Libro Optimizacion de Procesos Industriales y Control de Calidad

Optimizacin de Procesos
Industriales y Control de Calidad
Pedro Vergara Vera
EDICIONES UNIVERSIDAD
TECNOLGICA
METROPOLITANA
1
UNIVERSIDAD TECNOLGICA METROPOLITANA
Casilla 9845 Santiago de Chile
Derechos Reservados
Inscripcin N 148.387 del 20 de Julio 2005
I.S.B.N.: 956-7359-45-8
Santiago de Chile, Octubre de 2005
DISEO Y DIAGRAMACIN
Programa de Tecnologa Educativa y Diseo Comunicacional DITEC
REPRESENTANTE LEGAL
Miguel ngel Avendao Berros
EDICIONES
Universidad Tecnolgica Metropolitana
Distribucin y ventas: www.utem.cl/ediciones/index.html
DIRECCIN DE COMUNICACIN Y CULTURA
CONSEJO EDITORIAL
PRESIDENTE: Jssica Orellana Saavedra
Hctor Gmez Fuentes
Patricio Olivares Iribarren
Ana Gavilanes Bravo
Hugo Omar Inostroza Sez
PROHIBIDA LA REPRODUCCIN TOTAL O PARCIAL EN CUALQUIER FORMA Y POR CUALQUIER MEDIO.
LAS IDEAS Y OPINIONES CONTENIDAS EN ESTE LIBRO SON DE RESPONSABILIDAD EXCLUSIVA DEL AUTOR Y NO EX-
PRESAN NECESARIAMENTE EL PUNTO DE VISTA DE LA UNIVERSIDAD TECNOLGICA METROPOLITANA.
2
OPTIMIZACIN DE PROCESOS INDUSTRIALES
Y CONTROL DE CALIDAD
Pedro Vergara Vera
EDICIONES UNIVERSIDAD
TECNOLGICA
METROPOLITANA
3
a Isidora
4
Prlogo ............................................................................................................................ 7
Introduccin .................................................................................................................... 9
CAPTULO I.....................................................................................................................12
Mtodo de Control de Calidad mediante Sumas Acumuladas
1.1. El Mtodo SUMAC ..............................................................................................12
1.2 SUMAC para el control de la tendencia central ..................................................13
1.2.1 Acumulador superior...........................................................................................14
1.2.2 Acumulador inferior.............................................................................................14
1.3 SUMAC para el control de la dispersin .............................................................15
1.4 Longitud de Rfaga Media...................................................................................16
1.5 Obtencin de las tablas de LRM..........................................................................18
1.6 Anlisis de las LRM en funcin de los distintos parmetros .............................20
1.7 Los Grficos de Shewhart ...................................................................................21
1.8 Comparacin de las LRM del SUMAC con las de Shewhart...............................26
CAPTULO II....................................................................................................................29
Control por Medias Mviles Ponderadas Exponencialmente
Introduccin........................................................................................................29
2.1 MEMPE para la tendencia central........................................................................29
2.2 MEMPE para la tendencia central con lmites en funcin de t............................33
2.3 Longitud de Rfaga Media...................................................................................35
CAPTULO III...................................................................................................................36
MEMPE conjunto para controlar la tendencia central y la variabilidad
Introduccin........................................................................................................36
3.1 MEMPE para la variabilidad.................................................................................36
3.2 Longitud de Rfaga Media: Simulacin ..............................................................38
3.3 Anlisis de las LRM del esquema MEMPE conjunto univariable .......................49
3.4 Ejemplo ...............................................................................................................51
CAPTULO IV ..................................................................................................................54
4 MEMPE Multivariable...........................................................................................54
4.1 MEMPE Multivariable de la tendencia central ..................................................54
4.2 MEMPE Multivariable de la variabilidad............................................................60
4.3 Longitud de Rfaga Media .................................................................................63
CAPTULO V ...................................................................................................................80
5 Comparacin entre los Grficos de Shewhart, SUMAC y MEMPE .....................80
5.1 Proporcin de elementos defectuosos de un proceso.......................................80
5.2 Probabilidad de seal global y LRM por el mtodo de Shewhart.......................83
5.3 LRM global de Shewhart, SUMAC y MEMPE.......................................................84
5.4 Comparacin entre SUMAC y MEMPE conjuntos multivariables.......................89
CAPTULO VI ..................................................................................................................91
6.1 Comparacin entre los diferentes mtodos. Aplicacin ....................................91
5
CAPTULO VII ...............................................................................................................103
Caractersticas de un Proceso Industrial
Introduccin......................................................................................................103
7.1 Capacidad de Calidad de un Proceso .............................................................104
7.2 Ejemplos ...........................................................................................................106
7.3 Grficos de Control ..........................................................................................111
7.3.1 Grficos de Shewhart.......................................................................................112
7.4 Grficos de Shewhart con lmites probabilsticos .........................................118
Ejemplos ...........................................................................................................121
7.6 Ejercicios ..........................................................................................................128
7.7 Mtodo Seis Sigma...........................................................................................131
Introduccin......................................................................................................131
7.7.1 Los cambios que se requieren para implementar Seis Sigma ......................133
7.7.2 Lean Seis Sigma ...............................................................................................134
7.7.3 El funcionamiento del mtodo Seis Sigma.....................................................136
7.7.4 Interaccin entre Lean y Seis Sigma...............................................................138
CAPTULO VIII ..............................................................................................................141

Diseo de Experimentos
8.1 Diseos factoriales a dos niveles......................................................................141
8.2 Diseo factorial 22 ..............................................................................................141
8.2.1 Ejemplo ..............................................................................................................143
8.3 Modelo lineal......................................................................................................147
8.4 Test de Normalidad ...........................................................................................150
8.5 Grfico normal de los efectos ............................................................................151
8.6 Grfico seminormal de los efectos ....................................................................152
8.7 Diseo factorial de tres variables a dos niveles 23 ............................................154
8.7.1 Ejemplo ..............................................................................................................155
8.7.2 Ejemplo...............................................................................................................161
8.7.3 Ejemplo ..............................................................................................................166
8.8 Bloques...............................................................................................................174
8.9 Diseos factoriales fraccionales ......................................................................180
8.9.1 Ejemplo .............................................................................................................186
8.9.2 Ejemplo ..............................................................................................................189
8.10 Modelizacin Global.........................................................................................195
8.10.1 Ejemplo...............................................................................................................197
Bibliografa ...................................................................................................................205
6
Prlogo
Aunque debiera ser prctica habitual entre los miembros de la comunidad univer-
sitaria global, participar en la reflexin de temas que afectan al quehacer comn
de las instituciones de educacin superior, resulta esta, la de prologar una nueva
monografa, una oportunidad singular que debe ser aprovechada con especial
empeo. Al fin y a la postre, es este un medio nico para poner de manifiesto lo
que de excepcional tiene la obra de un acadmico, al tiempo que se nos ofrece la
ocasin de realizar alguna reflexin de carcter ms general sobre aspectos hoy
controvertidos del papel y fines de la universidad.
El trabajo que el lector tiene en sus manos nace con la vocacin genuina del ma-
nual. Con la intencin de ayudar al alumno en el proceso de su propio aprendiza-
je. Pero es, al mismo tiempo, el resultado de un proceso que, de manera muchas
veces callada, se realiza en las universidades, el de la transferencia del conoci-
miento generado por los acadmicos al mundo productivo. Incorporando nuevas y
vivificadoras ideas que suponen la contribucin ms importante que realizan las
instituciones de educacin superior al desarrollo socioeconmico. Es, en definitiva,
el efecto de la ms precisa funcin del docente, la sistematizacin del conocimien-
to para su difusin. En este caso, con el valor aadido de la utilidad de ese cono-
cimiento.
Algo inherente al conocimiento generado en el mbito de las ingenieras es su

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

en el mercado, a cumplir con las normas de calidad cada da ms exigentes, a
generar planes estratgicos, a utilizar mtodos modernos en la gestin, tratar de
minimizar los tiempos de falla, minimizar los desperdicios, cumplir con las entre-
gas en los tiempos previstos, reducir los costos de los productos para brindar sa-
tisfaccin a los clientes, entre otras acciones.
Bajo esta perspectiva, este libro permite por una parte implantar sistemas de con-
trol de calidad en los procesos productivos, determinando la capacidad de calidad
de los procesos, como tambin, establecer mtodos de control de calidad usando
diferentes tcnicas, dependiendo del tipo de proceso.
Para generar un buen producto, insensible a los cambios que se pueden generar
en las variables que intervienen en el proceso, se emplean diseos de experimen-
tos factoriales a dos niveles y diseos factoriales fraccionales. Los que permiten
optimizar procesos industriales logrando determinar las variables significativas de
7
un proceso, y obtener modelos de regresin mltiple asociados, que a travs de
las superficies de respuesta y las curvas de nivel, permiten determinar en que ni-
vel deben fijarse las variables para lograr el valor tcnico deseado, y a la vez mi-
nimizar los costos de los procesos.
La utilizacin del mtodo de modelizacin global permite a travs de rplicas de

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

ciones con ejemplos didcticos, que permiten conocer el mtodo y su posterior
aplicacin, se aportan diversos ejercicios aplicados en diversos procesos produc-
tivos.
Debo felicitar a la Universidad Tecnolgica Metropolita a travs de su Editorial al

poner este libro a disposicin de los Acadmicos y Estudiantes, como un aporte al
desarrollo de la docencia y la investigacin. El Dr. Pedro Vergara posee un vasto
desarrollo en esta disciplina a travs de sus publicaciones y la docencia que ha
impartido por varios aos en la Universidad tanto en cursos de pregrado, como en
programas de Magster y de Doctorado.
Felix de Moya Anegn

Vicerrector de Nuevas Tecnologas
Universidad de Granada
8
Introduccin
En todo proceso de produccin existe el riesgo de aparicin de artculos defec-

tuosos, la mayora de las veces el productor puede tener una explicacin clara del
porqu se generan estos defectos, por ejemplo, por el desajuste de la mquina,
debido al desgaste de alguna pieza, por mala calibracin de mquina, por poca
experiencia de los operarios, por deficiencias de calidad de la materia prima, etc.
ste tipo de causas son denominadas asignables, y cuando actan en un proceso,
los efectos que produzcan sern previsibles; as, si una mquina est mal calibrada
producir artculos fuera de las especificaciones de diseo, si se calibra adecuada-
mente (eliminacin de la causa asignable) se obtendr una disminucin del nmero
de piezas defectuosas. Pero, aunque se tenga la mejor maquinaria, se use la mejor
materia prima, etc., igualmente se pueden producir desviaciones respecto a la cota
nominal, y no siempre ser posible predecir su aparicin, ni asignarlas a una causa
determinada o a una combinacin de causas posibles, y, aunque el proceso se re-
pita en condiciones prcticamente idnticas, es difcil que los resultados sean igua-
les. Este tipo de causas se conocen como no asignables o aleatorias, las cuales in-
troducen en el proceso una variabilidad tambin no asignable, denominada variabili-
dad inherente o natural del proceso, por lo cual se puede considerar que todo proce-
so productivo es un proceso aleatorio.
Uno de los objetivos del control estadstico de un proceso, es determinar si una

desviacin observada puede deberse al azar o a alguna causa asignable; si la varia-
cin est dentro de los mrgenes atribuidos al azar, se dice que el proceso est bajo
control. Estos mtodos estadsticos de control si bien no mejoran la calidad de un
proceso, al menos evitan su degradacin, ya que detectando prontamente las per-
turbaciones, mantienen la productividad del proceso en un nivel ptimo. Sin embar-
go, que una empresa tenga un buen sistema de control de calidad, no implica nece-
sariamente que los artculos que produzca sean de buena calidad, pues este buen
sistema slo evitar que el producto se aparte de su valor nominal, pero, no controla-
r si el producto fue bien diseado, o si sus caractersticas son las adecuadas, o si
satisface las necesidades y expectativas de los usuarios, etc. La informacin actuali-
zada al alcance de los usuarios, como tambin la gran competitividad, ha obligado
estos ltimos aos a tratar de producir una mejora sustancial en la calidad, tanto de
productos como de servicios, ya que slo as es posible mantenerse en el mercado.
Muchas empresas se han visto en la obligacin de invertir en la adquisicin de nue-
9
vas tecnologas, en redisear sus procedimientos actuales, en investigacin y
desarrollo que mediante innovacin tecnolgica les permita mantenerse en un nivel
adecuado de competencia.
Tambin, debe tenerse en cuenta, que las tendencias actuales estn dirigidas
hacia la automatizacin y robotizacin de los procesos industriales, lo que acenta la
importancia de los problemas de calidad, pues, esta robotizacin obtendr resulta-
dos eficientes slo si los niveles de calidad de las partes y piezas con las que se tra-
baja son altos. En estos ltimos aspectos, la industria japonesa es la que ha tenido
los mejores resultados, introduciendo en los mercados internacionales muchos pro-
ductos similares a los ya existentes, pero, la mayora de ellos de mejor calidad, lo-
grando tambin una reduccin significativa en los costes de produccin y venta, y un
aumento del ciclo de vida de muchos de ellos.
Es importante que al definir la calidad de un producto, entendiendo por produc-

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

ciones estndar S, el control de los procesos de produccin se ha basado casi ex-
clusivamente en tales mtodos. Sin embargo, Page (1957) introdujo los fundamen-
tos de una metodologa de control alternativa, conocida como grficos de control de
Sumas Acumuladas (SUMAC), que en los ltimos aos ha pasado a ser objeto de
numerosas publicaciones estudiando su eficacia, sus condiciones operativas para
facilitar su aplicabilidad, as como su generalizacin al caso multivariable.
Otro mtodo, es el grfico de control basado en la Media Mvil Ponderada Ex-

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

tendencia central y de la dispersin, se analiza la aplicacin multivariable que posibi-
lite el control de procesos multifuncin, se desarrollan los fundamentos para la facti-
10
ble utilizacin de estas metodolas a los procesos, y se establece, en todos los ca-
sos, unas bases de comparacin objetivas entre los mtodos Shewhart, SUMAC y
MEMPE, para determinar si hay uno que sea uniformemente ptimo, o, en su caso,
en qu situaciones, cada uno de ellos es ms eficiente.
Se explica el mtodo Seis Sigmas y Lean Seis Sigma para optimizar procesos
productivos en cuanto a atender las expectativas del cliente, mejorar los procesos,
reducir los costos y minimizar las no conformidades.
Se presentan mtodos de diseo de experimentos, factoriales y factoriales

fraccionales que posibilitan la optimizacin de un proceso productivo, tanto en alcan-
zar los valores objetivos definidos para un producto, como tambin para minimizar
los costos asociados al proceso productivo. Se muestran aplicaciones de estos m-
todos con fines didcticos. Tambin se desarrolla el mtodo de modelizacin global,
el cual permite minimizar la variabilidad del proceso y obtener un modelo de la varia-
ble en estudio en funcin de la variabilidad de los tratamientos.
11
CAPTULO I
Mtodo de Control de Calidad mediante Sumas Acumuladas
1.1. El Mtodo SUMAC
El mtodo de las Sumas Acumuladas (SUMAC), introducido por Page

(1957), consiste en acumular para observaciones (muestras) sucesivas las desvia-
ciones de stas respecto a un valor de referencia Q, comparando este valor acumu-
lado respecto a un lmite o intervalo de decisin. Si Y es el estadstico muestral utili-
zado para controlar la caracterstica de un proceso, entonces para las muestras su-
cesivas se calcula
S t = mx{ 0 , (Yt Q) + S t 1 } t = 1,2,...
S0 puede tomar cualquier valor entre 0 y H; se considera que el proceso est fuera
de control si el valor del acumulador St supera el lmite o intervalo de decisin H.
Actualmente, la tnica general consiste en puntuar la situacin de un proceso

mediante el logaritmo neperiano (Ln) de la razn de verosimilitudes. El mtodo SU-
MAC seala, que se ha producido una modificacin del proceso cuando el acumula-
dor asociado a la t-sima y ltima medicin, St, es tal que:
S = Ln[f1 ( x j ) / f0 ( x j )] mn k t Ln[f1 ( x j ) / f0 ( x j )] H
t t
1.1.1
j =1 j =1
f0 representa la verosimilitud de la observacin cuando el proceso est en la situa-

cin ptima, f1 la relativa a una situacin del proceso degradada, y H es el lmite o
intervalo de decisin.
El acumulador St se puede calcular en forma recurrente por:
S t = mx { 0 , S t 1 + Ln[f1 ( x t ) / f0 ( x t )] } 1.1.2
as mismo, se puede modificar la escala dividiendo el logaritmo neperiano de sta

razn de verosimilitudes y H por una misma constante.
12
Para mejorar la respuesta en el arranque, tanto en la implantacin como des-
pus de una accin correctiva, Lucas y Crosier (1982), recomiendan iniciar el control
con una Rpida Respuesta Inicial (FIR), para ello sugieren tomar S0=H/2, as, si el
proceso est descentrado en el inicio es posible detectarlo con mayor celeridad,
mientras que si est correctamente centrado, St decrecer prontamente a cero.
Es importante hacer notar que la expresin del acumulador (1.1.2) por estar
basada en la razn de verosimilitudes es nica, cualquiera sea la degradacin que
se desee detectar, ya sea un aumento o una disminucin de la caracterstica de ten-
dencia central, o bien, un aumento de la variabilidad del proceso; si bien se trasfor-
mar dependiendo de la caracterstica y degradacin que se desee detectar.
Sea X una variable aleatoria proveniente de una distribucin N(m,2), que se

controla peridicamente mediante una muestra de tamao n, para comprobar que
tanto la media como la varianza muestral toman valores que permiten considerar
que el proceso est operando en las condiciones deseadas o, por el contrario, cons-
tatar su degradacin. La utilizacin de estos estadsticos no slo se fundamenta en
su suficiencia y completitud sino, tambin en su independencia (el proceso est ca-
racterizado por una variable cuya distribucin es normal), por lo cual el SUMAC de
cada uno de los estadsticos de control puede determinarse independiente del otro
(en forma similar a la de los grficos x y S de Shewhart).
1.2 SUMAC para el control de la tendencia central
La determinacin de la expresin de los acumuladores del SUMAC, para el

control del centrado del proceso, se fundamenta en la razn de verosimilitudes de la
muestra, bajo la hiptesis que el proceso est bajo control, X~N(m0,20), frente a la
hiptesis que ha sufrido un desplazamiento del valor medio, por lo que X~N(m1,20).
As :
f1 ( x ) ( x m1 ) 2 n ( x m 0 ) 2 n
= EXP +
f0 ( x ) 2 2
0 2 2 0
f1 ( x ) xn(m1 m 0 ) (m 2 0 m 21 )n
Ln = 20
+
2 2 0
f0 ( x )
n(m1 m 0 ) m + m0
= x 1
02
2
13
luego
f ( x ) n(m1 m 0 ) x m 0 m1 m 0
Ln 1 = 1.2
f0 ( x ) 0 0 2 0
1.2.1.- Acumulador superior
Si se desea controlar una posible degradacin del proceso, por un crecimiento

del valor m0 hasta el valor m1, designando por DL=(m1-m0)/0 el desplazamiento
reducido a detectar, Yt = ( x m0 ) / 0 el estadstico de control, y DL/2 el valor de refe-
rencia, la expresin (1.2) se reduce a :
f (x ) D
Ln 1 t = nDL Yt L
f0 ( x t ) 2
dividiendo por el factor de escala nDL, designando por Ut el acumulador de la t-

sima y ltima medicin, y reemplazando en (1.2) se tiene que :
D
Ut = mx 0 , Ut 1 + Yt L 1.2.1
2
se considera que el proceso est fuera de control cuando Ut es mayor que el lmite o
intervalo de decisin HM para la media del proceso.
1.2.2 Acumulador inferior
Si se desea detectar una disminucin del valor medio del proceso, es decir, m1
< m0, entonces: m1 m0=(-1)m1-m0 y
f ( x ) n( 1) m1 m 0 x m 0 m m0
Ln 1 = ( 1) 1
f0 ( x ) 0 0 2 0
n m1 m 0 x m 0 m1 m 0
=
0 0 2 0
14
siendo ahora DL=m1-m0/0 , el desplazamiento inferior absoluto reducido, y Lt el
acumulador, se tiene que :
D
L t = mx 0 , L t 1 Yt L 1.2.2
2
detectndose, con el riesgo asociado, un descentramiento inferior cuando Lt supere

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

referencia Q=DL/2 y lmite de decisin HM, para ambos acumuladores en el caso
de controles bilaterales, considerando los valores medios m1 simtricos respecto a
m0, el estudio simultneo de la evolucin de los acumuladores (1.2.1) y (1.2.2) se
realiza por :
U t = mx{ 0 , U t 1 + Yt Q}
L t = mx{ 0 , L t 1 Yt Q} 1.2.3
1.3 SUMAC para el control de la dispersin
Pepi y Polo (1988) desarrollaron un esquema SUMAC para la variabilidad del

proceso que permite detectar si ste se mantiene en el nivel deseado, cuantificado
por el valor de 20 de la varianza, o ha aumentado a un valor A220, donde A es el
coeficiente de amplificacin que se pretende detectar, para ello, calculan el logaritmo
neperiano de la razn de verosimilitudes de la varianza muestral
n
S2 = (x
i =1
i
x ) 2 /(n 1) .
Como bajo H0, (n-1)S2/ 20 se distribuye 2 con parmetro =n -1, y bajo H1,
(n-1)S2/(A220) se distribuye con parmetro =n -1.
2
Sea g=(n-1)S2/2, luego
dg n 1
= 2
dS 2
15
(n 1)S 2 2 1 / 2 1
1 / 2 1 S (n 1)S 2
(n 1) 2 exp 2 2

2
por tanto :
h(S ) =
2

2 / 2
2
luego :
/2
h1 (S 2 ) 1 (n 1)S 2 1
= exp 1 2
h 0 (S 2 ) A 2 2 0 A
2
1 (n 1)S 2 A 2 1
= exp
A n1 2 0 A
2 2
por tanto
h (S 2 ) (n 1)S 2 A 2 1
Ln 1 2 = (n 1)Ln A +
2 0 A
2 2
h 0 (S )
1 (n 1)S 2 A 2 1
= Ln A +
2

2 0 A
2 2
2
(n 1)( A 2 1) S 2 A 2
= 2 2 Ln A 2
0 A 1
2
2A
Sean, Yt=S2t/20, el estadstico de control, Q=[A2/(A2-1)] Ln A2 el valor de refe-

rencia; si se dividen cada uno de los trminos por el factor de escala (n-1)(A2-
1)/(2A2), y designando por Wt el acumulador de la t-sima y ltima muestra, se tiene
que :
S 2t A2
W t = mx 0 , W t 1 + 2 2 2
Ln A 1.3
0 A 1
se considera que la variabilidad se ha degradado, aumentando hasta A220, cuando

el acumulador Wt es mayor que el lmite o intervalo de decisin HS.
1.4 Longitud de Rfaga Media
La eficacia de un grfico SUMAC se evala mediante el nmero de muestras

requerido, en unas condiciones especficas de proceso, para superar H, nmero que
16
recibe la denominacin de Longitud de Rfaga (LR), y que, dependiendo del azar del
muestreo, es una variable aleatoria.
La distribucin de la LR y sus parmetros miden la potencia de un esquema de

control SUMAC, y se utiliza en la prctica para seleccionar el procedimiento apropia-
do a las condiciones especficas del proceso que se quiere someter a control. No
obstante, en general, la distribucin de la LR y sus parmetros no pueden determi-
narse analticamente y deben obtenerse numricamente; por ello, se han sugerido
numerosas aproximaciones y lmites, pero, por el momento, la determinacin del
SUMAC se realiza en base a la media de la LR, que recibe el nombre de Longitud
de Rfaga Media (LRM), y representa el nmero de muestras que se examinar en
promedio, para obtener una seal que el proceso est fuera de control. Por ello, si
un proceso est en el nivel de calidad deseado, la LRM deber ser grande, pues en
este caso, superar H representara una falsa seal, en cambio, si el proceso est
degradado, la LRM debe ser muy pequea, al objeto de detectar el cambio rpida-
mente.
Para determinar las propiedades de un grfico SUMAC, deben definirse los

valores de Q y H, en funcin de las caractersticas del proceso, especficamente, el
nivel en que interesa que opere, y aquel otro, que representando una situacin fuera
de control se desea detectar. Diversos autores han puesto de manifiesto la relacin
entre los mtodos SUMAC y el secuencial de la razn de probabilidades de Wald; de
hecho, un esquema SUMAC es una secuencia de pruebas de Wald, con una hipte-
sis nula que el proceso est centrado, frente a una hiptesis alternativa que el des-
centramiento es 2Q.
Para evaluar la LRM y su distribucin en funcin del desplazamiento, se pue-

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

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

tendencia central de un proceso, en funcin del porcentaje defectuoso de la fabrica-
cin, que se designa Calidad Rechazable (CR), asociado a un desplazamiento
D=2Q, Lucas y Crosier (1982) disearon un procedimiento operativo para implantar
un control mediante un esquema SUMAC, y obtuvieron tablas de LRM considerando
una rpida respuesta inicial (FIR), para distintos valores de D, H, Q, y S0. Pepi y
Polo (1988), obtuvieron LRM en funcin del deplazamiento crtico D, en trminos de
la proporcin defectuosa del proceso, y compararon el mtodo de Lucas y Crosier
con el de Shewhart en funcin de estas LRM, concluyendo que, salvo criterios espe-
cficos, los grficos SUMAC, si bien no son uniformemente mejores que los de
Shewhart, son ms discriminatorios y de utilizacin ms recomendable.
Pepi y Polo (1990a), disearon un control SUMAC conjunto, bilateral de la

tendencia central de un proceso y unilateral para la variabilidad, obteniendo por si-
mulacin tablas de LRM en funcin de posibles valores de n, D, A, HM, y HS, cuyas
bases se comentan seguidamente.
1.5 Obtencin de las tablas de LRM
Para una poblacin con distribucin X~N(m,2), el proceso se considera bajo

control cuando m=m0 y 2=20, deseando detectar una situacin lmite en que, la
18
distribucin de X sea tal que m=m1 y 2=A2L20, un esquema se presenta en la Fig.
1.5.
20
A2 20
A2 L 20
m0 m0+D0 m0+DL0
Fig 1.5 Proceso centrado, situacin real y lmite
el desplazamiento y la amplificacin lmites son DL=(m1-m0 )/0 y AL ; con valores de

referencia DL/2 y [A2L/(A2L-1)] Ln A2L respectivamente, luego :
D
Ut = mx 0 , Ut 1 + Yt L
2
D
L t = mx 0 , L t 1 Yt L
2
S2 t A 2L 2
Wt = mx 0 , Wt 1 + 2 2 Ln A L
0 A L 1
si la distribucin real del proceso presenta un desplazamiento reducido D=(m-m0)/0

y una amplificacin A, tal que 2=A220, luego, la distribucin del estadstico de con-
trol de la media es tal que Y~N(D,A2/n), y la expresin (n-1)S2/(A220) se distribu-
ye con parmetro =n-1, siendo ambos estadsticos independientes, por lo que se
2
pueden simular separadamente.
Fijando el tamao de la muestra en n=4, Pepi y Polo (1988) han obtenido ta-
blas para DL=0.5, 1, 1.5, 2 y 2.5; AL=1.25, 1.5, 2 y 2.5, HM=1, 2, 3, 4 y 5, HS=4, 6, 8
y 10, cuando el proceso est bajo control (D=0; A=1), para el caso lmite (D=DL;
A=AL) y en otras situaciones intermedias de D con A=AL, uno de estos casos se pre-
senta en la Tabla 2.8.1.
19
Cada simulacin da lugar a dos estadsticos muestrales Y, y S2/20, con los
que se procede a calcular los respectivos acumuladores, repitiendo el proceso hasta
que su valor supera el del intervalo de decisin, ya sea por desplazamiento, ya por
dispersin, momento en que se restituyen todos los acumuladores a sus valores ini-
ciales, U0 , L0 , W0 , y se acumula una rfaga, los valores medios de las longitudes de
rfaga, se han obtenido como promedio de un nmero de rfagas comprendidas
entre 1000 y 10000, segn fuese la variabilidad.
1.6 Anlisis de las LRM en funcin de los distintos parmetros
En la Tabla 1.6.1 se detecta que, para todo estado real del proceso, un incre-
mento de cualquiera de los valores de decisin, HM o HS , provoca un aumento en
la LRM; hecho plenamente justificable ya que estos incrementos representan un plan
de control menos estricto, necesitando mayores valores de los acumuladores para
tener alguna seal de fuera de control y, por tanto, sern necesarias, en promedio,
ms muestras hasta superar el lmite de decisin.
Esta situacin presenta el problema que cuando el proceso est bajo control
(D=0 ; A=1), cualquier seal de intervencin es una falsa alarma, luego, indeseable;
siendo conveniente obtener LRM lo ms elevadas posibles, tericamente infinito. Por
estas consideraciones, se optara por un control con HM y HS muy grandes. Sin
embargo, a estos niveles, cuando el proceso se degrade (D>0 A>1), las LRM re-
sultarn excesivamente altas, pues ahora, se deseara que la aparicin de seal
fuese inmediata, tericamente uno. Luego, la solucin estar en adoptar un com-
promiso en cuanto a la seleccin de HM y HS, que sin dar lugar a demasiadas falsas
seales cuando el proceso est correcto, sea suficientemente potente para detectar
degradaciones.
ste anlisis a travs de las LRM, es equivalente al que se realizara sobre la

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

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

rarlo con el mtodo tradicional de Shewhart. La base idnea de comparacin posi-
blemente sea la evolucin de la LRM, en funcin de los desplazamientos reducidos,
ya que estos estn relacionados, para un tamao de muestra y un ndice de variabi-
lidad Cp especfico, con las proporciones defectuosas, luego, ser til disponer de
las LRM asociadas a un grfico de Shewhart.
La caracterstica de estos grficos es que, adems de las lneas de interven-

cin, gestionan el control del proceso mediante las lneas de atencin, que, alternati-
21
vamente, en su caso, pueden dar lugar a intervenir el proceso. La regla operativa
consiste en dada la seal de atencin, extraer inmediatamente (es decir, no se debe
esperar a que transcurra el intervalo intermuestral establecido) otra muestra, cuya
informacin permite tomar la decisin pertinente.
Pepi y Polo (1988) para determinar las LRM asociadas a un grfico de Shew-
hart, por no corresponder a los perodos intermuestrales, consideran que las mues-
tras adicionales requeridas por las seales de atencin, no se contabilizan para de-
terminar la longitud de rfaga. Sobre esta base, las LRM de ambos mtodos son
totalmente equiparables.
Definen por Y la variable aleatoria nmero de perodos entre muestras hasta e

inclusive, la seal de intervenir; por las condiciones del sistema, la variable corres-
ponde a un modelo geomtrico.
P( Y = y ) = (1 p) y 1 p, 0 < p < 1, y = 1,2,3,...
1
obteniendo que : LRM = E( y ) =
p
donde p es la probabilidad que, al final de un perodo entre muestras, se produzca

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

miento reducido D, de la media del proceso, la media de la muestra quede en la zo-
na de intervencin, R la probabilidad que se site entre una lnea de intervencin y
una de atencin, y B la probabilidad que el proceso est bajo control, con I + R + B =
1, luego p = I + R ( I + R )
Se define el ndice de Variabilidad de un proceso por Cp=(TS - TI )/6, con TS

y TI las tolerancias superior e inferior del proceso, y la desviacin estndar de la
fabricacin bajo control. Un proceso se considera preciso cuando Cp>1 y poco preci-
so si Cp<1, con centro de tolerancia CT=(TS+TI)/2.
Para un proceso preciso, Pepi y Polo (1988) definen MII y MIS como los lmites de
intervencin inferior y superior, MAI y MAS como los lmites de atencin inferior y
superior, MI y MS son las medias de los procesos que presentan una proporcin
defectuosa del uno por mil por defecto y por exceso. Sean D el desplazamiento re-
22
ducido, A la amplificacin de la desviacin tipo y m la media del proceso, luego se
tiene que:
MS - CT=(3Cp - 3.09) , m - CT=D , TS - MS=3.09

MAS = MS + 1.96 , MIS = MS + 3.09
n n
,
MAI = MI 1.96 MII = MI 3.09
n n
o LR=y
I+R
I o LR=y
o o
y y+1
Fig. 1.7 Esquema general
en esta situacin, la media m del proceso presenta un desplazamiento de D res-

pecto del centro de tolerancias. Puesto que un aumento de la dispersin, an en el
caso de un proceso inicialmente preciso, puede dar lugar, simultneamente, a pie-
zas defectuosas por exceso por defecto, tal posibilidad se evala en funcin de D,
A y n, mediante los valores de una distribucin normal, centrada y reducida por:
TS m 3Cp D TI m 3C p D
ZS = = y ZI = = +
A A A A A A
23
A su vez, se requiere obtener las probabilidades de sobrepasar las lneas de
atencin y de intervencin, por sus valores centrados y reducidos
( MIS m ) n 3.09 + [( 3C p 3.09 ) D] n

Z IS = =
A A
( MAS m ) n 1.96 + [( 3C p 3.09 ) D ] n

Z AS = =
A A
( MAI m ) n 1.96 + [( 3C p 3.09 ) + D ] n

Z AI = =
A A
( MII m ) n 3.09 + [( 3C p 3.09 ) + D ] n

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

tanto, calcular p.
Para un proceso poco preciso,
m CT = D , TS CT = 3Cp ,
,
MAS = CT + 1.96 MIS = CT + 3.09
n n
,
MAI = CT 1.96 MII = CT 3.09
n n
se calcula la proporcin defectuosa total por los valores centrados y reducidos
3C p D 3C p + D
ZS = y ZI =
A A
para obtener las probabilidades de pasar las lneas de atencin y de intervencin, se

calculan
24
3.09 D n 1.96 D n
Z IS = Z AS =
A A
3.09 D n 1.96 + D n
Z II = Z AI =
A A
obtenindo as I, R, B y p.
El grfico de desviaciones estndar S tambin puede dar lugar, errnea o co-

rrectamente, a intervenir un proceso. Bajo el esquema de la Fig 1.7, la determinacin
de las probabilidades ser funcin del coeficiente de amplificacin A y del tamao de
la muestra n. Limitando su clculo para el grfico S de las desviaciones tipo muestra-
les, si Li y La son los valores extremos en la distribucin 2 de parmetro =n -1, rela-
tivos a los riesgos del 1 y del 2.5% respectivamente, los lmites de atencin supe-
rior para S, SAS, y de intervencin superior, SIS, los definen por:
Li La
SIS = y SAS =
n 1 n 1
Luego I = P(S > Si ) = P(S2 > S2i) = P(nS2 / (A)2 > nS2i / (A)2 ) = P( 2 > Li / A2 )
a su vez, I + R = P(S > Sa) = P ( 2 > La / A2)
Dado que en una distribucin normal, los estadsticos x y S son independien-

tes, el riesgo global de parar el proceso, ya sea por la media o por la desviacin es-
tndar est dado por la expresin
p=1 - [1 - P( x )][1 - P(S)]
donde p es el riesgo global, P( x ) la probabilidad de deteccin por la media y P(S) la

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

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

SUMAC.
25
1.8 Comparacin de las LRM del SUMAC con las de Shewhart
Pepi y Polo (1988) realizaron un estudio comparativo del mtodo clsico de

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

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

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

riabilidad, comparan las LRM de este SUMAC conjunto con las globales de Shew-
hart. En las Tablas 1.8.1-1.8.2 se exponen las LRM para dos casos distintos de con-
trol (DL=0.5 ; AL=1.25 , Cp=0.833 , A=1 y A=1.25), estudiando el desplazamiento real
D a distintos niveles , la amplificacin en situacin de control (A=1) y en situacin
crtica (A=AL); todo ello para diversos valores de HM y HS, para n=4.
Las Tablas 1.8.1-1.8.2 se han complementado con las LRM globales de Shew-
hart y el tanto por ciento de elementos defectuosos asociados (PD%), para procesos
cuyo Cp=0.833, A=1 y A=1.25.
Del anlisis de la Tabla 1.8.1, se puede decir, que el SUMAC de HM=3 y HS=6
es ms potente que Shewhart para desplazamientos inferiores o iguales a 1; cuando
D=0 la LRM SUMAC supera a la clsica, sin embargo, para desplazamientos pe-
queos es inferior, lo que indica una deteccin ms rpida de la degradacin. Para
desplazamientos superiores o iguales a 1.5 el SUMAC es menos potente que Shew-
hart al dar LRM mayores. Sin embargo, en procesos reales, salvo situaciones catas-
trficas, estos se degradan progresivamente y antes de llegar a desplazamientos
superiores o iguales a 1.5, pasan por otros valores previos que sern detectados con
mayor facilidad por el mtodo SUMAC. El SUMAC de HM =1 y HS =10 resulta ser el
ms potente toda vez que el desplazamiento es mayor que cero, pero cuando no
hay desplazamiento presenta LRM muy bajas, lo cual es un inconteniente, ya que
estando el proceso perfectamente centrado el nmero de falsas seales ser muy
alto.
Del anlisis de la Tabla 1.8.2, se puede decir, que el SUMAC de HM=5 y

HS=10 es ms potente que Shewhart para desplazamientos inferiores o iguales a
27
0.5; cuando D=0 la LRM SUMAC supera a la clsica, para desplazamientos peque-
os es inferior, lo que indica una deteccin ms rpida de la degradacin. Para des-
plazamientos superiores o iguales a 1 el SUMAC es menos potente que Shewhart al
dar LRM mayores.
Pepi y Polo (1990a), tambin estudian situaciones, para procesos de mejor

capacidad de calidad (Cp=1.383), en que la proporcin de elementos defectuosos en
las primeras etapas de degradacin son muy pequeas, pero el SUMAC da LRM
muy bajas, por lo cual, las seales de intervencin sern frecuentes. Este hecho se-
ra un inconveniente, desde el punto de vista de la filosofa del control clsico, sin
embargo las nuevas tendencias del control de calidad enfatizan un control tal que
garantice la mxima homogeneidad de la fabricacin, por lo que, cualquier despla-
zamiento desde el centro de tolerancia es indeseable y se debe detectar con la ma-
yor celeridad posible, cualquiera sea la capacidad del proceso y por ende la propor-
cin defectuosa que implique.
En este sentido, Pepi y Polo (1990a) concluyen que es totalmente recomen-

dable la aplicacin del mtodo SUMAC para el control conjunto de la media y la va-
rianza, y que, exceptuando los casos de degradacin catastrfica, se puede afirmar
que es posible encontrar un SUMAC ms potente que el mtodo de control clsico
de Shewhart para vigilar simultneamente el desplazamiento y la amplificacin del
proceso.
28
CAPTULO II
Control por Medias Mviles Ponderadas Exponencialmente
Introduccin
El esquema de Control de Calidad basado en la Media Mvil Ponderada Expo-

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

t
Zt = (1 ) t j Y j + (1 ) t Z 0 2.1.2
j=1
Para una poblacin X con distribucin N(m,2), el proceso se considera bajo

control cuando m=m0 y 2=20, deseando detectar una situacin lmite en la que la
distribucin de X sea tal que m = m0 D 0 y 2=A2L20.
Siendo X~N(m0+D0,A220) la distribucin verdadera del proceso, se define el

estadstico de control centrado y reducido para la media en el instante t-simo por :
29
Xt m0
Yt =
0
luego
X t m 0 m 0 + D 0 m 0
E( Yt ) = E = =D
0 0
V( X t ) A 2 2 0 / n A2 m0 m0
V( Yt ) = = = , con z 0 = =0
2
0 2
0 n 0
Si los Yt son independientes provenientes de una distribucin N(D,A2/n), con

valor nominal igual a D, se tiene que
t
E( Z t ) = (1 ) t j
E( Yj ) + (1 )t E( Z 0 )
j=1
1 (1 )t
= D = [1 (1 ) ] D
t

1 (1 )
bajo H0 , D=0, luego
E( Z t ) = 0 2.1.3
t
y V( Z t ) = (1 ) t j
V( Yj ) + (1 ) t V( Z 0 )
j =1
1 (1 )2 t A 2
= 2
2
1 (1 ) n
( 1 (1 ) 2 t ) A 2
= n
2
30
bajo H0, A2 =1 , luego
V( Z t ) =
[1 (1 ) ]
2t
2.1.4
(2 )n
cuando t tiende a infinito, la varianza converge asintticamente a :

2a = 2Y 2.1.5
(2 )
Los lmites de control para el estadstico Zt, se definen simtricos al valor no-
minal; varios autores los definen basados en la desviacin estndar asinttica del
estadstico de control por:

LM=nominal K Y 2.1.6
2
el proceso se considera fuera de control si Zt excede estos lmites de control.
La eficiencia de un esquema MEMPE se evala mediante el nmero de mues-

tras requeridas para superar los lmites LM , nmero conocido como Longitud de
Rfaga (LR). La distribucin de LR y sus parmetros miden la potencia de un es-
quema MEMPE, y se utiliza en la prctica para seleccionar el procedimiento apro-
piado a las condiciones especficas del proceso que se desea someter a control. En
general, la distribucin de la LR y sus parmetros no pueden determinarse analti-
camente, por ello, se obtienen numricamente, y la determinacin del MEMPE se
realiza en base a la media de la LR, que recibe el nombre de Longitud de Rfaga
Media (LRM), y representa el nmero de muestras que se examinar en promedio,
para obtener una seal que el proceso est fuera de control.
Los valores de las constantes y K deben ser escogidos por el usuario, consi-
derando que cuando el proceso est bajo control (D=0, A=1), cualquier seal de in-
tervencin es una falsa alarma, siendo conveniente obtener LRM lo ms grande po-
sible, tericamente infinito, ello se conseguira con y K elevados, pues los lmites
de control estaran bastante alejados del valor nominal obtenindose as LRM mayo-
res, sin embargo, fijando y K a estos niveles, cuando el proceso se degrade (D > 0
A > 1), las LRM resultaran excesivamente altas, ya que en estos casos, se desea
que la aparicin de la seal de intervenir fuese casi inmediata. La solucin estar en
adoptar un compromiso referente a la eleccin de y K, que sin dar luar a demasia-
31
das falsas seales cuando el proceso est correcto, sea suficientemente potente
para detectar cualquier degradacin que se produzca en el proceso.
Segn Crowder (1989), Lucas y Saccucci (1990) la estrategia en el diseo es

encontrar la pareja ( , K) que minimice las LRM cuando el proceso est fuera de
control, para un cambio especificado en la media del proceso. Generalmente
hablando, estas LRM caracterizan los errores tipo I y tipo II. Las LRM correspondien-
tes al error tipo I, es el nmero promedio de rfagas que se harn antes que una
seal de fuera de control se d cuando el proceso est bajo control; la LRM corres-
pondiente al error tipo II, es el nmero promedio de rfagas que deben ser tomadas,
para detectar un cambio verdadero en el proceso cuando ste realmente ha ocurri-
do. La combinacin (, K) escogida debe ser ptima, en el sentido que para un error
tipo I fijado para un determinado proceso, produzca el menor error tipo II posible pa-
ra un cambio especificado de la media del proceso. En general, la eleccin ptima
de (, K) depender de la magnitud del cambio que se desee detectar.
Crowder (1989) recomienda los siguientes pasos al disear un esquema

MEMPE para detectar cambios en la media del proceso:
Paso 1.- Escoger la LRM menor aceptable para el caso en el cual el cambio
del proceso es cero. Esto corresponde a fijar la razn de falsa alarma (error tipo I)
Paso 2.- Decidir qu magnitud de cambio en el proceso debe ser detectada

rpidamente (es decir, tenga una LRM pequea), entonces escoger el valor de que
produce una LRM mnima para este tamao de cambio
Paso 3.- Escogido el valor de del paso 2, encontrar el valor de la constante K

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

grficos para la eleccin de y K para llevar a la prctica el procedimiento por ellos
descrito. La eleccin de una LRM aceptable en el paso 1, a menudo ser basada en
consideraciones econmicas, tales como el costo asociado con una falsa alarma y
reducciones de tiempos de procesos.
32
Si el proceso es correcto, lo ideal es trabajar con valores pequeos de , en el
sentido que si por azar del muestreo aparecen valores anmalos, estos sern ate-
nuados por , en cambio, al usar valores altos de se producirn demasiadas osci-
laciones aumentando con ello el nmero de falsas seales. Si el proceso se degrada
lo ideal ser tener valores altos de , ya que la deteccin ser casi inmediata, en
cambio, valores pequeos de atenuarn esta degradacin.
2.2 MEMPE para la tendencia central con lmites en funcin de t
Dado que el estadstico de control Zt, bajo las condiciones impuestas a Yt, tiene
distribucin normal con esperanza y varianza (que vara en el tiempo) conocidas, se
considera que los lmites de control deben definirse respecto a la desviacin estn-
dar real del estadstico Zt, como lo sugieren MacGregor y Harris (1990), lo que pro-
porciona los verdaderos lmites de control para Zt, definidos por:
LM=nominal K Y
[1 (1 ) ]
2t
2.2.1
2
donde y K son escogidas por el usuario, si Zt excede estos lmites el proceso se

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

su valor asinttico ms lentamente; en el inicio para todo valor de estos lmites re-
ales son notoriamente ms prximos al valor nominal, lo cual permite realizar un
control ms estricto en el arranque, y, en el caso que el proceso partiera fuera de
control, estos lmites permiten detectar ms prontamente esta situacin, en cambio,
si se usan lmites asintticos, mientras ms pequeo sea el valor de mayor ser el
tiempo que se necesitar para detectar esta anomala.
Para tratar de compensar en parte los problemas que se pueden presentar

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

una tcnica MEMPE no paramtrica, aplicable en aquellos procesos en los cuales
existen razones tcnicas econmicas para tomar solamente una observacin en
cada punto de control, situacin en que no se puede recurrir al teorema central del
lmite para normalidad, en la cual los grficos de Shewhart y SUMAC aplicados a
observaciones individuales son sensibles a la violacin del supuesto de normalidad.
Segn sus autores, este procedimiento MEMPE no paramtrico es una alternativa
prctica para este tipo de situaciones, dado que sus propiedades son independien-
tes del supuesto de distribucin de las observaciones. De acuerdo con los objetivos
de este libro, no se profundiza sobre esta tcnica no paramtrica.
34
2.3.- Longitud de Rfaga Media
Las LRM publicadas por diversos autores slo se refieren al MEMPE de la ten-
dencia central, y consideran que la varianza del proceso se mantiene constante. Al-
gunos de los mtodos propuestos son:
Crowder (1987a) para obtener las LRM de un esquema MEMPE, considera

que los promedios de muestras sucesivas son independientes, y describe que pue-
den ser expresadas como solucin de una ecuacin integral, en que, si L(u) es la
LRM, dado que el MEMPE parte con Z0=, entonces
1 LCS
{ y (1 )}u

L(u) = 1 + L( y )f dy
LCI
LCI y LCS son los lmites de control inferior y superior definidos en trminos de la
desviacin estndar asinttica del estadstico MEMPE, simtricos al valor nominal,
f(x) es la funcin de densidad de una N(,2/n), es la media verdadera del proceso,
es la desviacin estndar nominal (se supone que es constante, y por tanto no
es controlada durante el proceso), n es el tamao de cada una de las muestras.
Lucas y Saccucci (1990) evalan las LRM representando el estadstico MEM-

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

trol MEMPE conjunto, bilateral para la tendencia central y unilateral para la variabili-
dad, propuesta por Vergara (1992). En el Captulo II, se desarrollaron estas bases
para el control bilateral de la tendencia central, suponiendo que la varianza perma-
nece constante. Se propone adems un procedimiento alternativo a los ya existentes
para definir los lmites de control, el cual tericamente es ms consistente. Poste-
riormente en el Captulo IV estas bases se extienden al control multivariable.
3.1 MEMPE para la variabilidad
Sea {x1, ... ,xn } una muestra aleatoria de tamao n, proveniente de una distribucin
N(m0,20), la media y la varianza muestral de la t-sima muestra estn dadas por :
n n
xj
j =1
(x j x t )2
x t = M( x ) = y S2 t =
j=1
n n 1
para realizar el control de la variabilidad, Vergara (1992) propuso utilizar el estadsti-

co Qt =S2t /20 ya que (n-1)S2t/20 tiene distribucin 2 con parmetro =n -1.
El estadstico MEMPE para la variabilidad se define por :
S2 t
Wt = 2 (1 )Wt 1 , 0 < 1 , t = 1,2,... 3.1.1
0
Este estadstico al desarrollarlo, puede expresarse en forma equivalente por :
t
S2 j
Wt = (1 ) 2 + (1 ) t W0
tj
3.1.2
j =1 0
conjuntamente con el lmite superior definido en base a la desviacin estndar real

de este estadstico, que es variable en el tiempo. Considerando W0 igual al valor
nominal, W0=1, luego:
36
t
S2 j
E( W t ) = (1 ) E 2 + (1 ) t E( W0 )
t j
j =1 0
1 (1 ) t
= + (1 ) t
1 (1 )
por tanto
E( Wt ) = 1 3.1.3
t
S2 j
V( Wt ) = 2 (1 )2( t j ) V 2 + (1 ) t V( W0 )
j =1 0
1 (1 )2 t 2
= 2 2
1 (1 ) n 1
(1 (1 ) 2 t ) 2
V( W t ) = n 1 3.1.4
2
cuando t tiende a infinito, la varianza converge asintticamente a :
2
2a = 3.1.5
2 n 1
Como (n-1)S2t/20 se distribuye 2 con parmetro =n -1, el estadstico Wt

(salvo un factor de escala) es una combinacin de variables 2 independientes, y
como suma de variables aleatorias independientes, para las cuales existen todos
sus momentos, por el teorema central de lmite tiene una distribucin asinttica nor-
mal. Cuando =1, (n-1)Wt se distribuye 2 con =n -1.
Vergara (1992) define el lmite de control superior de W t por
(1 (1 ) 2 t ) 2
LS = 1+ R n 1 3.1.6
2
37
el valor de las constantes y R son escogidos por el usuario, con criterios similares
a los expuestos en el Captulo II para el control de la media, el proceso estar fuera
de control si Wt > LS .
3.2 Longitud de Rfaga Media: Simulacin
En la Tabla 3.2.1 se presenta la evolucin de las LRM para =0.25, A=1, dis-
tintos desplazamientos y distintos valores de K y R. Se observa que para desplaza-
mientos mayores o iguales a uno, y dado que el proceso no presenta amplificacin,
el aumento de R no es relevante ya que prcticamente casi todas las seales de
fuera de control obtenidas son debidas a la media, por ello se aprecia una estabiliza-
cin de la LRM para un mismo valor de K. Al aumentar K las LRM crecen hecho ple-
namente justificado, pues en general, al aumentar ya sea K o R el esquema MEMPE
es menos estricto al crecer los intervalos definidos por los lmites de control, tanto
para la tendencia central como para la variabilidad. Cada vez que aumenta el des-
plazamiento las LRM decrecen, comportamiento deseable en todo proceso de con-
trol. Para K=3 y distintos valores de R, cuando el proceso se degrada por desplaza-
miento las LRM decrecen rpidamente, sin embargo, cuando el proceso no est de-
gradado las LRM no son lo suficientemente grandes como se quisiera.
n=4 A=1 = 0.25

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

0.5 1 5.04 4.83 5.91 7.88 10.55
0.5 1.25 4.30 4.18 4.28 4.89 5.31
0.5 1.5 2.72 2.71 2.63 2.69 3.01
0.5 2 1.50 1.50 1.47 1.52 1.51
1 1 1.72 1.75 1.79 1.82 1.96
1 1.25 1.77 1.72 1.76 1.81 1.85
1 1.5 1.65 1.61 1.62 1.60 1.70
1 2 1.33 1.29 1.34 1.39 1.32
1.5 1 1.12 1.12 1.11 1.14 1.11
1.5 1.25 1.17 1.17 1.18 1.17 1.19
1.5 1.5 1.18 1.16 1.20 1.19 1.22
1.5 2 1.14 1.16 1.15 1.15 1.15
48
En las Tablas 3.2.7-3.2.10 se presentan la evolucin de las LRM para distin-
tos valores de D, A, n, y , con K=2.75 y R=4. Con estos valores de K y R, los lmites
de control estn ms prximos al valor objetivo, por ello el esquema MEMPE es ms
exigente, obtenindose as LRM ms pequeas cuando el proceso est degradado,
ya sea por la media o por la variabilidad, pudiendo as, detectar con mayor presteza
esta anomala, sin embargo, cuando el proceso no est degradado (D=0, A=1), tam-
bin se produce una disminucin de la LRM, con lo cual, aumentan las seales de
intervencin, que son falsas seales, esto ltimo, es un inconveniente, pero, se tiene
la certeza que si el proceso realmente se degrada, ser detectado rpidamente. El
comportamiento de las LRM, con estas condiciones es similar al descrito para K=3.5
y R=6.
Con estos nuevos valores de K y R, al efectuar las simulaciones tambin se

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

que la media (LRM), las pendientes de las rectas tienen valor prximo a la unidad, y
como las LRM simuladas se han obtenido como promedio de 1000 rfagas como
mnimo, el error tipo de las estimaciones no es superior a LRM / 1000 , idntica con-
clusin se haba obtenido trabajando con K=3.5 y R=6.
3.3 Anlisis de las LRM del esquema MEMPE conjunto univariable
Con respecto a la Tabla 3.2.7.b, Tabla 3.2.8.b y Tabla 3.2.9.b, en las cuales
se presentan la evolucin de las LRM del esquema MEMPE conjunto univariable,
para un proceso sin desplazamiento (D=0), con K=2.75, R=4, respecto a y de la
amplificacin A, para distintos tamaos de muestra, valores obtenidos de las simula-
ciones, se puede apreciar que:
el comportamiento de las LRM es muy similar para los distintos tamaos de

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

aumentar el desplazamiento.
para desplazamientos mayores o iguales a 0.50 las LRM tienden a crecer
con el aumento del valor de , hecho justificado, debido a que aumenta el in-
tervalo determinado por los lmites de control, siendo el esquema MEMPE
menos estricto en estos casos.
el comportamiento de las LRM para los distintos tamaos de muestra y des-
plazamientos es muy similar entre ellas.
Para las LRM de procesos con un desplazamiento de 0.50, con K=2.75,

R=4, con respecto a , a la amplificacin A, para distintos tamaos de muestra, se
observa que:
la disminucin de las LRM en estos casos, es ms acentuada que en un proceso sin

desplazamiento, para cada valor de , al aumentar la amplificacin.
cuando los procesos no presentan variabilidad (A=1), las LRM tienden a cre-
cer con el aumento de .
para amplificaciones mayores o iguales a 1.25, las LRM tienden a estabilizar-
se al aumentar .
Para las LRM de procesos sin degradacin (D=0, A=1), con respecto a distin-
tos valores de y tamaos de muestra, se tiene que:
las LRM decrecen en cada valor de al decrecer el tamao de la muestra

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

mao de la muestra, y que las LRM para n=7 son las menores, y por ello para
cualquier valor de detectarn con mayor presteza la degradacin por des-
plazamiento, siendo ms eficiente mientras menor sea el valor de .
es importante, analizar el comportamiento de estas LRM desde el punto de
vista econmico al momento de realizar el control. Suponiendo, por ejemplo,
que el usuario decide por consideraciones tcnicas de su proceso, que una
LRM igual a 8 es el mximo que se puede permitir para detectar un despla-
zamiento de D=0.5. Las elecciones posibles para alcanzar este objetivo son:
=0.25 con n=4, =0.5 con n=5, =0.6 con n=6, =0.8 con n=7. Para
esta situacin, se tiene, que mientras menor sea el tamao de la muestra,
tambin es menor el valor de . Naturalmente, que la eleccin de =0.25 y
n=4 presenta ms ventajas, pues al ser menor el tamao de la muestra que
en las otras situaciones, las mediciones se podrn realizar en menor tiempo,
y si el proceso de control requiere de la destruccin de los elementos de la
muestra, esta eleccin ser ms econmica. Estos comentarios, reiteran los
realizados en la Tabla 4.2.6 respecto de las posibles elecciones existentes
para una misma situacin.
3.4 Ejemplo
Se tiene la informacin respecto de un proceso, en que utiliza una mquina

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

determinan los lmites superior e inferior para la media, y el lmite superior para la
varianza, para cada t, y se evalan los estadsticos Zt y W t del esquema MEMPE
para =0.25, K=2,5 y R=4, Tabla 3.4.2
Promedio Varianza Zt Lmites de Zt Wt Lmite de W t

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

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

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

medias muestrales es :
X ~ j

n
j =1
(X X) (X X)
~ j ~
T
~ j ~
X=
j =1
y matriz de dispersin S =
~
n n 1
la E(S)=V, y (n-1)S es una matriz simtrica definida positiva con distribucin de

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

cin lineal
T
T = M1 M0 n V 1 X
~ ~
~
donde M es el vector de medias de las variables con el proceso perfectamente

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

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

procede al estudio para el caso de dos variables (p=2).
m0x m1x x
M = , M = , X~ =
~ 0 m
0y
~ 1 m
1y y
con matriz de varianzas-covarianzas
2x x y 1 2y x y
V = V 1 =

x y y
2
(1 ) 2 x 2 y
2
x y
2 x
luego, la transformacin T = M1 M0 n V 1 X , toma la forma

~ ~ ~
2y x y x
T=
n
(m1x m0 x m1y m 0 y )
2 x y
(1 2 ) 2 x 2 y x y
por tanto
m m0 y m1x m 0 x m1y m 0 y
T=
n m1x m 0 x x 1y x + y + y
(1 2 ) 2 x 2
x y x y y

se puede apreciar, que la variable aleatoria transformada es una combinacin li-

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

cin lineal de un vector normal, es una variable aleatoria normal con
( )
T t
m = E(T )= M1 M0 n V 1 M y 2
0 = V(T )= M1 M0 n 2 V 1 M M
~ ~
~ ~ ~
~ 1 ~ 0
se tiene que
56
T
T
T

T = M1 M 0 n V X ~ N M1 M 0 n V M , M 1 M 0 n V 1 M1 M 0
1
1
~ ~ ~
~ ~ ~ ~ ~ ~ ~

sean
T

m 0 = E (T / M = M ) = M 1 M 0 n V 1 M
~ ~ 0 ~ ~ ~ 0
la media si el proceso est correctamente centrado en los valores medios objeti-

vos M y
~ 0
m1 = E( T / M = M )= M1 M0 n V 1 M
~ ~ 1 ~ ~
~ 1
la media si el proceso se ha descentrado hasta alcanzar los valores medios crti-

cos M
~ 1
Considerando el desplazamiento reducido lmite o crtico que se desea de-

tectar
T
M M n V 1 M M
m1 m 0 1 0 1 0
T
1/ 2

DL = = ~ ~ ~ ~ 1
= M1 M0 V M1 M0 = 0 > 0
0 T 2 1
1 / 2
~ ~ ~ ~ n
M~ 1 M~ 0 n V M~ 1 M~ 0

por tanto, el desplazamiento reducido real es
T T
M M n V 1 M M M M n V 1 M M
m m0 0 0 1 0 ~ 0
D= = ~
1
~ ~
~
= ~ ~ ~ por
0 T n V M M
1/ 2
DL
M M
~ 1 ~0
2 1

~ 1 ~ 0
tanto, D puede interpretarse como la fraccin que el descentramiento real trans-
formado representa respecto al crtico.
Para realizar el control de la tendencia central se define el estadstico cen-

trado y reducido, Yt definido por:
57
T T T
1 1
M1 M 0 n V X M1 M 0 n V 1 M 0 M1 M 0 n V X M0
T t m0 ~ ~ t ~ ~ ~ t ~ luego,
Yt = = ~ ~ ~
= ~
0 T
1/ 2
nDL
2 1
M1 M 0 n V M1 M 0
~ ~ ~ ~

T
M M V 1 X t M
1 0 ~ 0
Yt = ~ ~ ~
4.1.1
DL
por tanto
T T
1 1
M1 M 0 V E X~ t M 0 M1 M 0 V M M0
E (Yt ) = ~ ~ ~
= ~ ~ ~ ~
=D 4.1.2
DL DL
T V 1 V V 1 M M T
M M 0 0 M1 M0 V 1 M1 M0
Var ( Yt ) = 2 ~ ~ ~ ~
1 1
n
1
1 ~ ~ ~ ~
= T
DL DL n M M V 1 M M
~ 1 ~ 0 ~ 1 ~ 0
1
Var( Yt ) = 4.1.3
n
Para controlar la tendencia central de un proceso multivariado, Vergara

(1992) define el estadstico MEMPE por
T 1
M~ 1 M~ 0 V X~ t M~ 0
Zt = + (1 ) Z t 1 ,0 < 1 4.1.4
DL

que desarrollado, tiene la siguiente expresin equivalente
58
T 1
M1 M0 V X t M0
Z t = (1 ) t j ~ ~ ~ ~
t
+ (1 ) Z 0
t
j =1 DL

considerando, que en el instante inicial el proceso est centrado en M, es decir

M = M , se define
~ ~ 0
T
M M V 1 M M
1 0 0 0
Z0 = ~ ~ ~ ~
=0
DL
Si los Yt son independientes provenientes de una distribucin N(D,1/n)
T V 1 X M

~M M t 0
~ ~
t 1 0
E( Z t ) = (1 ) E
t j ~
+ (1 ) E( Z 0 )
t
j =1 DL

luego
E( Z t ) = [1 (1 ) t ] D 4.1.5
bajo H0, M = M , de donde resulta que D=0, por tanto, E(Zt)=0.

~ ~ 0
A su vez,
T 1
M1 M0 V X t M0
Var ( Z t ) = 2 (1 ) 2( t j ) Var ~ ~ ~ ~
t
+ (1 ) Var ( Z 0 )
2t
j =1 DL lue-

2 1 (1 ) 1
2t
=
(2 ) n
go
59
(1 (1 )2 t ) 1
Var( Z t ) = 4.1.6
2 n
cuando t tiende a infinito, la varianza converge asintticamente.
Dado que, bajo la hiptesis de proceso bajo control el estadstico Zt es de

esperanza matemtica nula, Vergara (1992) define los lmites de control por:
(1 (1 )2 t ) 1
L M = K Z = K 4.1.7
2 n
los valores de las constantes y K son escogidos por el usuario. El proceso se

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

correspondiente al proceso en las condiciones actuales de trabajo, siendo A una
constante positiva denominada amplificacin, y AL la amplificacin lmite o crtica
que se desea detectar, dado que si se excede este valor, se requerir realizar un
reajuste del proceso. Para controlar la variabilidad se considera el estadstico aso-
ciado al instante t-simo
tr[V 1 (n 1)S t ]
Qt
p(n 1)
donde tr es la traza de la matriz, con tr[V-1(n-1)St) ~2 con =p(n-1), y V es la ma-

triz de varianzas-covarianzas del proceso.
ste estadstico, se obtiene basndose en el logaritmo neperiano de la ra-

zn de verosimilitudes, que para el caso de dos variables presenta la siguiente
estructura:
2x x S2 x RS x S y
como V = y
y
S =
x y
2y RS x S y S 2 y
60
luego
1 2 x S 2 x x y RS x S y 2 y RS x S y x y S 2 y
V S=1
2
(1 ) 2 x 2 y
2 x RS S S 2 x 2 x S 2 y x y RS x S y
x y x y
es el coeficiente de correlacin, por tanto
n 1 S 2 x S S y S2 y

tr( V 1 (n 1)S) = 2
2 R x + 2
y
1 x 2
x y

luego, el estadstico de control tiene la expresin :
1 S2 x S S y S 2 y
Qt = 2 R x + 2
2
p(1 ) x
x y y
2

En general, si la variabilidad ha cambiado de forma que la matriz de varian-

zas-covarianzas es A2V, se tiene que tr[ A-2 V-1(n -1)S ) ~2 con parmetro =p(n-
1), luego
tr ( V 1 (n 1)S t )
E[tr( A 2 A 2 V 1 (n 1)S t )]
1
E(Q t ) = E =
p( n 1) p(n 1)
A
E[tr( A 2 V 1 (n 1)S t )]
2
=
p(n 1)
= A2
tr ( V 1 (n 1)S t )
Var [tr ( A 2 A 2 V 1 (n 1)S t )]
1
Var (Q t ) = Var = 2
p(n 1) p (n 1)
2
A4 2
= 2 Var [tr ( A V (n 1)S t )]
2 1
p (n 1)
2A 4
=
p(n 1)
bajo H0 se considera que el proceso no tiene amplificacin, es decir, A2=1 por tan-
to :
61
2
E(Q t ) = 1 y Var (Q t ) =
p(n 1)
Para realizar el control de la variabilidad multivariable, Vergara (1992) defi-

ne el estadstico MEMPE por:
tr( V 1 (n 1)S t )
Wt = + (1 )W t 1 4.2.1
p ( n 1)
que desarrollado tiene la siguiente expresin equivalente
tr( V 1 (n 1)S j )
t
Wt = (1 ) t j
+ (1 ) W0
t
j =1
p(n 1)
con 0 < 1 y W 0 =1, as,
t tr( V 1 (n 1)S j )
E( Wt ) = (1 ) E t j
+ (1 ) E( W0 )
t
j =1
p(n 1)
= [1 (1 ) ] A + (1 )
t 2 t
bajo H0, (A2=1)
E( Wt ) = 1 4.2.2
t tr (V 1 ( n 1)S j )
Var ( W t ) = ( 1 )
2 2( t j )
Var + ( 1 ) Var ( W 0 )
2t
j =1 p( n 1)
1 ( 1 ) 2 A
2t 4
= 2 2
1 ( 1 ) p( n 1)
bajo H0, (A2=1)
{1 (1 ) 2 t } 2
Var ( Wt ) = p(n 1)
4.2.3
2
cuando t tiende a infinito la varianza converge asintticamente.

62
Como tr [ A-2V-1(n-1)S ] se distribuye 2 con =p(n-1), el estadstico Wt (salvo un
factor de escala) es una combinacin de 2 independientes, y como suma de va-
riables aleatorias independientes, tales que existen todos sus momentos, por el
teorema central del lmite tiene una distribucin asinttica normal. Cuando =1,
A2p(n-1)Wt se distribuye 2 con =p(n-1).
Vergara (1992) define el lmite de control superior de W t por :
{1 (1 ) 2 t } 2
LS = 1 + R p(n 1) 4.2.4
2
los valores de las constantes y R son escogidos por el usuario y el proceso se

considera fuera de control por variabilidad cuando Wt LS. Cuando p=1 este lmite
corresponde al lmite del MEMPE univariable para la variabilidad, definido en
4.1.6.
4.3 Longitud de Rfaga Media
Se obtuvieron por simulacin tablas de LRM para un control multivariable

conjunto, bilateral para la tendencia central y unilateral para la variabilidad, en fun-
cin de p, n, D, A, K y R, con n > p restriccin exigida por la distribucin de Wis-
hart.
Para simular el control para un determinado nmero de variables, p, y un

cierto tamao de muestra, n, se obtuvo la longitud de rfaga, LR, el nmero de
muestras hasta obtener una seal de fuera de control. Se generaron 1000 de es-
tas rfagas y se calcul la media (LRM) y la varianza (VLR). Esta simulacin se
repiti para distintos nmeros de variables, p, a controlar simultneamente, dife-
rentes tamaos de muestra, con n > p, en funcin de , D, A, K y R.
En las siguientes tablas se presenta la evolucin de las LRM para un es-

quema MEMPE multivariable conjunto, bilateral para la tendencia central y unilate-
ral para la variabilidad.
En las Tablas 4.3.1a,b,c, n=3, p=2, K=3.5, R=6, para distintos valores de ,
D y A se observa que:
para los procesos sin degradacin (D=0, A=1), las LRM decrecen al au-
mentar , ya que un valor extremo lo toma como seal de fuera de control
63
tanto ms pronto cuanto mayor es .
en procesos sin degradacin por variabilidad, para cada valor de las LRM
decrecen al aumentar el desplazamiento.
para la misma situacin del punto anterior, para desplazamientos mayores
o iguales a 0.50 las LRM tienden a crecer a medida que aumenta, debi-
do a que el intervalo definido por los lmites de control aumenta.
para un determinado valor de las LRM decrecen al aumentar el despla-
zamiento.
en un proceso sin desplazamiento, para un determinado valor de las LRM
decrecen al aumentar la variabilidad.
en procesos degradados mientras mayor sean el desplazamiento y la am-
plificacin, las LRM tienden a estabilizarse independientemente del valor de
que se elija.
en estos procesos degradados, si el desplazamiento y la amplificacin son
pequeos las LRM tienden a crecer con el aumento de .
Las Tablas 4.3.2a,b,c a 4.3.3a,b,c describen el comportamiento de las

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

para distintos valores de , con, K=2.75, R=4, n=3 y p=2. Al tomar valores ms
pequeos de K y R, los lmites de control estn ms prximos entre s, por ello, el
esquema MEMPE aplicado en estos casos es ms estricto, observndose que las
LRM obtenidas son menores que las presentadas en las Tablas 4.3.1 a 4.3.5, ms
an, cuando el proceso se degrada ya sea por la media o la variabilidad. Este
mismo comportamiento se puede apreciar para otros valores de n y P, Tablas
4.3.8 a 4.3.12.
Al igual que en el MEMPE univariable, tambin se han evaluado junto con

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

faga (DLR) es del mismo orden que la media (LRM), y como las LRM simuladas
fueron obtenidas como el promedio de 1000 rfagas como mnimo, el error tipo de
las estimaciones no ser superior a LRM / 1000 .
71

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 0.75 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
1 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
1 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.5 1.25 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
Tabla 4.3.7.a LRM para distintos D y , A=1, K=2.75, R=4

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
0 1.25 19.0 18.0 17.1 16.2 15.5 13.9 13.9 13.2
0 1.5 4.8 5.2 4.8 4.7 4.8 4.4 4.5 4.3
0 1.75 2.8 2.8 2.8 2.6 2.6 2.6 2.7 2.6
Tabla 4.3.7.b LRM para distintos A y , D=0, K=2.75, R=4

n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1.25 14.5 13.5 12.1 12.0 12.0 11.2 11. 5 11.4
0.25 1.5 4.9 4.9 4.7 4.4 4.3 4.2 4.2 3.7
0.25 1.75 2.6 2.8 2.7 2.6 2.6 2.5 2.5 2.6
0.5 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
0.5 1.25 7.5 7.7 7.2 6.6 7.0 7.1 8.0 8.4
0.5 1.5 3.9 3.8 3.8 3.6 3.6 3.4 3.5 3.5
0.5 1.75 2.5 2.4 2.4 2.5 2.5 2.4 2.3 2.5
0.75 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.75 1.25 4.4 4.6 4.4 4.4 4.3 4.5 4.9 5.8
0.75 1.5 3.2 3.1 3.0 2.9 2.9 2.9 3.1 2.9
0.75 1.75 2.2 2.3 2.3 2.1 2.1 2.2 2.1 2.2
72
1 1 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1.25 3.0 3.0 3.0 3.0 3.0 3.1 3.4 3.6
1 1.5 2.5 2.4 2.4 2.3 2.4 2.5 2.4 2.4
1 1.75 2.0 2.0 2.0 1.9 1.9 1.9 1.9 2.1
1.25 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
1.25 1.25 2.3 2.3 2.2 2.2 2.3 2.3 2.5 2.6
1.25 1.5 2.1 2.1 2.0 2.0 1.9 2.0 2.0 2.0
1.25 1.75 1.8 1.8 1.8 1.8 1.8 1.7 1.8 1.8
Tabla 4.3.7.c LRM para distintos D, A y A, K=2.75, R=4

n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
n=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90

p=2
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0 1.25 14.2 13.5 13.2 13.0 12.3 12.7 12.0 12.8
0 1.5 3.8 4.1 3.8 3.7 3.9 3.8 3.8 4.2
0 1.75 2.2 2.2 2.1 2.2 2.1 2.0 2.1 2.1
73

n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.25 1.25 10.4 10.5 10.1 9.9 9.2 10.0 9.8 10.7
0.25 1.5 3.7 3.5 3.8 3.4 3.5 3.5 3.8 3.8
0.25 1.75 2.2 2.1 2.0 2.1 2.1 2.0 2.1 2.1
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.5 1.25 6.1 6.4 5.8 5.9 5.1 5.9 6.5 7.3
0.5 1.5 3.3 3.2 3.1 2.9 3.0 2.9 3.1 3.3
0.5 1.75 2.0 2.0 1.9 1.9 1.9 1.9 1.9 2.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
0.75 1.25 3.7 3.7 3.6 3.5 3.5 3.8 4.1 4.6
0.75 1.5 2.6 2.5 2.5 2.6 2.4 2.5 2.6 2.8
0.75 1.75 1.8 1.9 1.8 1.8 1.8 1.8 1.8 1.8
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1 1.25 2.6 2.4 2.5 2.5 2.5 2.6 2.8 3.2
1 1.5 2.1 2.1 2.0 2.1 2.0 2.0 2.1 2.2
1 1.75 1.6 1.6 1.6 1.7 1.6 1.6 1.6 1.7
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1.25 1 1.9 1.8 1.8 1.8 1.8 1.9 2.0 2.2
74

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0 1.25 9.7 10.1 9.4 9.4 9.9 10.5 11.2 12.7
0 1.5 3.0 3.2 3.0 3.0 3.0 3.1 3.2 3.3
0 1.75 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.8

n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.25 1.25 8.4 8.5 8.1 8.0 8.0 8.6 9.4 10.6
0.25 1.5 3.0 2.9 2.9 2.9 2.9 2.9 3.0 3.2
0.25 1.75 1.7 1.6 1.7 1.7 1.7 1.7 1.7 1.7
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.5 1.25 5.7 5.4 5.3 5.3 5.3 5.4 6.1 7.4
0.5 1.5 2.6 2.6 2.7 2.6 2.6 2.6 2.8 3.0
0.5 1.75 1.7 1.6 1.6 1.6 1.7 1.6 1.7 1.7
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
0.75 1.25 3.6 3.6 3.4 3.4 3.5 3.6 3.7 4.4
0.75 1.5 2.3 2.2 2.3 2.3 2.2 2.3 2.4 2.4
0.75 1.75 1.6 1.6 1.6 1.6 1.5 1.5 1.5 1.6
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1 1.25 2.5 2.5 2.4 2.6 2.4 2.5 2.6 2.9
1 1.5 2.0 1.9 1.9 1.9 2.0 1.9 2.1 2.0
1 1.75 1.4 1.5 1.4 1.5 1.5 1.5 1.5 1.4
1.25 1 1.9 ] .8 1.8 1.8 1.8 1.9 2.0 2.2
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
75

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
1 1 2.1 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0 1.25 11.0 11.0 11.0 10.5 11. 1 11. 1 11.4 12.5
0 1.5 3.4 3.2 3.3 3.1 3.2 3.2 3.6 3.6
0 1.75 1.7 1.7 1.7 1.7 1.6 1.6 1.7 1.8

n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.25 1.25 8.9 8.8 8.5 8.0 9.0 8.1 9.1 11.0
0.25 1.5 3.1 3.1 3.1 3.0 3.1 3.0 3.1 3.3
0.25 1.75 1.8 1.7 1.8 1.7 1.7 1.7 1.8 1.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.5 1.25 5.2 5.1 5.0 4.8 4.4 5.0 5.8 6.5
0.5 1.5 2.6 2.8 2.9 2.7 2.6 2.6 2.7 3.0
0.5 1.75 1.6 1.7 1.7 1.6 1.6 1.7 1.7 1.6
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
0.75 1.25 3.2 3.2 3.0 3.0 3.0 3.1 3.5 4.0
0.75 1.5 2.3 2.2 2.2 2.2 2.2 2.2 2.3 2.4
0.75 1.75 1.5 1.6 1.5 1.6 1.6 1.5 1.6 1.6
76
1 1 2.1. 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1 1.25 2.1 2.1 2.2 2.1 2.1 2.2 2.3 2.5
1 1.5 1.8 1.8 1.8 1.9 1.8 1.8 1.9 2.0
1 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.4
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.6 1.6
1.25 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.75 1 3,4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
1 1 2:2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0 1.25 8.2 8.3 8.0 8.1 8.0 8.7 9.5 10.2
0 1.5 2.6 2.5 2.5 2.5 2.5 2.5 2.6 2.8
0 1.75 1.5 1.6 1.5 1.5 1.5 1.5 1.5 1.5
77

n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.25 1.25 6.8 7.1 6.8 6.6 6.5 7.1 8.2 9.5
0.25 1.5 2.4 2.5 2.4 2.4 2.4 2.5 2.6 2.6
0.25 1.75 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.5 1.25 4.7 4.6 4.6 4.4 4.3 4.8 5.3 6.2
0.5 1.5 2.3 2.2 2.2 2.2 2.1 2.2 2.4 2.5
0.5 1.75 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5
0.75 1 3.4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
0.75 1.25 3.1 3.0 2.9 2.9 3.1 3.0 3.4 3.7
0.75 1.5 1.9 2.0 1.9 1.9 1.9 1.9 1.9 2.1
0.75 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1 1.25 2.2 2.1 2.1 2.1 2.1 2.1 2.4 2.5
1 1.5 1.7 1.7 1.6 1.7 1.7 1.7 1.7 1.7
1 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.7 1.6 1.7 1.7 1.6 1.6 1.8 1.8
1.25 1.5 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.5
1.25 1.75 1.2 1.2 1.3 1.2 1.2 1.2 1.2 1.2

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM IJRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
78

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0 1.25 6.7 6.1 6.1 6.2 6.3 7.1 8.5 8.1
0 1.5 2.1 2.1 2.0 2.1 2.1 2.0 2.2 2.4
0 1.75 1.3 1.3 1.3 1.3 1.4 1.3 1.3 1.4

n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.25 1.25 5.6 5.5 5.5 5.3 5.6 6.0 7.0 7.1
0.25 1.5 2.0 2.0 2.0 2.0 2.0 2.0 2.1 2.1
0.25 1.75 1.4 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.5 1.25 4.3 1.1 4.0 3.9 3.9 4.2 4.6 5.4
0.5 1.5 1.9 1.9 1.8 1.9 1.9 1.9 1.9 2.0
0.5 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
0.75 1.25 2.7 2.7 2.9 2.8 2.8 2.8 3.2 3.4
0.75 1.5 1.7 1.8 1.7 1.7 1.7 1.7 1.8 1.8
0.75 1.75 1.3 1.3 1.2 1.2 1.3 1.2 1.2 1.3
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1 1. 25 2.0 2.1 2.0 2.0 2.0 2.0 2.3 2.4
1 1.5 1.6 1.6 1.5 1.5 1.5 1.5 1.5 1.6
1 1. 75 1.2 1.2 1.2 1.3 1.2 1.2 1.2 1.2
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.5 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.4 1.4 1.4 1.3 1.4 1.4 1.4 1.4
1.25 1.75 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2
79
CAPTULO V
5 Comparacin entre los Grficos de Shewhart, SUMAC y MEMPE
La comparacin entre un esquema MEMPE con Shewhart y el SUMAC, se

har en base a las LRM globales, a la proporcin de elementos defectuosos en fun-
cin de la capacidad de calidad C, al desplazamiento D, la amplificacin A, y al ta-
mao de muestra n.
5.1 Proporcin de elementos defectuosos de un proceso
Sea cual sea el esquema para establecer el control, el usuario debe selec-
cionar el tamao de muestra, n, los valores de desplazamiento y amplificacin res-
pecto de los cuales quiere proteccin, y dependiendo de cual sea la capacidad de
calidad de su proceso, llevar implcito un determinado valor de proporcin defec-
tuosa contra la que se desea estar protegido.
Para estudiar esta situacin, se trabaja con un desplazamiento reducido
m m0
D=
0
donde m0 y 0 son la media y desviacin tipo, respectivamente, del proceso bajo

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

ce de variabilidad, Cp, se define como
TS TI
Cp = TS TI = 6C p 0
6 0
luego
TS CT = 3C p 0 TS = m 0 + 3C p 0
TI CT = 3Cp 0 TI = m 0 3Cp 0
m CT = D 0 m = m 0 + D 0
80
0 A 2 0
pi ps
TI CT=m0 m TS
Fig 5.1.1 Proceso correcto (centrado en CT) y degradado
centrando y reduciendo TS y TI respecto a m y A0 resulta que
TS m m0 + 3Cp 0 m 0 D 0 3Cp D
zs = = =
A 0 A 0 A A
TI m m 0 3Cp 0 m 0 D 0 3C D
zi = = = p
A 0 A 0 A A
las proporciones de piezas defectuosas son
ps=P(Z > zs) y pi=P(Z < zi) , donde Z ~ N(0,1)
y la proporcin defectuosa total es PD=ps+ pi
En las Tablas 5.1.1 a 5.1.4 se presentan la proporcin de elementos defec-

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

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

por el mtodo de Shewhart para un proceso poco preciso, cuyo control se aplica
respecto al centro de tolerancias. Estos valores permiten comparar el mtodo de
Shewhart, con el esquema MEMPE univariable conjunto bilateral de la tendencia
central y unilateral para la variabilidad, y con el mtodo SUMAC conjunto. Es impor-
tante destacar que las LRM globales de Shewhart, permiten comparar este mtodo
con cualquier otro esquema en que el control se realice respecto al centro de tole-
rancias, como el MEMPE y el SUMAC.
Cp1 A=1.0 A=1.25
D p LRM p LRM
0 0.00599 166.84 0.04989 20.04

0.5 0.04566 21.90 0.11254 8.89
1 0.33404 2.99 0.37301 2.68
1.5 0.79348 1.26 0.73797 1.36
2 0.97604 1.02 0.94084 1.06
Cp1 A=1.0 A=1.25
D p LRM p LRM
0 0.17280 5.79 0.49 2.01
0.5 0.23821 4.20 0.53614 1.87
1 0.44817 2.23 0.54196 1.56
1.5 0.72307 1.38 0.77656 1.29
2 0.90857 1.10 0.88925 1.12
Tabla 5.2.1 Probabilidad global y LRM, mtodo de Shewhart
83
5.3 LRM global de Shewhart, SUMAC y MEMPE
Se compara el esquema MEMPE conjunto con el mtodo de Shewhart y el

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

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

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

ms potentes que Shewhart, puesto que dan una LRM superior.
en ellos, al pasar a un proceso que presenta un desplazamiento D=0.25 las
LRM decrecen, siendo muy inferiores a las de Shewhart, situacin que se
mantiene hasta desplazamientos prximos a 10, en que las LRM de Shew-
hart pasan a ser inferiores.
se puede afirmar que los mtodos MEMPE y SUMAC, son ms eficientes que
Shewhart, para detectar pequeos cambios en el desplazamiento de un pro-
ceso.
el mtodo de Shewhart permite detectar con mayor facilidad, cambios en el
desplazamiento superiores a 10 que el SUMAC con HM=5 y HS=4.
para desplazamientos mayores que 1.350 el mtodo de Shewhart es ms
eficiente que el MEMPE y SUMAC. Se debe tener presente que los procesos
reales, salvo situaciones extremadamente anmalas, se van degradando
progresivamente, pasando por pequeos desplazamientos o amplificaciones,
lo cual, ser detectado con mayor facilidad por el esquema MEMPE o el SU-
MAC.
es posible encontrar algn MEMPE ms eficiente que un SUMAC, MEMPE
K=2.75, R=3, =0.10 respecto al SUMAC HM=5 y HS=4
cuando el proceso no est degradado, hay SUMAC que dan LRM mayores
que algunos MEMPE, pero, en cuanto se producen desplazamientos entre
0.25 y 0.50, existen MEMPE ms eficientes.
para desplazamientos superiores a 0.50 el comportamiento de las LRM del
MEMPE y del SUMAC son similares.
se puede concluir que en general, el comportamiento del MEMPE y del SU-
MAC presentan prcticamente la misma eficiencia en el control conjunto de la
tendencia central y la variabilidad. El esquema MEMPE, por tanto, presenta
86
una ventaja operativa respecto al SUMAC, ya que, su puesta en prctica en
procesos de control es ms sencilla y fcil de aplicar.
en consideracin al primer punto, y a los anlisis realizados para estas condi-
ciones especficas, se puede sugerir para realizar un proceso de control en
muestras de tamao n=4, tanto el MEMPE K=2.75, R=4, =0.10 como el
SUMAC HM=3, HS=6, dado que presentan una eficiencia similar.
DL=0.5 AL=1.25 A=1.25 n=4

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

MAC y MEMPE conjuntos, para procesos que presentan una amplificacin A=1.25 y
n=4, se describe el comportamiento de estas LRM para distintos desplazamientos,
87
se presentan procesos degradados por variabilidad y se estudia el comportamiento
de las LRM para distintos desplazamientos, se puede afirmar que:
con las excepciones del MEMPE K=2.75, R=4, =0.10 y el SUMAC HM=5,
HS=10, todos los dems MEMPE y SUMAC son ms potentes que Shewhart
para detectar cambios en el desplazamiento inferiores a 10.
para desplazamientos mayores a 10 el mtodo de Shewhart es ms eficiente
que los MEMPE presentados. Se reitera que los procesos generalmente se
degradan en forma gradual, y por tanto, el esquema MEMPE detectar con
mayor facilidad estas degradaciones en sus inicios.
para desplazamientos mayores o iguales a 0.50 las LRM del esquema
MEMPE tienden a estabilizarse independientemente del valor de que se eli-
ja.
para un mismo desplazamiento en este tipo de procesos las LRM del esque-
ma MEMPE tienden a disminuir con el aumento de . Esta tendencia es simi-
lar a la observada en la Tabla 5.3.1.
en esta situacin especfica, por tratarse de un proceso degradado, las LRM
tienden a decrecer con el aumento de , pues, mientras mayor sea , mayor
es el peso que le asignan los estadsticos del MEMPE a esta ltima observa-
cin, y como se trata de una observacin degradada, los estadsticos sobre-
pasarn con mayor facilidad los lmites de control disminuyendo as la LRM.
existen MEMPE ms potentes que algn SUMAC para detectar estas degra-
daciones (por ejemplo: MEMPE K=2.75, R=3, =0.90 respecto a los SUMAC
HM=5 , HS=4 ; HM=5 , HS=6; HM=5 , HS=10 y HM=3 , HS=10. MEMPE
K=2.75, R=4, =0.90 respecto al SUMAC HM=5 , HS=10)
existen varios MEMPE y SUMAC que presentan un comportamiento similar
para detectar las degradaciones de estos procesos.
los SUMAC con HM=1 , HS=4 , y HM=1 , HS=10, son los ms eficientes para
detectar cualquier desplazamiento, debiendo tenerse en cuenta que en este
caso, el proceso se encuentra degradado al tener una amplificacin A=1.25.
al pie de la tabla se incluye la proporcin defectuosa, PD, correspondiente a
cada desplazamiento, para una capacidad de calidad Cp=0.8333, con A=1.25.
En base a los resultados, y anlisis de tablas obtenidos en el Captulo III y

en todo el punto 5.3, se puede afirmar que el esquema MEMPE univariable para el
control conjunto de la media y la varianza, es de una aplicacin altamente recomen-
dable, y a excepcin de degradaciones catastrficas, es posible encontrar un MEM-
PE ms potente que el mtodo de Shewhart para detectar pequeas degradaciones
en un proceso.
88
En relacin al esquema SUMAC, se puede encontrar un MEMPE ms efi-
ciente que algn SUMAC especfico, para detectar estos pequeos cambios.
En general, el esquema MEMPE y el SUMAC presentan una gran similitud

de eficiencia, hay MEMPE tan potentes que un SUMAC. El SUMAC es ms difcil de
implementar a nivel prctico por exigir un conocimiento global de las tcnicas de
control, que desgraciadamente, no es usual dentro de la mayora de las empresas.
En cambio, poner en marcha un control MEMPE es bastante ms fcil, tanto

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

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

desplazamientos 0.25 D 1.0 , existen MEMPE ms eficientes que algu-
nos SUMAC (por ejemplo los MEMPE K=2.75, R=3 independientemente del
valor de respecto de los SUMAC con : HM=5 , HS=6 ; HM=4 , HS=8 y
HM=5 , HS=8) aunque la diferencia entre ellos es mnima. En esta misma si-
tuacin, tambin se observan SUMAC ms eficientes que todos los MEMPE.
(los SUMAC : HM=1, HS=4 ; HM=3 , HS=4 y HM=1 , HS=8)
en el momento que el proceso se desplaza a D=0.25, las LRM de ambos es-
quemas tienen un comportamiento similar. Para desplazamientos entre 0.25 y
1, el parecido entre ambos esquemas es muy notorio, los valores de las LRM
son muy prximos entre s.
el SUMAC con HM=1, HS=4, es el ms eficiente entre los SUMAC y que to-
dos los MEMPE cuando el proceso presenta un desplazamiento (consideran-
do que el proceso tambin presenta amplificacin), pero, tiene el inconvenien-
89
te que cuando el proceso no est degradado, la LRM es muy pequea, lo que
producir un elevado nmero de falsas seales.
DL=0.5 AL=1.25
n=3 A=1 A=1.25
D=0.25 D=0.50 D=1.0

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

conjunto, bilateral para la tendencia central y unilateral para la variabilidad, es de una
aplicacin altamente recomendable, este esquema presenta una eficiencia similar
que el mtodo SUMAC.
90
CAPTULO VI
6.1 Comparacin entre los diferentes mtodos. Aplicacin
Todos los estudios realizados sobre la efectividad de los sistemas de con-

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

parativos de los distintos mtodos, ya que, ser mejor aquel sistema de control
que cuando el proceso est en su situacin objetivo (D=0, A=1) d una LRM ma-
yor (menos falsas seales), mientras que cuando se degrade (D A) la LRM sea
menor, tanto ms cuanto ms cerca est de la situacin lmite (DL,AL). Modelo
tambin vlido para escoger los parmetros caractersticos del control en funcin
de la potencia deseada en la aplicacin prctica.
Sin embargo, el comportamiento de un proceso productivo real, no es de

esperar que siga esta modelizacin, sino que por el contrario, se partir de un
proceso que inicialmente puede ser correcto (D=0, A=1) sobre el que se aplicar
un sistema de control que garantice la deteccin, lo ms rpidamente posible, de
cualquier tipo de degradacin. Para ello, se escogern los parmetros caracters-
ticos que, sin dar excesivo nmero de falsas seales cuando el proceso es correc-
to, presenten una buena garanta, LRM pequea, de aviso cuando el proceso se
site en la situacin lmite que se desea detectar (DL y AL). Pero, a esta situacin
no es lgico que se llegue en forma brusca o discreta sino que la degradacin, es
de esperar que sea prcticamente continua, esto s, ms o menos rpida.
De esta forma, si la velocidad de degradacin del proceso fuese elevada

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

de control de calidad, se desarrolla un ejemplo de aplicacin para un proceso que
partiendo inicialmente de una situacin correcta, es decir, sin ningn tipo de des-
plazamiento ni de amplificacin, presenta una degradacin continua de la tenden-
cia central, mantenindose perfecto desde el punto de vista de la variabilidad, tal
como se esquematiza en la Fig 6.1.1.
20
m0
Fig 6.1.1 Degradacin de un proceso por desplazamiento
Para ello se considera el siguiente esquema de proceso:
- Situacin objetivo N(m0,20), con m0=0 y 20=1, por tanto, e inicialmen-

te, el proceso es N(0,1)
- Desplazamiento constante de 0/25 para cada perodo intermuestral.
As, en la muestra i-sima el desplazamiento real es
(i 1) i 1
Di = = i=1,2,3,...
25 25
ste desplazamiento coincide, con el desplazamiento reducido; el proceso pasa a

ser N((i -1)/25 , 1)
Situacin a detectar: Desplazamiento crtico DL=0.25
Amplificacin crtica AL=1.25
Tamao de muestra n=5
92
por la velocidad de desplazamiento considerada, al crtico se llega en el octavo
perodo muestral.
El desarrollo de este ejemplo, se efecta en base a simular en cada

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

media y la varianza. Los asteriscos frente a algunas muestras, indican que en la
muestra anterior se produjo un valor de atencin en el grfico de Shewhart, ya sea
por x S, por lo que es necesario generar instantneamente una muestra adicio-
nal (de la misma distribucin que la ltima), al objeto de corroborar si esta seal
es una falsa seal de degradacin, o por el contrario es una evidencia que el pro-
ceso se encuentra en una situacin inadmisible; si el valor de x el de S obteni-
dos en esta ltima muestra, sobrepasa los lmites de atencin los de interven-
cin, se debe proceder a intervenir el proceso, puesto que se confirma la seal de
fuera de control.
La evolucin de los valores de x y S se presentan en el grfico de Shewhart

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

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

tra y es por tendencia central, los valores de x y S de la muestra adicional indican
que era una falsa alarma, por lo que el proceso continua, lo mismo ocurre para las
muestras adicionales a las muestras 14, 17 y 21. En cambio, en la muestra 26 se
obtiene un valor de atencin para x , y la de su correspondiente muestra adicional
tambin presenta un valor de atencin para x , por lo cual, en ese instante se de-
tecta una degradacin inadmisible de la media y se debe intervenir el proceso; en
94
este momento, el desplazamiento real es igual a 1, es decir, la media del proceso
se ha incrementado en una cantidad igual a una 0, cuando el valor del despla-
zamiento crtico es de 0.25.
As pues, desde el momento en que se tom la muestra nmero 8 en el que el

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

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

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

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

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

esquemas de control utilizados, acompaando en cada caso del valor t*, que re-
presenta el nmero de perodos intermuestrales en que el proceso ha estado tra-
bajando con un desplazamiento superior al crtico, antes de tener una seal de
fuera de control, t*=i* - 8, donde i* es el nmero de la muestra que da la seal, a
la que corresponde un desplazamiento real D*.
Mtodo i* D* t* p* ()
Shewhart 26 1 18 18.31
Shewhart
16 0.60 8 6.39
Con seales
MEMPE =0.05
13 0.48 5 4.71
K=2.5 R=4
MEMPE =0.25
8 0.28 0 2.84
K=2.5 R=4
SUMAC
8 0.28 0 2.84
HM=3 , HS=6
Tabla 6.1.5 Comparacin mtodos de control
A efectos del ejemplo, si se supone que cuando el proceso est en

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

cuenta consideraciones de tipo econmico, respecto de lo que puede producir un
retardo en la deteccin de cualquier degradacin. Si el proceso ha sido bien dise-
101
ado y se sabe que producrir pocos defectos, lo ms indicado es tomar valores
pequeos de , ya que cualquier falsa seal ser atenuada, pero, si el proceso se
est degradando con variaciones muy pequeas, un valor bajo de demorar la
aparicin de la seal de intervenir en el proceso.
Al usar un valor alto de cuando el proceso sea correcto, se producirn

oscilaciones muy marcadas en el comportamiento de los estadsticos del MEMPE,
aumentando as el nmero de falsas seales, pero, si el proceso comienza a de-
gradarse en forma continua, la seal de intervenir se producir ms prontamente.
Si los cambios son pequeos, mientras ms grande sea ms parecido ser el
esquema MEMPE al mtodo de Shewhart, lo que retardar la aparicin de la se-
al de intervenir. Esto, parece indicar que si se sospecha que la degradacin,
siendo continua, es de velocidad pequea en comparacin al perodo intermues-
tral, valores de entre 0.10 y 0.50 sern los ms indicados, pues sin dar un valor
excesivamente grande de falsas seales cuando el proceso es correcto, avisarn
en forma relativamente rpida de la degradacin.
102
CAPTULO VII
Caractersticas de un Proceso Industrial
Introduccin
A partir de un proceso centrado en el centro de tolerancia, CT, con des-

viacin estndar 0, el cual genera una proporcin de defectuosos p0, (a); se
puede producir un desplazamiento de la tendencia central hacia la tolerancia
inferior, TI, hacia la tolerancia superior, TS, (b y c) manteniendo constante su
variabilidad; dependiendo de la magnitud de este desplazamiento, es la propor-
cin de defectuosos que el proceso puede llegar a generar.
a)
b)
c)
d)
e)
Defectuoso TI CT TS Defectuoso
Fig 7.1 Caractersticas de un proceso
103
Tambin, puede mantenerse centrado en CT, pero, presentar un aumen-
to en su variabilidad (d), lo cual genera un incremento en la proporcin de de-
fectuosos, y, si adems de aumentar la variabilidad se produce un desplaza-
miento, la proporcin de defectuosos puede llegar a niveles inaceptables. Como
se ver, los mtodos de control de calidad permiten vigilar una determinada ca-
racterstica del comportamiento del proceso, logrando detectar ya sea los des-
plazamientos hacia las tolerancias TI TS, los aumentos de variabilidad.
7.1 Capacidad de Calidad de un Proceso
La capacidad de calidad de un proceso de determina a travs del ndice

de variabilidad del proceso y del ndice de descentramiento. Pepi, Polo y Ver-
gara (1991) realizan un anlisis crtico de los ndices de calidad de un proceso,
en el cual estudian el comportamiento del ndice de variabilidad definido por
TS TI
Cp =
6
que permite medir, cuantas unidades de 6 estn contenidas en el intervalo de
tolerancias definido para el producto.
a) b)
TI TS TI TS
6
6
c)
TI TS
6
Fig 7.1.1 Caractersticas de la variabilidad y descentramiento
104
En la Fig 7.1.1a, como 6 est contenida ms de una vez entre toleran-
cias, el ndice de variabilidad Cp ser mayor a 1, lo que implica que el proceso
produce una proporcin de piezas defectuosas inferior al 2. En la Fig 7.1.1b,
Cp es inferior a 1, por tanto, la proporcin de piezas defectuosas que se fabrica-
r ser superior al 2. En la Fig 7.1.1c, aunque el Cp sera bastante superior a
1, claramente, la proporcin de piezas defectuosas tendr valores inaceptables,
dado el desplazamiento que muestra el proceso, por ello, el ndice Cp por s s-
lo no basta, se requiere de otro estadstico que detecte si el proceso se descen-
tra respecto del valor nominal CT.
Para controlar que el proceso no presente estos desplazamientos hacia

alguna de las tolerancias, se utiliza el ndice de descentramiento definido por:
TS m
3 si m es proxima a TS

C pk =
m TI
3 si m es proxima a TI

Si el proceso est centrado se verifica que Cp=Cpk, si un proceso presen-
ta desplazamiento hacia cualquiera de las tolerancias Cpk ser menor o igual a
Cp. El ideal es que Cp Cpk, es decir, que el proceso est lo ms centrado posi-
ble; tanto mejor, si ambos valores son superiores a uno.
Pepi, Polo, Vergara (1991) proponen el siguiente procedimiento: selec-

cionar muestras aleatorias independientes de tamao n en t intervalos regulares
de tiempo, de un proceso de fabricacin que se considera que est produciendo
en condiciones estables, de tal forma que t n > 100. A partir de estos estadsti-
cos se estima la media m y la desviacin estndar por :
x
j =1
j
1 t
=x= = S 2 = Sj
2
m y
t t j =1
Es importante, construir un histograma con diez intervalos de igual ampli-

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

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

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

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

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

nes estndar, que el proceso en su estudio de capacidad de calidad tiene un
comportamiento aleatorio y no presenta anomalas.
Ejemplo 7.2.2. Se someter a estudio de calidad, el dimetro de un orificio de

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

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

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

de energa, no aprovechable, por la trasformacin del agua en vapor. En el caso
contrario, la llama reducida, es decir, falta de oxgeno, genera combustible sin
reaccionar completamente, con la consiguiente generacin de monxido de car-
bono. Se realizar un anlisis para determinar si el dimetro del inyector cumple
con la especificacin definida.
109
x
6,06
6,04
6,02
6
CT
5,98
5,96
5,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Fig 7.2.2 Grfico de medias y desviaciones estndar
La media estimada es 6.01 y la estimada es 0.08114, luego Cp=1.2324

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

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

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

principalmente a dos causas: las asignables, que son aquellas producidas por
un uso de materia prima de mala calidad, por deficiencias en la calibracin de
la mquina, por operarios no entrenados adecuadamente, por desgaste de
pieza de la mquina, etc., la aparicin de estas causas generarn productos
defectuosos. Las no asignables, son aquellas que aunque se fabrique con la
mejor materia prima, los mejores operarios, la mejor maquinaria, etc., y aunque
el proceso se repita en condiciones prcticamente idnticas, igual se producirn
artculos defectuosos, esta variabilidad se conoce como variabilidad inherente
no asignable aleatoria, que no puede reducirse econmicamente mediante
descomposicin, aislamiento eliminacin de las causas que la producen.
111
7.3.1 Grficos de Shewhart
Los grficos de Shewhart (1931) permiten realizar un control simultneo

de la tendencia central y la variabilidad de un proceso para una muestra aleato-
ria de tamao n.
Con la informacin aportada por una muestra aleatoria se realiza una d-

cima puntual bilateral para controlar la tendencia central y una unilateral para
controlar la variabilidad por:
TENDENCIA CENTRAL VARIABILIDAD
H 0 : = 0 = x H 0 : 2 2 0

H : = x H : 2 > 2 0
1 0 1
y, para realizar la dcima para la tendencia central define dos lmites de control
simtricos al promedio de los promedios, m estimada, de las muestras obteni-
das para realizar el estudio de la capacidad de calidad, y alejados tres desvia-
ciones estndar estimadas a partir de m , es decir,
+ 3
LCS = m
3
LCI = m
Este mtodo, para ser aplicado requiere que previamente se realice un estu-
dio del comportamiento del proceso, dado que el control de una caracterstica de-
be realizarse respecto del valor nominal o centro de tolerancia definida a ella, CT,
y no, realizar el control respecto del promedio de los promedio. Puesto que, cuan-
do se hace el estudio de la capacidad de calidad, si el proceso presenta degrada-
ciones o anomalas, el promedio de los promedios puede compensar valores ex-
tremos del proceso y no detectar posibles tendencias o rachas. Este tipo de anli-
sis se debe realizar antes de definir stos los lmites de control, de lo contrario, se
puede llegar a instaurar un mtodo de control de calidad errneo. Para mostrar
algunas de estas situaciones, se desarrollan los siguientes ejemplos, en los cua-
les se ilustrar que el uso del promedio de los promedios puede no tener sentido.
112
a) En la fabricacin de una pieza, su longitud est especificada por 1.5 0.5
m.m, se toman 30 muestras de tamao n=4, a intervalos regulares de
tiempo.
medidas promedio varianza

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

Cp=1.814 y Cpk=1.472, por ello, se deduce que se est frente a un proceso preciso
que genera una proporcin de defectuosos inferior al dos por mil.
113
De acuerdo a Shewhart, los lmites de control de x para este proceso es-
tn dados por:
+ 3 = 1.4058 + 3 * 0.091894866 = 1.68148

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

extremos, y si no se hace un grfico con la informacin obtenidas en las muestras,
no es posible detectar este desplazamiento sistemtico en el proceso. Adems,
con el mtodo de Shewhart la lnea central de control se fija en un valor que est
desplazado en 1.025 hacia la tolerancia inferior del valor nominal definido al pro-
ducto. El histograma de la Fig 7.3.2 muestra claramente la existencia de un com-
portamiento no atribuible a una sola distribucin.
114
18
16
14
12
No of obs
10
0
0,7 0,8 0,9 1,0 1,1 1,3 1,5 1,6 1,8 1,9 2,1
Fig 7.3.2 Histograma
Es importante, sealar que los puntos de la Fig 7.3.1, como los de cual-
quier grfico de control de ste tipo, no se pueden unir por lneas, como apa-
rece en la mayora de los textos de control de calidad. Para realizar el control,
se efecta una dcima puntual a intervalos regulares de tiempo, y por tanto, no
se conoce el comportamiento del proceso cuando no se est realizando mues-
treo. Se debe recordar, que estos procesos tienen un comportamiento aleato-
rio, por tanto, entre dos perodos de toma de muestras no se conoce el com-
portamiento real del proceso. En la Fig 7.3.1a, se muestran un posible compor-
tamiento entre los perodos j y k mientras no se realiza muestreo, esta situa-
cin ilustra que no tiene sentido unir estos puntos.
1,5
1,45
1,4
1,35
1,3
1,25
1 2 3 4 5 6 7 8
j k
Fig 7.3.1a Perodo sin muestreo entre j y k

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

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

Cp=1.6816 y Cpk=1.3664, por ello, se deduce que es un proceso preciso que ge-
nerara una proporcin de defectuosos bastante inferior al dos por mil. Los lmites
de control de Shewhart estn dados por :
+ 3 = 1.406 + 3 * 0.099 = 1.703

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

de anomalas, los lmites de Shewhart no son aplicables. Estaran controlando a
partir de lo mal que se desarrolla el proceso, pero, no cumplen con el objetivo de
controlar el proceso respecto del valor de especificacin del dimetro del pistn. Si
el centro de tolerancia es CT=1.5, el control de la tendencia central debe hacerse
respecto de este valor especificado en el diseo del producto.
Tambin, es necesario tener en cuenta las consideraciones introducidas por

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

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

anomala, y si adems, Cpk es prximo a Cp, es decir, el promedio de los pro-
medios es un valor prximo a CT, el mtodo de Shewhart es aplicable, con la
ventaja de ser libre de distribucin.
7.4 Grficos de Shewhart con lmites probabilsticos
Para aplicar estos lmites probabilsticos en un proceso industrial, se re-

quiere que la variable a controlar X tenga distribucin normal.
118
Para un proceso poco preciso, las lneas de control probabilstico, Pepi
y Polo (1988) las definen por:
x x
MII MAI MAS MIS
TI CT TS
Fig 7.4.1 Proceso poco preciso
Lneas de Atencin (Riego del 5%)

MAI = CT 1.96 MAS = CT + 1.96
n n
Lneas de Intervencin (riesgo del 1%)

MII = CT 3.09 MIS = CT + 3.09
n n
Para un proceso preciso, las lneas de control probabilstico, Pepi y Polo

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

TI CT TS
Fig 7.4.2 Proceso preciso
119
Lneas de Atencin (Riego del 5%)

MAI = TI + 3.09 1.96 MAS = TS 3.09 + 1.96
n n
Lneas de Intervencin (riesgo del 1%)

MII = TI + 3.09 3.09 MIS = TS 3.09 + 3.09
n n
en la Fig 7.4.2 m1 y m2 son las posibles medias verdaderas del proceso depen-
diendo de la direccin del desplazamiento
Para realizar el control de la variabilidad a travs del valor de la desvia-

cin estndar de la muestra, los lmites de control superior, Pepi y Polo (1990),
los definen por:
SAS SIS
Fig 7.4.3 Lneas de control para la variabilidad
Lneas de Atencin
2 0.025 , =n 1
SAS =
n 1
Lneas de Intervencin
2 0.001 , =n 1
SIS =
n 1
n -1 2 3 4 5 6 7 8 9 10
0.001 13.81 16.27 18.51 20.52 22.46 24.32 26.12 27.98 29.689
2
2 0.025 7.38 9.35 11.14 12.83 14.45 16.01 17.53 19.04 20.50
Tabla 7.4.1 Valores para distintos grados de libertad (n -1)

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

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

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

estndar estimada es =0,29580399 cm., con Cp=0.9015 y Cpk=0.8666, luego
se trata de un proceso poco preciso.
Lneas de control para la media
0.29580399
MAI = CT 1.96 = 150 1.96 = 149 .74
n 5
121

MAS = CT + 1.96 = 150 + 1.96 0.29580399 = 150.259
n 5
0.29580399
MII = CT 3.09 = 150 3.09 = 149.591
n 5

MIS = CT + 3.09 = 150 + 3.09 0.29580399 = 150 .408
n 5
26
24
22
20
18
16
No of obs
14
12
10
0
148,8 149,0 149,2 149,4 149,6 149,8 150,0 150,2 150,4 150,6 150,8 151,0 151,2
Fig 7.4.3 Histograma de longitudes
x
150,8
150,6
150,4
150,2
150
149,8
149,6
149,4
149,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
122
S
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 7.4.4 Evolucin de x yS
En la Fig 7.4.4 se puede apreciar que el comportamiento de las medias y

desviaciones estndar es aleatorio.
Lneas de control para la desviacin estndar 0,29580399
20.001 ; 4 18.51
SIS = = 0.29580399 = 0.63632
4 4
20.025 ; 4 11.14
SAS = = 0.29580399 = 0.4936
4 4
Ejercicio. Para los siguientes datos, aplique estos lmites de control:
Muestra Viga 1 Viga 2 Viga 3 Viga 4 Viga 5

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

ro, que se les debe controlar el dimetro interior, cuya especificacin es:
TI = 32,18 mm CT= 32,48 mm y TS = 32,78 mm
N Muestras Promedio Varianza

1 32,57 32,39 32,50 32,44 32,57 32,50 32,45 32,30 32,48 32,43 32,46 0,00662
2 32,43 32,61 32,57 32,39 32,48 32,55 32,42 32,46 32,44 32,50 32,49 0,00514
3 32,32 32,51 32,53 32,54 32,49 32,52 32,55 32,50 32,53 32,36 32,49 0,00625
4 32,43 32,48 32,45 32,50 32,44 32,52 32,48 32,45 32,40 32,44 32,46 0,00128
5 32,50 32,45 32,51 32,46 32,40 32,47 32,50 32,40 32,50 32,53 32,47 0,00202
6 32,46 32,46 32,44 32,47 32,45 32,42 32,58 32,50 32,45 32,42 32,47 0,00218
7 32,45 32,44 32,39 32,48 32,49 32,40 32,54 32,44 32,45 32,48 32,46 0,00194
8 32,43 32,44 32,45 32,50 32,50 32,51 32,49 32,53 32,55 32,49 32,49 0,00150
9 32,50 32,48 32,53 32,45 32,45 32,38 32,63 32,42 32,41 32,41 32,47 0,00540
10 32,41 32,43 32,45 32,44 32,54 32,49 32,40 32,48 32,64 32,41 32,47 0,00548
11 32,40 32,44 32,34 32,45 32,55 32,46 32,53 32,37 32,47 32,54 32,46 0,00509
12 32,42 32,40 32,45 32,43 32,50 32,51 32,50 32,50 32,48 32,45 32,46 0,00154
13 32,44 32,56 32,47 32,50 32,46 32,45 32,40 32,56 32,41 32,40 32,47 0,00352
14 32,52 32,52 32,52 32,44 32,47 32,46 32,48 32,43 32,50 32,36 32,47 0,00258
15 32,47 32,46 32,56 32,48 32,52 32,51 32,52 32,49 32,47 32,53 32,50 0,00103
16 32,51 32,52 32,48 32,44 32,53 32,39 32,46 32,56 32,48 32,55 32,49 0,00277
17 32,50 32,48 32,52 32,52 32,39 32,52 32,51 32,50 32,43 32,53 32,49 0,00207
18 32,48 32,44 32,47 32,46 32,50 32,56 32,53 32,46 32,47 32,50 32,49 0,00131
19 32,49 32,53 32,47 32,39 32,39 32,39 32,38 32,39 32,46 32,53 32,44 0,00373
20 32,40 32,43 32,50 32,48 32,51 32,50 32,51 32,42 32,38 32,48 32,46 0,00239
21 32,53 32,55 32,57 32,45 32,60 32,51 32,49 32,45 32,53 32,43 32,51 0,00312
22 32,51 32,41 32,39 32,43 32,48 32,42 32,40 32,45 32,50 32,41 32,44 0,00184
23 32,48 32,50 32,44 32,48 32,49 32,50 32,50 32,60 32,54 32,43 32,50 0,00232
24 32,51 32,43 32,49 32,45 32,54 32,42 32,48 32,50 32,49 32,47 32,48 0,00135
25 32,48 32,46 32,45 32,48 32,45 32,41 32,50 32,49 32,46 32,50 32,47 0,00077
26 32,30 32,40 32,39 32,44 32,40 32,54 32,46 32,56 32,42 32,51 32,44 0,00615
27 32,50 32,48 32,47 32,46 32,38 32,47 32,40 32,52 32,40 32,44 32,45 0,00213
28 32,50 32,50 32,46 32,47 32,50 32,50 32,52 32,46 32,53 32,43 32,49 0,00096
29 32,53 32,40 32,45 32,40 32,40 32,42 32,46 32,46 32,40 32,46 32,44 0,00180
124
La media estimada del proceso es 32.47 m.m y la desviacin estndar
estimada es =0.05391 m.m, luego, el ndice de variabilidad es Cp=1.855 y el
ndice de descentramiento es Cpk=1.797, se trata por tanto de un proceso preci-
so con un desplazamiento de 0.185 hacia la tolerancia inferior.
32,52
32,50
32,48
32,46
32,44
32,42
32,40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Fig 7.4.5 Evolucin de x yS
125
Lneas de control de calidad para la tendencia central:
0,05391
MAI = 32,18 + 3,09 0,05391 1,96 = 32 .313
10
0,05391
MAS = 32,78 3,09 0,05391 + 1,96 = 32,647
10
0,05391
MII = 32,18 + 3,09 0,05391 3,09 =32,294
10
0,05391
MIS = 32,78 3,09 0,05391 + 3,09 = 32,666
10
120
100
80
No of obs
60
40
20
0
32,25 32,30 32,35 32,40 32,45 32,50 32,55 32,60 32,65 32,70
Lneas de control para la variabilidad
27.98
SIS = 0.05391 = 0.09505
9
19.04
SAS = 0.05391 = 0.07841
9
aplicando estas lneas de control a los datos originales con los que se realiz el
estudio de capacidad de calidad se tiene:
126
x
32,7
32,65
32,6
32,55
32,5
32,45
32,4
32,35
32,3
32,25
32,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Fig 7.4.7 Control de calidad para x yS
Ejercicio. Realice el control de calidad para las siguientes muestras:
Muestras
32,37 32,56 32,58 32,59 32,54 32,57 32,6 32,55 32,58 32,41
32,51 32,51 32,49 32,52 32,5 32,47 32,63 32,55 32,5 32,47
32,48 32,49 32,5 32,55 32,55 32,56 32,54 32,58 32,6 32,54
32,46 32,48 32,5 32,49 32,59 32,54 32,45 32,53 32,69 32,46
127
32,47 32,45 32,5 32,48 32,55 32,56 32,55 32,55 32,53 32,5
32,57 32,57 32,57 32,49 32,52 32,51 32,53 32,48 32,55 32,41
32,56 32,57 32,53 32,49 32,58 32,44 32,51 32,61 32,53 32,6
32,45 32,48 32,55 32,53 32,56 32,55 32,56 32,47 32,43 32,53
32,56 32,46 32,44 32,48 32,53 32,47 32,45 32,5 32,55 32,46
32,56 32,48 32,54 32,5 32,59 32,47 32,53 32,55 32,54 32,52
32,35 32,45 32,44 32,49 32,45 32,59 32,51 32,61 32,47 32,56
32,55 32,55 32,51 32,52 32,55 32,55 32,57 32,51 32,58 32,48
7.6 Ejercicios
1. En un proceso de envasado, se realiza un control del peso de 120 mues-

tras, el contenido de cada envase se rotula en 15 gr. m/m, el valor de es-
pecificacin del proceso de llenado es 15 2 gramos.
N Observaciones muestrales
1 15.03 15.01 15.11 15.03 15.08
2 15.12 14.93 15.12 15.10 15.08
3 15.04 15.12 15.15 15.05 15.09
4 15.15 15.04 15.17 15.02 15.03
5 14.90 15.05 15.11 15.09 15.05
6 14.95 15.03 14.87 15.10 15.09
7 14.95 15.10 15.02 15.06 15.13
8 15.00 15.18 14.92 15.07 15.15
9 15.00 15.17 14.99 15.12 15.12
10 15.20 15.15 15.04 15.01 15.15
11 15.15 15.20 14.89 15.08 15.15
12 15.17 15.20 14.92 15.14 15.15
13 15.20 15.20 15.02 15.15 15.17
14 15.10 15.15 14.86 15.15 15.16
15 15.01 15.15 14.94 15.15 15.10
16 15.12 15.15 15.04 15.16 15.15
17 14.87 15.13 14.87 15.18 15.12
18 15.04 15.13 14.86 15.02 15.11
128
19 14.91 15.13 14.92 15.08 15.12
20 15.12 15.50 14.95 15.21 15.02
21 15.15 15.51 14.97 15.20 15.03
22 15.15 15.05 14.97 14.92 15.04
23 15.04 15.15 14.97 15.05 14.91
24 14.91 15.11 14.99 14.94 15.03
a) Realice un estudio de capacidad de calidad y defina los lmites de control de

para este proceso.
b) Aplique el mtodo de control de medias mviles ponderadas exponencial-

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

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

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

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

para este proceso. Aplique el mtodo de control de medias mviles ponderadas
exponencialmente, use al menos dos valores distintos de para comparar su
eficiencia.
130
7.7 Mtodo Seis Sigma
Introduccin
El mtodo Seis Sigma comenz en los aos 80 con el ingeniero y esta-

dstico de Motorola, Dr. Mikel Harry, quin comenz a influenciar en el rea de
electrnica de la empresa para investigar la variabilidad de sus procesos con el
fin de reducirla, logrando as mejorarlos. Harry cre el Instituto de Investigacin
Seis Sigma en la Universidad Motorola, en el cual, desarroll una metodologa
de mejora continua de la calidad de los procesos
Philip Crosby (1989) introdujo el concepto de cero defectos como objeti-

vo en el control de calidad, y sostena que si en la empresa se establece un ni-
vel de defectos como aceptable, en el corto plazo este nivel llegar a ser el nivel
real de defectos; dado que los empleados al saber que es correcto trabajar a
ese nivel de errores, finalmente consideraran que ese nivel es la norma. El con-
cepto de un porcentaje de error aceptable, denominado por varios autores como
nivel de calidad aceptable, se us profusamente en los procesos de control de
calidad. Se supona que si el 100% sin defectos era inalcanzable, se poda es-
tar conforme con el 99%, e incluso con el 95%. El problema al que se ver en-
frentada la empresa, es que con seguridad todos aquellos clientes insatisfechos
no volvern a comprar sus productos.
Por ejemplo, si de los 3500 alumnos que entran a una universidad y se tie-
ne como norma aceptable que un 95% debe aprobar el mnimo de asignaturas
establecidas para continuar estudiando, 3325 de ellos estarn felices, pero, qu
suceder con los alumnos que caen dentro de la categora del error aceptable?
Cada semestre, 175 alumnos tendrn que ser eliminados. As pues, un rendi-
miento del 95% sera un alto promedio, pero, no muy admisible como porcentaje
de xito acadmico. Qu pasa si se obva esta norma de calidad y se establece
una ambiciosa meta del 99,9% de aprobacin mnima?, en este caso, slo 35
alumnos seran eliminados, con ello, se tendrn ms alumnos contentos, y al
mismo tiempo, menos problemas econmicos al disminuir el nmero de elimina-
dos.
Actualmente existen varias presiones externas, como lo es la competencia

desenfrenada de captar mejores alumnos por parte de las universidades, la otra
presin est relacionada a la velocidad tecnolgica y, en particular, la aceleracin
de la renovacin informtica, la difusin de la informacin y la creciente capacidad
131
de acceso a la misma de un nmero cada vez ms importante de personas, y la
gran demanda insatisfecha de los estudiantes que no pueden acceder a las uni-
versidades.
La mayora de las empresas a finales de los ochenta, se limitaban a reali-

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

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

de prevencin para la no aparicin de defectos. Actualmente, el coste de la no-
calidad en las economas occidentales es del orden del 20% de su facturacin, en
cambio, en la economa japonesa es del orden del 12%. Se requiere reducir rpi-
damente esta brecha, tanto ms, si en la actualidad se observa un rpido creci-
miento econmico de China, Tailandia, Malasia entre otros, en que la mano de
obra de ms barata, y por consiguiente, los productos similares que entrarn al
mercado sern ms competitivos por un menor costo para el cliente.
Ante todo lo descrito, muchas empresas norteamericanas se han visto obli-

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

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

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

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

forma posible, partiendo desde el momento en que se disea, utilizando diseo de
experimentos, que se desarrollar en el captulo siguiente, que permita optimizar
el producto partiendo por la definicin de tolerancias, funcionalidad, minimizar los
costes y aumentar su fiabilidad.
La organizacin debe estar estructurada de manera que cada integrante,

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

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

productivo, ello traer consigo una disminucin en el costo total de la calidad, da-
do que se disminuirn los costos por fallos, se reducirn los tiempos de fabrica-
cin, se obtendrn productos de mejor calidad y por ende se requerir un menor
control.
Es fundamental, planificar los procesos productivos de manera tal que se

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

mide el desempeo de un proceso o producto, que implica una filosofa de ges-
tin, que permite administrar una empresa, departamento, servicio, o unidad en
forma inteligente, que est dirigido a mejorar la satisfaccin del cliente, reducir el
tiempo de ciclo y reducir los fallos, y que logra un mejor desempeo; lo que brin-
dar importantes ahorros tanto a la empresa como a sus clientes, permitir rete-
ner a la mayora de los clientes actuales, y a su vez, se lograr captar nuevos
clientes, entrar a competir en nuevos mercados y ser reconocidos como una em-
presa de excelencia.
En la actualidad, grandes empresas de reconocido nombre mundial utilizan

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

tales:
Produccin: mediante la aplicacin de las tcnicas japonesas de JIT (Just

in Time) tambin conocida como: Cero inventario Produccin sin stocks (Hewlett
Packard) Manufactura de flujo continuo (IBM) Kan-Ban (Toyota) tamao de
lote pequeo cambios rpidos y sistemas sencillos.
Cadena de suministro: reduciendo el nmero de proveedores siguiendo un

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

tres pilares en sus sistemas de produccin.
Los conceptos de Lean estn inspirados en las siguientes tcnicas y for-

mas habituales de trabajo de la industria japonesa :
Las mltiples habilidades (polivalencia), participacin y fortalecimien-

to del personal.
La cercana en la relacin con proveedores que permite hacer fun-
cionar sin interrupciones la cadena de suministro.
La conciencia colectiva de mejora continua en los flujos de procesos
y en la utilizacin de mquinas.
La clara tendencia hacia la accin.
El trabajo con tamaos de lote pequeo, aspecto bsico del Just In
Time (JIT).
La contina bsqueda de la reduccin del tiempo para lograr cam-
bios tiles.
La instauracin de mecanismos Poka-Yoke o a prueba de error
Consideran que hay pocas empresas que empleen ms del 20% de su

tiempo en actividades que realmente generan valor. Sorprendentemente el 80%
de su tiempo lo utilizan en tareas que generan poco o ningn valor aadido.
Los objetivos del mtodo Lean Seis Sigma respecto de un proceso, permi-
ten simplificar los procesos, cambiar el flujo de ejecucin de una tarea para au-
mentar el tiempo de trabajo que genere valor agregado, darles agilidad para fluir
de mejor manera, hacerlos ms rpidos y con menos costes para los clientes.
Seis Sigma ms que un programa formal o una disciplina, es una filosofa

de trabajo que debe ser compartida beneficiosamente por clientes, empleados,
accionistas y proveedores. Esencialmente, se basa en el cliente, elimina el des-
perdicio, aumenta la calidad, reduce los tiempos de entrega, y lo ms importante,
permite a las empresas obtener mayores ingresos.
135
7.7.3 El funcionamiento del mtodo Seis Sigma
Ansorena y Bab (2004) explican que en el mtodo Seis Sigma, se trabaja

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

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

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

de la organizacin. Los lderes de la empresa, se deben de convencer que la me-
jora continua, no es suficiente para alcanzar los objetivos estratgicos, financieros
y operativos.
136
La mejora radical es necesaria para reducir drsticamente el coste de mala
calidad y el desperdicio crnico. sto, se lograr mediante las transformaciones
necesarias a travs de proyectos especficos.
2.700 dpmo 1,5 66.807 dpmo
LCI LCS
-6 -3 0 +3 +6
0.001 dpmo 1,5 3,4 dpmo
LCI LCS
-6 -3 0 +3 +6
Fig 7.6.4 Esquema de un proceso con lmites a 3 y a 6
Los procesos en general, tienden a comportarse en el rango de 3, lo que

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

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

nmico. Los proyectos deben generar una ganancia econmica clara y tangible,
tener proyectos ganadores que generen ms beneficios econmicos, pagan el
compromiso diario de la alta direccin con la iniciativa. Es una leccin aprendida
que los primeros proyectos deben ser muy bien seleccionados para lograr visuali-
zar cmo se pueden conseguir beneficios tangibles y reales.
La teora esta muy bien, pero ahora, se debe tener claro como atacar los
problemas y los objetivos que persiguen los proyectos Lean Seis Sigma:
138
Reducir inventarios hasta un 90%
Mejorar la entrega a tiempo en ms de un 80%
Reducir el tiempo de ciclo de meses a das
Reducir exponencialmente el nmero de defectos; y la variabilidad
que genera el proceso (y que la empresa considera tradicionalmente
como algo natural).
Todo esto, en definitiva se hace para generar ms valor para el cliente y

conseguir que paguen ms por el producto fabricado/servicio prestado y libre de
defectos. A fin de cuentas, se trata de un beneficio para la empresa, al tiempo
que se protegen los empleos y permite que el empleado tenga un mayor compro-
miso con su actividad.
Consideran que una de las mtricas ms importante en Lean es la eficien-

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

preparacin de la maquinaria, o reparacin de ella por falla de componentes, en la
139
calibracin, u otras colas que se puedan generar, dado que estos tiempos slo
encarecen los procesos. El mtodo Lean, proporciona las herramientas necesa-
rias por lograr estos objetivos, est dirigido principalmente en aumentar la veloci-
dad de los procesos. El xito de la implantacin del mtodo depende fundamen-
talmente de la habilidad de los equipos para disear, coordinar y ejecutar los pro-
yectos en forma eficaz.
140
CAPTULO VIII
Diseo de Experimentos
Los diseos factoriales pk permite estudiar k variables con p niveles cada

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

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

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

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

interaccin entre ambos factores no existe, quedando as su efecto englobado en
el error. El modelo lineal permite tambin evaluar los coeficientes de cada factor y
estudiar su significacin.
8.2 Diseo factorial 22
Los diseos factoriales permiten estudiar dos variables a dos niveles cada
una, sean X1 y X2 las variables con dos niveles simtricos al valor nominal, se
141
designa al nivel bajo por 1 y al nivel alto por +1, sean y1, y2, y3, y4 las respuestas
obtenidas de los cuatro experimentos realizados, en la Tabla 8.2 se muestra la
posicin estndar del diseo, la que se representa en la Fig 8.2.
n X1 X2 y (*)
1 -1 -1 y1 4
2 +1 -1 y2 1
3 -1 +1 y3 3
4 +1 +1 y4 2
Tabla 8.2 Matriz del diseo para dos variables a dos niveles
(*) orden aleatorio de realizacin
X2 y3 y4
+1
-1
y1 y2
-1 +1 X1
Fig 8.2 Diseo y respuestas para dos variables a dos niveles
la realizacin de estos cuatro experimentos se debe hacer en forma aleatoria,

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

dado por :
y ij = 0 + 1 X 1 + 2 X 2 + 12 X 1 X 2 + ij , i = 1,2 ; j = 1,2
con las restricciones exigidas a este tipo de modelos
142
Para obtener las estimaciones de 0, 1 y 12 correspondientes a la
respuesta media, y de los efectos de X1, X2 y X1X2, se debe realizar la siguiente
operacin matricial
=( T
XX )-1 (
T
XY ) =
T
( 0 1 2 12 )
y1
1 - 1 - 1 + 1
y
1 + 1 - 1 - 1
Y =
2
donde X =
e es el vector de respuestas
y
1 - 1 + 1 - 1 3

1 + 1 + 1 + 1
y4
se debe destacar que la matriz X es ortogonal, por lo que TXX es una matriz
diagonal; y lo ms importante, que las estimaciones de los efectos y de la
interaccin son independientes, stas se obtienen como el producto punto entre
cada vector columna de la matriz X por el vector respuesta Y, dividido por un
factor de escala referido al nmero de niveles iguales o distintos, as :
y1+ y 2 + y 3 + y 4
y=
4
- y1+ y 2 - y 3 + y 4 y2+ y4 y1+ y 3
Efecto de A = = - = y A ( + ) y A( )
2 2 2
- y1 - y 2 + y 3 + y 4 y3+ y4 y1+ y 2
Efecto de B = = - = y B( + ) y B( )
2 2 2
+ y1 - y 2 - y 3 + y 4 y1+ y 4 y 2 + y 3
Inter AB = = -
2 2 2
8.2.1 Ejemplo. Se realiza un experimento para explicar el procedimiento descrito,

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

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

bao de acuerdo a lo establecido para cada experimento, tomar una muestra de
este preparado, y, mediante un espectrofotmetro determinar la densidad ptica
inicial, terminado el proceso de tincin, se toma una segunda muestra del
preparado y se obtiene la densidad ptica final, el ndice se calcula por :
DOi DOf
IA = 100
DOi
realizados los experimentos se tiene
Orden
A B AB aleatorio
1 - 1 - 1 + 1 71.75 (3)

1 + 1 - 1 - 1 86.25 (1)
X = Y =
1 - 1 + 1 - 1 73.25 (2)

1 + 1 + 1 + 1 88.75 (4)
por tanto
71.75 + 86.25 + 73.25 + 88.75

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

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

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

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

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

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

libertad necesarios para estimar el error experimental, por ello, varios autores
proponen considerar el efecto de la interaccin como este error, para as verificar
la validez del modelo.
Sea X la matriz del modelo
1 - 1 - 1 + 1 4 0 0 0

1 + 1 - 1 - 1 t
0 4 0 0
X = luego XX =
1 - 1 + 1 - 1 0 0 4 0

1 + 1 + 1 + 1 0 0 0 4
Inv( T XX) = ( XX )-1 = I 4

t
donde I4 es la matriz unidad de rango 4.
147
y1 y1 + y 2 + y 3 + y 4 4y

y - y + y - y + y 2 Efecto( )
X1
Y = luego XY = =
2 T 1 2 3 4
y - y - y + y + y 2 Efecto( )
3 1 2 X2
3 4

y y - y - y + y 2 Interc(
4 1 2 3 4 X1 X 2 )
y

y1 + y 2 + y 3 + y 4 Efecto X 1
1 0 0 0 0
2
1 0 0 - y1 + y 2 - y 3 + y 4
= 1
1 0
1 T
=( XX ) XY =
T
=
4 0 0 1 0 - y1 - y 2 + y 3 + y 4 Efecto X 2 2

0

0 0 1
y - y - y + y 2 12
1 2 3 4

Efecto X 1 X 2

2
que los valores estimados de 1, 2 y 12 sean iguales a la mitad de los efectos y

de la interaccin, es consecuencia a que la matriz X es ortogonal y de la mtrica
utilizada en la codificacin de las variables (-1 y +1).
Para el ejemplo numrico de la tincin de lana, se tiene:
320/4 80

15/2 7.5

= =
2/2 1

0.5 0.25
Para estudiar la significacin en este caso sin repeticiones, se debe

considerar la interaccin como error aleatorio, y el modelo a estimar ser:
y i = 0 + 1 X 1i + 2 X 2i + ei
por la otorgonalidad del diseo, las estimaciones que se obtienen son

independientes. Como al realizar el Anova slo la variable X1 result significativa,
el modelo asociado est dado por:
y i = 8 0 + 7.5 X 1i
148
la suma de cuadrados explicada por el modelo es
t XY ( y i ) 2 / 4 = t
SCEXP = t t XY 4( y ) 2
= 4( y ) 2 + ( Efecto( X 1 )) 2 + ( Efecto( X 2 )) 2 4( y ) 2
= ( Efecto( X 1 )) 2 + ( Efecto( X 2 )) 2
= 229 , con = 2
y la explicacin debida a cada coeficiente est dada por
SCEXP( X 1 ) = (Efec( X 1 ) )2 = 225 y SCEXP( X 2 ) = (Efec( X 2 ) )2 = 4
en ambos casos con = 1 grados de libertad, se puede observar que esto

coincide con el Anova de los efectos.
Segn Pepi y Polo (1990), al intentar estudiar la significacin de los

efectos, ya sea con el Anova o con modelo lineal, no es posible desglosar todos
los efectos de la componente aleatoria, luego, es necesario considerar algunos de
ellos atribuibles al azar, haciendo las veces de residuo. Esta eleccin debe
efectuarse excluyendo l o los efectos cuyo valor numrico sea ms pequeo, o
bien, cuya interpretacin tcnica sea ms difcil. sta situacin es ms compleja,
mientras ms factores estn involucrados en un proceso, ya que, habr un mayor
nmero de interacciones de alto orden.
Estas circunstancias hacen que el estudio de la significacin, mediante las

tcnicas usuales, tenga una potencia demasiado baja, entre otras causas, debido
al reducido nmero de grados de libertad asociados al residuo. Parte del problema
se podra resolver, si se realizan repeticiones del experimento en todos o en
algunos puntos del diseo, ya que as, se puede evaluar la suma de cuadrados
residual en forma independiente de los efectos. Cuando se estudia la significacin
de los efectos, de un determinado diseo los coeficientes de un modelo lineal, la
prueba de hiptesis contrasta sus valores mediante el clculo sistemtico del
correspondiente estadstico t-student.
Si se tienen muchos coeficientes en el modelo, la probabilidad de tomar

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

una distribucin normal, stos se deben ordenar en forma creciente, y asignar-
les el valor de probabilidad acumulada, estimada por la funcin con correccin
de continuidad de Yates, luego, representarlos en un grfico de escala probabi-
lstica. Si los puntos estn alineados en una recta se dice que los datos provie-
nen de una distribucin normal.
Por ejemplo, dados los siguientes valores en centmetros de las longitu-

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

se les asigna la probabilidad acumulada estimada que le correspondera:
i 0 .5
Pi =
10
Normal Probability Plot
valores i Pi 99.9
125 1 0,05 99
127 2 0,15
95
cumulative percent
132 3 0,25
137 4 0,35 80
141 5 0,45 50
148 6 0,55 20
152 7 0,65
5
158 8 0,75
163 9 0,85 1
165 10 0,95 0.1

120 130 140 150 160 170
Como no existen puntos alejados de la recta y no hay curvaturas, se

puede aceptar que los valores provienen de una distribucin normal.
150
8.5 Grfico normal de los efectos
La tcnica de los grficos probabilsticos fue introducida por Daniel (1959),

sta permite estudiar la significacin de los efectos de las variables que
intervienen en un proceso, en forma conjunta y no uno a uno como lo hacen otras
tcnicas estadsticas. Es una prueba grfica, que utiliza el mismo concepto del
test de normalidad, pero, con los valores de los efectos estimados a partir de los
experimentos realizados, es una prueba subjetiva. En el eje de abscisas se sitan
los k efectos estimados (de las variables y sus interacciones), y en ordenadas se
sita la estimacin de la probabilidad acumulada con correccin de continuidad de
Yates en escala probabilstica:
i - 0.5
Pi =
k
o bien, en una escala normal, asignando el valor de la variable z de la N(0,1)

correspondientes a estas frecuencias.
Normal Probability Plot for y
99.9
99
95
cumulative percent
80
50
20
0.1
-1.7 -1.2 -0.7 -0.2 0.3 0.8 1.3
standardized effects
Si los valores de los efectos son debidos nicamente al azar, bajo las
hiptesis del modelo, corresponderan a una muestra proveniente de una
151
poblacin N(0,2), y en teora, la recta que pasa por el punto (x=0, z=0.50)
recubrira razonablemente a todos los puntos, en este caso, se debe concluir que
ningn efecto o interaccin es estadsticamente significativo. En cambio, si existen
puntos alejados de esta recta, indica que los puntos correspondientes a dichos
efectos o interacciones son significativos.
8.6 Grfico seminormal de los efectos
En el grfico seminormal (o normal plegada), Daniel (1959), en abscisas se

ubican los valores absolutos de los efectos y de las interacciones calculadas, y en
ordenadas se ubica la variable seminormal, que corresponde al valor crtico de
una normal estndar que deja un rea debajo de l inferior a Pi = (pi + 1)/2, con pi
el valor de probabilidad acumulada de Yates.
En este grfico de seminormal, Fig 8.6.1, se traza una recta que parte del
origen y recubre el mayor nmero de puntos experimentales, partiendo por los
ms prximos al origen (los que determinan la pendiente de esta recta), todos
aquellos puntos que queden alejados de esta recta, representan a los efectos o
interacciones estadsticamente significativos.
Half-Normal Plot for y
1.6
standard deviations
1.2
0.8
0.4
0
0 1 2 3 4
Fig 8.6.1 Grfico de semizetas
152
Para el ejemplo de la tincin de lana se tiene:
efectos ordenados i pi=( i - .5) / 3 Pi= (pi+1) / 2 seminormal

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

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

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

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

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

estimar le respuesta media de los efectos y de las interacciones, se tiene la
siguiente matriz del modelo :
X1 X2 X3 X1 X 2 X1 X 3 X2 X3 X1 X 2 X 3 y1

1 -1 -1 -1 +1 +1 +1 - 1 y
2
1 +1 -1 -1 -1 -1 +1 + 1 y
3
1 -1 +1 -1 -1 +1 -1 + 1
y4
X=1 +1 +1 -1 +1 -1 -1 - 1
respuesta Y =

1 y5
-1 -1 +1 +1 -1 -1 + 1

1 +1 -1 +1 -1 +1 -1 - 1 y6

1 -1 +1 +1 -1 -1 +1 - 1 y7

1 +1 +1 +1 +1 +1 +1 + 1 y
8
154
luego
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y7 + y 8
y=
8
y1 + y 2 y 3 + y 4 y 5 + y 6 y7 + y 8
Efecto de X 1 = = y X 1 ( +1 ) y X 1 ( 1 )
4
y1 y 2 + y 3 + y 4 y 5 y 6 + y 7 + y 8
Efecto de X 2 = = y X 2 ( +1) y X 2 ( 1)
4
y1 y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Efecto de X 3 = = y X 3 ( +1) y X 3 ( 1)
4
y1 y 2 y 3 + y 4 + y 5 y 6 y 7 + y 8
Inter X 1 X 2 =
4
y1 y 2 + y 3 y 4 y 5 + y 6 y 7 + y 8
Inter X 1 X 3 =
4
y + y 2 y 3 y 4 y 5 y 6 + y7 + y 8
Inter X 2 X 3 = 1 .
4
y1 + y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Interaccion X 1 X 2 X 3 =
4
como la matriz X es ortogonal, estas estimaciones de los efectos e interacciones

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

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

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

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

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

do las variables filtro y temperatura, adems de las interacciones filtro-
temperatura, y temperatura-agitacin.
156
Half-Normal Plot for contaminante
1.8 AB
1.5
standard deviations
1.2 B
0.9
A
0.6
BC
0.3
0
0 10 20 30 40
Fig 8.7.1a Grfico seminormal
El modelo estimado es :
y = 0 .065875 + 0 .017125 A + 0 .023375 B + 0 .028625 AB 0 .015625 BC
157
Predicted Response Plot for contaminante
0.028
0.12
1
0.068
agitacion 0.049
0.059
0.15
1
0.04
-1
0.013
-1 -1 temperatura
1
filtro
Plot of Interactions for contaminante
0.15
filtro=1
0.12
0.09
response
0.06
filtro=-1
filtro=-1
0.03 filtro=1
0
-1 1
temperatura
Fig 8.7.1b Respuestas e Interaccin
En la Fig 8.7.1b, se muestran las respuestas obtenidas en los ocho

experimentos para los distintos niveles, y, la interaccin que ha resultado
significativa. Para graficar la superficie de respuesta, se debe llevar este modelo
a tres dimensiones, para ello, se debe fijar alguna de las variables en un valor
tcnico que permita disminuir la cantidad de libras de contaminante, por ejemplo,
considerando C=+1, se tiene
y = 0.065875 + 0.017125 A 0.00775B + 0.028625 AB
158
0.12
contaminante mg/litro
0.1
0.08
0.06
0.04
1
0.02 0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 filtro
0.2 0.6 1
temperatura
0.0947251
0.6 0.0855751
0.0764251
0.2 0.0672751
Filtro
0.0581251
-0.2 0.048975
0.039825
-0.6 0.030675
0.021525
-1 0.012375
-1 -0.6 -0.2 0.2 0.6 1

Temperatura
Fig 8.7.1c Superficie de respuesta y curvas de nivel con C=+1
159
De acuerdo a estos resultados, de la superficie de respuesta Fig 8.7.1c, se
puede afirmar que para obtener la menor cantidad de gr/litro de contaminante, se
deben fijar las variables en los siguientes niveles, A = -1 B =+1 y C =+1, dado
que, bajo estas condiciones se obtiene el valor estimado mnimo de 0.012375
gr/litro y una mximo de 0.103875 gr/litro.
Tambin, se puede analiza la situacin considerando C=-1, con lo que se

obtiene el modelo:
y = 0 .065875 + 0 .017125 A + 0 .039 B + 0 .028625 AB
con ello, se logra una contaminacin mnima de 0.015375 gr/litro y una mxima de
0.150625 gr/litro, Fig 8.7.1e. Si se compara ambos mnimos existe poca diferencia
entre ellos, habra que analizar el ahorro que implica fijar C en -1.
0.16
contaminante gr/litro
0.12
0.08
0.04 1
0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 filtro
0.2 0.6 1
temperatura
Fig 8.7.1d Superficie de respuesta con C=-1
160
1
0.1371
0.6 0.123575
0.11005
0.2 0.096525
filtro
0.083
-0.2 0.069475
0.05595
-0.6 0.042425
0.0289
-1 0.015375
-1 -0.6 -0.2 0.2 0.6 1

temperatura
Fig 8.7.1e Curvas de nivel con C=-1
8.7.2 Ejemplo. En un proceso de fabricacin se realizan 16 experimentos para

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

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

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

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

en el proceso son la temperatura, la concentracin de SO4(NH4)2, las revoluciones
por minuto y la interaccin entre la concentracin de SO4(NH4)2 y las revoluciones
por minuto.
El modelo de regresin lineal asociado es
y = 0.2675 0.08625 B + 0.04875 C + 0.10875 D 0.0375 BC
162
Half-Normal Plot for % impurezas
2
temperatura
1.6 SO4(NH4)2
standard deviations
1.2 rpm
SO4(NH4)2 * RPM
0.8
0.4
0
0 4 8 12 16 20 24
Para minimizar el porcentaje de impurezas, se deben obtener las derivadas

parciales de y respecto de B, C y D, igualarlas a cero para encontrar los puntos
crticos, calcular las segundas derivadas parciales y evaluarlas en estos puntos
crticos, si el valor resulta positivo indica que se est frente a un mnimo de
porcentaje de impurezas y si es negativo frente a un mximo.
163
0.4
0.3
% impurezas
0.2
0.1 1
0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 rpm
0.2 0.6 1
SO4(NH4)2
Fig 8.7.2b Superficie de respuesta
Dado que las variables con las que se experimenta slo toman valores 1 o
+1, si se fija la variable D en 1, se obtendr la superficie de respuesta asociada a
un modelo en tres dimensiones, permite adems reducir el porcentaje de
impurezas, dejando en el modelo la interaccin BC que permitir analizar el
comportamiento de estas variables para determinar los valores en las que deben
ser fijadas para minimizar y , as, el modelo se reduce a :
y = 0.15875 0.08625 B + 0.04875C 0.0375 BC
En la Fig 8.7.2b, se puede observar, que el valor mnimo de impureza se

logra fijando la variable B en +1, C en 1 y naturalmente D en 1, de esta forma
se obtiene una impureza estimada de 0.06125. Dado que la variable A no es
significativa en el intervalo estudiado, se puede fijar en el valor 1 lo que permite
reducir el costo del proceso.
164
0.27725 0.22325 0.16925 0.11525
0.30425 0.25025 0.19625 0.14225 0.08825
1
0.6
0.2
rpm
-0.2
-0.6
-1 0.06125
-1 -0.6 -0.2 0.2 0.6 1
SO4(NH4)2
Fig 8.7.2c Curvas de nivel
Si se considera que un valor de impureza de 0.16925 es tcnicamente

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

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

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

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

E = 12.155438; AB = 1.605438; AC = 2.205563; AD = -1.432312;
AE = -0.807062; BC = 0.117563; BD = -2.595062; BE = 0.892688;
CD = -3.961687; CE = -0.961687; DE = -10.878312
167
Half-Normal Plot for angulo de resorteo
2.4
E
2
standard deviations
D
1.6
DE
1.2 B
CD
0.8 C
0.4
0
0 2 4 6 8
Fig 8.7.3b Grfico seminormal
A partir de la Fig 8.7.3b, se obtiene que las variables estadsticamente

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

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

obtenga las curvas de nivel, para optimizar el proceso de tal forma que minimice
sus costos y obtenga el menor ngulo de resorteo.
168
7.9
Angulo de resorteo
5.9
3.9
1.9 1
0.6
0.2
-0.1 -0.2
-0.6
-1 -0.6 -0.2 -1 Espesor de la pieza
0.2 0.6 1
Radio de doblez
Fig 8.7.3c Superficie de respuesta
Ejercicio. Se realizan pruebas para maximizar la durabilidad del disco de empuje

de la caja de cambio de automviles. Se utiliz un diseo de experimentos selec-
cionando seis factores que intervienen en el proceso.

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

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

de empuje, sabiendo que las variables C y E no interactan. Obtenga el mode-
lo, las superficie de respuesta y las curvas de nivel, para determinar las condi-
ciones ptimas desde el punto de vista del proceso como las econmicas.
Ejercicio. En la fase final de la fabricacin de piezas de precisin se requiere

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

modelo, dibuje la superficie de respuesta y las curvas de nivel. Maximice la ra-
pidez, dado que el hexafluoretano afecta a la capa de ozono de la atmsfera.
Ejercicio. En un proceso de fabricacin de envases de plstico por inyeccin, se

requiere minimizar la dilatacin de stos, para ello se realiza un diseo de
experimentos considerando las siguientes variables :
Nivel bajo Nivel alto

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

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

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

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

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

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

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

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

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

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

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

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

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

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

X1 = , X2 = , X3 =
100 0 .2 0 .1
Para realizar los ocho experimentos de un factorial 23 en condiciones lo

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

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

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

-1 -1 -1 +1 +1 +1 -1 4 77.5
+1 +1 -1 +1 -1 -1 -1 3 93.9
+1 -1 +1 -1 +1 -1 -1 1 71.1
-1 +1 +1 -1 -1 +1 -1 2 97.9
+1 -1 -1 -1 -1 +1 +1 1 74.3
-1 +1 -1 -1 +1 -1 +1 3 86.6
-1 -1 +1 +1 -1 -1 +1 4 66.1
+1 +1 +1 +1 +1 +1 +1 2 92.9
(*) orden aleatorio de los experimentos
Half-Normal Plot for flexibilidad
1.6 Carbono
standard deviations
%Carbono * %Niquel
1.2
Bloque
0.8
0.4
0
0 4 8 12 16 20 24
Fig 8.8.2 Grfico seminormal
176
Los efectos e interacciones estimados son : y = 82.5375, X1 = 1.025,
X2 = 20.575, X3 = -1.075, X1X2 = 0.125, X1X3 = -1.025, X2X3 = 6.225,
Bloque = -5.125
A partir de la Fig 8.8.2, se puede concluir que son significativos el efecto %

de carbono, y la interaccin % carbono con % nquel. La variable bloque resulta
significativa, lo que ratifica que la mezcla I y la mezcla II producen una diferencia
en el porcentaje de flexibilidad de las barras, por lo cual, ser necesario
homogeneizar estas mezclas por algn criterio.
El modelo para este experimento est dado por :
y = 82 .5375 + 20 .575 X 2 + 6.225 X 2 X 3
115
105
%flexibilidad
95
85
75
1
65 0.6
0.2
55 -0.2
-0.6
-1 -0.6 -0.2 -1 %carbono
0.2 0.6 1
%niquel
Fig 8.8.3 Superficie de respuesta
177
En la Fig 8.8.3, se puede observar que el mximo porcentaje de flexibilidad
se puede obtener al fijar la variable X2 a nivel +1 y la variable X3 a nivel +1. La
variable X1 al no ser significativa en el intervalo estudiando, se puede fijar a nivel
bajo para reducir el costo del proceso.
Como la interaccin entre las variables X2X3 es significativa, estas variables

pueden explicarse conjuntamente, proyectando los valores experimentales
(promediados) al plano correspondiente a ellas, as:
Predicted Response Plot for % flexibilidad
1
68.6 26.8 95.4
Niquel
-7.3 5.15
75.9 14.35 90.25

-1
-1 1
Carbono
Fig 8.8.4 Interaccin Carbono versus Nquel
Apartir de la Fig 8.8.4, se puede concluir que fijando X3 en 1, pasar de X2

de nivel bajo al alto implica una ganancia del 14.35% en la flexibilidad de la barra,
en cambio, fijando X3 en +1 al pasar X2 de nivel bajo al alto implica una ganancia
del 26.8% en la flexibilidad.
178
1
103.978
0.6 98.6179
93.2578
% carbono
0.2 87.8978
82.5377
-0.2 77.1777
71.8176
-0.6 66.4576
61.0976
55.7376
-1
-1 -0.6 -0.2 0.2 0.6 1
% niquel
Fig 8.8.5 Curvas de nivel
El porcentaje de flexibilidad mxima que se puede lograr es 109.338. Pero,

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

= 0.8 %Carbono = 0.76 , = 0 %Niquel = 0.4
0 .2 0 .1
Al introducir variables bloques en un diseo, se produce una confusin

entre ellas con interacciones de alto orden, lo que se conoce como patrn de
confusin debido al bloque. En diseos factoriales fraccionales se mostrar que
existen procedimientos para elegir la forma ptima de generar estas particiones,
produciendo la mnima confusin posible para un determinado diseo.
179
8.9 Diseos factoriales fraccionales
En los diseos factoriales 2k al aumentar el nmero de variables, k, el

nmero de experimentos que se deben realizar crece en progresin geomtrica.
Con ese nmero de experimentos que se tendran que realizar se estimaran igual
nmero de parmetros para el modelo, pero, seguramente no todos sern
estadsticamente significativos, y adems, la mayora de las interacciones de
orden tres o superiores tcnicamente son imposibles de explicar e interpretar su
comportamiento. Se debe tener en cuenta, que se gastara una cantidad
importante de recursos en realizar todos los experimentos, y con ellos, se estaran
estimando interacciones de alto orden, que posteriormente no podrn ser
explicadas.
Pepi y Polo (1990) consideran que se debe tener en cuenta que existe
una jerarquizacin que hace que los efectos principales tengan ms importancia
que las interacciones de orden dos, y estas a su vez, son ms importantes que las
interacciones de orden tres, etc., por tanto, al realizar un experimento completo
(con 2k experiencias) se gastan demasiados recursos para estimar interacciones o
efectos que no son relevantes o significativos en un determinado proceso, dado
que su presencia es necesaria pero no determinante.
Nmero de interacciones
(de orden)
Nmero de Nmero de Nmero de efectos
2 3 4 5 6 7
variables experimentos principales
2 4 2 1
3 8 3 3 1
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 21 7 1
Tabla 8.9.1 Nmero de experimentos e interacciones
Es posible estudiar el mismo nmero de variables de un

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

teniendo en cuenta, que todas las variables deben ser ensayadas el mismo
nmero de veces en cada nivel, y adems, hacerlo perjudicando lo menos posible
las estimaciones de los efectos ms importantes.
Considerando un diseo 2 3, y suponiendo que slo es posible realizar

cuatro experimentos, ya sea, por consideraciones tcnicas o por razones
econmicas, etc., el problema es determinar cuales cuatro experimentos elegir de
estos ocho.
Si se supone que el efecto de la interaccin de orden tres es prctica-

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

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

propiedades :
1

1
a) Xi Xi = . = I b) X i I = X i
.

1
Multiplicando X3=X1X2 por X3 se tiene I=X1X2X3, que se denomina relacin

de definicin. La resolucin de un diseo factorial fraccional, est dado por el
mnimo nmero de variables que contenga la relacin de definicin, en este caso,
est formada por una palabra integrada por tres variables, se dice entonces que
es un diseo de resolucin III, y se denota 23-1III.
Cuando se construyen diseos factoriales fraccionales, se genera un

patrn de confusin entre los efectos principales con las interacciones, mientras
ms alta sea la resolucin de un diseo, los efectos principales se confunden con
interacciones de mayor orden, y como stas tcnicamente no son explicables, se
asume que el efecto es debido al efecto principal; lo mismo ocurre con las
interacciones de segundo orden, que cuando la resolucin es baja se confunden
con los efectos principales, pero, a medida que la resolucin es mayor, tambin,
se comienzan a confundir con interacciones de alto orden, y en esos casos, se
asume que el efecto es debido a la interaccin de orden dos.
El patrn de confusin de un diseo se obtiene a partir de su relacin de

definicin, para un diseo 23 se tiene:
182
I = X 1 X 2 X 3 multiplicando por X1, X2 y X3 sucesivamente
I X1 = X1X 2 X 3 X1 X1 = X 2 X 3
I X 2 = X1 X 2 X 3 X 2 X 2 = X1 X 3
I X 3 = X1X 2 X 3 X 3 X 3 = X1X 2
luego
C X1 = X 1 + X 2 X 3
C X2 = X 2 + X 1 X 3
C X3 = X 3 + X 1 X 2
la expresin C X = X 1 + X 2 X 3 , significa que la variable X1 est confundida con la

1
interaccin X2X3.
Si se observa la tabla del diseo de media fraccin, se puede observar que

existen columnas iguales, ello, es lo que explica que aparezca este patrn de
confusin, es el costo que se debe pagar por realizar slo la mitad de los
experimentos. Un diseo de resolucin tres confundir efectos principales con
interacciones de orden dos.
Para desconfundir los efectos, se puede realizar la otra media fraccin

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

pueden obtener los efectos desconfundidos como el promedio de estos
contrastes, por ejemplo :
183
1 1
para X 1 ( C X1 + C * X1 ) = ( X 1 + X * 1 )
2 2
1 1
para X 2 X 3 = ( C X 1 C * X 1 ) = ( X 2 X 3 + X * 2 X * 3 )
2 2
Para construir una media fraccin de un diseo 24, con las tres primeras
variables se genera un diseo completo y la cuarta variable se define como el
producto de las tres anteriores, es decir, X4=X1X2X3, por lo cual, la relacin de
definicin est dada por I= X1X2X3X4, se trata por tanto, de un diseo de
resolucin IV, y se denota por 24-1IV.
I X1 = X1 X 2 X 3 X 4 X1 X1 = X 2 X 3 X 4
I X 2 = X1 X 2 X 3 X 4 X 2 X 2 = X1X 3 X 4
I X 3 = X1X 2 X 3 X 4 X 3 X 3 = X1X 2 X 4
I X 4 = X1X 2 X 3 X 4 X 4 X 4 = X1X 2 X 3
I X1X 2 = X1X 2 X 3 X 4 X1X 2 X1X 2 = X 3 X 4
I X1X 3 = X1X 2 X 3 X 4 X1X 3 X1X 3 = X 2 X 4
I X1X 4 = X1X 2 X 3 X 4 X1X 4 X1X 4 = X 2 X 3
luego el patrn de confusin est dado por:
C X1 = X 1 + X 2 X 3 X 4 C X2 = X 2 + X 1 X 3 X 4
C X3 = X 3 + X 1 X 2 X 4 C X4 = X 4 + X1X 2 X 3
C X 1X 2 = X 1 X 2 + X 3 X 4 C X1X 3 = X 1 X 3 + X 2 X 4
C X1X 4 = X 1 X 4 + X 2 X 3
Si se quiere desconfundir, se puede realizar la otra media fraccin, unos

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

que C X = X 2 + X 1 X 3 X 4 = 12.0 , y al realizar experimentos adicionales o la otra
2
184
media fraccin se obtiene que C * X = X * 2 X * 1 X * 3 X * 4 = 10.8 , se pueden
2
desconfundir los efectos obteniendo una estimacin para X2 y para X1X3X4 por:
1
Efecto de X2 = ( 12.0 10.8 ) = 11.4
2
1
Efecto de X1X3X4 = ( 12.0 + 10.8 ) = 0.6
2
Nmero de Nmeros de variables

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

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

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

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

permite estudiar stas variables a dos niveles, se preparan las experiencias
midiendo los gramos requeridos de cada una de las variables, por ejemplo : el
acetato sdico (0.2 gr) permite hacer una disolucin reguladora del ph del bao; el
sulfato sdico (0.25 gr) es el electrolito para neutralizar las cargas negativas de la
fibra; el albegal (0.05 gr) es un detergente que permite que la tintura penetre mejor
en la fibra, obteniendo una tincin ms uniforme, etc. En cada experimento, se
medir la cantidad de colorante que queda en la fibra una vez terminado el
proceso de teido, este agotamiento se mide por colorimetra mediante un
expectrofotmetro por :
-
Indice de Agotamiento = DOi DOf 100
DOi
donde, DOi y DOf son las densidades pticas inicial y final.
186
los generadores del diseo son E=ABC, F=BCD y G=ACD, luego, se tiene que
I1=ABCE, I2=BCDF E I3=ACDG. Para obtener la relacin de definicin, debe
realizarse todos los productos entre las combinaciones Ii, as:
I = ADEF = BDEG = ABFG (de a dos)
I = CEFG (todas)
por tanto:
I = ABCE = BCDF = ACDG = ADEF = BDEG = ABFG = CEFG
es la relacin de definicin de este diseo.
-1 -1 -1 -1 -1 -1 - 1 7.18

+ 1 -1 -1 -1 +1 -1 + 1 55.50

-1 +1 -1 -1 +1 +1 - 1 37.88

+ 1 +1 -1 -1 -1 +1 + 1 57.89
-1 22.54
-1 +1 -1 +1 +1 + 1

+ 1 -1 +1 -1 -1 +1 -1 13.01

-1 +1 +1 -1 -1 -1 + 1 16.67

+ 1 +1 +1 -1 +1 -1 - 1 54.55
M= Y =
-1 -1 -1 +1 -1 +1 + 1 28.89
+ 1
-1 -1 +1 +1 +1 - 1 46.83

-1 +1 -1 +1 +1 -1 + 1 72.78

+ 1 +1 -1 +1 -1 -1 - 1 71.35

-1 -1 +1 +1 +1 -1 - 1 53.40

+ 1 -1 +1 +1 -1 -1 + 1 49.43
-1 +1 +1 +1 -1 +1 - 1
47.52

+ 1 +1 +1 +1 +1 +1 + 1 55.47
Como la longitud de la palabra ms corta en esta relacin es 4, el diseo

tiene resolucin IV, es decir, confunde efectos principales con interacciones de
orden 3, interacciones de orden 2 con interacciones de orden 2. Considerando las
187
interacciones de orden mayor o igual a tres despreciables, se tiene el siguiente
patrn de confusin:
CA = A ; CB = B ; CAB = AB + CE + FG ; CC = C ;
CAC = AC + BE + DG ; CBC = BC + AE + DF ; CD = D ; CE = E ;
CAD = AD + CG + EF ; CBD = BD + CF + EG ; CCD = CD + BF + AG ;
CF = F ; CG = G ; CDE = DE + AF + BG ;
para obtener la matriz del diseo, primero se construye un diseo completo con
las cuatro primeras variables, luego para las siguientes columnas se utilizan los
generadores E=ABC, F=BCD y G=ACD.
Half-Normal Plot for % Agotamiento
2.4
D
2
B
standard deviations
1.6
A
1.2 E
AD
F
0.8 C
0.4
0
0 2 4 6 8
Fig 8.9 Grfico seminormal
188
Los efectos e interacciones calculados son:
y = 43.18, CA = A = 14.65 ; CB = B = 17.17 ; CAB = AB + CE + FG = 1.46 ;

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

interacciones son significativas. Debido al patrn de confusin existente, los
ingenieros del proceso indicaron que de las interacciones AC, BE y DG slo era
relevante AC. Con esta informacin, escriba el modelo de regresin asociado,
estudie la interaccin significativa y optimice el proceso para lograr el mximo
agotamiento al menor costo.
8.9.2 Ejemplo. Se realizaron pruebas en la cmara de combustin de una cal-

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

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

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

D =0. 4325; AB + CD = 0.0075; AC + BD =-0.0325; AD + BC =-0.0175
Half-Normal Plot for monoxido
2
Octanaje
1.6
standard deviations
1.2 Filtro
Cantidad combustible
0.8
0.4
0
0 0.1 0.2 0.3 0.4 0.5
a partir de la Fig 8.9.2a, resultan significativas las variables A, B y D, luego el

modelo asociado est dado por:
y = 0.55375 + 0.05875 A + 0.10375B + 0.21625D
190
0.57
% monoxido de carbono
0.47
0.37
0.27 1
0.6
0.2
0.17 -0.2
-0.6
-1 -0.6 -1 tipo de filtro
-0.2 0.2
0.6 1
cantidad de combustible
Fig 8.9.2b Superficie de respuesta
Para graficar la superficie de respuesta, se debe fijar una de las varia-

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

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

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

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

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

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

realizados en un proceso productivo, un modelo que permita reducir la variabili-
dad, ajustar la respuesta lo ms prximo al valor nominal de su diseo, y robustifi-
car un proceso productivo. Esto se realiza a partir de la informacin obtenida de
experimentos factoriales a dos niveles, diseados adecuadamente y replicados.
De esta forma, es posible mejorar la calidad del proceso productivo; estudiar los
niveles en que se deben fijar las variables, que intervienen en un determinado pro-
ceso, para reducir la variabilidad; minimizar costos de produccin; insensibilizar el
proceso respecto de la influencia de variables incontrolables; optimizar el proceso
productivo; y en trminos globales generar un producto con una calidad intrnseca
mayor.
Pepi y Polo (1991) realizaron un desarrollo terico que mejora el trabajo

de Nair y Pregibon (1988), para modelizar en forma conjunta la variabilidad y la
tendencia central de un proceso productivo, mediante diseos factoriales del tipo
2p, que permiten estudiar p variables a dos niveles cada una, con un total de 2p
tratamientos o experimentos, especificados codificadamente en las lneas de la
matriz del modelo, replicados r veces. Sea mi la media y 2i la varianza de las ob-
servaciones correspondientes al i-simo tratamiento (i-sima lnea de la matriz del
modelo), la modelizacin consiste en relacionar la media y la varianza con los fac-
tores y sus interacciones mediante coeficientes de localizacin k y de dispersin
k con
n n
mi = aik k y ln( 2 i ) = aik k

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

lnea de la matriz del modelo.
Esta modelizacin permite expresar las respuestas y las sumas de diferen-

cias cuadrticas en funcin de los coeficientes por :
n n r
Y ij = a ik k + ij y ln( X i ) = a ik k + i donde X i = ( y ij - y i )
2
k =1 k =1 j =1
i = 1,2,..., n ; j = 1,2,..., r
195
Dado que la estimacin de los coeficientes de localizacin k, dependiendo
si las varianzas 2i puedan considerarse o no estadsticamente iguales, es nece-
sario, estimar en primer lugar los coeficientes de dispersin y estudiar su significa-
cin.
Puesto que la matriz del modelo, que se utiliza en diseos factoriales a dos
niveles es ortogonal, los estimadores de los coeficientes son independientes, y se
obtienen, como el producto escalar de cada columna de la matriz del modelo por
el vector de respuestas. Para los efectos de dispersin, ser el logaritmo neperia-
no de las sumas de diferencias cuadrticas, afectados por el correspondiente divi-
sor.
Pepi y Polo (1991) estiman los efectos de dispersin y estiman las varian-
zas asociadas a cada tratamiento partiendo del modelo
ln( X i ) = aik k + i , i = 1,2,...,n , con X i = (xi x )

n n
2
k=1 i =1
por tanto, el estimador de la varianza de cada tratamiento est dado por:
n
exp aik k(mn- cuad)
X i = k =1
i =
2
r -1 r -1
Mediante los estimadores mnimo cuadrticos de los coeficientes de dis-
persin, se puede aumentar la eficiencia de la estimacin mediante los estimado-
res mximo verosmiles correspondientes.
El anlisis de los efectos de localizacin, cuando no se verifica el supuesto

de igualdad de varianza de los tratamientos, se realiza mediante el modelo lineal
Y ij = mi + i ij = aik k + i ij , j = 1,2,...,r
k =1
Estimados los coeficientes de dispersin, se estudia su significacin me-

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

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

del modelo de dispersin:
197
ln X = 2.74898 ; A=0.04751 ; B=0.74066 (*) ; C=0.68566 (*) ; AB=0.72539 (*) ;
AC=-1.1449 (*) y BC=0.54677. Se indican con un asterisco los efectos e interac-
ciones estadsticamente significativos, segn Fig 8.10.1.
Half-Normal Plot for ln X
1.8
AC
1.5
standard deviations
1.2 B
0.9 AB
0.6 C
0.3
0
0 40 80 120 160
Fig 8.10.1 Grfico de semizetas para la dispersin
De acuerdo a los resultados de la Fig 8.10.1, el modelo est dado por:
ln( X i ) = 2.74898 + 0.37033B - 0.34283C + 0.362695AB 0.57245AC
dado que hay tres repeticiones en cada punto experimental, la desviacin estn-
dar de cada tratamiento se estima por
X i = exp[ 1.0279 - 0.1852B - 0.1714C +0.1813AB0.2862AC ]

i =
2
198
para estimar la desviacin estndar i de cada tratamiento, se deben sustituir en
este modelo, los factores por sus respectivos valores codificados -1 +1. En la
Tabla 8.10.2, se presentan los resultados de i y los valores trasformados Wi.
Puesto que la varianza est en funcin de algunos factores del proceo, para mo-
delizar la tendencia central del proceso, se calculan los valores de Wi
i ^i Wi = yi /i
1 3,595268 6,675441
2 4,434317 7,142025
3 1,727359 21,032111
4 4,400589 11,589356
5 4,523285 9,358243
6 1,775520 20,089886
7 2,173228 25,156130
8 1,762016 24,023621
Tabla 8.10.2 Valores estimados de i y wi
Half-Normal Plot for Wi
1.8
B
1.5
standard deviations
1.2 C
0.9
AB
0.6 AC
0.3
0
0 4 8 12 16 20
Fig 8.10.2 Grfico seminormal para los efectos de localizacin
199
Con los valores de Wi de la tabla 8.10.2, se obtienen los siguientes estimadores:
W i =15.633353 ; A=0.155745 ; B=9.633905 (*) ; C=8.047235 (*) ; AB=-5.443375

(*); AC=4.643825 (*) y BC=0.231905. Se indican con un asterisco los efectos y
las interacciones estadsticamente significativas, resultantes de la Fig 8.10.2.
Por tanto, el modelo asociado est dado por:
W i = 15.6334 + 4.8170 B + 4.0236C 2.7217 AB + 2.3219 AC
200
160
duracion (hrs)
120
80
1
40 0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 angulo corte
0.2 0.6 1
rpm
Fig 8.10.2 Superficie de respuesta
200
1
0.6
9.12915
angulo corte
0.2
29.6807
50.2322
-0.2 70.7838
91.3354
-0.6 111.887
132.438
-1 152.99
-1 -0.6 -0.2 0.2 0.6 1
rpm
Fig 8.10.3 Curvas de nivel
luego, el modelo para la tendencia central del proceso est dado por :
y = (15.6334 + 4.8170B + 4.0236C 2.7217AB + 2.3219AC ) EXP(1.0279 0.1852B 0.1714C + 0.1813AB 0.02862AC)
para maximizar la duracin de la cuchilla, se puede fijar la variable B en +1, as, el

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

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

nivel bajo, la variable C a nivel alto, dado que se fij la variable B a nivel alto, co-
mo se puede apreciar en la superficie de respuesta de la Fig 8.10.2, sin embargo,
esta eleccin producir un aumento de la variabilidad. Para optimizar el proceso
desde el punto de vista econmico, se debe realizar un anlisis a partir de las cur-
vas de nivel de la Fig 8.10.2.
201
Se puede afirmar que la modelizacin global, en la optimizacin de proce-
sos productivos, permite estudiar la forma de reducir los costos en el proceso de
fabricacin; mejorar la calidad del producto; minimizar la variabilidad del proceso;
ajustar la respuesta de la variable en estudio lo ms cerca de un valor objetivo a
una norma; obtener productos ms robustos, etc. Esta metodologa permiten ge-
nerar productos de una calidad intrnseca mayor, se pueden reducir los costos por
reprocesos de productos, por servicios tcnicos, por tiempos de demora en la
atencin, etc.
Ejercicio. En el ejemplo 8.10.1, fijando la variable B en -1, el modelo se reduce a:
y = ( 10.81632 + 2.7217A + 4.0236C + 2.3219AC ) EXP( 1.2131 0.1813A 0.1714C 0.02862AC )
Obtenga la superficie de respuesta y las curvas de nivel correspondientes. Com-

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

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

Aplicadas a Procesos Continuos. Actas del III Congreso Latinoamericano de Sociedades
de Estadstica, XXIII Jornadas Nacionales de Estadstica, XXIV Coloquio Argentino de Es-
tadstica. Universidad de Santiago de Chile
Ansorena y Bab (2004) Focus.ie.edu/web/detalle_articulos.asp?id_contenido = 2226
Barba, E., Boix, F. y Cuatrecasas, L. 2000. Seis Sigma. Ed Gestin 2000.com
Box, G. Hunter, W. y Stuart Hunter, J. 1989. Estadstica para Investigadores. Introduccin
al Diseo de Experimentos, Anlisis de Datos y Construccin de Modelos. Ed. Revert
Box, G. and Jenkins, G. (1970). Time Series Analysis Forecasting and Control. Holden-
Day, San Francisco, CA.
Brooks, D. and Evans, D.A. (1972). An approach to the Probability Distribution of CUSUM
Run Lengths. Biometrika, 59, 539-549.
Capilla, C. y Romero, R. (1991). Aportaciones al conocimiento del comportamiento Esta-
dstico de Grficos de Control para medias. Actas XIX Congreso Nacional de Estadstica,
I.O. e Informtica. Segovia, Espaa
Crosby, P. 1989. Hablemos de Calidad. Mc Graw Hill
Crosier, R.B. (1986). A New Two-sided Cumulative Sum Quality Control Scheme. Tech-
nometrics, 28, 187-194
Crowder, S. (1987a). Average Run Lenghts of Exponentially Weighted Moving Average
Control Charts. Journal of Quality Technology, 19, 161-164
Crowder, S. (1987b). A Simple Method for Studying Run-Length Distribution of Exponen-
tially Weigthed Moving Average Charts. Technometrics, 29, 4, 401-407
Crowder, S. (1989). Design of Exponentially Weighted Moving Average Schemes. Journal
of Quality Technology Vol 21, 3, 155-162
Delgado, M., Olavarrieta, P. y Vergara, P. 2004. Lgica Difusa en Control de Calidad de
Procesos. XII Congreso Espaol de Tecnologas y Lgica Fuzzy
Delgado, M., Olavarrieta, P., y Vergara, P. 2005. Fuzyy Sets Tools in Process Quality Con-
trol. Trabajo enviado para publicar en International Journal of Uncertainty, Fuzziness &
Knowledge-Based Systems
Hackl, P. and Ledolter, J. (1991). A Control Chart Based on Ranks. Journal of Quality
Technology. Vol 23, 2, 117-124
Harry, M. y Schroeder, R. 2000. Six Sigma, the breakthrough strategy revolutionizing the
world`s top corporations. Doubleday
205
Harry, M., Lawson, R. 1992. Six Sigma producibility anlisis and process characterization.
Motorola University Press
Harry, M. 1997. The nature of Six Sigma Quality. Motorola University Press
Hidalgo, J. y Vergara, P. 2002. Calidad Total : Herramienta de Gestin para la competitivi-
dad. Implantacin en una empresa siderrgica. Universidad Jaume I de Castelln, Espaa
Hunter, J.S. (1986). The Exponetially Weigthed Moving Average. Journal of Quality Tech-
nology, 18, 203-210
Lawson, J., Madrigal, J. y Erjavex, J. 1992. Estrategias Experimentales para el Mejora-
miento de la Calidad en la Industria, Ed. Iberoamrica
Len, M.http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/parassiglefco.htm
Lucas, J.M. and Crosier, R.B. (1982). Fast Initial Response for CUSUM Quality Control
Schemes : Give Your CUSUM a Head Start. Technometrics, 24, 199-205
Lucas, J. and Saccucci, M. (1990). Exponentially Weigthed Moving Average Control
Schemes : Properties and Enhancements. Technometrics, 32, 1
MacGregor, J. and Harris, T. (1990). Discusin. Technometrics, 32, 1, 23-26
Montgomery, D. 1991. Diseo y Anlisis de Experimentos. Ed. Iberoamrica
Page, E.S. (1957) Biometrika, 44, 248-252
Pepi, M. y Polo, C. (1986). Esquemas de Control por Sumas Acumuladas. CEAM, 197,
23-28 Espaa
Pepi, M. y Polo, C. (1987). Control de Calidad por Sumas Acumuladas. ETSEIT-UPC I.I.
6/87 Barcelona, Espaa
Pepi, M. y Polo, C. (1988). Riesgos Globales Asociados a los Grficos de Control Clsi-
cos. Boletn CALIDAD, 2, Marzo-Abril Espaa
Pepi, M. y Polo, C. (1990a). Sumas Acumuladas Conjuntas. Tablas. Qesti, Vol 14, 1, 2,
3, 27-41 Barcelona, Espaa
Polo, C. y Pepi, M. (1990b). Modelizacin y Optimizacin de Procesos. Ed. Universidad
Politcnica de Catalua
Polo, C. y Pepi, M. (1990c). Diseo de Experiencias. Ed. Universidad Politcnica de Cata-
lua
Pepi, M., Polo, C. y Vergara, P. 1990. Anlisis Crtico de los Indices de Calidad Cp y Cpk.
Revista Triloga, Vol. 10/11, N 18, 10-23
Pepi, M., Polo, C. y Vergara, P. 1994. Control de Procesos mediante Estadsticos Ponde-
rados Exponencialmente. Actas del XXI Congreso de Estadstica e Investigacin Operati-
va. Calella, Espaa
Roberts, S. (1959). Control Chart Tests Based on Geometrics Moving Averages. Tech-
nometrics, 1, 239-250
Roberts, S. (1966). A Comparison of Some Control Chart Procedures. Technometrics, 8,
411-430
206
Shewhart, W. (1931). Economic Control of Quality of Manufactured Product. Princeton, N.J
: Van Nostrand
Statistica, 1995. Volumen III, StatSoft 2nd Edition
Statgraphics Plus, 1993. Manugistics, Inc.
Vergara, P. 1993. Control de Calidad mediante la Funcin de Prdida de Taguchi. Triloga
Vol 13, N21
Vergara, P. 1984. Eficiencia relativa asinttica de los rangos ponderados en diseos de
bloques incompletos balanceados. Escuela de Salud Pblica. Universidad de Chile
Vergara, P. 1992. Nuevas Tcnicas Acumulativas de Control de Calidad. Control Conjunto
por Medias Mviles Ponderadas Exponencialmente para la tendencia central y la variabili-
dad. Tesis Doctoral, ISBN: 84-7653-206-7, Depsito Legal :B.2.201-92 Universidad Poli-
tcnica de Catalua, Barcelona Espaa
Vergara, P. 1993. Control de Calidad por Medias Mviles Ponderadas Exponencialmente
para la tendencia central y la variabilidad. : Aplicacin. Actas del II Congreso Latinoameri-
cano de Sociedades de Estadstica (CLATSE II),Universidad Catlica de Buenos Aires.
Pg 344-359
Vergara, P. 1994. La Calidad : Un aporte a la Sociedad. Actas Primer Seminario Latinoa-
mericano Universidad y Sociedad : Mecanismos de Vinculacin. Universidad Tecnolgica
Metropolitana
Vergara, P. y Barrera, R. 1994. Comparacin de la Eficiencia entre Mtodos de Control de
Calidad. Actas del VI Congreso de Estadstica de la Zona Sur. Universidad de la Frontera,
Temuco
Vergara, P., Gonzlez, H., Seplveda, C. y Buccioni, R. 1994. Efectos de la introduccin de
Seales en un Mtodo de Control de Calidad Acumulativo. Actas del VI Congreso de Esta-
dstica de la Zona Sur. Universidad de la Frontera, Temuco
Vergara, P. 1994. Optimizacin de Procesos Industriales y Control de Calidad. XIII Jorna-
das Nacionales de Estadstica. Universidad de Concepcin
Vergara, P. 1994. Optimizacin de la Calidad de Procesos Modelizacin Global. Actas VI
Congreso Internacional de Biomatemticas ISBN 9977-64-718-6. Universidad Estatal a
Distancia. Costa Rica
Vergara, P. 1995. Control de Calidad mediante Medias Mviles Ponderadas Exponencial-
mente. Grficos con seales. Triloga Vol 14 N22 43-62
Vergara, P. 1995. Optimizacin de Procesos Industriales. Universidad Austral de Chile.
Vergara, P. 1997. Control Estadstico de Procesos. Universidad de La Frontera - Academia
Politecnica Aeronutica
Vergara, P. 1997. Diseo y Optimizacin de Procesos Industriales. Universidad de La
Frontera Academia Politcnica Aeronutica
207
Vilches, J. y Vergara, P. 2003. Optimizacin del Proceso de Fotograbado. Universidad de
La Frontera-Academia Politcnica Aeronutica
Vinet, G. y Vergara, P. 2003. Optimizacin del Diseo de Matrices a travs de un Diseo
Experimental. Universidad de La Frontera-Academia Politcnica Aeronutica
www.seis-sigma.com
208

Libro Optimizacion de Procesos Industriales y Control de Calidad

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Optimizacion de Procesos Industriales y Control de Calidad

Cargado por

Copyright:

Formatos disponibles

Optimizacin de Procesos

Industriales y Control de Calidad

Pedro Vergara Vera

DIRECCIN DE COMUNICACIN Y CULTURA

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

Pedro Vergara Vera

CAPTULO VIII ..............................................................................................................141

Algo inherente al conocimiento generado en el mbito de las ingenieras es su

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

La utilizacin del mtodo de modelizacin global permite a travs de rplicas de

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

Debo felicitar a la Universidad Tecnolgica Metropolita a travs de su Editorial al

Felix de Moya Anegn

En todo proceso de produccin existe el riesgo de aparicin de artculos defec-

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

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

Desde que Shewhart (1931) desarroll los grficos de medias, x y de desvia-

Otro mtodo, es el grfico de control basado en la Media Mvil Ponderada Ex-

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

Se presentan mtodos de diseo de experimentos, factoriales y factoriales

Mtodo de Control de Calidad mediante Sumas Acumuladas

1.1. El Mtodo SUMAC

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

S t = mx{ 0 , (Yt Q) + S t 1 } t = 1,2,...

Actualmente, la tnica general consiste en puntuar la situacin de un proceso

f0 representa la verosimilitud de la observacin cuando el proceso est en la situa-

El acumulador St se puede calcular en forma recurrente por:

as mismo, se puede modificar la escala dividiendo el logaritmo neperiano de sta

Sea X una variable aleatoria proveniente de una distribucin N(m,2), que se

1.2 SUMAC para el control de la tendencia central

La determinacin de la expresin de los acumuladores del SUMAC, para el

1.2.1.- Acumulador superior

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

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

1.2.2 Acumulador inferior

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

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

1.3 SUMAC para el control de la dispersin

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

Sea g=(n-1)S2/2, luego

Sean, Yt=S2t/20, el estadstico de control, Q=[A2/(A2-1)] Ln A2 el valor de refe-

se considera que la variabilidad se ha degradado, aumentando hasta A220, cuando

1.4 Longitud de Rfaga Media

La eficacia de un grfico SUMAC se evala mediante el nmero de muestras

La distribucin de la LR y sus parmetros miden la potencia de un esquema de

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

Para evaluar la LRM y su distribucin en funcin del desplazamiento, se pue-

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

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

Pepi y Polo (1990a), disearon un control SUMAC conjunto, bilateral de la

1.5 Obtencin de las tablas de LRM

Para una poblacin con distribucin X~N(m,2), el proceso se considera bajo

Fig 1.5 Proceso centrado, situacin real y lmite

el desplazamiento y la amplificacin lmites son DL=(m1-m0 )/0 y AL ; con valores de

si la distribucin real del proceso presenta un desplazamiento reducido D=(m-m0)/0

pueden simular separadamente.

1.6 Anlisis de las LRM en funcin de los distintos parmetros

ste anlisis a travs de las LRM, es equivalente al que se realizara sobre la

n=4 DL=0.5 AL=1.25

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

1.7 Los Grficos de Shewhart

Al presentar un mtodo alternativo (los grficos SUMAC), es necesario compa-

La caracterstica de estos grficos es que, adems de las lneas de interven-

Definen por Y la variable aleatoria nmero de perodos entre muestras hasta e