar inspeccionada, o sea con c , en este caso los parámetros 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 históricos, se calculan límites de control preliminares.
Ejemplo 4.18 Para el número de no conformidades observadas en 26 unidades de inspección

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
LIC = 6.48
Página 181
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
C Chart of NoConform
40 1
UCL=33.21
30
Sample Count
_
20 C=19.85
10
LCL=6.48
1
0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.9 Carta de control C fuera de control estadístico
Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los circuitos
impresos pero no tenía 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 límites de control.
Página 182
C Chart of NoConform
35
UCL=32.97
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Figura 4.9 Carta de control C dentro de control estadístico
Como el proceso ya se encuentra en control estadístico, estos límites se tomarán como base para
el siguiente periodo, donde se tomaron 20 unidades de inspección 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 gráfica que no se tienen puntos fuera de control, sin embargo el promedio de
defectos es alto, requiere la acción de la administración.
Página 183
C Chart of C4
35
UCL=32.98
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.10 Carta de control C dentro de control estadístico para otras 20 muestras – muy alta c
Haciendo un análisis de Pareto de los principales defectos se observó que el principal defecto de
soldadura insuficiente y soldadura fría, acumulan el 69% del total, por lo que se deben enfocar los
esfuerzos a resolver estos problemas.
Página 184
Figura 4.11 Pareto de no conformidades
Página 185
Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se
presentan los defectos principalmente.
Otra forma de análisis es el diagrama de causa efecto para identificar las diferentes fuentes de no
conformidades.
Figura 4.12 Diagrama de Ishikawa de causas potenciales para la falla de soldadura
Selección del tamaño de muestra
Aumentando el tamaño de muestra se tiene más oportunidad de encontrar no conformidades o

defectos, sin embargo esto también depende de consideraciones económicas y del proceso, si en
lugar de tomar 1 unidad de inspección, se toman n unidades de inspección, entonces los nuevos
límites de control se pueden calcular por los siguientes métodos:
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el factor n,
quedando como sigue ( c es la media de las no conformidades observada en la unidad de
inspección anterior):
Página 186
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 inspección 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
Carta de control de defectos por unidad U

Método 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de inspección,
entonces el promedio de no conformidades por unidad de inspección u es:
c
u (4.19)
n
Como c es una variable aleatoria que sigue la distribución de Poisson, los parámetros de la carta u
de número 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
Donde u representa el número promedio de no conformidades por unidad en un conjunto de

datos preliminar. Los límites anteriores se consideran límites preliminares.
Página 187
Ejemplo 4.10 Para un fabricante de computadoras registrando los defectos en su línea de

ensamble final. La unidad de inspección es una computadora y se toman 5 unidades de inspección
a un tiempo.
No conformidades
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 límites 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:
Página 188
U Chart of C6
4
UCL=3.794
3
Sample Count Per Unit
_
2 U=1.93
0 LCL=0.066
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.13 Carta de control de defectos por unidad U con tamaño de muestra constante en control
estadístico
En la carta de control no se observa falta de control estadístico, por tanto los límites 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 inspección 100% de
la producción o lotes de producto, por tanto, las unidades de inspección no son constantes. En esta
carta se tiene una línea central constante y los límites de control varían inversamente con la raíz
cuadrada del tamaño de muestra n.
La línea central y los límites individuales de control se calculan como sigue:
Página 189
u
LSC ui  u  3
ni
LC u  u (4.21)
u
LSC ui  u  3
ni
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los datos se muestran a
continuación.
Unidades No conform
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
153
La línea central es u   1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspección
De la gráfica no se observan puntos fuera de control.
Página 190
U Chart of No conform
3.0
2.5 UCL=2.436
Sample Count Per Unit
2.0
_
1.5
U=1.423
1.0
0.5
LCL=0.411
0.0
1 2 3 4 5 6 7 8 9 10
Sample
Figura 4.14 Carta de control para defectos por unidad con tamaño de muestra variable
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaños de muestra.
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opción preferida). Se grafica Z i con límites de control en
+3 y –3, línea central cero.
ui  u
Zi 
u (4.23)
ni
Página 191
Ejemplo 4.11 (Cont...) Estandarizando la carta se tiene:
Unidades NoConf SigmaU Ui-Uprom Zu

10 14 0.377261 -0.02325581 -0.06164
8 12 0.42179 0.07674419 0.181949
13 20 0.330879 0.11520572 0.34818
10 11 0.377261 -0.32325581 -0.85685
9.5 7 0.387061 -0.68641371 -1.7734
10 10 0.377261 -0.42325581 -1.12192
12 21 0.34439 0.32674419 0.948761
10.5 16 0.368169 0.10055371 0.273119
12 19 0.34439 0.16007752 0.464814
12.5 23 0.337432 0.41674419 1.235046
U prom 1.423256
La carta de control estandarizada para U, se encuentra en control estadístico como se muestra

abajo.
I Chart of Zu
3 UCL=3
1
Individual Value
_
0 X=0
-1
-2
-3 LCL=-3
1 2 3 4 5 6 7 8 9 10
Observation
Figura 4.15 Carta de control U estandarizada
Página 192
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
ponderación 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 fallará en el campo, o puede causar
daño al usuario.
Defectos tipo B – Serios: La unidad tendrá menos vida útil, 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 fallará en servicio pero tiene defectos de apariencia,
terminados o calidad de trabajo.
Supóngase que para los defectos anteriores se tengan los números ciA, ciB, ciC, ciD respectivamente en
la i-ésima 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 distribución de Poisson. Entonces se
puede definir el número de deméritos en la unidad de inspección por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD (4.24)
Suponiendo que se toma una muestra de n unidades de inspección, entonces el número de
n
Deméritos por unidad es (con d
i 1
i número total de deméritos en todas las unidades de
inspección):
ui = D / n =
d
i 1
i
(4.25)
n
Página 193
Como u es una combinación lineal de variables aleatorias independientes de Poisson, el estadístico

ui puede ser graficado en una carta de control con los parámetros 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 
Los números u A, u B , u C , u D , representan el número 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 está en control estadístico.
La curva característica de operación
La curva característica de operación (OC) puede ser obtenida tanto para la carta c como para la
carta u a partir de la distribución 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 parámetro 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}
cómo las cantidades deben ser enteras, esto es equivalente a:

  P{x  33 c}  P{x  7 c}
Página 194
La curva OC se obtiene con la distribución de Poisson como sigue:

C P(x<=33) P(x<=7) Pa=Beta
1 1.000 1.000 0.000
3 1.000 0.988 0.012
5 1.000 0.867 0.133
7 1.000 0.599 0.401
9 1.000 0.324 0.676
11 1.000 0.143 0.857
13 1.000 0.054 0.946
15 1.000 0.018 0.982
17 1.000 0.005 0.994
19 0.999 0.002 0.997
21 0.994 0.000 0.994
23 0.981 0.000 0.981
25 0.950 0.000 0.950
27 0.892 0.000 0.892
29 0.801 0.000 0.801
31 0.682 0.000 0.682
33 0.546 0.000 0.546
35 0.410 0.000 0.410
37 0.289 0.000 0.289
39 0.191 0.000 0.191
C promedio 19.67
Figura 4.16 Curva característica de operación de la carta C con media 19.67
Página 195
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}
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 tendrían 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 distribución de Poisson, entonces la

distribución de tiempo transcurrido entre eventos sigue la distribución exponencial, sin embargo
daría una carta de control muy asimétrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a una variable
aleatoria de Weibull de tal forma que sea una buena aproximación a la normal. Si y representa la
variable aleatoria exponencial original, la transformación 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 distribución normal.
Por ejemplo para el monitoreo de fallas de una válvula importante, se usará el número de horas
entre fallas como la variable a monitorear. En la página siguiente se muestra este ejemplo.
Página 196
5. OTRAS CARTAS DE CONTROL ESPECIALES
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIÓN
Cartas de control dnom
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de producción 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 dimensión nominal de la pieza A T A = 50mm, y

la dimensión nominal de la pieza B es T B = 25mm, cuando se produce las piezas A o B se toman
muestras y se evalúa la desviación 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 3
6 B 25 27 24 0 2 -1 0.33 3
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 página siguiente.
Se deben cumplir 3 premisas para estas cartas:

1. La desviación estándar 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 tamaño de muestra es constante para todas las
diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepción de cuando se tiene
sólo un límite de especificación.
Página 197
Xbar-R Chart of D1, ..., D3

3.0 U C L=2.929
1.5
Sample Mean
_
_
0.0 X=0.167
-1.5
LC L=-2.596
-3.0
1 2 3 4 5 6 7 8 9 10
Sample
U C L=6.950
6.0
Sample Range
4.5
_
3.0
R=2.7
1.5
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10
Sample
Figura 4.1 Carta DNOM para corridas cortas
Cartas de control de medias rangos estandarizada
Si la desviación estándar 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 número de parte específico. Para todas
las muestras de este número de parte, graficar,
R
RS  (5.1)
Ri
Se toman de datos históricos o de especificaciones para el rango, o se puede estimar de  con
R i  Sd 2
c4 sus límites de control son D3 y D4. Para la media graficar,
S x  Ti
x  (5.2)
Ri
La línea central para la carta x estandarizada es cero, y sus límites de control son LSC = A 2 y LIC =
-A2 .
Página 198
Cartas de control por atributos
Se utilizan cartas de control estandarizadas con límites de control LSC=+3 y LIC=-3. Los estadísticos
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 ACEPTACIÓN
Cartas de control modificadas

Las cartas de control modificadas se utilizan cuando la variabilidad es pequeña respecto a los
límites 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 desempeño del proceso.
La carta de control modificada X esta diseñada para detectar sólo si la media verdadera del
proceso m, está localizada de tal forma que el proceso genere una fracción de productos no
conformes mayor de algún valor especificado .
Se permite que m varíe entre mI y mS de tal forma que no se exceda la fracción defectiva . Se asume
que el proceso está normalmente distribuido y que  sea conocida y esté en control.
Página 199
m
LIEsp. |--- 6 ---| LSEsp.
Figura 5.2 Proceso con habilidad alta, Cp>>1
 
LIE mI mS LSE Z
Z
/ n
 
LIC LSC
Z
n
Figura 5.3 Localización de los límites de control
Donde:
m I  LIE  Z   (5.4)
m S  LSE  Z  
Página 200
Donde Z es el punto superior 100(1-) de la distribución normal, si se especifica un error , los

límites de control superior e inferior son:
Z  Z 
LSC  m S   LSE   Z     (5.5)
n  n
Z  Z 
LIC  m I   LIE   Z    
n  n
Lo común es que Z =3.
En las cartas modificadas,  es una fracción no conforme que se acepta con una probabilidad (1-).
Si la variabilidad del proceso cambia, éstas 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.
Cartas de control de aceptación
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.
Los límites de control para este caso se basan en una n especificada y una fracción no conforme del
proceso  que nos gustaría rechazar con una probabilidad (1-), por tanto:
Z   Z 
LSC  m S   LSE   Z     (5.5)
n  n
Z   Z 
LIC  m I   LIE   Z   
n  n 
Es posible también seleccionar un tamaño de muestra de tal forma que se obtengan los
requerimientos para , ,  y . Igualando los límites de control superiores:
Página 201
 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 cálculos se
obtiene una n = 31.43  32.
2
 3.00  0.84 
n 
 2.33  1.645 
Ejemplo 5.3 De Duncan se tiene:29
LSE =0.025
LSE-1.96
Amplitud de variación 0.10

__
Aceptable para X
0.10
LIE+1.96
LIE =0.025
Figura 5.4 Carta de control de aceptación
En la figura si suponemos que =0.025 y  = 0.10, asumiendo un proceso normal, los límites para la
carta de control de aceptación estarán en:
29
Duncan A., Control de Calidad y Estadística Industrial, Alfaomega, México, 1989, pp. 527-530
Página 202
LSC = LSE – 1.96 - 1.282/ n

LIC = LIE + 1.96 + 1.282/ n
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 límites de especificación debe ser mucho mayor que 6X, 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 3x arriba del límite inferior de especificación, y el
máximo que se le permite variar es hasta 3x abajo del límite superior de
especificación. Esto minimiza los ajustes a realizar durante las corridas de producción.
Se puede utilizar un valor diferente de Z = 3 si se requiere una mayor protección en la
fracción defectuosa. Para este problema también se puede utilizar la carta de regresión.
LSE
 _
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 X_
medias de las piezas Distribución de x

 _
X
LIE+3x
LIE
Fig. 5.5 Carta de control para desgaste de herramienta o material
Como se puede observar, sólo se puede emplear ésta carta si la amplitud de los límites de
especificación es suficiente mayor a 6x para alojar la carta de control.
Página 203
La pendiente b de la línea central y límites de control se pueden calcular por los métodos
siguientes:
1. Dibujando una línea central que pase por los puntos graficados y estimando en forma gráfica la
pendiente.
2. Utilizando la técnica de mínimos cuadrados, donde si se tienen un total de m muestras con el
número 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 cálculo de mínimos cuadrados.
Los valores sugeridos de inicio y paro del proceso son m 1, , m 2 donde:

m 1  LIE  3 x  LIE  3R / d 2 (5.8)
m 2  LSE  3 x  LSE  3R / d 2
El número de puntos que tienen que pasar para llegar de m 1, , m 2 es:
M* = ( m 1, - m 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 está en control estadístico. En caso de que la media en lugar de
crecer, decrezca, las m 1, , m 2 se invierten:

_
Los límites de control se encuentran a una distancia vertical A2 R de la línea central.
Página 204
Ejemplo 5.4 El diámetro exterior de una válvula tiene una especificación 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
_
X i 1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 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
m 1, , m 2 son respectivamente 1.155228 y 1.155772

_
m* = 11.056, los límites de control están 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
m2
Pendiente b
LSC
m 1,
LIC
LIE
Fig. 5.6 Tiempo “t” o número de muestras antes de ajuste
Página 205
5.4 CARTA DE PRECONTROL O DE ARCOIRIS
Es una técnica usada para detectar irregularidades en el proceso, que pueden resultar en la
producción de unidades fuera de especificaciones. Pre-control, principalmente se presta para el
uso de aparatos de medición hechos previamente sobre los límites de las especificaciones. El uso
de éstos aparatos de medición permite seleccionar fácilmente 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 período de arranque de la producción.
También se denomina carta de objetivo, utiliza los límites de especificación para su

establecimiento, situados a  3 es fácil de construir y usar, sin embargo, no permite mejorar el
proceso. La carta tiene tres áreas:
ZONA ROJA Límite 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 Límite inferior de especificaciones

Figura 5.7 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 ésta zona, en este caso se considera que el proceso
se salió de control.
Pre-control se basa en la hipótesis de que si el proceso está operando correctamente, la

probabilidad de encontrar dos unidades fuera de los límites de control consecutivamente es
demasiado pequeña. Por lo tanto si dos unidades son encontradas consecutivamente fuera de los
límites de control, es razón suficiente como para indicar una falla en el proceso.
Página 206
Ventajas:
Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no
requiere de gráficas de control, ni de cómputos.
Desventajas:
No existen gráficas 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 pequeña de muestras, es
riesgoso inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona información
suficiente para someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hábil y que es normal.
Recomendaciones:
Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 30 es mayor que uno (algunos
textos recomiendan como mínimo Cp=2)31, y cuando se han alcanzado cero defectos en el proceso.
Definición de los límites de Pre-control.

Existen dos límites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower Pre-control
limit(LPCL). Cada uno representa ¼ de la distancia entre el límite de especificaciones inferior (LSL) y
el límite de especificaciones superior (USL). La siguiente figura considera un proceso distribuido de
acuerdo a la distribución normal.
LSL LPCL m UPCL USL
0 1 1 3 1
4 2 4
Figura 5.8 Distribución de áreas de probabilidad para la carta de pre-control
30
C p  USL  LSL  , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
31
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-
334.
Página 207
Pasos a seguir para aplicar Pre-control.
A continuación se muestran las reglas de uso de la carta:
1. Iniciar el proceso. Si el primer artículo sale de especificaciones, parar, corregir e iniciar de

nuevo. Deberán caer en la zona verde.
2. Si un artículo cae en la zona amarilla, tomar un siguiente artículo. Si cae nuevamente en la
zona amarilla parar y corregir el proceso, de otra forma continuar.
3. Si 25 artículos consecutivos caen en la zona verde, reducir frecuencia de chequeo.
Figura 5.9 Pasos a seguir para el Pre-Control
Página 208
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta que una unidad
exceda algún límite 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 límites
de pre-control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
Página 209
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE
Se utiliza para procesos con muchas fuentes de producción, por ejemplo diversos husillos que en
principio producen piezas similares. El usar una carta de control para cada husillo por
separado sería prohibitivo, sin embargo se tiene la alternativa de ésta carta de control
siempre que la producción entre husillos no esté 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 habrán tomado 20 x 6 = 120 medias y rangos de n = 4 observaciones. De
 _
éstos se calculan la media de medias X y el R , los límites de control se calculan
como en una carta de medias-rangos convencional con n = 4, en este caso A 2 = 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 límites de control trazados, se grafica después sólo la mayor y la menor de las 6 lecturas
promedio considerando todas las salidas o en este caso husillos de la máquina, si se
encuentran en control, se asume que las demás están en control. Para el rango se
grafica sólo el mayor de todos los rangos. Cada punto es identificado por el número de
husillo o salida que lo produjo. El proceso se encuentra fuera de control si se algún
punto excede los límites de 3-sigma. No se pueden aplicar pruebas de rachas a estas
cartas.
Es útil 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 número
de veces consecutivas que se repite como el mayor o el menor, el ARL para este evento
es:
Página 210
s r 1
ARL0  (5.11)
s 1
Para el caso de que s = 6 y r = 4, el ARL será de 259, es decir que si el proceso está en control, se
esperará que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras.
Si esto sucede con más frecuencia se debe sospechar que la salida es diferente a las demás.
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 sólo información acerca del proceso con los últimos datos
del subgrupo, e ignoran la información de la secuencia completa de puntos, esto hace que estas
cartas de control sean insensibles a pequeños corrimientos de la media del proceso, de 1.5  o
menos. Los límites preventivos y criterios múltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de interpretación de la
carta así como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeñas variaciones o corridas en la media, se pueden utilizar

como alternativa, las cartas de sumas acumuladas (cusum), y promedio móvil exponencialmente
ponderado (EWMA).
Cusum normal
Para pequeños 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
información anterior en el valor de la muestra al graficar la suma acumulada de las desviaciones
con referencia a un valor objetivo m0. Si se colectan muestras de tamaño n >= 1 siendo x j el valor
promedio de la muestra j-ésima. 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  m 0 ) (5.12)
j 1
Página 211
Como esta carta es eficiente para n=1, es una buena alternativa para el control de procesos
químicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia arriba, la carta mostrará
una tendencia ascendente y viceversa.
La carta Cusum no tiene límites 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 páginas
siguientes.
Ejemplo
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo una cierta
distancia de la posición ideal de referencia (B). AtoBDist es esta distancia. Para asegurar la calidad,
se toman 5 mediciones al día durante el primer periodo de tiempo y después 10 al día en un
siguiente periodo de tiempo.
AtoBDist
-0.44025 4.52023 4.75466 4.90024 3.81341 -1.15453 5.03945
5.90038 3.95372 1.1424 1.28079 -3.78952 2.29868 1.96583
2.08965 7.99326 0.9379 2.87917 -3.81635 5.15847 -0.21026
0.09998 4.98677 -7.30286 1.83867 -4.8882 0.08558 0.27517
2.01594 -2.03427 -5.22516 -0.75614 -3.24534 -3.09574 -5.32797
4.83012 3.89134 -4.06527 3.72977 -0.27272 5.16744
3.78732 1.99825 -1.91314 3.77141 -4.33095 0.29748
4.99821 0.01028 2.0459 -4.04994 -1.83547 -4.66858
6.91169 -0.24542 4.93029 3.89824 -3.98876 -2.13787
1.93847 2.08175 0.03095 1.76868 -4.97431 -0.0045
-3.09907 -4.86937 -2.80363 2.2731 -5.1405 0.18096
-3.18827 -2.69206 -3.12681 -3.82297 -0.10379 4.30247
5.28978 -3.02947 -4.57793 -2.26821 2.21033 -2.21708
0.56182 2.99932 -3.17924 -2.07973 5.13041 7.17603
-3.1896 3.50123 -2.44537 0.01739 -1.89455 5.86525
7.93177 -1.99506 1.36225 3.71309 0.95119 0.95699
3.72692 -1.62939 0.92825 1.72573 -5.15414 -4.03441
3.83152 2.14395 -0.24151 3.07264 4.82794 -2.05086
-2.17454 -1.90688 -0.83762 0.15676 0.13001 -3.10319
2.81598 8.02322 -1.99674 -0.05666 -0.09911 -1.83001
Al llevar una carta X – R en el subgrupo no se encontró una causa asignable, ahora se desea tratar
de detectar corridas pequeñas en la media.
Página 212
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.
Xbar/R Chart for AtoBDist
5 UCL=4.802
Sample Mean
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Figura 5.10 Carta de control X media – R

Se puede observar que no detecta ninguna situación anormal
CUSUM Chart for AtoBDist
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Página 213
Figura 5.11 Carta de control Cusum
Se puede observar que detecta una situación anormal debido a un corrimiento lento de la media
del proceso.
Otro ejemplo de Carta Cusum:

Considerar los datos siguientes con m= 10 a 11 y una  = 1:
Ci = (Xi-10) + Ci-
Muestra Xi Xi - 10 1
Media = 10 1 9.45 -0.55 -0.55
Sigma = 1 2 7.99 -2.01 -2.56
3 9.29 -0.71 -3.27
4 11.66 1.66 -1.61
5 12.16 2.16 0.55
6 10.18 0.18 0.73
7 8.04 -1.96 -1.23
8 11.46 1.46 0.23
9 9.2 -0.8 -0.57
10 10.34 0.34 -0.23
11 9.03 -0.97 -1.2
12 11.47 1.47 0.27
13 10.51 0.51 0.78
14 9.4 -0.6 0.18
15 10.08 0.08 0.26
16 9.37 -0.63 -0.37
17 10.62 0.62 0.25
18 10.31 0.31 0.56
19 8.52 -1.48 -0.92
20 10.84 0.84 -0.08
Media = 11 21 10.9 0.9 0.82
Sigma = 1 22 9.33 -0.67 0.15
23 12.29 2.29 2.44
24 11.5 1.5 3.94
25 10.6 0.6 4.54
26 11.08 1.08 5.62
27 10.38 0.38 6
28 11.62 1.62 7.62
29 11.31 1.31 8.93
30 10.52 0.52 9.45
Página 214
Figura 5.12 Carta I-MR casi en control estadístico
CUSUM Chart of Xi
5.0
UCL=4
2.5
Cumulative Sum
0.0 0
-2.5
LCL=-4
-5.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parámetros Media objetivo (Target) =10, S = 1
Cusum en forma tabular
La carta tabular Cusum trabaja con derivaciones acumuladas de m0 sobre el objetivo con un
estadístico C+ o debajo de este con un estadistico C -, también llamados Cusums de lado superior o
inferior respectivamente. Se calculan como sigue:

C i  max 0, xi  ( m 0  K )  Ci1  (5.13)
C i  max 0, ( m 0  K )  xi  Ci1  (5.14)
Página 215
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 m0 objetivo y la m1 fuera de control en la que estamos interesados en detectar.
Así, si el corrimiento se expresa en unidades de desviación estándar m1 = m0 + , entonces K es la

mitad de la magnitud del corrimiento:
K =  / 2 = Valor absoluto de (m1 - m0) / 2 (5.15)
Cuando cualquier estadístico C + y C- excede el intervalo de decisión H, se considera al proceso

fuera de control. Un valor razonable para H es cinco veces el valor de .
Ejemplo: si m0 = 10, n=1,  = 1, y asumiendo que se quiere detectar un corrimiento de 1 = 1, para

lo cual se utiliza H = 5 sigmas, se tiene:
m1 = 10 + 1 = 11
K = ½ = 1/2
H = 5 = 5

C i  max 0, xi  10.5  C i1 
Ci  max0,9.5  x i  Ci1 
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
C1  max 0,9.5  7.99  0.05  1.56
Página 216
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la tabla de
siguiente:
a b
Muestra Xi xi - 10.5 Ci+ N+ 9.5 - xi Ci- N
1 9.45 -1.05 0.00 0 0.05 0.05 1
2 7.99 -2.51 0.00 0 1.51 1.56 2
3 9.29 -1.21 0.00 0 0.21 1.77 3
4 11.66 1.16 1.16 1 -2.16 0.00 0
5 12.16 1.66 2.82 2 -2.66 0.00 0
6 10.18 -0.32 2.50 3 -0.68 0.00 0
7 8.04 -2.46 0.04 4 1.46 1.46 1
8 11.46 0.96 1.00 5 -1.96 0.00 0
9 9.20 -1.30 0.00 0 0.30 0.30 1
10 10.34 -0.16 0.00 0 -0.84 0.00 0
11 9.03 -1.47 0.00 0 0.47 0.47 1
12 11.47 0.97 0.97 1 -1.97 0.00 0
13 10.51 0.01 0.98 2 -1.01 0.00 0
14 9.40 -1.10 0.00 0 0.10 0.10 1
15 10.08 -0.42 0.00 0 -0.58 0.00 0
16 9.37 -1.13 0.00 0 0.13 0.13 1
17 10.62 0.12 0.12 1 -1.12 0.00 0
18 10.31 -0.19 0.00 0 -0.81 0.00 0
19 8.52 -1.98 0.00 0 0.98 0.98 1
20 10.84 0.34 0.34 1 -1.34 0.00 0
21 10.90 0.40 0.74 2 -1.40 0.00 0
22 9.33 -1.17 0.00 0 0.17 0.17 1
23 12.29 1.79 1.79 1 -2.79 0.00 0
24 11.50 1.00 2.79 2 -2.00 0.00 0
25 10.60 0.10 2.89 3 -1.10 0.00 0
26 11.08 0.58 3.47 4 -1.58 0.00 0
27 10.38 -0.12 3.35 5 -0.88 0.00 0
28 11.62 1.12 4.47 6 -2.12 0.00 0
29 11.31 0.81 5.28 7 -1.81 0.00 0
30 10.52 0.02 5.30 8 -1.02 0.00 0
Corrida en Minitab
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
Página 217
Figura 5.14 Carta Cusum en Excel para el ejemplo
CUSUM Chart of Xi_1
5.0 UCL=5
2.5
Cumulative Sum
0.0 0
-2.5
-5.0 LCL=-5
3 6 9 12 15 18 21 24 27 30
Sample
Figura 5.15 Carta Cusum en Minitab para el ejemplo
De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de 5.28, lo que sugiere
una situación fuera de control, usando el contador N + cuyo valor es 7, indica que el último punto
en control fue el 29 – 7 = 22, de tal forma que el corrimiento ocurrió entre el periodo 22 y 23.
También se puede obtener una presentación gráfica de esta carta, denominada Carta de Estatus de
Cusum, graficando Ci+ y Ci- contra el número de muestra. Esto da una idea gráfica al operador del
desempeño del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la causa asignable o
especial, tomar acción correctiva e iniciar de nuevo la Cusum Tabular.
Página 218
Cuando el proceso se corre, la nueva media m puede estimarse de:
Ci
m  m 0  K   , si C i  H (5.16)
N
Ci , si  (5.17)
m  m0  K  Ci  H
N

En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso es,
5.28
m  10  0.5   11 .25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Cuando se utiliza un tamaño de subgrupo mayor a 1, en las fórmulas anteriores se debe remplazar

a xi por xi y  por la x = , aunque se recomienda usar un tamaño de muestra 1 con
n
frecuencia de muestreo mayor que para el equivalente de Shewart.
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del método tabular Cusum, es la mascarilla en V propuesta por
Barnard (1959), esta mascarilla es aplicada a valores sucesivos del estadístico,
i
Ci   y j  y i  Ci 1 (5.18)
j 1
donde yi = (xi - m0) /  observación estandarizada. Una mascarilla en V se muestra a continuación:
Ci
Página 219
 O d P
2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 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 último valor de Ci y la línea 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 está 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 práctica, 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 operación de la mascarilla en V está determinada por la distancia

al vértice d y el ángulo .
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 términos de

unidades de distancia de la escala vertical.
Página 220
Ejemplo 5.6 Para la forma tabular con k = ½ y h = 5, seleccionando A =1 se tiene
k = A tan () => ½ = (1) tan ()

o  = 26.57
de h = d.k => 5 = d (1/2)
o d =10
Estos son los parámetros 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 5.17 Ejemplo de carta de control Cusum con mascarilla en V para AtoBDist
Corrida en Minitab con los datos de la Cusum Tabular:
Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Página 221
Vmask Chart of Xi
30
20
Cumulative Sum
10
0 Target=0
-10
1 4 7 10 13 16 19 22 25 28
Sample
Figura 5.18 Ejemplo de carta de control Cusum con mascarilla en V para Xi
Johnson y Leone han sugerido un método para diseñar una mascarilla en V, con las fórmulas
siguientes:
  
  tan 1   (5.21)
 2A 
y
 2  1  
d   2  ln   (5.22)
    
Donde 2 es la máxima probabilidad de una falsa alarma cuando el proceso está en control y  es
la probabilidad de no detectar un corrimiento de magnitud .
ln( )
d cuando  es muy pequeño.

Ejemplo 5.7 si  = 0.05 y  = 0.05 y  = 1, se obtiene la mascara en V siguiente:
Página 222
 2   1  0.05 
d   2  ln 
 1   0.05  = 5.888
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 difícil determinar que tanto extender los brazos de la mascarilla en V, dificultando la
interpretación del proceso.
3. Existe ambigüedad asociada con alfa y beta.
Página 223
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE

PONDERADAS (EWMA)
El desempeño de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadístico 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  m 0 a veces igual a x
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 límites de control de zi versus el número de muestra o tiempo i, son:
  
LSC  m 0  L  
 1  (1   )
2i
 (5.25)
2
LC  m 0 (5.26)
  
LIC  m 0  L  
 1  (1   )
2i
 (5.27)
2 
Note que el término [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 límites de control se
estabilizan en:
Página 224

LSC  m 0  L (5.28)
2
LC  m 0 (5.29)

LSC  m 0  L (5.30)
2
Ejemplo Utilizando los datos de la carta Cusum con  = 0.10, L = 2.7, m0 = 0 y = 3.5, se tiene la
carta EWMA mostrada en la página siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la fórmulas anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se incrementa i los límites
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 rápido como la hace la carta de
Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
Corrida en Minitab:
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estándar deviation 2.7
6. OK.
Página 225
EWMA Chart of AtoBDist
1.0 +2.7SL=0.967
0.5
EWMA
_
_
0.0 X=0
-0.5
-1.0 -2.7SL=-0.967
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Figura 5.19 Ejemplo de carta de control EWMA
Otro ejemplo de carta EWMA:

Con los datos del ejemplo anterior, considerando una Lamda de 0.1, L = 2.7, m0=10, y la desviación
estándar  = 1, a continuación se muestran los cálculos de la carta EWMA:
Muestra Xi EWMA, Zi
1 9.45 9.945
2 7.99 9.7495
3 9.29 9.7036
4 11.66 9.8992
5 12.16 10.1253
6 10.18 10.1307
7 8.04 9.9217
8 11.46 10.0755
9 9.20 9.9880
10 10.34 10.0232
11 9.03 9.9238
12 11.47 10.0785
13 10.51 10.1216
14 9.40 10.0495
15 10.08 10.0525
16 9.37 9.9843
17 10.62 10.0478
18 10.31 10.0740
Página 226
19 8.52 9.9186
20 10.84 10.0108
21 10.90 10.0997
22 9.33 10.0227
23 12.29 10.2495
24 11.50 10.3745
25 10.60 10.3971
26 11.08 10.4654
27 10.38 10.4568
28 11.62 10.5731
29 11.31 10.6468
30 10.52 10.6341
Los límites de control son los siguientes:
Muestra Xi EWMA, Zi LSC LIC

1 9.45 9.945 10.2700 9.7300
2 7.99 9.7495 10.3632 9.6368
3 9.29 9.7036 10.4240 9.5760
4 11.66 9.8992 10.4675 9.5325
5 12.16 10.1253 10.4999 9.5001
6 10.18 10.1307 10.5247 9.4753
7 8.04 9.9217 10.5440 9.4560
8 11.46 10.0755 10.5591 9.4409
9 9.20 9.9880 10.5710 9.4290
10 10.34 10.0232 10.5805 9.4195
11 9.03 9.9238 10.5881 9.4119
12 11.47 10.0785 10.5942 9.4058
13 10.51 10.1216 10.5991 9.4009
14 9.40 10.0495 10.6030 9.3970
15 10.08 10.0525 10.6062 9.3938
16 9.37 9.9843 10.6087 9.3913
17 10.62 10.0478 10.6107 9.3893
18 10.31 10.0740 10.6124 9.3876
19 8.52 9.9186 10.6137 9.3863
20 10.84 10.0108 10.6148 9.3852
21 10.90 10.0997 10.6157 9.3843
22 9.33 10.0227 10.6164 9.3836
23 12.29 10.2495 10.6170 9.3830
24 11.50 10.3745 10.6174 9.3826
25 10.60 10.3971 10.6178 9.3822
26 11.08 10.4654 10.6181 9.3819
27 10.38 10.4568 10.6184 9.3816
28 11.62 10.5731 10.6186 9.3814
29 11.31 10.6468 10.6187 9.3813
Página 227
30 10.52 10.6341 10.6189 9.3811
Figura 5.20 Carta EWMA graficada en Excel

La carta con Minitab es:
1. Stat > Control Charts > Time weighted charts > EWMA
2. In Single column, seleccionar Xi. In Subgroup size, poner 1.
3. Weight of EWMA 0.1
4. EWMA Options > Parameters Mean 10.0 Standar Deviation 1
S Limits These multiples of the estándar deviation 2.7
6. OK.
EWMA Chart of Xi_1

10.75
+2.7SL=10.619
10.50
10.25
EWMA
_
_
10.00 X=10
9.75
9.50
-2.7SL=9.381
3 6 9 12 15 18 21 24 27 30
Sample
Figura 5.21 Carta EWMA graficada en Excel
Página 228
5.8 CARTA DE CONTROL DE MEDIA MOVIL
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar pequeñas
corridas de la media. Asumiendo que se define un rango de observaciones w en el tiempo i, su
media móvil es:
xi  xi 1  .....  xi  w1
Mi  (5.31)
w
Los límites de control son:
3
LSC  m 0  (5.32)
w
LC  m 0 (5.33)
3
LIC  m 0  (5.34)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadístico M i 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 límites de control son con m0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media móvil para los datos del ejemplo anterior con un tamaño de corrida de
5 es la siguiente:
Corrida en Minitab:
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Página 229
Moving Average Chart for AtoBDist
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Figura 5.22 Ejemplo de carta de control de Media móvil
Otro ejemplo de carta de media móvil:

Se quiere monitorear el peso en libras de 45 lotes de arena embarcados semanalmente a un
cliente. Cada lote pesa aproximadamente 930 libras. Comparar el monitoreo con una carta I-MR y
una carta de promedio móvil.
Los datos son los siguientes:

Weight
905 875
930 985
865 970
895 940
905 975
885 1000
890 1035
930 1020
915 985
910 960
920 945
915 965
925 940
860 900
905 920
Página 230
925 980
925 950
905 955
915 970
930 970
890 1035
940 1040
860
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio móvil es:
Moving Average Chart of Weight

1025
1000
UCL=979.6
975
Moving Average
950 _
_
X=936.9
925
900
LCL=894.1
875
850
4 8 12 16 20 24 28 32 36 40 44
Sample
Figura 5.23 Carta de media móvil del ejemplo

La carta I-MR es la siguiente:
Página 231
I-MR Chart of Weight

1050 1 1 1
1
U C L=1010.9
Individual Value
1000
950 _
X=936.9
900
LC L=862.8
850 1 1
4 8 12 16 20 24 28 32 36 40 44
O bser vation
100
U C L=91.0
M oving Range
75
50
__
25 M R=27.8
0 LC L=0
4 8 12 16 20 24 28 32 36 40 44
O bser vation
Figura 5.25 Carta I-MR del ejemplo

Se observa una mejor detección de corrida de la media en la carta EWMA
Ejemplo de media móvil:
Usando los datos siguientes con M = 5, con desviación estándar = 1 y media = 10:
Muestra Xi Mi LSC LIC

1 9.45 9.450 13.0000 7.0000
2 7.99 8.720 12.1213 7.8787
3 9.29 8.910 11.7321 8.2679
4 11.66 9.598 11.5000 8.5000
5 12.16 10.110 11.3416 8.6584
6 10.18 10.256 11.3416 8.6584
7 8.04 10.266 11.3416 8.6584
8 11.46 10.700 11.3416 8.6584
9 9.20 10.208 11.3416 8.6584
10 10.34 9.844 11.3416 8.6584
11 9.03 9.614 11.3416 8.6584
12 11.47 10.300 11.3416 8.6584
13 10.51 10.110 11.3416 8.6584
14 9.40 10.150 11.3416 8.6584
15 10.08 10.098 11.3416 8.6584
16 9.37 10.166 11.3416 8.6584
17 10.62 9.996 11.3416 8.6584
18 10.31 9.956 11.3416 8.6584
Página 232
19 8.52 9.780 11.3416 8.6584

20 10.84 9.932 11.3416 8.6584
21 10.90 10.238 11.3416 8.6584
22 9.33 9.980 11.3416 8.6584
23 12.29 10.376 11.3416 8.6584
24 11.50 10.972 11.3416 8.6584
25 10.60 10.924 11.3416 8.6584
26 11.08 10.960 11.3416 8.6584
27 10.38 11.170 11.3416 8.6584
28 11.62 11.036 11.3416 8.6584
29 11.31 10.998 11.3416 8.6584
30 10.52 10.982 11.3416 8.6584
Figura 5.26 Carta de media móvil en Excel
Página 233
6. ANÁLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad y a mejorar la
capacidad de los procesos.
Definiciones básicas.
 Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos,
materiales y personas involucradas en la producción.
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el
desempeño probado, para lograr resultados que se puedan medir.
Página 234
 Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
límites 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 medición 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 estadístico, es decir, en ausencia de causas
especiales o atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan
cierta variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de
variación en las características de calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que
desearíamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:
1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.

2. Apoyar a los diseñadores en la selección o modificación de un proceso.
3. Soportar la determinación de intervalos de muestreo para monitoreo del proceso.
4. Determinar el desempeño 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 instantánea).
2. La variabilidad en el tiempo.
Página 235
Es usual tomar 6-sigma de la población  como la dispersión en la distribución de la característica

de calidad del producto como medida de la capacidad del proceso.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en m
 3 , o sea:
LTNS = m + 3  (6.1)
LTNI = m - 3 
Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la variable, sólo el
0.27% (2700 ppm) de la salida del proceso se encontrará 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:
.00135 LTNI m LTNS .00135

Fig. 6.1 Localización de los límites de tolerancia natural
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se encuentran:
Histogramas o papel de probabilidad, cartas de control y experimentos diseñados.
Fig. 6.2 Fracción defectiva fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.
Página 236
En el área sombrada observamos medidas fuera de los límites de especificación.
Para solucionar este problema, podemos reducir la desviación estándar.
También podríamos cambiar la media.
Lo ideal sería, por supuesto cambiar ambas.
Figura 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 supuestos 32:
 El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del
proceso no son estables y, en consecuencia, su variabilidad será mayor que la natural y la
capacidad potencial estará 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 índices de habilidad. Si los datos se componen de menos de 100 valores,
entonces deben calcularse los límites de confianza inferiores.
32
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 237
 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 parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra
manera, los porcentajes de los productos asociados con los índices de capacidad son
incorrectos.
También es importante al realizar un estudio de capacidad, asegurarnos que la variación en el

sistema de medición no sea mayor al 10%.
Variación a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:
Variación 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 variación han sido restringidas de tal manera que los datos considerados, sólo son
los que se obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales
importantes.
Figura 6.4 Variabilidad a corto plazo
Variación 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 especiales. Aquí todas las familias de
variación exhiben su contribución en la variación del proceso general.
Página 238
Figura 6.5 Variabilidad a largo plazo
Para el cálculo de Z utilizamos las siguientes formulas:
Z st 
 límite especif .  nom.
(6.1)
desv.std ST
límite especif .  media
Z LT 
desv.std LT
dónde:
Zst = variación a corto plazo.

nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estándar.
Zlt = Zst-1.5shift
6.2 ÍNDICES DE CAPACIDAD
Índice de capacidad potencial Cp
El índice de capacidad potencial Cp = PCR compara la amplitud de variación permitida por las
especificaciones entre la amplitud de variación entre los límites de tolerancia naturales del
proceso.
LSE  LIE
Cp  PCR  (6.2)
6
Página 239
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la
R
carta R se estimó    0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE – LIE) / 6

= (74.05 – 73.95) / 6 (0.0099) = 1.68
La función 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%
Cuando sólo existe un límite de especificaciones, el índice de capacidad potencial Cp o PCR se

define como:
LSE  m
Cps  PCRS  para el límite superior (6.4)
3
m  LIE
Cpi  PCR I  para el límite 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 fracción abajo del límite inferior es:
Página 240
LIE  m 200  264

ZI    2
 32
P(x <= ZI) = 0.0228 o 2.28% por debajo del límite inferior de especificaciones
Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes por millón (ppm)
que están fuera de especificaciones se muestran a continuación:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.5 66,807 133,614
0.6 35,931 71,861
0.7 17,865 35,729
0.8 8,198 16,395
1 1,350 2,700
1.1 484 967
1.2 159 318
1.3 48 96
1.4 14 27
1.5 4 7
1.6 1 2
1.7 0.17 0.34
2 0.0009 0.0018
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67 para procesos
críticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma.
Este índice no toma en cuenta la localización relativa de la media del proceso respecto a los límites
de especificaciones. Por lo que es necesario otro índice adicional.
Índice de capacidad real Cpk
Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso
se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s correspondientes a cada
lado de la media, como sigue,
Página 241
Cpk  PCRk  min( PCR S , PCR I ) debe ser mayor a 1

(6.5)
donde,
LSE  m
Cps  PCRS  para el límite superior (6.6)
3
m  LIE
Cpi  PCR I  para el límite inferior
3
Ejemplo 6.3 Para un proceso donde los límites de especificación sean LSE=62, LIE=38, la media del
proceso sea m=53 y su desviación estándar =2, se tiene:
62  53
Cps  PCRS   1.5 para el límite superior
32
53  38
Cpi  PCR I   2.5 para el límite inferior
32
Por tanto, el índice de capacidad real es:

Cpk  PCRk  min( PCRS , PCRI )  min(1.5,2.5)  1.5
Note que el PCR a considerar corresponde al límite de especificación más cercano a la media del
proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no está centrado

NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposición que el proceso tiene un comportamiento

normal, si no es así, puede ser necesario transformar los datos con alguna función matemática
para dar la apariencia de normalidad, por ejemplo la distribución siguiente de acabado superficial
en una parte maquinada no es normal:
Página 242
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribución
transformada es la siguiente (ver método de Box Cox con Lamda óptima en Minitab):
Frec.
b)
Y=1/x
Figura 6.6 Transformación de datos para normalizarlos
Lo cual representa una distribución normal.
Página 243
Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
LIE m LSE LIE m LSE

PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Figura 6.7 Procesos con Cpk = 1 pero con centrado diferente
ÍNDICE DE CAPACIDAD Cpm

Un nuevo índice Cpm que toma en cuenta el centrado es el siguiente:
1
Si T  ( LSE  LIE ) (6.7)
2
   2  (m  T ) 2 (6.8)
T m
 (6.9)

Se tiene,
LSE  LIE LSE  LIE LSE  LIE
Cp m  PCRkm    (6.10)
6 6   (m  T )
2 2
1  2
Una condición necesaria para que Cpm sea mayor de uno es:
1
m T  ( LSE  LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:
Página 244
Límites de especificación: LIE = 38, LSE = 62, T = 50

Proceso A: Media = 50, desv. estándar = 5
Proceso B: Media = 57.7, desv. estándar = 2.5
1
Entonces Cpm (A) =  1.0
1 0
2
Cpm (B) =  0.63
1  (3) 2
Por tanto es mejor el proceso A, centrado en la media.
ÍNDICE DE CAPACIDAD Cpkm

En base a lo anterior se ha propuesto otro índice de capacidad por Pearn (1992), que toma en
cuenta el descentrado de la media del proceso respecto de la media de especificaciones, o sea:
Cpk
Cp pmk  PCR pmk  (6.11)
1  2
Cuando T es igual a X media del proceso, Cpkm = Cpk
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), después de que el proceso se estabilizó
quedando sólo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parámetros del proceso se tiene:

m = X media de medias  = Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326]
Si el límite de especificación es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las especificaciones
Página 245
Ejercicio:
De una carta de control X - R (con tamaño de subgrupo n = 5), después de que el proceso se
estabilizó quedando sólo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40 Rmedio = 5
a) Determinar la desviación estándar del proceso
b) Determinar los límites de tolerancia natural del proceso
c) Determinar la fracción defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE

PROBABILIDAD NORMAL
Histograma
Para el estudio se requieren alrededor de 100 o más observaciones para permitir que el proceso
se estabilice, deben seguirse los pasos previos siguientes:
Procedimiento:
Página 246
1. Seleccionar un proceso específico para realizar el estudio

2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviación estándar de la muestra S, proporciona información

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 continuación.
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
Página 247
Summary for HIST

A nderson-Darling Normality Test
A -S quared 0.75
P -V alue 0.049
M ean 264.06
S tD ev 32.02
V ariance 1025.15
S kew ness -0.129448
Kurtosis 0.518454
N 100
M inimum 176.00
1st Q uartile 248.00
M edian 265.00
3rd Q uartile 280.00
180 210 240 270 300 330 M aximum 346.00
95% C onfidence Interv al for M ean
257.71 270.41
95% C onfidence Interv al for M edian
260.00 271.00
95% C onfidence Interv al for S tDev
9 5 % Confidence Inter vals
28.11 37.19
Mean
Median
258 260 262 264 266 268 270
Figura 6.8 Resumen gráfico de los datos
X  264.06 S = 32.02
Consecuentemente la capacidad el proceso se estima en X  3S  264 96 psi.
Esta primera estimación de la capacidad es independiente de las especificaciones.
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 número menor de muestras y sin las operaciones del
histograma, a continuación se muestra un ejemplo de esta herramienta.
Página 248
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es más 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 línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso. Así como la
fracción 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, asignándoles una posición

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

percentil 84 menos el percentil 50,
La media será el punto en X correspondiente a Pj = 0.5

La desviación estándar es la diferencia en Xj corresp. a Pj = 0.5 y Pj = 0.84
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la probabilidad de su
posición (Pj)
Página 249
Con ayuda del gráfico podemos obtener la media, la desviación estándar y el porcentaje de valores
que se encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Figura 6.9 Capacidad del proceso con papel 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 está analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse
usando una línea sólida como modelo. Por ejemplo, sólo más del 20% de los datos del proceso
serían valores de 225 o inferiores.
Página 250
Ejemplo 6.6 Cálculo de capacidad con papel normal en Minitab

Datos
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
Probability Plot of Datos

Normal
99
Mean 262.9
StDev 38.13
95 N 20
AD 0.262
90
P-Value 0.667
80
70
Percent
60
50
40
30
20
10
1
150 200 250 300 350
Datos
Página 251
De este diagrama se obtiene:

m  262.9
  298  262.9  35.1 psi
Note que los valores no difieren mucho de los del histograma con media 264.06 y desviación
estándar S = 32.02.
Con esta gráfica se pueden estimar también los porcentajes de partes fuera de las especificaciones,
por ejemplo si se traza el Límite Inferior de Especificación 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 obtendrán resultados
inexactos. Cuando los procesos son ligeramente anormales se pueden utilizar los métodos de
Pearson, transformar los datos por Box Cox o usar Weibull.
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 esté en control ya sea en forma instantánea o durante el tiempo
antes de evaluar la capacidad.
Se puede observar que cuando el proceso está en control, no existen causas asignables que
puedan ser corregidas, y la única alternativa para reducir la variabilidad es con la intervención de la
administración.
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable ó impredecible.
Página 252
?
? ?
? ?
? ?
Figura 6.10 Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La distribución
será “predecible” en el tiempo.
Predicción
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control
Cálculo de la desviación estándar del proceso
R S
  ó   (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
El factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan los índices de
desempeño Pp y Ppk.
Página 253
S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem 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)
Ejemplo 6.7 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después de que el
proceso se estabilizó quedando sólo con causas comunes: x = 64.06 , R = 77.3
m  x  media de medias 
R 77.3
    33.23
d 2 2.326
Si el límite de especificación es: LIE = 200.
 200  264.06
El C pk  = 0.64 por tanto el proceso no cumple con las especificaciones.
3  33.23
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después de que el
proceso se estabilizó quedando sólo con causas comunes: x  100, s  1.05
m  x  100
s 1.05
  =  1.117
C4 .094
Página 254
C4 para n = 5 tiene el valor 0.94
Si el límite de especificación 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.
Capacidad de procesos con Minitab: normales y no normales
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar S = 32.02 con
1. Calc > Random data > Normal

2. Generate 100 Store in columns C1 Mean 264.06 Estándar deviation 32.02 OK
Considerando Límites 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

4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 255
Fig. 6.12 Datos normales – Pvalue mayor a 0.05
Otra opción por medio de una gráfica 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
distribución.
Fig. 6.13 Datos normales – Pvalue mayor a 0.05
Página 256
Determinación de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability análisis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuación:
Fig. 6.14 Capacidad del proceso
Interpretación:
La desviación estándar Within se determina en base al Rango medio y d2 (1.128 para n = 2), con
esta se determinan los índices de capacidad potencial Cp y real Cpk, lo cual es adecuado para un
proceso en control o normal.
Página 257
La desviación estándar Overall se determina con la desviación estándar de todos los datos de la
muestra dividido entre el factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan
los índices de desempeño Pp y Ppk así como el desempeño Overall, no importando si el proceso
está en control o no, en este último caso los valores no tienen significado práctico.
Opción Six Pack

Para mostrar toda la información relevante:
Determinar la capacidad con:

4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Figura 6.15 Resultados de capacidad del proceso Six Pack
En este caso de la gráfica de probabilidad normal, los datos siguen una distribución normal.
Página 258
Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de
capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es referente a la
deformación en las mismas. Se toman 100 mediciones durante 10 días. El límite superior de
especificación (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
6. Calc > Random data > Weibull

7. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter 1 Threshold
parameter 0 OK
Considerando Límites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:

7. Stat > Quality tools > Capability análisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5

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
límite superior de especificación. Lo cual quiere decir que en algunos casos la deformación será
mayor a 3.5 mm.
Página 259
Fig. 6.16 Determinación de la capacidad del proceso por Weibull - Datos no normales
El índice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeño del proceso no es capaz ya que
0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarán fuera de los límites de especificaciones.
También se cuenta con la opción Six Pack para esta opción.
Análisis de capacidad con experimentos diseñados

El diseño de experimentos es un método sistemático para variar el nivel de los parámetros
controlables del proceso y analizar sus efectos en los resultados finales o productos. De esta forma
se puede determinar el nivel de los parámetros que optimizan el proceso.
33
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a
largo plazo.
Página 260
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN
Error rror del equipo de medición

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 variación del equipo de medición, o
sea:
 total
2
  2producto   equipo
2
.medición (6.13)
Ejemplo 6.8 Tomando 20 partes y evaluándolas 2 veces por un mismo operador con el mismo
instrumento de medición, se obtienen los resultados mostrados a continuación:
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
5 19 18 18.5 1
6 23 21 22 2
7 22 21 21.5 1
8 19 17 18 2
9 24 23 23.5 1
10 25 23 24 2
11 21 20 20.5 1
12 18 19 18.5 1
13 23 25 24 2
14 24 24 24 0
15 29 30 29.5 1
16 26 26 26 0
17 20 20 20 0
18 19 21 20 2
19 25 26 25.5 1
20 19 19 19 0
Figura 6.16 Cartas X-R del estudio
Página 261
Xbar-R Chart of C1, ..., C2

30 1
1
Sample Mean
1
1
25
U C L=24.18
_
_
X=22.3
20 LC L=20.42
1 1
1
1 1
1
1 3 5 7 9 11 13 15 17 19
Sample
U C L=3.267
3
Sample Range
_
1 R=1
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos intentos
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
está 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 desviación estándar del error de medición, instrumento puede estimarse como:

R 1.0
 instrumento    0.887
d 2 1.128
Como la distribución del error de medición es aproximadamente normal, entonces 6instrumento es un

buen estimador de la capacidad del instrumento de medición.
Página 262
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de medición se puede
asignar al error del instrumento de medición.
Es usual comparar la capacidad del instrumento de medición 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 medición.
Basado en su precisión debe ser al menos de 0.1 de la tolerancia de la característica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del
instrumento de medición. Por tanto,
 total
2
 S2
 2producto   total
2
  instrument
2
o
De los datos del ejemplo se tiene:
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 = 10.0615
 2producto   total
2
  instrument
2
o = 10.0615 – 0.7867 = 9.2748
Por tanto la desviación estándar de la característica del producto es:
Página 263
 = 3.045
La variabilidad del instrumento de medición también puede expresarse como un porcentaje de la

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

 instrumento
x100 = 0.887 x100  29.13%
 producto 3.045
6.6.2 Rrepetibilidad y reproducibilidad (R&R)
Se pueden determinar los componentes del error debidos a diferentes operadores (repetibilidad)
y debidos al instrumento de medición en sí (reproducibilidad).
 error
2
. medición   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.
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
Página 264
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
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 desviación estándar de la repetibilidad es:
R 1.15
 repetibili dad    1.02 tomando d2 para n=2 lecturas
d2 1.128
Página 265
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 max  x min
x
R
 reproducibilidad  x
d2 considerando el número de operadores.
Del ejemplo, se tiene que para 3 operadores, d 2 =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 medición es:

 instrument
2
.medición   repetibili dad   reproducib ilidad = 1.02 + 0.19 = 1.08
2 2 2 2
instrumento.medición = 1.04
La relación 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)
Página 266
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
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 medición se reduce. Es necesario entrenar al operador en el uso del
instrumento de medición y en todo caso a encontrar otro equipo de medición.
Página 267
6.6.3 R&R Capacidad de los sistemas de medición - AIAG

En muchas ocasiones las organizaciones no consideran el impacto de no tener sistemas de
medición de calidad, el hecho de que las mediciones no sean exactas puede llevar a
cometer errores en el cálculo, y en los análisis 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 artículos que están en buen estado o aceptar artículos que están en mal estado. Por otro
lado si los instrumentos de medición no están calibrados correctamente también se pueden
cometer errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de medición
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
variación se deriva del sistema de medición.
Posibles Fuentes de la Variación del Proceso
Variación del proceso
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Variación dentro de la Variación

Equipooriginada
de
muestra mediciòn Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
Figura 6.18 Diagrama de variabilidad observada en el proceso
Página 268
Definiciones
 Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes
operadores que utilizan un mismo instrumento de medición cuando miden las mismas
características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Figura 6.19 Evaluación de la reproducibilidad
 Repetibilidad: es la variación de las mediciones obtenidas con un instrumento de medición,

cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas
características en una misma parte.
REPETIBILIDAD
Figura 6.20 Evaluación de la repetibilidad
 Valor verdadero:
Valor correcto teórico / estándares NIST34
34
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México
se tiene el CENEAM o el Centro Nacional de Metrología
Página 269
 Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
 Resolución: La medición que tiene exactitud y precisión.
Exacto pero no preciso Exacto y preciso

Preciso pero no exacto
(resolución)
Figura 6.21 Evaluación de la precisión y exactitud
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas
sobre el mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características,
durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
Figura 6.22 Evaluación de la estabilidad
Página 270
 Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del
instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior) (rango superior)

Rango de Operación del equipo
Figura 6.23 Evaluación de la linealidad

 Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error
sistemático o desviación.
Valor m
Verdadero
Sesgo
Figura 6.24 Evaluación de la exactitud o sesgo

 Calibración: Es la comparación de un estándar de medición con exactitud conocida con otro
instrumento para detectar, reportar o eliminar por medio del ajuste, cualquier variación en la
exactitud del instrumento.
 Importante: para que el equipo de medición tenga una discriminación adecuada en la

evaluación de las partes, su
 resolución debe ser al menos 1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
Página 271
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como máximo.
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variación en los sistemas de medición. La
variación total es expresada de la siguiente manera:
 2 total   2 proceso   2 error mediciòn
Estudios R&R - Método Corto del Rango
Es un método 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 medición de cada parte y al final
el rango promedio.
La desviación estándar de R&R se aproxima con la formula de rango medio entre d2*. El % de R&R
se calcula comparando la desv. Estándar 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. Estándar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medición requiere mejora
Figura 6.25 Método corto del rango
Página 272
Estudio de R&R Método largo

• Generalmente intervienen de dos a tres operadores
• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
 La resolución del equipo de medición debe ser de al menos el 10% del rango de tolerancia o
del rango de variación 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 variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegúrese de que el equipo de medición haya sido calibrado.

2. Marque cada pieza con un número de identificación que no pueda ver la persona que realiza la
medición.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez, siguiendo un orden al
azar.
5. Continúe 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 número requerido de ensayos
7. Determine las estadísticas del estudio R&R
 Repetibilidad
 Reproducibilidad
Página 273
 % R&R
 Desviaciones estándar de cada uno de los conceptos mencionados
 Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Métodos de estudio del error R&R:
I.
Método de Promedios- Rango

 Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la
Repetibilidad.
 Los cálculos son más fáciles de realizar.
II. Método ANOVA

 Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la
Repetibilidad.
 También proporciona información acerca de las interacciones de un operador y otro en cuanto
a la parte.
 Calcula las varianzas en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
 El Método ANOVA es más preciso
Cálculos con Excel o manual:

Introducir los datos en la hoja de colección de datos siguiente por cada operador y hacer los
cálculos indicados en la zona gris:
Página 274
Página 275
Página 276
Página 277
Página 278
Una vez colectados los datos proceder a realizar la carta de rango R y observar que esté en control,
de otra forma repetir las mediciones para ese operador y parte específica errónea.
Figura 6.26 Comportamiento de la carta de control de rangos para el ejemplo
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
Figura 6.26 Comportamiento de la carta de control de medias para el ejemplo
Página 279
Se procede posteriormente a determinar los errores o variabilidad del sistema de medición con la
hoja de trabajo siguiente, calculando los campos con sombra gris:
Página 280
Interpretación 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 variación total del proceso.
2. El número de categorías debe ser de al menos 4 indicando que el equipo distingue las partes
que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue:
Figura 6.27 Gráfica que muestra el comportamiento de las mediciones de los operadores
Método 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 método Xbar-R.
Página 281
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 Medición Partes Operadores Medición Partes Operadores Medición

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
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
Página 282
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 menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY >

Gage R&R (Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis X Bar and R
 En Options Seleccionar: Study variation 5.15 Process tolerante 0.006

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
Reproducibility 0.0000269 0.0001384 6.95 2.31
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
Análisis de los resultados:

El error de R&R vs tolerancia es 21.25% y vs variación total del proceso es 64.03% lo que hace que
el equipo de medición no sea adecuado para la medición.
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
Página 283
Gage R&R (Xbar/R) for Datos

Reported by :
G age name: Tolerance:
D ate of study : M isc:
Components of Variation Datos by Partes

80 % Contribution
0.006
% 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 Interaction
O peradores
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
Figura 6.27 Resultados del estudio R&R por el método de Xbarra-R
La gráfica R se mantiene en control indicando que las mediciones se realizaron en forma adecuada.
La gráfica X barra sólo presenta 5 de 30 puntos fuera de control, lo cual debería ser al menos el
50%, indicando que el equipo no discrimina las diferentes partes.
Ejemplo 3: por el Método de ANOVA se tiene:

 Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY >
Gage R&R (Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis ANOVA
 En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to remove
interaction 0.25

Gage R&R Study - ANOVA Method
Página 284
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 interacción no fueron significativos, sólo 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
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
Reproducibility 0.0000000 0.0000000 0.00
0.00
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
Página 285
La interacción no es significativa, y los errores de R&R indican que equipo de medición no es

adecuado, ni el número de categorías.
Gage R&R (ANOVA) for Datos

Reported by :
G age name: Tolerance:
Date of study : M isc:
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 Interaction
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
Figura 6.28 Resultados del estudio R&R por el método de ANOVA

Las conclusiones son similares que con el método de X barra – R.
Estudios de R&R por atributos

Ejemplo 4.
Se utiliza el análisis de acuerdo por atributos para evaluar las calificaciones nominales u ordinales
proporcionadas por varios evaluadores. Las mediciones son calificaciones subjetivas de la gente en
vez de mediciones físicas. Algunos ejemplos incluyen:
 Calificaciones de desempeño de los automóviles
 Clasificación de calidad de las fibras como “buena” o “mala”.
 Calificaciones de color, aroma y gusto del vino en una escala de 1 a 10.
En estos casos la característica de calidad es difícil de definir y evaluar. Para obtener clasificaciones
significativas, más de un evaluador debe calificar la medición de respuesta. Si los evaluadores
están de acuerdo, existe la posibilidad de que las apreciaciones sean exactas. Si hay discrepancias,
la utilidad de la evaluación es limitada.
Página 286
Los datos pueden ser texto o numéricos. Las calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categóricas que tienen dos o más niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustación de comida que puede incluir dulce, salado o
picoso.
Los datos ordinales son variables categóricas que tienen tres o más niveles con ordenamiento
natural, tales como: en desacuerdo total, en desacuerdo, neutral, de acuerdo, y completamente de
acuerdo.
Ejemplo 4. Comparación pasa no pasa

Un sistema de medición de atributos compara cada parte con un estándar y acepta la parte si el
estándar se cumple. La efectividad de la discriminación es la habilidad del sistema de medición de
atributos para discriminar a los buenos de los malos.
1. Selecciona un mínimo de 20 unidades del proceso. Estas unidades deben representar el espectro
completo de la variación del proceso (buenas, erroneas y en límites).
2. Un inspector “experto” realiza una evaluación de cada parte, clasificándola como “Buena” o “No
Buena”.
3. Cada persona evaluará las unidades, independientemente y en orden aleatorio, y las definirá
como “Buenas” o “No Buenas”.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls para cuantificar la efectividad del sistema
de medición.
Página 287
Sistema de Medición de Atributos

Pasa no pasa –Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Multiple columns, con Persona 1A - Persona 2B.
4 En Number of appraisers, 2.
5 En Number of trials, 2.
6 En Known standard/attribute, poner Atributo
7 no Checar Categories of the attribute data are ordered y poner OK
Página 288
Figura 6.29 Resultados del estudio de R&R comparativo por atributos
Página 289
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador
Interpretación de Resultados
 % del Evaluador es la consistencia de una persona.
 % Evaluador vs Atributo es la medida de el acuerdo que hay entre la evaluación del
operador y la del “experto”.
 % de Efectividad de Selección es la medida de el acuerdo que existe entre los operadores.
 % de Efectividad de Selección vs. el Atributo es una medida general de la consistencia
entre los operadores y el acuerdo con el “experto”.
Aunque el 100% es el resultado que deseamos obtener, en un estudio de repetibilidad y

reproducibilidad de atributos, la siguiente guía se usa frecuentemente:
Página 290
Ejemplo 5.
Una empresa está entrenando a cinco evaluadores para la porción escrita de un examen estándar
de doceavo grado. Se requiere determinar la habilidad de los evaluadores para calificar el examen
de forma que sea consistente con los estándares. Cada uno de los evaluadores califica 15
exámenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo File > Openworksheet > 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 Appraiser Sample Rating Attribute
Simpson 1 2 2 Duncan 8 0 0
Montgomery 1 2 2 Hayes 8 0 0
Holmes 1 2 2 Simpson 9 -1 -1
Duncan 1 1 2 Montgomery 9 -1 -1
Hayes 1 2 2 Holmes 9 -1 -1
Simpson 2 -1 -1 Duncan 9 -2 -1
Montgomery 2 -1 -1 Hayes 9 -1 -1
Holmes 2 -1 -1 Simpson 10 1 1
Duncan 2 -2 -1 Montgomery 10 1 1
Hayes 2 -1 -1 Holmes 10 1 1
Simpson 4 -2 -2 Duncan 11 -2 -2
Montgomery 4 -2 -2 Hayes 11 -1 -2
Holmes 4 -2 -2 Simpson 12 0 0
Duncan 4 -2 -2 Montgomery 12 0 0
Página 291
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
Hayes 7 2 2 Holmes 15 1 1
Holmes 8 0 0
Los resultados del análisis se muestran a ontinuación:
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)
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
Página 292
# 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
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
* NOTE * Single trial within each appraiser. No percentage of
assessment agreement within appraiser is plotted.
Página 293
Date of study :
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Figura 6.31 Resultados del estudio de R&R por atributos
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre evaluadores y Todos
los evaluadores vs estándar. Los estadísticos de Kappa y Kendall también se incluyen en cada una
de las tablas. En general estos estadísticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores vs
estándar es 0.958192 (p = 0.0). Sin embargo la observación del desempeño de Duncan y Haues
indica que no se apegan al estándar.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno de los evaluadores
vs el estándar, pudiendo comparar fácilmente la determinación de acuerdos para los cinco
evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento adicional.
Método sencillo
Página 294
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
Página 295
7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha estado siendo
desplazado por métodos preventivos como el CEP y el diseño de experimentos.
Si se recibe un lote de un proveedor, se toma una muestra y se evalúan algunas de las

características del producto, en base a los resultados se toma una decisión sobre la disposición del
lote, ya sea aceptados para su uso en producción, o rechazados para que el proveedor tome
acciones.
Fig. 7.1 Proceso de inspección por muestreo
Hay 3 aspectos importantes del muestreo:

1. Su propósito es calificar los lotes, no estimar los parámetros del lote.
2. No proporcionan un mecanismo de control de calidad, simplemente aceptan o rechazan lotes.
3. Sirven como herramienta de auditoría para segurar que la calidad de un lote esté de acuerdo a
especificaciones.
Página 296
Existen 3 alternativas para calificar un lote:

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

1. Cuando las pruebas son destructivas.
2. Cuando el costo de la inspección 100% es muy alto.
3. Cuando la inspección 100% es muy tardada.
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 críticos.
VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspección por muestreo, se tienen las ventajas siguientes:

1. Es más barato, requiriendo menos inspección.
2. Existe un menor manejo de producto o menor daño.
3. Se aplica a pruebas destructivas.
4. El rechazar un lote completo en lugar de sólo las partes defectivas, motiva al proveedor a
mejorar su calidad.
El muestreo de aceptación también presenta varias desventajas:

1. Existe el riesgo de “aceptar” lotes malos y de “rechazar” lotes buenos.
2. La información que se genera respecto al producto o proceso es poca.
3. El muestreo de aceptación requiere documentación y planeación, no así la inspección 100%.
TIPOS DE PLANES DE MUESTREO
Página 297
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y atributos. Una
característica 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 calificación de lotes, donde se toma una

muestra aleatoria de n partes y la disposición del lote es determinada dependiendo de los
resultados de la muestra, aceptándose si se encuentran hasta c productos defectivos.
Un plan de muestreo doble implica que después de tomar una muestra e inspeccionar, se toma
una decisión de (1) rechazar, (2) aceptar o (3) tomar una segunda muestra, si esto sucede, se
combina la información de la primera y de la segunda para tomar una decisión.
Un plan de muestreo múltiple es una extensión del doble, en el cual más de dos muestras pueden
ser necesarias antes de tomar una decisión. Los tamaños de estas muestras son más pequeños que
en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una, tomando decisiones
de aceptar o rechazar el lote después de un cierto número de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con cualquiera de
las modalidades anteriores.
FORMACIÓN DE LOTES
Para inspección de lotes, estos deben cumplir las características siguientes:
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas corridas de
producción, en condiciones similares. Es difícil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es más eficiente.
Página 298
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 daño y permitir la selección de
muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de las capas
superiores, sino de preferencia numerar las partes con un número y seleccionar con tablas de
números aleatorios o también se puede estratificar el lote.
GUÍA DE APLICACIÓN DE PLANES DE MUESTREO

Un plan de aceptación es el establecimiento del tamaño de muestra a ser usado y el criterio de
aceptación o rechazo para calificar lotes individuales.
Un esquema de aceptación es un conjunto de procedimientos de planes de aceptación en los

cuales se relacionan los tamaños de lote, tamaño de muestra, criterio de aceptación o rechazo, la
cantidad de inspección 100% y de muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los procedimientos de

muestreo de aceptación son:
Procedimiento Procedimiento
Objetivos por atributos por Variables
1. Asegurar niveles de calidad Plan específico Plan específico

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 hipótesis.
Los clientes están enfocados a mejorar la calidad de sus proveedores, seleccionando a los mejores
y trabajando en forma cercana para reducir su variabilidad, con técnicas de control estadístico del
proceso. El muestreo de aceptación se utiliza mientras se mejora la calidad con el proveedor.
Página 299
7.2 MUESTREO SIMPLE POR ATRIBUTOS
Muestreo aleatorio simple

Un plan de muestreo simple se define por su tamaño de muestra n y el número de aceptación c. El
tamaño 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 inspección, si el número de
productos defectivos observados en la muestra d es menor o igual a c = 2, el lote se acepta, en
caso contrario se rechaza.
La curva OC
La curva característica de operación (OC) muestra la probabilidad de aceptar el lote (Pa o  en el

eje Y), versus la fracción defectiva media en el lote (p en el eje X), mostrando la potencia de
discriminación del plan de muestreo.
Fig. 7.2 Curva característica de operación y plan de muestreo
Página 300
La curva característica de operación se obtiene graficando p versus la probabilidad binomial de

encontrar y aceptar a lo más c defectivos o sea:
c
n! d nd
Pa  P{d  c)   p (1  p) (7.1)
d 0 d!(n  d )!
Esto mismo se puede aproximar por la distribución de Poisson para efectos prácticos.
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución binomial acumulada
(opción VERDADERA en Excel) se muestra a continuación:
Binomial=distr.binom(c, n, p, 1) ó Poisson=Poisson(c, n*p, 1)
Fig. 7.3 Cálculo de la Curva característica de operación OC
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptación es de 0.74.

Significa que de cada 100 lotes recibidos, se aceptarán 74 y se rechazarán 26.
Página 301
A continuación se muestran algunas variaciones de la curva característica de operación variando

tanto como el criterio de aceptación c manteniendo n constante y después manteniendo c como
constante y variando n.
Manteniendo n constante y variando c se tiene:

n = 89, n = 89 n = 89,
p
c=0 c=1 c =2
0.01 0.64 0.93 0.99
0.01 0.41 0.78 0.94
0.02 0.17 0.47 0.74
0.03 0.07 0.25 0.50
0.04 0.03 0.12 0.30
0.05 0.01 0.06 0.17
0.06 0.00 0.03 0.09
0.07 0.00 0.01 0.05
0.08 0.00 0.01 0.02
0.09 0.00 0.00 0.01
Pa
c=0, 1, 2
P (fracción defectiva en el lote)
Figura 7.4 Curvas características de operación diversas para n = 89 y c = variable
Para el caso en que lo que se varíe sea n se tiene:
n =
n = 50, 100, c n = 200,
p c=2 =2 c=2
0.005 0.997944 0.9859 0.920161
0.01 0.986183 0.9206 0.676679
0.02 0.921572 0.6767 0.235148
0.03 0.810798 0.4198 0.059291
0.04 0.676714 0.2321 0.012489
0.05 0.540533 0.1183 0.002336
0.06 0.416246 0.0566 0.0004
Página 302
0.07 0.310789 0.0258 6.40E-05

0.08 0.225974 0.0113 9.66E-06
0.09 0.16054 0.0048 1.39E-06
Pa
n=50, 100, 200 2
p (fracción defectiva en el lote)
Figura 7.5 Curvas características de operación diversas para n = variable y c =2
Puntos específicos en la curva OC
Un consumidor frecuentemente fija de común acuerdo con su proveedor, un nivel de calidad

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

aislado de tamaño finito, se utiliza cuando n/N >=0.10.
La curva OC tipo B utiliza la distribución 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.
Página 303
DISEÑO DE UN PLAN DE MUESTREO EN BASE A CURVA OC
En este método se especifican 2 puntos por los que debe pasar la curva OC, uno de ellos tiene
coordenadas (p1, 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 línea recta el valor de p 1 en el eje vertical izquierdo
con 1- en el eje vertical derecho, y con otra línea recta se hace coincidir p 2 en el eje vertical
izquierdo con  en el eje vertical derecho. En el punto de cruce se encuentra el valor de n y de c del
plan de muestreo simple. Ver nomograma y ejemplo en la página siguiente.
Cuando p1 es igual al AQL y p2 es el LTPD, los puntos correspondientes en la curva OC se

denominan riesgo del productor (1-) y riego del consumidor .
Inspección rectificadora
Los programas de aceptación por muestreo normalmente requieren acción correctiva cuando los
lotes son rechazados, de tal forma que el proveedor los selecciona al 100% remplazando los
artículos defectivos por buenos. Esta actividad se denomina inspección rectificadora por su
impacto en la calidad de salida final hacia la planta.
Fig. 7.6 Inspección rectificadora (las piezas malas son reemplazadas y reintegradas al lote)
Página 304
Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 , después de la actividad de
inspección bajo un plan de muestreo, algunos lotes serán aceptados y otros serán rechazados. Los
lotes rechazados serán seleccionados al 100% por el proveedor remplazando los artículos
defectuosos por buenos después se integran a los lotes que ingresan a la planta obteniéndose una
fracción defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en lotes de
tamaño N se tiene:
1. n artículos de la muestra no contienen defectivos.

2. N-n artículos los cuales si el lote se rechazó no contenían defectivos.
3. N-n artículos los cuales si el lote se acepta contienen p(N-n) defectivos.
Así los lotes después del proceso rectificador, contienen un núemro esperado de defectivos igual a
Pap(N-n) con la cual se puede expresar una fracción defectiva media AOQ como sigue,
Pa p ( N  n)
AOQ  (7.2)
N
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada p=0.01.
Como en la curva característica de operación (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 tamaño de muestra n, se tiene,
AOQ  Pa p (7.3)
La curva de AOQ versus p se muestra a continuación:
Página 305
CURVA AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la peor fracción
defectiva de salida hacia la planta o proceso, que se denomina límite de calidad de salida promedio
AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
El número promedio de inspección 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 inspeccionarán por lote, algunas por el cliente
(n) y otras por el proveedor (N-n) en base al plan de muestreo.
Página 306
Las curvas ATI para diferentes tamaños de lote se muestra a continuación, para n = 89 y c = 2:
p Pa ATI-N=1000 ATI-N=5000 ATI-N=10000

0 1 98 140 191
0 1 144 385 687
0 1 329 1383 2700
0 0 546 2552 5060
0 0 723 3506 6985
0 0 843 4155 8295
0 0 916 4549 9089
0 0 957 4770 9536
0 0 979 4887 9772
0 0 990 4947 9892
ATI
N=10000
N=5000
N=1000
Figura 7.8 Curvas de número de muestras inspeccionadas promedio por el cliente y por el
proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo más eficiente la
inspección por muestreo.
Muestreo doble, múltiple y secuencial
Estos tipos de muestreo son extensiones del muestreo simple, se pueden diseñar curvas CO
equivalentes.
Página 307
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 parámetros siguientes:
n1 = tamaño de muestra en la primera muestra.

c1 = criterio de aceptación en la primera muestra.
n2 = tamaño de muestra en la segunda muestra.
c2 = criterio de aceptación en la segunda muestra.
Al aplicar el plan el número de defectivos observados en la primera muestra es d 1 y los defectivos

observados en la segunda muestra es d2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artículos, se acepta el lote si el total de defectivos d 1 <= c1=1,
rechazándose si d1 >c2=3.
Si d1 es igual a 2 o a 3, se toma una segunda muestra de 100 artículos, se inspecciona y se

determina el número de defectivos d2 .
Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.
En ambas muestras la primera y segunda, la inspección se continua hasta inspeccionar todos los
artículos, por eso se denomina inspección completa, el número promedio de artículos
inspeccionados por muestra ASN es,
ASN  n1  n2 (1  P1 ) (7.5)
Página 308
donde P1 es la probabilidad de tomar una decisión 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 inspección de los artículos se suspende cuando se encuentra un número de

defectivos mayor al criterio de aceptación c 2 y no se inspeccionan todos los artículos, el método se
denomina inspección recortada, el comportamiento de ambos esquemas se muestra a
continuación,
ASN
Insp. completa
n = cte.
Insp. recortada
Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspección
completa y recortada
Por tanto el muestreo doble es más económico que el simple sólo para ciertos valores de p, ya que
si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspección.
La inspección recortada si es más económica sin embargo proporciona menos información acerca
del lote.
CURVA CARACTERÍSTICA DE OPERACIÓN

Del ejemplo anterior, si Pa es la probabilidad de aceptación, esta se forma con la probabilidad de
aceptación en la primera muestra más la probabilidad de aceptación en la segunda muestra ya sea
usando la distribución binomial o la de Poisson. O sea:
Página 309
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)
Fig. 7.7 Curva característica de operación bajo muestreo doble

Pa (1º
p muestra) Pa(2a.muestra) Pa Total En 1a. Muestra
0.005 0.974 0.023 0.997 0.976
0.01 0.911 0.060 0.971 0.929
0.02 0.736 0.083 0.819 0.877
0.03 0.555 0.056 0.611 0.908
0.04 0.400 0.027 0.428 0.971
0.05 0.279 0.011 0.290 1.022
0.06 0.190 0.004 0.194 1.047
0.07 0.126 0.001 0.128 1.052
0.08 0.083 0.000 0.083 1.046
0.09 0.053 0.000 0.053 1.036
Pa
Pa total
Pa
1ª muestra
Pa 2ª muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble
DISEÑO DE PLANES DE MUESTREO DOBLE

Como en el caso del muestreo simple, es frecuentemente necesario diseñar un plan de muestreo
doble tomando como referencia las coordenadas de la curva OC (p 1, 1-) y (p2, ) ya sea con n1=n2
o con n2 = 2n1. Para lo que se emplean las tablas de Grubbs (ver páginas siguientes).
Página 310
INSPECCIÓN RECTIFICADORA
Cuando se usa el esquema de inspección rectificadora, la curva AOQ está dada por,
{PaI ( N  n1 )  PaII ( N  n1  n2 )} p
AOQ  (7.9)
N
Asumiendo que todos los defectivos son remplazados por artículos buenos en los lotes rechazados,
la curva de inspección total promedio es,
ATI  nPaI  ( n1  n2 ) PaII  N (1  Pa ) (7.10)
donde Pa  Pa  Pa
I II
PLANES DE MUESTREO MÚLTIPLE
Un muestreo múltiple es una extensión del doble, donde pueden requerirse más de dos muestras
para calificar el lote, por ejemplo un plan de 5 etapas es el siguiente:
Muestra
acumulada Aceptar Rechazar
20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Al terminar cada etapa de muestreo, si el número de defectivos es menor o igual al número de

aceptación, se acepta el lote. Si en cualquier etapa el número de defectivos acumulado excede el
número de rechazo, se rechaza el lote, de otra forma se sigue tomando una siguiente muestra.
Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el caso del simple o
del doble, con una mejor eficiencia de inspección. Sin embargo es más complejo de administrar.
Página 311
MUESTREO SECUENCIAL
Es una extensión de los planes anteriores, aquí se toma una secuencia de muestras del lote, cuya
magnitud será determinada por los resultados del proceso de muestreo. Si el tamaño 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 artículo por artículo, basado en
Wald (1947).
En este caso se tienen 2 líneas, una de aceptación y otra de rechazo, teniendo como dato las
coordenadas de la curva OC (p1, 1-) y (p2, ), las ecuaciones de las líneas 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
s=0.028
Por tanto las ecuaciones de las líneas de aceptación y rechazo son:
Página 312
XA= -1.22 + 0.028n Línea de aceptación

XB= 1.57 + 0.028n Línea de rechazo
Haciendo una tabla de valores donde el número de aceptación es el entero más próximo menor
que o igual a XA y el número de rechazo es el entero más próximo superior que o igual a X R.
MUESTREO SECUENCIAL
n Xa Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
23 -0.576 2.214 -1 3 46 0.068 2.858 0 3
En este caso no se puede tomar una decisión de aceptación hasta que hayan transcurrido las
suficientes muestras, que hagan que la línea de aceptación tenga valores positivos en Xa, 44 en
este caso, y no se puede rechazar hasta en la 2ª. Muestra.
Página 313
No. de
defectos Línea de
acumulad aceptación
3
2 Línea de
Rechazo
1
Número
0 20 40 60 de
-1
Fig. 7.11 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 
INSPECCIÓN RECTIFICADORA
La calidad media de salida AOQ  Pap y el número promedio de muestras inspeccionadas total es:
 A
ATI  Pa    (1  Pa ) N (7.14)
C 
Página 314
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)
Descripción de la norma
Esta norma se desarrolló durante la segunda guerra mundial emitiéndose en 1950 con la versión A.
La versión D se publicó en 1963 y en 1971 fue adoptada por la ANSI con pequeños cambios como
la Z1.4 y en 1973 fue adoptada por la ISO como la norma ISO 2859. En 1989 se liberó la versión E.
La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):

- Muestreo simple.
- Muestreo doble.
- Muestreo múltiple
En cada uno de los casos se prevén los siguientes tipos de inspecciones:
- Inspección normal.
- Inspección estricta.
- Inspección reducida.
Se inicia con la inspección 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
tamaños 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 típicos de AQL para defectos mayores es
de 1%, 2.5% para defectos menores y 0% para defectos críticos. 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 pequeños de AQL se pueden utilizar tanto
para controlar fracción defectiva como defectos por unidad.
El tamaño de muestra en el estándar está determinado por el tamaño del lote y por la
selección del nivel de inspección. Se proporcionan tres niveles de inspección, donde el
Página 315
nivel II se considera normal; el nivel I requiere alrededor de la mitad de la inspección del

nivel II y se usa cuando se requiere menos discriminación; el nivel III requiere alrededor del
doble de inspección del nivel II, y se usa cuando se requiere más discriminación. Hay
también cuatro niveles especiales de inspección, S-1, S-2, S-3 y S-4, estos usan tamaños de
muestra muy pequeños y sólo deben usarse cuando los riesgos grandes del muestreo sean
aceptables.
Para un AQL específico, un nivel de inspección y un tamaño de lote dado, el estándar MIL-
STD-105E proporciona un plan de muestreo normal que se utilizará conforme el proveedor
produzca productos con calidad AQL o mejor. También proporciona un mecanismo de
cambio de cambio a inspección estricta o reducida como se ilustra en la figura y se
describe a continuación.
1. Normal a estricta. Cuando se tiene inspección normal, la inspección estricta se instituye

cuando cuándo dos de cinco lotes consecutivos han sido rechazados.
2. Estricta a normal. Cuando se tiene inspección estricta, la inspección normal se instituye

cuando cinco lotes consecutivos son aceptados.
3. Normal a reducida. Cuando se tiene inspección normal, la inspección reducida se instituye

cuando se cumple con todas las condiciones siguientes:
a. Diez lotes consecutivos han sido aceptados con inspección normal.

b. El número total de defectivos en las muestras de los diez lotes precedentes es menor o
igual a el número límite aplicable del estándar.
c. La producción de lotes ha sido continua sin interrupciones mayores.
d. La inspección reducida se considera adecuada por la función responsable de la
inspección por muestreo.
4. Reducida a normal. Cuando se tiene inspección reducida, la inspección normal se instituye

cuando se cumple cualquiera de las condiciones siguientes:
Página 316
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación o rechazo, el
lote se acepta pero se cambia a inspección normal en el próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
5. La Inspección se descontinúa. Cuando diez lotes se acepten con inspección estricta y el

proveedor tome acciones para mejorar su calidad.
Fig. 7.12 Reglas de cambio de planes de inspección
Página 317
Fig. 7.13 Comparación entre los planes normal, reducido y estricto
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
1. Negociación del AQL (cliente – proveedor).

2. Decisión del nivel de inspección.
3. Determinación del tamaño del lote.
4. Consultar la tabla 1 (ver apéndice) y localizar la letra código correspondiente al tamaño del
lote y el nivel de inspección.
5. Decisión en cuanto al procedimiento de muestreo a utilizar (simple, doble, múltiple).
6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se encuentran en el
apéndice).
7. Uso de la tablas para inspección reducida y estricta, cuando se requieran hacer cambios.
Ejemplo 7.4 Si N= 2,000 y AQL= 0.65% usando el nivel II de inspección:
1. La tabla I indica la letra código K.

2. La tabla II-A para inspección normal indica el plan de muestreo n=125 y c=2.
3. La tabla II-B para inspección estricta indica el plan de muestreo n= 125, c=1.
Página 318
La flecha descendente cambia la c, la letra de código y el tamaño de muestra, lo mismo para la

ascendente. Por ejemplo, un AQL de 1.5% y letra F será cambiado a letra G con tamaño de
muestra 32 en lugar de 20.
Para el caso de muestreo doble con los datos anteriores, la letra código es K y de las III-A, III-B y III-
C se obtienen los planes de inspección normal (n 1= 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).
DISCUSIÓN
Todas las curvas OC son tipo B, también se proporcionan curvas para el ASN y datos del AOQL.
El estándar MIL-STD-105E está orientado al AQL, se enfoca al lado de riesgo del productor de la
curva OC, la parte restante de la curva depende de la selección del nivel de inspección. Los
tamaños 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 tamaño medio del rango de lotes contra el logaritmo del tamaño de muestra se
obtiene una recta hasta n=80 y después una recta con una pequeña pendiente. Como la razón de
N a n es decreciente conforme aumenta N se economiza en la inspección.
El estándar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estándar MIL-STD-105E,
difiriendo en que:
1. Se usa el término “No conforme” o “no conformancia” o “porcentaje no conforme”.

2. Cambian ligeramente las reglas de cambio agregándose una opción para inspección reducida
sin el uso de números límite.
3. Se agregan varias tablas que muestran el desempeño de los planes, como el AOQL, fracciones
defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
4. Hay una descripción detallada de los planes de muestreo simples.
Página 319
5. Se proporciona un esquema ilustrando las reglas de cambio en inspección.
Página 320
.
Figura 7.14 Tablas de muestreo simple por atributos
Página 321
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920)
Desarrollaron dos tipos de planes usando inspección rectificadora:

1. Planes para el porcentaje defectuoso tolerable en el lote LTPD y
2. Los que proporcionan un límite de la calidad máxima 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 fracción defectiva en ppm dependiendo del AQL
“aceptable”.
AQL ppm
10% 100,000
1% 10,000
0.10% 1,000
0.01% 100
0.00% 10
0.00% 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( función _ adecuada)  (0.995)100  0.6058
Por tanto es obvio que se requieran planes de protección del LTPD, aun cuando el AQL sea muy
bajo. Para esto se utilizan los planes de Dodge-Romig principalmente para inspección de sub-
ensambles.
Los planes de Dodge-Romig de AOQL y LTPD están diseñados para minimizar la inspección total
promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son útiles cuando el rechazo medio
del proceso es bajo (alrededor de 100 ppm).
Página 322
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.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la fracción 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 serán
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

aceptación sea Pa=0.9957, se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarán 86 partes del lote en promedio.
Planes de LTPD
Se diseñaron de tal forma que la probabilidad de aceptación 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 fracción 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 artículos defectuosos se reemplazan por artículos buenos, el AOQL=0.28%.
Página 323
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspección 100% es mejor
económicamente.
ESTIMACIÓN DEL PROMEDIO DEL PROCESO
La utilización de los planes de Dodge-Romig depende del conocimiento de la fracción promedio no

conforme del proveedor. Se puede estimar la fracción 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.
Página 324
8. MUESTREO DE ACEPTACIÓN POR VARIABLES
Ventajas y desventajas
La principal ventaja del muestreo por variables es que se puede obtener la misma curva
característica de operación con tamaño de muestra menor que el que requeriría un plan por
atributos. Otra ventaja es que los datos por variables proporcionan más información del proceso
que los atributos. Cuando los AQLs son muy pequeños (del orden de ppm), el tamaño de muestra
requerido en el caso de muestreo por atributos es muy grande y por variables muy pequeño.
Cuando la inspección es del tipo destructivo, los planes por variables si se aplican son más
económicos.
Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos, a
pesar de que el tamaño de muestra sea menor y que es necesario un plan de muestreo para cada
característica importante del producto.
Se debe conocer la distribución de la característica de calidad, la cual debe ser normal ya que de
otra forma se pueden cometer errores en la aplicación del plan de muestreo por variables. Esto es
más crítico cuando las fracciones defectivas son muy pequeñas.
En la figura de la página siguiente se muestran las diferencias para varias distribuciones. Si la

distribución no es normal se puede diseñar un plan si se puede determinar la fracción defectiva a
partir de la media y la desviación estándar de esa distribución.
Los planes especifican el número de artículos a muestrear en los cuales se hacen mediciones en la
característica de calidad seleccionada, y el criterio de aceptación de esos lotes.
Una comparación entre los diferentes tipos de muestreo se da a continuación, considerando una p 1
= 0.01, p2 = 0.08,  = 0.05 y  = 0.10:
Página 325
Tipo de muestreo n ó ASN

1. Muestreo simple por atributos n = 67.
2. Muestreo doble por atributos ASN en p1 = 45
3. Muestreo múltiple por atributos ASN en p1 = 41
6. Muestreo simple por variables, n=27
sigma desconocida, método de s
7. Muestreo simple por variables n=10
Sigma conocida
Como se observa, si la distribución es normal y la desviación estándar 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 fracción defectuosa del
lote y los que controlan un parámetro del proceso tal como la media.
8.1 CONTROL DE LA FRACCIÓN DEFECTIVA
Como la característica de calidad es una variable, siempre existirá ya sea un límite de especificación
inferior LIE, límite de especificación superior o ambos, que definan los valores aceptables de esa
característica.
Considerando una característica de calidad x normalmente distribuida y un límite inferior de

especificaciones LIE, la fracción defectiva p es función de la media del lote m y su desviación
estándar .
Página 326
Asumiendo que la desviación estándar  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 fracción defectiva p es aceptable.
Para esto se tienen dos métodos.
p 
__
LIE X x
Figura 8.1 Bases del muestreo por variables
Procedimiento 1.
Tomando una muestra aleatoria de n artículos del lote y calculando el estadístico
X  LIE
Z LIE  (8.1)

ZLIE expresa justamente la distancia entre la media X de la muestra y el límite inferior de

especificación LIE, entre mayor sea su valor, la media X de la muestra estará más alejada del LIE y
en consecuencia menor será la fracción defectiva p.
Si hay un valor crítico p que no deba ser excedido con una probabilidad establecida, se puede
traducir el valor de p en una distancia crítica por decir k para Z LIE. De esta forma si ZLIE <= k, se
aceptará el lote ya que automáticamente la fracción defectiva p es satisfactoria, en caso contrario
la fracción defectiva p es mayor que la aceptable y se rechazará el lote.
Ejemplo 8.1 Si m=100,  =10 y LIE= 82:
X  LIE 82  100
Z LIE    1.8
 10
Página 327
Donde (-1.8) = 0.0359 o sea el 3.59% defectuoso.
Se sigue el mismo procedimiento para el caso de tener un límite superior de especificación

unilateral LSE.
LSE  X
Z LSE  (8.2)

Cuando se tiene un solo límite de especificación, la relación entre Z y la fracción defectiva (p) es:
p Zs ó 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.
A partir de una muestra sencilla de tamaño n del lote, se calcula Z LIE o
QLIE  Z LIE n /( n  1) (más exacto) y se estima la fracción defectiva p como el área bajo
la curva normal debajo de ZLIE, si esta fracción estimada p, excede un valor máximo M, se
rechaza el lote, de otra forma se acepta.
Para el caso de límites bilaterales se calculan ambos Q LIE y QLSE.
Página 328
X  LIE
Q LIE  n /( n  1)

(8.3)
LSE  X
Q LSE  n /( n  1)

Se estiman las fracciones defectivas P(Q LIE) y P(QLSE) de la tabla mostrada en el apéndice
para estimar las fracciones defectivas pI y pS, si la suma de ambas fracciones defectivas no
excede al valor máximo permitido M se acepta el lote, en caso contrario se rechaza el lote.
Cuando la desviación estándar  es desconocida, se puede estimar de la desviación

estándar de la muestra s, remplazando en las fórmulas anteriores a  por s.
8.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES

CON UNA CURVA CO ESPECÍFICA
Para diseñar un plan de muestreo por variables usando el procedimiento 1, el método 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.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver página siguiente),
para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva característica de operación CO, cambiando
los valores de las fracciones defectivas p y hallando sus probabilidades de aceptación si se
mantiene fijo n y k.
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mínima para una botella de
plástico sea de LIE= 225 psi, si a lo más el 1% no pasa el límite, se aceptará el lote con una
Página 329
probabilidad del 95% (p1=0.10 y 1-= 0.95), mientras que si el 6% o más están abajo del límite, el
embotellador rechazará el lote con una probabilidad de 90% (p 2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una línea que une a el punto 0.01 en la
escala de fracción defectivas con el punto 0.95 en la escala de probabilidad de aceptación. Después
se traza una línea similar que conecta los puntos p2 = 0.06 y Pa=0.10, en la intersección de esas
líneas se lee, k=1.9 y n=40 para  desconocida (siguiendo la línea curveada) o n=15 (bajando una
línea perpendicular) para  conocida.
a) Procedimiento 1
Si se desconoce la desviación estándar, se toma una muestra aleatoria de n = 40 piezas calculando
la media y la desviación estándar s, se calcula ahora:
X  LIE
Z LIE 

Si ZI  k = 1.9 se acepta el lote, de otra forma se rechaza.
Si se conoce la desviación estándar, la n pasa de 40 a 15 con menos costos, al bajar en forma

perpendicular en el punto de intersección 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.
Página 330
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 fracción defectiva al final de este capítulo se obtiene una p = 0.020, y siendo que
es menor que M = 0.030, se acepta el lote.
Para límites 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 inspección normal, reducida y estricta y
concordancia en las letras código 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 inspección (el normal es el II),
el nivel III tiene una curva más abrupta que el nivel II. Se pueden usar niveles más bajos (S3 S4)
para reducir costos muestrales si se toleran riesgos mayores.
Tiene la siguiente organización:
Página 331
Variabilidad Variabilidad
Desconocida Conocida
Método de S
Especificación Especificaciones
Unilateral Bilaterales
Procedimiento 1 Procedimiento 2 Procedimiento 2

(Método de k) (Método de M) (Método de M)
Fig. 8.2 Organización del muestreo por variables
Tienen 4 secciones:
A. Descripción general, con definición de términos, código de letras de tamaño de muestra, y

curvas OC de los planes.
B. Planes basados en la desviación estándar 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 apéndice y su uso se ilustra con un ejemplo:
Ejemplo 8.4 Para el caso del embotellador: Si el límite inferior LIE = 225 psi, suponiendo que el
nivel de calidad aceptable en este límite es AQL = 1% y que las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Página 332
Procedimiento 1.
1. En la tabla A-2 se identifica el código 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 inspección severa (escala inferior) k =
2.18. Para el caso de inspección reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el renglón de N y columna de AQL= 1% obteniéndose M=
2.05%. Para inspección severa M = 1.42%. Para inspección reducida, de la tabla B-4 se obtiene
k = 3.44%.
4. La inspección estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspección reducida se usa cuando los 10 lotes anteriores se han aceptado y su fracción
defectiva estimada es menor que un límite inferior especificado y la producción es estable.
6.La tabla B-6 se usa para obtener la desviación estándar máxima 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 gráfica X -s para los lotes (al menos para 30). Los
planes específicos para este tipo de planes se deben consultar en el estándar.
EJEMPLOS TOMADOS DEL ESTANDAR Z1.9-1993
VARIABILIDAD DESCONOCIDA – MÉTODO DE LA DESVIACIÓN ESTÁNDAR
B1. Plan de muestreo para límite especificación unilateral. Forma 1

a) De la tabla A2 seleccionar la letra código de función del tamaño del lote y el nivel de
inspección.
b) Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan.
n - tamaño de muestra.
K - constante de aceptabilidad
c) Obtener mediciones de muestras , calcularX y s.
d) Criterio de aceptación.
LSE - Límite superior de especificación.
Página 333
LIE- Límite inferior de especificación.
Comparar (LSE – X) / s ó (X– LIE) / s con k.
Si es mayor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.5 La máxima temperatura de operación es de 209ºF. Un lote de 40 artículos se

inspecciona, tomando AQL = 1%, nivel II.
Solución.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197º, 188º, 184º, 205º y 201º.
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 inspección, n y M 
Porcentaje máximo de no conformes.
b) Obtener mediciones de muestras, calculandoX y s.
c) Criterio de aceptación.
Calcular el índice de calidad QS= (LSE - X ) / s
QI= (X – LIE ) / s
En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme P S o PI.
Comparar PS o PI con M , si es igual o menor se acepta el lote, se rechaza en caso contrario.
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.
Página 334
B8. Plan de muestreo para doble límite de especificación.

a) Determinar la letra código de la tabla A2, en base a nivel de inspección.
b) Obtener el plan n y M de tabla B3 y B4. Si se especifican diferentes AQL´s para cada límite de
especificación, obtener el porcentaje máximo no conforme para cada límite M I y MS. Si se
asigna el mismo AQL a ambos límites, designar el nivel máximo 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 tamaño 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 límite:

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 inspección II, inspección normal y
_
en base a temperaturas de los ejemplos anteriores, n = 5, X = 195; s= 8.8; considerando LIE=
180F; LSE= 209F; AQL= 1% donde de tabla

B-3 M = 3.32%
209  180
QS=  1.59 ; PS = 2.19% (de tabla B-5)
8.8
195  180
QI=  1.704; PI = 0.66% (de tabla B-5) por tanto la fracción defectiva total es
8.8
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%
Página 335
b) Comparando PS  MS ; PI  MI y P  MI
Se acepta el lote.
VARIABILIDAD CONOCIDA
D.1 Sólo un límite de especificación. Forma 1.

Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9 Se toma un lote de 500 artículos para inspección. LIE= 58,000 psi. N= 500,
nivel II, inspección 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) Cálculo 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.
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; tamaño del lote 500 artículos;AQL = 1.5%; Inspección
_
nivel II, normal. De los datos anteriores se obtuvo X = 63,000; n = 10 ;  = 3,000. De tabla
A-2 se obtiene la letra I.

a) Obtención en tabla D3 de n, M y V como 10, 3.63%, 1.054 respectivamente.
b) Cálculo 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.
Página 336
D9. Plan de muestreo para doble límite de especificación

a) Determinar la letra código de la tabla A2, en base a nivel de inspección.
b) Obtener el plan n, el factor v y el porcentaje máximo aceptable M de tabla D3 y D4. Si se
especifican diferentes AQL´s para cada límite de especificación, obtener el porcentaje máximo
no conforme para cada límite MI y MS. Si se asigna el mismo AQL a ambos límites, designar el
nivel máximo 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 tamaño de muestra n.
Pestimada= PI + PS
Ejemplo 8.11 La especificación para una colada de acero es de 67,000 y 58,000 psi
respectivamente. Un lote de 500 artículos se somete a inspección. El nivel de inspección es II,
inspección 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 índices 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 fracción 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.
DISCUSIÓN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideración muy importante en el uso de las normas es que la población de donde se
obtienen las muestras debe ser normal. Es más crítico para pequeños valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la distribución para

asegurar que la norma Z1.9 es aplicable sin modificaciones.
Página 337
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981) son:
1. Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-STD-105E por
atributos.
2. Se ordenaron las letras código para tener la misma protección que con la MIL-STD-105E.
3. Los niveles de inspección 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
estándar.
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 inspección normal a severa y
viceversa con ligeras modificaciones.
 La norma Z1.9 permite el paso de inspección normal a reducida si:
 10 lotes en inspección normal fueron aceptados.
 La producción es continua.
 La inspección reducida es aprobada.
 La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han sido aceptados y:
 El AQL es un paso menor.
 El proceso está bajo control estadístico.
 La inspección reducida es aprobada.
7. La ISO 3951 permite el paso de un método 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 continuación 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 información suficiente y después cambiar a un esquema por variables
manteniendo la misma combinación de letra para el AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de cada lote.
Página 338
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
ASEGURAMIENTO DE LA MEDIA DEL PROCESO

Los planes de muestreo por variables también pueden utilizarse para asegurar la calidad media de
un material en lugar de su fracción defectiva. El método general que aquí se emplea es el de
prueba de hipótesis, 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
formaldeído en maderas. Se diseña un plan de muestreo con una probabilidad de aceptación del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes con un 0.4 ppm tengan una
probabilidad de aceptación del 10%. Si por experiencia se sabe que la desviación estándar es 0.10
ppm, se tiene:
Si X A es la media muestral debajo de la cual se aceptará el lote, está normalmente distribuida y

tiene una probabilidad de 0.95 de aceptación, 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 emisión de 0.40 ppm tienen una probabilidad
de 0.10 de aceptación, entonces,
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 característica de
calidad. Las líneas para aceptación del lote, rechazo del lote y continuación del muestreo se
construyen en forma similar a las de atributos (ver Duncan 1986).
Página 339
APÉNDICES
Página 340
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

CARTAS Xbarra-R
Límites de control para medias n =5
LSC = X + A2 R
LIC = X - A2 R
Límites de control para rangos n=5

LSC = D4 R
LIC = D3 R
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Límites de control para desviaciones estándar

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
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Página 341
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
Página 342
c
u
n
Donde u representa el número 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
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para límites de control en las cartas X-R son:
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
Página 343
Las constantes para límites 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
Página 344
Página 345

CEP en

Transféré par

Informations du document

Description originale:

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

CEP en

Transféré par

Droits d'auteur :

Formats disponibles

CONTROL ESTADÍSTICO DEL PROCESO

Con base en el Texto de Control Estadístico de la Calidad de

DR. PRIMITIVO REYES AGUILAR

Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12

1.7 ADMINISTRACIÓN POR CALIDAD TOTAL..................................................................................82

5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE..............................................205

8. MUESTREO DE ACEPTACIÓN POR VARIABLES 318

1. IMPORTANCIA DE LA MEJORA CONTINUA

1.1 CALIDAD Y MEJORAMIENTO

1. Desempeño (¿sirve el producto para el uso adecuado?)

2. Confiabilidad (¿qué tan frecuentemente falla el producto?)

3. Durabilidad (¿cuál es la vida útil del producto?)

4. Serviciabilidad (¿qué tan fácil se repara el producto?)

5. Estética (¿tiene el producto el estilo, color, forma, empaque y apariencia adecuada?)

6. Características (¿qué hace el producto más allá de su desempeño básico?)

7. Calidad percibida (¿cuál es la reputación de la empresa o del producto?)

8. Cumplimiento de estándares (¿el producto está hecho de acuerdo a estándares de diseño

Así la calidad tradicionalmente es adecuación al uso.

Dentro de la adecuación al uso existen la calidad de diseño y la calidad de conformancia. La de

Una definición más moderna es que la calidad es inversamente proporcional a la

De esta forma se define la mejora de calidad como:

LIE Objetivo LSE

Un tipo específico de no cumplimiento de especificaciones es llamado defecto o no

1. Físicos: Longitud, peso, voltaje, viscosidad

1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO

El “Fordismo” de Henry Ford: se implantó en empresas con líneas de productos durables en

Control de calidad por inspección

Control estadístico del proceso (CEP)

Entre las 7 herramientas estadísticas se encuentran: Diagrama de Ishikawa, Diagrama de Pareto,

Desarrollo del Control Estadístico del Proceso

Fig. 1.2 Experimentos de Shewhart para las cartas de control

Población con media m y desviación estándar  y cualquier distribución.

Conforme el tamaño de muestra se incrementa las muestras se distribuyen normalmente con

Fig. 1.3 Distribución de las medias muestrales - Normal

En general si las xi están distribuidas en forma idéntica y su distribución se asemeja a la normal, el

Teorema del límite central

El Teorema del Límite Central establece que la distribución de la variable:

La aproximación se mejora conforme se incrementa n, en general si las x i están distribuidas en

a) Proceso fuera de control b)Proceso en control

Fig. 1.4 Comportamiento de procesos en control y fuera de control 25

Llevando un control de proceso a través de histogramas no sería práctico y aprovechando sus

1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS

Figura 3.1 Las 7 herramientas estadísticas de calidad

Fig. 1.5 Las 7 herramientas estadísticas para la mejora y solución de problemas

Hoja de verificación o registro

Pasos para la elaboración de una hoja de verificación:

1. Determinar claramente el proceso sujeto a observación. Los integrantes deben enfocar su

Anotar frecuencia de ocurrencia de los eventos (con signos |, X, *, etc.)

Figura 1.6 Ejemplo de hoja de verificación o registro

Consejos para la elaboración e interpretación de las hojas de verificación

Ejercicio: Hacer hoja de registro con las antigüedades en la organización y concluir:

El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe a

Pasos para desarrollar el diagrama de Pareto:

Ejemplo de Diagrama de Pareto:

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 atención del personal 1 67 1.42 95.68

H) Maltrato del material por transportistas 1 68 1.42 97.7