Optimizacion de Procesos Industriales y Control de Calidad

1
Optimización de Procesos
Industriales y Control de Calidad
Pedro Vergara Vera
EDICIONES UNIVERSIDAD
TECNOLÓGICA
METROPOLITANA
2
© UNIVERSIDAD TECNOLÓGICA METROPOLITANA
Casilla 9845 Santiago de Chile
Derechos Reservados
Inscripción Nº 148.387 del 20 de Julio 2005
I.S.B.N.: 956-7359-45-8
Santiago de Chile, Octubre de 2005
• DISEÑO Y DIAGRAMACIÓN
Programa de Tecnología Educativa y Diseño Comunicacional – DITEC
• REPRESENTANTE LEGAL
Miguel Ángel Avendaño Berríos
• EDICIONES
Universidad Tecnológica Metropolitana
Distribución y ventas: www.utem.cl/ediciones/index.html
• DIRECCIÓN DE COMUNICACIÓN Y CULTURA
CONSEJO EDITORIAL
PRESIDENTE: Jéssica Orellana Saavedra
Héctor Gómez Fuentes
Patricio Olivares Iribarren
Ana Gavilanes Bravo
Hugo Omar Inostroza Sáez
PROHIBIDA LA REPRODUCCIÓN TOTAL O PARCIAL EN CUALQUIER FORMA Y POR CUALQUIER MEDIO.
LAS IDEAS Y OPINIONES CONTENIDAS EN ESTE LIBRO SON DE RESPONSABILIDAD EXCLUSIVA DEL AUTOR Y NO EX-
PRESAN NECESARIAMENTE EL PUNTO DE VISTA DE LA UNIVERSIDAD TECNOLÓGICA METROPOLITANA.
3
a Isidora
4
Prólogo ............................................................................................................................ 7
Introducción .................................................................................................................... 9
CAPÍTULO I .....................................................................................................................12
Método de Control de Calidad mediante Sumas Acumuladas
1.1. El Método SUMAC ..............................................................................................12
1.2 SUMAC para el control de la tendencia central ..................................................13
1.2.1 Acumulador superior...........................................................................................14
1.2.2 Acumulador inferior.............................................................................................14
1.3 SUMAC para el control de la dispersión .............................................................15
1.4 Longitud de Ráfaga Media ...................................................................................16
1.5 Obtención de las tablas de LRM..........................................................................18
1.6 Análisis de las LRM en función de los distintos parámetros .............................20
1.7 Los Gráficos de Shewhart ...................................................................................21
1.8 Comparación de las LRM del SUMAC con las de Shewhart ...............................26
CAPÍTULO II ....................................................................................................................29
Control por Medias Móviles Ponderadas Exponencialmente
Introducción........................................................................................................29
2.1 MEMPE para la tendencia central........................................................................29
2.2 MEMPE para la tendencia central con límites en función de t............................33
2.3 Longitud de Ráfaga Media ...................................................................................35
CAPÍTULO III ...................................................................................................................36

MEMPE conjunto para controlar la tendencia central y la variabilidad
Introducción........................................................................................................36
3.1 MEMPE para la variabilidad .................................................................................36
3.2 Longitud de Ráfaga Media: Simulación ..............................................................38
3.3 Análisis de las LRM del esquema MEMPE conjunto univariable .......................49
3.4 Ejemplo ...............................................................................................................51
CAPÍTULO IV ..................................................................................................................54
4 MEMPE Multivariable ...........................................................................................54
4.1 MEMPE Multivariable de la tendencia central ..................................................54
4.2 MEMPE Multivariable de la variabilidad ............................................................60
4.3 Longitud de Ráfaga Media .................................................................................63
CAPÍTULO V ...................................................................................................................80
5 Comparación entre los Gráficos de Shewhart, SUMAC y MEMPE .....................80
5.1 Proporción de elementos defectuosos de un proceso.......................................80
5.2 Probabilidad de señal global y LRM por el método de Shewhart .......................83
5.3 LRM global de Shewhart, SUMAC y MEMPE.......................................................84
5.4 Comparación entre SUMAC y MEMPE conjuntos multivariables .......................89
CAPÍTULO VI ..................................................................................................................91
6.1 Comparación entre los diferentes métodos. Aplicación ....................................91
5
CAPÍTULO VII ...............................................................................................................103
Características de un Proceso Industrial
Introducción......................................................................................................103
7.1 Capacidad de Calidad de un Proceso .............................................................104
7.2 Ejemplos ...........................................................................................................106
7.3 Gráficos de Control ..........................................................................................111
7.3.1 Gráficos de Shewhart .......................................................................................112
7.4 Gráficos de Shewhart con límites probabilísticos .........................................118
Ejemplos ...........................................................................................................121
7.6 Ejercicios ..........................................................................................................128
7.7 Método Seis Sigma...........................................................................................131
Introducción......................................................................................................131
7.7.1 Los cambios que se requieren para implementar Seis Sigma ......................133
7.7.2 Lean Seis Sigma ...............................................................................................134
7.7.3 El funcionamiento del método Seis Sigma .....................................................136
7.7.4 Interacción entre Lean y Seis Sigma...............................................................138
CAPÍTULO VIII ..............................................................................................................141

Diseño de Experimentos
8.1 Diseños factoriales a dos niveles......................................................................141
8.2 Diseño factorial 22 ..............................................................................................141
8.2.1 Ejemplo ..............................................................................................................143
8.3 Modelo lineal ......................................................................................................147
8.4 Test de Normalidad ...........................................................................................150
8.5 Gráfico normal de los efectos ............................................................................151
8.6 Gráfico seminormal de los efectos ....................................................................152
8.7 Diseño factorial de tres variables a dos niveles 23 ............................................154
8.7.1 Ejemplo ..............................................................................................................155
8.7.2 Ejemplo ...............................................................................................................161
8.7.3 Ejemplo ..............................................................................................................166
8.8 Bloques ...............................................................................................................174
8.9 Diseños factoriales fraccionales ......................................................................180
8.9.1 Ejemplo .............................................................................................................186
8.9.2 Ejemplo ..............................................................................................................189
8.10 Modelización Global .........................................................................................195
8.10.1 Ejemplo ...............................................................................................................197
Bibliografía ...................................................................................................................205
6
Prólogo
Aunque debiera ser práctica habitual entre los miembros de la comunidad univer-
sitaria global, participar en la reflexión de temas que afectan al quehacer común
de las instituciones de educación superior, resulta esta, la de prologar una nueva
monografía, una oportunidad singular que debe ser aprovechada con especial
empeño. Al fin y a la postre, es este un medio único para poner de manifiesto lo
que de excepcional tiene la obra de un académico, al tiempo que se nos ofrece la
ocasión de realizar alguna reflexión de carácter más general sobre aspectos hoy
controvertidos del papel y fines de la universidad.
El trabajo que el lector tiene en sus manos nace con la vocación genuina del ma-
nual. Con la intención de ayudar al alumno en el proceso de su propio aprendiza-
je. Pero es, al mismo tiempo, el resultado de un proceso que, de manera muchas
veces callada, se realiza en las universidades, el de la transferencia del conoci-
miento generado por los académicos al mundo productivo. Incorporando nuevas y
vivificadoras ideas que suponen la contribución más importante que realizan las
instituciones de educación superior al desarrollo socioeconómico. Es, en definitiva,
el efecto de la más precisa función del docente, la sistematización del conocimien-
to para su difusión. En este caso, con el valor añadido de la utilidad de ese cono-
cimiento.
Algo inherente al conocimiento generado en el ámbito de las ingenierías es su

capacidad para interactuar con el tejido productivo y constituirse de esa forma en
uno de los elementos vertebradores del proceso de retorno a la sociedad desde
las universidades de lo mucho que estas instituciones reciben de ella.
La globalización ha obligado a las industrias a ser competitivas, a buscar espacios

en el mercado, a cumplir con las normas de calidad cada día más exigentes, a
generar planes estratégicos, a utilizar métodos modernos en la gestión, tratar de
minimizar los tiempos de falla, minimizar los desperdicios, cumplir con las entre-
gas en los tiempos previstos, reducir los costos de los productos para brindar sa-
tisfacción a los clientes, entre otras acciones.
Bajo esta perspectiva, este libro permite por una parte implantar sistemas de con-
trol de calidad en los procesos productivos, determinando la capacidad de calidad
de los procesos, como también, establecer métodos de control de calidad usando
diferentes técnicas, dependiendo del tipo de proceso.
Para generar un buen producto, insensible a los cambios que se pueden generar
en las variables que intervienen en el proceso, se emplean diseños de experimen-
tos factoriales a dos niveles y diseños factoriales fraccionales. Los que permiten
optimizar procesos industriales logrando determinar las variables significativas de
7
un proceso, y obtener modelos de regresión múltiple asociados, que a través de
las superficies de respuesta y las curvas de nivel, permiten determinar en que ni-
vel deben fijarse las variables para lograr el valor técnico deseado, y a la vez mi-
nimizar los costos de los procesos.
La utilización del método de modelización global permite a través de réplicas de

un diseño factorial, caracterizar el comportamiento de la variabilidad de un proce-
so, y determinar en que niveles se deben fijar las variables para minimizarla. Con-
juntamente permite estudiar el comportamiento de la característica de interés de
un determinado proceso, obteniendo un modelo para ella que incluye el modelo de
variabilidad. De esta forma, se pueden optimizar procesos productivos, logrando
generar productos de mejor calidad y competitivos.
En este libro, el lector podrá conocer los diferentes métodos de calidad existentes,
para procesos productivos, los que han sido ilustrados convenientemente con di-
versos ejemplos, aplicados en diferentes áreas productivas, y complementados
con ejercicios de aplicación.
De la misma manera, en diseños de experimentos, se desarrollan diversas aplica-

ciones con ejemplos didácticos, que permiten conocer el método y su posterior
aplicación, se aportan diversos ejercicios aplicados en diversos procesos produc-
tivos.
Debo felicitar a la Universidad Tecnológica Metropolita a través de su Editorial al

poner este libro a disposición de los Académicos y Estudiantes, como un aporte al
desarrollo de la docencia y la investigación. El Dr. Pedro Vergara posee un vasto
desarrollo en esta disciplina a través de sus publicaciones y la docencia que ha
impartido por varios años en la Universidad tanto en cursos de pregrado, como en
programas de Magíster y de Doctorado.
Felix de Moya Anegón

Vicerrector de Nuevas Tecnologías
Universidad de Granada
8
Introducción
En todo proceso de producción existe el riesgo de aparición de artículos defec-

tuosos, la mayoría de las veces el productor puede tener una explicación clara del
porqué se generan estos defectos, por ejemplo, por el desajuste de la máquina, ó
debido al desgaste de alguna pieza, ó por mala calibración de máquina, ó por poca
experiencia de los operarios, ó por deficiencias de calidad de la materia prima, etc.
Éste tipo de causas son denominadas asignables, y cuando actúan en un proceso,
los efectos que produzcan serán previsibles; así, si una máquina está mal calibrada
producirá artículos fuera de las especificaciones de diseño, si se calibra adecuada-
mente (eliminación de la causa asignable) se obtendrá una disminución del número
de piezas defectuosas. Pero, aunque se tenga la mejor maquinaria, se use la mejor
materia prima, etc., igualmente se pueden producir desviaciones respecto a la cota
nominal, y no siempre será posible predecir su aparición, ni asignarlas a una causa
determinada o a una combinación de causas posibles, y, aunque el proceso se re-
pita en condiciones prácticamente idénticas, es difícil que los resultados sean igua-
les. Este tipo de causas se conocen como no asignables o aleatorias, las cuales in-
troducen en el proceso una variabilidad también no asignable, denominada variabili-
dad inherente o natural del proceso, por lo cual se puede considerar que todo proce-
so productivo es un proceso aleatorio.
Uno de los objetivos del control estadístico de un proceso, es determinar si una

desviación observada puede deberse al azar o a alguna causa asignable; si la varia-
ción está dentro de los márgenes atribuidos al azar, se dice que el proceso está bajo
control. Estos métodos estadísticos de control si bien no mejoran la calidad de un
proceso, al menos evitan su degradación, ya que detectando prontamente las per-
turbaciones, mantienen la productividad del proceso en un nivel óptimo. Sin embar-
go, que una empresa tenga un buen sistema de control de calidad, no implica nece-
sariamente que los artículos que produzca sean de buena calidad, pues este buen
sistema sólo evitará que el producto se aparte de su valor nominal, pero, no controla-
rá si el producto fue bien diseñado, o si sus características son las adecuadas, o si
satisface las necesidades y expectativas de los usuarios, etc. La información actuali-
zada al alcance de los usuarios, como también la gran competitividad, ha obligado
estos últimos años a tratar de producir una mejora sustancial en la calidad, tanto de
productos como de servicios, ya que sólo así es posible mantenerse en el mercado.
Muchas empresas se han visto en la obligación de invertir en la adquisición de nue-
vas tecnologías, ó en rediseñar sus procedimientos actuales, ó en investigación y
9
desarrollo que mediante innovación tecnológica les permita mantenerse en un nivel
adecuado de competencia.
También, debe tenerse en cuenta, que las tendencias actuales están dirigidas
hacia la automatización y robotización de los procesos industriales, lo que acentúa la
importancia de los problemas de calidad, pues, esta robotización obtendrá resulta-
dos eficientes sólo si los niveles de calidad de las partes y piezas con las que se tra-
baja son altos. En estos últimos aspectos, la industria japonesa es la que ha tenido
los mejores resultados, introduciendo en los mercados internacionales muchos pro-
ductos similares a los ya existentes, pero, la mayoría de ellos de mejor calidad, lo-
grando también una reducción significativa en los costes de producción y venta, y un
aumento del ciclo de vida de muchos de ellos.
Es importante que al definir la calidad de un producto, entendiendo por produc-

to en un amplio sentido no sólo atribuido a productos físicos, sino que a todo tipo de
procesos como por ejemplo: calidad de vida, calidad de información, calidad de ser-
vicio, etc., se debe tener en cuenta su coste, ya que cualquiera que sea la calidad de
un producto, si su precio es muy elevado, no podrá satisfacer las necesidades del
consumidor. En la actualidad, la puesta en marcha de un control de calidad debe
extenderse también al control de costes, precios y beneficios, así como al control de
la cantidad y de los plazos de entrega.
Desde que Shewhart (1931) desarrolló los gráficos de medias, x y de desvia-

ciones estándar S, el control de los procesos de producción se ha basado casi ex-
clusivamente en tales métodos. Sin embargo, Page (1957) introdujo los fundamen-
tos de una metodología de control alternativa, conocida como gráficos de control de
Sumas Acumuladas (SUMAC), que en los últimos años ha pasado a ser objeto de
numerosas publicaciones estudiando su eficacia, sus condiciones operativas para
facilitar su aplicabilidad, así como su generalización al caso multivariable.
Otro método, es el gráfico de control basado en la Media Móvil Ponderada Ex-

ponencialmente (MEMPE), introducido por Roberts (1959) que también sistematiza
la vigilancia de posibles tendencias en los gráficos de Shewhart, acumulando las
observaciones (o los promedios de cada muestra) ponderados exponencialmente.
Se estudia la generalización de este esquema para un control conjunto de la

tendencia central y de la dispersión, se analiza la aplicación multivariable que posibi-
lite el control de procesos multifunción, se desarrollan los fundamentos para la facti-
ble utilización de estas metodolías a los procesos, y se establece, en todos los ca-
10
sos, unas bases de comparación objetivas entre los métodos Shewhart, SUMAC y
MEMPE, para determinar si hay uno que sea uniformemente óptimo, o, en su caso,
en qué situaciones, cada uno de ellos es más eficiente.
Se explica el método Seis Sigmas y Lean Seis Sigma para optimizar procesos
productivos en cuanto a atender las expectativas del cliente, mejorar los procesos,
reducir los costos y minimizar las no conformidades.
Se presentan métodos de diseño de experimentos, factoriales y factoriales

fraccionales que posibilitan la optimización de un proceso productivo, tanto en alcan-
zar los valores objetivos definidos para un producto, como también para minimizar
los costos asociados al proceso productivo. Se muestran aplicaciones de estos mé-
todos con fines didácticos. También se desarrolla el método de modelización global,
el cual permite minimizar la variabilidad del proceso y obtener un modelo de la varia-
ble en estudio en función de la variabilidad de los tratamientos.
11
CAPÍTULO I
Método de Control de Calidad mediante Sumas Acumuladas
1.1. El Método SUMAC
El método de las Sumas Acumuladas (SUMAC), introducido por Page

(1957), consiste en acumular para observaciones (muestras) sucesivas las desvia-
ciones de éstas respecto a un valor de referencia Q, comparando este valor acumu-
lado respecto a un límite o intervalo de decisión. Si Y es el estadístico muestral utili-
zado para controlar la característica de un proceso, entonces para las muestras su-
cesivas se calcula
St  máx 0 , (Yt  Q)  St 1  t  1,2,...
S0 puede tomar cualquier valor entre 0 y H; se considera que el proceso está fuera
de control si el valor del acumulador St supera el límite o intervalo de decisión H.
Actualmente, la tónica general consiste en puntuar la situación de un proceso

mediante el logaritmo neperiano (Ln) de la razón de verosimilitudes. El método SU-
MAC señala, que se ha producido una modificación del proceso cuando el acumula-
dor asociado a la t-ésima y última medición, St, es tal que:
S   Lnf1( x j ) / f0 ( x j )  mín k t  Lnf1( x j ) / f0 ( x j )  H

t t
1.1.1
j1 j1
f0 representa la verosimilitud de la observación cuando el proceso está en la situa-

ción óptima, f1 la relativa a una situación del proceso degradada, y H es el límite o
intervalo de decisión.
El acumulador St se puede calcular en forma recurrente por:
S t  máx  0 , S t 1  Lnf1( x t ) / f0 ( x t )  1.1.2
así mismo, se puede modificar la escala dividiendo el logaritmo neperiano de ésta

razón de verosimilitudes y H por una misma constante.
12
Para mejorar la respuesta en el arranque, tanto en la implantación como des-
pués de una acción correctiva, Lucas y Crosier (1982), recomiendan iniciar el control
con una Rápida Respuesta Inicial (FIR), para ello sugieren tomar S0=H/2, así, si el
proceso está descentrado en el inicio es posible detectarlo con mayor celeridad,
mientras que si está correctamente centrado, St decrecerá prontamente a cero.
Es importante hacer notar que la expresión del acumulador (1.1.2) por estar
basada en la razón de verosimilitudes es única, cualquiera sea la degradación que
se desee detectar, ya sea un aumento o una disminución de la característica de ten-
dencia central, o bien, un aumento de la variabilidad del proceso; si bien se trasfor-
mará dependiendo de la característica y degradación que se desee detectar.
Sea X una variable aleatoria proveniente de una distribución N(m,σ2), que se

controla periódicamente mediante una muestra de tamaño n, para comprobar que
tanto la media como la varianza muestral toman valores que permiten considerar
que el proceso está operando en las condiciones deseadas o, por el contrario, cons-
tatar su degradación. La utilización de estos estadísticos no sólo se fundamenta en
su suficiencia y completitud sino, también en su independencia (el proceso está ca-
racterizado por una variable cuya distribución es normal), por lo cual el SUMAC de
cada uno de los estadísticos de control puede determinarse independiente del otro
(en forma similar a la de los gráficos x y S de Shewhart).
1.2 SUMAC para el control de la tendencia central
La determinación de la expresión de los acumuladores del SUMAC, para el

control del centrado del proceso, se fundamenta en la razón de verosimilitudes de la
muestra, bajo la hipótesis que el proceso está bajo control, X~N(m0,σ20), frente a la
hipótesis que ha sufrido un desplazamiento del valor medio, por lo que X~N(m1,σ20).
Así :
f1 ( x )  ( x  m1 )2 n ( x  m0 )2 n 
 EXP  
f0 ( x )  2 2
0 2 2 0 
 f1 ( x )   xn(m1  m 0 ) (m 2 0  m 21 )n 
Ln   20

2 2 0 
 f0 ( x )   
 n(m1  m 0 )   m  m0 
   x 1
  02
 2 
13
luego
 f ( x )   n(m1  m0 )   x  m0 m1  m0 
Ln 1       1.2
 f0 ( x )   0  0 2 0 
1.2.1.- Acumulador superior
Si se desea controlar una posible degradación del proceso, por un crecimiento

del valor m0 hasta el valor m1, designando por DL=(m1-m0)/σ0 el desplazamiento
reducido a detectar, Yt  ( x  m0 ) / 0 el estadístico de control, y DL/2 el valor de refe-
rencia, la expresión (1.2) se reduce a :
 f (x )   D 
Ln 1 t   nDL  Yt  L 
 f0 ( x t )   2 
dividiendo por el factor de escala nDL, designando por Ut el acumulador de la t-

ésima y última medición, y reemplazando en (1.2) se tiene que :
 D 
Ut  máx  0 , Ut 1  Yt  L  1.2.1
 2
se considera que el proceso está fuera de control cuando Ut es mayor que el límite o
intervalo de decisión HM para la media del proceso.
1.2.2 Acumulador inferior
Si se desea detectar una disminución del valor medio del proceso, es decir, m1
< m0, entonces: m1 – m0=(-1)│m1-m0│ y
 f ( x )   n( 1) m1  m 0   x  m 0 m  m0 
Ln 1      ( 1) 1 
 f0 ( x )   0  0 2 0 
 n m1  m 0   x  m 0 m1  m 0 
    
  0   0 2 0 
14
siendo ahora DL=│m1-m0│/σ0 , el desplazamiento inferior absoluto reducido, y Lt el
acumulador, se tiene que :
 D 
L t  máx  0 , L t 1  Yt  L  1.2.2
 2
detectándose, con el riesgo asociado, un descentramiento inferior cuando Lt supere

a HM.
En general, por la simplicidad que representa utilizar los mismos valores de

referencia Q=DL/2 y límite de decisión HM, para ambos acumuladores en el caso
de controles bilaterales, considerando los valores medios m1 simétricos respecto a
m0, el estudio simultáneo de la evolución de los acumuladores (1.2.1) y (1.2.2) se
realiza por :
Ut  máx  0 , Ut 1  Yt  Q
L t  máx  0 , L t 1  Yt  Q 1.2.3
1.3 SUMAC para el control de la dispersión
Pepió y Polo (1988) desarrollaron un esquema SUMAC para la variabilidad del

proceso que permite detectar si éste se mantiene en el nivel deseado, cuantificado
por el valor de σ20 de la varianza, o ha aumentado a un valor A2σ20, donde A es el
coeficiente de amplificación que se pretende detectar, para ello, calculan el logaritmo
neperiano de la razón de verosimilitudes de la varianza muestral
n
S 2   ( x i  x )2 /(n  1) .
i 1
Como bajo H0, (n-1)S2/ σ20 se distribuye  2 con parámetro =n -1, y bajo H1,
(n-1)S2/(A2σ20) se distribuye  con parámetro =n -1.
2
Sea g=(n-1)S2/σ2, luego
dg n  1
 2
dS 2 
15
 (n  1)S 2  2 1 / 2 1
1 / 2 1  S    (n  1)S 2  
  (n  1)  2  exp  2 2 
       
2
por tanto : h(S ) 
2
 
2 / 2  
2
luego :
 /2
h 1 (S 2 )  1   (n  1)S 2  1 
  exp  1  2 
h 0 (S 2 )  A 2   2 0  A 
2
1  (n  1)S 2  A 2  1
 exp   
A n1  2 0  A 
2 2
por tanto
 h (S 2 )   (n  1)S 2  A 2  1
Ln 1 2   (n  1)Ln A    
 2 0  A 
2 2
 h 0 (S ) 
1  (n  1)S 2  A 2  1
  Ln A  
2
 
 2 0  A 
2 2
2
 (n  1)(A 2  1)   S 2  A 2  
   2  2 Ln A 2 
   0  A  1
2
2A 
Sean, Yt=S2t/σ20, el estadístico de control, Q=[A2/(A2-1)] Ln A2 el valor de refe-

rencia; si se dividen cada uno de los términos por el factor de escala (n-1)(A2-
1)/(2A2), y designando por Wt el acumulador de la t-ésima y última muestra, se tiene
que :
 S 2t  A2  
Wt  máx 0 , Wt 1  2   2 2
 Ln A  1.3
  0  A  1 
se considera que la variabilidad se ha degradado, aumentando hasta A2σ20, cuando

el acumulador Wt es mayor que el límite o intervalo de decisión HS.
1.4 Longitud de Ráfaga Media
La eficacia de un gráfico SUMAC se evalúa mediante el número de muestras

requerido, en unas condiciones específicas de proceso, para superar H, número que
16
recibe la denominación de Longitud de Ráfaga (LR), y que, dependiendo del azar del
muestreo, es una variable aleatoria.
La distribución de la LR y sus parámetros miden la potencia de un esquema de

control SUMAC, y se utiliza en la práctica para seleccionar el procedimiento apropia-
do a las condiciones específicas del proceso que se quiere someter a control. No
obstante, en general, la distribución de la LR y sus parámetros no pueden determi-
narse analíticamente y deben obtenerse numéricamente; por ello, se han sugerido
numerosas aproximaciones y límites, pero, por el momento, la determinación del
SUMAC se realiza en base a la media de la LR, que recibe el nombre de Longitud
de Ráfaga Media (LRM), y representa el número de muestras que se examinará en
promedio, para obtener una señal que el proceso está fuera de control. Por ello, si
un proceso está en el nivel de calidad deseado, la LRM deberá ser grande, pues en
este caso, superar H representaría una falsa señal, en cambio, si el proceso está
degradado, la LRM debe ser muy pequeña, al objeto de detectar el cambio rápida-
mente.
Para determinar las propiedades de un gráfico SUMAC, deben definirse los

valores de Q y H, en función de las características del proceso, específicamente, el
nivel en que interesa que opere, y aquel otro, que representando una situación fuera
de control se desea detectar. Diversos autores han puesto de manifiesto la relación
entre los métodos SUMAC y el secuencial de la razón de probabilidades de Wald; de
hecho, un esquema SUMAC es una secuencia de pruebas de Wald, con una hipóte-
sis nula que el proceso está centrado, frente a una hipótesis alternativa que el des-
centramiento es 2Q.
Para evaluar la LRM y su distribución en función del desplazamiento, se pue-

den utilizar dos procedimientos. El primero, debido a Page (1957) que resuelve una
ecuación integral mediante un sistema de ecuaciones lineales empleando una cua-
dratura de Gauss de 24 puntos; el procedimiento alternativo, propuesto por Brook y
Evans (1972), utiliza unas cadenas de Markov, sustituyendo el esquema continuo
SUMAC por otro que representa (t+1) estados posibles, el inicial corresponde al
SUMAC en el nivel cero, y el último, que es el de absorción, a un nivel mayor que H.
Fijados Q y H, la LRM depende del valor del acumulador SUMAC, en el instan-

te en que se produce la degradación del proceso, desplazándose del nivel deseado
un valor D, medido tomando como unidad la desviación tipo del estadístico utilizado
en el SUMAC. Diversos autores han obtenido las LRM situando el acumulador del
17
SUMAC en cero, S0=0, que siendo el menor valor posible implica que esas LRM son
conservadoras, en el sentido que las reales son ligeramente inferiores.
Debido a esto, otros autores han definido la LRM estabilizada como promedio
ponderado de las LRM, dado el valor inicial del SUMAC, utilizan como elemento
ponderador la distribución de los valores del SUMAC. Dichos autores, han evaluado
dos tipos de LRM estabilizadas: las condicionales y las cíclicas. El procedimiento
consiste en generar M valores SUMAC antes de la degradación del proceso y, se-
guidamente, los necesarios hasta advertir dicha degradación, siendo estos últimos
los promediados para determinar la LRM condicional. Sin embargo, durante la gene-
ración de esos M valores, el SUMAC puede superar el intervalo de decisión H en
cuyo caso el método condicional descarta esa secuencia (de ahí el nombre, pues la
evaluación de la LRM queda condicionada al hecho que el SUMAC no haya supera-
do a H). Si se produce esa circunstancia, el método cíclico restablece el SUMAC a
cero, y no descarta ninguna secuencia.
Para la elección del esquema de control (valores Q y H), para el control de la

tendencia central de un proceso, en función del porcentaje defectuoso de la fabrica-
ción, que se designa Calidad Rechazable (CR), asociado a un desplazamiento
D=2Q, Lucas y Crosier (1982) diseñaron un procedimiento operativo para implantar
un control mediante un esquema SUMAC, y obtuvieron tablas de LRM considerando
una rápida respuesta inicial (FIR), para distintos valores de D, H, Q, y S0. Pepió y
Polo (1988), obtuvieron LRM en función del deplazamiento crítico D, en términos de
la proporción defectuosa del proceso, y compararon el método de Lucas y Crosier
con el de Shewhart en función de estas LRM, concluyendo que, salvo criterios espe-
cíficos, los gráficos SUMAC, si bien no son uniformemente mejores que los de
Shewhart, son más discriminatorios y de utilización más recomendable.
Pepió y Polo (1990a), diseñaron un control SUMAC conjunto, bilateral de la

tendencia central de un proceso y unilateral para la variabilidad, obteniendo por si-
mulación tablas de LRM en función de posibles valores de n, D, A, HM, y HS, cuyas
bases se comentan seguidamente.
1.5 Obtención de las tablas de LRM
Para una población con distribución X~N(m,σ2), el proceso se considera bajo

control cuando m=m0 y σ2=σ20, deseando detectar una situación límite en que, la
18
distribución de X sea tal que m=m1 y σ2=A2Lσ20, un esquema se presenta en la Fig.
1.5.
20
A2 20
A2 L 20
m0 m0+D0 m0+DL0
Fig 1.5 Proceso centrado, situación real y límite
el desplazamiento y la amplificación límites son DL=(m1-m0 )/σ0 y AL ; con valores de

referencia DL/2 y [A2L/(A2L-1)] Ln A2L respectivamente, luego :
 D 
Ut  máx  0 , Ut 1  Yt  L 
 2
 D 
L t  máx  0 , L t 1  Yt  L 
 2
 S2 t  A 2L  
Wt  máx  0 , Wt 1  2   2  Ln A 2 L 
  0  A L  1 
si la distribución real del proceso presenta un desplazamiento reducido D=(m-m0)/σ0

y una amplificación A, tal que σ2=A2σ20, luego, la distribución del estadístico de con-
trol de la media es tal que Y~N(D,A2/n), y la expresión (n-1)S2/(A2σ20) se distribuye
 2 con parámetro =n-1, siendo ambos estadísticos independientes, por lo que se
pueden simular separadamente.
Fijando el tamaño de la muestra en n=4, Pepió y Polo (1988) han obtenido ta-
blas para DL=0.5, 1, 1.5, 2 y 2.5; AL=1.25, 1.5, 2 y 2.5, HM=1, 2, 3, 4 y 5, HS=4, 6, 8
y 10, cuando el proceso está bajo control (D=0; A=1), para el caso límite (D=DL;
A=AL) y en otras situaciones intermedias de D con A=AL, uno de estos casos se pre-
senta en la Tabla 2.8.1.
19
Cada simulación da lugar a dos estadísticos muestrales Y, y S2/σ20, con los
que se procede a calcular los respectivos acumuladores, repitiendo el proceso hasta
que su valor supera el del intervalo de decisión, ya sea por desplazamiento, ya por
dispersión, momento en que se restituyen todos los acumuladores a sus valores ini-
ciales, U0 , L0 , W0 , y se acumula una ráfaga, los valores medios de las longitudes de
ráfaga, se han obtenido como promedio de un número de ráfagas comprendidas
entre 1000 y 10000, según fuese la variabilidad.
1.6 Análisis de las LRM en función de los distintos parámetros
En la Tabla 1.6.1 se detecta que, para todo estado real del proceso, un incre-
mento de cualquiera de los valores de decisión, HM o HS , provoca un aumento en
la LRM; hecho plenamente justificable ya que estos incrementos representan un plan
de control menos estricto, necesitando mayores valores de los acumuladores para
tener alguna señal de fuera de control y, por tanto, serán necesarias, en promedio,
más muestras hasta superar el límite de decisión.
Esta situación presenta el problema que cuando el proceso está bajo control
(D=0 ; A=1), cualquier señal de intervención es una falsa alarma, luego, indeseable;
siendo conveniente obtener LRM lo más elevadas posibles, teóricamente infinito. Por
estas consideraciones, se optaría por un control con HM y HS muy grandes. Sin
embargo, a estos niveles, cuando el proceso se degrade (D>0 ó A>1), las LRM re-
sultarán excesivamente altas, pues ahora, se desearía que la aparición de señal
fuese inmediata, teóricamente uno. Luego, la solución estará en adoptar un com-
promiso en cuanto a la selección de HM y HS, que sin dar lugar a demasiadas falsas
señales cuando el proceso esté correcto, sea suficientemente potente para detectar
degradaciones.
Éste análisis a través de las LRM, es equivalente al que se realizaría sobre la

curva característica de cualquier prueba de hipótesis. En este caso, la LRM hace las
veces, salvo factores de escala, de valor complementario de la potencia de la prue-
ba.
n=4 DL=0.5 AL=1.25

Univariable A=1 A=1.25
HM HS D=0 D=0.25 D=0.5 D=1.0
1 4 12.14 3.17 2.36 1.42
2 52.31 5.14 3.52 1.90
3 80.88 6.69 4.46 2.45
4 87.96 7.03 5.14 2.90
5 90.21 7.38 5.77 3.29
20
1 6 13.73 3.69 2.47 1.48
2 96.99 6.40 3.98 1.98
3 230.85 8.32 5.25 2.59
4 286.94 9.08 6.05 3.14
5 294.06 10.06 6.94 3.63
1 8 14.19 3.83 2.69 1.50
2 123.17 7.52 4.25 2.00
3 503.48 9.43 5.54 2.66
4 842.37 11.65 6.84 3.19
5 898.68 12.23 7.73 3.83
1 10 14.85 4.22 2.76 1.51
2 139.42 8.26 4.56 2.07
3 842.50 11.67 6.02 2.69
4 2156.50 13.21 7.39 3.53
5 2651.31 14.59 8.57 3.93
Tabla 1.6.1 LRM para un control conjunto. Pepió y Polo (1988)
Para estudiar el efecto de DL y AL sobre las LRM, hay que distinguir entre los
casos de proceso bajo control y degradado. En el primero, la LRM aumenta con DL y
AL, ello es lógico, puesto que si el proceso está bajo control y la situación límite es
poco estricta (DL ó AL elevados), los valores de referencia, respecto a los que se
acumulan las discrepancias, son grandes y es poco probable tener falsas señales,
pues es muy difícil que el estadístico de control supere el valor de referencia; efecto
tanto más acusado cuanto menos exigentes sean los límites de intervención, es de-
cir, cuanto mayores sean los valores de HM y HS; en el segundo, cuando el proceso
no está bajo control, la LRM disminuye al aumentar el desplazamiento o la amplifica-
ción reales, ya que, al ser ésto un indicio de una mayor degradación, son más fre-
cuentes las señales de fuera de control; señales tanto más deseables cuando mayo-
res sean D ó A. Para procesos igualmente desplazados la LRM aumenta con DL,
reflejando la menor exigencia sobre una situación límite.
1.7 Los Gráficos de Shewhart
Al presentar un método alternativo (los gráficos SUMAC), es necesario compa-

rarlo con el método tradicional de Shewhart. La base idónea de comparación posi-
blemente sea la evolución de la LRM, en función de los desplazamientos reducidos,
ya que estos están relacionados, para un tamaño de muestra y un índice de variabi-
lidad Cp específico, con las proporciones defectuosas, luego, será útil disponer de
las LRM asociadas a un gráfico de Shewhart.
La característica de estos gráficos es que, además de las líneas de interven-

ción, gestionan el control del proceso mediante las líneas de atención, que, alternati-
21
vamente, en su caso, pueden dar lugar a intervenir el proceso. La regla operativa
consiste en dada la señal de atención, extraer inmediatamente (es decir, no se debe
esperar a que transcurra el intervalo intermuestral establecido) otra muestra, cuya
información permite tomar la decisión pertinente.
Pepió y Polo (1988) para determinar las LRM asociadas a un gráfico de

Shewhart, por no corresponder a los períodos intermuestrales, consideran que las
muestras adicionales requeridas por las señales de atención, no se contabilizan para
determinar la longitud de ráfaga. Sobre esta base, las LRM de ambos métodos son
totalmente equiparables.
Definen por Y la variable aleatoria número de períodos entre muestras hasta e

inclusive, la señal de intervenir; por las condiciones del sistema, la variable corres-
ponde a un modelo geométrico.
P( Y  y)  (1 p) y 1 p, 0  p  1, y  1,2,3,...
1
obteniendo que : LRM  E( y ) 
p
donde p es la probabilidad que, al final de un período entre muestras, se produzca

la señal de intervención.
En la Fig 1.7, se tiene que I representa la probabilidad que, para un desplaza-

miento reducido D, de la media del proceso, la media de la muestra quede en la zo-
na de intervención, R la probabilidad que se sitúe entre una línea de intervención y
una de atención, y B la probabilidad que el proceso esté bajo control, con I + R + B =
1, luego p = I + R ( I + R )
Se define el Índice de Variabilidad de un proceso por Cp=(TS - TI )/6σ, con TS

y TI las tolerancias superior e inferior del proceso, y σ la desviación estándar de la
fabricación bajo control. Un proceso se considera preciso cuando Cp>1 y poco preci-
so si Cp<1, con centro de tolerancia CT=(TS+TI)/2.
Para un proceso preciso, Pepió y Polo (1988) definen MII y MIS como los límites de
intervención inferior y superior, MAI y MAS como los límites de atención inferior y
superior, MI y MS son las medias de los procesos que presentan una proporción
defectuosa del uno por mil por defecto y por exceso. Sean D el desplazamiento re-
22
ducido, A la amplificación de la desviación tipo y m la media del proceso, luego se
tiene que:
MS - CT=(3Cp - 3.09)σ , m - CT=Dσ , TS - MS=3.09σ
 
MAS  MS  1.96 , MIS  MS  3.09
n n
 , 
MAI  MI  1.96 MII  MI  3.09
n n
o LR=y
I+R
I o LR=y
o o
y y+1
Fig. 1.7 Esquema general
en esta situación, la media m del proceso presenta un desplazamiento de Dσ res-

pecto del centro de tolerancias. Puesto que un aumento de la dispersión, aún en el
caso de un proceso inicialmente preciso, puede dar lugar, simultáneamente, a pie-
zas defectuosas por exceso ó por defecto, tal posibilidad se evalúa en función de D,
A y n, mediante los valores de una distribución normal, centrada y reducida por:
TS  m 3Cp D TI  m 3Cp D
ZS    y ZI   
A A A A A A
23
A su vez, se requiere obtener las probabilidades de sobrepasar las líneas de
atención y de intervención, por sus valores centrados y reducidos
( MIS  m ) n 3.09  ( 3C p  3.09 )  D n

Z IS  
A A
( MAS  m ) n 1.96  ( 3C p  3.09 )  D n

Z AS  
A A
( MAI  m ) n 1.96  ( 3C p  3.09 )  D n

Z AI  
A A
( MII  m ) n 3.09  ( 3C p  3.09 )  D n

Z II  
A A
con una tabla de probabilidad normal, se obtienen las probabilidades I, R y B, y por

tanto, calcular p.
Para un proceso poco preciso,
m  CT  D , TS  CT  3Cp ,
 
MAS  CT  1.96 , MIS  CT  3.09
n n
 
MAI  CT  1.96 , MII  CT  3.09
n n
se calcula la proporción defectuosa total por los valores centrados y reducidos
3Cp  D 3Cp  D
ZS  y ZI  
A A
para obtener las probabilidades de pasar las líneas de atención y de intervención, se

calculan
24
3.09  D n 1.96  D n
ZIS  Z AS 
A A
3.09  D n 1.96  D n
Z II   Z AI  
A A
obteniéndo así I, R, B y p.
El gráfico de desviaciones estándar S también puede dar lugar, errónea o co-

rrectamente, a intervenir un proceso. Bajo el esquema de la Fig 1.7, la determinación
de las probabilidades será función del coeficiente de amplificación A y del tamaño de
la muestra n. Limitando su cálculo para el gráfico S de las desviaciones tipo muestra-
les, si Li y La son los valores extremos en la distribución χ2 de parámetro =n -1, rela-
tivos a los riesgos del 1‰ y del 2.5% respectivamente, los límites de atención supe-
rior para S, SAS, y de intervención superior, SIS, los definen por:
Li La
SIS   y SAS  
n 1 n 1
Luego I = P(S > Si ) = P(S2 > S2i) = P(nS2 / (Aσ)2 > nS2i / (Aσ)2 ) = P(  2 > Li / A2 )
a su vez, I + R = P(S > Sa) = P (  2 > La / A2)
Dado que en una distribución normal, los estadísticos x y S son independien-

tes, el riesgo global de parar el proceso, ya sea por la media o por la desviación es-
tándar está dado por la expresión
p=1 - [1 - P( x )][1 - P(S)]
donde p es el riesgo global, P( x ) la probabilidad de detección por la media y P(S) la

probabilidad de detección por la desviación estándar.
Para n = 4, A = 1 y distintos desplazamientos D se tiene que:
D 0.0 0.25 0.50 1.0 1.5 2.0

Probabilidad global 0.00599 0.01238 0.04562 0.33406 0.79343 0.97603
LRM Shewhart 166.84 80.58 21.91 2.99 1.26 1.02
estos valores se utilizarán en la Tabla 1.10.1 para realizar la comparación con el

SUMAC.
25
1.8 Comparación de las LRM del SUMAC con las de Shewhart
Pepió y Polo (1988) realizaron un estudio comparativo del método clásico de

Shewhart para el control de la media y el SUMAC desarrollado hasta entonces, y
cuyas tablas de aplicación para el control de la media son debidas a Lucas y Crosier
(1982). En ese trabajo, constatan que ninguno de los métodos es uniformemente
mejor que el otro, se puede apreciar que las LRM asociadas a los gráficos SUMAC
son más discriminatorias que las de Shewhart, y que, para grandes desplazamientos
las LRM asociadas a los gráficos de Shewhart son mejores. Pero, los gráficos SU-
MAC, si bien no son uniformemente mejores que los de Shewhart, son más discrimi-
natorios y de utilización más recomendable, particularmente los relativos a valores
de H intermedios altos.
Capilla y Romero (1991) efectuaron comparaciones entre el SUMAC, el gráfico

x de Shewhart y el gráfico x con señales adicionales (dos de tres puntos seguidos
entre los límites de aviso y los de control, siete puntos seguidos por encima o por
debajo de la media, ó siete puntos seguidos en racha ascendente o descendente)
utilizando como medida de efectividad las LRM. Para tamaño de muestra n=5, con-
cluyen que el gráfico x con señales adicionales resulta superior al gráfico x de
Shewhart en la detección de desviaciones de la media inferiores a 0.75σ, si la des-
viación es mayor, no se justifica la consideración de estas señales. El SUMAC es
más efectivo que los otros procedimientos considerados cuando la media del proce-
so sufre una desviación inferior a 1.25σ. Cuando la desviación es progresiva la intro-
ducción de señales adicionales apenas modifica la efectividad del gráfico x de
Shewhart, en este caso, el comportamiento de los tres procedimientos es muy simi-
lar.
DL=0.5 AL=1.25 Cp=0.833 A=1

D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 166.84 80.58 21.90 2.99 1.26 1.02
HM HS LRM (SUMAC)
1 4 12.14 6.62 3.09 1.40 1.06 1.01
5 4 90.21 69.90 9.99 3.82 2.50 1.99
3 6 578.87 33.49 7.24 2.67 1.77 1.29
5 6 1277.73 82.67 10.78 3.95 2.56 2.01
1 10 14.85 7.04 3.15 1.42 1.07 1.01
3 10 1181.64 36.38 7.25 2.73 1.73 1.31
5 10 2651.31 88.90 11.54 3.97 2.60 2.02
PD (%) 1.24 1.52 2.41 6.7 15.87 30.85
Tabla 1.8.1 LRM de Shewhart y SUMAC conjunto, respecto a D y PD, A=1,n=4, Pepió y Polo (1988)
26
DL=0.5 AL=1.25 Cp=0.833 A=1.25
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 20.04 15.77 8.89 2.68 1.36 1.06
HM HS LRM (SUMAC)
1 4 3.70 3.17 2.36 1.42 1.12 1.01
5 4 9.10 7.38 5.77 3.29 3.34 1.90
3 6 11.16 8.32 5.25 2.59 1.74 1.35
5 6 11.82 10.06 6.94 3.63 2.48 1.99
1 10 5.36 4.22 2.76 1.51 1.13 1.02
3 10 15.68 11.67 6.02 6.69 1.81 1.35
5 10 50.47 14.60 8.57 3.93 2.59 2.02
PD (%) 4.55 6.30 11.76 21.25 34.47
Tabla 1.8.2 LRM Shewhart y SUMAC conjunto, respecto a D y PD, A=1.25, n=4, Pepió y Polo (1990)
Pepió y Polo (1990a) desarrollaron el SUMAC conjunto para la media y la va-

riabilidad, comparan las LRM de este SUMAC conjunto con las globales de
Shewhart. En las Tablas 1.8.1-1.8.2 se exponen las LRM para dos casos distintos de
control (DL=0.5 ; AL=1.25 , Cp=0.833 , A=1 y A=1.25), estudiando el desplazamiento
real D a distintos niveles , la amplificación en situación de control (A=1) y en situa-
ción crítica (A=AL); todo ello para diversos valores de HM y HS, para n=4.
Las Tablas 1.8.1-1.8.2 se han complementado con las LRM globales de

Shewhart y el tanto por ciento de elementos defectuosos asociados (PD%), para
procesos cuyo Cp=0.833, A=1 y A=1.25.
Del análisis de la Tabla 1.8.1, se puede decir, que el SUMAC de HM=3 y HS=6
es más potente que Shewhart para desplazamientos inferiores o iguales a 1; cuando
D=0 la LRM SUMAC supera a la clásica, sin embargo, para desplazamientos pe-
queños es inferior, lo que indica una detección más rápida de la degradación. Para
desplazamientos superiores o iguales a 1.5 el SUMAC es menos potente que
Shewhart al dar LRM mayores. Sin embargo, en procesos reales, salvo situaciones
catastróficas, estos se degradan progresivamente y antes de llegar a desplazamien-
tos superiores o iguales a 1.5, pasan por otros valores previos que serán detectados
con mayor facilidad por el método SUMAC. El SUMAC de HM =1 y HS =10 resulta
ser el más potente toda vez que el desplazamiento es mayor que cero, pero cuando
no hay desplazamiento presenta LRM muy bajas, lo cual es un inconteniente, ya que
estando el proceso perfectamente centrado el número de falsas señales será muy
alto.
Del análisis de la Tabla 1.8.2, se puede decir, que el SUMAC de HM=5 y

HS=10 es más potente que Shewhart para desplazamientos inferiores o iguales a
27
0.5; cuando D=0 la LRM SUMAC supera a la clásica, para desplazamientos peque-
ños es inferior, lo que indica una detección más rápida de la degradación. Para des-
plazamientos superiores o iguales a 1 el SUMAC es menos potente que Shewhart al
dar LRM mayores.
Pepió y Polo (1990a), también estudian situaciones, para procesos de mejor

capacidad de calidad (Cp=1.383), en que la proporción de elementos defectuosos en
las primeras etapas de degradación son muy pequeñas, pero el SUMAC da LRM
muy bajas, por lo cual, las señales de intervención serán frecuentes. Este hecho se-
ría un inconveniente, desde el punto de vista de la filosofía del control clásico, sin
embargo las nuevas tendencias del control de calidad enfatizan un control tal que
garantice la máxima homogeneidad de la fabricación, por lo que, cualquier despla-
zamiento desde el centro de tolerancia es indeseable y se debe detectar con la ma-
yor celeridad posible, cualquiera sea la capacidad del proceso y por ende la propor-
ción defectuosa que implique.
En este sentido, Pepió y Polo (1990a) concluyen que es totalmente recomen-

dable la aplicación del método SUMAC para el control conjunto de la media y la va-
rianza, y que, exceptuando los casos de degradación catastrófica, se puede afirmar
que es posible encontrar un SUMAC más potente que el método de control clásico
de Shewhart para vigilar simultáneamente el desplazamiento y la amplificación del
proceso.
28
CAPÍTULO II
Control por Medias Móviles Ponderadas Exponencialmente
Introducción
El esquema de Control de Calidad basado en la Media Móvil Ponderada Expo-

nencialmente (MEMPE) fue introducido por Roberts (1959) para detectar cambios en
la tendencia central de un proceso, este método fue revisado por Crowder (1989) y,
Lucas y Saccucci (1990) en cuanto a sus propiedades y utilización como procedi-
miento de control, mientras que Box y Jenkins (1970) y, Hunter (1986) lo aplicaron
como un método de previsión de la evolución del proceso. Vergara (1992) lo aplicó
para realizar el control conjunto de la media y de la varianza de procesos producti-
vos.
2.1 MEMPE para la tendencia central
El esquema MEMPE es descrito por el estadístico :
Z t  Yt  (1   )Z t 1 , 0   1 , t  1,2,... 2.1.1
conjuntamente con los límites de control superior e inferior para este estadístico, λ se
denomina constante de suavizado, las observaciones secuencialmente registradas,
Yt, pueden ser valores individualmente observados a partir del proceso, o bien, pue-
den ser el promedio de los valores de una muestra, Z0 usualmente se define como el
valor nominal.
Este estadístico al desarrollarlo, puede expresarse en forma equivalente por:

t
Zt    (1  
j 1
) t  j Yj  (1   ) t Z 0 2.1.2
Para una población X con distribución N(m,σ2), el proceso se considera bajo

control cuando m=m0 y σ2=σ20, deseando detectar una situación límite en la que la
distribución de X sea tal que m  m0  D 0 y σ2=A2Lσ20.
Siendo X~N(m0+Dσ0,A2σ20) la distribución verdadera del proceso, se define el

estadístico de control centrado y reducido para la media en el instante t-ésimo por :
29
X t  m0
Yt 
0
luego
 X t  m0  m0  D 0  m0
E( Yt )  E   D
  0  0
V( X t ) A 2 2 0 / n A2 con z 0 
m0  m0
V( Yt )    , 0
 2
0  2
0 n 0
Si los Yt son independientes provenientes de una distribución N(D,A2/n), con

valor nominal igual a D, se tiene que
t
E( Z t )    (1   )
j1
t j
E( Yj )  (1   )t E( Z 0 )
1  (1   ) t 
  D = 1  (1   )  D
t

 1  (1   ) 
bajo H0 , D=0, luego
E( Z t )  0 2.1.3
t
y V( Z t )    (1   )
j1
t j
V( Yj )  (1   ) t V( Z 0 )
1  (1   )2 t   A 2 
=  2
2  
 1  (1   )   n 
 ( 1  (1   )2 t )   A 2 
=   n 
 2  
30
bajo H0, A2 =1 , luego
V( Z t ) 
1  (1   ) 
2t
2.1.4
(2   )n
cuando t tiende a infinito, la varianza converge asintóticamente a :

 2a   2Y 2.1.5
(2   )
Los límites de control para el estadístico Zt, se definen simétricos al valor no-
minal; varios autores los definen basados en la desviación estándar asintótica del
estadístico de control por:

LM=nominal ± K σY 2.1.6
2
el proceso se considera fuera de control si Zt excede estos límites de control.
La eficiencia de un esquema MEMPE se evalúa mediante el número de mues-

tras requeridas para superar los límites LM , número conocido como Longitud de
Ráfaga (LR). La distribución de LR y sus parámetros miden la potencia de un es-
quema MEMPE, y se utiliza en la práctica para seleccionar el procedimiento apro-
piado a las condiciones específicas del proceso que se desea someter a control. En
general, la distribución de la LR y sus parámetros no pueden determinarse analíti-
camente, por ello, se obtienen numéricamente, y la determinación del MEMPE se
realiza en base a la media de la LR, que recibe el nombre de Longitud de Ráfaga
Media (LRM), y representa el número de muestras que se examinará en promedio,
para obtener una señal que el proceso está fuera de control.
Los valores de las constantes λ y K deben ser escogidos por el usuario, consi-
derando que cuando el proceso está bajo control (D=0, A=1), cualquier señal de in-
tervención es una falsa alarma, siendo conveniente obtener LRM lo más grande po-
sible, teóricamente infinito, ello se conseguiría con λ y K elevados, pues los límites
de control estarían bastante alejados del valor nominal obteniéndose así LRM mayo-
res, sin embargo, fijando λ y K a estos niveles, cuando el proceso se degrade (D > 0
ó A > 1), las LRM resultarían excesivamente altas, ya que en estos casos, se desea
que la aparición de la señal de intervenir fuese casi inmediata. La solución estará en
adoptar un compromiso referente a la elección de λ y K, que sin dar luar a demasia-
31
das falsas señales cuando el proceso esté correcto, sea suficientemente potente
para detectar cualquier degradación que se produzca en el proceso.
Según Crowder (1989), Lucas y Saccucci (1990) la estrategia en el diseño es

encontrar la pareja (λ , K) que minimice las LRM cuando el proceso esté fuera de
control, para un cambio especificado en la media del proceso. Generalmente ha-
blando, estas LRM caracterizan los errores tipo I y tipo II. Las LRM correspondientes
al error tipo I, es el número promedio de ráfagas que se harán antes que una señal
de fuera de control se dé cuando el proceso esté bajo control; la LRM correspon-
diente al error tipo II, es el número promedio de ráfagas que deben ser tomadas,
para detectar un cambio verdadero en el proceso cuando éste realmente ha ocurri-
do. La combinación (λ, K) escogida debe ser óptima, en el sentido que para un error
tipo I fijado para un determinado proceso, produzca el menor error tipo II posible pa-
ra un cambio especificado de la media del proceso. En general, la elección óptima
de (λ, K) dependerá de la magnitud del cambio que se desee detectar.
Crowder (1989) recomienda los siguientes pasos al diseñar un esquema

MEMPE para detectar cambios en la media del proceso:
Paso 1.- Escoger la LRM menor aceptable para el caso en el cual el cambio
del proceso es cero. Esto corresponde a fijar la razón de falsa alarma (error tipo I)
Paso 2.- Decidir qué magnitud de cambio en el proceso debe ser detectada
rápidamente (es decir, tenga una LRM pequeña), entonces escoger el valor de λ que
produce una LRM mínima para este tamaño de cambio
Paso 3.- Escogido el valor de λ del paso 2, encontrar el valor de la constante K

de los límites de control que satisface la LRM bajo control escogida en el paso 1.
Paso 4.- Desarrollar un análisis de sensitividad para comparar las LRM de fue-
ra de control (error tipo II) para combinaciones óptimas de (λ , K) con otras eleccio-
nes de (λ, K) produciendo la misma LRM que bajo control (error tipo I)
En los trabajos de Crowder, y de Lucas y Saccuci, se proporcionan tablas y

gráficos para la elección de λ y K para llevar a la práctica el procedimiento por ellos
descrito. La elección de una LRM aceptable en el paso 1, a menudo será basada en
consideraciones económicas, tales como el costo asociado con una falsa alarma y
reducciones de tiempos de procesos.
32
Si el proceso es correcto, lo ideal es trabajar con valores pequeños de λ, en el
sentido que si por azar del muestreo aparecen valores anómalos, estos serán ate-
nuados por λ, en cambio, al usar valores altos de λ se producirán demasiadas osci-
laciones aumentando con ello el número de falsas señales. Si el proceso se degrada
lo ideal será tener valores altos de λ, ya que la detección será casi inmediata, en
cambio, valores pequeños de λ atenuarán esta degradación.
2.2 MEMPE para la tendencia central con límites en función de t
Dado que el estadístico de control Zt, bajo las condiciones impuestas a Yt, tiene
distribución normal con esperanza y varianza (que varía en el tiempo) conocidas, se
considera que los límites de control deben definirse respecto a la desviación están-
dar real del estadístico Zt, como lo sugieren MacGregor y Harris (1990), lo que pro-
porciona los verdaderos límites de control para Zt, definidos por:
LM=nominal ± K σY
1  (1   ) 
2t
2.2.1
2
donde λ y K son escogidas por el usuario, si Zt excede estos límites el proceso se

considera fuera de control.
Cuando t tiende a infinito, los límites reales definidos en 2.2.1 convergen asin-
tóticamente a los límites definidos en 2.1.6.
En la Fig 2.2.1, para K=3.5, σY=1, nominal=0, se presentan los límites superio-
res de 2.1.6, líneas paralelas al eje t, y los límites de 2.2.1.
Se observa que mientras menor es el valor de λ, los límites reales tienden a

su valor asintótico más lentamente; en el inicio para todo valor de λ estos límites
reales son notoriamente más próximos al valor nominal, lo cual permite realizar un
control más estricto en el arranque, y, en el caso que el proceso partiera fuera de
control, estos límites permiten detectar más prontamente esta situación, en cambio,
si se usan límites asintóticos, mientras más pequeño sea el valor de λ mayor será el
tiempo que se necesitará para detectar esta anomalía.
Para tratar de compensar en parte los problemas que se pueden presentar

cuando en el arranque el proceso se inicia fuera de control, Lucas y Saccucci (1990)
usando los límites asintóticos, propusieron realizar una rápida respuesta inicial (FIR)
considerando valores iniciales de Z0 iguales al 25, 50, y 75 % de un valor de partida,
33
que designan por HS, implementando dos MEMPE unilaterales, cada uno con un
valor de partida HS simétrico, tomado entre el valor nominal y los límites de control
respectivamente.
=0.90
=0.75
=0.50
=0.25
=0.10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Para el control de la tendencia central Hackl y Ledolter (1991) desarrollaron

una técnica MEMPE no paramétrica, aplicable en aquellos procesos en los cuales
existen razones técnicas ó económicas para tomar solamente una observación en
cada punto de control, situación en que no se puede recurrir al teorema central del
límite para normalidad, en la cual los gráficos de Shewhart y SUMAC aplicados a
observaciones individuales son sensibles a la violación del supuesto de normalidad.
Según sus autores, este procedimiento MEMPE no paramétrico es una alternativa
práctica para este tipo de situaciones, dado que sus propiedades son independien-
tes del supuesto de distribución de las observaciones. De acuerdo con los objetivos
de este libro, no se profundiza sobre esta técnica no paramétrica.
34
2.3.- Longitud de Ráfaga Media
Las LRM publicadas por diversos autores sólo se refieren al MEMPE de la ten-
dencia central, y consideran que la varianza del proceso se mantiene constante. Al-
gunos de los métodos propuestos son:
Crowder (1987a) para obtener las LRM de un esquema MEMPE, considera

que los promedios de muestras sucesivas son independientes, y describe que pue-
den ser expresadas como solución de una ecuación integral, en que, si L(u) es la
LRM, dado que el MEMPE parte con Z0=, entonces
1 LCS
 { y  (1   )}u 
 
L(u) = 1 + L( y )f   dy
LCI  
LCI y LCS son los límites de control inferior y superior definidos en términos de la
desviación estándar asintótica del estadístico MEMPE, simétricos al valor nominal,
f(x) es la función de densidad de una N(μ,σ2/n), μ es la media verdadera del proceso,
σ es la desviación estándar nominal (se supone que σ es constante, y por tanto no
es controlada durante el proceso), n es el tamaño de cada una de las muestras.
Lucas y Saccucci (1990) evalúan las LRM representando el estadístico MEM-

PE como una cadena de Markov de estado continuo. Sus propiedades pueden ser
aproximadas por una cadena de Markov de estado finito siguiendo un procedimiento
similar al de Brook y Evans (1972). Cuando consideran una rápida respuesta inicial
(FIR) obtienen las LRM por simulación.
35
CAPÍTULO III
MEMPE conjunto para controlar la tendencia central y la variabilidad
Introducción
El objetivo en este capítulo es desarrollar la base teórica para realizar un con-

trol MEMPE conjunto, bilateral para la tendencia central y unilateral para la variabili-
dad, propuesta por Vergara (1992). En el Capítulo II, se desarrollaron estas bases
para el control bilateral de la tendencia central, suponiendo que la varianza perma-
nece constante. Se propone además un procedimiento alternativo a los ya existentes
para definir los límites de control, el cual teóricamente es más consistente. Poste-
riormente en el Capítulo IV estas bases se extienden al control multivariable.
3.1 MEMPE para la variabilidad
Sea {x1, ... ,xn } una muestra aleatoria de tamaño n, proveniente de una distribución
N(m0,σ20), la media y la varianza muestral de la t-ésima muestra están dadas por :
n n
 xj  (x j  x t )2
x t  M( x ) 
j 1 j 1
y S2 t 
n n 1
para realizar el control de la variabilidad, Vergara (1992) propuso utilizar el estadísti-

co Qt =S2t /σ20 ya que (n-1)S2t/σ20 tiene distribución 2 con parámetro =n -1.
El estadístico MEMPE para la variabilidad se define por :
 S2 t 
Wt    2   (1   )Wt 1 , 0    1 , t  1,2,... 3.1.1
 0 
Este estadístico al desarrollarlo, puede expresarse en forma equivalente por :
t
 S2 j 
Wt    (1   )  2   (1   ) t W0
t j
3.1.2
j 1  0 
conjuntamente con el límite superior definido en base a la desviación estándar real

de este estadístico, que es variable en el tiempo. Considerando W0 igual al valor
nominal, W0=1, luego:
36
t
 S2 j 
E( Wt )    (1   ) E  2   (1   ) t E( W0 )
t j
j 1  0 
1  (1   ) t 
    (1   ) t
 1  (1   ) 
por tanto
E( Wt )  1 3.1.3
t
 S2 j 
V( Wt )  2  (1   ) 2( t  j ) V  2   (1   ) t V( W0 )
j 1  0 
1  (1   ) 2 t   2 
 2  2  
 1  (1   )   n  1
 (1  (1   )2 t )   2 
V( Wt )     n  1 3.1.4
 2  
cuando t tiende a infinito, la varianza converge asintóticamente a :
   2 
 2a   3.1.5
 2     n  1
Como (n-1)S2t/σ20 se distribuye 2 con parámetro =n -1, el estadístico Wt

(salvo un factor de escala) es una combinación de variables 2 independientes, y
como suma de variables aleatorias independientes, para las cuales existen todos
sus momentos, por el teorema central de límite tiene una distribución asintótica nor-
mal. Cuando λ=1, (n-1)Wt se distribuye 2 con =n -1.
Vergara (1992) define el límite de control superior de W t por
 (1  (1   )2 t )   2 
LS  1  R    n  1 3.1.6
 2  
37
el valor de las constantes λ y R son escogidos por el usuario, con criterios similares
a los expuestos en el Capítulo II para el control de la media, el proceso estará fuera
de control si Wt > LS .
3.2 Longitud de Ráfaga Media: Simulación
En la Tabla 3.2.1 se presenta la evolución de las LRM para λ=0.25, A=1, dis-
tintos desplazamientos y distintos valores de K y R. Se observa que para desplaza-
mientos mayores o iguales a uno, y dado que el proceso no presenta amplificación,
el aumento de R no es relevante ya que prácticamente casi todas las señales de
fuera de control obtenidas son debidas a la media, por ello se aprecia una estabiliza-
ción de la LRM para un mismo valor de K. Al aumentar K las LRM crecen hecho ple-
namente justificado, pues en general, al aumentar ya sea K o R el esquema MEMPE
es menos estricto al crecer los intervalos definidos por los límites de control, tanto
para la tendencia central como para la variabilidad. Cada vez que aumenta el des-
plazamiento las LRM decrecen, comportamiento deseable en todo proceso de con-
trol. Para K=3 y distintos valores de R, cuando el proceso se degrada por desplaza-
miento las LRM decrecen rápidamente, sin embargo, cuando el proceso no está de-
gradado las LRM no son lo suficientemente grandes como se quisiera.
n=4 A=1  = 0.25

K R D = 0 D = 0.5 D = 1 D = 1.5 D = 2
3.0 4.0 285.60 9.63 2.88 1.64 1.18
6.0 516.69 10.24 3.00 1.62 1.18
8 .0 540.65 10.19 2.99 1.6 1.17
3.5 4.0 561.53 15.65 3.80 1.96 1.29
6.0 2640.04 16.09 3.86 1.95 1.35
8.0 2944.68 17.45 3.82 1.86 1.33
4.0 4.0 >3000 31.31 4.94 2.35 1.55
6.0 >3000 33.06 4.91 2.39 1.56
8.0 >3000 31.52 5.01 2.43 1.56
Tabla 3.2.1. LRM para distintos K, R y D, λ=0.25 , A=1
En cambio para K=3.5, cuando el proceso está descentrado, las LRM son un
poco más grandes que para el caso de K=3, pero, cuando D=0 el incremento de la
LRM al pasar de R=4 a R=6 es bastante acusado. Para K=4 y distintos valores de R,
se observa que cuando el proceso se degrada (D > 0) las LRM son muy superiores
que la de los casos anteriores para desplazamientos inferiores o iguales a uno.
Al analizar las LR para distintos tamaños de muestra, para procesos centra-

dos y degradados, para distintos valores de λ, la distribución de las LR presentan
38
una fuerte asimetría, este comportamiento es muy similar en todas las situaciones
estudiadas.
Al realizar las simulaciones también se han evaluado las varianzas, VLR, de

las longitudes de ráfaga, al analizar los valores obtenidos se observa que existe una
dependencia lineal entre las LRM y su desviación tipo, DLR / VLR .
Este mismo comportamiento fue descrito por Pepió y Polo (1990a) en el SU-
MAC conjunto univariable.
La recta ajustada para un total de 400 puntos es
DLR=-1.40545 + 1.00311 LRM , r2 =0.9991
Se puede destacar que el comportamiento de las DLR respecto a las LRM es

el mismo en todas las situaciones estudiadas, y que, debe tenerse en cuenta en es-
tas dependencias funcionales, que el valor de LRM es por concepto mayor o igual a
uno (si todos los elementos de la población fuesen defectuosos se obtendría LRM=1
y DLR=0), luego, las rectas estimadas sólo tienen sentido para LRM mayores que
uno.
Los resultados obtenidos para los distintos tamaños de muestra, desplaza-

mientos y amplitudes son similares, luego en general, se puede asumir que la des-
viación tipo de la longitud de ráfaga (DLR) es del mismo orden que la media (LRM),
las pendientes de las rectas tienen valor próximo a la unidad, y por tanto, dado que
las LRM simuladas se han obtenido como el promedio de 1000 ráfagas como míni-
mo, en el peor de los casos, el error tipo de las estimaciones no es superior a LRM /
1000
Para estudiar el efecto de D y A sobre las LRM, se simulan situaciones de

proceso bajo control (D=0; A=1) y situaciones de procesos degradados, ya sea por
desplazamiento, o por aumento de la variabilidad, o por ambos, para distintos valo-
res de λ, n, con K=3.5 y R=6.
En la Tabla 3.2.2 se observa que cuando el proceso está bajo control las
LRM tienden a disminuir al aumentar λ, en cambio, cuando el proceso no está de-
gradado por variabilidad y se produce un desplazamiento, las LRM crecen cuando λ
aumenta, este comportamiento para estas condiciones, es similar al descrito por Ro-
binson y Ho (1978). Para un valor fijo de λ, las LRM decrecen sistemáticamente al
39
aumentar el desplazamiento; al ser esto un indicio de una mayor degradación, y co-
mo es deseable, son más frecuentes las señales de fuera de control. Una evolución
similar se observa en las Tablas 3.2.3 a 3.2.5, para distintas situaciones, el mismo
comportamiento se aprecia para los diferentes tamaños de muestra.
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

D A LRM LRM LRM LRM LRM
0 1 4315.86 2640.04 1797.50 1301.28 1418.56
0.5 1 12.72 16.09 34.76 78.75 123.29
1 1 3.69 3.86 4.53 7.23 10.73
1.5 1 1.98 1.95 2.03 2.35 2.73
2 1 1.33 1.35 1.35 1.38 1.42
Tabla 3.2.2.a LRM en procesos sin amplificación (A=1)
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 4315.86 2640.04 1797.50 1301.28 1418.56
0 1.25 84.13 83.52 69.51 68.50 72.52
0 1.5 13.25 13.18 14.50 14.36 15.34
0 2 3.30 3.42 3.31 3.44 3.78
Tabla 3.2.2.b LRM en procesos sin desplazamiento (D=0)
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0.5 1 12.72 16.09 34.76 78.75 123.29
0.5 1.25 10.95 12.57 15.57 22.44 26.10
0.5 1.5 7.78 7.27 7.70 9.01 9.92
0.5 2 3.00 3.05 2.94 3.12 3.33
1 1 3.69 3.86 4.53 7.23 10.73
1 1.25 3.66 3.72 3.87 5.15 6.81
1 1.5 3.34 3.44 3.40 3.90 4.32
1 2 2.34 3.32 2.27 2.39 2.47
1,5 1 1.98 1.95 2.03 2.35 2.73
1.5 1.25 1.98 2.01 2.03 2.32 2.57
1.5 1.5 1.96 2.00 2.06 2.18 2.31
1.5 2 1.71 1.74 1.78 1.81 1.92
Tabla 3.2.2.c LRM en procesos con amplificación y desplazamiento
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

40
0 1 4184.98 2848.25 2316.10 1673.32 1283.06
0.5 1 10.30 12.98 23.93 53.40 91.89
1 1 3.15 3.14 3.66 5.06 6.78
1.5 1 1.66 1.63 1.75 1.88 2.08
2 1 1.17 1.18 1.18 1.18 1.19
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 4184.98 2848.25 2316.10 1673.32 1283.06
0 1.25 65.08 72.36 66.76 64.78 68.85
0 1.5 10.78 10.94 11.43 12.25 14.41
0 2 2.94 2.77 2.70 2.76 2.76
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0.5 1 10.30 12.98 23.93 53.40 91.89
0.5 1.25 9.45 10.72 13.26 18.84 23.03
0.5 1.5 6.16 6.07 6.61 7.78 8.95
0.5 2 2.52 2.56 2.50 2.54 2.69
1 1 3.15 3.14 3.66 5.06 6.78
1 1.25 3.04 3.09 3.35 4.27 4.85
1 15 2.96 2.58 2.98 3.32 3.88
1 2 1.90 1.96 1.91 1.92 2.01
1,5 1 1.66 1.63 1.75 1.88 2.08
1.5 1.25 1.76 1.68 1.75 1.84 2.03
1.5 1.5 1.73 1.73 1.68 1.87 1.97
1.5 2 1.54 1.55 1.52 1.57 1.59
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 4401.57 2944.40 2697.61 2264.58 2375.16
0.5 1 9.09 10.11 19.09 41.16 64.30
1 1 2.69 2.69 2.99 3.89 5.14
1.5 1 1.50 1.50 1.49 1.56 1.67
2 1 1.08 1.07 1.08 1.08 1.07
41
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90
0 1 4401.57 2944.40 2697.61 2264.58 2375.16
0 1.25 52.49 60.97 65.21 68.80 71.07
0 1.5 8.76 9.31 10.13 12.16 13.44
0 2 2.60 2.5 2.52 2.53 2.81
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0.5 1 9.09 10.11 19.09 41.16 64.30
0.5 1.25 7.92 8.50 10.80 15.33 18.86
0.5 1.5 5.61 5.38 5.52 6.82 8.09
0.5 2 2.8 2.35 2.28 2.39 2.47
1 1 2.69 2.69 2.99 3.89 5.14
1 1.25 2.68 2.72 2.86 3.37 4.24
1 1.5 2.53 2.57 2.67 2.92 3.18
1 2 1.83 1.77 1.79 1.88 1.94
1.5 1 1.50 1.50 1.49 1.56 1.67
1.5 1.25 1.52 1.52 1.56 1.63 1.70
1.5 1.5 1.51 1.55 1.57 1.63 1.67
1.5 2 1.45 1.42 1.41 1.43 1.44
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 4215.61 2998.43 2812.49 2709.70 2832.42
0.5 1 7.53 8.54 14.30 27.29 47.46
1 1 2.36 2.39 2.60 3.14 4.14
1.5 1 1.36 1.34 1.36 1.35 1.43
2 1 1.03 1.04 1.04 1.05 1.04
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 4215.61 2998.43 2812.49 2709.70 2832.42
0 1.25 40.60 52.48 63.67 68.73 69.42
0 1.5 7.79 7.96 9.12 10.46 11.73
0 2 2.13 2.19 2.15 2.21 2.16
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90
42
0.5 1 7.53 8.54 14.30 27.29 47.46
0.5 1.25 6.90 7.46 9.47 13.87 16.09
0.5 1.5 4.96 4.64 5.42 5.92 6.86
0.5 2 2.05 2.02 1.99 1.98 2.04
1 1 2.36 2.39 2.60 3.14 4.14
1 1.25 2.41 2.37 2.51 2.78 3.36
1 1.5 2.25 2.24 2.32 2.54 2.81
1 2 1.64 1.60 1.62 1.67 1.67
1.5 1 1.36 1.34 1.36 1.35 1.43
1.5 1.25 1.40 1.38 1.40 1.44 1.52
1.5 1.5 1.44 1.46 1.42 1.46 1.49
1.5 2 1.27 1.31 1.30 1.29 1.29
En las Tablas 3.2.2.b, 3.2.3.b, 3.2.4.b, y 3.2.5.b se muestra la evolución de

las LRM para procesos que no presentan desplazamiento y se degradan sólo por
amplificación, para distintos tamaños de muestra y distintos valores de λ. Toda vez
que aumenta el valor de A, las LRM decrecen aumentando con ello las señales de
fuera de control, como es de esperar, al aumentar el valor de λ en estos procesos
degradados por amplitud las LRM tienden a crecer.
En las Tablas 3.2.6 a, b, c, d y e, se presentan la evolución de las LRM para

un valor de λ fijo, K=3.5, R=6 y distintos valores de n, D y A. Dado que al aumentar n
los límites de control tienden a estar más próximos al valor nominal, y al ser más
angostos estos intervalos, el esquema MEMPE es más exigente, por ello, al produ-
cirse una degradación ya sea por la media o por la variabilidad, las LRM tienden a
decrecer.
Se puede observar, que si se desea detectar un desplazamiento D=0.5 en un

proceso no degradado por variabilidad (A=1), tomar λ=0.10 y n=4, es mucho más
eficiente que elegir λ=0.90 y n=7, pues en el primer caso se tiene una LRM=12.72 y
en el segundo LRM=47.46, lográndose con ello, detectar más prontamente este
desplazamiento, con un coste menor por trabajar con un tamaño de muestra más
reducido.
Cuando el proceso no presenta degradación (D=0, A=1) con λ=0.90 y n=7 se

tiene una LRM=2832.42, en cambio, con λ=0.10 y n=4 se tiene una LRM=4315.86,
lo que representa una disminución apreciable en el número de falsas señales con un
tamaño de muestra y valor de λ menores.
43
En un proceso sin desplazamiento, para detectar una amplificación de A=1.5,
se puede lograr ya sea tomando λ=0.10 y n=4, o bien, λ=0.90 y n=6, ya que las LRM
son del mismo orden. En general, es posible para distintos tipos de situaciones, en-
contrar pares de valores (n,λ) que presenten LRM del mismo orden para detectar
idénticas degradaciones, ello, presenta una ventaja al usuario con respecto a poder
elegir alguna combinación que por las características de su proceso le sea más favo-
rable, ya sea desde el punto de vista del control como económica.
 = 0.10
D A n=4 n=5 n=6 n=7
0 0 4315.86 4184.98 4401.57 4215.61
0 1.25 84.13 65.08 52.49 40.60
0 1.5 13.25 10.78 8.76 7.79
0 2 3.30 2.94 2.60 2.13
0.5 1 12.72 10.30 9.09
7.53
1 1 3.69 3.15 2.69
2.36
1.5 1 1.98 1.66 1.50
1.03
2 1 1.33 1.17 1.08
a)
 = 0.25
D A n=4 n=5 n=6 n=7
0 1 2640.04 2848.25 2944.40 2998.43
0 1.25 83.52 72.36 60.97 52.48
0 1.5 13.18 10.94 9.31 7.96
0 2 3.42 2.77 2.50 2.13
0.5 1 16.09 12.98 10.11 8.54
1 1.25 3.86 3.14 2.69 2.39
1.5 1.5 1.95 1.63 1.50 1.34
2 2 1.35 1.18 1.07 1.04
b)
 = 0.50
D A n=4 n=5 n=6 n=7
0 1 1797.50 2316.18 2697.61 2812.94
0 1.25 69.51 66.76 65.21 63.67
0 1.5 14.50 11.43 10.13 9.12
0 2 3.31 2.70 2.52 2.15
0.5 1 34.76 23.93 19.09 14.30
1 1.25 4.53 3.66 2.99 2.60
1.5 1.5 2.03 1.75 1.49 1.36
2 2 1.35 1.18 1.08 1.04
c)
44
 = 0.75
D A n=4 n=5 n=6 n=7
0 1 1301.28 1673.32 2264.58 2709.70
0 1.25 68.50 64.78 68.80 68.73
0 1.5 14.36 12.25 12.16 10.46
0 2 3.44 2.76 2.53 2.21
0.5 1 78.75 53.40 41.16 27.29
1 1.25 7.23 5.06 3.89 3.14
1.5 1.5 2.35 1.88 1.56 1.35
2 2 1.38 1.18 1.08 1.05
d)
 = 0.90
D A n=4 n=5 n=6 n=7
0 1 1418.56 1283.06 2375.16 2832.42
0 1.25 72.52 68.85 71.07 69.42
0 1.5 15.34 14.41 13.44 11.73
0 2 3.78 2.76 2.81 2.16
0.5 1 123.29 91.89 64.30 47.46
1 1.25 10.73 6.78 5.14 4.14
1.5 1.5 2.73 2.08 1.67 1.43
2 2 1.42 1.19 1.07 1.04
e)
Tabla 3.2.6.- Evolución de las LRM según n, λ, D y A
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 350.11 171.94 121.83 100.93 98.90
0.5 1 7.64 8.20 11.07 14.74 19.69
1 1 2.62 2.53 2.75 3.11 3.91
1.5 1 1.47 1.45 1.47 1.54 1.59
2 1 1.11 1.11 1.09 1.13 1.11
Tabla 3.2.7.a LRM para procesos sin amplificación (A=1)
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 350.11 171.94 121.83 100.93 98.90
0 1.25 20.52 16.88 14.35 14.07 13.49
0 1.5 6.32 5.64 5.02 5.43 5.56
0 2 2.18 2.05 2.01 2.12 2.01
Tabla 3.2.7.b LRM para procesos sin desplazamiento (D=0)
45
n=4  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90
0.5 1 7.64 8.22 11.07 14.74 19.69
0.5 1.25 6.42 6.14 6.30 6.93 7.43
0.5 1.5 4.19 3.84 3.60 4.04 4.33
0.5 2 1.95 1.93 1.97 1.86 1.91
1 1 2.62 2.53 2.75 3.11 3.91
1 1.25 2.58 2.47 2.53 2.80 2.94
1 1.5 2.28 2.28 2.27 2.37 2.49
1 2 1.60 1.63 1.62 1.63 1.67
1.5 1 1.47 1.45 1.47 1.54 1.59
1.5 1.25 1.54 1.51 1.51 1.61 1.63
1.5 1.5 1.51 1.59 1.55 1.58 1.64
1.5 2 1.38 1.35 1.37 1.38 1.38
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 373.08 201.38 133.37 96.13 101.45
0.5 1 6.34 6.65 8.18 11.11 15.14
1 1 2.12 2.14 2.33 2.49 2.91
1.5 1 1.32 1.31 1.33 1.33 1.32
2 1 1.04 1.04 1.04 1.04 1.04
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 373.08 201.38 133.37 96.13 101.45
0 1.25 18.01 15.84 13.87 13.56 13.35
0 1.5 4.88 4.58 4.41 4.23 4.04
0 2 1.92 1.96 1.91 1.93 1.91
46
n=5  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90
0.5 1 6.34 6.65 8.18 11.11 15.14
0.5 1.25 5.44 5.33 5.45 6.00 6.64
0.5 1.5 3.21 3.22 3.20 3.33 3.17
0.5 2 1.84 1.77 1.78 1.83 1.76
1 1 2.12 2.14 2.3 2.49 2.91
1 1.25 2.16 2.14 2.16 2.40 2.55
1 1.5 1.84 1.91 1.85 2.01 2.11
1 2 1.50 1.43 1.50 1.53 1.52
1.5 1 1.32 1.31 1.33 1.33 1.32
1.5 1.25 1.33 1.34 1.37 1.42 1.42
1.5 1.5 1.34 1.34 1.32 1.37 1.40
1.5 2 1.27 1.28 1.26 1.25 1.28
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 355.30 205.87 137.62 111.34 102.56
0.5 1 5.58 5.66 7.16 9.94 12.22
1 1 1.89 1.90 1.98 2.19 2.41
1.5 1 1.18 1.22 1.19 1.21 1.20
2 1 1.01 1.01 1.02 1.01 1.01
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 355.30 205.87 137.62 111.34 102.56
0 1.25 16.24 14.13 12.92 13.50 13.66
0 1.5 4.14 3.92 4.00 3.99 3.95
0 2 1.70 1.61 1.70 1.63 1.69
n=6  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0.5 1 5.58 5.66 7.16 9.94 12.22
0.5 1.25 4.69 4.42 4.75 5.47 5.90
0.5 1.5 2.98 2.91 2.90 3.00 3.02
0.5 2 1.60 1.58 1.59 1.55 1.60
1 1 1.98 1.90 1.98 2.19 2.41
1 1.25 1.91 1.92 1.93 2.04 2.18
1 1.5 1.75 1.76 1.82 1.72 1.78
47
1 2 1.41 1.39 1.38 1.38 1.39
1.5 1 1.18 1.22 1.19 1.21 1.20
1.5 1.25 1.24 1.22 1.23 1.26 1.30
1.5 1.5 1.28 1.28 1.24 1.24 1.30
1.5 2 1.20 1.17 1.19 1.20 1.21
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 385.43 203.53 145.58 123.52 101.67
0.5 1 5.04 4.83 5.91 7.88 10.55
1 1 1.72 1.75 1.79 1.82 1.96
1.5 1 1.12 1.12 1.11 1.14 1.11
2 1 1.01 1.00 1.00 1.00 1.01
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0 1 385.43 203.53 145.58 123.52 101.67
0 1.25 13.11 12.87 12.18 12.30 13.67
0 1.5 4.01 3.76 3.66 3.71 3.89
0 2 1.58 1.58 1.60 1.68 1.64
n=7  = 0.10  = 0.25  = 0.50  = 0.75  = 0.90

0.5 1 5.04 4.83 5.91 7.88 10.55
0.5 1.25 4.30 4.18 4.28 4.89 5.31
0.5 1.5 2.72 2.71 2.63 2.69 3.01
0.5 2 1.50 1.50 1.47 1.52 1.51
1 1 1.72 1.75 1.79 1.82 1.96
1 1.25 1.77 1.72 1.76 1.81 1.85
1 1.5 1.65 1.61 1.62 1.60 1.70
1 2 1.33 1.29 1.34 1.39 1.32
1.5 1 1.12 1.12 1.11 1.14 1.11
1.5 1.25 1.17 1.17 1.18 1.17 1.19
1.5 1.5 1.18 1.16 1.20 1.19 1.22
1.5 2 1.14 1.16 1.15 1.15 1.15
48
En las Tablas 3.2.7-3.2.10 se presentan la evolución de las LRM para distin-
tos valores de D, A, n, y λ, con K=2.75 y R=4. Con estos valores de K y R, los límites
de control están más próximos al valor objetivo, por ello el esquema MEMPE es más
exigente, obteniéndose así LRM más pequeñas cuando el proceso está degradado,
ya sea por la media o por la variabilidad, pudiendo así, detectar con mayor presteza
esta anomalía, sin embargo, cuando el proceso no está degradado (D=0, A=1), tam-
bién se produce una disminución de la LRM, con lo cual, aumentan las señales de
intervención, que son falsas señales, esto último, es un inconveniente, pero, se tiene
la certeza que si el proceso realmente se degrada, será detectado rápidamente. El
comportamiento de las LRM, con estas condiciones es similar al descrito para K=3.5
y R=6.
Con estos nuevos valores de K y R, al efectuar las simulaciones también se

han evaluado las varianzas, VLR, de las longitudes de ráfaga, y se observa que la
dependencia lineal entre las LRM y su desviación tipo, DLR  VLR , es similar a la
ya descrita para K=3.5 y R=6.
El modelo obtenido sobre un total de 340 puntos está dado por :
DLR=-0.85172 + 1.00766 LRM , r2=0.9988
el comportamiento de la desviación tipo de la longitud de ráfaga, es del mismo orden

que la media (LRM), las pendientes de las rectas tienen valor próximo a la unidad, y
como las LRM simuladas se han obtenido como promedio de 1000 ráfagas como
mínimo, el error tipo de las estimaciones no es superior a LRM / 1000 , idéntica con-
clusión se había obtenido trabajando con K=3.5 y R=6.
3.3 Análisis de las LRM del esquema MEMPE conjunto univariable
Con respecto a la Tabla 3.2.7.b, Tabla 3.2.8.b y Tabla 3.2.9.b, en las cuales
se presentan la evolución de las LRM del esquema MEMPE conjunto univariable,
para un proceso sin desplazamiento (D=0), con K=2.75, R=4, respecto a λ y de la
amplificación A, para distintos tamaños de muestra, valores obtenidos de las simula-
ciones, se puede apreciar que:
 el comportamiento de las LRM es muy similar para los distintos tamaños de

muestra.
 cuando el proceso no presenta degradación (D=0, A=1), las LRM tienden a
decrecer con el aumento de λ, independientemente del tamaño de la muestra.
49
 las LRM decrecen para cada valor de λ cada vez que la amplificación aumen-
ta.
 para amplificaciones mayores o iguales a 1.25 las LRM tienden a estabilizar-
se a medida que aumenta el valor de λ.
Para las LRM para procesos no degradados por variabilidad (A=1), con
K=2.75, R=4, respecto a λ y al desplazamiento D, para distintos tamaños de mues-
tra, se observa que:
 para cada valor de λ se produce una disminución sistemática de las LRM al

aumentar el desplazamiento.
 para desplazamientos mayores o iguales a 0.5σ0 las LRM tienden a crecer
con el aumento del valor de λ, hecho justificado, debido a que aumenta el in-
tervalo determinado por los límites de control, siendo el esquema MEMPE
menos estricto en estos casos.
 el comportamiento de las LRM para los distintos tamaños de muestra y des-
plazamientos es muy similar entre ellas.
Para las LRM de procesos con un desplazamiento de 0.5σ0, con K=2.75,

R=4, con respecto a λ, a la amplificación A, para distintos tamaños de muestra, se
observa que:
la disminución de las LRM en estos casos, es más acentuada que en un proceso sin
desplazamiento, para cada valor de λ, al aumentar la amplificación.
 cuando los procesos no presentan variabilidad (A=1), las LRM tienden a cre-
cer con el aumento de λ.
 para amplificaciones mayores o iguales a 1.25, las LRM tienden a estabilizar-
se al aumentar λ.
Para las LRM de procesos sin degradación (D=0, A=1), con respecto a distin-
tos valores de λ y tamaños de muestra, se tiene que:
 las LRM decrecen en cada valor de λ al decrecer el tamaño de la muestra

 las LRM decrecen al aumentar el valor de λ
 las LRM mayores se obtienen para n=7, con n=4 se obtienen más falsas se-
ñales.
50
 para una LRM dada, por ejemplo, LRM=170 tomar un valor de λ=0.25 y n=4,
es mejor desde el punto de vista práctico, que elegir un valor de λ=0.4 y n=7
para obtener la misma LRM.
Para las LRM de procesos con desplazamiento D=0.5 y sin degradación por
variabilidad (A=1), para distintos tamaños de muestra y valores de λ, se tiene que:
 para cada valor de λ las LRM decrecen sistemáticamente al aumentar el ta-

maño de la muestra, y que las LRM para n=7 son las menores, y por ello para
cualquier valor de λ detectarán con mayor presteza la degradación por des-
plazamiento, siendo más eficiente mientras menor sea el valor de λ.
 es importante, analizar el comportamiento de estas LRM desde el punto de
vista económico al momento de realizar el control. Suponiendo, por ejemplo,
que el usuario decide por consideraciones técnicas de su proceso, que una
LRM igual a 8 es el máximo que se puede permitir para detectar un despla-
zamiento de D=0.5. Las elecciones posibles para alcanzar este objetivo son:
λ=0.25 con n=4, ó λ=0.5 con n=5, ó λ=0.6 con n=6, ó λ=0.8 con n=7. Para
esta situación, se tiene, que mientras menor sea el tamaño de la muestra,
también es menor el valor de λ. Naturalmente, que la elección de λ=0.25 y
n=4 presenta más ventajas, pues al ser menor el tamaño de la muestra que
en las otras situaciones, las mediciones se podrán realizar en menor tiempo,
y si el proceso de control requiere de la destrucción de los elementos de la
muestra, esta elección será más económica. Estos comentarios, reiteran los
realizados en la Tabla 4.2.6 respecto de las posibles elecciones existentes
para una misma situación.
3.4 Ejemplo
Se tiene la información respecto de un proceso, en que utiliza una máquina

de inyección Modelo SZ-600SY, para fabricar envases plásticos para bebidas, estos
envases tienen un peso aproximado de 20 gramos, y la máquina presenta una exac-
titud en la inyección del plástico, que concuerda con los limites solicitados por el
cliente, la variación de gramos por cada envase es de ±0.04. Esta exactitud es ne-
cesaria ya que una variación mayor, afectaría la capacidad cúbica interna de cada
envase inyectado y podría alterar la forma interna. Las mediciones obtenidas en
gramos son:
51
Muestra X
1 20,11 19,99 19,98 20,00 20,00
2 20,01 19,98 20,05 20,00 20,00
3 20,03 20,01 19,99 20,01 20,01
4 20,02 20,01 19,99 20,05 20,02
5 20,01 20,02 19,97 19,98 20,02
6 19,97 20,01 19,99 20,06 20,02
7 19,98 20,00 20,01 20,01 19,97
8 19,99 20,07 20,00 20,01 20,03
9 19,98 20,01 19,98 20,01 20,03
10 19,99 20,01 20,05 19,98 20,02
11 19,95 20,01 20,07 19,98 20,03
12 20,01 20,03 19,95 19,97 20,04
13 20,01 19,99 19,97 19,96 20,04
14 19,99 20,05 20,11 19,90 20,02
15 20,03 20,01 20,01 19,95 20,01
16 20,00 20,03 20,01 19,99 19,98
17 20,00 20,02 20,00 20,00 19,98
18 19,98 19,95 20,01 20,07 19,98
19 19,98 20,01 20,03 20,05 19,98
20 19,98 20,01 19,99 19,97 19,98
Tabla 3.4.1 Datos de las muestras
Calculado el promedio y la varianza de cada muestra de la Tabla 3.4.1, se

determinan los límites superior e inferior para la media, y el límite superior para la
varianza, para cada t, y se evalúan los estadísticos Zt y W t del esquema MEMPE
para =0.25, K=2,5 y R=4, Tabla 3.4.2
Promedio Varianza Zt Límites de Zt Wt Límite de W t

20,02 0,0028 0,07893 ±0,27951 0,83050 1,70711
20,01 0,0007 0,08019 ±0,34939 0,64193 1,88388
20,01 0,0002 0,09563 ±0,38313 0,48714 1,96925
20,02 0,0005 0,16513 ±0,40087 0,37872 2,01412
20,00 0,0005 0,08692 ±0,41051 0,29968 2,03851
20,01 0,0012 0,10067 ±0,41583 0,25747 2,05198
52
19,99 0,0003 -0,00487 ±0,41880 0,20249 2,05948
20,02 0,0010 0,10424 ±0,42045 0,18031 2,06367
20,00 0,0005 0,05573 ±0,42138 0,14860 2,06603
20,01 0,0008 0,07728 ±0,42191 0,13278 2,06735
20,01 0,0021 0,07896 ±0,42220 0,15989 2,06809
20,00 0,0015 0,02229 ±0,42237 0,16258 2,06851
19,99 0,0010 -0,06366 ±0,42246 0,15123 2,06874
20,01 0,0060 0,01670 ±0,42251 0,28494 2,06888
20,00 0,0009 -0,00992 ±0,42254 0,23987 2,06895
20,00 0,0004 -0,02989 ±0,42256 0,19043 2,06899
20,00 0,0002 -0,05935 ±0,42257 0,14851 2,06901
20,00 0,0021 -0,09592 ±0,42257 0,17026 2,06903
20,01 0,0009 -0,03646 ±0,42257 0,15472 2,06904
19,99 0,0002 -0,16565 ±0,42258 0,12258 2,06904
Tabla 3.4.2 Estadísticos y límites para el esquema MEMPE con =0.25, K=2,5 y R=4
Zt
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-0,1
-0,2
-0,3
-0,4
-0,5
Fig 3.4.1 Control MEMPE para la media con =0.25, K=2.5
53
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 3.4.2
Control MEMPE para la varianza con =0.25, R=4
En la Fig 3.4.1, si bien el proceso en todo momento está bajo control, se pue-
de apreciar claramente que a partir de la muestra 5 en adelante se inicia un despla-
zamiento sostenido del valor medio del proceso hacia la tolerancia inferior, en este
caso, los ingenieros del proceso deben determinar la o las posibles causas que pro-
ducen esta degradación. Sin embargo, en la Fig 3.4.2, de las medias de los pesos,
no es posible detectar que el proceso se está degradando hacia la tolerancia inferior.
20,03
20,02
20,02
20,01
20,01
20,00
20,00
19,99
19,99
19,98
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 3.4.2 Gráfico de medias
54
CAPÍTULO IV
4 MEMPE Multivariable
Se presenta a continuación, la extensión del control conjunto de un esquema

MEMPE, bilateral para la tendencia central y unilateral para la variabilidad al caso
multivariable, desarrollado por Vergara (1992), el cual, permite controlar simultá-
neamente todas aquellas características de un producto, que puedan presentar de-
pendencias mutuas y cuyo análisis conjunto, sea requerido por razones técnicas o
por su ejecución en el mismo puesto de trabajo.
Se considera que el conjunto de p variables a controlar simultáneamente,

constituye un vector aleatorio X distribuido Np( M , V), donde M es el vector de valo-
~ ~ ~
res medios y V su matriz de varianzas-covarianzas.

Sea X T  X ,..., X ,..., X
~ 1 ~ j ~ n
 una n-muestra, X es una matriz pxn, X
T
~ j
vector
px1 es la j-ésima observación de las p variables controladas, luego el vector px1 de

medias muestrales es :
X ~ j
n
 X  X X  X
~ j ~
T
~ j ~
X 
j 1
y matriz de dispersión S  j 1
~
n n 1
la E(S)=V, y (n-1)S es una matriz simétrica definida positiva con distribución de

Whishart de orden (n-1) con parámetros V y P, (n > p).
4.1 MEMPE Multivariable de la tendencia central
Para realizar el control de la tendencia central se considera la transforma-

ción lineal
T
T   M1  M0  n V 1 X
 ~ ~ 
~
donde M es el vector de medias de las variables con el proceso perfectamente

~ 0
centrado y M es el vector de valores medios en un nivel fuera de control, y que fue

~ 1
55
obtenida basada en el logaritmo neperiano de la razón de verosimilitudes.
Con el fin de comprender la idea de la estructura de esta transformación, se

procede al estudio para el caso de dos variables (p=2).
 m0 x   m1x  x
M    , M    , X   
m  m 
~ 0
 0y 
~ 1
 1y 
~
y
con matriz de varianzas-covarianzas
  2x  x y  1   2y   x y 
V     V 1 


   

  x y  y 
2
(1   ) 2 x 2 y
2
 x y
 2 x 
luego, la transformación T   M1  M0  n V 1 X , toma la forma

 ~ ~  ~
  2y   x y  x 
T
n
m1x  m0 x m1y  m0 y   
 2 x  y 
(1   2 ) 2 x 2 y    x y
por tanto
n  m1x  m0 x  m1y  m0 y m1x  m0 x  m1y  m0 y 

T  x    x  y   y
(1   2 )   2 x       2 
 x y x y  y

se puede apreciar, que la variable aleatoria transformada es una combinación li-

neal de variables reducidas, ponderadas con los desplazamientos máximos redu-
cidos de forma simétrica y teniendo en cuenta el coeficiente de correlación .
Volviendo al caso general, p dimensional, y dado que T como transforma-

ción lineal de un vector normal, es una variable aleatoria normal con
 
T t
m  E(T )  M1  M0  n V 1 M y  2
0  V(T )  M1  M0  n2 V 1 M  M
 ~ ~ 
~  ~ ~ 
~ 1 ~ 0
se tiene que
56
T
  T 
T
   
T   M1  M 0  n V X ~ N   M1  M 0  n V M ,  M1  M 0  n V 1  M1  M 0  
1
 1
 ~ ~  ~
  ~ ~  ~  ~ ~   ~ ~ 
sean
T
 
m0  E(T / M  M )   M1  M 0  n V 1 M
~ ~ 0  ~ ~  ~ 0
la media si el proceso está correctamente centrado en los valores medios objeti-

vos M y
~ 0
m1  E(T / M  M )  M1  M0  n V 1 M
~ ~ 1  ~ ~ 
~ 1
la media si el proceso se ha descentrado hasta alcanzar los valores medios críti-

cos M
~ 1
Considerando el desplazamiento reducido límite o crítico que se desea de-

tectar
T
 M  M  n V 1  M  M 
m1  m 0  1 0   1 0 
T 
1/ 2

DL    ~ ~   ~ ~   1  
   M1  M0  V  M1  M0   0  0
0 T  2 1  
1 / 2
  ~ ~   ~ ~  n
  M~ 1  M~ 0  n V  M~ 1  M~ 0 
 
por tanto, el desplazamiento reducido real es
T T
 M  M  n V 1  M M   M  M  n V 1  M M 
m  m0  0   0   1 0  ~ 0 
D   ~
1
~   ~
~ 
  ~ ~   ~  por
0 T n V  M  M  
1/ 2
DL
 M  M
  ~ 1 ~0  
2 1
 
0 
 ~ ~ 
1

tanto, D puede interpretarse como la fracción que el descentramiento real trans-
formado representa respecto al crítico.
Para realizar el control de la tendencia central se define el estadístico cen-

trado y reducido, Yt definido por:
57
T T T
  1     1  
 M1  M 0  n V X   M1  M0  n V 1 M0  M1  M0  n V  X  M0 
T t  m0  ~  ~ t  ~   ~   ~ t ~  luego,
Yt   ~ ~ ~
 ~
0 T 
1/ 2

nDL
 2 1 
  M1  M0  n V  M1  M 0 
  ~ ~   ~ ~ 
T
 M  M  V 1  X t  M 
 1 0   ~ 0 
Yt   ~ ~   ~ 
4.1.1
DL
por tanto
T T
  1     1  
 M1  M0  V E  X t  M0   M1  M0  V  M  M0 
E(Yt )   ~ ~   ~ ~ 
  ~ ~   ~ ~ 
D 4.1.2
DL DL
 T  V 1 V V 1  M  M    T 
  M  M 0   0    M1  M0  V 1  M1  M0  
Var ( Yt )  2   ~ ~   ~ ~ 
1 1
n
1
1  ~ ~   ~ ~ 
  T 
DL  DL  n   M  M  V 1  M  M  
    ~ 1 ~ 0   ~ 1 ~ 0  
1
Var ( Yt )  4.1.3
n
Para controlar la tendencia central de un proceso multivariado, Vergara

(1992) define el estadístico MEMPE por
 T  1  
  M~ 1  M~ 0  V  X~ t  M~ 0  
Zt       (1   ) Z t 1 ,0   1 4.1.4
 DL 
 
que desarrollado, tiene la siguiente expresión equivalente
58
 T  1  
  M1  M0  V  X t  M0  
Z t     (1   ) t  j   ~ ~   ~ ~ 
t
  (1   ) Z 0
t
j 1  DL 
 
considerando, que en el instante inicial el proceso está centrado en M, es decir M

~
= M , se define
~ 0
T
 M  M  V 1  M  M 
 1 0   0 0 
Z0   ~ ~   ~ ~ 
0
DL
Si los Yt son independientes provenientes de una distribución N(D,1/n)
 T  1  
  M1  M0  V  X t  M0  
E( Z t )     (1   ) t  j E   ~ ~   ~ ~ 
t
  (1   ) E( Z 0 )
t
j 1  DL 
 
luego
E(Z t )  1  (1   )t  D 4.1.5
bajo H0, M = M , de donde resulta que D=0, por tanto, E(Zt)=0.

~ ~ 0
A su vez,
 T  1  
  M1  M0  V  X t  M0  
Var ( Z t )  2   (1   ) 2( t  j ) Var   ~ ~   ~ ~ 
t
  (1   ) Var ( Z 0 )
2t
j 1  DL  lue-
 
2 1  (1   )   1 
2t
   
  (2   )   n 
go
59
 1  (1   2 t )   1
Var ( Z t )     4.1.6
 2  n 
cuando t tiende a infinito, la varianza converge asintóticamente.
Dado que, bajo la hipótesis de proceso bajo control el estadístico Z t es de

esperanza matemática nula, Vergara (1992) define los límites de control por:
 1  (1   2 t )   1 
L M  K Z  K    4.1.7
 2  n 
los valores de las constantes  y K son escogidos por el usuario. El proceso se

considera fuera de control si Zt excede estos límites.
4.2 MEMPE Multivariable de la variabilidad
Sean V la matriz de varianzas-covarianzas del proceso correcto y A2V la

correspondiente al proceso en las condiciones actuales de trabajo, siendo A una
constante positiva denominada amplificación, y AL la amplificación límite o crítica
que se desea detectar, dado que si se excede este valor, se requerirá realizar un
reajuste del proceso. Para controlar la variabilidad se considera el estadístico aso-
ciado al instante t-ésimo
trV 1 (n  1)S t 
Qt
p(n  1)
donde tr es la traza de la matriz, con tr[V-1(n-1)St) ~2 con =p(n-1), y V es la ma-

triz de varianzas-covarianzas del proceso.
Éste estadístico, se obtiene basándose en el logaritmo neperiano de la ra-

zón de verosimilitudes, que para el caso de dos variables presenta la siguiente
estructura:
  2x  x   S2 x RS x S y 
como V   y
 y
 S   
  x y
 2y   RS x S y S 2 y 
60
luego
1   2 x S 2 x   x yRS x S y  2 yRS x S y   x y S 2 y 
V S1
 2 
(1   ) 2 x 2 y
2   xRS S    S 2 x  2 x S 2 y   x yRS x S y 
 x y x y
 es el coeficiente de correlación, por tanto
n  1  S 2 x  S  S y  S2 y 

tr( V 1 (n  1)S)  2 
 2  R x   2
  y
1   x 2
  x   y 
 
luego, el estadístico de control tiene la expresión :
1  S2 x S  S y  S 2 y 
Qt    2  R x    2
2   
p(1   )   x  x   y   y 
2
En general, si la variabilidad ha cambiado de forma que la matriz de varian-

zas-covarianzas es A2V, se tiene que tr[ A-2 V-1(n -1)S ) ~2 con parámetro =p(n-
1), luego
 tr( V 1 (n  1)S t ) 
Etr( A 2 A 2 V 1 (n  1)S t )
1
E(Q t )  E   
 p( n  1)  p(n  1)
 A 
Etr( A 2 V 1 (n  1)S t )
2
 
 p(n  1) 
 A2
 tr( V 1 (n  1)S t ) 
Var tr( A 2 A 2 V 1 (n  1)S t )
1
Var (Q t )  Var    2
 p(n  1)  p (n  1)
2
 A4 2 
 2  Var tr( A V (n  1)S t )
2 1
 p (n  1) 
2A 4

p(n  1)
bajo H0 se considera que el proceso no tiene amplificación, es decir, A 2=1 por tan-
to :
61
2
E(Q t )  1 y Var (Q t ) 
p(n  1)
Para realizar el control de la variabilidad multivariable, Vergara (1992) defi-

ne el estadístico MEMPE por:
 tr( V 1 (n  1)S t ) 
Wt      (1   )Wt 1 4.2.1
 p ( n  1) 
que desarrollado tiene la siguiente expresión equivalente
t tr( V 1 (n  1)S j ) 
Wt    (1   )  t j
  (1   ) W0
t
j 1
 p(n  1) 
con 0    1 y W 0 =1, así,
t  tr( V 1 (n  1)S j ) 
E( Wt )    (1   ) E  t j
  (1   ) E( W0 )
t
j 1
 p(n  1) 
 1  (1   )  A  (1   )
t 2 t
bajo H0, (A2=1)
E( Wt )  1 4.2.2
t  tr (V 1 ( n  1)S j ) 
Var ( W t )    ( 1   )
2 2( t  j )
Var    ( 1   ) Var ( W 0 )
2t
j 1  p( n  1) 
1  ( 1   )   2 A 
2t 4
 2  2  
 1  ( 1   )   p( n  1) 
bajo H0, (A2=1)
 1  (1   ) 2 t    2 
Var ( Wt )     p(n  1)  4.2.3
 2  
cuando t tiende a infinito la varianza converge asintóticamente.

62
Como tr [ A-2V-1(n-1)S ] se distribuye 2 con =p(n-1), el estadístico W t (salvo un
factor de escala) es una combinación de 2 independientes, y como suma de va-
riables aleatorias independientes, tales que existen todos sus momentos, por el
teorema central del límite tiene una distribución asintótica normal. Cuando =1,
A2p(n-1)Wt se distribuye 2 con =p(n-1).
Vergara (1992) define el límite de control superior de W t por :
 1  (1   ) 2 t    2 
LS  1  R    p(n  1) 
4.2.4
 2  
los valores de las constantes  y R son escogidos por el usuario y el proceso se

considera fuera de control por variabilidad cuando W t  LS. Cuando p=1 este límite
corresponde al límite del MEMPE univariable para la variabilidad, definido en
4.1.6.
4.3 Longitud de Ráfaga Media
Se obtuvieron por simulación tablas de LRM para un control multivariable

conjunto, bilateral para la tendencia central y unilateral para la variabilidad, en fun-
ción de p, n, D, A, K y R, con n > p restricción exigida por la distribución de
Wishart.
Para simular el control para un determinado número de variables, p, y un

cierto tamaño de muestra, n, se obtuvo la longitud de ráfaga, LR, el número de
muestras hasta obtener una señal de fuera de control. Se generaron 1000 de es-
tas ráfagas y se calculó la media (LRM) y la varianza (VLR). Esta simulación se
repitió para distintos números de variables, p, a controlar simultáneamente, dife-
rentes tamaños de muestra, con n > p, en función de  , D, A, K y R.
En las siguientes tablas se presenta la evolución de las LRM para un es-

quema MEMPE multivariable conjunto, bilateral para la tendencia central y unilate-
ral para la variabilidad.
En las Tablas 4.3.1a,b,c, n=3, p=2, K=3.5, R=6, para distintos valores de ,
D y A se observa que:
 para los procesos sin degradación (D=0, A=1), las LRM decrecen al au-
mentar , ya que un valor extremo lo toma como señal de fuera de control
63
tanto más pronto cuanto mayor es .
 en procesos sin degradación por variabilidad, para cada valor de  las LRM
decrecen al aumentar el desplazamiento.
 para la misma situación del punto anterior, para desplazamientos mayores
o iguales a 0.50 las LRM tienden a crecer a medida que  aumenta, debi-
do a que el intervalo definido por los límites de control aumenta.
 para un determinado valor de  las LRM decrecen al aumentar el despla-
zamiento.
 en un proceso sin desplazamiento, para un determinado valor de  las LRM
decrecen al aumentar la variabilidad.
 en procesos degradados mientras mayor sean el desplazamiento y la am-
plificación, las LRM tienden a estabilizarse independientemente del valor de
 que se elija.
 en estos procesos degradados, si el desplazamiento y la amplificación son
pequeños las LRM tienden a crecer con el aumento de .
Las Tablas 4.3.2a,b,c a 4.3.3a,b,c describen el comportamiento de las

LRM, para un tamaño de muestra n=4, el número de variables a controlar (p=2,
p=3), para K=3.5, R=6 y distintos valores de , se observa que:
 para procesos sin desplazamiento, cuando aumenta la variabilidad, se pro-

duce una disminución de las LRM para un mismo valor de , mientras que
para una A fija y superior a 1 las LRM crecen con el aumento de , pareci-
do comportamiento se puede apreciar en ambas tablas.
 la evolución de las LRM es similar al descrito en todos los puntos del análi-
sis de la Tabla 4.3.1.
 en procesos degradados por desplazamiento y variabilidad, al aumentar el
número de variables a controlar las LRM tienden a decrecer, cualquiera sea
la degradación y el valor de A.
 la evolución de las LRM descritas para estas situaciones es similar, como
era de esperar, a la obtenida en el MEMPE univariable.
Las Tablas 4.3.4a,b,c a 4.3.5a,b,c presentan la evolución de las LRM, para

muestras de tamaño n=5, con p=2, p=3, para K=3.5, R=6 y distintos valores de .
Se observa en ellas, un comportamiento parecido de las LRM a los ya descritos
precedentemente. En el Capítulo V, se hace un estudio comparativo entre todos
los casos estudiados, considerando K=2.75 y R=4.
64
n=3, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRH LRH
0 1 4398.85 2801. 43 2357.43 1744.09 1351.46
0.5 1 17.50 24.36 57.04 128.32 177.15
1 1 4.69 5.00 6.70 11.55 18.11
1.5 1 2.52 2.47 2.57 3.28 4.11
2 1 1. 59 1. 61 1. 63 1. 76 1. 88
Tabla 4.3.1.a LRM para distintos D y , con A=1, K=3.5, R=6
n=3, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

D A LRM LRH LRM LRM LRM
0 1 4398.85 2801.43 2357.43 1744.09 1351.46
0 1. 25 65.76 72.90 61.42 65.67 70.42
0 1.5 7.61 7.68 8.10 9.64 11. 06
0 2 2.72 2.63 2.61 2.85 2.76
Tabla 4.3.1.b LRM para distintos A y , con D=0, K=3.5, R=6
n=3, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

D A LRH LRM LRM LRM LRM
0.5 1 17.50 24.36 57.04 128.32 177.15
0.5 1. 25 14.07 15.63 19.63 26.78 33.17
0.5 1.5 7.61 7.68 8.10 9.64 11. 06
0.5 2 2.58 2.64 2.65 2.65 2.67
1 1 4.69 5.00 6.70 11.55 18.11
1 1. 25 4.61 4.79 5.47 7.69 9.25
1 1.5 3.85 3.91 4.20 4.82 5.26
1 2 2.29 2.24 2.13 2.22 2.28
1.5 1 2.52 2.47 2.57 3.28 4.11
1.5 1. 25 2.45 2.46 2.58 2.91 3.59
1.5 1.5 2.32 2.40 2.42 2.72 2.90
1.5 2 1. 81 1.79 1. 80 1. 79 1. 86
Tabla 4.3.1.c LRM para distintos D, A y , K=3.5, R=6
65
n=4, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
0 1 4198.64 2877.47 2776.93 2905.55 2689.93
0.5 1 13.09 16.31 34.66 75.79 128.12
1 1 3.72 3.87 4.43 6.83 10.88
1.5 1 1.93 2.02 2.11 2.33 2.67
2 1 1. 2 1.33 1.34 1.34 1.48
n=4, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

0 1 4198.64 2877.47 2776.93 2905.55 2689.93
0 1. 25 42.10 54.15 67.06 69.56 70.16
0 1.5 7.73 7.62 8.79 10.57 11.32
0 2 2.21 2.05 2.18 2.18 2.20
n=4, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

0.5 1 13.09 16.31 34.66 75.79 128.12
0.5 1. 25 10.76 11.40 16.09 21.92 27.17
0.5 1.5 5.73 5.62 6.30 7.55 8.46
0.5 2 2.08 2.07 2.06 2.18 2.12
1 1 3.72 3.87 4.43 6.83 10.88
1 1. 25 3.64 3.78 3.98 5.41 6.62
1 1.5 3.10 3.28 3.33 3.89 4.26
1 2 1.79 1.75 1.81 1.82 1.85
1.5 1 1.93 2.02 2.11 2.33 2.67
1.5 1. 25 1.99 2.02 2.06 2.34 2.51
1.5 1.5 1.96 1. 93 1. 99 2.12 2.24
1.5 2 1.52 1. 54 1. 52 1. 54 1.52
66
n=4, p=3 =0.10 =0.25 =0.50 =0.75 A.=0.90
0 1 4022.10 2993.74 2938.91 3681.20 3719.81
0.5 1 12.94 16.82 34.26 86.01 128.54
1 1 3.78 3.82 4.57 6.98 10.97
1.5 1 1.97 1.97 2.03 2.23 2.73
2 1 1.34 1.31 1.32 1.37 1.38
n=4, p=3 =0.10 =0.25 =0.50 =0.75 =0.90

0 1 4022.10 2993.74 2938.91 3681.20 3719.81
0 1. 25 27.12 38.84 55.07 67.32 70.43
0 1.5 5.51 5.76 6.46 7.97 8.46
0 2 1.71 1.73 1.75 1.76 1.83
n=4, p=3 =0.10 =0.25 =0.50 =0.75 =0.90

0.5 1 12.94 16.82 34.26 86.01 128.54
0.5 1.25 10.35 11.04 15.43 21.04 27.97
0.5 1.5 4.51 4.82 5.13 5.80 6.94
0.5 2 1.72 1. 70 1. 66 1.77 1.81
1 1 3.78 3.82 4.57 6.98 10.97
1 1.25 3.68 3.84 4.18 5.50 6.33
1 1.5 2.99 2.92 3.02 3.43 3.80
1 2 1.55 1. 57 1. 50 1. 60 1.64
1.5 1 1.97 1. 97 2.03 2.23 2.73
1.5 1.25 2.06 1.96 2.12 2.26 2.70
1.5 1.5 1.86 1.95 1.92 2.09 2.16
1.5 2 1.39 1.41 1.41 1.38 1.43
67
n=5, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
0 1 4159.42 3026.24 3020.90 3502.98 3682.34
0.5 1 10.28 12.61 24.64 55.77 90.25
1 1 3.05 3.13 3.63 4.86 6.84
1.5 1 1.62 1.67 1.73 1.89 2.05
2 1 1.16 1.17 1.21 1.19 1.20
n=5, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

0 1 4159.42 3026.24 3020.90 3502.98 3682.34
0 1.25 31.06 45.43 55.98 66.78 71.55
0 1.5 5.89 6.23 7.29 8.63 8.35
0 2 1.99 1.92 1.95 2.00 2.03
n=5, p=2 =0.10 =0.25 =0.50 =0.75 =0.90

0.5 1 10.28 12.61 24.64 55.77 90.25
0.5 1. 25 8.88 9.18 13.32 17.95 22.56
0.5 1.5 4.71 4.67 5.00 6.04 6.36
0.5 2 1.88 1.78 1.83 1.82 1.94
1 1 3.05 3.13 3.63 4.86 6.84
1 1. 25 3.13 3.03 3.42 3.99 5.11
1 1.5 2.62 2.62 2.66 2.98 3.19
1 2 1.67 1.61 1.61 1.63 1.69
1.5 1 1.62 1.67 1.73 1.89 2.05
1.5 1.25 1.73 1.73 1.74 1.80 2.07
1.5 1.5 1.68 1.70 1.71 1.81 1.89
1.5 2 1.42 1.41 1.36 1.42 1.45
68
n=5, p=3 =0.10 =0.25 =0.50 =0.75 =0.90
0 1 4573.46 2942.54 2914.35 3689.91 3888.32
0.5 1 10.49 12.31 24.77 57.60 93.65
1 1 3.05 3.11 3.76 5.10 7.19
1.5 1 1.66 1.65 1.69 1.79 2.07
2 1 1.15 1.16 1.16 1.18 1.19
n=5, p=3 =0.10 =0.25 =0.50 =0.75 =0.90

0 1 4573.46 2942.54 2914.35 3689.91 3888.32
0 1. 25 20.14 29.78 44.54 56.89 70.70
0 1.5 4.56 4.41 5.62 6.39 8.55
0 2 1.51 1.48 1.50 1.52 1.57
n=5, p=3 =0.10 =0.25 =0.50 =0.75 =0.90

D A LRM LRH LRM LRM LRM
0.5 1 10.49 12.31 24.77 57.60 93.65
0.5 1.25 8.45 8.93 12.11 18.19 23.60
0.5 1.5 3.75 3.87 4.11 4.83 6.43
0.5 2 1.45 1.13 1.41 1.46 1.57
1 1 3.05 3.11 3.76 5.10 7.19
1 1. 25 2.99 3.04 3.29 4.10 5.35
1 1.5 2.47 2.45 2.55 2.85 3.16
1 2 1.38 1.37 1.31 1.34 1.41
1.5 1 1.66 1.65 1.69 1.79 2.07
1.5 1.25 1.77 1.76 1.74 1.89 2.04
1.5 1.5 1.69 1.70 1.66 1.71 1.79
1.5 2 1.25 1.25 1.25 1.26 1.24
En las Tablas 4.3.6a y 4.3.6b, se presentan la evolución de las LRM, para

69
un valor fijo de , K=3.5, R=6, p=2, distintos valores de n, D y A, se puede apreciar
que:
 en los procesos sin degradación, las LRM disminuyen al aumentar  para

cada tamaño de muestra.
 en estos procesos no degradados, las LRM presentan una cierta estabili-
dad, y prácticamente no hay influencia de n.
 en procesos degradados, ya sea por el desplazamiento o por la variabili-
dad, al aumentar el tamaño de la muestra, las LRM tienden a decrecer, he-
cho justificado, ya que al crecer n disminuye la variabilidad, luego los lími-
tes de control están más próximos al valor objetivo, pudiendo así detectar
más prontamente cualquier degradación que se produzca en el proceso.
 pasar de =0.10 a =0.25 independientemente del tamaño de la muestra,
en un proceso degradado, implica un aumento en las LRM, en procesos sin
degradación, las LRM tienden a disminuir.
p=2 =0.10
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 1398.85 4198.64 4159.42
0 1.25 65.76 42.10 31.06
0 1.5 7.61 7.73 5.89
0 2 2.72 2.21 1.99
0.5 1 17.50 13.09 10.28
1 1 4.69 3.72 3.05
1.5 1 2.52 1.93 1.62
2 1 1.59 1.32 1.16
Tabla 4.3.6.a LRM para distintos D, A y n, K=3.5, R=6
70
p=2 =0.25
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 2801.43 2877.47 3026.24
0 1.25 72.90 54.15 45.43
0 1.5 7.68 7.62 6.23
0 2 2.63 2.05 1. 92
0.5 1 24.36 16.31 12.61
1 1 5.00 3.87 3.13
1.5 1 2.47 2.02 1. 67
2 1 1. 61 1.33 1.17
Tabla 4.3.6.b LRM para distintos D, A y n, K=3.5, R=6
En las Tablas 4.3.7a,b,c a 4.3.12a,b,c, se presenta la evolución de la LRM,

para distintos valores de , con, K=2.75, R=4, n=3 y p=2. Al tomar valores más
pequeños de K y R, los límites de control están más próximos entre sí, por ello, el
esquema MEMPE aplicado en estos casos es más estricto, observándose que las
LRM obtenidas son menores que las presentadas en las Tablas 4.3.1 a 4.3.5, más
aún, cuando el proceso se degrada ya sea por la media o la variabilidad. Este
mismo comportamiento se puede apreciar para otros valores de n y P, Tablas
4.3.8 a 4.3.12.
Al igual que en el MEMPE univariable, también se han evaluado junto con

las LRM, las varianzas, VLR, de las longitudes de ráfaga. Analizando los valores
obtenidos, también existe una dependencia lineal entre las LRM y su desviación
tipo, DLR  VLR .
Se ajusta una recta para un total de 432 puntos, obteniendo que:
DLR=-1.52516 + 1.03801 LRM , r2=0.9981
Por estos resultados, se asume que la desviación tipo de la longitud de rá-

faga (DLR) es del mismo orden que la media (LRM), y como las LRM simuladas
fueron obtenidas como el promedio de 1000 ráfagas como mínimo, el error tipo de
las estimaciones no será superior a LRM / 1000 .
71

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 0.75 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
1 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
1 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.5 1.25 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
Tabla 4.3.7.a LRM para distintos D y , A=1, K=2.75, R=4

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
0 1.25 19.0 18.0 17.1 16.2 15.5 13.9 13.9 13.2
0 1.5 4.8 5.2 4.8 4.7 4.8 4.4 4.5 4.3
0 1.75 2.8 2.8 2.8 2.6 2.6 2.6 2.7 2.6
Tabla 4.3.7.b LRM para distintos A y , D=0, K=2.75, R=4

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1.25 14.5 13.5 12.1 12.0 12.0 11.2 11. 5 11.4
0.25 1.5 4.9 4.9 4.7 4.4 4.3 4.2 4.2 3.7
0.25 1.75 2.6 2.8 2.7 2.6 2.6 2.5 2.5 2.6
0.5 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
0.5 1.25 7.5 7.7 7.2 6.6 7.0 7.1 8.0 8.4
0.5 1.5 3.9 3.8 3.8 3.6 3.6 3.4 3.5 3.5
0.5 1.75 2.5 2.4 2.4 2.5 2.5 2.4 2.3 2.5
0.75 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.75 1.25 4.4 4.6 4.4 4.4 4.3 4.5 4.9 5.8
0.75 1.5 3.2 3.1 3.0 2.9 2.9 2.9 3.1 2.9
0.75 1.75 2.2 2.3 2.3 2.1 2.1 2.2 2.1 2.2
72
1 1 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1.25 3.0 3.0 3.0 3.0 3.0 3.1 3.4 3.6
1 1.5 2.5 2.4 2.4 2.3 2.4 2.5 2.4 2.4
1 1.75 2.0 2.0 2.0 1.9 1.9 1.9 1.9 2.1
1.25 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
1.25 1.25 2.3 2.3 2.2 2.2 2.3 2.3 2.5 2.6
1.25 1.5 2.1 2.1 2.0 2.0 1.9 2.0 2.0 2.0
1.25 1.75 1.8 1.8 1.8 1.8 1.8 1.7 1.8 1.8
Tabla 4.3.7.c LRM para distintos D, A y A, K=2.75, R=4

n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
n=4 
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90

p=2
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0 1.25 14.2 13.5 13.2 13.0 12.3 12.7 12.0 12.8
0 1.5 3.8 4.1 3.8 3.7 3.9 3.8 3.8 4.2
0 1.75 2.2 2.2 2.1 2.2 2.1 2.0 2.1 2.1
73

n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.25 1.25 10.4 10.5 10.1 9.9 9.2 10.0 9.8 10.7
0.25 1.5 3.7 3.5 3.8 3.4 3.5 3.5 3.8 3.8
0.25 1.75 2.2 2.1 2.0 2.1 2.1 2.0 2.1 2.1
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.5 1.25 6.1 6.4 5.8 5.9 5.1 5.9 6.5 7.3
0.5 1.5 3.3 3.2 3.1 2.9 3.0 2.9 3.1 3.3
0.5 1.75 2.0 2.0 1.9 1.9 1.9 1.9 1.9 2.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
0.75 1.25 3.7 3.7 3.6 3.5 3.5 3.8 4.1 4.6
0.75 1.5 2.6 2.5 2.5 2.6 2.4 2.5 2.6 2.8
0.75 1.75 1.8 1.9 1.8 1.8 1.8 1.8 1.8 1.8
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1 1.25 2.6 2.4 2.5 2.5 2.5 2.6 2.8 3.2
1 1.5 2.1 2.1 2.0 2.1 2.0 2.0 2.1 2.2
1 1.75 1.6 1.6 1.6 1.7 1.6 1.6 1.6 1.7
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1.25 1 1.9 1.8 1.8 1.8 1.8 1.9 2.0 2.2
74

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0 1.25 9.7 10.1 9.4 9.4 9.9 10.5 11.2 12.7
0 1.5 3.0 3.2 3.0 3.0 3.0 3.1 3.2 3.3
0 1.75 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.8

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.25 1.25 8.4 8.5 8.1 8.0 8.0 8.6 9.4 10.6
0.25 1.5 3.0 2.9 2.9 2.9 2.9 2.9 3.0 3.2
0.25 1.75 1.7 1.6 1.7 1.7 1.7 1.7 1.7 1.7
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.5 1.25 5.7 5.4 5.3 5.3 5.3 5.4 6.1 7.4
0.5 1.5 2.6 2.6 2.7 2.6 2.6 2.6 2.8 3.0
0.5 1.75 1.7 1.6 1.6 1.6 1.7 1.6 1.7 1.7
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
0.75 1.25 3.6 3.6 3.4 3.4 3.5 3.6 3.7 4.4
0.75 1.5 2.3 2.2 2.3 2.3 2.2 2.3 2.4 2.4
0.75 1.75 1.6 1.6 1.6 1.6 1.5 1.5 1.5 1.6
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1 1.25 2.5 2.5 2.4 2.6 2.4 2.5 2.6 2.9
1 1.5 2.0 1.9 1.9 1.9 2.0 1.9 2.1 2.0
1 1.75 1.4 1.5 1.4 1.5 1.5 1.5 1.5 1.4
1.25 1 1.9 ] .8 1.8 1.8 1.8 1.9 2.0 2.2
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
75

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
1 1 2.1 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0 1.25 11.0 11.0 11.0 10.5 11. 1 11. 1 11.4 12.5
0 1.5 3.4 3.2 3.3 3.1 3.2 3.2 3.6 3.6
0 1.75 1.7 1.7 1.7 1.7 1.6 1.6 1.7 1.8

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.25 1.25 8.9 8.8 8.5 8.0 9.0 8.1 9.1 11.0
0.25 1.5 3.1 3.1 3.1 3.0 3.1 3.0 3.1 3.3
0.25 1.75 1.8 1.7 1.8 1.7 1.7 1.7 1.8 1.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.5 1.25 5.2 5.1 5.0 4.8 4.4 5.0 5.8 6.5
0.5 1.5 2.6 2.8 2.9 2.7 2.6 2.6 2.7 3.0
0.5 1.75 1.6 1.7 1.7 1.6 1.6 1.7 1.7 1.6
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
0.75 1.25 3.2 3.2 3.0 3.0 3.0 3.1 3.5 4.0
0.75 1.5 2.3 2.2 2.2 2.2 2.2 2.2 2.3 2.4
0.75 1.75 1.5 1.6 1.5 1.6 1.6 1.5 1.6 1.6
76
1 1 2.1. 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1 1.25 2.1 2.1 2.2 2.1 2.1 2.2 2.3 2.5
1 1.5 1.8 1.8 1.8 1.9 1.8 1.8 1.9 2.0
1 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.4
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.6 1.6
1.25 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.75 1 3,4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
1 1 2:2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0 1.25 8.2 8.3 8.0 8.1 8.0 8.7 9.5 10.2
0 1.5 2.6 2.5 2.5 2.5 2.5 2.5 2.6 2.8
0 1.75 1.5 1.6 1.5 1.5 1.5 1.5 1.5 1.5
77

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.25 1.25 6.8 7.1 6.8 6.6 6.5 7.1 8.2 9.5
0.25 1.5 2.4 2.5 2.4 2.4 2.4 2.5 2.6 2.6
0.25 1.75 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.5 1.25 4.7 4.6 4.6 4.4 4.3 4.8 5.3 6.2
0.5 1.5 2.3 2.2 2.2 2.2 2.1 2.2 2.4 2.5
0.5 1.75 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5
0.75 1 3.4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
0.75 1.25 3.1 3.0 2.9 2.9 3.1 3.0 3.4 3.7
0.75 1.5 1.9 2.0 1.9 1.9 1.9 1.9 1.9 2.1
0.75 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1 1.25 2.2 2.1 2.1 2.1 2.1 2.1 2.4 2.5
1 1.5 1.7 1.7 1.6 1.7 1.7 1.7 1.7 1.7
1 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.7 1.6 1.7 1.7 1.6 1.6 1.8 1.8
1.25 1.5 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.5
1.25 1.75 1.2 1.2 1.3 1.2 1.2 1.2 1.2 1.2

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM IJRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
78

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0 1.25 6.7 6.1 6.1 6.2 6.3 7.1 8.5 8.1
0 1.5 2.1 2.1 2.0 2.1 2.1 2.0 2.2 2.4
0 1.75 1.3 1.3 1.3 1.3 1.4 1.3 1.3 1.4

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.25 1.25 5.6 5.5 5.5 5.3 5.6 6.0 7.0 7.1
0.25 1.5 2.0 2.0 2.0 2.0 2.0 2.0 2.1 2.1
0.25 1.75 1.4 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.5 1.25 4.3 1.1 4.0 3.9 3.9 4.2 4.6 5.4
0.5 1.5 1.9 1.9 1.8 1.9 1.9 1.9 1.9 2.0
0.5 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
0.75 1.25 2.7 2.7 2.9 2.8 2.8 2.8 3.2 3.4
0.75 1.5 1.7 1.8 1.7 1.7 1.7 1.7 1.8 1.8
0.75 1.75 1.3 1.3 1.2 1.2 1.3 1.2 1.2 1.3
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1 1. 25 2.0 2.1 2.0 2.0 2.0 2.0 2.3 2.4
1 1.5 1.6 1.6 1.5 1.5 1.5 1.5 1.5 1.6
1 1. 75 1.2 1.2 1.2 1.3 1.2 1.2 1.2 1.2
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.5 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.4 1.4 1.4 1.3 1.4 1.4 1.4 1.4
1.25 1.75 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2
79
CAPÍTULO V
5 Comparación entre los Gráficos de Shewhart, SUMAC y MEMPE
La comparación entre un esquema MEMPE con Shewhart y el SUMAC, se

hará en base a las LRM globales, a la proporción de elementos defectuosos en fun-
ción de la capacidad de calidad C, al desplazamiento D, la amplificación A, y al ta-
maño de muestra n.
5.1 Proporción de elementos defectuosos de un proceso
Sea cual sea el esquema para establecer el control, el usuario debe selec-
cionar el tamaño de muestra, n, los valores de desplazamiento y amplificación res-
pecto de los cuales quiere protección, y dependiendo de cual sea la capacidad de
calidad de su proceso, llevará implícito un determinado valor de proporción defec-
tuosa contra la que se desea estar protegido.
Para estudiar esta situación, se trabaja con un desplazamiento reducido
m  m0
D
0
donde m0 y σ0 son la media y desviación tipo, respectivamente, del proceso bajo

control, y m es la media actual del proceso.
El esquema de la Fig 5.1.1 muestra la situación a analizar. Dado que el índi-

ce de variabilidad, Cp, se define como
TS  TI
Cp   TS  TI  6Cp 0
6 0
luego
TS  CT  3Cp 0  TS  m0  3Cp 0
TI  CT  3Cp 0  TI  m0  3Cp 0
m  CT  D 0  m  m0  D 0
80
0 A 2 0
pi ps
TI CT=m0 m TS
Fig 5.1.1 Proceso correcto (centrado en CT) y degradado
centrando y reduciendo TS y TI respecto a m y Aσ0 resulta que
TS  m m 0  3Cp 0  m 0  D 0 3Cp D
zs    
A 0 A 0 A A
TI  m m0  3Cp 0  m0  D 0 3C D
zi    p 
A 0 A 0 A A
las proporciones de piezas defectuosas son
ps=P(Z > zs) y pi=P(Z < zi) , donde Z ~ N(0,1)
y la proporción defectuosa total es PD=ps+ pi
En las Tablas 5.1.1 a 5.1.4 se presentan la proporción de elementos defec-

tuosos, para distintos índices de variabilidad, correspondientes a procesos precisos y
poco precisos, para distintos valores de A y D.
Cp=0.833
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.01242 0.04550 0.09558 0.21130
0.5 0.02410 0.06300 0.11396 0.22546
1 0.06704 0.11762 0.16847 0.26669
1.5 0.15869 0.21254 0.25632 0.33129
2 0.30856 0.34474 0.37079 0.41352
Tabla 5.1.1 Proporción de elementos defectuosos para Cp =0.833
81
Cp=1
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00270 0.01640 0.04550 0.13361
0.5 0.00644 0.02164 0.05761 0.14571
1 0.02278 0.05549 0.09504 1.18141
1.5 0.06681 0.11523 0.16001 1.23885
2 0.15866 0.21189 0.25292 0.31475
Tabla 5.1.2 Proporción de elementos defectuosos para Cp=1
Cp=1.166
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00046 0.00511 0.01963 0.08012
0.5 0.00138 0.00888 0.02658 0.08956
1 0.00621 0.02291 0.04914 0.11787
1.5 0.02275 0.05483 0.09164 0.16486
2 0.06681 0.11507 0.15878 0.22961
Tabla 5.1.3 Proporción de elementos defectuosos para Cp=1.166
Cp=1.333
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00006 0.00137 0.00766 0.04550
0.5 0.00024 0.00271 0.01117 0.05228
1 0.00135 0.00823 0.02318 0.07302
1.5 0.00621 0.02276 0.04791 0.10863
2 0.02275 0.05480 0.09124 0.16001
Tabla 5.1.4 Proporción de elementos defectuosos para Cp=1.333
82
5.2 Probabilidad de señal global y LRM por el método de Shewhart
El procedimiento de cálculo de la probabilidad de señal global del método de

Shewhart se describió en 1.7, trabajando con un desplazamiento reducido con la
desviación tipo de la media muestral, con las probabilidades de señal global y las
respectivas LRM asociadas, tomando los desplazamientos en la unidad que han
sido definidos en el punto 5.1.
En la Tabla 5.2.1 se presenta la probabilidad y su respectiva LRM global,

por el método de Shewhart para un proceso poco preciso, cuyo control se aplica
respecto al centro de tolerancias. Estos valores permiten comparar el método de
Shewhart, con el esquema MEMPE univariable conjunto bilateral de la tendencia
central y unilateral para la variabilidad, y con el método SUMAC conjunto. Es impor-
tante destacar que las LRM globales de Shewhart, permiten comparar este método
con cualquier otro esquema en que el control se realice respecto al centro de tole-
rancias, como el MEMPE y el SUMAC.
Cp1 A=1.0 A=1.25
D p LRM p LRM
0 0.00599 166.84 0.04989 20.04

0.5 0.04566 21.90 0.11254 8.89
1 0.33404 2.99 0.37301 2.68
1.5 0.79348 1.26 0.73797 1.36
2 0.97604 1.02 0.94084 1.06
Cp1 A=1.0 A=1.25
D p LRM p LRM
0 0.17280 5.79 0.49 2.01
0.5 0.23821 4.20 0.53614 1.87
1 0.44817 2.23 0.54196 1.56
1.5 0.72307 1.38 0.77656 1.29
2 0.90857 1.10 0.88925 1.12
Tabla 5.2.1 Probabilidad global y LRM, método de Shewhart
83
5.3 LRM global de Shewhart, SUMAC y MEMPE
Se compara el esquema MEMPE conjunto con el método de Shewhart y el

SUMAC conjunto. En la Tabla 5.3.1 se presentan las LRM de Shewhart, SUMAC y
MEMPE para distintos desplazamientos, indicando la respectiva proporción de ele-
mentos defectuosos, para una capacidad de calidad, Cp=0.8333, considerando un
desplazamiento límite DL=0.5, una amplificación límite AL=1.25, n=4, A=1, distintos
HM y HS para el SUMAC, y diferentes valores de λ, K, y R para el esquema MEM-
PE, se puede apreciar que:
 es posible encontrar MEMPE y SUMAC más eficientes que el método de

Shewhart para detectar desplazamientos en el proceso.
 los MEMPE con λ=0.10, K=2.75, R=4 y K=2.75, R=3, son más eficientes que
Shewhart para detectar desplazamientos inferiores a 1.5σ0, si el desplaza-
miento es mayor Shewhart da LRM menores lo que permite detectar con ma-
yor facilidad grandes cambios en el desplazamiento.
 en el MEMPE con λ=0.50, K=2.75, R=4, cuando el proceso no presenta des-
plazamiento, tiene una LRM ligeramente menor que Shewhart, pero, en cuan-
to se produce un pequeño desplazamiento, el esquema MEMPE es más efi-
ciente en su detección, para desplazamientos superiores o iguales a 1.5σ0
Shewhart da LRM menores.
 el MEMPE K=2.75, R=3, λ=0.10, es más eficiente que el SUMAC HM=5,
HS=6, en detectar cambios en el desplazamiento de un proceso. Si el proce-
so está bajo control, el SUMAC presenta una LRM mayor que este MEMPE.
 existen otros MEMPE que tienen un comportamiento similar al del punto ante-
rior respecto al SUMAC.
 el MEMPE K=2.75, R=3, λ=0.10, es más potente que el SUMAC HM=5,
HS=4, ya que, cuando el proceso está bajo control el MEMPE presenta una
LRM mayor que la del SUMAC, cuando se produce un desplazamiento, las
LRM de este MEMPE siempre son menores que las LRM de dicho SUMAC.
 en los esquemas MEMPE, cuando el proceso no está degradado, las LRM
decrecen al aumentar λ, para los distintos valores de K y R. Cuando el proce-
so presenta desplazamiento, las LRM tienden a crecer con el aumento de λ.
84
DL=0.5 AL=1.25 A=1 n=4
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 166.84 80.58 21.90 2.99 1.26 1.02
HM HS LRM (SUMAC)
1 4 12.14 6.62 3.09 1.40 1.06 1.01
5 4 90.21 69.90 9.99 3.82 2.50 1.99
3 6 578.87 33.49 7.24 2.67 1.77 1.29
5 6 1277.73 82.67 10.78 3.95 2.56 2.01
1 10 14.85 7.04 3.15 1.42 1.07 1.01
3 10 1181.64 36.38 7.25 2.73 1.73 1.31
5 10 2651.31 88.90 11.54 3.97 2.60 2.02
 LRM (MEMPE) K=3.5 R=6
0.10 4315.86 62.73 12.72 3.69 1.98 1.33
0.25 2640.04 124.58 16.09 3.86 1.95 1.35
0.50 1997.50 259.88 34.76 4.53 2.03 1.35
0.75 1301.28 439.25 78.75 7.23 2.35 1.38
0.90 1418.56 633.99 123.29 10.73 2.73 1.42
0.10 350.11 25.24 7.64 2.62 1.47 1.11
0.25 171.94 30.03 8.20 2.53 1.45 1.11
0.50 121.83 35.78 11.07 2.75 1.47 1.09
0.75 100.93 48.58 14.74 3.11 1.54 1.13
0.90 98.90 61.36 16.69 3.91 1.59 1.11
0.10 200.46 24.04 7.35 2.50 1.45 1.12
0.25 97.09 26.79 8.25 2.50 1.46 1.11
0.50 67.17 30.15 10.02 2.72 1.50 1.12
0.75 50.76 33.24 12.83 3.16 1.49 1.10
0.90 47.20 34.74 16.19 3.66 1.56 1.12
PD (%) Cp=0.833 1.24 1.52 2.41 6.70 15.87 30.85
Tabla 5.3.1 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, Cp=0.8333, A=1, n=4
 se puede afirmar que los valores pequeños de λ presentan las condiciones

más favorables para controlar procesos, para los valores de los parámetros
aquí analizados, pues presentan las mayores LRM bajo control y las menores
85
cuando el proceso se desplaza, y son las que otorgan ventaja al esquema
MEMPE respecto de Shewhart y algunos SUMAC.
 los SUMAC HM=1, HS=4 y HM=1, HS=10, cuando el proceso está degrada-
do, son más eficientes que Shewhart y cualquier MEMPE, pero, presentan el
inconveniente que cuando el proceso no está degradado las LRM son muy
pequeñas, lo que producirá un elevado número de falsas señales.
 al pie de la Tabla 5.3.1, se adjuntan los valores de la proporción defectuosa
(PD), correspondiente a los distintos desplazamientos estudiados, para A=1 y
Cp=0.8333.
A partir de la Tabla 5.3.1, se puede afirmar que:
 cuando el proceso no está degradado (D=0, A=1), existen SUMAC y MEMPE

más potentes que Shewhart, puesto que dan una LRM superior.
 en ellos, al pasar a un proceso que presenta un desplazamiento D=0.25 las
LRM decrecen, siendo muy inferiores a las de Shewhart, situación que se
mantiene hasta desplazamientos próximos a 1σ0, en que las LRM de
Shewhart pasan a ser inferiores.
 se puede afirmar que los métodos MEMPE y SUMAC, son más eficientes que
Shewhart, para detectar pequeños cambios en el desplazamiento de un pro-
ceso.
 el método de Shewhart permite detectar con mayor facilidad, cambios en el
desplazamiento superiores a 1σ0 que el SUMAC con HM=5 y HS=4.
 para desplazamientos mayores que 1.35σ0 el método de Shewhart es más
eficiente que el MEMPE y SUMAC. Se debe tener presente que los procesos
reales, salvo situaciones extremadamente anómalas, se van degradando
progresivamente, pasando por pequeños desplazamientos o amplificaciones,
lo cual, será detectado con mayor facilidad por el esquema MEMPE o el SU-
MAC.
 es posible encontrar algún MEMPE más eficiente que un SUMAC, MEMPE
K=2.75, R=3, λ=0.10 respecto al SUMAC HM=5 y HS=4
 cuando el proceso no está degradado, hay SUMAC que dan LRM mayores
que algunos MEMPE, pero, en cuanto se producen desplazamientos entre
0.25 y 0.5σ0, existen MEMPE más eficientes.
 para desplazamientos superiores a 0.5σ0 el comportamiento de las LRM del
MEMPE y del SUMAC son similares.
 se puede concluir que en general, el comportamiento del MEMPE y del SU-
MAC presentan prácticamente la misma eficiencia en el control conjunto de la
tendencia central y la variabilidad. El esquema MEMPE, por tanto, presenta
86
una ventaja operativa respecto al SUMAC, ya que, su puesta en práctica en
procesos de control es más sencilla y fácil de aplicar.
 en consideración al primer punto, y a los análisis realizados para estas condi-
ciones específicas, se puede sugerir para realizar un proceso de control en
muestras de tamaño n=4, tanto el MEMPE K=2.75, R=4, λ=0.10 como el
SUMAC HM=3, HS=6, dado que presentan una eficiencia similar.
DL=0.5 AL=1.25 A=1.25 n=4

D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 20.04 15.77 8.89 2.68 1.36 1.06
HM HS LRM (SUMAC)
1 4 3.70 3.17 2.36 1.42 1.12 1.01
5 4 9.10 7.38 5.77 3.29 3.34 1.90
3 6 11.16 8.32 5.25 2.59 1.74 1.35
5 6 11.82 10.06 6.94 3.63 2.48 1.99
1 10 5.36 4.22 2.76 1.51 1.13 1.02
3 10 15.68 11.67 6.02 6.69 1.81 1.35
5 10 50.47 14.60 8.57 3.93 2.59 2.02
0.10 12.46 9.24 5.20 2.32 1.46 1.14
0.25 10.26 8.12 5.03 2.28 1.47 1.16
0.50 9.44 7.97 5.07 2.33 1.46 1.15
0.75 8.71 7.51 5.27 2.62 1.54 1.17
0.90 7.95 6.85 5.46 2.71 1.53 1.18
0.10 20.52 11.50 6.42 2.58 1.54 1.17
0.25 16.88 11.18 6.14 2.47 1.51 1.19
0.50 14.35 10.94 6.30 2.53 1.51 1.16
0.75 14.07 11.23 6.93 2.80 1.61 1.16
0.90 13.49 12.98 7.43 2.94 1.63 1.16
PD (%) Cp=0.833 4.55 4.98 6.30 11.76 21.25 34.47
Tabla 5.3.2 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, C=0.8333, A=1.25, n=4
En la Tabla 5.3.2 se presentan como ejemplo las LRM de Shewhart, SU-

MAC y MEMPE conjuntos, para procesos que presentan una amplificación A=1.25 y
n=4, se describe el comportamiento de estas LRM para distintos desplazamientos,
87
se presentan procesos degradados por variabilidad y se estudia el comportamiento
de las LRM para distintos desplazamientos, se puede afirmar que:
 con las excepciones del MEMPE K=2.75, R=4, λ=0.10 y el SUMAC HM=5,
HS=10, todos los demás MEMPE y SUMAC son más potentes que Shewhart
para detectar cambios en el desplazamiento inferiores a 1σ0.
 para desplazamientos mayores a 1σ0 el método de Shewhart es más eficiente
que los MEMPE presentados. Se reitera que los procesos generalmente se
degradan en forma gradual, y por tanto, el esquema MEMPE detectará con
mayor facilidad estas degradaciones en sus inicios.
 para desplazamientos mayores o iguales a 0.5σ0 las LRM del esquema
MEMPE tienden a estabilizarse independientemente del valor de λ que se eli-
ja.
 para un mismo desplazamiento en este tipo de procesos las LRM del esque-
ma MEMPE tienden a disminuir con el aumento de λ. Esta tendencia es simi-
lar a la observada en la Tabla 5.3.1.
 en esta situación específica, por tratarse de un proceso degradado, las LRM
tienden a decrecer con el aumento de λ, pues, mientras mayor sea λ, mayor
es el peso que le asignan los estadísticos del MEMPE a esta última observa-
ción, y como se trata de una observación degradada, los estadísticos sobre-
pasarán con mayor facilidad los límites de control disminuyendo así la LRM.
 existen MEMPE más potentes que algún SUMAC para detectar estas degra-
daciones (por ejemplo: MEMPE K=2.75, R=3, λ=0.90 respecto a los SUMAC
HM=5 , HS=4 ; HM=5 , HS=6; HM=5 , HS=10 y HM=3 , HS=10. MEMPE
K=2.75, R=4, λ=0.90 respecto al SUMAC HM=5 , HS=10)
 existen varios MEMPE y SUMAC que presentan un comportamiento similar
para detectar las degradaciones de estos procesos.
 los SUMAC con HM=1 , HS=4 , y HM=1 , HS=10, son los más eficientes para
detectar cualquier desplazamiento, debiendo tenerse en cuenta que en este
caso, el proceso se encuentra degradado al tener una amplificación A=1.25.
 al pie de la tabla se incluye la proporción defectuosa, PD, correspondiente a
cada desplazamiento, para una capacidad de calidad Cp=0.8333, con A=1.25.
En base a los resultados, y análisis de tablas obtenidos en el Capítulo III y

en todo el punto 5.3, se puede afirmar que el esquema MEMPE univariable para el
control conjunto de la media y la varianza, es de una aplicación altamente recomen-
dable, y a excepción de degradaciones catastróficas, es posible encontrar un MEM-
PE más potente que el método de Shewhart para detectar pequeñas degradaciones
en un proceso.
88
En relación al esquema SUMAC, se puede encontrar un MEMPE más efi-
ciente que algún SUMAC específico, para detectar estos pequeños cambios.
En general, el esquema MEMPE y el SUMAC presentan una gran similitud

de eficiencia, hay MEMPE tan potentes que un SUMAC. El SUMAC es más difícil de
implementar a nivel práctico por exigir un conocimiento global de las técnicas de
control, que desgraciadamente, no es usual dentro de la mayoría de las empresas.
En cambio, poner en marcha un control MEMPE es bastante más fácil, tanto

por el tipo de cálculos que se deben realizar, y por el hecho que puede ser com-
prendido y puesto en práctica por un mayor número de personas dentro de una em-
presa.
5.4 Comparación entre SUMAC y MEMPE conjuntos multivariables
En la Tabla 5.4.1, se presentan las LRM SUMAC y MEMPE para distintos

valores de D y A, para n=4 y A=1.25, se toman algunos valores del SUMAC conjunto
multivariable (1.3) y se comparan con el MEMPE conjunto multivariable, para las
mismas condiciones.
Se puede apreciar en la Tabla 5.4.1 que:
 cuando los procesos presentan una amplificación igual al valor límite AL y

desplazamientos 0.25  D  1.0 , existen MEMPE más eficientes que algu-
nos SUMAC (por ejemplo los MEMPE K=2.75, R=3 independientemente del
valor de λ respecto de los SUMAC con : HM=5 , HS=6 ; HM=4 , HS=8 y
HM=5 , HS=8) aunque la diferencia entre ellos es mínima. En esta misma si-
tuación, también se observan SUMAC más eficientes que todos los MEMPE.
(los SUMAC : HM=1, HS=4 ; HM=3 , HS=4 y HM=1 , HS=8)
 en el momento que el proceso se desplaza a D=0.25, las LRM de ambos es-
quemas tienen un comportamiento similar. Para desplazamientos entre 0.25 y
1, el parecido entre ambos esquemas es muy notorio, los valores de las LRM
son muy próximos entre sí.
 el SUMAC con HM=1, HS=4, es el más eficiente entre los SUMAC y que to-
dos los MEMPE cuando el proceso presenta un desplazamiento (consideran-
do que el proceso también presenta amplificación), pero, tiene el inconvenien-
89
te que cuando el proceso no está degradado, la LRM es muy pequeña, lo que
producirá un elevado número de falsas señales.
DL=0.5 AL=1.25
n=3 A=1 A=1.25
D=0.25 D=0.50 D=1.0

p=2 D=0
HM HS LRM (SUMAC)
1 4 7.9 2.77 2.32 1.47
3 4 90.84 6.03 4.29 2.44
3 6 207.32 7.54 5.10 2.67
5 6 641.44 9.96 6.78 3.74
1 8 8.14 3.41 2.58 1.55
4 8 932.37 10.93 6.66 3.35
5 8 2091.92 12.21 7.94 3.94
0.03 605.17 9.02 6.07 2.71
0.10 221.59 9.27 5.86 2.72
0.25 106.13 7.80 5.57 2.70
0.75 56.50 7.42 5.82 2.96
0.90 63.40 7.29 6.18 3.19
0.03 954.89 14.01 7.51 3.01
0.10 346.41 12.43 7.21 2.98
0.25 194.45 11.28 6.99 2.95
0.75 98.44 11.25 8.04 3.36
0.90 100.77 11.29 8.41 3.59
Tabla 5.4.1 LRM SUMAC y MEMPE, para distintos D, , A=1.25
Se puede concluir, que el esquema MEMPE multivariable para el control

conjunto, bilateral para la tendencia central y unilateral para la variabilidad, es de una
aplicación altamente recomendable, este esquema presenta una eficiencia similar
que el método SUMAC.
90
CAPÍTULO VI
6.1 Comparación entre los diferentes métodos. Aplicación
Todos los estudios realizados sobre la efectividad de los sistemas de con-

trol, ya sean Shewhart, SUMAC o MEMPE, que se han venido comentando y
desarrollando, se han basado en el estudio del valor de la longitud de ráfaga me-
dia, LRM, asociado a una señal de proceso fuera de control.
Para determinar los valores de las LRM, sea cual fuere el procedimiento
de cálculo utilizado, se parte de un proceso degradado hasta un determinado pun-
to, representado por un desplazamiento D y una amplificación A, en el cual se
mantiene constantemente todo el tiempo que se precise hasta detectar una señal
de fuera de control.
Este modelo de comportamiento es perfectamente válido a efectos com-

parativos de los distintos métodos, ya que, será mejor aquel sistema de control
que cuando el proceso está en su situación objetivo (D=0, A=1) dé una LRM ma-
yor (menos falsas señales), mientras que cuando se degrade (D ó A) la LRM sea
menor, tanto más cuanto más cerca esté de la situación límite (DL,AL). Modelo
también válido para escoger los parámetros característicos del control en función
de la potencia deseada en la aplicación práctica.
Sin embargo, el comportamiento de un proceso productivo real, no es de

esperar que siga esta modelización, sino que por el contrario, se partirá de un
proceso que inicialmente puede ser correcto (D=0, A=1) sobre el que se aplicará
un sistema de control que garantice la detección, lo más rápidamente posible, de
cualquier tipo de degradación. Para ello, se escogerán los parámetros caracterís-
ticos que, sin dar excesivo número de falsas señales cuando el proceso es correc-
to, presenten una buena garantía, LRM pequeña, de aviso cuando el proceso se
sitúe en la situación límite que se desea detectar (DL y AL). Pero, a esta situación
no es lógico que se llegue en forma brusca o discreta sino que la degradación, es
de esperar que sea prácticamente continua, esto sí, más o menos rápida.
De esta forma, si la velocidad de degradación del proceso fuese elevada

y el tiempo transcurrido entre la toma de dos muestras consecutivas fuese compa-
rativamente grande, aparentemente entre un punto y el siguiente llevado al gráfico
de control se daría un efecto equivalente a una degradación discreta e importante
del proceso. Pero, si el tiempo intermuestral no es excesivo, la aplicación real y
91
sistemática de unas pautas de control deben enfrentarse a una degradación, si se
produce, muy pequeña pero sostenida.
Es bajo este prisma, y a efectos de comparar las distintas metodologías

de control de calidad, se desarrolla un ejemplo de aplicación para un proceso que
partiendo inicialmente de una situación correcta, es decir, sin ningún tipo de des-
plazamiento ni de amplificación, presenta una degradación continua de la tenden-
cia central, manteniéndose perfecto desde el punto de vista de la variabilidad, tal
como se esquematiza en la Fig 6.1.1.
σ2 0
m0
Fig 6.1.1 Degradación de un proceso por desplazamiento
Para ello se considera el siguiente esquema de proceso:
- Situación objetivo N(m0,σ20), con m0=0 y σ20=1, por tanto, e inicialmen-

te, el proceso es N(0,1)
- Desplazamiento constante de σ0/25 para cada período intermuestral.
Así, en la muestra i-ésima el desplazamiento real es
(i  1) i  1
Di   i=1,2,3,...
25 25
éste desplazamiento coincide, con el desplazamiento reducido; el proceso pasa a

ser N((i -1)/25 , 1)
Situación a detectar: Desplazamiento crítico DL=0.25
Amplificación crítica AL=1.25
Tamaño de muestra n=5
92
por la velocidad de desplazamiento considerada, al crítico se llega en el octavo
período muestral.
El desarrollo de este ejemplo, se efectúa en base a simular en cada

instante de control, una muestra de tamaño 5 de la correspondiente ley normal,
N((i-1)/25 , 1), calculando seguidamente la media y varianza de esa muestra
Xij ~ N((i -1)/25 , 1) i=1,2,... , j=1,2,...,n
Xi 
1 n
 X ij y S 2i 
1 n
 X ij  X i 2 , n=5
n j 1 n  1 j 1
2
i D X X S
1 0.00 -0,20919 0,30386 -0,94935 0,05627 -0,80804 -0,32129 0,29433
2 0.04 0,55825 -0,89092 -1,37213 1,54899 -0,09186 -0,04953 1,34592
3 0.08 0,72446 0,48732 0,10207 0,64965 0,41522 0,47574 0,05888
4 0.12 2,21280 -0,58787 1,15394 0,56152 -1,91850 0,28438 2,54133
5 0.16 1,26214 -0,15815 1,72211 -0,19074 1,62557 0,85219 0,90785
6 0.20 0,47182 0,95213 1,76494 -0,09373 -0,58873 0,50128 0,83578
7 0.24 0,57864 -0,44186 1,36830 -1,20215 0,42224 0,14503 0,98014
8 0.28 0,06369 3,30768 0,72406 -0,45697 1,17271 0,96224 2,10591
8* 0.28 -1,16279 -0,18181 0,07880 0,14768 0,57358 -0,10891 0,42071
9 0.32 -1,06634 -0,82406 0,06685 -1,02262 -0,94259 -0,75775 0,22098
10 0.36 -0,67277 0,59276 -0,39706 0,09260 1,58150 0,23941 0,79620
11 0.40 0,16473 -0,10821 1,17412 2,15002 -0,98213 0,47971 1,46350
12 0.44 0,35056 -1,12726 0,80609 1,52741 0,92073 0,49551 0,99912
13 0.48 0,46555 0,92266 -0,36901 0,95667 2,26720 0,84862 0,91473
14 0.52 0,55628 2,59979 1,21360 2,22507 0,12419 1,34379 1,11968
14* 0.52 1,57570 -0,16077 0,27303 0,58313 1,01022 0,54705 0,61187
15 0.56 0,63662 0,20663 0,46744 1,60982 -2,07640 0,16881 1,85680
16 0.60 0,65208 0,28672 0,85416 1,01636 0,62465 0,68679 0,07544
17 0.64 0,92887 0,65226 1,33353 2,26342 1,15762 1,26714 0,37537
17* 0.64 -0,00395 0,75339 0,85892 0,11327 0,40296 0,37961 0,19001
18 0.68 0,90893 1,35281 -0,25285 1,66809 0,70096 0,87559 0,54020
19 0.72 0,81783 0,78959 1,31671 1,06117 -0,08753 0,77956 0,28031
20 0.76 1,27825 -0,17092 -0,65213 2,26899 0,62814 0,67047 1,34592
21 0.80 1,16426 0,59254 0,56676 1,70544 1,84743 1,17529 0,36071
93
21* 0.80 1,78649 -0,71960 1,64567 0,13667 1,78823 0,15823 2,37722
22 0.84 -0,17231 1,52105 0,86125 -0,91817 1,28645 0,51565 1,06339
23 0.88 0,21162 1,43987 1,82224 -0,15366 0,12011 0,68804 0,77741
24 0.92 0,53969 0,09359 -0,18733 0,39351 0,23807 0,21551 0,07861
25 0.96 -0,25849 0,14589 1,66228 -0,55565 1,84334 0,56747 1,23695
26 1.00 0,20689 1,93246 0,85749 0,11146 1,95907 1,01348 0,80680
26* 1.00 1,18810 1,08361 3,55195 1,85348 0,10229 1,55589 1,63603
2
Tabla 6.1.1 Desplazamientos, observaciones, medias y varianzas, para σ 0=1
En la Tabla 6.1.1, se presentan los valores generados para cada muestra, la

media y la varianza. Los asteriscos frente a algunas muestras, indican que en la
muestra anterior se produjo un valor de atención en el gráfico de Shewhart, ya sea
por x ó S, por lo que es necesario generar instantáneamente una muestra adicio-
nal (de la misma distribución que la última), al objeto de corroborar si esta señal
es una falsa señal de degradación, o por el contrario es una evidencia que el pro-
ceso se encuentra en una situación inadmisible; si el valor de x ó el de S obteni-
dos en esta última muestra, sobrepasa los límites de atención ó los de interven-
ción, se debe proceder a intervenir el proceso, puesto que se confirma la señal de
fuera de control.
La evolución de los valores de x y S se presentan en el gráfico de Shewhart

de la Fig 6.1.2, en que los límites de atención (MAS y MAI) y de intervención (MIS
y MII) son:
MAS = 1.96/5=0.8765 MAI = -1.96/5=-0.8765
MIS = 3.09/5=1.382 MII = -3.09/5=-1.382
Los cuadrados de la Fig 6.1.2 representan los valores de x y S obtenidos en

las muestras adicionales.
En este ejemplo, la primera señal de atención se presenta en la octava mues-

tra y es por tendencia central, los valores de x y S de la muestra adicional indican
que era una falsa alarma, por lo que el proceso continua, lo mismo ocurre para las
muestras adicionales a las muestras 14, 17 y 21. En cambio, en la muestra 26 se
obtiene un valor de atención para x , y la de su correspondiente muestra adicional
también presenta un valor de atención para x , por lo cual, en ese instante se de-
tecta una degradación inadmisible de la media y se debe intervenir el proceso; en
94
este momento, el desplazamiento real es igual a 1, es decir, la media del proceso
se ha incrementado en una cantidad igual a una σ0, cuando el valor del despla-
zamiento crítico es de 0.25.
Así pues, desde el momento en que se tomó la muestra número 8 en el que el

proceso tenía un desplazamiento real D=7/25=0.28, superior al crítico (DL=0.25),
hasta que se ha llegado al período 26, en que el método de Shewhart avisa de la
degradación, se ha estado produciendo material cuya calidad está claramente por
debajo de la establecida como límite de aceptación; hecho ocurrido durante 26 -
8=18 períodos intermuestrales. Hay que insistir, en el agravante que cada vez el
proceso está peor y el control de Shewhart sigue sin detectarlo.
x
MIS
MAS
S
CT
MAI
MII
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 t
SIS
SAS
Fig 6.1.2 Copntrol Shewhart de x yS
95
Si se aplica un control de Shewhart con señales, como el sugerido por Capilla
y Romero (1991), el proceso se debe intervenir en la muestra 16 (siete puntos
seguidos por encima de la media). En el gráfico de la Fig 6.1.2 esta situación se
señala con una S, la cuenta de estos siete puntos se inicia a partir de la muestra
10. Está claro que este proceso, mejora la eficacia del método de Shewhart clási-
co, conduciendo en este caso, a detectar la degradación en la muestra número
16, la cual corresponde a una situación real de un desplazamiento igual a
15/25=0.6. En este caso ha transcurrido un tiempo de 16 – 8 = 8 períodos inter-
muestrales de fabricación fuera de los límites de aceptación sin que el sistema de
control lo haya detectado.
Si se aplica el método MEMPE para =0.05, K=2.5 y R=4 se obtiene :
i D X X S2 Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,016 ±0,056 0,965 1,141
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,018 ±0,077 0,984 1,195
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,007 ±0,092 0,938 1,233
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,021 ±0,104 1,018 1,263
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,062 ±0,121 1,012 1,307
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,084 ±0,128 1,003 1,324
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,087 ±0,134 1,002 1,339
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,131 ±0,139 1,057 1,352
9 0,32 -1,066 -0,824 0,0669 -1,023 -0,943 -0,7578 0,2210 0,087 ±0,147 1,016 1,373
10 0,36 -0,673 0,5928 -0,397 0,0926 1,5815 0,2394 0,7962 0,094 ±0,151 1,005 1,381
11 0,4 0,1647 -0,108 1,1741 2,15 -0,982 0,4797 1,4635 0,114 ±0,154 1,028 1,389
12 0,44 0,3506 -1,127 0,8061 1,5274 0,9207 0,4955 0,9991 0,133 ±0,156 1,026 1,395
13 0,48 0,4656 0,9227 -0,369 0,9567 2,2672 0,8486 0,9147 0,168 ±0,159 1,021 1,401
Tabla 6.1.2 Estadísticos y límites para la media y varianza con λ=0.05, K=2.5 y R=4
En la Fig 6.1.3a, el MEMPE con λ=0.05, K=2.5 para la media, se observa que
en la muestra 13 detecta que el proceso está fuera de control, situación bastante
mejor que el método de Shewhart y Shewhart con señales. En la Fig 6.1.3b, el
MEMPE con λ=0.05, R=4 para la de variabilidad, muestra un comportamiento
acorde con que ésta no cambia.
Este MEMPE permite observar en la Fig 6.3.1a, que desde la segunda

muestra el proceso se está degradando hacia la tolerancia superior, aunque
todos los puntos están en la zona bajo control
96
Zt
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13
-0,05
-0,1
-0,15
-0,2
Fig 6.1.3a Control MEMPE de la media con λ=0.05 y K=2.5
Wt
1,6
1,4
1,2
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Fig 6.1.3b Control MEMPE para la varianza con λ=0.05 y R=4
97
i D X X S2 Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,080 ±0,280 0,824 1,707
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,073 ±0,349 0,954 1,884
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,064 ±0,383 0,730 1,969
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,119 ±0,401 1,183 2,014
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,303 ±0,416 1,114 2,052
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,352 ±0,419 1,045 2,059
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,300 ±0,420 1,029 2,064
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,466 ±0,421 1,298 2,066
Tabla 6.1.3 Estadísticos y límites para la media y varianza con λ=0.25, K=2.5 y R=4
En la Fig 6.1.4a, para un MEMPE con λ=0.25, K=2.5, R=4, al darle mayor pe-
so al último valor promedio que ingresa, como el proceso se está degradando ha-
cia la tolerancia superior, es posible detectar este desplazamiento en la muestra 8,
situación mejor que la obtenida en la Fig 6.1.3a.
Zt
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8
-0,1
-0,2
-0,3
-0,4
-0,5
Fig 6.1.4a Control MEMPE para la media con λ=0.25 y K=2.5
98
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Fig 6.1.4b Control MEMPE para la varianza con λ=0.25 y R=4
Si se aplica el método SUMAC, con HM=3 y HS=6, a estas muestras para

compararlo con Shewhart y MEMPE, se obtienen los siguientes valores de los
estadísticos Ut y Wt,:
Ut Wt
0 0
0,075466 0,10622921
0,67621 0
1,085584 1,30164694
2,06277 0,96981713
2,689056 0,56591296
2,95909 0,30637314
4,046324 1,17260306
Tabla 6.1.4 Estadísticos SUMAC
99
Ut
4,5
3,5
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Wt
0
1 2 3 4 5 6 7 8
Fig 6.1.5 Control SUMAC, HM=3, HS=6, DL=0.25, AL=1.25
En la Fig 6.1.5 se muestra la evolución del control SUMAC conjunto, para

la tendencia central y variabilidad; como el desplazamiento es positivo, sólo se
presenta el comportamiento de Ut, para HM=3, HS=6, DL =0.25, AL=1.25. Se ob-
serva que la detección del desplazamiento se produce en la muestra 8, al igual
que con el esquema MEMPE de λ=0.25. Este hecho es de esperar, ya que para
estas condiciones tanto el MEMPE como el SUMAC presentan prácticamente la
misma eficiencia, como se describió en el Capítulo VI.
Se verifica que el esquema MEMPE y el SUMAC son más eficientes que el

método de Shewhart para detectar pequeños cambios continuos en el desplaza-
100
miento de un proceso, y su eficiencia es similar. Se reitera en destacar, que de
todas maneras el esquema MEMPE es más versátil que el SUMAC y de una apli-
cación más sencilla.
En la Tabla 6.1.5 se presentan los resultados comparativos de los distintos

esquemas de control utilizados, acompañando en cada caso del valor t*, que re-
presenta el número de períodos intermuestrales en que el proceso ha estado tra-
bajando con un desplazamiento superior al crítico, antes de tener una señal de
fuera de control, t*=i* - 8, donde i* es el número de la muestra que da la señal, a
la que corresponde un desplazamiento real D*.
Método i* D* t* p* (‰)
Shewhart 26 1 18 18.31
Shewhart
16 0.60 8 6.39
Con señales
MEMPE =0.05
13 0.48 5 4.71
K=2.5 R=4
MEMPE =0.25
8 0.28 0 2.84
K=2.5 R=4
SUMAC
8 0.28 0 2.84
HM=3 , HS=6
Tabla 6.1.5 Comparación métodos de control
A efectos del ejemplo, si se supone que cuando el proceso está en

condiciones correctas, da lugar a un uno por mil de piezas defectuosas por ex-
ceso y a un uno por mil de piezas defectuosas por defecto, la columna p* repre-
senta la proporción total de piezas defectuosas, que se tiene en el momento de
detectar que el proceso está fuera de control, que en algunos casos puede ser
realmente alarmante.
El valor de λ en el esquema MEMPE, deberá ser elegido tomando en

cuenta consideraciones de tipo económico, respecto de lo que puede producir un
retardo en la detección de cualquier degradación. Si el proceso ha sido bien dise-
101
ñado y se sabe que producrirá pocos defectos, lo más indicado es tomar valores
pequeños de λ, ya que cualquier falsa señal será atenuada, pero, si el proceso se
está degradando con variaciones muy pequeñas, un valor bajo de λ demorará la
aparición de la señal de intervenir en el proceso.
Al usar un valor alto de λ cuando el proceso sea correcto, se producirán

oscilaciones muy marcadas en el comportamiento de los estadísticos del MEMPE,
aumentando así el número de falsas señales, pero, si el proceso comienza a de-
gradarse en forma continua, la señal de intervenir se producirá más prontamente.
Si los cambios son pequeños, mientras más grande sea λ más parecido será el
esquema MEMPE al método de Shewhart, lo que retardará la aparición de la se-
ñal de intervenir. Esto, parece indicar que si se sospecha que la degradación,
siendo continua, es de velocidad pequeña en comparación al período intermues-
tral, valores de λ entre 0.10 y 0.50 serán los más indicados, pues sin dar un valor
excesivamente grande de falsas señales cuando el proceso es correcto, avisarán
en forma relativamente rápida de la degradación.
102
CAPÍTULO VII
Características de un Proceso Industrial
Introducción
A partir de un proceso centrado en el centro de tolerancia, CT, con des-

viación estándar 0, el cual genera una proporción de defectuosos p 0, (a); se
puede producir un desplazamiento de la tendencia central hacia la tolerancia
inferior, TI, ó hacia la tolerancia superior, TS, (b y c) manteniendo constante su
variabilidad; dependiendo de la magnitud de este desplazamiento, es la propor-
ción de defectuosos que el proceso puede llegar a generar.
0
a)
b)
c)
d)
e)
Defectuoso TI CT TS Defectuoso
Fig 7.1 Características de un proceso
103
También, puede mantenerse centrado en CT, pero, presentar un aumen-
to en su variabilidad (d), lo cual genera un incremento en la proporción de de-
fectuosos, y, si además de aumentar la variabilidad se produce un desplaza-
miento, la proporción de defectuosos puede llegar a niveles inaceptables. Como
se verá, los métodos de control de calidad permiten vigilar una determinada ca-
racterística del comportamiento del proceso, logrando detectar ya sea los des-
plazamientos hacia las tolerancias TI ó TS, ó los aumentos de variabilidad.
7.1 Capacidad de Calidad de un Proceso
La capacidad de calidad de un proceso de determina a través del índice

de variabilidad del proceso y del índice de descentramiento. Pepió, Polo y Ver-
gara (1991) realizan un análisis crítico de los índices de calidad de un proceso,
en el cual estudian el comportamiento del índice de variabilidad definido por
TS  TI
Cp 
6
que permite medir, cuantas unidades de 6 están contenidas en el intervalo de
tolerancias definido para el producto.
a) b)
TI TS TI TS
6
6
c)
TI TS
6
Fig 7.1.1 Características de la variabilidad y descentramiento
104
En la Fig 7.1.1a, como 6σ está contenida más de una vez entre toleran-
cias, el índice de variabilidad Cp será mayor a 1, lo que implica que el proceso
produce una proporción de piezas defectuosas inferior al 2‰. En la Fig 7.1.1b,
Cp es inferior a 1, por tanto, la proporción de piezas defectuosas que se fabrica-
rá será superior al 2‰. En la Fig 7.1.1c, aunque el Cp sería bastante superior a
1, claramente, la proporción de piezas defectuosas tendrá valores inaceptables,
dado el desplazamiento que muestra el proceso, por ello, el índice Cp por sí só-
lo no basta, se requiere de otro estadístico que detecte si el proceso se descen-
tra respecto del valor nominal CT.
Para controlar que el proceso no presente estos desplazamientos hacia

alguna de las tolerancias, se utiliza el índice de descentramiento definido por:
 TS  m
 3 si m es proxima a TS

C pk 
 m  TI
 3 si m es proxima a TI

Si el proceso está centrado se verifica que Cp=Cpk, si un proceso presen-
ta desplazamiento hacia cualquiera de las tolerancias Cpk será menor o igual a
Cp. El ideal es que Cp  Cpk, es decir, que el proceso esté lo más centrado posi-
ble; tanto mejor, si ambos valores son superiores a uno.
Pepió, Polo, Vergara (1991) proponen el siguiente procedimiento: selec-

cionar muestras aleatorias independientes de tamaño n en t intervalos regulares
de tiempo, de un proceso de fabricación que se considera que está produciendo
en condiciones estables, de tal forma que t • n > 100. A partir de estos estadísti-
cos se estima la media m y la desviación estándar σ por :
x j
1 t
 S j
j 1
ˆ x
m y ̂  S 2 
2
t t j 1
Es importante, construir un histograma con diez intervalos de igual ampli-

tud, para observar la distribución de estos t • n datos, además, de un gráfico
cronológico de x y S, para detectar posibles degradaciones que pueda presen-
tar el proceso en su inicio, ya sea desplazamientos, comportamientos no aleato-
rios, autocorrelación, rachas ascendentes o descendentes, u otras anomalías.
105
En la Fig 7.1.2, se puede apreciar que para un proceso centrado, Cp=Cpk,
a medida que Cp aumenta la proporción de piezas defectuosas disminuye ex-
ponencialmente a cero. Las curvas de defectuosos para procesos que presen-
tan desplazamiento respecto de CT de 0.25 y 0.5, muestran que mientras ma-
yor es el desplazamiento mayor es la proporción de defectuosos que ellas pre-
sentan respecto de un proceso centrado.
Fig 7.1.2 Proporción de defectuosos para un proceso para distintod valores D
7.2 Ejemplos
Ejemplo 7.2.1. En un proceso de manufactura, el diámetro de un pistón se dis-

tribuye aproximadamente normal, con especificación 5.0 +/- 0.2 m.m, es decir,
su tolerancia inferior TI=4.8, su centro de tolerancia CT=5.0 y su tolerancia su-
perior TS=5.2 m.m.
Muestras Promedio Varianza

1 4,97 5.00 4,99 4,99 5,03 5.00 0,00048
2 4,98 4,97 4,95 5,17 4,99 5,01 0,00802
3 4,97 5,1 5,04 5.00 4,95 5,01 0,00357
4 5.0 4,96 5,02 5.00 4,99 4,99 0,00048
5 5,11 4,99 5,06 5,01 5,05 5,04 0,00218
6 4,97 5,02 5,01 4,91 4,99 4,98 0,0019
106
7 4,88 5.00 5,05 4,95 5,01 4,98 0,00427
8 5.00 4,96 4,97 5.00 5,04 4,99 0,00098
9 4,95 4,95 4,97 5,30 5,02 5,04 0,02227
10 4,99 5,01 4,87 5,01 4,94 4,96 0,00358
11 5.00 4,99 4,97 4,98 4,97 4,98 0,00017
12 4,95 4,99 4,97 5,15 4,99 5,01 0,0064
13 5,02 4,99 5,03 5,04 4,94 5.00 0,00163
14 5,01 5.00 4,92 4,85 5,03 4,96 0,00567
15 4,99 5,01 4,80 5,07 5.00 4,97 0,01043
16 5.00 4,99 4,97 4,99 4,94 4,98 0,00057
17 4,95 4,99 5,02 5.00 4,99 4,99 0,00065
18 4,95 4,98 5,10 4,92 5,19 5,03 0,01287
19 4,9 5,04 4,90 5,03 4,96 4,97 0,00458
20 5,05 5.00 4,98 5,01 5.00 5,01 0,00067
21 5,01 4,87 4,99 5,02 5.00 4,98 0,00377
m 4,994 0,005
la m estimada del proceso es 4.994 y la σ estimada es 0.0707, luego
TS  TI 5.2  4.8 m  TI 4.994  4.8

Cp    0.9428 C pk    0.9145
6 0.42426 3 0.21213
por tanto, se trata de un proceso poco preciso, con un desplazamiento hacia la

tolerancia inferior de 0.08485 σ .
5,06
5,04
5,02
4,98
4,96
4,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
107
s
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Fig 7.2.1 Gráficos de medias y desviaciones estándar
Se puede apreciar en la Fig 7.2.1 del gráfico de medias y de desviacio-

nes estándar, que el proceso en su estudio de capacidad de calidad tiene un
comportamiento aleatorio y no presenta anomalías.
Ejemplo 7.2.2. Se someterá a estudio de calidad, el diámetro de un orificio de

una boquilla Ganenaus de ignición, de un quemador tipo Luminaria utilizado en
la industria en hornos de secado. En el interior del quemador, se realiza la pre-
mezcla de gas natural-aire, en el que el gas natural es suministrado por un in-
yector a una presión de 20 [mbar] y a una velocidad de 12 [m/seg], el aire es
suministrado a presión atmosférica por medio de un venturi regulable. Poste-
riormente la pre-mezcla es expulsada a través de 34 boquillas Ganenaus en
donde se produce la llama generando una potencia total de 50.000 [Kcal/hr].
muestra x promedio varianza

1 6,10 5,98 6,08 5,97 6,03 0,00370
2 5,92 6,04 5,87 6,08 5,98 0,01243
3 6,01 6,14 5,92 6,03 6,03 0,01210
4 5,83 6,08 6,14 5,98 6,01 0,00653
5 5,94 6,12 5,93 6,08 6,02 0,01003
6 5,97 6,01 5,94 6,04 5,99 0,00263
7 5,96 6,12 5,94 5,97 6,00 0,00930
8 6,20 6,04 5,92 6,02 6,05 0,00413
108
9 5,94 6,07 5,92 5,96 5,97 0,00603
10 5,92 5,98 6,07 5,88 5,96 0,00903
11 5,98 6,05 5,97 6,03 6,01 0,00173
12 5,95 5,98 6,02 5,97 5,98 0,00070
13 6,01 5,94 6,01 5,98 5,99 0,00123
14 6,01 5,92 5,94 6,09 5,99 0,00863
15 6,03 6,07 5,97 6,10 6,04 0,00463
16 6,02 5,94 5,87 6,08 5,98 0,01143
17 5,91 5,97 6,14 6,03 6,01 0,00743
18 5,93 6,11 6,03 6,11 6,05 0,00213
19 6,05 5,99 6,14 5,98 6,04 0,00803
20 5,98 6,14 5,94 6,05 6,03 0,01003
21 6,03 6,07 5,87 5,95 5,98 0,01013
22 5,98 6,13 6,05 5,94 6,03 0,00910
23 5,97 6,08 6,15 5,98 6,05 0,00730
24 5,97 6,05 6,14 5,99 6,04 0,00570
25 5,98 5,95 5,96 6,02 5,98 0,00143
26 6,02 5,99 6,01 6,05 6,02 0,00093
27 5,98 6,02 5,94 6,15 6,02 0,01123
El diámetro de diseño de la boquilla es de 6 [mm] con una tolerancia de ±

0,3 [mm], es muy importante lograr todos los parámetros indicados, ya que, las
variaciones en los diámetros pueden generar fenómenos puntuales de llama
oxidante o reducida, al ser la calibración del aire general para todas las boqui-
llas.
La llama oxidante, es una llama con exceso de aire, generando pérdidas

de energía, no aprovechable, por la trasformación del agua en vapor. En el caso
contrario, la llama reducida, es decir, falta de oxígeno, genera combustible sin
reaccionar completamente, con la consiguiente generación de monóxido de
carbono. Se realizará un análisis para determinar si el diámetro del inyector
cumple con la especificación definida.
109
x
6,06
6,04
6,02
6
CT
5,98
5,96
5,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Fig 7.2.2 Gráfico de medias y desviaciones estándar
La media estimada es 6.01 y la σ estimada es 0.08114, luego Cp=1.2324

y Cpk=1.1958, esto indica que se trata de un proceso preciso con un descen-
tramiento hacia la tolerancia inferior de 0.1232 σ .
En la Fig 7.2.2 de la media y de la desviación estándar, se puede obser-

var que el proceso en su estudio de capacidad de calidad tiene un comporta-
miento aleatorio, no presenta anomalías. En la Fig 7.2.4 se muestra el histo-
grama asociado a los 108 valores medidos.
110
35
30
25
20
No of obs
15
10
0
5,75 5,80 5,85 5,90 5,95 6,00 6,05 6,10 6,15 6,20 6,25
Fig 7.2.4 Histograma de las medidas del estudio de capacidad de calidad
7.3 Gráficos de Control
Los gráficos de control permiten vigilar características cuantificables de un

proceso productivo, para detectar que la medida de tendencia central del proce-
so no se desplace hacia las tolerancias, y para controlar que la variabilidad del
proceso no aumente respecto del valor definido para ella.
En todo proceso productivo pueden aparecer productos defectuoso debido

principalmente a dos causas: las asignables, que son aquellas producidas por
un uso de materia prima de mala calidad, ó por deficiencias en la calibración de
la máquina, ó por operarios no entrenados adecuadamente, ó por desgaste de
pieza de la máquina, etc., la aparición de estas causas generarán productos
defectuosos. Las no asignables, son aquellas que aunque se fabrique con la
mejor materia prima, los mejores operarios, la mejor maquinaria, etc., y aunque
el proceso se repita en condiciones prácticamente idénticas, igual se producirán
artículos defectuosos, esta variabilidad se conoce como variabilidad inherente ó
no asignable ó aleatoria, que no puede reducirse económicamente mediante
descomposición, aislamiento ó eliminación de las causas que la producen.
111
7.3.1 Gráficos de Shewhart
Los gráficos de Shewhart (1931) permiten realizar un control simultáneo

de la tendencia central y la variabilidad de un proceso para una muestra aleato-
ria de tamaño n.
Con la información aportada por una muestra aleatoria se realiza una dó-
cima puntual bilateral para controlar la tendencia central y una unilateral para
controlar la variabilidad por:
TENDENCIA CENTRAL VARIABILIDAD
 H0 :  0  x  H0 : 2   20
 
 
 H :    x  H : 2   20
 1 0  1
y, para realizar la dócima para la tendencia central define dos límites de control
simétricos al promedio de los promedios, m estimada, de las muestras obteni-
das para realizar el estudio de la capacidad de calidad, y alejados tres desvia-
ciones estándar estimadas a partir de m̂ , es decir,
LCS  mˆ  3ˆ
ˆ  3ˆ
LCI  m
Este método, para ser aplicado requiere que previamente se realice un estu-
dio del comportamiento del proceso, dado que el control de una característica de-
be realizarse respecto del valor nominal o centro de tolerancia definida a ella, CT,
y no, realizar el control respecto del promedio de los promedio. Puesto que, cuan-
do se hace el estudio de la capacidad de calidad, si el proceso presenta degrada-
ciones o anomalías, el promedio de los promedios puede compensar valores ex-
tremos del proceso y no detectar posibles tendencias o rachas. Este tipo de análi-
sis se debe realizar antes de definir éstos los límites de control, de lo contrario, se
puede llegar a instaurar un método de control de calidad erróneo. Para mostrar
algunas de estas situaciones, se desarrollan los siguientes ejemplos, en los cua-
les se ilustrará que el uso del promedio de los promedios puede no tener sentido.
112
a) En la fabricación de una pieza, su longitud está especificada por 1.5  0.5
m.m, se toman 30 muestras de tamaño n=4, a intervalos regulares de
tiempo.
medidas promedio varianza

1,002 1,022 1,137 1,003 1,041 0,00417
1,014 1,056 1,024 1,111 1,051 0,00192
0,952 1,077 1,051 0,891 0,993 0,00753
1,054 0,960 0,942 0,995 0,988 0,00243
0,987 0,974 0,976 0,976 0,978 0,00004
0,990 1,177 1,107 0,992 1,066 0,00843
0,944 1,038 1,006 1,189 1,044 0,01080
0,923 0,979 1,321 0,993 1,054 0,03257
1,066 1,049 1,078 1,028 1,055 0,00047
1,072 1,012 1,212 0,955 1,063 0,01221
1,344 1,453 1,506 1,394 1,424 0,00494
1,400 1,455 1,454 1,394 1,426 0,00109
1,186 1,408 1,455 1,405 1,363 0,01459
1,435 1,571 1,473 1,462 1,485 0,00354
1,337 1,321 1,376 1,366 1,350 0,00064
1,515 1,542 1,402 1,373 1,458 0,00688
1,342 1,419 1,577 1,329 1,417 0,01298
1,254 1,409 1,294 1,359 1,329 0,00468
1,451 1,273 1,388 1,287 1,350 0,00725
1,457 1,405 1,442 1,503 1,452 0,00162
1,792 1,758 1,740 1,759 1,762 0,00046
1,724 1,618 1,950 1,602 1,724 0,02565
1,639 1,932 1,919 1,688 1,795 0,02329
1,857 1,645 1,773 1,909 1,796 0,01328
1,766 1,836 1,861 1,881 1,836 0,00251
1,933 1,732 1,720 1,783 1,792 0,00957
1,854 1,740 1,937 1,667 1,800 0,01425
1,704 1,912 1,863 1,914 1,848 0,00983
1,651 1,857 1,672 1,681 1,715 0,00906
1,744 1,785 1,745 1,599 1,718 0,00669
La media estimada es 1.4058, la sigma estimada es 0.09189, con lo que,

Cp=1.814 y Cpk=1.472, por ello, se deduce que se está frente a un proceso preciso
que genera una proporción de defectuosos inferior al dos por mil.
113
De acuerdo a Shewhart, los límites de control de x para este proceso es-
tán dados por:
LCS  mˆ  3ˆ  1.4058  3 * 0.091894866  1.68148

ˆ  3ˆ  1.4058  3 * 0.091894866  1.13011
LCI  m
En la Fig 7.3.1, se puede apreciar que existe una causa asignable que ha-
ce que el proceso se degrade hacia la tolerancia superior a intervalos regulares de
tiempo, en que todas las primeras muestras los promedios están bajo el límite de
control inferior, y los valores de las últimas diez medias, superan el límite superior,
por lo cual, los límites definidos, por una parte no controlan el proceso respecto de
su valor nominal y tampoco tienen validez puesto que han sido definido a partir de
un proceso que está fuera de control en su etapa de estudio.
2,000
1,800
1,600
1,400
CT
1,200
1,000
0,800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Se debe destacar que el promedio de los promedios compensa los valores

extremos, y si no se hace un gráfico con la información obtenidas en las muestras,
no es posible detectar este desplazamiento sistemático en el proceso. Además,
con el método de Shewhart la línea central de control se fija en un valor que está
desplazado en 1.025σ hacia la tolerancia inferior del valor nominal definido al pro-
ducto. El histograma de la Fig 7.3.2 muestra claramente la existencia de un com-
portamiento no atribuible a una sola distribución.
114
18
16
14
12
No of obs
10
0
0,7 0,8 0,9 1,0 1,1 1,3 1,5 1,6 1,8 1,9 2,1
Fig 7.3.2 Histograma
Es importante, señalar que los puntos de la Fig 7.3.1, como los de cual-
quier gráfico de control de éste tipo, no se pueden unir por líneas, como apa-
rece en la mayoría de los textos de control de calidad. Para realizar el control,
se efectúa una dócima puntual a intervalos regulares de tiempo, y por tanto, no
se conoce el comportamiento del proceso cuando no se está realizando mues-
treo. Se debe recordar, que estos procesos tienen un comportamiento aleato-
rio, por tanto, entre dos períodos de toma de muestras no se conoce el com-
portamiento real del proceso. En la Fig 7.3.1a, se muestran un posible compor-
tamiento entre los períodos j y k mientras no se realiza muestreo, esta situa-
ción ilustra que no tiene sentido unir estos puntos.
1,5
1,45
1,4
1,35
1,3
1,25
1 2 3 4 5 6 7 8
j k
Fig 7.3.1a Período sin muestreo entre j y k

115
b) En la fabricación de una pieza, su longitud está especificada por 1.5  0.5
m.m, se toman 31 muestras de tamaño n=5, a intervalos regulares de tiempo.
medidas promedio varianzas

1,364 1,451 1,401 1,288 1,352 1,371 0,00368
1,467 1,289 1,356 1,286 1,436 1,367 0,00692
1,579 1,463 1,427 1,518 1,529 1,503 0,00354
1,193 1,528 1,482 1,465 1,367 1,407 0,01768
1,464 1,333 1,397 1,442 1,307 1,389 0,00459
1,398 1,331 1,273 1,424 1,441 1,373 0,00488
1,164 1,491 1,453 1,345 1,324 1,355 0,01644
1,529 1,336 1,517 1,380 1,445 1,441 0,00708
1,714 1,390 1,500 1,668 1,462 1,547 0,01913
1,260 1,486 1,416 1,415 1,359 1,387 0,00704
1,453 1,365 1,531 1,422 1,362 1,427 0,00487
1,357 1,505 1,305 1,306 1,540 1,403 0,01255
1,464 1,464 1,282 1,564 1,474 1,449 0,01056
1,392 1,315 1,468 1,472 1,340 1,397 0,00515
1,466 1,646 1,216 1,509 1,384 1,444 0,02527
1,324 1,472 1,420 1,404 1,356 1,395 0,00329
1,356 1,611 1,462 1,280 1,451 1,432 0,01561
1,177 1,406 1,475 1,449 1,265 1,354 0,01643
1,421 1,365 1,423 1,567 1,493 1,454 0,00602
1,567 1,420 1,259 1,584 1,346 1,435 0,01962
1,446 1,459 1,488 1,462 1,314 1,434 0,00476
1,481 1,171 1,378 1,358 1,293 1,336 0,01307
1,379 1,410 1,358 1,299 1,416 1,372 0,00221
1,281 1,577 1,377 1,579 1,278 1,418 0,02278
1,313 1,408 1,437 1,421 1,400 1,395 0,00235
1,444 1,408 1,467 1,498 1,419 1,447 0,00133
1,317 1,455 1,429 1,564 1,360 1,425 0,00899
1,276 1,487 1,384 1,293 1,395 1,367 0,00733
1,546 1,502 1,355 1,253 1,322 1,396 0,01533
1,419 1,473 1,215 1,364 1,364 1,367 0,00929
1,218 1,397 1,227 1,315 1,372 1,306 0,00672
116
x
1,800
1,700
1,600
1,500 CT
1,400 x
1,300
1,200
1,100
1,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
La media estimada es 1.406, la sigma estimada es 0.099, por lo tanto,

Cp=1.6816 y Cpk=1.3664, por ello, se deduce que es un proceso preciso que ge-
neraría una proporción de defectuosos bastante inferior al dos por mil. Los límites
de control de Shewhart están dados por :
LCS  mˆ  3ˆ  1.406  3 * 0.099  1.703

ˆ  3ˆ  1.406  3 * 0.099  1.109
LCI  m
70
60
50
40
No of obs
30
20
10
0
1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8
117
Se puede apreciar que si bien las medias muestran un comportamiento
aleatorio, el proceso presenta un descentramiento de 0.949σ hacia la tolerancia
inferior.
Es en estos tipos de procesos, como en otros que presenten cualquier tipo

de anomalías, los límites de Shewhart no son aplicables. Estarían controlando a
partir de lo mal que se desarrolla el proceso, pero, no cumplen con el objetivo de
controlar el proceso respecto del valor de especificación del diámetro del pistón. Si
el centro de tolerancia es CT=1.5, el control de la tendencia central debe hacerse
respecto de este valor especificado en el diseño del producto.
También, es necesario tener en cuenta las consideraciones introducidas por

Capilla y Romero (1991) para el gráfico x considerando señales adicionales (sie-
te puntos seguidos por encima o por debajo de la media, ó siete puntos seguidos
en racha ascendente o descendente).
También, se puede tener un proceso que presente un desplazamiento

continuo hacia la tolerancia superior, determinado por alguna causa asignable,
pero, el promedio de los promedios no permite detectar esta anomalía, lo mis-
mo para un desplazamiento continuo hacia la tolerancia inferior.
Por las razones anteriores, antes de definir los límites de control, es ne-
cesario construir un histograma, con todos los datos con lo que se realiza el
estudio de capacidad de calidad, un gráfico con las medias y otro con las des-
viaciones estándar de estas muestras, para detectar cualquier posible tendencia
que el proceso presente, y, que pueda ser encubierta por el promedio de los
promedios.
Ahora bien, si no existen tendencias, rachas o cualquier otro tipo de

anomalía, y si además, Cpk es próximo a Cp, es decir, el promedio de los pro-
medios es un valor próximo a CT, el método de Shewhart es aplicable, con la
ventaja de ser libre de distribución.
7.4 Gráficos de Shewhart con límites probabilísticos
Para aplicar estos límites probabilísticos en un proceso industrial, se re-

quiere que la variable a controlar X tenga distribución normal.
118
Para un proceso poco preciso, las líneas de control probabilístico, Pepió
y Polo (1988) las definen por:
x x
MII MAI MAS MIS
TI CT TS
Fig 7.4.1 Proceso poco preciso
Líneas de Atención (Riego del 5%)
 
MAI  CT  1.96  MAS  CT  1.96 
n n
Líneas de Intervención (riesgo del 1%)
 
MII  CT  3.09  MIS  CT  3.09 
n n
Para un proceso preciso, las líneas de control probabilístico, Pepió y Polo

(1990) las definen por :
MII MAI m1 m2 MAS MIS

TI CT TS
Fig 7.4.2 Proceso preciso
119
Líneas de Atención (Riego del 5%)
 
MAI  TI  3.09  1.96  MAS  TS  3.09  1.96 
n n
Líneas de Intervención (riesgo del 1%)
 
MII  TI  3.09  3.09  MIS  TS  3.09  3.09 
n n
en la Fig 7.4.2 m1 y m2 son las posibles medias verdaderas del proceso depen-
diendo de la dirección del desplazamiento
Para realizar el control de la variabilidad a través del valor de la desvia-

ción estándar de la muestra, los límites de control superior, Pepió y Polo (1990),
los definen por:
SAS SIS
Fig 7.4.3 Líneas de control para la variabilidad
Líneas de Atención
 2 0.025 ,  n 1
SAS   
n 1
Líneas de Intervención
 2 0.001 ,  n 1
SIS   
n 1
n -1 2 3 4 5 6 7 8 9 10
 0.001 13.81 16.27
2
18.51 20.52 22.46 24.32 26.12 27.98 29.689
2 0.025 7.38 9.35 11.14 12.83 14.45 16.01 17.53 19.04 20.50
Tabla 7.4.1 Valores  para distintos grados de libertad (n -1)

2
120
Ejemplos
1.- Se tiene el registro de 20 muestras aleatorias de tamaño n=5, corres-

pondientes a las longitudes de vigas metálicas cuyo valor de especificación es
150 + 0.8 cm., es decir, las tolerancias del proceso de corte son TS=150.2 y
TI=149.8 cm.
Muestra Viga 1 Viga 2 Viga 3 Viga 4 Viga 5 Promedio Varianza

1 149,5 149,8 149,6 149,4 150,0 149,66 0,0580
2 149,5 149,0 149,1 149,8 149,6 149,40 0,1150
3 150,2 150,5 149,9 150,3 150,4 150,26 0,0530
4 149,8 149,9 149,5 150,4 150,2 149,96 0,1230
5 150,3 150,0 150,0 150,5 149,7 150,10 0,0950
6 149,4 150,3 150,0 149,8 150,1 149,92 0,1170
7 149,7 149,9 150,1 150,0 150,3 150,00 0,0500
8 149,1 149,7 150,0 149,8 150,5 149,82 0,2570
9 150,0 149,8 149,6 150,5 150,0 149,98 0,1120
10 150,4 150,9 150,7 150,3 150,5 150,56 0,0580
11 150,0 150,0 150,3 150,5 150,4 150,24 0,0530
12 149,8 150,0 150,0 150,2 150,5 150,10 0,0700
13 149,4 149,7 149,5 149,8 150,1 149,70 0,0750
14 150,1 150,0 149,8 149,9 150,0 149,96 0,0130
15 149,8 149,7 149,9 150,1 150,3 149,96 0,0580
16 150,0 150,2 150,5 150,7 150,8 150,44 0,1130
17 150,2 150,7 150,7 150,4 150,5 150,50 0,0450
18 149,9 149,7 150,0 150,0 150,5 150,02 0,0870
19 150,0 149,8 149,9 149,2 149,1 149,60 0,1750
20 150,3 150,4 150,3 150,6 150,6 150,44 0,0230
La longitud media estimada de las vigas es 150.03 cm. y la desviación

estándar estimada es σ=0,29580399 cm., con Cp=0.9015 y Cpk=0.8666, luego
se trata de un proceso poco preciso.
Líneas de control para la media
 0.29580399
MAI  CT  1.96 = 150  1.96  149.74
n 5
121

MAS  CT  1.96 = 150  1.96 0.29580399  150.259
n 5
 0.29580399
MII  CT  3.09 = 150  3.09  149.591
n 5

MIS  CT  3.09 = 150  3.09 0.29580399  150.408
n 5
26
24
22
20
18
16
No of obs
14
12
10
0
148,8 149,0 149,2 149,4 149,6 149,8 150,0 150,2 150,4 150,6 150,8 151,0 151,2
Fig 7.4.3 Histograma de longitudes
x
150,8
150,6
150,4
150,2
150
149,8
149,6
149,4
149,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
122
S
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 7.4.4 Evolución de x yS
En la Fig 7.4.4 se puede apreciar que el comportamiento de las medias y

desviaciones estándar es aleatorio.
Líneas de control para la desviación estándar 0,29580399
χ 20.001 ; 4 18.51
SIS = σ = 0.29580399 = 0.63632
4 4
χ 20.025 ; 4 11.14
SAS = σ = 0.29580399 = 0.4936
4 4
Ejercicio. Para los siguientes datos, aplique estos límites de control:
Muestra Viga 1 Viga 2 Viga 3 Viga 4 Viga 5

1 150,1 149,9 150,2 150,4 150,3
2 149,9 150,0 150,6 150,3 150,4
3 149,5 149,7 149,4 149,9 150,2
4 150,1 150,0 149,8 149,7 150,1
5 149,9 149,7 149,9 150,2 150,2
6 150,0 150,1 150,6 150,6 150,7
7 150,1 150,5 150,6 150,5 150,4
8 149,8 149,8 150,1 150,2 150,4
123
9 149,5 149,9 150,2 149,6 150,5
10 150,1 149,8 149,8 149,4 149,8
2.- Se tienen las medidas de 29 muestras aleatorias de 10 tubos de ace-

ro, que se les debe controlar el diámetro interior, cuya especificación es:
TI = 32,18 mm CT= 32,48 mm y TS = 32,78 mm
Nº Muestras Promedio Varianza

1 32,57 32,39 32,50 32,44 32,57 32,50 32,45 32,30 32,48 32,43 32,46 0,00662
2 32,43 32,61 32,57 32,39 32,48 32,55 32,42 32,46 32,44 32,50 32,49 0,00514
3 32,32 32,51 32,53 32,54 32,49 32,52 32,55 32,50 32,53 32,36 32,49 0,00625
4 32,43 32,48 32,45 32,50 32,44 32,52 32,48 32,45 32,40 32,44 32,46 0,00128
5 32,50 32,45 32,51 32,46 32,40 32,47 32,50 32,40 32,50 32,53 32,47 0,00202
6 32,46 32,46 32,44 32,47 32,45 32,42 32,58 32,50 32,45 32,42 32,47 0,00218
7 32,45 32,44 32,39 32,48 32,49 32,40 32,54 32,44 32,45 32,48 32,46 0,00194
8 32,43 32,44 32,45 32,50 32,50 32,51 32,49 32,53 32,55 32,49 32,49 0,00150
9 32,50 32,48 32,53 32,45 32,45 32,38 32,63 32,42 32,41 32,41 32,47 0,00540
10 32,41 32,43 32,45 32,44 32,54 32,49 32,40 32,48 32,64 32,41 32,47 0,00548
11 32,40 32,44 32,34 32,45 32,55 32,46 32,53 32,37 32,47 32,54 32,46 0,00509
12 32,42 32,40 32,45 32,43 32,50 32,51 32,50 32,50 32,48 32,45 32,46 0,00154
13 32,44 32,56 32,47 32,50 32,46 32,45 32,40 32,56 32,41 32,40 32,47 0,00352
14 32,52 32,52 32,52 32,44 32,47 32,46 32,48 32,43 32,50 32,36 32,47 0,00258
15 32,47 32,46 32,56 32,48 32,52 32,51 32,52 32,49 32,47 32,53 32,50 0,00103
16 32,51 32,52 32,48 32,44 32,53 32,39 32,46 32,56 32,48 32,55 32,49 0,00277
17 32,50 32,48 32,52 32,52 32,39 32,52 32,51 32,50 32,43 32,53 32,49 0,00207
18 32,48 32,44 32,47 32,46 32,50 32,56 32,53 32,46 32,47 32,50 32,49 0,00131
19 32,49 32,53 32,47 32,39 32,39 32,39 32,38 32,39 32,46 32,53 32,44 0,00373
20 32,40 32,43 32,50 32,48 32,51 32,50 32,51 32,42 32,38 32,48 32,46 0,00239
21 32,53 32,55 32,57 32,45 32,60 32,51 32,49 32,45 32,53 32,43 32,51 0,00312
22 32,51 32,41 32,39 32,43 32,48 32,42 32,40 32,45 32,50 32,41 32,44 0,00184
23 32,48 32,50 32,44 32,48 32,49 32,50 32,50 32,60 32,54 32,43 32,50 0,00232
24 32,51 32,43 32,49 32,45 32,54 32,42 32,48 32,50 32,49 32,47 32,48 0,00135
25 32,48 32,46 32,45 32,48 32,45 32,41 32,50 32,49 32,46 32,50 32,47 0,00077
26 32,30 32,40 32,39 32,44 32,40 32,54 32,46 32,56 32,42 32,51 32,44 0,00615
27 32,50 32,48 32,47 32,46 32,38 32,47 32,40 32,52 32,40 32,44 32,45 0,00213
28 32,50 32,50 32,46 32,47 32,50 32,50 32,52 32,46 32,53 32,43 32,49 0,00096
29 32,53 32,40 32,45 32,40 32,40 32,42 32,46 32,46 32,40 32,46 32,44 0,00180
124
La media estimada del proceso es 32.47 m.m y la desviación estándar
estimada es σ=0.05391 m.m, luego, el índice de variabilidad es Cp=1.855 y el
índice de descentramiento es Cpk=1.797, se trata por tanto de un proceso preci-
so con un desplazamiento de 0.185σ hacia la tolerancia inferior.
32,52
32,50
32,48
32,46
32,44
32,42
32,40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Fig 7.4.5 Evolución de x yS
125
Líneas de control de calidad para la tendencia central:
0,05391
MAI  32,18  3,09  0,05391 1,96   32.313
10
0,05391
MAS  32,78  3,09  0,05391 1,96   32,647
10
0,05391
MII  32,18  3,09  0,05391 3,09  32,294
10
0,05391
MIS  32,78  3,09  0,05391 3,09   32,666
10
120
100
80
No of obs
60
40
20
0
32,25 32,30 32,35 32,40 32,45 32,50 32,55 32,60 32,65 32,70
Líneas de control para la variabilidad
27.98
SIS  0.05391  0.09505
9
19.04
SAS  0.05391  0.07841
9
aplicando estas líneas de control a los datos originales con los que se realizó el
estudio de capacidad de calidad se tiene:
126
x
32,7
32,65
32,6
32,55
32,5
32,45
32,4
32,35
32,3
32,25
32,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Fig 7.4.7 Control de calidad para x yS
Ejercicio. Realice el control de calidad para las siguientes muestras:
Muestras
32,37 32,56 32,58 32,59 32,54 32,57 32,6 32,55 32,58 32,41
32,51 32,51 32,49 32,52 32,5 32,47 32,63 32,55 32,5 32,47
32,48 32,49 32,5 32,55 32,55 32,56 32,54 32,58 32,6 32,54
32,46 32,48 32,5 32,49 32,59 32,54 32,45 32,53 32,69 32,46
127
32,47 32,45 32,5 32,48 32,55 32,56 32,55 32,55 32,53 32,5
32,57 32,57 32,57 32,49 32,52 32,51 32,53 32,48 32,55 32,41
32,56 32,57 32,53 32,49 32,58 32,44 32,51 32,61 32,53 32,6
32,45 32,48 32,55 32,53 32,56 32,55 32,56 32,47 32,43 32,53
32,56 32,46 32,44 32,48 32,53 32,47 32,45 32,5 32,55 32,46
32,56 32,48 32,54 32,5 32,59 32,47 32,53 32,55 32,54 32,52
32,35 32,45 32,44 32,49 32,45 32,59 32,51 32,61 32,47 32,56
32,55 32,55 32,51 32,52 32,55 32,55 32,57 32,51 32,58 32,48
7.6 Ejercicios
1. En un proceso de envasado, se realiza un control del peso de 120 mues-

tras, el contenido de cada envase se rotula en 15 gr. m/m, el valor de es-
pecificación del proceso de llenado es 15 ± 2 gramos.
Nº Observaciones muestrales
1 15.03 15.01 15.11 15.03 15.08
2 15.12 14.93 15.12 15.10 15.08
3 15.04 15.12 15.15 15.05 15.09
4 15.15 15.04 15.17 15.02 15.03
5 14.90 15.05 15.11 15.09 15.05
6 14.95 15.03 14.87 15.10 15.09
7 14.95 15.10 15.02 15.06 15.13
8 15.00 15.18 14.92 15.07 15.15
9 15.00 15.17 14.99 15.12 15.12
10 15.20 15.15 15.04 15.01 15.15
11 15.15 15.20 14.89 15.08 15.15
12 15.17 15.20 14.92 15.14 15.15
13 15.20 15.20 15.02 15.15 15.17
14 15.10 15.15 14.86 15.15 15.16
15 15.01 15.15 14.94 15.15 15.10
16 15.12 15.15 15.04 15.16 15.15
17 14.87 15.13 14.87 15.18 15.12
18 15.04 15.13 14.86 15.02 15.11
128
19 14.91 15.13 14.92 15.08 15.12
20 15.12 15.50 14.95 15.21 15.02
21 15.15 15.51 14.97 15.20 15.03
22 15.15 15.05 14.97 14.92 15.04
23 15.04 15.15 14.97 15.05 14.91
24 14.91 15.11 14.99 14.94 15.03
a) Realice un estudio de capacidad de calidad y defina los límites de control de

para este proceso.
b) Aplique el método de control de medias móviles ponderadas exponencial-

mente, use al menos dos valores distintos de  para comparar su eficiencia.
2. En un proceso de inyección de plástico de envases de PET (Polietilenterefta-

lato), para producir frascos de 120 ml se requieren 15 ± 0.4 gramos de PET,
para controlar el proceso se seleccionaron muestras aleatorias a intervalos re-
gulares de una hora, obteniendo la siguiente información.
t Valores muestrales
1 14.85 14.93 15.03 15.02 14.96 14.94 15.04 14.98
2 14.82 14.97 15.01 15.05 14.83 14.97 15.02 14.93
3 15.11 15.04 15.09 14.96 15.05 15.06 14.97 15.06
4 14.92 14.88 15.11 14.93 15.12 15.09 15.06 15.02
5 14.96 15.07 15.03 14.99 15.07 14.94 15.03 14.98
6 15.02 15.12 14.96 15.03 15.11 14.97 15.12 14.94
7 15.01 15.08 15.07 15.07 15.06 15.09 15.06 14.96
8 14.97 15.01 15.01 15.01 15.02 15.03 14.95 15.02
9 14.89 14.97 15.03 15.08 14.98 14.96 15.08 14.95
10 15.12 15.03 15.04 14.97 15.04 15.03 14.94 15.03
11 14.98 14.89 15.01 14.93 15.12 15.07 15.05 15.08
12 14.95 15.02 15.07 14.98 15.05 14.94 15.03 14.94
13 15.06 15.11 14.98 15.04 15.13 14.98 15.13 14.96
14 15.02 15.06 15.05 15.06 15.06 15.04 15.02 14.93
15 14.97 15.03 15.02 15.03 15.04 15.03 14.96 15.07
Realice un estudio de capacidad de calidad y defina los límites de control de

para este proceso. Aplique el método de control de medias móviles ponderadas
129
exponencialmente, use al menos dos valores distintos de  para comparar su
eficiencia.
3. En un proceso de llenado de un producto en sachet de 10 ± 0.3 gr., se toman

muestras aleatorias de tamaño ocho a intervalos de 15 minutos, obteniendo la
siguiente información
Muestras
1 9,94 10,18 10,18 10,17 10,24 10,07 10,28 10,24
2 9,99 10,08 10,19 9,95 10,05 10,18 10,10 10,17
3 10,00 10,24 10,20 9,98 10,08 10,22 9,94 10,07
4 9,94 10,24 10,15 10,11 10,04 10,09 9,95 10,00
5 9,98 10,27 10,14 9,95 10,21 10,24 10,07 10,08
6 10,00 10,24 10,07 10,28 10,21 10,07 10,08 9,94
7 10,08 10,14 9,94 10,23 10,07 10,24 9,95 10,05
8 9,93 9,98 10,11 9,98 10,08 10,22 10,34 10,25
9 10,09 10,37 10,22 10,00 10,00 10,20 10,18 9,99
10 10,20 10,39 9,98 9,94 10,17 10,09 10,23 9,94
11 10,05 10,32 10,25 10,17 10,08 10,08 9,90 10,08
12 10,08 10,44 10,24 10,04 10,18 10,23 10,15 10,10
13 10,28 10,17 10,19 10,14 10,19 10,04 10,11 9,87
14 9,95 10,09 10,17 9,94 10,27 10,24 9,99 10,31
15 10,17 10,14 9,94 9,98 10,04 10,09 10,09 10,10
16 10,14 10,21 10,09 9,95 10,17 10,24 10,14 10,14
17 10,18 10,27 10,14 9,97 10,17 10,29 10,19 10,24
18 10,14 9,97 10,18 10,29 10,10 10,09 10,18 10,22
19 9,95 10,17 9,99 10,05 10,04 10,22 10,14 9,94
20 9,97 10,39 10,09 10,01 10,09 10,12 10,27 10,24
21 9,97 10,29 10,10 10,02 10,05 10,24 10,08 9,98
22 10,17 10,22 10,08 10,04 10,17 10,14 10,15 10,18
23 10,04 10,28 9,95 10,08 10,14 10,17 10,03 10,17
Realice un estudio de capacidad de calidad y defina los límites de control de

para este proceso. Aplique el método de control de medias móviles ponderadas
exponencialmente, use al menos dos valores distintos de  para comparar su
eficiencia.
130
7.7 Método Seis Sigma
Introducción
El método Seis Sigma comenzó en los años 80 con el ingeniero y esta-

dístico de Motorola, Dr. Mikel Harry, quién comenzó a influenciar en el área de
electrónica de la empresa para investigar la variabilidad de sus procesos con el
fin de reducirla, logrando así mejorarlos. Harry creó el Instituto de Investigación
Seis Sigma en la Universidad Motorola, en el cual, desarrolló una metodología
de mejora continua de la calidad de los procesos
Philip Crosby (1989) introdujo el concepto de cero defectos como objeti-

vo en el control de calidad, y sostenía que si en la empresa se establece un ni-
vel de defectos como aceptable, en el corto plazo este nivel llegará a ser el nivel
real de defectos; dado que los empleados al saber que es correcto trabajar a
ese nivel de errores, finalmente consideraran que ese nivel es la norma. El con-
cepto de un porcentaje de error aceptable, denominado por varios autores como
nivel de calidad aceptable, se usó profusamente en los procesos de control de
calidad. Se suponía que si el 100% sin defectos era inalcanzable, se podía es-
tar conforme con el 99%, e incluso con el 95%. El problema al que se verá en-
frentada la empresa, es que con seguridad todos aquellos clientes insatisfechos
no volverán a comprar sus productos.
Por ejemplo, si de los 3500 alumnos que entran a una universidad y se tie-
ne como norma aceptable que un 95% debe aprobar el mínimo de asignaturas
establecidas para continuar estudiando, 3325 de ellos estarán felices, pero, ¿qué
sucederá con los alumnos que caen dentro de la categoría del error aceptable?
Cada semestre, 175 alumnos tendrán que ser eliminados. Así pues, un rendi-
miento del 95% sería un alto promedio, pero, no muy admisible como porcentaje
de éxito académico. ¿Qué pasa si se obvía esta norma de calidad y se establece
una ambiciosa meta del 99,9% de aprobación mínima?, en este caso, sólo 35
alumnos serían eliminados, con ello, se tendrán más alumnos contentos, y al
mismo tiempo, menos problemas económicos al disminuir el número de elimina-
dos.
Actualmente existen varias presiones externas, como lo es la competencia

desenfrenada de captar mejores alumnos por parte de las universidades, la otra
presión está relacionada a la velocidad tecnológica y, en particular, la aceleración
de la renovación informática, la difusión de la información y la creciente capacidad
131
de acceso a la misma de un número cada vez más importante de personas, y la
gran demanda insatisfecha de los estudiantes que no pueden acceder a las uni-
versidades.
La mayoría de las empresas a finales de los ochenta, se limitaban a reali-

zar el control de calidad al final de la línea de producción, muchas de ellas quebra-
ron. Actualmente una empresa si quiere ser competitiva debe incorporar nuevos
métodos en sus procesos productivos.
En la actualidad, es necesario utilizar el concepto de calidad total, dado

que, con la llegada de la economía globalizada se tienen cada día nuevos compe-
tidores, lo que implica tener la mirada atenta al mercado para brindarle en forma
oportuna la respuesta que él requiere. Los clientes, ante múltiples ofertas, cada
vez son más exigentes, tanto en la calidad del producto como en la obtención de
menores precios. También, es necesario un cambio de mentalidad del trabajador,
se requiere de ellos un mayor compromiso para brindar el mejor producto.
Conjuntamente se deben reducir los costos de no-calidad, y generar planes

de prevención para la no aparición de defectos. Actualmente, el coste de la no-
calidad en las economías occidentales es del orden del 20% de su facturación, en
cambio, en la economía japonesa es del orden del 12%. Se requiere reducir rápi-
damente esta brecha, tanto más, si en la actualidad se observa un rápido creci-
miento económico de China, Tailandia, Malasia entre otros, en que la mano de
obra de más barata, y por consiguiente, los productos similares que entrarán al
mercado serán más competitivos por un menor costo para el cliente.
Ante todo lo descrito, muchas empresas norteamericanas se han visto obli-

gadas a realizar un cambio total en la gestión de ellas, y aceleradamente han ido
incorporando el método Seis Sigma.
En los ochenta, la Gestión de Calidad Total tuvo grandes adeptos, pero

muchas empresas paulatinamente fueron perdiendo terreno, por ello, en la actua-
lidad, un gran número de empresas están incorporando en sus procesos el méto-
do Seis Sigma, dado que, éste método está enfocado principalmente en el cliente,
las empresas que lo han puesto en marcha generan grandes retornos sobre la
inversión, pueden ampliar sus ganancias casi en un 100% si logran retener al me-
nos un 5% de sus clientes por la alta calidad recibida. Éste método, cambia total-
mente el modo de operar de la dirección de las empresas, se utilizan nuevos en-
foques para resolver los problemas y para adoptar decisiones adecuadas.
132
7.7.1 Los cambios que se requieren para implementar Seis Sigma
Según Lefcovich (2004), el primer concepto que debe tener presente la

empresa, es que siempre se debe satisfacer las necesidades del cliente al menor
precio posible, además, se debe estar convencido que la calidad no tiene un ma-
yor coste, por el contrario, se venden más productos. Lo que realmente es más
caro, es la no-calidad, como el fracaso, los costes inútiles, los retrasos en las en-
tregas, los altos precios, la insatisfacción del cliente.
Considera que se requiere establecer relaciones clientes-proveedores en el

interior mismo de la empresa, a su vez, cada departamento productivo, cada uni-
dad de servicio y cada trabajador debe especificar claramente lo que desea de su
fuente y debe responder en forma óptima las demandas de su consumidor, ya sea
al interior mismo de la organización como los externos. Se debe reestructurar la
organización para que funcione de tal manera que los procesos se realicen en
forma integral, coordinados, en función de los requerimientos del cliente.
Se debe tener presente que se debe fabricar cada producto de la mejor

forma posible, partiendo desde el momento en que se diseña, utilizando diseño de
experimentos, que se desarrollará en el capítulo siguiente, que permita optimizar
el producto partiendo por la definición de tolerancias, funcionalidad, minimizar los
costes y aumentar su fiabilidad.
La organización debe estar estructurada de manera que cada integrante,

debe conocer claramente las funciones que debe cumplir en el equipo que ha sido
asignado, y obtener el mayor provecho de la expertiz de cada uno de ellos.
La empresa debe basar su accionar en relaciones de confianza con sus

proveedores, contratistas y subcontratistas.
Se debe establecer un sistema estructurado de prevención en el proceso

productivo, ello traerá consigo una disminución en el costo total de la calidad, da-
do que se disminuirán los costos por fallos, se reducirán los tiempos de fabrica-
ción, se obtendrán productos de mejor calidad y por ende se requerirá un menor
control.
Es fundamental, planificar los procesos productivos de manera tal que se

puedan eliminar de ellos todos los costes innecesarios, no sólo los relativos al
133
proceso productivo, sino también a todos los procesos administrativos involucra-
dos.
Se puede afirmar que el método Seis Sigma, es un sistema estadístico que

mide el desempeño de un proceso o producto, que implica una filosofía de ges-
tión, que permite administrar una empresa, departamento, servicio, o unidad en
forma inteligente, que está dirigido a mejorar la satisfacción del cliente, reducir el
tiempo de ciclo y reducir los fallos, y que logra un mejor desempeño; lo que brin-
dará importantes ahorros tanto a la empresa como a sus clientes, permitirá rete-
ner a la mayoría de los clientes actuales, y a su vez, se logrará captar nuevos
clientes, entrar a competir en nuevos mercados y ser reconocidos como una em-
presa de excelencia.
En la actualidad, grandes empresas de reconocido nombre mundial utilizan

el método Seis Sigma, como : Motorola, General Electric, Honeywell, Sears
Roebuck, American Express, Johnson & Johnson, Federal Express, Allied Signal,
Sony, Polaroid, Toshiba, Black & Decker y Ford Motor, entre otras.
7.7.2 Lean Seis Sigma
Según Ansorena y Babé (2004), Lean es una metodología que permite tra-
bajar sobre la cadena de valor del producto/servicio o de una familia de produc-
tos/servicios. Una empresa que utiliza los principios de Lean, busca sistemática-
mente conocer aquello que el cliente reconoce como valor añadido y está dis-
puesto a pagar por ello, además, en forma continua va detectando y eliminando
aquellas operaciones/pasos del proceso que no generan valor.
Los principios de operaciones en Lean se basan en tres pilares fundamen-

tales:
Producción: mediante la aplicación de las técnicas japonesas de JIT (Just

in Time) también conocida como: Cero inventario ó Producción sin stocks (Hewlett
Packard) ó Manufactura de flujo continuo (IBM) ó Kan-Ban (Toyota) ó tamaño de
lote pequeño ó cambios rápidos y sistemas sencillos.
Cadena de suministro: reduciendo el número de proveedores siguiendo un

proceso de selección con base en su habilidad para adaptarse a los requerimien-
tos del cliente y la estabilidad de la relación.
134
Cultural: menos personal, fortalecimiento y flexibilidad en las tareas que
realizan los trabajadores, búsqueda de organizaciones planas.
Se considera que pocas empresas occidentales han logrado integrar estos

tres pilares en sus sistemas de producción.
Los conceptos de Lean están inspirados en las siguientes técnicas y for-

mas habituales de trabajo de la industria japonesa :
 Las múltiples habilidades (polivalencia), participación y fortalecimien-

to del personal.
 La cercanía en la relación con proveedores que permite hacer fun-
cionar sin interrupciones la cadena de suministro.
 La conciencia colectiva de mejora continua en los flujos de procesos
y en la utilización de máquinas.
 La clara tendencia hacia la acción.
 El trabajo con tamaños de lote pequeño, aspecto básico del Just In
Time (JIT).
 La continúa búsqueda de la reducción del tiempo para lograr cam-
bios útiles.
 La instauración de mecanismos Poka-Yoke o a prueba de error
Consideran que hay pocas empresas que empleen más del 20% de su
tiempo en actividades que realmente generan valor. Sorprendentemente el 80%
de su tiempo lo utilizan en tareas que generan poco o ningún valor añadido.
Los objetivos del método Lean Seis Sigma respecto de un proceso, permi-
ten simplificar los procesos, cambiar el flujo de ejecución de una tarea para au-
mentar el tiempo de trabajo que genere valor agregado, darles agilidad para fluir
de mejor manera, hacerlos más rápidos y con menos costes para los clientes.
Seis Sigma más que un programa formal o una disciplina, es una filosofía
de trabajo que debe ser compartida beneficiosamente por clientes, empleados,
accionistas y proveedores. Esencialmente, se basa en el cliente, elimina el des-
perdicio, aumenta la calidad, reduce los tiempos de entrega, y lo más importante,
permite a las empresas obtener mayores ingresos.
135
7.7.3 El funcionamiento del método Seis Sigma
Ansorena y Babé (2004) explican que en el método Seis Sigma, se trabaja

proyecto a proyecto como única forma de eliminar problemas sistemáticos de va-
riabilidad, que afectan a procesos medibles y que se traducen en defectos cuanti-
ficables.
Consideran que éste método está compuesto por cinco fases, Definir, Me-
dir, Analizar, Mejorar y Controlar, e incluyen las actividades que se deben llevan a
cabo en cada una de estas fases:
 Definir: Identificar, evaluar y seleccionar proyectos, preparar la mi-

sión, seleccionar y poner en marcha al equipo.
 Medir: Consiste en la caracterización del proceso o procesos afec-
tados, estudiando su funcionamiento/capacidad actual para satisfa-
cer los requerimientos clave de los clientes de dicho proceso. En es-
ta fase, se documentan los posibles modos de fallo y sus efectos, al
tiempo que se elaboran las primeras teorías sobre las causas de
mal funcionamiento.
 Analizar: Se realiza el plan de recogida de datos, y a continuación
se procede al análisis de los mismos, para establecer y determinar
las causas que generan el fallo del proceso.
 Mejorar: Es esta la fase en la que se determinan e implantan las so-
luciones para que el proceso alcance los resultados esperados.
 Controlar: Consiste en diseñar y documentar los mecanismos nece-
sarios, para asegurar que lo conseguido se mantenga una vez que
el equipo del proyecto Seis Sigma haya implantado los cambios.
Lean Seis Sigma supone integrar dos aspectos fundamentales:
 Eliminación de defectos - reducción de la variabilidad

 Aumentar la velocidad del proceso, eliminando las trampas de tiem-
po y generando más valor para el cliente
El proceso de transformación, comienza con un cambio radical de la actitud

de la organización. Los líderes de la empresa, se deben de convencer que la me-
jora continua, no es suficiente para alcanzar los objetivos estratégicos, financieros
y operativos.
136
La mejora radical es necesaria para reducir drásticamente el coste de mala
calidad y el desperdicio crónico. Ésto, se logrará mediante las transformaciones
necesarias a través de proyectos específicos.
2.700 dpmo 1,5σ 66.807 dpmo
LCI LCS
-6σ -3σ 0 +3σ +6σ
0.001 dpmo 1,5σ 3,4 dpmo
LCI LCS
-6σ -3σ 0 +3σ +6σ
Fig 7.6.4 Esquema de un proceso con límites a 3σ y a 6σ
Los procesos en general, tienden a comportarse en el rango de 3σ, lo que

genera un total de 66.807 defectos por millón de oportunidades (dpmo), si el
proceso se desplaza 1,5σ en cualquiera de las dos direcciones respecto del
centro, ello significa trabajar a un nivel de calidad de sólo el 93,32%, en cambio
con Seis Sigma se trabaja a un nivel de calidad del 99,9997%, por ello, un pro-
137
ceso a 3σ es 19.645 veces más malo (genera más defectos) que uno a 6σ.
Cálculos realizados mediante Statistica (1995)
Es conocido que Motorola entre 1987 y 1994 redujo su nivel de defectos en

un factor de 200, redujo sus costos de manufactura en 1,4 billones de dólares, e
incrementó la productividad de sus empleados en un 120% y cuadruplicó las ga-
nancias de sus accionistas. Motorola hoy en día ha incrementado su productivi-
dad de un 12,3% anual; ha reducido los costos de mala calidad sobre un 84%; ha
eliminado un 99,7% de los defectos de sus procesos; ha generado un ahorro de
11 billones de dólares en costos de manufactura; ha tenido un crecimiento anual
del 17% compuesto sobre ganancias, ingresos y valor de sus acciones.
(www.seis-sigma.com)
7.7.4 Interacción entre Lean y Seis Sigma
Ansorena y Babé (2004), explican que un proceso con 20 pasos que traba-
ja a niveles de rendimiento de 3 sigma, tan sólo tiene un 25% libre de error a la
primera. No debe de extrañar que empresas que trabajan de esta manera, tengan
problemas más que significativos para colocar sus productos en mercados com-
petitivos. El rendimiento en la empresa decrece cuando la complejidad de los pro-
cesos aumenta. Si se consigue reducir el número de piezas de un producto o el
número de pasos de un proceso, y al mismo tiempo, se consigue disminuir el nú-
mero de defectos (aumentando el valor sigma), el rendimiento del proceso au-
menta radicalmente. Concluyen que para explotar el potencial de mejora, es ne-
cesario trabajar en dos frentes: simplificar el proceso y reducir la variabilidad. Lean
Seis Sigma proporciona la estructura, los métodos y las medidas que permiten
lograr este doble objetivo: disminuir el número de defectos al tiempo que se au-
menta la velocidad del proceso.
Como resultado de la aplicación de Lean Seis Sigma está el beneficio eco-

nómico. Los proyectos deben generar una ganancia económica clara y tangible,
tener proyectos ganadores que generen más beneficios económicos, pagan el
compromiso diario de la alta dirección con la iniciativa. Es una lección aprendida
que los primeros proyectos deben ser muy bien seleccionados para lograr visuali-
zar cómo se pueden conseguir beneficios tangibles y reales.
La teoría esta muy bien, pero ahora, se debe tener claro como atacar los
problemas y los objetivos que persiguen los proyectos Lean Seis Sigma:
138
 Reducir inventarios hasta un 90%
 Mejorar la entrega a tiempo en más de un 80%
 Reducir el tiempo de ciclo de meses a días
 Reducir exponencialmente el número de defectos; y la variabilidad
que genera el proceso (y que la empresa considera tradicionalmente
como algo natural).
Todo esto, en definitiva se hace para generar más valor para el cliente y
conseguir que paguen más por el producto fabricado/servicio prestado y libre de
defectos. A fin de cuentas, se trata de un beneficio para la empresa, al tiempo
que se protegen los empleos y permite que el empleado tenga un mayor compro-
miso con su actividad.
Consideran que una de las métricas más importante en Lean es la eficien-

cia del ciclo, con la que se compara el tiempo que añade valor versus el tiempo
total de ciclo. Cualquier proceso con baja eficiencia de ciclo tendrá grandes opor-
tunidades para la reducción de costes. Pasar de una eficiencia de ciclo del 5% al
25% significa una reducción de costes (de mala calidad y de exceso de horas del
personal) cercana al 20%. Siguiendo el principio de Pareto, las trampas de tiempo
se localizan en menos del 20% de las estaciones de trabajo y estas son respon-
sables del 80% del retraso. Se debe trabajar proyecto a proyecto sobre dichas
trampas de tiempo, aplicando las herramientas convenientes de Lean o de Seis
Sigma. En el comienzo, de cualquier proyecto se debe elaborar el mapa del pro-
ceso o “value stream map”, y tras el análisis del mismo, se deben identificar las
trampas de tiempo que lo afectan.
Por ejemplo, si se aplica Lean Seis Sigma en una empresa que fabrica en-
vases en aluminio, donde la estructura de costes está directamente asociada al
precio del aluminio y a la cantidad de aluminio que se consume, bastaría conside-
rar sólo en la disminución del grosor de la pared de la lata, para generar importan-
tes beneficios económicos a la empresa. La existencia de variabilidad fuera de
tolerancias en el proceso de elaboración del envase, puede suponer costes extra
al tener que aumentar el consumo de aluminio, por producir los envases con pa-
redes más gruesas. Al mismo tiempo, se pueden producir envases con paredes
muy delgadas los que pueden romperse o explotar durante el trasporte o bodega-
je, lo que supondría costes en limpieza y pérdida del contenido.
También, se tiene que tener en cuenta los tiempos de espera, tanto en la

preparación de la maquinaria, o reparación de ella por falla de componentes, en la
139
calibración, u otras colas que se puedan generar, dado que estos tiempos sólo
encarecen los procesos. El método Lean, proporciona las herramientas necesa-
rias por lograr estos objetivos, está dirigido principalmente en aumentar la veloci-
dad de los procesos. El éxito de la implantación del método depende fundamen-
talmente de la habilidad de los equipos para diseñar, coordinar y ejecutar los pro-
yectos en forma eficaz.
140
CAPÍTULO VIII
Diseño de Experimentos
Los diseños factoriales pk permite estudiar k variables con p niveles cada

una, debiéndose realizar pk experimentos que contienen todas las combinaciones
de niveles de las variables en estudio.
8.1 Diseños factoriales a dos niveles
Un diseño factorial a dos niveles, permite estudiar el comportamiento de

dos variables a p niveles cada una, representados por la siguiente tabla de
combinaciones posibles:
nivel 1 nivel 2 ... nivel p Total

nivel 1 y11 y12 . y1p n1.
nivel 2 y21 y22 . y2p n2.
.
.
. . . . . .
nivel p yp1 yp2 . ypp np.
Total n.1 n.2 . n.p n..
con este diseño, la experimentación puede someterse a un modelo clásico de

análisis de varianza (Anova) de dos factores sin repetición, si se representa por ai
y bj los efectos reales de los dos factores, por  la media poblacional, se tiene el
modelo :
y ij =  + ai + b j + eij
si no se dispone de repeticiones para efectuar el análisis, se debe asumir que la

interacción entre ambos factores no existe, quedando así su efecto englobado en
el error. El modelo lineal permite también evaluar los coeficientes de cada factor y
estudiar su significación.
8.2 Diseño factorial 22
Los diseños factoriales permiten estudiar dos variables a dos niveles cada
una, sean X1 y X2 las variables con dos niveles simétricos al valor nominal, se
141
designa al nivel bajo por –1 y al nivel alto por +1, sean y1, y2, y3, y4 las respuestas
obtenidas de los cuatro experimentos realizados, en la Tabla 8.2 se muestra la
posición estándar del diseño, la que se representa en la Fig 8.2.
ºn X1 X2 y (*)
1 -1 -1 y1 4
2 +1 -1 y2 1
3 -1 +1 y3 3
4 +1 +1 y4 2
Tabla 8.2 Matriz del diseño para dos variables a dos niveles
(*) orden aleatorio de realización
X2 y3 y4
+1
-1
y1 y2
-1 +1 X1
Fig 8.2 Diseño y respuestas para dos variables a dos niveles
la realización de estos cuatro experimentos se debe hacer en forma aleatoria,

para que todos los factores no controlados por el experimentador, y, que
posiblemente puedan influir en las respuestas, sean asignados al azar a las
observaciones (materia prima, operador de la máquina, tipo de máquina, etc.).
El modelo de regresión múltiple asociado a este experimento está

dado por :
y ij =  0 +  1 X 1 +  2 X 2 + 12 X 1 X 2 +  ij , i = 1,2 ; j = 1,2
con las restricciones exigidas a este tipo de modelos
142
Para obtener las estimaciones de 0, 1 y 12 correspondientes a la
respuesta media, y de los efectos de X1, X2 y X1X2, se debe realizar la siguiente
operación matricial
 =( T
XX )-1 (
T
XY ) =
T
 0 1  2 12 
 y1 
1 - 1 - 1 + 1   
  y 
1 + 1 - 1 - 1 
Y = 
2
donde X =
e es el vector de respuestas
 y 
1 - 1 + 1 - 1   3
   
1 + 1 + 1 + 1 
y4
se debe destacar que la matriz X es ortogonal, por lo que TXX es una matriz
diagonal; y lo más importante, que las estimaciones de los efectos y de la
interacción son independientes, éstas se obtienen como el producto punto entre
cada vector columna de la matriz X por el vector respuesta Y, dividido por un
factor de escala referido al número de niveles iguales o distintos, así :
y1+ y 2 + y 3 + y 4
y=
4
- y1+ y 2 - y 3 + y 4 y2+ y4 y1+ y 3
Efecto de A = = -  y A(  )  y A(  )
2 2 2
- y1 - y 2 + y 3 + y 4 y3+ y4 y1+ y 2
Efecto de B = = -  y B(  )  y B(  )
2 2 2
+ y1 - y 2 - y 3 + y 4 y1+ y 4 y 2 + y 3
Inter AB = = -
2 2 2
8.2.1 Ejemplo. Se realiza un experimento para explicar el procedimiento descrito,

en el estudio del agotamiento de una tintura (azul lanaset 2R) en una madeja de
lana, en función de la temperatura C y la relación de baño (cc/5gr). Las variables
se definen en los siguientes niveles:
Nivel bajo Nivel alto

X1 : temperatura 60 ºC 80 ºC
X2 : relación de baño 200 cc/5gr 300 cc/5gr
para usar el esquema de la matriz del modelo X, es necesario codificar las varia-
bles mediante la siguiente transformación :
143
unidad variablei - promedioi
Xi =
(amplitud intervaloi )/2
C - 70 (cc/5gr) - 250
por lo que, X1 = y X2 =
10 50
Para medir el índice agotamiento de una tintura, se debe preparar el

baño de acuerdo a lo establecido para cada experimento, tomar una muestra de
este preparado, y, mediante un espectrofotómetro determinar la densidad óptica
inicial, terminado el proceso de tinción, se toma una segunda muestra del
preparado y se obtiene la densidad óptica final, el índice se calcula por :
DOi  DOf
IA   100
DOi
realizados los experimentos se tiene
Orden
 A B AB aleatorio
1 - 1 - 1 + 1   71.75  (3)
   
1 + 1 - 1 - 1   86.25  (1)
X =  Y = 
1 - 1 + 1 - 1   73.25  (2)
   
1 + 1 + 1 + 1   88.75  (4)
por tanto
71.75 + 86.25 + 73.25 + 88.75

y= = 80
4
- 71.75 + 86.25 - 73.25 + 88.75
Efecto de A = = 15
2
- 71.75 - 86.25 + 73.25 + 88.75
Efecto de B = =2
2
+ 71.75 - 86.25 - 73.25 + 88.75
Interaccion AB = = 0.5
2
144
B 73.25 88.75
+1 15.5
1 .5 2.5
-1 14.5
71.75 86.25
-1 +1 A
Fig 8.2.1.a Resultados del experimento de tinción de lana
Y
80 B(+1)
88.75 2.5
86.25 B(-1)
15.5 14.5
73.25
71.75 1.5
70
-1 +1 A
Fig 8.2.1.b Resultados del experimento de tinción de lana
Los resultados del experimento se muestran en la Fig 8.2.1.a, se puede

observar que pasar del nivel bajo de temperatura al nivel alto, produce un
incremento promedio de 15 unidades (efecto de A) en el agotamiento, en cambio,
para un mismo nivel de temperatura pasar de relación de baño de nivel bajo al
nivel alto se produce un incremento promedio de 2 unidades (efecto de B). En la
Fig 8.2.1.b, se representa la misma información, este tipo de gráfico permite tener
una impresión visual de la interacción entre ambas variables, en él se puede
apreciar que las rectas presentan una pendiente muy parecida, ello implica que la
interacción entre las variables X1 y X2 no es relevante en el proceso.
145
Analizando esta información, desde un punto de vista económico, dado que
pasar de un nivel bajo a un nivel alto en la variable relación de baño no es
significativo, se recomienda fijar la variable en su nivel bajo, es decir en 200
cc/5gr, produciendo un ahorro de 100 cc/5gr en el proceso lo que permite reducir
los costos de fabricación.
Para estudiar la significación de los efectos mediante un Anova,

identificando a X1 con las filas, a X2 con las columnas, y a la interacción X1X2
como el error o residuo, resulta:
X1 \ X2 -1 +1 n i.
-1 71.75 73.25 145
+1 86.25 88.75 175
n.i 158 162 320
factor de corrección : fc = 2002 /4 = 25600
suma cuadrados filas : f 2 = (145 2+175 2)/2 - fc = 225
suma cuadrados columnas : c 2 = (158 2+162 2)/2 - fc = 4
suma cuadrados total : t 2 = (71.75 2+73.25 2+86.25 2+88.75 2)- fc = 229.25
fuente variación s.c gdl c.m f

2 2 2
fila (X1) f = 225 1 225 f /r =900
columna (X2) c2 = 4 1 4 c 2/r 2=16
residuo r 2 = 0.25 1 0.25 ---
total t 2 = 229.25 3 --- ---
para un riesgo del 5%, f0.05,1,1 = 161, se puede concluir que la variable X1,
temperatura, tiene influencia significativa sobre el agotamiento de la tintura en la
lana, la variable X2, relación de baño, no es estadísticamente significativa.
Para el caso de dos variables, se puede calcular f 2, c 2 y r 2 para el Anova

por:
146
f 2 = (Efecto de X1) 2 = (15) 2 = 225
c 2 = (Efecto de X2) 2 = ( 2) 2 = 4
r 2 = (Interacción X1X2) 2 = (0.5) 2 = 0.25
t 2 = f 2 + c 2 + r 2 = 229.25
8.3 Modelo lineal
El modelo lineal asociado a un diseño de dos variables a dos niveles está

dado por:
y i =  0 +  1 X1i +  2 X 2i +  12 X1i X 2i + ei
como no se dispone de réplicas del experimento, no se tienen los grados de

libertad necesarios para estimar el error experimental, por ello, varios autores
proponen considerar el efecto de la interacción como este error, para así verificar
la validez del modelo.
Sea X la matriz del modelo
1 - 1 - 1 + 1  4 0 0 0
   
1 + 1 - 1 - 1  t
0 4 0 0
X =  luego XX =  
1 - 1 + 1 - 1  0 0 4 0
   
1 + 1 + 1 + 1  0 0 0 4
Inv( T XX)  ( XX )-1 = I 4

t
donde I4 es la matriz unidad de rango 4.
147
 y1   y1 + y 2 + y 3 + y 4   4y 
     
y   - y + y - y + y   2 Efecto( ) 
X1
Y =   luego XY =   =  
2 T 1 2 3 4
y   - y - y + y + y   2 Efecto( 
 3  1 2   X2)
3 4

y   y - y - y + y   2 Interc( 
 4  1 2 3 4  X1 X 2 ) 
 y 
 
 
 y 1 + y 2 + y 3 + y 4   Efecto X 1 
1 0 0 0      0 
 
0   y1 y 2 y 3 y 4  
- + - +  2   
1 0  1 
1 0
1 T
 ( XX )  XY = 
T
= 
4 0 0 1 0   - y 1 - y 2 + y 3 + y 4   Efecto X 2   2 

0
     
 0 0 1     2 
  12 
 y1 - y 2 - y 3 + y 4   
 Efecto X 1 X 2 
 
 2 
que los valores estimados de 1, 2 y 12 sean iguales a la mitad de los efectos y
de la interacción, es consecuencia a que la matriz X es ortogonal y de la métrica
utilizada en la codificación de las variables (-1 y +1).
Para el ejemplo numérico de la tinción de lana, se tiene:
 320/4   80 
   
 15/2   7.5 

ˆ = =  
 2/2   1
   
 0.5   0.25 
Para estudiar la significación en este caso sin repeticiones, se debe

considerar la interacción como error aleatorio, y el modelo a estimar será:
yˆ i =  0 + 1 X1i +  2 X 2i + ei
por la otorgonalidad del diseño, las estimaciones que se obtienen son

independientes. Como al realizar el Anova sólo la variable X1 resultó significativa,
el modelo asociado está dado por:
ŷ i = 80 + 7.5 X1i
148
la suma de cuadrados explicada por el modelo es
ˆ t XY  (  y i ) 2 / 4  t 
SCEXP  t  ˆ t XY  4( y ) 2
 4( y ) 2  ( Efecto ( X 1 )) 2  ( Efecto ( X 2 )) 2  4( y ) 2
 ( Efecto ( X 1 )) 2  ( Efecto ( X 2 )) 2
 229 , con   2
y la explicación debida a cada coeficiente está dada por
SCEXP( X1 ) = (Efec( X1 ) )2 = 225 y SCEXP( X 2 ) = (Efec( X 2 ) )2 = 4
en ambos casos con  = 1 grados de libertad, se puede observar que esto

coincide con el Anova de los efectos.
Según Pepió y Polo (1990), al intentar estudiar la significación de los

efectos, ya sea con el Anova o con modelo lineal, no es posible desglosar todos
los efectos de la componente aleatoria, luego, es necesario considerar algunos de
ellos atribuibles al azar, haciendo las veces de residuo. Esta elección debe
efectuarse excluyendo él o los efectos cuyo valor numérico sea más pequeño, o
bien, cuya interpretación técnica sea más difícil. Ésta situación es más compleja,
mientras más factores estén involucrados en un proceso, ya que, habrá un mayor
número de interacciones de alto orden.
Estas circunstancias hacen que el estudio de la significación, mediante las

técnicas usuales, tenga una potencia demasiado baja, entre otras causas, debido
al reducido número de grados de libertad asociados al residuo. Parte del problema
se podría resolver, si se realizan repeticiones del experimento en todos o en
algunos puntos del diseño, ya que así, se puede evaluar la suma de cuadrados
residual en forma independiente de los efectos. Cuando se estudia la significación
de los efectos, de un determinado diseño ó los coeficientes de un modelo lineal, la
prueba de hipótesis contrasta sus valores mediante el cálculo sistemático del
correspondiente estadístico t-student.
Si se tienen muchos coeficientes en el modelo, la probabilidad de tomar

una decisión errada aumentará, ya que se puede no tomar en cuenta coeficientes
que son significativos, o considerar como tales aquellos que en realidad no lo son,
debido a que el riesgo de error con que se aplica la prueba, no se refiere al
conjunto de factores involucrados en el modelo, sino que a todos y a cada uno de
149
ellos. Por ejemplo, asumiendo un riesgo del 5% (probabilidad de considerar
significativo un término que no lo es) para una prueba aplicada a un modelo con 4
coeficientes además del término constante, la probabilidad p(de considerar
significativo un término que no lo es) = 0.185 (18,5%).
8.4 Test de Normalidad
Dada una secuencia de pocos valores, para determinar si provienen de

una distribución normal, éstos se deben ordenar en forma creciente, y asignar-
les el valor de probabilidad acumulada, estimada por la función con corrección
de continuidad de Yates, luego, representarlos en un gráfico de escala probabi-
lística. Si los puntos están alineados en una recta se dice que los datos provie-
nen de una distribución normal.
Por ejemplo, dados los siguientes valores en centímetros de las longitu-

des de una barra metálica:
132, 125, 165, 137, 152, 141, 163, 148, 127, 158
estos valores se deben ordenar de menor a mayor, usando la fórmula de Yates,

se les asigna la probabilidad acumulada estimada que le correspondería:
i  0.5
Pi 
10
valores i Pi
125 1 0,05
127 2 0,15
132 3 0,25
137 4 0,35
141 5 0,45
148 6 0,55
152 7 0,65
158 8 0,75
163 9 0,85
165 10 0,95
Como no existen puntos alejados de la recta y no hay curvaturas, se

puede aceptar que los valores provienen de una distribución normal.
150
8.5 Gráfico normal de los efectos
La técnica de los gráficos probabilísticos fue introducida por Daniel (1959),

ésta permite estudiar la significación de los efectos de las variables que
intervienen en un proceso, en forma conjunta y no uno a uno como lo hacen otras
técnicas estadísticas. Es una prueba gráfica, que utiliza el mismo concepto del
test de normalidad, pero, con los valores de los efectos estimados a partir de los
experimentos realizados, es una prueba subjetiva. En el eje de abscisas se sitúan
los k efectos estimados (de las variables y sus interacciones), y en ordenadas se
sitúa la estimación de la probabilidad acumulada con corrección de continuidad de
Yates en escala probabilística:
i - 0.5
Pi =
k
o bien, en una escala normal, asignando el valor de la variable z de la N(0,1)

correspondientes a estas frecuencias.
SiDd
los valores de los efectos son debidos únicamente al azar, bajo las
hipótesis del modelo, corresponderían a una muestra proveniente de una
151
ff
población N(0,2), y en teoría, la recta que pasa por el punto (x=0, z=0.50)
recubriría razonablemente a todos los puntos, en este caso, se debe concluir que
ningún efecto o interacción es estadísticamente significativo. En cambio, si existen
puntos alejados de esta recta, indica que los puntos correspondientes a dichos
efectos o interacciones son significativos.
8.6 Gráfico seminormal de los efectos
En el gráfico seminormal (o normal plegada), Daniel (1959), en abscisas se

ubican los valores absolutos de los efectos y de las interacciones calculadas, y en
ordenadas se ubica la variable seminormal, que corresponde al valor crítico de
una normal estándar que deja un área debajo de él inferior a Pi = (pi + 1)/2, con pi
el valor de probabilidad acumulada de Yates.
En este gráfico de seminormal, Fig 8.6.1, se traza una recta que parte del
origen y recubre el mayor número de puntos experimentales, partiendo por los
más próximos al origen (los que determinan la pendiente de esta recta), todos
aquellos puntos que queden alejados de esta recta, representan a los efectos o
interacciones estadísticamente significativos.
Fig 8.6.1 Gráfico de semizetas
152
Para el ejemplo de la tinción de lana se tiene:
efectos ordenados i pi=( i - .5) / 3 Pi= (pi+1) / 2 seminormal

0.5 (AB) 1 0.166 0.583 0.210
2 (B) 2 0.5 0.75 0.674
15 (A) 3 0.833 0.916 1.384
El valor 0.210 corresponde al valor crítico de una normal estandarizada,

que deja un área bajo él inferior o igual a 0.583. Para el crítico 0.674 el área bajo
él es 0.75, etc.
De la Fig 8.6.2 se puede concluir que la influencia de la temperatura (X1)

sobre el agotamiento de la tintura es claramente significativa, dado que el punto
correspondiente a esta variable está bastante alejado de la recta de no
significación, la relación de baño y la interacción entre ambas variables no son
significativas en el intervalo estudiado, este resultado es coincidente con los del
Anova.
Half-Normal Plot for agotam
1.5
Temperatura
1.2
standard deviations
0.9
0.6
0.3
0
0 3 6 9 12 15
standardized effects
Fig 8.6.2 Gráfico de seminormal de los efectos
Como los valores seminormales son independientes de los valores

absolutos de los efectos, Pepió y Polo (1990) han elaborado tablas de valores
153
seminormales para las situaciones más usadas, algunas de ellas se presentan en
la siguiente tabla
n k=3 k=7 k=8 k=15

1 0.210 0.090 0.078 0.042
2 0.674 0.272 0.237 0.126
3 1.383 0.464 0.402 0.210
4 0.674 0.579 0.297
5 0.921 0.776 0.385
6 1.242 1.010 0.477
7 1.803 1.318 0.573
8 1.863 0.674
9 0.784
10 0.903
11 1.036
12 1.192
13 1.383
14 1.645
15 2.128
8.7 Diseño factorial de tres variables a dos niveles 23
Un diseño 23 permite estudiar tres factores X1, X2 y X3 a dos niveles. Para

estimar le respuesta media de los efectos y de las interacciones, se tiene la
siguiente matriz del modelo :
 X1 X2 X3 X1 X 2 X1 X 3 X2 X3 X1 X 2 X 3   y1 
   
1 -1 -1 -1 +1 +1 +1 - 1 y 
   2
1 +1 -1 -1 -1 -1 +1 + 1 y 
   3
1 -1 +1 -1 -1 +1 -1 + 1  
y4
X =1 +1 +1 -1 +1 -1 -1 - 1
 respuesta Y =  

1  y5 
-1 -1 +1 +1 -1 -1 + 1  
 
1 +1 -1 +1 -1 +1 -1 - 1  y6 
   
1 -1 +1 +1 -1 -1 +1 - 1  y7 
   
1 + 1 y 
+1 +1 +1 +1 +1 +1  8
154
luego
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y 7 + y 8
y=
8
 y1 + y 2  y 3 + y 4  y 5 + y 6  y 7 + y 8
Efecto de X 1 =  y X1( 1)  y X1( 1)
4
 y1  y 2 + y 3 + y 4  y 5  y 6 + y 7 + y 8
Efecto de X 2 =  y X 2 ( 1)  y X 2 ( 1)
4
 y1  y 2 + y 3  y 4 + y 5  y 6  y 7 + y 8
Efecto de X 3 =  y X 3 ( 1)  y X 3 ( 1)
4
y1  y 2  y 3  y 4 + y 5  y 6  y 7 + y 8
Inter X 1 X 2 
4
y1  y 2 + y 3  y 4  y 5  y 6  y 7 + y 8
Inter X 1 X 3 
4
y  y 2  y 3  y 4  y 5  y 6  y7 + y 8
Inter X 2 X 3  1 .
4
 y1 + y 2 + y 3  y 4 + y 5  y 6  y 7 + y 8
Interaccion X 1 X 2 X 3 =
4
como la matriz X es ortogonal, estas estimaciones de los efectos e interacciones

son independientes.
8.7.1 Ejemplo Sea desea minimizar la cantidad de contaminantes, que una planta
de celulosa vierte en un curso de agua. La norma establece que la concentración
no puede ser superior a 0.05 mg/litro. Para optimizar este proceso se someten las
descargas a un proceso de filtrado, utlizando un diseño factorial considerando las
siguientes variables:
Variable Nivel bajo Nivel alto

A : tipo filtro 100 tramas 120 tramas
B : temperatura 30 ºC 50 ºC
C : agitación (rpm) 60 80
Las variables codificadas son:
(tramas)  110 º C  40 rpm  70

A , B ,C 
10 10 10
155
Al realizar los experimentos se obtuvieron los siguiente resultados
A B C contaminante (mg/litro)
-1 -1 -1 0.04
+1 -1 -1 0.013
-1 +1 -1 0.059
+1 +1 -1 0.15
-1 -1 +1 0.068
+1 -1 +1 0.049
-1 +1 +1 0.028
+1 +1 +1 0.12
Los efectos estimados son : y = 0.065875 ; A = 0.03425; B = 0.04675;

C = 0.00075; AB = 0.05725; AC = 0.00225; BC = -0.03125;
efectos ordenados i pi=( i - 0.5) / 7 Pi =(pi+1) / 2 seminormal

0.00075 (C) 1 0.0714 0.5357 0.09
0.00225 (AC) 2 0.2141 0.6072 0.27
0.00175 (ABC) 3 0.3571 0.6789 0.46
0.03125 (BC) 4 0.5000 0.7500 0.67
0.3425 (A) 5 0.6429 0.8215 0.92
0.04675 (B) 6 0.7857 0.8929 1.24
0.05725 (AB) 7 0.9286 0.9643 1.80
De la Fig 8.7.1a, se obtiene que son significativas en el proceso de filtra-

do las variables filtro y temperatura, además de las interacciones filtro-
temperatura, y temperatura-agitación.
156
Fig 8.7.1a Gráfico seminormal
El modelo estimado es :
ŷ  0.065875  0.017125A  0.023375B  0.028625AB  0.015625BC
157
Fig 8.7.1b Respuestas e Interacción
En la Fig 8.7.1b, se muestran las respuestas obtenidas en los ocho

experimentos para los distintos niveles, y, la interacción que ha resultado
significativa. Para graficar la superficie de respuesta, se debe llevar este modelo
a tres dimensiones, para ello, se debe fijar alguna de las variables en un valor
técnico que permita disminuir la cantidad de libras de contaminante, por ejemplo,
considerando C=+1, se tiene
ŷ  0.065875  0.017125A  0.00775B  0.028625AB
158
Fig 8.7.1c Superficie de respuesta y curvas de nivel con C=+1
159
De acuerdo a estos resultados, de la superficie de respuesta Fig 8.7.1c, se
puede afirmar que para obtener la menor cantidad de gr/litro de contaminante, se
deben fijar las variables en los siguientes niveles, A = -1 B =+1 y C =+1, dado
que, bajo estas condiciones se obtiene el valor estimado mínimo de 0.012375
gr/litro y una máximo de 0.103875 gr/litro.
También, se puede analiza la situación considerando C=-1, con lo que se

obtiene el modelo:
ŷ  0.065875  0.017125A  0.039B  0.028625AB
con ello, se logra una contaminación mínima de 0.015375 gr/litro y una máxima de
0.150625 gr/litro, Fig 8.7.1e. Si se compara ambos mínimos existe poca diferencia
entre ellos, habría que analizar el ahorro que implica fijar C en -1.
Fig 8.7.1d Superficie de respuesta con C=-1
160
Fig 8.7.1e Curvas de nivel con C=-1
8.7.2 Ejemplo. En un proceso de fabricación se realizan 16 experimentos para

estudiar el comportamiento de cuatro variables para minimizar el porcentaje de
impurezas.

A : Catalizador 4% 6%
B : SO4(NH4)2 (sulfato de amonio) 21 % 24 %
C : Agitación 12 rpm 22 rpm
D : Temperatura 154 ºC 184 ºC
Las variables codificadas son :
%catalizador  5 %SO4 ( NH 4 )2  22.5 rpm  17 º C  169

A , B , C , D
1 1.5 5 15
161
realizando los experimentos en forma aleatoria se obtienen los siguientes resul-
tados
i A B C D Impureza
1 -1 -1 -1 -1 0,15
2 1 -1 -1 -1 0,17
3 -1 1 -1 -1 0,04
4 1 1 -1 -1 0,07
5 -1 -1 1 -1 0,35
6 1 -1 1 -1 0,33
7 -1 1 1 -1 0,07
8 1 1 1 -1 0,09
9 -1 -1 -1 1 0,36
10 1 -1 -1 1 0,39
11 -1 1 -1 1 0,30
12 1 1 -1 1 0,27
13 -1 -1 1 1 0,56
14 1 -1 1 1 0,52
15 -1 1 1 1 0,30
16 1 1 1 1 0,31
Los efectos e interacciones estimados son :
y = 0.2675 , A : Catalizador = 0.0025, B : SO4(NH4)2 = -0.1725, C : rpm = 0.0975,

D : temperatura = 0.2175, AB = 0.0050, AC = -0.0100, AD = -0.0100,
BC = -0.0750, BD = 0.0100, CD = -0.0050
A partir de la Fig 8.7.2a, se puede concluir que las variables significativas

en el proceso son la temperatura, la concentración de SO4(NH4)2, las revoluciones
por minuto y la interacción entre la concentración de SO4(NH4)2 y las revoluciones
por minuto.
El modelo de regresión lineal asociado es
yˆ  0.2675  0.08625B  0.04875C  0.10875D  0.0375BC
162
Para minimizar el porcentaje de impurezas, se deben obtener las derivadas

parciales de ŷ respecto de B, C y D, igualarlas a cero para encontrar los puntos
críticos, calcular las segundas derivadas parciales y evaluarlas en estos puntos
críticos, si el valor resulta positivo indica que se está frente a un mínimo de
porcentaje de impurezas y si es negativo frente a un máximo.
163
Fig 8.7.2b Superficie de respuesta
Dado que las variables con las que se experimenta sólo toman valores –1 o
+1, si se fija la variable D en –1, se obtendrá la superficie de respuesta asociada a
un modelo en tres dimensiones, permite además reducir el porcentaje de
impurezas, dejando en el modelo la interacción BC que permitirá analizar el
comportamiento de estas variables para determinar los valores en las que deben
ser fijadas para minimizar ŷ , así, el modelo se reduce a :
yˆ  0.15875  0.08625B  0.04875C  0.0375BC
En la Fig 8.7.2b, se puede observar, que el valor mínimo de impureza se

logra fijando la variable B en +1, C en –1 y naturalmente D en –1, de esta forma
se obtiene una impureza estimada de 0.06125. Dado que la variable A no es
significativa en el intervalo estudiado, se puede fijar en el valor –1 lo que permite
reducir el costo del proceso.
164
Fig 8.7.2c Curvas de nivel
Si se considera que un valor de impureza de 0.16925 es técnicamente

aceptable, a través de las curvas de nivel de la superficie de respuesta, se
puede determinar en que valor se deben fijar las variables para obtener este
resultado y minimizar a su vez los costos del proceso. En las curvas de nivel de
la Fig 8.7.2c, se muestra el punto de menor costo del proceso, por lo cual, se
deben fijar las variables B en –1 y C en –0.85, reemplazando este último valor
en la ley de trasformación se tiene que :
rpm  17
C  0.85  rpm  12.75
5
con ambos valores se reduce el costo del proceso, puesto que se usa el menor
porcentaje de SO4(NH4)2 y se reduce las rpm a 12.75.
165
Ejemplo 8.7.3 En un proceso de conformado de piezas mediante prensado a
una presión fija de 6000 toneladas sobre matrices de acero, Vinet y Vergara
(2003), intentan minimizar el ángulo de resorteo en las piezas. El ángulo de re-
sorteo se genera al quitar la presión dado que el metal tiende a volver a su po-
sición inicial, generando una diferencia entre el valor objetivo y la posición final.
La pieza conformada será de mejor calidad cuanto menor sea este ángulo de
resorteo, en el proceso intervienen las siguientes variables :
Variables Nivel bajo Nivel alto

A : largo de la faldilla 8 mm 30 mm
B : ángulo de conformado 85 grados 95 grados
C : espesor del producto (pieza) 0.8 mm 1.6 mm
D: radio de doblez 2.5 mm 7 mm
E : material de la pieza aluminio 2024 aluminio 7475
Largo Ángulo Espesor Radio Material

Experimento Ángulo resorteo
faldilla conformado producto doblez piezas
1 +1 +1 -1 +1 -1 19,000
2 -1 -1 -1 +1 -1 27,433
3 +1 -1 +1 +1 -1 2,567
4 +1 -1 -1 -1 +1 2,067
5 +1 +1 -1 -1 -1 7,167
6 +1 -1 +1 +1 +1 3,183
7 -1 +1 -1 -1 -1 6,533
8 -1 -1 +1 +1 -1 30,033
9 +1 +1 +1 +1 +1 7,517
10 -1 -1 +1 +1 +1 29,050
11 +1 -1 -1 +1 -1 4,117
12 +1 -1 +1 -1 -1 9,017
13 +1 +1 +1 -1 -1 6,033
14 -1 +1 -1 -1 +1 6,833
15 -1 -1 -1 -1 -1 2,217
16 -1 +1 +1 -1 -1 13,233
17 +1 +1 +1 +1 -1 7,500
18 +1 -1 -1 +1 +1 4,750
166
19 -1 -1 -1 +1 +1 17,317
20 -1 -1 +1 -1 -1 1,033
21 -1 +1 -1 +1 -1 26,150
22 +1 +1 +1 -1 +1 5,783
23 +1 +1 -1 -1 +1 7,233
24 -1 +1 +1 -1 +1 22,567
25 -1 +1 +1 +1 -1 33,883
26 -1 -1 -1 -1 +1 0,930
27 +1 -1 -1 -1 -1 1,750
28 +1 +1 -1 +1 +1 9,550
29 -1 +1 +1 +1 +1 44,817
30 +1 -1 +1 -1 +1 8,917
31 -1 -1 +1 -1 +1 2,417
32 -1 +1 -1 +1 +1 31,350
Presión de máquina
Espesor del material

Largo de
faldilla
Matriz Radio de
doblez
Ángulo de Material de
Diseño la pieza
Ángulo de Resorteo
Fig 8.7.3a Conceptos de conformado tipo Guerin
Los efectos estimados son :
y = 12.560844; A = 0.413438; B = 6.771938; C = 3.322063; D = -11.852812;

E = 12.155438; AB = 1.605438; AC = 2.205563; AD = -1.432312;
AE = -0.807062; BC = 0.117563; BD = -2.595062; BE = 0.892688;
CD = -3.961687; CE = -0.961687; DE = -10.878312
167
Fig 8.7.3b Gráfico seminormal
A partir de la Fig 8.7.3b, se obtiene que las variables estadísticamente

significativas, de menor a mayor impacto, son E, D, DE, B, CD y C. Luego el
modelo asociado es:
y = 12.561+ 3.386 B + 1.661C 5.926 D + 6.078 E 1.981CD 5.439 DE
para minimizar el ángulo de resorteo se pueden fijar las variables B en –1 y E

en -1, así:
y = 13.097 + 1.661C 0.487 D 1.981CD
Ejercicio. Haga un análisis a partir de la superficie de respuesta de la Fig 8.7.3c,

obtenga las curvas de nivel, para optimizar el proceso de tal forma que minimice
sus costos y obtenga el menor ángulo de resorteo.
168
Fig 8.7.3c Superficie de respuesta
Ejercicio. Se realizan pruebas para maximizar la durabilidad del disco de empuje

de la caja de cambio de automóviles. Se utilizó un diseño de experimentos selec-
cionando seis factores que intervienen en el proceso.

A : Tensión del resorte del embrague 10 libras 15 libras
B : Longitud de los remaches 4 mm 6 mm
C : Diámetro de la superficie de roce 20 cm 24 cm
D : Espesor de la superficie de roce 8 mm 10 mm
E : rpm 1000 1200
F : Tiempo de embragado 1 seg 1.5 seg
Se realizaron los experimentos, y, se midió el kilometraje de duración de cada

uno de los discos, de acuerdo al siguiente diseño:
169
A B C D E F kilometros recorridos/10000
-1 -1 -1 -1 -1 -1 130
1 -1 -1 -1 1 -1 164
-1 1 -1 -1 1 1 145
1 1 -1 -1 -1 1 182
-1 -1 1 -1 1 1 136
1 -1 1 -1 -1 1 150
-1 1 1 -1 -1 -1 138
1 1 1 -1 1 -1 158
-1 -1 -1 1 -1 1 167
1 -1 -1 1 1 1 154
-1 1 -1 1 1 -1 121
1 1 -1 1 -1 -1 175
-1 -1 1 1 1 -1 152
1 -1 1 1 -1 -1 114
-1 1 1 1 -1 1 182
1 1 1 1 1 1 195
Estudie este proceso para maximizar el tiempo de duración de los discos

de empuje, sabiendo que las variables C y E no interactúan. Obtenga el mode-
lo, las superficie de respuesta y las curvas de nivel, para determinar las condi-
ciones óptimas desde el punto de vista del proceso como las económicas.
Ejercicio. En la fase final de la fabricación de piezas de precisión se requiere

que el el diámetro de un extremo debe ser igual a un valor nominal. Se utiliza un
diseño factorial para realizar un proceso de corrosión. En el proceso se utiliza
hexafluoretano como gas reactivo. Las variables que intervienen en el proceso
son : distancia entre el ánodo y cátodo (A), tipo de corrosivo (B), cantidad de
hexafluoretano (C) e intensidad de corriente aplicada al cátodo (D). La rapidez
de corrosión se mide en Å/min, y se desea que esta sea maxima.
Rapidez de
i A B C D
corrosión
1 -1 -1 -1 -1 162
2 +1 -1 -1 -1 192
3 -1 +1 -1 -1 178
4 +1 +1 -1 -1 185
170
5 -1 -1 +1 -1 184
6 +1 -1 +1 -1 186
7 -1 +1 +1 -1 176
8 +1 +1 +1 -1 185
9 -1 -1 -1 +1 187
10 +1 -1 -1 +1 210
11 -1 +1 -1 +1 286
12 +1 +1 -1 +1 198
13 -1 -1 +1 +1 295
14 +1 -1 +1 +1 237
15 -1 +1 +1 +1 289
16 +1 +1 +1 +1 205
Utilice el método seminormal para optimizar este proceso. Determine el

modelo, dibuje la superficie de respuesta y las curvas de nivel. Maximice la ra-
pidez, dado que el hexafluoretano afecta a la capa de ozono de la atmósfera.
Ejercicio. En un proceso de fabricación de envases de plástico por inyección, se

requiere minimizar la dilatación de éstos, para ello se realiza un diseño de
experimentos considerando las siguientes variables :
Nivel bajo Nivel alto

A : temperatura de la matriz mediana alta
B : Cantidad de Polietilentereftalato 14.6 gr 15.4 gr
C : Presión de inyección baja mediana
D : Grosor del envase 1 mm 2 mm
E : Presión de conformado Baja mediana
F : Tiempo de llenado 1 seg 1.5 seg
G : Tiempo de enfriado 2 seg 2.5 seg
H : Velocidad de expulsión 0.5 seg 1 seg
A los envases fabricados se les mide las dilatación externa respecto del
valor nominal de la matriz, obteniendo los siguientes resultados:
i A B C D E F G H Dilatación mm.
1 -1 -1 -1 -1 -1 -1 -1 -1 0.12
2 +1 -1 -1 -1 -1 +1 +1 +1 0.15
3 -1 +1 -1 -1 +1 -1 +1 +1 0.21
171
4 +1 +1 -1 -1 +1 +1 -1 -1 0.22
5 -1 -1 +1 -1 +1 +1 +1 -1 0.19
6 +1 -1 +1 -1 +1 -1 -1 +1 0.20
7 -1 +1 +1 -1 -1 +1 -1 +1 0.22
8 +1 +1 +1 -1 -1 -1 +1 -1 0.24
9 -1 -1 -1 +1 +1 +1 -1 +1 0.16
10 +1 -1 -1 +1 +1 -1 +1 -1 0.22
11 -1 +1 -1 +1 -1 +1 +1 -1 0.17
12 +1 +1 -1 +1 -1 -1 -1 +1 0.19
13 -1 -1 +1 +1 -1 -1 +1 +1 0.20
14 +1 -1 +1 +1 -1 +1 -1 -1 0.18
15 -1 +1 +1 +1 +1 -1 -1 -1 0.25
16 +1 +1 +1 +1 +1 +1 +1 +1 0.27
Escriba el patrón de confusión asociado. Estime los efectos e

interacciones, y mediante el gráfico seminormal, determine cuales de ellos son
significativos. Determine el modelo lineal asociado a este proceso, sabiendo que
CE es la interacción más relevante en el proceso. Analice los resultados e indique
que puede concluir respecto de este proceso de fabricación.
Ejercicio. En un proceso químico se realiza un experimento para estudiar el

comportamiento de cuatro variables para minimizar el porcentaje de impureza
que en él se produce. Las variables que intervienen son :

A : Concentración de catalizador 2% 4%
B : Concentración de H2SO4 10 % 14 %
C : Velocidad de agitación 5 rpm 10 rpm
D : Temperatura 80 ºC 90 ºC
realizados los experimentos en forma aleatoria se obtienen los siguientes resul-

tados :
i A B C D % Impureza
1 -1 -1 -1 -1 0.041
2 +1 -1 -1 -1 0.039
3 -1 +1 -1 -1 0.030
4 +1 +1 -1 -1 0.029
5 -1 -1 +1 -1 0.060
6 +1 -1 +1 -1 0.059
172
7 -1 +1 +1 -1 0.033
8 +1 +1 +1 -1 0.034
9 -1 -1 -1 +1 0.061
10 +1 -1 -1 +1 0.063
11 -1 +1 -1 +1 0.054
12 +1 +1 -1 +1 0.051
13 -1 -1 +1 +1 0.081
14 +1 -1 +1 +1 0.074
15 -1 +1 +1 +1 0.055
16 +1 +1 +1 +1 0.056
Calcule los efectos e interacciones. Determine mediante el método semi-

normal cuales efectos son estadísticamente significativos. Haga proyecciones y
estudie las interacciones significativas. Interprete los resultados. Haga una grá-
fica para analizar estas interacciones ¿ Qué puede concluir?. Determine el mo-
delo asociado. Si se considera que un valor de impureza de 0.038625 es técni-
camente aceptable ¿cómo optimiza el proceso?
Ejercicio. En un proceso de revelado de fotograbado se realiza un experimento

en el que se estudian cuatro variables de acuerdo con un plan factorial, para
mejorar la calidad del fotograbado y minimizar el tiempo de revelado.

A : Apertura del diafragma mínimo mediano
B : Tiempo de exposición 1/100 1/200
C : Tipo de metal aluminio A aluminio B
D : Cantidad de potasio 2.2 gr 2.6 gr
realizados los experimentos en forma aleatoria se obtienen los siguientes resul-

tados :
i A B C D Tiempo de revelado (min)

1 -1 -1 -1 -1 1.14
2 +1 -1 -1 -1 1.11
3 -1 +1 -1 -1 1.01
4 +1 +1 -1 -1 1.02
5 -1 -1 +1 -1 1.15
6 +1 -1 +1 -1 1.43
7 -1 +1 +1 -1 1.02
173
8 +1 +1 +1 -1 1.19
9 -1 -1 -1 +1 1.26
10 +1 -1 -1 +1 1.29
11 -1 +1 -1 +1 1.40
12 +1 +1 -1 +1 1.31
13 -1 -1 +1 +1 1.36
14 +1 -1 +1 +1 1.42
15 -1 +1 +1 +1 1.20
16 +1 +1 +1 +1 1.71
Calcule los efectos e interacciones. Determine mediante semizetas cuales

efectos son estadísticamente significativos. Haga proyecciones y estudie las
interacciones significativas. Interprete los resultados. Haga una gráfica para
analizar estas interacciones ¿ Qué puede concluir?. Determine el modelo lineal
asociado a este proceso. Obtenga la supeficie de respuesta y las curvas de ni-
vel para optimizar este proceso tanto en reducir el tiempo de revelado, como en
reducir los costos.
8.8 Bloques
Las variables bloque permiten detectar en un proceso las diferencias que

se puedan producir, dependiendo de si la manufactura la realiza un operario A o
uno B, ó si existen diferencias entre una máquina u otra que fabrican un mismo
producto, ó si existe diferencia entre productos dependiendo de la materia prima
que se utilice, etc.
Para ilustrar la idea de variable bloque, suponga que se desea

experimentar en un proceso de fabricación de barras de acero y se quiere obtener
el máximo porcentaje de flexibilidad en ellas, las variables que intervienen en el
proceso son :
variables Nivel bajo Nivel alto

X1 (temperatura del horno) 1300 ºC 1500 °C
X2 (contenido de carbono en el acero) 0.4 % 0.8 %
X3 (contenido de níquel en el acero) 0.3 % 0.5 %
174
codificando las variables se tiene :
º C  1400 %Carbono  0.6 %Niquel  0.4

X1  , X2  , X3 
100 0.2 0.1
Para realizar los ocho experimentos de un factorial 23 en condiciones lo

más homogénea posible es deseable que se mezclen remesas de materia prima
suficientes para completar el experimento, suponiendo además, que la máquina
para fundir existente en la empresa sólo tiene capacidad para fabricar cuatro ba-
rras de acero por vez, por tanto será necesario utilizar dos mezclas diferentes pa-
ra fabricar las ocho barras que requiere el diseño.
7
8
3
4
5
6
1
2
Fig 8.8.1 Diseño en bloque
En la Fig 8.8.1, se muestra como el diseño 23 puede ser dividido en dos

bloques de cuatro experimentos elementales, para neutralizar el efecto de
posibles diferencias en la mezcla. Los experimentos 1, 4, 6 y 7 pueden ser hechos
con la mezcla I y los restantes con la mezcla II.
Box, Hunter y S. Hunter (1989), señalan que como los efectos principales
de los factores son contrastes entre las medias de las caras opuestas del cubo,
pero en cada cara hay dos respuestas obtenidas con la mezcla I y dos para la
mezcla II en sentidos opuestos, de manera que, cualquier efecto aditivo asociado
al tipo de mezcla se elimina al calcular los efectos principales y las interacciones,
175
debido a que esta disposición balanceada compensa cualquier diferencia sistemá-
tica entre los dos bloques.
En la columna bloque, la I indica que esos experimentos se realizarán con

la mezcla I, y los II se realizarán en el segundo bloque, luego, se procede a
realizar los ocho experimentos de acuerdo a la siguiente matriz de diseño:
X1 X2 X3 X1X2 X1X3 X2X3 B=X1X2X3 (*) % flexibilidad

-1 -1 -1 +1 +1 +1 -1 4 77.5
+1 +1 -1 +1 -1 -1 -1 3 93.9
+1 -1 +1 -1 +1 -1 -1 1 71.1
-1 +1 +1 -1 -1 +1 -1 2 97.9
+1 -1 -1 -1 -1 +1 +1 1 74.3
-1 +1 -1 -1 +1 -1 +1 3 86.6
-1 -1 +1 +1 -1 -1 +1 4 66.1
+1 +1 +1 +1 +1 +1 +1 2 92.9
(*) orden aleatorio de los experimentos
Fig 8.8.2 Gráfico seminormal
176
Los efectos e interacciones estimados son : y = 82.5375, X1 = 1.025,
X2 = 20.575, X3 = -1.075, X1X2 = 0.125, X1X3 = -1.025, X2X3 = 6.225,
Bloque = -5.125
A partir de la Fig 8.8.2, se puede concluir que son significativos el efecto %

de carbono, y la interacción % carbono con % níquel. La variable bloque resulta
significativa, lo que ratifica que la mezcla I y la mezcla II producen una diferencia
en el porcentaje de flexibilidad de las barras, por lo cual, será necesario
homogeneizar estas mezclas por algún criterio.
El modelo para este experimento está dado por :
yˆ  82.5375  20.575 X 2  6.225 X 2 X 3
Fig 8.8.3 Superficie de respuesta
177
En la Fig 8.8.3, se puede observar que el máximo porcentaje de flexibilidad
se puede obtener al fijar la variable X2 a nivel +1 y la variable X3 a nivel +1. La
variable X1 al no ser significativa en el intervalo estudiando, se puede fijar a nivel
bajo para reducir el costo del proceso.
Como la interacción entre las variables X2X3 es significativa, estas variables

pueden explicarse conjuntamente, proyectando los valores experimentales
(promediados) al plano correspondiente a ellas, así:
26.8
-7.3 5.15
14.35
Fig 8.8.4 Interacción Carbono versus Níquel
Apartir de la Fig 8.8.4, se puede concluir que fijando X3 en –1, pasar de X2

de nivel bajo al alto implica una ganancia del 14.35% en la flexibilidad de la barra,
en cambio, fijando X3 en +1 al pasar X2 de nivel bajo al alto implica una ganancia
del 26.8% en la flexibilidad.
178
Fig 8.8.5 Curvas de nivel
El porcentaje de flexibilidad máxima que se puede lograr es 109.338. Pero,

si técnicamente se considera aceptable un porcentaje de flexibilidad de 93.2578,
se debe buscar en el gráfico de curvas de nivel, un punto de equilibrio que permita
minimizar el costo del proceso, para ello, se puede elegir de manera que reduzca
el porcentaje de níquel aumentando el porcentaje de carbón, por ejemplo, en el
punto señalado en la Fig 8.8.5, sus coordenadas son X2=0.8 y X3=0, por tanto :
%Carbono 0.6 %Niquel  0.4

 0.8  %Carbono  0.76 ,  0  %Niquel  0.4
0.2 0.1
Al introducir variables bloques en un diseño, se produce una confusión

entre ellas con interacciones de alto orden, lo que se conoce como patrón de
confusión debido al bloque. En diseños factoriales fraccionales se mostrará que
existen procedimientos para elegir la forma óptima de generar estas particiones,
produciendo la mínima confusión posible para un determinado diseño.
179
8.9 Diseños factoriales fraccionales
En los diseños factoriales 2k al aumentar el número de variables, k, el

número de experimentos que se deben realizar crece en progresión geométrica.
Con ese número de experimentos que se tendrían que realizar se estimarían igual
número de parámetros para el modelo, pero, seguramente no todos serán
estadísticamente significativos, y además, la mayoría de las interacciones de
orden tres o superiores técnicamente son imposibles de explicar e interpretar su
comportamiento. Se debe tener en cuenta, que se gastaría una cantidad
importante de recursos en realizar todos los experimentos, y con ellos, se estarían
estimando interacciones de alto orden, que posteriormente no podrán ser
explicadas.
Pepió y Polo (1990) consideran que se debe tener en cuenta que existe
una jerarquización que hace que los efectos principales tengan más importancia
que las interacciones de orden dos, y estas a su vez, son más importantes que las
interacciones de orden tres, etc., por tanto, al realizar un experimento completo
(con 2k experiencias) se gastan demasiados recursos para estimar interacciones o
efectos que no son relevantes o significativos en un determinado proceso, dado
que su presencia es necesaria pero no determinante.
Número de interacciones
(de orden)
Número de Número de Número de efectos
2 3 4 5 6 7
variables experimentos principales
2 4 2 1
3 8 3 3 1
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 21 7 1
Tabla 8.9.1 Número de experimentos e interacciones
Es posible estudiar el mismo número de variables de un

determinado proceso, reduciendo el número de experiencias a realizar mediante
diseños factoriales fraccionales. La idea es realizar una fracción del diseño
180
factorial completo, pudiendo estimar los efectos principales y las interacciones de
bajo orden, suponiendo que las interacciones de orden elevado son nulas.
Para realizar esta fracción, se debe seleccionar un bloque o una réplica,

teniendo en cuenta, que todas las variables deben ser ensayadas el mismo
número de veces en cada nivel, y además, hacerlo perjudicando lo menos posible
las estimaciones de los efectos más importantes.
Considerando un diseño 2 3, y suponiendo que sólo es posible realizar

cuatro experimentos, ya sea, por consideraciones técnicas o por razones
económicas, etc., el problema es determinar cuales cuatro experimentos elegir de
estos ocho.
Si se supone que el efecto de la interacción de orden tres es práctica-

mente nula, se puede renunciar a estimarla, y tomar por ejemplo, las cuatro ob-
servaciones asociadas a los positivos de X1X2X3, o bien a los negativos.
X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 Respuesta
-1 -1 -1 +1 +1 +1 -1 y1
+1 -1 -1 -1 -1 +1 +1 y2
-1 +1 -1 -1 +1 -1 +1 y3
+1 +1 -1 +1 -1 -1 -1 y4
-1 -1 +1 +1 -1 -1 +1 y5
+1 -1 +1 -1 +1 -1 -1 y6
-1 +1 +1 -1 -1 +1 -1 y7
+1 +1 +1 +1 +1 +1 +1 y8
El procedimiento para obtener una media fracción de un diseño 23, que se

denota 23-1, es construir un diseño completo con las dos primeras variables y
definir la tercera como el producto de las dos anteriores.
181
X1 X2 X3=X1X2 X1X2 X1X3 X2X3 y
-1 -1 +1 +1 -1 -1 y1
+1 -1 -1 -1 -1 +1 y2
-1 +1 -1 -1 +1 -1 y3
+1 +1 +1 +1 +1 +1 y4
la expresión X3=X1X2 se llama el generador del diseño.
Las variables definidas en los diseños factoriales tienen las siguientes

propiedades :
1
 
1
a) Xi  Xi  .  I b) X i  I  X i
.
 
1
Multiplicando X3=X1X2 por X3 se tiene I=X1X2X3, que se denomina relación

de definición. La resolución de un diseño factorial fraccional, está dado por el
mínimo número de variables que contenga la relación de definición, en este caso,
está formada por una palabra integrada por tres variables, se dice entonces que
es un diseño de resolución III, y se denota 23-1III.
Cuando se construyen diseños factoriales fraccionales, se genera un

patrón de confusión entre los efectos principales con las interacciones, mientras
más alta sea la resolución de un diseño, los efectos principales se confunden con
interacciones de mayor orden, y como éstas técnicamente no son explicables, se
asume que el efecto es debido al efecto principal; lo mismo ocurre con las
interacciones de segundo orden, que cuando la resolución es baja se confunden
con los efectos principales, pero, a medida que la resolución es mayor, también,
se comienzan a confundir con interacciones de alto orden, y en esos casos, se
asume que el efecto es debido a la interacción de orden dos.
El patrón de confusión de un diseño se obtiene a partir de su relación de

definición, para un diseño 23 se tiene:
182
I  X 1 X 2 X 3 multiplicando por X1, X2 y X3 sucesivamente
I  X1  X1 X 2 X 3 X1  X1  X 2 X 3
I  X 2  X1 X 2 X 3 X 2  X 2  X1 X 3
I  X 3  X1 X 2 X 3 X 3  X 3  X1 X 2
luego
C X1  X 1  X 2 X 3
C X2  X 2  X1 X 3
C X3  X 3  X 1 X 2
la expresión C X  X 1  X 2 X 3 , significa que la variable X1 está confundida con la

1
interacción X2X3.
Si se observa la tabla del diseño de media fracción, se puede observar que

existen columnas iguales, ello, es lo que explica que aparezca este patrón de
confusión, es el costo que se debe pagar por realizar sólo la mitad de los
experimentos. Un diseño de resolución tres confundirá efectos principales con
interacciones de orden dos.
Para desconfundir los efectos, se puede realizar la otra media fracción

usando el generador I=-X1X2X3, con lo cual, se obtienen nuevas estimaciones
para los efectos e interacciones con el siguiente patrón de confusión
C * X1  X * 1  X * 2 X * 3
C * X2  X * 2  X * 1 X * 3
C * X3  X * 3  X * 1 X * 2
con ambos patrones de confusión, y con los valores estimados de ellos, se

pueden obtener los efectos desconfundidos como el promedio de estos
contrastes, por ejemplo :
183
1 1
para X 1  ( C X1  C * X1 )  ( X 1  X * 1 )
2 2
1 1
para X 2 X 3  ( C X1  C * X1 )  ( X 2 X 3  X * 2 X * 3 )
2 2
Para construir una media fracción de un diseño 24, con las tres primeras
variables se genera un diseño completo y la cuarta variable se define como el
producto de las tres anteriores, es decir, X4=X1X2X3, por lo cual, la relación de
definición está dada por I= X1X2X3X4, se trata por tanto, de un diseño de
resolución IV, y se denota por 24-1IV.
I  X1  X1 X 2 X 3 X 4 X1  X1  X 2 X 3 X 4
I  X 2  X1 X 2 X 3 X 4 X 2  X 2  X1 X 3 X 4
I  X 3  X1 X 2 X 3 X 4 X 3  X 3  X1 X 2 X 4
I  X 4  X1 X 2 X 3 X 4 X 4  X 4  X1 X 2 X 3
I  X1 X 2  X1 X 2 X 3 X 4 X1 X 2  X1 X 2  X 3 X 4
I  X1 X 3  X1 X 2 X 3 X 4 X1 X 3  X1 X 3  X 2 X 4
I  X1 X 4  X1 X 2 X 3 X 4 X1 X 4  X1 X 4  X 2 X 3
luego el patrón de confusión está dado por:
C X1  X 1  X 2 X 3 X 4 C X2  X 2  X1 X 3 X 4
C X3  X 3  X 1 X 2 X 4 C X4  X 4  X1 X 2 X 3
C X1X 2  X 1 X 2  X 3 X 4 C X1X 3  X 1 X 3  X 2 X 4
C X1X 4  X 1 X 4  X 2 X 3
Si se quiere desconfundir, se puede realizar la otra media fracción, ó unos

experimentos adicionales con los signos adecuados para realizar una estimación
a través del promedio de los resultados obtenidos, para realizar la otra media
fracción se usa el generador con signo contrario, I= -X1X2X3X4.
Por ejemplo, si para un experimento se ha obtenido en una primera etapa

que C X  X 2  X 1 X 3 X 4  12.0 , y al realizar experimentos adicionales o la otra
2
184
media fracción se obtiene que C * X  X * 2  X * 1 X * 3 X * 4  10.8 , se pueden
2
desconfundir los efectos obteniendo una estimación para X2 y para X1X3X4 por:
1
Efecto de X2 = ( 12.0  10.8 )  11.4
2
1
Efecto de X1X3X4 = ( 12.0  10.8 )  0.6
2
Número de Números de variables

Experimentos
3 4 5 6 7 8 9
23-1III
4
±3 = 12
24-1IV 25-2III 26-3III 27-4III
±4=12
8
±4=12 ±5=13
±4=12 ±5=13 ±6=23
±4=123 ±5=13 ±6=23 ±7=123
25-1V 26-2IV 27-3IV 28-4IV 29-5III
±5=123
16 ±5=234 ±6=234
±5=123 ±6=134 ±7=134
±5=123 ±6=234 ±7=123 ±8=124
±5=1234 ±6=234 ±7=134 ±8=124 ±9=1234
26-1IV 27-2IV 28-3IV 29-4IV
32 ±6=2345
±6=123 ±7=1345
±6=1234 ±7=124 ±8=1245
±6=12345 ±7=1245 ±8=2345 ±9=1235
Tabla 8.9.2 Generadores de Box, Hunter y S. Hunter
185
En general, si se tiene k variables, la variable k-ésima se define como el
producto de las (k-1) anteriores, es decir, Xk=X1X2...X(k-1), por tanto, la relación de
definición esta dada por I=X1X2...X(k-1)Xk , la resolución del diseño será (k-1), y se
denota por 2k-1k.
La Tabla 8.9.2, muestra los generadores definidos por Box, Hunter y S.

Hunter (1990) que presentan la máxima resolución, dependiendo del número de
variables y el número de experimentos que se desee realizar.
8.9.1 Ejemplo. Se realiza un experimento para determinar las condiciones

óptimas para obtener el máximo agotamiento de una tintura (azul lanaset 2r) en
una madeja de lana. El agotamiento se mide por la cantidad de colorante que
queda en la fibra una vez realizado el proceso de teñido, medido a través de un
expectrofotómetro. Se estudiaron siete variables a dos niveles cada una :

A . acetato sódico 0% 4% s.p.f (0.2 gr)
B : áciso acético Sin Con (1% s.p.f)
C : albegal Sin Con (1% s.p.f)
D : temperatura 77 ºC 100 ºC
E : sulfato sódico Sin 5% s.p.f (0.25 gr)
F : relación de baño 200 cc/5gr 300 cc/5gr
Se emplea un factorial fraccional 2 7-3IV, que mediante 16 experimentos

permite estudiar éstas variables a dos niveles, se preparan las experiencias
midiendo los gramos requeridos de cada una de las variables, por ejemplo : el
acetato sódico (0.2 gr) permite hacer una disolución reguladora del ph del baño; el
sulfato sódico (0.25 gr) es el electrolito para neutralizar las cargas negativas de la
fibra; el albegal (0.05 gr) es un detergente que permite que la tintura penetre mejor
en la fibra, obteniendo una tinción más uniforme, etc. En cada experimento, se
medirá la cantidad de colorante que queda en la fibra una vez terminado el
proceso de teñido, este agotamiento se mide por colorimetría mediante un
expectrofotómetro por :
-
Indice de Agotamiento = DOi DOf  100
DOi
donde, DOi y DOf son las densidades ópticas inicial y final.
186
los generadores del diseño son E=ABC, F=BCD y G=ACD, luego, se tiene que
I1=ABCE, I2=BCDF E I3=ACDG. Para obtener la relación de definición, debe
realizarse todos los productos entre las combinaciones Ii, así:
I = ADEF = BDEG = ABFG (de a dos)
I = CEFG (todas)
por tanto:
I = ABCE = BCDF = ACDG = ADEF = BDEG = ABFG = CEFG
es la relación de definición de este diseño.
 -1 -1 -1 -1 -1 -1 - 1  7.18 
   
+ 1 -1 -1 -1 +1 -1 + 1  55.50 
   
 -1 +1 -1 -1 +1 +1 - 1  37.88 
   
+ 1 +1 -1 -1 -1 +1 + 1  57.89 
 -1  22.54 
-1 +1 -1 +1 +1 + 1  
 
+ 1 -1 +1 -1 -1 +1 -1   13.01
   
 -1 +1 +1 -1 -1 -1 + 1  16.67 
   
+ 1 +1 +1 -1 +1 -1 - 1  54.55 
M=  Y = 
 -1 -1 -1 +1 -1 +1 + 1  28.89 
+ 1  
-1 -1 +1 +1 +1 - 1  46.83 
 
 -1 +1 -1 +1 +1 -1 + 1  72.78 
   
+ 1 +1 -1 +1 -1 -1 - 1  71.35 
   
 -1 -1 +1 +1 +1 -1 - 1  53.40 
   
+ 1 -1 +1 +1 -1 -1 + 1  49.43 
 -1 +1 +1 +1 -1 +1 - 1  
   47.52 
 
+ 1 +1 +1 +1 +1 +1 + 1  55.47 
Como la longitud de la palabra más corta en esta relación es 4, el diseño

tiene resolución IV, es decir, confunde efectos principales con interacciones de
orden 3, interacciones de orden 2 con interacciones de orden 2. Considerando las
187
interacciones de orden mayor o igual a tres despreciables, se tiene el siguiente
patrón de confusión:
CA = A ; CB = B ; CAB = AB + CE + FG ; CC = C ;
CAC = AC + BE + DG ; CBC = BC + AE + DF ; CD = D ; CE = E ;
CAD = AD + CG + EF ; CBD = BD + CF + EG ; CCD = CD + BF + AG ;
CF = F ; CG = G ; CDE = DE + AF + BG ;
para obtener la matriz del diseño, primero se construye un diseño completo con
las cuatro primeras variables, luego para las siguientes columnas se utilizan los
generadores E=ABC, F=BCD y G=ACD.
Fig 8.9 Gráfico seminormal
188
Los efectos e interacciones calculados son:
y = 43.18, CA = A = 14.65 ; CB = B = 17.17 ; CAB = AB + CE + FG = 1.46 ;

CC = C = -8.21 ; CAC = AC + BE + DG = -6.56 ; CBC = BC + AE + DF = -8.21 ;
CD = D = 20.06 ; CE = E = 13.38 ; CAD = AD + CG + EF = -9.52 ;
CBD = BD + CF + EG = -0.024 ; CCD = CD + BF + AG = 4.71 ; CF = F = 3.43 ;
CG = G = -8.85 ; CDE = DE + AF + BG = -5.55
Ejercicio : Al aplicar el método seminormal, Fig 8.9, se determina qué variables e

interacciones son significativas. Debido al patrón de confusión existente, los
ingenieros del proceso indicaron que de las interacciones AC, BE y DG sólo era
relevante AC. Con esta información, escriba el modelo de regresión asociado,
estudie la interacción significativa y optimice el proceso para lograr el máximo
agotamiento al menor costo.
8.9.2 Ejemplo. Se realizaron pruebas en la cámara de combustión de una cal-

dera industrial para minimizar la cantidad de monóxido de carbono que ella emi-
te. Considerando las siguientes variables:

A : cantidad de combustible 1 litro/min 1.5 litro/min
B : tipo de filtro 10 tramas/cm2 15 tramas/cm2
C : presión caldera baja mediana
D : octanaje del combustible 90 95
el objetivo, es minimizar el porcentaje de hidrocarburos no quemados en los ga-

ses de escape, realizados los experimentos se han obtenido los siguientes resul-
tados
A B C D % monóxido de carbono
-1 +1 +1 +1 0.83
-1 -1 +1 -1 0.18
-1 -1 -1 +1 0.61
+1 -1 -1 -1 0.32
+1 -1 +1 +1 0.69
189
+1 +1 +1 -1 0.49
-1 +1 -1 -1 0.36
+1 +1 -1 +1 0.95
los efectos calculados son : y = 0.55375; A = 0.1175; B = 0.2075; C = -0.0125;

D =0. 4325; AB + CD = 0.0075; AC + BD =-0.0325; AD + BC =-0.0175
a partir de la Fig 8.9.2a, resultan significativas las variables A, B y D, luego el

modelo asociado está dado por:
ŷ  0.55375  0.05875A  0.10375B  0.21625D
190
Fig 8.9.2b Superficie de respuesta
Para graficar la superficie de respuesta, se debe fijar una de las varia-

bles, de modo de reducir el porcentaje de monóxido de carbono, por ejemplo, si
D se fija en -1, el modelo se reduce a:
ŷ  0.3375  0.05875A  0.10375B
A partir de esta superficie de respuesta de la Fig 8.9.2b, se puede con-

cluir que si se fijan las variables A y B a nivel bajo, se obtiene el menor porcen-
taje de monóxido de carbono. El mínimo se logra fijando las tres variables a
nivel bajo.
Ejercicio. Obtenga las curvas de nivel asociadas a este experimento y optimice el

proceso, de manera de reducir los costos, para ello, fije un valor aceptable de
porcentaje de hidrocarburos no quemados.
191
Ejercicio. En un proceso de fotograbado Vilches y Vergara (2003) consideran
las siguientes variables para obtener la tonalidad azul más adecuada de la
emulsión fotosensibilizadora adherida a la superficie del aluminio, en la cual
queda trazada la figura de planimetría, para la fabricación de piezas y partes de
aeronaves.

A : tipo de aluminio 2024-T3 6061-T6
B : cantidad de Potasio 2 gr 2.5 gr
C : cantidad de Citrato 1 gr 2 gr
D : tiempo de exposición 550 seg 630 seg
E : tiempo de revelado 0 seg 300 seg
F : cantidad de agua 2.5 ml 3.0 ml
Se realizaron los experimentos y se obtuvieron los siguientes valores de tono:
tiempo tiempo
experimento material potasio citrato agua tono
exposición revelado
1 +1 +1 +1 +1 +1 +1 7.7
2 +1 -1 +1 -1 -1 -1 3.6
3 -1 +1 -1 +1 +1 +1 1.8
4 -1 +1 -1 +1 -1 -1 0.5
5 +1 -1 -1 +1 -1 -1 3.8
6 -1 +1 +1 +1 +1 -1 4.7
7 -1 +1 -1 -1 -1 +1 3.0
8 +1 +1 +1 -1 -1 +1 5.8
9 -1 -1 -1 -1 -1 -1 2.0
10 +1 -1 -1 -1 +1 -1 1.6
11 -1 +1 +1 -1 -1 -1 4.7
12 -1 -1 +1 -1 +1 -1 3.6
13 +1 +1 -1 -1 -1 -1 1.8
14 -1 -1 -1 -1 +1 +1 2.0
15 +1 +1 -1 +1 +1 -1 2.3
16 +1 -1 -1 -1 -1 +1 3.2
17 +1 -1 +1 -1 +1 +1 7.0
18 -1 -1 -1 +1 -1 +1 1.4
19 +1 +1 +1 -1 +1 -1 8.0
20 +1 +1 -1 +1 -1 +1 6.2
192
21 +1 -1 +1 +1 -1 +1 6.5
22 -1 +1 +1 +1 -1 +1 5.0
23 +1 -1 +1 +1 +1 -1 7.7
24 -1 -1 +1 -1 -1 +1 4.8
25 -1 +1 -1 -1 +1 -1 1.1
26 -1 +1 +1 -1 +1 +1 0.4
27 +1 -1 -1 +1 +1 +1 5.1
28 -1 -1 -1 +1 +1 -1 3.3
29 -1 -1 +1 +1 -1 -1 3.5
30 -1 -1 +1 +1 +1 +1 4.5
31 +1 +1 +1 +1 -1 -1 6.0
32 +1 +1 -1 -1 +1 +1 2.6
Optimice este proceso utilizando el método seminormal. Escriba las

funciones de transformación. Obtenga el modelo asociado. Determine
condiciones para obtener el mejor tono. Utilice la superficie de respuesta y las
curvas de nivel para lograr las mejores condiciones para éste proceso, al menor
costo.
Ejercicio. Se utiliza un torno para fabricar una pieza metálica del rotor de un mo-
tor. Se requiere minimizar la cantidad de material utilizado para tornear esta
pieza. Las variables que intervienen en el proceso son:
Factor Nivel bajo Nivel alto

A: ángulo de ataque de la cuchilla 5º 10º
B: diámetro del metal 23.5 mm 23.8 mm
C: longitud del metal 22 cm 23 cm
D: dureza del metal baja Media
E: diámetro de la pieza 22.5 mm 22.8 mm
F: longitud de la pieza 21.5 cm 21.8 cm
G: temperatura del metal bajo medio
H: revoluciones por minuto 60 90
se mide la cantidad de gramos de viruta que se envía a reciclaje por cada pieza,
obteniendo los siguientes resultados.
193
Desecho
i A B C D E F G H (gramos)
1 -1 -1 -1 -1 -1 -1 -1 -1 743,6
2 1 -1 -1 -1 -1 1 1 -1 683,1
3 -1 1 -1 -1 -1 1 1 1 652,9
4 1 1 -1 -1 -1 -1 -1 1 886,8
5 -1 -1 1 -1 -1 1 -1 1 666,8
6 1 -1 1 -1 -1 -1 1 1 908,9
7 -1 1 1 -1 -1 -1 1 -1 642,1
8 1 1 1 -1 -1 1 -1 -1 905,8
9 -1 -1 -1 1 -1 -1 1 1 1194,2
10 1 -1 -1 1 -1 1 -1 1 1111,8
11 -1 1 -1 1 -1 1 -1 -1 869,8
12 1 1 -1 1 -1 -1 1 -1 1023,8
13 -1 -1 1 1 -1 1 1 -1 1446,9
14 1 -1 1 1 -1 -1 -1 -1 1048,6
15 -1 1 1 1 -1 -1 -1 1 817,9
16 1 1 1 1 -1 1 1 1 795,9
17 -1 -1 -1 -1 1 -1 -1 1 710,8
18 1 -1 -1 -1 1 1 1 1 1496,4
19 -1 1 -1 -1 1 1 1 -1 600,9
20 1 1 -1 -1 1 -1 -1 -1 961,3
21 -1 -1 1 -1 1 1 -1 -1 691,6
22 1 -1 1 -1 1 -1 1 1 1460,7
23 -1 1 1 -1 1 -1 1 -1 565,2
24 1 1 1 -1 1 1 -1 -1 1133,8
25 -1 -1 -1 1 1 -1 1 1 1073,1
26 1 -1 -1 1 1 1 -1 1 883,5
27 -1 1 -1 1 1 1 -1 -1 922,3
28 1 1 -1 1 1 -1 1 -1 1166,7
29 -1 -1 1 1 1 1 1 -1 1105,2
30 1 -1 1 1 1 -1 -1 -1 988,3
31 -1 1 1 1 1 -1 -1 1 1196,7
32 1 1 1 1 1 1 1 1 919,6
194
8.10 Modelización Global
La modelización global, se utiliza para obtener a partir de experimentos

realizados en un proceso productivo, un modelo que permita reducir la variabili-
dad, ajustar la respuesta lo más próximo al valor nominal de su diseño, y robustifi-
car un proceso productivo. Esto se realiza a partir de la información obtenida de
experimentos factoriales a dos niveles, diseñados adecuadamente y replicados.
De esta forma, es posible mejorar la calidad del proceso productivo; estudiar los
niveles en que se deben fijar las variables, que intervienen en un determinado
proceso, para reducir la variabilidad; minimizar costos de producción; insensibilizar
el proceso respecto de la influencia de variables incontrolables; optimizar el pro-
ceso productivo; y en términos globales generar un producto con una calidad in-
trínseca mayor.
Pepió y Polo (1991) realizaron un desarrollo teórico que mejora el trabajo

de Nair y Pregibon (1988), para modelizar en forma conjunta la variabilidad y la
tendencia central de un proceso productivo, mediante diseños factoriales del tipo
2p, que permiten estudiar p variables a dos niveles cada una, con un total de 2p
tratamientos o experimentos, especificados codificadamente en las líneas de la
matriz del modelo, replicados r veces. Sea mi la media y 2i la varianza de las ob-
servaciones correspondientes al i-ésimo tratamiento (i-ésima línea de la matriz del
modelo), la modelización consiste en relacionar la media y la varianza con los fac-
tores y sus interacciones mediante coeficientes de localización k y de dispersión
k con
n n
mi =  aik  k y ln(  i ) =  aik  k

2
k =1 k =1
donde ln es el logaritmeperiano y aik , k=1,2,…,n son los elementos de la i-ésima

línea de la matriz del modelo.
Esta modelización permite expresar las respuestas y las sumas de diferen-

cias cuadráticas en función de los coeficientes por :
n n
Y ij =  a ik  k +  ij y ln( X i ) =  a ik  k +  i donde
r
X i =  ( y ij - y i )
2
k =1 k =1 j =1
i = 1,2,..., n ; j = 1,2,..., r
195
Dado que la estimación de los coeficientes de localización k, dependiendo
si las varianzas 2i puedan considerarse o no estadísticamente iguales, es nece-
sario, estimar en primer lugar los coeficientes de dispersión y estudiar su significa-
ción.
Puesto que la matriz del modelo, que se utiliza en diseños factoriales a dos
niveles es ortogonal, los estimadores de los coeficientes son independientes, y se
obtienen, como el producto escalar de cada columna de la matriz del modelo por
el vector de respuestas. Para los efectos de dispersión, será el logaritmo nepe-
riano de las sumas de diferencias cuadráticas, afectados por el correspondiente
divisor.
Pepió y Polo (1991) estiman los efectos de dispersión y estiman las varian-
zas asociadas a cada tratamiento partiendo del modelo
ln( X i ) =  aik  k +  i , i = 1,2,..., n , con X i   xi  x 

n n
2
k=1 i 1
por tanto, el estimador de la varianza de cada tratamiento está dado por:
n 
exp  aik  k(mÍn -cuad)
Xˆ i =  k=1 
ˆ i =
2
r -1 r -1
Mediante los estimadores mínimo cuadráticos de los coeficientes de dis-
persión, se puede aumentar la eficiencia de la estimación mediante los estimado-
res máximo verosímiles correspondientes.
El análisis de los efectos de localización, cuando no se verifica el supuesto

de igualdad de varianza de los tratamientos, se realiza mediante el modelo lineal
Y ij = mi +  i  ij =  aik  k +  i  ij , j = 1,2,..., r
k =1
Estimados los coeficientes de dispersión, se estudia su significación me-

diante el gráfico seminormal de Daniel (1959).
196
Si existen efectos o interacciones significativas en la modelización de la va-
riabilidad, para modelar la tendencia central es necesario aplicar un cambio de
variable, consistente en dividir cada valor de la respuesta por su correspondiente
desviación estándar.
Se utilizan como valores de i sus respectivas estimaciones, resultantes del

modelo de dispersión, de esta forma el nuevo modelo de efectos de la tendencia
central está dado por
n
=  aik  *k + e*ij , i=1,2,…,n
Y ij
W ij =
i k=1
dado que yij ~ N(mi , 2i), resulta que Wij ~ N(mi/i , 1); el modelo lineal trasforma-
do, es tal, que trabaja con la matriz del modelo sin trasformar, y como ésta matriz
es de componentes ortogonales, los estimadores de * son independientes al re-
sultar diagonal su matriz de varianzas-covarianzas.
8.10.1 Ejemplo. Se desea determinar el efecto que tienen las revoluciones por
minuto (A), el tipo de metal (B) y el ángulo de corte (C), para maximizar la dura-
ción en horas, de la cuchilla de un torno. Se realiza un diseño factorial 23 con tres
réplicas. Los resultados y la matriz del diseño se muestran en la Tabla 8.10.1.
A B C r1 r2 r3 yi Xi lnXi
-1 -1 -1 22 24 26 24,00 8,00 2,079442
1 -1 -1 32 34 29 31,67 12,67 2,538974
-1 1 -1 35 36 38 36,33 4,67 1,540445
1 1 -1 55 47 51 51,00 32,00 3,465736
-1 -1 1 44 45 38 42,33 28,67 3,355735
1 -1 1 34 37 36 35,67 4,67 1,540445
-1 1 1 60 50 54 54,67 50,67 3,925268
1 1 1 39 41 47 42,33 34,67 3,545779
Tabla 8.10.1 Matriz del diseño y resultados
a partir de estos datos, se obtienen las siguientes estimaciones de los coeficientes

del modelo de dispersión:
197
ln X = 2.74898 ; A=0.04751 ; B=0.74066 (*) ; C=0.68566 (*) ; AB=0.72539 (*) ;
AC=-1.1449 (*) y BC=0.54677. Se indican con un asterisco los efectos e interac-
ciones estadísticamente significativos, según Fig 8.10.1.
Fig 8.10.1 Gráfico de semizetas para la dispersión
De acuerdo a los resultados de la Fig 8.10.1, el modelo está dado por:
ln( X i ) = 2.74898  0.37033B - 0.34283C + 0.362695AB  0.57245AC
dado que hay tres repeticiones en cada punto experimental, la desviación están-
dar de cada tratamiento se estima por
Xˆ i = exp [ 1.0279 - 0.1852B - 0.1714C +0.1813AB0.2862AC ]

ˆ i =
2
198
para estimar la desviación estándar i de cada tratamiento, se deben sustituir en
este modelo, los factores por sus respectivos valores codificados -1 ó +1. En la
Tabla 8.10.2, se presentan los resultados de i y los valores trasformados W i.
Puesto que la varianza está en función de algunos factores del proceo, para mo-
delizar la tendencia central del proceso, se calculan los valores de Wi
i ^i Wi = yi /i
1 3,595268 6,675441
2 4,434317 7,142025
3 1,727359 21,032111
4 4,400589 11,589356
5 4,523285 9,358243
6 1,775520 20,089886
7 2,173228 25,156130
8 1,762016 24,023621
Tabla 8.10.2 Valores estimados de i y wi
Fig 8.10.2 Gráfico seminormal para los efectos de localización
199
Con los valores de Wi de la tabla 8.10.2, se obtienen los siguientes estimadores:
W i =15.633353 ; A=0.155745 ; B=9.633905 (*) ; C=8.047235 (*) ; AB=-5.443375

(*); AC=4.643825 (*) y BC=0.231905. Se indican con un asterisco los efectos y
las interacciones estadísticamente significativas, resultantes de la Fig 8.10.2.
Por tanto, el modelo asociado está dado por:
Wi  15.6334  4.8170B  4.0236C  2.7217AB  2.3219AC
Fig 8.10.2 Superficie de respuesta
200
Fig 8.10.3 Curvas de nivel
luego, el modelo para la tendencia central del proceso está dado por :
y  (15.6334  4.8170B  4.0236C  2.7217AB  2.3219AC)  EXP(1.0279  0.1852B  0.1714C  0.1813AB  0.02862AC)
para maximizar la duración de la cuchilla, se puede fijar la variable B en +1, así, el

modelo se reduce a :
y  ( 19.567  2.721A  4.0236C  2.3219AC )  EXP( 0.8427  0.1813A  0.1714C  0.02862AC )
De acuerdo a los resultados, para minimizar la variabilidad del proceso, es

necesario fijar las variables A en -1, B en +1 y C en -1, es decir, se debe trabajar
las rpm a nivel bajo, con una configuración a nivel alto y un ángulo de corte a nivel
bajo.
Para maximizar la duración de la herramienta, se debe fijar la variable A a

nivel bajo, la variable C a nivel alto, dado que se fijó la variable B a nivel alto, co-
mo se puede apreciar en la superficie de respuesta de la Fig 8.10.2, sin embargo,
esta elección producirá un aumento de la variabilidad. Para optimizar el proceso
desde el punto de vista económico, se debe realizar un análisis a partir de las cur-
vas de nivel de la Fig 8.10.2.
201
Se puede afirmar que la modelización global, en la optimización de proce-
sos productivos, permite estudiar la forma de reducir los costos en el proceso de
fabricación; mejorar la calidad del producto; minimizar la variabilidad del proceso;
ajustar la respuesta de la variable en estudio lo más cerca de un valor objetivo ó a
una norma; obtener productos más robustos, etc. Esta metodología permiten ge-
nerar productos de una calidad intrínseca mayor, se pueden reducir los costos por
reprocesos de productos, por servicios técnicos, por tiempos de demora en la
atención, etc.
Ejercicio. En el ejemplo 8.10.1, fijando la variable B en -1, el modelo se reduce a:
y  ( 10.81632  2.7217A  4.0236C  2.3219AC )  EXP( 1.2131 0.1813A  0.1714C  0.02862AC )
Obtenga la superficie de respuesta y las curvas de nivel correspondientes. Com-

pare los resultados, con lo analizado para B=+1.
Ejercicio. En un proceso de fabricación de amortiguadores de hoja para camiones

de gran tonelaje, se requiere maximizar la ductibilidad de las hojas para lograr la
mejor amortiguación, en un rango predefinido. Para ello, se realiza un diseño de
experimento con cuatro réplicas. Las variables del proceso son : A=temperatura
de horno, B=% de carbono, C=% de níquel, D=tiempo de enfriamiento y
E=temperatura del aceite. Los porcentajes de ductibilidad se muestran en la si-
guiente tabla:
i A B C D E r1 r2 r3 r4
1 -1 -1 -1 -1 -1 95,48 95,47 95,46 95,49
2 1 -1 -1 -1 1 95,61 95,53 95,49 95,55
3 -1 1 -1 -1 1 95,44 95,45 95,44 95,46
4 1 1 -1 -1 -1 95,45 95,51 95,47 95,47
5 -1 -1 1 -1 1 95,43 95,52 95,49 95,49
6 1 -1 1 -1 -1 95,47 95,52 95,51 95,45
7 -1 1 1 -1 -1 95,46 95,44 95,43 95,47
8 1 1 1 -1 1 95,51 95,48 95,47 95,51
9 -1 -1 -1 1 1 95,48 95,42 95,39 95,46
10 1 -1 -1 1 -1 95,51 95,49 95,43 95,51
11 -1 1 -1 1 -1 95,46 95,47 95,44 95,47
12 1 1 -1 1 1 95,46 95,48 95,45 95,48
13 -1 -1 1 1 -1 95,43 95,42 95,43 95,44
202
14 1 -1 1 1 1 95,46 95,47 95,46 95,48
15 -1 1 1 1 1 95,41 95,39 95,41 95,43
16 1 1 1 1 -1 95,49 95,44 95,48 95,48
Aplique el método de modelización global para lograr la mayor altura libre de las
hojas del resorte. Determine las condiciones que permitan lograr este objetivo.
Haga un análisis para minimizar los costos del proceso.
Ejercicio. Se utiliza una aleación acero con níquel y titanio, templados, en la fabri-
cación de hélices de barcos. Se realizar un estudio para minimizar la longitud de
las fisuras que aparecen en la superficie en el proceso de enfriamiento. Se estu-
dian los factores, A: temperatura del horno, B: Contenido de titanio, C: Contenido
de níquel y D: Temperatura del baño de aceite. Se realizan cuatro réplicas de un
diseño 24, y se midieron las longitudes de las grietas (en mm), obteniendo los si-
guientes resultados:
i A B C D r1 r2 r3 r4
1 -1 -1 -1 -1 0,92 0,93 0,91 0,94
2 +1 -1 -1 -1 0,74 0,73 0,75 0,74
3 -1 +1 -1 -1 0,55 0,56 0,57 0,55
4 +1 +1 -1 -1 0,72 0,71 0,73 0,71
5 -1 -1 +1 -1 0,39 0,4 0,38 0,39
6 +1 -1 +1 -1 0,37 0,36 0,38 0,37
7 -1 +1 +1 -1 0,55 0,56 0,57 0,56
8 +1 +1 +1 -1 0,39 0,40 0,41 0,50
9 -1 -1 -1 +1 0,40 0,39 0,38 0,31
10 +1 -1 -1 +1 0,97 0,98 0,99 1,08
11 -1 +1 -1 +1 0,98 0,97 0,96 0,96
12 +1 +1 -1 +1 0,62 0,63 0,61 0,63
13 -1 -1 +1 +1 0,98 0,99 0,97 0,97
14 +1 -1 +1 +1 0,43 0,41 0,44 0,41
15 -1 +1 +1 +1 0,60 0,59 0,61 0,59
16 +1 +1 +1 +1 0,48 0,50 0,49 0,49
203
Aplique el método de Modelización Global. Determine el modelo que permita mi-
nimizar la longitud de la grietas y minimizar la variabilidad. Fije las variables en los
niveles que además permitan minimizar los costos del proceso, para ello, utilice
curvas de nivel.
204
Bibliografía
 Alzamora, R. y Vergara, P. 1996. Control de Calidad Mediante Técnicas Acumulativas

Aplicadas a Procesos Continuos. Actas del III Congreso Latinoamericano de Sociedades
de Estadística, XXIII Jornadas Nacionales de Estadística, XXIV Coloquio Argentino de Es-
tadística. Universidad de Santiago de Chile
 Ansorena y Babé (2004) Focus.ie.edu/web/detalle_articulos.asp?id_contenido = 2226
 Barba, E., Boix, F. y Cuatrecasas, L. 2000. Seis Sigma. Ed Gestión 2000.com
 Box, G. Hunter, W. y Stuart Hunter, J. 1989. Estadística para Investigadores. Introducción
al Diseño de Experimentos, Análisis de Datos y Construcción de Modelos. Ed. Reverté
 Box, G. and Jenkins, G. (1970). Time Series Analysis Forecasting and Control. Holden-
Day, San Francisco, CA.
 Brooks, D. and Evans, D.A. (1972). An approach to the Probability Distribution of CUSUM
Run Lengths. Biometrika, 59, 539-549.
 Capilla, C. y Romero, R. (1991). Aportaciones al conocimiento del comportamiento Esta-
dístico de Gráficos de Control para medias. Actas XIX Congreso Nacional de Estadística,
I.O. e Informática. Segovia, España
 Crosby, P. 1989. Hablemos de Calidad. Mc Graw Hill
 Crosier, R.B. (1986). A New Two-sided Cumulative Sum Quality Control Scheme. Tech-
nometrics, 28, 187-194
 Crowder, S. (1987a). Average Run Lenghts of Exponentially Weighted Moving Average
Control Charts. Journal of Quality Technology, 19, 161-164
 Crowder, S. (1987b). A Simple Method for Studying Run-Length Distribution of Exponen-
tially Weigthed Moving Average Charts. Technometrics, 29, 4, 401-407
 Crowder, S. (1989). Design of Exponentially Weighted Moving Average Schemes. Journal
of Quality Technology Vol 21, 3, 155-162
 Delgado, M., Olavarrieta, P. y Vergara, P. 2004. Lógica Difusa en Control de Calidad de
Procesos. XII Congreso Español de Tecnologías y Lógica Fuzzy
 Delgado, M., Olavarrieta, P., y Vergara, P. 2005. Fuzyy Sets Tools in Process Quality Con-
trol. Trabajo enviado para publicar en International Journal of Uncertainty, Fuzziness &
Knowledge-Based Systems
 Hackl, P. and Ledolter, J. (1991). A Control Chart Based on Ranks. Journal of Quality
Technology. Vol 23, 2, 117-124
 Harry, M. y Schroeder, R. 2000. Six Sigma, the breakthrough strategy revolutionizing the
world`s top corporations. Doubleday
205
 Harry, M., Lawson, R. 1992. Six Sigma producibility análisis and process characterization.
Motorola University Press
 Harry, M. 1997. The nature of Six Sigma Quality. Motorola University Press
 Hidalgo, J. y Vergara, P. 2002. Calidad Total : Herramienta de Gestión para la competitivi-
dad. Implantación en una empresa siderúrgica. Universidad Jaume I de Castellón, España
 Hunter, J.S. (1986). The Exponetially Weigthed Moving Average. Journal of Quality Tech-
nology, 18, 203-210
 Lawson, J., Madrigal, J. y Erjavex, J. 1992. Estrategias Experimentales para el Mejora-
miento de la Calidad en la Industria, Ed. Iberoamérica
 León, M.http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/parassiglefco.htm
 Lucas, J.M. and Crosier, R.B. (1982). Fast Initial Response for CUSUM Quality Control
Schemes : Give Your CUSUM a Head Start. Technometrics, 24, 199-205
 Lucas, J. and Saccucci, M. (1990). Exponentially Weigthed Moving Average Control
Schemes : Properties and Enhancements. Technometrics, 32, 1
 MacGregor, J. and Harris, T. (1990). Discusión. Technometrics, 32, 1, 23-26
 Montgomery, D. 1991. Diseño y Análisis de Experimentos. Ed. Iberoamérica
 Page, E.S. (1957) Biometrika, 44, 248-252
 Pepió, M. y Polo, C. (1986). Esquemas de Control por Sumas Acumuladas. CEAM, 197,
23-28 España
 Pepió, M. y Polo, C. (1987). Control de Calidad por Sumas Acumuladas. ETSEIT-UPC I.I.
6/87 Barcelona, España
 Pepió, M. y Polo, C. (1988). Riesgos Globales Asociados a los Gráficos de Control Clási-
cos. Boletín CALIDAD, 2, Marzo-Abril España
 Pepió, M. y Polo, C. (1990a). Sumas Acumuladas Conjuntas. Tablas. Qüestió, Vol 14, 1, 2,
3, 27-41 Barcelona, España
 Polo, C. y Pepió, M. (1990b). Modelización y Optimización de Procesos. Ed. Universidad
Politécnica de Cataluña
 Polo, C. y Pepió, M. (1990c). Diseño de Experiencias. Ed. Universidad Politécnica de Cata-
luña
 Pepió, M., Polo, C. y Vergara, P. 1990. Análisis Crítico de los Indices de Calidad Cp y Cpk.
Revista Trilogía, Vol. 10/11, Nº 18, 10-23
 Pepió, M., Polo, C. y Vergara, P. 1994. Control de Procesos mediante Estadísticos Ponde-
rados Exponencialmente. Actas del XXI Congreso de Estadística e Investigación Operati-
va. Calella, España
 Roberts, S. (1959). Control Chart Tests Based on Geometrics Moving Averages. Techno-
metrics, 1, 239-250
 Roberts, S. (1966). A Comparison of Some Control Chart Procedures. Technometrics, 8,
411-430
206
 Shewhart, W. (1931). Economic Control of Quality of Manufactured Product. Princeton, N.J
: Van Nostrand
 Statistica, 1995. Volumen III, StatSoft 2nd Edition
 Statgraphics Plus, 1993. Manugistics, Inc.
 Vergara, P. 1993. Control de Calidad mediante la Función de Pérdida de Taguchi. Trilogía
Vol 13, Nº21
 Vergara, P. 1984. Eficiencia relativa asintótica de los rangos ponderados en diseños de
bloques incompletos balanceados. Escuela de Salud Pública. Universidad de Chile
 Vergara, P. 1992. Nuevas Técnicas Acumulativas de Control de Calidad. Control Conjunto
por Medias Móviles Ponderadas Exponencialmente para la tendencia central y la variabili-
dad. Tesis Doctoral, ISBN: 84-7653-206-7, Depósito Legal :B.2.201-92 Universidad Poli-
técnica de Cataluña, Barcelona España
 Vergara, P. 1993. Control de Calidad por Medias Móviles Ponderadas Exponencialmente
para la tendencia central y la variabilidad. : Aplicación. Actas del II Congreso Latinoameri-
cano de Sociedades de Estadística (CLATSE II),Universidad Católica de Buenos Aires.
Pág 344-359
 Vergara, P. 1994. La Calidad : Un aporte a la Sociedad. Actas Primer Seminario Latinoa-
mericano Universidad y Sociedad : Mecanismos de Vinculación. Universidad Tecnológica
Metropolitana
 Vergara, P. y Barrera, R. 1994. Comparación de la Eficiencia entre Métodos de Control de
Calidad. Actas del VI Congreso de Estadística de la Zona Sur. Universidad de la Frontera,
Temuco
 Vergara, P., González, H., Sepúlveda, C. y Buccioni, R. 1994. Efectos de la introducción de
Señales en un Método de Control de Calidad Acumulativo. Actas del VI Congreso de Esta-
dística de la Zona Sur. Universidad de la Frontera, Temuco
 Vergara, P. 1994. Optimización de Procesos Industriales y Control de Calidad. XIII Jorna-
das Nacionales de Estadística. Universidad de Concepción
 Vergara, P. 1994. Optimización de la Calidad de Procesos Modelización Global. Actas VI
Congreso Internacional de Biomatemáticas ISBN 9977-64-718-6. Universidad Estatal a
Distancia. Costa Rica
 Vergara, P. 1995. Control de Calidad mediante Medias Móviles Ponderadas Exponencial-
mente. Gráficos con señales. Trilogía Vol 14 Nº22 43-62
 Vergara, P. 1995. Optimización de Procesos Industriales. Universidad Austral de Chile.
 Vergara, P. 1997. Control Estadístico de Procesos. Universidad de La Frontera - Academia
Politecnica Aeronáutica
 Vergara, P. 1997. Diseño y Optimización de Procesos Industriales. Universidad de La
Frontera – Academia Politécnica Aeronáutica
207
 Vilches, J. y Vergara, P. 2003. Optimización del Proceso de Fotograbado. Universidad de
La Frontera-Academia Politécnica Aeronáutica
 Vinet, G. y Vergara, P. 2003. Optimización del Diseño de Matrices a través de un Diseño
Experimental. Universidad de La Frontera-Academia Politécnica Aeronáutica
 www.seis-sigma.com
208

Optimizacion de Procesos Industriales y Control de Calidad

Cargado por

Información del documento

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

Optimizacion de Procesos Industriales y Control de Calidad

Cargado por

Copyright:

Formatos disponibles

1

Pedro Vergara Vera

• DIRECCIÓN DE COMUNICACIÓN Y CULTURA

PROHIBIDA LA REPRODUCCIÓN TOTAL O PARCIAL EN CUALQUIER FORMA Y POR CUALQUIER MEDIO.

CAPÍTULO III ...................................................................................................................36

CAPÍTULO VIII ..............................................................................................................141

Algo inherente al conocimiento generado en el ámbito de las ingenierías es su

La globalización ha obligado a las industrias a ser competitivas, a buscar espacios

La utilización del método de modelización global permite a través de réplicas de

De la misma manera, en diseños de experimentos, se desarrollan diversas aplica-

Debo felicitar a la Universidad Tecnológica Metropolita a través de su Editorial al

Felix de Moya Anegón

En todo proceso de producción existe el riesgo de aparición de artículos defec-

Uno de los objetivos del control estadístico de un proceso, es determinar si una

Es importante que al definir la calidad de un producto, entendiendo por produc-

Desde que Shewhart (1931) desarrolló los gráficos de medias, x y de desvia-

Otro método, es el gráfico de control basado en la Media Móvil Ponderada Ex-

Se estudia la generalización de este esquema para un control conjunto de la

Se presentan métodos de diseño de experimentos, factoriales y factoriales

Método de Control de Calidad mediante Sumas Acumuladas

1.1. El Método SUMAC

El método de las Sumas Acumuladas (SUMAC), introducido por Page

St  máx 0 , (Yt  Q)  St 1  t  1,2,...

Actualmente, la tónica general consiste en puntuar la situación de un proceso

S   Lnf1( x j ) / f0 ( x j )  mín k t  Lnf1( x j ) / f0 ( x j )  H

f0 representa la verosimilitud de la observación cuando el proceso está en la situa-

El acumulador St se puede calcular en forma recurrente por:

S t  máx  0 , S t 1  Lnf1( x t ) / f0 ( x t )  1.1.2

así mismo, se puede modificar la escala dividiendo el logaritmo neperiano de ésta

Sea X una variable aleatoria proveniente de una distribución N(m,σ2), que se

1.2 SUMAC para el control de la tendencia central

La determinación de la expresión de los acumuladores del SUMAC, para el

1.2.1.- Acumulador superior

Si se desea controlar una posible degradación del proceso, por un crecimiento

dividiendo por el factor de escala nDL, designando por Ut el acumulador de la t-

1.2.2 Acumulador inferior

detectándose, con el riesgo asociado, un descentramiento inferior cuando Lt supere

En general, por la simplicidad que representa utilizar los mismos valores de

1.3 SUMAC para el control de la dispersión

Pepió y Polo (1988) desarrollaron un esquema SUMAC para la variabilidad del

Sea g=(n-1)S2/σ2, luego

Sean, Yt=S2t/σ20, el estadístico de control, Q=[A2/(A2-1)] Ln A2 el valor de refe-

se considera que la variabilidad se ha degradado, aumentando hasta A2σ20, cuando

1.4 Longitud de Ráfaga Media

La eficacia de un gráfico SUMAC se evalúa mediante el número de muestras

La distribución de la LR y sus parámetros miden la potencia de un esquema de

Para determinar las propiedades de un gráfico SUMAC, deben definirse los

Para evaluar la LRM y su distribución en función del desplazamiento, se pue-

Fijados Q y H, la LRM depende del valor del acumulador SUMAC, en el instan-

Para la elección del esquema de control (valores Q y H), para el control de la

Pepió y Polo (1990a), diseñaron un control SUMAC conjunto, bilateral de la

1.5 Obtención de las tablas de LRM

Para una población con distribución X~N(m,σ2), el proceso se considera bajo

Fig 1.5 Proceso centrado, situación real y límite

el desplazamiento y la amplificación límites son DL=(m1-m0 )/σ0 y AL ; con valores de

si la distribución real del proceso presenta un desplazamiento reducido D=(m-m0)/σ0

1.6 Análisis de las LRM en función de los distintos parámetros

Éste análisis a través de las LRM, es equivalente al que se realizaría sobre la

n=4 DL=0.5 AL=1.25

Tabla 1.6.1 LRM para un control conjunto. Pepió y Polo (1988)

1.7 Los Gráficos de Shewhart

Al presentar un método alternativo (los gráficos SUMAC), es necesario compa-

La característica de estos gráficos es que, además de las líneas de interven-

Pepió y Polo (1988) para determinar las LRM asociadas a un gráfico de