Diagramas de Control 09 2015

CONTROL ESTADISTICO DE
PROCESOS
PUCE
ING SANTIAGO LPEZ CRESPO MBA
Septiembre 2015
DIAGRAMAS DE CONTROL
LA VARIABILIDAD.
LA VARIABILIDAD:
Fuentes de variacin: EQUIPO
La primera fuente de variacin es el equipo.

Esta causa comprende desgaste de herramientas, vibracin de la mquina,
posicionamiento del soporte de la pieza, y fluctuaciones hidrulicas y elctricas.
Cuando se juntan todas estas variaciones se define una cierta capacidad o precisin dentro
de la cual el equipo funciona.
Aun las mquinas supuestamente idnticas tienen diferentes capacidades, y eso se vuelve
una consideracin muy importante cuando se programa la produccin de partes crticas.
LA VARIABILIDAD:
Fuentes de variacin: MATERIAL
Es la segunda causa de variacin.

Como hay variacin en el producto terminado, tambin debe existir en la materia prima
(que es el producto terminado de alguien ms).
Cabe esperar que caractersticas de la calidad, como resistencia a la tensin, ductilidad,
espesor, porosidad y contenido de humedad contribuyan a la variacin general del
producto final.
LA VARIABILIDAD:
Fuentes de variacin: AMBIENTE
Una tercera causa es el ambiente.

La temperatura, iluminacin, radiacin, descarga electrosttica, tamao de partcula,
presin y humedad pueden contribuir a las variaciones en el producto.
Para controlar esta causa, algunas veces los productos se fabrican en cuartos blancos. Los
experimentos que se hacen en el espacio exterior son para aprender ms acerca del efecto
del ambiente sobre la variacin de los productos.
LA VARIABILIDAD:
Fuentes de variacin: OPERADOR
Una cuarta fuente es el operador.

Esa fuente de variacin comprende el mtodo con el que el operador efecta la
operacin.
El bienestar fsico y emocional del operador tambin puede contribuir a la variacin. Un
malestar fsico, un problema personal o laboral pueden hacer que el desempeo de un
operador vare respecto a la calidad.
Cuando un operador no comprende las variaciones de equipos y materiales, por falta de
entrenamiento, puede causar frecuentes ajustes de mquina y con ello complicar la
variabilidad.
A medida que los equipos se han automatizado cada vez ms, ha disminuido el efecto del
operador sobre la variacin.
LA VARIABILIDAD:
Fuentes de variacin: INSPECCION
Esas cuatro fuentes juntas causan la variacin real.

Tambin se considera a la que se debe a la actividad de inspeccin.
Un equipo defectuoso de inspeccin, la aplicacin incorrecta de una norma de calidad, o
demasiada presin en un micrmetro pueden ser la causa de un informe incorrecto sobre
la variacin.
En general, la variacin debida a la inspeccin debera ser la dcima parte de las otras
cuatro fuentes de variacin.
Debe observarse que tres de esas fuentes estn presentes en la actividad de inspeccin:
* Un inspector, el equipo de inspeccin y el ambiente.
LA VARIABILIDAD:
Mientras esas fuentes de variacin flucten en una forma natural o esperada, se
produce un patrn estable de muchas causas fortuitas (causas aleatorias) de
variacin.
Las causas aleatorias de variacin son inevitables. Como son numerosas, e
individualmente tienen relativamente poca importancia, son difciles de detectar o
identificar.
Las causas de variacin que son de gran magnitud, y en consecuencia fcilmente

identificables, se clasifican como causas asignables.
Cuando slo hay causas aleatorias en un proceso, se considera que el proceso est
en (o bajo) control estadstico. Es un estado estable y predecible.
Sin embargo, cuando tambin est presente una causa de variacin asignable, la
variacin ser excesiva y se dice que el proceso est fuera de control, o que sale de
la variacin natural esperada.
LA VARIABILIDAD.
Tipos de variabilidad:
Variacin aleatoria (en ocasiones llamada variacin comn o inherente)

Algunos ejemplos de fuentes de variacin aleatoria :
- La friccin interna en una mquina,
- Variaciones ligeras en las condiciones del material o del proceso (como la temperatura
del molde para hacer botellas de vidrio),
- Condiciones atmosfricas (como temperatura, humedad y el contenido de polvo del aire)
y vibraciones transmitidas a una mquina por un equipo pesado cercano.
LA VARIABILIDAD.
Tipos de variabilidad:
Variacin asignable (llamada variacin sistemtica o de causa especial)

- Representa grandes fluctuaciones o patrones en los datos que no son inherentes a un
proceso, no forman parte de un proceso normal o estable.
- Son susceptibles de corregir o explotar sin cambiar el sistema esencial.
-Tales fluctuaciones son ocasionadas a menudo por cambios externos que representan
problemas que deben ubicarse u oportunidades que se deben explotar.
-La variacin asignable por lo general es corregible, en tanto que la variacin aleatoria
por lo general no se puede corregir o estabilizar de manera econmica.
LA VARIABILIDAD.
Tipos de variabilidad. Respuestas gerenciales:
Estos dos tipos de variacin requieren respuestas administrativas distintas. Aunque uno
de los objetivos de la administracin de la calidad es la mejora constante mediante la
reduccin de la variacin inherente, en general, esto no puede lograrse sin cambiar el
proceso.
Y no se debe cambiar el proceso hasta estar seguro de que toda la variacin asignable ha
sido identificada y est bajo control.
De manera que la idea es:

Si el proceso est fuera de control, debido a que todava est presente alguna
variacin de causa especial, identifique y corrija la causa de dicha variacin.
Slo cuando el proceso est bajo control, puede mejorarse la calidad
rediseando el proceso para reducir su variabilidad inherente.
LA VARIABILIDAD.
LA VARIABILIDAD.
LOS DIAGRAMAS DE CONTROL

NOS
PERMITEN REVISAR EL PROCESO Y
DETERMINAR LA PRESENCIA DE CAUSAS
ESPECIALES EN LA VARIACION
LA VARIABILIDAD.
Estadstica para administracin y economa. R Levin
LA VARIABILIDAD.
Tipos de variabilidad. TIPOS DE ERRORES
Existen dos tipos de errores que los diagramas de control ayudan a prevenir:
PRIMER TIPO:
Implica la creencia de que un valor observado representa una causa especial de la variacin,
cuando de hecho se debe a una causa comn inherente de variacin del sistema.
Tratar la causa comn como como si fuera especial puede traer como resultado una
manipulacin innecesaria sobre ajuste del proceso con un consecuente aumento de la
variacin.
LA VARIABILIDAD.
Tipos de variabilidad. TIPOS DE ERRORES
Existen dos tipos de errores que los diagramas de control ayudan a prevenir:
SEGUNDO TIPO:
Implica tratar una causa especial de la variacin, como si fuera una causa comn inherente
de variacin del sistema y no tomar medidas correctivas inmediatas.
LOS DIAGRAMAS DE CONTROL.
La esencia del control estadstico de procesos consiste en

identificar un parmetro que sea fcil de medir y cuyo valor sea
importante para la calidad del resultado del proceso (Ej.,el
dimetro de ejes de transmisin), graficarlo de tal manera que
podamos reconocer las variaciones no aleatorias, y decidir cundo
hacer ajustes al proceso.
Estas grficas se conocen genricamente como grficas de control.
DIAGRAMAS DE DIAGNSTICO.
Diagrama de esqueleto de pescado, Causa Efecto, Ishikawa
Estadstica aplicada a los negocios y economa. Lind; 13era Edicin
Diagrama de Pareto. Regla del 80 -20
El 80% de la actividad se debe al 20% de los factores
La administradora de la ciudad de una ciudad, est preocupada por el consumo del agua,
en particular en los hogares unifamiliares. Le gustara desarrollar un plan para reducir el
consumo de agua. Para investigar esto, selecciona una muestra de 100 hogares y determina
el consumo normal de agua diario para diversos fines. stos son los resultados de la
muestra.
Diagrama de Pareto. Regla del 80 -20
El 80% de la actividad se debe al 20% de los factores
DIAGRAMAS DE CONTROL.
Tipos de variable:
Hay dos tipos de diagramas de control.

Un diagrama de control de variables representa mediciones, como la cantidad de
refresco de cola en una botella de dos litros o el dimetro exterior de una tubera. Un
diagrama de control de variables requiere un intervalo o escala de razn de medicin.
Un diagrama de control de atributos clasifica un producto servicio como aceptable o
inaceptable. Se basa en la escala de medicin nominal.
Por ejemplo, el departamento de alimentacin pide calificar los alimentos servidos
como aceptables o inaceptables;
POR VARIABLE
Datos recolectados en subgrupos
Datos recolectados en subgrupos
Datos en subgrupos.
El valor predeterminado para todos los comandos, excepto para las grficas R, S, X y R, as
como las grficas X y S, es estimar S con una desviacin estndar agrupada . La desviacin
estndar agrupada es el mtodo ms eficiente para estimar la desviacin estndar cuando
usted presupone una variacin constante a lo largo de los subgrupos. Elija la opcin
Rbarra para basar el clculo en el promedio de los rangos de subgrupos. Elija la opcin
Sbarra para basar el clculo en el promedio de las desviaciones estndar de los subgrupos.
Observaciones individuales.
El clculo de s se basa en MR / d2, el promedio del rango mvil dividido entre una
constante de eliminacin de sesgo . Por opcin predeterminada, el rango mvil tiene una
longitud de 2, debido a que los valores consecutivos tienen la mayor probabilidad de ser
similares. Haga clic en Utilizar rango mvil de longitud para cambiar la longitud del rango
mvil. Alternativamente, utilice Mediana del rango mvil o Raz cuadrada de MSSD .
DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

PARA VARIABLES:
Para elaborar diagramas de control para variables, se depende de la teora de muestreo
junto con el teorema del lmite central.
Estas relaciones permiten establecer lmites respecto de las medias de las muestras
para mostrar cunta variacin se espera en un tamao determinado de la muestra.
Estos lmites esperados se denominan lmite de control superior (LCS) y lmite de
control inferior (LCI).

LIMITES DE CONTROL PARA LA MEDIA. SUBGRUPOS DE TAMAO n
Una tabla para el control de la media tiene dos lmites: un lmite de control superior (LCS)
y un lmite de control inferior (LCI). Estos lmites de control superior e inferior se calculan
mediante:
El nmero 3 que aparece en los lmites de control superior e inferior se utiliza por
convencin.
De dnde viene? Recuerde el teorema de Chebyshev,: no importa en qu distribucin
se base, al menos el 89% de todas las observaciones cae dentro de 3 desviaciones
estndar de la media.
Adems, para poblaciones normales, ms del 99.7% de todas las observaciones cae
dentro de dicho intervalo.

As, si un proceso est bajo control, en esencia todas las

observaciones caern dentro de los lmites de control.
Por el contrario, las observaciones que caen fuera de esos lmites
sugieren que el proceso est fuera de control, y exigen una mayor
investigacin para ver si existe una causa especial que explique
esos valores.
Puesto que la teora estadstica se basa en la normalidad de muestras grandes, los
diagramas de control deben tener como base un proceso estable, es decir, una muestra
muy grande tomada durante un periodo extenso.
Una regla bsica es disear el diagrama despus de seleccionar al menos 25 muestras.

Ejemplo: LC. Lind Ej 2
Statistical Software, Inc., ofrece un nmero telefnico de larga distancia sin costo al cual
los clientes pueden llamar todos los das, de 7 a.m. a 11 p.m., para resolver problemas
con sus productos.
Es imposible que un representante tcnico conteste de inmediato, pero es importante
que los clientes no esperen demasiado en lnea para que les contesten. Los clientes se
molestan cuando escuchan demasiadas veces el mensaje: Su llamada es importante
para nosotros. En breve le contestar un representante.
Para comprender el proceso, Statistical Software decidi elaborar una tabla de control
con el tiempo total desde el momento en que se recibe una llamada hasta que el
representante la responde y soluciona el problema del cliente. El da de ayer se tom
una muestra de cinco llamadas cada hora durante las 16 horas de operacin del servicio
de atencin al cliente.

Hay una variacin en la duracin de las llamadas, pero todas las medias de la muestra
estn dentro de los lmites de control.
Por tanto, con base en 16 muestras de 5 llamadas, la conclusin es que, 99.74% de las
veces, la duracin media de una muestra de 5 llamadas estar entre 5.735 minutos y
13.091 minutos.

Ejemplo: LC. Ej 3. 10-15 Levin
La compaa Track Bicycle Parts fabrica cojinetes para ejes de llantas, adems de frenos,
asientos y pedales. Seth Adams es responsable del control de la calidad en la empresa.
Ha estado verificando la produccin de cojinetes de 5 mm que se utilizan en los ejes de
las llantas delanteras. En cada una de las ltimas 18 horas, muestre cinco cojinetes, con
los siguientes resultados.
a) Trace una grfica x para ayudar a Seth a determinar si la produccin de los
cojinetes de 5 mm est bajo control.
b) Deber Seth concluir que el proceso est bajo control? Explique su respuesta.

INTERPRETACION DE LAS GRAFICAS
Tal vez el torno no fue re calibrado al inicio de la

jornada o quiz el operador normal de la
mquina estuvo enfermo. Se puede dar el caso
en que no se obtengan conclusiones de una
investigacin. Despus de todo, la variacin
aleatoria producir observaciones externas el
0.3% de las veces.

INTERPRETACION DE LAS GRAFICAS
A pesar de que las 10 observaciones caen
dentro de los lmites de control, no muestran
una variacin aleatoria, presentan un patrn
definido de incremento en el tiempo.
Siempre que se encuentre una falta de
aleatoriedad, debe suponer que algo
sistemtico lo ocasiona y determinar cul es la
causa asignable. Aunque todas las
observaciones estn dentro de los lmites de
control, se dice que el proceso est fuera de
control.
En este ejemplo, la cuchilla del torno tena
cada vez menos filo y el departamento de
mantenimiento no la haba afilado segn lo
programado.

INTERPRETACION DE LAS GRAFICAS. TIPOS DE PATRONES
Observaciones externas individuales
Tendencias crecientes o decrecientes

Saltos en el nivel alrededor del cual

varan las observaciones.
Indica que la media del proceso pudo
haber cambiado
Ciclos en el nivel del proceso.

Altibajos que se repiten arriba y abajo de
la lnea central; pueden indicar factores
como fatiga del operador y cambios de
operador entre turnos.

Atraccin hacia los lmites de control

Grandes desviaciones uniformes respecto
a la media; pueden indicar que se estn
observando dos poblaciones distintas.
Atraccin hacia la lnea central.

Pequeas desviaciones uniformes con respecto a la
media indican que la variabilidad se ha reducido
respecto a sus niveles histricos; esto en general es
deseable. Si se puede mantener la tendencia, los
lmites de control debern reducirse para asegurar
que la mejora en la calidad contina.

GRAFICAS X CUANDO NO SE CONOCEN Y LA . GRAFICA R
En la distribucin de muestreo usamos s, la desviacin estndar de la muestra, para estimar .

Sin embargo, en las grficas de control, se ha vuelto costumbre basar la estimacin de en
R, el promedio de todos los rangos de las muestras.
Esta costumbre surgi porque, a menudo, las grficas de control se grafican en la planta, y era
mucho ms fcil para los trabajadores calcular los rangos de las muestras (la diferencia entre
las observaciones ms grande y ms pequea de la muestra) que calcular desviaciones
estndar de muestra.
La relacin entre y R se capta en un factor llamado d2, que depende de n, el tamao de la
muestra. Los valores de d2 se dan en la tabla siguiente:

GRAFICAS X CUANDO NO SE CONOCEN Y LA . GRAFICA R
A2 y d2: valores de tabla
Tabla: Factores de diagrama de control

GRAFICAS X CUANDO NO SE CONOCEN Y LA . R barra
Ejemplo: LC. Lind Ej 4 Del Ej 2
con sus productos.

14
12
10
LCS
LCI
MEDIA
GRAN MEDIA
2
0
1
10
11
12
13
14
15
16

Ejemplo: LC. Lind Ej 4 721
con sus productos.

GRFICAS R: GRFICAS DE CONTROL PARA VARIABILIDAD DE PROCESOS
Debido a que la calidad implica consistencia, confiabilidad y cumplimiento de los
requerimientos, la variabilidad es su enemiga.
Dicho de otra manera, la forma de mejorar la calidad es reducir la variabilidad. Pero
antes de decidir si la variabilidad es un problema en cualquier caso, debemos poder
supervisarla.
Los lmites de control de las grficas X ponen cotas a la cantidad de variabilidad que
estamos dispuestos a tolerar en las medias muestrales. Sin embargo, las preocupaciones
de calidad estn dirigidas a observaciones individuales (Ej. dimetros de ejes de
transmisin, tiempos de operacin de una caja rpida, etc.).
Por distribucin de muestreo sabemos que las medias de las muestras son menos
variables que las observaciones individuales.
De manera ms precisa:

Para controlar la variabilidad de las observaciones individuales, utilizamos otro tipo de
grficas de control, llamadas grficas R; en ellas, se grafican los valores de los rangos de
cada una de las muestras.
La lnea central de las grficas R est situada enR. Para obtener los lmites de
control, necesitamos saber algo acerca de la distribucin muestral de R. En
particular, cul es su desviacin estndar, R ?
Esta desviacin estndar es:

Nota: Cuando n 6; el LCI, calculado con la ecuacin, ser negativo.

En estos casos, establecemos el valor del LCI igual a cero. De acuerdo con esto, los
valores de D3 para n 6 en la tabla; son cero.

Ejemplo: LC. Lind Ej 5
con sus productos
Elabore un diagrama de control de rangos. Parece que hay algn momento en el que es
demasiada la variacin en la operacin?
El primer paso es encontrar la media de los rangos de la muestra. El rango para las cinco
llamadas en la muestra de las 7 a.m. es 11 minutos. La llamada de mayor duracin
seleccionada en esa hora fue de 15 minutos, y la ms breve, de 4 minutos; la diferencia es
11 minutos.
A las 8 a.m., el rango es de 4 minutos. El total de los 16 rangos es 102 minutos, por
tanto, el rango promedio es 6.375 minutos, determinado por R = 102/16 = 6,375
Los valores en tabla de D3 y D4 son 0 y 2.115, respectivamente.
Los lmites de control superior e inferior son: 0 y 13.483.

Los lmites de control superior e inferior son:
El diagrama del trazo de los 16 rangos de las muestras aparece en la grfica.
Este diagrama indica que todos los rangos estn dentro de los lmites de control. De
aqu, se concluye que la variacin en el tiempo para atender las llamadas de los clientes
est dentro de los lmites normales, es decir, bajo control. Por supuesto, debe
determinar los lmites de control con base en un conjunto de datos y luego aplicarlos
para evaluar datos futuros, no los datos que ya conoce.

Grafica R en Minitab

GRFICAS X - R:
Ejemplo 4:

DIAGRAMA DE DESVIACIN ESTANDAR MUESTRAL (s)
Aunque las grficas X y R son las ms comunes para variables, algunas organizaciones
prefieren la desviacin estndar muestral, s, como medida de la dispersin de subgrupos.
Al comparar una grfica R con una grfica s, se ve que la R es ms fcil de calcular y ms fcil
de explicar. Por otra parte, la desviacin estndar de subgrupo, para la grfica s, se calcula
usando todos los datos, y no slo los valores alto y bajo, como se hizo en la grfica R.
Una grfica s es ms exacta que una R.
Cuando los tamaos de subgrupo son menores que 10, ambas grficas retratan grficamente
la misma variacin; sin embargo, cuando el tamao de subgrupo aumenta hasta 10 o ms, los
valores extremos tienen una influencia exagerada sobre la grfica R.
Por lo dicho, se debe usar la grfica s para tamaos mayores de subgrupo.

Las ecuaciones que definen los lmites y el valor s estn definidas de la siguiente manera:
Control de calidad 8 edicin D. Besterfied


Ejemplo 6. Datos: Enlatado.MTW
Una compaa enlatadora desea evaluar si el proceso de llenado de las latas est bajo control .
Se recolectaron quince subgrupos de diez latas, cada uno en un intervalo de quince minutos en
dos turnos, correspondientes a la produccin de un solo da.
Para minimizar la variacin dentro de subgrupos (lata a lata), se reunieron diez muestras de un
subgrupo dado en un corto perodo de tiempo.
Minimizar esta variacin es importante porque la variacin dentro de subgrupos se utiliza para
establecer los lmites de control para la grfica s.

Ejemplo 6. Datos: Enlatado.MTW
Los lmites de control superior e inferior son 0.00672 y 0.04066, respectivamente. Por lo tanto, se espera que
los rangos de los subgrupos se ubiquen entre 0.00672 y 0.04066. La lnea central (estimado de la desviacin
estndar del proceso) es 0.02369.
Ninguno de los subgrupos de datos sobre enlatados est fuera de los lmites de control. Adems, los puntos
dentro de los lmites muestran un patrn aleatorio . Esta grfica S no proporciona ninguna evidencia de falta de
control. Por lo tanto, la variacin del proceso est bajo control y la grfica se puede examinar.

DIAGRAMA X - s
La grfica S debe estar bajo control antes de que usted pueda interpretar la grfica X barra . Si la grfica
S no est bajo control, entonces los lmites de control para la grfica X barra sern inexactos y pueden
sealar de manera inapropiada una condicin de fuera de control en la grfica.
Ejemplo 6 b. Datos: Enlatado.MTW

DIAGRAMA X - s
Para los datos sobre enlatados, la grfica S est bajo control, por lo
La grfica para los datos
tanto es apropiado examinar la grfica
sobre enlatados se puede resumir de la manera siguiente:
.
Los lmites de control superior e inferior son 3.01554 y 3.06175,

respectivamente. Se espera que los promedios de los subgrupos
oscilen entre estos valores. La lnea central (estimado del promedio del
proceso ) es 3.03864.
Un subgrupo, ubicado por debajo del lmite de control inferior

3.01554, no pas la Prueba 1 porque est ms de 3 por debajo de la
lnea central. La prueba 1 es el indicador ms claro de un proceso fuera
de control.
Un subgrupo no pas la Prueba 5, que busca una secuencia en la
cual dos de cada tres subgrupos se encuentran ubicados ms de dos
de, y en el mismo lado de, la lnea central. Los resultados completos en
la ventana Sesin indican que el subgrupo 3 no pas las pruebas 1 y 5.
Slo la primera prueba que el subgrupo no pas se marc en la grfica
de control.
Tres subgrupos no pasaron la Prueba 6, que busca cuatro de cinco
subgrupos ubicados a ms de una desde la lnea central y en el
mismo lado.
Los resultados de estas pruebas indican que el promedio del proceso
es inestable y que el proceso est fuera de control, posiblemente
debido a la presencia de causas especiales . Posteriormente, usted
debera intentar identificar y corregir los factores que contribuyen a esta
variacin por causa especial. Hasta que estas causas sean eliminadas,
el proceso no podr alcanzar un estado de control estadstico

DIAGRAMA R Vs DIAGRAMA S
Tanto las grficas S como las grficas R miden la variabilidad de los subgrupos.
La grfica S utiliza la desviacin estndar para representar la dispersin en los datos y la grfica
R utiliza el rango. Ambas grficas conducen a un estimado similar de la desviacin estndar del
proceso y a lmites de control similares para la grfica X .
El clculo del rango utiliza slo dos puntos de datos: el valor ms alto y el valor ms bajo
mientras que el clculo de la desviacin estndar utiliza todos los datos.
Utilice la grfica S cuando el tamao del subgrupo sea nueve o mayor. Las grficas S utilizan
todos los datos recolectados para calcular las desviaciones estndar de los subgrupos y del
proceso. Las grficas S ofrecen una indicacin ms exacta de la variacin del proceso y generan
una grfica que es muy sensible a los pequeos cambios en el promedio del proceso . Usted
debe considerar el uso de las grficas S para los procesos con una tasa alta de produccin
cuando la recoleccin de los datos sea rpida y econmica o cuando desee aumentar la
sensibilidad a la variacin.
Utilice la grfica R cuando el tamao de los subgrupos sea ocho o menos. Las grficas R son
eficientes para tamaos de subgrupo pequeos.
D. C. VARIABLES PARA OBSERVACIONES INDIVIDUALES
POR VARIABLE
Para valores individuales
DIAGRAMA Xi (I)
Para valores individuales

DIAGRAMA Xi (I)
Datos en subgrupos.
El valor predeterminado para todos los comandos, excepto para las grficas R, S, X y R, as
como las grficas X y S, es estimar s con una desviacin estndar agrupada . La desviacin
estndar agrupada es el mtodo ms eficiente para estimar la desviacin estndar cuando
usted presupone una variacin constante a lo largo de los subgrupos. Elija la opcin
Rbarra para basar el clculo en el promedio de los rangos de subgrupos. Elija la opcin
Sbarra para basar el clculo en el promedio de las desviaciones estndar de los subgrupos.
Observaciones individuales.
El clculo de s se basa en MR / d2, el promedio del rango mvil dividido entre una
constante de eliminacin de sesgo . Por opcin predeterminada, el rango mvil tiene una
longitud de 2, debido a que los valores consecutivos tienen la mayor probabilidad de ser
similares. Haga clic en Utilizar rango mvil de longitud para cambiar la longitud del rango
mvil. Alternativamente, utilice Mediana del rango mvil o Raz cuadrada de MSSD .

GRAFICAS Xi. Para valores individuales.
Hay circunstancias en las que no es factible obtener los datos de muestras de
subgrupos de ms de un elemento . Ejemplo 11
Cuando solamente se tiene disponible un solo valor individual, se considera a cada
elemento como su propio subgrupo.
En este caso se estima la desviacin estndar mediante el uso del alcance mvil.
El alcance mvil se define como la diferencia entre las observaciones ms grande y ms
pequea en un subconjunto de n observaciones.
Dado que es ms comn usar subconjuntos de 2 observaciones, el, i-simo alcance mvil
(MRi) se define por:
Mri = Xi-1 - Xi
Se producen (k-1) alcances

mviles (k = nmero de
observaciones), de los cuales
el alcance promedio MR, se
calcula:
k 1
MR =
MRi
i =1
K 1

GRAFICAS Xi. Para valores individuales.
Para obtener los lmites de control para el valor individual se utiliza el factor d2, que se usa
cuando el alcance medio se usa como estimador de la desviacin estndar.
Los lmites de control son:
X 3
LCLVind = X + 3
MR
d2
Por lo tanto:
MR
MR
UCLVind = X 3
d2
d2
Se pueden simplificar los clculos usan el factor E2, igual a 3/d2
X E 2 MR

DIAGRAMAS DE CONTROL. GRAFICA Xi
GRAFICAS MR PARA LA VARIABILIDAD
Los lmites de control para la variabilidad del alcance mvil son:
LCS = (MR)D4, en donde D4 = 1+ 3d3/d2

LCI = (MR)D3, en donde D3 = 1- 3d3/d2
Nota: Cuando n 6; el LCI, calculado con la ecuacin, ser negativo.

En estos casos, establecemos el valor del LCI igual a cero. De acuerdo con esto, los
valores de D3 para n 6 en la tabla; son cero.

Balance de cuentas por cobrar durante un perdo de 30 das.
Ejemplo 11.
Con el fin de ilustrar el
diagrama de control de
valor individual, se tiene
las cuentas por cobrar de
un
distribuidor
de
equipos,
durante
un
perodo de 30 das.
Desarrollar los diagramas
de control y su anlisis.
X =
Da
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
VALOR
33,6
18,4
10,2
16,9
35,1
25,1
16,9
13,4
23,5
29
20,5
25,2
18,9
19,3
12,6
15,5
26,5
19,1
20,3
22,2
16,3
26,1
35,1
19,2
33,3
25,7
16,5
18,8
22
15,1
650,3
Alto
33,6
18,4
10,2
16,9
35,1
25,1
16,9
13,4
23,5
29
20,5
25,2
18,9
19,3
12,6
15,5
26,5
19,1
20,3
22,2
16,3
26,1
35,1
19,2
33,3
25,7
16,5
18,8
22
Bajo
18,4
10,2
16,9
35,1
25,1
16,9
13,4
23,5
29
20,5
25,2
18,9
19,3
12,6
15,5
26,5
19,1
20,3
22,2
16,3
26,1
35,1
19,2
33,3
25,7
16,5
18,8
22
15,1
Alcance mvil
15,2
8,2
6,7
18,2
10
8,2
3,5
10,1
5,5
8,5
4,7
6,3
0,4
6,7
2,9
11
7,4
1,2
1,9
5,9
9,8
9
15,9
14,1
7,6
9,2
2,3
3,2
6,9
220,5
Xmedia
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677
21,677

45
Grfica I para valores Individuales Xi
40
LCS=41,90
40
35
30
Valor individual
VALOR
25
Xmedia
20
LCL
15
LCI
10
30
_
X=21,68
20
10
5
0
LCI=1,45
9 11 13 15 17 19 21 23 25 27 29
30
10
13
16
19
Observacin
22
25
28
Grfica de rangos mviles de VALOR
25
25
20
20
LCS=24,84
MRmedio
10
LCL
Rango mvil
Alcance mvil
15
15
10
__
MR=7,60
5
5
0
1
9 11 13 15 17 19 21 23 25 27 29
LCI=0
1
10
13
16
19
Observacin
22
25
28

GRAFICA Grfica I-MR-R/S (entre/dentro de). APLICADO A SUBGRUPOS
Se utiliza la grfica I-MR-R/S (entre/dentro de) para crear una grfica de control que aplique la variacin
entre subgrupos y dentro de subgrupos .
Por ejemplo, un proceso para papel de revestimiento con una pelcula fina podra presentar variacin
entre subgrupos y dentro de subgrupos.
La variacin dentro de subgrupos es la variacin del espesor de la pelcula dentro de un rollo (subgrupo).
Si la mquina se restablece/calibra para cada rollo, entonces podra existir variacin entre los rollos
(subgrupos).
La grfica I-MR-R/S consta de lo siguiente:
Grfica de observaciones individuales (I), la cual representa las medias de los subgrupos y se puede
utilizar para estimar la ubicacin del proceso.
Grfica de rangos mviles (MR), la cual representa el componente de variacin entre subgrupos.
Grfica R o grfica S, la cual representa el componente de variacin del proceso dentro de subgrupo.
La combinacin de las tres grficas ofrece un mtodo para evaluar la estabilidad de la ubicacin del
proceso, el componente de variacin entre subgrupos y el componente de variacin dentro de subgrupo.

Ejemplo14 : MoldeoInyec.MTW
Una compaa de moldeo por inyeccin utiliza un troquel para producir piezas. Cada troquel
produce cinco piezas a la vez. Se recolectaron veinte subgrupos de cinco piezas cada uno.
Las tablas de desviaciones estndar ofrecen estimados de los diferentes tipos de variacin en el proceso.
La desviacin estndar entre provee un estimado de la variacin entre subgrupos, que es la variacin
existente de subgrupo a subgrupo.
La desviacin estndar dentro de ofrece un estimado de la variacin dentro del subgrupo -, que es la
variacin existente dentro de cada subgrupo.
La desviacin estndar entre/dentro de provee un estimado de la variacin total de las mediciones

individuales. La desviacin estndar total es la combinacin de las desviaciones estndar entre y dentro de.
Deviaciones estndar:
Entre:
0.165737
Dentro de:
0.243244
Entre/Dentro 0.294341
Para los datos sobre moldeo por inyeccin, el estimado de

desviacin estndar entre es 0.165737.
El estimado de la desviacin estndar dentro de es 0.243244.
El estimado de la desviacin estndar entre/dentro de es 0.294341.

12,5
GRAFICO Xbarra
12
MEDIA
C/SUBG
LSC
11,5
11
LCS=12,694
Media del s ubgrupo
13
10,5
12,0
MRi
MRm
LSC
LIC
MR de la media del s ubgrupo
GRAFICO MR
11
15
13
17
19
0,8
LCS=0,7306
0,4
__
MR=0,2236
LCI=0
0,0
1
Grfico R barra
11
13
15
17
19
Rango
`Rbarra
LCS
LCI
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
LCI=11,505
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1,4
1,2
1
0,8
0,6
0,4
0,2
0
_
X=12,099
11,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Rango de la mues tra
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
12,5
LCS=1,196
1,0
_
R=0,566
0,5
0,0
LCI=0
1
11
Muestra
13
15
17
19

Salida de Minitab:
Desviaciones estndar de I-MR-R/S de Piezas
Desviaciones estndar
Entre
0,165737
Dentro de 0,243244
Entre/Dentro 0,294341
Grfica I-MR-R/S para S barra (entre/dentro de) de Piezas
Resultados de la prueba de la grfica MR de las medias de
subgrupo de Piezas .
PRUEBA 1. Un punto fuera ms all de 3,00 desviaciones
estndar de la lnea central.
La prueba fall en los puntos: 14
0,5
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
Grfico S barra
UCLS
LCLS
S
`S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

GRFICAS Z - MR: DIAGRAMA PARA PROCESO DE CORRIDAS CORTAS.
Se utiliza la grfica Z-MR cuando:
La cantidad de datos disponibles para cada corrida sea limitada.
Corridas diferentes en el mismo proceso tengan medias y desviaciones estndares
diferentes
Utilice la grfica Z para determinar el centro del proceso y la grfica MR para determinar la
variacin del proceso .
Los procesos de corridas cortas suponen problemas particulares a las grficas de control de
variables tradicionales debido a que a menudo no existen suficientes datos para producir
buenas estimaciones de la media y la desviacin estndar del proceso.
Las grficas de control de corridas cortas agrupan y estandarizan datos de las diferentes
corridas de un mismo proceso, de manera que los datos se puedan representar en una sola
grfica de control.

EJEMPLO 16 . Un fabricante de piezas de metal ha hecho una transicin a operaciones
justo a tiempo y quiere evaluar la calidad de su proceso de estampado.
Las mediciones de las piezas se tomaron de tres corridas. Dado que cada corrida tuvo
una corta duracin y se recolect una cantidad limitada de datos, el ingeniero utiliz
tcnicas de grficas de control de corridas cortas para realizar el anlisis de calidad.
El ingeniero de calidad sabe por experiencia que la varianza aumenta a medida que lo
hace el tamao de las mediciones, de manera que ha optado por el mtodo Relativo al
tamao (combinar todas las observaciones, usar ln) para estimar la desviacin estndar
del proceso.
Datos: Estampado.MTW.
Resolucin en Minitab

GRFICAS I- MR:
EJEMPLO 16 . Un fabricante de piezas de metal ha hecho una transicin a operaciones
justo a tiempo y quiere evaluar la calidad de su proceso de estampado.
Las mediciones de las piezas se tomaron de tres corridas. Dado que cada corrida tuvo
una corta duracin y se recolect una cantidad limitada de datos, el ingeniero utiliz
tcnicas de grficas de control de corridas cortas para realizar el anlisis de calidad.
El ingeniero de calidad sabe por experiencia que la varianza aumenta a medida que lo
hace el tamao de las mediciones, de manera que ha optado por el mtodo Relativo al
tamao (combinar todas las observaciones, usar ln) para estimar la desviacin estndar
del proceso.
Datos: Estampado.MTW.
Para este ejemplo si usramos el grfico I-MR, debido a que es un proceso de

corridas cortas y que hay variabilidad entre cada corrida; tendramos el
siguiente resultado:

GRFICAS I- MR:

Resultados de la prueba de la grfica MR de Datos Estamp . Salida de Minitab

PRUEBA 1. Un punto fuera ms all de 3,00 desviaciones estndar de la lnea central.
La prueba fall en los puntos: 13.

Z. Los valores estandarizados para la corrida B parecen variar ms que los de la corrida A
o la corrida C.
Por consiguiente, es posible que existan causas especiales que ejerzan influencia sobre el
proceso. En este punto, usted debera intentar identificar y corregir los factores que
contribuyen a la variacin por causa especial. Hasta que estas causas sean eliminadas, el
proceso no podr alcanzar un estado de control estadstico.
MR. La corrida A parece tener menos variacin en los rangos mviles que la corrida B o la
corrida C. El punto rojo en la corrida B est por encima del lmite de control superior de
3.686, lo que indica que el proceso puede estar fuera de control .
Basndose en el punto ubicado ms all del lmite de control superior y el patrn no
aleatorio de la variacin en la grfica MR, podran existir causas especiales que ejerzan
influencia en el proceso.
En este punto, se debera intentar identificar y corregir los factores que contribuyen a la
variacin por causa especial. Hasta que estas causas sean eliminadas, el proceso no
podr alcanzar un estado de control estadstico.
DIAGRAMAS DE CONTROL POR

ATRIBUTOS
DIAGRAMAS DE CONTROL POR ATRIBUTOS

TIPO DE VARIABLE: ATRIBUTOS. DIAGRAMA DE PORCENTAJE DEFECTUOSO (p)
En el rea del control estadstico de procesos, una variable cualitativa que solamente
puede tomar dos valores se llama atributo. Recordemos, una vez ms, que la calidad es
cumplir con los requisitos y no debe sorprender saber que el atributo que ms se estudia
en control estadstico de procesos es cumplimiento o incumplimiento de las unidades
producidas respecto a las especificaciones del proceso.
En esta seccin se estudian dos tipos de diagramas de atributos: la grfica de porcentajes
defectuoso y la grfica de nmero de defectos.
Si el artculo registrado es la porcin de partes inaceptables hechas en un lote grande, el
diagrama de control apropiado es el diagrama de porcentaje defectuoso, cuya base es la
distribucin binomial, y las proporciones.
La lnea central est en p la proporcin media de defectos. La p reemplaza a la X del
diagrama de control de variables. La proporcin media de defectos se obtiene as:

TIPO DE VARIABLE: ATRIBUTOS.
DIAGNOSTICO CON GRAFICA (p)
Utilice esta prueba para determinar si una grfica P tradicional o una grfica P' de Laney es ms
apropiada para graficar la proporcin de defectuosos en su muestra.
Si la prueba determina que sus datos exhiben dispersin excesiva o dispersin insuficiente, una
grfica P' de Laney puede distinguir con ms exactitud entre la variacin por causa comn y la
variacin por causa especial .
Qu es sobre dispersin?
La sobre dispersin existe cuando hay una mayor variacin en los datos de lo que se esperara
sobre la base de una distribucin binomial (para unidades defectuosas) o una distribucin de
Poisson (para defectos por unidad).
Las grficas P y las grficas U tradicionales presuponen que su tasa de defectuosos o defectos se
mantiene constante en el tiempo.
Los lmites de control de una grfica P o una grfica U tradicional se vuelven ms estrechos cuando
sus subgrupos son ms grandes. Si sus subgrupos son lo suficientemente grandes, la sobre
dispersin puede causar que los puntos parezcan estar fuera de control cuando no lo estn.

TIPO DE VARIABLE: ATRIBUTOS. DIAGNOSTICO CON GRAFICA (p)
Qu es sub dispersin?
La Sub dispersin es lo contrario de sobre dispersin. La subdispersin se produce cuando
hay menos variacin en sus datos de lo que se esperara sobre la base de una distribucin
binomial (para unidades defectuosas) o una distribucin de Poisson (para defectos por
unidad).
La subdispersin puede ocurrir cuando los subgrupos adyacentes estn correlacionados
entre s, lo que tambin se conoce como autocorrelacin.
Por ejemplo, a medida que una herramienta se desgasta, el nmero de defectos puede
aumentar. El aumento en el conteo de defectos en los subgrupos puede hacer que los
subgrupos sean ms parecidos de lo que seran en virtud de las probabilidades.
Cuando los datos muestran subdispersin, los lmites de control de una grfica P o una
grfica U tradicional pueden ser demasiado amplios. Si los lmites de control son demasiado
amplios, usted puede pasar por alto la variacin por causa especial al confundirla con
variacin por causa comn.

Cmo detectar la sobre sub dispersin?
Utilice el Diagnstico con grfica P o el Diagnstico con grfica U para probar si sus datos
exhiben sobre dispersin y sub dispersin.
Si sus datos exhiben sobre dispersin o sub dispersin, una grfica P' de Laney o una grfica
U' de Laney puede distinguir con mayor exactitud entre la variacin por causa comn y la
variacin por causa especial que una grfica P o una grfica U tradicional.
Ejemplo 17. El personal de administracin de registros de un hospital mejor la exactitud e
integridad de los registros de los pacientes. Para sostener estas mejoras, el personal
rastrea el nmero de registros incompletos e inexactos que se llenan cada da.
El tamao promedio de los subgrupos es de ms de 2500. Debido al gran nmero de
registros, el personal desea determinar si debe utilizar o no una grfica P' de Laney.
Datos: RegistrosDefect.MTW .


Los resultados del diagnstico con grfica P incluyen los siguientes elementos:
Grfica de probabilidad, que muestra qu tan bien los datos se ajustan a una distribucin binomial.
Relacin de la variacin observada a la variacin esperada expresada como un porcentaje, el cual se
interpreta de la siguiente manera:
Si la relacin es mayor que el 95% del lmite superior, los datos exhiben dispersin excesiva
significativa.
- Si la relacin es menos que un 60%, los datos exhiben dispersin insuficiente significativa.
Si sus datos exhiben dispersin excesiva o dispersin insuficiente, una grfica P' de Laney puede
distinguir con ms exactitud entre la variacin por causa comn y la la variacin por causa especial que
una grfica P tradicional.
En el ejemplo: La alta relacin de observada a variacin esperada, 184.3%, sugiere
dispersin excesiva
La relacin es mayor que el lmite superior de 95%, 129.4%. La dispersin excesiva puede
causar que los puntos de una grfica P tradicional parezcan estar fuera de control cuando
no lo estn. Para corregir la dispersin excesiva, utilice una grfica P' de Laney.

TIPO DE VARIABLE: ATRIBUTOS. GRAFICA P` DE LANEY

TIPO DE VARIABLE: ATRIBUTOS. GRAFICA P` DE LANEY
La grfica P' de Laney incluye los siguientes elementos:
Puntos graficados, que representan la proporcin de defectuosos .
Lnea central que es la proporcin promedio de defectuosos.
Lmites de control , recurso visual para detectar cuando el proceso est fuera de control.
Los lmites de control son fijos o variados, dependiendo de sus datos y elecciones:
Si los tamaos de las muestras son iguales o si se elige utilizar un tamao promedio de la
muestra, entonces los lmites de control sern fijos.
- Si los tamaos de la muestra varan, los lmites de control variarn.
Sigma Z, que indica cunto se ajustaron los lmites de control por: sobre sub dispersin:
- Un valor de 1 indica que no fue necesario un ajuste y que la grfica P' de Laney es exactamente
igual que una grfica P tradicional.
Un valor mayor que 1 indica que los lmites de control se ampliaron para corregir la sobre
dispersin.
- Un valor menor que 1 indica que los lmites de control se redujeron para corregir la sobre
dispersin.
Se debe examinar la grfica P' de Laney para determinar si hay puntos fuera de los lmites de
control y tendencias u otros patrones no aleatorios .

La variacin en la proporcin de la muestra se describe por el error estndar de una
proporcin. Se determina por medio de:
Por tanto, el lmite de control superior (LCS) y el lmite de control inferior (LCI) se calculan
como el porcentaje medio ms o menos tres veces el error estndar de los porcentajes
(proporciones). La frmula de los lmites de control es:

CUANDO EL TAMAO DE LOS SUBGRUPOS (n) ES IGUAL
Ejemplo 7 Lind 727: Jersey Glass Company, Inc., produce espejos pequeos de mano. La
compaa opera un turno diurno y uno vespertino cada da laboral de la semana. El
departamento de aseguramiento de calidad (QA) supervisa la calidad de los espejos dos
veces durante el turno diurno y dos veces durante el vespertino. El departamento de calidad
selecciona e inspecciona minuciosamente una muestra aleatoria de 50 espejos cada 4 horas.
Cada espejo se clasifica como aceptable o inaceptable. Por ltimo, se cuenta el nmero de
espejos en la muestra que no cumplen con las especificaciones de calidad. Los siguientes son
los resultados de estas verificaciones durante los ltimos 10 das laborables.
Elabore un diagrama del porcentaje defectuoso para este proceso. Cules son los lmites de
control superior e inferior?
Interprete los resultados. Parece que el proceso est fuera de control durante el periodo?
a. Es importante notar que el tamao de los subgrupos es igual (50 en este caso)


Ejemplo 7 b.
Despus de establecer los lmites, el proceso se
supervisa durante la siguiente semana, cinco
das, dos turnos por da, con dos verificaciones de
calidad por turno.
Los resultados son los siguientes:



CUANDO EL TAMAO DE LOS SUBGRUPOS (n) ES DIFERENTE.
Para una situacin ms general, en la que el tamao de los subgrupos puede variar con el
tiempo; como regla y cuando ninguno de los tamaos (ni ) difiera del tamao del
subgrupo promedio n en 25% de n; se puede emplear la ecuacin:
Tomando en cuenta que n es el promedio de los subgrupos:

k
n=
n
i =1
K = nmero de subgrupos

Ejemplo 8: Berenson 676. El siguiente es un proceso relacionado con la produccin de piezas

de plstico. El nmero de piezas producidas diariamente y el nmero de piezas que no
cumplen con las especificaciones , en un perodo de 32 das se muestran en la siguiente
tabla.
Interprete los resultados. Parece que el proceso est fuera de control durante el periodo?
Es importante notar que el tamao de los subgrupos NO es igual


TIPO DE VARIABLE: ATRIBUTOS. DIAGRAMA (np).
SOLO CUANDO EL TAMAO DE LOS SUBGRUPOS (n) ES IGUAL.
Cuando los subgrupos son del mismo tamao, una alternativa al diagrama p es el
diagrama np .
Recordando que en la aproximacin normal a la distribucin binomial, el error estndar del
nmero de xitos elementos que no cumplen es la siguiente expresin:
x = np(1 p)
Por consiguiente si utilizamos la aproximacin normal de la binomial y la ecuacin que define
la forma ms tpica del diagrama de control que establece que:
los lmites de control se encuentran 3 desviaciones estndar de la media estadstica de
inters, tenemos que los lmites de control para el nmero de elementos que no cumplen es:
X = 3 X (1 p)

LCL = X + 3 X (1 p)
k
X =
X
i =1
LCI = X 3 X (1 p)
k
p =
X
i =1
n = tamao del subgrupo

k = nmero del subgrupo
nk
El diagrama np representa el nmero de elementos que no cumple

El diagrama p representa la proporcin de elementos que no cumple

Ejemplo 9: Berenson 676 El siguiente es el caso de un hotel que desea mejorar la calidad de
sus servicios . Un aspecto importante es la presentacin de las habitaciones, desde el punto
de vista de impresin inicial, en donde es fundamental la disposicin, ubicacin y limpieza de
todos los elementos.
La administracin ha decidido estudiar este proceso durante un perodo de 4
semanas, tomando una muestra diaria de 200 habitaciones, en las cuales se calificar la
presentacin y se determinar el nmero de incumplimientos.
La tabla muestra el nmero y porcin de habitaciones consideradas como no adecuadas.
Determinar si existen incumplimientos en cunto al nmero de habitaciones que no
cumplen.


Mismo ejemplo anterior, pero usando el diagrama p

Ejemplo 9: El siguiente es el caso de un hotel que desea mejorar la calidad de sus servicios .
Un aspecto importante es la presentacin de las habitaciones, desde el punto de vista de
impresin inicial, en donde es fundamental la disposicin, ubicacin y limpieza de todos los
elementos.
La
administracin ha decidido estudiar este proceso durante un perodo de 4
semanas, tomando una muestra diaria de 200 habitaciones, en las cuales se calificar la
presentacin y se determinar el nmero de incumplimientos.
La tabla muestra el nmero y porcin de habitaciones consideradas como no adecuadas.
Determinar si existen incumplimientos en cunto a la proporcin de habitaciones que no
cumplen.

TIPO DE VARIABLE: ATRIBUTOS. DIAGRAMA (p).

TIPO DE VARIABLE: ATRIBUTOS. DIAGRAMA (p) y DIAGRAMA (np)
Los diagramas p y np proporcionan los mismos resultados en cuanto a
determinar los lmites de control y los desfases.
El diagrama p presenta la proporcin de los incumplimientos mientras que el
diagrama np presenta el nmero de elementos que no cumplen.
La eleccin entre los dos planteamientos (DISPONIBLES SOLO EN EL CASO DE
SUBGRUPOS DE TAMAO IGUAL), es cuestin de preferencia personal y de
anlisis presentacin de resultados.
No se debe utilizar una grfica NP cuando los tamaos de la muestra
varen, porque los lmites de control y la lnea central cambian
cuando cambia el tamao de la muestra.
Esta variacin hace que la grfica NP sea difcil de interpretar. Utilice
una grfica P cuando no tenga diferentes tamaos de muestras.

GRFICASC : DIAGRAMA PARA EL NUMERO DE CASOS POR UNIDAD.
Puede presentarse el caso de determinar el nmero de elementos que no cumplen con cierta
especificacin (casos) dentro de un unidad (rea de oportunidad).
Del concepto bsico de distribucin de Poisson, entre los fenmenos descrito por este
proceso tenemos el nmero de defectos que hay en un m2 de alfombra por ejemplo, el
nmero de errores tipogrficos por pgina, etc.
Conocemos que la desviacin estndar se define como . Podemos establecer los lmites de
control para el nmero de casos por unidad utilizando la distribucin normal a la de Poisson.
Lmites de control para el nmero promedio de defectos por unidad: c 3

k
LCI = c 3 c
LCS = c + 3 c
c=
ci
i =1
c = Nmero promedio de casos

k = Nmero de unidades muestreadas
ci = nmero de presentaciones de la unidad i
No se debe utilizar una grfica C cuando los tamaos de sus muestras varan, porque los
lmites de control y la lnea central cambian cuando cambia el tamao de la muestra. Utilice
una grfica U cuando tenga diferentes tamaos de muestras.

EJEMPLO 10a. Berenson 688: El gerente de produccin de una pastelera hace galletas
con chips de chocolate necesita estudiar el proceso de horneado para determinar el
nmero de chips que se encuentran en las galletas horneadas. Se selecciona un
subgrupo de 50 galletas de la lnea de produccin. Determinar los lmites de control y su
anlisis.
k = 50
c = 312/50 =
16
6,24
LCI =
LCS =
13,7339976
-1,2539976 NO EXISTE.
14
12
10
Nmero chips
LCS
4
2
0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

16
14
12
10
8
6
4
2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

10a.El gerente de produccin de una pastelera hace galletas con chips de chocolate
necesita estudiar el proceso de horneado para determinar el nmero de chips que se
encuentran en las galletas horneadas. Se selecciona un subgrupo de 50 galletas de la
lnea de produccin. Determinar los lmites de control y su anlisis.
16
La figura no indica que haya puntos fuera

de los lmites de control, sin embargo
durante la primera mitad de la secuencia
casi siempre hay mayor nmero de chips
que el promedio; y durante la segunda
mitad este nmero es menor .
14
12
10
8
6
Se debe investigar las causas que

producen este patrn de variacin.
4
2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

EJEMPLO 10b. Tutorial: Un fabricante de papel tapiz desea evaluar la estabilidad de su
proceso de impresin. Se tomaron las muestras de 100 pies de 25 rollos de papel tapiz y
se cont el nmero de imperfecciones, que incluyen manchas en la impresin, patrones
distorsionados y falta de tinta. El proceso se encuentra fuera de control?
Los lmites de control superior e inferior son 18.51
y 54.85, respectivamente. Por lo tanto, se espera
que el nmero de defectos por muestra se site
entre 18.51 y 54.85. La lnea central (nmero
promedio de defectos por muestra) es 36.68.
Dos puntos, ubicados por encima del lmite de
control superior de 54.85, no pasaron la Prueba 1
porque estn ms de 3 por encima de la lnea
central.
Por lo tanto, el proceso del papel tapiz est fuera
de control, posiblemente debido a la presencia de
causas especiales . Posteriormente, usted debera
intentar identificar y corregir los factores que
contribuyen a esta variacin por causa especial.
Hasta que estas causas se eliminen, el proceso no
puede alcanzar un estado de control estadstico .

GRFICAS U : DIAGRAMA PARA EL NUMERO DE CASOS POR UNIDAD.
Se utilizan las grficas U para evaluar el nmero de defectos por unidad de medicin y
determinar si el proceso est bajo control.
Un PROCESO EN CONTROL exhibe slo variacin aleatoria en el nmero de defectos
por unidad de medicin.
Un PROCESO FUERA DE CONTROL muestra una variacin poco comn en el nmero
de defectos por unidad debido a la presencia de causas especiales .
Los defectos son no conformidades (o errores) en parte de un producto o servicio que
no hacen que el producto o servicio sea inutilizable. Los ejemplos de defectos incluyen
burbujas de aire en una placa de vidrio, deficiencias en el aislamiento del cable o
manchas en telas.
Utilice grficas U cuando los tamaos de su muestra varen.
Si los datos exhiben dispersin excesiva o dispersin insuficiente, una grfica U' de Laney
puede distinguir con ms exactitud entre variacin por causa comn y variacin por
causa especial .

Terminologa
n = tamao de cada muestra en unidades de inspeccin (por ejemplo, produccin
semanal)
c = Nmero de defectos encontrados en cada muestra de n unidades de inspeccin
u = defectos por unidad (DPU) = c/n
ui = ci / ni Defectos por unidad para cada muestra
k = nmero de muestras
Clculo de los lmites de control
c1 + c2 + ...ck
u=
n1 + n2 + ...nk
u
LSC = u + 3
ni
Nmero de defectos
por unidad
u
LIC = u 3
ni
Nota: Recalcular los lmites en

cada tamao de muestra (ni)
Se puede tomar n promedio o
estandarizar para tener Lmites
de control constantes

EJEMPLO 12 . Tutorial: Una compaa de taquigrafa desea evaluar la calidad de su
servicio de transcripcin. Se tomaron 25 muestras (conjuntos de pginas) y se cont el
nmero de errores tipogrficos de cada muestra. Se tomaron muestras de conjuntos de
pginas de diferentes tamaos. Los errores tipogrficos son los defectos. Debido a que
las muestras no tienen el mismo tamao, se utiliz una grfica U para analizar los datos.
Datos: Transcripcin.MTW (disponible en la carpeta Datos de muestra)

La grfica U para los datos sobre transcripcin
se puede resumir de la manera siguiente:
Los lmites de control son una funcin del
tamao de subgrupo. Por lo tanto, fluctan
siempre que cambie el tamao de subgrupo.
La lnea central (el nmero promedio de
defectos por unidad de medicin) es 0.2380.
Dos puntos, ubicados por encima del lmite
de control superior de 0.5197, no pasaron la
Prueba 1 porque se encuentran a ms de 3
de la lnea central.
Posteriormente, usted debera intentar
identificar y corregir los factores que
contribuyen a la variacin por causa especial.
Hasta que estas causas sean eliminadas, el
proceso no podr alcanzar un estado de
control estadstico.

DIAGNOSTICO CON GRFICAS U (NUMERO DE CASOS POR UNIDAD)
Utilice esta prueba para determinar si una grfica U tradicional o una grfica U' de Laney
es ms apropiada para graficar el nmero de defectos por unidad en su muestra. Si la
prueba determina que sus datos exhiben dispersin excesiva o dispersin
insuficiente, una grfica U' de Laney puede distinguir con mayor exactitud entre la
variacin por causa comn y la variacin por causa especial .
Ejemplo 18. Datos: ErroresMedicacin.MTW
El personal de una cadena de hospitales registra el nmero de errores relacionados con
las medicinas cada semana. Ejemplos de los errores incluyen administracin de la
medicina a la hora incorrecta, administracin de la dosis incorrecta y administracin de la
medicina incorrecta.
El tamao promedio de los subgrupos es de 7500. Debido al gran tamao de los
subgrupos, el personal desea determinar si debe utilizar o no una grfica U' de Laney.


Los resultados del diagnstico con grfica U incluyen los siguientes elementos:
Grfica de probabilidad, que muestra qu tan bien sus datos se ajustan a una distribucin de
Poisson.
Relacin de la variacin observada a la variacin esperada expresada como un
porcentaje, el cual se interpreta de la siguiente manera:
- Si la relacin es mayor que el 95% del lmite superior, sus datos exhiben dispersin
excesiva significativa.
- Si la relacin es menos que un 60%, sus datos exhiben dispersin significativa.
Si sus datos exhiben dispersin excesiva o dispersin insuficiente, una grfica U' de Laney puede
distinguir con mayor exactitud entre la variacin por causa comn y la variacin por causa
especial que una grfica U tradicional.
Para el ejemplo: La alta relacin de observada a variacin esperada, 738.5%, sugiere dispersin
excesiva. La relacin es mayor que el lmite superior de 95%, 144.1%.
La dispersin excesiva puede causar que los puntos de una grfica U tradicional parezcan estar
fuera de control cuando no lo estn. Para corregir la dispersin excesiva, utilice una grfica U' de
Laney.
CONTROL ESTADSTICO DE PROCESOS
MUESTREO DE ACEPTACIN
MUESTREO DE ACEPTACIN:
La seccin anterior trat acerca de mantener la calidad del producto conforme se fabrica.
En muchas situaciones de negocios tambin interesa la calidad del producto terminado
que se recibe.
El muestreo de aceptacin permite que entren los lotes con calidad aceptable al rea de
manufactura y se queden afuera los que no son aceptables.
El procedimiento habitual es examinar la calidad de las partes de entrada mediante un
plan de muestreo estadstico. De acuerdo con este plan, se selecciona al azar una
muestra de n unidades de los lotes de N unidades (la poblacin).
La inspeccin determinar el nmero de defectos en la muestra. Este nmero se
compara con uno predeterminado, denominado nmero crtico o nmero de
aceptacin. El nmero de aceptacin por lo general se designa c.
Si el nmero de defectos en la muestra de tamao n es menor o igual a c, el lote se
acepta. Si el nmero de defectos excede c, el lote se rechaza y se regresa al proveedor.
RIESGOS DEL CONSUMIDOR Y DEL PRODUCTOR. ERRORES TIPO I Y TIPO II
El muestreo de aceptacin es un proceso de toma de decisiones.

Hay dos decisiones posibles: aceptar o rechazar el lote.
Adems, hay dos situaciones en las cuales se toma la decisin: el lote es bueno o
el lote es malo. stos son estados de la naturaleza.
Si el lote es bueno y la inspeccin de la muestra revela que el lote es bueno,
si el lote malo y la inspeccin de la muestra indica que es malo, se toma una
decisin correcta.
RIESGOS DEL CONSUMIDOR Y DEL PRODUCTOR
Sin embargo, hay otras dos posibilidades:
1. El lote puede contener ms defectos que los aceptables, debera rechazarse pero se
acepta. A esto se denomina riesgo del consumidor.
2. El lote puede estar dentro de los lmites acordados, debera aceptarse pero se rechaza
durante la inspeccin de la muestra. A esto se le denomina riesgo del productor.
La siguiente tabla resume las decisiones de aceptacin presentes en estas posibilidades.
Esta decisin es muy similar a las ideas de los errores de Tipo I y Tipo II
H0: El lote es bueno
tadstica Lind
Estadstica Lind
Ejercicio 12. Lind, 732. La empresa N Computers, un fabricante de computadoras
personales est negociando un contrato para comprar lotes de 1,000 unidades de disco de
3,5 pulg de la compaa Drives Unlimited.
Esta ltima tiene buena reputacin como proveedora de unidades de disco de alta
calidad, pero su produccin no es perfecta. Afirma que puede producir unidades de disco
con tasas de defectos menores al 1%, nivel que le parece aceptable a N computers.
Este nivel del 1% se conoce como nivel de calidad aceptable (AQL, acceptance quality
level).
En trminos poco formales, define qu tan alto puede ser un nivel de defectos para todava
constituir un buen lote.
Ahora bien, qu sucede cuando N Computers escoge valores de n y c para su esquema
muestreo?
La probabilidad de que se rechace un lote dado puede calcularse con la distribucin binomial
en donde :
El tamao de la muestra n es 100, el nmero de aceptacin c es 1 ( nmero mximo de piezas
con defectos permitidas) y p (la proporcin de produccin de defectuosa, que es de la
empresa proveedora) es 1 en la muestra de 100; es decir p es 0,01
CONDICIONES
n
p
r
r
100
0,01
0
1
Distribucin
binomial
0,3660
0,3697
Riesgo del productor un error tipo I

Entonces, la probabilidad de que se rechace un lote es 1 - 0.3660 - 0.3697 = 0.2643. Esta
probabilidad se conoce como riesgo del productor.
Es la posibilidad de rechazar el lote aun cuando la tasa de defectos verdadera de Drives
Unlimited sea slo el 1%. Esto corresponde a un error tipo I en la prueba de hiptesis.
Ahora suponga que la tasa mnima de defectos a la que la empresa N Computers deseara
rechazar en un lote de unidades de disco es 2%.
Este nivel del 2% se conoce como porcentaje de tolerancia de defectos en el lote
(LTPD, lot tolerance percent defective).
En trminos no rigurosos, el LTPD define qu tan bajo un nivel de defectos sigue
constituyendo un mal lote.
Suponga que la N Computers recibe un lote de 1,000 unidades de disco flexible con 20
unidades defectuosas, (2%); obviamente sin que se sepa; Cul es la probabilidad de que
este lote sea aceptado debido a que la muestra de N computers de 100 unidades no
contiene ms de una unidad defectuosa, pues sabemos que la tasa de defectos es menor
al 1%.
Esta probabilidad es el riesgo del consumidor.
La probabilidad de que se ACEPTE el lote con 2% de defectos, cuando lo ideal es 1%, es decir
la probabilidad de aceptar la hiptesis nula cuando es falsa, se calcula:
El tamao de la muestra n es 100, el nmero de aceptacin c es 1 ( nmero mximo de piezas
con defectos permitidas) y p (la proporcin de produccin de defectuosa, que es estamos
dispuestos a asumir no la conocemos) es 2 en la muestra de 100; es decir p es 0,02
CONDICIONES
n
p
r
r
100
0,02
0
1
Distribucin binomial
0,1326
0,2706
Riesgo del consumidor un error tipo II

Entonces, la probabilidad de que se acepte el lote es de 0.1326 + 0.3697 = 0.4032. Esta
probabilidad se conoce como riesgo del consumidor.
Es la posibilidad de ACEPTAR el lote aun cuando la tasa de defectos verdadera de Drives
Unlimited es del 2% y slo queremos un nivel de error del 1%.
CURVA CARACTERSTICA DE OPERACIN. CURVA C.O
CONDICIONES
n
100
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
0,15
0,2
0,25
0,3
0,366 0,1326 0,0476 0,0169 0,0059 0,0021 0,0007 0,0002 8E-05 3E-05 9E-08 2,037E-10 3,207E-13 3,234E-16
0,3697 0,2707 0,1471 0,0703 0,0312 0,0131 0,0053 0,0021 0,0008 0,0003 2E-06 5,093E-09 1,069E-11 1,386E-14
suma
0,7358 0,4033 0,1946 0,0872 0,0371 0,0152 0,006 0,0023 0,0009 0,0003 2E-06 5,296E-09 1,101E-11 1,419E-14
1,2
Probabilidad de aceptar el lote
Probabilidad de aceptar el lote
Probabilidad de aceptar el lote ante diferentes valores de proporcin de

defectos, si: n = 100, r 1 de 100
1
100,00%
0,8
73,58%
0,6
0,4
40,33%
0,2
19,46%
8,72%
0
0
0,01
0,02
0,03
0,04
3,71%
0,05
1,52%
0,06
0,60%
0,07
0,23%
0,08
0,09%
0,09
0,03%
0,1
Porcentaje defectuoso del lote de entrada
0,00%
0,15
0,00%
0,2
0,00%0,00%
0,25
0,3
CAPACIDAD DEL PROCESO
CONTROL ESTADSTICO DE PROCESOS
CAPACIDAD DE PROCESO
Capacidad de un proceso:
Consiste en conocer la amplitud de la
variacin natural del proceso para una
caracterstica de calidad dada, ya que
esto permitir saber en qu medida tal
caracterstica de calidad es satisfactoria
(cumple especificaciones).
Decimos que 6 (seis veces la desviacin estndar) es la variacin real, debido a las
propiedades de la distribucin normal en donde se afirma que entre 3 se
encuentra 99.73% de los valores de una variable con distribucin normal. Incluso si no
hay normalidad, en 3 se encuentra un gran porcentaje de la distribucin debido a
la desigualdad de Chebyshev y a la regla emprica.
CAPACIDAD DEL PROCESO. EJEMPLO:
Interpretacin del ndice Cp (Ver tabla).

Para que el proceso sea considerado potencialmente capaz de cumplir con especificaciones,
se requiere que la variacin real (natural) siempre sea menor que la variacin tolerada. De
aqu que lo deseable es que el ndice Cp sea mayor que 1; y si el valor del ndice Cp es
menor que uno, es una evidencia de que el proceso no cumple con las especificaciones.
CAPACIDAD DEL PROCESO. EJEMPLO:
En el caso del ejemplo de la longitud de capa para las llantas, el ndice Cp est dado
Por:
La variacin tolerada es de 20 y la variacin real es ligeramente menor ya que es de 18.

De acuerdo con la tabla 5.1, el proceso tiene una capacidad potencial parcialmente
adecuada y requiere de un control estricto.
En funcin de la tabla 5.2 se espera que si el proceso estuviera centrado arrojara
aproximadamente 0.0967% de las capas fuera de especificaciones, lo cual corresponde
a 967 PPM y se considera parcialmente adecuado.
Sin embargo, como es claro, a partir de la figura 5.1 el proceso no est centrado (lo que
no toma en cuenta el ndice Cp ), y eso provoca que genere 1.0% fuera de la
especificacin superior, lo cual corresponde a 10 000 PPM.
CAPACIDAD DEL PROCESO: SUPUESTOS
1. Que la caracterstica de calidad se distribuye de manera normal,
2. que el proceso est centrado y es estable (est en control estadstico),
3. y que se conoce la desviacin estndar del proceso. Es decir, la desviacin
estndar no es una estimacin basada en una muestra. La violacin de alguno
de estos supuestos, sobre todo de los ltimos dos, afecta de manera sensible
la interpretacin de los ndices.
Si al analizar el proceso se encuentra que su capacidad para cumplir
especificaciones es mala, entonces algunas alternativas de actuacin son:
mejorar el proceso (centrar y reducir variacin), su control y el sistema de
medicin, modificar tolerancias o inspeccionar al 100% los productos.
ndice Cr
Indicador de la capacidad potencial del proceso que divide la amplitud de la variacin
natural de ste entre la variacin tolerada. Representa la proporcin de la banda de
especificaciones que es cubierta por el proceso.
Como se puede apreciar, el ndice Cr es el inverso del Cp, ya que compara la variacin real
frente a la variacin tolerada.
Con este ndice se pretende que el numerador sea menor que el denominador, es decir, lo
deseable son valores de Cr pequeos (menores que 1)
El valor del ndice Cr representa la proporcin de la banda de especificaciones que es
ocupada por el proceso.
Por ejemplo, si el Cr = 1.20, querr decir que la variacin del proceso abarca o cubre 120%
de la banda de especificaciones, por lo que su capacidad potencial es inadecuada.
La desventaja de los ndices Cp y Cr es que no toman en cuenta el centrado del

proceso, debido a que en las frmulas para calcularlos no se incluye de ninguna manera la
media del proceso, . Una forma de corregir esto consiste en evaluar por separado el
cumplimiento de la especificacin inferior y superior, a travs del ndice de capacidad para
la especificacin inferior, Cpi, e ndice de capacidad para la especificacin
superior, Cps, respectivamente, los cuales se calculan de la siguiente manera:
Estos ndices s toman en cuenta , al calcular la distancia de la media del proceso a una de
las especificaciones. Esta distancia representa la variacin tolerada para el proceso de un
solo lado de la media. Por esto slo se divide entre 3 porque slo se est tomando en
cuenta la mitad de la variacin natural del proceso.
Para interpretar los ndices unilaterales es de utilidad la tabla Cp y su interpretacin; no
obstante, para considerar que el proceso es adecuado, el valor de Cpi o Cps debe ser mayor
que 1.25, en lugar de 1.33.
Por su parte el ndice Cpk, que se conoce como indice de capacidad real del proceso.
El ndice Cpk es igual al valor ms pequeo de entre Cpi y Cps.

Es decir, es igual al ndice unilateral ms pequeo, por lo que si el valor del ndice Cpk es
satisfactorio (mayor que 1.25), eso indica que el proceso en realidad es capaz.
Si Cpk < 1, entonces el proceso no cumple con por lo menos una de las especificaciones.
Algunos elementos adicionales para la interpretacin del ndice Cpk son los siguientes:
En el ejemplo de la longitud de las capas de las llantas, tenemos que:
En trminos generales, indica una capacidad no satisfactoria. Por lo tanto, cierta proporcin de las
capas para las llantas no tiene una longitud adecuada, como se vio con los ndices unilaterales y en la
grfica. La primera recomendacin de mejora para ese proceso es que se optimice su centrado, con
lo cual alcanzara su mejor potencial actual que indica el valor de Cp = 1.11.
Como se ha visto a travs del ejemplo, un aspecto importante en el estudio de la capacidad de

un proceso es evaluar si la distribucin de la caracterstica de calidad est centrada con respecto
a las especificaciones, por ello es til calcular el ndice de centrado del proceso,K, que se calcula
de la siguiente manera:
En el ejemplo de la longitud de la capa para llantas, si se considera que el valor nominal

para esta longitud es N =780, entonces el ndice K es:
De esta forma, la media del proceso est desviada 30% a la derecha del valor
nominal, por lo que el centrado del proceso es inadecuado, y esto contribuye de manera
significativa a la baja capacidad del proceso para cumplir con la especificacin
superior, como se vio en la figura 5.1 y en los ndices de capacidad anteriores.
Los ndices Cp y Cpk estn pensados a partir de lo importante que es reducir la variabilidad
de un proceso para cumplir con las especificaciones. Sin embargo, desde el punto de vista
de G. Taguchi, cumplir con especificaciones no es sinnimo de buena calidad y la reduccin
de la variabilidad debe darse en torno al valor nominal (calidad ptima).
Es decir, la mejora de un proceso segn Taguchi debe estar orientada a reducir su
variabilidad alrededor del valor nominal, N, y no slo para cumplir con especificaciones. En
consecuencia, Taguchi (1986) propone que la capacidad del proceso se mida con el ndice
Cpm que est definido por:
N es el valor nominal de la caracterstica de calidad; EI y ES son las especificaciones inferior

y superior. El valor de N por lo general es igual al punto medio de las especificaciones, es
decir, N =0.5(ES + EI). Ntese que el ndice Cpm compara el ancho de las especificaciones con
6; pero no slo toma en cuenta la variabilidad del proceso, a travs de 2, sino que
tambin toma en cuenta su centrado a travs de ( N)2.
De esta forma, si el proceso est centrado, es decir, si = N, entonces Cp, Cpk y Cpm son
iguales
En el caso del ejemplo 5.1 acerca de la longitud de capa para llantas:
Cuando el ndice Cpm es menor que uno significa que el proceso no cumple con
especificaciones, ya sea por problemas de centrado o por exceso de variabilidad. Por lo
tanto, en el caso de las llantas no se cumple con especificaciones, y como se aprecia en la
figura 5.1, la razn principal es que el proceso est descentrado.
Por el contrario, cuando el ndice Cpm es mayor que uno, eso quiere decir que el proceso
cumple con especificaciones, y en particular que la media del proceso est dentro de la
tercera parte central de la banda de las especificaciones.
Si Cpm es mayor que 1.33, entonces el proceso cumple con especificaciones, pero adems
la media del proceso est dentro de la quinta parte central del rango de especificaciones.
En el caso del ejemplo 5.1 acerca de la longitud de capa para llantas, la quinta parte
central de la banda de especificaciones es 780 (10/5).
Cuando hablamos de capacidad de un proceso podemos tener una perspectiva de corto o

largo plazo. La capacidad de corto plazo se calcula a partir de muchos datos tomados durante
un periodo suficientemente corto para que no haya influencias externas sobre el proceso (por
ejemplo que no haya importantes cambios de temperatura, turnos, operadores, lotes de
materia prima, etc.). Por lo tanto, esta capacidad representa el potencial del proceso, es
decir, lo mejor que se puede esperar del mismo.
Por otra parte est la perspectiva de largo plazo que, al final de cuentas, es la que la interesa
al cliente. De aqu que la capacidad de largo plazo se calcula con muchos datos tomados de un
periodo de tiempo suficientemente largo como para que los factores externos influyan en el
desempeo del proceso.
En la prctica, para diferenciar entre capacidad de corto y de largo plazo se emplean dos
diferentes formas de estimar la desviacin estndar del proceso.
CAPACIDAD DEL PROCESO. Mtodo de Rangos
Tabla 16.5
Por ejemplo, la especificacin es 25 15. Se tienen 80 datos obtenidos a travs del muestreo
para cartas de control donde se obtuvieron 20 subgrupos de cuatro datos cada uno.
Cada subgrupo se toma en un periodo pequeo de tiempo. Entonces, con estos datos hay
dos formas de calcular la desviacin estndar. En la primera slo se considera la variacin
dentro de los subgrupos, y refleja la variacin de corto plazo a travs del rango de los
subgrupos mediante la siguiente expresin:
R =5.49 es el promedio de los rangos de
los subgrupos, mientras que la constante
d2 =2.059 depende del tamao del
subgrupo (cuatro en este caso) y est
tabulado.
Por lo general, los ndices de capacidad de
corto plazo se calculan con esta forma de
obtener la desviacin estndar, por lo que
Cp =1.875 y Cpk =1.27015.
As que, desde una perspectiva de corto
plazo, se tiene un proceso capaz.
CAPACIDAD DEL PROCESO. Mtodo de Rangos
La capacidad verdadera del proceso no se puede determinar sino hasta que las grficas X
y R hayan alcanzado el mejoramiento ptimo de la calidad, sin una inversin apreciable en
equipo nuevo o modificacin de equipo.
La capacidad del proceso es igual a 60, cuando el proceso est bajo control estadstico.
PROCEDIMIENTO:
1. Tomar 25 subgrupos de tamao 4, con un total de 100 mediciones.
2. Calcular el rango R para cada subgrupo.
3. Calcular el rango promedio R = ( R)/K = ( R)/25
4. Calcular el estimado de la desviacin estndar de la poblacin.
d2 se obtiene por tabla, para n=4, d2 = 2,059
5. La capacidad del proceso ser: 6 x
La otra forma de calcular consiste en determinar de manera directa la desviacin estndar

de todos los datos. Por lo tanto, si se tiene una buena cantidad de datos y stos representan
un periodo de tiempo suficientemente grande, entonces se tendr una perspectiva de largo
plazo en la cual se consideran los desplazamientos y la variacin del proceso a travs del
tiempo; adems, se toma en cuenta la variacin entre muestras y dentro de muestras.
En el caso que nos ocupa la desviacin estndar de los 80 datos de la tabla 16.5 es:
= S =4.16, que es considerablemente mayor a la obtenida con el otro mtodo y habla de
un mal control del proceso.
Con esta desviacin estndar se pueden calcular los ndices Pp y Ppk
.
Estos ndices estn enfocados al desempeo del proceso a largo plazo, y no slo a su
capacidad. Por ello, el ndice de desempeo potencial del proceso (process performance) Pp
se calcula de la siguiente manera:
Donde L es la desviacin estndar de largo plazo. Ntese que el ndice Pp se calcula en

forma similar al Cp, la nica diferencia es que Pp putiliza L , mientras que Cp usualmente se
calcula con la desviacin estndar de corto plazo.
Un problema del ndice Pp es que no toma en cuenta el centrado del proceso, por ello
suele complementarse con el ndice de desempeo real del proceso Ppk
ndice de desempeo real del proceso Ppk
Adviertir que este ndice se calcula de la misma manera que el ndice Cpk, la nica diferencia
es que Ppk utiliza L (la desviacin estndar de largo plazo).
Ejercicio 1.
Ejercicio 2.
Preguntas Ejercicio 2
Ejercicio 3.
DECISIONES SOBRE EL TAMAO DE MUESTRA. PARA VARIABLES CONTINUAS
Las decisiones sobre el tamao de la muestra o del subgrupo requieren cierta cantidad de
juicio emprico; sin embargo, algunos lineamientos prcticos son los siguientes:
1. Al aumentar el tamao de subgrupo, los lmites de control se acercan al valor
central, lo cual hace que el control sea ms sensible a pequeas variaciones en el
promedio del proceso.
2. A medida que aumenta el tamao del subgrupo, aumenta el costo de inspeccin por
subgrupo. Justifica el mayor costo de los subgrupos ms grandes la mayor sensibilidad?
3. Cuando se usan pruebas destructivas, y cuando los elementos son costosos, es
necesario que el tamao de subgrupo sea de 2 o 3, porque reducir al mnimo la
destruccin de productos o servicios costosos.
4 . Desde un punto de vista estadstico, una distribucin de promedios de subgrupo, X, es
casi normal para subgrupos de 4 o ms, an cuando las muestras se tomen de una
poblacin no normal.
5. Cuando el tamao de subgrupo es mayor que 10, se debe usar la grfica s en lugar de la
grfica R para controlar la dispersin.
DECISIONES SOBRE EL TAMAO DE MUESTRA. PARA VARIABLES CONTINUAS
No hay una regla para determinar la frecuencia de toma de subgrupos, pero debe ser la
suficiente para detectar cambios del proceso. Se recomienda el uso de la siguiente tabla:
DECISIONES SOBRE EL TAMAO DE MUESTRA. PARA VARIABLES DISCRETAS
Un mtodo usado con frecuencia es la aplicacin de la siguiente ecuacin:
Control de calidad, 8ava Edicin, D Besterfield
ESPECIFICACIONES. Comparacin de valores individuales con promedios
84 valores individuales y 21 promedios

La figura muestra un conteo de valores individuales (X) y un conteo de promedios de
subgrupo (X) para los datos del ejemplo.
Se observa que los promedios se agrupan mucho ms cerca del centro que los valores
individuales. Cuando se promedian cuatro valores, se minimiza el efecto de un valor
extremo porque es pequea la probabilidad de tener cuatro valores extremadamente
altos o extremadamente bajos en el subgrupo.
Al comparar las dos distribuciones, se observa que ambas tienen la forma normal; de
hecho, aun cuando la curva para los valores individuales no fuera muy normal, la de los
promedios se acercara ms a la forma normal.
La base de la curva, para valores individuales, es aproximadamente el doble de extensa
que para los promedios. Cuando se dispone de los valores poblacionales de la desviacin
estndar de los valores individuales () y para la desviacin estndar de los promedios
X , hay una relacin definida entre ellas, que se expresa con la frmula:
ESTIMACIN DE LA DESVIACIN ESTNDAR POBLACIONAL: Si se supone la normalidad

(lo cual podr ser cierto o no), se podr estimar la desviacin estndar poblacional con:
=
c4
Los valores de c4 aparecen en la tabla hasta n = 20. Para valores mayores que
20: c4 = 4(n 1)/(4 n 3) Por tanto si, n=84; c4 = 4(84-1)/(4*83-1) = 0.996997
S: es la desviacin estndar de la muestra: n = 84, Son los valores individuales, no es la poblacin
s
c4
4,16
= 4,17
0,996997
4,17
X =
= 2,09
4
Semejante al
valor de 2,77
calculado
Es importante notar que la desviacin estndar de las medias, que se calcul con datos
muestrales
y la desviacin estndar de los promedios calculada a partir de la
desviacin estndar poblacional estimada X = 2,09 son diferentes debido a la variacin
de la muestra o la pequea cantidad de muestras (21); ms no a una falta de normalidad
Teorema del lmite central
En base a la diferencia entre distribucin de frecuencia de valores individuales, X y la de
distribucin de promedios, X, se puede analizar el teorema del lmite central:
Si la poblacin de donde se toman las muestras no es normal, la distribucin de los
promedios mustrales tender hacia la normalidad, siempre que el tamao de la
muestra, n, sea 4, cuando menos. Esta tendencia mejora cada vez ms a medida que el
tamao de la muestra es mayor. Adems, para describir la distribucin de los
promedios, se puede usar la distribucin normal estandarizada (o normal estndar),
con la siguiente modificacin:
El teorema del lmite central es una de las razones por las que funciona la grfica
X, porque no es necesario ocuparse de si la distribucin de las X no es
normal, siempre que el tamao de muestra sea 4 o mayor.
ESPECIFICACIONES. LIMITES DE CONTROL Y ESPECIFICACIONES
CAPACIDAD Y TOLERANCIA DEL PROCESO
A la extensin de proceso se llama capacidad (o posibilidad) del proceso, y es igual a 6.
A la diferencia entre las especificaciones se le llama tolerancia.
Cuando se establece tolerancias sin tener en cuenta la extensin del proceso, pueden
resultar situaciones indeseables.
Son posibles tres casos:
(1) cuando la capacidad del proceso es menor que la tolerancia,
(2) cuando la capacidad del proceso es igual a la tolerancia, y
(3) cuando la capacidad del proceso es mayor que la tolerancia.
Caso I: 6 < (lmite superior de especificacin USL - lmite inferior de especificacin LSL)
Situacin: Cuando la capacidad del proceso (6 ) es menor que la tolerancia (USL LSL)
Caso I: 6 < (lmite superior de especificacin USL - lmite inferior de especificacin LSL)
Situacin: Cuando la capacidad del proceso (6 ) es menor que la tolerancia (USL LSL)
El proceso est bajo control en (a) dado que la tolerancia es apreciablemente

mayor que la capacidad del proceso, no hay dificultad .
Aun cuando haya un desplazamiento apreciable en el promedio del
proceso, como en (b); en el cual el desplazamiento ha causado una condicin de
fuera de control, como indican los puntos graficados; sin embargo, no se produce
desperdicio, porque la distribucin de los valores individuales (X) no ha rebasado
la especificacin superior.
Se requiere accin correctiva para llevar al proceso al control.
Caso II: 6 = (lmite superior de especificacin USL - lmite inferior de especificacin LSL)
Situacin: Cuando la capacidad del proceso (6 ) es igual a la tolerancia (USL LSL)
Caso II: 6 = (lmite superior de especificacin USL - lmite inferior de especificacin LSL)
Situacin: Cuando la capacidad del proceso (6 ) es igual a la tolerancia (USL LSL)
La distribucin de frecuencia de las X en (a) representa un patrn natural de variacin.
Sin embargo, cuando hay un desplazamiento en el promedio del proceso, como se ve en
(b), los valores individuales (X) rebasan las especificaciones.
Mientras el proceso est bajo control, no se produce producto no conforme; sin
embargo, cuando el proceso sale de control, como se indica en (b), se fabrica producto no
conforme.
Por lo anterior, las causas asignables de variacin deben corregirse tan pronto se presenten.
Caso III: 6 > (lmite superior de especificacin USL - lmite inferior de especificacin LSL)
Situacin: Cuando la capacidad del proceso (6 ) es mayor que la tolerancia (USL LSL)
Cuando la capacidad del proceso es mayor que la tolerancia se presenta una situacin
indeseable.
Aun cuando se forma un patrn natural de variacin, como se ve en la distribucin de las X
en (a), algunos valores individuales son mayores que la especificacin superior, o menores
que la especificacin inferior.
Este caso es el nico en el que el proceso est bajo control, como indican los lmites de
control y la distribucin de frecuencias de X 's , pero se obtiene producto no conforme.
En otras palabras, el proceso no es capaz de fabricar un producto que cumpla las
especificaciones. Cuando el proceso cambia como en (b), el problema empeora mucho.
Cuando este caso se presenta ser necesaria una inspeccin del 100% para eliminar el
producto no conforme.
Una solucin pertenece a la ingeniera y es la posibilidad tcnica de aumentar la tolerancia.
Una segunda posibilidad es cambiar la dispersin del proceso para obtener una distribucin
ms puntiaguda. Para obtener una reduccin apreciable en la desviacin estndar se podra
necesitar material nuevo, o un operador con ms experiencia, o un entrenamiento de
readaptacin, o una mquina nueva o reparada, o quiz, control automtico en el proceso.
Otra solucin es desplazar el promedio del proceso para que todo el producto no conforme
est en una cola de la distribucin de frecuencia.
Esta clase de solucin es posible, cuando el costo de la parte es suficiente para justificar
econmicamente la operacin de reprocesamiento.
Los pernos de situacin para los soportes de piezas se rectifican hasta un dimetro de
12.50 mm (aproximadamente 1/2 pulg), con una tolerancia de 0.05 mm.
Si el proceso est centrado en 12.50 mm ( ) y la dispersin es 0.02 mm ()
Qu porcentaje del producto debe desperdiciarse y qu porcentaje puede reprocesarse?
Cmo se puede cambiar el centro del proceso para eliminar el desperdicio?
Cul sera el porcentaje de reprocesamiento?
INTERPRETACION DE LAS GRFICAS DE CONTROL
Ayuda: Statguide

Diagramas de Control 09 2015

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diagramas de Control 09 2015

Cargado por

Copyright:

Formatos disponibles

CONTROL ESTADISTICO DE

La primera fuente de variacin es el equipo.

Es la segunda causa de variacin.

Una tercera causa es el ambiente.

Una cuarta fuente es el operador.

Esas cuatro fuentes juntas causan la variacin real.

Las causas de variacin que son de gran magnitud, y en consecuencia fcilmente

Variacin aleatoria (en ocasiones llamada variacin comn o inherente)

Variacin asignable (llamada variacin sistemtica o de causa especial)

De manera que la idea es:

LOS DIAGRAMAS DE CONTROL

Estadstica para administracin y economa. R Levin

La esencia del control estadstico de procesos consiste en

Estadstica aplicada a los negocios y economa. Lind; 13era Edicin

Hay dos tipos de diagramas de control.

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

As, si un proceso est bajo control, en esencia todas las

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Tal vez el torno no fue re calibrado al inicio de la

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Observaciones externas individuales

Tendencias crecientes o decrecientes

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Saltos en el nivel alrededor del cual

Ciclos en el nivel del proceso.

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Atraccin hacia los lmites de control

Atraccin hacia la lnea central.

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

En la distribucin de muestreo usamos s, la desviacin estndar de la muestra, para estimar .

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

A2 y d2: valores de tabla

Tabla: Factores de diagrama de control

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Nota: Cuando n 6; el LCI, calculado con la ecuacin, ser negativo.

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Control de calidad 8 edicin D. Besterfied

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Ejemplo 6 b. Datos: Enlatado.MTW

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS

Los lmites de control superior e inferior son 3.01554 y 3.06175,

Un subgrupo, ubicado por debajo del lmite de control inferior

DIAGRAMAS DE CONTROL. VARIABLES PARA SUBGRUPOS