Temas 2012-13

Calidad Total (Ingeniero en Organizacin Industrial) - Control Estadstico de la Calidad (Ingeniero Industrial)
Tema 1. El Entorno de la Calidad Total 1

TEMA 1.

EL ENTORNO DE LA CALIDAD TOTAL

Montgomery, D. C. (2004) Control Estadstico de Calidad 3 Edicin. Limusa-Wiley. Cap.1.
Prat y otros. (1997) "Mtodos Estadsticos. Control y mejora de la calidad". Edicions UPC. Cap. 1

CALIDAD Y SOCIEDAD DE CONSUMO

Vivimos en una SOCIEDAD DE CONSUMO: Somos consumidores habituales de multitud de
productos:

Artculos fabricados: Automviles, electrodomsticos, alimentos, ropa,

Servicios: Electricidad, transporte pblico, asistencia sanitaria, administracin pblica,

Distintos tipos de consumidores o usuarios:

Consumidores finales: Compran productos que se presentan como poseedores de determinadas
caractersticas que satisfacen sus necesidades. Le interesa que el producto satisfaga realmente
dichas necesidades, sea conforme con las especificaciones, se maneje fcilmente, dure lo mximo
posible, etc.

Fabricantes de manufacturas: Compran productos que usan como materia prima en el proceso de
manufactura. Le interesa poder procesar esa materia prima a bajo costo y con un mnimo de
rechazo y de reproceso.

Comerciantes: Compran artculos terminados para su distribucin o venta al por menor. Le
interesa que tengan una presentacin adecuada (empaquetado, etiquetado, ) y un fcil
almacenamiento, manejo y exhibicin.

DEFINICIONES DE LA CALIDAD

El consumidor se preocupa cada vez ms por la calidad de los productos.

Interpretacin elemental del trmino calidad: CALIDAD = APTITUD PARA EL USO

Dos aspectos generales de la calidad:

Calidad de diseo: Casi todos los bienes y servicios se producen intencionadamente en distintos
grados de calidad para satisfacer las diferentes exigencias de los consumidores.

Calidad de conformidad: Indica en qu medida un producto cumple las especificaciones
requeridas por el diseo.

Todo producto posee diversos elementos o caractersticas que describen conjuntamente su calidad:

Tipologa de las Caractersticas de Calidad.

Fsicas: Longitud, volumen, voltaje, adherencia,

Sensoriales: Olor, color, presentacin, sabor, suavidad,

Dependientes del tiempo: Tiempo de espera, fiabilidad, conservacin, reparabilidad,

DIMENSIONES O COMPONENTES DE LA CALIDAD

1. FUNCIONAMIENTO: El producto realiza las funciones previstas? Las realiza bien?

2. FIABILIDAD: Con qu frecuencia falla el producto durante su funcionamiento?

3. DURABILIDAD: Cunto dura el producto en condiciones razonables de uso?

4. REPARABILIDAD: Qu grado de dificultad tiene la reparacin del producto?

5. ESTTICA: Qu aspecto tiene el producto?

6. CARACTERSTICAS PROPIAS: Qu caractersticas propias de funcionamiento tiene el producto por
encima de otros competidores?

7. CALIDAD PERCIBIDA: Qu reputacin tiene el fabricante? Qu fama tiene la marca?
Aspectos relacionados: Fidelidad de clientes. Medio ambiente.
Seguridad e higiene en el trabajo. Calidad del empleo.

8. CONFORMIDAD CON ESTNDARES: El producto est hecho conforme al diseo previsto?
Cumple las especificaciones requeridas?

CALIDAD Y VARIABILIDAD
La aptitud para el uso se mide a travs de los valores que toman dichas caractersticas de calidad.

Estos valores se interpretan segn distintos criterios:

Lo ms prximo posible a un valor de referencia:
El voltaje de una batera de 1,5 V.
El contenido de refresco de 1 litro.

Cuanto ms grande mejor:
La adherencia de un pegamento de contacto.
La duracin de una lmpara.

Cuanto ms pequeo mejor:
El tiempo de reposicin de fluido elctrico tras una avera.
El porcentaje de impurezas de un combustible.

VARIABILIDAD: Caracterstica comn a todas las caractersticas de calidad de cualquier producto.
- No hay dos arandelas con el mismo dimetro exactamente.
- No hay dos lmparas con el mismo consumo o duracin.
- No hay dos servicios que tarden lo mismo en realizarse, etc.

La variabilidad es el enemigo de la calidad: VARIABILIDAD versus CALIDAD

MEJORA DE LA CALIDAD: Reduccin progresiva de la variabilidad en procesos y productos.

VARIABILIDAD DE LOS PROCESOS

CAUSAS DE LA VARIABILIDAD

La variabilidad en los productos es causada por las diferencias o variaciones que se producen en las
entradas del proceso.

El proceso de medicin de los productos aade tambin variabilidad.

UN EJEMPLO REAL: FABRICACIN DE TRANSMISIONES



MEDIR LA VARIABILIDAD

La produccin de artculos o servicios es un experimento aleatorio: Aunque se realice el proceso en
condiciones aparentemente idnticas, es imposible predecir el resultado con exactitud.

Esto no significa que la variabilidad no se pueda medir: VARIABILIDAD CAOS

Si un proceso funciona con cierta regularidad, se puede saber, por ejemplo:
El valor aproximado en torno al cual se centran los valores de la caracterstica de calidad de las
distintas unidades del producto.
La frecuencia aproximada con la que se supera determinada barrera.
Las barreras entre las cuales se aglutina cierto porcentaje de la produccin, etc.

Variabilidad no significa ausencia completa de regularidad:

Sobre una unidad individual no se puede decir nada.
Sobre el comportamiento general del proceso si se va a poder decir muchas cosas.

EL PAPEL DE LA ESTADISTICA

La Estadstica es la herramienta que permite medir, describir, modelar y explicar la variabilidad.
La Estadstica ayuda a reducir la variabilidad y, por tanto, a aumentar la calidad.

UTILIDADES DE LA ESTADSTICA:

Saber cmo, cundo, cunto, dnde, medir.
MUESTREO

Proporciona herramientas para explorar, describir, analizar, resumir y sintetizar la informacin
registrada sobre los procesos en los que est presente la variabilidad.
ESTADSTICA DESCRIPTIVA

Permite crear y estudiar modelos para explicar la variabilidad.
CLCULO DE PROBABILIDADES

Soporte para la toma de decisiones. Estimacin de parmetros, contraste de hiptesis, validacin de
modelos.
INFERENCIA ESTADSTICA

Herramienta poderosa de comunicacin: La estadstica forma parte imprescindible del lenguaje de
comunicacin en el contexto de la calidad.

EVOLUCIN HISTRICA DEL CONTROL ESTADSTICO DE LA
CALIDAD:

1.- INSPECCIN (MUESTREO PARA ACEPTACIN)
2.- CONTROL ESTADSTICO DE PROCESOS
3.- CALIDAD EN LA ETAPA DE DISEO


1.- INSPECCIN (MUESTREO PARA ACEPTACIN)
La calidad se intenta conseguir inspeccionando los productos al final del proceso.

Objetivos:
a) Separar los productos defectuosos para ser reparados, reprocesados o desechados.
b) Advertir al responsable del proceso de fabricacin de la aparicin de determinado tipo de
defectos para que acte en consecuencia.

Deficiencias de este enfoque:
Incumplimiento de los objetivos:

No se cumple eficazmente el objetivo a): No se cumple eficazmente el objetivo b):
- Coste elevado de la inspeccin 100% - Problemas de comunicacin en la estructura
- Inspeccin destructiva de la empresa
- Fatiga del inspector - El operario se desentiende de la calidad
- Artculos CONFORMES con valores de calidad confiando en la inspeccin.
muy prximos a otros DISCONFORMES

La inspeccin es una actividad no productiva.
El artculo rechazado ha originado un coste de produccin.

Herramientas estadsticas: - Muestreo
- Anlisis Estadstico de los datos
- Apoyo a la toma de decisiones sobre el proceso.




2.- CONTROL ESTADSTICO DE PROCESOS

Se inicia en los aos previos a la II Guerra mundial y se debe sobre todo a Shewhart (1931).
El aseguramiento de la calidad se desplaza a la etapa de fabricacin: Se trata de minimizar la
produccin de unidades defectuosas reduciendo el tiempo entre la ocurrencia y la deteccin de
desajustes en el proceso e identificando las causas a fin de evitar que se repitan.
Se sigue manteniendo la inspeccin con una finalidad, sobre todo, de separar el producto defectuoso.

Deficiencias de este enfoque:
Slo proporciona mantenimiento (conservar los estndares de calidad).
No aporta innovacin y mejora en la calidad.

Herramientas estadsticas: - Muestreo
- Estadstica Descriptiva
- Grficos de Control y su interpretacin.
- Apoyo a la toma de decisiones sobre el proceso.




3.- CALIDAD EN LA ETAPA DE DISEO.

El aseguramiento de la calidad se desplaza a la etapa de diseo:
Diseo del producto
Diseo del proceso.

Hay que distinguir dos vertientes:

a) Descubrir las variables o factores clave que influyen en las caractersticas de calidad del producto.
Diseo de experimentos: Tcnica estadstica que permite varan sistemticamente los factores
controlables de entrada y se estudia los efectos que tienen en los parmetros de salida.
El diseo de experimentos estadstico permite:
Reducir la variabilidad en las caractersticas de calidad.
Determinar los niveles de las variables controlables que optimizan el rendimiento del
proceso.
b) Disear productos que no causen problemas a los clientes. Superar a la competencia. Innovar.
Anticiparse a las necesidades de los clientes,

La calidad ha de venir determinada por las expectativas del cliente y no por necesidades internas de
la propia organizacin.
La calidad se convierte en una actividad globalizadora que no slo incluye a toda la estructura de la
empresa, sino tambin a clientes, distribuidores y proveedores.




EVOLUCIN Y REDUCCIN DE LA VARIBILIDAD


EL CONCEPTO SEIS SIGMA DE MOTOROLA

MANTENIMIENTO MEJORA E INNOVACIN


ELCICLO PDCA COMO ESTRATEGIA BSICA DE LA MEJORA CONTINUA


CONCEPCIN JAPONESA DE LAS FUNCIONES


LA TEORA Q DE BRIAN JOINER

PRCTICA: FABRICACIN DE HELICPTEROS DE PAPEL

1. Realizar un esquema del proceso reconociendo:
Entradas.
Proceso de fabricacin
Salida

2. Definir diferentes caractersticas de calidad.
Cuanto ms mejor;
Lo ms prximo posible a ...

3. Calidad de diseo y calidad de conformidad.

4. Constatar la variabilidad.

5. Distinguir las fases del Control Estadstico de Calidad:
Inspeccin
Control de Procesos.
Diseo.
Mejorar el proceso.
Mejorar el producto.
6. Identificar causas de la variabilidad (Tema 3).
Causas comunes.
Causas asignables.

HELICPTERO DISEO BSICO


REPRESENTACIN DEL PROCESO DE FABRICACIN


HELICPTERO DISEO SUPERIOR


DISEO DE EXPERIMENTOS PARA MEJORAR EL PRODUCTO


Tema 3.Introduccin al Control Estadstico de Procesos

1

TEMA 3.

INTRODUCCIN AL CONTROL
ESTADSTICO DE PROCESOS

Prat y otros. (1997) "Mtodos Estadsticos. Control y mejora de la calidad". Edicions UPC. Cap. 2


2
CONTROL ESTADSTICO DE PROCESOS (C.E.P.)
STATISTICAL PROCESS CONTROL (S.P.C.)

DEFINICIN DE PROCESO:
Organizacin o conjunto de personas, procedimientos, mquinas, materiales y actividades
(trabajo) necesarias para producir un resultado final (producto, servicio, etc.)
La secuencia de actividades se caracteriza por tener:
Entradas medibles. (Inputs)
Actividades de valor aadido.
Salidas medibles. (Outputs)
Repetibilidad.


3
CONTROL ESTADSTICO DE PROCESOS
Coleccin de Tcnicas Estadsticas que se utilizan para:

1. MEJORAR LA CALIDAD
Disminuir y controlar la variabilidad.
Estrechar los lmites de especificacin y, por tanto, mejorar los productos.
Aumentar la reputacin de la empresa.
Aumentar la satisfaccin de los clientes.

2. AUMENTAR LA PRODUCCIN Y DISMINUIR COSTES
Se reduce la produccin de artculos disconformes.
Se reducen los costes de manufactura por desperdicios inspeccin y retrabajos.

Es una herramienta muy til para impulsar y mantener la salud de organizaciones industriales y
comerciales.

No es una frmula mgica para resolver todos los problemas de la produccin.

Es necesario medir, anotar y analizar datos:
De la calidad de los productos.
De los costes de calidad.
De cmo funciona el proceso.
Por eso es una HERRAMIENTA ESTADSTICA.


4


5
VARIABILIDAD DE LOS PROCESOS
Dos productos no son nunca iguales. Cualquier proceso contiene muchas fuentes de variabilidad.
Las diferencias entre productos sern ms o menos perceptibles, pero siempre estarn presentes.

Ejemplo: Fabricacin de un eje mecnico: Dimetro.
La mquina (desgaste, holguras, ...)
El material (dimetro, dureza, ...)
El operador (Precisin en centrar, alimentacin de las partes, ...)
Mantenimiento (Lubricacin, remplazamiento de partes desgastadas, ...)
Ambiente (temperatura, constancia en el suministro elctrico, ...)

Ejemplo: Tramitacin de una factura. Tiempo requerido.
Operarios de la oficina.
Fiabilidad del Equipo y programa Informtico.
Precisin y legibilidad de la factura.
Procedimiento seguido.
Volumen de trabajo de la oficina.

Las fuentes de variacin pueden causar:
Diferencias muy pequeas entre productos.
Cambios importantes en la salida del proceso:
Graduales (ej. Desgaste y fatiga)
A saltos (ej. Cambio de procedimiento, de proveedor, ...)
Irregularmente (ej. Sobrecarga elctrica, distraccin del operario.)


6
CAUSAS COMUNES Y CAUSAS ESPECIALES
La variabilidad en los productos se debe a las variaciones producidas en las entradas del proceso.
Dos categoras de causas definidas por Shewhart (1931):
CAUSAS COMUNES: Variabilidad natural e inherente al efecto acumulativo de muchas pequeas
causas independientes sin que ninguna determine una parte importante de la variabilidad.
CAUSAS ESPECIALES (ASIGNABLES O ESPECFICAS): Otros tipos de variabilidad que pueden
estar presentes en el proceso afectando a los resultados (Caractersticas de calidad):
Diferencias entre mquinas, entre trabajadores, entre materiales, etc.
Cambios en los factores anteriores a lo largo del tiempo.
Diferencias entre las relaciones entre los factores anteriores. eEtc.
Caractersticas de las causas de variabilidad (Prat, 1997):

CAUSAS COMUNES CAUSAS ASIGNABLES
Suelen ser muchas y cada una produce pequeas variaciones. Suelen ser pocas, pero de efectos importantes.
Son parte permanente del proceso. Su suma determina la
capacidad del proceso.
Aparecen espordicamente en el proceso. Esto facilita
su identificacin (grficas de control).
Son difciles de eliminar. Forman parte del sistema y es
responsabilidad de la direccin disminuir sus efectos.
Son relativamente fciles de eliminar por parte de
operarios y/o tcnicos.
Afectan al conjunto de mquinas, operarios, etc. Afectan especficamente a una mquina, operario, etc.
La variabilidad debida a estas causas admite una
representacin estadstica (distrib. de probabilidades)
No admite representacin estadstica
Originan ms del 90% de problemas Originan menos del 10% (Shewhart). 15-20% (Juran).


7
CAUSAS COMUNES Y CAUSAS ESPECIALES


8
PROCESO BAJO CONTROL Y PROCESO FUERA DE CONTROL
PROCESO BAJO CONTROL (ESTADSTICO): Slo actan causas comunes.

PROCESO FUERA DE CONTROL: Est presente alguna causa especial.



9
CONTROLAR UN PROCESO:

ES establecer un sistema para detectar precozmente la presencia de hechos excepcionales y actuar
en consecuencia: eliminndolo si es desfavorable o fijndolo si es favorable.

NO ES estar permanentemente actuando para compensar las desviaciones aleatorias sobre los
objetivos perseguidos (sobreajuste o sobrecontrol).

La confusin sobre el tipo de acciones a tomar puede ser muy costosa para la organizacin:

Agravamiento de los problemas.
Retraso en la resolucin de los problemas.
Esfuerzo derrochado.

Ejemplo: Sera errneo tomar acciones locales (por ejemplo, ajustar una mquina) cuando se deben
tomar acciones sobre el sistema (por ejemplo, seleccionar proveedores que suministren materiales
consistentes).


10
CONTROL Y CAPACIDAD DE UN PROCESO



11
FACILIDADES PROPORCIONADAS POR EL CONTROL ESTADSTICO DE
PROCESOS.

1. Tener evidencia sobre lo qu est haciendo el proceso y sobre lo que es probable que haga.

2. Proporcionar una valoracin de los niveles de calidad que un proceso es capaz de conseguir.

3. Informar sobre cundo hay que buscar problemas y cundo no.

4. Proporcionar pistas sobre dnde es probable que ocurran los problemas.

5. Ayudar a entender cmo funciona el proceso y ayudar a mejorar tanto el proceso como el producto.

RESUMEN: El Control Estadstico de Procesos puede verse como un anlisis estadstico objetivo de
la variabilidad del proceso y sus causas.



12
HERRAMIENTAS BSICAS DE ISHIKAWA PARA EL C.E.P.

1. PLANTILLAS PARA LA RECOGIDA DE DATOS.
(DIAGRAMAS DE CONCENTRACIN DE DEFECTOS)

2. HISTOGRAMAS

3. DIAGRAMAS DE PARETO

4. DIAGRAMAS CAUSA EFECTO

5. DIAGRAMAS DE DISPERSIN

6. ESTRATIFICACIN

7. GRFICOS DE CONTROL (CARTAS DE CONTROL)



13
PLANTILLAS PARA LA RECOGIDA DE DATOS


14


15
DIAGRAMAS DE CONCENTRACIN DE DEFECTOS



16


17
DIAGRAMAS CAUSA EFECTO



18


19
PRCTICA: LAS SIETE HERRAMIENTAS BSICAS DE ISHIKAWA
HISTOGRAMAS: ENVASADO DE EMBUTIDO. Datos: Embutido.sf
Tabulacin, representacin grfica y descripcin numrica: (Describe Numerical Data One Variable Analysis)
Hay observaciones atpicas?
Especificaciones: PESO = 22010gr. Calcular la proporcin de disconformes.
Obtener el intervalo central que comprende el 90% de la Produccin. Hallar la media y la desviacin tpica.

DIAGRAMAS DE PARETO: DEFECTOS DE CIRCUITOS. Datos: Tarjetas de circuitos.sf3
Tabular los datos. Representar grficamente. (DescribeCategorical DataTabulation)
Hacer un Anlisis de Pareto. (SpecialQuality ControlPareto Analysis)
Sacar conclusiones.

DIAGRAMAS CAUSA EFECTO: EJEMPLO DE DIAGRAMA CAUSA-EFECTO. Datos: causa-efecto.sf3
Elaboracin de un diagrama causa-efecto (Special Quality Contro l Fishbone Diagram)
Introduccin del efecto.
Introduccin de causas primarias, secundarias y terciarias.

DIAGRAMAS DE DISPERSIN: RENDIMIENTO PROCESO QUMICO. Datos: diag-disp.sf3
Elaboracin de diagramas de dispersin. (PlotScatterplotsX-Y Plot)
Regresin lineal simple. (RelateSimple Regression)
Importancia del rango de valores estudiado (Select).
Estratificacin en regresin. (Special Advanced Regression Comparison of Regresin Lines)

ESTRATIFICACIN: ENVASADO DE EMBUTIDO. Datos: Embutido.sf
Comparaciones de grupos: (Compare Two Samples Two Samples Comparison)
Comparar Operarios, Mquinas, Das.
Sacar conclusiones.

GRAFICOS DE CONTROL FABRICACIN DE ANILLOS DE PISTN. Datos: Anillos.sf3
Construccin de una Carta de Control (SpecialQuality ControlControl Charts)


20



21
DIAGRAMAS DE CONTROL (SHEWHART)
PRINCIPIOS BSICOS:

1. REPRESENTACIN GRFICA:
Caracterstica de Calidad (estimada sobre muestras sucesivas) frente a Tiempo o n de muestra.

2. ELEMENTOS:
Lnea Central
Lmites de Control (Superior e Inferior).
Puntos unidos.

3. INTERPRETACIN:

Proceso bajo Control: Patrn aleatorio entre los lmites.
Proceso fuera de Control: Puntos fuera de los lmites o
Patrn no aleatorio

TIPOS DE DIAGRAMAS DE CONTROL: Cartas para ATRIBUTOS y Cartas para VARIABLES

USOS DE UN DIAGRAMA DE CONTROL:
Rastreo y vigilancia de un proceso.
Reduccin de la variabilidad del proceso debida a causas asignables.
Estimacin de los parmetros del proceso o producto y determinacin de la capacidad.


22

Causas Especiales
Causas Especiales
Causas Comunes


23
CARTAS DE CONTROL Y PRUEBA DE HIPTESIS
Diagrama de Control: prueba de hiptesis repetida de que el proceso est bajo control estadstico.

Control de fuera Proceso :

Control bajo Proceso :
1
0
H
H

RECHAZO H
0

NO RECHAZO H
0

RECHAZO H
0



24
ERRORES DE LAS CARTAS DE CONTROL
ERROR DE TIPO I: Concluir que el proceso est fuera de control cuando en realidad no lo est
(FALSA ALARMA).
Se controla con la eleccin de los Lmites de Control.
P(ERROR I) = o es un valor pequeo. Habitualmente se fija de antemano.

ERROR DE TIPO II: Concluir que el proceso est bajo control cuando en realidad no lo est.
Se controla con la eleccin del tamao muestral.
P(ERROR II) = | es una funcin del parmetro del proceso y se representa en las Curvas O.C.
1 | = Aptitud del diagrama de control para detectar cambios de diferente magnitud en el proceso.


25


26
MODELO GENERAL DE CARTA DE CONTROL

ESTADSTICO W:
Estadstico que mide alguna caracterstica de calidad de inters en la muestra.
Este estadstico estima el correspondiente parmetro de la caracterstica poblacional.

W
: Media del estadstico W.
o
W
: Desviacin Tpica del estadstico W.
k: Distancia entre la Lnea Central y las Lneas de Control expresada en unidades o
W
.

FACTORES A CONSIDERAR EN EL DISEO:

1. Seleccin del tamao muestral
2. Seleccin de los lmites de control.
3. Seleccin de la frecuencia de muestreo.

Lmite Inferior de Control: LIC =
W
ko
W

Lnea Central: LC =
W

Lmite Superior de Control: LSC =
W
+ ko
W



27
SELECCIN DE LOS LMITES
1. Lmites de Control con mltiplos enteros de Desv. Tpica.
Habitualmente k = 3. Lmites de 3o
W
.
Corresponden a o = 0.0027 para W con Distrib. Normal.
Prctica habitual en Amrica.

2. Lmites de Control Probabilsticos.
Habitualmente o = 0.002 (o/2 = 0.001 en cada direccin).
Corresponden con k = 3.09 para W con Distrib. Normal.
Prctica habitual en Europa Occidental.

Para tener mayor sensibilidad para detectar cambios en el proceso, se puede usar k = 2 k = 2.5


28
Se producirn ms falsas Alarmas.


29
LMITES DE ADVERTENCIA:
Si uno o ms puntos caen entre los lmites de advertencia y de control o cerca de los lmites de
advertencia, se extrema la vigilancia.
Los Lmites de Advertencia mejoran la sensibilidad del diagrama de Control.
No tienen una interpretacin precisa. Pueden confundir.
Construccin:
Con mltiplos enteros de Desv. Tpica.
Habitualmente k = 2. Lmites de 2o.
Lmites de Advertencia Probabilsticos.
Habitualmente o = 0.025.


30
TAMAO MUESTRAL Y FRECUENCIA DE MUESTREO
Se tienen en cuenta diversos factores:

Costo del muestreo.
Prdidas causadas por un proceso operando fuera de control
La tasa de produccin.
Probabilidades de ocurrencia de los distintos tipos de cambio en el Proceso.

Se procura distribuir razonablemente el esfuerzo del muestreo:

Muestras pequeas muy frecuentes
Maneja informacin ms continua del proceso.
Tiene menos potencia para detectar cambios en el momento del muestreo.
Es la tendencia actual, sobre todo:
En producciones muy elevadas.
Si pueden ocurrir muchos tipos de causas asignables.
Se ve favorecida por las posibilidades actuales de control automtico.

Muestras grandes con poca frecuencia
El proceso puede pasar al estado de fuera de control y regresar al estado bajo control en un
periodo sin muestreo y el diagrama no lo advierte.
Tiene ms potencia para detectar cambios en el momento del muestreo.



31
LONGITUD MEDIA DE RACHA
ARL (Average Run Length): Nmero medio de puntos representados hasta que aparezca un "Fuera
de Control". (Media de una variable con distribucin geomtrica)
p =Prob. de Punto Fuera de Lmites de Control.
p
ARL
1
=

Es una funcin del parmetro del proceso y se representa grficamente: Curva ARL.

ATS (Average Time to Signal): Tiempo medio hasta que aparece un Fuera de Control.
h = Tiempo entre muestras consecutivas.
h ARL ATS =



32
SUBGRUPOS RACIONALES

Criterio fundamental: Seleccionar muestras de modo que si hay causas asignables:
La posibilidad de diferencias entre subgrupos sea mxima.
La posibilidad de diferencias dentro del subgrupo sea mnima.

BASE FUNDAMENTAL: El orden en el Tiempo.
Permite detectar causas atribuibles que ocurren en el tiempo.
Dos enfoques generales:
Cada muestra consta de unidades producidas en el mismo momento. Se usa cuando el
objetivo fundamental es detectar cambios.
Cada muestra consta de unidades representativas de todo el periodo desde la ltima
muestra. Se usa cuando el fin del diagrama de control es tomar decisiones sobre la aceptacin
de todos los productos fabricados en el periodo estudiado.

OTRAS BASES:
Distintas mquinas
Distintas terminales
Distintas Plantas de trabajo
Distintos operarios
Distintos Turnos.


33
SUBGRUPOS RACIONALES BASADOS EN EL TIEMPO

MUESTRAS INSTANTNEAS MUESTRAS ALEATORIAS DEL PERIODO


34
RECONOCMIENTO DE PATRONES EN LAS CARTAS DE CONTROL

INTERPRETACIN DE ZONAS EN GRFICOS DE CONTROL

Para la Normal
estndar

Zona A: 4.280 %
Zona B: 27.181 %
Zona C: 68.269 %
Fuera: 0.270 %
Total: 100.00 %

Zona A
Zona A
Zona C
Zona B
Zona C
Zona B
LSC (3o)
LIC (3o)
(2o)
(2o)
(1o)
(1o)
Lnea Central


35



36
CRITERIOS DE FUERA DE CONTROL. ALGUNAS REGLAS DE SENSITIVIDAD:
Reglas de la Western Electric:

1. Uno o ms puntos fuera de los lmites de control.
2. Dos de tres puntos consecutivos fuera de los lmites de advertencia (2o) pero dentro de los de
control.
3. Cuatro de cinco puntos consecutivos fuera de los lmites 1o.
4. Una Racha de ocho puntos consecutivos del mismo lado de la lnea central.

Otras reglas complementarias:

5. Seis puntos consecutivos crecientes o decrecientes.
6. Quince puntos consecutivos en la Zona C (1o) tanto arriba como abajo.
7. Catorce puntos seguidos alternativamente arriba y debajo de la Lnea Central.
8. Ocho puntos consecutivos en ambos lados de la Lnea Central, fuera de la Zona C (1o)
9. Cualquier patrn inusual o no aleatorio.
10. Uno o ms puntos cerca de los lmites de advertencia o de control.



37
+ Uno o ms puntos fuera de uno de los lmites de control.
(Ps 0.00135 en cada lado: menos de 1 punto cada 740 para la distrib. Normal)



38
Generalmente, una ocurrencia indica una causa asignable espordica: Herramienta rota, error de un
operario, material inapropiado, ...
+ Dos de tres puntos consecutivos en Zona A del mismo lado (entre los lmites de advertencia (2o) y
los de control. (Ps 0.00134 = 30.0214
2
0.9759: menos de 1 punto cada 746 para la dist. Normal)


39

A menudo indica una causa especial debida a un efecto de arranque, un operario falto de
adiestramiento, etc.


40
+ Cuatro de cinco puntos consecutivos fuera de los lmites 1o del mismo lado de la L.C. (Zona B).
(Ps 0.0026= 50.1573
4
0.840, menos de 1 punto cada 388 para la distribucin Normal)

A menudo indica una causa especial ms persistente que la anterior


41
+ Una Racha de siete puntos consecutivos del mismo lado de la L.C. (9 puntos segn ISO 8258)
(P= 0.0077=0.4987
7
, 1 punto cada 130 para la dist. Normal) (0.4987
9
=0.0019, 1 punto cada 524)



42
Muy frecuentemente indica que algn paso cambia en el proceso: reinicio de un proceso, cambio de
mtodo, intervencin de la administracin, etc.


43
+ Ocho puntos consecutivos crecientes o decrecientes. (6 puntos segn ISO 8258)
(P= 0.000025=1/8!, 1 punto cada 40320 para la distrib. Normal) (0.0014=1/6!, 1 punto cada 720)



44
Muy frecuentemente indica algn cambio progresivo pero inherente al proceso: Deterioro del
equipamiento, cambio ambiental estacional, etc.
+ Ocho puntos consecutivos en ambos lados de la Lnea Central, fuera de la Zona C (1o)
(P= 0.000096=0.3146
8
, 1 punto cada 10370 para la distrib. Normal)


45

A menudo indica que alguna parte del proceso est fuera de control. Habitualmente refleja mezcla de
distribuciones.


46
+ Quince puntos consecutivos en la Zona C a ambos lados.
(P=0.00325=0.6826
15
, 1 punto cada 307 para la distrib. Normal)



47
Puede indicar una mejora, pero tambin mezcla de distribuciones. Hay que tener mucho cuidado.
+ Catorce puntos alternativamente cambiando de lado de la Lnea Central.



48
Generalmente es consecuencia de un procedimiento inadecuado de elaboracin de las cartas de
control (estandarizacin incorrecta).
RECONOCIMIENTO DE PATRONES NO ALEATORIOS
Se trata de saber reconocer y distinguir:
Patrones naturales o aleatorios.
Patrones sistemticos o no aleatorios.
En este caso, hay que encontrar la razn de ese comportamiento.
Para interpretar correctamente los patrones se requiere:
Experiencia y conocimiento del proceso.
Entender los principios estadsticos de los diagramas de control.
El conocimiento de los patrones no aleatorios ms usuales facilitar la deteccin de causas
asignables de variabilidad.

PATRONES NATURALES

Caractersticas:
Muchos puntos cerca de la lnea central.
Unos pocos puntos cerca de los lmites de control.
Rarsimamente puntos fuera de los lmites de control.
No hay rachas.
Para mejorar este proceso hay que alterar su estructura
bsica introduciendo causas externas de variacin
especiales:


49
Por ejemplo, para conseguir una media diferente.
Por ejemplo, para disminuir la desviacin tpica.

CICLOS
Resultan como consecuencia de causas especiales de variacin que aparecen y desaparecen con
algn grado de regularidad.
Ej: Cambios de turno.
Ej: Fluctuaciones en la fatiga del trabajador debidas a descansos.
Ej: Cambios regulares en los inspectores, etc.


50

No se detecta si la frecuencia de muestreo y la del ciclo coinciden. Habra que muestrear ms a menudo.
Es fundamental el conocimiento del proceso para detectar los ciclos.
ACIONES PURAMENTE DE CONTROL SOBRE UN PROCESO INHERENTEMENTE
INESTABLE


51



52
CAMBIOS DE NIVEL
Cambios Repentinos:
Crecimiento o disminucin del nivel medio. Alguna causa especial hace cambiar de nivel al
proceso sin tener ningn efecto ms.
Ej. Cambio de Proveedor, Operario, Mquina, ...


53



54
Cambios Graduales:
Generalmente indican que algn aspecto o alguna parte del proceso est cambiando y su efecto es
paulatino sobre el nivel medio del proceso.
Son frecuentes en las primeras etapas de implementacin de actividades de mejora de la calidad.


55

Tendencias:
Cambios progresivos en el nivel que no se establecen definitivamente en ningn nivel.
Pueden resultar de fuentes especiales de variacin que afectan ininterrumpidamente al proceso.


56
Ej. Fatiga del trabajador, desgaste de herramientas, etc.



57
PATRONES DEBIDOS A MULTI-UNIVERSOS O MIXTURAS

Se trata de patrones que indican la presencia de dos o ms distribuciones para una caracterstica de
calidad que no cambia sobre el tiempo.

MIXTURA ESTABLE: Las proporciones de cada distribucin son constantes en el tiempo y las
medias tambin, es decir se mezclan dos procesos estables en proporcin constante. Pueden aparecer
dos patrones:
Ausencia de puntos cerca de la lnea central (Grandes fluctuaciones). Cada muestra pertenece
exclusivamente a una u otra poblacin.
Demasiados puntos cerca de la lnea central (Pequeas fluctuaciones). En cada muestra
aparecen elementos de ambas distribuciones.

MIXTURA INESTABLE: Las proporciones de cada distribucin cambian en el tiempo o bien
cambian las medias, es decir alguno de los respectivos procesos est fuera de control. Los patrones
son difciles de identificar e interpretar.

SOLUCIN: Ver ideas relacionadas con la ESTRATIFICACIN.


58

Alternativamente se estn extrayendo
3 Muestras de una Poblacin A
2 Muestras de una Poblacin B
La Poblacin A tiene un valor de la
caracterstica en estudio superior a la
Poblacin B.
o
W
se estima correctamente en cada
muestra
Cada muestra lleva observaciones de
la Poblacin A y de la Poblacin B.
o
W
se estima incorrectamente en cada
muestra (se sobreestima)



59
PATRONES INESTABLES

Se caracterizan por fluctuaciones grandes y errticas en los puntos.
Se asocian frecuentemente a mixturas inestables.
Pueden ser consecuencia de una causa especial o una perturbacin que crea una distribucin bimodal
amplia en la caracterstica de calidad o cambios espordicos en el promedio del proceso.
Por ejemplo, cuando un suministrador proporciona un material excepcionalmente bueno o malo.
Los lmites de control parecen demasiado estrechos para los puntos que representamos.



60



61
PATRN SALVAJE

Puntos aislados muy diferentes de los dems.
Errores en las mediciones,
Errores en los clculos (estandarizacin incorrecta)
Existencia de causas asignables que afectan a algunos subgrupos contiguos dramticamente.



62



63
ESTUDIO INICIAL Y CONTROL A VALORES ESTNDAR
ESTUDIO INICIAL:
No se conocen los parmetros bajo los que est funcionando actualmente el proceso.
(Por ejemplo, y o para una variable para la que se supone distribucin Normal)
Se estiman estos parmetros a partir de las primeras muestras (al menos 20 o 25 muestras).
La Lnea Central y los Lmites de Control dependen de los parmetros del proceso y por tanto
no estn fijados de antemano, sino que se calculan a partir de las muestras representadas.
Se utiliza para estudiar por primera vez un proceso o tras una actuacin sobre el mismo, con el
fin de establecer el estado de control, estimar los parmetros y estudiar la capacidad.

CONTROL A VALORES ESTNDAR:
Se suponen conocidos los parmetros que definen el comportamiento del proceso.
(Por ejemplo, y o para una variable para la que se supone distribucin Normal)
La Lnea y los Lmites de Control dependen de estos parmetros y estn fijados de antemano.
Se utiliza para hacer un seguimiento de un proceso para el que se estableci su estado de control
mediante un estudio inicial previo.
Si los parmetros estn mal especificados, las cartas mostrarn patrones extraos.

METODOLOGA RECOMENDADA:
1. Realizar un estudio inicial con al menos 20 o 25 muestras.
2. Verificar el estado de Control del Proceso.
3. Estimar los parmetros.
4. Realizar Control a Valores Estndar para las observaciones futuras.


64
EJERCICIO:
Considera las grficas de control que se muestran a continuacin:
a) Indica si alguno de los patrones te parece no aleatorio.
b) Aplica las Reglas de la Western Electric a las grficas.



65
EJERCICIO:
Asocia cada proceso con alguno de los pares de grficas de control para los dos parmetros (,o).



66
PRCTICA DE CARTAS DE CONTROL CON STATGRAPHICS
1. Introduccin al manejo del mdulo de Cartas de Control. Datos: Anillos.sf3
Distintos tipos de cartas. (SpecialQuality ControlControl Charts)
Datos en observaciones o en estadsticos de los subgrupos.
Obtencin de los estadsticos de subgrupo. (Describe Numerical DataRow Wise Statistics)
Analysis Options.
Estudio inicial y control a estndar.
Establecimiento de los lmites.
Recalcular lmites.
Pane options.
Lmites de advertencia.
Criterios de STATGRAPHICS para fuera de control.

2. Reconocimiento de patrones no aleatorios: Datos: patrones.sf3
Generar procesos con distintos patrones.
Tendencias.
Saltos
Estratificacin.
Patrones cclicos.
Representar las cartas y reconocer los patrones.

3. Cartas de Control por variables a valores estndar. Peligros y utilidad.
Simular 40 muestras de tamao 6 de un proceso en estado de control estadstico con distribucin
N(3;0,01).
Obtener las Cartas de Control apropiadas a valores estndar con los valores correctos de y o.
Obtener las Cartas de Control para valores errneos de (3,005 y 2,995) y de o (0,02 y 0,005).

Tema 4 Cartas de Control para Variables 1

TEMA 4.

CARTAS DE CONTROL PARA VARIABLES



INTERPRETACIN DE LOS GRFICOS DE CONTROL PARA VARIABLES

1. Se necesita controlar los dos parmetros del proceso:
La media del proceso (Carta de X).
La desviacin tpica (variabilidad) del proceso o (Cartas de R o S).

2. Si alguno de los dos parmetros del proceso experimenta un cambio importante, los diagramas lo
advertirn mostrando puntos fuera de los lmites de control.
Un cambio en la media del proceso producir valores extremos en el grfico de las medias. La
Carta de la Variabilidad no se ver afectada.
Un cambio en la desviacin tpica (variabilidad) del proceso puede generar puntos extremos en
ambas cartas.
Los cambios en ambos parmetros a la vez, incrementan los puntos extremos.

3. No se debe tratar de interpretar la Carta de la Media cuando la Carta de la Variabilidad (R o S)
muestra condiciones de fuera de control.

4. Cambios en la forma de la distribucin provocan anomalas ms complejas. Por ejemplo, la
aparicin de asimetra positiva provoca una alta correlacin entre Xy R o entre Xy S.




NECESIDAD DE CONTROLAR LOS DOS PARMETROS DEL PROCESO

a) N(
0
,o
0
): La media y la desviacin tpica del
proceso estn en sus valores nominales.

b) N(
1
,o
0
),
1
>
0
: La media del proceso se ha
situado por encima del valor nominal.

c) N(
0
,o
1
), o
1
>o
0
: La desviacin tpica del proceso
se ha situado por encima del valor nominal


PROCESO EN ESTADO DE CONTROL ESTADSTICO

1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X
R
1
R
2
R
3
R
4
R
5
R
6
R
7
R
8
R
9
R
10
R
11
R
12
R
13
R
14

DIAGRAMA DE MEDIDAS
INDIVIDUALES
1 X
3 X

2 X

4 X

5 X

6 X

8 X

7 X

9 X

10 X

12 X

11 X

13 X

14 X

DIAGRAMA DE CONTROL DE MEDIAS
Subgrupo
LSC

LC

LIC
R
1
R
3

R
2

R
4

R
5

R
6

R
8

R
7

R
9

R
10

R
12

R
11
R
13

R
14

DIAGRAMA DE CONTROL DE RANGOS
Subgrupo
LSC

LC

LIC

CAMBIOS EN LA MEDIA DEL PROCESO

1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X
R
1
R
2
R
3
R
4
R
5
R
6
R
7
R
8
R
9
R
10
R
11
R
12
R
13
R
14

DIAGRAMA DE MEDIDAS
INDIVIDUALES
1 X

3 X

2 X

4 X

5 X

6 X

8 X

7 X

9 X

10 X

12 X

11 X

13 X

14 X

Subgrupo
LSC

LC

LIC
R
1
R
3

R
2

R
4

R
5

R
6

R
8

R
7

R
9

R
10

R
12

R
11
R
13

R
14

Subgrupo
LSC

LC

LIC


CAMBIOS EN LA VARIABILIDAD DEL PROCESO
1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X
R
1
R
2
R
3
R
4
R
5
R
6
R
7
R
8
R
9
R
10
R
11
R
12
R
13
R
14

DIAGRAMA DE MEDIDAS
INDIVIDUALES
1 X

3 X

2 X

4 X

5 X

6 X

8 X

7 X

9 X

10 X

12 X

11 X

13 X

14 X

Subgrupo
LSC

LC

LIC
R
1
R
3

R
2

R
4

R
5

R
6

R
8

R
7

R
9

R
10

R
12

R
11

R
13

R
14

Subgrupo
LSC

LC

LIC

OTROS CAMBIOS EN LA VARIABILIDAD DEL PROCESO: ASIMETRA
INCORRELACIN DE MEDIAS Y RANGOS PARA DISTRIBUCIONES SIMTRICAS (NORMAL)

MUESTRAS DE UNA DISTRIBUCIN SIMTRICA CARTA DE CONTROL PARA LA MEDIA

DIAGRAMA DE DISPERSIN MEDIAS - RANGOS CARTA DE CONTROL PARA EL RANGO
Subgrupo
O
B
S
E
R
V
A
C
I
O
N
E
S
0 5 10 15 20 25 30
-2,4
-1,4
-0,4
0,6
1,6
2,6
3,6
Subgrupo
M
E
D
I
A
S
CTR = -0,06691
UCL = 1,18133
LCL = -1,31515
0 5 10 15 20 25 30
-1,4
-0,9
-0,4
0,1
0,6
1,1
1,6
Subgrupo
R
A
N
G
O
S
CTR = 4,64706
UCL = 9,31246
LCL = 0,00000
0 5 10 15 20 25 30
0
2
4
6
8
10
12
R
A
N
G
O
S

MEDIAS
R
A
N
G
O
S
Coef. de Correlacin = -0,0248
-0,7 -0,4 -0,1 0,2 0,5 0,8
0
1
2
3
4
5
6
) R , X (
i
i

OTROS CAMBIOS EN LA VARIABILIDAD DEL PROCESO: ASIMETRA
CORRELACIN ENTRE MEDIAS Y RANGOS PARA DISTRIBUCIONES ASIMTRICAS

MUESTRAS DE UNA DISTRIBUCIN ASIMTRICA CARTA DE CONTROL PARA LA MEDIA

DIAGRAMA DE DISPERSIN MEDIAS - RANGOS CARTA DE CONTROL PARA EL RANGO
Subgrupo
O
B
S
E
R
V
A
C
I
O
N
E
S
0 5 10 15 20 25 30
0
2
4
6
8
10
12
Subgrupo
M
E
D
I
A
S
CTR = 2,07869
UCL = 4,32473
LCL = -0,16734
0 5 10 15 20 25 30
-0,5
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
Subgrupo
R
A
N
G
O
S
CTR = 4,64706
UCL = 9,31246
LCL = 0,00000
0 5 10 15 20 25 30
0
2
4
6
8
10
12
MEDIAS
R
A
N
G
O
S
0 1 2 3 4
0
2
4
6
8
10
Coef. de Correlacin = 0,82807
R
A
N
G
O
S

) R , X (
i
i


PRCTICA DE CARTAS DE CONTROL POR VARIABLES. 1
1. Repercusin de cambios en la media o en la desviacin tpica de un proceso en las cartas de
control. Necesidad de controlar el proceso con dos cartas.

Simular 40 muestras de tamao 5 de un proceso en estado de control estadstico con distribucin
N(3;0,1). Representar las Cartas de Control apropiadas.
Introducir un cambio en la media del proceso a partir de la muestra 31 (por ejemplo =3,1 o
=2,9) y observar los cambios en las cartas.
Introducir cambios en la desv. tpica del proceso a partir de la muestra 31 (por ejemplo o=0,2 o
o=0,05) y observar los cambios en las cartas.
Introducir cambios simultneamente en la media y la desviacin tpica.
Introducir tendencias

2. Repercusin de la asimetra en las cartas de control
Simular 40 muestras de tamao 5 de un proceso en estado de control estadstico con asimetra
positiva. Representar las Cartas de Control apropiadas.
Simular 40 muestras de tamao 5 de un proceso en estado de control estadstico con asimetra
negativa. Representar las Cartas de Control apropiadas.

3. Mtodo de Montecarlo para obtener la distribucin de estadsticos. Estudio del Rango y la
Desviacin tpica muestral. Estimacin de las constantes de la Tabla VI.
Simular muchas muestras del mismo tamao de una distribucin normal (p. ej. N(0;1)) por filas.
Obtener los estadsticos de cada muestra (Media, Mediana, Rango, Desviacin Tpica, Varianza)
Estudiar su distribucin muestral para muestras pequeas y su comportamiento asinttico.
Comprobar la normalidad o no normalidad de estas distribuciones.
Para la distribucin del rango, estimar los valores d
2
y d
3
de las Tabla VI.

Para la distribucin de S, estimar los valores c
4
de la Tabla VI.

USO PRCTICO DE LAS CARTAS DE CONTROL POR VARIABLES

1. PASOS PREPARATORIOS
Establecer un entorno apropiado para la accin.
Definir el proceso.
Determinar las caractersticas a estudiar.
Definir el sistema de medida.
Evitar variacin innecesaria.

2. RECOGIDA DE DATOS
Seleccionar el tamao, la frecuencia y el nmero de subgrupos.
Recoger los datos muestrales.
Calcular los estadsticos de cada subgrupo (p. ej. Media y Rango).
Seleccionar las escalas adecuadas para las cartas.
Representar Medias y Rangos en las cartas correspondientes.

3. CONSTRUCCIN DE LAS CARTAS DE CONTROL PARA EL ESTUDIO INICIAL
Estimacin de los parmetros del proceso ( y o).
Eleccin de un criterio para los lmites de control (habitualmente k=3o).
Dibujar para cada carta la lnea central y los lmites de control preliminares.



4. INTERPRETACIN DE LAS CARTAS Y DEL ESTADO DE CONTROL DEL PROCESO
4.1. CARTA DEL RANGO O DE OTRO ESTADSTICO DE DISPERSIN
(siempre en primer lugar)
Analizar la Carta del Rango.
Puntos fuera de los lmites de control.
Rachas.
Otros patrones no aleatorios.
Encontrar las causas especiales de variabilidad y eliminar los puntos.
Nuevas estimaciones de los parmetros.
Recalcular la lnea central y los lmites de control.
4.2. CARTA DE LA MEDIA
Analizar la Carta de la Media.
Rachas.
Otros patrones no aleatorios.
Nuevas estimaciones de los parmetros.
Recalcular la lnea central y los lmites de control.

5. CONTROL FUTURO A VALORES ESTNDAR CON LOS PARMETROS ESTIMADOS.

6. INTERPRETAR LA CAPACIDAD DEL PROCESO.


DIAGRAMAS
X
Y R
FUNDAMENTOS

X = Caracterstica del proceso a controlar.

Proceso bajo control estadstico: E(X) = , o(X) =DT(X) = o. (habitualmente XN(,o))

a) CONTROL A VALORES ESTNDAR: y o son parmetros conocidos
b) ESTUDIO INICIAL: y o son parmetros desconocidos

X
1
, X
2
, ..., X
n
muestra del proceso en un momento concreto:

muestral) Amplitud o (Rango ) X ,..., X mn( ) X ,..., X mx( R
muestral) Media ( X
n
1
X
n 1 n 1
n
1 i
i
=
=

=

X
informa sobre la media del proceso . R informa sobre la desv. tpica del proceso o.

Carta de Xpara controlar :
n ) X ( , X E
X X
o = o = o = =

Carta de R para controlar o:
o = o = o o = =
3 R 2 R
d ) R ( , d ER



(d
2
y d
3
slo dependen de n y de la normalidad (Tabla VI))

CONSTRUCCIN DE CARTAS X Y R A VALORES ESTNDAR

1.- Se toman m muestras de tamao n del proceso:

Muestra 1: X
11
, X
12
, ..., X
1n

1 1
R , X

Muestra 2: X
21
, X
22
, ..., X
2n

2 2
R , X

.....
Muestra m: X
m1
, X
m2
, ..., X
mn

m m
R , X

2.- Se calculan los lmites de control y la lnea central
Carta de
X

n 3 : LIC
: Central Lnea
n 3 : LSC
o
o +

o
o +
A : LIC
: Central Lnea
A : LSC

Tabla VI:
n 3 A =

Carta de R

o o
o
o + o
3 2
2
3 2
d 3 d : LIC
d : Central Lnea
d 3 d : LSC

o
o
o
1
2
2
D : LIC
d : Central Lnea
D : LSC

3 2 2
3 2 1
d 3 d D
d 3 d D
: VI Tabla
+ =
=

3.- Se representan
m ,... 1 i R y X
i i
=


ESTUDIO INICIAL: CONSTRUCCIN DE CARTAS X Y R ESTIMANDO (,o)

1.- Tomamos muestras preliminares con el proceso bajo control (al menos 25 o 30 muestras).

2.- Cada muestra proporciona estimadores de los parmetros.

Muestra 1: X
11
, X
12
, ..., X
1n

1 1
R , X
estimadores de y o
Muestra 2: X
21
, X
22
, ..., X
2n

2 2
R , X
estimadores de y o
....
Muestra m: X
m1
, X
m2
, ..., X
mn
m m
R , X
estimadores de y o

3.- Promediamos los estimadores de cada muestra para tener estimaciones ms precisas.

) insesgado estimador ( X
nm
) X ( ; ) X E
m
X ... X
X
omedio Pr Gran
m 1

(

=
o
= o =
+ +
=

) insesgado . est d R
m
d
) R ( ; d R E
m
R ... R
R
Medio Rango
2
3
2
m 1
(

= o
o
= o o =
+ +
=



4.-Se calculan los lmites de control y la lnea central

5.- Se representan
m ,... 1 i R y X
i i
=

Carta de X
R
n d
3
X : LIC
X : Central Lnea
R
n d
3
X : LSC
2
2
+

Carta de R
R
d
d
3 R : LIC
R : Central Lnea
R
d
d
3 R : LSC
2
3
2
3
+

n d
3
A : VI Tabla
R A X : LIC
X : Central Lnea
R A X : LSC
2
2
2
2
=
+

2 3 3
2 3 4
3
4
d d 3 1 D
d d 3 1 D
VI Tabla
R D : LIC
R : Central Lnea
R D : LSC
=
+ =


PRCTICA DE CARTAS DE CONTROL POR VARIABLES (X-bar y R). 2

1. Se quiere controlar un proceso de fabricacin de rodamientos. Se toman 24 muestras de tamao 5
del dimetro interior (3 ltimos dgitos decimales. Por ejemplo 34,5 significa 0,50345) para el que se
supone normalidad. (MONT 5-01.sf3).
a. Elaborar cartas de control de medias y rangos. Valorar el estado de control del proceso. Si es
necesario, revisar los lmites de control.
b. Si las especificaciones son 0,50300,0010, estimar el porcentaje de disconformes.

2. Una fuente de suministro de energa de alto voltaje tiene unas especificaciones de 350V5V. Se
selecciona una muestra de cuatro unidades cada da para controlar el proceso (MONT 5-02.sf3).
Los datos muestran la diferencia del valor observado respecto al nominal multiplicada por 10.
a. Establecer la situacin de control del proceso. Elaborar cartas de control para los prximos das.
b. Estudiar la hiptesis de normalidad para el proceso. Cmo est la capacidad del proceso?
c. Estudiar la sensibilidad de la carta para detectar una desviacin sobre el nominal de 14 puntos
(en las unidades utilizadas).
d. Estudiar dicha desviacin desde el punto de vista ARL.

3. Se tienen datos de desviaciones respecto al dimetro nominal de agujeros realizados en un
compuesto de fibra de carbono usado en la industria aeroespacial (MONT 5-03.sf3). Los valores
son desviaciones del nominal en diezmilsimas de pulgada, y las especificaciones Nominal100.
a. Realizar un estudio sobre el control del proceso. Estimar los parmetros.
b. Valorar la capacidad y la normalidad.

4. El espesor de tarjetas de circuitos impresos es una dimensin crtica para su calidad, con especifi-
caciones 0,06300,0015 pulg. Se tienen datos de 25 muestras de 3 tarjetas (MONT 5-04.sf3).
a. Realizar un estudio sobre el control del proceso. Estimar los parmetros.
b. Comparar con otras cartas alternativas para el control de sigma.

CURVAS CARACTERSTICAS DE OPERACIN PARA LOS DIAGRAMAS DE X Y R

Exigencias a satisfacer por los diagramas de control:
Generar pocas veces FALSA ALARMA.
Detectar pronto los posibles CAMBIOS en el proceso.

De modo equivalente:
PROCESO BAJO CONTROL El grfico no muestra seales de fuera de control (a penas).
PROCESO FUERA DE CONTROL El grfico lo indica lo antes posible.

PROBABILIDAD DE FALSA ALARMA:
Controlada a travs de la eleccin de los Lmites de Control.
Ejemplo: Carta de X con datos normales y lmites de 3o:
P(FALSA ALARMA) = 0.0027.
Una FALSA ALARMA cada ms de 370 muestras.

CAPACIDAD PARA DETECTAR CAMBIOS:
Disminuye cuando disminuye la Prob. de falsa alarma. (Recordar el conflicto: o v.s. |)
Depende del tipo de carta.
Depende del tamao muestral de los subgrupos. (Aumenta con el tamao muestral n)
Depende de la importancia del cambio: Cuanto mayor es el cambio ms fcilmente se detecta.
Curvas Caractersticas de Operacin (curvas C.O):
Representan la probabilidad de no detectar el cambio en funcin del cambio y de n .
Son especficas de cada tipo de carta: X , R, S, ...

Curva ARL: Representa el nmero medio de subgrupos hasta la deteccin del cambio.
CURVAS O.C. PARA LA CARTA DE LA MEDIA

EXPRESIN ANALTICA DE LA CURVA C.O.:

Proceso bajo control:
) n , ( N X ), , ( N X
0 0
o o

Cambio de la media del proceso:
o + = d
0 1

Lmites de Control de
X
3o :

( ) ( ) ( )
( ) ( ) n d 3 n d 3
n
n 3 ) d (
,
n
n 3 ) d (
n
X
P
n
n 3
,
n
n 3
n
X
P n 3 , n 3 X P ) LSC , LIC ( X P
0 0 0 0 1
1 0 1 0 1
0 0
1
1 1 1
u u =
|
|
.
|
\
|
|
|
.
|
\
|
o
o + o +
o
o o +
e
o

=
|
|
.
|
\
|
|
|
.
|
\
|
o
o +
o
o
e
o

= o + o e = e = |

Con lmites de control de
X
ko
:
) n 3 , n 3 ( ) 3 , 3 ( ) LSC , LIC (
0 0
X
0
X
0
o + o = o + o =
( ) ( ) n d k n d k u u = |

CURVA C.O. PARA LA MEDIA
d
P
r
(
a
c
c
e
p
t
)
0 0,5 1 1,5 2 2,5 3 3,5 4
0
0,2
0,4
0,6
0,8
1
n=2 n=3 n=4
n=5
n=6
n=8
n=10
n=15
n=20
n=25

LONGITUD MEDIA DE LA RACHA: A.R.L.

Cambio de la media del proceso:
o + = d
0 1

X
3o :

En cada subgrupo:

T = n de subgrupos extrados hasta que se detecta el cambio: T g(1|) (distribucin geomtrica)

Prob. de deteccin en la muestra n1: P(T=1) = 1|
Prob. de deteccin en la muestra n2: P(T=2) = |(1|)
.....
Prob. de deteccin en la muestra nr: P(T=r) = |
r-1
(1|), r = 1, 2, ...

Prob. de deteccin en las r primeras muestras:

N medio de subgrupos hasta la deteccin:
|
= =
1
1
) T ( E ARL

Probabilidad de no deteccin Probabilidad de deteccin

( ) ( ) n d k n d k u u = |

( ) ( ) n d k n d k 1 1 u + u = |

r
1 ) r T ( P | = s

OBSERVACIONES:

1. La capacidad de la carta X para detectar cambios pequeos en la media (en la primera muestra)
no es muy elevada debido a que se suelen usar tamaos muestrales pequeos.

2. La probabilidad de deteccin en alguna de las prximas muestras ya es considerablemente ms
elevada. As, al realizar el muestreo peridicamente, hay posibilidades de detectar el cambio de
forma relativamente rpida.

3. La curva ARL, longitud media de racha, representa el nmero medio de subgrupos necesarios
hasta la deteccin, en funcin del tamao muestral y la magnitud del cambio.

4. El uso de criterios complementarios para interpretar los grficos, como lmites de advertencia y
criterios de rachas, mejora la sensibilidad del grfico X para detectar cambios.

EJEMPLO:

d = 1,50 ; n = 5 d = 1,25 ; n = 5 d = 1,00 ; n = 5
r P(T=r) P(Tsr) P(T=r) P(Tsr) P(T=r) P(Tsr)
1 0,638371 0,638371 0,418817 0,418817 0,222450 0,222450
2 0,230853 0,869224 0,243409 0,662226 0,172966 0,395416
3 0,083483 0,952708 0,141465 0,803692 0,134490 0,529906
4 0,030190 0,982898 0,082217 0,885909 0,104572 0,634478
5 0,010918 0,993815 0,047783 0,933692 0,081310 0,715789
6 0,003948 0,997763 0,027771 0,961463 0,063223 0,779011
7 0,001428 0,999191 0,016140 0,977603 0,049159 0,828170
8 0,000516 0,999708 0,009380 0,986983 0,038224 0,866394
ARL 1,5665 1,7206 4,4954


CURVA ARL PARA LA CARTA DE LA MEDIA
d
A
R
L
0 0,25 0,5 0,75 1
0
100
200
300
400
n=25
n=20
n=15
n=10
n=8
n=6
n=5
n=4
n=3
n=2

CURVAS C.O. PARA EL RANGO
) , ( N X
0
o

Cambio de la desviacin tpica del proceso:
1 ,
0 1
> o = o

R
3o
:

OBSERVACIONES:

1. La carta R es poco eficaz para detectar
cambios de o. Ej: o
1
= 2o
0
y n = 5 | ~ 0,6.

2. La probabilidad de deteccin en varios
subgrupos sucesivos aumenta considerable-
mente.

3. Los criterios de rachas y los lmites de
advertencia mejoran las posibilidades de
deteccin.

4. Para n > 10 se suele usar la carta S que es algo
ms sensible.

5. La Carta de X tambin tiene cierta
sensibilidad para detectar cambios de o. Esto
aumenta la sensibilidad conjunta de las cartas
X y R.


DETECCIN DE CAMBIOS EN o CON LA CARTA X
En la obtencin de los lmites de control de la carta X tambin interviene o o su estimacin.
Esto hace que la Carta X tenga tambin cierta sensibilidad para detectar cambios en o.

) n , ( N X ), , ( N X
0 0
o o

Cambio de la desviacin tpica del proceso:
0 1
o = o

X
3o :

( ) ( ) ( )
( ) ( ) ( ) 1 3 2 3 3
n
n 3
,
n
n 3
n
X
P
n 3 , n 3 X P ) LSC , LIC ( X P
0
0
0
0
1
0 0
1
1 1
u = u u =
|
|
.
|
\
|
|
|
.
|
\
|
o
o +
o
o
e
o

=
o + o e = e = |
o
o o

Con lmites de control de
X
ko
:

OBSERVACIONES:

1. La sensibilidad es ciertamente baja.
2. No depende del tamao muestral.
3. Ayuda a la Carta R.

EJEMPLO: n = 2 n = 5 n = 8

Carta X

Carta R X y R

Carta R X y R

Carta R X y R
1| 1| 1| 1| 1| 1| 1|
1,5 0,0455 0,07 0,11 0,13 0,17 0,19 0,23
2,0 0,1336 0,19 0,30 0,40 0,48 0,56 0,62
2,5 0,2301 0,30 0,46 0,64 0,72 0,81 0,85
3,0 0,3173 0,39 0,58 0,77 0,84 0,91 0,94
3,5 0,3914 0,47 0,68 0,88 0,93 0,96 0,98
4,0 0,4533 0,52 0,74 0,91 0,95 0,98 0,99
4,5 0,5050 0,57 0,79 0,93 0,97 0,99 1,00
5,0 0,5485 0,59 0,81 0,95 0,98 1,00 1,00

) n 3 , n 3 ( ) 3 , 3 ( ) LSC , LIC (
0 0
X X
o + o = o + o =
( ) 1 k 2 u = |

PRACTICA DE CONTROL POR VARIABLES (CURVAS OC y ARL). 3

1. Estudio por Montecarlo del significado de las curvas OC y ARL para la carta de la media.
a. Simular 250 muestras de tamao 5 de una distribucin normal N(3;0,1).
b. Representar la carta de control a estndar de la media para las 50 primeras muestras.
c. Obtener mediante las curvas OC las probabilidades de detectar distintos cambios en la media.
d. Estudiar mediante las curvas ARL el nmero medio de muestras necesarias para detectar
dichos cambios.
e. Introducir un cambio real en el proceso a partir de la muestra 51 de manera que la distribucin
actual sea, por ejemplo, N(3,1;0,1).
f. Representar los datos en la carta de control y comprobar el cumplimiento aproximado de lo
visto en c y d.
g. Probar con distintas magnitudes para el cambio.

2. Estudio por Montecarlo del significado de las curvas OC y ARL para la carta del rango.
a. Simular 250 muestras de tamao 5 de una distribucin normal N(3;0,1).
b. Representar la carta de control a estndar de la media para las 50 primeras muestras.
c. Introducir un cambio real en el proceso a partir de la muestra 51 de manera que la distribucin
actual sea, por ejemplo, N(3;0,2).
d. Representar los datos en la carta de control y comprobar el cumplimiento aproximado de lo
que muestran las curvas OC.
e. Probar con distintas magnitudes para el cambio.

DIAGRAMAS
X
Y S
FUNDAMENTOS


Proceso bajo control estadstico: E(X) = , o(X) =DT(X) = o. (habitualmente XN(,o))

c) CONTROL A VALORES ESTNDAR: y o son parmetros conocidos
d) ESTUDIO INICIAL: y o son parmetros desconocidos

X
1
, X
2
, ..., X
n
muestra del proceso en un momento concreto:

( ) muestral) Tpica n (Desviaci X X
1 n
1
S
muestral) Media ( X
n
1
X
n
1 i
2
i
n
1 i
i
=
=
=
=

X
informa sobre la media del proceso . S informa sobre la desv. tpica del proceso o.

Carta de Xpara controlar :
n ) X ( , X E
X X
o = o = o = =

Carta de S para controlar o:
2
4 S 4 S
c 1 ) S ( , c ES o = o = o o = =


(c
4
slo depende de n y de la normalidad (Tabla VI))

CONSTRUCCIN DE CARTAS X Y S A VALORES ESTNDAR


Muestra 1: X
11
, X
12
, ..., X
1n

1 1
S , X

Muestra 2: X
21
, X
22
, ..., X
2n

2 2
S , X

.....
Muestra m: X
m1
, X
m2
, ..., X
mn

m m
S , X

3.- Se representan
m ,... 1 i S y X
i i
=

Carta de
X

n 3 : LIC
: Central Lnea
n 3 : LSC
o
o +

o
o +
A : LIC
: Central Lnea
A : LSC

Tabla VI:
n 3 A =

Carta de S
2
4 4
4
2
4 4
c 1 3 c : LIC
c : LC
c 1 3 c : LSC
o o
o
o + o

o
o
o
5
4
6
B : LIC
c : Central Lnea
B : LSC

2
4 4 6
2
4 4 5
c 1 3 c B
c 1 3 c B
: VI Tabla
+ =
=


) insesgado estimador ( c S
m
c 1
) S ( ; c S E
m
S ... S
S
omedio Pr Tpica Desviacin
4
2
4
4
m 1
= o
o
= o o =
+ +
=
ESTUDIO INICIAL: CONSTRUCCIN DE CARTAS X Y S ESTIMANDO (,o)


2.- Cada muestra proporciona estimadores de los parmetros.

Muestra 1: X
11
, X
12
, ..., X
1n

1 1
S , X
estimadores de y o
Muestra 2: X
21
, X
22
, ..., X
2n

2 2
S , X
estimadores de y o
....
Muestra m: X
m1
, X
m2
, ..., X
mn
m m
S , X
estimadores de y o


) insesgado estimador ( X
nm
) X ( ; ) X E
m
X ... X
X
omedio Pr Gran
m 1

(

=
o
= o =
+ +
=


4.-Se calculan los lmites de control y la lnea central
5.- Se representan
m ,... 1 i S y X
i i
=

Carta de X
S
n c
3
X : LIC
X : LC
S
n c
3
X : LSC
4
4
+

n c
3
A : VI Tabla
S A X : LIC
X : Central Lnea
S A X : LSC
4
3
3
3
=
+

4
2
4 3
4
2
4 4
3
4
c c 1 3 1 B
c c 1 3 1 B
VI Tabla
S B : LIC
S : Central Lnea
S B : LSC
=
+ =

Carta de S
2
4
4
2
4
4
c 1
c
S
3 S : LIC
S : LC
c 1
c
S
3 S : LSC

+


ELECCIN ENTRE LA CARTA R Y LA CARTA S

PROPIEDADES DE R COMO ESTIMADOR DE o:

Estimador insesgado de o basado en R:

PROPIEDADES DE S COMO ESTIMADOR DE o:
2
4 S 4 S
c 1 ) S ( , c ES o = o = o o = =

Estimador insesgado de o basado en S:

EFICIENCIA RELATIVA R/S

( ) 2
2
4
2
4
2
4
2
S
4 4 4 4
2
c
c 1
c
c
S
Var ;
c
ES
c
S
E ;
c
S
o
|
.
|
\
|
=
o
=
|
.
|
\
|
o =
|
.
|
\
|
=
|
.
|
\
|
= o
2
2
2
2
3
2
2
2
2 2
2
2 2 2
1
; ; o
o
o
o
o
|
.
|
\
|
= =
|
.
|
\
|
= = =
|
.
|
\
|
=
d
d
d
d
R
Var
d
d
d
ER
d
R
E
d
R R
( )
2
4
2
4
2
2
2
3
2
1
2 1
c 1
c
d
d
) ( Var
) ( Var
. l Re . Ef
=
o
o
= o o
n
( )
2 1
. l Re . Ef o o

Recomendacin
2 1 R~S
3 0,992 R~S
4 0,975 R~S
5 0,955 R~S
6 0,930 R~S
.
10 0,850 S
25 0,651 S

o = o = o o = =
3 R 2 R
d ) R ( , d ER

PRCTICA DE CARTAS DE CONTROL POR VARIABLES (X-bar y S). 4

1. El volumen de llenado de botellas de bebidas es una caracterstica de calidad importante. El
volumen se mide a travs de la desviacin de la altura que alcanza el lquido con un valor de
referencia. Se toman 15 muestras de tamao 10 para ser analizadas. (MONT 5-05.sf3)
a. Realizar el control estadstico del proceso a travs de cartas X-bar y S.
b. Comparar con las cartas X-bar y R. Hacer lo mismo con X-bar y S
2
.
c. Estudiar la sensibilidad de la carta para detectar desviaciones de una unidad en el llenado medio.
Valorar este aspecto con la curva ARL.

2. Se toman 20 muestras iniciales de tamao 5 de una dimensin crtica de ciertas piezas fabricadas
en un proceso de mecanizado. (MONT 5-12.sf3)
a. Realizar el control estadstico del proceso a travs de cartas X-bar y S.
b. Comparar con las cartas X-bar y R. Hacer lo mismo con X-bar y S2.
c. Realizar control a valores estndar para las 10 muestras posteriores que corresponden a piezas
fabricadas con materiales de un nuevo proveedor y extraer conclusiones.
d. Realizados los ajustes pertinentes, se toman 10 nuevas muestras. Comentar los hallazgos.
e. Valorar lo observado en la nueva carta y comparar con lo que muestran las curvas OC y ARL.

3. Unas piezas manufacturadas por un proceso de moldeo por inyeccin se someten a una prueba de
resistencia a la compresin en psi (MONT 5-13.sf3). Se toman 20 muestras iniciales de tamao 5.
a. Realizar el control estadstico del proceso con las 20 muestras iniciales con las cartas X-bar y S.
b. Hacer control a estndar de las 15 muestras posteriores. Sacar conclusiones.
c. Resolver el problema con las cartas X-bar y S y valorar las diferencias.

insesgado) (est.
) ( ; E
: Promedio
1
X
n X X
n
X X
X
n
=
= =
+
=
o o
) (insesgado 128 , 1
1 ) ( ; E
1
: Medio Rango
2
3 2
2
R d R
n d R d R
n
R R
R
n
= =
= =

+
=
o
o o o
CARTAS DE CONTROL PARA MEDIDAS INDIVIDUALES

Se utilizan principalmente cuando slo se puede disponer de una observacin (tipo variable)
peridicamente. Por ejemplo:

Cuando la tasa de produccin es demasiado lenta como para formar subgrupos de tamao n > 1.
Cuando medidas repetidas difieren slo por a errores de medicin. (Ej: productos qumicos)
Cuando las pruebas son destructivas o muy caras.
Cuando se utiliza tecnologa de inspeccin y medicin automatizada y se analiza cada unidad fabricada.


Proceso bajo control estadstico: E(X) = , o(X) = DT(X) = o. (habitualmente XN(,o))

Observaciones: X
1
, X
2
, X
3
, ..., X
n-1
, X
n

a) Para vigilar la media del proceso: GRAFICAREMOS LAS PROPIAS OBSERVACIONES X
1
,..., X
n

b) Para vigilar la variabilidad del proceso: GRAFICAREMOS LOS RANGOS MVILES R
2
,..., R
n

R
2
= |X
2
- X
1
|, R
3
= |X
3
- X
2
|, , R
i
= |X
i
- X
i-1
|, i = 2, 3, ..., n.

Habitualmente y o son parmetros desconocidos: Los estimaremos y o a partir de la muestra.


Se representan X
1
,..., X
n

Se representan R
2
,..., R
n

OBSERVACIONES:
1. Se necesita un nmero suficiente de datos preliminares (n>50) para que la estimacin de los
parmetros del proceso sea fiable y para poder valorar la hiptesis de normalidad.
2. Los rangos mviles no son independientes. Cuidado con los criterios basados en rachas.
CARTA PARA LA MEDIA
1,128 (2) d
R
(2) d
3
X : LIC
X : LC
R
(2) d
3
X : LSC
2
2
2
=
+

CARTA PARA EL RANGO
0,853 (2) d 1,128; (2) d
R
(2) d
(2) d
3 R : LIC
R : LC
R
(2) d
(2) d
3 R : LSC
3 2
2
3
2
3
= =
+

CARTA PARA LA MEDIA
R 2,66 X : LIC
X : LC
R 2,66 X : LSC
+

CARTA PARA EL RANGO
0 D 3,267; D
0 R D : LIC
R : LC
R 3,267 R D : LSC
3 4
3
4
= =
=
=


3. Tras establecer el estado de control del proceso y estimar y o, se puede seguir vigilando el
proceso a valores estndar. Las cartas a valores estndar se construyen anlogamente.
PRCTICA DE CARTAS DE CONTROL POR VARIABLES (INDIVIDUALES). 5

1. Una mquina llena vasos de caf que son pesados automticamente. Se tienen los pesos de 25
vasos llenados consecutivamente (MONT 5-46.sf3).
a. Estudiar el estado de control del proceso.
b. Si se retiran todos los vasos con menos de 16 oz, estimar el porcentaje de unidades desechadas.

2. Se mide la dureza de una aleacin de aluminio en 50 hornadas sucesivas (MONT 5-47.sf3).
a. Establecer el estado de control del proceso.
b. Estimar los parmetros y estudiar la normalidad.

3. Se tienen 20 datos de la viscosidad de un polmero medidos cada hora. Realizar las cartas de
control apropiadas, establecer la situacin de control y representar las cinco observaciones
siguientes. Comentar los resultados. (MONT 5-48.sf3)

4. Se est controlando el espesor del xido en placas de silicio a partir de 30 observaciones
individuales (MONT 5-50.sf3).
a. Establecer el estado de control del proceso.
b. Estimar los parmetros.
c. Estudiar la normalidad.
d. Realizar control a estndar para las diez siguientes placas. Sacar conclusiones.
e. Suponiendo descubierta y eliminada la causa asignable anterior, volver a controlar a estndar las
20 placas siguientes.



Tema 3.Introduccin al Control Estadstico de Procesos 1

TEMA 5.

ESTUDIO DE LA CAPACIDAD DE LOS
PROCESOS



ESTUDIO DE LA CAPACIDAD DE LOS PROCESOS
Estudio de la variabilidad natural de un proceso comparada con los lmites de especificacin o
requerimientos para el producto.

LMITES DE ESPECIFICACIN: Valores que delimitan la produccin conforme y disconforme.

(LIE, LSE) = NOMINAL MARGEN DE VARIACIN
NOMINAL: Valor objetivo del proceso
LIE = Lmite Inferior de Especificacin
LSE = Lmite Superior de Especificacin

LMITES DE TOLERANCIA NATURALES:
Valores entre los que est contenida la prctica
totalidad de la produccin de un proceso.

(LITN, LSTN) = 3o (bajo normalidad)
LITN = Lmite Inferior de Tolerancia Natural
LSTN = Lmite Superior de Tolerancia Natural
Produccin fuera de (LITN, LSTN):
0,27 %
2700 PPM (partes por milln).

Cp = 1,65
Cpk = 1,30
Cpk (sup) = 1,30
Cpk (inf) = 1,99
K = 0,21
CAPACIDAD DE UN PROCESO
LIE = 2,95, Nominal = 3,0, LSE = 3,05
CARACTERSTICA EN ESTUDIO
LITN LSTN
2,94 2,96 2,98 3,00 3,02 3,04 3,06 3,08

FASES DEL ESTUDIO DE LA CAPACIDAD DE LOS PROCESOS

0. Estudiar la capacidad del sistema de medida
1. Comprobar la normalidad o buscar transformaciones promoviendo la normalidad.
2. Estimar adecuadamente los parmetros (, o).
3. Establecer (LITN, LSTN) = o 3
, (slo vlidos bajo normalidad).
4. Calcular ndices de capacidad y estimar tasas de produccin disconforme.

PROCEDIMIENTOS PARA EL ESTUDIO DE LA CAPACIDAD DE LOS PROCESOS:
a) A partir de una muestra grande. Procedimientos habituales:

Histograma Plot de normalidad
Test de Ajuste Chi-cuadrado Test de Shapiro y Wilk
Estimadores habituales:
S , X = o =
.
Estimadores rpidos:
50 84 50 . Perc . Perc ; Percentil = o =

b) A partir de Cartas de Control con muestras pequeas a lo largo del tiempo.
Establecer el control del proceso.
Comprobar la normalidad.
Estimadores basados en las cartas:

c) Estudio de la variabilidad de un proceso o producto a partir de la variabilidad de las distintas
partes o componentes y el tipo de ensamble: Combinaciones lineales y no lineales

d) Diseo de Experimentos: Modelo de componentes de la varianza para estimar los distintos
componentes de la variabilidad.
4 2
c
S

d
R
; X = o = o =


PLOTS PROBABILSTICOS DE NORMALIDAD
La normalidad de unos datos es difcil de juzgar con cierta precisin comparando el histograma con
la densidad hipottica y menos an con diagramas acumulativos.
Los plots de normalidad convierten este problema en algo ms sencillo: Juzgar el grado de
linealidad de unos puntos en el plano.
Los plots de normalidad enfrentan los valores observados de la muestra ordenada con los que seran
de esperar si la distribucin poblacional fuera una normal con los parmetros (media y desviacin
tpica) estimados a partir de la muestra.
Si la poblacin es normal y la muestra es aleatoria, entonces los puntos estn aproximadamente
alineados.


NORMALIDAD Y DESVIACIONES DE LA NORMALIDAD


PRACTICA SOBRE ESTUDIO DE LA NORMALIDAD

1. Normalidad.

Simular muestras de normales de distintos tamaos.
Estudio Grfico: Representar histogramas ajustados por una normal y plots de normalidad.
Estudio Inferencial: Verificar la normalidad mediante distintos tests.
Comprobar el efecto del tamao muestral sobre los tests.

2. Desviaciones de la Normalidad

Simular muestras de distintas desviaciones de la normalidad y comprobar el efecto que tienen
sobre los procedimientos para estudiar la normalidad.
Asimetra positiva y Asimetra negativa.
Kurtosis elevada y Kurtosis baja.
Mixturas de normales.
Normales truncadas.
Normales con outliers.

Comprobar la deteccin de estas desviaciones con los procedimientos para estudiar la
normalidad.
Comprobar el efecto del tamao muestral sobre los tests.

3. Transformaciones para promover la normalidad

Simular muestras de distribuciones lognormales.
Comprobar la desviacin de la normalidad.
Buscar la transformacin que provoca normalidad.


INDICES DE CAPACIDAD

1. PROCESOS CENTRADOS

o
= =
6
LIE LSE
C PCR
p

o
= =
6
LIE LSE
C
R C
P
p

PROCESOS CON C
p
> 1
LIE Nominal LSE
C
p
= 2
C
p
= 1,75
C
p
= 1,5
C
p
= 1,25
C
p
= 1
PROCESOS CON C
p
s 1
LIE Nominal LSE
C
p
= 1
C
p
= 0,9
C
p
= 0,75
C
p
= 0,6
C
p
= 0,5


1,5 s Cp s 2
LIE Nominal LSE
0
0,2
0,4
0,6
0,8
1,25 s Cp s 1,5
LIE Nominal LSE
0
0,2
0,4
0,6
0,8
1,25 s Cp s 1
LIE Nominal LSE
0
0,2
0,4
0,6
0,8
0,75 s Cp s 1
LIE Nominal LSE
0
0,1
0,2
0,3
0,4
0,5 s Cp s 0,75
LIE Nominal LSE
0
0,1
0,2
0,3
0,4

2. PROCESOS NO CENTRADOS
o

=
o

=
3
LIE
C
;
3
LSE
C
(inf) pk (sup) pk

MEDIDA DEL DESCENTRAMIENTO DEL PROCESO:
( ) LIE LSE
Nominal
K
2
1

=

LIE Nominal LSE
0
0,2
0,4
0,6
0,8
C
p
=1
C
pk
=1
C
p
=2
C
pk
=1
PROCESOS CON Cp = 2
LIE Nominal LSE
C
pk
= 2 C
pk
= 1,5 C
pk
= 1 C
pk
= 0 C
pk
= 0,5
o

=
al min No LIE LSE

C
pk
6
2
( )
(inf) pk (sup) pk pk
C
; C
mn C
=

PRACTICA SOBRE CAPACIDAD DE LOS PROCESOS

1. Se est controlando un proceso de fabricacin de anillos de pistn para automviles. Se miden los dimetros
interiores de los anillos de 25 muestras preliminares (Anillos2.sf3). Especificaciones: 74.0 0.05 mm.
a) Considerar las 125 observaciones preliminares como una nica muestra grande y estudiar la capacidad:
Normalidad, estimacin de parmetros, ndices de capacidad y fraccin disconforme.
b) Hacer el estudio de capacidad teniendo en cuenta que los datos provienen de un estudio longitudinal a lo
largo de un periodo de tiempo y que fueron tomados para establecer el estado de control del proceso.
c) Una vez establecida la situacin de control, graficar las 15 muestras posteriores en la carta de control
obtenida previamente. Extraer conclusiones.
d) Realizar de nuevo ambos estudios de capacidad con todas las muestras. Comparar y extraer conclusiones.

2. Se controla la concentracin de una bacteria en un producto alimenticio de diettica Se tienen datos de 100
das medidos en miles de bacterias por c.c. Datos en Bacterias.sf3.
a) Estudiar la capacidad del proceso para especificaciones 3 2.
b) Realizar una transformacin logartmica y repetir el estudio. Considerar especificaciones 0,5 1.

3. Se controla el espesor de la capa de xido en placas de silicio. La alta calidad necesaria para el producto obliga
a controlar todas las unidades fabricadas. Los lmites de especificacin son 50 15. Datos en Mont 5-50.sf3.
c) Estudiar la situacin de control del proceso a partir de las 30 observaciones iniciales. Estudiar la Capacidad
del proceso y la proporcin de defectos.
d) Una vez establecido el control en la parte a), se miden 10 nuevas placas. Representar las nuevas
observaciones en la carta obtenida en a). Comentar los resultados.
e) Supongamos que detectamos y eliminamos la causa asignable. Se vuelven a medir 20 placas. Representar
los datos en la carta obtenida en a). Se ha restablecido la situacin de control?
f) Estudiar la normalidad en las muestras preliminares. Hacer una transformacin 1/X y estudiar la
normalidad. Controlar de nuevo el proceso y obtener la capacidad. Lmites de especificacin: 0,02 0,01.

INTERVALOS DE TOLERANCIA PARA UN PROCESO BASADOS EN LA
DISTRIBUCIN NORMAL

Conocida la distribucin de un proceso (normal) y sus parmetros (,o), el intervalo ( ko , +ko)
contiene una probabilidad conocida que depende de k.

Bajo normalidad: P
N(,o)
( z
o/2
o , + z
o/2
o) = 1o

En particular, el intervalo determinado por los lmites de tolerancia naturales cumple:

P
N(,o)
(LITN, LSTN) = P
N(,o)
( 3o , + 3o) = 0,9973

Habitualmente desconocemos (,o) y los estimamos a partir de una muestra: p. ej.
). S , X ( ) , ( = o

La probabilidad contenida en el intervalo
( ) o + o k , k
ya no es un valor fijo sino una variable
aleatoria que tomar un valor diferente dependiendo de la muestra obtenida y de los estimadores
utilizados.

( ) ( ) kS X , kS X P k , k P
) , ( N ) , ( N
+ = o + o
o o

EJEMPLO: Estudio por Montecarlo (N = 10000 muestras) de la distribucin de la probabilidad
contenida en el intervalo
( ) S 96 , 1 X , S 96 , 1 X +
para muestras de tamao n = 5 de una poblacin N(0,1):

Recordar que
( ) 95 0 96 1 96 1 , , , , P
) , ( N
= o + o
o .
PROBABILIDAD
f
r
e
q
u
e
n
c
y
0 0,2 0,4 0,6 0,8 1
0
1
2
3
4
(X 1000) Lower Upper Relative Cum. Rel.
Class Limit Limit Frequency Frequency
------------------------------------------
1 0,0 0,05 0,0000 0,0000
2 0,05 0,1 0,0000 0,0000
3 0,1 0,15 0,0003 0,0003
4 0,15 0,2 0,0009 0,0012
5 0,2 0,25 0,0010 0,0022
6 0,25 0,3 0,0027 0,0049
7 0,3 0,35 0,0044 0,0093
8 0,35 0,4 0,0064 0,0157
9 0,4 0,45 0,0086 0,0243
10 0,45 0,5 0,0116 0,0359
11 0,5 0,55 0,0204 0,0563
12 0,55 0,6 0,0275 0,0838
13 0,6 0,65 0,0346 0,1184
14 0,65 0,7 0,0420 0,1604
15 0,7 0,75 0,0522 0,2126
16 0,75 0,8 0,0672 0,2798
17 0,8 0,85 0,0867 0,3665
18 0,85 0,9 0,1232 0,4897
19 0,9 0,95 0,1746 0,6643
20 0,95 1,0 0,3357 1,0000

( ) S , X , S , X P
) , ( N
96 1 96 1
1 0
+

EJEMPLO: Estudio Montecarlo (N = 10000 muestras) de la distribucin de la probabilidad contenida
en el intervalo
( ) S 96 , 1 X , S 96 , 1 X +
para muestras de tamao n = 25 de una poblacin N(0,1):

Lower Upper Relative Cum. Rel.
Class Limit Limit Frequency Frequency
------------------------------------------

( ) S , X , S , X P
) , ( N
96 1 96 1
1 0
+

CONCLUSIN: Un intervalo del tipo
( ) S z X , S z X
2 2 o o
+
no tiene garantizada una probabilidad 1o.

Es posible determinar una constante k de manera que, en un gran nmero de muestras (una fraccin
muy alta de ellas, ) el intervalo
( ) kS X , kS X +
contiene al menos 100(1-o)% de la distribucin.

La Tabla VII muestra los valores de k, que dependen de:

1. El tamao de la muestra considerada: n.
2. Cobertura: 1-o. (porcentaje de la poblacin contenida, al menos, en el intervalo de tolerancia).
3. Garanta: . (Proporcin de intervalos que satisfacen la cobertura)

La Tabla VII ofrece valores de k para = 0.90, 0.95 y 0.99 y 1-o = 0.90, 0.95 y 0.99.

Tambin se pueden obtener lmites de tolerancia unilaterales.

DIFERENCIA ENTRE INTERVALOS DE TOLERANCIA E INTERVALOS DE CONFIANZA.

LMITES DE CONFIANZA LMITES DE TOLERANCIA

( ) ( ) o = e
o
1 n S z X C
2

( ) ( ) ( ) > o > e 1 kS X X P P
Proporcionan una estimacin por intervalo
para el parmetro () de una poblacin.
Indican el intervalo donde es muy probable
encontrar al menos una determinada proporcin
de la poblacin.
Cuando aumenta el tamao muestral, la
extensin del intervalo tiende a 0.
Cuando aumenta el tamao muestral, el intervalo
tiende al intervalo poblacional.



VARIABILIDAD DE UN PROCESO A PARTIR DE SUS COMPONENTES
Y caracterstica de calidad un producto que es funcin de una serie de componentes (X
1
, ..., X
n
).

Y = g(X
1
, ..., X
n
)

Vamos a obtener la variabilidad de Y a partir de la variabilidad de los componentes, atendiendo a:
Relacin entre las medias.
Relacin entre varianzas o desviaciones tpicas.
Normalidad.
La variabilidad de Y depender de:
La variabilidad de las variables (X
1
, ..., X
n
) incluyendo sus posibles relaciones:
(X
1
, ..., X
n
) v.a. independientes (habitualmente)
(X
1
, ..., X
n
) v.a. dependientes
El tipo de acoplamiento (funcin g):
Transformaciones lineales.
Transformaciones no lineales.

Ejemplo 1: Un mecanismo consta de cuatro eslabones articulados de longitudes X
1
, X
2
, X
3
, X
4
. Para
estudiar la longitud del mecanismo tenemos que estudiar la variable

Y = X
1
+X
2
+X
3
+X
4

Ejemplo 2: Una pieza de un material con densidad 0,08g/cm
3
tiene dimensiones X
1
, X
2
, X
3
. Para
estudiar el peso de cada pieza tenemos que estudiar la variable
Y = 0,08X
1
X
2
X
3


TRANSFORMACIONES LINEALES: Y =a
0
+a
1
X
1
+a
2
X
2
+...+a
n
X
n

Relacin entre las medias:
n n 1 1 0 Y
a ... a a EY + + + = =

Relacin entre las varianzas:
2
n
2
n
2
1
2
1
2
Y
a ... a ) Y ( Var o o o + + = =
(X
1
, ..., X
n
indep.)

2
n
2
n
2
1
2
1 Y
a ... a o o o + + =

Normalidad: Si X
i
N(
i
,o
i
), i= 1, 2, ..., n,: Y

N(
Y
,o
Y
),

Ejemplo: Eslabones articulados
Un mecanismo consta de cuatro eslabones articulados de longitudes X
1
, X
2
, X
3
, X
4
i.i.d. N(2;0,01).
Estudiar la longitud del mecanismo: Y = X
1
+X
2
+X
3
+X
4
.

8
4 3 2 1 Y
= + + + =

. 02 , 0 0004 , 0
2
4
2
3
2
2
2
1 Y
= = + + + = o o o o o

Y

N(
Y
,o
Y
)=N(8;0,02).

Ejemplo: Holgura en un acoplamiento eje-cojinete.
Un eje y un cojinete tienen distribuciones independientes X
1
N(20;0,03) y .X
2
N(19,6;0,04),
respectivamente. Estudiar la holgura del acoplamiento: Y = X
1
X
2
.

4 , 0
2 1 Y
= =
;
05 , 0 0025 , 0
2
2
2
1 Y
= = + = o o o

Y N(
Y
,o
Y
)=N(0,4;0,05).

TRANSFORMACIONES NO LINEALES: Y =g(X1, ..., Xn)
1. En general ocurre que:
No hay relacin inmediata entre medias:
) ,..., ( g
n 1 Y
=

No hay relacin exacta sencilla entre varianzas.
Aunque se tenga X
i
N(
i
,o
i
), i= 1, 2, ..., n, generalmente Y no tiene distribucin normal.

2. Si la funcin g tiene las condiciones de regularidad necesarias y X
1
, ..., X
n
son v.a.
independientes, tenemos una aproximacin lineal de g basada en un desarrollo en serie de
Taylor de primer grado:

La aproximacin lineal es buena si o
i
i=1,...n son pequeas, ya que entonces (X
1
,...,X
n
) vara en un
entorno pequeo de
) ,..., (
n 1

. Esto permite justificar:
Obtencin de aproximaciones para
Y
y

o
Y
:
=
|
|
.
|
\
|
c
c
~ ~
n
1 i
2
i
2
) ,..., (
i
2
Y n 1 Y
n 1
x
g
); ,..., ( g o o

La normalidad aproximada para Y si las X
i
son normales (conviene comprobarlo empricamente)

3. El mtodo de Montecarlo siempre es una herramienta disponible para estimar
Y
y

o
Y
y para
chequear la adecuacin de la distribucin a un modelo aproximadamente normal.
R
x
g
) X ( ) ,..., ( g Y
) ,..., (
i
n
i
i i n
n
+
c
c
+ =

=
1
1
1
) ,..., (
i
n
i
i i n
n
x
g
) X ( ) ,..., ( g Y

=
c
c
+ ~

1
1
1

Ejemplo: Una pieza de un material con densidad 0,08g/cm
3
tiene como dimensiones v.a. indep.:

(Ancho, Largo, Espesor)=(X
1
,X
2
,X
3
), X
1
N(10;0,2); .X
2
N(20;0,3) y X
3
N(3;0,1); (en cm.)

Para estudiar el peso de cada pieza tenemos que estudiar la variable: Y =g(X
1
,X
2
,X
3
)= 0,08X
1
X
2
X
3

Aproximaciones por desarrollo de Taylor:

( ) ( ) ( ) ( ) . gr 2 ; gr 4 08 , 0
x
g
. gr 48 08 , 0 ) , , ( g
Y
2 2
3
2
2 1
2
2
2
3 1
2
1
2
3 2
2
n
1 i
2
i
2
) ,..., (
i
2
Y
3 2 1 3 2 1 Y
n 1
~ o = o + o + o = o
|
|
.
|
\
|
c
c
~ o
= = ~
=

Valores exactos (Por ser un producto de v.a. independientes)

( ) ( ) . gr 0018 , 4 08 , 0 08 , 0
08 , 0 ) )( )( ( 08 , 0
) 08 , 0 ( ) X ( E ) X ( E ) X ( E 08 , 0 ) X X X 08 , 0 ( E ) X X X 08 , 0 ( E
. gr 48 08 , 0 ) X X X 08 , 0 ( E
2 2
1
2
3
2
2
2
2
2
3
2
1
2
3
2
2
2
1
2
3
2
2
2
1
2 2
2
2
1
2
3
2
3
2
1
2
2
2
3
2
2
2
1
2
2
3
2
2
2
1
2 2
3
2
3
2
2
2
2
2
1
2
1
2
2
3 2 1
2
3
2
2
2
1
2
3 2 1
2 2
3
2
2
2
1
2 2
Y
3 2 1 3 2 1
2
Y
= o o + o o + o o + o o o + o + o + o =
+ o + o + o =
= = o
= = =

aproximacin despreciado
. gr 00045 , 2
Y
= o

No hay normalidad exacta.
Montecarlo muestra que el modelo N(48;2) puede ser una aproximacin razonable.

ANLISIS DE LA CAPACIDAD DEL PROCESO POR MONTECARLO (N=10000)

Pp = 0,83
Ppk = 0,83
Ppk (upper) = 0,83
Ppk (lower) = 0,83
K = 0,00
Process Capability for PESO
LSL = 43,0, Nominal = 48,0, USL = 53,0
39 42 45 48 51 54 57
PESO
0
400
800
1200
1600
2000
2400
f
r
e
q
u
e
n
c
y
Observed Estimated
Specifications Beyond Spec. Z-Score Beyond Spec. PPM
--------------------------------------------------------------
USL = 53,0 0,750000% 2,48 0,650414% 6504,14
Nominal = 48,0
LSL = 43,0 0,580000% -2,48 0,649257% 6492,57
--------------------------------------------------------------
Total 1,330000% 1,299671% 12996,71

Distribution: Normal
sample size = 10000
mean = 48,0006
standard deviation = 2,013

6,0 Sigma Limits
+3,0 sigma = 54,0396
mean = 48,0006
-3,0 sigma = 41,9616
Observed
Estimated
Specifications Beyond Spec.
Z-Score Beyond Spec. PPM
--------------------------------
------------------------------
USL = 53,0 0,750000%
2,48 0,650414% 6504,14
Nominal = 48,0
LSL = 43,0 0,580000%
-2,48 0,649257% 6492,57
--------------------------------
------------------------------
Total 1,330000%
1,299671% 12996,71


Probability Plot
40 44 48 52 56
PESO
40
44
48
52
56
N
o
r
m
a
l

(
4
8
,
0
0
0
6
;
2
,
0
1
3
)
Tests for Normality for PESO

Chi-Square goodness-of-fit statistic = 113,8; P-Value = 0,117

Too many observations to conduct Shapiro-Wilks test.

Z score for skewness = 1,32336 P-Value = 0,185715

Z score for kurtosis = -1,24978 P-Value = 0,211379

Goodness-of-Fit Tests for PESO
----------------------------------------------
Lower Upper Observed Expected
Limit Limit Frequency Frequency Chi-Square
----------------------------------------------
below 41,4 2 5,21 1,98
41,4 42,6 21 31,29 3,38
42,6 43,8 149 148,05 0,01
43,8 45,0 479 495,74 0,57
45,0 46,2 1267 1174,96 7,21
46,2 47,4 1948 1971,80 0,29
47,4 48,6 2315 2343,49 0,35
48,6 49,8 1972 1972,52 0,00
49,8 51,0 1142 1175,82 0,97
51,0 52,2 511 496,29 0,44
52,2 53,4 159 148,27 0,78
53,4 54,6 33 31,34 0,09
54,6 above 2 5,22 1,99
----------------------------------------------
Chi-Square = 18,0341 with 10 d.f. P-Value = 0,0543908
Estimated overall statistic DN = 0,00739382; Approximate P-Value = 0,645062

PRACTICA SOBRE CAPACIDAD A PARTIR DE COMPONENTES

1. En una planta metalrgica se fabrican en serie ejes y cojinetes, siendo X1 = Dimetro interior de
los cojinetes una variable con ley N(20mm;0,03mm) y X2 = Dimetro exterior de los ejes una
variable con ley N(19,6mm;0,04mm), independientes entre s. Las especificaciones para la
Holgura = X1 X2 del acoplamiento eje-cojinete son 0,45mm0,2mm. Estudiar la capacidad del
proceso de acoplamiento y obtener la tasa de disconformes.

2. De una plancha de un material aislante de espesor T se cortan en serie piezas de dimensiones W
(ancho) y L (largo). El material tiene una densidad de 0,08gr/cm
3
. El comportamiento aleatorio de
estas dimensiones es: WN(10;0,2); LN(20;0,3) y TN(3;0,1); (en cm.).
a) Obtener aproximaciones de los parmetros de la variable Y = Peso de las piezas.
b) Hacer un estudio por Montecarlo de esta variable y comparar los resultados.
c) Estudiar la capacidad del proceso si las especificaciones son 48gr 5gr.

3. Un circuito elctrico est formado por un generador E (N(
E
,o
E
)) y dos resistencias R
1
(N(
1
,o
1
))
y R
2
(N(
2
,o
2
)), todos ellos con funcionamientos independientes entre s.
a) Obtener aproximaciones de los parmetros de la variable I = Intensidad de la corriente que
recorre el circuito.
b) Calcular las aproximaciones suponiendo
E
= 10 V, o
E
= 0,2 V,
1
=
2
= 3 , o
1
= o
2
= 0,1 .
c) Hacer un estudio por Montecarlo y comparar los resultados.
d) Estudiar la capacidad del proceso si las especificaciones son 1,6 A 0,2 A.


MODELO DE COMPONENTES DE LA VARIANZA
La variabilidad de cualquier caracterstica Y asociada a un proceso es el resultado de la aportacin de
distintos factores o fuentes de variabilidad: Mquinas, Operarios, Mtodos, Materias primas, Errores
de medicin, etc.

Mediante tcnicas de DISEO DE EXPERIMENTOS se puede desglosar los distintos componentes
de la variabilidad y estimar su valor.

El Modelo de Componentes de la Varianza es un diseo especialmente indicado para este propsito.

ELEMENTOS DEL MODELO DE COMPONENTES DE LA VARIANZA:
Variable respuesta: Y Factores: A, B, C, ...
Muestra aleatoria de:
a niveles del factor A (p.ej. Mquinas)
b niveles del factor B (p.ej. Operarios) en cada nivel de A
c niveles del factor C en cada nivel de B dentro de A,
...
n observaciones (rplicas) en cada una de las abc... ramas del rbol.

CARACTERSTICAS DEL MODELO DE COMPONENTES DE LA VARIANZA:
1. Modelo de efectos aleatorios. Los niveles en los que experimentamos en cada factor se eligen al
azar entre la poblacin de niveles.
2. Factores jerarquizados o anidados. Los niveles de los factores no se cruzan. Por ejemplo, los
operarios que trabajan con cada mquina son diferentes.
3. Diseo balanceado. El nmero de observaciones en cada combinacin de niveles es el mismo.

ESQUEMA DEL DISEO

Mquina 1

Mquina 2

Mquina a

Observaciones, observaciones, ... observaciones

Trab. 1(1) Trab. 2(1) Trab. 1(2) Trab. 2(2) Trab. 1(a) Trab. a(a)



2 2 2 2
Y
ijk ) i ( j i
ijk ) i ( j i ijk
) , 0 ( N ); , 0 ( N ); , 0 ( N
y
o + o + o = o
o c o | o o
c + | + o + =
| o
| o
ILUSTRACIN GRFICA DEL
MODELO DE DOS FACTORES
y-
c
o
i
|
j(i)
Media del proceso:
Variabilidad
total
Variabilidad
entre mquinas
Variabilidad
entre trabajadores
Variabilidad
experimental

MODELO DE UN FACTOR

Variable respuesta: Y
Factores: A con a niveles.
Observaciones: n rplicas por cada nivel de A.

ntes independie ,
. d . i . i . a . v ; n ,..., 1 j ); , 0 ( N
. d . i . i . a . v ; a ,..., 1 i ); , 0 ( N
y
ij i
ij
i
ij i ij
c t
o c
o t
c t
t
=
=
+ + =

y
ij
= Observacin j para el nivel i.
= Efecto general. (Constante)
t
i
= Efecto del nivel i del Factor A.
c
ij
= Error aleatorio o variabilidad entre observaciones.

2 2 2
2 2
); ; (
) ( ) ( ) (
) ( ) ( ) (
o o o o
o o c t
c t
t
t
+ =
+ = + =
= + + =
Y Y ij
ij i ij
ij i ij
N y
Var Var y Var
E E y E

Denotamos:

Media general

:
= =
=
a
1 i
n
1 j
ij ..
y
an
1
y

Media del nivel i:
a i y
n
y
n
j
ij i
,.., 1 ;
1
1
.
= =

=


ANLISIS DE LA VARIANZA
( ) ( ) ( ) ( )

= = = = = = = =
+ = + =
a
1 i
n
1 j
2
. i ij
a
1 i
n
1 j
2
.. . i
a
1 i
n
1 j
2
.. . i . i ij
a
1 i
n
1 j
2
.. ij
y y y y y y y y y y

( )
= =

a
1 i
n
1 j
2
.. ij
y y

=
( )
=

a
1 i
2
.. . i
y y n

+
( )
= =

a
1 i
n
1 j
2
. i ij
y y

SST = SSA + SSE
Variabilidad Total = Variabilidad Aportada por A + Variabilidad experimental

TABLA ANOVA

Fuente de
variacin
Suma de
Cuadrados
Grados de
Libertad
Cuadrados Medios Componentes de
la Varianza
%
Factor A SSA a-1
1
=
a
SSA
MSA
n
MSE MSA
=
2
t
o

Error SSE a(n-1)
) 1 (
=
n a
SSE
MSE
MSE =
2
o

Total SST an-1

JUSTIFICACIN:

n
MSE MSA
n ) MSA ( E
MSE ) MSE ( E
2 2 2
2 2
= + =
= =
t t
o o o
o o

(estimadores insesgados)

MODELO DE DOS FACTORES

Denotamos:
Media general:
= = =
=
a
i
b
j
n
k
ijk
y
abn
y
1 1 1
...
1

Media del nivel i:
a i
y
bn
y
b
j
n
k
ijk i
,..., 1
;
1
1 1
..
=
=

= =

Media del nivel j(i):
b j a i
y
n
y
n
k
ijk ij
,.., 1 ; ,... 1
;
1
1
.
= =
=

=

Variable respuesta: Y
Factores: A con a niveles
B con b niveles.
Observaciones: n rplicas por cada nivel de B
dentro de cada nivel de A.

ntes independie , ,
. d . i . i . a . v ; n ,..., 1 j ); , 0 ( N
. d . i . i . a . v ; b ,..., 1 ) i ( j ); , 0 ( N
. d . i . i . a . v ; a ,..., 1 i ); , 0 ( N
y
ijk ) i ( j i
ijk
) i ( j
i
ijk ) i ( j i ij
c | t
o c
o |
o t
c | t
|
t
=
=
=
+ + + =

2 2 2 2
Y Y ijk
2 2 2
ij ) i ( j i ijk
ijk ) i ( j i ijk
); ; ( N y
) ( Var ) ( Var ) ( Var ) y ( Var
) ( E ) ( E ) ( E ) y ( E
o o o o o
o o o c | t
c | t
| t
| t
+ + =
+ + = + + =
= + + + =

y
ijk
=Observacin k para el nivel j de B dentro del nivel i de A.
= Efecto general. (Constante)
t
i
= Efecto del nivel i del Factor A.
|
j(i)
= Efecto del nivel j del Factor B dentro de nivel i de A.
c
ijk
= Error aleatorio o variabilidad entre observaciones.


ANLISIS DE LA VARIANZA

( )
= = =

a
1 i
b
1 j
n
1 k
2
... ijk
y y

=
( )
=

a
1 i
2
... .. i
y y bn

+
( )
= =

a
1 i
b
1 j
2
.. i . ij
y y n

+
( )

= = =

a
1 i
b
1 j
n
1 k
2
. ij ijk
y y

SST = SSA + SSB(A) + SSE
Variabilidad Total = Variabil. aportada por A + Variabil. aportada por B + Variabilidad Aleatoria

TABLA ANOVA

Fuente de
variacin
Suma de
Cuadrados
Grados de
Libertad
Cuadrados Medios Componentes de
la Varianza
%
Factor A SSA a-1
1
=
a
SSA
MSA
nb
) A ( MSB MSA
2

=
t
o

Factor B(A) SSB(A) a(b-1)
) 1 (
) (
) (

=
b a
A SSB
A MSB
n
MSE ) A ( MSB
2

=
|
o

Error SSE ab(n-1)
) 1 (
=
n ab
SSE
MSE
MSE =
2
o

Total SST abn-1

JUSTIFICACIN: (estimadores insesgados)

nb
A MSB MSA
n nb MSA E
n
MSE A MSB
n A MSB E
MSE MSE E
) (
) (
) (
)) ( (
) (
2 2 2 2
2 2 2
2 2
= o o + o + o =
= o o + o =
= o o =
t | t
| |

( ) ( ) ( ) ( ) ( )

= = = = = = = = = = = = = = =
+ + = + + =
a
i
b
j
n
k
ij ijk
a
i
b
j
n
k
i ij
a
i
b
j
n
k
i
a
i
b
j
n
k
i i ij ij ijk
a
i
b
j
n
k
ijk
y y y y y y y y y y y y y y
1 1 1
2
.
1 1 1
2
.. .
1 1 1
2
... ..
1 1 1
2
... .. .. . .
1 1 1
2
...

PRACTICA SOBRE MODELO DE COMPONENTES DE LA VARIANZA
1.- Una planta textil tiene un gran nmero de telares. Las mquinas son idnticas en cuanto a su fabricacin y
estn diseadas para producir una determinada cantidad de prendas por minuto. Se quiere estudiar las diferencias
entre mquinas y la variabilidad que incorporan estas diferencias a la produccin. Datos en M-R 11-31.sfx.

2.- Un artculo publicado en Journal of Electrothecnical Society describe un experimento en el que se investiga la
deposicin de vapor de polisilicio a baja presin. El reactor admite mltiples posiciones para las pastillas y se
eligieron al azar cuatro de ellas. La variable de inters es la uniformidad en el espesor de la pelcula. Estudiar la
contribucin de la posicin de las pastillas en la variabilidad de la uniformidad. Datos en M-R 11-32.sfx.

3.- Se estudia la porosidad de papel producido en una planta industrial. Los rollos de papel fabricados se
almacenan en lotes de N rollos. Se eligen al azar varios lotes y de cada lote se eligen al azar varios rollos.
Estudiar cmo contribuyen a la variabilidad de la porosidad las diferencias entre lotes y las diferencias entre los
rollos de cada lote. Datos en Hicks P11.1.sf3.

4.- Se estudia la CALIDAD de una determinada operacin en la cadena de un proceso industrial. Se utiliza una
escala de 0 a 10 que combina varios aspectos cuantitativos y cualitativos del resultado de la operacin sobre cada
artculo fabricado. En la factora operan muchas mquinas desarrollando la misma funcin. Se eligen 6 al azar.
Las mquinas estn dirigidas por un operario distinto en cada momento, segn los turnos, los das, etc. Se eligen
al azar dos operarios para cada mquina. Los artculos se almacenan en lotes grandes de artculos consecutivos,
pudiendo haber diferencias entre lotes vinculadas, por ejemplo, a turnos, cambios de proveedor de materia prima,
etc. Se eligen al azar dos lotes de cada operario. Se eligen ala azar cinco unidades de cada lote. Los datos estn en
JERARQ.sf3. Estimar los distintos componentes de la varianza y sacar conclusiones.


CAPACIDAD DEL SISTEMA DE MEDIDA
Cuando observamos cualquier variable Y, parte de la variabilidad corresponde al proceso de medicin.

y- y
0
-
c

Media del proceso:
Variabilidad
Observada
Variabilidad real
del producto
Variabilidad del
proceso de medida
Variabilidad real
del producto
Variabilidad Total
observada
y N(,o
Total
)
y
0
N(,o
Producto
)
c N(0,o
Medida
) (o
Gage
)

y = y
0
+c
2 2 2
Medida Producto Total
o o o + =

MODELO: Valor observado = Valor real + Error de medida OBJETIVOS:
Estimar los componentes.
Definir indicadores de la capacidad
del proceso de medida.

MODELO DE COMPONENTES DE LA VARIANZA PARA EL ERROR DE MEDIDA
Diseamos el siguiente experimento:
1. Elegimos al azar a unidades del producto.
2. Realizamos n mediciones repetidas a cada unidad.

Podemos analizar los datos obtenidos mediante:

1. ANLISIS DE LA VARIANZA. Modelo de 1 factor.
2. CARTAS DE CONTROL R y X
NOTACIN:
y
ij
= Medicin j para la unidad i.
= Media de la variable Y.
y
i
0
= Valor real de la variable Y en la unidad i
t
i
= y
i
0
- = Efecto de la unidad i.
c
ij
= Error de medida en la medicin j de la
unidad i.
2 2
Medida
2 2
Producto
2
Y
2
Total
; ; o o o o o o
t
= = =

Modelo de componentes de la varianza con 1 factor:

. d . i . i . a . v ; n ,..., j ; a ,..., i ); , ( N
. d . i . i . a . v ; a ,..., i ); , ( N y
ntes independie , y ; y y
ij
i
ij i ij i ij
1 1 0
1
0
0 0
= = o c
= o
c c + =
t

o + o = o
o
c t
= = o c
= o t
c + t + = =
t
t
2 2 2
1 1 0
1 0
Y
Y ij
ij i
ij
i
ij i ij ij
) , ( N y
ntes independie ,
. d . i . i . a . v ; n ,..., j ; a ,..., i ); , ( N
. d . i . i . a . v ; a ,..., i ); , ( N
y y


1. ANLISIS DE LA VARIANZA

Var. respuesta: Y
Factor: Distintas unidades; a niveles
Rplicas: n mediciones por unidad o nivel del factor A.

y
ij
= Medicin j para la unidad i.
y
i
0
= Valor real de la variable Y
en la unidad i.
t
i
= y
i
0
- = Efecto de la unidad i.
c
ij
= Error de medida en la medicin j
de la unidad i.
2 2
Medida
2 2
Producto
2
Y
2
Total
; ; o o o o o o
t
= = =

o + o = o
o
c t
= = o c
= o t
c + t + =
t
t
2 2 2
1 1 0
1 0
Y
Y ij
ij i
ij
i
ij i ij
) , ( N y
ntes independie ,
. d . i . i . a . v ; n ,..., j ; a ,..., i ); , ( N
. d . i . i . a . v ; a ,..., i ); , ( N
y
TABLA ANOVA

Fuente de
variacin
Suma de
Cuadrados
Grados de
Libertad
Cuadrados
Medios
Componentes de
la Varianza
%
Factor A
(Producto)
SSA a-1
1
=
a
SSA
MSA

n
MSE MSA
2

=
t
o

Error
(Medida)
SSE a(n-1)
) 1 (
=
n a
SSE
MSE

MSE
2
= o

Total SST an-1

ESTIMACIN DE COMPONENTES

2 2 2 2 2 2
2 2
2 2
o + o = o + o = o = o
= o = o
= o = o
t
t

MSE
n
MSE MSA

Y Medida Producto Total
Medida
Producto


2. MTODO DE LAS MEDIAS Y RANGOS (BASADO EN LAS CARTAS DE CONTROL)

Consideramos los subgrupos racionales definidos por las distintas unidades (a subgrupos)
Calculamos medias y rangos:
a 1 . a . 1
R ,..., R y y ,.., y
Se representan los valores en Cartas
R y X
:
Carta
X

Carta R

Interpretacin de la Carta X : No tiene inters. Simplemente muestra el poder de discriminacin
que tiene el proceso de medicin.
Interpretacin de la Carta R:
Si no muestra una situacin de control, entonces el proceso de medida (instrumento, operario,
...) sufre causas asignables de variabilidad. No se puede seguir hasta que no se consiga una
situacin de control estadstico.
Si muestra una situacin de control estadstico: BIEN.
Podemos estimar la variabilidad del proceso de medida a travs del Rango Medio:

) n ( d
R
Medida
2
= o


ESTIMACIN DE TODOS LOS COMPONENTES DE LA VARIANZA:
Estimador de la variabilidad del proceso de medida (MEDIA DE LOS RANGOS):

) n ( d
R
2
Medida
= o

Estimador de la variabilidad del producto (RANGO DE LAS MEDIAS):
n
y Var
i
2
2
.
) (
o
o
t
+ =

n a d
y y
Min Max
2
2
2
,. ,.
) (
o
o
t
+ =

2
2
2
2
,. Min ,. Max 2 2
Producto
) n ( d
R
n
1
) a ( d
y y

|
|
.
|
\
|
|
|
.
|
\
|
= =
t
o o
Estimador de la variabilidad total observada (ADICIN DE LOS COMPONENTES):

2 2 2

Medida Producto Total
o o o + =

TABLA RESUMEN
Fuente de
variacin
Estimacin Componentes de la Varianza %
Factor A
(Producto)
Rango de las
Medias
2
2
2
2
,. Min ,. Max 2 2
Producto
) n ( d
R
n
1
) a ( d
y y

|
|
.
|
\
|
|
|
.
|
\
|
= =
t
o o

Error
(Medida)
Media de los
rangos
2
2
2
|
.
|
\
|
= o
) n ( d
R
Medida

Total Adicin
Medida
2
Producto
2
Total
2
o o o + =


COMPONENTES DEL ERROR DE MEDICIN: R&R
REPRODUCIBILIDAD: Variabilidad debida a diferentes condiciones de uso del sistema de medida.
Habitualmente: Distintos operadores.
Otras veces: Distintos entornos, distintos periodos, etc.
REPETIBILIDAD: Variabilidad o imprecisin bsicamente inherente al propio aparato de medida.

Curva del
Error de
Repetibilidad
Curva del
Error de
Reproducibilidad
Operario 1
Operario 2
Operario a
Curva del
Error de
Medida
Valor
real de y
Valor
observado
d Medida

ilida Reproducib dad Repetibili
2 2 2
o + o = o

MODELO PARA ESTIMAR LOS COMPONENTES DEL ERROR DE MEDIDA: R & R

Diseamos el siguiente experimento:
1. Elegimos al azar a operarios.
2. Elegimos al azar b unidades del producto.
3. Cada operario realiza n mediciones
repetidas a cada unidad.

+ + + =

= = =
= =
=
=
+ + + + = =
2 2 2 2 2
) , (
, , ,
. . . . . ; ,..., 1 ; ,..., 1 ; ,..., 1 ); , 0 (
. . . . . ; ,..., 1 ; ,..., 1 ); , 0 (
. . . . . ; ,..., 1 ); , 0 (
. . . . . ; ,..., 1 ); , 0 (
o o o o o
o
c o| | o
o c
o o|
o |
o o
c o| | o
o| | o
o|
|
o
Y
Y ijk
ijk ij j i
ijk
ij
j
i
ijk ij j i ij ijk
N y
ntes independie
d i i a v n k b j a i N
d i i a v b j a i N
d i i a v b j N
d i i a v a i N
y y

Analizamos los datos obtenidos mediante:
1. ANLISIS DE LA VARIANZA: Experimento factorial con dos factores de efectos aleatorios y n
rplicas.
2. MTODO DE LA MEDIA Y EL RANGO: Basado en ideas de estimacin con cartas de control.
NOTACIN:
y
ijk
= Medicin n k del Operario i para la Unidad j.
i = 1,...a; b = j,...,b; k = 1,...,n.
o
i
= Efecto del operario i; i = 1,...,a
|
j
= Efecto de la unidad j; j = 1,...,b
o|
ij
= Interaccin operario i con unidad j;
i = 1,...,a; j = 1,...,b
c
ijk
= Error en la medicin k de la unidad j
por el operario i.

2 2 2 2 2
2 2 2 2 2 2 2 2
o = o o + o = o
o + o + o = o o = o o = o
o| o
o| o |
dad Repetibili ilidad Reproducib
Producto
;
; ;
Medida Y Total

1. ANLISIS DE LA VARIANZA: Experimento factorial. 2 factores. Efectos aleatorios y n rplicas.
Var. respuesta: Y
Factores: A: Operarios; a niveles. B: Distintas unidades; b niveles.
Rplicas: n mediciones por cada operario y unidad.

TABLA ANOVA

Fuente de
variacin
Suma de
Cuadrados
g.l. Cuadrados Medios Esperanza de
Cuadrados Medios (EMS)
A SSA a-1
1
=
a
SSA
MSA
2 2 2
nb n
o o|
o o o + +
B SSB b-1
1 b
SSB
MSB
=

2 2 2
na n
| o|
o o o + +
AB SSAB

(a-1)(b-1)
) 1 b )( 1 a (
SSAB
MSAB

=

2 2
n
o|
o o +
Error

SSE ab(n-1)
) 1 n ( ab
SSE
MSE
=

2
o
Total SST abn-1

ESTIMADORES INSESGADOS

na
MSAB MSB

nb
MSE ) n ( b MSAB ) b ( MSA

nb
bMSE MSAB ) b ( MSA

MSE
= o = o
+ +
= o + o = o
+
= o + o = o
= o = o
|
o| o
2 2
2 2 2
2 2 2
2 2
1 1
1
Producto
Repro Repe Medida
ilidad Reproducib
dad Repetibili
na
MSAB MSB
nb
MSAB MSA
n
MSE MSAB
MSE
= o
= o
= o
= o
|
o
o|
2
2
2
2

2. MTODO DE LA MEDIA Y EL RANGO

ESTIMACIN DE o
Repetibilidad

Para el Operario i y la Unidad j obtenemos el rango R
ij.
Para cada i,j R
ij
/d
2
(n) es un estim. insesgado de o
Repetibilidad.

El Rango medio promedio es estim. insesgado de o
Repetibilidad

ESTIMACIN DE o
Reproducibilidad

Para el Operario i y la Unidad j obtenemos la media
ij
y
.
Para cada pieza j=1,....,b, las medias
aj j 1
y ,..., y constituyen una muestra de la distribucin normal
con varianza n
2
dad Repetibili
2
ilidad Reproducib
o + o

Para cada pieza j=1,....,b, obtenemos el rango de dicha muestra: b ,..., 1 j ; y min y max
ij
i
ij
i
j
= = A
y el promedio
b
j
A = A
. A partir de A
j
yA

podemos construir estimadores insesgados:

b ,..., 1 j ;
n
) a ( d
2
dad Repetibili
2
ilidad Reproducib
2
j
= + =
o
o
A
;
n
) a ( d
2
dad Repetibili
2
ilidad Reproducib
2
o
o
A
+ =

Finalmente despejamos o
Reproducibilidad
:
.
) n ( d
R
; R
ab
R
a
i
b
j
ij
2 1 1
1
= o =

= =
dad Repetibili
2
2
2
2
2
1
|
|
.
|
\
|
|
|
.
|
\
| A
= o
) n ( d
R
n ) a ( d
lidad Reproducii

ESTIMACIN DE o
Producto

Cambiando el papel de Operarios y Unidades en el desarrollo anterior, podemos estimar o
Producto
:
Para el Operario i y la Unidad j obtenemos la media
ij
y
.
Para cada operario i=1,....,a, las medias
ib 1 i
y ,..., y constituyen una muestra de la distribucin
normal con varianza
n
2
dad Repetibili
2
Producto
o + o

Para cada operario i=1,....,a, obtenemos el rango de dicha muestra:
a ,..., i ; y min y max
ij
j
ij
j
i
1 = = A

y el promedio
a
i
A = A
. A partir de A
i
yA

podemos construir estimadores insesgados:

n
) b ( d
; a ,..., 1 i ;
n
) b ( d
2
dad Repetibili
2
Producto
2
2
dad Repetibili
2
Producto
2
i
o
o
A
o
o
A
+ = = + =

Finalmente despejamos o
Producto
:

TABLA RESUMEN

Fuente Desv. Tpica Varianza % Variabilidad % Contribucin
Repetibilidad
dad Repetibili
o
2
dad Repetibili
o

Reproducibilidad
ilidad Reproducib
o
2
ilidad Reproducib
o

R & R
Medida
o
2
Medida
o

Entre piezas
Producto
o
2
Producto
o

Total
Total
o (no aditivo)
2
Total
o (aditivo)
No aditivo 100% (aditivo)
2
2
2
2
2
1
|
|
.
|
\
|
|
|
.
|
\
| A
= o
) n ( d
R
n ) b ( d
Producto

INDICADORES DE LA CAPACIDAD DEL PROCESO DE MEDIDA

1. P/T Ratio (Razn Precisin/Tolerancia):

Interpretacin:

2. Porcentaje de la variabilidad de medida sobre variabilidad del producto:

MAL
T
P
CUIDADO
T
P
BIEN
T
P
1 3 , 0
3 , 0 1 , 0
1 , 0 0
s <
s <
s s

LIE LSE T
P
Medida
o
=
6
100
oducto Pr
Medida

PRACTICA SOBRE CAPACIDAD DEL SISTEMA DE MEDIDA
1. En el fichero PULIDO.sf3 se muestran los datos tomados en un proceso de pulido de piezas de mrmol para ensolado. En la
fbrica hay una gran cantidad de mquinas pulidoras que son controladas por distintos trabajadores cada una. La piedra bruta
se recibe de distintos proveedores. Para controlar las distintas fuentes de variabilidad en el resultado de la calidad del pulido se
elige al azar una muestra de seis mquinas, se eligen al azar dos operarios para probar cada mquina y se eligen al azar dos
proveedores para tomar cinco piezas de cada uno para cada operario en cada mquina. Posteriormente se valora con un ndice
adecuado la calidad del pulido.
g) Plantear un modelo de componentes de la varianza.
h) Estimar los distintos componentes de la varianza.
i) Extraer conclusiones.

2. En el fichero MEDIDA.sf3 se muestran los datos de un estudio para valorar la capacidad de un sistema de medida.
Se han tomado al azar 20 piezas y se han realizado dos mediciones en cada pieza.
e) Valorar la capacidad del sistema de medida aplicando un modelo de componentes de la varianza.
f) Hacer lo mismo aplicando el mtodo de Medias y Rangos.
g) Valorar la capacidad del sistema de medida si los lmites de especificacin para el producto son 22 2.

3. En el fichero EXAMP 9-8bis.sf3 se muestran los datos de un estudio R&R para valorar la capacidad de un sistema de medida.
Se han tomado al azar 20 piezas y 3 operarios y cada operario ha realizado dos mediciones en cada pieza.
a) Estimar los componentes de la variabilidad del sistema de medida mediante un modelo de anlisis de la varianza.
b) Hacer lo mismo aplicando el mtodo de Medias y Rangos.
c) Valorar la capacidad del sistema de medida si los lmites de especificacin para el producto son 22 2.

4. Se quiere hacer un estudio de capacidad de medida de un calibre micromtrico. Para ello, se elige al azar una muestra de 10
puntas de acero y tres estudiantes, haciendo cada uno de ellos 3 medidas de cada punta.
a) Crear un fichero de datos donde insertar ordenadamente las distintas mediciones a realizar.
b) Considerar los datos del fichero vardemanTab_2-1.sf3. (los datos estn medidos en milsimas de pulgada). Estimar los
componentes de la variabilidad del sistema de medida mediante un modelo de anlisis de la varianza.
c) Hacer lo mismo aplicando el mtodo de Medias y Rangos.
d) Valorar la capacidad del sistema de medida si los lmites de especificacin del producto son 50010 milsimas de pulgada.

PRECISIN Y EXACTITUD

ALTA BAJA
PRECISIN

A
L
T
E A
X
A
C
T
I
T
U B
D A
J
A

Se trata de otros aspectos relacionados
con la variabilidad y capacidad del
proceso de medicin:

PRECISIN: Habilidad para que las
medidas no difieran mucho entre s.

La falta de precisin provoca un aumento
de la VARIANZA o desviacin aleatoria
del valor observado con respecto al valor
real.

EXACTITUD: Habilidad para medir el
valor correcto en media.

La falta de exactitud provoca SESGO o
desviacin sistemtica del valor
observado con respecto al valor real.

Nuestro planteamiento del estudio de
capacidad del sistema de medida parte de
que el error de medida slo afecta a la
varianza (PRECISIN).

Tema 6.Cartas de Control para Atributos 1

TEMA 6.

CARTAS DE CONTROL PARA ATRIBUTOS



INTRODUCCIN A LOS GRFICOS DE CONTROL PARA ATRIBUTOS

En ocasiones la caracterstica de calidad en estudio no es una variable numrica para la que se pueda
suponer un modelo de distribucin normal. Entonces no sirven las cartas de control para variables.

Las Cartas de Control que desarrollamos en este captulo sirven para controlar procesos para los que
la caracterstica de calidad adopta una de las siguientes formas:

1. La caracterstica de calidad es un atributo que, por lo general, clasifica a las unidades producidas
en Defectuoso o No Defectuoso (De modo equivalente Conforme o Disconforme).
Modelo subyacente: Proceso de Bernoulli y distribucin binomial.
Ejemplo: Se inspeccionan puertas de madera fabricadas en serie y se valora como
Conforme o Disconforme el acabado del proceso de barnizado.
Veremos dos cartas que son bsicamente equivalentes:
Carta p para la fraccin disconforme.
Carta np para el nmero de unidades disconformes.

2. La caracterstica de calidad es el resultado de un conteo de defectos o disconformidades por
artculo, por lote de artculos, etc.
Modelo subyacente: Proceso de Poisson y distribucin de Poisson.
Ejemplo: Inspeccionar rollos de cable elctrico y contar el nmero de defectos de
aislamiento.
Veremos dos cartas relacionadas:
Carta c para el nmero de disconformidades.
Carta u para el nmero de disconformidades por unidad.

ELECCIN ENTRE CONTROL POR ATRIBUTOS Y POR VARIABLES
Muchas veces son posibles ambos enfoques:
Medir numricamente la caracterstica y realizar CONTROL POR VARIABLES.
Observar slo si se cumple o no cierto requisito y realizar CONTROL POR ATRIBUTOS.

Factores a tener en cuenta para la eleccin:

1.- APROVECHAMIENTO DE LA INFORMACIN:
VARIABLES: La medicin es ms rica y proporciona mucha ms informacin sobre el estado del
proceso, siendo posible distinguir aspectos como posicin, dispersin, simetra, estratificacin, etc.
ATRIBUTOS: Se reduce la informacin cuantitativa al hecho de cumplir o no un determinado
criterio, lo que supone una prdida importante de informacin. Si hay cambios en el proceso, no nos
informa de la naturaleza de los mismos.

2.- EFECTIVIDAD EN LA DETECCIN DE CAMBIOS.
VARIABLES: Reaccionan con mayor prontitud a los cambios y permiten anticiparse en la toma de
decisiones. Adems dan informacin ms rica para la identificacin de las causas asignables.
ATRIBUTOS: Reaccionan con mucha ms lentitud y los cambios tienen que ser ms importantes
para ser detectados. La informacin sobre las posibles causas asignables es ms difusa.


3.- TAMAO MUESTRAL NECESARIO
VARIABLES: Las muestras suelen ser pequeas, incluso con una nica unidad. Esto puede
compensar el problema del coste de medicin que mencionamos a continuacin.
ATRIBUTOS: Se usan muestras mucho ms grandes que en el caso de variables, que son necesarias
para detectar una desviacin de la misma naturaleza.

4.- DIFICULTAD Y COSTE DEL PROCESO DE MEDICIN
VARIABLES: Muchas caractersticas de calidad son difciles de medir en una escala numrica. En
este caso suele preferirse la inspeccin por atributos. Por ejemplo, el control del color en la
fabricacin de tejidos, control de procesos de servicios, etc.
ATRIBUTOS: Se evitan mediciones que pueden resultar muy costosas y consumen mucho tiempo.

5.- CONTROL SIMULTNEO DE VARIAS CARACTERSTICAS DE CALIDAD
VARIABLES: Habra que controlar cada variable por separado, utilizar una tcnica de control
multivariante, que es ms compleja, o definir alguna funcin de las variables capaz de recoger
objetivamente los cambios del proceso.
ATRIBUTOS: Basta con definir la disconformidad como la falta de cumplimiento de las
especificaciones en alguna de las caractersticas (o en al menos un nmero prefijado de ellas).

6.- ESTUDIO DE LA CAPACIDAD DEL PROCESO
VARIABLES: Permiten estudiar la capacidad del proceso de manera directa (normalidad, estimacin
de parmetros, ).
ATRIBUTOS: Slo se puede estudiar la capacidad del proceso de forma indirecta, a travs de la tasa
de defectos.

DIAGRAMA PARA LA FRACCIN DISCONFORME (DIAGRAMA p)

FUNDAMENTOS ESTADSTICOS

Proceso estable a controlar: Proceso de Bernoulli.

p = P(Disconforme), q = 1 p = P(Conforme).

a) CONTROL A VALORES ESTNDAR: p es un parmetro conocido
b) ESTUDIO INICIAL: p es un parmetro desconocido.

X
1
, X
2
, ..., X
n
muestra del proceso en un momento concreto: (Disconforme: X
i
=1; Conforme: X
i
=0)

D = N de disconformes. D sigue una distribucin binomial:

= =
n
D
p
Fraccin disconforme, satisface:
.
n
) p ( p
; p
p p

= o =
1

Importante: Slo hay que controlar un parmetro Slo se necesita una carta.

La media y la variabilidad del proceso dependen del nico parmetro p.
. npq ; np ); p , n ( b X D
D D
n
i
i
= o = =
=1

CONSTRUCCIN DE LA CARTA p A VALORES ESTNDAR (p es un parmetro conocido)


Muestra 1: X
11
, X
12
, ..., X
1n

1 1
p , D

Muestra 2: X
21
, X
22
, ..., X
2n

2 2
p , D

.....
Muestra m: X
m1
, X
m2
, ..., X
mn
m m
p , D


3.- Se representan
m ,... i ; p
i
1 =

Carta p
n
) p ( p
p : LIC
p : Central . L
n
) p ( p
p : LSC
+
1
3
1
3


3.- Se representan
m ,... i ; p
i
1 =

ESTUDIO INICIAL: CONSTRUCCIN DE LA CARTA p ESTIMANDO EL PARMETRO


2.- Cada muestra proporciona un estimador del parmetro p.
Muestra 1: X
11
, X
12
, ..., X
1n

1 1
p , D

Muestra 2: X
21
, X
22
, ..., X
2n

2 2
p , D

.....
Muestra m: X
m1
, X
m2
, ..., X
mn
m m
p , D



Recordar que si LIC < 0 se sustituye por LIC = 0.
nm
) p ( p
) p ( ); insesgado ( p p E ;
m
p ... p
nm
D ... D
p
m m

= o =
+ +
=
+ +
=
1

1 1

Carta p
n
) p ( p
p : LIC
p : Central . L
n
) p ( p
p : LSC
+
1
3
1
3


USO PRCTICO DE LAS CARTAS DE CONTROL POR ATRIBUTOS
1. PASOS PREPARATORIOS
Establecer un entorno apropiado para la accin.
Definir el proceso.
Determinar las caractersticas a estudiar y los criterios de disconformidad.
Evitar variacin innecesaria.
2. RECOGIDA DE DATOS
Seleccionar el tamao, la frecuencia y el nmero de subgrupos.
Recoger los datos muestrales.
Calcular estadsticos de cada subgrupo (nmero de disconformes, fraccin disconforme, etc.).
3. CONSTRUCCIN DE LA CARTA DE CONTROL PARA EL ESTUDIO INICIAL
Estimacin del parmetro del proceso.
Eleccin de un criterio para los lmites de control (habitualmente k=3o).
Dibujar la lnea central y los lmites de control preliminares
Representar los puntos.
4. INTERPRETACIN DE LA CARTA Y DEL ESTADO DE CONTROL DEL PROCESO
Analizar la Carta buscando:
Rachas y otros patrones no aleatorios.
Nueva estimacin del parmetro y reclculo de la lnea central y los lmites de control.
5. CONTROL FUTURO A VALORES ESTNDAR CON LOS PARMETROS ESTIMADOS.

FACTORES A CONSIDERAR EN EL DISEO DE LA CARTA p

AMPLITUD DE LOS LMITES DE CONTROL
Determina la probabilidad de FALSA ALARMA (Error de Tipo I)
Se manejan las mismas consideraciones que en el caso de las cartas de control por variables.
Habitualmente se usan lmites 3o.

FRECUENCIA DE MUESTREO
Se manejan las mismas consideraciones que en el caso de las cartas de control por variables.
Se tienen en cuenta factores como:
o La tasa de produccin.
o Turnos, lneas y otros factores de estratificacin.
o La importancia y repercusin de las disconformidades.

ELECCIN DEL TAMAO MUESTRAL
Depende mucho del valor del parmetro p.
Para valores de p o q extremos, un valor pequeo de n sera completamente inapropiado.
Ejemplo: Supongamos que p = 0,01 y n = 8. Entonces LIC = 0 y LSC = 0,1155.
Los valores posibles para la fraccin disconforme son
;... , ; , ; ;... ; ; p
i
250 0 125 0 0 8 2 8 1 0 = =

00270 0 8 2 07456 0 8 1 92274 0 0 , ) p ( P ; , ) p ( P ; , ) p ( P
i i i
= > = = = =

Cualquier muestra con 1 o ms defectos est siempre fuera de control y las muestras con 0
defectos estn sobre el LIC. Por tanto, el interior de la carta est siempre vaco.


CRITERIOS PARA ELEGIR EL TAMAO MUESTRAL PARA LA CARTA p

CRITERIO 1: Buscar el tamao muestral suficiente para que la probabilidad de que haya al menos
un defecto en la muestra sea elevada. De este modo, los puntos graficados no son casi todos 0 o 1/n:

Fijado , elegir n tal que P[D1] .
Ejemplo: p = 0,01, = 0,95.
. n ; np : Poisson . Aprox
.
) , ln(
) , ln(
n . , , ) D ( P : exacta Solucin
n
300 3
299
99 0
05 0
95 0 99 0 1 1
= = =
> > > = >

CRITERIO 2 (Duncan): Buscar un tamao muestral suficiente para tener una probabilidad 0,5 de
detectar un cambio prefijado o = p
1
p.
Entonces tiene que ser
( ) ). p ( p n ; p
n
) p ( p
p LSC o = o + =
+ = 1 3
1
3
2

Ejemplo: p = 0,02, p
1
= 0,05, o = 0,03: n = 196.

CRITERIO 3: Buscar el tamao muestral suficiente para que LIC > 0.
Entonces tiene que ser
.
p
p
n ;
n
) p ( p
p LIC

= >
=
1
3 0
1
3
2

Ejemplo: p = 0,05: n 171.

PRCTICA DE CARTAS DE CONTROL POR ATRIBUTOS. 1
1. Capacidad de reaccin de las cartas de control por variables y por atributos.
El fichero varibles-atributos.sf3 contiene datos simulados con las siguientes caractersticas:
Las columnas 1 a 25 contienen 100 muestras simuladas de tamao 25 de la ley N(0,1).
Las columnas MEANS y SIGMAS contienen los valores de las medias y las desviaciones tpicas.
La columna CAMBIO contiene la magnitud del cambio que ha experimentado el proceso en la
media. La dispersin no cambia.
La columna BINOM contiene el nmero de disconformidades de cada muestra considerando
unas especificaciones de 0 2,5.
Se pide:
Representar las 50 muestras iniciales tanto en las cartas de control por variables como por
atributos.
Aadir las observaciones siguientes y observar la capacidad de reaccin de ambas cartas tras
el cambio, comparando los resultados.

2. Eleccin del tamao muestral para una carta p.
Simular 100 muestras de la distribucin binomial b(n,p) con n = 8 y p = 0,01. Comprobar la
ineficacia de la carta.
Ilustracin del criterio 1. Simular 100 muestras de la distribucin b(300;0,01). Hacer lo mismo
para b(1000;0,01)
Ilustracin del criterio 2. Simular 100 muestras de la distribucin b(196;0,02) y aadir 100
muestras de la distribucin b(196;0,05). Realizar un control inicial con las 100 primeras muestras
estableciendo los lmites de control. Posteriormente, representar las nuevas muestras en la carta
anterior.
Ilustracin del criterio 3. Simular 100 muestras de la distribucin b(171;0,05).


PRECAUCIONES EN EL USO DEL DIAGRAMA p

CONDICIONES PARA EL USO DE LA CARTA p

La carta se basa en el modelo del Proceso de Bernoulli y la distribucin binomial. Esto requiere:
o Fraccin disconforme constante a lo largo del tiempo.
o Independencia entre las unidades fabricadas.
Hay situaciones reales donde no se cumple este modelo y la carta p no es vlida:
o A veces las unidades disconformes tienden a agruparse por conglomerados
o La probabilidad de que una unidad sea disconforme puede depender de si lo es o no la
anterior.

PUNTOS POR DEBAJO DEL LMITE INFERIOR DE CONTROL

La experiencia demuestra que no suelen representar una mejora real del proceso.
Frecuentemente obedecen a errores de inspeccin:
o Inspectores mal adiestrados o poco experimentados.
o Fatiga de los inspectores.
o Calibracin incorrecta del sistema de inspeccin.
Otras veces son errores deliberados para falsear los datos y crear la apariencia de una mejora en
el proceso.


1. En un proceso de envasado de zumo de naranja en envases de tetra brik de 6 oz. se analiza si los
envases tienen sellado insuficiente o gotean (junta lateral o junta del fondo). (Datos en JUGO.sf3)
a) Se realiza un estudio inicial con 30 muestras de 50 envases cada media hora. Estudiar la
situacin de control del proceso. Sacar conclusiones. Establecer los lmites de control para
controlar la produccin futura. Nota: En la muestra 15 se utiliz una remesa de cartn diferente y
durante el periodo de la muestra 23 un operador inexperto controlaba una mquina importante.
b) Realizar control a estndar para las 24 muestras de tamao 50 siguientes. Comprobar si la tasa
de defectos ha descendido de un modo significativo estadsticamente. Proponer nuevos lmites
de control para el proceso.
c) Realizar control a estndar de las cuarenta muestras siguientes.
d) Realizar control de las ltimas muestras.

2. El fichero MONTGO 6-01.sf3 muestra los datos de ensamblajes de rodamiento y sello disconformes
en muestras de tamao 100.
a) Construir la carta de control para la fraccin disconforme.
b) Suponer que se localizan las causas asignables para los puntos fuera de los lmites de control y
revisar los lmites.
c) Establecer la situacin de control estadstico del proceso.

3. El fichero MONTGO 6-02.sf3 muestra los datos de disconformidades en muestras de 150
interruptores.
a) Construir la carta de control para la fraccin disconforme.
b) Suponer que se localizan las causas asignables para los puntos fuera de los lmites de control y
revisar los lmites.
c) Establecer la situacin de control estadstico del proceso.

DIAGRAMA p CON TAMAO MUESTRAL VARIABLE
En la aplicacin real de las grficas de control para atributos, es frecuente disponer de muestras de
tamao variable:

Tenemos m muestras de tamaos variables:
Muestra 1: Tamao muestral n
1

1 1
p , D

Muestra 2: Tamao muestral n
2

2 2
p , D

..........
Muestra m: Tamao muestral n
m
m m
p , D

Esto ocurre, por ejemplo, cuando la muestra es una inspeccin 100% de las unidades producidas en
un periodo. Lgicamente, la cantidad de unidades inspeccionadas variar de unos periodos a otros.

Existen tres enfoques para tratar estos casos:

1. LMITES DE CONTROL DE ANCHURA VARIABLE

2. LMITES DE CONTROL APROXIMADOS Y TAMAO MUESTRAL PROMEDIO

3. DIAGRAMA ESTANDARIZADO


1. LMITES DE CONTROL DE ANCHURA VARIABLE
m
p ,..., p , p
2 1 se grafican sobre la carta con lmites
i i
n
) p ( p
p o
n
) p ( p
p

1
3
1
3
.

p
0 4 8 12 16 20
0
0,01
0,02
0,03
0,04
0,05
0,06

CARACTERSTICAS:
Los lmites se adaptan a cada muestra.
Es el mtodo ms sencillo.
Recomendable para personal operativo poco cualificado.
Aspecto poco agradable por la irregularidad de los lmites

2. LMITES DE CONTROL APROXIMADOS Y TAMAO MUESTRAL PROMEDIO
m / n n
i
=
, tamao muestral promedio.
m
p ,..., p , p
2 1 se grafican sobre la carta con lmites
n
) p ( p
p o
n
) p ( p
p

1
3
1
3
.
p
0 4 8 12 16 20
0
0,01
0,02
0,03
0,04
0,05

CARACTERSTICAS:
Aspecto agradable por la regularidad de los lmites.
Interpretacin delicada de fueras de control y rachas.
o Fueras de control: ver el grfico de anchura variable para decidir.
o Puntos prximos a los lmites de control: Idem.
o Variacin muy grande entre tamaos muestrales: las rachas no se pueden interpretar.

3. DIAGRAMA ESTANDARIZADO
i
i
i
i
i
i
n
) p ( p
p p
z o
n
) p ( p
p p
z
=
1 1

Para n
i
grande, z
i
son aproximadamente N(0,1) y se grafican sobre la carta con lmites 0 3.
Z
0 4 8 12 16 20
-4
-3
-2
-1
0
1
2
3
4

CARACTERSTICAS:
Aspecto agradable por la regularidad de los lmites.
Cambiamos las unidades de medida a unos valores estandarizados meramente tcnicos.
Interpretacin difcil al perderse en el grfico la referencia de la fraccin no conforme.
Permite interpretar rachas y patrones no aleatorios.
Aconsejable para el ingeniero de control.

CURVAS C.O. Y A.R.L. PARA LOS DIAGRAMAS p
CURVA C.O.:
) p , n ( b D

Cambio del parmetro del proceso: p
1
> p.

( ) ( ) ( ) ( ) ( ) nLIC D P nLSC D P LIC p P LSC p P ) LSC , LIC ( p P
p p p p p
< < = < < = e = |
1 1 1 1 1

Esta probabilidad se puede calcular directamente o aproximando por la distrib. Normal o por la
distrib. de Poisson.

CURVA A.R.L.:
T = n de muestras hasta detectar el cambio: T g(1|) (distrib. geomtrica)
|
= =
1
1
) T ( E ARL

OC Curve for p
0 0,02 0,04 0,06 0,08 0,1
Process proportion
0
0,2
0,4
0,6
0,8
1
P
r
(
a
c
c
e
p
t
)
ARL Curve for p
0 0,01 0,02 0,03 0,04 0,05
Process proportion
0
100
200
300
400
500
A
v
e
r
a
g
e

r
u
n

l
e
n
g
t
h

DIAGRAMA np PARA EL NMERO DE DSICONFORMES

Es prcticamente equivalente a la Carta p y grafica directamente el nmero de disconformidades
en cada muestra en lugar de la fraccin disconforme.
o Se basa en: D = N de disconformes.
. npq ; np ); p , n ( b D
D D
= o =

o Se toman m muestras de tamao n del proceso:

Muestra 1: X
11
, X
12
, ..., X
1n
D
1
Muestra 2: X
21
, X
22
, ..., X
2n
D
2
.....
Muestra m: X
m1
, X
m2
, ..., X
mn
D
m.

o Se calculan los lmites de control y la lnea central correspondientes y se grafican los Di:

Para tamao muestral variable se desaconseja este grfico, ya que tambin sera variable la lnea
central de la carta.

Carta np (Control a estndar)
) p ( np np : LIC
np : Central . L
) p ( np np : LSC

+
1 3
1 3

Carta np (Control inicial)
) p ( p n p n : LIC
p n : Central . L
) p ( p n p n : LSC

+
1 3
1 3



1. Un proceso produce piezas forjadas de titanio para discos de turbocargadores de automvil. Los
datos de los ltimos 20 das correspondientes a la inspeccin de 150 piezas cada da estn en
MONTGO 6-04.sf3.
a) Hacer un estudio inicial del estado de control del proceso.
b) Establecer los lmites de control para los prximos das.
c) Establecer los lmites de control futuros para muestras de 200 piezas.
d) Obtener la capacidad de la carta y el ARL para detectar aumentos de la fraccin disconforme al
4%, 6% y 8%. Comentar los resultados.

2. Un proceso produce rollos de hule en lotes de 2500 unidades. Los datos de los ltimos 20 lotes
inspeccionados estn en MONTGO 6-05.sf3.
a) Hacer un estudio inicial del estado de control del proceso.
b) Establecer los lmites de control para las inspecciones siguientes para lotes de 2500.

3. El servicio tcnico de una fbrica de electrodomsticos est realizando un estudio sobre la calidad
del servicio de reparaciones. Para ello se han tomado datos a lo largo de 20 semanas (MONTGO 6-
21.sf3) en los que se muestra el nmero de servicios realizados (SERVICIOS1) y cuntos de ellos
requirieron una segunda asistencia (SERVICIOS2) para completar la reparacin.
a) Encontrar los lmites de control iniciales para el proceso. Comentar los resultados.
b) Construir la carta de control ms adecuada para controlar la produccin futura.
c) Cules seran los lmites de control si el tamao muestral fuera n=200?
d) En la situacin de c), obtener la probabilidad de detectar p=0,05 en la primera muestra. Obtener
la probabilidad de detectarlo en las tres primeras muestras. Obtener la ARL.
e) Se puede utilizar una carta np con los datos de este ejercicio?


DIAGRAMAS DE CONTROL PARA DISCONFORMIDADES
CONTEXTO DE APLICACIN
Inspeccin de artculos susceptibles de poseer mltiples defectos no necesariamente invalidantes.
El inters es controlar el nmero de defectos.
A veces incluso se trata de la ocurrencia de defectos en un soporte continuo, pudiendo ser de 0 a .
o Ej. 1.: Puntos de soldadura defectuosos en 1 Km. de oleoducto.
o Ej. 2.: Nmero de remaches rotos en un ala de avin.
o Ej. 3.: Nmero de defectos en un rollo de cable telefnico.
o Ej. 4.: Nmero de hilos sueltos en un rollo de tela.

CARACTERSTICAS DEL MODELO DE OCURRENCIA DE FALLOS
El nmero de posibles defectos tiene que ser muy grande, incluso infinito.
La probabilidad de ocurrencia de un defecto en cualquier lugar es pequea y constante.
Los defectos ocurren de manera independiente.
Es posible agregar muchas unidades en condiciones homogneas y hacer un recuento global:
o Ejemplo: Inspeccin de lotes de 100 tarjetas de sonido para PC, pudiendo registrarse mltiples
defectos por tarjeta y contando globalmente los defectos.
Modelo terico habitual para estos procesos:
o Proceso de Poisson.
D= N de defectos por unidad de producto:
= = =

,... , k ;
! k
c e
) k D ( P ); c ( D
k c
1 0

o Modelo binomial, pero se recurre a la aproximacin binomial-Poisson.

. np c ); c ( ) p , n ( b D = ~


DIAGRAMA DE CONTROL c PARA DISCONFORMIDADES

Proceso estable a controlar: Proceso de Poisson de parmetro c (Tasa de disconformidades).

La unidad de inspeccin es siempre la misma: Ej. 5 Km. de cable, lotes de 100 tarjetas, etc.

D = N de Disconformidades en la muestra inspeccionada.
D sigue una distribucin de Poisson:
c ; c ); c ( D
D D
= o =
.


La media y la variabilidad del proceso dependen del nico parmetro c.

CONSTRUCCIN DE LA CARTA c:
Se inspecciona m unidades y observamos D
1
, D
2
, ..., D
m
: D
i
= N de disconformidades de la muestra i.

Se calculan los lmites de control y la lnea central correspondientes y se grafican los D
i

CONTROL A ESTNDAR (c parmetro conocido)

Carta c
c c : LIC
c : Central . L
c c : LSC
3
3
+


nc ; nc ); nc ( D
D D
= o =
ESTUDIO INICIAL (c parmetro desconocido)

CAMBIO EN LA UNIDAD DE INSPECCIN EN EL FUTURO

Supongamos que la nueva unidad de inspeccin es n veces la inicial.

D = N de Disconformidades en la muestra inspeccionada.

D sigue una distribucin de Poisson:

Carta c
nc nc : LIC
nc : Central . L
nc nc : LSC
3
3
+

Carta c
c c : LIC
c : Central . L
c c : LSC
3
3
+

Estimacin de c:
=
=
m
i
i
D
m
c
1
1


DIAGRAMA DE CONTROL u PARA DISCONFORMIDADES POR UNIDAD
Queremos controlar el nmero promedio de defectos por unidad.
Las muestras tomadas son de n unidades cada una.
Ejemplo: Tenemos muestras de rollos de 3 Km. de cable elctrico y queremos controlar el nmero de
defectos de aislamiento por Km. En este caso n = 3.

Proceso estable a controlar: Proceso de Poisson de parmetro c (Tasa de disconformidades).

D = N de Disconformidades en la muestra inspeccionada:
c ; c ); c ( D
D D
= o =
.

n
u
n
c
; u
n
c
;
n
D
U
U U
unidad por idades disconform de Nmero = = o = = = =
2


La media y la variabilidad del proceso dependen del nico parmetro u.

CONSTRUCCIN DE LA CARTA u:

Se inspecciona m muestras y observamos U
1
, U
2
, ..., U
m
:

U
i
= N de disconformidades por unidad en la muestra i.

Se calculan los lmites de control y la lnea central correspondientes y se grafican los U
i


CONTROL A ESTNDAR (u parmetro conocido)

ESTUDIO INICIAL (c parmetro desconocido)

Carta u
n
u
u : LIC
u : Central . L
n
u
u : LSC
3
3
+

Carta u
n
u
u : LIC
u : Central . L
n
u
u : LSC
3
3
+

Estimacin de u:
=
=
m
i
i
U
m
u
1
1


DIAGRAMAS u CON TAMAO MUESTRAL VARIABLE

n
i
= tamao de la muestra n i, i = 1, ,n; segn una unidad previamente definida.
u = parmetro del Proceso de Poisson (Defectos por unidad).
D
i
= N de Disconformidades en la muestra n i, i = 1, ,n:

DIAGRAMA c:
No aconsejable.
Sera i i
c c 3
con todo variable, incluida la lnea central.

DIAGRAMA u:

i i
i
U
i
i
i
i
U
i
i
i
n
u
n
c
; u
n
u n
n
c
;
n
D
U
i i
unidad por idades disconform de Nmero = = o = = = = =
2

Diagrama de control: i
n u u 3
(a estndar); i
n u u 3
(estudio inicial)
Es el diagrama que idneo.
Slo son variables los lmites de control y no la lnea central.
Alternativas habituales:
o Lmites variables.
o Lmites constantes con tamao muestral promedio.
o Diagrama estandarizado.
u n c ); c ( D
i i i i
=

CURVAS C.O. Y A.R.L. PARA LOS DIAGRAMAS c y u
CURVA C.O.:
c ; c ); c ( D
D D
= o =

Cambio del parmetro del proceso: c
1
> c.

( ) ( ) ( ) LIC D P LSC D P ) LSC , LIC ( D P
c c c
< < = e = |
1 1 1

Esta probabilidad se puede calcular directamente con las tablas de la distrib. de Poisson o
aproximando por la distrib. Normal.

CURVA A.R.L.:
T = n de muestras hasta detectar el cambio: T g(1|) (distrib. geomtrica)
|
= =
1
1
) T ( E ARL

OC Curve for c
0 5 10 15 20 25 30
Process mean count
0
0,2
0,4
0,6
0,8
1
P
r
(
a
c
c
e
p
t
)

ARL Curve for c
0 3 6 9 12 15
Process mean count
0
100
200
300
400
500
A
v
e
r
a
g
e

r
u
n

l
e
n
g
t
h

Anlogamente se procede con la carta u.


1. El fichero MONTGO 6-37.sf3 contiene datos de un proceso de fabricacin de rollos de papel.
a) Estudiar la situacin de control del proceso. Establecer los lmites de control para controlar la
produccin futura.
b) Obtener la probabilidad de detectar en la primera muestra que la produccin ha pasado a tener 1
defecto por rollo. Obtener la probabilidad de detectarlo en las tres primeras muestras y la ARL.
c) Si en el futuro la produccin diaria fuera de 20 rollos, construir una carta para controlar el nmero
de defectos diario del proceso.

2. En el fichero MONTGO 6-41.sf3 se muestran los datos concernientes al nmero de defectos
encontrados en rollos de cable telefnico de 1000 m.
a) Controlar el proceso. Establecer los lmites de control para controlar la produccin futura.
b) Obtener la probabilidad de detectar en la primera muestra un aumento de la tasa de defectos a
12 por rollo. Obtener la probabilidad de detectarlo en las tres primeras muestras. Obtener la ARL.
c) Supongamos que se comienza a producir rollos de 2500 m. Establecer los lmites de control para
controlar el nmero de disconformidades en la produccin futura. Hacer lo mismo para controlar
el nmero de disconformidades por unidad.

3. El fichero MONTGO TAB6-7.sf3 contiene el nmero de disconformidades observadas en 26
muestras sucesivas de lotes de 100 tarjetas de circuitos impresos. La columna INCIDENCIAS
muestra algunos hechos relevantes ocurridos durante el periodo en el que se tomaron los datos.
a) Estudiar la situacin de control del proceso mediante un diagrama c. Establecer los lmites de
control para controlar la produccin futura.
b) Estimar el nmero medio de disconformidades por lote y la desviacin tpica.
c) Obtener los lmites de control y la lnea central para controlar la produccin futura con un
diagrama c con muestras de 200 tarjetas. Hacer lo mismo con muestras de 50 tarjetas.
d) Realizar el control del proceso mediante un diagrama u y compararlo con el diagrama c.

SISTEMAS DE DEMRITO

Controlamos un proceso del que se obtiene un producto complejo con muchos tipos de
disconformidades de diversa importancia que ocurren de manera independiente unos de otros.
La distinta importancia de los defectos se valora con unos pesos w
i
.
Supongamos que las muestras inspeccionadas son de una unidad de producto.
Defectos tipo A Peso w
A
; D
A
= n de defectos tipo A en la muestra inspeccionada;
) c ( D
A A

Defectos tipo B Peso w
B
; D
B
= n de defectos tipo B en la muestra inspeccionada;
) c ( D
B B

Defectos tipo C Peso w
C
; D
C
= n de defectos tipo C en la muestra inspeccionada;
) c ( D
C C

..

Notacin:
c C C B B A A D
C C B B A A D
C C B B A A
... c w c w c w
c ... c w c w c w
... D w D w D w D
o = + + + = o
= + + + =
+ + + =
2 2 2

DIAGRAMA PARA EL NMERO DE DEMRITOS

CONTROL A ESTNDAR

Se inspeccionan m muestras.
Se obtienen D
iA
, D
iB
, D
iC
, ; i = 1, 2, , m
Se calculan los valores ponderados D
i
i = 1, 2, , m.
Se grafican en una carta c
c o 3

ESTUDIO INICIAL

Se inspeccionan m muestras.
Se obtienen D
iA
, D
iB
, D
iC
, ; i = 1, 2, , m
i
i = 1, 2, , m.

Se estiman los parmetros:
... ; D
m
c ; D
m
c con
... c w c w c w
... c w c w c w c
m
i
iB B
m
i
iA A
C C B B A A c
C C B B A A

= =
= =
+ + + = o
+ + + =
1 1
2 2 2
1 1

Se grafican en una carta c
c o 3
.

DIAGRAMA PARA EL NMERO DE DEMRITOS POR UNIDAD

Se inspeccionan m muestras de n unidades cada una.
Utilizamos la notacin:

Se obtienen D
iA
, D
iB
, D
iC
, ; i = 1, 2, , m
i
i = 1, 2, , m.

Si son desconocidos, se estiman los parmetros:
... ;
n
D
m n
c
u con
...
n
u
w
n
u
w
n
u
w
... u w u w u w u
m
i
iA A
A
C
C
B
B
A
A u
C C B B A A
=
= =
+ + + = o
+ + + =
1
2 2 2
1

Se grafican en una carta u
u o 3
o u
u o 3
, segn el tipo de estudio realizado.
...
n
u
w
n
u
w
n
u
w
... u w u w u w ...
n
c
w
n
c
w
n
c
w
n
c
u
...
n
D
w
n
D
w
n
D
w
n
D
U
C
C
B
B
A
A u
C C B B A A
C
C
B
B
A
A
C
C
B
B
A
A
+ + + = o
+ + + = + + + = =
+ + + = =
2 2 2

Tema 7.Muestreo para aceptacin lote por lote para Atributos

1

TEMA 7.

MUESTREO PARA ACEPTACIN LOTE
POR LOTE PARA ATRIBUTOS




2
INTRODUCCIN AL MUESTREO PARA ACEPTACIN

Papel del Muestreo para Aceptacin en el Control Estadstico de la Calidad. (recordar Tema 1)
Aplicaciones del Muestreo para aceptacin:
Recepcin de materias primas.
Inspeccin de la produccin propia.
Caractersticas importantes del Muestreo para aceptacin:
El propsito es juzgar los lotes, no estimar la calidad.
No es una forma directa de control de calidad. Slo acepta o rechaza lotes.
No inyecta calidad al proceso o al producto.
Tres enfoques posibles:
No inspeccionar (Para procesos con alta capacidad).
Inspeccin 100% (Para componentes crticos).
Muestreo para aceptacin. til en numerosas situaciones:
o Pruebas destructivas.
o Alto coste, tiempo insuficiente o imposibilidad tecnolgica de la inspeccin 100%.
o Produccin masiva y altas tasas de errores de inspeccin.
o Historial excelente del proveedor.
o Para el cumplimiento de responsabilidades legales.
Ventajas y desventajas del muestreo (ver Cap. 14 de Montgomery)


3
TIPOS DE PLANES DE MUESTREO:
Atendiendo a la naturaleza de las caractersticas de calidad estudiadas:
o Planes de muestreo para atributos.
o Planes de muestreo para variables.
Atendiendo a la forma de aplicacin:
o Planes de muestreo simple.
o Planes de muestreo dobles.
o Planes de muestreo mltiples.
o Planes de muestreo secuenciales.

CONFORMACIN DE LOS LOTES:
Lotes homogneos.
Lotes grandes.
Adecuados para la manipulacin.

MUESTREO ALEATORIO: La aleatoriedad del muestreo es un aspecto muy importante.

DIRECTRICES SOBRE EL USO DEL MUESTREO PARA ACEPTACIN:
Plan de muestreo: Indica el tamao de la muestra y el criterio de aceptacin/rechazo del lote.
Esquema de muestreo: Conjunto de planes de muestreo y un procedimiento para elegirlos
dependiendo del tamao del lote, de las probabilidades de errores permitidas, etc.
Sistema de muestreo: Coleccin unificada de uno o varios esquemas de muestreo y las
condiciones para usar uno u otro dependiendo del estado del proceso.



4
d n d
c
d
a
) p ( p
d
n
p
c D
P ) p ( P

=

|
|
.
|
\
|
=
(
s
=

1
0
PLANES DE MUESTREO SIMPLES POR ATRIBUTOS
DEFINICIN DE PLAN DE MUESTREO SIMPLE PARA ATRIBUTOS:
n: Tamao muestral.
c: Nmero de aceptacin.
APLICACIN:
1. Se toma una muestra aleatoria de n artculos del lote de tamao N.
2. Se inspecciona la muestra y se cuentan los artculos disconformes D.
3. Si Dc Aceptamos el lote; Si D>c rechazamos el lote.

CURVA CO:
Representa la probabilidad de aceptar el lote frente a la fraccin defectuosa del lote.
Indica el poder discriminatorio del plan de muestreo para rechazar lotes de mala calidad:

~
~
N Si ); p , n ( b D



5



6
Curva CO ideal:
o P
a
(p) = 1 para pp
0
(valor aceptable de referencia)
o P
a
(p) = 0 para p>p
0
(valor aceptable de referencia)
o Imposible de obtener
Curva CO posible:



7
Papel de n en la curva OC: Eligiendo c adecuado, la curva OC tiende a la curva ideal cuando n
tiende a infinito.
Papel de c:
o Para n fijo, proporciona curvas OC desplazadas y con pendientes parecidas.
o Cada uno de los planes discrimina distintos niveles de defectos.
Dos enfoques poco convenientes:
Planes con c=0. Planes con n proporcional a N.



8
PUNTOS SIGNIFICATIVOS EN LA CURVA CO:

Se definen para buscar el parecido con la curva CO ideal.
AQL, Acceptable Quality Level (Nivel de Calidad Aceptable): Peor nivel de calidad para el
proceso del proveedor que el consumidor estara dispuesto a aceptar como media del proceso (o
como tasa de defectos de los lotes).
Es una propiedad del proceso de produccin, no del plan de muestreo.
El consumidor disear el plan de muestreo de modo que P
a
(AQL) sea alta.
LTPD, Lot Tolerante Percent Defective (Porcentaje Defectuoso Tolerable por Lote): Nivel de
calidad mnimo a partir del cual el consumidor no deseara aceptar ningn lote con calidad igual
o peor que esa.
Es un nivel de calidad fijado por el consumidor, no una caracterstica del plan de muestreo.
El consumidor disear el plan de muestreo de modo que P
a
(LTPD) sea baja.

RIESGOS EN LA APLICACIN DE UN PLAN DE MUESTREO:

Definimos p
1
= AQL. P
a
(p
1
) = 1-. = Riesgo del Fabricante.
Definimos p
2
= LTPD. P
a
(p
2
) = |. | = Riesgo del Consumidor.

CUESTIONES DE INTERS RESUELTAS CON STATGRAPHICS:

Evaluar un plan especificado: Dados (n,c), se puede obtener la curva OC y por lo tanto para
valores conocidos de AQL y LTPD se pueden calcular los riesgos y |.
Diseo de un plan de muestreo con una curva CO especificada. Conocidos los valores de AQL y
LTPD y los riesgos y | se puede obtener el plan (n,c) cuya curva OC pasa por los puntos
(p
1
,1-) y (p
2
,|).


9
PRCTICA
1. Analizar un plan de muestreo existente.
Analizar el Plan de muestreo (n=100, c=3) con lotes de tamao N=1000.
Estudiar el efecto del tamao del lote para un plan fijo.
Estudiar el efecto del tamao muestral, n, sobre un plan con c fijo.
Estudiar el efecto del nmero de aceptacin, c, sobre un plan con n fijo.

2. Malas prcticas en muestreo para aceptacin. Planes de Muestreo con c=0.
Crear los planes de muestreo (n=100, c=0), (n=50, c=0), (n=10, c=0), con lotes de
tamao N=1000.
Comentar las curvas OC y valorar la proteccin que proporcionan.

3. Malas prcticas en muestreo para aceptacin. Planes proporcionales al tamao del lote.
Crear los planes de muestreo (N= 100, n=10, c=2), (N= 500, n=50, c=2), (N= 1000,
n=100, c=2). Comparar las curvas OC y valorar la proteccin que proporcionan.
Crear los planes de muestreo (N= 100, n=10, c=1), (N= 500, n=50, c=5), (N= 1000,
n=100, c=10). Comparar las curvas OC y valorar la proteccin que proporcionan.

4. Crear planes de muestreo con caractersticas especificadas para la curva CO (AQL y LTPD).
Crear un plan con la curva CO pasando por (0.01, 0,95), (0.10, 0.05). N=10000.
Crear un plan con AQL= 0,005, LTPD=0,02, =0,03 y |=0,10. N=10000.


10
INSPECCIN RECTIFICADORA

Procedimiento frecuentemente usado en el muestreo de aceptacin:
1. Inspeccin de todos los lotes.
2. Sustitucin de artculos defectuosos encontrados:
a. Si el lote resulta aceptado, se sustituyen slo los artculos defectuosos encontrados en la
muestra y el lote sigue adelante.
b. Si el lote resulta rechazado se completa una inspeccin 100%, se sustituyen todos los
artculos defectuosos encontrados en el lote y el lote sigue adelante.

P
a
(p
0
)
1-P
a
(p
0
)
N
n
N
n N
p + |
.
|
\
|
0
0


11
CURVA AOQ
AOQ: Average Outcoming Quality (Calidad Media a la Salida).

Interpretacin:
p bajo AQQ bajo por partir de una produccin de elevada calidad.
p alto AQQ bajo por la sustitucin.
Interesa encontrar el valor mximo: AOQL.
) pequeo n y grande N ( p P ) p ( AOQ
N
) n N (
p P
) P (
N
) n N (
p P ) p ( AOQ
a
a
a a
~
=
+
= 0 1


12
AOQL: Average Outcoming Quality Limit (Lmite para la calidad media de salida)

Caractersticas del AOQL:
Es un nivel medio.
No garantiza que todos los lotes estn por debajo.
En el entorno del p
*
donde se alcanza el valor mximo AOQL, muchos lotes estarn por encima
de dicho valor.
Se puede seleccionar un plan para un AOQL fijo pero no es nico y se necesitan ms
restricciones.

p
*
AOQL



13
CARGA DE INSPECCIN

ATI Average Total Inspection (Inspeccin Total Media)
Es una curva que representa el nmero medio de artculos inspeccionados por lote en funcin
de la fraccin defectuosa del proceso.

n N )( P ( n ) P ( N nP ) p ( ATI
a a a
+ = + = 1 1

Estudio complementario del AOQL.



14
PLANES DE MUESTREO DODGE-ROMIG
Conjunto de tablas para obtener planes para la inspeccin lote por lote por atributos con
caractersticas deseadas sobre el AOQL o el LTPD.
Slo se aplican en programas de inspeccin rectificadora.

PLANES AOQL

Diseados para no sobrepasar un AOQL dado, minimizando adems la ATI para una media del
proceso especificada p, entre todas las soluciones posibles.
Dos alternativas para obtenerlos:
1. STATGRAPHICS
2. Planes de Dodge-Romig.

Aplicacin:
1. Se fija el valor de AOQL (0,1%, 0,25%, 10%).
2. Se fija el valor previsible de la media del proceso p. (Planes de Dodge-Romig: 6 intervalos de
valores para p).
3. Se fija el tamao del lote N.
4. Habra muchos planes posibles como solucin.
5. La solucin proporcionada por STATGRAPHICS y Dodge-Romig es la que minimiza ATI en
la media del proceso p.
6. Se da como informacin adicional el valor del LTPD para un riesgo del consumidor | = 0,1.



15


16
PLANES LTPD

Diseados para no sobrepasar un Riesgo del Consumidor especificado (habitualmente | = 0,1) en
un valor LTPD dado, minimizando adems la ATI para una media del proceso especificada p
entre todas las soluciones posibles.
Estn pensados desde el punto de vista del consumidor que trata de autoprotegerse.
Dos alternativas para obtenerlos:
1. STATGRAPHICS
2. Planes de Dodge-Romig.

Aplicacin:
1. Se fija el valor de LTPD (1%, 2%, 5%) y el riesgo del consumidor (habitualmente | = 0,1)
2. Se fija el valor previsible de la media del proceso p. (Planes de Dodge-Romig: 6 intervalos de
valores para p).
3. Se fija el tamao del lote N.
4. Habra muchos planes posibles como solucin.
5. La solucin proporcionada por STATGRAPHICS y Dodge-Romig es la que minimiza ATI en
la media del proceso p.
6. Se da como informacin adicional el valor del AOQL.



17



18
PRCTICA

1. Crear con STATGRAPHICS planes de muestreo AOQL.

2. Crear con STATGRAPHICS planes de muestreo LTPD.


19
3. NORMA MIL STD 105D (ANSI/ASQC Z1.4)
CARACTERSTICAS:

- Se basa en el AQL, dando una prob. de aceptacin entre 0,91 y 0,99 (RIESGO DEL
FABRICANTE) dependiendo del tamao muestral.

- Son bastante discontinuas. No todos los tamaos muestrales son factibles. Los tamaos muestrales
son siempre los mismos para el mismo tamao de lote y slo varan los nmeros de aceptacin.

- El nivel de inspeccin a usar se determina por criterios econmicos teniendo en cuenta el coste del
muestreo.

- Las reglas de cambio son muy discutidas.

PROCEDIMIENTO:

1. Elegir el AQL.

2. Seleccionar el Nivel de Inspeccin. (El normal es el Nivel II)

3. Determinar el tamao del lote.

4. Hallar la letra cdigo. Tabla 14-4.

5. Determinar el tipo adecuado de plan de muestreo a usar: simple, doble o mltiple.

6. Emplear la tabla apropiada para el tipo de plan.

7. Determinar los planes de inspeccin normal, estricta y reducida para cuando sean necesarios.


20
REGLAS PARA EL CAMBIO DE TIPO DE INSPECCIN



21



22



23



24



25
EJEMPLO

Un producto se empaqueta en lotes de tamao N=2000.
Queremos usar el Nivel de Inspeccin: II.
Esto proporciona en la Tabla 14-4 el cdigo K.

El AOQ es 0,65%.

Plan de muestreo para la inspeccin Normal: (n,c) = (125,2). Tabla 14-5.
Plan de muestreo para la inspeccin Rigurosa: (n,c) = (125,1). Tabla 14-6.
Plan de muestreo para la inspeccin Reducida: (n,c,r) = (50,1,3). Tabla 14-7.
(Con este plan, si salen D=2 defectuosos en la muestra se acepta el lote, pero se pasa a inspeccin
normal en el siguiente lote)



26
PRCTICA

Una empresa envasa naranjas para zumo en paquetes de 4 kg. Los paquetes se embalan en lotes de
100 unidades.
a. Aplicar la norma MIL STD 105D con el Nivel de inspeccin II y con planes de muestreo simples,
para un AQL del 2,5%.
b. Indica las decisiones que se iran tomando si aparece la siguiente secuencia de defectos en 23
muestras consecutivas: 2,0,1,0,3,0,1,0,2,1,0,0,1,0,2,1,1,2,1,1,
c. Evaluar los tres planes obtenidos y compararlos respecto a:
c.1. El riesgo del fabricante.
c.2. El riesgo del consumidor si consideramos un LTPD del 4%.
c.3. El AOQL con inspeccin rectificadora.
c.4. El ATI en la tasa de defectos del AQL con inspeccin rectificadora.

Se embalan telfonos mviles en lotes de 1000 unidades.
a. Aplicar la norma MIL STD 105D con el Nivel de inspeccin II y con planes de muestreo simples,
para un AQL del 1%.
b. Indica las decisiones que se iran tomando si aparece la siguiente secuencia de defectos en 23
muestras consecutivas: 2,1,0,0,1,0,0,0,0,1,0,0,0,0,0,1,1,1,1,0,2,2,2,
c. Evaluar los tres planes obtenidos y compararlos respecto a:
c.1. El riesgo del fabricante.
c.2. El riesgo del consumidor si consideramos un LTPD del 4%.
c.3. El AOQL con inspeccin rectificadora.
c.4. El ATI en la tasa de defectos del AQL con inspeccin rectificadora.


Tema 8.Muestreo para aceptacin lote por lote para Variables

1

TEMA 8.

MUESTREO PARA ACEPTACIN LOTE
POR LOTE PARA VARIABLES




2
MUESTREO POR VARIABLES O POR ATRIBUTOS?

PROTECCIN:
Se puede conseguir la misma proteccin (Curva OC) eligiendo adecuadamente un plan por
variables o por atributos.

TAMAO MUESTRAL Y COSTES DE INSPECCIN:
Las variables aprovechan ms informacin. Por ello se requiere habitualmente menor tamao
muestral para la misma proteccin.
Medir variables es ms costoso que medir atributos. Por ello, el coste por unidad muestreada es
mayor por variables.
Hay que conjugar adecuadamente ambas cosas.
Cuando el nivel de calidad aceptable (AQL) es muy pequeo (en la actualidad se habla incluso en
partes por milln para muchos procesos) suele usarse el muestreo por variables por requerir
mucho menor tamao muestral.

HIPTESIS PREVIAS Y RESTRICCIONES DE USO:
Los planes por variables necesitan que se conozca la distribucin y los de atributos no.
Habitualmente se supone normalidad para construir el plan. Si la realidad es otra, puede haber
grandes diferencias en la curva OC y, por tanto, en los riesgos.

INSPECCIN SIMULTNEA DE VARIAS CARACTERSTICAS.
El muestreo por variables requiere un plan para cada caracterstica.
El muestreo por atributos puede agrupar el concepto de Disconforme con todas las caractersticas
y sera suficiente un solo plan.


3
PLANES DE MUESTREO PARA VARIABLES DESTINADOS A CONTROLAR
LA FRACCIN DEFECTUOSA p DEL LOTE O DEL PROCESO
La fraccin defectuosa p es la proporcin de artculos que est fuera de los lmites de
especificacin LIE y LSE.
Dependiendo del proceso, podemos tener un solo lmite o dos lmites.

CLASIFICACIN DE LOS PROCEDIMIENTOS:

A) SEGN LA FORMA DE ORGANIZAR LOS CLCULOS:
Procedimiento 1(Mtodo de k): El Plan se expresa en trminos de la media muestral (aunque
controla el proceso a travs de la fraccin defectuosa).
Procedimiento 2 (Mtodo de M): El Plan se expresa en trminos de la fraccin de defectos
estimada a partir de la media muestral.

B) UNILATERALES O BILATERALES
Slo hay un lmite de especificacin LIE o LSE. (Los nicos que veremos)
Hay dos lmites de especificacin LIE y LSE. (Son ms complicados tcnicamente)

C) CONOCIDA O DESCONOCIDA

UTILIDADES DE STATGRAPHICS
Evaluar las caractersticas de un plan prefijado.
Obtener un plan con curva OC pasando por dos puntos.
Planes AOQL de Dodge-Romig.
Planes LTPD de Dodge-Romig.


4
PLANES DE MUESTREO k, PARA UN LMITE DE ESPECIFICACIN Y
CONOCIDA O DESCONOCIDA.
DEFINICIN DE PLAN DE MUESTREO k:
n: Tamao muestral.
k: Criterio de rechazo.
APLICACIN:
1. Se toma una muestra aleatoria de n artculos del lote de tamao N.
2. Se inspecciona la muestra y se mide la variable en estudio.
3. Se calcula
S
LIE X
Z o
LIE X
Z
LIE LIE

4. Si
k Z
LIE

aceptamos el lote. Si
k Z
LIE

rechazamos el lote

Se trabajara anlogamente con LSE:
S
X LSE
Z o
X LSE
Z
LSE LSE

CURVA CO:
Representa la probabilidad de aceptar el lote frente a la fraccin defectuosa del lote.
Indica el poder discriminatorio del plan de muestreo para rechazar lotes de mala calidad.
Se trasladan todos los conceptos de los planes para atributos: AQL, LTPD, Riesgo del
fabricante y riesgo del consumidor.

INSPECCIN RECTIFICADORA:
Se trasladan todos los conceptos de los planes para atributos: Curva AOQ, AOQL, Curva ATI.

Distribucin Normal

0,5 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9014
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9318
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9997 0,9997 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999

Distribucin Binomial ( )
r n r
p p
r
n
r X p

= = 1 ) (

p 0,01 0,05 0,10 0,15 0,20 0,25 0,30 1/3 0,35 0,40 0,45 0,49 0,50
n r
2 0 0,9801 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4444 0,4225 0,3600 0,3025 0,2601 0,2500
1 0,0198 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4444 0,4550 0,4800 0,4950 0,4998 0,5000
2 0,0001 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1111 0,1225 0,1600 0,2025 0,2401 0,2500
3 0 0,9703 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2963 0,2746 0,2160 0,1664 0,1327 0,1250
1 0,0294 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4444 0,4436 0,4320 0,4084 0,3823 0,3750
2 0,0003 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2222 0,2389 0,2880 0,3341 0,3674 0,3750
3 0,0000 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0370 0,0429 0,0640 0,0911 0,1176 0,1250
4 0 0,9606 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1975 0,1785 0,1296 0,0915 0,0677 0,0625
1 0,0388 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3951 0,3845 0,3456 0,2995 0,2600 0,2500
2 0,0006 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,2963 0,3105 0,3456 0,3675 0,3747 0,3750
3 0,0000 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,0988 0,1115 0,1536 0,2005 0,2400 0,2500
4 0,0000 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0123 0,0150 0,0256 0,0410 0,0576 0,0625
5 0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1317 0,1160 0,0778 0,0503 0,0345 0,0313
1 0,0480 0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3292 0,3124 0,2592 0,2059 0,1657 0,1563
2 0,0010 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3292 0,3364 0,3456 0,3369 0,3185 0,3125
3 0,0000 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1646 0,1811 0,2304 0,2757 0,3060 0,3125
4 0,0000 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0412 0,0488 0,0768 0,1128 0,1470 0,1563
5 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0041 0,0053 0,0102 0,0185 0,0282 0,0313
6 0 0,9415 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0878 0,0754 0,0467 0,0277 0,0176 0,0156
1 0,0571 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2634 0,2437 0,1866 0,1359 0,1014 0,0938
2 0,0014 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3292 0,3280 0,3110 0,2780 0,2436 0,2344
3 0,0000 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2195 0,2355 0,2765 0,3032 0,3121 0,3125
4 0,0000 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0823 0,0951 0,1382 0,1861 0,2249 0,2344
5 0,0000 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0165 0,0205 0,0369 0,0609 0,0864 0,0938
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0014 0,0018 0,0041 0,0083 0,0138 0,0156
7 0 0,9321 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0585 0,0490 0,0280 0,0152 0,0090 0,0078
1 0,0659 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,2048 0,1848 0,1306 0,0872 0,0604 0,0547
2 0,0020 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,3073 0,2985 0,2613 0,2140 0,1740 0,1641
3 0,0000 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2561 0,2679 0,2903 0,2918 0,2786 0,2734
4 0,0000 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1280 0,1442 0,1935 0,2388 0,2676 0,2734
5 0,0000 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0384 0,0466 0,0774 0,1172 0,1543 0,1641
6 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0064 0,0084 0,0172 0,0320 0,0494 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0005 0,0006 0,0016 0,0037 0,0068 0,0078
8 0 0,9227 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0390 0,0319 0,0168 0,0084 0,0046 0,0039
1 0,0746 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1561 0,1373 0,0896 0,0548 0,0352 0,0313
2 0,0026 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2731 0,2587 0,2090 0,1569 0,1183 0,1094
3 0,0001 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2731 0,2786 0,2787 0,2568 0,2273 0,2188
4 0,0000 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1707 0,1875 0,2322 0,2627 0,2730 0,2734
5 0,0000 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0683 0,0808 0,1239 0,1719 0,2098 0,2188
6 0,0000 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0171 0,0217 0,0413 0,0703 0,1008 0,1094
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0024 0,0033 0,0079 0,0164 0,0277 0,0313
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0002 0,0007 0,0017 0,0033 0,0039
9 0 0,9135 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0260 0,0207 0,0101 0,0046 0,0023 0,0020
1 0,0830 0,2985 0,3874 0,3679 0,3020 0,2253 0,1556 0,1171 0,1004 0,0605 0,0339 0,0202 0,0176
2 0,0034 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2341 0,2162 0,1612 0,1110 0,0776 0,0703
3 0,0001 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2731 0,2716 0,2508 0,2119 0,1739 0,1641
4 0,0000 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2048 0,2194 0,2508 0,2600 0,2506 0,2461
5 0,0000 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1024 0,1181 0,1672 0,2128 0,2408 0,2461
6 0,0000 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0341 0,0424 0,0743 0,1160 0,1542 0,1641
7 0,0000 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0073 0,0098 0,0212 0,0407 0,0635 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0009 0,0013 0,0035 0,0083 0,0153 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0008 0,0016 0,0020
10 0 0,9044 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0173 0,0135 0,0060 0,0025 0,0012 0,0010
1 0,0914 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0867 0,0725 0,0403 0,0207 0,0114 0,0098
2 0,0042 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1951 0,1757 0,1209 0,0763 0,0494 0,0439
3 0,0001 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2601 0,2522 0,2150 0,1665 0,1267 0,1172
4 0,0000 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2276 0,2377 0,2508 0,2384 0,2130 0,2051
5 0,0000 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1366 0,1536 0,2007 0,2340 0,2456 0,2461
6 0,0000 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0569 0,0689 0,1115 0,1596 0,1966 0,2051
7 0,0000 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0163 0,0212 0,0425 0,0746 0,1080 0,1172
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0030 0,0043 0,0106 0,0229 0,0389 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0005 0,0016 0,0042 0,0083 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0010

0
F ( x )
+
x
-
=
x t
dt e x
2
2
1
2
1
) (

Distribucin de Poisson Acumulada P(Xx) = e
k
k
x k

0
!

x 0,01 0,05 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
0 0,990 0,951 0,905 0,819 0,741 0,670 0,607 0,549 0,497 0,449 0,407 0,368
1 1,000 0,999 0,995 0,982 0,963 0,938 0,910 0,878 0,844 0,809 0,772 0,736
2 1,000 1,000 0,999 0,996 0,992 0,986 0,977 0,966 0,953 0,937 0,920
3 1,000 1,000 0,999 0,998 0,997 0,994 0,991 0,987 0,981
4 1,000 1,000 1,000 1,000 0,999 0,999 0,998 0,996
5 1,000 1,000 1,000 1,000 1,000 0,999
6 1,000 1,000 1,000
7 1,000

x 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 1,90 2,00 2,10 2,20
0 0,333 0,301 0,273 0,247 0,223 0,202 0,183 0,165 0,150 0,135 0,122 0,111
1 0,699 0,663 0,627 0,592 0,558 0,525 0,493 0,463 0,434 0,406 0,380 0,355
2 0,900 0,879 0,857 0,833 0,809 0,783 0,757 0,731 0,704 0,677 0,650 0,623
3 0,974 0,966 0,957 0,946 0,934 0,921 0,907 0,891 0,875 0,857 0,839 0,819
4 0,995 0,992 0,989 0,986 0,981 0,976 0,970 0,964 0,956 0,947 0,938 0,928
5 0,999 0,998 0,998 0,997 0,996 0,994 0,992 0,990 0,987 0,983 0,980 0,975
6 1,000 1,000 1,000 0,999 0,999 0,999 0,998 0,997 0,997 0,995 0,994 0,993
7 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,999 0,999 0,999 0,998
8 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
9 1,000 1,000 1,000 1,000 1,000 1,000
10 1,000 1,000

x 2,30 2,40 2,50 2,60 2,70 2,80 2,90 3,00 3,50 4,00 4,50 5,00
0 0,100 0,091 0,082 0,074 0,067 0,061 0,055 0,050 0,030 0,018 0,011 0,007
1 0,331 0,308 0,287 0,267 0,249 0,231 0,215 0,199 0,136 0,092 0,061 0,040
2 0,596 0,570 0,544 0,518 0,494 0,469 0,446 0,423 0,321 0,238 0,174 0,125
3 0,799 0,779 0,758 0,736 0,714 0,692 0,670 0,647 0,537 0,433 0,342 0,265
4 0,916 0,904 0,891 0,877 0,863 0,848 0,832 0,815 0,725 0,629 0,532 0,440
5 0,970 0,964 0,958 0,951 0,943 0,935 0,926 0,916 0,858 0,785 0,703 0,616
6 0,991 0,988 0,986 0,983 0,979 0,976 0,971 0,966 0,935 0,889 0,831 0,762
7 0,997 0,997 0,996 0,995 0,993 0,992 0,990 0,988 0,973 0,949 0,913 0,867
8 0,999 0,999 0,999 0,999 0,998 0,998 0,997 0,996 0,990 0,979 0,960 0,932
9 1,000 1,000 1,000 1,000 0,999 0,999 0,999 0,999 0,997 0,992 0,983 0,968
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,993 0,986
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,995
12 1,000 1,000 1,000 1,000 0,999 0,998
13 1,000 1,000 1,000 0,999
14 1,000 1,000 1,000
15 1,000 1,000
16 1,000

x 5,50 6,00 6,50 7,00 7,50 8,00 8,50 9,00 9,50 10,00 15,00 20,00
0 0,004 0,002 0,002 0,001 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,027 0,017 0,011 0,007 0,005 0,003 0,002 0,001 0,001 0,000 0,000 0,000
2 0,088 0,062 0,043 0,030 0,020 0,014 0,009 0,006 0,004 0,003 0,000 0,000
3 0,202 0,151 0,112 0,082 0,059 0,042 0,030 0,021 0,015 0,010 0,000 0,000
4 0,358 0,285 0,224 0,173 0,132 0,100 0,074 0,055 0,040 0,029 0,001 0,000
5 0,529 0,446 0,369 0,301 0,241 0,191 0,150 0,116 0,089 0,067 0,003 0,000
6 0,686 0,606 0,527 0,450 0,378 0,313 0,256 0,207 0,165 0,130 0,008 0,000
7 0,809 0,744 0,673 0,599 0,525 0,453 0,386 0,324 0,269 0,220 0,018 0,001
8 0,894 0,847 0,792 0,729 0,662 0,593 0,523 0,456 0,392 0,333 0,037 0,002
9 0,946 0,916 0,877 0,830 0,776 0,717 0,653 0,587 0,522 0,458 0,070 0,005
10 0,975 0,957 0,933 0,901 0,862 0,816 0,763 0,706 0,645 0,583 0,118 0,011
11 0,989 0,980 0,966 0,947 0,921 0,888 0,849 0,803 0,752 0,697 0,185 0,021
12 0,996 0,991 0,984 0,973 0,957 0,936 0,909 0,876 0,836 0,792 0,268 0,039
13 0,998 0,996 0,993 0,987 0,978 0,966 0,949 0,926 0,898 0,864 0,363 0,066
14 0,999 0,999 0,997 0,994 0,990 0,983 0,973 0,959 0,940 0,917 0,466 0,105
15 1,000 0,999 0,999 0,998 0,995 0,992 0,986 0,978 0,967 0,951 0,568 0,157
16 1,000 1,000 1,000 0,999 0,998 0,996 0,993 0,989 0,982 0,973 0,664 0,221
17 1,000 1,000 1,000 1,000 0,999 0,998 0,997 0,995 0,991 0,986 0,749 0,297
18 1,000 1,000 1,000 1,000 0,999 0,999 0,998 0,996 0,993 0,819 0,381
19 1,000 1,000 1,000 1,000 0,999 0,999 0,998 0,997 0,875 0,470
20 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,917 0,559
21 1,000 1,000 1,000 1,000 1,000 0,999 0,947 0,644
22 1,000 1,000 1,000 1,000 1,000 0,967 0,721
23 1,000 1,000 1,000 0,981 0,787
24 1,000 1,000 0,989 0,843
25 1,000 0,994 0,888
26 0,997 0,922
27 0,998 0,948
28 0,999 0,966
29 1,000 0,978
30 1,000 0,987
31 1,000 0,992
32 1,000 0,995
33 1,000 0,997
34 0,999

Temas 2012-13

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

Temas 2012-13

Cargado por

Copyright:

Formatos disponibles

Calidad Total (Ingeniero en Organizacin Industrial) - Control Estadstico de la Calidad (Ingeniero Industrial)

Tema 1. El Entorno de la Calidad Total 1

Control de fuera Proceso :

CARTAS DE CONTROL PARA MEDIDAS INDIVIDUALES

al min No LIE LSE

También podría gustarte