Curso CEP2

CONTROL ESTADSTICO DEL PROCESO
Dr. P. Reyes / Octubre 2006
CONTROL ESTADSTICO
DEL PROCESO
DR. PRIMITIVO REYES AGUILAR

Octubre, 2006
Pgina 1

1. INTRODUCCIN
1.1 Historia del control estadstico del proceso
1.2 Mtodos estadsticos para la mejora de la calidad
10
2. MTODOS Y FILOSOFA DEL CEP
14
2.1 Conceptos bsicos y distribucin normal
15
2.2 Causas comunes y causas especiales
19
2.3 Bases estadsticas de las cartas de control
21
2.4 Implementacin del CEP
31
3. CARTAS DE CONTROL POR VARIABLES
33
3.1 Introduccin
34
3.2 Cartas de control de medias-rangos
34
3.3 Cartas de control medias-desviacin estndar
41
3.4 Cartas de control para lecturas individuales
44
3.5 Seleccin entre cartas por variables y por atributos
46
4. CARTAS DE CONTROL PARA ATRIBUTOS
48
4.1 Introduccin
49
4.2 Cartas de Control para fraccin no conforme - p
50
4.3 Cartas de Control np
55
4.4 Cartas de control P - Tamao de muestra variable
56
4.6 Cartas de Control para No Conformidades c y u
61
5. OTRAS CARTAS DE CONTROL ESPECIALES
73
5.1 Cartas de Control para corridas cortas
74
5.5 Cartas de Control para procesos de salida mltiple
76
5.6 Cartas de control Cu Sum
78
5.7 Cartas de control EWMA
81
5.8 Carta de control de Media Movil
82
Pgina 2
5.9 CEP Con datos correlacionados
84
5.10 Cartas de control multivariado
91
5.11 Cartas I-MR de diferencias
96
6. ANLISIS DE CAPACIDAD DEL PROCESO
97
6.1 Introduccin
97
6.2 ndices de capacidad
104
6.3 Capacidad del proceso con cartas de control
110
6.4 Capacidad de procesos con Minitab normales y no normales
113
6.5 Estudios de capacidad de sistemas de medicin
119
7. DISEO DE EXPERIMENTOS
274
7 .1 Introduccin
137
7.2 Diseos factoriales
138
Apndice 1. Frmulas de CEP
Pgina 3
Mdulo 1. Introduccin
Pgina 4
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Antecedentes
Control de calidad por inspeccin
Durante la primera guerra mundial el sistema de manufactura se volvi ms
complejo, involucrando a ms trabajadores reportando a un supervisor de
produccin, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la produccin, desligndose del
auto - control de calidad de los artculos que producan, esto tuvo auge entre los
aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el mercado. 1
Se establecen despus planes de muestreo militares, asumiendo que cualquier
proceso producir
defectos, los esfuerzos se enfocan a detectarlos, no a
prevenirlos. Los productos defectuosos, eran reprocesados o desechados,

incrementando los costos de produccin entre un 20 a 30% e incrementando el
precio final del producto al menos 20%, absorbiendo el cliente las ineficiencias de
la empresa. El departamento de Control de Calidad se convierte en el "polica de
la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa,
est formado por especialistas y tcnicos que se encargan principalmente de
detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control
Estadstico del Proceso como una siguiente etapa.
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
Pgina 5
Control estadstico del proceso (CEP)

CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableci mtodos de control de calidad ms rigurosos
que infundieran confianza en sus instrumentos y electrodomsticos, en 1924 se
form su departamento de Ingeniera de Inspeccin, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control 2.
Por otra parte H. Dodge y H.
Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig 3,
como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin

en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras probabilsticas, as como
a la falta de estadgrafos industriales, adecuadamente entrenados. 4
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

se conoce como Control Estadstico del Proceso. De esta forma con objeto de
hacer ms eficientes a las organizaciones de inspeccin, se proporciona a los
inspectores con unas cuantas herramientas estadsticas, tales como cartas de control y tablas de
muestreo5.
Se reduce el nivel de variacin del proceso hasta los lmites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medicin

formales desde los proveedores hasta el producto final y el proceso se
"estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada
por los crculos de control de calidad para la identificacin de problemas.
Duncan, Acheson, op. cit.p. 16.

Ibidem, p. 1
4
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p. 261.
5
Feigenbaum, A.V., op. cit., 1986, p. 16
3
Pgina 6
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

Manufactured Product, donde describe las cartas para el control estadstico del
proceso. En medio de los aos 30s los mtodos de control estadstico de calidad
se empezaron a aplicar en la Western Electric, brazo de manufactura de los
laboratorios Bell, sin embargo no fueron reconocidos estos mtodos ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de
control de procesos en la industria de la manufactura, la American Society for
Quality Control se form en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japn a dar seminarios sobre control estadstico de calidad a
sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente
es hasta la dcada de los ochenta cuando se voltea hacia los mtodos
estadsticos ya muy comunes en Japn dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General
Electric, Xerox, AT&T, etc., desarrollan e implantan una metodologa de calidad
total denominada Calidad 6 sigma con el objetivo de reducir los errores y defectos
a un mximo de 3.4 partes por milln (ppm), donde una de las herramientas clave
es el control estadstico del proceso, que permite obtener ahorros de costos muy
importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Pgina 7
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Desarrollo del Control Estadstico del Proceso

W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.6
* * *
**
***
**
**
***
**
Distribucin de promedios
de las muestras
Universo
Fig. 1.1 Experimentos de Shewhart para las cartas de control

Encontr que las medias de las muestras correspondan
a las medias de la
poblacin y que la desviacin estndar de las medias de las muestras se

relacionaban con la desviacin estndar de la poblacin, como sigue:
6
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 8
__
(1.1)
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.

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

en media y variabilidad
b)Proceso en control
en media y esv. est.
Fig. 1.2 Comportamiento de procesos en control y fuera de

control7
Llevando un control de proceso a travs de histogramas no sera prctico y
aprovechando sus hallazgos del comportamiento de las medias Shewhart sugiri
llevar un control del proceso tomando muestras no de 50 piezas, sino de slo 5
consecutivas, monitoreando el comportamiento del proceso a travs de las cartas
de control de Shewhart, la media del proceso con las medias de las muestras y la
variabilidad con su rango. Tomado lmites de control establecidos a 3 de
medias o rangos.
7
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 9
1.3 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de
experimentos y el muestreo estadstico, adems de las herramientas estadstica
para la solucin de problemas en planta por grupos de trabajo o Crculos de
calidad.
CARTAS DE CONTROL
LSC
LC
LIC
LSC = Lmite superior de control
LC
= Lnea central
LIC = Lmite inferior de control

Fig.
1.3
Carta
de
control
de
Shewhart
sus
lmites
de
control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 10
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1
X2
INSUMOS DEL PROCESO
XP
CARACT.DE CALIDAD
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.4 Proceso de produccin, entradas y salidas

El principal mtodo para disear experimentos es el diseo factorial, en el cual los
factores son variados de tal forma de probar todas las posibles combinaciones de
los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza
durante el desarrollo de los productos o procesos, ms que durante su fabricacin.
Pgina 11
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e
inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
-
El costo de evaluacin es menor que con la inspeccin al 100%
Se puede aplicar ms fcilmente cuando se trata de realizar pruebas

destructivas.
Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que

con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:

-
Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad

finita de encontrar productos defectivos en la muestra.
Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
No se garantiza que los lotes aceptados estn libres de defectivos.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
Pgina 12
El muestreo de aceptacin tiende a reforzar el apego o conformancia a

especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Fig. 1.5 Evolucin de la aplicacin de mtodos estadsticos
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
Pgina 13
Mdulo 2. Mtodos y filosofa del CEP
Pgina 14
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO

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

0 y desviacin estndar = 1.
El rea bajo la curva o la probabilidad desde ms menos infinito vale 1.
La distribucin normal es simtrica, cada mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
Pgina 15
La forma y la posicin de una distribucin normal dependen de los parmetros
y , en consecuencia hay un nmero infinito de distribuciones normales.
TEOREMA DEL LMITE CENTRAL

La distribucin normal tiene muchas propiedades tiles, una de estas se refiere al
comportamiento de las medias de las muestras de una poblacin no
necesariamente normal, se aproxima a la distribucin normal conforme n tiende a
aumentar. Es decir que las medias de las muestras de tamao n aleatorias e
independientes tienden a distribuirse normalmente, independientemente de la
distribucin de las variables individuales.
Por ejemplo tomando 300 datos individuales se tiene:
Fig. 2.2
Distribucin de la poblacin No normal
Seleccionando muestras de tamao n y calculando la X-media o promedio en cada

una se tiene:
Pgina 16
Poblacin con media y desviacin estndar y cualquier distribucin.
X1
X2
X-media 1
X-media 2
X3
X-media 3
Conforme el tamao de muestra se incrementa las muestras se distribuyen

normalmente con media de medias y desviacin estndar de las medias de las
muestras / n. Tambin se denomina Error estndar de la media.
Fig. 2.3
Distribucin de las medias muestrales
En general si las xi estn distribuidas en forma idntica y su distribucin se

asemeja a la normal, el teorema del lmite central trabaja bien para n>=3 o 4,
condiciones propicias para el control estadstico de los procesos.
Pgina 17
Comprobacin en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
COMPROBACIN DEL TEOREMA DEL LMITE CENTRAL
Paso 1. Hacer una sola columna de datos en Datos (C1)
1.
2.
3.
4.
Manip > Stack > Stack columns

Stack the following columns X1-X5
Seleccionar Column in current worksheet Datos
OK
Paso 2. Hacer un histograma de 5 celdas con la columna Datos

1.Graph > Histogram Graph variables 1 Datos
2.Options seleccionar Cut Point Number of intervals Automatic
3. OK OK
Hacer comentarios
Paso 3. Hacer prueba de normalidad con la columna Datos
1.Stat > Basic statistics > Normality test

2.Seleccionar Variable Datos Seleccionar Anderson Darling
3. OK OK
Hacer comentarios
Paso 4. Calcular en Medias (C7) el promedio de los datos de cada rengln

1.Calc > Row statistics Seleccionar Mean
2.Input Variables X1 X2 X3 X4 X5
3. Store Results in Medias
4. OK
Paso 5. Hacer un histograma de 5 celdas con la columna Medias

1.Graph > Histogram Graph variables 1 Medias
2.Options seleccionar Cut Point Number of intervals 7
3. OK OK
Hacer comentarios
Pgina 18
2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES

La variabilidad natural siempre existe en cualquier proceso de produccin, no
importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Fig. 2.4
Proceso en control, solo causas comunes presentes
De la figura cuando el proceso est en control, la mayor parte de la produccin se

encuentra dentro de los lmites de control (LSC y LIC). Sin embargo cuando el
proceso est fuera de control, una gran proporcin del proceso se encuentra fuera
de estos lmites.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6Ms (medio
ambiente, mtodos, mediciones). Esta variabilidad es muy grande en relacin con
la variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadstico.
Pgina 19
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas

especiales para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para esto se utilizan las cartas de control en lnea,
permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la
reduccin continua de la variabilidad hasta donde sea posible.
Pgina 20
Fig. 2.5
Proceso fuera de control, por causas especiales o
asignables a las 6Ms presentes
2.3 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL

Una carta tpica representando un proceso en control estadstico se muestra a
continuacin. Contiene una lnea central que representa el valor promedio de la
caracterstica de calidad correspondiente al estado en control y dos lneas
adicionales llamadas lmites inferior y superior de control (LIC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
Tiempo
LIC
Fig. 2.6 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un alto
riesgo de situacin fuera de control si los puntos se agrupan es forma sistemtica
dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
Pgina 21
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II o beta de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de control.
Se puede definir un modelo general para una carta de control, si w es un
estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw
(2.1)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central
expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de
su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
Pgina 22
DISTRIBUCION
DE LOS VALORES
INDIVIDUALES =.01
DISTRIBUCION
DE LAS MEDIAS
X 0.0045
COMPORTAMIENTO DEL PROCESO

LSC = 74.0135, LC = 74, LIC = 73.9865
Fig. 2.7 Comparacin de la variabilidad de la poblacin y la

de las medias y operacin de la carta de control
El proceso de mejora usando la carta de control requiere la accin de la
supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las
causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control OCAP, activado con la ocurrencia de cada
evento. Incluye Puntos de chequeo que son causas potenciales asignables y
acciones que resuelven la situacin fuera de control. Este documento OCAP es un
documento vivo que debe ser actualizado constantemente.
Pgina 23
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
Deteccin de causa
y seguimiento
asignable
Implantar
Identificar causa
Accin
raz del problema
Correctiva OCAP
Fig. 2.8 Proceso de mejora utilizando la carta de control

Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real
en alguna escala de medicin continua, se denomina una variable. En tales casos
se utilizan cartas de control de valores individuales o medias, que describan la
tendencia central y cartas de control basadas en rango o desviacin estndar para
controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala continua,
en esos casos se puede juzgar cada producto como conforme o como no
conforme sobre la base de que posea o no ciertos atributos, o se pueden contar el
nmero de no conformidades o defectos que aparecen en una unidad de producto.
Las cartas de control para tales caractersticas de calidad, se denominan cartas de
control por atributos.
Pgina 24
Un factor importante en la aplicacin de cartas de control es su diseo, es decir la

seleccin de tamao de muestra, lmites de control y frecuencia de muestreo.
Para la carta de control por variables del ejemplo se utiliz una muestra de 5
partes, lmites de control a 3-sigma y una frecuencia de muestreo cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo II,
aunque el diseo de la carta de control tambin debe tomar consideraciones
econmicas considerando los costos de muestreo, prdidas por fabricar productos
defectuosos y costo de investigar indicaciones fuera de control que son falsas
alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad
exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia
de haberse extrado de una poblacin estable (normal u otra), en anlisis de series
de tiempo se denomina ruido blanco. En este caso los datos pasados histricos
no dicen nada en relacin a predecir su comportamiento futuro.
3. Procesos estacionarios con datos correlacionados: las observaciones
sucesivas de estos datos son dependientes; es decir un valor por arriba de la
media tiende a ser seguido por otro valor arriba de la media y viceversa, esto
produce corridas lentas y largas en algn lado de la media.
4. Procesos no estacionarios: ocurren en los procesos qumicos e industrias de
proceso, los procesos son muy inestables y tienen corridas inestables alrededor
Pgina 25
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de si no esta mal, no lo arregles, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
Pgina 26
a una distancia de 3.09-sigmas, Estos lmites de control se denominan lmites

probabilsticos a 0.001.
Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de la
lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la sensibilidad
de la carta de control para identificar corrimientos de la media del proceso, en
forma ms rpida. Si un punto cae fuera de los lmites preventivos, Una
desventaja es que crean confusin con el personal y se incrementa el riesgo de
error tipo I (falsas alarmas).
TAMAO DE MUESTRA Y FRECUENCIA DE MUESTREO
Al disear una carta de control, se debe especificar tanto el tamao de muestra
como la frecuencia de muestreo.
Para un proceso en control estadstico habr un punto fuera de control normal por
cada 370 puntos para lmites a tres sigma.
Las muestras se toman de manera ms frecuente a la ocurrencia de cambios en el
proceso registrados en bitcoras (cambio de turno, cambio de materiales, ajustes,
fallas, etc.), con objeto de detectar las causas de situaciones fuera de control.
Fecha
9/10/2006
9/10/2006
Hora
9:15AM
10:15AM
Cambio
Cambio de turno
Apagn de energa
Fig. 2.9 Bitcora de cambios en el proceso
Pgina 27
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6
productos consecutivos de produccin, minimizando diferencias dentro del
subgrupo. En los procesos qumicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL
Puntos fuera de control: Una carta de control indicar una condicin fuera de
control cuando uno o ms puntos caigan ms all de los lmites de control o
cuando los puntos graficados formen un patrn no aleatorio de comportamiento.
Fig. 2.10 Proceso con puntos fuera de control
Pgina 28
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las

cartas de control (ascendentes o descendentes), se considera que 7 puntos o ms
indican una situacin fuera de control.
Fig. 2.11 Proceso fuera de control por tendencias

Corrimiento en la media del proceso: Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 2.12 Patrn de anormalidad con corrimiento en media
Estratificacin: Se muestra como una adhesin a la media, puede ser causado
por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.
LSC
LC
LIC
Fig. 2.13 Patrn de anormalidad de estratificacin
Pgina 29
Patrones cclicos: Otro patrn de inestabilidad se presenta cuando el

comportamiento del proceso muestra patrones cclicos.
LSC
LC
LIC
Fig. 2.14 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LIC
Fig. 2.15 Patrn de anormalidad con mezcla de lotes
Para reconocer un patrn de comportamiento no slo se requiere conocer las
tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para
detectar patrones no aleatorios en las cartas de control:
Pgina 30
1. Un punto fuera de los lmites de control de 3-sigma.

2. Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma.
3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1sigma o ms all a partir de la lnea central.
4. Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son:
5. Siete puntos formando una tendencia creciente o decreciente.
6. Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea
central (adhesin a la media).
7. Catorce puntos en un rengln alternndose arriba y abajo.
8. Siete puntos que se encuentren ms all de 1-sigma de la lnea central.
9. Un patrn no usual o no aleatorio de datos.
10. Uno o ms puntos cerca de los lmites preventivos.
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se
pueden tener muchas falsas alarmas quitndole efectividad al programa del CEP.
2.5 IMPLEMENTACIN DEL CEP

El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta
exitosamente, ya que permite la mejora continua a travs de la reduccin de la
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora
continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as
como evaluar los avances y comunicarlos a la organizacin, lo cual puede motivar
a mejorar otros procesos.
Pgina 31
Los elementos recomendados para un programa de CEP exitoso son:

1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 32
Mdulo 3. Cartas de control para

variables
Pgina 33
3. CARTAS DE CONTROL POR VARIABLES

3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS

Asumiendo que una caracterstica de calidad est distribuida normalmente con
media y desviacin estndar ambas conocidas. Si x1, x2, .... xn forman una
muestra de tamao n entonces se puede calcular la media de la muestra X .
Ahora como las medias de las muestras estn normalmente distribuidas con
media
Xi
= /
, y siendo que la probabilidad 1- de que cualquier media
muestral caer entre los lmites:

Z / 2 X Z / 2
Z / 2 X Z / 2
(3.1)
Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero si

estable.
Pgina 34
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras

preliminares o subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente. Si
se tienen m subgrupos, la gran media se calcula como sigue:
m
X
i 1
(3.2)
Representa la lnea central de la carta de medias.

Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
R = xmax xmin
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R
i 1
(3.4)
DESARROLLO DE LA FORMULA PARA LOS LMITES DE CONTROL

La variable W de rango relativo relaciona al rango con la desviacin estndar
como sigue:
W=R/
(3.5)
Los parmetros de la distribucin de W son funcin de n. La media de W es d2.

Por tanto un estimador de es R / d2 , donde d2 est tabulado para diferentes
valores de n, de esta forma si R es el rango promedio de las primeras muestras,
usando:

R
d2
(3.6)
Pgina 35
Los lmites de control de la carta de medias son:

LSC X
LIC X
3R
Lmite superior de control (LSC)
d2 n
3R
Lmite inferior de control (LIC)
d2 n
(3.7)
Lnea central (LC)
A2
Si de define a
3R
d2 n
se tienen las ecuaciones siguientes:
LSC = X + A2 R
(3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Para el caso de los rangos, la lnea central es R . El estimador para R puede
hallarse de la distribucin del rango relativo W = R / , si la desviacin estndar de
W es d3 en funcin de n, se tiene:
R=W
(3.9)
La desviacin estndar de R es:

R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R d3
R
d2
(3.10)
De esta forma los lmites de control para el rango son:

d3
R
LSC = R + 3 R = R + 3 d 3
= R [ 1+ 3
] = D4 R
d2
d2
(3.11)
d3
R
LIC = R - 3 R = R - 3 d 3
= R [ 1- 3
] = D3 R
d2
d2
Pgina 36
Donde las constantes A2, d2 D3 y D4 se encuentran tabuladas en funcin de n para

facilitar el clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R
n
2
3
4
5
6
7
8
9
10
A2
1.88
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
D4
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Para valores pequeos de n, el rango es un buen estimador de la varianza tal

como lo hace la varianza de la muestra S 2. La eficiencia relativa del mtodo del
rango a la S2 se muestra abajo:
n
1
2
3
4
5
6
Eficiencia
1.000
0.992
0.975
0.955
0.930
0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad
para
realizar
la
medicin
con
un
error
por
Repetibilidad
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
Pgina 37
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y
grafican los lmites de control preliminares para determinar si el proceso estuvo en
control (ver procedimiento de Grficas de Control). Para probar esta hiptesis, se
analizan todos los puntos graficados y se hace un anlisis para identificar si hay
puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de
anormalidad presente, se determina la causa especial de la anormalidad, se
toman acciones correctiva para que no vuelva a presentar, se eliminan los puntos
correspondientes al patrn de anormalidad y se re-calculan o revisan los lmites de
control. Se analiza la carta de control para observar un comportamiento aleatorio,
si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez teniendo
todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de
anormalidad o puntos fuera de control, no se eliminan y se consideran para la
determinacin de los lmites de control revisados para el control futuro del proceso.
Carta X media Rango en Minitab:
0. File > Open Worksheet Cartas_variables
1. Stat > Control Charts > X bar R
2. Single column Supp2 Subgroup size 5
Pgina 38
3. Test Seleccionar Perform all eight tests

4. OK
esta el proceso en control estadstico?
Xbar/R Chart for Supp2
Sample Mean
603
UCL=602.4
602
601
Mean=600.2
600
599
LCL=598.1
598
Sample Range
Subgroup
10
20
9
8
7
6
5
4
3
2
1
0
UCL=7.866
R=3.72
LCL=0
Figura 3.1 Carta de control de medias rangosfuera de control

Como el proceso no est en control estadstico se procede a identificar las causas,
tomar acciones preventivas y se eliminan los puntos fuera de control.
5. Eliminar los puntos fuera de control (66 - 70) y (6 - 10)
asumiendo identificacin de causas y toma de acciones preventivas
6. Control-E
7. OK
Xbar/R Chart for Supp2
Sample Mean
602.5
UCL=602.1
601.5
600.5
Mean=599.9
599.5
598.5
LCL=597.7
597.5
Sample Range
Subgroup
10
20
9
8
7
6
5
4
3
2
1
0
UCL=8.106
R=3.833
LCL=0
Pgina 39
Figura 3.2 Carta de control de medias rangos en control

Correr las opciones siguientes:
8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Xbar/R Chart for Supp2 by Grupo

1
603.5
2
UCL=603.1
602.5
Sample Mean
601.5
Mean=600.7
600.5
599.5
598.5
LCL=598.2
597.5
Subgroup
Hora
Sample Range
10
10
20
6:00:00
4:00:00
2
UCL=9.008
R=4.26
LCL=0
Figura 3.3 Carta de control de medias rangos por grupo

INTERPRETACIN DE CARTAS DE CONTROL X R
Se debe iniciar con la interpretacin de la carta R, identificando causas especiales
y despus analizar la carta X .
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.
Ejercicio 3.1: Repetir el procedimiento de cartas Medias Rangos con Lenght
Pgina 40
3.3 CARTAS DE CONTROL PARA X y S

Estas cartas de control son recomendadas cuando:
1. El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango
pierde eficiencia por no tomar en cuenta valores intermedios).
2. El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en lugar
del rango R en cada subgrupo se calcula la desviacin estndar S.
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Para la carta S se tiene:
Para la carta X se tiene:
LSCs = c4 + 3 1 c 4 = B6
LSCX = + A
LCs
= c 4
(3.12)
LC =
LICs = c4 - 3 1 c 4 = B5
LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede
estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
1 m
Si
m i 1
(3.13)
Pgina 41
__
S
c4
(3.14)
Como el estadstico S /c4 es un estimador insesgado de , los parmetros de la

carta sern los siguientes:
LSCs = S 3
S
c4
1 c 42 = B4 S
(3.15)
LCs = S
LICs = S 3
S
c4
1 c 42 = B3 S
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3
= X + A3 S
c4 n
(3.16)
LCx = X
S
LICx = X - 3
= X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la
tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S
n
5
6
7
8
9
10
11
12
13
14
15
16
17
c4
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
A
1.3420
1.2250
1..134
1.0610
1.0000
0.9490
0.9050
0.8660
0.8320
0.8020
0.7750
0.7500
0.7280
A3
1.4270
1.2870
1.1820
1.0990
1.0320
0.9750
0.9270
0.8860
0.8500
0.8170
0.7890
0.7630
0.7390
Pgina 42
B3
0.0000
0.0300
0.1180
0.1850
0.2390
0.2840
0.3210
0.3540
0.3820
0.4060
0.4280
0.4480
0.4660
B4
2.0890
1.9700
1.8820
1.8150
1.7610
1.7160
1.6790
1.6460
1.6180
1.5940
1.5720
1.5520
1.5340
B5
0.0000
0.0290
0.1130
0.1790
0.2320
0.2760
0.3130
0.3460
0.3740
0.3990
0.4210
0.4400
0.4580
B6 .
1.9640
1.8740
1.8060
1.7510
1.7070
1.6690
1.6370
1.6100
1.5850
1.5630
1.5440
1.5260
1.5110

18
19
20
21
22
23
24
25
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
0.7070
0.6880
0.6710
0.6550
0.6400
0.6260
0.6120
0.6000

0.7180
0.6980
0.6800
0.6630
0.6470
0.6330
0.6190
0.6060
0.4820
0.4970
0.5100
0.5230
0.5340
0.5450
0.5550
0.5650
1.5180
1.5030
1.4900
1.4770
1.4660
1.4550
1.4450
1.4350
0.4750
0.4900
0.5040
0.5160
0.5280
0.5390
0.5490
0.5590
1.4960
1.4830
1.4700
1.4590
1.4480
1.4380
1.4290
1.4200
Corrida con Minitab:

1. Stat > Control Charts > X bar S
2. Single column Supp1 Subgroup size 10
3. Test Seleccionar Perform all eight tests

4. OK
esta el proceso en control estadstico?
Xbar/S Chart for Supp1

1
Sample Mean
602
601
UCL=600.6
600
Mean=599.8
599
Subgroup
LCL=599.0
0
Sample StDev
10
2
UCL=1.443
1
S=0.8409
LCL=0.2386
Figura 3.4 Carta de control de medias desviaciones estndar

X-S
Si no est en control identificar causas, tomar acciones y recalcular lmites de
control.
Hacer una corrida por grupos indicando la hora en Minitab:
1. Control E
8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Pgina 43
Xbar/S Chart for Supp1 by Grupo

1
Sample Mean
602
601
UCL=600.1
600
Mean=599.5
599
Subgroup
LCL=599.0
0
Hora
Sample StDev
10
0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
2
1
UCL=0.9137
S=0.5323
LCL=0.1510
Figura 3.5 Carta de control de medias desviaciones estndar

X-S por grupo y estampando la hora.
3.4 CARTAS PARA LECTURAS INDIVIDUALES

Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1. Cuando hay inspeccin automtica de piezas individuales.
2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de
ms de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de
medicin de laboratorio) como en procesos qumicos.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los
rangos mviles se empiezan a calcular a partir de la segunda muestra como MR i
=
X i X i 1
Para este caso, los lmites de control para la carta X son:
LSCx = X 3
MR
d2
Pgina 44
__
LCx
LICx = X 3
(3.17)
MR
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se
construye una carta de lecturas individuales, donde el rango
se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m =
nmero de subgrupos.
I and MR Chart for X-ind.
Individual Value
35
UCL=34.80
34
Mean=33.52
33
LCL=32.24
32
Moving Range
Subgroup
10
15
UCL=1.571
1.5
1.0
0.5
R=0.4807
0.0
LCL=0
Figura 3.6 Carta de control de lecturas individuales y rango

mvil I-MR
El proceso est en control estadstico.
Ejercicio 3.3 Hacer una corrida de carta I-MR en Minitab con Supp2
Ejercicio 3.4 Hacer cartas de control con datos reales de las plantas
generadoras.
Pgina 45
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR

ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el CEP multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p
requiere un tamao de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman ms tiempo. Esta consideracin es
importante para el caso de pruebas destructivas.
GUA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, aplicando la carta de control (OCAP).
5. Seleccionar el sistema de coleccin de datos y software de CEP.
Pgina 46
SELECCIN DE LA CARTA DE CONTROL ADECUADA

A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente crnico.
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 operacin.
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 ante el gobierno
8. Mejora de procesos de proveedores. Reducir su variabilidad a travs de centrar
su proceso y tomar acciones correctivas.
9. Seleccin de equipo productivo a travs de demostracin de su capacidad
antes de su embarque.
B. Se prefiere una carta por atributos en las situaciones siguientes:
1. Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
2. El proceso es una operacin de ensamble compleja y la calidad se evala por
la ocurrencia de no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeo del proceso para revisin ejecutiva.
Pgina 47
Mdulo 4. Cartas de control para

atributos
Pgina 48
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIN
Muchas caractersticas de calidad no pueden ser representadas numricamente,
denominndose atributos. En tales casos cada artculo o servicio completo se
clasifica como conforme o no conforme a especificaciones y/o estndares , es
decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Fig. 4.1 Cuando el producto no es funcional es no conforme,

defectivo o defectuoso. Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p
de fraccin defectiva o la np para el nmero de defectivos o de no conformes. Se
aplica a productos simples (tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se
observan en un producto, se utiliza la carta de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante.
Se aplica a productos complejos (coches, TV, cmaras de video, escritorios,
refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a
los estndares establecidos o a las especificaciones.
Fig. 4.2 El producto puede ser funcional pero puede tener

defectos o no conformidades, que pueden ser corregidas con
retrabajo o no se pueden corregir y ser desperdicio.
Pgina 49
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p

La fraccin no conforme es la relacin entre el nmero de artculos discrepantes
entre el total de artculos, se expresa como fraccin decimal, aunque tambin se
puede expresar en porcentaje. El artculo o servicio puede tener varias
caractersticas de calidad que son examinadas por un inspector, si el artculo no
est de acuerdo a los estndares, se le considera como defectuoso o no
conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre
el nmero de unidades no conformes D al tamao de muestra n, o sea:
pi
Di
ni
(4.1)
La distribucin de este estadstico sigue la distribucin binomial por tanto:

__
(4.2)
2p
p(1 p )
n
(4.3)
Del modelo general para la carta de control de Shewhart, si w es un estadstico

2
que mide una caracterstica de calidad, con media w y varianza w , los lmites
de control son:
LSC = w + Lw
LC = w
(4.4)
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn
usar L = 3.
Pgina 50
Por tanto los lmites de control de la carta p considerando L = 3 son:

__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
(4.5)
__
__
LICp = p 3 p (1 p )
n
__
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin

defectiva pi y se grafica en la carta, mientras no se observe ningn patrn
anormal y pi se localice dentro de lmites de control, se puede concluir que el
proceso est en control, de otra forma, se concluir que la fraccin no conforme se
ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos
observados en m muestras iniciales, cada una de tamao n, por lo general se
toman 20 a 25 de estas. As si Di son unidades no conformes en la muestra i , la
fraccin defectiva de la muestra i - sima estar dada como:
pi = D i / n
i = 1, 2, 3,....., m
(4.6)
y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m
Di
i 1
mn
p
i 1
(4.7)
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 51
recurrencia, los puntos correspondientes a la situacin fuera de control se eliminan

y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para un servicio de mantenimiento se tomaron
datos de 30 muestras de 50 servicios contabilizando las
quejas en cada uno como sigue:
Servicio
No
conformes
Servicio
No
conformes
Servicio
No
conformes
1
2
3
4
5
6
7
8
9
10
12
15
8
10
4
7
16
9
14
10
11
12
13
14
15
16
17
18
19
20
5
6
17
12
22
8
10
5
13
11
21
22
23
24
25
26
27
28
29
30
20
18
24
15
9
12
7
13
9
6
Como
en
total
se
conformes, se estima
m
encontraron
p
347
quejas
como sigue:
Di
i 1
mn
p
i 1
347
= 0.2313
(30)(50)
Los lmites de control usando Minitab son:

LSCp = 0.4102
LCp
= 0.2313
LICp
= 0.0524
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Esta en control estadstico?
Si no eliminar puntos fuera de control y recalcular lmites de control
Pgina 52
servicios
no
P Chart for No confo

1
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
Fig. 4.3 Carta de control P para la fraccin de servicios no

conformes.
De la carta de control se observa que las muestras 15 y 23
estn fuera de los lmites de control, de tal forma que el
proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la
muestra 15 corresponde a el cambio de un nuevo mtodo el cual
fue diferente y que la muestra 23 corresponde a un operador
sin experiencia asignado temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de
las
causas
anteriores
calculando
nuevos
lmites
preliminares con los puntos 15 y 23 eliminados, se tiene con

Minitab:
LSCp = 0.3893
LCp
= 0.2150
Pgina 53
LICp
= 0.0407

1
0.4
UCL=0.3893
Proportion
0.3
P=0.215
0.2
0.1
LCL=0.04070
0.0
0
10
20
30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:
0.4
UCL=0.3804
Proportion
0.3
P=0.2081
0.2
0.1
LCL=0.03590
0.0
0
10
20
30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Ahora el proceso est en control estadstico y es normal.
Pgina 54
4.3 CARTA DE CONTROL np

En lugar de tener fracciones no conformes, si el tamao de muestra es constante,
se pueden utilizar directamente el nmero de artculos defectivos o no conformes
np, para evitarle operaciones aritmticas al operador, los parmetros de esta carta
son:
LSC np np 3 np (1 p )
LC np np
(4.12)
LIC np np 3 np (1 p )
Si no se conoce el valor de p, se puede estimar con la
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de

graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5 Con los datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
NP Chart for No confo
Sample Count
20
UCL=19.02
NP=10.41
10
LCL=1.795
0
0
10
20
30
Sample Number

conformes
Pgina 55
4.4 TAMAO DE MUESTRA VARIABLE

En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin
100% de los servicios proporcionados en un periodo de tiempo, por tanto la
muestra ser variable. Se tiene varios mtodos para llevar una carta de control:
Mtodo 1. Lmites variables
Se calculan lmites de control para cada muestra en base en la fraccin defectiva
promedio p y su tamao de muestra con p 3 p(1 p) / ni . La amplitud de los
lmites es inversamente proporcional a la raz cuadrada del tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin
diaria, registrando la produccin total y los defectivos del
da.
n-var
nodef
Fra-def
LSC
100
80
80
12
8
6
0.12
0.1
0.075
0.183686
0.194093
0.194093
100
0.09
0.183686
110
10
0.090909
0.179582
110
12
0.109091
0.179582
100
11
0.11
0.183686
100
16
0.16
0.183686
90
10
0.111111
0.188455
90
0.066667
0.188455
110
20
0.181818
0.179582
120
15
0.125
0.176003
120
0.075
0.176003
120
110
8
6
0.066667
0.054545
0.176003
0.179582
Pgina 56
LIC
0.007334
7
-0.003073
-0.003073
0.007334
7
0.011438
2
0.011438
2
0.007334
7
0.007334
7
0.002565
1
0.002565
1
0.011438
2
0.015017
3
0.015017
3
0.015017
3
0.011438
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
80
80
80
8
10
7
0.1
0.125
0.0875
0.194093
0.194093
0.194093
90
0.055556
0.188455
100
0.08
0.183686
100
0.05
0.183686
100
0.08
0.183686
100
10
0.1
0.183686
90
0.066667
0.188455
2
-0.003073
-0.003073
-0.003073
0.002565
1
0.007334
7
0.007334
7
0.007334
7
0.007334
7
0.002565
1
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
La fraccin defectiva media se calcula como sigue:

25
D
i 1
25
n
i 1
234
0.096
2450
Y los lmites de control se calculan como sigue:

LSCp= p 3 p 0.096 3
(0.096)(0.904)
ni
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
ni

2. Variable Nodef Subgroups in n-var
3. OK
Pgina 57
P Chart for nodef
Proportion
0.2
UCL=0.1882
0.1
P=0.09534
0.0
LCL=0.002468
0
10
15
20
25
Sample Number

Se observa que la muestra 11 est fuera de control.
Cuando se toman lmites de control variables, el anlisis de patrones de
anormalidad no tiene sentido ya que la desviacin estndar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
Mtodo 2. Tamao de muestra promedio
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
m
n
i 1
2450
98
25
Con lmites de control basados en n 98 :

LSCp= p 3 p 0.096 3
(0.096)(0.904)
0.185
98
LC = 0.096
Pgina 58
LICp= p 3 p 0.096 3
(0.096)(0.904)
0.007
98

2. Variable Nodef Subgroups size 98
3. OK
Otra vez de la grfica se observa que el punto 11 est fuera de control.

P Chart for nodef
1
0.2
Proportion
UCL=0.1848
0.1
P=0.09566
LCL=0.006529
0.0
0
10
15
20
25
Sample Number
Fig. 4.8 Carta de control P con n promedio

Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la
carta de control estandarizada, la lnea central es cero y los lmites de control
estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
Zi
pi p
p (1 p )
ni
(4.13)
Pgina 59
donde p (o
si no hay estndar) es la fraccin defectiva media del proceso en su
condicin de control estadstico; pi , ni son datos de la muestra.

Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta
estandarizada, con Minitab graficando Z estandarizada.
1. Stat > Control Charts > I Chart
2. Variable Z-Estand
3. Historical Mean 0 Historical sigma 1
4. OK
n-var
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
100
100
100
100
90
90
nodef
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
9
Frac.def
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.08
0.05
0.08
0.1
0.066667
0.1
LSC
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.183686
0.183686
0.183686
0.183686
0.188455
0.188455
Pgina 60
LIC
0.0073347
-0.003073
-0.003073
0.0073347
0.0114382
0.0114382
0.0073347
0.0073347
0.0025651
0.0025651
0.0114382
0.0150173
0.0150173
0.0150173
0.0114382
-0.003073
-0.003073
-0.003073
0.0025651
0.0073347
0.0073347
0.0073347
0.0073347
0.0025651
0.0025651
Desv-est.
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
0.0309817
Z-Estand
0.81655
0.12172
-0.63905
-0.20414
-0.18166
0.46713
0.47632
2.17748
0.48774
-0.94679
3.06231
1.08084
-0.78268
-1.09326
-1.47925
0.12172
0.8825
-0.25866
-1.30543
-0.54437
-1.56506
-0.54437
0.13609
-0.94679
0.12911
I Chart for Z-Estand

4
1
Individual Value
UCL=3
2
1
0
Mean=0
-1
-2
-3
LCL=-3
-4
0
10
15
20
25
Observation Number
Fig. 4.9 Carta de control P estandarizada

En todos los casos el punto 11 est fuera de los lmites de control. Con lmites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
identificar curva caracterstica de operacin, lo que no puede hacerse con la carta
de lmites de control variables.
4.6
CARTAS DE CONTROL PARA NO CONFORMIDADES
(DEFECTOS) c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con
la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de
tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
Pgina 61
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia

de una no conformidad en cualquier localizacin sea pequea y constante.
Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMAO DE MUESTRA CONSTANTE - CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es conveniente
registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspeccin de acuerdo a la distribucin de Poisson, o sea:
p( x )
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
LSCc =
c +3
c
LICc = c - 3
LCc =
(4.16)
c
en el caso que sea negativo toma el valor cero.
Si no hay estndar definido c se estima con el promedio de no conformidades

observadas en una muestra preliminar inspeccionada, o sea con c , en este caso
los parmetros de la carta son:
LSCc = c + 3
LCc = c
LICc = c - 3
(4.17)
c
en el caso que sea negativo toma el valor cero
Pgina 62
Cuando no hay datos histricos, se calculan lmites de control preliminares.

Ejemplo 4.8 Para el nmero de no conformidades observadas en
26
unidades
de
inspeccin
sucesivas
de
100
muestras
de
circuitos impresos, se obtuvieron los datos siguientes:

Defectos
Defectos
21
24
16
12
15
5
28
20
31
25
20
24
15
16
19
10
17
13
22
18
39
30
24
16
19
17
Donde,
LSC = 33.22
LC =
516 / 26 = 19.85 = c
LIC = 6.48
De la carta de control preliminar, se observa que hay 2
puntos fuera de control, el 6 y el 20.
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
Pgina 63
C Chart for Defectos

1
40
Sample Count
UCL=33.21
30
20
C=19.85
10
LCL=6.481
1
0
0
10
20
Sample Number
Fig. 4.10 Carta de control C de nmero de defectos fuera

control
Una investigacin revel que el punto 6 fue debido a que un
inspector nuevo calific los circuitos impresos pero no tena
la suficiente experiencia, fue entrenado. El punto 20 fue
causado por una falla en el control de temperatura de la
soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se
recalculan los lmites de control.
35
Sample Count
UCL=32.97
25
C=19.67
15
LCL=6.363
5
0
10
15
20
25
Sample Number
Fig. 4.11 Carta de control C de nmero de defectos en control
Pgina 64
Como el proceso ya se encuentra en control estadstico, estos

lmites se tomarn como base para el siguiente periodo, donde
se tomaron 20 unidades de inspeccin adicionales.
n
Defectos
16
18
12
15
24
21
28
20
25
19
18
21
16
22
19
12
14
9
16
21

35
Sample Count
UCL=31.84
25
C=18.82
15
LCL=5.808
5
0
10
15
20
25
30
35
Sample Number
Fig. 4.12 Carta de control C con datos del siguiente periodo

Se observa en la grfica que no se tienen puntos fuera de
control,
sin
embargo
el
promedio
de
requiere la accin de la administracin.
Pgina 65
defectos
es
alto,
Haciendo un anlisis de Pareto de los principales defectos se observ que el

principal defecto de soldadura insuficiente y soldadura fra, acumulan el 69% del
total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.
Fig. 4.13 Grfica de Pareto de los defectos principales

Puede ser necesario estratificar el problema identificando en que modelo de
circuito impreso se presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las
diferentes fuentes de no conformidades.
Pgina 66
Fig. 4.14 Diagrama de Ishikawa para resolver el problema

SELECCIN DEL TAMAO DE MUESTRA
Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no
conformidades o defectos, sin embargo esto tambin depende de consideraciones
econmicas y del proceso, si en lugar de tomar 1 unidad de inspeccin, se toman
n unidades de inspeccin, entonces los nuevos lmites de control se pueden
calcular por los siguientes mtodos:
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspeccin anterior):
LSC nc nc 3 nc
LC nc nc
(4.18)
LIC nc nc 3 nc
Pgina 67
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSC nc nc 3 nc = (2.5)(19.67) + 3
( 2.5)(19.67 ) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LIC nc nc 3 nc = (2.5)(19.67) - 3
( 2.5)(19.67) 28.14
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
u
c
n
(4.19)
Como c es una variable aleatoria que sigue la distribucin de Poisson, los

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

conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Ejemplo 4.9
Para un fabricante de computadoras registrando
los defectos en su lnea de ensamble final. La unidad de
inspeccin es una computadora y se toman 5 unidades de
inspeccin a un tiempo.
Pgina 68

DefectosU
DefectosU
10
12
8
14
10
16
11
7
10
15
9
5
7
11
12
6
8
10
7
5
Se calculan los lmites de control con:

__
Suma.de.no.conformidades
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
U Chart for Defectos
4
UCL=3.794
Sample Count
U=1.93
LCL=0.06613
0
0
10
20
Sample Number
Fig. 4.15 Carta de Control U con unidades de insp. constantes

En
la
carta
de
control
no
se
observa
falta
de
control
estadstico, por tanto los lmites preliminares se pueden

utilizar en corridas futuras.
Pgina 69
MUESTRA VARIABLE CARTA u

En algunos casos las cartas de control para no conformidades se utilizan en la
inspeccin 100% de la produccin o lotes de producto, por tanto las unidades de
inspeccin no son constantes. En esta carta se tiene una lnea central constante y
los lmites de control varan inversamente con la raz cuadrada del tamao de
muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:
LSC ui u 3
u
ni
LC u u
LSC ui u 3
(4.21)
u
ni
Ejemplo 4.10 En una planta textil, se inspeccionan defectos

por cada 50m2 los datos se muestran a continuacin.
UnidadesInsp
10
8
13
10
9.5
10
12
10.5
12
12.5
No
Conf.
14
12
20
11
7
10
21
16
19
23
La lnea central es u
Donde
153
1.42
107.5
u = Total de defectos observados /
de inspeccin
Pgina 70
Total de unidades
De la grfica no se observan puntos fuera de control.
U Chart for No Conf.

3
Sample Count
UCL=2.436
2
U=1.423
1
LCL=0.4110
0
0
10
Sample Number
Fig. 4.16 Carta de Control U con Unidades de insp. variables
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaos de muestra.
m
n
i 1
ni
m
(4.22)
2. Usando una de control estandarizada (opcin preferida). Se grafica Z i con

lmites de control en +3 y 3, lnea central cero.
Zi
ui u
u
ni
(4.23)
Ejemplo 4.10 (Cont...) Estandarizando la carta se tiene:

UIvar
10
NoConUv Sigmau
Z
14
0.37417 -0.0535
Pgina 71
DUvar
1.4
8
13
10
9.5
10
12
10.5
12
12.5
12
20
11
7
10
21
16
19
23
0.43301
0.34401
0.33166
0.2785
0.31623
0.38188
0.38095
0.36324
0.38367
0.18475
0.34435
-0.9648
-2.453
-1.3282
0.86414
0.2725
0.44965
1.0947
1.5
1.53846
1.1
0.73684
1
1.75
1.52381
1.58333
1.84
La carta de control estandarizada para U, se encuentra en

control estadstico como se muestra abajo.
I Chart for Z
3
UCL=3
Individual Value
2
1
0
Mean=0
-1
-2
-3
LCL=-3
0
10
Observation Number
Fig. 4.17 Carta de Control U estandarizada
Pgina 72
Mdulo 5. Cartas de control

especiales
Pgina 73
5. OTRAS CARTAS DE CONTROL ESPECIALES

5.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS
5.1.1 CARTAS DE CONTROL DNOM
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de
produccin sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la
dimensin nominal de la pieza A T A = 50mm, y la dimensin
nominal de la pieza B es TB = 25mm, cuando se produce las
piezas A o B se toman muestras y se evala la desviacin
respecto a su media.
Muestra Pieza
1
A
2
A
3
A
4
A
5
B
6
B
7
B
8
B
9
B
10
B
M1
50
49
48
9
24
25
27
25
24
26
M2
51
50
49
53
27
27
26
24
25
24
M3
52
51
52
51
26
24
23
23
25
25
D1
0
-1
-2
-1
-1
0
2
0
-1
1
D2
1
0
-1
3
2
2
1
-1
0
-1
D3
2
1
2
1
1
-1
-2
-2
0
0
Media
1
0
-0.33
1
0.67
0.33
0.33
-1
-0.33
0
Rango
2
2
4
4
2
2
4
2
1
2
Ver carta en la pgina siguiente.

Se deben cumplir 3 premisas para estas cartas:
1. La desviacin estndar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
Pgina 74
2. El procedimiento trabaja mejor cuando el tamao de muestra es constante para

todas las diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepcin de
cuando se tiene slo un lmite de especificacin.
Stat > Control charts > Xbar R Subgroups across rows of D1 - D3
Xbar/R Chart for D1-D3
Sample Mean
UCL=2.929
2
1
Mean=0.1667
0
-1
-2
LCL=-2.596
-3
Sample Range
Subgroup
8
7
6
5
4
3
2
1
0
10
UCL=6.950
R=2.7
LCL=0
Figura 5.1 Carta de control DNOM

5.1.2 CARTAS DE CONTROL DE MEDIAS RANGOS ESTANDARIZADA
Si la desviacin estndar para las diferentes partes es diferente, se usan estas
cartas. Sean R i .....Ti el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,
Pgina 75
RS
R
Ri
(5.1)
Se toman de datos histricos o de especificaciones para el rango, o se puede

estimar de con R i
Sd 2
c4 sus lmites de control son D3 y D4. Para la media
graficar,
S
x Ti
Ri
(5.2)
La lnea central para la carta x estandarizada es cero, y sus lmites de control

son LSC = A2 y LIC = -A2 .
5.1.3 CARTAS DE CONTROL POR ATRIBUTOS
Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y LIC=3. Los estadsticos a graficar son:
Carta p
Zi
Carta np
Zi
pi p
p (1 p ) / n
npi n p
n p(1 p )
(5.3)
Carta c
Zi
Carta u
Zi
ci c
c
ui u
u/n
Pgina 76
5.5
CARTAS DE CONTROL PARA PROCESOS DE SALIDA

MLTIPLE
Se utiliza para procesos con muchos flujos, por ejemplo diversas vlvulas que en
principio producen suponen flujos similares. El usar una carta de control
para cada flujo por separado sera prohibitivo, sin embargo se tiene la
alternativa de sta carta de control siempre que la produccin entre
husillos no est correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de
control grupal, el muestreo se realiza como si se fueran a establecer
cartas separadas para cada flujo. Por ejemplo si de cada flujo s = 6 se
toman n = 4 partes de cada salida, hasta completar 20 o 25 subgrupos,
por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media
de medias X y el R , los lmites de control se calculan como en una

carta de medias-rangos convencional con n = 4, en este caso A2 = 0.729,
D3 = 0, D4 = 2.282:
LICX = X - A2 R
LICR = D3 R
_
LSCX = X + A2 R
LSCR = D4 R
Pgina 77
(5.4)
Con los lmites de control trazados, se grafica despus slo la mayor y la

menor de las 6 lecturas promedio considerando todas las salidas o
en este caso los flujos, si se encuentran en control, se asume que las
dems estn en control. Para el rango se grafica slo el mayor de
todos los rangos. Cada punto es identificado por el nmero de flujo o
salida que lo produjo. El proceso se encuentra fuera de control si se
algn punto excede los lmites de 3-sigma. No se pueden aplicar pruebas
de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s
salidas y si r es el nmero de veces consecutivas que se repite como el
mayor o el menor, el ARL para este evento es:
ARL0
s r 1
s 1
(5.5)
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso

est en control, se esperar que una salida repita un valor extremo 4 veces en la
carta una vez de cada 259 muestras. Si esto sucede con ms frecuencia se debe
sospechar que la salida es diferente a las dems. Algunos de los pares adecuados
de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones dan ARLo
adecuados.
5.6 CARTAS DE CONTROL Cusum
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
Pgina 78
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la

carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se
pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la informacin anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamao n >= 1 siendo x j el valor promedio de la
muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,
i
Ci ( x j 0 )
(5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posicin ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al da durante el
primer periodo de tiempo y despus 10 al da en un siguiente periodo de tiempo.
Pgina 79
Al llevar una carta X R en el subgrupo no se encontr una causa asignable,

ahora se desea tratar de detectar corridas pequeas en la media.
Corrida en Minitab
1
2
3
File > Open Worksheet > Data > CRANKSH.MTW.

Stat > Control Charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
Sample Mean
Xbar/R Chart for AtoBDist

5
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Figura 5.2 Carta de control X media R

Se puede observar que no detecta ninguna situacin anormal
CUSUM Chart for AtoBDist
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
Subgroup Number
Pgina 80
25
Figura 5.3 Carta de control Cusum

Se puede observar que detecta una situacin anormal debido a
un corrimiento lento de la media del proceso.
5.7
CARTA
DE
CONTROL
DE
MEDIAS
MOVILES
EXPONENCIALMENTE PONDERADAS (EWMA)

El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:
z i xi (1 ) z i 1
(5.7)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que:
z 0 0 a veces igual a x
Si las observaciones xi son variables aleatorias independientes con varianza 2 ,

entonces la varianza de zi es:

2i
1 (1 )
2
zi2
(5.8)
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:

2i
1 (1 )
2
LSC 0 L
(5.9)
LC 0
(5.10)

2i
1 (1 )
2
LIC 0 L
(5.11)
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa,

esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los lmites de control se estabilizan en:
Pgina 81
LSC 0 L
(5.12)
LC 0
(5.13)
LSC 0 L
(5.14)
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
lmites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los
lmites entre L = 2.6 y 2.8.
Ejemplo 5.2 Utilizando los datos de la carta Cusum con =
0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la carta EWMA
mostrada en la pgina siguiente.
Corrida en Minitab:
1.
2.
3.
4.
5.
6.

Stat > Control Charts > EWMA
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
S Limits Sigma Limits 2.7
OK.
EWMA
EWMA Chart for AtoBDist

1
2.7SL=0.9670
Mean=0
-2.7SL=-0.9670
-1
0
10
15
20
25
Sample Number
Figura 5.4 Ejemplo de carta de control EWMA
5.8 CARTA DE CONTROL DE MEDIA MOVIL
Pgina 82
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar

pequeas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media mvil es:
Mi
xi xi 1 ..... xi w1
w
(5.15)
Los lmites de control son:

LSC 0
3
w
(5.16)
LC 0
LIC 0
(5.17)
3
w
(5.18)
Por ejemplo usando los datos anteriores con w = 5. Graficando el

estadstico Mi para periodos i 5.
Mi
xi xi 1 ....xi 4
5
(5.19)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media mvil para los datos del ejemplo
anterior con un tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1.
2.
3.
4.
5.

Stat > Control Charts > Moving Average
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
Lenght of MA 5
OK.
Pgina 83
Moving Average Chart for AtoBDist

5
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
Figura 5.5 Ejemplo de carta de control de Media mvil
Pgina 84
5.9 CEP CON DATOS CORRELACIONADOS

Los supuestos de la carta de control de Shewhart en control es que los datos
generados por un proceso tienen una distribucin normal y son independientes
unos de otros.
En muchos procesos actan elementos inerciales que hacen que los datos estn
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeos respecto a esas fuerzas.
En algunos procesos donde por cuestiones de inercia de cambio en parmetros
como en los procesos qumicos, cuando los intervalos entre muestreos son
pequeos en relacin a esas fuerzas, las observaciones del proceso estarn
correlacionadas en el tiempo
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
Si se toman muestras en intervalos t, entoces observamos las xt:
x t awt (1 a ) x t 1
T V / f ;V volumen; f flujo
a 1 e t / T
La autocorrelacin entre valores sucesivos de x t (xt y xt-1 ) est dado por:

1 a e t / T
Si t es mucho ms grande que T, = 0, por ser las observaciones no

correlacionadas.
Pgina 85
Ejemplo: Calcular para el caso de t/T<=1. 0.5, 0.25, 0.1.

Cuando t/T<= 0.25 la autocorrelacin puede incrementar las falsas alarmas de
la carta de control. Por ejemplo para la viscocidad se tiene:
Xi
Viscocidad en tiempo t (Xt)
*
*
Correlacin positiva
*
* *
* **
*
Viscocidad en tiempo t-1 (Xt-1)
La funcin de autocorrelacin para la serie de datos de serie de tiempo es:

_
Cov ( x t , x i k x)
k
, k 0,1,....
V ( xt )
Se considera que Cov es la covarianza de las observaciones que estn

separadas k periodos, asumiendo que las observaciones tienen una varianza
constante dada por V(xt). Normalmente la funcin de autocorrelacin de la muestra
se estima con:
nk
rk
( x t x)( x t k x)
i 1
(x
t 1
x)
, k 0,1,....K
Pgina 86
Como regla general, es necesario calcular valores de rk

Para algunos valores de k, k<=n/4, se pueden calcular por software.
Una grfica que muestra rk, retrazo en k, puede mostrar la funcin de
autocorrelacin, si una barra excede los lmites de control, se identifica que existe
correlacin.
Ejemplo 5.4 para las Concentraciones tomadas en un proceso
204
202
201
202
197
201
198
188
195
189
195
189
195
192
196
194
196
199
197
197
192
195
190
196
199
203
199
207
204
207
204
207
209
205
202
200
208
214
205
211
212
214
210
208
208
209
209
206
200
203
202
195
196
203
196
197
197
203
205
194
199
201
198
202
207
204
210
197
189
189
196
193
193
198
194
198
199
204
200
203
197
196
202
200
202
202
207
206
211
205
210
210
198
194
192
189
188
189
194
194
194
198
196
Se obtiene una grfica de dispersin tomado Yi vs Yi-1 como sigue:

Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
S = 4.37364
R-Sq = 53.9 %
R-Sq(adj) = 53.4 %
Concentr
210
200
190
190
200
210
Conc_1
Figura 5.6 Mediciones de viscosidad autocorrelacionadas
Pgina 87
Se observa que hay una cierta correlacin entre las mediciones distanciadas en un
periodo.
La autocorrelacin de una serie de observaciones con una orientacin en el
tiempo (series de tiempo) se mide con la funcin de Autocorrelacin:
k = Cov(Xi, Xi-k) / V(Xi) para K = 0, 1, 2, ..
Donde Cov(Xi, Xi-k) es la covarianza de las observaciones que estn separadas k
periodos de tiempo en el supuesto que las observaciones tienen la misma
varianza, por lo general los valores de Ro se estiman con la funcin de
autocorrelacin muestral.
Se obtiene ahora la funcin de autocorrelacin muestral para los datos de
concentracin en Minitab como sigue:
Stat > Time series > Autocorrelation Series Concentracin Default Number of Lags OK
Autocorrelation
Autocorrelation Function for Concentr

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag Corr
1
2
3
4
0.73
0.63
0.51
0.41
LBQ
7.47 57.47
4.48 100.71
3.08 129.38
2.28 148.12
15
Lag Corr
8
9
10
11
0.08
0.06
-0.02
0.01
LBQ
0.42
0.30
-0.08
0.06
161.31
161.71
161.75
161.76
Lag Corr
15
16
17
18
-0.09
-0.11
-0.14
-0.19
25
LBQ
-0.44
-0.54
-0.72
-0.98
163.68
165.10
167.63
172.41
5 0.27 1.42 156.23

6 0.16 0.85 159.27
12 0.04 0.21 161.96

13 0.07 0.34 162.49
19 -0.20 -1.02 177.76

20 -0.18 -0.91 182.16
7 0.11 0.54 160.52
14 -0.05 -0.23 162.75
21 -0.15 -0.74 185.19
Lag Corr
22
23
24
25
-0.17
-0.18
-0.08
-0.08
LBQ
-0.85
-0.88
-0.39
-0.36
189.22
193.68
194.59
195.38
26 -0.09 -0.46 196.65
Figura 5.7 Determinacin de la funcin de autocorrelacin
Pgina 88
Las lneas discontinuas son los lmites de dos sigmas para el parmetro de
autocorrelacin Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeo de la carta de
control, un muestreo menos frecuente eliminara la autocorrelacin pero se
perdera informacin. A continuacin se muestran las cartas I-MR y EWMA:
I and MR Chart for Concentr

1 1
11
Individual Value
215
UCL=210.1
205
Mean=200.0
195
1 11
185
Subgroup
11
50
LCL=189.9
100
15
Moving Range
111
UCL=12.36
10
5
R=3.784
LCL=0
Figura 5.8 Comportamiento de la carta I-MR con datos

autocorrelacionados
EWMA Chart for Concentr
210
EWMA
205
2.7SL=203.0
200
Mean=200.0
-2.7SL=197.0
195
50
100
Sample Number
Figura 5.9 Comportamiento de la carta EWMA con datos

autocorrelacionados
Pgina 89
Ahora se aplica un modelo autoregresivo de primer orden definido por la ecuacin

de regresin anterior a los residuales del modelo.
Corrida con Minitab: Stat > Time series > ARIMA Indicar 1 en Autoregressive No seasonal OK
Time Series Plot for Concentr
Concentr
210
200
190
10
20
30
40
50
60
70
80
90
100
Time
Figura 5.10 Comportamiento de la carta de Series de Tiempo

con datos autocorrelacionados
Histogram of the Residuals

(response is Concentr)
Frequency
20
10
0
-10
-8
-6
-4
-2
Residual
Pgina 90
Figura 5.11 Histograma de los residuales con el modelo ARIMA

de grado 1
I and MR Chart for RESI1
Individual Value
20
UCL=14.43
10
0
Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup
50
100
Moving Range
20
UCL=17.79
10
R=5.443
0
LCL=0
Figura 5.12 Carta de control I-MR para los residuales

del modelo autoregresivo:
Concentr = 52.906 + 0.7356 Conc_1
S = 4.37364
R-Sq = 53.9%
O la Carta EWMA de los residudales:

EWMA Chart for RESI1
5
2.7SL=4.295
4
3
EWMA
2
1
0
Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0
50
100
Sample Number
Figura 5.13 Carta de control EWMa para los residuales

del modelo autoregresivo:
Muestra control estadstico.
Pgina 91
5.10 CARTAS DE CONTROL MULTIVARIADO

Hay situaciones donde es necesario el control de dos o ms caractersticas al
mismo tiempo, por ejemplo en un balero donde influyen el dimetro interior y el
exterior para que funcione adecuadamente. Para eso es necesario un control
multivariado como el propuesto por Hotelling 8.
Carta de control chi-cuadrada

En el caso del control de medias el estadstico a graficar es un 2 con 2 grados de
libertad:
02
__
__
__
n
2 __
2
2
2
2
2
2
(
X
(
X
(
X
)
(
X
2
1
1
1
2
2
12
1
1
2 2 )
2 2
2
1 2 12
El Lmite Superior de Control LSC = 2.2 que es el punto superior para el rea (1). Si al menos una media se sale de control, la probabilidad de que el estadstico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__
__
X 1 , X 2 son independientes se tendr una elipse con centro en (1, 2) y ejes

__
__
__
__
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 )

dan un valor de 2 que caiga dentro de la elipse, indica que el punto est dentro de
control, de esta forma se tiene una elipse de control.
Hotelling,H. (1947). Multivariate Quality Control,, Techniques of Statistical Analysis, Eisenhart, McGraw
Hill, NY, USA, 1947.
Pgina 92
Regin de control
***
X1
*****
*****
Fig.
5.14
Elipse
de
control
para
variables
independientes
Figura 5.15 Elipse de control para variables

dependientes
X2
__
__
Si 12 0 las 2 caractersticas X 1 , X 2 son dependientes y la elipse de control

estar inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todava est en control a nivel de cartas X R individuales.

Estas cartas se denominan cartas de control chi-cuadrada, las cuales tienen 2
desventajas: 1) la secuencia de los puntos graficados se pierde y 2) la dificultad de
construir la elipse para ms de 2 caractersticas de calidad. Sin embargo una
ventaja importante que tienen, es que con un solo nmero se pueden controlar
varias (p) caractersticas de calidad en forma conjunta.
Pgina 93
2
Para evitar las dificultades anteriores, es usual graficar los valores de 0
correspondientes a cada muestra, en una carta de control, denominada carta de

control chi-cuadrada, sta preserva la secuencia de los datos de tal forma que se
puedan investigar corridas y otros patrones no aleatorios. Adems slo requiere un
solo nmero para controlar el proceso, muy til cuando hay dos o ms
caractersticas de inters.
El lmite de control superior es:
LSC 2. p
LSC = 2.2
20
Figura 5.16 Carta de control

caractersticas de calidad
chi-cuadrada
para
La carta de control T2
Si en la ecuacin anterior para Chi-cuadrada se reemplaza por X y 2 por S 2

tenemos el estadstico T2 .
_
T 2 n( x X )'
( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aqu se establecen los
lmites de control para la fase 2, con los cuales se monitorea la produccin.
Pgina 94
Los lmites de control para la fase I son:
LSC
p ( m 1)(n 1)
F , p , mn m p 1
mn m p 1
LIC 0
y para la fase II:
LSC
p ( m 1)( n 1)
F , p , mn m p 1
mn m p 1
LIC 0
Es comn usar el Lmite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los lmites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con ms de 50 muestras.
Ejemplo 5.5: se desean controlar en forma conjunta las caractersticas de

calidad resistencia a la tensin y el dimetro de una fibra textil. Se ha decidido
usar una muestra de 10 fibras (n = 10), se toman 20 muestras preliminares,
calculando lo siguiente:
115 .59 psi; X
0.0106" ;S
Con estos valores se calcula el estadstico T2 y se va graficando en una carta de control.
T2
__
__
__
10
2
2
2
2
(
0
.
83
)(
X
115
.
59
)
1
.
23
(
X
1
.
06
)
2
(
0
.
79
)(
X
115
.
59
)
(
X
1
2
1
2 1.06)
(1.23)(0.83) 0.79
Si se considera un error tipo I = 0.001, el lmite superior de control LSC es:

Pgina 95
LSC
2( 20 1)(10 1)
342
F0.001, 2, 20 (10 ) 20 2 1
F0.001, 2,179 (1.91)(17.18) 13.72
( 20)(10) 20 2 1
179
LSC = 13.72
T2
Figura 5.17 Ejemplo de Carta de control multivariada

No muestra puntos fuera de control. Los lmites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que est cercano a los
lmites de control de las fases I y II.
Uno de los mtodos para identificar que caracterstica se encuentra fuera de
control es llevar cartas X R adicionales con lmites de control en Z / 2 p para

reducir el nmero de falsas alarmas. Otro mtodo es descomponer el estadstico
2
T2 en componentes que reflejen la contribucin de cada variable, T(i ) es el valor
del estadstico para todas las variables excepto la (i-sima), por tanto:
di = (T2 - T(i ) )
Es un indicador de la contribucin relativa de la variable i al estadstico, cuando se

presenta una situacin fuera de control, se recomienda calcular di para i =1,2 y
enfocarse al que tenga el valor mayor.
El caso de n = 1
Pgina 96
En industrias qumicas y de proceso, es normal tener una sola muestra donde

medir las diferentes caractersticas, el estadstico T2 se transforma en:
T 2 ( x x )' S 1 ( x x )
Los lmites para la fase II son:

LSC
p ( m 1)(n 1)
F , p , m p
m 2 mp
LIC 0
Cuando se toman ms de 100 muestras preliminares los lmites preliminares son:

LSC
p ( m 1)(n 1)
F , p , m p ;
m p
LSC = 2.2
LIC 0
5.11 CARTAS DE CONTROL I-MR DE DIFERENCIAS ENTRE

VALOR DE REFERENCIA Y VALOR REAL
Cuando la referencia de las mediciones individuales de la carta de control se
mueven en relacin a una referencia, se sugiere graficar no el valor individual, sino
las diferencias que se presentan respecto al valor objetivo ideal en una carta de
control I-MR.
Individual Value
I and MR Chart for Response

1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
Subgroup
Moving Range
0.6
0.5
UCL=1.188
Mean=0.8075
LCL=0.4266
11
0
10
20
30
40
50
60
1
1
0.4
UCL=0.4679
0.3
0.2
R=0.1432
0.1
0.0
LCL=0
Figura 5.18 Ejemplo de Carta de control de diferencias
Pgina 97
Mdulo 6. Anlisis de Capacidad

de los procesos
Pgina 98
6. ANLISIS DE CAPACIDAD DEL PROCESO

6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,

herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada

en el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos

dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del

proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta

de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo

que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos

siguientes:
Pgina 99
1. Predecir que tanto cumplir las tolerancias especificadas el proceso.

2. Apoyar a los diseadores en la seleccin o modificacin de un proceso.
3. Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeo de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la
uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).
2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de
la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la
variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Pgina 100
.00135 LTNI
LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural

Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Fig. 6.2 Fraccin defectiva fuera de especificaciones

p = porcentaje de medidas bajo la curva de probabilidad fuera de
especificaciones.
En el rea sombrada observamos medidas fuera de los lmites de especificacin.
Pgina 101
Para solucionar este problema, podemos reducir la desviacin estndar.
Tambin podramos cambiar la media.
Lo ideal sera, por supuesto cambiar ambas.
Fig. 6.3 Algunas alternativas para mejorar la capacidad

Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes
supuestos9:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar

el error de muestreo para los ndices de habilidad. Si los datos se componen
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 102
de menos de 100 valores, entonces deben calcularse los lmites de confianza

inferiores.
Los datos se recolectan durante un periodo suficientemente largo para

asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad

normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la

variacin en el sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo
Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas
de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Fig. 6.4 Variabilidad a corto plazo

Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de
tiempo suficientemente largo y en condiciones suficientemente diversas para que
Pgina 103
sea probable que contenga algunos cambios de proceso y otras causas

especiales. Aqu todas las familias de variacin exhiben su contribucin en la
variacin del proceso general.
Fig. 6.5 Variabilidad a largo plazo

Para el clculo de Z utilizamos las siguientes formulas:
Z st
Z LT
lmite especif . nom.

desv.std ST
(6.1)
lmite especif . media

desv.std LT
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 104
6.2 NDICES DE CAPACIDAD

6.2.1 INDICE DE CAPACIDAD POTENCIAL Cp
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin
permitida por las especificaciones entre la amplitud de variacin entre los lmites
de tolerancia naturales del proceso.
Cp PCR
LSE LIE
6
(6.2)
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE

=

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

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

especificaciones usada por el proceso.
1
100
P
Cp
(6.3)
Para el caso del ejemplo se tiene:

P = [(1/1.68)] 100 = 59.5%
Pgina 105
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial

Cp o PCR se define como:
Cps PCR S
LSE
3
para el lmite superior
Cpi PCR I
LIE
3
para el lmite inferior
Ejemplo 6.2
(6.4)
Para el caso de la resistencia de las botellas
de vidrio, si el LIE = 200psi,
Cp PCR I
264 200 64
0.67
3(32)
96
Lo cual indica falta de habilidad, la fraccin abajo del

lmite inferior es:
ZI
LIE 200 264
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
Cp
1-lado
2-lados
0.25
226,628
453,255
0.50
66,807
133,614
0.60
35,931
71,861
0.70
17,865
35,729
0.80
8,198
16,395
1.00
1,350
2,700
Pgina 106
1.10
484
967
1.20
159
318
1.30
48
96
1.40
14
27
1.50
1.60
1.70
0.17
0.34
2.00
0.0009
0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67

para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
6.2.2 INDICE DE CAPACIDAD REAL Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cps correspondientes a cada lado de la media, como sigue,
Cpk PCRk min( PCR S , PCR I )
debe ser mayor a 1
(6.5)
donde,
Cps PCR S
LSE
3
para el lmite superior
Cpi PCR I
LIE
3
para el lmite inferior
Pgina 107
(6.6)
Ejemplo
6.3
Para
un
proceso
donde
los
lmites
de
especificacin sean LSE=62, LIE=38, la media del proceso sea

=53 y su desviacin estndar =2, se tiene:
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCR I
53 38
2.5 para el lmite inferior
32
Por tanto, el ndice de capacidad real es:

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

a la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado
6.2.3 NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un
comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin siguiente de acabado superficial en una parte maquinada no es
normal:
Pgina 108
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
Fig. 6.6 Transformacin de datos para normalizarlos

Lo cual representa una distribucin normal.
6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
LIE
LSE
PROCESO A: Cpk = 1
LIE
LSE
PROCESO B: Cpk =1
Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente

Pgina 109
Un nuevo ndice que toma en cuenta el centrado es el siguiente:
Si T
1
( LSE LIE )
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp km PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
(6.10)
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
( LSE LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente

se tiene:
Lmites de especificacin:
Proceso A:
Proceso B:
LIE = 38, LSE = 62,
T = 50
Media = 50, desv. estndar = 5

Media = 57.7, desv. estndar = 2.5
Entonces Cpkm (A) =

Cpkm (B) =
1
1.0
1 0
2
1 (3) 2
0.63
Por tanto es mejor el proceso A, centrado en la media.

En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),
que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
Pgina 110
Cp pmk PCR pmk
Cpk
(6.11)
1 2
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn

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

La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
?
?
?
?
?
?
?
Fig. 6.10 Comportamiento de un proceso fuera de control

Si las variaciones presentes son iguales, se dice que se tiene un proceso
estable. La distribucin ser predecible en el tiempo.
Pgina 111
Tiempo
Prediccin
Fig. 6.11 Comportamiento de un proceso dentro de control

Clculo de la desviacin estndar del proceso
R
S

(Para cartas de control X-R y X-S respectivamente)

d2
C4
Donde,
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
Ejemplo 6.7 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo
lo
siguiente,
despus
de
que
el
proceso
se
estabiliz
quedando slo con causas comunes: x = 64.06 , R = 77.3
Pgina 112
Por tanto estimando los parmetros del proceso se tiene:

x media de medias
R
77.3
33.23
d 2 2.326
Si el lmite de especificacin es: LIE = 200.
El C pk
200 264.06
3 33.23
0.64 por tanto el proceso no cumple con las
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo
siguiente,
despus
de
que
el
proceso
quedando slo con causas comunes: x 100, s 1.05

Por tanto estimando los parmetros del proceso se tiene:
x 100
s
1.05
1.117
=
C4
.094
C4 para n = 5 tiene el valor 0.94

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
Pgina 113
se
estabiliz
El C pk
El C p
105 100
3 1.117
105 85
6 1.117
1.492
2.984
Por lo tanto el proceso es capaz de cumplir con especificaciones.
6.4 CAPACIDAD DE PROCESOS CON MINITAB

NORMALES Y NO NORMALES
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1
Mean 264.06 Estndar deviation
32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1
Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 114
Otra opcin por medio de una grfica de probabilidad normal, se tiene:

5. Graph > Probability plot > Normal
6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Pgina 115
Determinacin de la capacidad del proceso

Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2
(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
Pgina 116
La desviacin estndar Overall se determina con la desviacin estndar de

todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as
como el desempeo Overall, no importando si el proceso est en control o no, en
este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack
Para mostrar toda la informacin relevante:
Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Pgina 117
En este caso de la grfica de probabilidad normal, los datos siguen una

distribucin normal.
Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es
referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull
9. Generate 100 Store in columns C1
Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK

Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
Pgina 118
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo

y los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.
El ndice Ppk y Ppu10 = 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin
observamos
que
PPM
>
USL
3,795
lo
cual
significa
que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
6.5 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN

10
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 119
6.5.1 ERROR DEL EQUIPO DE MEDICIN

En cualquier problema que involucre mediciones, de la variabilidad total parte de la
variabilidad observada es debida al producto mismo y parte es debida a la
variacin del equipo de medicin, o sea:
2
2
total
2producto equipo
. medicin
(6.13)
6.5.2 R&R Capacidad de los sistemas de medicin - AIAG
En muchas ocasiones las organizaciones no consideran el impacto de no tener

sistemas de medicin de calidad, el hecho de que las mediciones no sean
exactas puede llevar a cometer errores en el clculo, y en los anlisis y
conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede
caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado. Por otro lado si los instrumentos de medicin
no estn calibrados correctamente tambin se pueden cometer errores. Cuando
sucede lo mencionado anteriormente tenemos un sistema de medicin deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos
Variacin del proceso
innecesarios de reproceso al reparar un proceso de manufactura o de servicios,

cuando la principal fuente de variacin se deriva del sistema de medicin.
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin de la medicin
Posibles Fuentes de la Variacin del Proceso

Variacin dentro de la
muestra
Repetibilidad
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Pgina 120
Reproducibilidad
Linealidad
Calibracin
Sesgo
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas

por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento

de medicin, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas caractersticas en una misma parte.
Pgina 121
R E P E T I B IL I D A D
Valor verdadero:
Valor correcto terico / estndares NIST11
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una

misma zona
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Resolucin: La medicin que tiene exactitud y precisin.
Preciso pero no exacto
Exacto pero no preciso
Exacto y preciso
(resolucin)
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de

medicin, hechas sobre el mismo patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante un perodo de tiempo prolongado.
11
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene el
CENEAM o el Centro Nacional de Metrologa
Pgina 122
i e
i e
Linealidad: diferencia en los valores de la escala, a travs del rango de

operacin esperado del instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
Rango de Operacin del equipo
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor
verdadero. Error sistemtico o desviacin.
V a lo r
V e rd a d e ro
S e s g o
Pgina 123
Calibracin: Es la comparacin de un estndar de medicin
con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
Importante: para que el equipo de medicin tenga una discriminacin

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

observadas son debidas al proceso y otras son debidas al error o variacin en los
sistemas de medicin. La variacin total es expresada de la siguiente manera:
2 total 2 proceso 2 error medicin
Pgina 124
Estudio de R&R Mtodo largo
Generalmente intervienen de dos a tres operadores

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

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

2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
Pgina 125
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y

a la
Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y

a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y

otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.

El Mtodo ANOVA es ms preciso
Pgina 126
Ejemplo 6.112: Clculo de la Repetibilidad nicamente

Un equipo de mejora de la calidad involucrado en el diseo de CEP (Control
Estadstico del Proceso), desea realizar un clculo de la capacidad del sistema de
medicin. Se tienen veinte unidades de producto,
el operador que toma las
mediciones para el diagrama de control usa un instrumento para medir cada

unidad dos veces. Los datos son mostrados en la tabla siguiente:
Parte
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Medicin 1
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
Medicin 2
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
Promedio
Media
20,5
23,5
20,5
27,0
18,5
22,0
21,5
18,0
23,5
24,0
20,5
18,5
24,0
24,0
29,5
26,0
20,0
20,0
25,5
19,0
22,3
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
1
x 22.3
R 1 .0
La desviacin estndar del error de medicin, medicin , es calculada mediante la

siguiente frmula:
12
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 127
medicin =
R
1
0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin
utilizamos:
6 medicin 6(0.887) 5.32
La proporcin 6 medicin de la banda de tolerancia (rango total de especificacin) es

llamada precisin de tolerancia:
6 medicin
P
T USL LSL
En este ejemplo USL = 60, LSL = 5

P 5.32
0.097 .
T
55
Como se mencion anteriormente los valores P/T de 0.1 o menores generalmente

implican una capacidad de error de medicin adecuada.
Calculamos la varianza total mediante:
2 Total S 2 (3.07) 2 9.4249
Pgina 128
La desviacin estndar es calculada a partir de los datos de la tabla.

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

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

de medicin confiable, por lo cual tenemos que realizar las acciones correctivas
correspondientes.
Ejemplo 6.2: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY

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

remove interaction 0.25
Los resultados se muestran a continuacin: Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source
DF
SS
MS
Partes
0.0000086
0.0000010
12.2885
0.000
Operadores
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
Pgina 129

Total
89
0.0000165
Los operadores y la interaccin no fueron significativos, slo las partes

Two-Way ANOVA Table Without Interaction
Source
DF
SS
MS
Partes
0.0000086
0.0000010
9.67145
0.000
Operadores
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)
0.0000001
50.93
Repeatability
0.0000001
50.93
Reproducibility
0.0000000
0.00
Operadores
0.0000000
0.00
Part-To-Part
0.0000001
49.07
Total Variation
0.0000002
100.00
Total Gage R&R
Study Var
%Study Var
%Tolerance
StdDev (SD)
(5.15 * SD)
(%SV)
(SV/Toler)
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
Source
Total Gage R&R
Number of Distinct Categories = 1
La interaccin no es significativa, y los errores de R&R indican que equipo de

medicin no es adecuado, ni el nmero de categoras.
Pgina 130
Gage R&R (ANOVA) for Datos

Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores * Partes I nteraction
Operadores
UCL=0.005143
_
X=0.004717
0.0045
Average
Sample Mean
0.0050
0.004
Xbar Chart by Operadores

1
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0040
0.0050
2
3
0.0045
0.0040
1
5
6
Partes
Las conclusiones son similares que con el mtodo de X barra R.
Pgina 131
10
Estudios de R&R por atributos

Ejemplo 6.3: Una empresa est entrenando a cinco evaluadores para un
producto. Se requiere determinar la habilidad de los evaluadores para calificar el
producto de forma que sea consistente con los estndares. Cada uno de los
evaluadores califica 15 productos en una escala de cinco puntos (-2, -1, 0, 1, 2):
1
Abrir el archivo ESSAY.MTW.
Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
En Attribute column, poner Rating.
En Samples, poner Sample.
En Appraisers, poner Appraiser.
En Known standard/attribute, poner Attribute.
Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:

Appraiser
Sample
Simpson
1
Montgomery
1
Holmes
1
Duncan
1
Hayes
1
Simpson
2
Montgomery
2
Holmes
2
Duncan
2
Hayes
2
Simpson
3
Montgomery
3
Holmes
3
Duncan
3
Hayes
3
Simpson
4
Montgomery
4
Holmes
4
Duncan
4
Hayes
4
Simpson
5
Montgomery
5
Holmes
5
Duncan
5
Hayes
5
Simpson
6
Rating
2
2
2
1
2
-1
-1
-1
-2
-1
1
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
-1
0
1
Attribute
2
2
2
2
2
-1
-1
-1
-1
-1
0
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
0
0
1
Pgina 132

Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
6
6
6
6
7
7
7
7
7
8
8
8
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12
12
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
1
1
1
1
2
2
2
1
2
0
0
0
0
0
-1
-1
-1
-2
-1
1
1
1
0
2
-2
-2
-2
-2
-1
0
0
0
-1
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
0
0
0
0
0
-1
-1
-1
-1
-1
1
1
1
1
1
-2
-2
-2
-2
-2
0
0
0
0
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
Pgina 133
Gage R&R for Datos

Assessment Agreement
Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
# Inspected
15
15
15
15
15
# Matched
8
13
15
15
14
Percent
53.33
86.67
100.00
100.00
93.33
95 % CI
(26.59, 78.73)
(59.54, 98.34)
(81.90, 100.00)
(81.90, 100.00)
(68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with

the known standard.
Kendall's Correlation Coefficient
Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
Coef
0.89779
0.96014
1.00000
1.00000
0.93258
SE Coef
0.192450
0.192450
0.192450
0.192450
0.192450
Z
4.61554
4.93955
5.14667
5.14667
4.79636
P
0.0000
0.0000
0.0000
0.0000
0.0000
Between Appraisers
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(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
0.966317
Chi - Sq
67.6422
DF
14
P
0.0000
All Appraisers vs Standard

Pgina 134
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
# Matched: All appraisers' assessments agree with the known

standard.
Fleiss' Kappa Statistics
Response
-2
-1
0
1
2
Overall
Kappa
0.842593
0.796066
0.850932
0.802932
0.847348
0.831455
SE Kappa
0.115470
0.115470
0.115470
0.115470
0.115470
0.058911
Z
7.2971
6.8941
7.3693
6.9536
7.3383
14.1136
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
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.
Date of study:
Reported by:
Name of product:
Misc:
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Pgina 135
Simpson
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los
evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento
adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de
especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages
pasa, no pasa no son confiables
Pgina 136
Mdulo 7. Diseo de experimentos
Pgina 137
7. DISEO DE EXPERIMENTOS
7.1 Introduccin
En muchas industrias el uso efectivo del diseo de experimentos es la clave
para obtener altos rendimientos, reducir la variabilidad, reducir los tiempos de
entrega, mejorar los productos, reducir los tiempos de desarrollo de nuevos
productos y tener clientes ms satisfechos.
QU ES EL DISEO DE EXPERIMENTOS (DOE)?
Un diseo de experimentos es una prueba o serie de pruebas en las cuales se
hacen cambios a propsito en las variables de entrada de un proceso, de tal forma
que se puedan observar e identificar cambios en la respuesta de salida.
Los productos resultantes tienen una o ms caractersticas de calidad observables
o respuestas (Crticas para la calidad si el cliente reclama por su no cumplimiento
CTQs). Algunas de las variables del proceso X1, X2, X3,, Xp son
controlables o factores de control, mientras que otras Z1, Z2, Z3, .., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las
pruebas), y se denominan factores de ruido.
Los objetivos del diseo de experimentos son:
1. Determinar cules variables tienen ms influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia xs, de tal forma que y
se acerque al requerimiento nominal deseado.
3. Determinar donde ajustar las variables de influencia xs de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia xs de tal forma que los
efectos de las variables incontrolables z sean minimizados.
Con la aplicacin del DOE durante el desarrollo de los procesos podemos
obtener los beneficios siguientes:
1. Rendimiento mejorado.
Pgina 138
2. Variabilidad reducida y comportamiento cercano al valor nominal.

3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
5. Mejor desempeo y confiabilidad en el campo.
Como ejemplos de aplicaciones del diseo de experimentos tenemos las
siguientes:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Evaluacin de diferentes proveedores.
3. Determinacin de parmetros clave de diseo (ej: ngulo, velocidad, mtodo)
con impacto en el desempeo.
GUA PARA EL DISEO DE EXPERIMENTOS
Para tener xito en el diseo de experimentos, es necesario que todos los
involucrados en el experimento tengan una idea clara del objetivo del experimento,
de los factores a ser estudiados, como se realizar el experimento y al menos una
idea cualitativa de cmo se analizarn los datos. El procedimiento recomendado
por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Seleccin de factores y niveles.
3. Seleccin de la variable de respuesta.
4. Seleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis de los datos.
7 Conclusiones y recomendaciones.
7.2 DISEOS DE EXPERIMENTOS FACTORIALES
Los experimentos factoriales se utilizan cuando hay varios factores de inters en
un experimento. En los experimentos factoriales se deben utilizar en cada rplica,
todas las combinaciones de los factores que se estn investigando. Si se tienen
Pgina 139
dos factores A y B con niveles a y b respectivamente, cada rplica contendr todas

las posibles combinaciones ab.
Definiciones:
Factores: Son las variables controlables en el experimento Ej:Temperatura,

Presin, Velocidad; se designan con letras maysculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del

experimento. Ej: en un experimento tomamos los siguientes valores de
Temperatura: 15, 20 ; en este caso tenemos 2 niveles.
Los niveles se designan con nmeros: 1, 2 o con signos -, + que
representan los niveles bajo y alto en cada caso.
Replica: Es el nmero de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un

cambio en el nivel del factor, se denomina efecto principal ya que se refiere
a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:

FACTOR B
B1
B2
A1
20
30
A2
40
52
FACTOR A
El calculo de los factores primarios A y B es la diferencia entre la respuesta

promedio en el nivel alto y la respuesta promedio del nivel bajo.
A
40 52 20 30
21
2
2
30 52 20 40
11
2
2
Pgina 140
Tratamientos: son todas las combinaciones posibles de los factores que se

involucran en un experimento. Ej: a, b, c, ab, ac, bc.
Interaccin: Cuando la diferencia en la respuesta entre los niveles de un

factor no es la misma en todos los niveles de los otros factores.
Respuesta
B2
B2
B1
A1
B1
A2
A1
a) Sin interaccin
A2
b) Con interaccin
En la grfica de la izquierda observamos que las lneas B1 y B2 son paralelas lo

cual indica que no hay interaccin. En la siguiente grfica al estar cruzadas las
lneas B1 y B2 significa que existe interaccin.
El clculo de la interaccin AB es la diferencia entre los promedios del nivel alto
de A y B y el nivel bajo de los mismos
AB
40 30 52 20
19
2
2
Principios bsicos del diseo de experimentos:

Normalidad.- Siempre que se conduce un experimento las muestras son tomadas
de poblaciones normales, en el anlisis de los experimentos se verifica que se
cumpla con este principio, de lo contrario los resultados obtenidos no sern
confiables.
Replicacin.- Significa la repeticin de un experimento, permitiendo el
experimentador la obtencin de un error experimental. El error es la unidad bsica
de medida para determinar si las diferencias observadas en los datos son
Pgina 141
realmente diferentes estadsticamente. La replicacin permite tener una

estimacin ms precisa de los efectos.
Aleatoriedad.- Por aleatoriedad entendemos que la posicin del material y el orden
en el cual las corridas se realizan en los experimentos son determinadas
aleatoriamente (al azar).
Bloqueo.- Es una tcnica usada para incrementar la precisin de un experimento,
Un bloque es una porcin del material experimental el cual es ms homogeneo
que el material restante.
Diseos factoriales en MINITAB
Supongamos que queremos disear un experimento para probar tres factores:
temperatura, presin y tipo de catlisis. Se trata de un diseo factorial completo
2^3, ya que consta de dos niveles y tres factores, a continuacin se muestra el
diseo:
FACTOR
Temperatura
Presin
Catlisis
NIVEL BAJO
20C
1 atmsfera
A
NIVEL ALTO
40C
4 atmsferas
B
Ver ejemplos de Diseos de experimentos en los archivos:

MinitabDiseoExperimFactoriales
MinitabDiseoExperim2K
Pgina 142
APNDICES
Pgina 143
FORMULAS DE CARTAS DE CONTROL

CARTAS DE CONTROL POR VARIABLES
CARTAS Xbarra-R
Lmites de control para medias n =5
LSC =
LIC =
+ A2 R
- A2 R
Lmites de control para rangos n=5

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

LSCs = B4 S
LCs = S
LICs = B3 S
CARTAS I-MR de valores individuales
Para los valores individuales n=2
LSCx = X 3
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Pgina 144
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
pi
Di
ni
m
Di
i 1
mn
p
i 1
m
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
__
__
LICp = p 3 p (1 p )
n
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3
LCc = c
LICc = c - 3
CARTAS u
Pgina 145
c
n
Donde u representa el nmero promedio de no conformidades por unidad en un

conjunto de datos preliminar
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
Pgina 146
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

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

n
c4
A3
B3
B4
B5
B6
0.9400
1.342
1.427
2.089
1.964
0.9515
1.225
1.287
0.030
1.970
0.029
1.874
0.9594
1..134 1.182
0.118
1.882
0.113
1.806
0.9650
1.061
1.099
0.185
1.815
0.179
1.751
0.9693
1.000
1.032
0.239
1.761
0.232
1.707
10
0.9727
0.949
0.975
0.284
1.716
0.276
1.669
11
0.9754
0.905
0.927
0.321
1.679
0.313
1.637
12
0.9776
0.866
0.886
0.354
1.646
0.346
1.610
13
0.9794
0.832
0.850
0.382
1.618
0.374
1.585
14
0.9810
0.802
0.817
0.406
1.594
0.399
1.563
15
0.9823
0.775
0.789
0.428
1.572
0.421
1.544
16
0.9835
0.750
0.763
0.448
1.552
0.440
1.526
17
0.9845
0.728
0.739
0.466
1.534
0.458
1.511
18
0.9854
0.707
0.718
0.482
1.518
0.475
1.496
19
0.9862
0.688
0.698
0.497
1.503
0.490
1.483
20
0.9869
0.671
0.680
0.510
1.490
0.504
1.470
21
0.9876
0.655
0.663
0.523
1.477
0.516
1.459
22
0.9882
0.640
0.647
0.534
1.466
0.528
1.448
23
0.9887
0.626
0.633
0.545
1.455
0.539
1.438
24
0.9892
0.612
0.619
0.555
1.445
0.549
1.429
25
0.9896
0.600
0.606
0.565
1.435
0.559
1.420
Pgina 147

Curso CEP2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso CEP2

Cargado por

Copyright:

Formatos disponibles

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

DR. PRIMITIVO REYES AGUILAR

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

CONTROL ESTADSTICO DEL PROCESO

1.1 Historia del control estadstico del proceso

1.2 Mtodos estadsticos para la mejora de la calidad

2. MTODOS Y FILOSOFA DEL CEP

2.1 Conceptos bsicos y distribucin normal

2.2 Causas comunes y causas especiales

2.3 Bases estadsticas de las cartas de control

2.4 Implementacin del CEP

3. CARTAS DE CONTROL POR VARIABLES

3.2 Cartas de control de medias-rangos

3.3 Cartas de control medias-desviacin estndar

3.4 Cartas de control para lecturas individuales

3.5 Seleccin entre cartas por variables y por atributos

4. CARTAS DE CONTROL PARA ATRIBUTOS

4.2 Cartas de Control para fraccin no conforme - p

4.3 Cartas de Control np

4.4 Cartas de control P - Tamao de muestra variable

4.6 Cartas de Control para No Conformidades c y u

5. OTRAS CARTAS DE CONTROL ESPECIALES

5.1 Cartas de Control para corridas cortas

5.5 Cartas de Control para procesos de salida mltiple

5.6 Cartas de control Cu Sum

5.7 Cartas de control EWMA

5.8 Carta de control de Media Movil

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

5.9 CEP Con datos correlacionados

5.10 Cartas de control multivariado

5.11 Cartas I-MR de diferencias

6. ANLISIS DE CAPACIDAD DEL PROCESO

6.2 ndices de capacidad

6.3 Capacidad del proceso con cartas de control

6.4 Capacidad de procesos con Minitab normales y no normales

6.5 Estudios de capacidad de sistemas de medicin

7.2 Diseos factoriales

Apndice 1. Frmulas de CEP

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

defectos, los esfuerzos se enfocan a detectarlos, no a

prevenirlos. Los productos defectuosos, eran reprocesados o desechados,

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

Control estadstico del proceso (CEP)

Por otra parte H. Dodge y H.

Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig 3,

alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

Se reduce el nivel de variacin del proceso hasta los lmites predecibles

y se identifican las oportunidades de mejora. Se establecen sistemas de medicin

Duncan, Acheson, op. cit.p. 16.

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006

En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / Octubre 2006