Está en la página 1de 55

Ingeniera Industrial Hoja 1 de 55

Universidad de Valparaso
APUNTES CLASE DE CONTROL ESTADSTICO DE PROCESOS
ASIGNATURA: GESTIN DE LA CALIDAD PREGRADO
Nota: Este documento constituye una gua de apuntes para seguir la clase.
Prof. Mauricio Valle Septiembre 2008
1. Introduccin a la Calidad
Algo de historia.
Era Antigua: construccin de las pir!mides.
Era de la artesana: a mediados del siglo "VIII# el armero $ranc%s Honer% &e 'lanc desarroll sistema para
$a(ricar mos)uetes seg*n un patrn est!ndar utili+ando pie+as intercam(ia(les.
,-omas .ejjerson trajo la idea a U/A y le pidi a Eli 0-itney contrato para 11.111 mos)uetes.
Era post2segunda guerra mundial.
1345: H6 al pro(ar 711.111 c-ip de 18 9 de memoria :A; de tres $!(ricas de U/A y tres de .apn se
percataron )ue los de .apn la tasa de $allas al inicio $ue de 1 po mil# los de U/A eran de 13 por mil.
1345: de 111 modelos de auto de U/A# los pro(lemas in$ormados de 81 a 31 primeros das -a(an 18<2141
pro(lemas. En .apn era de 1<3215<.
Premios a la calidad. En =-ile tenemos el 6remio Nacional a la =alidad y se premian a las empresas )ue
demuestren -a(er alcan+ado altos est!ndares de gestin y se trans$ormen en re$erentes. &a evaluacin se
reali+a en lidera+go# clientes y mercados# personas# plani$icacin estrat%gica# procesos# in$ormacin#
responsa(ilidad social y resultados.
Fomentos a la calidad. =>:?> posee un programa de $omento a la calidad ?>=A& )ue consiste en apoyo
monetario a las 6@;E/ para implementar y certi$icar en I/> 3111# 1A111# '6A# /E;=# Nc-<313# Normas
de turismo# >H/A/.
Idea 1:
Beterminantes del %Cito de una organi+acin: productividad# costo y calidad $uente de ventaja
competitiva.
/i no -ay calidad no -ay ventas no -ay utilidad no -ay tra(ajo.
Idea 2:
Aseguramiento de la calidad: Accin )ue se dirige a proporcionar a los consumidores productos de calidad
apropiados. Ejemplo: medicin# inspeccin.
Idea 3:
=riterios de la calidad.
Idea 4:
Bimensiones de la calidad.
Idea 5:
&a $orma en )ue se visuali+a la calidad depende de la posicin personal dentro del sistema.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja < de 55
Universidad de Valparaso
Idea 6:
Be$inicin de la calidad: totalidad de las caractersticas y -erramientas de un producto o servicio )ue tienen
importancia en relacin con su capacidad de satis$acer las necesidades dadas. $in *ltimo de cual)uier
negocio.
Idea 7:
=lientes internos# clientes eCternos# consumidores.
Idea 8:
Visin de Beming de un sistema de produccin.
Idea :
&os tres niveles de la calidad. Visin por procesos de la organi+acin.
Bistincin entre e$iciencia y e$icacia.
Nivel 1: organi+acional# preocupado de los clientes
Nivel <: procesos de $uncionalidad cru+ada# preocupado de los clientes internos.
Nivel 7: Ejecutante# preocupado de las tolerancias y cumplimiento de est!ndares.
Idea 1!:
=alidad y renta(ilidad. &os consumidores toman decisiones de compra con (ase en el valor perci(ido.
=ompromiso con el ciclo sin $in de mejoras en investigacin de mercados# investigacin y desarrollo#
produccin# servicio al cliente y pr!cticas administrativas.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 7 de 55
Universidad de Valparaso
2. Filoso"#a de la Calidad
Idea 1$ &a principal culpa(le de la mala calidad es la varia(ilidad de los procesos seg*n Beming.
Idea 2$ :eaccin en cadena de Beming.
Idea 3$ 1A puntos de Beming y sistema pro$undo de conocimientos. Apreciacin de un sistema# comprensin
de la variacin# teora del conocimiento y psicologa.
Idea 4$ /istema. =uando las partes de un sistema interact*an# los administradores no podr!n manejar (ien el
sistema administrando esas partes# lo )ue constituye uno de los pro(lemas de organi+aciones orientadas
$uncionalmente intentando administrar relaciones representadas por organigramas verticales en lugar de
administrar relaciones -ori+ontales. Veremos sntomas de los pro(lemas y no sus causas su(yacentes.
Idea 5$ &a tarea de la administracin es optimi+ar el sistema. Be(en comprender la Inter.2relacin entre los
componentes del sistema HprocesosI.
&a administracin de(e tener una meta# un propsito.
Idea 6$ Variacin.
2 Es necesario una comprensin $undamental de la teora estadstica y de la variacin.
2 JuincunC
=urva normal: El mismo tipo de variacin se da en los sistemas y procesos de produccin.
,enemos $uentes de variacin Hm%todos# materiales# mano de o(ra# m!)uinas# medio am(ienteI.
2 ?uentes comunes de variacin H41231KI: &a variacin de(ida a cual)uiera de estas $uentes aparece de
manera aleatoria. /e puede predecir de manera estadstica.
2 =ausas especiales H112<1KI: ?uentes eCternas no in-erentes al proceso Hoperador mal capacitado#
eCcesivo desgaste de -erramientas# mala cali(racin# etc.I
Idea 7$ Un sistema go(ernado por causas comunes es un sistema esta(le. &as causas comunes son resultado
del diseLo del sistema y )uien diseLa el sistema es la administracin.
Idea 8$ Importancia de reconocer los dos tipos de $uentes de causas comunes # o si noM.
Idea $ Importancia econmica de la reduccin de la varia(lidad. N%nico ,aguc-i.
2 ?uncin de p%rdida: costo de la variacin en t%rminos monetarios.
2 &a *nica manera de reducir la variacin por causas comunes es cam(iando la tecnologa del proceso
Hm!)uinas# personas# m%todos# etc.I (ajo el control de la administracin y no de los operadores.
Idea 1!$ ECperimento del em(udo: propsito: demostrar )ue en muc-os procesos# las personas pueden
a$ectar los resultados y de -ec-o lo -acen# generando variaciones no deseadas al alterar el proceso o tratando
de manera indiscriminada eliminar causas comunes de variacin.
,enemos tres elementos:
2 'lanco Ho(jetivoI
2 &ugar donde se detiene la (ola
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A de 55
Universidad de Valparaso
2 6osicin del em(udo
:egla 1: No tocar el em(udo
:egla <: ;edir la distancia entre el punto donde se detiene la (ola y la posicin del em(udo. ;over el
em(udo una posicin igual pero en direccin contraria a partir de la posicin del em(udo.
:egla 7: ;edir la distancia entre el punto donde se detiene la (ola y el (lanco. ;over el em(udo una
posicin igual pero en sentido contrario a partir del (lanco.
:egla A: =olocar em(udo donde la (ola se detiene.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 5 de 55
Universidad de Valparaso
3. Administracin de la Calidad %otal
Idea 1$ &ocalidad no solo de(e considerarse como una disciplina t%cnica# mas (ien como una disciplina
administrativa. &a calidad a$ecta todos los aspectos de una empresa# por ejemplo# diseLo# marOeting#
manu$actura# administracin de personal# relaciones con proveedores.
Idea 2$ Be$inicin de P=alidad ,otalQ
Idea 3$ 6rincipios de la calidad total:
2 En$o)ue en el cliente
2 6articipacin y tra(ajo en e)uipo
2 ;ejora y aprendi+aje continuo.
Idea 4$ En$o)ue en el cliente: &a organi+acin de(e en$ocarse en todos los atri(utos de los productos y
servicios )ue contri(uyan al valor perci(ido por el cliente y )ue conducen a su satis$accin. Esto implica no
slo cumplir con especi$icaciones y tolerancias# reducir errores o de$ectos# o eliminar )uejas. Be(e tam(i%n
considerar la satis$accin del cliente en el diseLo y entrega del producto y servicio.
Besde la perspectiva de la =alidad ,otal# todas las decisiones estrat%gicas )ue e$ect*e una organi+acin son
Pimpulsadas por el clienteQ. /e muestra sensi(ilidad a nuevas necesidades de los clientes y desarrolla t%cnicas
de retroalimentacin del cliente.
No olvidar )ue tam(i%n aplica a clientes internos HpersonalI.
Idea 5$ 6articipacin y tra(ajo en e)uipo:
6articipacin $
2 =apacitando empleados para pensar de manera creativa y premiando las (uenas sugerencias# los
administradores pueden desarrollar lealtad y con$ian+a.
2 No slo )uedarse en (uenas intenciones para )ue el empleado se involucre. ?ormulacin de sistemas
y procedimientos y despu%s implementarlos para asegurar )ue la participacin se convierta en parte
de la cultura.
2 Belegacin de autoridad a los empleados# sin limitarlos con reglas (urocr!ticas# para tomar decisiones
)ue satis$agan a clientes. Esto es muestra de elevado nivel de con$ian+a.
,ra(ajo en e)uipo:
2 en$oca a las relaciones cliente2proveedor. Ejemplo: e)uipo de $unciones cru+adas y crculos de
calidad.
2 &a calidad total re)uiere coordinacin -ori+ontal entre las unidades organi+ativas Hcomo en la imagen
de Beming de un sistema de produccinI. A menudo la mala calidad es el resultado de rupturas en la
responsa(ilidad )ue aparecen cuando una organi+acin est! en$ocada *nicamente -acia estructuras
verticales# siendo incapa+ de reconocer estructuras -ori+ontales Hcomo las )ue ocurren en diseLo#
ingeniera# produccin# $inan+as# conta(ilidad# despac-o# etc.I. &a estructura vertical conduce a
competencia interna.
2 >tro ejemplo de tra(ajo en e)uipo son las asociaciones. 'uenas relaciones con los proveedoresR.
Ejemplo: Universidad ;otorola# Apadrinamiento de =olegios.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 8 de 55
Universidad de Valparaso
Idea 6$ ;ejora continua: =iclo Beming de ;ejora continua.
Idea 7$ In$raestructura# pr!cticas y -erramientas.
In$raestructura: son los sistemas (!sicos de administracin necesarios )ue permiten a una organi+acin lograr
su metas y o(jetivos. /e componen de: &idera+go# Hcl5I# 6laneacin estrat%gica Hcl5I# administracin de
recursos -umanos Hcl8I# administracin de procesos# administracin de datos e in$ormacin.
6r!cticas: actividades )ue ocurren dentro del sistema de administracin Ho gestinI a $in de conseguir los
o(jetivos propuestos y )ue se reali+an en $orma peridica.
Herramientas: incluyen una amplia diversidad de m%todos gr!$icos y estadsticos para anali+ar y planear las
actividades. 6or ejemplo# control estadstico de procesos# muestreo# diseLo de eCperimentos# etc.
Idea 8$ Administracin de procesos. Implica diseLo y control para desarrollar y entregar productos y
servicios )ue cumplan las necesidades del cliente.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 5 de 55
Universidad de Valparaso
4. &l control &stad#stico de Procesos '(tatistical Process Control)
Process im*ro+ing using control charts.
,so de las Cartas de control.
Es importante en$ati+ar )ue las cartas de control $orman parte importante del tra(ajo necesario para la mejora
continua.
El siguiente diagrama
1
representa la secuencia de actividades para el uso de cartas de control para la mejora
de la calidad.
?igura 2 Uso de las =artas de =ontrol
1
Adaptado de PBesign# Use# and 6er$ormance o$ /tatistical =ontrol =-arts $or =linical 6rocess InprovementQ# eCtrado de
-ttp:GGSSS1.coe.neo.eduGT(enneyanGpapersGintroDspc.pd$ el <7 de Noviem(re <114.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 4 de 55
Universidad de Valparaso
&as cartas de control )ue son m!s $amiliares# son las llamadas cartas /-eS-art# desarrolladas originalmente
por 0alter /-eS-art en 13<A# una para cada tipo de datos )ue son encontrados en la pr!ctica. &os datos
pueden ser descritos por distri(uciones estadsticas utili+adas para determinar el valor esperado# la varian+a y
la variacin natural de los datos Hpor ejemplo# los lmites de controlI. &as distri(uciones m!s utili+adas son:
la normal# (inomial# poisson y geom%trica.
Una di$icultad com*n al utili+ar gr!$icas de control es sa(er )u% tipo de carta de control utili+ar# o dic-o de
otro modo# con )u% tipo de datos Hdistri(ucinI nos en$rentamos. El tipo de carta de control a utili+ar en una
situacin particular est! (asada en identi$icar )u% distri(ucin siguen los datos. En la siguiente ,a(la se
muestran los distintos tipos de cartas de control y la distri(ucin de los datos utili+ados.
,a(la U =artas /-eS-art
%i*o de carta de control
-istri.ucin de
*ro.a.ilidad
,so a*ro*iado
Cartas X S y X - R
=artas de medias y desviacin
est!ndar o de medias y rangos
Normal
;edias en $orma continua.
Nota: ,am(i%n se utili+a la Vcarta de individualesW
cuando el tamaLo de muestra es uno. 6ara estos
casos tam(i%n eCisten otros tipos de carta
denominadas Vcartas con memoriaI
Carta np
N*mero de no con$ormes
'inomial
N*mero total de casos dicotmicos generados por
un proceso.
Nota: El tamaLo de muestra de(e ser constante.
Carta p
?raccin de no con$ormes
'inomial
?raccin de casos dicotmicos so(re el total del
tamaLo de la muestra generados por un proceso.
Nota: El tamaLo de muestra suele se constante#
pero tam(i%n puede utili+arse cuando no lo es.
Carta c
N*mero de con$ormes
6oisson N*mero total de no con$ormes de alg*n evento.
6uede ser m!s de un evento so(re la unidad de
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 3 de 55
Universidad de Valparaso
muestra
Nota: se asume )ue la oportunidad de )ue ocurra el
evento es constante so(re cada muestra.
Carta u
,asa de no con$ormes por
unidad (ase
6oisson
,asa de no con$ormes de alg*n evento. 6uede ser
m!s de un evento so(re una unidad de muestra.
Nota: la tasa es ajustada ser! el promedio por
alguna caracterstica com*n de las muestras.
Carta g
N*mero de no con$ormes entre
eventos
Neom%trica
N*mero de no con$ormes o monto de tiempo entre
no con$ormes.
Nota: particularmente *til para eventos eCtraLos o
cuanto la tasa es (aja Hp.ej. tasa X .11I
-i"erencia entre la estad#stica tradicional / el control estad#stico de *rocesos.
aI En el control estadstico de procesos# los datos son los indicadores clave )ue se coleccionan y se eval*an
de manera muc-o m!s $recuente y de manera continua a trav%s de las cartas de control. En la estadstica
cl!sica# los datos se utili+an de manera retrospectiva en gran cantidad y en $orma agregada# tpicamente a
trav%s de reportes anuales# semestrales o )uincenales.
(I En el control estadstico de procesos# los datos de coleccionan de manera longitudinal en tiempo real por
medio de muestras de tamaLo muc-o menor llamada su(grupos# las cuales se de(en distinguir de la muestra
total de todos los datos de todos los su(grupos. En la estadstica tradicional# se utili+a la muestra completa
para propsitos de reportes y documentacin.
En la siguiente ?igura se intenta mostrar la di$erencia entre la estadstica cl!sica y el control estadstico de
procesos.
?igura U =oleccin de datos longitudinal para el control estadstico de procesos
<
<
,omado de PBesign# Use# and 6er$ormance o$ /tatistical =ontrol =-arts $or =linical 6rocess InprovementQ# eCtrado de
-ttp:GGSSS1.coe.neo.eduGT(enneyanGpapersGintroDspc.pd$ el <7 de Noviem(re <114.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 11 de 55
Universidad de Valparaso
En una carta de control# es necesario al menos <5 datos en el tiempo para o(tener conclusiones a cerca de la
esta(ilidad de un proceso# un re)uerimiento )ue tiene implicancias radicales so(re cmo los datos de(en
o(tenerse y anali+arse en la organi+acin. /i utili+amos datos agregados semestrales por ejemplo# esta
pr!ctica nos podra llevar de 8 a 3 aLos en veri$icar el estado de un proceso. 6arece m!s conveniente gra$icar
los datos so(re cartas de control de manera m!s $recuente H)ue semestralmenteI# semanalmente# por -ora# o
por da si es posi(le. En industrias de manu$actura y de servicios# los datos son gra$icados por -ora o al
menos en $orma diaria de esta manera el proceso es monitoreado y controlado en tiempo real.
&o )ue -aremos a continuacin en los prCimos captulos# es derivar las eCpresiones de las cartas
convencionales de control Hcartas /-eS-artI. Esto signi$ica )ue es necesario encontrar el valor esperado y la
varian+a terica de los datos seg*n el tipo de distri(ucin )ue sigan.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 11 de 55
Universidad de Valparaso
5. Cartas de Control de 0edias / 1angos 'Carta 231)
Inicio$
/upongamos una carta de control con lmite de control superior U=& Y 5A.117 y lmite de control in$erior
&=& Y 57.348 y con media &= Y 5A.111. /upongamos )ue todos los puntos de las muestras consecutivas
caen dentro de estos lmites de control el proceso est! (ajo control estadstico.
El proceso tiene una media de 5A.111 y 11 . 1 mm. /i las muestras son tomadas de tamaLo n Y 5# la
desviacin est!ndar del promedio de la muestra es:
11A5 . 1
5
11 . 1
n
C



Asumamos I # H N T "
C
con
5A
y 11A5 . 1
C
. 6odemos esperar )ue
IK 1 H 111
de la muestra
de medias de di!metros caigan entre:
I 11A5 . 1 H Z 5A
< G
+
y
I 11A5 . 1 H Z 5A
< G

si escogemos ar(itrariamente
7 Z
< G

#
348 . 57 I 11A5 . 1 H 7 5A &=&
117 . 5A I 11A5 . 1 H 7 5A U=&

+
son los lmites de control 7 .
&l ancho de los l#mites de control son in+ersamente *ro*orcional al tama4o de las muestras n *ara un

dado.
&o anterior es lo mismo )ue setear las regiones crticas para testear las siguientes -iptesis:
5A : H
5A : Ho
1


6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 1< de 55
Universidad de Valparaso
En general# sea
S
muestra estadstica de alguna caracterstica de calidad.
I # H N T S
S S

# entonces#
S S
S
S S
O &=&
&=
O U=&
+

+
donde O es la distancia desde la lnea central eCpresada en desviaciones est!ndar.
-ise4o de la carta de control. /eleccin del tamaLo de la muestra# lmites de control# y $recuencia de
muestreo.
/a(emos )ue si el tamaLo de la muestra n es mayor# el error tipo II disminuye mejora la -a(ilidad de la
carta para detectar estadas $uera de control. 6ero si n es mayor# los costos tam(i%n su(en. Be(e eCistir un
(alance entre los costos de muestreo y el de una $alsa alarma.
Error tipo I: rec-a+o una -iptesis nula cuando es cierta H

es el nivel de signi$icanciaI
Error tipo II: acepto una -iptesis nula cuando es $alsa H

I
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 17 de 55
Universidad de Valparaso
(eleccin de los l#mites de control.
/i ponemos lmites de control m!s lejos disminuye riesgo de error tipo I Hpunto cae $uera de los lmites
indicando $uera de control cuando en realidad no -ay causa asigna(le

I
/i ponemos lmites de control m!s cerca incrementamos riesgo de error tipo II Hpunto cae dentro de los
lmites indicando proceso esta(le cuando en realidad est! $uera de control

I
En el caso de los pistones asumamos I # H N T "
C
# tenamos
348 . 57 I 11A5 . 1 H 7 5A &=&
117 . 5A I 11A5 . 1 H 7 5A U=&

+
6odemos ver de una ta(la normal )ue el error tipo IH

I es 1.11<5 Hcon
7 Z
< G

I# es decir# la pro(a(ilidad
)ue un punto caiga $uera de un lmite de control cuando el proceso sea esta(le ser! de 1.11<5G< Y 1.11175Q o
<5 puntos de 11.111 ser!n $altas alarmas.
/i especi$icamos error tipo I 111 . 1 # el valor apropiado de < G
Z
ser! igual a 7.13 Hver ta(la normalI# por
lo tanto los lmites de control )ueda:
I 11A5 . 1 H 13 . 7 5A &=&
I 11A5 . 1 H 13 . 7 5A U=&

+
%ama4o de la muestra.
En general# si tomamos muestras m!s grandes ser! m!s $!cil detectar cam(ios m!s pe)ueLos en el proceso.
5eamos re*aso de 6cur+as caracter#sticas de o*eracin7.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 1A de 55
Universidad de Valparaso
/upongamos )ue deseamos reali+ar un test de -iptesis:
5A : H
5A : Ho
1
>

con nivel de signi$icancia

,omamos una muestra de tamaLo n Hsupondremos )ue

de la muestra la conocemosI# por lo tanto#


C
5A C
n G
C
Z

y nuestro valor crtica ser! < G


Z
. Bespejando tendremos#
C C
Z 5A Z C + +
2 si C < G C
Z 5A Z 5A C + > +
entonces rec-a+amos Hpunto $uera de controlI
2 si C < G C
Z 5A Z 5A C + < +
entonces aceptamos Hcontrol estadsticoI.
/upongamos a-ora )ue sin )ue nosotros sepamos# la media

del proceso se -a incrementado en


[
con
>
[
.
=omo vemos en la gr!$ica# es posi(le )ue a-ora podamos aceptar la -iptesis Hcontrol estadsticoI cuando de
-ec-o# el proceso a cam(iado su media a
[

# y con este nueva media de(i%ramos rec-a+arlaRR estamos


cometiendo error ,ipo II.
=alculemos la pro(a(ilidad de )ue esto ocurra H

I:

Y !rea a la i+)uierda de
< G
Z

#
C
[
C < G
\ I Z ]H
+


6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 15 de 55
Universidad de Valparaso

Y !rea a la i+)uierda de +.
Be esta manera# podemos gra$icar distintos

Ws en $uncin de distintos
[
Ws para un

y n dado. El
resultado es la Pcurva de operacinQ.
En general mientras m!s grande el tamaLo de muestra n# la gr!$ica es m!s sensi(le a detectar cam(ios
pe)ueLos en el proceso.
Note )ue la pro(a(ilidad de detectar un cam(io de 5A mm a 5A.11 mm se incrementa a medida )ue n se
incrementa.
=uando seleccionamos el tamaLo de la muestra# de(emos tomar en cuenta el cam(io )ue se est! intentando
detectar. /i el cam(io del proceso es relativamente grande# entonces usaremos tamaLos de muestras m!s
pe)ueLas )ue a)uellos )ue usaramos si los cam(ios $uesen relativamente pe)ueLos.
Alternati+a *ara determinar el tama4o de muestra 6n7 en una carta 2.
Una seleccin apropiada del tamaLo del su(grupo puede ser determinada a partir de la pro(a(ilidad deseada
VrW de )ue la media de la siguiente muestra est% $uera de los lmites de control si el proceso tiene un cam(io
de nivel en un monto . Esto nos da la siguiente restriccin:
<
r
Z O
n
,
_

donde
r
Z
es el valor estandari+ado de la a(scisa correspondiente a la cola superior de la curva normal para
un valor de pro(a(ilidad VrW. es el n*mero de desviaciones est!ndar e)uivalentes a la magnitud del cam(io
de nivel )ue se desea detectar. El valor VOW corresponde al valor < G
Z
)ue usualmente es igual a 7.
Ejemplo:
/upongamos )ue deseamos detectar un cam(io de nivel de 5A.111 mm a 5A.11 mm. Bel ejemplo anterior
recordemos )ue
5A
y 11 . 1 # por lo tanto#
1 11 . 1 G I 11 . 5A 11 . 5A H
. /upongamos tam(i%n
)ue se desea detectar el cam(io con una pro(a(ilidad de 1.5 H 5 . 1 r y
1 Z
5 . 1

I# por lo tanto#
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 18 de 55
Universidad de Valparaso
3
1
1 7
n
<

,
_


# es decir# el tamaLo de su(grupo de(e ser igual o mayor a 3.
Cur+a caracter#stica de o*eracin / A18 9Cmo est:n relacionados;
:ecordemos )ue la curva de operacin descri(e la -a(ilidad de la carta " de detectar cam(ios de nivel en el
proceso.
/upongamos un proceso con su respectiva carta ". /upongamos )ue la desviacin est!ndar

es conocida y
constante. /upongamos tam(i%n el proceso (ajo control con media

y )ue se produce un cam(io de nivel a


[
con + O
[
.
&a pro(a(ilidad de no detectar este cam(io en la siguiente muestra es

Q. :ecordemos )ue el error tipo II es


la pro(a(ilidad de aceptar Hcontrol estadsticoI cuando en realidad -ay )ue rec-a+ar H$uera de control
estadsticoII.
/upongamos )ue

,
_

n
# N T C
# )ue
n
7 U=&

+
y
n
7 &=&


. Entonces la pro(a(ilidad

ser!:
I O G U=& C &=& H 6
[
+
n O 7
n
I O H
n
7
U=&
+
n O 7
n
I O H
n
7
&=&
+
C
[
<
C
[
1

por lo tanto#
I n O 7 + H 6 I n O 7 + H 6 I n O 7 + n O 7 H 6 I O G U=& C &=& H 6
[
+
Ejemplo:
Bel ejemplo de los pistones# tenamos )ue n Y 5. Beseamos o(tener la pro(a(ilidad de detectar un cam(io de
nivel a + <
[
. Entonces#
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 15 de 55
Universidad de Valparaso
15185 . 1 I A5< . 5 + H 6 I A51 . 1 + H 6 I n O 7 + H 6 I n O 7 + H 6 )ue es el riesgo de no
detectar tal cam(io.
&a pro(a(ilidad )ue tal cam(io de nivel Psea detectadoQ en la siguiente muestra ser!
1
Y 1 U 1.15185 Y
1.3<375.
&a curva >= se construye ploteando

contra la magnitud del cam(io de nivel para distintos nWs. En la


siguiente $igura se muestra la curva >= para el caso reci%n mencionado:
OC Curve for X-bar
73,97 73,98 73,99 74 74,01 74,02 74,03
Process mean
0
0,2
0,4
0,6
0,8
1
P
r
(
a
c
c
e
p
t

(tatgra*hics ad+isor$ ,-e operating c-aracteristic curve s-oSs t-e pro(a(ility t-at t-e neCt point plotted on t-e control c-art Sill remain inside
t-e control limits as a $unction o$ t-e true process mean. It t-ere$ore plots t-e pro(a(ility t-at you Sill not get a signal $rom t-e c-art# even
t-oug- t-e process is not at t-e assumed center. It is use$ul in judging t-e e$$ectiveness o$ t-e control c-art in detecting dri$ts in t-e process aSay
$rom t-e target. ?or eCample# suppose t-e true mean moved to 57#345. ,-e pro(a(ility t-at t-e neCt point plotted on t-e c-art Sill (e Sit-in t-e
control limits e)uals 1#<A71A3.
6or ejemplo# si el cam(io de nivel es de 1 y n Y 5# entonces encontraremos
55 . 1
. &a pro(a(ilidad )ue
el cam(io sea detectado en la siguiente muestra ser!
1
Y 1.<5.
&a pro(a(ilidad de )ue el cam(io sea detectado en la segunda muestra ser!
13 . 1 I 1 H
.
&a pro(a(ilidad de )ue el cam(io sea detectado en la tercera muestra ser! 1A . 1 I 1 H
<
.
&a pro(a(ilidad de )ue el cam(io sea detectado en la O2%sima muestra ser! I 1 H
1 O

.
En general# al n*mero esperado de muestras antes )ue el cam(io sea detectado ser!:
A:&
1
1
I 1 H O ......... I 1 H 7 I 1 H < I 1 H 1
1 O
1 O 1 7 1 < 1


+ + +


.
(eleccin de la "recuencia.
&o ideal sera tomar muestras grandes y muy $recuentemente# pero esto es muy costoso. /a(er elegir el
tamaLo de muestra y la $recuencia es el pro(lema de PAllocating sampling e$$ortQ. ^pe)ueLas muestras e
intervalos cortos_ o ^muestras grandes e intervalos grandes_
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 14 de 55
Universidad de Valparaso
&a relacin entre tamaLo de la muestra y la $recuencia es el A:& HAverage run lengt-I.
A:& Y n*mero de puntos en promedio )ue se de(en gra$icar antes )ue uno indi)ue condicin de $uera de
control.

1
1 1
A:&

es la pro(a(ilidad )ue cual)uier punto eCceda el lmite de control Herror tipo III.
Una carta de control con lmites 7 # p Y 1.11<5# entonces
751
<<<5 . 1
1 1
A:&

A*n cuando el proceso est% (ajo control# una seLal de $uera de control se generar! cada 751 puntos en
promedio.
En el ejemplo de los pistones# si se muestrea cada 1 -ora# vamos a tener una $alsa alarma cada 751 -oras en
promedio.
Ejemplo:
/upongamos )ue estamos usando un tamaLo de muestra n Y 5. =uando el proceso se va $uera de control# la
media

del proceso cam(ia de


5A
a 115 . 5A
[
.
Be la caracterstica de operacin# encontramos )ue cuando -ay un cam(io de nivel del proceso a 5A.115# la
pro(a(ilidad de )ue C

caiga dentro de los lmites de control es aproCimadamente 1.5# entonces p Y 1.5# por
lo tanto:
<
5 . 1
1
p
1
A:&
esto signi$ica )ue la carta re)uiere de < muestras para detectar el cam(io Hen promedioI# lo cual implica )ue
pasar!n < -oras entre el cam(io y la deteccin. Esto puede ser inacepta(le por costos de scrap.
^Ju% se puede -acer_
:espuesta 1: aumentar la $recuencia. 6or ejemplo# muestrear cada media -ora# entonces# pasar! 1 -ora entre
el cam(io y la deteccin.
:espuesta <: incrementar la muestra. /i usamos n Y 11# vemos de la curva de operacin )ue la pro(a(ilidad
de )ue C

caiga dentro de los lmites de control cuando la media es 5A.115 es aproCimadamente 1.3#
entonces p Y 1.3# por lo tanto:
1 . 1
3 . 1
1
p
1
A:&
vamos a detectar el cam(io en 1.1 -ora en promedio.
Control charts "or +aria.les
Es importante mantener control so(re la media del proceso y la varia(ilidad del mismo.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 13 de 55
Universidad de Valparaso
Vemos )ue

est!n en control a sus valores nominales Hdigamos 1

y 1

I. &a mayora de los


outputs va a caer dentro de los lmites.
-esarrollo de la carta 231.
/upongamos )ue la caracterstica de calidad es
i
C y
I # H N T C
i

,omemos muestras de tamaLo n I C #....# C # C H
n < 1

,
_

n
# N T
n
C
C
i
Nota. /i
1
C y
<
C se distri(uyen I # H N
<
entonces#

,
_


+
+
<
# N T I C C H
<
1
I < # < H N T C C
<
< 1
<
< 1
En t%rminos generales:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <1 de 55
Universidad de Valparaso
/ean
1
" # M.
n
" varia(les aleatorias e inde*endientes. =onsideremos a-ora la varia(le aleatoria @ como
la suma de las varia(les
1
" # M.
n
" # es decir#
n < 1
" ..... " " @ + + + .
Benotemos como j
m
y j

la media y varian+a de j
"
respectivamente.
Es posi(le demostrar )ue la media de @ es la suma de las medias individuales de "j.# es decir#
n < 1 @
m .... m m m + + +
Es posi(le demostrar tam(i%n )ue la varian+a de @ es la suma de las varian+as individuales de "j# es decir#
<
n
<
<
<
1
<
@
.... + + +
6uede acceder a las demostraciones a cual)uier li(ro de introduccin a la estadstica tal como V$undamentals
o$ pro(a(ility and statistics $or engineersW de ,.,. /ong.
?in de la nota.
6or lo tanto# tendremos pro(a(ilidad 1 )ue para cual)uier C # %sta est% entre
n
Z Z
< G C < G

+ +
y
n
Z Z
< G C < G



/i la muestra C cae $uera de estos lmites# es Puna indicacin de )ue la media del proceso ya no es igual a

Q
^6ero y si

no lo conocemos_
:espuesta: de(eremos estimarlos.
/upongamos )ue tenemos m muestras de tamaLo n.
/ea
m < 1
C #....# C # C los promedios de cada muestra. El mejor estimador de

es:
m
C
C
i
)ue corresponde a la lnea central de la carta.
A-ora necesitamos un estimador para

. &o podemos encontrar a partir de los rangos de los datos. /ea


n < 1
C #....# C # C una muestra de tamaLo n# se de$ine:
min maC
C C :
/a(emos )ue eCiste una relacin entre el rango de una muestra Hde una distri(ucin normalI y la varian+a de
esa muestra.
&a varia(le aleatoria

:
0
se llama rango relativo 0 y depende de n. /ea la media de 0 igual a
<
d .
Entonces# un estimador de

es
<
d
:
`
.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <1 de 55
Universidad de Valparaso
&os valores de
<
d para distintos valores de n est!n ta(ulados.
/ean
n < 1
: #....# : # : los rangos de las m muestras. El promedio del rango es:
m
:
:
i
# por lo )ue $inalmente#
<
d
:
`


.
6ara concluir# si usamos C

como estimador de

y : como estimador de

# se de$ine la carta de control


" como:
:
n d
7
C &=&
C &=
:
n d
7
C U=&
<
<

a
a
a
a
a
/i -acemos
n d
7
A
<
<

# entonces#
: A C &=&
C &=
: A C U=&
<
<

a
a
a
a
a
&stimacin de la ca*acidad de *roceso.
&as cartas "2: proveen in$ormacin so(re el desempeLo del proceso o la capacidad de proceso. Bel ejemplo
de los pistones# tenamos )ue C
a
Y 5A.111 y
1133 . 1
7<8 . <
1<7 . 1
d
:
`
<

. &os lmites de especi$icacin son


15 . 1 111 . 5A t mm es decir U/& Y 57.351 y &/& Y 5A.151.
Estimemos la $raccin de no con$ormes:
( ) ( )
ppm <1
K 11< . 1
1111< . 1 1A . A 1 15 . 5
1133 . 1
111 . 5A 151 . 5A
1
1133 . 1
111 . 5A 351 . 57
I 151 . 5A C H 6 I 351 . 57 C H 6 p`

,
_


+
,
_



> + <
ppm Y partes por milln.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja << de 55
Universidad de Valparaso
>tra $orma de especi$icar la capacidad de proceso es a trav%s del process capa(ility ratio H6=:I:

8
&/& U/&
6=:
usaremos el estimador de

.
6ara el ejemplo de los pistones:
84 . 1
I 1133 . 1 H 8
35 . 57 15 . 5A
8
&/& U/&
6=:

los lmites de tolerancia PnaturalQ est!n dentro de los lmites de especi$icacin.


-esarrollo de la carta 1.
/a(emos )ue el rango est! relacionado con la desviacin est!ndar del proceso a trav%s del rango relativo
de$inido como:

:
0
Entonces podemos controlar la varia(ilidad del proceso gra$icando los valores de : H=arta :I. &a lnea
central de la carta : )ueda determinada por:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <7 de 55
Universidad de Valparaso
I : .... : : H
m
1
: &=
m < 1
+ + +
6ara determinar los lmites de control# necesitamos un estimador de
:

Hdesviacin est!ndar de la
distri(ucin de los rangosI )ue ser!
:
`
.
/upongamos )ue la caracterstica de calidad
i
C
se distri(uye normal. 6odemos encontrar
:
`
de la
distri(ucin del rango relativo

:
0
.
/ea 7
d
la desviacin est!ndar de 0# la cual es $uncin de n. Entonces#
7 :
<
7
< <
:
< <
:
d
d
I 0 H VA:
I 0 H VA: I : H VA:
0 :





=omo

es conocida a trav%s de su estimador


<
d
:
# se tendr! )ue
<
7 :
d
:
d `
# por lo tanto#
<
7 :
<
7 :
d
:
d 7 : ` 7 : &=&
: &=
d
:
d 7 : ` 7 : U=&

+ +
si -acemos
<
7
7
d
d
7 1 B
y
<
7
A
d
d
7 1 B +
# entonces
7
A
B : &=&
: &=
B : U=&

Carta de Indi+iduales
ECisten situaciones en )ue el tamaLo de la muestra es n Y 1. 6or ejemplo: la tasa de produccin de servicios
es muy lenta y sera inconveniente tener tamaLos de muestra con n b 1.
6odemos tener dos cartas: la primera la carta de medias convencional con n Y 1 y# la carta de rango mvil
Hmoving rangeI. &a carta de rango mvil se reali+a a partir del re+ago t21.
/e de$ine 1 t t i
C C ;:


Ejemplo:
&a viscosidad de pintura de avin es una caracterstica de calidad importante. El producto se $a(rica de a un
lote y toma muc-as -oras# de modo )ue la produccin es muy lenta.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <A de 55
Universidad de Valparaso
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <5 de 55
Universidad de Valparaso
6. Cartas de Fraccin de <o Con"ormes / <o Con"ormes 'Cartas * / *n)
Carta *.
aI &a carta p es la carta para $raccin de no con$ormes# es decir# la ra+n entre el n*mero de temes no
con$ormes so(re el total de los temes de la muestra.
(I &os temes pueden tener varias caractersticas de calidad. 'asta )ue una no cumple y se declara el tem
como no con$orme.
cI Asumiremos )ue para esta carta# la distri(ucin de los datos es de tipo (inomial. /upongamos un proceso
esta(le# de manera )ue la pro(a(ilidad de )ue una unidad no con$orme es VpW y la unidades producidas
sucesivas son VindependientesW.
/i se de una muestra aleatoria de n productos HtemesI y B es el n*mero de no con$ormes# entonces
I p # n H ' T B
donde
C n C
I p 1 H p
C
n
I C B H 6

,
_



n #...# 1 # 1 C
Pe=ue4o recordatorio de la distri.ucin .inomial.
Un eCperimento (onomial de(e cumplir las siguientes condiciones:
2 el eCperimento consiste en n intentos repetidos
2 el resultado de cada intento es $alla o %Cito
2 la pro(a(ilidad de %Cito es constante en todos los intentos
2 los intentos son independientes unos de otros
Ejemplo:
,irar una moneda tres veces seguidas. /i sale cara es %Cito.
/ea " varia(le aleatoria )ue corresponde al n*mero de %Citos.
,a(ulemos las posi(ilidades:
/ Y sello# = Y cara
" 6H"YCI
/// 1 1G4
/=/ 1 7G4
//= 1 7G4
=// 1 7G4
/== < 7G4
=/= < 7G4
==/ < 7G4
=== 7 1G4
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <8 de 55
Universidad de Valparaso
En este caso " se distri(uye ( )
<
1
# 7 ' T "
En t%rminos generales# para n intentos con C %Citos y la pro(a(ilidad de %Citos es p y la pro(a(ilidad de $alla
para los n2C intentos restantes ser! 12p.
Entonces la pro(a(ilidad ser!
C n C
) p

. ;ultiplicando por el n*mero total de $ormas en )ue se pueden
producir los C %Citos en los n intentos )ue corresponde a

,
_

C
n
donde
R C IR C n H
R n
C
n

,
_

.
En el caso de las monedas# n Y 7 y p Y c por lo )ue
4
C
7
<
1
<
1
C
7
I C H $
C 7 C

,
_


,
_

,
_

,
_

.
0edia / +arian>a en la distri.ucin .inomial.
/ea
%Cito D 1
$alla D 1
I
j

1 con pro(a(ilidad ) y 1 con pro(a(ilidad p varia(le aleatoria.
6odemos escri(ir:
n < 1
I ...... I I " + + +
la media de Ij ser!
p p 1 p 1 I I H E
j
+
# por lo tanto la media de " ser!:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <5 de 55
Universidad de Valparaso
np p ..... p I " H E + +
=alculemos la varian+a:
p) I p 1 H p p p 1 ) 1 p I I H E I\ I H E ] I I H E \ I p I ]H E
< < < < <
j
<
j
<
j
<
j
<
I
j
+
I p 1 H np np) p) ...... p) ....
<
I
<
I
<
I
<
"
n < 1
+ + + + +
Ahora +ol+amos a la carta de atri.utos *ara "raccin no con"ormes o carta *:
dI &a $raccin no con$orme de la muestra de tamaLo n se de$ine como
n
C
n
B
p`
donde B son unidades no con$ormes de la muestra de tamaLo n.
como ya sa(emos )ue
( ) np) # np ' T "
# entonces la distri(ucin de 6 se deduce a continuacin:
( )
<
C
# ' T " multiplicamos por 1Gn

,
_

,
_

,
_

n
I p 1 H p
# p ' T
n
C
p
n
I p 1 H np
#
n
np
' T
n
C
p
n
#
n
' T
n
C
p
<
<
<
C
por lo tanto#
,
_


n
I p 1 H p
# p ' T 6
por lo )ue
p
y
n
I p 1 H p
<
p


?inalmente# los lmites de control para la carta p ser!n:
n
I p 1 H p
7 p &=&
p &=
n
I p 1 H p
7 p U=&

+
^)u% pasa si no conocemos p_
:espuesta: de(eremos estimarlo con los datos o(servados.
/upongamos )ue tenemos muestras de tamaLo n#
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <4 de 55
Universidad de Valparaso
n
C
n
B
p`
i i
i
i Y 1M.m
m
p`
mn
B
p p`
m
1 i
i
m
1 i
i


por lo )ue $inalmente#
n
I p 1 H p
7 p &=&
p &=
n
I p 1 H p
7 p U=&

+
[ Ver ejemplo del jugo de naranja en ECcel y de manu$acturas de tarjetas de computador.
Cur+a de o*eracin / A18 *ara carta de atri.utos.
&a curva de operacin H>=I para cartas de $raccin no con$orme y de no con$ormes# gra$ica la pro(a(ilidad
de aceptar la -iptesis de )ue
[
np p n cuando de -ec-o -ay )ue rec-a+arla Herror tipo II o riesgo

I
contra la $raccin de no con$ormes.
&a curva >= provee una medida de la sensi(ilidad de la carta de control. /u -a(ilidad para detectar un
cam(io en el VnivelW de no con$ormes desde el valor
p` n p n
a otro valor
[
np . /e calcula de manera
similar como lo visto en la carta "2::
B n B
U=&
&=& B
I p 1 H p
B
n
I U=& B &=& H 6

,
_



donde
( ) np) # np ' T B
y representa el valor de no con$ormes en la muestra de tamaLo n. El valor de p
representa el cam(io de nivel en la $raccin de no con$ormes eCistente. &os lmites de control superior U=& e
in$erior &=& son calculados a partir de la $raccin de no con$ormes Ho la cantidad de no con$ormesI
originales sin cam(io de nivel.
Ejemplo:
=onstruir una curva >= para carta de control np con las siguientes caractersticas desde el output del
statgrap-ics:
n* Chart
Perio !"-##
U=&: d7#1 sigma 71#8
=enterline 13#85
&=&: 27#1 sigma 5#5A
1 (eyond limits
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja <3 de 55
Universidad de Valparaso
&a carta np para las AA muestras se aprecia en la siguiente $igura:
!uestras
"
#
m
e
r
o

$
e

n
o

c
o
n
f
o
r
m
e
s
np C%art for "cs subs&'u&entes
0 10 20 30 40 (0
0
10
20
30
40
C)* + 19,67
,C- + 31,60
-C- + 7,74
Vemos )ue el proceso# en primera instancia# est! (ajo control estadstico. 6or lo tanto# podemos utili+ar los
valores de &=& Y 5.5A# U=& Y71.81 y
85 . 13 p n
. Be a)u se calcula )ue
1385 . 1 p
. Beseamos calcular
una curva >=# tal )ue:
B 111 B
81 . 71
5A . 5 B
I p 1 H p
B
111
I 81 . 71 B 5A . 5 H 6

,
_



Note )ue la sumatoria slo de(e tomar n*mero enteros# por lo )ue los lmites &=& y U=& de(er!n
redondearse al n*mero entero m!s cercano.
El resultado es:
"&ve. en .a me$&a $e no conformes (s%&fte$ mean np
P
r
o
b
a
b
&
.
&
$
a
$

$
e

a
c
e
p
t
a
r

(
b
e
t
a

OC Curve for np
0 10 20 30 40 (0
0
0,2
0,4
0,6
0,8
1
5eamos =ue *asa con el A18.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 71 de 55
Universidad de Valparaso
6odemos calcular el AVE:NA :UN &ENN,H HA:&I para la $raccin de con con$ormes. :ecordemos )ue
para una carta /-eS-art:
I control D de D $uera D muestra H 6
1
1
1 1
A:&

&os valores de

los podemos ver directamente de una curva >=.


Bel ejemplo anterior# podemos ver )ue si el proceso est! en control# con
p p
# 6Hmuestra $uera de controlI
Y 1.3357# es decir#
11<5 . 1 1
entonces#
. 751
11<5 . 1
1 1
A:&

de modo )ue si el proceso est! (ajo control# vamos a eCperimentar una $alsa alarma cada 751 muestras Hpara
lmites 7 I.
/upongamos )ue el proceso tiene un cam(io de nivel $uera de control a p Y 1.7. Be la curva >= vemos )ue si
p Y 1.7# entonces
453A . 1
por lo )ue
5
1
1
A:&

el proceso tomar! en promedio# 5 muestras para detectar el cam(io de nivel con un punto $uera de los lmites
de control. ^@ si esto es insatis$actorio o no acepta(le_ ^)u% -acemos_
:espuesta 1: incrementar el tamaLo de la muestra.
:espuesta <: aumentar la $recuencia de muestreo. /i las muestras son cada 1 -ora# el proceso tomar! 5 -oras
en promedio para detectar el cam(io de nivel. /i las tomamos cada media -ora# el cam(io se detectar! en 7.5
-oras en promedio.
-ise4o de la carta de control de "raccin de no con"ormes.
&a carta p tiene tres par!metros importantes para su diseLo:
2 tamaLo de la muestra n
2 $recuencia del muestreo $
2 anc-o de lo lmites de control
/a(emos )ue los tamaLos de los su(grupos y la sensi(ilidad de la carta de control para detectar cam(ios de
nivel y condiciones de $uera de control est!n ntimamente relacionados. =on tamaLos de su(grupo m!s
grandes# la carta es m!s sensi(le# pero a eCpensas de mayores costos de muestreo o una $recuencia de
muestreo menor.
A continuacin veamos algunas guas para determinar el tamaLo mnimo de su(grupos )ue generen (uena
sensi(ilidad de las cartas.
aI 6ara asegurarnos una distri(ucin (ien VcomportadaW y sim%trica H)ue se pare+ca a una normalI# podemos
decir como regla general )ue:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 71 de 55
Universidad de Valparaso
5 np
y
5 I p 1 H n
)ue es lo mismo decir )ue#
I p 1 # p minH
5
p
5
#
p 1
5
maC n

1
]
1

(I 6ara asegurarnos de evitar eCcesiva Vpuntiagude+W HsOeSnessI de la distri(ucin# es decir# una eCcesiva
cantidad de datos en torno al cero# se puede -acer )ue:
I p 1 lnH
I 15 . 1 lnH
n

y
I p lnH
I 15 . 1 lnH
n
)ue es lo mismo decir )ue#
I\ p 1 # p ln]maCH
I 15 . 1 lnH
n

A veces# cuando se tienen pocos datos# la condicin aI puede relajarse a


7 np
y
7 I p 1 H n
y la
condicin (I a
I\ p 1 # p ln]maCH
I <5 . 1 lnH
n

.
Algunas consideraciones so.re el tama4o de la muestra.
/upongamos )ue p es muy pe)ueLo. Be(i%ramos escoger n su$icientemente grande para o(tener una
pro(a(ilidad alta de encontrar al menos un no con$orme. Be otro modo puede suceder esto# por ejemplo:
p Y 1.11
n Y 4
1155 . 1
3
I 33 . 1 H 11 . 1
7 17 . 1 U=& +
(asta )ue -aya una no con$ormidad en la muestra Hp Y 1G4 Y 1.1<51I y tendremos el proceso $uera de control.
6ara p b 1 eCiste pro(a(ilidad de no con$ormes# por lo )ue no es ra+ona(le )ue el proceso est% $uera de
control todas estas veces.
6ara superar este pro(lema# elegimos n de modo )ue la pro(a(ilidad de encontrar al menos un no con$orme
por muestra sea igual a un valor

. 6or ejemplo:
p Y 1.11
B Y n*mero de no con$ormes en la muestra
35 . 1
encontramos n para
35 . 1 I 1 B H 6
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 7< de 55
Universidad de Valparaso
el valor lmite de n ser!:
I 1 C H 6 1 I 1 C H 6

35 . 1 33 . 1 1
35 . 1 I p 1 H p
1
n
1
n
1 n 1

,
_




<34 n
33 . 1 15 . 1
n

>tra alternativa:
Es )ue el tamaLo de la muestra sea lo su$icientemente grande para detectar un cam(io de nivel en p del
proceso en un monto especi$icado. 6or ejemplo:
p Y 1.11 y deseamos )ue la pro(a(ilidad de detectar un cam(io a p Y 1.15 sea 1.5. Asumiendo )ue la
(inomial se parece a una normal Hpor simetraI# escogemos n para )ue el lmite superior coincida
eCactamente con la $raccin de no con$ormes en el estado de P$uera de controlQ.
/i es la magnitud del cam(io de nivel# entonces n de(e satis$acer:
n
I p 1 H p
O


por lo tanto I p 1 H p
O
n
<

,
_


si p Y 1.11# 1A . 1 11 . 1 15 . 1 y con lmites 7 tendremos:
58 I 33 . 1 IH 11 . 1 H
1A . 1
7
n
<

,
_


>tra alternativa:
6ara las cartas p# np# c y u# si los lmites de control son cero# las reglas suplementarias para detectar $uera de
control# se -acen inservi(les. Esto ocurre cuando p es muy pe)ueLo. En estos casos# se elige n grande para
tener un lmite de control in$erior positivo# es decir# para una carta de control p:
1
n
I p 1 H p
O p &=& >

por lo )ue:
<
O
p
p 1
n

>
donde O es el n*mero de desviaciones est!ndar usado para los lmites de control Husualmente como sa(es es
igual a 7I.
por ejemplo si p Y 1.15 y se usan lmites 7 :
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 77 de 55
Universidad de Valparaso
151 7
15 . 1
35 . 1
n
<
>
si n b15<# la carta p tendr! lmite de control in$erior positivo.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 7A de 55
Universidad de Valparaso
7. Cartas de Control *ara <o Con"ormes 'Carta 6c7 o de 6de"ectos7)
aI Un tem no con$orme es una unidad )ue no satis$ace una o m!s especi$icaciones del producto. =ada
aspecto en la cual una especi$icacin no se cumple# es un de$ecto o una no con$ormidad.
(I Una unidad no con$orme HncI de(e tener al menos un de$ecto. &a inspeccin puede ser por unidad o por
grupos de 5# 11 o m!s unidades.
cI /upongamos )ue los de$ectos ocurren en la inspeccin siguiendo una distri(ucin de 6oisson. &a
pro(a(ilidad de )ue se tengan C de$ectos ser!:
R C
c e
I C H 6
C c

donde C es el n*mero de ncWs y cb1. &a interpretacin del valor de VcW viene siendo la VtasaW de $allas o
eventos. 6or ejemplo# el n*mero de llamadas no contestadas.
1e*aso de estad#stica. ,enemos una distri(ucin de 6oisson
R C
e
I C H $
C


# donde C es el valor )ue toma
la varia(le aleatoria " )ue sigue una distri(ucin de 6oisson# es decir#
I H 6 T "
.
=alculemos el primer momento de $HCI# es decir:


1 C
1 C
1 C
C
1
1 C
C
IR 1 C H
e
IR 1 C H
e
R C
e
C I C H C$ I " H E
sea y Y C21

e e
R y
e I " H E
1 y
y
A-ora calculemos el segundo momento:
< <
I\ " H E ] I " H E I " H V
\ " ] E I\ 1 " H " ] E I " H E
<
+


< C
< C
<
1 C
C
IR < C H
e
R C
e
I 1 C H C I\ 1 " H " ] E
sea y Y C2<
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 75 de 55
Universidad de Valparaso




1 y
y
<
R y
e I\ 1 " H " ] E
pero

1 y
y
e
R y
entonces#
<
1 y
y
<
R y
e I\ 1 " H " ] E


a-ora#
+
< <
\ " ] E
+
< <
I " H V
es decir# $inalmente:

o
c
o
c
A-ora volviendo a lo nuestro:
=onsiderando lmites de control 7 para la carta c tendremos:
c 7 c &=&
c &=
c 7 c U=&

+
/i no tenemos el valor de c dado# de(eremos estimarlo a partir del promedio de no con$ormidades c #
entonces:

c 7 c &=&
c &=
c 7 c U=&

+
[ Ver ejemplo de los circuitos impresos en planilla eCcel.
-ise4o de la carta de control u / c.
Al igual )ue la carta p# las carta u y c tienen tres par!metros importantes para su diseLo:
2 tamaLo de la muestra n
2 $recuencia del muestreo $
2 anc-o de lo lmites de control
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 78 de 55
Universidad de Valparaso
/a(emos )ue los tamaLos de los su(grupos y la sensi(ilidad de la carta de control para detectar cam(ios de
nivel y condiciones de $uera de control est!n ntimamente relacionados. =on tamaLos de su(grupo m!s
grandes# la carta es m!s sensi(le# pero a eCpensas de mayores costos de muestreo o una $recuencia de
muestreo menor.
A continuacin veamos algunas guas para determinar el tamaLo mnimo de su(grupos )ue generen (uena
sensi(ilidad de las cartas.
aI 6ara asegurarnos una distri(ucin (ien VcomportadaW y sim%trica H)ue se pare+ca a una normalI# podemos
decir como regla general )ue:
5 n
(I (I 6ara asegurarnos de evitar eCcesiva Vpuntiagude+W HsOeSnessI de la distri(ucin# es decir# una eCcesiva
cantidad de datos en torno al cero# se puede -acer )ue:

I 15 . 1 lnH
n
donde como sa(emos# es el n*mero de no con$ormidades por alguna unidad de c!lculo Hp.ej. por cada 111
das o por cada 111 caractersticas de calidadI.
Cur+a de o*eracin / A18 *ara carta u / c.
&a curva de operacin H>=I para cartas VuW y VcW# gra$ica la pro(a(ilidad de aceptar la -iptesis de )ue
[
c c
cuando de -ec-o -ay )ue rec-a+arla Herror tipo II o riesgo

I.
=omo ya -emos comentado# la curva >= provee una medida de la sensi(ilidad de la carta de control. /u
-a(ilidad para detectar un cam(io en el VnivelW de no con$ormes desde el valor c` c a otro valor
[
c . /e
calcula de manera similar como lo visto en la carta "2::


U=&
&=& C
C
s
c
R C
c e
I U=& C &=& H 6
s
donde
I c H 6 T C
s
y representa el valor de no con$ormes en la muestra de tamaLo n. El valor de
s
c

representa el cam(io de nivel de no con$ormes eCistente. &os lmites de control superior U=& e in$erior &=&
son calculados a partir de la $raccin de no con$ormes Ho la cantidad de no con$ormesI originales sin cam(io
de nivel.
Ejemplo:
=onstruir una curva >= para carta de control c con las siguientes caractersticas desde el output del
statgrap-ics:
c Chart
Perio !"-20
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 75 de 55
Universidad de Valparaso
U=&: d7#1 sigma 14#3837
=enterline 3#85
&=&: 27#1 sigma 1#771885
1 (eyond limits
&a carta c para las <1 muestras se aprecia en la siguiente $igura:
!uestras
n
/

n
o

c
o
n
f
o
r
m
e
s

(
c

c C%art for "o conformes


0 4 8 12 16 20
0
4
8
12
16
20
C)* + 9,6(
,C- + 18,97
-C- + 0,33
,-e operating c-aracteristic curve s-oSs t-e pro(a(ility t-at t-e neCt point plotted on t-e control c-art Sill remain inside t-e control limits as a
$unction o$ t-e true $re)uency o$ occurrence in t-e process. It t-ere$ore plots t-e pro(a(ility t-at you Sill not get a signal $rom t-e c-art# even
t-oug- t-e process is not at t-e assumed center. It is use$ul in judging t-e e$$ectiveness o$ t-e control c-art in detecting dri$ts in t-e process aSay
$rom t-e target. ?or eCample# suppose t-e true mean count moved to <<#5. ,-e pro(a(ility t-at t-e neCt point plotted on t-e c-art Sill (e Sit-in
t-e control limits e)uals 1#<1<137.
Vemos )ue el proceso# est! (ajo control estadstico. 6or lo tanto# podemos utili+ar los valores de &=& Y 1.77#
U=& Y14.35 y 85 . 3 c . Beseamos calcular una curva >=# tal )ue:


35 . 14
77 . 1 C
C
s
c
R C
c e
I 35 . 14 C 77 . 1 H 6
s
Note )ue la sumatoria slo de(e tomar n*mero enteros# por lo )ue los lmites &=& y U=& de(er!n
redondearse al n*mero entero m!s cercano# es decir &=& Y 1 y U=& Y 13.
El resultado es:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 74 de 55
Universidad de Valparaso
0%&fte$ va.ue of mean $e no conformes
OC Curve for c
0 ( 10 1( 20 2( 30
0
0,2
0,4
0,6
0,8
1
P
r
(
a
c
c
e
p
t

Algunas consideraciones so.re el tama4o de la muestra.


Al igual )ue en las cartas p# puede suceder )ue el lmite de control sea Ho sea muy cercano aI cero. 6ara
solucionar este pro(lema# se puede imponer la condicin:

<
O
n
donde O es el n*mero de desviaciones est!ndar usado para los lmites de control Husualmente como sa(es es
igual a 7I.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 73 de 55
Universidad de Valparaso
8. Cartas de control *ara no con"ormidades *or unidad 'carta 6u7)
aI En la carta c Ho en la carta de de$ectos o n*mero de no con$ormes por unidadI tenamos una muestra y la
trat!(amos como si $uese una unidad aun)ue se tratasen de varios elementos o productos.
(I En la carta u# vamos a tener c de$ectos en una inspeccin# y esa inspeccin va a tener n unidades
inspeccionadas. 6or lo tanto el n*mero de no con$ormidades por unidad inspeccionada ser!:
n
c
u
donde c es el n*mero total de no con$ormidades Ho eventosI en una muestra de n unidades inspeccionadas. &a
interpretacin del valor de VuW viene siendo la tasa de $alla Ho eventosI de una muestra estandari+ada por
alguna unidad# por ejemplo# n*mero de llamadas perdidas por cada <A -oras.
cI :ecordemos )ue si#
I H 6 T "
# entonces
R C
e
I C " H 6
C



donde
I " H E
y
I " H V
# lo cual implica )ue
"
.
/i encontramos el total de no con$ormidades VcW en una muestra de n unidades inspeccionadas# entonces el
n*mero promedio de no con$ormidades por unidad inspeccionada ser!:
n
c
u
Note )ue c es una varia(le aleatoria con distri(ucin 6oisson con par!metro # consecuentemente# la media
y la varian+a de esta distri(ucin son am(os igual a . 6or lo tanto la media y la varian+a de u ser!n Gn.
Be este modo:
n
7 &=&
&=
n
7 U=&

+
Bado )ue no conocemos la media # de(emos estimarla. /i tenemos m muestras preliminares# el n*mero de
de$ectos por unidad de cada muestra ser!
m < 1
u #....# u # u . El estimador del n*mero promedio de de$ectos por
unidad ser!:

m
1 i
i
u
m
1
u
# por lo tanto los lmites de control )uedar!n:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A1 de 55
Universidad de Valparaso
n
u
7 u &=&
u &=
n
u
7 u U=&

+
donde u representa el n*mero promedio o(servado de no con$ormidades por unidad. Estos lmites de
control est!n (asados en una aproCimacin de la distri(ucin de 6oisson a la Normal. =uando la muestra
preliminar es pe)ueLa# esta aproCimacin podra no ser adecuada. En tal caso# es necesario utili+ar lmites de
control o(tenidos directamente de una ta(la de pro(a(ilidades de 6oisson. =uando la muestra preliminar es
pe)ueLa# el lmite de control in$erior o(tenido de la aproCimacin normal# puede dar un n*mero negativo. /i
esto ocurre el lmite de control in$erior puede considerarse con valor iguala cero.
[ Ver ejemplo de manu$actura de computadores en planilla eCcel.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A1 de 55
Universidad de Valparaso
. Carta &?0A$ Promedio 0+il Ponderado
aI Esta carta es una (uena alternativa a la carta de control /-eS-art cuando estamos interesados en detectar
pe)ueLos cam(ios de nivel.
(I El E0;A est! de$inido a trav%s del siguiente estadstico:
1 t t t
+ I 1 H C +

+
donde 1 1 < y
C +
o

.
cI 6ara demostrar )ue E0;A es un promedio mvil ponderado# podemos sustituir en $orma progresiva
1 t
+
en la ecuacin para t
+
.
Veamos:
1 t t t
+ I 1 H C +

+
pero
< t 1 t 1 t
+ I 1 H C +

+
por lo tanto#
< t
<
1 t t < t 1 t t t
+ I 1 H C I 1 H C \ + I 1 H C I] 1 H C +

+ + + +
pero#
7 t < t < t
+ I 1 H C +

+
# reempla+ando en la ecuacin anterior# tenemos:
7 t < t
<
1 t t 7 t < t
<
1 t t t
+ I 1 H C I 1 H C I 1 H C \ C I 1 H C ] I 1 H C I 1 H C +

+ + + + + +
pero#
A t 7 t 7 t
+ I 1 H C +

+
y podemos nuevamente reempla+ar en la ecuacin anterior.
:eali+ando esta operacin t veces o(tendremos:

+
1 t
1 j
j t
j
1
t
t
C I 1 H + I 1 H +
6odemos ver )ue los pesos o ponderaciones
j
t
I 1 H +
decrecen geom%tricamente con$orme aumenta t.
&a suma de todas las ponderaciones sumar!n 1# de modo )ue:
t
1 t
1 j
t
j
I 1 H 1
I 1 H 1
I 1 H 1
I 1 H
1
]
1

.
dI =onsiderando )ue
I
n
# H N T C
i

e independientes entre s# entonces nos concentramos en calcular la


varian+a del estadstico t
+
.
/a(emos )ue:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A< de 55
Universidad de Valparaso
1
t
7 t
7
< t
<
1 t t t
+ I 1 H .... C I 1 H C I 1 H C I 1 H C + + + + + +


Apli)uemos operador varian+a a la eCpresin anterior:
[ ]
t < 8 A < <
<
<
t <
<
8 <
<
A <
<
< <
<
<
t <
7 t
8 <
< t
A <
1 t
< <
t
<
1
t
7 t
7
< t
<
1 t t t
I 1 H .....I I 1 H I 1 H I 1 H 1 H
n
n
I 1 H ...
n
I 1 H
n
I 1 H
n
I 1 H
n
I C H V I 1 H ... I C H V I 1 H I C H V I 1 H I C H V I 1 H I C H V
\ + I 1 ]H V .... \ C I 1 ]H V \ C I 1 ]H V \ C I 1 ]H V I C H V I + H V
+ + + + +

+ +


+ + + + +
+ + + + +


el t%rmino [ ]
t < 8 A < <
I 1 H .....I I 1 H I 1 H I 1 H 1 H + + + + + es una serie geom%trica )ue con$orme
aumente t# converge a

<
# por lo tanto#

,
_

< n
I + H V
<
t
# entonces:
I < H n
tt
+


eI Ha(iendo encontrado la varian+a del estadstico
t
+
podemos esta(lecer los lmites de control de la carta
E0;A# los cuales son:
I < H n
7 C &=&
C &=
I < H n
7 C U=&

+
en caso de )ue no se cono+ca el valor de

# se de(e estimar tal cual lo -acamos en la carta ". :ecordemos


)ue:
: A
n
<

# por lo tanto:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A7 de 55
Universidad de Valparaso

+
<
: A C &=&
C &=
<
: A C U=&
<
<
-ise4o de la carta &?0A. El diseLo de la carta E0;A involucra seleccionar el valor de O y el valor de
. =on la seleccin de estos par!metros es posi(le o(tener un A:& deseado y una deteccin de cam(io de
nivel con la anticipacin deseada.
/e -a encontrado )ue valores de <5 . 1 15 . 1 $uncionan (ien en la pr!ctica. =on 14 . 1 # 11 . 1 y
15 . 1 se utili+an como elecciones populares. Valores pe)ueLos de detectan pe)ueLos cam(ios de
niveles. Valores de O Y 7# $uncionan (ien.
&a utili+acin com(inada de cartas E0;A y /-eS-art son *tiles para la deteccin de pe)ueLos y grandes
cam(ios de nivel respectivamente.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja AA de 55
Universidad de Valparaso
1!. Cartas de Control *ara media / +aria.ilidad 'Carta 23()
=omen+amos con un repaso en estadstica para llegar a determinar los lmites de control de las cartas "2/ y
"2/
<
aI &a distri(ucin gama se de$ine como:



C
1
e C
I H
1
I # e C H $ Cb1#
1 # >
1 I # e C H $
CX1
donde
I H
es la $uncin gama de$inida como:



1
u 1
du e u I H
1 >
(I :ecordemos )ue para calcular el r2%simo momento de una $uncin de distri(ucin de pro(a(ilidades
continua alrededor del cero# se calcula:


1
r
r
dC I C H $ C
para la distri(ucin gama# el r2%simo momento ser!:
dC e C
I H
1
dC e C
I H
1
C
1
C
1 r
1
C
1 r
r



-agamos

C
u
# u C # du dC
I r H
I H
du e u
I H
du e u
I H
1
r
1
u 1 r
r
1
u 1 r 1 r
r
+

+
+

+
+ +

nota: propiedad:
I H I < H
I H I 1 H
+
+
para el primer momento# r Y 1#

I H
I H
I 1 H
I H
I " H E
para el segundo momento# r Y <# VH"I Y
<
< <
I H
I H
I 1 H
I H

cI Un caso especial de la distri(ucin gama es la c-i cuadrado cuando


6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A5 de 55
Universidad de Valparaso
<


y <
<
C
1
<
<
e C
I < G H
1
I e C H $



Cb1
1 I e C H $
CX1
cuando la varia(le aleatoria C sigue esta distri(ucin# se dice )ue sigue una distri(ucin c-i cuadrado con


grados de li(ertad# es decir#
<
" T C

.
dI El momento r2%simo para esta $uncin de distri(ucin sera:

,
_

,
_


<
r
<
<
r
r
con r Y 1#

,
_

,
_

,
_

,
_

<
< <
<
<
1
<
<
I " H E
con r Y <#

,
_

,
_

,
_

,
_

<
<
< <
A
<
<
<
A
I " H V
Ahora +eamos la distri.ucin de la +arian>a muestral
<
/ .
eI =onsideremos una muestra aleatoria en )ue tenemos
n < 1
C #.....# C # C donde I # NH T C
<
i
.
<
# son
desconocidos. Un estimador de
<
es


n
1 i
<
i
<
n G I C H /
.
$I 6ara determinar una distri(ucin de muestreo )ue permita -acer in$erencias so(re
<
en (ase a
<
/
podemos de$inir la varia(le aleatoria


n
1 i
< <
i
G I C H @
es posi(le demostrar )ue
<
n
" T @ solo si
I # NH T C
<
i
.
gI Besde un punto de vista pr!ctico# la varian+a muestral )ueda de$inida como


n
1 i
<
i
<
n G I C H /
# pero es
muy raro )ue se cono+ca

. Al estimar

por C # perdemos un datos# por lo )ue los grados de li(ertad


6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A8 de 55
Universidad de Valparaso
)uedan reducidos a n21# por lo tanto# la varian+a muestral sera


n
1 i
<
i
<
I 1 n GH I C H /
. &o )ue de(emos
-acer a-ora es encontrar la distri(ucin de este
<
/ .
-I /a(emos )ue la varia(le aleatoria


n
1 i
< <
i
G I C H @
sigue una distri(ucin c-i cuadrado con n grados
de li(ertad en donde la varian+a muestra es


n
1 i
<
i
<
n G I C H /
.
:eagrupemos:


n
1 i
<
i
<
I C H @
multiplicamos por 1Gn
<
<
<
<
/
n @
/
n
@

/in em(argo# a-ora la varian+a muestral es Hcomo dijimos antesI igual a


n
1 i
<
i
<
I 1 n GH I C H /
por lo )ue
de(emos encontrar la distri(ucin de
<
<
/
I 1 n H @

.
/lo -emos multiplicado por una constante igual a Hn21I por lo tanto
<
1 2 n
" T @ .
Be modo )uee
1 2 n EH"I
y
1I 2 n H < VH"I
iI =omo
<
<
/
I 1 n H @

# entonces
I 1 n H
@
/
<
<

<
< < <
<
I 1 n H
1 n
I @ H E
1 n 1 n
@
E I / H E

1
]
1

H>jo: /
<
es un estimador insesgado de
<
I.
1 n
<
I 1 n H <
I 1 n H
I @ H V
I 1 n H 1 n
@
V I / H V
<
<
A
<
A <
<

1
]
1

jI =omo estamos interesados en la carta / Hde desviacin est!ndarI# necesitamos EH/I y VH/I.
=omo
I 1 n H
@
/
<
<

# entonces
< G 1
< G 1
I 1 n H
@
/

6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc


mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A5 de 55
Universidad de Valparaso
[=alculemos la esperan+a de la desviacin estandar /.
I @ H E
I 1 n H I 1 n H
@
E I / H E
< G 1
< G 1 < G 1
< G 1

1
]
1

1
< G 1 < G 1
dy I y H $ y I @ H E
siendo $HyI la distri(ucin c-i cuadrado con n21 grados de li(ertad.

,
_

1
<
y
<
7 n
< G 1
1
<
y
1
<
1 n
<
1 n
< G 1 < G 1
dy e y y c dy e y
<
<
1 n
1
y I @ H E
con
<
1 n
<
<
1 n
1
c

,
_

-agamos
<
y
u
#
# u < y

du < dy

,
_

<
n
c < du e u c < I @ H E
< G n
1
u
<
I < n H
< G n < G 1
$inalmente#
A
< G 1
< G 1
< G n
< G 1
c
<
1 n
I 1 n H
<
n
<
<
n
c <
I 1 n H
I / H E

,
_

,
_


,
_

[=alculemos la varian+a de la desviacin estandar /.


5
< <
A
< < <
A
< < <
c I c 1 H c I / H E I / H E I / H V
Carta 23(. En las cartas "2:# controlamos la varia(ilidad a trav%s del rango de las muestras. Vemos la
varia(ilidad en $orma indirecta a trav%s del rango :. &a =arta "2/ es pre$eri(le cuando: iI &os tamaLos de las
muestras son mayores de 11 Hn b 11I. :ecuerde )ue el estadstico : pierde e$iciencia estadstica para estimar

para muestras grandesI. iiI =uando el tamaLo de la muestra es varia(le.


Construccin de la carta 23(.
OI /i
<
i
Hvarian+a de la distri(ucin de la muestraI no se conoce# entonces se de(e estimar a trav%s de un
estimador insesgado. Un estimador insesgado de
<
i
es


n
1 i
<
i
<
i
I 1 n GH I C H /
. /in em(argo# / no es un
estimador insesgado de la desviacin estandar de la po(lacin

.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A4 de 55
Universidad de Valparaso
/i I # NH T C
<
i
# / es un estimador sesgado de

# pero insesgado de
A
c # donde
A
c es una constante )ue
depende de n# es decir:
A
c I / H E
,am(i%n vimos )ue:
5
< <
A
<
c I c 1 H I / H V
6or lo tanto# los lmites de control para la carta / son:
I c 1 H 7 c &=&
c &=
I c 1 H 7 c U=&
<
A A
A
<
A A


+
generalmente se -ace:
I c 1 H 7 c '
I c 1 H 7 c '
<
A A 8
<
A A 5
+

por lo tanto#



5
A
8
' &=&
c &=
' U=&
lI /i

no se conoce# de(emos estimarlo de los datos pasados como la media de las desviaciones estandar de
la muestra:

m
1 i
i
/
m
1
/
siendo
A
c
/
un estimador insesgado de

.
Entonces los lmites de control )uedan:
I c 1 H
c
/
7 / &=&
/ &=
I c 1 H
c
/
7 / U=&
<
A
A
<
A
A

+
generalmente se -ace:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja A3 de 55
Universidad de Valparaso
I c 1 H
c
7
1 '
I c 1 H
c
7
1 '
<
A
A
A
<
A
A
7
+

por lo tanto#
/ ' &=&
/ &=
/ ' U=&
5
A

Note )ue
A
8
A
c
'
'
y
A
5
7
c
'
'
Carta 2.
mI =uando usamos
A
c
/
para estimar

# podemos eCpresar los lmites de control de la carta " as:


n c
/
7 C &=&
C &=
n c
/
7 C U=&
A
A

+
pero generalmente se -ace
n c
7
A
A
7

por lo )ue los lmites )uedan como:
/ A C &=&
C &=
/ A C U=&
7
7

+
[ Ver ejemplo de los anillos de cilindro en ECcel con y sin tamaLo de muestra varia(le.
Carta de Control (
2
. En la mayora de las aplicaciones del VJuality EngineerW# se utili+an las cartas : o /
para control la dispersin# siendo / pre$eri(le cuando las muestras de tamaLo n son grandes superiores a 11.
/in em(argo# tam(i%n es posi(le utili+ar directamente la varian+a /
2
.
&os lmites de control para la carta /
2
son:
<
1 n # < G 1
<
<
<
1 n # < G
<
"
1 n
/
&=&
/ &=
"
1 n
/
U=&

donde
<
1 n # < G
"
y
<
1 n # < G 1
"
son los puntos crticos superior e in$erior respectivamente de la distri(ucin
c-i cuadrado con n21 grados de li(ertad con un nivel de signi$icancia

.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 51 de 55
Universidad de Valparaso
11. Process Ca*a.ili/ Anal/sis
aI Be$inicin: es el an!lisis de la varia(ilidad relativa a los re)uerimientos de un productoGservicio o sus
especi$icaciones con el $in de eliminar o reducirla.
&a capacidad de proceso se re$iere a la Vuni$ormidadW del proceso o a la salida del proceso. Hay dos $ormas
de pensar en la varia(ilidad:
2 la variacin in-erente o natural en un tiempo espec$ico Hvariacin instant!neaI
2 la variacin so(re el tiempo.
(I El estudio de la capacidad de proceso usualmente mide par!metros $uncionales del producto y no del
proceso propiamente tal Hen el !m(ito de la manu$acturaI. =uando el analista puede o(servar directamente el
proceso y puede controlar o monitorear la actividad de recoleccin de datos# el estudio es verdaderamente de
proceso Hen el !m(ito de los serviciosI# dado )ue se tiene la secuencia de datos en el tiempo y se pueden
-acer in$erencias so(re la esta(ilidad del proceso en el tiempo.
Process ca*a.ilit/ ratio C*$
cI Anteriormente -emos visto )ue este ndice corresponde a:

8
&/& U/&
6=:
donde U/& y &/& son los lmites de especi$icacin superior e in$erior respectivamente. &a desviacin
est!ndar del proceso H

I generalmente no es conocida y se puede estimar como:


<
d
:
`
por )ue se tendr! 6=: estimado:

` 8
&/& U/&
:
`
6=
.
dI /upongamos )ue para el ejemplo de los pistones# U/& Y 5A.15 y &/& Y 57.35 mm. /e tena )ue
1133 . 1 ` por lo )ue:
84 . 1 6=: .
E$ectuando el an!lisis en /tatgrap-ics se logra la siguiente salida:
Ca*a.ilit/ Indices "or *istones@A.item 13*istones@A.item 5
/peci$ications
U/& Y 5A#15
Nom Y 5A#1
&/& Y 57#35
S$ort-%erm &ong-%erm
Capability Performance
/igma 1#1135451A 1#11115
=pG6p 1#517<4 1#85513
=pOG6pO 1#887<< 1#81818
=pOG6pO HupperI 1#887<< 1#81818
=pOG6pO HloSerI 1#5A77A 1#83A11
'ased on 8#1 sigma limits. /-ort2term sigma estimated $rom average range.
%he (tatAd+isor
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 51 de 55
Universidad de Valparaso
/everal capa(ility indices -ave (een computed to summari+e t-e comparison o$ t-e data to t-e speci$ications. >ne common indeC is =p# S-ic-
e)uals t-e distance (etSeen t-e speci$ication limits divided (y 8 times t-e standard deviation. In t-is case# =p e)uals 1#517<4# S-ic- is usually
considered to (e good. =pO is a one2sided capa(ility indeC# S-ic- divides t-e distance $rom t-e mean to t-e nearer speci$ication limit (y 7 times
t-e standard deviation. In t-is case# =pO e)uals 1#887<<. ,-e rat-er large di$$erence (etSeen =p and =pO is a sign t-at t-e distri(ution is not
centered Sell (etSeen t-e speci$ication limits.
;!s adelante veremos el signi$icado de los ndices adicionales )ue se muestran en /tatgrap-ics.
eI En caso de )ue tengamos un proceso en )ue slo eCiste una especi$icacin de un solo lado# tendremos )ue:

` 7
` U/&
6=:
U
o

` 7
&/& `
6=:
&
$I El 6=: es una medida de la -a(ilidad del proceso para producir el productoGservicio cumpliendo las
especi$icaciones.
gI Asumiendo una distri(ucin normal para la caracterstica de calidad# se puede encontrar )ue la relacin
entre el 6=: y los 66; Hparte por milln de de$ectuosos o no con$ormesI. 6or ejemplo:
66; Hpartes por millnI
6=: 6=: Hupper and loSerI 6=:
1#<5 <<8.8<4 A57.<55
1#4 4.134 18.735
1#1 1.751 <.511
1#8 1 <
<#1 1.1113 1.1114
PC1 *ara *rocesos des3centrados$
-I El 6=: no toma en cuenta en )u% parte est! la media del proceso relativa a las especi$icaciones.
BI'U.>
A)u vemos en el di(ujo )ue en todos los casas 6=: Y <.1# pero claramente se ve )ue el proceso es menos
capa+ en (I )ue en aI. Esta situacin la podemos re$lejar con el ndice 6=:
9
:
I 6=: # 6=: minH 6=:
& U 9

2 /i
9
6=: 6=:
el proceso est! centrado a la mitad de las especi$icaciones.
2 /i
6=: 6=:
9
<
el proceso est! des2centrado.
2 /i
1 6=:
9
<
el proceso est! al margen de las especi$icaciones.
2 /i
1 6=:
9
<
el proceso est! en total des2centrado.
/e dice )ue el 6=: mide la capacidad potencial mientras )ue el
9
6=:
mide la capacidad actual.
1ecordatorio de estad#stica .:sica$
:ecordemos )ue la $uncin generadora de momentos de una varia(le aleatorio " se de$ine como:
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 5< de 55
Universidad de Valparaso


dC I C H $ e I e H E I t H m
tC t"
"
/i
<
" T "

# es decir# " se distri(uye c-i cuadrado con

grados de li(ertad# la $uncin generadora para "


ser!:
<
"
I t < 1 H I t H m


%eorema ":
/ea Z una varia(le aleatoria tal )ue
NH1#1I T Z
# se puede demostrar )ue la distri(ucin de
<
Z @
se
distri(uye c-i cuadrado con 1 grado de li(ertad# es decir#
<
1
" T @ .
Bemostracin:


d+ e
I t < 1 H <
1
I t < 1 H
1
d+ e
<
1
d+ e e
<
1
d+ e
<
1
d+ e e
<
1
d+ I + H $ e I e H E I t H m
1
<
1
<
<
<
<
<
< <
I t < 1 H <
+
<
1
<
1
I t < 1 H <
+
<
+
t+
I t < 1 H
<
+
<
+
t+ t+ t@
@
Vemos )ue el t%rmino


d+ e
I t < 1 H <
1 1
<
I t < 1 H <
+
<
1
corresponde al !rea (ajo la curva de una
distri(ucin normal con media cero y varian+a
1
I t < 1 H

# por lo )ue esta eCpresin e)uivale a uno. 6or lo
tanto:
<
1
I t < 1 H <
+
<
1
<
1
t@
@
I t < 1 H d+ e
I t < 1 H <
1
I t < 1 H
1
I e H E I t H m
1
<


Esto corresponde a una $uncin generadora de momento de una varia(le aleatoria distri(uda c-i cuadrado
con 1 grado de li(ertad# por lo )ue $inalmente:
<
1
" T @ .
%eorema 2:
:ecordemos el siguiente teorema: /ea
n < 1
" #...# " # "
varia(les aleatorias independientes con $unciones
generadoras
I t H m I#....# t H m I# t H m
n < 1
" " "
.
/i
n n < < 1 1
" a ....... " a " a @ + + +
# entonces#
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 57 de 55
Universidad de Valparaso
I t a H m I....... t a H m I t a H m I t H m
n " < " 1 " @
n < 1

%eorema ':
/ea
n < 1
" #...# " # " muestras aleatorias con I # NH T "
i
. ,omamos

i
i
"
Z tal )ue de este modo
)ue I 1 # 1 NH T Z
i
.
Be$inamos

n
1 i
<
i
Z @
.
Utili+ando el ,eorema <# tenemos )ue:
I t H m . I......... t H m I t H m I t H m
<
n
<
<
<
1
Z Z Z
@

Utili+ando ,eorema 1# sa(emos )ue
<
1
Z
I t < 1 H I t H m
<
i

# por lo tanto#
<
n
<
1
<
1
<
1
@
I t < 1 H I t < 1 ......H I t < 1 H I t < 1 H I t H m


de esto concluimos )ue
<
n
T @ H@ se distri(uye c-i cuadrado con n grados de li(ertadI.
Inter+alos de con"ian>a / test de hi*tesis *ara PC1$
:ecordemos )ue la varian+a muestral es


n
1 i
<
i
<
n G I C H /
.
Bel teorema 7 vimos )ue





n
1 i
<
<
i
n
1 i
<
i
I " H
Z @ se distri(uye c-i cuadrado con n grados de li(ertad.
6odemos arreglar am(as eCpresiones de modo tal )ue:


n
1 i
< <
i
<
@ I " H n/
de a)u encontramos )ue:
<
<
/
n @

. /in em(argo# es muy raro )ue se cono+ca

. Al estimar

por C #
perdemos un datos# por lo )ue los grados de li(ertad )uedan reducidos a n21# por lo tanto# la varian+a
muestral sera


n
1 i
<
i
<
I 1 n GH I C C H /
. Be este modo es posi(le demostrar )ue:
<
<
/
I 1 n H @

. En este caso @ se distri(uir! c-i cuadrado con n21 grados de li(ertad# es decir#
<
1 n
T @

. A
partir de este resultado encontraremos la distri(ucin del 6=:.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 5A de 55
Universidad de Valparaso
<
1 n
<
<
T
/
I 1 n H @

G multiplicamos por
<
8
&/& U/&

,
_


<
1 n
<
<
<
8
&/& U/&
T / I 1 n H
8
&/& U/&


,
_



,
_

<
1 n
<
< <
8
&/& U/&
T / I 1 n H I 6=: H


,
_

I 1 n H / 8
&/& U/&
T I 6=: H
<
1 n
<
<

,
_



G aplicamos ra+ cuadrada
I 1 n H
:
`
6= T 6=:
<
1 n

Nota: :
`
6= es el ndice de capacidad de proceso estimado.
A partir de este resultado# es posi(le construir un intervalo de con$ian+a tal )ue eCiste un
IK 1 H 111
de
pro(a(ilidad de )ue el 6=: se encuentre entre:
I 1 n H
:
`
6= 6=:
I 1 n H
:
`
6=
<
1 n # <
<
1 n # < 1


0:s acerca del centrado de *rocesos.
aI @a vimos )ue 6=:
O
$ue desarrollado como alternativa al 6=: ya )ue %ste no da in$ormacin relativa a
cu!n desviado est! el proceso del valor o(jetivo# dic-o de otro modo# el 6=: no da in$ormacin cuando el
proceso no est! centrado entre los lmites de especi$icacin.
(I /in em(argo# 6=:
O
por s solo tampoco nos indica muc-o si el proceso est! centrado o no# a menos )ue la
comparemos con el 6=:. 6or ejemplo: supongamos dos proceso A y '. El proceso A tiene 6=: Y 6=:
O
Y 1#
es decir# el proceso est! centrado. El proceso ' tiene 6=: Y < b 6=:
O
Y 1# es decir# el proceso ' est!
descentrado.
BI'U.>
Vemos )ue para am(os proceso# 6=:
O
Y 1 para A y '# sin em(argo# A est! centrado y ' no lo est!.
Adem!s# si 1 # entonces

O
6=:
lo )ue -ace ndice poco pr!ctica.
cI 6ara solucionar este pro(lema# tenemos un nuevo ndice:

8
&/& U/&
6=:
Om
donde

es la ra+ cuadrado de la esperan+a al cuadrado de la desviacin del o(jetivo ,# en donde


I &/& U/& H
<
1
, +
# es decir#
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111
Ingeniera Industrial Hoja 55 de 55
Universidad de Valparaso
\ I , ]H E I\ , IH C ]H E < \ I C ]H E
\ I , H I , IH C H < I C ]H E
\ II t H I C ]HH E \ I , C ]H E
< <
< <
< < <
+ +
+ +
+
pero
1 \ C ] E I\ C ]H E
# por lo tanto# siguiendo con la eCpresin anterior:
< <
< <
<
I , H
\ I , ]H E I\ , IH C ]H E < \ I C ]H E
+
+ +

por lo tanto#
< < <
Om
1
6=:
I , H 8
&/& U/&
6=:

donde


2 ,
Hno olvide )ue , es el valor o(jetivo2,arget y

es la media actual del procesoI


El
Om
6=:
estimado sera:
<
Om
V 1
=: 6
`
=: 6
`

donde
s
C 2 ,
V
.
Este ndice es importante cuando se desea anali+ar el proceso desde el punto de vista econmico. V%ase
,aguc-i ?unction &oss.
Vemos )ue cuando
,
entonces#
6=: 6=:
Om

.
/in em(argo# si
U/& >
o
&/& <
entonces#
1 6=:
O
<
y
Om
6=:
comien+a a converger a cero
asintticamente a medida )ue
, 2
.
6ro$. ;auricio Valle ?ile: apuntes18DgescalDspc.doc
mauricio.valleEuv.cl Fltima actuali+acin: <1G11G<111