CONTROL ESTADSTICO

DEL PROCESO

Con base en el Texto de Control Estadstico de la Calidad de

Douglas Montogomery

DR. PRIMITIVO REYES AGUILAR

Diciembre, 2008

Pgina 1

Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12

CONTENIDO

Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO 6
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO 8
Antecedentes
8
CEP en occidente 11
CEP en Japn
12
Desarrollo del Control Estadstico del Proceso
14
Teorema del lmite central
15
Interpretacin
16
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS
Hoja de verificacin o registro 18
Diagrama de Pareto
20
Diagrama de Dispersin 24
Histogramas 31
Lluvia de ideas (Brainstorming) 32
Diagrama de Causa efecto
33
Carta de tendencias
38
Diagrama de flujo 39
Pasos para la elaboracin de un diagrama de flujo 40
Diagrama de flujo de tiempo valor agregado
44
Diagrama de Flujo Fsico 45
Estratificacin
46
Las cartas de control
46
1.4 MTODOS LEAN PARA LA MEJORA 47
Los 7 desperdicios o Muda
47
Mtodos Lean para la mejora
48
Mapeo de la cadena de valor
48
Las 5 Ss y la administracin visual
51
Preparaciones rpidas (SMED) 52
Poka Yokes o A prueba de error 53
Trabajo estandarizado
54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS 55
Diagrama de Afinidad
56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de rbol 60
Diagrama de rbol 61
Diagrama Matricial 64
Matrices de Prioridades o prioritizacin
68
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD
78
Cartas de control 78
Diseo de experimentos 79
Muestreo de aceptacin 80
1.7 ADMINISTRACIN POR CALIDAD TOTAL 82
Costos de calidad 83
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO (CEP)
Concepto de variacin
85
2.1 DISTRIBUCIN NORMAL
85
Estandarizacin de valores reales
91
2.2 PRUEBA DE NORMALIDAD 93
Pgina 2

18

85

2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS

2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL 99
Tamao de muestra y frecuencia de muestreo
106
Subgrupos racionales
107
Anlisis de patrones en cartas de control
108
2.5 IMPLEMENTACIN DEL CEP 109
3. CARTAS DE CONTROL POR VARIABLES
111
3.1 INTRODUCCIN
111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
111

X R

Interpretacin de cartas de control

Capacidad o habilidad del proceso
La curva caracterstica de operacin

95

116

128
135

3.3 CARTAS DE CONTROL PARA

y S 138
3.4 CARTAS PARA LECTURAS INDIVIDUALES 145
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS
149
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES
152
4. CARTAS DE CONTROL PARA ATRIBUTOS
154
4.1 INTRODUCCIN
154
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p
155
4.3 CARTA DE CONTROL np
167
4.4 TAMAO DE MUESTRA VARIABLE 168
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL 172
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u
176
Tamao de muestra constante - CARTA c
176
Seleccin del tamao de muestra
182
Carta de control de defectos por unidad U
183
Sistema de demeritos
189
La curva caracterstica de operacin 190
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm
192
5. OTRAS CARTAS DE CONTROL ESPECIALES 193
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN 193
Cartas de control dnom 193
Cartas de control de medias rangos estandarizada 194
Cartas de control por atributos 195
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN
195
Cartas de control modificadas 195
Cartas de control de aceptacin 197
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL
199
5.4 CARTA DE PRECONTROL O DE ARCOIRIS 202
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE
205
5.6 CARTAS DE CONTROL Cusum
206
Cusum normal
206
Cusum en forma tabular 211
EL PROCEDIMIENTO DE LA MASCARILLA EN V
214
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE
PONDERADAS (EWMA)
219

Pgina 3

5.8 CARTA DE CONTROL DE MEDIA MOVIL

224
6. ANLISIS DE CAPACIDAD DEL PROCESO 229
6.1 INTRODUCCIN
229
Condiciones para realizar un estudio de capacidad del proceso 232
6.2 NDICES DE CAPACIDAD
234
ndice de capacidad potencial Cp
234
ndice de capacidad real Cpk
237
ndice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm
239
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD
NORMAL
241
Histograma 241
Papel de probabilidad normal 243
Capacidad del proceso con cartas de control 247
Capacidad de procesos con Minitab: normales y no normales 250
Capacidad de procesos no normales. 254
Anlisis de capacidad con experimentos diseados 255
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN
256
Error del equipo de medicin
256
Repetibilidad y reproducibilidad (R&R) 259
R&R Capacidad de los sistemas de medicin - AIAG
262
Definiciones 263
Exactitud : 264
Estudios R&R - Mtodo Corto del Rango
266
Estudio de R&R Mtodo largo 267
Mtodo de Promedios- Rango 268
Clculos con Excel o manual:
268
Interpretacin de los resultados 274
Estudios de R&R por atributos 279
Interpretacin de resultados
287
7. MUESTREO DE ACEPTACIN POR ATRIBUTOS
289
7.1 EL PROBLEMA DE LA ACEPTACIN POR MUESTREO
289
7.2 MUESTREO SIMPLE POR ATRIBUTOS
293
Muestreo aleatorio simple
293
La curva OC 293
Puntos especficos en la curva OC
296
Inspeccin rectificadora 297
Muestreo doble, mltiple y secuencial 300
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859) 308
Descripcin de la norma 308
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920) 315
Planes de AOQL
316
Planes de LTPD
316
8. MUESTREO DE ACEPTACIN POR VARIABLES
318
Ventajas y desventajas 318
8.1 CONTROL DE LA FRACCIN DEFECTIVA 319
8.2 DISEO DE UN PLAN DE MUESTREO POR VARIABLES 322
8.3 TABLAS ASQC Z1.9 1993 324
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
332
Muestreo secuencial por variables
332

Pgina 4

Pgina 5

1. IMPORTANCIA DE LA MEJORA CONTINUA

1.1 CALIDAD Y MEJORAMIENTO
Las dimensiones de la calidad segn Garvin son:
Desempeo (sirve el producto para el uso adecuado?)
Confiabilidad (qu tan frecuentemente falla el producto?)
Durabilidad (cul es la vida til del producto?)
Serviciabilidad (qu tan fcil se repara el producto?)
Esttica (tiene el producto el estilo, color, forma, empaque y apariencia
adecuada?)
Caractersticas (qu hace el producto ms all de su desempeo bsico?)
Calidad percibida (cul es la reputacin de la empresa o del producto?)
Cumplimiento de estndares (el producto est hecho de acuerdo a estndares
de diseo original?)
As la calidad tradicionalmente es adecuacin al uso.
Dentro de la adecuacin al uso existen la calidad de diseo y la calidad de
conformancia. La de diseo se refiere al diseo original del producto, los
materiales utilizados, especificaciones, y mtodos empleados. La calidad de
conformancia se refiere a que tan bien cumple el producto los requerimientos
de las especificaciones de su diseo, que bsicamente depende del proceso de
manufactura.
Una definicin ms moderna es que la calidad es inversamente proporcional a
la variabilidad.
De esta forma se define la mejora de calidad como:
Mejoramiento de la calidad es la reduccin de la variabilidad en
productos y servicios.

Pgina 6

EUA

JAPON

LIE
Objetivo
LSE
Fig. 1.1 Enfoques de conformancia
Como los mtodos estadsticos tienen un papel importante en el mejoramiento
de la calidad, son objeto de estudio de la Ingeniera de calidad. Los datos
relacionados con la calidad se clasifican en atributos y en variables. Los de
atributos son discretos, enteros. Los de variables corresponden a mediciones
con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadsticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Un tipo especfico de no cumplimiento de especificaciones es llamado defecto o
no conformancia.
Caractersticas del producto: Son los elementos que en conjunto describen la
calidad del producto, evaluadas respecto a especificaciones, como son:
Fsicos: Longitud, peso, voltaje, viscosidad
Sensoriales: Gusto, apariencia, color
Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.

Pgina 7

1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Antecedentes
La teora de la administracin se desarroll bsicamente en los pases
industrializados, en respuesta a los problemas que presentaron las grandes
empresas caractersticas del sistema capitalista. 1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de divisin del
trabajo para aumentar la productividad en 1776. 2
Smith not que en una industria de fabricacin de alfileres, diez personas, cada
una realizando una tarea especfica, podran producir 48,000 alfileres por da.
Propuso que si cada uno trabajara por separado y en forma independiente, los
diez trabajadores tendran suerte en hacer 200 (o an 10) alfileres al da. 3
Smith concluy que la divisin del trabajo incrementaba la productividad sin
embargo se consideraba al trabajador como extensin de la mquina. Durante
la revolucin industrial, iniciada en el siglo XVIII en Gran Bretaala mano de
obra era sustituida por mquinas de una manera acelerada. 4 Esto, a su vez,
abarat la fabricacin de productos en las fbricas. Surge la administracin
cientfica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): l no desarroll una teora de
administracin, sino que haca nfasis en los aspectos empricos. 5 En 1911
public sus Principios de la Administracin Cientfica6 donde describe la
administracin cientfica, y us este trmino para definir la nica y mejor
manera de realizar un trabajo. Los estudios realizados antes y despus de
esta publicacin, lo erigieron como el padre de la administracin cientfica. 7 Sus
cuatro principios son:
1. Crear una ciencia para cada elemento del trabajo del individuo, que
sustituya al mtodo emprico; 2. Escoger cientficamente y luego entrenar,
ensear y desarrollar al trabajador; 3. Colaborar ampliamente con los
trabajadores para asegurar que todo el trabajo se realice conforme a los
principios de la ciencia que se ha ido desarrollando; 4. Hay una divisin casi
igual del trabajo y la responsabilidad entre la administracin y los trabajadores.

1 Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7

2 Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations,
A. Strahan and T. Cadell, London, 1793, pp. 7-8
3 Robbins, Stephen P., Management: Concepts and Applications, Englewood
Cliffs, Nueva Jersey, 1987, p. 31.
4 Ibidem, p. 31.
5 Simn, Nadima, op. cit., p. 9
6 Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros.,
Nueva York, Estados Unidos de Amrica, 1911
7 Robbins, Stephen, op cit. p. 33.

Pgina 8

La administracin se encarga de todo el trabajo para el cual est mejor dotada

que los trabajadores.8
Taylor9 seal que la creacin de nuevos mtodos de trabajo era
responsabilidad nica de gerentes y administradores. La mayor desventaja del
taylorismo es que los trabajadores pueden ser descalificados como si fueran
extensin de las mquinas,10 como consecuencia, se tiene poca motivacin y
alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: disearon arreglos laborales para eliminar
movimientos manuales y corporales intiles, tambin experimentaron en el
diseo y uso de herramientas y equipo adecuado para optimizar el desempeo
del trabajo.11 Encontraron que no es el trabajo montono la causa de tanta
insatisfaccin laboral, sino la falta de inters que muestran los gerentes por los
trabajadores.12
El Fordismo de Henry Ford: se implant en empresas con lneas de productos
durables en Estados Unidos de Amrica, foment la modificacin de las normas
de consumo y de vida de los trabajadores, considerados como verdaderos
consumidores potenciales, para lo cual era necesario aumentar su poder de
compra y reducir costos de produccin, con sistemas de proteccin social. 13
Con las crisis de los aos ochenta, la produccin masiva uniforme ya no es
competitiva, surge un nuevo paradigma que hace nfasis en la respuesta
flexible frente a los cambios impredecibles del mercado. 14
Control de calidad por inspeccin
Durante la primera guerra mundial el sistema de manufactura se volvi ms
complejo, involucrando a ms trabajadores reportando a un supervisor de
produccin, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la produccin, desligndose del
auto - control de calidad de los artculos que producan, esto tuvo auge entre
8 Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific
Management, Nueva York, Harper and Brothers, 1911, pp. 36-37.
9 Taylor, op. cit. 1911, p.20.
10 Hall, Richard, Organizaciones: Estructura y proceso. Mxico, Prentice Hall
Hispanoamericana, 1982, p. 304
11 Ibidem, p. 33
12 Koontz, Harold, op. cit. , p. 34.
13 Neffa, Julio Cesar, Transformaciones del proceso del trabajo y de la relacin
salarial en el marco del nuevo paradigma productivo. Sus repercuciones sobre
la accin sindical, en Sociologa del Trabajo, Nueva poca, nm. 18, primavera
de 1993, pp. 80-82
14 Ibidem, p. 83-84

Pgina 9

los aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el
mercado.15 Se establecen despus planes de muestreo militares, asumiendo
que cualquier proceso producir defectos, los esfuerzos se enfocan a
detectarlos, no a prevenirlos. Los productos defectuosos, eran reprocesados o
desechados, incrementando los costos de produccin entre un 20 a 30% e
incrementando el precio final del producto al menos 20% 16, absorbiendo el
cliente las ineficiencias de la empresa. El departamento de Control de Calidad
se convierte en el "polica de la calidad" y se le responsabiliza de todos los
problemas de calidad en la empresa, est formado por especialistas y tcnicos
que se encargan principalmente de detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control
Estadstico del Proceso como una siguiente etapa.

15 Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp.

122-123
16 Ibidem, pp. 125-126

Pgina 10

Control estadstico del proceso (CEP)

CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la
American Bell Telephone Company, estableci mtodos de control de calidad
ms rigurosos que infundieran confianza en sus instrumentos y
electrodomsticos, en 1924 se form su departamento de Ingeniera de
Inspeccin, entre sus primeros miembros se encuentran Harold F. Dodge,
Donald A. Qaurles, Walter A. Shewhart, Harry G. Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en
aplicar las cartas de control en 1924 haciendo un esbozo de la carta de
control17. Por otra parte H. Dodge y H. Romig desarrollaron las tablas de
inspeccin por muestreo de Dodge-Romig18, como una alternativa a la
inspeccin 100% al producto terminado, sin embargo su adopcin en occidente
fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras
probabilsticas, as como a la falta de estadgrafos industriales, adecuadamente
entrenados.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que
hoy se conoce como Control Estadstico del Proceso. De esta forma con
objeto de hacer ms eficientes a las organizaciones de inspeccin, se
proporciona a los inspectores con unas cuantas herramientas estadsticas,
tales como cartas de control y tablas de muestreo 20. Se reduce el nivel de
variacin del proceso hasta los lmites predecibles y se identifican las
oportunidades de mejora. Se establecen sistemas de medicin formales desde
los proveedores hasta el producto final y el proceso se "estandariza. Hoy en
da la herramienta de las cartas de control (CEP) es utilizada por los crculos de
control de calidad para la identificacin de problemas.
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of
Manufactured Product, donde describe las cartas para el control estadstico
del proceso. En medio de los aos 30s los mtodos de control estadstico de
calidad se empezaron a aplicar en la Western Electric, brazo de manufactura de
los laboratorios Bell, sin embargo no fueron reconocidos estos mtodos
ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de
control de procesos en la industria de la manufactura, la American Society for
Quality Control se form en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japn a dar seminarios sobre control estadstico de
17 Duncan, Acheson, op. cit.p. 16.
18 Ibidem, p. 1
19 Freeman, H.D., Statistical Methods for Quality Control,
MechanicalEngineering, April 1937, p. 261.
20 Feigenbaum, A.V., op. cit., 1986, p. 16

Pgina 11

calidad a sus industriales, extendiendo el uso de stos mtodos. Aparecen las

obras de Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso.
En occidente es hasta la dcada de los ochenta cuando se voltea hacia los
mtodos estadsticos ya muy comunes en Japn dado el xito industrial de este
pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General
Electric, Xerox, AT&T, etc., desarrollan e implantan una metodologa de calidad
total denominada Calidad 6 sigma con el objetivo de reducir los errores y
defectos a un mximo de 3.4 partes por milln (ppm), donde una de las
herramientas clave es el control estadstico del proceso, que permite obtener
ahorros de costos muy importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de
calidad inici sus estudios sobre conceptos de control de calidad, describe su
propia motivacin como sigue:
Yo desarroll un gran respeto por el Dr. Shewhart por medio del estudio
profundo de sus conceptos en cartas de control y estndares... Sin embargo,
me sorprend un poco que en EUA, donde efectu una visita de estudio, sus
mtodos casi no se aplicaban. Yo deseo importar sus conceptos al Japn y
asimilarlos para adaptarlos a situaciones en Japn, de tal forma que los
productos japoneses mejoraran su calidad 21
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn,
los japoneses aprendieron el control de calidad de occidente, invitaron a
Deming, Juran y otros eruditos a Japn para que les enseasen el control
estadstico del proceso. Sin embargo la implantacin de estas tcnicas fue
posible despus de su modificacin y adaptacin a las empresas japonesas,
incluyendo la creacin de varias herramientas tiles como refinamiento del
control estadstico de calidad, tales como las 7 herramientas estadsticas
utilizadas normalmente por los crculos de control de calidad y la aplicacin de
tcnicas estadsticas avanzadas.
Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa,
Diagrama de Pareto, Hoja de verificacin, Diagrama de dispersin,
Estratificacin, Histogramas y Cartas de control.
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en
Japn, todas las industrias japonesas confan en los mtodos estadsticos
avanzados para el diseo de productos,22 esto tambin ha permitido que los
supervisores de las fbricas japonesas utilicen estadstica de alto nivel para
analizar problemas. Por ejemplo para el caso del diseo de experimentos se
21 Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality
Control, Vol. 22, No. 12, 1967, pp. 115-116.
22 Amsden, R., op. cit. , p. 537.

Pgina 12

tiene: el diseo estadstico de experimentos es el arreglo, bajo el cual se

efecta un programa experimental, incluye la seleccin de los niveles ptimos
de los factores que tienen influencia en la calidad del producto 23, ayuda a
optimizar el tiempo y los elementos de diseo, determinando los materiales
ms baratos de tal forma que el producto cumpla las especificaciones, y
todava se asegure que el producto se desempear en forma satisfactoria bajo
condiciones variables.
Con la aplicacin del Control Estadstico del Proceso, el trabajador tiene de
nuevo la oportunidad de controlar la calidad de su trabajo, no a travs de
inspeccin 100%, sino a travs de tcnicas de muestreo y de cartas de control,
como mtodo preventivo de defectos, lo que permite su autocontrol para
reducir la variabilidad del proceso de produccin, se complementa con las
siete herramientas estadsticas y el ciclo de control de Deming (planear, hacer,
verificar y actuar).
Desarrollo del Control Estadstico del Proceso
W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.24
* * * *
**
**
***
**
***

**

Distribucin de promedios
de las muestras

Universo

Fig. 1.2 Experimentos de Shewhart para las cartas de control

Encontr que las medias de las muestras correspondan a las medias de la
poblacin y que la desviacin estndar de las medias de las muestras se
relacionaban con la desviacin estndar de la poblacin, como sigue (TEOREMA
DEL LMITE CENTRAL):

__
X

n
(1.1)

23 Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p.

5.
24 Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van
Nostrand Reinhold Co., 1931, p. 182

Pgina 13

Donde n es el tamao de la muestra y es la desviacin estndar de la

poblacin.
Poblacin con media y desviacin estndar y cualquier distribucin.

X1
X-media 1

X2
X-media 2

X3
X-media 3

Conforme el tamao de muestra se incrementa las muestras se distribuyen

normalmente con media de medias y desviacin estndar de las medias de
las muestras / n. Tambin se denomina Error estndar de la media.
Histogram of Promedios
14
12

Frequency

10
8
6
4
2
0

Fig. 1.3

5
Promedios

Distribucin de las medias muestrales - Normal

En general si las xi estn distribuidas en forma idntica y su distribucin se

asemeja a la normal, el teorema del lmite central trabaja bien para n>=3 o 4,
condiciones propicias para el control estadstico de los procesos.
Teorema del lmite central
La distribucin normal tiene muchas propiedades tiles, una de estas se refiere
a la combinacin lineal de variables aleatorias independientes. Si x 1, x2 x3, ....,
xn son variables aleatorias independientes no necesariamente normales, con
media 1, 2, ... n y varianzas 12, 22 , ..., n2 respectivamente, entonces la
distribucin del estadstico siguiente:
y = a1x1 + a2x2 + ............. + anxn
es normal con media
y = a11 + a22 + ... + ann
y varianza

Pgina 14

y2 = a1212 + a2222...,+ an2n2

donde a1, a2, ... an son constantes.
El Teorema del Lmite Central establece que la distribucin de la variable:
n

i 1

[y -

i 1

i ]

2
i

(2.5)

Se aproxima a la distribucin normal conforme n tiende a infinito. Es decir que

la suma de las n variables aleatorias independientemente distribuidas es
aproximadamente normal, independientemente de la distribucin de las
variables individuales.
La aproximacin se mejora conforme se incrementa n, en general si las x i estn
distribuidas en forma idntica y su distribucin se asemeja a la normal, el
teorema del lmite central trabaja bien para n>=3 o 4, condiciones propicias
para el control estadstico de los procesos.
Interpretacin
Normalmente para conocer el estado de un proceso en determinado momento,
es necesario obtener un histograma de la caracterstica de inters, tomando al
menos 30 piezas. Se calcula la media y la desviacin estndar de la muestra y
se trata de inferir sobre las caractersticas del proceso. Haciendo esto
peridicamente se pueden tener los comportamientos siguientes:
Hora
Hora
Hora
Hora

4
2
3
1

a) Proceso fuera de control

en media y variabilidad

b)Proceso en control
en media y esv. est.

Fig. 1.4 Comportamiento de procesos en control y fuera de control 25

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

Pgina 15

1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS

Figura 3.1 Las 7 herramientas estadsticas de calidad

H
Fig. 1.5 Las 7 herramientas estadsticas para la mejora y solucin de
problemas
Hoja de verificacin o registro
Se utiliza para reunir datos basados en la observacin del comportamiento de
un proceso con el fin de detectar tendencias, por medio de la captura, anlisis
y control de informacin relativa al proceso. Bsicamente es un formato que
facilita que una persona pueda tomar datos en una forma ordenada y de
acuerdo al estndar requerido en el anlisis que se est realizando. Las hojas
de verificacin tambin conocidas como de comprobacin o de chequeo
organizan los datos de manera que puedan usarse con facilidad ms adelante.
Pasos para la elaboracin de una hoja de verificacin:
Determinar claramente el proceso sujeto a observacin. Los integrantes deben
enfocar su atencin hacia el anlisis de las caractersticas del proceso.
Definir el perodo de tiempo durante el cul sern recolectados los datos. Esto
puede variar de horas a semanas.
Disear una forma que sea clara y fcil de usar. Asegrese de que todas las
columnas estn claramente descritas y de que haya suficiente espacio para
registrar los datos.
Obtener los datos de una manera consistente y honesta. Asegrese de que se
dedique el tiempo necesario para esta actividad.

Anotar frecuencia de ocurrencia de los eventos (con signos |, X, *, etc.)

Pgina 16

Figura 1.6 Ejemplo de hoja de verificacin o registro

Consejos para la elaboracin e interpretacin de las hojas de verificacin
Asegrese de que las observaciones sean representativas.
Asegrese de que el proceso de observacin es eficiente de manera que las
personas tengan tiempo suficiente para hacerlo.
La poblacin (universo) muestreada debe ser homognea, en caso contrario, el
primer paso es utilizar la estratificacin (agrupacin) para el anlisis de las
muestras/observaciones las cuales se llevarn a cabo en forma individual.

Ejercicio: Hacer hoja de registro con las antigedades en la organizacin

y concluir:
Antigedad
Registro
0.5 -1 aos
1.1 2 aos
2.1 4 aos
4.1 7 aos
Ms de 7 aos
Conclusiones:
Diagrama de Pareto

Se utiliza para identificar problemas o causas principales:

Herramienta utilizada para el mejoramiento de la calidad para identificar y

separar en forma crtica los pocos proyectos que provocan la mayor parte de
los problemas de calidad.
El principio enuncia que aproximadamente el 80% de los efectos de un
problema se debe a solamente 20% de las causas involucradas.
El diagrama de Pareto es una grfica de dos dimensiones que se construye
listando las causas de un problema en el eje horizontal, empezando por la
izquierda para colocar a aquellas que tienen un mayor efecto sobre el
problema, de manera que vayan disminuyendo en orden de magnitud. El eje
vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la
magnitud del efecto provocado por las causas, mientras que el lado derecho
refleja el porcentaje acumulado de efecto de las causas, empezando por la de
mayor magnitud.
Pasos para desarrollar el diagrama de Pareto:
Seleccione qu clase de problemas se van a analizar.

Pgina 17

Decida qu datos va a necesitar y cmo clasificarlos. Ejemplo: Por tipo de

defecto, localizacin, proceso, mquina, trabajador, mtodo.
Defina el mtodo de recoleccin de los datos y el perodo de duracin de la
recoleccin.
Disee una tabla para el conteo de datos con espacio suficiente para
registrarlos.
Elabore una tabla de datos para el diagrama de Pareto con la lista de
categoras , los totales individuales, los totales acumulados, la composicin
porcentual y los porcentajes acumulados
Organice las categoras por orden de magnitud decreciente, de izquierda a
derecha en un eje horizontal construyendo un diagrama de barras. El concepto
de otros debe ubicarse en el ltimo lugar independientemente de su
magnitud.
Dibuje dos ejes verticales y uno horizontal.
Ejes verticales:
Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
Divida este eje en un nmero de intervalos igual al nmero de categoras
clasificadas.
Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados
(porcentaje acumulado) en la parte superior, al lado derecho de los intervalos
de cada categora, y conecte los puntos con una lnea continua.
Escriba en el diagrama cualquier informacin que considere necesaria para el
mejor entendimiento del diagrama de Pareto.
Ejemplo de Diagrama de Pareto:
El departamento de ventas de un fabricante de materiales de empaque tiene
registrada una lista de las quejas que se han recibido durante el ltimo mes.
Tipo de queja
No.
Total
Composici Porcentaje
de
Acumulad n
Acumulad
queja o
Porcentual o
s
A) Entregas fuera de tiempo

25

25

35.71

35.71

B) Calibre fuera de
especificaciones
C) Material sucio y maltratado

23

48

32.85

68.56

55

10

78.56

D) Material mal embalado

61

8.57

87.13

E) Dimensiones fuera de
especificaciones

64

4.28

91.41

F) Inexactitud en cantidades

66

2..85

94.26

G) Mala atencin del personal

67

1.42

95.68

Pgina 18

H) Maltrato del material por

transportistas

68

1.42

97.7

I) Fallas en documentacin

69

1.42

98.52

J) Producto con cdigos

equivocados

70

1.4

99.94

DIAGRAMA PARETO

99.94
98.52

50

97.7
95.68
94.26
91.41
87.13

N
O

78.56

D
E

68.56

Q
U
25
E
23
J
A Figura 1.7a Diagrama de Pareto
7
S

35.71

6
Las quejas
A, B y C representan el 78.56%, siendo en estas en las que
debemos de enfocarnos primero a resolver.

Ejemplo:
Se tienen los gastos siguientes:
3
TIPO_G
2
TO 1
GASTO CANT
A

Pgina 19

%
A
C
U
M
U
L
A
D
O

Papele
ra
Toners
Vatico
s
Gasoli
na
Copiad
o

A
B
C
D
E

20
60
80
30
10

Diagrama de Pareto en Minitab

Capture los datos en la columna C1 (tipo de defecto), en la columna C2
(frecuencias)
Seleccione: Stat>Quality Tools>Pareto Chart
Escoja la opcin Chart defects table , en el campo labels in seleccione: C1 y en
Frequencies in seleccione: C3. Combine defects alter the first 80%.
Clic en OK
El sistema despliega la grfica de Pareto:

Construir un diagrama de Pareto y su lnea acumulativa

Pareto Chart of C1
200

100

Count

60
100
40
50

0
C1
Count
Percent
Cum %

Percent

80

150

20

C
80
40.0
40.0

B
60
30.0
70.0

D
30
15.0
85.0

A
20
10.0
95.0

Other
10
5.0
100.0

Figura 1.7b Diagrama de Pareto

En la grfica observamos que aproximadamente el 85% de los gastos es

debido a los gastos C, B, D.

Ejercicio: Hacer un diagrama de Pareto con los gastos principales:

Ordenarlos de mayor a menor
Tipo de
Descripcin
Frecuencia
Gasto

Pgina 20

Frecuencia

Diagrama de Dispersin

Se utiliza para analizar la correlacin entre dos variables, se puede

encontrar: Correlacin positiva o negativa, fuerte o dbil o sin
correlacin.
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la
relacin entre dos variables. Por ejemplo, entre una caracterstica de calidad y
un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una
comprensin ms profunda del problema planteado.
La relacin entre dos variables se representa mediante una grfica de dos
dimensiones en la que cada relacin est dada por un par de puntos (uno para
cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable
del eje vertical y es la variable efecto.

Fig. 1.8 Grfica de dispersin donde se observa una correlacin positiva

Pgina 21

La relacin entre dos variables puede ser: positiva o negativa. Si es positiva,

significa que un aumento en la variable causa x provocar una aumento en la
variable efecto y y si es negativa significa que una disminucin en la variable
x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin
pueden estar muy cerca de la lnea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El ndice que se utiliza para medir ese grado
de cercana de los puntos con respecto a la lnea recta es la correlacin. En
total existen cinco grados de correlacin: positiva evidente, positiva, negativa
evidente, negativa y nula.

Figura 1.9 Diagrama de dispersin y su correlacin entre X,Y

Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal
sera y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b
de tal forma que se minimice la distancia total entre puntos y la recta. Los
clculos son:

y x x xy
a
n x x
2

n xy x y
n x 2 x

El ndice de correlacin (r) se puede calcular estadsticamente mediante las

ecuaciones que a continuacin se presentan

Pgina 22

SCxy
SCx SCy

SCxy xy

SCx x

SCy y

x y
n

Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y

Sumatoria de los valores de la variable x al cuadrado

xy
x

y
n

Sumatoria de los valores de la variable y al cuadrado

Sumatoria del producto de xy

Cuadrado de la sumatoria de la variable x

Cuadrado de la sumatoria de la variable y

= nmero de pares ordenados (pares de datos x, y)

El factor de correlacin es un nmero entre 1 (correlacin negativa evidente) y

+1 (correlacin positiva evidente), y r = 0 indicara correlacin nula.
La correlacin se utiliza para cuantificar el grado en que una variable provoca
el comportamiento de otra. Por ejemplo si se encuentra que la variable
temperatura tiene una correlacin positiva con el porcentaje de artculos
defectuosos, se deben buscar soluciones al problema de los artculos
defectuosos mediante acciones asociadas con la variable temperatura; de lo
contrario, sera necesario buscar la solucin por otro lado.
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la
distribucin del producto y las operaciones del servicio de ruta para mquinas
vendedoras. El sospecha que el tiempo requerido para cargar y servir una
Pgina 23

mquina se relaciona con el nmero de latas entregadas del producto. Se

selecciona una muestra aleatoria de 25 expendios al menudeo que tienen
mquinas vendedoras y se observa para cada expendio el tiempo de solicitudentrega (en minutos) y el volumen del producto entregado (en latas). Calcular
el coeficiente de correlacin y graficar. Los datos se muestran a continuacin:

Observacin No. Latas, x

tiempo, y
x^2
y^2
xy
1
2.00
9.95
4.00
99.00
19.90
2
8.00
24.45
64.00
597.80
195.60
3
11.00
31.75
121.00
1,008.06
349.25
4
10.00
35.00
100.00
1,225.00
350.00
5
8.00
25.02
64.00
626.00
200.16
6
4.00
16.86
16.00
284.26
67.44
7
2.00
14.38
4.00
206.78
28.76
8
2.00
9.60
4.00
92.16
19.20
9
9.00
24.35
81.00
592.92
219.15
10
8.00
27.50
64.00
756.25
220.00
11
4.00
17.08
16.00
291.73
68.32
12
11.00
37.00
121.00
1,369.00
407.00
13
12.00
41.95
144.00
1,759.80
503.40
14
2.00
11.66
4.00
135.96
23.32
15
4.00
21.65
16.00
468.72
86.60
4.00 para obtener
17.89el coeficiente
16.00 de correlacin
320.05 tenemos:
71.56
Utilizando 16
las ecuaciones
17
20.00
69.00
400.00
4,761.00
1,380.00
18
1.00
10.30
1.00
106.09
10.30
SCxy = 2027.71
SCx = 698.56
19
10.00
34.93
100.00
1,220.10
349.30
SCy = 6105.94
20
15.00
46.59
225.00
2,170.63
698.85
r = 0.98 21
15.00
44.88
225.00
2,014.21
673.20
22
16.00
54.12
256.00
2,928.97
865.92
El coeficiente
r = 0.98
por lo cual
tenemos suficiente
23 de correlacin
17.00
56.63
289.00
3,206.96 evidencia
962.71
estadstica para afirmar que el tiempo de entrega est relacionado con el
24
6.00
22.13
36.00
489.74
132.78
nmero de latas.
25
5.00
21.15
25.00
447.32
105.75
TOTALES
206.00
725.82
2,396.00
27,178.53
8,008.47

Pgina 24

Diagrama de dispersion

f(x) = 2.9x + 5.11

R = 0.96

tiempo de entrega ( y )

Numero de latas (x)

Figura 1.10 Diagrama de dispersin con tendencia

En la grfica observamos que al aumentar el nmero de latas el tiempo de
entrega aumenta.
Para realizar el grfico de dispersin en Excel realice el siguiente
procedimiento:

Pgina 25

Seleccione el icono asistente para grficos.

Seleccione el tipo de grfico xy(dispersin), y subtipo de grfico: dispersin,
compara pares de valores.(siguiente)
En la pestaa rango de datos seleccione los valores de x y y de la tabla de
datos. En la pestaa serie agregue el ttulo, el rango de valores x, y se da por
default al haber seleccionado el rango de datos .(siguiente)
Ponga el titulo del grfico y eje de valores x y y de la tabla de datos. En esta
pantalla puede agregar lneas de divisin al grfico y otras opciones (siguiente)
(finalizar)
Para realizar algn cambio, por ejemplo en la escala haga clic en la escala de
valores y aparecer un men que le permitir realizarlos.
Para determinar la funcin de regresin y correlacin en Minitab se siguen los
pasos siguientes (despus de cargar los datos correspondientes a X y a Y en las
columnas C1 y C2):
Minitab > Stat >Regresin ... Indicar la columna de Respuestas Y y la de
predictores X y aceptar con OK. Observar el valor del coeficiente de correlacin
y de determinacin.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en
Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de
predictores X, seleccionar si se quiere ajustar con los datos con una lnea, una
funcin cuadrtica o cbica y aceptar con OK. Observar el mayor valor del
coeficiente de correlacin que indica el mejor ajuste.

Ejercicio: Hacer un diagrama de dispersin con los datos siguientes:

Errores (escala 5 por divisin)
Antiged
ad
4
2
8
6
10
5
7
1

Errores
20
12
36
28
44
25
32
5
Antiguedad

Conclusiones:

Pgina 26

Histogramas

Se utilizan para ver la distribucin de frecuencia de una tabla de datos

Figura 3.5 Distribucin de frecuencias o histograma

Figura 1.11 Histograma en Excel
Pasos para hacer un histograma:
1. Contar el nmero de datos, identificar el valor mximo, el mnimo y el
rango.
2. Determinar el ancho de clase = Rango / 5 a 8.
3. Contar cuantos datos entran dentro de cada celda.
4. Graficar las frecuencias de cada celda.
Ejercicio: Realizar un histograma con los datos de edades siguientes:
2.41
3.34
4.04
4.46
8.46
9.15
11.59
12.73
13.18
15.47

17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63

33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23

38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01

45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55

49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43

55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61

62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45

70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91

Paso 1. Nmero de datos =

Valor mayor =
Valor menor =
Rango =
Paso 2. Ancho de clase = Rango / 6 =
redondear a:
Paso 3. Contar elementos para cada clase:
Columna Intervalo Registro de frecuencias
Frecuencia
1
0 -17
Pgina 27

81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47

2
3
4
5
6

18-35
36-53
54-71
72-89
90 en

adelante

Paso 4. Hacer la grfica del histograma:

Conclusiones:

Lluvia de ideas (Brainstorming)

En las sesiones de lluvia de ideas se generan nuevas ideas mediante la
participacin de todo el equipo.Para comenzar con el proceso de tormenta de
ideas, en el cual se genera informacin la gente se rene en una sala en la cual
se recomienda la disposicin de las mesas en forma de U para facilitar el
debate. La gente que participa en la sesin deber de pertenecer a diferentes
reas o tener puntos de vista diferentes, esto con el objeto de enriquecer la
sesin.
El facilitador debe de contar con experiencia en la conduccin de sesiones de
tormentas de ideas, o al menos haber tenido experiencias previas.
Para conducir un grupo se lleva a cabo la siguiente metodologa:
Seleccionar el problema a tratar.
Pedir a todos los miembros del equipo generen ideas para la solucin del
problema, las cuales se anotan en el pizarrn sin importar que tan buenas o
malas sean estas.
Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar ms ideas.
Apruebe la naturalidad y el buen humor con informalidad, en este punto el
objetivo es tener mayor cantidad de ideas as existirn mayores posibilidades
de conseguir mejores ideas.

Pgina 28

Se les otorga a los participantes la facultad de modificar o mejorar las

sugerencias de otros.
Una vez que se tengan un gran nmero de ideas el facilitador procede a
agrupar y seleccionar las mejores ideas por medio del consenso del grupo de
trabajo.
Las mejores ideas son discutidas y analizadas con el fin del proponer una
solucin.
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto
(Ishikawa), Diseo de experimentos, pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a
tiempo a algn lugar.
Diagrama de Causa efecto

Muestra la relacin entre una caracterstica de calidad y los factores de

influencia, para encontrar las causas posibles. Se usa la lluvia de ideas,
debe hacerse sin juicios previos y respetando las opiniones.
Tcnica para generar ideas creativas cuando la mejor solucin no es
obvia.
Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
El problema a analizar debe estar siempre visible
Generar y registrar en el diagrama de Ishikawa un gran nmero de
ideas, sin juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad
El diagrama causa-efecto, tambin llamado espina de pescado por la
semejanza de su forma, tambin es conocido por diagrama de Ishikawa.

Es utilizado para explorar, e identificar todas las causas posibles y relaciones

de un problema (efecto) o de una condicin especfica en las caractersticas de
un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara,
ordenada y completa todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la bsqueda de
las verdaderas causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Seleccione el efecto (problema) a analizar. Se puede seleccionar a travs de un
consenso, un diagrama de Pareto, otro diagrama o tcnica.
Realice una lluvia de ideas para identificar las causas posibles que originan el
problema.
Dibuje el diagrama:
Coloque en un cuadro a la derecha la frase que identifique el efecto
(caracterstica de calidad)

Pgina 29

Trace una lnea horizontal hacia la izquierda del cuadro que contiene la frase. A
esta lnea se le conoce como columna vertebral.
Coloque lneas inclinadas que incidan en la columna vertebral (causas
principales).
Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas
conforme a la clasificacin de las causas (causas secundarias)
Dibuje lneas inclinadas que incidan en las lneas de las causas secundarias
(causas terciarias)
Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:
Causas principales.
Causas secundarias.
Causas terciarias.
Jerarquice las causas por grado de importancia y defina aquellas que tengan un
efecto relevante sobre la caracterstica especfica.
Elabore y ejecute un programa de correccin de las causas relevantes.

Figura 1.12 Diagrama de causa efecto, de Ishikawa o espina de pescado

Ejemplo: En una fbrica de componentes electrnicos se detectaron fallas en la
lnea de ensamble al realizar la prueba de un circuito, por lo cual se procedi a
realizar una investigacin utilizando el diagrama causa-efecto.
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales Ms:
Mquinas
Mano de obra

Pgina 30

Mtodos
Materiales
Mediciones
Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas
para encontrar causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a
partir de estas causas se agrupan las causas secundarias y terciarias derivadas
de la lluvia de ideas.

MEDICIONES

MAQUINAS

MANO DE OBRA

DIMENSIONES
INADECUADAS

FUERA DE
DIMENSIONES
ESPECIFICADS

VELOCIDAD DE
AVANCE

TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA

FORMACION

HABILIDAD

PUNTA OXIDADA

FORMA
PUNTA

LIMITES
ERGONOMICOS

SOLDADURA DEFECTUOSA
UNION
SOLDADURA

SUPERFICIE
S CON
POLVO E
IMPUREZAS

SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA

LACA DE
PROTECCION
TERMINALES

DESOXIDANTE
CORTOS OXIDADOS

MEDIO AMBIENTE

MTODOS

Figura 1.13 Diagrama de causa efecto

MATERIALES

El equipo analiza cada causa y por medio de eliminacin y consenso determina

cuales son las verdaderas causas que estn ocasionando el problema. Una vez
determinada las causas se realiza un anlisis Por qu, Por qu, por qu (WhyWhy Why), el cual consiste en preguntarnos cinco veces por qu?, para
encontrar la causa raz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (Ms):
mediciones, mquinas, personal, medio ambiente, mtodos y materiales. Es
posible realizar este diagrama con causas primarias diferentes a las Ms, ej:
Problema: Por qu la versin del sistema Abacab, no satisface los
requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Polticas y procedimientos del sistema
Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad

Pgina 31

Diagrama de Causa Efecto en Minitab

Capture los datos en la columna C1 (tipo de defecto), en la columna C2
(frecuencias)
Seleccione: Stat>Quality Tools>Cause and Effect Diagram
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los
conceptos de Personal, Mquinas, Materiales, Mtodos, Mediciones y Medio
ambiente.
Introducir los datos en la pantalla de entrada, indicando el problema en Effect y
aceptar con OK.

Ejercicio: Realizar un Diagrama de Causa efecto para identificar las

causas potenciales de un problema y concluir.

Pgina 32

Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeacin de la
produccin durante 15 semanas: Se puede hacer en Minitab con Stat, Quality
Tools, Run Chart, Subgroup size = 1

Permite observar el comportamiento de los datos durante un periodo de

tiempo determinado.

Fig. 1.14 Carta de tendencias

Pgina 33

Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la
estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
Proveen una secuencia grfica de cada uno de los pasos que componen una
operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y
comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de
documentacin, incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la
variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.

Se utiliza para identificar los procesos, las caractersticas crticas en

cada uno, la forma de evaluacin, los equipos a usar, los registros y plan
de reaccin, se tienen los tipos siguientes:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor

Fig. 1.15 Smbolos utilizados en los diagramas de flujo

Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
Operacin de transformacin: de la cual resulta un cambio fsico o qumico del
producto.

Pgina 34

Inspeccin: Verificacin de alguna caracterstica mediante

un estandar de calidad
prestablecido.

Transporte: Movimiento fsico del producto o un

componente.
Demora: Indica la necesidad de un periodo de inactividad en espera de
operacin inspeccin o transporte.
Almacenamiento: Mantener un producto en almacenamiento hasta
que contine su procesamiento o sea vendido.
Pasos para la elaboracin de un diagrama de flujo
Describir el proceso a evaluar: Es importante comenzar con los procesos que se
consideran de mayor impacto en la organizacin.
Definir todos los pasos que componen un producto o servicio: Existen
diferentes maneras de hacerlo. Una de ellas consiste en que el equipo de
trabajo anote en tarjetas los diferentes pasos que conforman el proceso, con
este mtodo el equipo puede arreglar y ordenar los pasos del proceso. Otra
manera de hacerlo es mediante el uso de programas de diagramas de flujo en
computadoras, de esta manera se tiene mayor flexibilidad que en el mtodo
anterior y se ahorra bastante tiempo.
Cada paso deber de ser discutido y analizado a detalle utilizando la pregunta
por qu se hace de esta manera?
Conectar las actividades: Cuando los pasos que componen el proceso han sido
descritos se construye el diagrama de flujo, conectando las actividades
mediante flechas, cada smbolo debe describir la actividad que se realiza con
pocas palabras.
Comparar el proceso actual con el proceso considerado como ideal las
siguientes preguntas pueden servir de gua:
Existen pasos demasiado complejos?
Existe duplicidad o redundancia?
Existen puntos de control para prevenir errores? deberan de existir?
El proceso funciona en la manera en la cual debera de hacerse?
Se puede realizar el proceso de diferente manera?
Mejoras del proceso: Una vez que se contestan las preguntas mediante
tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan valor
y los que no agregan se puede llevar a cabo una simplificacin sustancial del
proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.

Pgina 35

Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a

conocer a las personas involucradas en el proceso y se verifica su efectividad.

Pgina 36

Diagrama de flujo: Una visita a la farmacia 26

Ejemplo: Operacin de despacho de una frmula.
EVENTO

SMBOL
O

Abrir la puerta, caminar hacia el rea de la

farmacia del almacn.
Esperar para ser atendido.

TIEMP
O
(min.)
0.8

DISTANCI
A (pies)
50

Sacar la frmula de la billetera o del

bolsillo y entregarla al dependiente.
Esperar hasta cuando el dependiente
despache la frmula y calcule el valor.
Sacar la tarjeta de crdito de la billetera y
entregarla al dependiente.
Esperar que el dependiente diligencie el
desprendible de la tarjeta de crdito.
Verificar el desprendible

0.4

Firmar el desprendible

0.1

Esperar el desprendible y el medicamento

0.3

Colocar la tarjeta y el desprendible dentro

de la billetera
Recoger el medicamento y caminar de
regreso hasta la puerta

0.2

10
0.4
1
0.2

0.8

50

Figura 1.16 Ejemplo de diagrama de flujo

26 Adaptado de Hamid Noori/Russell Radford, Administracin de Operaciones y

produccin, Ed. Mc.Graw Hill Pp.282

Pgina 37

Ejercicio: Hacer el diagrama de flujo de un proceso e identificar reas de

oportunidad

Pgina 38

Diagrama de flujo de tiempo valor agregado

Es utilizado para detectar cuales son las actividades que agregan valor al
proceso y las que no agregan valor.
Pasos para realizarlo:
Dibujar una lnea horizontal para representar el tiempo total que se ocupa en
el proceso.
Relacione todos los pasos del proceso detalladamente, despus decida si el
paso tiene valor para el cliente.
Dibujar una lnea vertical fina que represente el tiempo que se requiere para
completar el paso.
Dibjela arriba de la lnea, si representa valor agregado, o debajo si no lo
representa.
En cada lnea vertical seale el paso del proceso.
Puede dibujar una barra con el tiempo de valor agregado como porcentaje de
tiempo total del proceso.
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el
proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo

Visita al consultorio mdico

Espera

Espera

Figura 1.17 Diagrama de flujo de valor

Pgina 39

Diagrama de Flujo Fsico

Pasos para realizarlo:
Dibuje el esquema fsico de su rea de trabajo, incluyendo estaciones de
trabajo, reas de espera, reas de mquinas, etc.
Use flechas para delinear el flujo de la parte dentro del rea. Cada flecha debe
delinear un paso del proceso.
Ventajas
Muestra el nmero de movimientos para completar el proceso.
Muestra la complejidad del flujo y las curvas.
Puede aadir tiempo a cada paso, para mostrar cuellos de botella y tiempo
sin valor agregado Vs tiempo con
valor agregado.

Edificio A

Edificio B
Figura 1.18 Ejemplo de diagrama de flujo fsico
EJERCICIO: Realizar un diagrama de flujo de un proceso

Pgina 40

Estratificacin

Se utiliza para separar un aspecto general en los estratos que lo

componen, por ejemplo, por regiones, estados, municipios, etc.
Clasificacin de los datos o factores sujetos a estudio en una serie de
grupos con caractersticas similares.
Problemas con boletas
Por regin
Por estado
Por municipio
Figura 1.19 Estratificacin de un problema
Ejercicio: Describir un ejemplo de estratificacin de un aspecto
poblacional
Inicio:
Primer paso:
Segundo paso:
Tercer paso:
Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la

mejora. Hay dos tipos de cartas de control: por atributos (juzga
productos como buenos o malos) y por variables (variables como,
temperaturas).

Figura 1.20 Carta de control con sus lmites de control y lnea central

Pgina 41

Figura 1.21 Patrones de anormalidad en cartas de control

Las cartas de control detectan la variacin anormal en un proceso,
denominadas causas especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial
de variacin.
1.4 MTODOS LEAN PARA LA MEJORA
A continuacin se muestran los mtodos para hacer ms flexibles y esbeltas
las operaciones en las organizaciones:
Los 7 desperdicios o Muda
Son aspectos que no agregan valor al cliente, es decir no est dispuesto a
pagar por ellos y hacen que la operacin sea costosa y lenta:

Pgina 42

Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones

Ejercicio: Identificar tres Mudas en la organizacin

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Mtodos Lean para la mejora

Para reducir el Muda se utilizan diversos mtodos Lean como son:

Mapeo de la cadena de valor
Las 5 Ss
Cambios rpidos (SMED)
Poka Yokes o A Prueba de error
Trabajo estandarizado
Mapeo de la cadena de valor
Se trata de realizar un mapeo de los procesos, identificando las actividades que
no agregan valor (Muda) para su reduccin o eliminacin, as como las
actividades que agregan valor para su optimizacin, a continuacin se presenta
un ejemplo:

Pgina 43

Ejercicio: Mejora del tiempo de ciclo de atencin en una sala de

emergencia:
Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atencin en una sala de emergencia, considerando tiempos y distancias.

Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:

Pgina 44

Las 5 Ss y la administracin visual

Objetivo: Encontrar cualquier cosa y tener idea del estado de la

operacin en menos de 30 segundos, por una persona familiarizada con
el rea de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y
Shitsuke.
1.- SEIRI significa: ORGANIZAR y SELECCIONAR:
Trabajo en proceso, Herramientas innecesarias, Maquinaria no ocupada,
Productos defectuosos, Papeles y documentos, lo ms importante en
este punto es:
Diferenciar entre lo necesario y lo innecesario.

Fig. 1.22 reas de oportunidad para 5Ss

2.- SEITON significa PONER LAS COSAS EN ORDEN.
Las cosas deben mantenerse en orden de manera que estn listas para
ser utilizadas cuando se necesiten.

Fig. 1.23 Implementacin del orden de 5Ss

Pgina 45

3.- SEISO significa: LIMPIEZA.

Mantener limpio el lugar de trabajo.
4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.
Hacer del aseo y de la pulcritud un hbito,
principiando con la propia persona.
5.- SHITSUKE (DISCIPLINA).
Seguir los procedimientos en los procesos administrativos y de
manufactura.
Las 5s se han definido como Seleccin u Organizacin, Orden, Limpieza,
Estandarizacin y Disciplina. Los dos elementos ms importantes son la
Organizacin y el Orden ya que de ellos depende el xito de las
actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc.
dificulta la bsqueda de piezas, tiles, informacin, requisiciones,
herramientas etc. evitando esto se previenen los accidentes, no se
generan defectos y todo se encuentra.
Ejercicio: Identificar reas de oportunidad de aplicacin de las 5Ss en la
organizacin
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Preparaciones rpidas (SMED)

Objetivo: Cambiar el proceso para un servicio diferente en menos de 10

minutos
Formar un equipo de trabajo
Filmar las actividades de preparacin
Separar actividades de preparacin internas y externas
Convertir actividades de preparacin internas a externas
Afinar las operaciones (paralelo, externas, etc.)
Verificar resultados y dar reconocimiento al equipo
La Preparacin interna (IED), son las operaciones realizadas con el
servicio suspendido.
La Preparacin externa (OED), son las operaciones realizadas mientras
se estn proporcionando los servicios.
Ejemplo de Cambio rpido SMED: Se redujo el tiempo de preparacin
en una estacin de servicio de 11 minutos a 1 minuto, ya que antes
primero se detena, llamaban al dependiente, buscaba las mercancas,

Pgina 46

etc. ahora las mercancas clave estn cerca del mostrador y no se pierde
tiempo. Otro ejemplo es la obtencin de pasaportes en 40 minutos o un
trmite en las oficinas de hacienda.
Ejercicio: Identificar reas de oportunidad para implementar cambios
rpidos.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Poka Yokes o A prueba de error

Objetivo: Prevenir o detectar la ocurrencia de errores humanos.

Causas de los errores:
Procedimientos incorrectos
Variacin excesiva en procedimientos
Procesos o procedimientos no claros o no documentados
Errores humanos mal intencionados
Cansancio, distraccin, Falla de memoria o confianza, etc.
Pasos para el desarrollo de Poka Yokes
1. Describir el defecto: Formar un equipo de trabajo, mostrar la tasa de
errores
2. Identificar el lugar donde se descubren o producen los errores
3. Detalle de los procedimientos de la operacin donde se producen los
errores
4. Identificar desviaciones de los procedimientos donde se producen los
errores. Identificar las condiciones donde se ocurren los errores
(investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el
error.
7. Desarrollar un dispositivo Poka Yoke
Ejemplo: Instalacin de puertas automticas para permitir la entrada
solo a personal autorizado.
Ejercicio: Identificar reas de oportunidad para implementar A Prueba de
error / Poka Yokes.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Trabajo estandarizado

Objetivo: Documentar en instructivos, procedimientos y ayudas visuales,

la forma como deben realizarse las operaciones y actividades para que

Pgina 47

todos las realicen de la misma manera, para tener productos

homogneos.
Por estandarizacin se entiende:
Siempre seguir la misma secuencia de trabajo
Los mtodos totalmente documentados
Los mtodos estn visibles en cada estacin de trabajo
El material y documentos de trabajo estn colocados siempre en el
mismo lugar
La informacin se presenta de la misma forma en toda la organizacin
Se tiene el registro del movimiento detallado del cuerpo humano
Ejercicio: Identificar reas de oportunidad para implementar
procedimientos e instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Pgina 48

1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS

Diagrama de afinidad:
Organiza grandes cantidades de informacin
Diagrama doble de interrelaciones:
Muestra los enlaces de causas y efectos entre aspectos relacionados
Diagrama de rbol:
Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
Carta de Programa de Decisin de Procesos (CPDP):
Revela cadenas de eventos y planes de contingencia
Diagrama de redes y actividades:
Desarrolla u programa para tareas complejas
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal
en los casos siguientes:
Dividir un requerimiento general de detalles especficos
Identificar y eliminar las causas raz de un problema
Programar actividades complejas
Planeacin de contingencia
Ayudar a una organizacin a pasar de la manera antigua de pensar a
otras formas ms novedosas de hacerlo
Realizar una seleccin final de una lista de opciones
Evaluar opciones de diseo de producto

Pgina 49

Diagrama de Afinidad

Es una herramienta que se emplea para organizar grandes cantidades

de informacin agrupando los aspectos de la misma con base en
relaciones clave entre ellos; tambin se conoce como mtodo KJ. Cuando
se emplea este diagrama, se organizan las ideas o reas generales de
problemas para adquirir la comprensin de un problema o asunto
complejo, as como para identificar las causas potenciales de un
problema. La herramienta ayuda a mejorar el compromiso y el apoyo del
equipo.

Usar cuando existe un caos, el equipo aporta ideas, se requiere un

pensamiento trascendental o el tema es un aspecto amplio.
PASOS
Reunir el equipo y elegir un lder, todos relacionados con el asunto a
tratar.
Establecer el asunto o problema en forma de pregunta.
Realizar una tormenta de ideas respecto al problema o aspecto y
registrarla en fichas de trabajo.
Desplegar las tarjetas en una mesa grande o muro.
Acomodar las tarjetas en pilas similares o por familias.
Crear tarjetas de encabezado
Dibujar el diagrama de afinidad
Trazar un crculo en torno a cada agrupamiento
El diagrama queda completo cuando el equipo alcanza el consenso
Discutir el diagrama de afinidad

Pgina 50

Pgina 51

FUENTE
HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYE
E1.JPG

FUENTE:
HTTP://WWW.MEX.OPSOMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF

Pgina 52

Fig. 1.24 ejemplos de diagrama de afinidadDiagrama doble de Interrelaciones

Un diagrama doble de interrelaciones es una herramienta grfica que se

emplea para organizar problemas o aspectos complejos y que implican
muchas variables, se emplea para estudiar las relaciones entre los
elementos de un problema e identificar las causas raz o las soluciones,
es similar al diagrama de afinidad en la medida que el proceso de
construccin de una grfica doble interrelaciones es creativo.
Ayuda a identificar las causas potenciales de un problema. permite que
el equipo observe al mismo tiempo muchos efectos y trace la relacin
entre dichos efectos y varias causas.
PASOS
Reunir el equipo y elegir un lder.
Poner el asunto o problema en forma de pregunta.
Realizar una tormenta de ideas respecto al problema o aspecto y
registrarla en fichas de trabajo.
Analizar las relaciones.
Revisar el Diagrama doble de interrelaciones.
Identificar causas y efectos raz.
Una causa raz es una categora de la que sale la gran cantidad de
flechas.
Un efecto raz es una categora a la que llega una gran cantidad de
flechas.
7. Estudiar el Diagrama doble de interrelaciones.

Pgina 53

FUENTE: PRIMER CERTIFIED QUALITY MANAGER

COUNCIL.COM
FIG.

1.25

EJEMPLOS DE DIAGRAMA DE INTERRELACIONES

Pgina 54

WWW.QUALITY

FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/
TUFINO_COMPLEMENTARIO/TUFINO_INTERRELACION.PDF

Pgina 55

Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de rbol

Un diagrama de rbol (diagrama sistemtico) es una tcnica que se

emplea para buscar la forma ms apropiada y eficaz de alcanzar un
objetivo especfico. Esta herramienta grfica de diagrama los diversos
niveles de detalle, estos representan acciones (o tareas) que siguen
rutas lgicas para implantar un objetivo amplio. Al implantar los puntos
detallados de accin, se crea un efecto de dominio que lleva al logro del
objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de rbol ayuda
a orientar tareas especficas, es posible emplearlo para planear la
implantacin de una solucin detallada en forma ordenada. El diagrama
de rbol funciones para dividir un aspecto u objetivo ms complejo.
PASOS
Reunir un equipo apropiado.
Elegir la declaracin de objetivo.
Generar los encabezados de primer nivel del rbol
Completar el diagrama de rbol bajo cada encabezado principal
Revisar el diagrama de rbol terminado.

Pgina 56

Pgina 57

FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE0
39C12570290041808D?OPENDOCUMENT

FUENTE
HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PD
F

Pgina 58

FIG.

1.27

EJEMPLOS DE DIAGRAMA DE RBOL

Pgina 59

FIG.

1.28

EJEMPLOS DE DIAGRAMA DE RBOL

Pgina 60

Diagrama Matricial

FIG.

1.29

EJEMPLO DE DIAGRAMA MATRICIAL

Los diagramas matriciales son herramientas que se emplean para

revelar las correlaciones entre ideas, tares y responsabilidad y que
aparecen en diversas formas matriciales, es posible emplear estas
herramientas para organizar y comparar dos o ms conjuntos de
artculos para mostrar cules de ellos estn relacionados, asimismo
pueden mostrar la fortaleza estadstica y la direccin de influencia de
cada relacin.
Pueden tener cualquiera de las siguientes formas: L, T, Y, X y C
PASOS
Reunir a un equipo apropiado
Elegir las consideraciones clave
Qu tipo de informacin se desea mostrar en la matriz?
Elegir la forma apropiada de la matriz
Definir los smbolos de relacin a emplear y crear una leyenda
Concluir la matriz.

Pgina 61

Pgina 62

FUENTE: CQM PRIMER WWW.QUALITYCOUNCIL.COM

FIG.

1.30

EJEMPLOS DE DIAGRAMA MATRICIAL

DIAGRAMAS MATRICIALES

27

FIG.

1.31 DIAGRAMA MATRICIAL EN L

MATRICIAL A

DIAGRAMA

FIG.

1.32DIAGRAMA MATRICIAL EN T DIAGRAMA MATRICIAL

EN Y

27 Diagramas tomados de la direccin www.fundibeq.org 28 de diciembre de

2008

Pgina 63

FIG.

1.33 DIAGRAMA MATRICIAL EN X DIAGRAMA MATRICIAL

EN C TRIDIM

FIG.

1.34 APLICACIN EN EL DESARROLLO DEL PRODUCTO

(MATRIZ DE QFD):

Pgina 64

Ma
trices de Prioridades o prioritizacin

Las matrices de prioridades son herramientas para tomas decisiones.

Utilizando criterios ponderados y acordados, se emplean tales
herramientas para asignar prioridades a aspectos, tareas u opciones
posibles. Se basan en la combinacin de un diagrama de rbol y uno
matricial.
Pueden ayudar a reducir el nmero de opciones; de modo que sea
posible tomar decisiones con mayor facilidad, debido a que las matrices
de prioridades proporcionan un enfoque lgico a la eleccin de un
conjunto de opciones, son ideales para elegir un problema para que lo
ataque el equipo y estrechar una lista de soluciones potenciales para un
problema.
PASOS
Reunir un equipo apropiado.
Establecer el objetivo principal a alcanzar y las opciones que ayuden a
lograrlo.
Generar los criterios por los que se juzgarn las opciones.
Juzgar cada criterio contra todos los dems.
Pgina 65

Comparar entre s las opciones para todos los criterios retenidos.

Compara cada opcin con base en todos los criterios combinados.
Brassard28 proporciona tres tipos de matrices de prioridades:
El mtodo del criterio analtico completo
El mtodo del criterio de consenso
El mtodo combinado de Diagrama de relaciones y Matriz
Loa criterios son prioritizados, ponderados y aplicados contra las
opciones de decisin generadas, seleccionando una decisin con base
en nmeros como resultado.

28Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC

Pgina 66

Fuente: CQM PRIMER www.qualitycouncil.com

Pgina 67

Fig. 1.35 Ejemplos de matrices de priorizacin Carta de Programa de Decisin

de Procesos (CPDP)

Cambiar fecha de reunin

Reservar sala de reunionesSala de reuniones no disponible
Reservar otro sitio

Rentar equipo audiovisual

Planeacin de una reunin

Verificar equipo audiovisual Equipo audiovisual no disponible

Reservar otro sitio

Banquete no disponible

Ordenar a otro proveedor

Efectuar los arreglos de alimentacin

Solicitar un men distinto
Men no disponible

= Seleccionado

Ordenar otro proveedor

de banquetes
Fig. 1.36 Ejemplo de diagrama de rbol y plan de contingencia
CPDP
=
No
factible
reunin

Una Carta de programa de decisin del proceso (CPDP) es una

herramienta dinmica de planeacin que se emplea para diagramar en
forma sistemtica todas las posibles cadenas de eventos para alcanzar
un objetivo amplio o para implantar una solucin compleja.
Se enumeran todos los eventos concebibles y una contramedida
apropiada en este flujo cronolgico, se emplea este mtodo cuando
existe incertidumbre en un proceso de implantacin, cuando el problema
u objetivo es nico o desconocido.
Las Cartas de programa de decisin del proceso se clasifican por las
herramientas que se emplea:
CPDP planeado por adelantado: anticipan lo inesperado antes de la
implantacin verdadera. Se efecta una tormenta de ideas de todas las
distintas posibilidades y se elaboran planes de contingencia con
anticipacin.
CPDP en tiempo real: se desarrollan alternativas durante la
implantacin.
La CPDP se clasifica por el formato grfico:
Grfico: combinacin de diagrama de rbol y diagrama de flujo.
Descripcin: lista numerada de eventos y contramedidas.

Pgina 68

Se emplea una CPDP para describir de manera sistemtica una solucin

u objetivo complejos, otro propsito es probar teoras durante la
implantacin de una solucin compleja.
PASOS
Reunir el equipo apropiado
Elegir el flujo bsico de implantacin
Elegir el formato de la carta
Establecer el objetivo principal
Enumerar los pasos del proceso
Determinar contramedidas
Evaluar las contramedidas
Evaluar las contramedidas y marcarlas en la forma siguiente
= Seleccionada
= No factible

Pgina 69

Fig. 1.37 Ejemplo de diagrama de rbol y plan de contingencia CPDP en

general

Pgina 70

FUENTE

HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM

Pgina 71

Fig. 1.38 Ejemplo de diagrama de rbol y plan de contingencia CPDP para

manufacturaDiagrama de redes de actividades

Un diagrama de redes de actividades (tambin conocido como diagrama

de flechas) es una tcnica de administracin de redes de uso
generalizado para la planeacin e implantacin de tareas complejas, en
particular las ms comunes que cuentan con subtareas conocidas. Es
una combinacin de la Tcnica de Revisin y Evaluacin y Programas
(PERT) y el Mtodo de Ruta Crtica (CPM).
Se emplea el diagrama de redes de actividades para desplegar
soluciones complejas con programas muy estrictos de tiempo. Identifica
los pasos y subtareas y muestra el flujo de rutas simultneas de
implantacin

PASOS
Reunir el equipo apropiado.
Los miembros del equipo debern conocer a fondo las tareas y subtareas
Identificar todas las tareas que requiere el proyecto.
Determinar la secuencia de actividades.
Calcular el tiempo que se requiere cada actividad.
Calcular la ruta crtica del proyecto.
Calcular la fecha ms tarda de inicio y ms temprana de conclusin de
cada subtarea.
Calcular la holgura total.
Disear el diagrama de redes de actividades.

Pgina 72

EJEMPLO: INAUGURACIN DE UN NUEVO RESTAURANTE

Pgina 73

Fig. 1.39 Ejemplo de diagrama de flechas (PERT)

El TE de un evento representa el tiempo ms breve posible en que el evento
puede alcanzarse, y se calcula sumando los tiempos t de la secuencia de
actividades que conduce al mismo.
Cuando hay ms de un camino que conduce a un evento, el camino que
consume el mayor tiempo, determina el tiempo ms breve posible en que
puede esperarse alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
a) Se empieza con el primer evento (su TE es igual a cero), considerando sus
directos sucesores etc..., hasta llegar al ltimo evento del proyecto. (Su TE
indica el tiempo mnimo esperado para terminar el proyecto).
b) Se identifican todos los eventos que preceden directamente al evento N.
c) Para cada uno de estos eventos se aade a su TE la duracin t de la
actividad que le conecta con el evento N.
d) Se elige entre los resultados as obtenidos el mayor. Este ser el nico TE del
evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por
encima del respectivo evento.
El TL de un evento representa el tiempo mximo en que debe alcanzarse el
evento para poder seguir el proyecto tal y como ha sido planificado, siendo el
TL del ltimo evento el tiempo establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el ltimo evento (= fin del proyecto), operando en sentido
inverso hasta el primero. El TL del ltimo evento se considera aqu como un
Pgina 74

dato externo, ya establecido. (Deseo del cliente, compromiso, fecha

"orientativa" interna, a menudo el valor TE obtenido en el Paso 4 para el
evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duracin t de la
actividad que le conecta con el evento N.
d) Se elige entre los resultados as obtenidos el menor. Este ser el nico TL
del evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo
del respectivo evento.
La holgura de un evento es la diferencia entre el tiempo mximo permisible y
el tiempo mnimo posible para alcanzarlo.
La holgura indica entonces el margen de seguridad de tiempo de que se
dispone para alcanzar este evento, sin comprometer el plan de marcha del
proyecto. La holgura de un evento puede ser positiva, negativa o igual a cero.
El camino crtico es aquella secuencia de actividades, desde el primer evento
hasta el ltimo, en la que los eventos disponen de la holgura mnima.
Se identificar en el Diagrama de Flechas, el camino crtico, sealando las
actividades que lo constituyen con lneas ms gruesas.

Pgina 75

Fig. 1.40 Determinacin de la Ruta Crtica en el diagrama de flechas

(PERT)

Pgina 76

1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres mtodos estadsticos principales para la mejora de la calidad y
la solucin de problemas: las cartas de control, el diseo de experimentos y el
muestreo estadstico, adems de las herramientas estadstica para la solucin
de problemas en planta por grupos de trabajo o Crculos de calidad.
Cartas de control
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de
Control en la planta telefnica Western Electric de los los Bell Labs, las cuales
tienen las siguientes caractersticas:
Tcnicas tiles para el monitoreo de procesos
Permiten identificar situaciones anormales en 6Ms
Sirven para prevenir la generacin de defectivos

Fig. 1.41 Carta de control

LSC = Lmite superior de control
LC = Lnea central
LIC = Lmite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus lmites de control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos
salen de los lmites de control, es seal de que se debe tomar accin para
remover esa fuente de variabilidad anormal. Su uso sistemtico proporciona un
excelente medio para reducir la variabilidad.
Diseo de experimentos
Un experimento diseado es muy til para descubrir las variables clave que
tienen influencia en las caractersticas de calidad de inters del proceso. Es un
mtodo para variar en forma sistemtica los factores controlables del proceso y
determinar los efectos que tienen esos factores en los parmetros finales del
producto. Permite reducir la variabilidad en la caracterstica de calidad y en
determinar los niveles ms adecuados de los factores controlables que
optimicen el desempeo del proceso. Fisher inicia el desarrollo del diseo de
experimentos en la agricultura en Inglaterra en los aos 1920s.
ENTRADAS CONTROLABLES
X1
X2
XP

Pgina 77

INSUMOS DEL PROCESO

CALIDAD

CARACT.DE

PROCESO

Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.42 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual
los factores son variados de tal forma de probar todas las posibles
combinaciones de los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza
durante el desarrollo de los productos o procesos, ms que durante su
fabricacin.
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y
la caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis
de regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona
e inspecciona una muestra aleatoria de un lote mayor, resultando en una
aceptacin o rechazo de ese lote mayor, esto ocurre en la recepcin de
materias primas y componentes y en el producto terminado.
Tiene las siguientes ventajas:
El costo de evaluacin es menor que con la inspeccin al 100%
Se puede aplicar ms fcilmente cuando se trata de realizar pruebas
destructivas.
Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que
con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:
Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
No se garantiza que los lotes aceptados estn libres de defectivos.

Pgina 78

LOTE

MUESTRA ALEATORIA

Fig. 1.43 Esquema del muestreo estadstico

En 1926 HAROLD F. DODGE Y HARRY G. ROMIG, desarrollaron las tcnicas de
Muestreo Estadstico.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
a) INSPECCIN EN LINEA

ENVIO

INSPECCION

PROCESO

CLIENTE

b) INSPECCION DE RECIBO
ENVIO

INSPECCION

PROCESO

ACEPTAR ENVIO CLIENTE

c) INSPECCION RECTIFICADORA

PROCESO

CLIENTE

INSPECCION
RECHAZO
SCRAP
RETR
DISPOSICIN DEABAJO
LOTES

Fig. 1.44 Variaciones del muestreo de aceptacin

El muestreo de aceptacin tiende a reforzar el apego o conformancia a
especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido
la evolucin siguiente:
100%
MUESTREO DE
ACEPTACION

0%
Tiempo

CONTROL DE
PROCESO

Pgina 79 DISEO DE
EXPERIMENTOS

Fig. 1.45 Evolucin de la aplicacin de mtodos estadsticos

1.7 ADMINISTRACIN POR CALIDAD TOTAL
Para que sean efectivas las herramientas estadsticas, su aplicacin debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en
EUA, Company Wide Quality Control en Japn, Seis Sigma de Motorola, Modelo
de Direccin por Calidad de Mxico (PNC), Malcolm Baldrige de EUA, QS 9000,
ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta direccin lleve
el liderazgo por la calidad, no funcionarn como elementos aislados.
La filosofa de Deming y Juran implica que la responsabilidad por la calidad se
expande a toda la organizacin, sin embargo para no caer en el error de que
la responsabilidad de todos es la de nadie, la calidad debe planearse.
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la
reduccin de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la direccin.

Fig. 1.46 Modelo de gestin de calidad ISO 9000

Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que
no cumplan especificaciones. Normalmente se clasifican en cuatro categoras:

Pgina 80

Prevencin, Apreciacin, Falla interna y Falla externa, algunos de los elementos

que incluyen son los siguientes:
Costos de prevencin
Planeacin e Ingeniera de calidad
Revisin de nuevos productos
Diseo de productos y procesos
Control de proceso
Entrenamiento
Coleccin y anlisis de datos de calidad

Costos de falla interna

Scrap o desperdicio
Retrabajos
Re-inspeccin
Anlisis de falla
Ineficiencias
Descuentos

Costos de apreciacin
Inspeccin y prueba en recibo
Inspeccin y prueba de productos
Materiales usados en pruebas
Mantenimiento de equipo de prueba

Costos de falla externa

Atencin de quejas
Producto regresado
Cargos por garanta
Costos legales

Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados
a la prevencin de defectos, de tal forma de hacer bien las cosas a la primera
vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Costos de falla interna
Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Costos de falla externa
Son los costos incurridos cuando el desempeo del producto no es el adecuado
una vez que lo utiliza el cliente.

Pgina 81

2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO (CEP)

Concepto de variacin
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
2.1 DISTRIBUCIN NORMAL
Un proceso opera en condiciones normales, si tiene los materiales dentro de de
especificaciones y del mismo lote, un mtodo consistente, un medio ambiente
adecuado, el operador capacitado, y el equipo ajustado correctamente, si se
toman mediciones en alguna caracterstica del producto, mostrar el siguiente
comportamiento:

Fig. 2.1 Construccin de la distribucin normal

La distribucin normal es una de las distribuciones ms usadas e importantes.
Se ha desenvuelto como una herramienta indispensable en cualquier rama de
la ciencia, la industria y el comercio.
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya
forma es muy parecida a la distribucin normal. La distribucin normal es
llamada tambin campana de Gauss por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros
se indican con letras griegas, tales como: promedio o media = (mu), y
desviacin estndar (indicador de la dispersin de los datos) = (sigma).
Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.

Pgina 82

Propiedades de la distribucin normal estndar

La distribucin normal estndar tiene media = 0 y desviacin estndar =1.

La media, Mediana y Moda coinciden, son iguales y se localizan en el pico.

Fig. 2.2 Propiedades de la distribucin normal

El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1.
La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los parmetros

, por lo que hay un nmero infinito de distribuciones normales.

Lmite inferior de especs. Lmite superior de especificaciones

Fig. 2.3 Distribuciones normales con varias desv. estndar

Pgina 83

LIE
LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estndar

Pgina 84

Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para

3 99.73%

tiene un porcentaje de 68.26%,

= 95.46% y

-3s -2s -1s

+1s +2s +3s

68.26%
95.46%
99.73%

Fig. 2.5 rea bajo la curva de Distribucin normal

Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel
(Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva.
La primera tabla sirve para determinar el rea o probabilidad que se encuentra
fuera de los lmites de especificaciones. La segunda tabla proporciona valores

Pgina 85

de rea bajo la curva para Zs mayores a cero. En cada una se muestran

ejemplos de su uso.

Ejemplo 2.1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2.
P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1
Pgina 86

P(- 2 <= Z<= -1) = 0.1359

Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369

Pgina 87

EJERCICIO 2.1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est
incluido dentro de los siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarizacin de valores reales
En la prctica, se tienen valores reales de promedio diferentes de cero y con
desviacin estndar diferentes de uno, para determinar la probabilidad o rea
bajo la curva, se determina el nmero de desviaciones estndar Z

valor X y la media de la poblacin

entre algn

o de la muestra X como sigue:

s se consideran los datos completos del proceso.

XX
s
s se consideran slo los datos de una muestra.

Ejemplo 2.3 El departamento de personal de una empresa requiere que los

solicitantes a un puesto en cierta prueba alcancen una calificacin de 500. Si

las calificaciones de la prueba se distribuyen normalmente con media

y desviacin estndar
prueba?

485

30 Qu porcentaje de los solicitantes pasar la

Calculando el valor de Z obtenemos:

X
500 485
Z
0.5

30
=
Buscamos el valor correspondiente Z en las tablas de distribucin normal
estndar o por medio de Excel =distr.norm.estand(0.5). Z 0.5 = 0.69146 =
69.146%. donde la probabilidad de que la calificacin sea menor a 500 es P (X

P ( X 500)

<= 500). Dado que el porcentaje pedido es

la solucin es 10.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la
prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.

Pgina 88

485

3 0 .8 5 %

Z.0 5

Fig. 2.6 rea bajo la curva de Distribucin normal

Ejemplo 2.4 Suponga que un proceso tiene una distribucin normal dada tiene
una media de 20 y una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente
ventana, en la cual llenamos los siguientes datos:

Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X
24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587

Pgina 89

EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar
de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
2.2 PRUEBA DE NORMALIDAD
Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson
Darling o Ryan si el tamao de muestra es mayor a 15 y se utiliza la prueba de
Kolmogorov Smirnov para 15 datos o menos de muestra, observando la grfica
de probabilidad normal.
a) En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad P
de la prueba es mayor a 0.05, se considera que los datos son normales. Seguir
los siguientes pasos:
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02
OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de
Anderson Darling o Ryan Joiner como sigue:
Stat > Basic statistics > Normality Test
Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente

Pgina 90

Fig. 2.7 Grfica de probabilidad de un proceso normal

b) Otra opcin por medio de una grfica de probabilidad normal, se tiene:
Graph > Probability plot > Normal
Graph Variable C1
Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.

Fig. 2.8 Grfica de probabilidad normal con Int.de confianza

Pgina 91

2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS

Se pueden cometer dos tipos de errores cuando se prueban hiptesis:
Error tipo I, se rechaza Ho cuando es verdadera.
Error tipo II, no se rechaza Ho cuando es falsa.
Las probabilidades de esos dos tipos de errores son:
= P(error tipo I)
= P(error tipo II)
donde la potencia de la prueba es
Potencia = 1 - = Probabilidad de rechazar correctamente Ho.
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de
que un lote bueno o un proceso que produce partes aceptables en relacin a
una caracterstica de calidad sea rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de
aceptar lotes de calidad pobre, o permitiendo que un proceso contine
operando de manera insatisfactoria respecto a una caracterstica de calidad.
El procedimiento general para pruebas de hiptesis es especificar una
probabilidad de error tipo I o , y disear un procedimiento de prueba que
minimice la probabilidad de error tipo II.
Conforme se incrementa el tamao n de muestra, se reduce la probabilidad de
error tipo II.
PROBABILIDAD DE ERROR TIPO II
Tomando como estadstico de prueba Zc, y asumiendo que sigue una
distribucin normal N(0,1).

Z c X 0

(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la
distribucin realmente es:
1 = 0 +

con > 0

La hiptesis alterna H1 es verdadera y bajo esta suposicin, el estadstico Zc

es:

Zc N

,1
n

Pgina 92

BAJO H0

BAJO H1

- Z/2
0
Z/2
Fig. 2.9 La distribucin de Zc bajo Ho y H1

Zc =

n /

La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre

- Z/2 y Z/2 dado que la hiptesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z/2) ) F(-Z/2), donde F es la
distribucin acumulativa normal estndar. La probabilidad de error tipo II es
(funciona igual para cuando < 0):

n
n
Z / 2

Z / 2

(2.7)

Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es
de 16.0 oz., y de acuerdo a la experiencia se sabe que la desviacin estndar
del contenido es de 0.1 oz. Las hiptesis son:
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de
9 latas, se tiene que el estadstico de prueba es:

Z 0 X 16

0.1
9

Se rechaza Ho si Zo > Z0.025 = 1,96

Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor
verdadero de la media es 1 =16.1 implicando que = 16.1 16.0 = 0.1, se
tiene:

n
n
Z / 2

Z / 2

0.1 9
0.1 9
1.96

1.96

0.1
0.1

= (- 1.4 ) - ( -4.96 )

Pgina 93

= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es 16.1 oz. Es de
0.1492, o que la potencia de la prueba es de 1 - = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de ,
tomando como 0.05 y graficando contra d = / , se obtienen las curvas
caractersticas de operacin (OC).
(ver grfica de curva OC)
En las curvas OC se observa que:
Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para
una n y dadas. Es decir que la prueba detecta ms fcilmente grandes
diferencias.
Conforme se incrementa n, la probabilidad de error tipo II es ms pequeo para
una y dadas. Es decir que la prueba se hace ms potente si se incrementa
el tamao de muestra.
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los
Bell Telephone Labs., se denominan Cartas de Control de Shewhart y se usan
para el monitoreo del proceso en lnea. A continuacin se explica la teora de
variabilidad de Shewhart.
Causas comunes y causas especiales
La variabilidad natural siempre existe en cualquier proceso de produccin, no
importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy
grande en relacin con la variabilidad natural y es originada por causas
especiales o asignables haciendo que el proceso opere fuera de control
estadstico (ver pgina siguiente).
De la figura cuando el proceso est en control, la mayor parte de la produccin
se encuentra dentro de los lmites de control (LSC y LIC). Sin embargo cuando
el proceso est fuera de control, una gran proporcin del proceso se encuentra
fuera de estos lmites.
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas
especiales para tomar acciones correctivas antes de que se produzcan
unidades defectivas o no conformes, para esto se utilizan las cartas de control
en lnea, permitiendo tambin la estimacin de la capacidad o habilidad del
proceso y la reduccin continua de la variabilidad hasta donde sea posible.

Pgina 94

2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL

Una carta tpica representando un proceso en control estadstico se muestra a
continuacin. Contiene una lnea central que representa el valor promedio de la
caracterstica de calidad correspondiente al estado en control y dos lneas
adicionales llamadas lmites inferior y superior de control (LIC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
Tiempo

LIC
Fig. 2.10 Carta de control de Shewhart

Un punto que se encuentre fuera de los lmites de control mostrar evidencia

que el proceso est fuera de control y ser necesario una investigacin de la
causa especial y la accin correctiva necesaria para eliminarla. Tambin se
tendr un alto riesgo de situacin fuera de control si los puntos se agrupan es
forma sistemtica dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media
del proceso est en control y tiene un valor 0 si un valor de media muestral

Xi
cae dentro de los lmites de control; de otra forma se concluye que el
proceso est fuera de control y que la media del proceso tiene un valor
diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta
de control, son esquemas de prueba de hiptesis para analizar el desempeo
de las cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de
control. La curva caracterstica de operacin (OC), con en el eje vertical,
indica la capacidad de la carta para detectar corridas de la media o rango del
proceso de diferentes magnitudes.
Ejemplo 2.6: Para el caso de pistones, evaluando la caracterstica de calidad de
dimetro interno del anillo. Si la media del proceso es 74 y la desviacin
estndar es de 0.01mm, con un tamao de muestra de n=5, se tiene:
La desviacin estndar de las medias es:

Pgina 95

.01

0.0045
n
5

Asumiendo que el proceso est en control y de acuerdo al teorema del lmite

Xi
central se asume que las medias
se distribuyen normalmente, se debe
espera que el 100(1- )% se encuentren entre 74 Z/2 (0.0045).
Si se escoge arbitrariamente a Z/2 = 3, se obtienen los lmites de control a 3
sigma:
LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 3 (0.0045) = 73.9865
74.0135

74

74.9865

Tiempo

Fig. 2.11 Carta de Control tpica

El ancho de los lmites de control es inversamente proporcional al tamao de
muestra n, para un mltiplo de sigma dado, La seleccin de los lmites de
control es equivalente a preparar la regin crtica para probar la hiptesis en el
tiempo:
H0 : = 74
H1 : 74
Con = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un
estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw
LC = w
LIC = w - Lw

(2.8)

Donde L es la distancia de los lmites de control a partir de la lnea central

expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs
de su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.

Pgina 96

DISTRIBUCION
PROCESO
DE LOS VALORES
73.9865

DISTRIBUCION
DE LAS MEDIAS

INDIVIDUALES =.01

COMPORTAMIENTO DEL
LSC = 74.0135, LC = 74, LIC =

X 0.0045

Fig. 2.12 Comparacin de la variabilidad de la poblacin y la de las medias y

operacin de la carta de control
El proceso de mejora usando la carta de control requiere la accin de la
supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las
causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control OCAP, activado con la ocurrencia de
cada evento. Incluye Puntos de chequeo que son causas potenciales asignables
y terminadores que son las acciones que resuelven la situacin fuera de
control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
ENTRADA

PROCESO

SALIDA

SISTEMA DE
EVALUACIN
Verificacin
seguimiento

Implantar
Accin
Correctiva

Deteccin de causa
asignable

Identificar causa
raz del problema

Fig. 2.13 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL

Pgina 97

La carta de control es un dispositivo de estimacin de parmetros del proceso

una vez que exhibe control estadstico, se puede estimar la media, varianza,
proporcin, etc. que pueden ser utilizados para determinar la capacidad de los
procesos para producir productos aceptables, base de decisiones gerenciales y
contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero
real en alguna escala de medicin continua, se denomina una variable. En tales
casos se utilizan cartas de control de medias, que describan la tendencia
central y cartas de control basadas en rango o desviacin estndar para
controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala
continua, en esos casos se puede juzgar cada producto como conforme o como
no conforme sobre la base de que posea o no ciertos atributos, o se pueden
contar el nmero de no conformidades o defectos que aparecen en una unidad
de producto. Las cartas de control para tales caractersticas de calidad, se
denominan cartas de control por atributos.
Un factor importante en la aplicacin de cartas de control es su diseo, es decir
la seleccin de tamao de muestra, lmites de control y frecuencia de
muestreo. Para la carta de control por variables del ejemplo se utiliz una
muestra de 5 partes, lmites de control a 3-sigma y una frecuencia de muestreo
cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo
II, aunque el diseo de la carta de control tambin debe tomar consideraciones
econmicas considerando los costos de muestreo, prdidas por fabricar
productos defectuosos y costo de investigar indicaciones fuera de control que
son falsas alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad
exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms
efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia
de haberse extrado de una poblacin estable (normal u otra), en anlisis de
series de tiempo se denomina ruido blanco. En este caso los datos pasados
histricos no dicen nada en relacin a predecir su comportamiento futuro.
3. Procesos estacionarios con datos correlacionados: las observaciones
sucesivas de en estos datos son dependientes; es decir un valor por arriba de

Pgina 98

la media tiende a ser seguido por otro valor arriba de la media y viceversa,
esto produce corridas lentas y largas en algn lado de la media.
4. Procesos no estacionarios: ocurren en los procesos qumicos e industrias de
proceso, los procesos son muy inestables y tienen corridas inestables alrededor
de una media fija. En estos casos se estabiliza el desempeo de los procesos
por medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
Son una herramienta probada para mejorar la productividad. Su aplicacin
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de
si no esta mal, no lo arregles, ya que identifican las causas comunes de las
especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de
control de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona
el nivel de riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los
lmites de control a una distancia de 3.09-sigmas y los lmites de control sern:
LSC = 74 + 3.09 (0.0045) = 74.0139
LIC = 74 3.09 (0.0045) = 73.9861
Estos lmites de control se denominan lmites probabilsticos a 0.001. A
continuacin se presenta una comparacin entre lmites.
+3.09
+3.0
LC
-3.00
-3.09

Pgina 99

Fig. 2.14 Lmites de control de Shewhart y Europeos

Los lmites de control a 0.001 se utilizan en pases europeos.
Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de
la lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la
sensibilidad de la carta de control para identificar corrimientos de la media del
proceso, en forma ms rpida. Si un punto cae fuera de los lmites preventivos,
Una desventaja es que crean confusin con el personal y se incrementa el
riesgo de error tipo I (falsas alarmas).
Tamao de muestra y frecuencia de muestreo
Al disear una carta de control, se debe especificar tanto el tamao de muestra
como la frecuencia de muestreo, tamaos de muestra grandes permiten
detectar pequeas corridas en la media del proceso como se observa en las
curvas caractersticas de operacin.
Para la frecuencia de muestreo, la prctica industrial sugiere tomar muestras
pequeas frecuentes, principalmente en produccin masiva o cuando existe la
posibilidad de que existan muchas causas especiales, actualmente con las
computadoras esto es cada vez ms fcil.
Otra forma de determinar la frecuencia de muestreo y el tamao de muestra,
es a travs de la longitud media de racha de la carta de control (ARL), que es el
nmero de puntos que deben ser graficados antes de que un punto indique una
condicin fuera de control.

ARL

1
p
(2.9)

donde p es la probabilidad de que un punto exceda los lmites de control. Para

el caso de 3-sigma p=0.0027 y el ARL0 = 370. Es decir que si el proceso est
en control, se generar un punto fuera de control como falsa alarma cada 370
puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces
aparecer una falsa alarma cada tiempo promedio de indicacin (ATS) en
horas.

ATS ARLh

(2.10)

En el ejemplo si se toman muestras cada hora, se genera una falsa alarma

cada 370 horas.
Para evaluar que tan efectiva es la carta para detectar corrimientos en la
media del proceso, se utilizan las curvas caractersticas de operacin. Por
ejemplo, si n=5 y la media se corre de 74.015mm, la probabilidad de que un
Pgina 100

punto caiga dentro de los lmites de control es aproximadamente 0.50, por

tanto utilizando p=0.50, se puede calcular el ARL 1 para una situacin fuera de
control como sigue:

ARL1

1
1

2
p 0 .5

Esto significa que el proceso requiere 2 muestras antes de detectar el

corrimiento. Si el muestreo se hace cada hora, el ATS = 2 h, si esto fuera
inaceptable, se podran tomar muestras ms frecuentes por ejemplo cada
media hora o incrementar el tamao de muestra. Si n=10, de la curva
caracterstica de operacin se observa que p=0.9 y el ARL 1 = 1.11 y el ATS =
1.11 h, lo cual puede ser ms aceptable.
En resumen las dos alternativas siguientes dan un resultado similar:
Diseo 1
n=5
Frec. Cada hora

Diseo 2
n = 10
Frec. cada hora.

Las muestras se toman de manera ms frecuente a la ocurrencia de cambios

en el proceso registrados en bitcoras (cambio de turno, cambio de materiales,
ajustes, fallas, etc.), con objeto de detectar las causas de situaciones fuera de
control.
Subgrupos racionales
La idea fundamental en las cartas de control es colectar los datos de la
muestra de acuerdo al concepto de subgrupo racional es decir que el subgrupo
debe seleccionarse de tal forma que si estn presentes causas asignables, la
diferencia entre los subgrupos sea maximizada, minimizando la diferencia
dentro del subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y
las restantes al inicio del siguiente ya que ocasiona diferencias dentro del
subgrupo.
Por lo anterior se recomienda tomar productos consecutivos de produccin
para formar la muestra (cuyo tamao puede ser entre 4 y 6), minimizando
diferencias dentro del subgrupo. En algunos procesos como los qumicos, es
suficiente tomar una sola unidad de producto como muestra, dado que existe
homogeneidad.
Anlisis de patrones en cartas de control
Una carta de control indicar una condicin fuera de control cuando uno o ms
puntos caigan ms all de los lmites de control o cuando los puntos graficados
formen un patrn no aleatorio de comportamiento.

Pgina 101

En general una racha o corrida es una secuencia de observaciones del mismo

tipo. Adems de las corridas ascendentes o descendentes, se encuentran las
que estn por debajo o sobre la media.
Dado que una corrida de 8 o ms puntos tiene una probabilidad de ocurrencia
muy baja, se considera que una racha o corrida con una longitud de 8 puntos
indica una condicin fuera de control.

Fig. 2.15 Proceso fuera de control por tendencias o corridas

Otro patrn de inestabilidad se presenta cuando el comportamiento del
proceso muestra patrones cclicos.
Para reconocer un patrn de comportamiento no slo se requiere conocer las
tcnicas estadsticas, sino tambin es necesario tener un conocimiento
profundo del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes
para detectar patrones no aleatorios en las cartas de control:
Un punto fuera de los lmites de control de 3-sigma.
Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma.
Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1sigma o ms all a partir de la lnea central.
Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son:
Siete puntos formando una tendencia creciente o decreciente.
Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea
central (adhesin a la media).
Catorce puntos en un rengln alternndose arriba y abajo.
Siete puntos que se encuentren ms all de 1-sigma de la lnea central.
Un patrn no usual o no aleatorio de datos.
Uno o ms puntos cerca de los lmites preventivos.
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se
pueden tener muchas falsas alarmas quitndole efectividad al programa del
CEP.
2.5 IMPLEMENTACIN DEL CEP
El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta
exitosamente, ya que permite la mejora continua a travs de la reduccin de la

Pgina 102

variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora
continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo,
as como evaluar los avances y comunicarlos a la organizacin, lo cual puede
motivar a mejorar otros procesos.
Los elementos recomendados para un programa de CEP exitoso son:
Liderazgo gerencial
Un enfoque de grupo de trabajo
Educacin y entrenamiento de empleados en todos los niveles
nfasis en la mejora continua
Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.

Pgina 103

3. CARTAS DE CONTROL POR VARIABLES

3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una
variable. Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las

X R

cartas de control de
son ampliamente utilizadas para monitorear la
media y la variabilidad de las variables, con objeto de evitar o minimizar que se
tengan productos fuera de especificaciones y estabilizar los procesos.

LIE
MEDIA

MEDIA
LSE

MEDIA Y DESV. ESTANDAR

ESTANDAR
EN NIVELES NORMALES
REQUERIDA

LSE

LIE
MEDIA CORRIDA

MEDIA

LSE

LIE

DESVIACION
MAYOR A LA

Fig. 3.1 Estados posibles de un proceso en control

3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
Asumiendo que una caracterstica de calidad est distribuida normalmente con
media y desviacin estndar ambas conocidas. Si x1, x2, .... xn forman una

muestra de tamao n entonces se puede calcular la media de la muestra

.
Ahora como las medias de las muestras estn normalmente distribuidas con

Xi

media
=/
, y siendo que la probabilidad 1- de que cualquier media
muestral caer entre los lmites:

Pgina 104

 Z / 2 X Z / 2

n
(3.1)

Z / 2 X Z / 2

Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero

si estable.
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras
preliminares o subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente.
Si se tienen m subgrupos, la gran media se calcula como sigue:
m

X
i 1

(3.2)

Representa la lnea central de la carta de medias.

Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos,
para cada uno de los subgrupos el rango es calculado como:
R = xmax xmin
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango
promedio es:
m

R
i 1

(3.4)

Pgina 105

DESARROLLO DE LA FORMULA PARA LOS LMITES DE CONTROL

La variable W de rango relativo relaciona al rango con la desviacin estndar
como sigue:
W=R/

(3.5)

Los parmetros de la distribucin de W son funcin de n. La media de W es d2.

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

es el rango promedio de las primeras

R
d2
(3.6)

Los lmites de control de la carta de medias son:

LSC X

3R
d2 n
Lmite superior de control (LSC)

LIC X

3R
d2 n
Lmite inferior de control (LIC)

(3.7)

Lnea central (LC)

A2
Si de define a

LSC =

LIC =

X
X

3R
d2 n
se tienen las ecuaciones siguientes:

+ A2

- A2

(3.8)

El valor de A2 se encuentra tabulado en una tabla de constantes.

Para el caso de los rangos, la lnea central es . El estimador para R puede

hallarse de la distribucin del rango relativo W = R / , si la desviacin
estndar de W es d3 en funcin de n, se tiene:

Pgina 106

R=W
La desviacin estndar de R es:
R = d3

(3.9)

Como es desconocida, se puede estimar de =

R d3

/ d2, resultando:

R
d2
(3.10)

De esta forma los lmites de control para el rango son:

LSC =
(3.11)

R
+3

d3

d3
+3

R
d2

R
d2
=

d3
d2
[ 1+ 3

d3
d2

] = D4

LIC =
-3
= -3
= [ 1- 3
] = D3
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en funcin de n
para facilitar el clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R

A2

D3

D4

d2

2
3
4
5
6
7
8
9
10

1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308

0
0
0
0
0
0.076
0.136
0.184
0.223

3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777

1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078

Para valores pequeos de n, el rango es un buen estimador de la varianza tal

como lo hace la varianza de la muestra S2. La eficiencia relativa del mtodo del
rango a la S2 se muestra abajo:
n

Eficiencia
Relativa

1.000
0.992
0.975
0.955
0.930
0.850

Pgina 107

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

Interpretacin de cartas de control

X R

Se debe iniciar con la interpretacin de la carta R, identificando causas

especiales y despus analizar la carta

. Adems de la situacin de un punto
fuera de control, se tienen otros patrones de anormalidad como los siguientes:
Patrones cclicos: Puede ser ocasionado por cambios ambientales, fatiga del
operador, o fluctuaciones en las presiones u otras variables del proceso.

Pgina 108

LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.

Pgina 109

LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioracin
gradual de herramientas u otro componente crtico del proceso, en los procesos
qumicos puede deberse a la separacin de algn componente.
LSC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Estratificacin: Se muestra como una adhesin a la media, puede ser causado
por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.
LSC
LC
LIC
Fig. 3.6 Patrn de anormalidad de estratificacin
Por lo general la carta R es ms sensible a cambios en la normalidad de los
procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
En resumen los patrones de anormalidad ms comunes son:
Un punto fuera de los lmites de control
Siete puntos formando una tendencia ascendente o descendente
Dos de tres puntos a ms de dos sigma de la lnea central en el mismo lado

Pgina 110

Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
Siete puntos en secuencia sobre o bajo la lnea central
Catorce puntos alternndose arriba y debajo de la media
Quince puntos dentro de una sigma de la lnea central en ambos lados
Cualquier otro patrn de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automvil, se desea
establecer un control estadstico para el dimetro interno de los anillos, a
travs de una carta de medias-rangos. Se toman 25 subgrupos de 5 piezas
cada uno.

El anlisis se inicia con la carta R ya que los lmites para la carta

dependen
de la variabilidad del proceso, y a menos que esta variabilidad se encuentre en
control, esos lmites tendrn poco significado.
De las cartas de control se calcula un rango promedio
tabla de constantes para D3 y D4 con n=5):

LICR =

de 0.023mm (ver

D3 = 0.023 (0) = 0

LSCR =

D4 = 0.023 (2.115) = 0.049

Si la carta de control para R se encuentra en control estadstico, se puede

ahora calcular los lmites para la carta

donde la lnea central
(ver tabla de constantes para obtener el valor de A 2 con n=5).

LSC =
LIC =

X
X

+ A2
- A2

es 74.001

= 74.001 + (0.577) (0.0023) = 74.014

= 74.001 - (0.577) (0.0023) = 73.988

Si no se observan condiciones fuera de control en la carta

. Si ambas
cartas estn en control, se puede concluir que el proceso est en control y se
pueden adoptar los lmites actuales para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensin crtica de una parte, con el
proceso corriendo normalmente, en 25 subgrupos de tamao n=5, uno cada
hora:

X11

X12

X13

X14

X15

Media
s

138.1
149.3

110.8
142.1

138.7
105.0

137.4
134.0

125.4
92.3

130.1
124.5

Pgina 111

Rango Desv.
s
Est.
27.9
57.0

12.1
24.7

115.9
118.5
108.2
102.8
120.4
132.7
136.4
135.0
139.6
125.3
145.7
138.6
110.1
145.2
125.9
129.7
123.4
144.8

135.6
116.5
123.8
112.0
84.3
151.1
126.2
115.4
127.9
160.2
101.8
139.0
114.6
101.0
135.3
97.3
150.0
138.3

124.2
130.2
117.1
135.0
112.8
124.0
154.7
149.1
151.1
130.4
149.5
131.9
165.1
154.6
121.5
130.5
161.6
119.6

155.0
122.6
142.4
135.0
118.5
123.9
127.1
138.3
143.7
152.4
113.3
140.2
113.8
120.2
147.9
109.0
148.4
151.8

117.4
100.2
150.9
145.8
119.3
105.1
173.2
130.4
110.5
165.1
151.8
141.1
139.6
117.3
105.0
150.5
154.2
142.7

129.6
117.6
128.5
126.1
111.1
127.4
143.5
133.6
134.6
146.7
132.4
138.2
128.6
127.7
127.1
123.4
147.5
139.4

39.1
30.0
42.7
43.0
36.1
46.0
47.0
33.7
40.6
39.8
50.0
9.2
55.0
53.6
42.9
53.2
38.2
32.2

16.2
11.1
17.7
17.9
15.2
16.7
20.2
12.3
15.9
17.9
23.2
3.6
23.5
21.8
16.0
20.7
14.4
12.1

Los clculos y grficas se hicieron utilizando

el paquete MINITAB y se muestran a continuacin.
Las cartas de control quedan como sigue:

Xbar-R Chart of X11, ..., X15

UCL=154.45
Sample Mean

150
140
__
X=130.88

130
120
110

LCL=107.31
1

11
Sample

13

15

17

19

UCL=86.40

Sample Range

80
60

_
R=40.86

40
20
0

LCL=0
1

11
Sample

13

Fig. 3.7 Cartas de control iniciales

Pgina 112

15

17

19

El proceso se observa en control estadstico, con estos lmites de control

calculados, se contina corriendo el proceso para otros 10 datos con el
comportamiento siguiente:
X11
X12
X13
X14
X15
Medias
Rangos Desv. Est.
131.0
184.8
182.2
143.3
212.8
170.82
81.8
33.2801
181.3
193.2
180.7
169.1
174.3
179.72
24.1
9.0461
154.8
170.2
168.4
202.7
174.4
174.1
47.9
17.5943
157.5
154.2
169.1
142.2
161.9
156.98
26.9
9.9693
216.3
174.3
166.2
155.5
184.3
179.32
60.8
23.222
186.9
180.2
149.2
175.2
185.0
175.3
37.7
15.2797
167.8
143.9
157.5
171.8
194.9
167.18
51
18.8798
178.2
186.7
142.4
159.4
167.6
166.86
44.3
17.1516
162.6
143.6
132.8
168.9
177.2
157.02
44.4
18.3454
172.1
191.7
203.4
150.4
196.3
182.78
53
21.5062

Xbar-R Chart of X11, ..., X15

1

Sample Mean

180

1
1

1
1

UCL=169.04

165

__
X=144.26

150
135
120

LCL=119.47

1
1

10

13

16
Sample

19

22

25

28

UCL=90.9
Sample Range

80
60
_
R=43.0

40
20
0

LCL=0
1

10

13

16
Sample

19

22

25

28

Fig. 3.8 Cartas de control con 10 puntos adicionales del proceso

Suponiendo que se identificaron las causas asignables responsables de los
puntos fuera de control identificados en la carta de medias y que se hicieron
ajustes al proceso para corregirlo, se tomaron otros diez datos con los
resultados siguientes:
X11
X12
X13
X14
X15
Medias
Rangos
131.5
143.1
118.5
103.2
121.6 123.6
39.9
111.0
127.3
110.4
91.0
143.9 116.7
52.9

Pgina 113

129.8
145.2
114.6
125.2
145.9
123.6
85.8
107.4

98.3
132.8
111.0
86.4
109.5
114.0
156.3
148.7

134.0
106.1
108.8
64.4
84.9
135.4
119.7
127.4

105.1
131.0
177.5
137.1
129.8
83.2
96.2
125.0

133.1
99.2
121.6
117.5
110.6
107.6
153.0
127.2

120.1
122.9
126.7
106.1
116.1
112.8
122.2
127.1

35.7
46.0
68.7
72.7
61.0
52.2
70.5
41.3

Las cartas de control quedan como sigue:

Xbar-R Chart of X11, ..., X15

160

Sample Mean

UCL=153.18
140
__
X=127.06
120

LCL=100.95

100
1

10

13

16
Sample

19

22

25

28

Sample Range

100

UCL=95.7

75
_
R=45.3

50
25
0

LCL=0
1

10

13

16
Sample

19

22

25

28

Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos

anormales
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales siguientes,
procesados con el paquete Minitab:

HORA

X1

X2

X3

X4

X5

Medias

Rangos

1
2
3
4
5
6
7
8
9

-30
0
-50
-10
20
0
0
70
0

50
50
10
-10
-40
0
0
-30
0

-20
-60
20
30
50
40
20
30
20

10
-20
30
-20
20
-40
-20
-10
-20

30
30
20
50
10
20
-10
0
10

8
0
6
8
12
4
-2
12
2

80
110
80
70
90
80
40
100
40

Pgina 114

10
11
12
13
14
15
16
17
18
19
20

10
40
30
30
30
10
0
20
10
50
50

20
0
20
-30
-10
-10
0
20
-20
-10
0

30
20
30
0
50
50
30
30
50
40
0

10
0
10
10
-10
40
-10
30
30
20
30

50
20
40
10
-30
0
0
-20
10
0
10

24
16
26
4
6
18
4
16
16
20
18

40
40
30
60
80
60
40
50
70
60
50

Las cartas de control quedan como sigue:

Xbar-R Chart of X1, ..., X5

UCL=47.53
Sample Mean

40
20

__
X=10.9

0
-20

LCL=-25.73
1

11
Sample

13

15

17

19

150
Sample Range

UCL=134.3
100
_
R=63.5

50

LCL=0
1

11
Sample

13

15

17

19

Fig. 3.10 Cartas de control iniciales

Se realizan pruebas de normalidad a las medias y a los rangos para ver si se
tienen un proceso normal:

Pgina 115

Probability Plot of Medias

Normal
99

Mean
StDev
N
AD
P-Value

95
90

10.9
8.065
20
0.355
0.425

Percent

80
70
60
50
40
30
20
10
5

-10

10
Medias

20

30

Fig. 3.11 a y b Prueba de normalidad en medias y rangos de un proceso estable

Probability Plot of Rangos
Normal
99

Mean
StDev
N
AD
P-Value

95
90

63.5
22.54
20
0.478
0.210

Percent

80
70
60
50
40
30
20
10
5

20

40

60
Rangos

80

100

120

e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso
est en Control Estadstico (en ambos casos el P value es mayor a 0.05).

Pgina 116

Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25

subgrupos con muestras de cinco partes cada cierto periodo (por
ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias
rangos con m = subgrupos, donde el rango se calcula tomando el valor
mayor menos el valor menor del subgrupo, con n = 5.
Por ejemplo:
Variable
s
X1
X2
X3
X4
X5
Media
Rango

Subgrup
o1
2
4
3
5
1
09:00
a.m.
3
4

Subgrup
o2
5
3
6
7
4
10:00
a.m.
5
4

Subgrup
om
3
4
1
5
2
11:00
a.m.
3
4

Se obtiene una media de medias X y un rango promedio R, para

proceder a determinar los lmites de control como sigue:
LSC =

+ 0.577x
R
X
LIC =
- 0.577x

Para el caso de los rangos, la lnea central es

para el rango son:
R
LSC = 2.114x
LIC = 0

los lmites de control

Se identifican situaciones fuera de control, se investigan las causas y se

toman acciones preventivas para prevenir la reincidencia y se recalculan
los lmites de control futuros.

Pgina 117

Figura 3.12 Carta de control X-R fuera de control

Despus de identificar las causas de las situaciones fuera de control en los
subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia,
se eliminan los subgrupos fuera de control y se recalculan los lmites de
control.
Xbar-R Chart of Supp2
UCL=602.247

Sample Mean

602
601

_
_
X=599.938

600
599
598

LCL=597.629
2

10
Sample

12

14

16

18

UCL=8.465

Sample Range

8
6

_
R=4.003

4
2
0

LCL=0
2

10
Sample

12

14

16

18

Figura 3.13 Carta de control de medias rangos X-R estable

.

Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por
equipos.

Pgina 118

PROMEDIOS

RANGOS

INICIALES

SUMA

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

INSTRUCCIONES

% Z Inf.:

CPK:

0.58 2.11

0.73 2.28

1.02 2.57

D3

B4

2.33 2.09

2.06 2.27

1.70 2.57

1.13 3.27

d2

CONSTANTES
D4
1.88 3.27

A2

F) Otro (indicar)

E) Fin de turno

D) Cambio de modelo

B3

C) Ajuste de lnea / mquina

B) Falta de material

produccin

A) Fin de corrida de

las siguientes claves:

se presentan el caso. Utilice

frecuencia indicada, si es que

de graficar de acuerdo a la

causas por las cuales se deja

subgrupo correspondiente, las

rengln, justo abajo del

4.- Indique en el ltimo

falla.

propuestas para corregir la

acciones realizadas o

grfica), as como las

bitcora (al reverso de la

del comportamiento en la

3.- Registre la (s) causa (s)

Manufactura.

supervisor o Ing. de

no es posible llame a su

causa del comportamiento. Si

2.- Investigue y corrija la

tendencias, adhesiones, etc).

de los lmites de control,

comportamiento ( puntos fuera

patrones anormales de

1.- Encierre en un crculo los

% NC:

% Z Sup.:

Cp. :

L.I.C. R

TIPO DE EVALUACIN

L.S.C. R

FRECUENCIA

MUESTRA

L.I.C.x

CALIBRADOR

L.S.C.x

CARACTERSTICA

MAQUINA

FECHA DE TERMINO

L.I.E.

OPERACIN

FECHA DE INICIO

L.S.E.

REA

No. DE GRAFICA

NOMINAL

No. DE PARTE

GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS

CAUSAS DE NO

FECHA
LECTURAS

UNIDADES

NOMBRE DE PARTE

HORA

Pgina 119

Capacidad o habilidad del proceso

Una vez que se tiene un proceso en control estadstico, se puede estimar su
capacidad o habilidad, tomando como referencia la desviacin estndar del
proceso estimada .
Ejemplo 3.3 (continuacin..)

R
d2

0.023
2.326

=
=
= 0.0099
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si
la especificacin de los anillos de pistones es de 74.000 0.05 mm, se tienen
como lmites inferior y superior de especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS)
se encuentran a 3-sigma del proceso por abajo y por arriba de la media del
proceso, o sea en:

LTNS =
LTNI =

X
X

+ 3 = 74.001 + 3 (0.0099) = 74.0307

- 3 = 74.001 - 3 (0.0099) = 73.9713

LIE LTNI
MEDIA
LTNS LSE
Fig. 3.14 Localizacin de Lmites de especificaciones y naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran
dentro de los lmites de especificacin, por tanto en principio no se observa
que haya partes fuera de especificaciones.
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o
PCR) siendo:

Cp =

LSE LIE
6

(3.12)

74.05 73.95
0.10

1.68
6(0.0099)
0.05984
Cp =
Pgina 120

Se pueden presentar tres casos:

Caso 1. Si Cp es menor que 1, implica que la banda entre los lmites de
tolerancia naturales es mayor que la banda permitida por los lmites de
especificacin.

LTNI LIE

LSE

LTNS

Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).

LIE
LNTI

LSE
LNTS

Caso 3. Si Cp es mayor que 1, implica que la banda entre los lmites de

tolerancia natural del proceso, es menor que la banda permitida por las
especificaciones.

Pgina 121

LIE LTNI

LTNS LSE

La fraccin de la banda de las especificaciones utilizada por el proceso se

estima como sigue:
CR = (1 / Cp) 100%
(3.13)
CR = (1 / 1.68) 100% = 59.2%
Es decir que el proceso utiliza aproximadamente el 60% de la banda
especificada.
Se puede estimar la fraccin de anillos no conformes producidos, con ayuda de
la distribucin normal, como sigue:
p = P { x < 73.950 } + P { x > 74.001 }

73.950 74.001
74.050 74.001

0.0099
0.0099

=
= (-5.15) + 1 - (4.04)

0 + 1 0.99998

0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln (ppm) de los anillos
producidos estarn fuera de especificaciones.

Pgina 122

Ejemplo 3.2 (continuacin...). Para la carta de control de las medias, despus

de haber eliminado las causas especiales y tomado acciones para prevenir su
recurrencia, se tiene el clculo de habilidad como sigue (considerando que los
lmites de especificacin son 85 y 175):

Process Capability of X11, ..., X15

LSL

USL
Within
Overall

Process Data
LSL
85
Target
*
USL
175
Sample Mean
127.063
Sample N
150
StDev(Within) 19.4626
StDev(Overall) 19.8965

Potential (Within) Capability

Cp
0.77
CPL 0.72
CPU 0.82
Cpk 0.72
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

60
Observed Performance
PPM < LSL 26666.67
PPM > USL
6666.67
PPM Total
33333.33

80

100

Exp. Within Performance

PPM < LSL 15338.42
PPM > USL
6888.71
PPM Total
22227.13

120

140

160

Exp. Overall Performance

PPM < LSL 17253.10
PPM > USL
7991.57
PPM Total
25244.67

Fig. 3.15 Capacidad de proceso del ejemplo 3.2

Pgina 123

180

0.75
0.70
0.80
0.70
*

Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad
del proceso, una vez estable (considerando que los lmites de especificacin
son -80 y +80):

Process Capability of X1, ..., X5

LSL

USL
Within
Overall

Process Data
LSL
-80
Target
*
USL
80
Sample Mean
10.9
Sample N
100
StDev(Within) 27.3001
StDev(Overall) 25.2301

Potential (Within) Capability

Cp
0.98
CPL 1.11
CPU 0.84
Cpk 0.84
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

-60
Observed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00

-30

Exp. Within Performance

PPM < LSL
434.76
PPM > USL 5684.82
PPM Total
6119.59

30

1.06
1.20
0.91
0.91
*

60

Exp. Overall Performance

PPM < LSL
157.38
PPM > USL 3083.22
PPM Total
3240.59

Fig. 3.16 Capacidad de proceso del ejemplo 3.3

Para el clculo de otros ndices que toman en cuenta la posicin de la media,
revisar el captulo de capacidad del proceso o el procedimiento de cartas X R.
REVISIN O RE-CLCULO DE LA LNEA CENTRAL Y LMITES DE CONTROL
Los lmites de control calculados como lmites preliminares, deben ser
revisados en forma peridica que puede ser por semana, mes o cada 25, 50 o
100 puntos dependiendo del proceso en particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la

media del proceso

se acerque cada vez ms a la media de las
especificaciones (en caso de ser bilaterales) o se aleje lo ms posible de la
especificacin (en caso de ser unilateral).

En cada carta de control

o R es necesario identificar las causas especiales
que originen condiciones fuera de control, tomar acciones correctivas para
prevenir su reincidencia, eliminar esos puntos tanto en la carta

Pgina 124

como en la

carta R y recalcular los lmites de control, para usarse en el control futuro del
proceso.
LMITES DE CONTROL, DE ESPECIFICACIN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relacin matemtica entre los
lmites de especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por
ingenieros de manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando
slo su variabilidad aleatoria y maximizando la posibilidad de detectar corridas
en la media del proceso en funcin del tiempo.

De esta forma la carta

monitorea la variabilidad entre subgrupos respecto al
tiempo y la carta R monitorea la variabilidad interna entre muestras en un
tiempo dado.
CAMBIO DE TAMAO DE MUESTRA
Cuando el proceso ya mostr estabilidad durante un periodo largo de tiempo,
es posible reducir el esfuerzo y costo de control a travs de reducir el tamao
de muestra. Los lmites de control se pueden recalcular sin tomar muestras
adicionales como sigue:

R ant

rango promedio para el tamao de subgrupo anterior

R nuevo

rango promedio para el tamao de subgrupo nuevo

nant = tamao de subgrupo anterior
nnuevo = tamao de subgrupo nuevo
d2 ant = factor d2 para el tamao de subgrupo anterior
d2 nuevo = factor d2 para el tamao de subgrupo nuevo

Los nuevos lmites de control para la carta

son (seleccionando A2 en base al
nuevo tamao de subgrupo nnueva , la lnea central no se cambia):
LSCX =
LICX =

X
X

R ant
+ A2 [d2 nuevo / d2 ant ]

(3.14)

R ant
- A2 [d2 nuevo / d2 ant ]

Para el caso de la carta R los nuevos lmites de control son (seleccionando D 3 y

D4 para el nuevo tamao de muestra nnueva):

R ant
LSCR = D4 [d2 nuevo / d2 ant ]

(3.15)

Pgina 125

LCR =

R nuevo

R ant
[d2 nuevo / d2 ant ]

R ant
LICR = max { 0, D3 [d2 nuevo / d2 ant ]

Si en Ejemplo 3.1 de trabajo se quisiera cambiar de n=5 a n=3, se tendra:

De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva = 1.693, A2 nueva =
1.023, por tanto los lmites nuevos son:
LSCX = 74.001 + (1.023) [ 1.693 / 2.326 ] (0.023) = 74.018
LICX = 74.001 - (1.023) [ 1.693 / 2.326 ] (0.023) = 73.984
Para la carta R, de la tabla de constantes para n=3 se tiene D 3 = 0, D4 = 2.578,
por tanto:
LSCR = (2.578) ) [ 1.693 / 2.326 ] (0.023) = 0.043
LICR = (0) ) [ 1.693 / 2.326 ] (0.023) = 0.0
LCR = [ 1.693 / 2.326 ] (0.023) = 0.017
LIM.SUP.NVO
LIMITES
ANTERIORES

CARTA

LIM.INF.NVO.
LIMITE SUP. ANT.
LIMITE SUP.NVO.
CARTA R
0
Fig. 3.17 Revisin de lmites de control cambiando de n=5 a 3
Como se puede observar el efecto de reducir el tamao de muestra hace que

se incremente el ancho de los lmites de control en la carta X (porque

es
ms pequeo con n=5 que con n=3) y se reduzca la media de R y su lmite
superior en la carta R.
La curva caracterstica de operacin

Pgina 126

X R

La habilidad de las cartas de control

para detectar corrimientos en la
media del proceso es indicada por su curva caracterstica de operacin (OC).
Su determinacin se muestra a continuacin.

Si en la carta para
se conoce la desviacin estndar del proceso y es
constante, cuando la media del proceso 0 cambia a otro valor 1 = 0 + k , la
probabilidad de no detectar el cambio en la primera muestra subsecuente es el
riesgo , donde:
= P { LIC <=

<= LSC 1 = 0 + k }

(3.16)
dado que

N (, 2/n) y que los lmites de control son:

n
LSC = 0 + L /

(3.17)

n
LIC = 0 - L /

La probabilidad de que un punto de

i caiga dentro de lmites de control
sabiendo que la media del proceso ya es 1, es igual a la probabilidad de que el
punto se encuentre abajo del lmite superior (LSC) menos la probabilidad de
que se encuentre abajo del lmite inferior de control (LIC). Considerando la
desviacin Estndar de las medias, o sea:
+
LSC
( ZLSC, x)

Xi
LC
( ZLIC, x)

LIC
-
Fig. 3.18 Clculo del error Beta o tipo II

LSC ( 0 k )

/ n

Entonces =

LIC ( 0 k )

/ n

0 L / n ( 0 k )

/ n

0 L / n ( 0 k )

/ n

Pgina 127

(3.18)

Donde es la distribucin normal acumulativa. La expresin anterior se reduce

a:

n
=(Lk
(3.19)

n
)-(-Lk

X R

Ejemplo 3.4 Para una carta

con L=3 (lmites a 3-sigma de medias),
tamao de muestra n=5, y se desea determinar el corrimiento a 1 = 0 + 2
en la primera muestra subsecuente al corrimiento de la media del proceso, se
tiene:

5
=(32
)-(-32
= (-1.47) - (-7.37)
= 0.0708

5
)

Este es el riesgo o la probabilidad de no detectar tal corrimiento. La

probabilidad de s detectarlo es 1- =
= 1 0.0708 = 0.9292.
Con las frmulas anteriores se construyen las curvas caractersticas de
operacin para diferentes valores de n en funcin de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene que = 0.75 y la
probabilidad de detectar el corrimiento en la segunda muestra se calcula como
(1- ) = 0.19, y as sucesivamente. La longitud de la corrida media es el
nmero esperado de muestras antes de que el corrimiento sea detectado, se
denomina ARL o :

1
1
ARL =
(3.20)
En este caso
ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar
cuatro muestras antes de detectar un corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribucin del
rango relativo W=R/. Si el valor de la desviacin estndar cuando el proceso
est en control es 0, entonces la curva OC muestra la probabilidad de no
detectar un corrimiento a un nuevo valor 1, donde 1>0 , en la primera
muestra despus del corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de
detectar este corrimiento en cada muestra subsecuente. Por tanto la carta R

Pgina 128

tiene poca sensibilidad de detectar pequeos corrimientos en sigma, para cual

se debe usar la carta S con n>10.
LONGITUD DE CORRIDA MEDIA
La longitud de corrida media para la carta de Shewhart cuando el proceso est
en control es:
ARL = 1 / P ( un punto fuera de control) = ARL 0 = 1 /
(3.21)
Cuando el proceso est fuera de control es:
ARL1 = 1 / ( 1 - )

(3.22)

De las grficas de ARL anexas, se observa que para detectar un corrimiento de

1.5 con n=3, se requiere un ARL1 = 3. Se puede reducir el ARL 1 a 1 si se
incrementa la n=16.
3.3 CARTAS DE CONTROL PARA

yS

Estas cartas de control son recomendadas cuando:

El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango
pierde eficiencia por no tomar en cuenta valores intermedios).
El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en
lugar del rango R en cada subgrupo se calcula la desviacin estndar S.

Pgina 129

Xbar-S Chart of X1, ..., X5

UCL=46.91
Sample Mean

40
20

__
X=10.9

0
-20

LCL=-25.11
1

11
Sample

13

15

17

19

60

Sample StDev

UCL=52.71
45
30

_
S=25.23

15
0

LCL=0
1

11
Sample

13

15

17

19

Figura 3.19 Ejemplo de carta X-S

S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es
un estimador insesgado de . Si la distribucin es normal, entonces S estima a
c4 donde c4 es una constante que depende del tamao de muestra n. Adems

1 c4
la desviacin estndar de S es

2
c4

n 1

1/ 2

(n / 2)
(( n 1) / 2)
(3.18)

CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta

y S, cuando se conoce el valor de dado que existe un historial.

Para la carta S se tiene:

Para la carta X se tiene:

1 c4
LSCs = c4 + 3
(3.20)
LCs
= c 4

= B6

LSCX = + A
LC =

1 c4
LICs = c4 - 3

= B5

LICX = - A

Pgina 130

Los valores para las constantes se encuentran tabuladas para diferentes

valores de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se
puede estimar utilizando diversas muestras m con datos histricos, donde se
obtenga la desviacin estndar en cada una de ellas y se promedien.

1 m
Si
m i 1
(3.21)
__

S
c4
(3.22)

Como el estadstico /c4 es un estimador insesgado de , los parmetros de la

carta sern los siguientes:

S 3

S
1 c 42
c4

LSCs =

S
= B4

(3.23)

S
LCs =

S 3

S
1 c 42
c4

LICs =

S
= B3

Para el caso de la carta

, cuando
control para esta carta son:

/c4 se una para estimar los lmites de

Pgina 131

LSCx =
(3.24)
LCx =

c4 n

S
+ A3

X
3

LICx =

S
c4 n

S
- A3

Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la

tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S

c4

A3

B3

B4

B5

B6

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896

1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6

1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606

0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565

2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435

0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559

1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42

CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de
las medias y de las desviaciones estndar como sigue:

Pgina 132

n X
i

i 1
m

i 1

(n

(3.25)

1/ 2

1) S
2
i

ni m
i 1

Ejemplo 3.4 Para una carta X-S con lmites

siguientes, corriendo en Minitab:
Muestr
Muestr
Datos a
Datos a
Datos
74.030 1
74.000 7
73.994
74.002 1
73.985 8
74.000
74.019 1
74.003 8
73.984
73.992 1
73.993 8
74.012
74.008 1
74.015 8
74.014
73.995 2
73.998 8
73.998
73.992 2
74.008 9
74.000
74.001 2
73.995 9
73.984
73.998 3
74.009 9
74.005
74.024 3
74.005 9
73.998
74.021 3
73.998 10
73.996
74.005 3
74.000 10
73.994
74.002 3
73.990 10
74.012
74.002 4
74.007 10
73.986
73.996 4
73.995 10
74.005
73.993 4
73.994 11
74.006
74.015 4
73.998 11
74.010
74.009 4
73.994 11
74.018
73.992 5
73.995 11
74.003
74.007 5
73.990 11
74.000
74.015 5
74.004 12
73.984
73.998 5
74.000 12
74.002
74.014
74.009
73.994
73.997

5
6
6
6

74.007
74.000
73.996
73.983

12
12
12
13

74.003
74.005
73.997
74.000

(3.26)
variables, se tomaron los datos
Muestra
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
18
19
19
19
19
19
20

Pgina 133

Datos
74.009
74.005
73.996
74.004
73.999
73.990
74.006
74.009
74.010
73.989
73.990
74.009
74.014
74.015
74.008
73.993
74.000
74.010
73.982
73.984
73.995
74.017
74.13

Muestra
21
21
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25
25
25
25
25

73.985
73.995
74.006
73.994

6
7
7
7

74.002
73.998
74.006
73.967

13
13
14
14

74.010
74.013
73.998
74.001

20
20
21
21

Xbar-S Chart of Datos

UCL=74.02046

Sample Mean

74.02
74.01

__
X=74.0009

74.00
73.99

LCL=73.98134

73.98
1

11

13
Sample

15

17

19

21

23

25

Sample StDev

0.024

UCL=0.02403

0.018
0.012
_
S=0.00736

0.006
0.000

LCL=0
1

11

13
Sample

15

17

Tests performed with unequal sample sizes

Fig. 3.20 Ejemplo de carta X-S con lmites variables

Pgina 134

19

21

23

25

Ejemplo 3.5 Otro ejemplo con n variable, la

tanto los lmites de control son:

S
= 74.001 y la

= 0.0098, por

LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0

n
Como mtodo alterno para n variable se puede utilizar la

si no hay mucha

n
variacin entre los diferentes tamaos de muestra (dentro de

25%).

ESTIMACIN DE

El valor de la desviacin estndar puede ser estimado del valor de

sigue:

S
como

S
c4

Para el ejemplo:

S
c4
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para n=5.

Existe una variante de las cartas de medias-desviacin estndar denominadas

cartas de medias-varianza.

Pgina 135

3.4 CARTAS PARA LECTURAS INDIVIDUALES

Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
Cuando hay inspeccin automtica de piezas individuales.
La tasa de produccin es muy baja y no es inconveniente tomar muestras de
ms de una pieza.
Las mediciones entre unidades muestra difieren muy poco (slo por errores de
medicin de laboratorio) como en procesos qumicos.
En plantas de proceso como las de papel, el espesor de los acabados tiene una
variabilidad muy baja a travs del rollo.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los
rangos mviles se empiezan a calcular a partir de la segunda muestra como

MR i

X i X i 1

=
.
Para este caso, los lmites de control para la carta X son:

X 3

MR
d2

LSCx =
__

LCx =

(3.27)

X 3

MR
d2

LICx =
n=2

Ejemplo 3.6 Se toman varios datos de viscosidades y se construye una carta de

lecturas individuales, donde el rango se calcula tomando cada dos valores
consecutivos, por tanto el valor de n = 2 y habr (m 1) rangos en total. Con
m = nmero de subgrupos.
Lote
1
2
3
4
5
6
7
8

Viscocida
d
33.75
33.05
34.00
33.81
33.46
34.02
33.68
33.27

Pgina 136

9
10
11
12
13
14
15

33.49
33.20
33.62
33.00
33.54
33.12
33.84

I-MR Chart of Viscocidad

I ndividual Value

UCL=34.802
34.5
34.0
_
X=33.523

33.5
33.0
32.5

LCL=32.245
1

7
8
9
Observation

10

11

12

13

14

15

Moving Range

1.6

UCL=1.571

1.2
0.8
__
MR=0.481

0.4
0.0

LCL=0
1

7
8
9
Observation

10

11

12

13

14

15

Fig. 3.21 Carta de lecturas individuales o rango mvil (I-MR)

El proceso est en control estadstico.

Ejemplo 3.7: Se toman varios datos de edades y se construye una carta

de lecturas individuales, donde el rango se calcula tomando cada dos
valores consecutivos, por tanto el valor de n = 2 y habr (m 1) rangos
en total. Con m = nmero de valores individuales.

Pgina 137

Por ejemplo:
Valores
individuales
23
15
11
24
38
19

Rango
8
4
13
14
19

Al final se hace un promedio de los valores individuales X y un promedio

de rangos mviles R y los lmites de control para la carta I-MR se
calculan con las frmulas siguientes:
LSCx X (2.66 * R )
Para la carta I:

LICr 0

LICx X (2.66 * R )
LSCr 3.27 * R

y para la carta R:
I-MR Chart of Supp1
1

UCL=601.176

I ndividual Value

601

600

_
X=599.548

599

598

LCL=597.920
1

10

20

30

40

50
60
Observation

70

80

90

100

Moving Range

2.4
1

UCL=2.000

1.8
1.2

__
MR=0.612

0.6
0.0

LCL=0
1

10

20

30

40

50
60
Observation

70

80

90

100

Figura 3.22 Carta de control I-MR. El proceso no est en control

estadstico.
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por
equipos.

Pgina 138

RANGOS

INICIALES

LECTURAS

UNIDADES

10

11

12

13

14

L.S.C.x

15

16

17

L.I.C.x

18

19

CARACTERSTICA

20

21

22

23

24

25

T. MUESTRA

L.S.C. R

CALIBRADOR

26

L.I.C. R

27

28

29

30

FRECUENCIA TIPO DE EVALUA.

INSTRUCCIONES

% Z Inf.:

CPK:

CONSTANTES

F) Otro (indicar)

E) Fin de turno

D) Cambio de modelo

C) Ajuste de lnea / mquina

B) Falta de material

A) Fin de corrida de produccin

el caso. Utilice las siguientes claves:

frecuencia indicada, si es que se presentan

las cuales se deja de graficar de acuerdo a la

del subgrupo correspondiente, las causas por

4.- Indique en el ltimo rengln, justo abajo

o propuestas para corregir la falla.

la grfica), as como las acciones realizadas

comportamiento en la bitcora (al reverso de

3.- Registre la (s) causa (s) del

supervisor o Ing. de Manufactura.

comportamiento. Si no es posible llame a su

2.- Investigue y corrija la causa del

adhesiones, etc).

de los lmites de control, tendencias,

anormales de comportamiento ( puntos fuera

1.- Encierre en un crculo los patrones

% NC:

% Z Sup.:

Cp. :

3.27

2.67 1.13 0

MAQUINA

L.I.E.

OPERACIN

FECHA DE TERMINO

E2 D2 D3 D4

REA

FECHA DE INICIO

No. DE GRAFICA

GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES

L.S.E.

No. DE PARTE

NOMINAL

NOMBRE DE PARTE

FECHA

VALORES

HORA

Pgina 139

3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS

Las cartas por atributos tiene la ventaja que consideran varias caractersticas a
la vez clasificando la unidad como conforme o no conforme, si no cumple
alguna de esas caractersticas. Por otra parte si esas caractersticas se
controlan como variables, debe llevarse una carta de control para cada una de
esas caractersticas, lo cual es ms laborioso, otra alternativa es el C.E.P.
multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las
de atributos, tal como la media del proceso y su variabilidad, tambin
proporcionan informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan
situaciones fuera de control, antes de que se produzcan artculos no
conformes, lo que no sucede con las cartas por atributos hasta que el proceso
genere ms disconformes.

LIE

1
2
Reaccin de carta X-R

3
LSE
Reaccin de carta p

Fig. 3.23 Comparacin de sensibilidad entre cartas de control

Tal vez la ventaja ms importante de la carta X-R es que proporciona un
indicador de inicio de problemas y permite al personal operativo tomar
acciones correctivas antes que se produzcan defectivos realmente, de esta
forma las cartas X-R son indicadores gua de falla, mientras que las cartas p (o
c o u) no reaccionan a menos que el proceso haya cambiado tanto que se
produzcan ms defectivos.
En la figura, cuando la media del proceso esta en 1 se producen pocas no
conformidades, si la media del proceso se corre hacia arriba, cuando llegue a 2
la carta X-R habr mostrado un patrn anormal o puntos fuera de control para
tomar acciones correctivas, mientras que la carta p no reaccionar hasta que la
media del proceso se haya recorrido hasta 3, o hasta que el nmero de
unidades no conformes producidas se haya incrementado. Por tanto las cartas
X-R son ms poderosas que las cartas p.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p
requiere un tamao de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman ms tiempo. Esta consideracin es
importante para el caso de pruebas destructivas.

Ejemplo 3.8 Si el proceso se controla con una carta

, donde el valor medio de
la caracterstica de calidad es 50 y la desviacin estndar es 2, para lmites de
3-sigma y especificaciones LIE=44 y LSE=56, cuando el proceso est en
control en el valor nominal de 50, la fraccin no conforme es 0.0027.
Pgina 140

Suponiendo que la media del proceso del proceso se corre a 52, la fraccin
defectiva producida ser aproximadamente 0.0202, si se desea que la
probabilidad de detectar este corrimiento en la siguiente muestra subsecuente
sea del 0.50, entonces el tamao de muestra en la carta
cumpla que el LSC sea 52 o sea:

50

debe ser tal que se

3( 2)
52
n

donde n=9,
Si se utiliza una carta p entonces el tamao de muestra requerido para tener la
misma probabilidad de detectar el corrimiento es:

p(1 p)

Con k = 3, que es el ancho de los lmites de control, p = 0.0027 y es la

magnitud de incremento en fraccin defectiva o sea = 0.0202 0.0027 =
0.0175, de esta forma,
n = 79.23 80
Donde se observa que a menos que el costo de medir 9 muestras sea mayor
que 9 veces el costo de inspeccin por atributos, las carta
econmica de aplicar.

es ms

GUA PARA IMPLEMENTAR CARTAS DE CONTROL

Se sugiere lo siguiente:
Determinar cual es la caracterstica a controlar.
Seleccionar un tipo de carta de control.
Identificar el proceso donde se implantarn las cartas de control.
Tomar acciones para mejorar el proceso, como resultado de la aplicacin de la
carta de control.
Seleccionar el sistema de coleccin de datos y software de C.E.P.
SELECCIN DE LA CARTA DE CONTROL ADECUADA
Se prefiere una carta por variables en las situaciones siguientes:
Se inicia un proceso o producto nuevo.
El proceso ha estado mostrando un comportamiento inconsistente en forma
crnica.
Se requieren pruebas destructivas.
Se desea economizar el control cuando el proceso es estable.
Existen tolerancias muy cerradas u otros problemas de manufactura.
Pgina 141

El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.

Se debe presentar evidencia de estabilidad y de capacidad como en industrias
reguladas.
Se prefiere una carta por atributos en las situaciones siguientes:
Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
El proceso es una operacin de ensamble compleja y la calidad se evala por la
ocurrencia de no conformidades (computadoras, autos, etc.).
Es necesario un control del proceso, pero no se pueden hacer mediciones.
Se requiere un historial del desempeo del proceso para revisin ejecutiva.
Cartas de control por lecturas individuales
Es inconveniente o difcil obtener ms de una medicin por muestra, o la
repeticin de muestras slo mostrar errores de medicin de laboratorio, tal
como ocurre en proceso qumicos.
Se cuenta con inspeccin automatizada de cada unidad de producto. Para estos
casos tambin se deben considerar las cartas de sumas acumuladas o de
media mvil ponderada.
Los datos disponibles son muy lentos en el tiempo, por ejemplo datos
contables mensuales.
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES
Algunas de las aplicaciones de las cartas de control por variables son:
Mejora de procesos de proveedores. Reducir su variabilidad a travs de centrar
su proceso y tomar acciones correctivas.
Seleccin de equipo productivo a travs de demostracin de su capacidad
antes de su embarque.
Corridas cortas en talleres de manufactura. Se controla la desviacin respecto
a la media especificada, de una caracterstica especfica de calidad para
diferentes productos similares.
Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay
especificaciones, (2) se requiere ms imaginacin para aplicar las cartas de
control. Se usan por ejemplo para reducir el tiempo de proceso de las cuentas
por pagar (pago de cheques).
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL
Las constantes para lmites de control en las cartas X-R son:

A2

D3

D4

d2

2
3
4
5
6
7

1.88
1.023
0.072
0.577
0.483
0.419

0
0
0
0
0
0.076

3.267
2.574
2.282
2.115
2.004
1.924

1.128
1.693
2.059
2.326
2.534
2.704

Pgina 142

8
9
10

0.373
0.337
0.308

0.136
0.184
0.223

1.864
1.816
1.777

2.847
2.97
3.078

c4

A3

B3

B4

B5

B6

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896

1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6

1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606

0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565

2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435

0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559

1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42

Pgina 143

4. CARTAS DE CONTROL PARA ATRIBUTOS

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

Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o

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

Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no
conformidades, que pueden ser corregidas con retrabajo o no se pueden
corregir y ser desperdicio.

Pgina 144

4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p

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

pi

Di
ni
(4.1)

La distribucin de este estadstico sigue la distribucin binomial por tanto:

__

p
(4.2)

2p

p(1 p )
n

(4.3)

Del modelo general para la carta de control de Shewhart, si w es un estadstico

w2
que mide una caracterstica de calidad, con media w y varianza
lmites de control son:
LSC = w + Lw
LC = w
LIC = w - Lw

, los

(4.4)

Donde L es la distancia de la lnea central hasta los lmites de control, es

comn usar L = 3.
Por tanto los lmites de control de la carta p considerando L = 3 son:
__

__

p(1 p )
p 3
n

__

LSCp =
__

LCp =

(4.5)

Pgina 145

__

__

p(1 p )
p 3
n

__

LICp =
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin

pi
defectiva

y se grafca en la carta, mientras no se observe ningn patrn

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

i = 1, 2, 3,....., m

(4.6)

y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m

Di
i 1

mn

p
i 1

(4.7)

p
El estadstico
control son:

estima la fraccin desconocida p, y los lmites preliminares de

LSC p p 3

p (1 p )
n
(4.5) anterior

LC p p

LIC p p 3

p(1 p )
n

Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 146

recurrencia, los puntos correspondientes a la situacin fuera de control se

eliminan y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6
oz., se inspecciona cada caja y se inspecciona el sello para evitar fugas, se
lleva una carta de control para tomar acciones y mejorar el desempeo de la
maquina selladora.
Para establecer la carta de control, se toman 30 muestras de 50 piezas cada
una en intervalos de una hora.
Defect
Defect
Hora
os
Hora
os
1
12
16
8
2
15
17
10
3
8
18
5
4
10
19
13
5
4
20
11
6
7
21
20
7
16
22
18
8
9
23
24
9
14
24
15
10
10
25
9
11
5
26
12
12
6
27
7
13
17
28
13
14
12
29
9
15
22
30
6

p
Como en total se encontraron 347 cajas no conformes, se estima
sigue:
m

D
i 1

mn

p
i 1

347
(30)(50)

=
= 0.2313
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524

Pgina 147

como

P Chart of Defectos
0.5

1
1

UCL=0.4102

Proportion

0.4

0.3
_
P=0.2313
0.2

0.1
LCL=0.0524
0.0
1

10

13

16
Sample

19

22

25

28

Figura 4.1 Carta de control p fuera de control

De la carta de control se observa que las muestras 15 y 23 estn fuera de los
lmites de control, de tal forma que el proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la muestra 15
corresponde a el cambio de un nuevo lote de cajas el cual fue diferente y que
la muestra 23 corresponde a un operador sin experiencia asignado
temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de las causas
anteriores y calculando nuevos lmites preliminares con los puntos 15 y 23
eliminados, se tiene con Minitab:
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407

Pgina 148

P Chart of Defectos
1

0.4

UCL=0.3893

Proportion

0.3
_
P=0.215

0.2

0.1
LCL=0.0407
0.0
1

10

13
16
Sample

19

22

25

28

Figura 4.2 Carta de control p fuera de control en un punto

En la grfica de lmites revisados, se observa que la muestra 20 excede el
lmite superior de control, sin embargo no se encontr una causa asignable, por
tanto se retiene este punto para el clculo de los lmites preliminares. Tampoco
se observan patrones de anormalidad, la mayor racha o corrida tiene 5 puntos
sobre la lnea central, lo cual no representa una situacin fuera de control.
De esta forma se concluye que el proceso est en control a una p = 0.2150
adoptando los lmites preliminares para control futuro.

Pgina 149

P Chart of Defectos
0.4

UCL=0.3804

Proportion

0.3

_
P=0.2081

0.2

0.1
LCL=0.0359
0.0
1

10

13
16
Sample

19

22

25

Figura 4.3 Carta de control p en control estadstico

Se observa que a pesar de que el proceso est en control, no se tienen
presentes problemas controlables por el operador, por tanto las causas de
variabilidad son comunes y su reduccin depende slo del control de la
administracin, una vez que interviene e Ingeniera realiza una serie de ajustes
a la mquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los
siguientes 3 turnos, la grfica se hizo utilizando Minitab:
Se observa que la p media del proceso
mejor atencin de los operadores.

ha mejorado con los ajustes y una

Pgina 150

Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3

turnos, difiere de la fraccin no conforme preliminar, con el procedimiento de
prueba de hiptesis:
H0:
H1:

p1 = p 2
p1 > p 2

Donde p1 es la fraccin no conforme de los datos preliminares

p1
(p1 =
= 0.2182) y p2 es la fraccin no conforme del periodo actual. Para
estimar p2 se toman las ltimas 24 muestras o sea:
m

p2

i 31

mn

133
133

0.1108
(50)( 24) 1200

i 31

El estadstico de prueba aproximado para probar la hiptesis anterior es:

Z0

p1 p 2
n1 n 2
p (1 p )

n1n 2

n1 p1 n2 p 2
n1 n 2

con
por tanto:

(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200

Z0

0.2150 0.1108

1
1
(0.1669)( 0.8331)

1400 1200

7.10

Para un nivel de significancia del 0.05 en la distribucin normal, se encuentra

que:
Z0 = 7.10 > Z.05 = 1.645
Por tanto se rechaza la hiptesis Ho concluyendo que hubo una reduccin en la
fraccin defectiva promedio del proceso.
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Pgina 151

Continuando con el ejemplo, usando los nuevos lmites de control, para las
siguientes 40 muestras se observa una mejora del proceso, dentro de control.
Es muy importante que para identificar fcilmente las causas asignables, se
lleve una bitcora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.

Figura 4.4 Carta de control p con nuevos puntos tomados

Pgina 152

Diseo de la carta de control

Determinacin del tamao de muestra:
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de
encontrar al menos una unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de hallar al menos una
unidad no conforme sea al menos 0.95, si D es el nmero de artculos no
conformes, entonces:
P{ D >= 1 }>= 0.95
Con la distribucin de Poisson se encuentra que = np debe ser mayor a 3.00,
por tanto si p = 0.01, implica que el tamao de muestra debe ser al menos de
300.
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la
media de un proceso en una cierta cantidad.
Asumiendo que la distribucin normal es una buena aproximacin a la
binomial, se selecciona n de tal forma que el lmite superior de control coincida
con la fraccin defectiva en el estado fuera de control.
Entonces n debe satisfacer:

p(1 p )
n
(4.8)

Donde L es la distancia de la lnea central a los lmites de control en

desviaciones estndar, por tanto,

L
n

p(1 p)
(4.9)

Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de detectar un

corrimiento a p = 0.05 sea de 0.50, entonces = 0.05 0.01 = 0.04 y si L = 3sigma, se tiene:

n=

(0.01)( 0.99) 56
0.04

Pgina 153

Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en
seleccionar n tan grande de tal forma que el lmite inferior tenga un valor
positivo, para poder investigar la causa de generacin de muy bajas cantidades
de artculos defectuosos con objeto de identificar errores de inspeccin o de los
equipos de medicin. Se tiene:

LIC p p L

p (1 p )
0
n
(4.10)

Implica que,

(1 p ) 2
L
p
(4.11)

Ejemplo 4.4, si p = 0.05 y se tienen lmites de control a 3-sigma, el tamao de

muestra ser:

0.95 2
(3) 171
0.05

Si n>171 unidades, la carta de control tendr un lmite inferior de control

positivo.
Es importante notar que la carta de control p se basa en la distribucin normal,
es decir que la probabilidad de ocurrencia de artculos defectivos es constante
y que las unidades producidas son independientes. Si no es el caso, se debe
desarrollar una carta de control basada en el modelo de probabilidad
adecuado.

Ejemplo 4.3 Para un servicio de mantenimiento se tomaron datos de 30

muestras de 50 servicios contabilizando las quejas en cada uno como
sigue:
Servicio

No
conformes

Servicio

No
conformes

Servicio

No
conformes

1
2
3
4
5
6
7
8
9
10

12
15
8
10
4
7
16
9
14
10

11
12
13
14
15
16
17
18
19
20

5
6
17
12
22
8
10
5
13
11

21
22
23
24
25
26
27
28
29
30

20
18
24
15
9
12
7
13
9
6

Pgina 154

Como en total se encontraron 347 quejas o servicios no conformes, se

p
estima como sigue:
m

Di
i 1

mn

p
i 1

347
(30)(50)

=
= 0.2313
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524

Fig. 4.4a. Carta de control P para la fraccin de servicios no conformes.

Ejercicio Hacer una carta de control P por atributos.

Pgina 155

Pgina 156

4.3 CARTA DE CONTROL np

En lugar de tener fracciones no conformes, si el tamao de muestra es
constante, se pueden utilizar directamente el nmero de artculos defectivos o
no conformes np, para evitarle operaciones aritmticas al operador, los
parmetros de esta carta son:

LSC np np 3 np (1 p)

LC np np
(4.12)

LIC np np 3 np (1 p)

p
Si no se conoce el valor de p, se puede estimar con la .
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los ltimos 39 datos de las cajas de concentrado de jugo de
naranja, se tiene:

NP Chart of Defectos
20

UCL=19.02

Sample Count

15

__
NP=10.41

10

5
LCL=1.80
0
1

10

13
16
Sample

19

22

25

Figura 4.5 Carta de control np en control estadstico con lmites de control

constantes
4.4 TAMAO DE MUESTRA VARIABLE

Pgina 157

En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin

100% de los lotes producidos en un periodo de tiempo, por tanto la muestra
ser variable. Se tiene varios mtodos para llevar una carta de control:
Mtodo 1. Lmites variables
Se calculan lmites de control para cada muestra en base en la fraccin

p 3 p (1 p) / ni
defectiva promedio p y su tamao de muestra con
. La
amplitud de los lmites es inversamente proporcional a la raz cuadrada del
tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin diaria,
registrando la produccin total y los defectivos del da.

n-var

nodef

Fradef

100

12

0.12

80

0.1

80

0.075

100

110

10

110

12

0.09
0.0909
09
0.1090
91

100

11

0.11

100

16

90

10

90

110

20

0.16
0.1111
11
0.0666
67
0.1818
18

120

15

0.125

120

120

110

0.075
0.0666
67
0.0545
45

LSC

LIC

Des-est

0.1836 0.0073 0.02939

86
35
18
0.1940 0.0030 0.03286
93
7
11
0.1940 0.0030 0.03286
93
7
11
0.1836 0.0073 0.02939
86
35
18
0.1795 0.0114 0.02802
82
38
4
0.1795 0.0114 0.02802
82
38
4
0.1836 0.0073 0.02939
86
35
18
0.1836 0.0073 0.02939
86
35
18
0.1884 0.0025 0.03098
55
65
17
0.1884 0.0025 0.03098
55
65
17
0.1795 0.0114 0.02802
82
38
4
0.1760 0.0150 0.02683
03
17
1
0.1760 0.0150 0.02683
03
17
1
0.1760 0.0150 0.02683
03
17
1
0.1795 0.0114 0.02802
82
38
4
Pgina 158

80

80

10

80

90

100

100

100

100

10

90

0.1940 0.0030 0.03286

0.1
93
7
11
0.1940 0.0030 0.03286
0.125
93
7
11
0.1940 0.0030 0.03286
0.0875 93
7
11
0.0555 0.1884 0.0025 0.03098
56
55
65
17
0.1836 0.0073 0.02939
0.08
86
35
18
0.1836 0.0073 0.02939
0.05
86
35
18
0.1836 0.0073 0.02939
0.08
86
35
18
0.1836 0.0073 0.02939
0.1
86
35
18
0.0666 0.1884 0.0025 0.03098
67
55
65
17

La fraccin defectiva media se calcula como sigue:

25

i 1
25

234
0.096
2450

i 1

Y los lmites de control se calculan como sigue:

p 3 p 0.096 3

(0.096)( 0.904)
ni

LSCp=
LC = 0.096

p 3 p 0.096 3

(0.096)(0.904)
ni

LICp=

Pgina 159

NP Chart of nodef
1

20

UCL=16.94
Sample Count

15

10

__
NP=8.58

LCL=0.22

0
1

11
13 15
Sample

17

19

21

23

Tests performed with unequal sample sizes

Figura 4.6 Carta de control np en control estadstico con lmites de

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

n
i 1

2450
98
25

Con lmites de control basados en

p 3 p 0.096 3

n 98

(0.096)(0.904)
0.185
98

LSCp=
LC = 0.096
Pgina 160

p 3 p 0.096 3

(0.096)(0.904)
0.007
98

LICp=
Otra vez de la grfica se observa que el punto 11 est fuera de control.
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En
la carta de control estandarizada, la lnea central es cero y los lmites de
control estn a +3 y 3 respectivamente, la variable a graficar en la carta es:

pi p
p (1 p )
ni

Zi

(4.13)

p
donde p (o si no hay estndar) es la fraccin defectiva media del proceso en
su condicin de control estadstico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada,
por medio de Minitab.

Pgina 161

I-MR Chart of Z-Estand

1

I ndividual Value

3.0

UCL=2.871

1.5
_
X=-0.028

0.0
-1.5

LCL=-2.926

-3.0
1

11
13
Observation

15

17

19

21

23

4
Moving Range

UCL=3.560
3
2
__
MR=1.090

1
0

LCL=0
1

11
13
Observation

15

17

Figura 4.7 Carta de control p estandarizada (Zi)

Pgina 162

19

21

23

Esta carta tiene la ventaja de poder identificar patrones de anormalidad e

identificar curva caracterstica de operacin, lo que no puede hacerse con la
carta de lmites de control variables. Una aplicacin diferente de la
manufactura sera el control de rdenes de compra errneas para cada
semana.
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL
La curva OC muestra en forma grfica la probabilidad de aceptar
incorrectamente la hiptesis de control estadstico (i.e. cometer un error tipo II
o ). Esta curva proporciona una evaluacin de la sensibilidad de la carta de
control, o sea la habilidad de detectar un corrimiento en la fraccin no

p
conforme del proceso, desde su valor nominal

a algn otro valor

La probabilidad de error tipo II para la carta de control de fraccin defectiva o

no conforme es:

P{ p LSC p} P{ p LIC p}

P{D nLSC p} P{D nLIC p}

=

(4.14)

Como D es una variable aleatoria binomial con parmetros n y p, el error

puede ser obtenido de la funcin de distribucin acumulativa (la distribucin de
Poisson se puede utilizar como una aproximacin).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula
como sigue:

P{D (50)(0.3697) p} P{D (50)(0.030) p} P{D 18.49 p} P{D 1.52 p}

Sin embargo como D debe ser un entero, se toma,

P{D 18 p} P{D 1 p}
La curva OC se construy utilizando Excel y Minitab.
NOTA: Se debe usar la distribucin de Poisson para np <=5 y distribucin
Normal en caso contrario.
A continuacin se muestran curvas OC con 3 distribuciones.

Pgina 163

CURVA OC POR BINOMIAL

LIC = 1, LSC =18, n = 50
p

P(d<=18|p)

CURVA OC POR POISSON

LIC = 1, LSC =18, n =50

P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752

np

0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55

1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752

0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55

CURVA OC POR NORMAL

LIC = 0.0303, LSC = 0.3697, n = 50
Sigma
LSC Z-Value LIC Z Value
PZLSC PZLIC
0.014071247 25.56276589 1.442658181
1 0.925442
0.024124676 14.08101803
0.0124354
1 0.504961
0.03082207 10.37243767 -0.639152399
1 0.261362
0.042426407 6.356889963 -1.642844755
1 0.050208
0.050497525 4.350708304 -2.370413218 0.999993 0.008884
0.056568542 2.999900519 -2.999900519 0.99865 0.00135
0.061237244 1.954692815 -3.587685977 0.97469 0.000167
0.064807407 1.075494349 -4.161561348 0.858923 1.58E-05
0.067453688 0.292052231 -4.739548131 0.614877 1.07E-06
0.069282032 -0.437342829 -5.336159863 0.330931 4.76E-08
0.070356236 -1.141334502 -5.965356044 0.126865 1.22E-09
0.070710678 -1.842720272 -6.642561102 0.032685 1.55E-11
0.070356236 -2.562672611 -7.386694153 0.005194 7.58E-14

0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5

P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283

Beta
0.074558435
0.495039094
0.738638167
0.949792486
0.991109116
0.997299184
0.97452355
0.858907423
0.614875519
0.33093135
0.126865425
0.032684871
0.005193524

P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606

COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005

La curva OC calculada con las diferentes distribuciones de probabilidad se

muestra a continuacin:

Para esta carta de control, tambin se puede calcular la longitud de corrida

media ARL.

Pgina 164

Cuando es proceso est en control:

ARL0 = 1 /
Cuando el proceso est fuera de control:
ARL1 = 1 / (1 - )
Estas probabilidades de errores tipo I y II se pueden obtener o por calculo de
probabilidades o usando las curvas OC.
Figura 4.8 Curva caracterstica de operacin np
Ejemplo 4.9, suponiendo que el proceso se corre a p 1 = 0.3, siendo su valor
nominal p0 = 0.2. De la curva OC se observa que en este caso es 0.9973
estando en control, en este caso = 1 - = 0.0027 y el valor de ARL0 es:
ARL0 = 1 / = 1 / 0.0027 = 370
Indicando que cada 370 puntos se puede tener una falsa alarma.

Pgina 165

4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u

Una no conformidad o defecto es una caracterstica especfica que no cumple
con la especificacin del producto. Las no conformidades pueden tener una
gravedad diferente desde menores hasta crticas. Se pueden desarrollar cartas
de control para el nmero total de no conformidades en una unidad o el
nmero promedio de no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de
tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de
ocurrencia de una no conformidad en cualquier localizacin sea pequea y
constante. Adems cada unidad de inspeccin debe representar una rea de
oportunidad idntica para la ocurrencia de no conformidades. Si estas
condiciones no se cumplen, el modelo de Poisson no es apropiado.
Tamao de muestra constante - CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es
conveniente registrar el nmero de defectos, puede formarse con 5 unidades
de producto, 10 unidades de producto, etc. Suponiendo que los defectos o no
conformidades ocurren en la unidad de inspeccin de acuerdo a la distribucin
de Poisson, o sea:

p( x )

e c c x
x!

(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:

Pgina 166

c
LSCc =

+3

LCc =

(4.16)

c
LICc =

-3

en el caso que sea negativo toma el valor cero.

Si no hay estndar definido c se estima con el promedio de no conformidades

c
observadas en una muestra preliminar inspeccionada, o sea con
caso los parmetros de la carta son:

c
LSCc =

, en este

+3

c
LCc =

(4.17)

c
LICc =

-3

en el caso que sea negativo toma el valor cero

Cuando no hay datos histricos, se calculan lmites de control preliminares.

Ejemplo 4.18 Para el nmero de no conformidades observadas en 26 unidades
de inspeccin sucesivas de 100 muestras de circuitos impresos, se obtuvieron
los datos siguientes:
No Conformidades
21
19
24
10
16
17
12
13
15
22
5
18
28
39
20
30
31
24
25
16
20
19
24
17
16
15
Donde,
LSC = 33.22

c
LC = 516 / 26 = 19.85 =
LIC = 6.48

Pgina 167

De la carta de control preliminar, se observa que hay 2 puntos fuera de control,

el 6 y el 20.

C Chart of NoConform
1

40

UCL=33.21

Sample Count

30

_
C=19.85

20

10
LCL=6.48
1

0
1

10

13
16
Sample

19

22

25

Figura 4.9 Carta de control C fuera de control estadstico

Una investigacin revel que el punto 6 fue debido a que un inspector nuevo
calific los circuitos impresos pero no tena la suficiente experiencia, fue
entrenado. El punto 20 fue causado por una falla en el control de temperatura
de la soldadora de ola, lo cual fue reparado. Por lo anterior se toman acciones
para evitar recurrencia, se eliminan y se recalculan los lmites de control.

Pgina 168

C Chart of NoConform
35
UCL=32.97

Sample Count

30
25
_
C=19.67

20
15
10

LCL=6.36

5
1

11
13 15
Sample

17

19

21

23

Figura 4.9 Carta de control C dentro de control estadstico

Como el proceso ya se encuentra en control estadstico, estos lmites se
tomarn como base para el siguiente periodo, donde se tomaron 20 unidades
de inspeccin adicionales.
No Conformidades 1
16
18
18
21
12
16
15
22
24
19
21
12
28
14
20
9
25
16
19
21
Se observa en la grfica que no se tienen puntos fuera de control, sin embargo
el promedio de defectos es alto, requiere la accin de la administracin.

Pgina 169

C Chart of C4
35
UCL=32.98

Sample Count

30
25
_
C=19.67

20
15
10

LCL=6.36

5
1

11
Sample

13

15

17

19

Figura 4.10 Carta de control C dentro de control estadstico para otras 20

muestras muy alta c
Haciendo un anlisis de Pareto de los principales defectos se observ que el
principal defecto de soldadura insuficiente y soldadura fra, acumulan el 69%
del total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.

Figura 4.11 Pareto de no conformidades

Pgina 170

Puede ser necesario estratificar el problema identificando en que modelo de

circuito impreso se presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las
diferentes fuentes de no conformidades.

Figura 4.12 Diagrama de Ishikawa de causas potenciales para la falla de

soldadura
Seleccin del tamao de muestra
Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no
conformidades o defectos, sin embargo esto tambin depende de
consideraciones econmicas y del proceso, si en lugar de tomar 1 unidad de
inspeccin, se toman n unidades de inspeccin, entonces los nuevos lmites de
control se pueden calcular por los siguientes mtodos:

nc
Mtodo 1. Con
En este caso tanto la lnea central como los lmites de control se modifican por

c
el factor n, quedando como sigue ( es la media de las no conformidades
observada en la unidad de inspeccin anterior):

LSC nc nc 3 nc
LC nc nc
(4.18)

LIC nc nc 3 nc

Pgina 171

Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de

los circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:

LSC nc nc 3 nc

(2.5)(19.67) 70.22
= (2.5)(19.67) + 3

LC nc nc

= (2.5)(19.67) = 49.18

LIC nc nc 3 nc

(2.5)(19.67) 28.14
= (2.5)(19.67) - 3

Carta de control de defectos por unidad U

Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de
inspeccin u es:

c
n

(4.19)

Como c es una variable aleatoria que sigue la distribucin de Poisson, los

parmetros de la carta u de nmero de no conformidades o defectos por
unidad son:

LSC u u 3

u
n

LC u u
(4.20)

LSC u u 3

u
n

u
Donde representa el nmero promedio de no conformidades por unidad en
un conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Ejemplo 4.10 Para un fabricante de computadoras registrando los defectos en
su lnea de ensamble final. La unidad de inspeccin es una computadora y se
toman 5 unidades de inspeccin a un tiempo.
No conformidades
en cada 5 unidades carta u
10
9
12
5

Pgina 172

8
14
10
16
11
7
10
15

7
11
12
6
8
10
7
5

Se calculan los lmites de control con:

__

Suma.de.no.conformidades
Suma.de.unidades.inspeccion adas
u
=38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07

La carta de control queda como sigue:

U Chart of C6

Sample Count Per Unit

UCL=3.794

_
U=1.93

LCL=0.066

0
1

11
Sample

13

15

17

19

Figura 4.13 Carta de control de defectos por unidad U con tamao de muestra
constante en control estadstico
En la carta de control no se observa falta de control estadstico, por tanto los
lmites preliminares se pueden utilizar en corridas futuras.
Pgina 173

MUESTRA VARIABLE CARTA u

En algunos casos las cartas de control para no conformidades se utilizan en la
inspeccin 100% de la produccin o lotes de producto, por tanto las unidades
de inspeccin no son constantes. En esta carta se tiene una lnea central
constante y los lmites de control varan inversamente con la raz cuadrada del
tamao de muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:

Pgina 174

LSC ui u 3

u
ni

LC u u
(4.21)

LSC ui u 3

u
ni

Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los
datos se muestran a continuacin.
Unidade
s
10
8
13
10
9.5
10
12
10.5
12
12.5

No
conform
14
12
20
11
7
10
21
16
19
23

u
La lnea central es

153
1.42
107.5

u
Donde = Total de defectos observados / Total de unidades de inspeccin
De la grfica no se observan puntos fuera de control.

Pgina 175

U Chart of No conform
3.0

Sample Count Per Unit

2.5

UCL=2.436

2.0
_
U=1.423

1.5
1.0
0.5

LCL=0.411

0.0
1

5
6
Sample

10

Tests performed with unequal sample sizes

Figura 4.14 Carta de control para defectos por unidad con tamao de muestra
variable
Existen otras dos alternativas para el manejo de la carta u con n variable:
Usando un promedio de tamaos de muestra.
m

n
i 1

ni
m
(4.22)

Usando una de control estandarizada (opcin preferida). Se grafica Z i con

lmites de control en +3 y 3, lnea central cero.

Zi

ui u
u
ni
(4.23)

Pgina 176

Ejemplo 4.11 (Cont...) Estandarizando la carta se tiene:

Unidade NoCon Sigma

s
f
U
Ui-Uprom
10

14

12

13

20

10

11

9.5

10

10

12

21

10.5

16

12

19

12.5

23

U prom

1.4232
56

0.3772
61
0.4217
9
0.3308
79
0.3772
61
0.3870
61
0.3772
61
0.3443
9
0.3681
69
0.3443
9
0.3374
32

Zu

-0.02325581 -0.06164
0.07674419

0.181949

0.11520572

0.34818

-0.32325581 -0.85685
-0.68641371 -1.7734
-0.42325581 -1.12192
0.32674419

0.948761

0.10055371

0.273119

0.16007752

0.464814

0.41674419

1.235046

La carta de control estandarizada para U, se encuentra en control estadstico

como se muestra abajo.

Pgina 177

I Chart of Zu
3

UCL=3

Individual Value

2
1
_
X=0

0
-1
-2
-3

LCL=-3
1

5
6
Observation

10

Figura 4.15 Carta de control U estandarizada

Sistema de demeritos
Con productos complejos, se identifican diversos tipos de defectos, desde los
que se consideran menores hasta los que ponen en riesgo la salud del usuario.
Por lo cual es necesario dar una ponderacin a esos diversos tipos de defectos
de acuerdo a su gravedad, un esquema posible es el siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el
campo, o puede causar dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar una
falla de funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar
funcionando, o puede incrementar los costos de mantenimiento, o tener una
mala apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene defectos
de apariencia, terminados o calidad de trabajo.
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC,
ciD respectivamente en la i-sima unidad inspeccionada. Se asume que cada
clase de defectos es independiente y que la ocurrencia de defectos de cada
clase es modelada bien con la distribucin de Poisson. Entonces se puede
definir el nmero de demritos en la unidad de inspeccin por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD

Pgina 178

(4.24)

Suponiendo que se toma una muestra de n unidades de inspeccin, entonces

n

d
i 1

el nmero de Demritos por unidad es (con

todas las unidades de inspeccin):

nmero total de demritos en

d
i 1

ui = D / n =
(4.25)
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:

u
LSC =

+ 3 u

u
LC =

(4.26)

u
LIC =

+ 3 u,

Donde,

u 100u A 50u B 10u C 1u D

(4.27)

(100) u A (50) u B (10) u C (1) u D

1/ 2

(4.28)

u A, u B , u C , u D ,
Los nmeros
representan el nmero promedio de defectos de la
clase A, clase B, clase C y clase D respectivamente. Se determina a partir de
datos preliminares tomados cuando el proceso est en control estadstico.
La curva caracterstica de operacin
La curva caracterstica de operacin (OC) puede ser obtenida tanto para la
carta c como para la carta u a partir de la distribucin de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la
media real del numero de defectos c, se expresa como sigue:

P{x LSC c} P{x LIC c}

(4.29)
Donde x es una variable aleatoria de Poisson con parmetro c.

Pgina 179

Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48,
se tiene:

P{x 33.22 c} P{x 6.48 c}

cmo las cantidades deben ser enteras, esto es equivalente a:

P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribucin de Poisson como sigue:

C
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
C
promedio

P(x<=3 P(x<=
3)
7)
Pa=Beta
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191

1.000
0.988
0.867
0.599
0.324
0.143
0.054
0.018
0.005
0.002
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

0.000
0.012
0.133
0.401
0.676
0.857
0.946
0.982
0.994
0.997
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191

19.67

Pgina 180

Pa=Beta

Pa=Beta

Figura 4.16 Curva caracterstica de operacin de la carta C con media 19.67

Pgina 181

Para el caso de la carta u, la curva OC puede generarse con:

P{x LSC u} P{x LIC u}

P{c nLSC u} P{c nLIC u}

(4.30)

P{nLIC u c nLSC u}

4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm

Las cartas por atributos c y u no son convenientes en estos casos ya que
tendran ceros la mayor parte del tiempo, una alternativa es graficar los
intervalos de tiempo entre ocurrencias de los defectos o eventos.
Asumiendo que los defectos ocurren de acuerdo a la distribucin de Poisson,
entonces la distribucin de tiempo transcurrido entre eventos sigue la
distribucin exponencial, sin embargo dara una carta de control muy
asimtrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial
a una variable aleatoria de Weibull de tal forma que sea una buena
aproximacin a la normal. Si y representa la variable aleatoria exponencial
original, la transformacin adecuada es:
x = y1/3.6 = y0.277

(4.31)

Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el
nmero de horas entre fallas como la variable a monitorear. En la pgina
siguiente se muestra este ejemplo.

Pgina 182

5. OTRAS CARTAS DE CONTROL ESPECIALES

5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN
Cartas de control dnom
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de
produccin sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la dimensin nominal de la
pieza A TA = 50mm, y la dimensin nominal de la pieza B es T B = 25mm,
cuando se produce las piezas A o B se toman muestras y se evala la
desviacin respecto a su media.

Muestra

Pieza

M1

M2

M3

D1

D2

D3

Media Rango

1
2
3
4
5
6
7
8
9
10

A
A
A
A
B
B
B
B
B
B

50
49
48
9
24
25
27
25
24
26

51
50
49
53
27
27
26
24
25
24

52
51
52
51
26
24
23
23
25
25

0
-1
-2
-1
-1
0
2
0
-1
1

1
0
-1
3
2
2
1
-1
0
-1

2
1
2
1
1
-1
-2
-2
0
0

1.00
0.00
-0.33
1.00
0.67
0.33
0.33
-1.00
-0.33
0.00

2
2
4
4
3
3
4
2
1
2

Ver carta en la pgina siguiente.

Se deben cumplir 3 premisas para estas cartas:
La desviacin estndar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
El procedimiento trabaja mejor cuando el tamao de muestra es constante
para todas las diferentes partes.
La media utilizada debe ser la media de las especificaciones, a excepcin de
cuando se tiene slo un lmite de especificacin.

Pgina 183

Xbar-R Chart of D1, ..., D3

Sample Mean

3.0

UCL=2.929

1.5
__
X=0.167

0.0
-1.5

LCL=-2.596

-3.0
1

10

Sample
UCL=6.950
Sample Range

6.0
4.5
_
R=2.7

3.0
1.5
0.0

LCL=0
1

10

Sample

Figura 4.1 Carta DNOM para corridas cortas

Cartas de control de medias rangos estandarizada
Si la desviacin estndar para las diferentes partes es diferente, se usan estas

R i .....Ti
cartas. Sean
el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,

RS

R
Ri

(5.1)
Se toman de datos histricos o de especificaciones para el rango, o se puede

R i Sd 2

c4

estimar de con
graficar,
S

sus lmites de control son D3 y D4. Para la media

x Ti
Ri

(5.2)

x
La lnea central para la carta
son LSC = A2 y LIC = -A2 .

estandarizada es cero, y sus lmites de control

Cartas de control por atributos

Pgina 184

Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y

LIC=-3. Los estadsticos a graficar son:

Zi
Carta p

Zi

pi p

p (1 p ) / n
npi n p
n p (1 p )

Carta np

Zi
Carta c

Zi

(5.3)

ci c
c
ui u
u/n

Carta u
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN
Cartas de control modificadas
Las cartas de control modificadas se utilizan cuando la variabilidad es pequea
respecto a los lmites de especificaciones, es decir el Cp es mucho mayor que
1. En este caso la media del proceso puede variar sobre un rango permitido sin
afectar el desempeo del proceso.

La carta de control modificada

esta diseada para detectar slo si la media
verdadera del proceso , est localizada de tal forma que el proceso genere
una fraccin de productos no conformes mayor de algn valor especificado .
Se permite que vare entre I y S de tal forma que no se exceda la fraccin
defectiva . Se asume que el proceso est normalmente distribuido y que sea
conocida y est en control.

Pgina 185

LIEsp.

|---

6 ---|

LSEsp.

Figura 5.2 Proceso con habilidad alta, Cp>>1

LIE

LSE

n
/

LIC

LSC

Z Z Z
n

Figura 5.3 Localizacin de los lmites de control

Donde:

I LIE Z
(5.4)

S LSE Z
Donde Z es el punto superior 100(1-) de la distribucin normal, si se
especifica un error , los lmites de control superior e inferior son:

LSC S
LIC I

Z
Z

LSE Z
n
n

Z
Z

LIE Z
n
n

Lo comn es que Z =3.

Pgina 186

(5.5)

En las cartas modificadas, es una fraccin no conforme que se acepta con

una probabilidad (1-). Si la variabilidad del proceso cambia, stas cartas no
son apropiadas, de tal forma que se recomienda siempre usar en forma
adicional una carta R o S, de donde incluso se estime la inicial.
Cartas de control de aceptacin
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de
rechazar un proceso que opera en forma satisfactoria o de aceptarlo si opera
en forma insatisfactoria.
Los lmites de control para este caso se basan en una n especificada y una
fraccin no conforme del proceso que nos gustara rechazar con una
probabilidad (1-), por tanto:

LSC S

LIC I

LSE Z
n
n

(5.5)

LIE Z
n
n

Es posible tambin seleccionar un tamao de muestra de tal forma que se

obtengan los requerimientos para , , y . Igualando los lmites de control
superiores:

LSC LSE Z
n

LSE Z
n

Se obtiene

Z Z

n
Z

(5.6)

Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20,
haciendo los clculos se obtiene una n = 31.43 32.

3.00 0.84

2.33 1.645

Ejemplo 5.3 De Duncan se tiene: 29

29 Duncan A., Control de Calidad y Estadstica Industrial, Alfaomega, Mxico,
1989, pp. 527-530

Pgina 187

LSE

=0.025

LSE-1.96
Amplitud de variacin

0.10

__

Aceptable para

0.10
LIE+1.96
LIE

=0.025

Figura 5.4 Carta de control de aceptacin

En la figura si suponemos que =0.025 y = 0.10, asumiendo un proceso
normal, los lmites para la carta de control de aceptacin estarn en:

n
LSC = LSE 1.96 - 1.282/

n
LIC = LIE + 1.96 + 1.282/
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la
carta de control, la distancia entre los lmites de especificacin debe ser mucho
mayor que 6X, por lo que se puede usar el concepto de la carta de control
modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del lmite inferior de
especificacin, y el mximo que se le permite variar es hasta 3x abajo del
lmite superior de especificacin. Esto minimiza los ajustes a realizar durante
las corridas de produccin. Se puede utilizar un valor diferente de Z = 3 si se
requiere una mayor proteccin en la fraccin defectuosa. Para este problema
tambin se puede utilizar la carta de regresin.

LSE

LSE-3x
Amplitud dentro de la cual

Pgina 188


se espera encontrar las
medias de las piezas
x

6
Distribucin de

LIE+3x
LIE
Fig. 5.5

Carta de control para desgaste de herramienta o material

Como se puede observar, slo se puede emplear sta carta si la amplitud de

los lmites de especificacin es suficiente mayor a 6x para alojar la carta de
control.
La pendiente b de la lnea central y lmites de control se pueden calcular por
los mtodos siguientes:
Dibujando una lnea central que pase por los puntos graficados y estimando en
forma grfica la pendiente.
Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de m
muestras con el nmero de muestra i = 1,2,3..m la pendiente b es (los datos
se pueden codificar para facilidad):

b [12 iX i /( m(m 2 1))] [6 X i /( m(m 1))]

(5.7)

Utilizando un paquete de computadora que incluye el clculo de mnimos

cuadrados.

1, 2
Los valores sugeridos de inicio y paro del proceso son

1 LIE 3 x LIE 3R / d 2

donde:
(5.8)

2 LSE 3 x LSE 3R / d 2

1, 2
El nmero de puntos que tienen que pasar para llegar de

1,
M* = (

es:

2
-

)/b

(5.9)

Pgina 189

Es importante considerar que antes de llevar una carta de medias para

desgaste es indispensable asegurarse que la carta de rangos est en control

1, 2

estadstico. En caso de que la media en lugar de crecer, decrezca, las

se invierten:

A2 R
Los lmites de control se encuentran a una distancia vertical
central.

Pgina 190

de la lnea

Ejemplo 5.4 El dimetro exterior de una vlvula tiene una especificacin de

1.1555 0.0005. Se han tomado 13 muestras de 5 piezas cada una sin ajustar
la herramienta de corte, en intervalos de media hora. Los resultados son:
Muestra i
1
2

Xi
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 1.15570,

Ri
0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00010, 0.00020
Muestra 9

10 11

12

13

Xi
1.15576, 1.15578, 1.15580, 1.15586, 1.15590

Ri
0.00010, 0.00020, 0.00020, 0.00010, 0.00020
Los resultados obtenidos son:
R-medio=0.0001769;

LSCR=0.000374, = 0.000076053;

b = 0.0000492

1, 2
,

son respectivamente 1.155228 y 1.155772

_

m* = 11.056, los lmites de control estn a

0.5768(0.0001769)=0.000102.

A2 R
=

Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE

Pendiente b
LSC

1,
LIC
LIE

Pgina 191

Fig. 5.6 Tiempo t o nmero de muestras antes de ajuste

Pgina 192

5.4 CARTA DE PRECONTROL O DE ARCOIRIS

Es una tcnica usada para detectar irregularidades en el proceso, que pueden
resultar en la produccin de unidades fuera de especificaciones. Pre-control,
principalmente se presta para el uso de aparatos de medicin hechos
previamente sobre los lmites de las especificaciones. El uso de stos aparatos
de medicin permite seleccionar fcilmente las unidades que proceden de las
que no. Pre-control es usado con frecuencia para determinar los valores de las
variables del proceso durante el perodo de arranque de la produccin.
Tambin se denomina carta de objetivo, utiliza los lmites de especificacin
para su establecimiento, situados a 3 es fcil de construir y usar, sin
embargo, no permite mejorar el proceso. La carta tiene tres reas:
ZONA ROJA
Lmite superior de especificaciones
ZONA AMARILLA

Esta zona comprende 1.5 o 7%

ZONA VERDE
ZONA AMARILLA

Esta zona comprende 1.5 o 86%

Esta zona comprende 1.5 o 7%

ZONA ROJA
Lmite inferior de especificaciones
Figura 5.7 Carta de Pre Control y sus zonas
En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga
en la zona amarilla y de 1/196 de que caigan dos consecutivas en sta zona, en
este caso se considera que el proceso se sali de control.
Pre-control se basa en la hiptesis de que si el proceso est operando
correctamente, la probabilidad de encontrar dos unidades fuera de los lmites
de control consecutivamente es demasiado pequea. Por lo tanto si dos
unidades son encontradas consecutivamente fuera de los lmites de control, es
razn suficiente como para indicar una falla en el proceso.
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:

Pgina 193

Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es
mayor que uno (algunos textos recomiendan como mnimo Cp=2) 31, y cuando
se han alcanzado cero defectos en el proceso.
Definicin de los lmites de Pre-control.
Existen dos lmites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower
Pre-control limit(LPCL). Cada uno representa de la distancia entre el lmite de
especificaciones inferior (LSL) y el lmite de especificaciones superior (USL). La
siguiente figura considera un proceso distribuido de acuerdo a la distribucin
normal.
Figura 5.8 Distribucin de reas de probabilidad para la carta de pre-control

LSL

LPCL

1
4

1
2

UPCL
3
4

USL
1

Pasos a seguir para aplicar Pre-control.

A continuacin se muestran las reglas de uso de la carta:
Iniciar el proceso. Si el primer artculo sale de especificaciones, parar, corregir
e iniciar de nuevo. Debern caer en la zona verde.
Si un artculo cae en la zona amarilla, tomar un siguiente artculo. Si cae
nuevamente en la zona amarilla parar y corregir el proceso, de otra forma
continuar.
Si 25 artculos consecutivos caen en la zona verde, reducir frecuencia de
chequeo.

30 , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.

31 Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons,
Inc., 1991, pp. 332-334.

Pgina 194

Figura 5.9 Pasos a seguir para el Pre-Control

Pgina 195

Notas:
Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta
que una unidad exceda algn lmite de Pre-control. Examine la siguiente
unidad, y proceda en A.
Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE
Se utiliza para procesos con muchas fuentes de produccin, por ejemplo
diversos husillos que en principio producen piezas similares. El usar una carta
de control para cada husillo por separado sera prohibitivo, sin embargo se
tiene la alternativa de sta carta de control siempre que la produccin entre
husillos no est correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n = 4 de 6
husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120 medias y

rangos de n = 4 observaciones. De stos se calculan la media de medias

el , los lmites de control se calculan como en una carta de medias-rangos

convencional con n = 4, en este caso A 2 = 0.729, D3 = 0, D4 = 2.282:

LICX =

- A2

LSCX =

LICR = D3

+ A2

(5.10)

LSCR = D4

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

Pgina 196

ARL 0

s r 1
s 1

(5.11)

Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso

est en control, se esperar que una salida repita un valor extremo 4 veces en
la carta una vez de cada 259 muestras. Si esto sucede con ms frecuencia se
debe sospechar que la salida es diferente a las dems. Algunos de los pares
adecuados de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones
dan ARLo adecuados.
5.6 CARTAS DE CONTROL Cusum
Las cartas de control de Shewart utilizan slo informacin acerca del proceso
con los ltimos datos del subgrupo, e ignoran la informacin de la secuencia
completa de puntos, esto hace que estas cartas de control sean insensibles a
pequeos corrimientos de la media del proceso, de 1.5 o menos. Los lmites
preventivos y criterios mltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de
interpretacin de la carta as como reducir el ARL en control lo cual es
indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se
pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
Cusum normal
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente,
en esos casos la carta de sumas acumuladas de Page, que funciona con n >=1
es mejor, ya que incorpora toda la informacin anterior en el valor de la
muestra al graficar la suma acumulada de las desviaciones con referencia a un

xj
valor objetivo 0. Si se colectan muestras de tamao n >= 1 siendo
el valor
promedio de la muestra j-sima. La carta de sumas acumuladas se forma
graficando para cada muestra i la cantidad siguiente que representa la suma
acumulada hasta la muestra i,
i

Ci ( x j 0 )
j 1

(5.12)
Como esta carta es eficiente para n=1, es una buena alternativa para el control
de procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrar una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo
similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las pginas siguientes.

Pgina 197

Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia
abajo una cierta distancia de la posicin ideal de referencia (B). AtoBDist es
esta distancia. Para asegurar la calidad, se toman 5 mediciones al da durante
el primer periodo de tiempo y despus 10 al da en un siguiente periodo de
tiempo.
AtoBDist
-0.44025
5.90038
2.08965
0.09998
2.01594
4.83012
3.78732
4.99821
6.91169
1.93847
-3.09907
-3.18827
5.28978
0.56182
-3.1896
7.93177
3.72692
3.83152
-2.17454
2.81598

4.52023
3.95372
7.99326
4.98677
-2.03427
3.89134
1.99825
0.01028
-0.24542
2.08175
-4.86937
-2.69206
-3.02947
2.99932
3.50123
-1.99506
-1.62939
2.14395
-1.90688
8.02322

4.75466
1.1424
0.9379
-7.30286
-5.22516
-4.06527
-1.91314
2.0459
4.93029
0.03095
-2.80363
-3.12681
-4.57793
-3.17924
-2.44537
1.36225
0.92825
-0.24151
-0.83762
-1.99674

4.90024
1.28079
2.87917
1.83867
-0.75614
3.72977
3.77141
-4.04994
3.89824
1.76868
2.2731
-3.82297
-2.26821
-2.07973
0.01739
3.71309
1.72573
3.07264
0.15676
-0.05666

3.81341
-3.78952
-3.81635
-4.8882
-3.24534
-0.27272
-4.33095
-1.83547
-3.98876
-4.97431
-5.1405
-0.10379
2.21033
5.13041
-1.89455
0.95119
-5.15414
4.82794
0.13001
-0.09911

-1.15453
2.29868
5.15847
0.08558
-3.09574
5.16744
0.29748
-4.66858
-2.13787
-0.0045
0.18096
4.30247
-2.21708
7.17603
5.86525
0.95699
-4.03441
-2.05086
-3.10319
-1.83001

5.03945
1.96583
-0.21026
0.27517
-5.32797

Al llevar una carta X R en el subgrupo no se encontr una causa asignable,

ahora se desea tratar de detectar corridas pequeas en la media.
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.

Pgina 198

Sample Mean

Xbar/R Chart for AtoBDist

5

UCL=4.802

Mean=0.4417

LCL=-3.918

-5

Sample Range

Subgroup

10

15

20

25

UCL=15.98

15
10

R=7.559
5
0

LCL=0

Figura 5.10 Carta de control X media R

Se puede observar que no detecta ninguna situacin anormal
CUSUM Chart for AtoBDist

Upper CUSUM

Cumulative Sum

10

5.67809

-5

-5.67809

Low er CUSUM

10

15

20

25

Subgroup Number

Figura 5.11 Carta de control Cusum

Se puede observar que detecta una situacin anormal debido a un corrimiento
lento de la media del proceso.
Otro ejemplo de Carta Cusum:
Considerar los datos siguientes con = 10 a 11 y una = 1:
Ci = (Xi-10)
Muestra Xi
Xi - 10
+ Ci-1
Media =
10
1
9.45
-0.55
-0.55
Sigma =
1
2
7.99
-2.01
-2.56
Pgina 199

Media =
11
Sigma =
1

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

9.29
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
8.52
10.84

-0.71
1.66
2.16
0.18
-1.96
1.46
-0.8
0.34
-0.97
1.47
0.51
-0.6
0.08
-0.63
0.62
0.31
-1.48
0.84

-3.27
-1.61
0.55
0.73
-1.23
0.23
-0.57
-0.23
-1.2
0.27
0.78
0.18
0.26
-0.37
0.25
0.56
-0.92
-0.08

21

10.9

0.9

0.82

22
23
24
25
26
27
28
29
30

9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52

-0.67
2.29
1.5
0.6
1.08
0.38
1.62
1.31
0.52

0.15
2.44
3.94
4.54
5.62
6
7.62
8.93
9.45

Figura 5.12 Carta I-MR casi en control estadstico

Pgina 200

CUSUM Chart of Xi
5.0

Cumulative Sum

UCL=4
2.5

0.0

-2.5
LCL=-4
-5.0
1

10

13

16
Sample

19

22

25

28

Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
Cusum en forma tabular
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el
objetivo con un estadstico C+ o debajo de este con un estadistico C-, tambin
llamados Cusums de lado superior o inferior respectivamente. Se calculan
como sigue:

C i max 0, xi ( 0 K ) C i1

C max 0, ( 0 K ) xi C

i 1

(5.13)
(5.14)

donde los valores iniciales para C+ y C- son cero.

En las ecuaciones anteriores K es el valor de referencia y se selecciona como
un valor intermedio entre la 0 objetivo y la 1 fuera de control en la que
estamos interesados en detectar.
As, si el corrimiento se expresa en unidades de desviacin estndar 1 = 0 +
, entonces K es la mitad de la magnitud del corrimiento:
K = / 2 = Valor absoluto de (1 - 0) / 2

(5.15)

Cuando cualquier estadstico C+ y C- excede el intervalo de decisin H, se

considera al proceso fuera de control. Un valor razonable para H es cinco veces
el valor de .
Ejemplo: si 0 = 10, n=1, = 1, y asumiendo que se quiere detectar un
corrimiento de 1 = 1, para lo cual se utiliza H = 5 sigmas, se tiene:
1 = 10 + 1 = 11

Pgina 201

K = = 1/2
H = 5 = 5

C i max 0, xi 10.5 C i1

Ci max 0,9.5 xi C i1

Para el caso de i=1, con xi = 9.5 se tiene:

C1 max 0,9.45 10.5 0 0

C1 max 0,9.5 9.45 0 0.05

Para el caso de i=2, con xi = 7.99 se tiene:

C1 max 0,7.99 10.5 0 0

C1 max 0,9.5 7.99 0.05 1.56

Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la
tabla de siguiente:
a
b
Muestra Xi
xi - 10.5
Ci+
N+
9.5 - xi
Ci1
9.45
-1.05
0.00
0
0.05
0.05
2
7.99
-2.51
0.00
0
1.51
1.56
3
9.29
-1.21
0.00
0
0.21
1.77
4
11.66
1.16
1.16
1
-2.16
0.00
5
12.16
1.66
2.82
2
-2.66
0.00
6
10.18
-0.32
2.50
3
-0.68
0.00
7
8.04
-2.46
0.04
4
1.46
1.46
8
11.46
0.96
1.00
5
-1.96
0.00
9
9.20
-1.30
0.00
0
0.30
0.30
10
10.34
-0.16
0.00
0
-0.84
0.00
11
9.03
-1.47
0.00
0
0.47
0.47
12
11.47
0.97
0.97
1
-1.97
0.00
13
10.51
0.01
0.98
2
-1.01
0.00
14
9.40
-1.10
0.00
0
0.10
0.10
15
10.08
-0.42
0.00
0
-0.58
0.00
16
9.37
-1.13
0.00
0
0.13
0.13
17
10.62
0.12
0.12
1
-1.12
0.00
18
10.31
-0.19
0.00
0
-0.81
0.00
19
8.52
-1.98
0.00
0
0.98
0.98
20
10.84
0.34
0.34
1
-1.34
0.00
21
10.90
0.40
0.74
2
-1.40
0.00
22
9.33
-1.17
0.00
0
0.17
0.17
23
12.29
1.79
1.79
1
-2.79
0.00
24
11.50
1.00
2.79
2
-2.00
0.00
25
10.60
0.10
2.89
3
-1.10
0.00
Pgina 202

N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
0
0

26
27
28
29
30

11.08
10.38
11.62
11.31
10.52

0.58
-0.12
1.12
0.81
0.02

3.47
3.35
4.47
5.28
5.30

4
5
6
7
8

-1.58
-0.88
-2.12
-1.81
-1.02

0.00
0.00
0.00
0.00
0.00

Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.

Figura 5.14 Carta Cusum en Excel para el ejemplo

CUSUM Chart of Xi_ 1

Cumulative Sum

5.0

UCL=5

2.5

0.0

-2.5

-5.0

LCL=-5
3

12

15
18
Sample

21

24

27

30

Figura 5.15 Carta Cusum en Minitab para el ejemplo

De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de
5.28, lo que sugiere una situacin fuera de control, usando el contador N + cuyo
valor es 7, indica que el ltimo punto en control fue el 29 7 = 22, de tal forma
que el corrimiento ocurri entre el periodo 22 y 23.

Pgina 203

0
0
0
0
0

Tambin se puede obtener una presentacin grfica de esta carta, denominada

Carta de Estatus de Cusum, graficando Ci+ y Ci- contra el nmero de muestra.
Esto da una idea grfica al operador del desempeo del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la
causa asignable o especial, tomar accin correctiva e iniciar de nuevo la
Cusum Tabular.
Cuando el proceso se corre, la nueva media puede estimarse de:

C i
0 K
N
C i
0 K
N

Ci H
, si

(5.16)

C i H
, si

(5.17)

29

En el ejemplo, en el periodo 29 con C

10 0.5

= 5.28, la nueva media del proceso es,

5.28
11.25
7

Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.

Cuando se utiliza un tamao de subgrupo mayor a 1, en las frmulas anteriores

xi

se debe remplazar a xi por

y por la x =
, aunque se recomienda usar
un tamao de muestra 1 con frecuencia de muestreo mayor que para el
equivalente de Shewart.
La carta Cusum tabular tambin se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del mtodo tabular Cusum, es la mascarilla en
V propuesta por Barnard (1959), esta mascarilla es aplicada a valores
sucesivos del estadstico,
i

C i y j y i C i 1
j 1

(5.18)
donde yi = (xi - 0) / observacin estandarizada. Una mascarilla en V se
muestra a continuacin:

Pgina 204

Ci

2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 Carta de control Cusum con mascarilla en V
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum,
con el punto O sobre el ltimo valor de C i y la lnea OP paralela al eje
horizontal. Si todos los puntos anteriores C1, C2,....,Cj se encuentran dentro de
los dos brazos de la mascarilla, el proceso est en control, sin embargo si
cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de
la mascarilla, se considera al proceso fuera de control.
En la prctica, la mascarilla en V se debe colocar a cada punto tan pronto como
es graficado, los brazos de la mascarilla se asumen extendidos hasta el origen.
La operacin de la mascarilla en V est determinada por la distancia
al vrtice d y el ngulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
k = A tan ()

(5.19)

y
h = A d tan () = d.k
(5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos
en trminos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = y h = 5, seleccionando A =1 se
tiene

o
o

k = A tan ()
= 26.57
de h = d.k
d =10

=>

= (1) tan ()

=> 5 = d (1/2)

Estos son los parmetros de la mascarilla en V.

Pgina 205

Vmask Chart of AtoBDist

25

Cumulative Sum

20

15

10

Target=0
2

10

12 14
Sample

16

18

20

22

24

Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para

AtoBDist
Corrida en Minitab con los datos de la Cusum Tabular:
Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Vmask Chart of Xi
30

Cumulative Sum

20

10

Target=0

-10
1

10

13

16
Sample

19

22

25

28

Figura 5.18 Ejemplo de carta de control Cusum con mascarilla en V para Xi

Pgina 206

Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con
las frmulas siguientes:

2A

tan 1

(5.21)
y

2 1
ln

(5.22)

Donde 2 es la mxima probabilidad de una falsa alarma cuando el proceso

est en control y es la probabilidad de no detectar un corrimiento de
magnitud .

ln( )

cuando es muy pequeo.

Ejemplo 5.7 si = 0.05 y = 0.05 y = 1, se obtiene la mascara en V

siguiente:

2 1 0.05
ln

2
1 0.05

1
tan 1 26.56
2

= 5.888

No se recomienda el uso de la mascarilla en V ya que tiene algunas

desventajas como son:
Es un esquema de doble lado, no apta para control de un solo lado.
Es difcil determinar que tanto extender los brazos de la mascarilla en V,
dificultando la interpretacin del proceso.
Existe ambigedad asociada con alfa y beta.

Pgina 207

5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE

PONDERADAS (EWMA)
El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:

z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del
proceso, de tal forma que:

z0 0

x
a veces igual a

Si las observaciones xi son variables aleatorias independientes con varianza

2 , entonces la varianza de zi es:

2i
1 (1 )
2

zi2

(5.24)

Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i,

son:

2i
1 (1 )
2

LSC 0 L

(5.25)

LC 0

(5.26)

2i
1 (1 )
2

LIC 0 L

(5.27)

Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se

incrementa, esto significa que cuando la carta EWMA ha corrido durante varios
periodos de tiempo, los lmites de control se estabilizan en:

LSC 0 L

(5.28)

LC 0

(5.29)

Pgina 208

LSC 0 L

(5.30)

Ejemplo Utilizando los datos de la carta Cusum con = 0.10, L = 2.7, 0 = 0 y

= 3.5, se tiene la carta EWMA mostrada en la pgina siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la frmulas
anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se
incrementa i los lmites se estabilizan en LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3 equivalente a la Cusum
con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rpido como la
hace la carta de Shewart, este mismo comportamiento lo tienen tiene la carta
Cususm.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estndar deviation 2.7
6. OK.
EWMA Chart of AtoBDist
1.0

+2.7SL=0.967

EWMA

0.5
__
X=0

0.0

-0.5

-2.7SL=-0.967

-1.0
1

11 13 15
Sample

17

19

21

23

Figura 5.19 Ejemplo de carta de control EWMA

Otro ejemplo de carta EWMA:

Pgina 209

25

Con los datos del ejemplo anterior, considerando una Lamda de 0.1, L = 2.7,
0=10, y la desviacin estndar = 1, a continuacin se muestran los clculos
de la carta EWMA:
Muestra
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

Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52

EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341

Los lmites de control son los siguientes:

Muestra
1
2
3
4
5
6
7
8
9

Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20

EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880

LSC
10.2700
10.3632
10.4240
10.4675
10.4999
10.5247
10.5440
10.5591
10.5710

Pgina 210

LIC
9.7300
9.6368
9.5760
9.5325
9.5001
9.4753
9.4560
9.4409
9.4290

10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52

10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341

10.5805
10.5881
10.5942
10.5991
10.6030
10.6062
10.6087
10.6107
10.6124
10.6137
10.6148
10.6157
10.6164
10.6170
10.6174
10.6178
10.6181
10.6184
10.6186
10.6187
10.6189

9.4195
9.4119
9.4058
9.4009
9.3970
9.3938
9.3913
9.3893
9.3876
9.3863
9.3852
9.3843
9.3836
9.3830
9.3826
9.3822
9.3819
9.3816
9.3814
9.3813
9.3811

Figura 5.20 Carta EWMA graficada en Excel

La carta con Minitab es:
1. Stat > Control Charts > Time weighted charts > EWMA
2. In Single column, seleccionar Xi. In Subgroup size, poner 1.
3. Weight of EWMA 0.1
4. EWMA Options > Parameters Mean 10.0 Standar Deviation 1
S Limits These multiples of the estndar deviation 2.7
6. OK.

Pgina 211

EWMA Chart of Xi_ 1

10.75
+2.7SL=10.619
10.50

EWMA

10.25
_
_
X=10

10.00

9.75

9.50
-2.7SL=9.381
3

12

15
18
Sample

21

24

27

30

Figura 5.21 Carta EWMA graficada en Excel

5.8 CARTA DE CONTROL DE MEDIA MOVIL
Utilizada como un intermedio entre la carta de Shewart y la EWMA para
detectar pequeas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media mvil es:

Mi

xi xi 1 ..... xi w1
w

(5.31)

Los lmites de control son:

LSC 0

3
w

(5.32)

LC 0

LIC 0

(5.33)

3
w

(5.34)
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadstico M i
para periodos i 5.

Mi

xi xi 1 ....xi 4
5

(5.35)
Para periodos i<5 se grafica el promedio de las observaciones para los
periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66

Pgina 212

Ejemplo La carta de media mvil para los datos del ejemplo anterior con un
tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.

Moving Average Chart for AtoBDist

5

Moving Average

4
3
UCL=2.346

2
1

Mean=0.4417

0
-1

LCL=-1.463

-2
-3
-4
-5
0

10

15

20

25

Sample Number

Figura 5.22 Ejemplo de carta de control de Media mvil

Otro ejemplo de carta de media mvil:
Se quiere monitorear el peso en libras de 45 lotes de arena embarcados
semanalmente a un cliente. Cada lote pesa aproximadamente 930 libras.
Comparar el monitoreo con una carta I-MR y una carta de promedio mvil.
Los datos
Weight
905
930
865
895
905
885
890
930
915
910
920

son los siguientes:

875
985
970
940
975
1000
1035
1020
985
960
945

Pgina 213

915
925
860
905
925
925
905
915
930
890
940
860

965
940
900
920
980
950
955
970
970
1035
1040

Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving
Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio mvil es:
Moving Average Chart of Weight
1025

Moving Average

1000
UCL=979.6

975
950

_
_
X=936.9

925
900

LCL=894.1

875
850
4

12

16

20
24
Sample

28

32

36

Figura 5.23 Carta de media mvil del ejemplo

La carta I-MR es la siguiente:

Pgina 214

40

44

I-MR Chart of Weight

1050

1 1

I ndividual Value

UCL=1010.9

1000

_
X=936.9

950
900
850

12

LCL=862.8

16

20
24
Observation

28

32

36

40

44

Moving Range

100

UCL=91.0

75
50
__
MR=27.8

25
0

LCL=0
4

12

16

20
24
Observation

28

32

36

40

44

Figura 5.25 Carta I-MR del ejemplo

Se observa una mejor deteccin de corrida de la media en la carta EWMA
Ejemplo de media mvil:
Usando los datos siguientes con M = 5, con desviacin estndar = 1 y media =
10:
Muestra

Xi

Mi

LSC

LIC

9.45

9.450

13.0000

7.0000

7.99

8.720

12.1213

7.8787

9.29

8.910

11.7321

8.2679

11.66

9.598

11.5000

8.5000

12.16

10.110

11.3416

8.6584

10.18

10.256

11.3416

8.6584

8.04

10.266

11.3416

8.6584

11.46

10.700

11.3416

8.6584

9.20

10.208

11.3416

8.6584

10

10.34

9.844

11.3416

8.6584

11

9.03

9.614

11.3416

8.6584

Pgina 215

12
13

11.47
10.51

10.300
10.110

14

9.40

10.150

15

10.08

10.098

16

9.37

10.166

17

10.62

9.996

18

10.31

9.956

19

8.52

9.780

20

10.84

9.932

21

10.90

10.238

22

9.33

9.980

23

12.29

10.376

24

11.50

10.972

25

10.60

10.924

26

11.08

10.960

27

10.38

11.170

28

11.62

11.036

29

11.31

10.998

30

10.52

10.982

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

11.3416

8.6584

Pgina 216

Figura 5.26 Carta de media mvil en Excel

Pgina 217

6. ANLISIS DE CAPACIDAD DEL PROCESO

6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.

Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en
el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se
cuantifica a partir de datos que, a su vez, son el resultado de la medicin del
trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un
proceso que se encuentra en estado de control estadstico, es decir, en
ausencia de causas especiales o atribuibles de variacin.

Pgina 218

Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo actan
las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que
es el que desearamos que tuvieran todas las unidades fabricadas pero que no
se obtiene, aunque todo funcione correctamente, debido a la existencia de la
variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos
siguientes:
Predecir que tanto cumplir las tolerancias especificadas el proceso.
Apoyar a los diseadores en la seleccin o modificacin de un proceso.
Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
Determinar el desempeo de un equipo nuevo.
Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
Seleccionar de entre diversos proveedores.
Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la
uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
La variabilidad natural en un cierto tiempo (variabilidad instantnea).
La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin
de la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) ,
se encuentran en 3 , o sea:
LTNS = + 3
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de
la variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar
fuera de estos limites de tolerancia naturales. Sin embargo, si el proceso no es
normal, el porcentaje puede diferir grandemente. Esto se esquematiza en la
figura siguiente:

.00135 LTNI

LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Pgina 219

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

Fig. 6.2 Fraccin defectiva fuera de especificaciones

p = porcentaje de medidas bajo la curva de probabilidad fuera de
especificaciones.
En el rea sombrada observamos medidas fuera de los lmites de
especificacin.

Para solucionar este problema, podemos reducir la desviacin estndar.

Tambin podramos cambiar la media.

Lo ideal sera, por supuesto cambiar ambas.

Figura 6.3 Algunas alternativas para mejorar la capacidad

Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los
siguientes supuestos32:

32 J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill,
Pp.404

Pgina 220

El proceso se encuentre bajo control estadstico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los ndices de habilidad. Si los datos se componen de
menos de 100 valores, entonces deben calcularse los lmites de confianza
inferiores.
Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la
variacin en el sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo
Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.

Figura 6.4 Variabilidad a corto plazo

Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de
tiempo suficientemente largo y en condiciones suficientemente diversas para
que sea probable que contenga algunos cambios de proceso y otras causas
especiales. Aqu todas las familias de variacin exhiben su contribucin en la
variacin del proceso general.

Figura 6.5 Variabilidad a largo plazo

Pgina 221

Para el clculo de Z utilizamos las siguientes formulas:

Z st

Z LT

lmite especif . nom.

desv.std ST

(6.1)

lmite especif . media

desv.std LT

dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
6.2 NDICES DE CAPACIDAD
ndice de capacidad potencial Cp
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin
permitida por las especificaciones entre la amplitud de variacin entre los
lmites de tolerancia naturales del proceso.

Cp PCR

LSE LIE
6

(6.2)

Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el

R
0.0099
d2

LIE= 73.95mm y de la carta R se estim

Cp = PCR = (LSE LIE) / 6
= (74.05 73.95) / 6 (0.0099) = 1.68

por tanto se tiene:

La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones

usada por el proceso.

Pgina 222

 1
100
Cp

(6.3)

Para el caso del ejemplo se tiene:

P = [(1/1.68)] 100 = 59.5%
Cuando slo existe un lmite de especificaciones, el ndice de capacidad
potencial Cp o PCR se define como:

Cps PCRS

Cpi PCRI

LIE
3

LSE
3

para el lmite superior

(6.4)

para el lmite inferior

Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE =

200psi,

Cp PCRI

264 200 64

0.67
3(32)
96

Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:

ZI

LIE 200 264

32

P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:

Cp 1-lado
0.25

226,628

0.5
0.6
0.7
0.8
1
1.1

66,807
35,931
17,865
8,198
1,350
484

2lados
453,25
5
133,61
4
71,861
35,729
16,395
2,700
967

Pgina 223

1.2
1.3
1.4
1.5
1.6
1.7
2

159
48
14
4
1
0.17
0.0009

318
96
27
7
2
0.34
0.0018

Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de

1.67 para procesos crticos, el ideal es 2.0 para procesos nuevos como es el
caso de Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
ndice de capacidad real Cpk
Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando
el mnimo entre los Cps correspondientes a cada lado de la media, como sigue,

Cpk PCRk min( PCRS , PCRI )

debe ser mayor a 1
(6.5)
donde,

Cps PCRS

Cpi PCRI

LSE
3

LIE
3

para el lmite superior

(6.6)

para el lmite inferior

Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar =2, se tiene:

Cps PCRS

Cpi PCRI

62 53
1 .5
32

53 38
2 .5
32

para el lmite superior

para el lmite inferior

Por tanto, el ndice de capacidad real es:

Pgina 224

Cpk PCRk min( PCRS , PCRI ) min(1.5,2.5) 1.5

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

Pgina 225

ndice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm

Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no
necesariamente estn centrados respecto a la media de las especificaciones
como se muestra a continuacin:

LIE

PROCESO A: Cpk = 1

LSE

LIE

LSE
PROCESO B: Cpk =1

Figura 6.7 Procesos con Cpk = 1 pero con centrado diferente

NDICE DE CAPACIDAD Cpm

Un nuevo ndice Cpm que toma en cuenta el centrado es el siguiente:

T
Si

1
( LSE LIE )
2

( T )
2

(6.7)

(6.8)

Se tiene,

Cpm PCRkm

(6.9)

LSE LIE
LSE LIE
LSE LIE

2
2
6
6 ( T )
1 2
(6.10)

Una condicin necesaria para que Cpm sea mayor de uno es:

1
T ( LSE LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:
Lmites de especificacin: LIE = 38, LSE = 62, T = 50
Proceso A: Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5

1
1.0
1 0
Entonces Cpm (A) =

Pgina 226

2
1 (3) 2

0.63

Cpm (B) =
Por tanto es mejor el proceso A, centrado en la media.

NDICE DE CAPACIDAD Cpkm

En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn
(1992), que toma en cuenta el descentrado de la media del proceso respecto
de la media de especificaciones, o sea:

Cp pmk PCR pmk

Cpk
1 2
(6.11)

Cuando T es igual a X media del proceso, Cpkm = Cpk

Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), despus de que el
proceso se estabiliz quedando slo con causas comunes, se obtuvo lo
siguiente:
Xmedia de medias = 264.06
Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:
= X media de medias
= Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326]
Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con
las especificaciones

Pgina 227

Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que
el proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE =
46) se obtuvo lo siguiente:
Xmedia de medias = 40

Rmedio = 5

a) Determinar la desviacin estndar del proceso

b) Determinar los lmites de tolerancia natural del proceso
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD
NORMAL
Histograma
Para el estudio se requieren alrededor de 100 o ms observaciones para
permitir que el proceso se estabilice, deben seguirse los pasos previos
siguientes:
Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviacin estndar de la muestra S,
proporciona informacin acerca de la capacidad del proceso.
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los
datos se muestran se muestran a continuacin.
HIST
265
346
265
221
261
Pgina 228

205
263
307
220
268
260
234
299
215
197
286
274
243
231
267
281
265
214
318

317
242
258
276
300
208
187
264
271
280
242
260
321
228
250
299
258
267
293

254
281
294
223
260
308
235
283
277
200
235
246
328
296
276
264
269
235
290

176
248
263
231
334
280
265
272
283
265
262
271
245
301
280
274
253
287
258

248
260
274
337
250
278
254
274
275
278
250
265
270
298
257
210
280
269
251

Summary for HIST

Anderson-Darling Normality Test

180

210

240

270

300

330

A-Squared
P-Value

0.75
0.049

Mean
StDev
Variance
Skewness
Kurtosis
N

264.06
32.02
1025.15
-0.129448
0.518454
100

Minimum
1st Quartile
Median
3rd Quartile
Maximum

176.00
248.00
265.00
280.00
346.00

95% Confidence I nterval for Mean

257.71

270.41

95% Confidence I nterval for Median

260.00

271.00

95% Confidence I nterval for StDev

95% Confidence I ntervals

28.11

Mean
Median
258

260

262

264

266

268

270

Figura 6.8 Resumen grfico de los datos

Pgina 229

37.19

X 264.06

S = 32.02

Consecuentemente la capacidad el proceso se estima en

96 psi.

X 3S

264

Esta primera estimacin de la capacidad es independiente de las

especificaciones.
Papel de probabilidad normal
Es una herramienta que permite evaluar la capacidad aproximada del proceso
con resultados parecidos a los del histograma pero con un nmero menor de
muestras y sin las operaciones del histograma, a continuacin se muestra un
ejemplo de esta herramienta.
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos
como en el histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable
en intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la
lnea de ajuste
4. Permite identificar la media y la desviacin estndar aproximada del
proceso. As como la fraccin defectiva, el porcentaje de datos entre cierto
rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,
asignndoles una posicin ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (X j, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el
proceso y se procede a hacer las identificaciones:
La media corresponde al percentil 50 y la desviacin estndar es estimada por
la diferencia del percentil 84 menos el percentil 50,
La media ser el punto en X correspondiente a P j = 0.5
La desviacin estndar es la diferencia en X j corresp. a Pj = 0.5 y Pj = 0.84

Pgina 230

Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)

Con ayuda del grfico podemos obtener la media, la desviacin estndar y el

porcentaje de valores que se encuentran fuera de especificaciones.

Pj
0.84

0.5
Desv. Estndar
Fraccin
Defectiva

LIE

X Media

Xj

Figura 6.9 Capacidad del proceso con papel normal

El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se est analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi,
puede predecirse usando una lnea slida como modelo. Por ejemplo, slo
ms del 20% de los datos del proceso seran valores de 225 o inferiores.
Ejemplo 6.6 Clculo de capacidad con papel normal en Minitab

Pgina 231

Datos
271
275
277
278
280
283
290
301
318
346

197
200
215
221
231
242
245
258
265
265

Probability Plot of Datos

Normal
99

Mean
StDev
N
AD
P-Value

95
90

Percent

80
70
60
50
40
30
20
10
5

150

200

250
Datos

De este diagrama se obtiene:

262.9

298 262.9 35.1 psi

Pgina 232

300

350

262.9
38.13
20
0.262
0.667

Note que los valores no difieren mucho de los del histograma con media 264.06
y desviacin estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de
las especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin
LIE en 200 psi, se observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se
obtendrn resultados inexactos. Cuando los procesos son ligeramente
anormales se pueden utilizar los mtodos de Pearson, transformar los datos
por Box Cox o usar Weibull.
Capacidad del proceso con cartas de control
La carta de control es un mejor instrumento para evaluar la capacidad del
proceso porque se puede observar que el proceso est en control ya sea en
forma instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son
totalmente inesperadas tenemos un proceso inestable impredecible.

Pgina 233

?
?
?
?

?
?
?

Figura 6.10 Comportamiento de un proceso fuera de control

Si las variaciones presentes son iguales, se dice que se tiene un proceso
estable. La distribucin ser predecible en el tiempo.

Prediccin

Tiempo

Fig. 6.11 Comportamiento de un proceso dentro de control

Clculo de la desviacin estndar del proceso

R
d2

S
C4

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

Donde,
El factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan los
ndices de desempeo Pp y Ppk.
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S

Pgina 234

En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma

rangos / (n -1)
Ejemplo 6.7 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente,
despus de que el proceso se estabiliz quedando slo con causas comunes:

= 64.06 ,

= 77.3

Por tanto estimando los parmetros del proceso se tiene:

x media de medias

R
77.3

33.23
d 2 2.326

Si el lmite de especificacin es: LIE = 200.

C pk

200 264.06
3 33.23

El
especificaciones.

= 0.64 por tanto el proceso no cumple con las

Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente,
despus de que el proceso se estabiliz quedando slo con causas comunes:

x 100, s 1.05

Por tanto estimando los parmetros del proceso se tiene:

x 100

s
C4
=

1.05
1.117
.094

C4 para n = 5 tiene el valor 0.94

Pgina 235

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.

C pk
El

Cp
El

105 100
3 1.117

1.492

105 85 2.984
6 1.117

Por lo tanto el proceso es capaz de cumplir con especificaciones.

Capacidad de procesos con Minitab: normales y no normales
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1
32.02 OK

Mean 264.06 Estndar deviation

Considerando Lmites de especificaciones LIE = 200 y LSE = 330

Nos aseguramos que los datos se distribuyan normalmente con la prueba de
Ryan como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente

Fig. 6.12 Datos normales Pvalue mayor a 0.05

Otra opcin por medio de una grfica de probabilidad normal, se tiene:
Pgina 236

5. Graph > Probability plot > Normal

6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.

Fig. 6.13 Datos normales Pvalue mayor a 0.05

Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
Stat > Quality tools > Capability anlisis > Normal
Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
Estimate R-bar OK
Los resultados se muestran a continuacin:

Pgina 237

Fig. 6.14 Capacidad del proceso

Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2
(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar de
todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con
esta desviacin estndar se determinan los ndices de desempeo Pp y Ppk as
como el desempeo Overall, no importando si el proceso est en control o no,
en este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack
Para mostrar toda la informacin relevante:
Determinar la capacidad con:
Stat > Quality tools > Capability Six Pack > Normal
Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Estimate R-bar OK
Los resultados se muestran a continuacin:

Pgina 238

Figura 6.15 Resultados de capacidad del proceso Six Pack

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

Shape parameter 1.2 Scale parameter 1

Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5

Determinar la capacidad con:
Stat > Quality tools > Capability anlisis > NoNormal
Pgina 239

Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5

Estimate R-bar OK
Los resultados se muestran a continuacin:
El histograma no muestra evidencia de alguna discrepancia seria entre el
modelo y los datos, ya que la curva muestra buen ajuste. Sin embargo
observamos que algunos datos caen fuera del lmite superior de especificacin.
Lo cual quiere decir que en algunos casos la deformacin ser mayor a 3.5
mm.

Fig. 6.16 Determinacin de la capacidad del proceso por Weibull - Datos no

normales
El ndice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeo del proceso no
es capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
Anlisis de capacidad con experimentos diseados
El diseo de experimentos es un mtodo sistemtico para variar el nivel de los
parmetros controlables del proceso y analizar sus efectos en los resultados
33 Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la
capacidad del proceso a largo plazo.

Pgina 240

finales o productos. De esta forma se puede determinar el nivel de los

parmetros que optimizan el proceso.
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN
Error rror del equipo de medicin
En cualquier problema que involucre mediciones, de la variabilidad total parte
de la variabilidad observada es debida al producto mismo y parte es debida a
la variacin del equipo de medicin, o sea:
2
2
total
2producto equipo
.medicin

(6.13)
Ejemplo 6.8 Tomando 20 partes y evalundolas 2 veces por un mismo operador
con el mismo instrumento de medicin, se obtienen los resultados mostrados a
continuacin:
OP1IN OP1I XPARTS 1
N2
media Rango
1
21
20
20.5
1
2
24
23
23.5
1
3
20
21
20.5
1
4
27
27
27
0
5
19
18
18.5
1
6
23
21
22
2
7
22
21
21.5
1
8
19
17
18
2
9
24
23
23.5
1
10
25
23
24
2
11
21
20
20.5
1
12
18
19
18.5
1
13
23
25
24
2
14
24
24
24
0
15
29
30
29.5
1
16
26
26
26
0
17
20
20
20
0
18
19
21
20
2
19
25
26
25.5
1
20
19
19
19
0
Figura 6.16 Cartas X-R del estudio

Pgina 241

Xbar-R Chart of C1, ..., C2

30

Sample Mean

1
1

25

UCL=24.18
__
X=22.3
LCL=20.42

20

1
1

11
Sample

13

15

17

19

UCL=3.267

Sample Range

2
_
R=1

LCL=0
1

11
Sample

13

15

17

19

Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos
intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal
ya que se espera que el instrumento distinga las diferentes unidades de
producto.
La carta R representa las diferencias entre mediciones de la
misma unidad con el mismo instrumento. En este caso la carta R est en
control, indicando que el operador no tiene dificultad para realizar las
mediciones en forma consistente. Si hubiera puntos fuera de control, indica
que el operador tiene dificultad para utilizar el instrumento.
La desviacin estndar del error de medicin, instrumento puede estimarse como:

instrumento

R
1.0

0.887
d 2 1.128

Como la distribucin del error de medicin es aproximadamente normal,

entonces 6instrumento es un buen estimador de la capacidad del instrumento de
medicin.
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de
medicin se puede asignar al error del instrumento de medicin.
Es usual comparar la capacidad del instrumento de medicin contra el rango
de las especificaciones (LSE LIE), denominado P/T, como sigue:

Pgina 242

P 6 instrumento

T LSE LIE

(6.14)

Para el caso del ejemplo se tiene:

P 6(0.887) 5.32

0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de
la tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del
producto y las del instrumento de medicin. Por tanto,
2
total
S2

2
2
2producto total
instrument
o

De los datos del ejemplo se tiene:

Variable
OP1IN1

N
40

Mean
Median
22.300
21.500

TrMean
22.167

StDev
3.172

SE Mean
0.502

2
total
S2

= 3.17 x 3.17 = 10.0615

2
producto

2
total

2
instrument
o

= 10.0615 0.7867 = 9.2748

Por tanto la desviacin estndar de la caracterstica del producto es:
= 3.045
La variabilidad del instrumento de medicin tambin puede expresarse como
un porcentaje de la variabilidad de la caracterstica del producto como sigue:

instrumento
x100
producto
(6.15)
Para el ejemplo se tiene:

Pgina 243

 instrumento
x100
producto
=

0.887
x100 29.13%
3.045

6.6.2 Rrepetibilidad y reproducibilidad (R&R)

Se pueden determinar los componentes del error debidos a diferentes
operadores (repetibilidad) y debidos al instrumento de medicin en s
(reproducibilidad).
2
2
2
error
. medicin repetibilidad reproducibilidad

(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores,
haciendo 2 intentos cada uno como sigue.
PARTS OP1IN1
1
21
2
24
3
20
4
27
5
19
6
23
7
22
8
19
9
24
10
25
11
21
12
18
13
23
14
24
15
29
16
26
17
20
18
19
19
25
20
19
PARTS OP1IN1
OP3IN1
1
21
20
2
24
23
3
20
21
4
27
27

OP1I RANGO
N2
1
20
1
23
1
21
1
27
0
18
1
21
2
21
1
17
2
23
1
23
2
20
1
19
1
25
2
24
0
30
1
26
0
20
0
21
2
26
1
19
0
OP1IN2
OP3IN2
1
20
1
24
1
19
0
28

OP2IN1
20
24
19
28
19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18
RANGO1
RANGO3
20
0
24
0
21
2
26
2

RANGO
OP2IN2 2
OP3IN1
20
0
19
24
0
23
21
2
20
26
2
27
18
1
18
21
3
23
24
2
22
20
2
19
23
2
24
25
1
24
20
0
21
19
2
18
25
0
25
25
2
24
28
2
31
26
1
25
20
1
20
19
0
21
24
1
25
17
1
19
OP2IN1
OP2IN2
19
23
20
27

Pgina 244

21
24
22
28

2
1
2
1

RANGO
OP3IN2 3
21
2
24
1
22
2
28
1
21
3
22
1
20
2
18
1
24
0
25
1
20
1
19
1
25
0
25
1
30
1
27
2
20
0
23
2
25
0
17
2
RANGO2

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19

18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19

1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0

19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18

18
21
24
20
23
25
20
19
25
25
28
26
20
19
24
17

1
3
2
2
2
1
0
2
0
2
2
1
1
0
1
1

18
23
22
19
24
24
21
18
25
24
31
25
20
21
25
19

21
22
20
18
24
25
20
19
25
25
30
27
20
23
25
17

3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2

La media de los rangos medios para cada operador es:

1
1
R ( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
por tanto la desviacin estndar de la repetibilidad es:

repetibilidad

R
1.15

1.02
d 2 1.128
tomando d2 para n=2 lecturas

La reproducibilidad es causada por diferencias entre los 3 operadores, es decir,

x max max( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min

reproducibilidad

d2
considerando el nmero de operadores.

Del ejemplo, se tiene que para 3 operadores, d 2 =1.693, por tanto:

xmax = 22.60, xmin =22.28 y Rx=0.32, y
reproducibilidad = 0.32/1.693 = 0.19
Por tanto la variabilidad total del error de medicin es:
Pgina 245

2
2
2
instrument
. medicin repetibilidad reproducibilidad

= 1.022 + 0.192 = 1.08

instrumento.medicin = 1.04
La relacin P/T = 6 (1.04) / (60-5) = 0.11
Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas
siguientes (tomando 5.15 sigmas):
Gage R&R Study - XBar/R Method
Gage R&R for OP1IN1
Gage name:
Date of study:
Reported by:
Tolerance:
Misc:

DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
5

Source

Variance

%Contribution
(of Variance)

Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation

1.0424
1.0394
0.0030
9.4801
10.5225

9.91
9.88
0.03
90.09
100.00

Source

StdDev
(SD)

Study Var
(5.15*SD)

%Study Var
(%SV)

%Tolerance
(SV/Toler)

Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation

1.02096
1.01950
0.05449
3.07898
3.24384

5.2579
5.2504
0.2806
15.8568
16.7058

31.47
31.43
1.68
94.92
100.00

9.56
9.55
0.51
28.83
30.37

Number of distinct categories = 4

De esta forma cuando se toman en cuenta ambas la repetibilidad y la
reproducibilidad, la capacidad del sistema de medicin se reduce. Es necesario
entrenar al operador en el uso del instrumento de medicin y en todo caso a
encontrar otro equipo de medicin.

Pgina 246

6.6.3 R&R Capacidad de los sistemas de medicin - AIAG

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

Variacin del proceso

Variacin
proceso,
real
Variacin
deldel
proceso,
real

Variacin dentro de la
muestra

Repetibilidad

Variacin de la medicin

Variacin
originada
Equipo
de
medicin
por el calibrador

Reproducibilidad

Estabilidad

Linealidad

Sesgo

Calibracin
Figura 6.18 Diagrama de variabilidad observada en el proceso
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas
en una misma parte.
O p e ra d o r -B

O p e ra d o r -C

Pgina 247

O p e ra d o r -A

R e p r o d u c ib i l id a d

Figura 6.19 Evaluacin de la reproducibilidad

Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento
de medicin, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas caractersticas en una misma parte.

Figura 6.20 Evaluacin de la repetibilidad

R E P E T I B IL I D A D

Valor verdadero:
Valor correcto terico / estndares NIST 34
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una
misma zona
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Resolucin: La medicin que tiene exactitud y precisin.

34 En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico

se tiene el CENEAM o el Centro Nacional de Metrologa

Pgina 248

Exacto y preciso
(resolucin)

Exacto pero no preciso

Preciso pero no exacto

Figura 6.21 Evaluacin de la precisin y exactitud

- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema
de medicin, hechas sobre el mismo patrn o sobre las mismas partes, cuando
se mide una sola de sus caractersticas, durante un perodo de tiempo
prolongado.

i e

Figura 6.22 Evaluacin de la estabilidad

T

i e

Linealidad: diferencia en los valores de la escala, a travs del rango de

operacin esperado del instrumento de medicin.

Pgina 249

Valor
verdadero

Valor
verdadero

Sesgo
Menor

Sesgo
mayor

(rango inferior)

(rango superior)

Rango de Operacin del equipo

Figura 6.23 Evaluacin de la linealidad

Sesgo: distancia entre el valor promedio de todas las mediciones y el valor
verdadero. Error sistemtico o desviacin.

V a lo r
V e rd a d e ro

S e s g o

Figura 6.24 Evaluacin de la exactitud o sesgo

Calibracin: Es la comparacin de un estndar de medicin con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
Importante: para que el equipo de medicin tenga una discriminacin
adecuada en la evaluacin de las partes, su
resolucin debe ser al menos 1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del
25% como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones
observadas son debidas al proceso y otras son debidas al error o variacin en

Pgina 250

los sistemas de medicin. La variacin total es expresada de la siguiente

manera:

2 total 2 proceso 2 error medicin

Estudios R&R - Mtodo Corto del Rango
Es un mtodo que proporciona un valor aproximado del error R&R sin que
muestre las diferencias entre errores por el equipo y por los operadores.Se
usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una sola
vez.Se calcula el rango de la medicin de cada parte y al final el rango
promedio.
La desviacin estndar de R&R se aproxima con la formula de rango medio
entre d2*. El % de R&R se calcula comparando la desv. Estndar de R&R con la
del proceso
Partes
1
2
3
4
5

Evaluador A Evaluador B Rango A,B

0.85
0.80
0.05
0.75
0.70
0.05
1.00
0.95
0.05
0.45
0.55
0.10
0.50
0.60
0.10

Rango medio = 0.35/5 = 0.07

GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588
Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora

Figura 6.25 Mtodo corto del rango

Pgina 251

Estudio de R&R Mtodo largo

Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.

La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es
importante que dichas partes sean representativas del proceso total (80% de la
variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida
sobre el equipo de medicin a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
Asegrese de que el equipo de medicin haya sido calibrado.
Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la
Repetibilidad.
Los clculos son ms fciles de realizar.

Pgina 252

II. Mtodo ANOVA

Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y
otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso

Clculos con Excel o manual:

Introducir los datos en la hoja de coleccin de datos siguiente por cada
operador y hacer los clculos indicados en la zona gris:

Pgina 253

Pgina 254

Pgina 255

Pgina 256

Pgina 257

Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y
parte especfica errnea.

Figura 6.26 Comportamiento de la carta de control de rangos para el ejemplo

Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX =
0.005143 X =
0.004717 LICX =
0.004290417

X LS
LICX

Figura 6.26 Comportamiento de la carta de control de medias para el ejemplo

Se procede posteriormente a determinar los errores o variabilidad del sistema
de medicin con la hoja de trabajo siguiente, calculando los campos con
sombra gris:

Pgina 258

Interpretacin de los resultados

1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa
para liberar producto terminado la referencia es la tolerancia del cliente; si el
equipo se usa para control del proceso, la referencia es la variacin total del
proceso.
2. El nmero de categoras debe ser de al menos 4 indicando que el equipo
distingue las partes que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada
parte como sigue:

Figura 6.27 Grfica que muestra el comportamiento de las mediciones de los

operadores
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es
medida dos veces por tres operadores. Realice un estudio R&R mediante el
mtodo Xbar-R.

Pgina 259

OPERAD
OR

Muestra

A.colum
na 1
1er
Intento

B.colum colum colum

na 2
na 3
na 5
2do
3er
1er
Intento Intento Intento

C.colum colum colum

na 6
na 7
na 9
2do
3er
1er
Intento Intento Intento

0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045

0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045

0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040

0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050

0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040

0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050

0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050

0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050

0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045

10

0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045

Totales

0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460

colum
na 10
2do
Intento

colum
na 11
3er
Intento

Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5

Operador
es
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Medici
n
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.005
0.004
0.0045
0.0055
0.0045
0.005
0.0045

Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5

Operador
es
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Pgina 260

Medici
n
0.0045
0.0055
0.0045
0.005
0.004
0.006
0.0055
0.005
0.0045
0.004
0.0045
0.005
0.0045
0.005
0.0045

Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5

Operador
es
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
0.0045
0.0045
0.0045
0.005
0.0045

6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

0.0055
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004

6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

0.005
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004

6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

0.005
0.005
0.005
0.0045
0.0045
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045

Seleccione en el men de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Study variation 5.15 Process tolerante 0.006
Los resultados se muestran a continuacin:
Gage R&R Study - XBar/R Method
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation

%Contribution
VarComp
(of VarComp)
0.0000001
41.00
0.0000001
40.52
0.0000000
0.48
0.0000001
59.00
0.0000001
100.00

Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation

StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867

Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913

%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00

%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19

Number of Distinct Categories = 1

Anlisis de los resultados:

El error de R&R vs tolerancia es 21.25% y vs variacin total del proceso es
64.03% lo que hace que el equipo de medicin no sea adecuado para la
medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.

Pgina 261

Gage R&R (Xbar/ R) for Datos

Reported by:
Tolerance:
Misc:

Gage name:
Date of study:
Components of Variation

Datos by Partes

Percent

80

0.006

% Contribution
%StudyVar
% Tolerance

0.005

40

0.004
Gage R&R

Repeat

Reprod

Part-to-Part

R Chart by Operadores
Sample Range

0.006

0.0005

_
R=0.000417

0.005

0.0000

LCL=0

10

2
Operadores

Operadores

UCL=0.005143

0.0050

Operadores * Partes I nteraction

_
X=0.004717

Average

Sample Mean

0.004

Xbar Chart by Operadores

1

5
6
Partes

Datos by Operadores
UCL=0.001073

0.0010

0.0045
LCL=0.004290

0.0050

2
3

0.0045
0.0040

0.0040

5
6
Partes

10

Figura 6.27 Resultados del estudio R&R por el mtodo de Xbarra-R

La grfica R se mantiene en control indicando que las mediciones se realizaron
en forma adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera de control, lo cual
debera ser al menos el 50%, indicando que el equipo no discrimina las
diferentes partes.
Ejemplo 3: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY
TOOLS>GAGE STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to
remove interaction 0.25
Los resultados se muestran a continuacin:
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source
Partes
Operadores
Partes * Operadores
Repeatability

DF
9
2
18
60

SS
0.0000086
0.0000002
0.0000014
0.0000063

MS
0.0000010
0.0000001
0.0000001
0.0000001

Pgina 262

F
12.2885
0.9605
0.7398

P
0.000
0.401
0.757

Total

89

0.0000165

Los operadores y la interaccin no fueron significativos, slo las

partes
Two-Way ANOVA Table Without Interaction
Source
Partes
Operadores
Repeatability
Total

DF
9
2
78
89

SS
0.0000086
0.0000002
0.0000077
0.0000165

Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation

VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002

MS
0.0000010
0.0000001
0.0000001

F
9.67145
0.75592

P
0.000
0.473

Gage R&R

%Tolerance
Source
(SV/Toler)
Total Gage R&R
27.04
Repeatability
27.04
Reproducibility
0.00
Operadores
0.00
Part-To-Part
26.54
Total Variation
37.88

%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var

%Study Var

StdDev (SD)

(5.15 * SD)

(%SV)

0.0003150

0.0016222

71.36

0.0003150

0.0016222

71.36

0.0000000

0.0000000

0.00

0.0000000

0.0000000

0.00

0.0003092

0.0015923

70.05

0.0004414

0.0022731

100.00

Number of Distinct Categories = 1

La interaccin no es significativa, y los errores de R&R indican que equipo de
medicin no es adecuado, ni el nmero de categoras.

Pgina 263

Gage R&R (ANOVA) for Datos

Reported by:
Tolerance:
Misc:

Gage name:
Date of study:
Components of Variation

Percent

80

Datos by Partes
% Contribution

0.006

%StudyVar
% Tolerance

40

0.005
0.004

Gage R&R

Repeat

Reprod

Part-to-Part

R Chart by Operadores
Sample Range

0.006

0.0005

_
R=0.000417

0.005

0.0000

LCL=0

10

2
Operadores

Operadores * Partes I nteraction

Operadores

UCL=0.005143
_
X=0.004717

0.0045
LCL=0.004290

Average

Sample Mean

0.0050

0.004

Xbar Chart by Operadores

1

5
6
Partes

Datos by Operadores
UCL=0.001073

0.0010

0.0050

2
3

0.0045
0.0040

0.0040

5
6
Partes

10

Figura 6.28 Resultados del estudio R&R por el mtodo de ANOVA

Las conclusiones son similares que con el mtodo de X barra R.
Estudios de R&R por atributos
Ejemplo 4.
Se utiliza el anlisis de acuerdo por atributos para evaluar las calificaciones
nominales u ordinales proporcionadas por varios evaluadores. Las mediciones
son calificaciones subjetivas de la gente en vez de mediciones fsicas. Algunos
ejemplos incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o mala.
Calificaciones de color, aroma y gusto del vino en una escala de 1 a 10.
En estos casos la caracterstica de calidad es difcil de definir y evaluar. Para
obtener clasificaciones significativas, ms de un evaluador debe calificar la
medicin de respuesta. Si los evaluadores estn de acuerdo, existe la
posibilidad de que las apreciaciones sean exactas. Si hay discrepancias, la
utilidad de la evaluacin es limitada.
Los datos pueden ser texto o numricos. Las calificaciones asignadas pueden
ser Nominales u ordinales.
Los datos nominales son variables categricas que tienen dos o ms niveles sin
orden natural. Por ejemplo, los niveles en un estudio de gustacin de comida
que puede incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que tienen tres o ms niveles con
ordenamiento natural, tales como: en desacuerdo total, en desacuerdo,
neutral, de acuerdo, y completamente de acuerdo.
Ejemplo 4. Comparacin pasa no pasa

Pgina 264

Un sistema de medicin de atributos compara cada parte con un estndar y

acepta la parte si el estndar se cumple. La efectividad de la discriminacin es
la habilidad del sistema de medicin de atributos para discriminar a los buenos
de los malos.
1. Selecciona un mnimo de 20 unidades del proceso. Estas unidades deben
representar el espectro completo de la variacin del proceso (buenas, erroneas
y en lmites).
2. Un inspector experto realiza una evaluacin de cada parte, clasificndola
como Buena o No Buena.
3. Cada persona evaluar las unidades, independientemente y en orden
aleatorio, y las definir como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls para cuantificar la
efectividad del sistema de medicin.

Sistema de Medicin de Atributos

Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Multiple columns, con Persona 1A - Persona 2B.
4 En Number of appraisers, 2.
5 En Number of trials, 2.
6 En Known standard/attribute, poner Atributo
7 no Checar Categories of the attribute data are ordered y poner OK
Los resultados se muestran a continuacin:

Pgina 265

Figura 6.29 Resultados del estudio de R&R comparativo por atributos

Pgina 266

Figura 6.30 Resultados del estudio de R&R comparativo por atributos por
avaluador

Interpretacin de Resultados

% del Evaluador es la consistencia de una persona.

% Evaluador vs Atributo es la medida de el acuerdo que hay entre la
evaluacin del operador y la del experto.
% de Efectividad de Seleccin es la medida de el acuerdo que existe entre los
operadores.
% de Efectividad de Seleccin vs. el Atributo es una medida general de la
consistencia entre los operadores y el acuerdo con el experto.
Aunque el 100% es el resultado que deseamos obtener, en un estudio de
repetibilidad y reproducibilidad de atributos, la siguiente gua se usa
frecuentemente:

Pgina 267

Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de
un examen estndar de doceavo grado. Se requiere determinar la habilidad de
los evaluadores para calificar el examen de forma que sea consistente con los
estndares. Cada uno de los evaluadores califica 15 exmenes en una escala
de cinco puntos (-2, -1, 0, 1, 2):

1
2
3
4
5
6
7

Abrir el archivo File > Openworksheet > ESSAY.MTW.

Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
En Attribute column, poner Rating.
En Samples, poner Sample.
En Appraisers, poner Appraiser.
En Known standard/attribute, poner Attribute.
Checar Categories of the attribute data are ordered y poner OK

El contenido del archivo es como sigue:

Sampl
Attribu
Appraiser
e
Rating te
Simpson
1
2
2
Montgomery 1
2
2
Holmes
1
2
2
Duncan
Hayes
Simpson
Montgomery
Holmes

1
1
2
2
2

1
2
-1
-1
-1

2
2
-1
-1
-1

Duncan
Hayes
Simpson
Montgomery
Holmes

2
2
3
3
3

-2
-1
1
0
0

-1
-1
0
0
0

Duncan
Hayes
Simpson
Montgomery
Holmes

3
3
4
4
4

0
0
-2
-2
-2

0
0
-2
-2
-2

Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan

4
4
5
5
5
5

-2
-2
0
0
0
-1

-2
-2
0
0
0
0

Appraiser
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer

Pgina 268

Sampl
e
8
8
9

Rating
0
0
-1

Attribu
te
0
0
-1

9
9
9
9
10

-1
-1
-2
-1
1

-1
-1
-1
-1
1

10
10
10
10
11

1
1
0
2
-2

1
1
1
1
-2

11
11
11
11
12

-2
-2
-2
-1
0

-2
-2
-2
-2
0

12
12
12
12
13
13

0
0
-1
0
2
2

0
0
0
0
2
2

Hayes
Simpson
Montgomery
Holmes

5
6
6
6

0
1
1
1

0
1
1
1

Duncan
Hayes
Simpson
Montgomery
Holmes

6
6
7
7
7

1
1
2
2
2

1
1
2
2
2

Duncan
Hayes
Simpson
Montgomery
Holmes

7
7
8
8
8

1
2
0
0
0

2
2
0
0
0

y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes

13
13
13
14

2
2
2
-1

2
2
2
-1

14
14
14
14
15

-1
-1
-1
-1
1

-1
-1
-1
-1
1

15
15
15
15

1
1
1
1

1
1
1
1

Los resultados del anlisis se muestran a ontinuacin:

GageR&RforDatos
AssessmentAgreement
Appraiser#Inspected#MatchedPercent95%CI
Duncan15853.33(26.59,78.73)
Hayes151386.67(59.54,98.34)
Holmes1515100.00(81.90,100.00)
Montgomery1515100.00(81.90,100.00)
Simpson151493.33(68.05,99.83)
#Matched:Appraiser'sassessmentacrosstrialsagreeswiththe
knownstandard.
Kendall'sCorrelationCoefficient
AppraiserCoefSECoefZP
Duncan0.897790.1924504.615540.0000
Hayes0.960140.1924504.939550.0000
Holmes1.000000.1924505.146670.0000
Montgomery1.000000.1924505.146670.0000
Simpson0.932580.1924504.796360.0000

BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)

Pgina 269

#Matched:Allappraisers'assessmentsagreewitheachother.
Fleiss'KappaStatistics
ResponseKappaSEKappaZ
P(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknown
standard.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000

Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9581020.086066311.11000.0000
*NOTE*Singletrialwithineachappraiser.Nopercentageof
assessmentagreementwithinappraiserisplotted.

Pgina 270

Date of study:
Reported by:
Name of product:
Misc:

Assessment Agreement

Appraiser vs Standard
100

95.0% CI
Percent

Percent

80

60

40

20

0
Duncan

Hayes

Holmes
Appraiser

Montgomery

Simpson

Figura 6.31 Resultados del estudio de R&R por atributos

Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos
los evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la
observacin del desempeo de Duncan y Haues indica que no se apegan al
estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada
uno de los evaluadores vs el estndar, pudiendo comparar fcilmente la
determinacin de acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento
adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de
especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o
gages pasa, no pasa no son confiables

Pgina 271

7. MUESTREO DE ACEPTACIN POR ATRIBUTOS

7.1 EL PROBLEMA DE LA ACEPTACIN POR MUESTREO
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha
estado siendo desplazado por mtodos preventivos como el CEP y el diseo de
experimentos.
Si se recibe un lote de un proveedor, se toma una muestra y se evalan
algunas de las caractersticas del producto, en base a los resultados se toma
una decisin sobre la disposicin del lote, ya sea aceptados para su uso en
produccin, o rechazados para que el proveedor tome acciones.

Fig. 7.1 Proceso de inspeccin por muestreo

Hay 3 aspectos importantes del muestreo:
Su propsito es calificar los lotes, no estimar los parmetros del lote.
No proporcionan un mecanismo de control de calidad, simplemente aceptan o
rechazan lotes.
Sirven como herramienta de auditora para segurar que la calidad de un lote
est de acuerdo a especificaciones.
Existen 3 alternativas para calificar un lote:
Aceptar sin inspeccin. Con proveedores confiables.
Inspeccionar al 100%, separando los productos defectuosos.
Realizar un muestreo de aceptacin.
La aceptacin por muestreo es ms util en las situaciones siguientes:
Cuando las pruebas son destructivas.
Cuando el costo de la inspeccin 100% es muy alto.
Cuando la inspeccin 100% es muy tardada.
Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
Cuando hay riesgo de generar problemas legales por productos crticos.

Pgina 272

VENTAJAS Y DESVENTAJAS DEL MUESTREO

Cuando se utiliza inspeccin por muestreo, se tienen las ventajas siguientes:
Es ms barato, requiriendo menos inspeccin.
Existe un menor manejo de producto o menor dao.
Se aplica a pruebas destructivas.
El rechazar un lote completo en lugar de slo las partes defectivas, motiva al
proveedor a mejorar su calidad.
El muestreo de aceptacin tambin presenta varias desventajas:
Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
La informacin que se genera respecto al producto o proceso es poca.
El muestreo de aceptacin requiere documentacin y planeacin, no as la
inspeccin 100%.
TIPOS DE PLANES DE MUESTREO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables
y atributos. Una caracterstica se expresa en variables si se puede medir, o en
atributos si se califica como pasa no pasa.
Un plan de muestreo simple es un procedimiento de calificacin de lotes,
donde se toma una muestra aleatoria de n partes y la disposicin del lote es
determinada dependiendo de los resultados de la muestra, aceptndose si se
encuentran hasta c productos defectivos.
Un plan de muestreo doble implica que despus de tomar una muestra e
inspeccionar, se toma una decisin de (1) rechazar, (2) aceptar o (3) tomar una
segunda muestra, si esto sucede, se combina la informacin de la primera y de
la segunda para tomar una decisin.
Un plan de muestreo mltiple es una extensin del doble, en el cual ms de
dos muestras pueden ser necesarias antes de tomar una decisin. Los tamaos
de estas muestras son ms pequeos que en el muestreo doble.
El muestreo secuencial implica la seleccin de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote despus de un cierto nmero
de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares
con cualquiera de las modalidades anteriores.
FORMACIN DE LOTES
Para inspeccin de lotes, estos deben cumplir las caractersticas siguientes:
Deben ser homogneos, las unidades deben ser producidas por las mismas
corridas de produccin, en condiciones similares. Es difcil tomar acciones
correctivas para lotes mezclados.

Pgina 273

Lotes grandes son preferibles a lotes pequeos, dado que la inspeccin es ms

eficiente.
Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de dao
y permitir la seleccin de muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes
de las capas superiores, sino de preferencia numerar las partes con un nmero
y seleccionar con tablas de nmeros aleatorios o tambin se puede estratificar
el lote.
GUA DE APLICACIN DE PLANES DE MUESTREO
Un plan de aceptacin es el establecimiento del tamao de muestra a ser
usado y el criterio de aceptacin o rechazo para calificar lotes individuales.
Un esquema de aceptacin es un conjunto de procedimientos de planes de
aceptacin en los cuales se relacionan los tamaos de lote, tamao de
muestra, criterio de aceptacin o rechazo, la cantidad de inspeccin 100% y de
muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los
procedimientos de muestreo de aceptacin son:
Objetivos

Procedimiento
por atributos

1. Asegurar niveles de calidad

Para el consumidor y productor
curva OC

Procedimiento
por Variables

Plan especfico
en base a curva OC

Plan especfico
en base a

2. Mantener la calidad en el
objetivo

Sistema de AQL
MIL-STD-105E

3. Asegurar el nivel de
calidad de salida

Sistema de AOQL Sistema de AOQL

de Dodge-Romig

6. Asegura la calidad no
con
menor que el objetivo

Planes LTPD de
de Dodge-Romig

Sistema de AQL
MIL-STD-414

Planes LTPD
prueba de hiptesis.

Los clientes estn enfocados a mejorar la calidad de sus proveedores,

seleccionando a los mejores y trabajando en forma cercana para reducir su
variabilidad, con tcnicas de control estadstico del proceso. El muestreo de
aceptacin se utiliza mientras se mejora la calidad con el proveedor.
7.2 MUESTREO SIMPLE POR ATRIBUTOS
Muestreo aleatorio simple

Pgina 274

Un plan de muestreo simple se define por su tamao de muestra n y el nmero

de aceptacin c. El tamao del lote se especifica como N.
Por ejemplo si se tiene el plan:
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspeccin, si el nmero de productos defectivos observados en la muestra d
es menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
La curva OC
La curva caracterstica de operacin (OC) muestra la probabilidad de aceptar el
lote (Pa o en el eje Y), versus la fraccin defectiva media en el lote (p en el
eje X), mostrando la potencia de discriminacin del plan de muestreo.

Fig. 7.2 Curva caracterstica de operacin y plan de muestreo

La curva caracterstica de operacin se obtiene graficando p versus la
probabilidad binomial de encontrar y aceptar a lo ms c defectivos o sea:
c

n!
p d (1 p ) n d
d 0 d !( n d )!

Pa P{d c)

(7.1)
Esto mismo se puede aproximar por la distribucin de Poisson para efectos
prcticos.
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin
binomial acumulada (opcin VERDADERA en Excel) se muestra a continuacin:

Binomial=distr.binom(c, n, p, 1) Poisson=Poisson(c, n*p, 1)

Pgina 275

Fig. 7.3 Clculo de la Curva caracterstica de operacin OC

En este caso si los lotes tienen un 2% de defectivo, su probabilidad de
aceptacin es de 0.74. Significa que de cada 100 lotes recibidos, se aceptarn
74 y se rechazarn 26.
A continuacin se muestran algunas variaciones de la curva caracterstica de
operacin variando tanto como el criterio de aceptacin c manteniendo n
constante y despus manteniendo c como constante y variando n.
Manteniendo n constante y variando c se tiene:
n=
n=
n = 89,
p
89
89, c
c=0
c=1
=2
0.01
0.64
0.93 0.99
0.01
0.41
0.78 0.94
0.02
0.17
0.47 0.74
0.03
0.07
0.25 0.50
0.04
0.03
0.12 0.30
0.05
0.01
0.06 0.17
0.06
0.00
0.03 0.09
0.07
0.00
0.01 0.05
0.08
0.00
0.01 0.02
0.09
0.00
0.00 0.01

Pgina 276

Pa

c=0, 1,
2

P (fraccin defectiva en el lote)

Figura 7.4 Curvas caractersticas de operacin diversas para n = 89 y c =
variable
Para el caso en que lo que se vare sea n se tiene:

n = 50,
p
c=2
0.9979
0.005 44
0.9861
0.01
83
0.9215
0.02
72
0.8107
0.03
98
0.6767
0.04
14
0.5405
0.05
33
0.4162
0.06
46
0.3107
0.07
89
0.2259
0.08
74
0.1605
0.09
4

n=
100,
c=2
0.985
9
0.920
6
0.676
7
0.419
8
0.232
1
0.118
3
0.056
6
0.025
8
0.011
3
0.004
8

n=
200, c
=2
0.9201
61
0.6766
79
0.2351
48
0.0592
91
0.0124
89
0.0023
36
0.0004
6.40E05
9.66E06
1.39E06

Pa
n=50, 100,
200 2

p (fraccin defectiva en el lote)

Figura 7.5 Curvas caractersticas de operacin diversas para n = variable y c

=2

Pgina 277

Puntos especficos en la curva OC

Un consumidor frecuentemente fija de comn acuerdo con su proveedor, un
nivel de calidad aceptable (AQL), que representa el nivel ms pobre de calidad
que el consumidor considera aceptable como promedio, normalmente es la
fraccin defectiva que tiene un 95% de ser aceptada ( = 0.95).
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los
casos cuando tengan una fraccin defectiva de a lo ms un porcentaje
defectivo tolerable en el lote (LTPD), normalmente esta fraccin defectiva
corresponde a una probabilidad de aceptacin del 10% o rechazo del 90% de
las veces. Tambin se el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo A utilizando la distribucin hipergeomtrica se construye
cuando se tiene un lote aislado de tamao finito, se utiliza cuando n/N >=0.10.
La curva OC tipo B utiliza la distribucin binomial o de Poisson cuando n/N <
0.1, sin embargo en los niveles donde n/N=0.1 ambas curvas A o B son muy
parecidas.
DISEO DE UN PLAN DE MUESTREO EN BASE A CURVA OC
En este mtodo se especifican 2 puntos por los que debe pasar la curva OC,
uno de ellos tiene coordenadas (p1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza
el nomograma Binomial para encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una lnea recta el valor de p 1 en el eje
vertical izquierdo con 1- en el eje vertical derecho, y con otra lnea recta se
hace coincidir p2 en el eje vertical izquierdo con en el eje vertical derecho. En
el punto de cruce se encuentra el valor de n y de c del plan de muestreo
simple. Ver nomograma y ejemplo en la pgina siguiente.
Cuando p1 es igual al AQL y p2 es el LTPD, los puntos correspondientes en la
curva OC se denominan riesgo del productor (1-) y riego del consumidor .
Inspeccin rectificadora
Los programas de aceptacin por muestreo normalmente requieren accin
correctiva cuando los lotes son rechazados, de tal forma que el proveedor los
selecciona al 100% remplazando los artculos defectivos por buenos. Esta
actividad se denomina inspeccin rectificadora por su impacto en la calidad de
salida final hacia la planta.

Pgina 278

Fig. 7.6 Inspeccin rectificadora (las piezas malas son reemplazadas y

reintegradas al lote)
Suponiendo que los lotes que llegan tienen una fraccin defectiva p 0 , despus
de la actividad de inspeccin bajo un plan de muestreo, algunos lotes sern
aceptados y otros sern rechazados. Los lotes rechazados sern seleccionados
al 100% por el proveedor remplazando los artculos defectuosos por buenos
despus se integran a los lotes que ingresan a la planta obtenindose una
fraccin defectiva p1 menor a la original, denominada calidad promedio de
salida AOQ, en lotes de tamao N se tiene:
n artculos de la muestra no contienen defectivos.
N-n artculos los cuales si el lote se rechaz no contenan defectivos.
N-n artculos los cuales si el lote se acepta contienen p(N-n) defectivos.
As los lotes despus del proceso rectificador, contienen un nemro esperado
de defectivos igual a Pap(N-n) con la cual se puede expresar una fraccin
defectiva media AOQ como sigue,

AOQ

Pa p ( N n)
N

(7.2)

Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada

p=0.01.
Como en la curva caracterstica de operacin (para n=89, c=2) cuando p=0.01,
Pa = 0.9397, entonces el AOQ es:

AOQ

Pa p ( N n) (0.9397)(0.01)(10000 89)

0.0093
N
10000

AOQ 0.93% en lugar del 1% entrante.

Cuando N es grande respecto al tamao de muestra n, se tiene,

AOQ Pa p
(7.3)
La curva de AOQ versus p se muestra a continuacin:

Pgina 279

CURVA AOQ

n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la
peor fraccin defectiva de salida hacia la planta o proceso, que se denomina
lmite de calidad de salida promedio AOQL el cual es aproximadamente 0.0155
o 1.55% defectivo.
El nmero promedio de inspeccin total por lote es ATI, igual a:

ATI n (1 Pa)( N n)
(7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarn por lote,
algunas por el cliente (n) y otras por el proveedor (N-n) en base al plan de
muestreo.
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para
n = 89 y c = 2:

Pa

ATIN=1000

0
0
0

1
1
1

98
144
329

ATIN=5000

ATIN=10000

140
385
1383

191
687
2700

Pgina 280

0
0
0
0
0
0
0

0
0
0
0
0
0
0

546
723
843
916
957
979
990

2552
3506
4155
4549
4770
4887
4947

5060
6985
8295
9089
9536
9772
9892

ATI
N=1000
0
N=500
0
N=100

p
Figura 7.8 Curvas de nmero de muestras inspeccionadas promedio por el
cliente y por el proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo
ms eficiente la inspeccin por muestreo.
Muestreo doble, mltiple y secuencial
Estos tipos de muestreo son extensiones del muestreo simple, se pueden
disear curvas CO equivalentes.
PLANES DE MUESTREO DOBLE
Un plan de muestreo doble es un procedimiento en el cual, bajo ciertas
circunstancias, se requiere una segunda muestra para calificar el lote. El plan
se define por los parmetros siguientes:
n1 = tamao de muestra en la primera muestra.
c1 = criterio de aceptacin en la primera muestra.
n2 = tamao de muestra en la segunda muestra.
c2 = criterio de aceptacin en la segunda muestra.
Al aplicar el plan el nmero de defectivos observados en la primera muestra es
d1 y los defectivos observados en la segunda muestra es d 2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3

Pgina 281

En la primera muestra de n=50 artculos, se acepta el lote si el total de

defectivos d1 <= c1=1, rechazndose si d1 >c2=3.
Si d1 es igual a 2 o a 3, se toma una segunda muestra de 100 artculos, se
inspecciona y se determina el nmero de defectivos d 2 .
Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.
En ambas muestras la primera y segunda, la inspeccin se continua hasta
inspeccionar todos los artculos, por eso se denomina inspeccin completa, el
nmero promedio de artculos inspeccionados por muestra ASN es,

ASN n1 n 2 (1 P1 )
(7.5)
donde P1 es la probabilidad de tomar una decisin en la primera muestra o sea:
P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la
primera muestra}
Si por el contrario la inspeccin de los artculos se suspende cuando se
encuentra un nmero de defectivos mayor al criterio de aceptacin c 2 y no se
inspeccionan todos los artculos, el mtodo se denomina inspeccin recortada,
el comportamiento de ambos esquemas se muestra a continuacin,

ASN
Insp. completa

n = cte.
Insp. recortada

Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con

inspeccin completa y recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspeccin.
La inspeccin recortada si es ms econmica sin embargo proporciona menos
informacin acerca del lote.
CURVA CARACTERSTICA DE OPERACIN
Del ejemplo anterior, si Pa es la probabilidad de aceptacin, esta se forma con
la probabilidad de aceptacin en la primera muestra ms la probabilidad de
aceptacin en la segunda muestra ya sea usando la distribucin binomial o la
de Poisson. O sea:

Pgina 282

Pa PaI PaII
(7.6)

P P (d1 1 n1 )
I
a

(7.7)

P P (d1 2 n1 ) xP(d 2 1 n 2 ) P(d 1 3 n1 ) xP(d 2 0 n2 )

II
a

(7.8)
Fig. 7.7 Curva caracterstica de operacin bajo muestreo doble

p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09

Pa (1
muestra)

Pa(2a.mues
tra)
Pa Total

En 1a.
Muestra

0.974
0.911
0.736
0.555
0.400
0.279
0.190
0.126
0.083
0.053

0.023
0.060
0.083
0.056
0.027
0.011
0.004
0.001
0.000
0.000

0.976
0.929
0.877
0.908
0.971
1.022
1.047
1.052
1.046
1.036

0.997
0.971
0.819
0.611
0.428
0.290
0.194
0.128
0.083
0.053

Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en
muestreo doble
DISEO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario disear un
plan de muestreo doble tomando como referencia las coordenadas de la curva
OC (p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean
las tablas de Grubbs (ver pginas siguientes).

Pgina 283

INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada
por,

AOQ

{PaI ( N n1 ) PaII ( N n1 n 2 )} p
N

(7.9)

Asumiendo que todos los defectivos son remplazados por artculos buenos en
los lotes rechazados, la curva de inspeccin total promedio es,

ATI nPaI ( n1 n 2 ) PaII N (1 Pa )

(7.10)

Pa PaI PaII
donde
PLANES DE MUESTREO MLTIPLE
Un muestreo mltiple es una extensin del doble, donde pueden requerirse
ms de dos muestras para calificar el lote, por ejemplo un plan de 5 etapas es
el siguiente:
Muestra
acumul
ada
20
40
60
80
100

Aceptar
0
1
3
5
8

Rechazar
3
4
5
7
9

Al terminar cada etapa de muestreo, si el nmero de defectivos es menor o

igual al nmero de aceptacin, se acepta el lote. Si en cualquier etapa el
nmero de defectivos acumulado excede el nmero de rechazo, se rechaza el
lote, de otra forma se sigue tomando una siguiente muestra.
Una ventaja que tiene es que el tamao de muestra es ms pequeo que en el
caso del simple o del doble, con una mejor eficiencia de inspeccin. Sin
embargo es ms complejo de administrar.
MUESTREO SECUENCIAL
Es una extensin de los planes anteriores, aqu se toma una secuencia de
muestras del lote, cuya magnitud ser determinada por los resultados del
proceso de muestreo. Si el tamao del subgrupo inspeccionado en cada etapa
es mayor que uno, se denomina muetreo secuencial de grupo, si es uno, como

Pgina 284

es nuestro caso, se denomina muestreo secuencial artculo por artculo, basado

en Wald (1947).
En este caso se tienen 2 lneas, una de aceptacin y otra de rechazo, teniendo
como dato las coordenadas de la curva OC (p 1, 1-) y (p2, ), las ecuaciones de
las lneas son:

X ACEPTACION h1 sn
(7.11)

X RECHAZO h2 sn

1
k
h1 log

h2 log

(7.12)

p 2 (1 p1 )
p1 (1 p 2 )

k log

1 p1
1 p2

s log

Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al substituir valores

en las ecuaciones anteriores:
k = 0.80066
h1=1.22
h2=1.57
s=0.028
Por tanto las ecuaciones de las lneas de aceptacin y rechazo son:
XA= -1.22 + 0.028n
XB= 1.57 + 0.028n

Lnea de aceptacin
Lnea de rechazo

Haciendo una tabla de valores donde el nmero de aceptacin es el entero ms

prximo menor que o igual a XA y el nmero de rechazo es el entero ms
prximo superior que o igual a XR.
MUESTREO SECUENCIAL

Xa

Xr

1
2

-1.192
-1.164

1.598 -1
1.626 -1

Xa

Xr

Xa

Xr

2
2

24
25

-0.548
-0.52

2.242
2.27

Pgina 285

Xa
-1
-1

Xr
3
3

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

-1.136
-1.108
-1.08
-1.052
-1.024
-0.996
-0.968
-0.94
-0.912
-0.884
-0.856
-0.828
-0.8
-0.772
-0.744
-0.716
-0.688
-0.66
-0.632
-0.604
-0.576

1.654
1.682
1.71
1.738
1.766
1.794
1.822
1.85
1.878
1.906
1.934
1.962
1.99
2.018
2.046
2.074
2.102
2.13
2.158
2.186
2.214

-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1

2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3

26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

-0.492
-0.464
-0.436
-0.408
-0.38
-0.352
-0.324
-0.296
-0.268
-0.24
-0.212
-0.184
-0.156
-0.128
-0.1
-0.072
-0.044
-0.016
0.012
0.04
0.068

2.298
2.326
2.354
2.382
2.41
2.438
2.466
2.494
2.522
2.55
2.578
2.606
2.634
2.662
2.69
2.718
2.746
2.774
2.802
2.83
2.858

-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0

3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

En este caso no se puede tomar una decisin de aceptacin hasta que hayan
transcurrido las suficientes muestras, que hagan que la lnea de aceptacin
tenga valores positivos en Xa, 44 en este caso, y no se puede rechazar hasta
en la 2. Muestra.

Pgina 286

No. de
defectos
acumula 3
2
1
0
-1

Lnea de
aceptaci

20

40

60

Lnea de
Rechazo
Nmero
de

Fig. 7.11 Comportamiento del muestreo secuencial

CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p1, 1-), (p2, ) y el punto medio de la
curva en p=s y Pa = h2 /(h1+h2). Las muestras inspeccionadas promedio son:

B
A
(1 Pa )
C
C

ASN Pa

Donde,

A log

B log

p2
1 p2
(1 p) log
p1
1 p1

C p log

(7.13)

INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras
inspeccionadas total es:

A
(1 Pa ) N
C

ATI Pa

(7.14)

Pgina 287

7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)

Descripcin de la norma
Esta norma se desarroll durante la segunda guerra mundial emitindose en
1950 con la versin A. La versin D se public en 1963 y en 1971 fue adoptada
por la ANSI con pequeos cambios como la Z1.4 y en 1973 fue adoptada por la
ISO como la norma ISO 2859. En 1989 se liber la versin E.
La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):
Muestreo simple.
Muestreo doble.
Muestreo mltiple
En cada uno de los casos se prevn los siguientes tipos de inspecciones:
Inspeccin normal.
Inspeccin estricta.
Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa mala
calidad del proveedor y se usa la reducida cuando la calidad del proveedor es
buena, reduciendo los tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y
10%), negociado entre cliente y proveedor. Los valores tpicos de AQL para
defectos mayores es de 1%, 2.5% para defectos menores y 0% para defectos
crticos. Cuando se utiliza para planes de defectos por unidad se tienen 10
rangos adicionales de AQLs hasta llegar a 1000 defectos por cada 100
unidades, los noveles pequeos de AQL se pueden utilizar tanto para controlar
fraccin defectiva como defectos por unidad.
El tamao de muestra en el estndar est determinado por el tamao del lote y
por la seleccin del nivel de inspeccin. Se proporcionan tres niveles de
inspeccin, donde el nivel II se considera normal; el nivel I requiere alrededor
de la mitad de la inspeccin del nivel II y se usa cuando se requiere menos
discriminacin; el nivel III requiere alrededor del doble de inspeccin del nivel
II, y se usa cuando se requiere ms discriminacin. Hay tambin cuatro niveles
especiales de inspeccin, S-1, S-2, S-3 y S-4, estos usan tamaos de muestra
muy pequeos y slo deben usarse cuando los riesgos grandes del muestreo
sean aceptables.
Para un AQL especfico, un nivel de inspeccin y un tamao de lote dado, el
estndar MIL-STD-105E proporciona un plan de muestreo normal que se
utilizar conforme el proveedor produzca productos con calidad AQL o mejor.
Tambin proporciona un mecanismo de cambio de cambio a inspeccin
estricta o reducida como se ilustra en la figura y se describe a continuacin.
Normal a estricta. Cuando se tiene inspeccin normal, la inspeccin estricta se
instituye cuando cundo dos de cinco lotes consecutivos han sido rechazados.

Pgina 288

Estricta a normal. Cuando se tiene inspeccin estricta, la inspeccin normal se

instituye cuando cinco lotes consecutivos son aceptados.
Normal a reducida. Cuando se tiene inspeccin normal, la inspeccin reducida
se instituye cuando se cumple con todas las condiciones siguientes:
Diez lotes consecutivos han sido aceptados con inspeccin normal.
El nmero total de defectivos en las muestras de los diez lotes precedentes es
menor o igual a el nmero lmite aplicable del estndar.
La produccin de lotes ha sido continua sin interrupciones mayores.
La inspeccin reducida se considera adecuada por la funcin responsable de la
inspeccin por muestreo.
Reducida a normal. Cuando se tiene inspeccin reducida, la inspeccin normal
se instituye cuando se cumple cualquiera de las condiciones siguientes:
Un lote es rechazado.
Cuando el procedimiento de muestreo termina sin decisin de aceptacin o
rechazo, el lote se acepta pero se cambia a inspeccin normal en el prximo
lote.
La produccin es irregular o se retarda en entregas.
Otras condiciones que fuercen a cambiar a la inspeccin normal.
La Inspeccin se descontina. Cuando diez lotes se acepten con inspeccin
estricta y el proveedor tome acciones para mejorar su calidad.

Fig. 7.12 Reglas de cambio de planes de inspeccin

Pgina 289

Fig. 7.13 Comparacin entre los planes normal, reducido y estricto

PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
Negociacin del AQL (cliente proveedor).
Decisin del nivel de inspeccin.
Determinacin del tamao del lote.
Consultar la tabla 1 (ver apndice) y localizar la letra cdigo correspondiente
al tamao del lote y el nivel de inspeccin.
Decisin en cuanto al procedimiento de muestreo a utilizar (simple, doble,
mltiple).
Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se
encuentran en el apndice).
Uso de la tablas para inspeccin reducida y estricta, cuando se requieran hacer
cambios.
Ejemplo 7.4 Si N= 2,000 y AQL= 0.65% usando el nivel II de inspeccin:
La tabla I indica la letra cdigo K.
La tabla II-A para inspeccin normal indica el plan de muestreo n=125 y c=2.
La tabla II-B para inspeccin estricta indica el plan de muestreo n= 125, c=1.
La flecha descendente cambia la c, la letra de cdigo y el tamao de muestra,
lo mismo para la ascendente. Por ejemplo, un AQL de 1.5% y letra F ser
cambiado a letra G con tamao de muestra 32 en lugar de 20.
Para el caso de muestreo doble con los datos anteriores, la letra cdigo es K y
de las III-A, III-B y III-C se obtienen los planes de inspeccin normal (n 1= n2=80,
c1a=0, cir=3, c2a=3), estricta (mismas que n1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y
reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).

Pgina 290

DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del
productor de la curva OC, la parte restante de la curva depende de la seleccin
del nivel de inspeccin. Los tamaos de muestra seleccionados son 2, 3, 5, 8,
13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250 y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del
tamao de muestra se obtiene una recta hasta n=80 y despus una recta con
una pequea pendiente. Como la razn de N a n es decreciente conforme
aumenta N se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MILSTD-105E, difiriendo en que:
Se usa el trmino No conforme o no conformancia o porcentaje no
conforme.
Cambian ligeramente las reglas de cambio agregndose una opcin para
inspeccin reducida sin el uso de nmeros lmite.
Se agregan varias tablas que muestran el desempeo de los planes, como el
AOQL, fracciones defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
Hay una descripcin detallada de los planes de muestreo simples.
Se proporciona un esquema ilustrando las reglas de cambio en inspeccin.

Pgina 291

Pgina 292

.
Figura 7.14 Tablas de muestreo simple por atributos

Pgina 293

7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920)

Desarrollaron dos tipos de planes usando inspeccin rectificadora:
Planes para el porcentaje defectuoso tolerable en el lote LTPD y
Los que proporcionan un lmite de la calidad mxima promedio de salida AOQL
especificado.
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fraccin
defectiva en ppm dependiendo del AQL aceptable.

AQL

ppm

10%
1%
0.10%
0.01%
0.00%
0.00%

100,000
10,000
1,000
100
10
1

Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes
tienen en promedio un AQL = 0.5% , por tanto la probabilidad de que el equipo
trabaje es de:

P ( funcin _ adecuada ) (0.995)100 0.6058

Por tanto es obvio que se requieran planes de proteccin del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspeccin de sub-ensambles.
Los planes de Dodge-Romig de AOQL y LTPD estn diseados para minimizar la
inspeccin total promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando
el rechazo medio del proceso es bajo (alrededor de 100 ppm).

Pgina 294

Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de
0.1%, 0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para
muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la
fraccin disconforme del proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del
90% de que sern rechazados los lotes que tengan desde un 10.3%
defectuoso.
Suponiendo que los lotes recibidos tengan un promedio de 1% de defectivo y la
probabilidad de aceptacin sea Pa=0.9957, se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarn 86 partes del lote en promedio.
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1.
Se proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7%
y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fraccin promedio de defectivos del
proveedor de 0.25% de productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son
seleccionados al 100% y los artculos defectuosos se reemplazan por artculos
buenos, el AOQL=0.28%.
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la
fraccin promedio no conforme del proveedor. Se puede estimar la fraccin
defectiva promedio del proceso por medio de carta de control p para los
primeros 25 lotes del proveedor, con las causas especiales eliminadas y el
proveedor haya tomado acciones para prevenir su reincidencia.

Pgina 295

8. MUESTREO DE ACEPTACIN POR VARIABLES

Ventajas y desventajas
La principal ventaja del muestreo por variables es que se puede obtener la
misma curva caracterstica de operacin con tamao de muestra menor que el
que requerira un plan por atributos. Otra ventaja es que los datos por variables
proporcionan ms informacin del proceso que los atributos. Cuando los AQLs
son muy pequeos (del orden de ppm), el tamao de muestra requerido en el
caso de muestreo por atributos es muy grande y por variables muy pequeo.
Cuando la inspeccin es del tipo destructivo, los planes por variables si se
aplican son ms econmicos.
Como desventajas se tienen el probable alto costo de las mediciones versus
juzgar por atributos, a pesar de que el tamao de muestra sea menor y que es
necesario un plan de muestreo para cada caracterstica importante del
producto.
Se debe conocer la distribucin de la caracterstica de calidad, la cual debe ser
normal ya que de otra forma se pueden cometer errores en la aplicacin del
plan de muestreo por variables. Esto es ms crtico cuando las fracciones
defectivas son muy pequeas.
En la figura de la pgina siguiente se muestran las diferencias para varias
distribuciones. Si la distribucin no es normal se puede disear un plan si se
puede determinar la fraccin defectiva a partir de la media y la desviacin
estndar de esa distribucin.
Los planes especifican el nmero de artculos a muestrear en los cuales se
hacen mediciones en la caracterstica de calidad seleccionada, y el criterio de
aceptacin de esos lotes.
Una comparacin entre los diferentes tipos de muestreo se da a continuacin,
considerando una p1 = 0.01, p2 = 0.08, = 0.05 y = 0.10:

Pgina 296

Tipo de muestreo
1. Muestreo simple por atributos
2. Muestreo doble por atributos
3. Muestreo mltiple por atributos
6. Muestreo simple por variables,
sigma desconocida, mtodo de s
7. Muestreo simple por variables
Sigma conocida

n ASN
n = 67.
ASN en p1 = 45
ASN en p1 = 41
n=27
n=10

Como se observa, si la distribucin es normal y la desviacin estndar es

conocida, el costo de muestreo por variables es menor.
TIPOS DE PLANES DE MUESTREO
Existen dos tipos de planes de muestreo por variables, los que controlan la
fraccin defectuosa del lote y los que controlan un parmetro del proceso tal
como la media.
8.1 CONTROL DE LA FRACCIN DEFECTIVA
Como la caracterstica de calidad es una variable, siempre existir ya sea un
lmite de especificacin inferior LIE, lmite de especificacin superior o ambos,
que definan los valores aceptables de esa caracterstica.
Considerando una caracterstica de calidad x normalmente distribuida y un
lmite inferior de especificaciones LIE, la fraccin defectiva p es funcin de la
media del lote y su desviacin estndar .
Asumiendo que la desviacin estndar del proceso es conocida, se desea
tomar una muestra del lote para determinar si o no el valor de la media es tal
que la fraccin defectiva p es aceptable. Para esto se tienen dos mtodos.

p
__

LIE

Figura 8.1 Bases del muestreo por variables

Procedimiento 1.
Tomando una muestra aleatoria de n artculos del lote y calculando el
estadstico

Pgina 297

Z LIE

X LIE

(8.1)

ZLIE expresa justamente la distancia entre la media

de la muestra y el lmite

inferior de especificacin LIE, entre mayor sea su valor, la media

de la
muestra estar ms alejada del LIE y en consecuencia menor ser la fraccin
defectiva p.
Si hay un valor crtico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crtica por decir k
para ZLIE. De esta forma si ZLIE <= k, se aceptar el lote ya que
automticamente la fraccin defectiva p es satisfactoria, en caso contrario la
fraccin defectiva p es mayor que la aceptable y se rechazar el lote.
Ejemplo 8.1 Si =100, =10 y LIE= 82:

Z LIE

X LIE 82 100

1.8

10

Donde (-1.8) = 0.0359 o sea el 3.59% defectuoso.

Se sigue el mismo procedimiento para el caso de tener un lmite superior de
especificacin unilateral LSE.

Z LSE

LSE X

(8.2)

Cuando se tiene un solo lmite de especificacin, la relacin entre Z y la

fraccin defectiva (p) es:
p

Zs Zi

0.6745
0.8416
1.0364
1.2816
1.6449
2.0537
2.3263

Procedimiento 2.

Pgina 298

A partir de una muestra sencilla de tamao n del lote, se calcula Z LIE o

QLIE Z LIE n /( n 1)
(ms exacto) y se estima la fraccin defectiva p como el
rea bajo la curva normal debajo de ZLIE, si esta fraccin estimada p, excede un
valor mximo M, se rechaza el lote, de otra forma se acepta.
Para el caso de lmites bilaterales se calculan ambos Q LIE y QLSE.

Pgina 299

QLIE
Q LSE

X LIE
n /( n 1)

LSE X

(8.3)

n /( n 1)

Se estiman las fracciones defectivas P(QLIE) y P(QLSE) de la tabla mostrada en el

apndice para estimar las fracciones defectivas p I y pS, si la suma de ambas
fracciones defectivas no excede al valor mximo permitido M se acepta el lote,
en caso contrario se rechaza el lote.
Cuando la desviacin estndar es desconocida, se puede estimar de la
desviacin estndar de la muestra s, remplazando en las frmulas anteriores a
por s.

8.2 DISEO DE UN PLAN DE MUESTREO POR VARIABLES

CON UNA CURVA CO ESPECFICA
Para disear un plan de muestreo por variables usando el procedimiento 1, el
mtodo de k, que tiene una curva OC especificada por dos puntos (p 1, 1-), (p2,
) donde p1 y p2 son las fracciones defectivas que corresponden a niveles de
calidad aceptables y rechazables respectivamente se utiliza un nomograma.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver
pgina siguiente), para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva caracterstica de
operacin CO, cambiando los valores de las fracciones defectivas p y hallando
sus probabilidades de aceptacin si se mantiene fijo n y k.
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mnima para
una botella de plstico sea de LIE= 225 psi, si a lo ms el 1% no pasa el lmite,
se aceptar el lote con una probabilidad del 95% (p 1=0.10 y 1-= 0.95),
mientras que si el 6% o ms estn abajo del lmite, el embotellador rechazar
el lote con una probabilidad de 90% (p 2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una lnea que une a
el punto 0.01 en la escala de fraccin defectivas con el punto 0.95 en la escala
de probabilidad de aceptacin. Despus se traza una lnea similar que conecta
los puntos p2 = 0.06 y Pa=0.10, en la interseccin de esas lneas se lee, k=1.9
y n=40 para desconocida (siguiendo la lnea curveada) o n=15 (bajando una
lnea perpendicular) para conocida.
Procedimiento 1

Pgina 300

Si se desconoce la desviacin estndar, se toma una muestra aleatoria de n =

40 piezas calculando la media y la desviacin estndar s, se calcula ahora:

Z LIE

X LIE

Si ZI k = 1.9 se acepta el lote, de otra forma se rechaza.

Si se conoce la desviacin estndar, la n pasa de 40 a 15 con menos costos, al
bajar en forma perpendicular en el punto de interseccin hacia la escala de n.
Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M del nomograma de
la fig. 14.3,
La abscisa se calcula como sigue (con n = 40 y k = 1.9):

1
k n
1 1.9 40

0.35
2 2(n 1) 2 2(39)
Esto indica que M = 0.30.
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media
de la muestra

Z LIE

X 255

y s = 15, el valor de ZLIE es:

X LIE 225 225

2
s
15

de las tablas para fraccin defectiva al final de este captulo se obtiene una p =
0.020, y siendo que es menor que M = 0.030, se acepta el lote.
Para lmites bilaterales se obtienen ambas p i y ps en base a Zi y Zs, si pi + ps M
se acepta el lote, si no se cumple lo anterior, el lote se rechaza.
8.3 TABLAS ASQC Z1.9 1993
Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente
fueron homologadas con las tablas MIL-STD-105E (incluyendo inspeccin
normal, reducida y estricta y concordancia en las letras cdigo de los planes
para cada AQL) para su uso en la industria dando lugar a las tablas Z1.9 de la
ASQC.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin
(el normal es el II), el nivel III tiene una curva ms abrupta que el nivel II. Se
Pgina 301

pueden usar niveles ms bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Tiene la siguiente organizacin:

Pgina 302

Variabilidad
Desconocida
Mtodo de S

Variabilidad
Conocida

Especificacin
Unilateral

Procedimiento
(Mtodo de k)

Especificaciones
Bilaterales

Procedimiento 2
(Mtodo de M)

Procedimiento 2
(Mtodo de M)

Fig. 8.2 Organizacin del muestreo por variables

Tienen 4 secciones:
A. Descripcin general, con definicin de trminos, cdigo de letras de tamao
de muestra, y curvas OC de los planes.
B. Planes basados en la desviacin estndar de la muestra con sigma del
proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya
descontinuado).
Planes basados en la media de la muestra cuando se conoce la sigma del
proceso.
USO DE LAS TABLAS
Las tablas se encuentran en el apndice y su uso se ilustra con un ejemplo:
Ejemplo 8.4 Para el caso del embotellador: Si el lmite inferior LIE = 225 psi,
suponiendo que el nivel de calidad aceptable en este lmite es AQL = 1% y que
las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Procedimiento 1.
En la tabla A-2 se identifica el cdigo de letra, en este caso, la N:
En la tabla B-1 se determina la n y k en este caso con la letra N y AQL= 1.00
negociado entre proveedor y cliente, se obtiene k = 2.03. Para el caso de
inspeccin severa (escala inferior) k = 2.18. Para el caso de inspeccin
reducida k = 1.8 de la tabla B-2.

Pgina 303

En la tabla B-3 se determina M en el rengln de N y columna de AQL= 1%

obtenindose M= 2.05%. Para inspeccin severa M = 1.42%. Para inspeccin
reducida, de la tabla B-4 se obtiene k = 3.44%.
4. La inspeccin estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspeccin reducida se usa cuando los 10 lotes anteriores se han
aceptado y su fraccin defectiva estimada es menor que un lmite inferior
especificado y la produccin es estable.
6.La tabla B-6 se usa para obtener la desviacin estndar mxima que se debe
obtener en la muestra con base a la tolerancia. Si el valor de s excede este
valor, se rechaza el lote.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con

sigma conocida con menor n si se demuestra estabilidad en una grfica

-s
para los lotes (al menos para 30). Los planes especficos para este tipo de
planes se deben consultar en el estndar.
EJEMPLOS TOMADOS DEL ESTANDAR Z1.9-1993
VARIABILIDAD DESCONOCIDA MTODO DE LA DESVIACIN ESTNDAR
B1. Plan de muestreo para lmite especificacin unilateral. Forma 1
De la tabla A2 seleccionar la letra cdigo de funcin del tamao del lote y el
nivel de inspeccin.
Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan.
n
- tamao de muestra.
K
- constante de aceptabilidad
Obtener mediciones de muestras , calcular X y s.
Criterio de aceptacin.
LSE - Lmite superior de especificacin.
LIE
- Lmite inferior de especificacin.
Comparar (LSE X) / s ( X LIE) / s con k.
Si es mayor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.5 La mxima temperatura de operacin es de 209F. Un lote de 40
artculos se inspecciona, tomando AQL = 1%, nivel II.
Solucin.
De tabla A2, se selecciona la letra D.
De la tabla B1, n = 5, k= 1.52
Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
( LSE - X ) / s = (209 195) / 8.8 = 1.59
1.59 > k por tanto se acepta el lote.
B5- Usando la forma 2

Pgina 304

Usar tablas B3 ( normal y estricta) y B4 (reducida) y obtener el plan de

inspeccin, n y M Porcentaje mximo de no conformes.
Obtener mediciones de muestras, calculando X y s.
Criterio de aceptacin.
Calcular el ndice de calidad QS= (LSE - X ) / s
QI= ( X LIE ) / s
En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme
PS o PI.
Comparar PS o PI con M , si es igual o menor se acepta el lote, se rechaza en
caso contrario.
Ejemplo 8.6 De lo anterior; X = 195 ; s = 8.8
De la tabla B3 se obtiene M = 3.33% para letra D, n = 5 y AQL = 1%.
De la taba B5 con QS= 1.59 se obtiene PS = 2.19%
Como PS M se acepta el lote.
B8. Plan de muestreo para doble lmite de especificacin.
Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
Obtener el plan n y M de tabla B3 y B4. Si se especifican diferentes AQLs para
cada lmite de especificacin, obtener el porcentaje mximo no conforme para
cada lmite MI y MS. Si se asigna el mismo AQL a ambos lmites, designar el
nivel mximo de porcentaje no conforme por M.
Obtener mediciones del muestreo.
Calcular los Indices de Calidad QS = (LSE - X ) / s y QL =( X LIE ) /s
De tabla B5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.
Pestimada= PI + PS
Comparar Pest. Con M, si es menor o igual se acepta el lote, en caso contrario se
rechaza.
Nota: Cuando hay diferente AQL para cada lmite:
Aceptar si PI MI y PS MS y P = PI + PS mayor (MS, MI)
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel de inspeccin II,
inspeccin normal y en base a temperaturas de los ejemplos anteriores, n = 5,
_

= 195; s= 8.8; considerando LIE= 180F; LSE= 209F; AQL= 1% donde de

tabla
B-3 M = 3.32%

QS=

209 180

8 .8
195 180

8 .8

QI=
total es de
p = 2.85%

1.59 ; PS = 2.19% (de tabla B-5)

1.704; PI = 0.66% (de tabla B-5) por tanto la fraccin defectiva

Pgina 305

Como P < M se acepta el lote.

Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% , MI=9.8%
PS= 2.19% ; PI= 0.66% P = 2.85%
Comparando PS MS ; PI MI y P MI
Se acepta el lote.
VARIABILIDAD CONOCIDA
D.1 Slo un lmite de especificacin. Forma 1.
Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9 Se toma un lote de 500 artculos para inspeccin. LIE= 58,000 psi.
N= 500, nivel II, inspeccin Normal. AQL= 1.5%. La variabilidad es conocida
con valor 3,000 psi
a) de tabla A2, se identifica la letra I y de tabla D1 obtenemos n = 10
Valores de muestra
62,500; 60,500; 68,000; 59,000; 65,500
62,000; 61,000; 96,000; 58,000; 64,500.
Clculo de X= 63,000 ; ( X LIE) / = 1.67
De tabla D1 ; k = 1.7
Comparando ( X LIE)/ < k y el lote se rechaza.
D.5 Usando la forma 2.
Usar tablas D3 y D4 obteniendo n, M y V
Calcular QS= (LSE - X) V / y QL=( X LIE) V /
Usando tabla D5 estimar PS y PI
Comparar D= PS + PI M para aceptabilidad
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500 artculos; AQL = 1.5%;
_

Inspeccin nivel II, normal. De los datos anteriores se obtuvo

= 63,000; n =
10 ; = 3,000. De tabla A-2 se obtiene la letra I.
Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054 respectivamente.
Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
D9. Plan de muestreo para doble lmite de especificacin
Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
Obtener el plan n, el factor v y el porcentaje mximo aceptable M de tabla D3 y
D4. Si se especifican diferentes AQLs para cada lmite de especificacin,
obtener el porcentaje mximo no conforme para cada lmite M I y MS. Si se
asigna el mismo AQL a ambos lmites, designar el nivel mximo de porcentaje
no conforme por M.
Obtener mediciones del muestreo en n partes.
Calcular la media de los datos.
Calcular los Indices de Calidad QS = (LSE - X ) v / y QL =( X LIE ) v /
Pgina 306

De tabla D-5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.

Pestimada= PI + PS
Ejemplo 8.11 La especificacin para una colada de acero es de 67,000 y 58,000
psi respectivamente. Un lote de 500 artculos se somete a inspeccin. El nivel
de inspeccin es II, inspeccin normal con AQL = 1.5%. La variabilidad
conocida con valor 3,000 psi.
De tabla D-3 se obtuvo n = 10, v = 1.054, M = 3.63%
_

X 63,000
De las mediciones de las 10 muestras se obtuvo
Los ndices QS con QL son respectivamente 2.459 y 3.162 con fracciones
estimadas defectuosas 0.697% y 0.078% de la tabla D-5.
Como la fraccin defectiva total no excede el valor de M = 3.63%, se acepta el
lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso
contrario se rechaza.
DISCUSIN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideracin muy importante en el uso de las normas es que la poblacin
de donde se obtienen las muestras debe ser normal. Es ms crtico para
pequeos valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la
distribucin para asegurar que la norma Z1.9 es aplicable sin modificaciones.
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-STD105E por atributos.
Se ordenaron las letras cdigo para tener la misma proteccin que con la MILSTD-105E.
Los niveles de inspeccin originales I, II, III, IV y V se denominaron S 3, S4, I, II y
III.
En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de
las desviaciones estndar.
En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han
sido aceptados y:

Pgina 307

El AQL es un paso menor.

El proceso est bajo control estadstico.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso de un mtodo de sigma desconocida a sigma
conocida, utilizando como sigma el valor promedio estimado en la carta de
control estable con al menos 30 subgrupos. Requiriendo la continuacin de la
carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por
atributos con la MIL-STD-105E, obtener informacin suficiente y despus
cambiar a un esquema por variables manteniendo la misma combinacin de
letra para el AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de
cada lote.

Pgina 308

8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES

ASEGURAMIENTO DE LA MEDIA DEL PROCESO
Los planes de muestreo por variables tambin pueden utilizarse para asegurar
la calidad media de un material en lugar de su fraccin defectiva. El mtodo
general que aqu se emplea es el de prueba de hiptesis, lo cual se ilustra con
un ejemplo.
Ejemplo 8.12 Se considera aceptable un lote si tiene menos de 0.3 ppm de
emisiones de formaldedo en maderas. Se disea un plan de muestreo con una
probabilidad de aceptacin del 95% si las emisiones son en promedio de 0.3
ppm, y los lotes con un 0.4 ppm tengan una probabilidad de aceptacin del
10%. Si por experiencia se sabe que la desviacin estndar es 0.10 ppm, se
tiene:

Si
A es la media muestral debajo de la cual se aceptar el lote, est
normalmente distribuida y tiene una probabilidad de 0.95 de aceptacin,
entonces,

X A 0 .3 X A 0 .3

1.645

0 .1
n
n
(8.4)
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen
una probabilidad de 0.10 de aceptacin, entonces,

X A 0.4 X A 0.4

1.282

0 .1
n
n
(8.5)
resolviendo para

X
A

y n se obtiene:

n= 9
A = 0.355
Muestreo secuencial por variables
Similar al de atributos graficando la suma acumulada de las mediciones de la
caracterstica de calidad. Las lneas para aceptacin del lote, rechazo del lote y
continuacin del muestreo se construyen en forma similar a las de atributos
(ver Duncan 1986).

Pgina 309

APNDICES

Pgina 310

FORMULAS DE CARTAS DE CONTROL

CARTAS DE CONTROL POR VARIABLES
CARTAS Xbarra-R
Lmites de control para medias n =5

LSC =

+ A2

LIC =

- A2

Lmites de control para rangos n=5

LSC = D4
LIC =

D3

CARTAS Xbarra-S
Lmites de control para medias

LSCx =
LCx =

S
+ A3

X
LICx =

S
- A3

Lmites de control para desviaciones estndar

S
LSCs = B4

S
LCs =

S
LICs = B3
CARTAS I-MR de valores individuales
Para los valores individuales n=2

X 3

MR
d2

LSCx =
__

LCx =

X 3

MR
d2

LICx =
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
Pgina 311

CARTA p

Di
ni

pi

Di
i 1

mn

p
i 1

m
__

__

p(1 p )
p 3
n

__

LSCp =
__

LCp =
__

__

p(1 p )
p 3
n

__

LICp =
CARTAS np

LSC np np 3 np (1 p)

LC np np
LIC np np 3 np (1 p)
CARTAS c

c
LSCc =

+3

c
LCc =

c
LICc =

-3

CARTAS u

c
n

Pgina 312

u
Donde representa el nmero promedio de no conformidades por unidad en
un conjunto de datos preliminar

LSC u u 3

u
n

LC u u

LSC u u 3

u
n

TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n
A2
D3
D4
d2
2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
5
0.577
0.000
2.115
2.326
6
0.483
0.000
2.004
2.534
7
0.419
0.076
1.924
2.704
8
0.373
0.136
1.864
2.847
9
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078

Pgina 313

Las constantes para lmites de control en las cartas X-S son:

n
c4
A
A3
B3
B4
B5
B6 .
5
0.9400
1.342 1.427 0
2.089 0
1.964
6
0.9515
1.225 1.287 0.030 1.970 0.029 1.874
7
0.9594
1..1341.182 0.118 1.882 0.113 1.806
8
0.9650
1.061 1.099 0.185 1.815 0.179 1.751
9
0.9693
1.000 1.032 0.239 1.761 0.232 1.707
10
0.9727
0.949 0.975 0.284 1.716 0.276 1.669
11
0.9754
0.905 0.927 0.321 1.679 0.313 1.637
12
0.9776
0.866 0.886 0.354 1.646 0.346 1.610
13
0.9794
0.832 0.850 0.382 1.618 0.374 1.585
14
0.9810
0.802 0.817 0.406 1.594 0.399 1.563
15
0.9823
0.775 0.789 0.428 1.572 0.421 1.544
16
0.9835
0.750 0.763 0.448 1.552 0.440 1.526
17
0.9845
0.728 0.739 0.466 1.534 0.458 1.511
18
0.9854
0.707 0.718 0.482 1.518 0.475 1.496
19
0.9862
0.688 0.698 0.497 1.503 0.490 1.483
20
0.9869
0.671 0.680 0.510 1.490 0.504 1.470
21
0.9876
0.655 0.663 0.523 1.477 0.516 1.459
22
0.9882
0.640 0.647 0.534 1.466 0.528 1.448
23
0.9887
0.626 0.633 0.545 1.455 0.539 1.438
24
0.9892
0.612 0.619 0.555 1.445 0.549 1.429
25
0.9896
0.600 0.606 0.565 1.435 0.559 1.420

Pgina 314

Pgina 315