A5 Fichas Variables

Control de calidad estadstico M.Sc.
Edgar Carpio Vargas
IV. DIAGRAMAS O FICHAS DE CONTROL PARA

VARIABLES
4.1 INTRODUCCIN:
Es imposible fabricar unidades exactamente iguales, debido a causas y factores

mltiples, algunos de ellos son: hombre, maquina, material etc. Tambin se sabe que una
variable, representa muchas caractersticas que se pueden expresar como medidas numricas.
Por ejemplo: medir el dimetro de un cojinete con un micrmetro y expresar en milmetros.
Si las variables suceden de modo aleatorio, la variacin se denomina natural y puede

coincidir con los lmites de tolerancia y son difciles de ser eliminados. Si la variacin
producida est fuera del campo estable que se considera natural, se deduce que actan causas
extraas que se denominan asignables o causas de perturbacin porque se pueden
descubrir y corregir con facilidad.
4.2 SELECCION ENTRE DIAGRAMAS DE CONTROL DE ATRIBUTOS Y DE

VARIABLES
En muchas aplicaciones, el investigador tendr que elegir entre un diagrama de control

de variables como los de y R y uno de control de atributos como el de p, c o u. En algunos
casos, la seleccin estar bien definida, por ejemplo, si la caracterstica de calidad es el color
en la produccin de alfombras o telas, se preferir frecuentemente la inspeccin de atributos.
En otros casos, la seleccin no ser tan evidente, y el analista tendr que tomar en cuenta
varios factores para poder elegir el tipo de diagrama.
Los diagramas de control de atributos tienen la ventaja de que hacen posible
considerar varias caractersticas de calidad al mismo tiempo, y clasificar el artculo como
disconforme si no satisface la especificacin de cualquier caracterstica. Por otra parte, si se
manejan las diversas caractersticas de calidad como variables, entonces habr que medir cada
una de ellas, y utilizar separadamente un diagrama de la media y R para cada una, o bien
alguna tcnica de control multivariado. Adems, mediante la inspeccin por atributos pueden
evitarse mediciones costosas tardadas.
Los diagramas de control de variables proporcionan mucho ms informacin til
respecto al funcionamiento del proceso que los diagramas de atributos. Mediante los
diagramas de control de variables, se obtienen directamente informacin especfica acerca de
la media del proceso y su variabilidad. Asimismo, cuando hay puntos que caen fuera de
control en los diagramas de variables, suele haber mucha ms informacin sobre la causa
potencial del problema. Para un estudio de la capacidad de un proceso, se prefieren casi
siempre los diagramas de control de variables en vez de los de atributos. Las excepciones son
los estudios sobre las disconformidades producidas por mquinas u operadores, en los cuales
hay un nmero muy limitado de fuentes de disconformidad, o bien los estudios relacionados
directamente con el rendimiento y el rechazo del proceso.
Quiz la ventaja ms importante de los diagramas de control de la media y R es que a
menudo proporcionan una indicacin de problemas inminentes, y permiten al personal
operativo tomar acciones correctivas antes de que ocurra la produccin real de artculos
defectuosos. As, dichos diagramas son indicadores anticipados de problemas, mientras que
los diagramas de p (c o u) no reaccionarn a menos que el proceso haya cambiado tanto que
44
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
se produzcan ms artculos disconformes. Para ilustrar esto, considrese el proceso de

produccin de la Figura 4.1.
Figura Nro.4.1. Diagramas de la media y R que pueden indicar problemas inminentes
Cuando el promedio del proceso se encuentra en 1, se producirn pocos artculos

disconformes. Supongamos que la media del proceso empieza a cambiar hacia valores
mayores. Al llegar al valor de 2, las grficas de la media y R habrn reaccionado con
respecto al cambio en la media, generando un fuerte patrn no aleatorio y probablemente
varios puntos fuera de control. Sin embargo, una grafica de p no reaccionar sino hasta que la
media se haya desplazado a 3, o hasta que se haya incrementado el nmero real de artculos
disconformes producidos. As, los diagramas de la media y R son herramientas de control ms
potentes que el diagrama de p.
Para un nivel especifico de proteccin contra cambios en el proceso, los diagramas de
control de variables necesitan un tamao muestral mucho ms pequeo que el diagrama de
control de atributos correspondiente. De esta manera, mientras que la inspeccin del tipo de
variables es normalmente ms costosa y tardada por unidad que la inspeccin por atributos, se
tendrn que inspeccionar menos unidades. Esta es una consideracin muy importante, sobre
todo en casos en los que la inspeccin es destructiva (como abrir una lata para medir el
volumen del contenido o probar las propiedades qumicas del producto).
Ejemplo: Ilustracin de la ventaja econmica de los diagramas de control de variables.
El valor nominal de la media de una caracterstica de calidad es 50, y su desviacin

estndar es 2. El proceso se controla mediante una grfica de la media. Se establecen los
limites de especificacin en 3, de manera que el lmite inferior de especificacin es 44, y
el superior, 56. Cuando el proceso se encuentra bajo control al nivel nominal de 50, la
fraccin de artculos disconformes producidos es 0.0027, suponiendo que la caracterstica de
calidad est distribuida normalmente y que la media del proceso cambia hacia 52. La fraccin
de artculos conformes producidos despus del cambio ser alrededor de 0.0202. Si se quiere
que la probabilidad de detectar este cambio en la primera muestra subsecuente sea 0.50 (por
ejemplo), el tamao muestral para la grfica de la media tendr que ser suficientemente
grande que el lmite superior de control de tres sigmas sea igual a 52. Con n = 9:
3 3(2)
+ = 50 + = 52
9
Si se usa un diagrama de p, podemos encontrar el tamao muestral necesario para

garantizar la misma probabilidad de detectar el cambio.
k
n ( ) 2 p(1 p)

Donde k = 3 y es el ancho de los limites de control, p = 0.0027 es la fraccin disconforme en
un caso bajo control, y = 0.0202 - 0.0027 = 0.0175 es la magnitud del cambio. Por
consiguiente, se obtiene que
45
2
3
=( ) (0.0027)(0.9963) = 79.23
0.0175
o sea n = 80, sera el tamao necesario para el diagrama de p. A menos que el costo de la
inspeccin de mediciones sea nueve veces mayor que el de la inspeccin de atributos, el uso
del diagrama de la media ser menos costoso.
4.3 DIRECTRICES PARA IMPLEMENTAR PROGRAMAS DE DIAGRAMAS DE

CONTROL
Guas generales tiles para implementar diagramas de control de variables y atributos:
1. Elegir el tipo adecuado de diagrama de control.

2. Determinar qu caracterstica del proceso habr que controlar.
3. Definir en qu sitio del proceso habr que incorporar los diagramas.
1. Eleccin del Tipo Adecuado de Diagrama de Control
Diagramas de X y R (o de X y S)
a) Se introduce un nuevo proceso o se fabrica un nuevo producto mediante un

proceso ya existente.
b) El proceso ha estado funcionando durante algn tiempo, pero tiene problemas
crnicos o no puede cumplir con las tolerancias especificadas.
c) El proceso tiene problemas, y el diagrama de control puede ser til para fines de
diagnstico (localizacin de averas)
d) Se necesitan pruebas destructivas (u otros procedimientos de prueba costosas).
e) Es conveniente reducir al mnimo el muestreo para aceptacin u otras pruebas
"corriente abajo cuando el proceso se puede manejar balo control.
f) Se han utilizado graficas de control de atributos, pero el proceso est fuera de
control o bajo control pero con produccin inaceptable.
g) Procesos con especificaciones muy estrechas, tolerancias de montaje traslapadas,
u otros problemas de manufactura difciles.
h) Situaciones en las que el operario debe de decidir si ajusta o no el proceso, o
cuando se tiene que evaluar una configuracin.
i) Se quiere un cambio en las especificaciones del proceso.
j) Se debe demostrar continuamente la estabilidad y capacidad del proceso, por
ejemplo en industrias no reguladas
Diagramas de atributos (de p, c y u).
a) Los operarios controlan las causas atribuibles, y es necesario reducir el rechazo

del proceso.
b) El proceso es una operacin de montaje complicada, y la calidad del producto se
mide en trminos de la ocurrencia de disconformes, del funcionamiento exitoso o
fallido del producto, etc. (algunos ejemplos son computadoras, equipo de
automatizacin de oficinas, automviles, y los subsistemas importantes de estos
productos).
c) Se necesita un control del proceso, pero no se pueden obtener datos de
mediciones.
46
d) Casos en los que se necesita un resumen histrico del funcionamiento del proceso.
Los diagramas de control de atributos, como los de p, c y u, son muy eficaces para
resumir informacin respecto al proceso desde el punto de vista de la
administracin
Graficas de control de artculos individuales. Es necesario considerar las graficas

de control para elementos individuales junto con un diagrama de amplitud mvil en
las situaciones siguientes:
a) Procesos en los que es inconveniente o imposible obtener ms de una medicin
por muestreo, o cuando mediciones repetidas difieren slo por errores de
laboratorio o de anlisis. Esto ocurre a menudo en los procesos qumicos.
b) Procesos en los que la tecnologa de pruebas e inspeccin automatizadas permite
medir de toda unidad producida. En estos casos, considrese tambin el diagrama
de control de la suma acumulativa y el de control de promedios mviles
ponderados exponencialmente.
c) Situaciones en las que los datos se obtienen muy despacio y no sera prctico
esperar una muestra mayor, lo que adems hara el procedimiento de control
demasiado lento para reaccionar los problemas Esto sucede a menudo en
situaciones no industriales, por ejemplo, se dispone de datos sobre la contabilidad
so1o una vez al mes
2. Determinacin de las caractersticas por controlar y del sitio en que habra que
incorporar los Diagramas de Control.
Al inicio de un programa de diagramas de control suele ser difcil determinar

qu productos o caractersticas del proceso habr que controlar, y en qu puntos del
proceso deben aplicarse los diagramas.
a) Al inicio de un programa de diagramas de control, es necesario aplicar estos

medios a cualquier caracterstica del producto u operaciones de manufactura que
se considere importante. Los diagramas proporcionan una retroalimentacin
inmediata en cuanto a si es necesaria realmente o no.
b) Se eliminan los diagramas de control que se encuentren innecesarios, y se aaden
otros que juzguen necesarios los ingenieros y operarios. Normalmente se utilizan
mas diagramas de este tipo al principio que despus de la estabilizacin del
proceso.
c) Se conserva informacin actual con respecto a nmero y tipos de diagramas de
control en el proceso. Es mejor llevar registros separados para los diagramas de
variables y los de atributos. A menudo, despus de la implantacin inicial de los
diagramas de control se encuentra que su nmero tiende a aumentar
constantemente, para despus disminuir casi siempre. Cuando se estabiliza el
proceso, suele observarse que el nmero de diagramas permanece constante de un
ao a otro. Sin embargo, no son necesariamente las mismas graficas.
d) Si los diagramas de control se usan de manera eficaz y se obtiene un nuevo
conocimiento acerca de las variables clave del proceso, se ver que el nmero de
diagramas de la media y R aumenta, y disminuye el nmero de los de control de
atributos.
e) Al inicio de un programa de diagramas de control habr normalmente mas
diagramas de atributos, que se aplican a unidades semiterminadas o terminadas
cerca del final del proceso de fabricacin. Al aprender ms acerca del proceso,
47
dichos diagramas se reemplazarn por los de la media y R, aplicados ms

temprano en el proceso a los parmetros clave y a las operaciones crticas que
producen disconformidades en el producto terminado. En general, cuanto ms
temprano sea posible establecer el control en el proceso, tanto mejor. Lo anterior
puede implicar, en procesos de montaje complejos, que es necesario implementar
controles de proceso al nivel del proveedor o fabricante.
f) Los diagramas de control son un procedimiento de control en lnea de procesos.
Se deben implementar y mantener lo ms cerca posible del centro de trabajo, para
tener una retroalimentacin rpida. Adems, los operadores del proceso y los
ingenieros de produccin deben ser los responsables directos de colectar los datos
del proceso; mantener los diagramas e interpretar los resultados. Los operadores e
ingenieros tienen el conocimiento detallado del proceso que se necesita con el fin
de corregir trastornos en el proceso, y usar el diagrama de control como un
dispositivo para mejorar el funcionamiento. Las microcomputadoras pueden
acelerar la retroalimentacin, y tendran que formar parte de cualquier sistema
moderno de control de procesos en lnea.
4.4 FINES DEL CONTROL DE CALIDAD:
a) Mantener el proceso de fabricacin en estado de control, tiene carcter preventivo, de

modo tal que al ver que el proceso se ha descontrolado, se anticipa a la produccin de
piezas defectuosas.
b) Servir como criterio para la aceptacin de material o salida del mismo. Esto se
consigue por medio de los lmites de tolerancia.
4.5 LIMITES DE CONTROL.
La ficha de control se puede considerar como una prueba o test, para comprobar si el
valor del parmetro sealado , est en la lnea de control y este es el valor verdadero del
parmetro.
Figura Nro.4.2 Lmites de control
4.6 LIMITES DE TOLERANCIA.
Estas lneas delimitan la zona de piezas o caractersticas que cumplen las condiciones
requeridas por la seccin tcnica, o por el comprador, de modo que toda pieza o cualidad que
en la ficha quede sealada fuera de ellas, debe eliminarse.
48
El empleo de fichas de control permite juzgar, de manera objetiva, las posibilidades de

fabricacin de la maquina. Si el procedimiento de la maquina no se derregla
aproximadamente 3 piezas de cada 1000 sern exteriores al intervalo u 3, en el caso de la
variabilidad normal. Se puede admitir que para poder fabricar correctamente debe verificarse
la desigualdad siguiente:
LTS LTI > 6
Se dir entonces que la maquina est adaptada a su trabajo.
Tolerancia Significancia tcnica Conclusiones

LTS - LTI > 6 - Mquina bastante precisa - El control puede ser reducido. Usar
control afinado.
LTS - LTI 5 a 6 - Maquina adaptada a su trabajo - Control estadstico normal o
afinado
LTS LTI < 6 - Imposibilidad de obtener la - Aumento de las tolerancias.
calidad pedida Cambiar o revisar la maquina.
4.7 DIFERENCIAS ENTRE LOS LIMITES DE CONTROL Y DE TOLERANCIA.
LIMITES DE TOLERANCIA LIMITES DE CONTROL

- Vienen impuestos por razones tcnicas - Vienen determinados por las condiciones
(intrnsecas al proceso de fabricacin) por estadsticas inherentes al mismo proceso.
exigencias del comprador. - Se refieren a valores de determinados
- Se refiere siempre a valores de cada uno de estadsticos, media, rango, etc.
los productos. - Se obtienen por la experiencia y son dados
- Se prefijan de antemano debiendo por el proceso de fabricacin.
acomodarse a ellos los de control y la - Toda unidad que rebase los LC u ocupen la
fabricacin. regin significativa, no indica que existen
- Toda unidad que sobrepasa los LT debe causas controlables de perturbacin que es
rechazarse o rectificarse para ser admitida. preciso averiguar y corregir. Se puede
admitir la unidad o el lote siempre que las
unidades no rebasen los LC.
ELECCIN DEL EFECTIVO n, DE LA MUESTRA Y DE LA FRECUENCIA DE

EXTRACCIONES.
A menudo se ve cuadros en los cuales n vara de 20 a 30, lo que conduce a una

variacin del costo de control del orden de 1 a 15. Se aconseja a menudo tomar n = 4 o 5
por efectos operacionales y extracciones de 5 a 10% de la fabricacin.
Variaciones en un proceso industrial
Si se inspecciona a intervalos regulares y dentro de grupos racionales una gran

cantidad de productos, las lecturas permiten construir representaciones grficas.
49
Distribucin de las muestras distribucin de la produccin
Tiempo
Figura Nro.4.3 Proceso en estado de control
Tiempo
Figura Nro.4.4 Proceso fuera de control debido a cambios en la media, sin variar la
dispersin
Tiempo
Figura Nro.4.5 Proceso fuera de control debido a cambios en la dispersin a travs del
tiempo, pero no del promedio.
Tiempo
Figura Nro.4.6. Proceso fuera de control debido a cambios en la dispersin y la media
4.8 VENTAJAS DE LA FICHA X SOBRE LA FICHA X
1. En la ficha de X es preciso conocer su distribucin y de acuerdo a esta, aplicar los lmites

de confianza (LC), mientras que al emplear la ficha X se sabe que sta tiende a una
distribucin normal.
2. En la ficha de X, es ms difcil conocer si las variaciones normales del proceso de
produccin se deben a anormalidades en el promedio o en la desviacin, lo que es muy
sencillo de obtener mediante la ficha de X y de R.
50
3. Las fichas de X son ms sensibles que las de X, es decir el error es mucho menor y su
curva de eficacia (OC) mucho ms selectiva.
Suponiendo que se obtiene una variacin en el promedio de fabricacin de un producto que

sigue la ley normal, igual a 1.5, se ver que prueba de observacin tienen las fichas de X
, R y X.
Figura Nro. 4.7. Fichas de la media
La parte sombreada ser:
3 1.5
1.5 (usando tabla normal ) 0.933193

p(K 1.5) = 1-p(K < 1.5) = 1 0.933193 = 0.06681.
O sea, la probabilidad de que una pieza salga fuera de los lmites de control 3, ser:
6.68%.
Y en el caso de tomar cuatro piezas un lugar de uno, en forma independiente, la

probabilidad de que al menos una salga fuera es: 1- probabilidad de que no salga ninguna
fuera.
La probabilidad de estar en control las cuatro piezas es 4, por consiguiente es la

probabilidad de que el promedio de la muestra no rebase el lmite de control superior
(LCS).
3 1.5
Es decir: 1 p( z ) 0.93319

Por lo tanto, la probabilidad de detectar el descontrol con alguna de las cuatro piezas ser:
1 4 1 (0.93319) 4 0.249
siendo el 24.9% la probabilidad de enterarse del descontrol con alguna de las cuatro
piezas.
4. En la ficha de la X , con muestras de cuatro piezas (n=4) se tendr distinta probabilidad de
detectar el descontrol, ser: 1 1
51
TECNICAS PARA ELABORAR GRAFICAS DE CONTROL.
1. Seleccionar la caracterstica de calidad.

2. Elegir el subgrupo racional
3. Reunir datos
4. Determinar en forma tentativa la lnea central y los limites de control
5. Determinar la lnea central y los limites de control
1. Para determinar los grficos de la media y el rango, se necesita medir caractersticas

cuantitativas o sea expresadas con nmeros. Longitud, masa, tiempo, corriente
elctrica, temperatura, intensidad luminosa, potencia, velocidad, fuerza, energa,
densidad, presin.
2. Los datos que se grafican estn en grupos de elementos llamados sub grupos racionales.
Un subgrupo racional es uno en el que la variacin dentro del mismo solo se debe a
causas fortuitas. Esta variacin se usa para establecer los lmites de control.
Una valiosa ayuda para tener idea de la cantidad de muestreo necesaria es usar la tabla
obtenida de la norma ANSI/ASQZ1.9-1993.
Tamao de lote Tamao de muestra

91 150 10
151 280 15
281 400 20
401 500 25
501 1200 35
1201 3200 50
3201 10000 75
10001 35000 100
35001 150000 150
Ejemplo: si un proceso puede producir 5000 piezas por da, se sugieren 75 inspecciones en
total. Con un tamao de subgrupo de 4, 19 subgrupos serian un buen punto de partida.
Tambin puede usarse la regla de pre control para frecuencia de muestreo. Se basa en la
frecuencia con que se ajusta el proceso.
o Si el proceso se ajusta cada 1 hora, el muestreo se debe hacer cada 10 min.
o Si el proceso se ajusta cada 2 horas, debe muestrearse cada 20 min.
o Si el proceso se ajusta cada 3 horas, el muestreo debe ser cada 30 min.
o As sucesivamente,
3. Usar un registro de datos de tal forma que estos estn ordenados y en subgrupos.
4. Determinar los lmites tentativos de control y la lnea central tambin tentativa, ver si el
diagrama esta fuera de control o no, si es diagrama esta fuera de control pasar al punto
5.
5. Determinar los lmites revisados.
52
CARTAS DE CONTROL DE MEDIAS Y RANGOS

Las cartas de control de la media y R son ampliamente utilizadas para monitorear la media y
la variabilidad de las variables, con objeto de evitar o minimizar que se tengan productos
fuera de especificaciones y estabilizar los procesos.
4.9 DIAGRAMAS DE CONTROL DE LA MEDIA (

) CON PATRON DADO
Cuando se conoce y .
Supongamos que una caracterstica de calidad X cuantitativa est normalmente distribuida

con media y desviacin estndar (ambas conocidas).
Como los datos muestrales vienen agrupados en sub grupos racionales o estratos, podemos
suponer que se dispone de m sub muestras (x11,.......,x1n),....,(xk1,.......,xkn) cada una con ni
observaciones de la caracterstica de calidad X dada (i=1,....m y N = ni).
Por lo general los sub grupos ni sern pequeos, muchas veces igual a 4,5 o 6, que resultan
los subgrupos racionales, y del hecho de que los costos de muestreo e inspeccin asociados a
mediciones de variables, son por lo regular relativamente altos.
Sean X 1 , X 2 ,......., X m las m medias de los sub grupos, el mejor estimador de , es el gran
promedio:

=1

=

Como: [] = [] =

Como se dispone de m sub muestras la desviacin de la media muestral sera: =

Por el teorema del lmite central se cumple que:

(0,1)

Entonces, para un dado, podemos calcular Z/2 tal que:

(2 2 ) = 1

Despejando :

= ( 2 . + 2 . )1

Obtenemos los limites probabilsticos para tamao de muestra constante al nivel para
cada i =1,....,m.

= 2 . = 2 .

Usando el criterio 3.
53
Se acostumbra remplazar Z/2 por 3, que aproximadamente equivale a = 0.002 de manera

que se tiene los lmites de tres sigma y se obtienen los diagramas de Shewart para sub
muestras constantes:

LC 3 A
n
La cantidad = 3/, es una constante que depende de n y se presenta tabulado en la tabla

del apndice VI.
Se ha supuesto aqu que la distribucin de la caracterstica de calidad es normal. Sin

embargo, los resultados son aproximadamente correctos a partir de un determinado tamao n
de la muestra, aunque la distribucin subyacente no sea normal, ya que el teorema del lmite
central asegura que para n > 30 se cumple:

(0,1)

Nota: Tener cuidado cuando se dan valores para y , tal vez no se puedan aplicar
realmente estos valores al proceso, lo que implica que los diagramas de X y R producirn
muchas seales de fuera de control respecto a los estndares especificados. Si el proceso en
realidad est bajo control para otra media y otra desviacin estndar, el analista podr
esforzarse mucho buscando causas atribuibles que no existen. Los valores estndares de
parecen causar ms problemas que los valores estndares de . Para los procesos en los que la
media de la caracterstica de calidad se controla mediante ajustes a la maquina, los valores
estndares u objetivos de son a veces de utilidad para alcanzar metas administrativas con
respecto al rendimiento del proceso.
Tamaos de muestra variable: De,

(2 2 ) = 1 ( 2 . + 2 . )1

Obtenemos los limites probabilsticos al nivel para cada i =1,....,m.

= 2 . = 2

Si las ni difieren en cuanto al tamao de muestra, las lneas de control no seran una lnea
recta.
Usando el criterio 3.

LC 3 A
ni
La cantidad = 3/ , es una constante que depende de n y se presenta tabulado en la tabla
del apndice VI.
54
4.10 DIAGRAMAS DE CONTROL DE R CON PATRON DADO
Cuando se conoce .
Para fijar los lmites de control se necesita un estimador de la desviacin estndar, es posible
usar el mtodo de la amplitud (rango). Sea una caracterstica de calidad X cuantitativa
distribuida normalmente, con media y desviacin tpica , ambas conocidas. De una
muestra de tamao n conformada por X1, X2, X3, ..., Xn, se puede obtener la amplitud de cada
sub grupo: R = Max Min, que sigue una distribucin con [] = y desviacin tpica
[R] = d3.
R d 2
Por el teorema del lmite central, se cumple: i N (0,1)
d 3
Para un dado podemos calcular Z/2 tal que:
R d 2
P Z / 2 i Z / 2 1
d 3
Despejando Ri,
(2 / 2 . 3 2 + / 2 . 3 )1
Obtenemos los limites probabilsticos al nivel para cada i =1,....,m de la forma siguiente:
= 2 / 2 . 3 = (2 / 2 . 3 )
Sean R1, R2, R3, ....... Rm las amplitudes de las m muestras. La amplitud media es:
R1 R2 ....... Rm
R
m
En el caso de n 10, la amplitud pierde rpidamente su eficiencia pues no toma en cuenta la

totalidad de la informacin de la muestra. Sin embargo para valores pequeos se usa a
menudo y es del todo satisfactorio (n = 4,5 o 6)
= 2 / 2 . 3 = (2 / 2 . 3 )
Criterio 3.
3 aproximadamente equivale a = 0.002, de manera que se usan limites de res sigmas y se

obtienen los diagramas de Shewart.
= (2 / 2 . 3 ) = (2 33 )
Haciendo: 1 = 2 33 2 = 2 + 33 , se obtienen los limites de control.
= 2
= 2
= 1
Para D1 y D2 ver tabla VI
55
4.11 DIAGRAMAS DE CONTROL DE LA

Y R SIN PATRON DADO
DIAGRAMA DE CONTROL DE LA MEDIA SIN PATRON DADO
Cuando el estimador de es R .
Sabemos que E[Ri] = d2 y Ri/d2 es un estimador insesgado de para i= 1, ....,m.

E[Ri/d2] = E[Ri]/d2 = (d2/d2 )= , para hallar promediamos los estimadores Ri/d2 para
i=1, ..., m como:
1 m
Ri R
m i 1
S ; S es un estimador insesgado de , ya que
d2 d2
1 m m
m i 1 Ri 1 m R 1 m
R
m
E[ S ] E i 1 E i 1 E i Por el teorema del
d 2 m d 2 m i 1 d 2 m i 1 m

lmite central se cumple:

(0,1)
2

mediante la distribucin normal para un dado.

2 2 = 1
2
( )
se cumple que:

( 2 . + 2 . )= 1
2 2
Obtenemos los limites probabilisticos

.
=

La tabla del apndice VI se dan valores de d2 par diversos tamaos muestrales. Z/2 se
obtiene de la distribucin t para una probabilidad . (o de una normal, segn sea el caso)
Usando el criterio 3 .
Si reemplazamos Z/2 por 3, que aproximadamente equivale a = 0.002, se obtienen los

limites tres sigmas de Shewart.

= 3
2
56
3
Si hacemos = 2 , entonces:
2
= 2
Donde es la lnea central, A2 son valores tabulados para n (tabla VI).
Fichas de control de la media cuando n no es constante
Cuando R es la medida de significacin
Cuando los tamaos de los sub grupos son distintos, es usual tomar la media ponderada por
los tamaos muestrales.

=1

=
=1
Para estimar el valor de la desviacin tpica suelen usarse los siguientes mtodos:
1. Mtodo no ponderado (NOWEIGHT). Estima la desviacin tpica utilizando los m

subgrupos de tamao ni ( i = 1, .....,m) (muestras) mediante,
(S1 / C 4 (ni ) ... S m / C 4 (nm ))

e
m
( )2
=
1
(ni / 2) 2(ni 1)
C 4 ( ni ) ; E ( S i ) C 4 (ni )
((ni 1) / 2)
e resulta ser as un estimador lineal insesgado para . e resulta ser as la media no
ponderada de los estimadores insesgados de Si/C4 de (no olvidemos que E(Si) = C4(ni )
E(Si/ C4ni = ).
2. Mtodo de mnima varianza (MVLUE) basado en las desviaciones tpicas de los

subgrupos: Mediante este mtodo se estima la desviacin tpica utilizando los m
subgrupos de tamao ni (i = l,...,m) (muestras) mediante:
(h1 S1 / C 4 (ni ) ... hm S m / C 4 (n m )) C 42 (ni )

e ; hi
h1 ...... hk 1 C 42 (ni )
e resulta ser as un estimador lineal insesgado de mnima varianza para . Adems e

resulta ser la media ponderada por los hi de los estimadores insesgados Si/C4 de (E(Si ) =
C4(ni) E(Si/C4(ni))= ). Este estimador asigna mayor peso a los subgrupos de mayor
tamao y es til cuando los subgrupos difieren mucho en tamao. Cuando el tamao de los
grupos es constante , este estimador se reduce al estimador del mtodo no ponderado.
3. Mtodo de la media cuadrtica (RMSDF): Mediante este mtodo se estima la

desviacin tpica utilizando los m subgrupos de tamao ni (i = l.....k) (muestras)
mediante:
57
(n1 1) S12 ...... (nm 1) S m2

e
C 4 (n1 ...... nm (m 1)) n1 ... nm k
e resulta ser as un estimador para media cuadrtica ponderada por los grados de
libertad ni-1 en cada Subgrupo. Si es desconocida y constante a travs de todos los
subgrupos, su estimador media cuadrtica e , resulta ser ms eficiente que el estimador
lineal insesgado de mnima varianza.
4. Mtodo de los rangos de los sub grupos; estima la desviacin tpica como la media no
ponderada de m estimadores insesgados de .
1 n1 Ri1 n 2 Ri 2 n k Rik
e ...............
ni d
21 d 22 d 2k

La estimacin de la desviacin estndar tambin puede hacerse por:
1 n1 i1 n 2 i 2 n3 i 3 n k ik
e ......
ni C
21 C 22 C 23 C 2 k

Donde: ik : es la desviacin de la muestra i de nk datos

C2k : valor de c2, correspondiente al caso de nk datos
Par aun n = k tamao muestral se tendr: R k d 2 k e donde k toma los diversos valores
de los tamaos de las muestras.
= 2() 2() = 2()

()
DIAGRAMAS DE CONTROL DE R SIN PATRON DADO
Cuando no se conoce .
Si se dispone de m muestras (x11,.......,x1n),......, (xk1,.......,xkn) tomadas cuando el proceso

est bajo control, cada una con n observaciones de la caracterstica de calidad X dada. Los
recorridos de cada muestra Ri = Max(Xij) - Min(Xij); i = 1,.....,m j = 1,.......,f siguen una
distribucin con media E[R] = d2 y desviacin tpica [R] = d3. Por el teorema del
R d 2
lmite central se cumple: i N (0,1)
d 3i
Por lo que mediante la distribucin normal N(0,1) para un dado podemos calcular Z/2 tal
que:
R d 2
P Z / 2 i Z / 2 1 se cumple que :
d 3i
Ri d 2
Z / 2 Z / 2 d 2 Z / 2 d 3i Ri d 2 Z / 2 d 3i
d 3i
58
(d 2 Z / 2 d 3i ) Ri (d 2 Z / 2 d 3i ) como R / d 2 es un estimador insesgado de ,

podemos escribir.
(d 2 Z / 2 d 3i ) R / d 2 Ri (d 2 Z / 2 d 3i ) R / d 2
Z / 2 d 3i Z d
R R Ri R / 2 3i R
d2 d2
y obtenemos los limites probabilsticos al nivel para cada i =1,....,m de la forma

siguiente:
Z / 2 d 3 Z d
LC R R (1 / 2 3 ) R
d2 d2
Criterio 3 .
Si reemplazamos Z/2 por 3, que aproximadamente equivale a = 0.002, se obtienen los

limites tres sigmas de Shewart.
d3 R 3d
LC R 3 (1 3 ) R
d2 d2
d3 d3
Si hacemos: D3 1 3 y D4 1 3
d2 d2
lineacentral R
LCS D4 R
LCI D3 R
Las constantes D3 y D4 se dan en la tabla VI
Para valores pequeos de n, el rango es un buen estimador de la varianza tal como lo hace
la varianza de la muestra S2. La eficiencia relativa del mtodo del rango a la S2 se muestra
abajo:
n Eficiencia relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para 10 el rango pierde eficiencia rpidamente ya que ignora los valores intermedios
entre Xmax y Xmin sin embargo para valores pequeos de n (4,5 o 6) empleados en las cartas
de control, es adecuado. Para cuando > 10 se utiliza la desviacin estndar en vez del
rango.
59
Fichas de control de R cuando n no es constante
Criterio 3:
LCS D4 ( k ) R ( k )
LCI D3( k ) R ( k )
Mtodo de los rangos de los sub grupos; estima la desviacin tpica como la media no
ponderada de m estimadores insesgados de .
1 n1 Ri1 n 2 Ri 2 n k Rik
e ...............
ni d
21 d 22 d 2k

Directrices para el diseo de un diagrama de control.
Para disear los diagramas X y R, es necesario especificar el tamao muestral, la

amplitud de los lmites de control y la frecuencia de muestreo que se va a utilizar. No es
posible dar una solucin exacta al problema, a menos que se tenga informacin detallada
sobre las caractersticas estadsticas de las pruebas de los diagramas de control y sobre los
factores econmicos que influyen en el problema. Para obtener una solucin es necesario
conocer los costos de muestreo, de investigacin, posiblemente corregir el proceso en
respuesta a las seales de fuera de control y los costos asociados a la elaboracin de un
producto que no satisface las especificaciones. Con esta informacin se podra construir un
modelo de decisin econmica para permitir un diseo econmicamente ptimo del
diagrama de control.
Si se usa la grafica de X para detectar cambios moderadamente grandes en el proceso

del orden de 2 o mayores, entonces, tamaos muestrales relativamente pequeos como n
= 4, 5 o 6 sern eficientes en forma razonable. Por otra parte, si se quiere detectar cambios
pequeos, entonces se necesitan tamaos mayores, probablemente de n = 15 a n = 25.
Cuando se emplean muestras ms pequeas, es menor el riesgo de ocurrencia de un cambio
del proceso durante el muestreo. Si sucede un cambio al tomar sta, la media muestral
podra ocultar dicho efecto. Por consiguiente, ste es un argumento para utilizar un tamao
muestral lo ms pequeo posible, pero congruente con la magnitud del cambio del proceso
que se quiere detectar. Por otro lado, en vez de incrementar el tamao muestral se puede
usar lmites de advertencia y otros procedimientos de sensibilizacin con el fin de mejorar
la capacidad de la grfica de control para detectar pequeos cambios en el proceso.
La grafica de R es relativamente insensible a cambios en la desviacin estndar del

proceso para muestras pequeas. Por ejemplo, muestras de tamao n = 5 tienen solo un
40% de posibilidad aproximada de detectar un cambio en la desviacin estndar de a 2
en la primera muestra. Parecen ms eficaces muestras grandes, pero tambin sabemos que
la eficiencia del mtodo de la amplitud para estimar la desviacin estndar, disminuye en
forma notable al aumentar n. Por tanto, para valores n grandes, digamos n > 10 o 12,
probablemente es mejor utilizar un diagrama de control para S o S2, en vez del diagrama de
R.
60
Desde el punto de vista estadstico, las curvas caractersticas de operacin de los

diagramas de X y R pueden ser tiles para elegir el tamao muestral.
El problema de escoger el tamao muestral y la frecuencia de muestreo es de asignar

o distribuir el esfuerzo del muestreo. Generalmente, la persona que toma la decisin tendr
slo un nmero limitado de recursos que puede asignar al proceso de inspeccin. Las
estrategias disponibles sern tomar a menudo muestras pequeas, o bien muestras grandes,
pero con frecuencia menor. Por ejemplo, la eleccin puede hallarse entre muestras de
tamao cinco cada media hora o de tamao 20 cada 2 horas. Desde el punto de vista
econmico, si el costo asociado a la produccin de artculos defectuosos es alto, ser mejor
usar muestras pequeas con mayor frecuencia que muestras grandes menos frecuentes.
La tasa de produccin influye tambin en la eleccin del tamao de la muestra y en la

frecuencia de muestreo. Si la tasa es alta. (por ejemplo 50,000 unidades por hora) se
necesita un muestreo ms frecuente que para una tasa de produccin extremadamente baja.
Con una tasa de produccin alta se producirn muchas unidades disconformes del producto
en un periodo muy corto cuando ocurra un cambio en el proceso. Adems, con altas de
produccin a veces es posible obtener econmicamente muestras bastante grandes. Por
ejemplo; si se producen 50,000 artculos por hora, la diferencia en tiempo necesario para
obtener una muestra de tamao 20 y una muestra de tamao cinco respectivamente, es
despreciable. Si los costos por unidad de la inspeccin y la prueba no son demasiado altos,
a menudo los procesos de produccin de alta velocidad se controlarn mediante tamaos
muestrales moderadamente grandes.
El uso de lmites de control de 3 para las grficas de control de X y R es una prctica

generalizada. Sin embargo, existen casos en los que puede ser til desviarse de esta
eleccin acostumbrada. Por ejemplo, si es muy costoso investigar falsas alarmas o errores
tipo I (se genera una seal de fuera de control cuando el proceso realmente est bajo
control), entonces podr ser mejor utilizar limites de control ms amplios que 3, tal vez
hasta de 4. Sin embargo, si se puede investigar las seales de fuera de control en el
proceso con rapidez y facilidad, con un mnimo de tiempo perdido y a un costo pequeo,
entonces sern adecuados lmites de control ms estrechos, quiz de 2. Los limites de
advertencia en las grficas de X y R, y procedimientos como las reglas de Western
Electric, tambin pueden servir para mejorar la sensibilidad con respecto a cambios
pequeos en el proceso.
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es muy
importante llevar una bitcora registrando todos los cambios (tiempo y descripcin)
conforme ocurran, por ejemplo: cambio de turno, cambio de materiales, ajuste de mquina,
interrupcin de energa, arranque de mquina, etc. Con objeto de identificar las causas
asignables en caso de presentarse para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los
lmites de control preliminares para determinar si el proceso estuvo en control. Para probar
esta hiptesis, se analizan todos los puntos graficados y se hace un anlisis para identificar
si hay puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control futuro del
proceso.
61
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de

anormalidad presente, se determina la causa especial de la anormalidad, se toman acciones
correctiva para que no vuelva a presentar, se eliminan los puntos correspondientes al
patrn de anormalidad y se re-calculan o revisan los lmites de control. Se analiza la carta
de control para observar un comportamiento aleatorio, si aun no se tiene, se repite el
proceso anterior hasta lograrlo. Una vez teniendo todos los puntos en control, los nuevos
lmites de control ms cerrados que los originales se utilizan para el control futuro del
proceso.
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o
puntos fuera de control, no se eliminan y se consideran para la determinacin de los lmites
de control revisados para el control futuro del proceso.
Ejemplo 01: En una empresa de produccin se da la siguiente informacin.
Operarios
Da 6 de Noviembre 7 de Noviembre
Hora 9 10 11 12 14 15 9 10 11 12 14 15
1 298 304 300 299 305 303 302 304 303 300 304 301
2 301 302 299 303 306 302 302 302 298 302 303 300
3 304 305 301 302 306 300 304 301 301 299 303 302
4 302 303 302 303 302 301 302 303 301 298 299 300
5 303 300 304 302 306 301 300 303 302 301 298 301
Grafique y analice los diagramas de control.
Solucin
Subgrupos
hora X 1 X2 X3 X4 X5 R
06-nov 9 a.m 298 301 304 302 303 301.6 6
10 a m 304 302 305 303 300 302.8 5
11 a m 300 299 301 302 304 301.2 5
12 a m 299 303 302 303 302 301.8 4
1pm 305 306 306 302 306 305.0 4
2pm 303 302 300 301 301 301.4 3
07-nov 9 a.m 302 302 304 302 300 302.0 4
10 a m 304 302 301 303 303 302.6 3
11 a m 303 298 301 301 302 301.0 5
12 a m 300 302 299 298 301 300.0 4
1pm 304 303 303 299 298 301.4 6
2pm 301 300 302 300 301 300.8 2
Total 3621.6 51
FICHA DE LA MEDIA:
3621.6
=
= = 301.8
12
Lnea central = 301.8
62
R
R i

51
4.25
m 12
El valor A2 se obtiene de la tabla VI. (m = 12 grupos con n = 5 sub grupos)
Utilizando las formulas adecuadas.
= + 2 = 301.8 + 0.577(4.25) = 304.25
= 2 = 301.8 0.577(4.25) = 299.35
Figura Nro. 4.8. Carta de control para la media
Existe un punto fuera de control y los 4 ltimos puntos estn por debajo de la lnea central,
esto indicaran tambin problemas de derreglaje. Veamos que sucede con la ficha para el
rango.
FICHA DEL RANGO:
R
R i

51
4.25
m 12 Lnea central 4.25
= 4 = (2.115)(4.25) = 8.99
= 3 = (0)(4.25) = 0
D4 y D3 se obtiene de la tabla VI (m=12 grupos con n=5 sub grupos)
63
Figura Nro 4.9. Carta de control del recorrido.
Comentario: no existe punto fuera de control en la dispersin, tener cuidado con los
puntos sucesivos del 1 al 6. El proceso estara bajo control.
Al ver un punto fuera de control en la media, estableceremos los limites de control

revisados, en este caso solo existe un punto. Se calcula un nuevo valor para la media,
eliminado el valor 305 que corresponde al grupo 5 que esta fuera de los lmites de control,
y no se calcula el nuevo rango debido a que no existe punto fuera de control.
3621.6 305
= = = 301.509
12 1
Con estos nuevos valores estableceremos los lmites estndar, con subgrupos de tamao 5
segn la tabla A=1.342 y 2 = 2.326

0 4.25
= = = 1.827
2 2.326
= + = 301.509 + 1.342(1.827) = 303.96
= = 301.509 1.342(1.827) = 299.06
64
Ejemplo: Uso de formulas para construir limites revisados
Suponga que los lmites calculados para un proceso son:

Sumatoria de promedios: 160.25 de 25 grupos con n = 4.
Sumatoria de R = 2.19
Limites de control para la media:

= 6.47
= 6.35
Limites de control para el rango:
= 0.20
= 0.00
Analizando el rango, el subgrupo 18 est fuera de los lmites de control y tiene una causa
asignable.
Analizando la media, los sub grupos 4 y 20 caen fuera de los lmites de control y tienen
una causa asignable y el sub grupo 16 no.
Calculo de los lmites revisados:
Entonces, se calculara el nuevo valor del gran promedio, basado en desechar los valores
promedio del sub grupo 4 (6.65) y 20 (6.51), y para el rango el subgrupo 18 (0.30).
160.25 6.65 6.51

= = = 6.40
25 2
2.19 0.30
= = = 0.079
25 1
Estos nuevos valores se usan para establecer los valores estndar:
Segn la tabla VI, con n=4, los valores de A=1.500, 2 = 2.059, 1 = 0, 2 = 4.698

0 0.079
= = = 0.038
2 2.059
Limites estandarizados para la media
= + = 6.40 + 1.500(0.038) = 6.46
= = 6.40 1.500(0.038) = 6.34
Limites estandarizados para la R
= 2 = 4.698(0.038) = 0.18
= 1 = 0(0.038) = 0
Ejemplo: Se fabrican anillos de pistn para motor de automvil mediante un proceso de

forjado, se desea controlar ste por medio de diagramas de la media y de R. Se tomaron 25
muestras de tamao 5 cada una cuando se consider que el proceso estaba bajo control.
Los datos aparecen en la siguiente tabla.
65
Tabla Nro. 01 datos sobre anillos de pistn forjados.

X1 X2 X3 X4 X5 Promedio Rango
74.030 74.002 74.019 73.992 74.008 74.0102 0.03800
73.995 73.992 74.001 74.011 74.004 74.0006 0.01900
73.988 74.024 74.021 74.005 74.002 74.0080 0.03600
74.002 73.996 73.993 74.015 74.009 74.0030 0.02200
73.992 74.007 74.015 73.989 74.014 74.0034 0.02600
74.009 73.994 73.997 73.985 73.993 73.9956 0.02400
73.995 74.006 73.994 74.000 74.005 74.0000 0.01200
73.985 74.003 73.993 74.015 73.988 73.9968 0.03000
74.008 73.995 74.009 74.005 74.004 74.0042 0.01400
73.998 74.000 73.990 74.007 73.995 73.9980 0.01700
73.994 73.998 73.994 73.995 73.990 73.9942 0.00800
74.004 74.000 74.007 74.000 73.996 74.0014 0.01100
73.983 74.002 73.998 73.997 74.012 73.9984 0.02900
74.006 73.967 73.994 74.000 73.984 73.9902 0.03900
74.012 74.014 73.998 73.999 74.007 74.0060 0.01600
74.000 73.984 74.005 73.998 73.996 73.9966 0.02100
73.994 74.012 73.986 74.005 74.007 74.0008 0.02600
74.006 74.010 74.018 74.003 74.000 74.0074 0.01800
73.984 74.002 74.003 74.005 73.997 73.9982 0.02100
74.000 74.010 74.013 74.020 74.003 74.0092 0.02000
73.988 74.001 74.009 74.005 73.996 73.9998 0.02100
74.004 73.999 73.990 74.006 74.009 74.0016 0.01900
74.010 73.989 73.990 74.009 74.014 74.0024 0.02500
74.015 74.008 73.993 74.000 74.010 74.0052 0.02200
73.982 73.984 73.995 74.017 74.013 73.9982 0.03500
Total 1850.0294 0.56900
Para muestras de n=5, de la tabla VI del apndice: D3 = 0 y D4 =2.115
FICHA DEL RANGO:

0.569
= = = 0.02276
25
Lnea central
= 4 = (2.115)(0.02276) = 0.0481374
= 3 = (0)(0.023) = 0
66
DIAGRAMA DE CONTROL PARA R

0.054
0.048 UCL=0.04813
0.042
0.036
Sample Range
0.030
_
0.024 R=0.02276
0.018
0.012
0.006
0.000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Grupos
Figura Nro. 4.10 Diagrama de R.
No existe indicio de una condicin fuera de control. Como el diagrama de R indica que la
variabilidad del proceso est bajo control, puede tratarse el diagrama de X .
850.0294
=
= = 74.001176
25
Lnea central
0.569
= = = 0.02276
25
El valor A2 se obtiene de la tabla VI.
= + 2 = 74.001176 + 0.577(0.02276) = 74.0143085
= 2 = 74.001176 0.577(0.02276) = 73.9880435
DIAGRAMA DE CONTROL PARA LA MEDIA
UCL=74.01430
74.013
74.010
74.007
Sample Mean
74.004
_
_
74.001 X=74.00118
73.998
73.995
73.992
73.989
LCL=73.98805
73.986
1 3 5 7 9 11 13 15 17 19 21 23 25
Grupos
Figura Nro. 4.11. Diagrama de X
67
No se observa indicio alguno de una condicin fuera de control cuando se grafican las
medias muestrales preliminares. Por consiguiente, se concluye que el proceso est bajo
control a los niveles establecidos.
Luego de la elaboracin de las grficas de control se obtuvieron quince muestras ms

del proceso de fabricacin de anillos de pistn. La tabla siguiente se muestra los datos.
Muestras adicionales sobre anillos de pistn forjados.

X1 X2 X3 X4 X5 Promedio Rango
74.012 74.015 74.030 73.986 74.000 74.0086 0.04400
73.995 74.010 73.990 74.015 74.001 74.0022 0.02500
73.987 73.999 73.985 74.000 73.990 73.9922 0.01500
74.008 74.010 74.003 73.991 74.006 74.0036 0.01900
74.003 74.000 74.001 73.986 73.997 73.9974 0.01700
73.994 74.003 74.015 74.020 74.004 74.0072 0.02600
74.008 74.002 74.018 73.995 74.005 74.0056 0.02300
74.001 74.004 73.990 73.996 73.998 73.9978 0.01400
74.015 74.000 74.016 74.025 74.000 74.0112 0.02500
74.030 74.005 74.000 74.016 74.012 74.0126 0.03000
74.001 73.990 73.995 74.010 74.024 74.0040 0.03400
74.015 74.020 74.024 74.005 74.019 74.0166 0.01900
74.035 74.010 74.012 74.015 74.026 74.0196 0.02500
74.017 74.013 74.036 74.025 74.026 74.0234 0.02300
74.010 74.005 74.029 74.000 74.020 74.0128 0.02900
TOTAL 1110.1148 0.36800
Los resultados se muestran en el diagrama de control
DIAGRAMA DE CONTROL DE LA MEDIA Y EL RANGO

74.025 1
U C L=74.02180
74.020
74.015
Sample M ean
74.010 _
_
X=74.00765
74.005
74.000
73.995
LC L=73.99350
73.990 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Gr upos
0.056
U C L=0.05188
0.048
Sample Range
0.040
0.032
_
0.024 R=0.02453
0.016
0.008
0.000 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Gr upos
Figura Nro. 4.13. Diagramas de la media y el rango.
68
Cuando se observa el diagrama para R se observa que el proceso est controlado, pero
si se observa el diagrama para la media el promedio muestral para la muestra 14 se
encuentra por arriba del lmite superior de control. Es posible conjeturar que se present
alguna causa en este lapso, aproximadamente a partir del subgrupo 12 en adelante existe
un cambio en la media del proceso y esto haya podido detectarse antes, pero como estamos
en un diagrama de la media esto puede observarse solo cuando se haya concluido de
graficar el diagrama de control. Probablemente se hubiera detectado el cambio para la
muestra 12 si se hubiera usado lmites de advertencia o cualquiera de las otras reglas de
decisin, para sensibilizar e interpretar el diagrama de control.
Cuando se examinan los datos de un diagrama de control, suele ser til elaborar una
grfica de las observaciones individuales en cada muestra. Tal grafica se llama, diagrama
de tolerancia o diagrama de empalme. Esta grafica puede revelar algn patrn de datos, o
mostrar que una o dos observaciones inusitadas en la muestra produjeron un valor
particular de X o R. La figura siguiente muestra una grafica de las observaciones
individuales en las ltimas 15 muestras.
Figura Nro. 4.14 Grafica de las observaciones individuales.
El grafico no indica las observaciones inusitadas que generaron las seales de fuera de
control, sino probablemente provinieron de un cambio en la media en el momento en que
se tomaron las muestras del grupo 12. En la figura 4.14 se grafican los limites de
especificacin de 74.000 0.03 mm, junto con un bosquejo de la distribucin normal que
representa el rendimiento del proceso cuando su media es igual al valor bajo control de
74.001 mm. Tambin aparece en la misma figura un bosquejo de la distribucin normal
que representa el rendimiento del proceso con un nuevo dimetro medio aparente de
74.015mm. Es obvio que se producir un porcentaje mucho mayor de anillos disconformes
para este nuevo dimetro medio. En realidad, alrededor de 6.43% de la salida del proceso
es ahora no conforme. Se tiene que buscar la causa de este cambio en la media. Muchas
veces se necesita la colaboracin de operarios, ingenieros de produccin, administradores y
cuerpo tcnico de ingeniera de calidad para encontrar y eliminar las causas atribuibles.
Limites de control, limites de especificacin y limites de tolerancia natural.- Un hecho

es que no existe relacin entre los limites de control de los diagramas de X y R y los
limites de especificacin del proceso. Los primeros son motivados por la variabilidad
natural del proceso (medida por la desviacin estndar del proceso); esto es, por los limites
de tolerancia natural del proceso. Por otro lado, los lmites de especificacin son
69
determinados externamente. Pueden ser impuestos por la administracin, los ingenieros de

manufactura, el cliente o los desarrolladores/diseadores del producto. Es necesario
conocer la variabilidad inherente del proceso al fijar las especificaciones. La no existencia
de relacin se muestra en la figura siguiente:
Figura Nro. 4.15 Relacin entre lmites de tolerancia natural, lmites de control y lmites
de especificacin
Ejemplo 3.2. Se toman datos de la dimensin crtica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamao n=5, uno cada hora:
X11 X12 X13 X14 X15 Medias Rangos Desv. Est.

138.1 110.8 138.7 137.4 125.4 130.1 27.9 12.1
149.3 142.1 105.0 134.0 92.3 124.5 57.0 24.7
115.9 135.6 124.2 155.0 117.4 129.6 39.1 16.2
118.5 116.5 130.2 122.6 100.2 117.6 30.0 11.1
108.2 123.8 117.1 142.4 150.9 128.5 42.7 17.7
102.8 112.0 135.0 135.0 145.8 126.1 43.0 17.9
120.4 84.3 112.8 118.5 119.3 111.1 36.1 15.2
132.7 151.1 124.0 123.9 105.1 127.4 46.0 16.7
136.4 126.2 154.7 127.1 173.2 143.5 47.0 20.2
135.0 115.4 149.1 138.3 130.4 133.6 33.7 12.3
139.6 127.9 151.1 143.7 110.5 134.6 40.6 15.9
125.3 160.2 130.4 152.4 165.1 146.7 39.8 17.9
145.7 101.8 149.5 113.3 151.8 132.4 50.0 23.2
138.6 139.0 131.9 140.2 141.1 138.2 9.2 3.6
110.1 114.6 165.1 113.8 139.6 128.6 55.0 23.5
145.2 101.0 154.6 120.2 117.3 127.7 53.6 21.8
125.9 135.3 121.5 147.9 105.0 127.1 42.9 16.0
129.7 97.3 130.5 109.0 150.5 123.4 53.2 20.7
123.4 150.0 161.6 148.4 154.2 147.5 38.2 14.4
144.8 138.3 119.6 151.8 142.7 139.4 32.2 12.1
70
Las cartas de control quedan como sigue:

Xbar-R Chart of X11, ..., X15
U C L=154.45
Sample M ean 150
140
_
_
130 X=130.88
120
110
LC L=107.31
1 3 5 7 9 11 13 15 17 19
Sample
U C L=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Fig. 3.7 Cartas de control iniciales
El proceso se observa en control estadstico
Sub grupos racionales.- este concepto es importante, puede ser ms fcil definir un
subgrupo racional en la prctica si se tiene una idea clara de las funciones de los diagramas
de control de X y R. Con el diagrama de control de X se vigila el nivel de calidad
promedio en el proceso. Por tanto, las muestras deben seleccionarse de modo que se
maximicen las oportunidades de que ocurra una diferencia entre promedios muestrales. Por
otro lado, con el diagrama de R se mide la variabilidad dentro de una muestra. Por tanto las
muestras deben elegirse de modo que se maximicen las diferencias dentro de las muestras.
Dicho de otra manera, con el diagrama de X se vigila la variabilidad entre muestras
(variabilidad en el proceso con el tiempo), mientras que con el diagrama de R se mide la
variabilidad dentro de una muestra (variabilidad instantnea del proceso en un momento
dado).
Un aspecto importante es que si se hace uso de con base en un estimador cuadrtico, se
corre el riesgo de que potencialmente se combine la variabilidad entre muestras y la
variabilidad dentro de las muestras.
Ejemplo con diferente tamao de muestra: Con los siguientes datos realice grficos de
control para la media, rango.
X1 X2 X3 X4 X5 Media Rango .
74.030 74.002 74.019 73.992 74.008 74.010 0.038 370.051 5
73.995 73.992 74.001 74.011 74.000 0.019 295.999 4
73.988 74.024 74.021 74.005 74.002 74.008 0.036 370.040 5
74.002 73.996 73.993 74.015 74.009 74.003 0.022 370.015 5
73.992 74.007 74.015 73.989 74.001 0.026 296.003 4
71
74.009 73.994 73.997 73.985 73.996 0.024 295.985 4

73.995 74.006 73.994 74.000 73.999 0.012 295.995 4
73.985 74.003 73.993 74.015 73.988 73.997 0.030 369.984 5
74.008 73.995 74.009 74.005 74.004 74.004 0.014 370.021 5
73.998 74.000 73.990 74.007 73.995 73.998 0.017 369.990 5
73.994 73.998 73.994 73.995 0.004 221.986 3
74.004 74.000 74.007 74.004 0.007 222.011 3
73.983 74.002 73.998 73.994 0.019 221.983 3
74.006 73.967 73.994 74.000 73.984 73.990 0.039 369.951 5
74.012 74.014 73.998 73.999 74.007 74.006 0.016 370.030 5
74.000 73.984 74.005 73.998 73.996 73.997 0.021 369.983 5
73.994 74.012 73.986 74.005 74.007 74.001 0.026 370.004 5
74.006 74.010 74.018 74.003 74.000 74.007 0.018 370.037 5
73.984 74.002 74.003 73.996 0.019 221.989 3
74.000 74.010 74.013 74.008 0.013 222.023 3
73.988 74.001 74.009 73.999 0.021 221.998 3
74.004 73.999 73.990 73.998 0.014 221.993 3
74.010 73.989 73.990 74.009 74.014 74.002 0.025 370.012 5
74.015 74.008 73.993 74.000 74.010 74.005 0.022 370.026 5
73.982 73.984 73.995 74.017 74.013 73.998 0.035 369.991 5
sumas 7918.100 107
Solucin
7918.100
= = = 74.001
107
1 1 1 2 2
= ( + + + )
21 22 2
1 = (0.038 + 0.036 + 0.022 + 0.030 + 0.014 + 0.017 + 0.039 + 0.016 + 0.021 + 0.026
+ 0.018 + 0.025 + 0.022 + 0.035 = 0.359
2 = 0.019 + 0.026 + 0.024 + 0.012 = 0.081
3 = 0.004 + 0.007 + 0.019 + 0.019 + 0.013 + 0.021 + 0.014 = 0.078
1 (0.359) (0.081) (0.078) 1.067

= (5 +4 +3 )= = 0.010
107 2.326 2.059 1.693 107
Los estimadores serian:
1 = 21 = 2.326(0.010) = 0.023 = 5
2 = 22 = 2.059(0.010) = 0.021 = 4
3 = 23 = 1.693(0.010) = 0.017 = 3
Los lmites son:
72
Para n=5
74.014
= 2()
() = 74.001 0.577(0.023) = {
73.988
Para n=4
74.016
= 2()
() = 74.001 0.729(0.021) = {
73.986
Para n=3
74.018
= 2()
() = 74.001 0.577(0.017) = {
73.984
Para el rango, usar:
LCS D4 ( k ) R ( k )
LCI D3( k ) R ( k )
Usando MINITAB
73
Grafica de control de calidad

74,02
UC L=74,01491
Sample Mean 74,01
_
_
74,00 X=74,00093
73,99
LC L=73,98696
73,98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
UC L=0,05124
0,048
Sample Range
0,036
_
0,024 R=0,02423
0,012
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
Diagrama de la media y el rango
Ejemplo 3.3 Los siguientes datos sern procesados con el paquete Minitab:
HORA X1 X2 X3 X4 X5 Medias Rangos

1 -30 50 -20 10 30 8 80
2 0 50 -60 -20 30 0 110
3 -50 10 20 30 20 6 80
4 -10 -10 30 -20 50 8 70
5 20 -40 50 20 10 12 90
6 0 0 40 -40 20 4 80
7 0 0 20 -20 -10 -2 40
8 70 -30 30 -10 0 12 100
9 0 0 20 -20 10 2 40
10 10 20 30 10 50 24 40
11 40 0 20 0 20 16 40
12 30 20 30 10 40 26 30
13 30 -30 0 10 10 4 60
14 30 -10 50 -10 -30 6 80
15 10 -10 50 40 0 18 60
16 0 0 30 -10 0 4 40
17 20 20 30 30 -20 16 50
18 10 -20 50 30 10 16 70
19 50 -10 40 20 0 20 60
20 50 0 0 30 10 18 50
Las cartas de control quedan como sigue:
74
Xbar-R Chart of X1, ..., X5

U C L=47.53
40
Sample M ean
20 _
_
X=10.9
0
-20
LC L=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
U C L=134.3
Sample Range
100
_
R=63.5
50
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Fig. 3.10 Cartas de control iniciales
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un
proceso normal:
Probability Plot of Medias

Normal
99
Mean 10.9
StDev 8.065
95 N 20
AD 0.355
90
P-Value 0.425
80
70
Percent
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
75
Probability Plot of Rangos

Normal
99
Mean 63.5
StDev 22.54
95 N 20
AD 0.478
90
P-Value 0.210
80
70
Percent
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
Fig. 3.11 a y b Prueba de normalidad en medias y rangos de un proceso estable
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso est en
Control Estadstico (en ambos casos el P value es mayor a 0.05).
Ejercicio: Debido a la dificultad en el montaje de un cubo (mamelon) de engranaje cuando

se usa una cua y un cuero (chaveta y chavetero) el equipo del proyecto recomienda usar
una grafica de la media y el rango. La caracterstica de calidad es la profundidad de
chavetero en el eje, de 6.25 mm (0.250 pul). Si se usa un sub grupo racional de 4, se
obtiene 5 subgrupos por da, durante 5 das.
Sub grupo fecha Hora X1 X2 X3 X4 comentario
1 12/26 8.50 35 40 32 37
2 11.30 46 37 36 41
3 1.45 34 40 34 36
4 3.45 69 64 68 59 Operador
5 4.20 38 34 44 40 Nuevo
6 12/27 8.35 42 41 43 34
7 9.00 44 41 41 46
8 9.40 33 41 38 36
9 1.30 48 44 47 45
10 2.50 47 43 36 42
11 12/28 8.30 38 41 39 38
12 1.35 37 37 41 37
13 2.25 40 38 47 35
14 2.35 38 39 45 42
15 3.55 50 42 43 45 Tuvo de
16 12/29 8.25 33 35 29 39 daado
17 9.25 41 40 29 34 Material
76
18 11.00 38 44 28 48 malo
19 2.35 35 41 37 38
20 3.15 56 55 45 48
21 12/30 9.35 38 40 45 37
22 10.20 39 42 35 40
23 11.35 42 39 39 36
24 2.00 43 36 35 38
25 4.25 39 38 43 44
Grafique los diagramas de la media y rango, analice y si es necesario construya limites

revisados.
Capacidad o habilidad del proceso.
Una vez que se tiene un proceso en control estadstico, se puede estimar su capacidad o
habilidad, tomando como referencia la desviacin estndar estimada (). del proceso.
Ejemplo. Tomando.
0.023
= = = 0.0099
2 2.326
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si la

especificacin de los anillos de pistones es de 74.000 0.05 mm, se tienen como lmites
inferior y superior de especificaciones los siguientes:
= 73.950
= 74.050
Los lmites de tolerancia naturales inferior y superior (LTNI y LTNS) se encuentran a 3-
sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
= + 3 = 74.001 + 3(0.0099) = 74.0307

= 3 = 74.001 3(0.0099) = 73.9713
LIE LTNI Media LTNS LSE
Figura. Localizacin de Lmites de especificaciones y lmites naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran dentro de los
lmites de especificacin, por tanto en principio no se observa que haya partes fuera de
especificaciones.
Otra forma de expresar lo anterior es con el ndice de habilidad potencial o ndice de

capacidad del proceso Cp (o PCR)
77
Se pueden presentar tres casos:
Caso 1. Si < 1, implica que los ndices de especificacin estn dentro de los limites de
tolerancia.
Caso 2. Si = 1, implica que los lmites de tolerancia natural y de especificacin
coinciden.
Caso 3. Si > 1, implica que los lmites de tolerancia natural son menores que los
limites de especificacin.
LTNI Media LTNS

LTNI LIE Media LSE LTNS LIE LSE
LIE LTNI Media LTNS LSE
Figura Nro. Caso 1,2 y 3 de Cp
Ejemplo:
74.05 73.95
= = = 1.68
6 6(0.0099)
La fraccin de la banda de las especificaciones utilizada por el proceso se estima como

sigue:
1 1
= 100 = (100) = 59.2%
1.68
Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.
Se puede estimar la fraccin de anillos no conformes producidos, con ayuda de la

distribucin normal: conociendo que la media del proceso es = 74.001, los lmites de
especificacin = 73.950 y = 74.050 y = 0.0099
() = ( < 73.950) + ( > 74.050)

() = ( )+1 ( )

73.950 74.001 74.050 74.001

() = ( ) + [1 ( )]
0.0099 0.0099
() = (5.15) + [1 (4.95)]
() = 0 + (1 0.99998) = 0.00002
Alrededor de 0.002% o 20 partes por milln (ppm) de los anillos producidos estarn fuera
de especificaciones.
78
Ejemplo (continuacin...). Para la carta de control de las medias, despus de haber

eliminado las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el
clculo de habilidad como sigue (considerando que los lmites de especificacin son 85 y
175):
Process Capability of X11, ..., X15
LSL USL
P rocess Data Within
LS L 85 Overall
Target *
USL 175 P otential (Within) C apability
S ample M ean 127.063 Cp 0.77
S ample N 150 C P L 0.72
S tDev (Within) 19.4626 C P U 0.82
S tDev (O v erall) 19.8965 C pk 0.72
O v erall C apability
Pp 0.75
PPL 0.70
PPU 0.80
P pk 0.70
C pm *
60 80 100 120 140 160 180

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 26666.67 P P M < LS L 15338.42 P P M < LS L 17253.10
PPM > USL 6666.67 PPM > USL 6888.71 PPM > USL 7991.57
P P M Total 33333.33 P P M Total 22227.13 P P M Total 25244.67
Figura Nro. Capacidad de proceso.
Ejemplo. Para las cartas X-R se tiene el clculo de la capacidad o habilidad del proceso,
una vez estable (considerando que los lmites de especificacin son -80 y +80):
Process Capability of X1, ..., X5
LSL USL
P rocess Data Within
LS L -80 Overall
Target *
USL 80 P otential (Within) C apability
S ample M ean 10.9 Cp 0.98
S ample N 100 C P L 1.11
S tDev (Within) 27.3001 C P U 0.84
S tDev (O v erall) 25.2301 C pk 0.84
O v erall C apability
Pp 1.06
PPL 1.20
PPU 0.91
P pk 0.91
C pm *
-60 -30 0 30 60
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 434.76 P P M < LS L 157.38
P P M > U S L 0.00 P P M > U S L 5684.82 P P M > U S L 3083.22
P P M Total 0.00 P P M Total 6119.59 P P M Total 3240.59
79
Figura Nro. Capacidad de proceso.
Para el clculo de otros ndices que toman en cuenta la posicin de la media, revisar el
captulo de capacidad del proceso o el procedimiento de cartas X R.
Ejemplo: En 1.988 Motorola alcanz el prestigioso Malcom Baldrige National Quality

Award. Una de las bases fundamentales de su estrategia de calidad era el Programa 6.
El objetivo de este programa fue reducir la variacin de los procesos de manera que el
intervalo de tolerancia fuera igual a 12 (6 a cada lado). De acuerdo con la definicin del
ndice de capacidad de proceso:
12
= =2
6
Suponiendo que se desplazase el proceso 1.5, los coeficientes pasaran a ser:
12
= =2
6
4.5
= = 1.5
3
An estas circunstancias, la cantidad de producto fuera de tolerancia sera tan solo de 3.4
ppm
REVISIN O RE-CLCULO DE LA LNEA CENTRAL Y LMITES DE

CONTROL
Los lmites de control calculados como lmites preliminares, deben ser revisados en forma
peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del
proceso en particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la media del
proceso X se acerque cada vez ms a la media de las especificaciones (en caso de ser
bilaterales) o se aleje lo ms posible de la especificacin (en caso de ser unilateral).
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia,
eliminar esos puntos tanto en la carta X como en la carta R y recalcular los lmites de
control, para usarse en el control futuro del proceso.
LMITES DE CONTROL, DE ESPECIFICACIN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relacin matemtica entre los lmites de
especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por ingenieros de
manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal forma de

minimizar la variabilidad entre muestras individuales, observando slo su variabilidad
aleatoria y maximizando la posibilidad de detectar corridas en la media del proceso en
funcin del tiempo.
80
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al tiempo y la

carta R monitorea la variabilidad interna entre muestras en un tiempo dado.
CAMBIO DE TAMAO DE MUESTRA
Cuando el proceso ya mostr estabilidad durante un periodo largo de tiempo, es posible

reducir el esfuerzo y costo de control a travs de reducir el tamao de muestra.
El efecto de reducir el tamao de muestra hace que se incremente el ancho de los lmites de

control en la carta X (porque es ms pequeo con n=5 que con n=3) y se reduzca la
n
media de R y su lmite superior en la carta R.
4.12 FUNCION CARACTERISTICA DE OPERACIN PARA EL DIAGRAMA DE

X Y R.
La curva caracterstica de operacin (CO) de un diagrama de control de X o R (o de otra

caracterstica cualquiera como S, S2, p, u, np o c), es una representacin grfica de la
probabilidad de aceptar incorrectamente la hiptesis de existencia de un control estadstico
(error tipo II o ) contra la magnitud de cambio que se quiere detectar en la caracterstica
que se grafica, expresado dicho cambio en trminos de la desviacin tpica . La curva
caracterstica de operacin proporciona una medida de la sensibilidad del diagrama de
control, esto es, su capacidad para detectar un cambio dado en la caracterstica graficada en
el diagrama de control respecto al valor nominal de la misma.
Por lo tanto, una forma de contrastar la idoneidad de los diagramas de X y R para detectar
cambios en la calidad del proceso es descrita por las curvas caractersticas de operacin
(CO).
Con objeto de construir la curva caracterstica de operacin para el diagrama de la media,
hay que graficar el riesgo contra la magnitud del cambio en la media que se quiere
detectar, expresado en unidades de desviacin estndar, para varios tamaos muestrales n.
Se pueden evaluar directamente tales probabilidades tal y como se indica en el prrafo
siguiente.
Considrese la curva CO para un diagrama de X , con la desviacin estndar o conocida y
constante. Si la media cambia de un valor bajo control, digamos o, hacia otro valor 1 =
o + K, la probabilidad de no detectar dicho cambio en la primera muestra subsecuente, o
el riesgo , es:
PLCI X LCS / 1 0 k
Como X N(, 2/n), y los lmites superior e inferior de control son

= 0 + 3

= 0 3

Se puede escribir la ecuacin anterior como:
+ (0 + ) (0 + )
= [ ] [ ]

81
3 3
(0 + ) + (0 + ) (0 ) (0 + )

= [ ] [ ]

Donde es la distribucin normal acumulativa estndar (N~(0,1))
= (3 ) (3 )
Ejemplo, supongamos que n = 5, y que se desea determinar la probabilidad de detectar un

cambio hacia 1 = o + 2 en la primera muestra despus del cambio. Entonces, como k =
2 y n = 5, se tiene.
= (3 ) (3 )
= (3 25) (3 25) = (1.47) (7.47)
= 0.070492 0 = 0.07049
Esto es el riesgo , o la probabilidad de no detectar tal cambio. La probabilidad de detectar

dicho cambio en la primera muestra subsecuente es 1- = 1 - 0.0705 = 0.9295.
Con objeto de construir la curva CO para el diagrama X , hay que graficar el riesgo
contra la magnitud del cambio que se quiere detectar, expresado en unidades de desviacin
estndar, para varios tamaos muestrales n en funcin de k.
Si n=5 y el desplazamiento es de +1, se tiene que = 0.75 y la probabilidad de detectar el

corrimiento en la segunda muestra se calcula como (1- ) = 0.19, y as sucesivamente.
Se pueden evaluar directamente tales probabilidades a partir de la ecuacin anterior. Esta

curva CO aparece en la Figura Nro 4.17.
Datos
K n () () n () () n () ()
0.5 1 2.5 -3.5 0.9936 2 2.2929 -3.7071 0.9890 3 2.1340 -3.8660 0.9835
1 1 2 -4 0.9772 2 1.5858 -4.4142 0.9436 3 1.2679 -4.7321 0.8976
1.5 1 1.5 -4.5 0.9332 2 0.8787 -5.1213 0.8102 3 0.4019 -5.5981 0.6561
2 1 1 -5 0.8413 2 0.1716 -5.8284 0.5681 3 -0.4641 -6.4641 0.3213
2.5 1 0.5 -5.5 0.6915 2 -0.5355 -6.5355 0.2961 3 -1.3301 -7.3301 0.0917
3 1 0 -6 0.5000 2 -1.2426 -7.2426 0.1070 3 -2.1962 -8.1962 0.0140
3.5 1 -0.5 -6.5 0.3085 2 -1.9497 -7.9497 0.0256 3 -3.0622 -9.0622 0.0011
4 1 -1 -7 0.1587 2 -2.6569 -8.6569 0.0039 3 -3.9282 -9.9282 0.0000
4.5 1 -1.5 -7.5 0.0668 2 -3.3640 -9.3640 0.0004 3 -4.7942 -10.7942 0.0000
5 1 -2 -8 0.0228 2 -4.0711 -10.0711 0.0000 3 -5.6603 -11.6603 0.0000
K n () () n () () n () ()
0.5 5 1.8820 -4.1180 0.9701 4 2 -4 0.9772 10 1.4189 -4.5811 0.9220
1 5 0.7639 -5.2361 0.7775 4 1 -5 0.8413 10 -0.1623 -6.1623 0.4355
1.5 5 -0.3541 -6.3541 0.3616 4 0 -6 0.5000 10 -1.7434 -7.7434 0.0406
2 5 -1.4721 -7.4721 0.0705 4 -1 -7 0.1587 10 -3.3246 -9.3246 0.0004
2.5 5 -2.5902 -8.5902 0.0048 4 -2 -8 0.0228 10 -4.9057 -10.9057 0.0000
3 5 -3.7082 -9.7082 0.0001 4 -3 -9 0.0013 10 -6.4868 -12.4868 0.0000
82
3.5 5 -4.8262 -10.8262 0.0000 4 -4 -10 0.0000 10 -8.0680 -14.0680 0.0000

4 5 -5.9443 -11.9443 0.0000 4 -5 -11 0.0000 10 -9.6491 -15.6491 0.0000
4.5 5 -7.0623 -13.0623 0.0000 4 -6 -12 0.0000 10 -11.2302 -17.2302 0.0000
5 5 -8.1803 -14.1803 0.0000 4 -7 -13 0.0000 10 -12.8114 -18.8114 0.0000
k n () () n () ()
0.5 15 1.0635 -4.9365 0.8562 20 0.7639 -5.2361 0.7775
1 15 -0.8730 -6.8730 0.1913 20 -1.4721 -7.4721 0.0705
1.5 15 -2.8095 -8.8095 0.0025 20 -3.7082 -9.7082 0.0001
2 15 -4.7460 -10.7460 0.0000 20 -5.9443 -11.9443 0.0000
2.5 15 -6.6825 -12.6825 0.0000 20 -8.1803 -14.1803 0.0000
3 15 -8.6190 -14.6190 0.0000 20 -10.4164 -16.4164 0.0000
3.5 15 -10.5554 -16.5554 0.0000 20 -12.6525 -18.6525 0.0000
4 15 -12.4919 -18.4919 0.0000 20 -14.8885 -20.8885 0.0000
4.5 15 -14.4284 -20.4284 0.0000 20 -17.1246 -23.1246 0.0000
5 15 -16.3649 -22.3649 0.0000 20 -19.3607 -25.3607 0.0000
1.2
0.8
0.6
n=1
0.4
n=2
n=20
n=3
0.2
n=15 n=10 n=4
n=5
0
0 1 2 3 4 5
k
Figura Nro 4.17 Curvas caractersticas de operacin para el diagrama de la media con
lmites de tres sigmas.
Se tiene que = p (no detectar un cambio de k en la media en la primera muestra despus

del cambio)
La Figura, indica que la grfica de X no es especialmente eficaz para detectar un pequeo

cambio, del orden de 1.5 o menor, en la primera muestra que sigue al cambio, para los
tamaos muestrales comunes de 4, 5 y 6.
Por ejemplo, si el cambio es 1 y = 5, se obtendr de la figura que = 0.75
aproximadamente,
La probabilidad de detectar el cambio en la primera muestra es de s1o 1- = 0.25.
83
La probabilidad de lograrlo en la segunda muestra es (1-) = 0.75(0.25) = 0.19.

La probabilidad de conseguirlo en la tercera muestra es 2(1-) = (0.752)0.25 = 0.14
La probabilidad de que se detecte el cambio en la k-esima muestra posterior, es 1- veces
la probabilidad de no descubrirlo en cada una de las k - 1 muestras iniciales, o k-1(1-).
En general, el nmero esperado de subgrupos que hay que analizar antes de detectar el
cambio es:

1
k
k 1
k 1
(1 )
1
Por lo tanto, en este ejemplo se tiene 1/(1 - ) = 1/0.25 = 4 como el nmero esperado de
subgrupos que hay que analizar antes de detectar un cambio de 1 usando n = 5.
Con el fin de construir la curva CO para el diagrama de R, se usa la distribucin de

amplitud relativa W=R/. Supngase que el valor bajo control de la desviacin estndar es
o. Entonces en la curva CO se grafica la probabilidad de no detectar un cambio hacia un
nuevo valor de , por ejemplo 1 > 0, en la primera muestra despus del cambio. En la
figura 4.18 se presenta la curva CO, en la cual se grafica en funcin de = 1/0 (el
cociente de la nueva desviacin estndar del proceso entre la anterior), para diversos
valores de n.
Figura Nro 4.18 Curvas CO para el diagrama de R con lmites tres sigmas
84
LCI R LCS
d2 d2
d2
P( LCI R LCS / 1 o ) P 1 1 1
d3 d3 d3

D1 o D2 o
d 2 o
d2
D d 2 D d 2
. P o
N (0,1) P 1 N (0,1) 2
d3 d3 d3 d3

D d 2 D1 d 2
2
d3 d3
Sabemos que D1, D2, d2 y d3 estn tabulados y dependen de n. Para los distintos valores de
y n calculamos . La curva caracterstica de operacin presenta, para cada n, los valores
de en abscisas y los valores de en ordenadas.
A partir de la construccin de las curvas caractersticas de operacin para diferentes
valores de n, se observa que la grfica de R no es eficaz para descubrir cambios en el
proceso con tamaos muestrales pequeos. Por ejemplo, si la desviacin estndar del
proceso se duplica (es decir, = 1/0 = 2), lo que es un cambio bastante grande, con
muestras de tamao cinco se tiene solamente alrededor de 40% de posibilidades de detectar
este cambio, en cada muestra subsecuente. La mayora de los ingenieros de control de
calidad creen que la grfica de R es insensible a cambios pequeos o moderados para los
tamaos usuales de los subgrupos de n = 4, 5 o 6. Sin embargo, los procedimientos para
sensibilizar examinados anteriormente tambin pueden aplicarse al diagrama de R para
mejorar su utilidad. Si n > 10 o 12, habr que utilizar la grfica de S, en vez del diagrama
de R.
Longitud media de racha (LMR a ARL)
En general, se define la longitud media de racha ARL como el nmero esperado de

subgrupos que hay que analizar antes de detectar el cambio en el parmetro considerado en
el grfico de control (media, rango, desviacin tpica, etc.).
1
ARL
1
Segn esta definicin, para cualquier grfico Shewart, la longitud media de racha es el
reciproco de la probabilidad p de que un punto caiga fuera de los lmites de control, esto
es, se puede escribir:
1
ARL
p
Segn esta definicin, a medida que el cambio en el parmetro aumenta indefinidamente,
la longitud media de racha se acerca a la unidad.
Ejemplo: los pernos para los soportes de piezas se rectifican hasta un dimetro de 12.50
mm, con una tolerancia de 0.05 mm. Si el proceso esta centrado en 12.50 mm () y la
dispersin es 0.02mm () Qu porcentaje del producto debe desperdiciarse?, Cmo se
85
puede cambiar el centro del proceso para eliminar el desperdicio?, Cul sera el porcentaje
de reprocesamiento?.
Solucin:
= + 0.05 = 12.50 + 0.05 = 12.55
= 0.05 = 12.50 0.05 = 12.45
12.45 12.50
= = = 2.50
0.02
En la Tabla normal estandarizada se aprecia que el valor de Z(-2.50) =0.062 0 62% de
desperdicio.
Como el proceso est centrado en las especificaciones, se supone una distribucin

simetrica, el porcentaje de reprocesamiento ser igual al porcentaje de desperdicio, 0.62%.
Cmo se puede cambiar el centro del proceso para eliminar el desperdicio?
Si la cantidad de desperdicio debe ser cero, entonces el area = 0. En la tabla normal

estndar el valor mas cercano es 0.00017, cuyo valor de Z=-3.59.

=

12.45
3.59 = = 12.52
0.02
El centro del proceso deber cambiar a 12.52 para eliminar el desperdicio
Cul sera el porcentaje de reprocesamiento?.

12.55 12.52
= = = 1.50
0.02
De la tabla normal estndar el valor para Z(1.50) =0.9332 = Area3.
= 3
= 1.0000 0.9332 = 0.0668
La cantidad de reprocesamiento es 6.68%.
4.13DIAGRAMAS DE CONTROL DE X y S
Ya conocemos que si se intenta controlar una variable cuantitativa, es una prctica estndar
controlar el valor medio de la caracterstica de calidad y su variabilidad. Si para controlar
la variabilidad o dispersin se usa la desviacin tpica, los diagramas que se utilizan
simultneamente son los de X y S.
Estas cartas de control son recomendadas cuando:

1. El tamao de muestra es moderadamente grande n >10 o 12 (donde el rango pierde
eficiencia por no tomar en cuenta valores intermedios).
2. El tamao de muestra es variable.
Diagrama de control para la desviacin tpica (S) con patrn dado.
86
Si 2 es la variancia desconocida de una distribucin de probabilidad, un estimador no

sesgado de 2 , ser la varianza muestral.
S 2

(X i X )2
n 1
No obstante, la desviacin estndar muestral S no es un estimador insesgado de . Si la
distribucin es normal, entonces S estima a C4, donde c4 es una constante que depende
del tamao muestral n. Adems, la desviacin estndar de S es 1 c 42 . Es posible
utilizar esta informacin con objeto de establecer las grficas de control para X y S.
(n / 2)
1/ 2
2
c4
n 1 (( n 1) / 2)
Como normalmente los datos muestrales vienen agrupados en subgrupos, podemos

suponer que se dispone de m muestras cada una con ni observaciones.
Sean las m desviaciones tpicas de las muestras. Como la poblacin se supone normal,
podemos asegurar que:
S i C 4
N (0,1) ; para un dado:
1 C 42
S C 4
P Z / 2 i Z / 2 1 se cumple que:
1 C 42

C4 Z / 2 1 C42 Si C4 Z / 2 1 C42
Los limites probabilsticos al nivel de son:
LC c4 Z / 2 1 c42 (c4 Z / 2 1 c42 )
Reemplazando u/2 por 3, que equivale a = 0.002. Los lmites de control de tres sigmas
de los diagramas de Shewart son:
LC c 4 3 1 c 42
definiendo
B5 c 4 3 1 c 42
B6 c 4 3 1 c 42
87
LCS B6
linea central c 4
LCI B5
La tabla VI presenta valores para B5 y B6 para distintos tamaos de subgrupos.
Diagrama de control para la media sin patrn dado.
Supongamos que en una caracterstica de calidad X cuantitativa est distribuida

normalmente, con media y desviacin estndar , ambas desconocidas. En la prctica se
necesita estimarlas a partir de m muestras preliminares, tomadas cuando se considera que
el proceso est bajo control. Estas estimaciones suelen basarse en un cantidad mnima de
20 a 25 muestras.
Supongamos que se dispone de m muestras (xll,...,xln),...,(xkl,...xln), cada una con n
observaciones de la caracterstica de calidad X dada. Por lo general n ser pequea,
muchas veces igual a 4, 5 o 6. Sean X 1 , X 2 ,......, X m las m medias de las muestras y S1,
S2,.., Sm las m desviaciones tpicas de las muestras. Entonces, el mejor estimador de , la
media del proceso, es la gran media o media de las medias de las m muestras.

=

Para fijar los lmites de control se necesita tambin un estimador de la desviacin
estndar .
Sabemos que E[Sj] = c4 donde c4 depende de n y est tabulado, y por lo tanto es
conocido. De esta forma resulta que:

=
4
es un estimador insesgado de para i = l,...,k
El promedio de las m desviaciones estndares es:

=

por el teorema del lmite central:
Xi X
N (0,1) mediante la distribucin normal N (0,1) para un dado:
S / C4
n

Xi X
P Z / 2 Z / 2 1 se cumple que:
S / C4

n
88
Xi X S S
Z / 2 Z / 2 X Z / 2 X i X Z / 2
S / C4 C4 n C4 n
n
S
LC X Z / 2
c4 n
linea central X
si se reemplaza Z/2 por 3, que aproximadamente equivale a =0.0027 de manera que se
obtienen los limites 3 sigmas y se obtienen los diagramas de Shewart: con lnea central

=

Los lmites son:

= 3
4
FICHAS CUANDO n NO ES CONSTANTE
En el caso ms general en los que los ni son distintos, es usual tomar el gran promedio
ponderado por los tamaos muestrales ni.

=1

=
=|
1/ 2
2
(ni 1) S i
S m

ni m
i 1
No obstante, los limites de control para la media sin patrn dado, en el caso general de ni
distintos, pueden ponerse de la siguiente forma (similar en el grafico de la media y R)

LC = X k /ni
Para k=3 se tienen los limites de Shewart. Los posibles valores del estimador de se dan
en el epgrafe siguiente.
S
LC X 3 X A3( k ) S ( k )
c4 n
89
Diagrama de control para la desviacin tpica sin patrn dado.
Cuando el estimador de es S

Con los antecedentes anteriores, donde E[Si] = C4, S / C 4 es un estimador insesgado
de para i = 1,....,m. Dan:
LCS c 4 3 1 C 42 (c 4 3 1 C 42 ) B6
LCI c 4 3 1 C 42 (c 4 3 1 C 42 ) B5

al sustituir S / C 4 tendremos:
S S S 3
LC c 4 3 1 c 42 S 3 1 c 42 S (1 1 C 42 )
c4 c4 c4 C4
linea central S
definindose constantes:
3
B3 1 1 C 42
C4
3
B4 1 1 C 42
C4
los parmetros se pueden expresar como:
LCS B 4 S
linea central S
LCI B3 S
Los valores de las constantes se muestran en la tabla VI.
Cuando n no es constante
En el caso ms general en que los ni son distintos se toma como lmite de control para S
los siguientes:
LCS C 4 (ni ) e k e 1 C 42 (ni ) C 4 (ni ) e k e C 5 (ni )

linea...central C 4 (ni ) e
LCI min( C 4 (ni ) e k e 1 C 42 (ni ) ,0) min( C 4 (ni ) e k e C 5 (ni ),0)
si k = 3 tenemos los limites de control de Shewart.
Fichas de
El valor central de estar dada para cada valor de n, es decir:
90
Lnea central = S k C 2 k e
Por lo que la lnea central no ser una lnea recta, y los limites de control se obtendr del
siguiente modo:
Criterio 3 :
LCS B4( k ) S ( k )
LCI B3( k ) S ( k )
1. Mtodo no ponderado (NOWEIGHT). Estima la desviacin tpica utilizando los m

subgrupos de tamao ni ( i = 1, .....,m) (muestras) mediante,
(S1 / C 4 (ni ) ... S m / C 4 (nm ))

e
m
(ni / 2) 2(ni 1)
C 4 ( ni ) ; E ( S i ) C 4 (ni )
((ni 1) / 2)
e resulta ser as un estimador lineal insesgado para . e resulta ser as la media no
ponderada de los estimadores insesgados de Si/C4 de (no olvidemos que E(Si) = C4(ni )
E(Si/ C4ni = ).
2. Mtodo de mnima varianza (MVLUE) basado en las desviaciones tpicas de los

subgrupos: Mediante este mtodo se estima la desviacin tpica utilizando los m
subgrupos de tamao ni (i = l,...,m) (muestras) mediante:
(h S / C (n ) ... hm S m / C 4 (n m )) C 42 (ni )
e 1 1 4 i ; hi
h1 ...... hk 1 C 42 (ni )
e resulta ser as un estimador lineal insesgado de mnima varianza para . Adems e

resulta ser la media ponderada por los hi de los estimadores insesgados Si/C4 de (E(Si ) =
C4(ni) E(Si/C4(ni))= ). Este estimador asigna mayor peso a los subgrupos de mayor
tamao y es til cuando los subgrupos difieren mucho en tamao. Cuando el tamao de los
grupos es constante , este estimador se reduce al estimador del mtodo no ponderado.
3. Mtodo de la media cuadrtica (RMSDF): Mediante este mtodo se estima la desviacin

tpica utilizando los m subgrupos de tamao ni (i = l.....k) (muestras) mediante:
(n1 1) S12 ...... (nm 1) S m2

e
C 4 (n1 ...... nm (m 1)) n1 ... nm k
e resulta ser as un estimador para media cuadrtica ponderada por los grados de
libertad ni-1 en cada Subgrupo. Si es desconocida y constante a travs de todos los
subgrupos, su estimador media cuadrtica e , resulta ser ms eficiente que el estimador
lineal insesgado de mnima varianza.
91
La estimacin de la desviacin estndar tambin puede hacerse por:
1 n1 i1 n 2 i 2 n3 i 3 n k ik
e ......
ni C
21 C 22 C 23 C 2k

Donde: ik : es la desviacin de la muestra i de nk datos

C2k : valor de c2, correspondiente al caso de nk datos
Formulas para calcular lmites de control revisados

0 = =

0 = =

0
=
4
= 0 0
= 6 0
= 5 0
Ejemplo: construir los diagramas de la media y S.
Subgrupos
hora X1 X2 X3 X4 X5 Rango S
06-ago 9 a.m 298 301 304 302 303 301.6 6 2.30217
10 a m 304 302 305 303 300 302.8 5 1.92354
11 a m 300 299 301 302 304 301.2 5 1.92354
12 a m 299 303 302 303 302 301.8 4 1.64317
1pm 305 306 306 302 306 305 4 1.73205
2pm 303 302 300 301 301 301.4 3 1.14018
07-ago 9 a.m 302 302 304 302 300 302 4 1.41421
10 a m 304 302 301 303 303 302.6 3 1.14018
11 a m 303 298 301 301 302 301 5 1.87083
12 a m 300 302 299 298 301 300 4 1.58114
1pm 304 303 303 299 298 301.4 6 2.70185
2pm 301 300 302 300 301 300.8 2 0.83666
Total 3621.6 51 20.2095
FICHAS DE LA MEDIA
Calcular las desviaciones estndar y los promedios para cada sub grupo (S):
92
2 ( )2
=
( 1)

=

Calculando los lmites
3621.6
=
= = 301.8
12
R
R i

51
4.25 S
R

4.25
1.827
m 12 d 2 2.326
Limites de control de la media:

= 3
= 301.8 + 1.427(1.827) = 304.41

= 301.8 1.427(1.827) = 299.19
FICHAS DE S.
Usando el estimador:
R 4.25
S 1.827
d 2 2.326
= 4 = 2.089(1.827) = 3.82
= 3 = 0(1.827) = 0
Usando el estimador:
S
Si 20.2095 1.684
m 12
= 4 = 2.089(1.684) = 3.52
= 3 = 0(1.827) = 0
93
Grfica Xbarra-S de C1, ..., C5

1
304.8
M edia de la muestr a
LC S =304.168
303.6
302.4 _
_
X=301.8
301.2
300.0
LC I=299.432
1 2 3 4 5 6 7 8 9 10 11 12
M uestr a
LC S =3.466
Desv.Est. de la muestr a
2 _
S =1.659
0 LC I=0
1 2 3 4 5 6 7 8 9 10 11 12
M uestr a
a) Fichas de control X : con como medida de significacin.
Ejemplo de cartas de control con diferente tamao de muestra: Consideremos las

siguientes muestras.
Muestras Nro de X i Ri
piezas
en cada
muestra
1 5 21.3 1.2 3.0
2 5 20.2 1.6 3.5
3 3 22.1 2.5 5.0
4 5 21.0 2.1 4.0
5 3 20.0 0.1 1.0
6 4 19.6 3.0 5.5
7 5 18.1 0.1 1.2
8 5 20.2 2.2 4.5
9 4 21.1 0.2 1.5
10 5 22.0 1.5 3.1
n1 i1 n 2 i 2 n3 i 3 1 n k ik
e ......
C
21 C 22 C 23 ni C 2k

X
ni X i 859.1 20.5
ni 44
1 1.2 1.6 2.1 0.1 2.2. 1.5 3 0.2 2.5 0.1 78.5
e 5 4 3 1.78
44 C 21 C 22 C 23 44
94
Los estimadores de S k sern:
S 1 C 21 e 0.84 * 1.78 1.49 para n1 5
S 2 C 22 e 0.79 * 1.78 1.40 para n2 4
S 3 C 23 e 0.72 * 1.78 1.28 para n3 3
Los lmites para la media sern:
Para n1 5
LC X A11 1 20.5 (1.59)(1.49) LCS 22.86
LCI 18.14
Para n2 4
LC X A12 2 20.5 (1.88)(1.40) LCS 23.13
LCI 17.87
Para n3 3
LC X A13 3 20.5 (2.39)(1.28) LCS 23.50
LCI 17.45
grfico Nro. 4.16 Ficha de control de la media, con como medida de significacin.
Limites de control de :
LCI B31 S 1 0
Para n1 5 LCS B S (2.089)(1.49) 3.1
41 1
LCI B32 S 2 0
Para n2 4 LCS B S (2.266)(1.40) 3.17
42 2
LCI B33 S 3 0
Para n3 3 LCS B S (2.568)(1.28) 3.28
43 3
Ejemplo:
Ejemplo diferente tamao de muestra: Con los siguientes datos realice grficos de
control para la media, rango.
X1 X2 X3 X4 X5 Media Rango ni.xi ni

74.030 74.002 74.019 73.992 74.008 74.010 0.038 370.051 5
73.995 73.992 74.001 74.011 74.000 0.019 295.999 4
73.988 74.024 74.021 74.005 74.002 74.008 0.036 370.040 5
95
74.002 73.996 73.993 74.015 74.009 74.003 0.022 370.015 5

73.992 74.007 74.015 73.989 74.001 0.026 296.003 4
74.009 73.994 73.997 73.985 73.996 0.024 295.985 4
73.995 74.006 73.994 74.000 73.999 0.012 295.995 4
73.985 74.003 73.993 74.015 73.988 73.997 0.030 369.984 5
74.008 73.995 74.009 74.005 74.004 74.004 0.014 370.021 5
73.998 74.000 73.990 74.007 73.995 73.998 0.017 369.990 5
73.994 73.998 73.994 73.995 0.004 221.986 3
74.004 74.000 74.007 74.004 0.007 222.011 3
73.983 74.002 73.998 73.994 0.019 221.983 3
74.006 73.967 73.994 74.000 73.984 73.990 0.039 369.951 5
74.012 74.014 73.998 73.999 74.007 74.006 0.016 370.030 5
74.000 73.984 74.005 73.998 73.996 73.997 0.021 369.983 5
73.994 74.012 73.986 74.005 74.007 74.001 0.026 370.004 5
74.006 74.010 74.018 74.003 74.000 74.007 0.018 370.037 5
73.984 74.002 74.003 73.996 0.019 221.989 3
74.000 74.010 74.013 74.008 0.013 222.023 3
73.988 74.001 74.009 73.999 0.021 221.998 3
74.004 73.999 73.990 73.998 0.014 221.993 3
74.010 73.989 73.990 74.009 74.014 74.002 0.025 370.012 5
74.015 74.008 73.993 74.000 74.010 74.005 0.022 370.026 5
73.982 73.984 73.995 74.017 74.013 73.998 0.035 369.991 5
sumas 7918.100 107
Solucin
Xbar-S Chart of C1; ...; C5

74,02
UC L=74,01491
74,01
Sample Mean
_
_
74,00 X=74,00093
73,99
LC L=73,98696
73,98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
0,024
UC L=0,02046
0,018
Sample StDev
0,012 _
S=0,00979
0,006
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
96
Diagrama de la media y la desviacin estandar
Curva caracterstica de operacin para el diagrama de la X y S
La CO es la misma para que para los diagramas de la X y R. Con el fin de construir la CO

para el diagrama de S, se usa la distribucin de S conocida. Suponiendo que el valor bajo
n 1
control de la desviacin estndar es S o o Entonces en la CO se grafica o la
n
probabilidad de no detectar un cambio hacia un nuevo valor de S, por ejemplo
n 1
S1 1 >So, en la primera muestra despus del cambio en funcin de k = S1/So =
n
1/o ( el cociente de la nueva desviacin estndar del proceso entre la anterior) para
diversos valores de n.
B6 C 4 k B5 C 4 k
( ) ( )
k 1 C 2
4 k 1 C 42
siendo la funcin de distribucin de la normal (0,1). Para distintos valores de k y n
calculamos . La curva caracterstica de operacin presenta, para cada n, los valores de k
en abscisas y los valores de en ordenadas
DIAGRAMAS DE CONTROL DE S2
Lo mas frecuentes usar el diagrama de R, o el de S, para controlar la dispersin del

proceso, con preferencia por el diagrama de S para tamaos muestrales moderadamente
grandes. Algunos especialistas recomiendan un diagrama de control basado directamente
en la varianza muestral. Los parmetros para el diagrama de control de S2 se derivan de,
dad una muestra de tamao n, el estadstico (n-1)S2/2 tiene una distribucin chi-cuadrado
con n-1 grados de libertad, en cuyo caso se pueden determinar a y b tales que P(a (n-
1)S2/2 b) = 1- para un nivel dado, donde a = F-1 (/2) y b = F-1 (1- /2), siendo F
la funcin de distribucin de una variable chi-cuadrado con n-1 grados de libertad.
Los patrones para el diagrama de control son:
2
S
LCS X 2 / 2, n 1
n 1
central S
2
linea
2
S
LCS X 12 ( / 2 ), n 1
n 1
Donde X2/,n-1 y X2(1-/2),,n-1 denotan los puntos porcentuales superior e inferior de la

distribucin ji cuadrada con n-1 grados de libertad, y S es una varianza muestral media,
obtenida del anlisis de datos preliminares. Se podra utilizar un valor estndar de 2, si se
tuviera tal valor. Obsrvese que esta grfica de control se define con limites
probabilsticos.
Diagrama de control para S2 con patrn dado.
97
Supngase que tenemos una caracterstica de calidad X cuantitativa distribuida

normalmente, con media y varianza conocidas.
b 2
LCS
n 1
linea .central S
2
a 2
LCI
n 1
Diagrama de control para S2 sin patrn dado.
Supngase que tenemos una caracterstica de calidad X cuantitativa distribuida

normalmente, con media y varianza desconocidas.
2
b S
LCS
n 1
linea .central S
2
2
a S
LCI
n 1
Curva caracterstica de operacin para el diagrama de S2
Con el fin de construir la CO para el diagrama de S2, se usa la distribucin chi-cuadrado.

Suponiendo que el valor bajo control de la desviacin estndar es S12 (n 1) o2 / n
Entonces en la CO se grafica o la probabilidad de no detectar un cambio hacia un nuevo
valor de S2, por ejemplo S12 (n 1) 12 / n > So2, en la primera muestra despus del
cambio en funcin de k = S12/So2 = 12/o2 (el cociente de la nueva varianza del proceso
entre la anterior) para diversos valores de n.
b a
( ) ( )
k k
siendo la funcin de distribucin de una chi-cuadrado con n-1 grados de libertad. No
olvidemos que a = F-1 (/2) y b = F-1 (1- /2) para un nivel dado. Evidentemente a y
b dependen de n va los grados de libertad de la chi-cuadrado.
Ejercicios
1. La empresa Statistical Software, Inc. Ofrece servicio telefnico gratuito para que sus
clientes hablen acerca de problemas relacionados con el uso de sus productos, desde las 7
de la maana hasta las11 de la noche, todos los das. Es imposible que un representante
tcnico conteste inmediatamente a cada llamada, pero es importante que los clientes no
98
esperen demasiado tiempo a que alguien les responda. Ellos se molestan cuando escuchan
muchas veces el siguiente mensaje. su llamada es muy importante para nosotros. El
representante disponible estar con usted en breve. Para entender este proceso, la
compaa decide elaborar un diagrama de control que describa el tiempo total que
transcurre desde que se recibe un telefonema hasta que un representante contesta la
pregunta del cliente. Cierto da tomo una muestra de cinco llamadas por hora durante las
16 horas de operacin (tiempo en minutos transcurridos hasta que la llamada es
contestada).
Hora muestra
1 2 3 4 5
7 a.m. 8 9 15 4 11
8 7 10 7 6 8
9 11 12 10 9 10
10 12 8 6 9 12
11 11 10 6 14 11
12 7 7 10 4 11
1 p.m. 10 7 4 10 10
2 8 11 11 7 7
3 8 11 8 14 12
4 12 9 12 17 11
5 7 7 9 17 13
6 9 9 4 4 11
7 10 12 12 12 12
8 8 11 9 6 8
9 10 13 9 4 9
10 9 11 8 5 11
Analice este problema utilizando diagramas de control media y R, media y S
2. En una fabricacin se desea controlar el peso de unos cartuchos de calibre 55, pero no se
conocen la media ni la dispersin del proceso. Durante varios das en que la produccin se estim
bajo control se obtuvieron 25 muestras de 5 unidades (los valores no son reales)
99
Realizar grficos de control.
MINITAB
GRAFICOS PARA LA MEDIA Y LA DESVIACION ESTANDAR
Una vez ingresado los datos: (como el caso anterior)
100
Xbar -S C har t of C 1; ...; C 5
U C L=74,01444
74,01
Sa mple M e a n
_
_
X=74,00118
74,00
73,99
LC L=73,98791
1 3 5 7 9 11 13 15 17 19 21 23 25
S a m pl e
0,020 U C L=0,01942
0,015
Sa mple St De v
_
0,010 S =0,00929
0,005
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
S a m pl e
Zone Chart of C1; ...; C5
8
+3 StDev=74,01444
4 4
+2 StDev=74,01002
2 2 2 2 2
+1 StDev=74,00560
0 2 2 0 0 0 0 0 _
_
X=74,00118
0 0 2 2 0 0 2 0 0 0
-1 StDev=73,99675
2 2 2 2
-2 StDev=73,99233
4 4
-3 StDev=73,98791
8
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
101
4.6 GRFICAS DE CONTROL PARA UNIDADES INDIVIDUALES
Existen muchos casos en los que el tamao muestral utilizado para el control del proceso
es n=1. Esto ocurre frecuentemente cuando se usa tecnologa de inspeccin y medicin
automatizadas, y se analiza cada unidad fabricada. Tambin sucede cuando la tasa de
produccin es demasiado lenta para permitir en forma conveniente tamaos muestrales n
>l, o cuando mediciones repetidas difieren s1o debido a errores de laboratorio o de
anlisis, como en muchos procesos qumicos. En estos casos, resulta til el diagrama de
control de unidades individuales. En el procedimiento de control se emplea la amplitud
mvil de dos observaciones sucesivas para estimar la variabilidad del proceso. Tambin es
posible establecer una grafica de control para la amplitud mvil de dos observaciones
sucesivas.
Diagrama de control para medias individuales con patrn dado.
Supngase que una caracterstica de calidad X cuantitativa est distribuida normalmente,

con media y desviacin estndar conocidas. Si X1, X2, ...., XN son las medidas
individuales, entonces cada medida individual Xi sigue una distribucin normal de media
y desviacin tpica . Se cumple que:
Xi
N (0,1)

por lo tanto,
X
P u / 2 i u / 2 1

desarrollando de tal forma que Xi quede al medio se tiene los limites probabilsticos al
nivel de son:
LCS = +u/2
Lnea central =
LCI = - u/2
Se acostumbre reemplazar k por 3, que aproximadamente equivale a =0.002, de manera

que se usan los limites 3 sigmas y se obtienen los diagramas de shewart. Con lo quew
queda:
LCS = + 3
Lnea central =
LCI = - 3
Diagrama de control para medias individuales sin patrn dado.
Supngase que una caracterstica de calidad X cuantitativa est distribuida normalmente,

con media y desviacin estndar , ambas desconocidas. Si X1, X2, .... , XN son las
medidas individuales, entonces la media de cada medida individual Xi sigue una
distribucin normal con media y desviacin tpica .
Para cada dos medidas individuales consecutivas consideramos el recorrido mvil (o
rango mvil o amplitud mvil) Ri = Mx(Xi,Xi-1) - Min(Xi,Xi-1); i =2....N. cada Ri sigue
102
una distribucin de media E(Ri) = d2 y desviacin tpica (Ri) = d3. Los valores de d2 y
d3 estn tabulados.
Se puede asegurar que: R = d2
Xi X
N (0,1) por lo tanto,
R / d2
X X
P u / 2 i u / 2 1
R / d2
desarrollando de tal forma que Xi quede al medio se tiene los limites probabilsticos al
nivel de :
R
LCS X u / 2
d2
R
LCI X u / 2
d2
Reemplazando por 3, que aproximadamente equivale a =0.002, de manera que se usan los
lmites 3 sigmas y se obtienen los diagramas de Shewart:
Lnea central X
R
LCS X 3
d2
R
LCI X 3
d2
Ejemplo:
La viscosidad de un producto qumico es una caracterstica de calidad importante. El
producto se elabora por lotes, y debido a que la produccin de cada lote tarda varias horas,
la tasa de produccin es demasiado lenta para permitir tamaos muestrales mayores de
uno. La viscosidad de los 15 lotes anteriores aparece en la Tabla.
Numero viscosidad Amplitud

de lote Movil
1 33.75
2 33.05 0.7
3 34 0.95
4 33.81 0.19
5 33.46 0.35
6 34.02 0.56
7 33.68 0.34
8 33.27 0.41
9 33.49 0.22
10 33.2 0.29
11 33.62 0.42
103
12 33 0.62
13 33.54 0.54
14 33.12 0.42
15 33.84 0.72
prom 33.5233333 0.48071429
Para establecer el diagrama de control de observaciones individuales, obsrvese que 1

media muestral de las 15 mediciones de viscosidad es X 33.52 , y que el promedio de las
amplitudes mviles de dos observaciones es R 0.48 .
A fin de elaborar el diagrama de la amplitud mvil, se nota que:
Para n = 2, la tabla muestra valores para: D3 = 0 y D4 = 3.267
Lnea central 0.48
LCI D3 R 0(0.48) 0
LCS D4 R 3.267(0.48) 1.57
En la Figura se presenta el diagrama de control.
I-MR Chart of Viscocidad

U C L=34.802
34.5
Individual Value
34.0
_
33.5 X=33.523
33.0
32.5
LC L=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
1.6 U C L=1.571
1.2
M oving Range
0.8
__
M R=0.481
0.4
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
Fig. 3.21 Carta de lecturas individuales o rango mvil (I-MR)
Como ningn punto excede el lmite superior de control, se puede establecer ahora el
diagrama de control para las mediciones individuales de la viscosidad.
Diagrama de control de la media de mediciones individuales:
104
R 0.48
LC X 3 33.52 3
d2 1.128
LCS 34.80
LCI 32.24
Utilizando una amplitud mvil n = 2 observaciones, d2 = 1.128.
Debe tenerse cuidado con la interpretacin de los patrones de diagrama de amplitud mvil.
Las amplitudes mviles est correlacionadas, y esta correlacin puede inducir un patrn de
corridas o ciclos en el diagrama. Sin embargo, se supone que las observaciones
individuales en el diagrama de X no estn correlacionadas, y se tiene que investigar con
cuidado en este diagrama cualquier patrn aparente.
Se observa que el diagrama de control por unidades individuales es til cuando la
tecnologa de la medicin automtica permite una inspeccin en lnea de cada unidad al ser
producida. Otros procedimientos estadsticos de control de procesos tiles en este caso son
el diagrama de control de suma acumulativa y los diagramas de control basados en
medidas ponderadas.
Limites de Control Basados en un Nmero Pequeo de Muestras

Cuando se establecen diagramas de control sin contar con estndares, es necesario estimar
los parmetros del proceso (p. e.. x y R) del anlisis de datos anteriores. El mtodo usual es
seleccionar m muestras preliminares cuando se considera controlado el proceso y usarlas
para obtener limites de control de prueba. Si cualquier de ellas resulta fuera de control con
respecto a dichos limites, son descartadas y se obtienen limites de control revisados. Se
sigue este proceso hasta obtener un conjunto aceptable de limites de control. Por lo
general, se prefiere disponer de 20 a 25 muestras preliminares para establecer limites de
control de prueba.
Este requisito de un nmero relativamente grande de muestras preliminares en ocasiones
impide el uso estadsticamente correcto de los diagramas de control durante las fases de
inicio de un proceso, o para procesos con salida demasiado pequea para obtener datos
preliminares adecuados. Puede demostrarse que los limites de control ordinarios, basados
en m muestras preliminares, producen un error tipo I real que es mayor que el valor
nominal de = 0.0027 (para m = 5 muestras, la verdadera probabilidad del error tipo I para
la grafica de la media es = 0.012; para m = 10 muestras, es = 0.0067, y en el caso de m
= 25 muestras, es = 0.0040) Hillier(l969) ha descrito un mtodo de dos etapas para
asignar limites de control a los diagramas de la media y R que producirn resultados
estadsticamente correctos, sin importar el nmero de muestras utilizadas en el
establecimiento de los diagramas. Como estos ltimos proporcionan exactamente los
limites anunciados del error tipo I, se pueden utilizar en cuanto sea necesario despus del
inicio del proceso, sin importar la cantidad de datos preliminares disponibles.
DIAGRAMA DE CONTROL DE LA MEDIANA
En determinadas ocasiones es interesante utilizar la mediana de un conjunto de datos en

vez de la media como medida de centralizacin. La propiedad ms importante de la
mediana como estadstico es su robustes. Se entiende por estadstico robusto relativo a una
muestra o conjunto de datos aquel que no es influenciable por los valores extremos de los
datos. La mediana es ms importante que la media cuando hay valores extremos en el
conjunto de datos.
105
Se supone que k subgrupos, cada uno con ni observaciones (i = 1, .....k) de una

caracterstica de calidad X dada. Si llamamos Mi a la mediana de las observaciones del i-
esimo subgrupo, M a la media ponderada de las medianas definida como
M (n1 M 1 ..... n k M k ) /( n1 .... n k ) , a la mediana de las medianas, eM(n) al error
estndar de la mediana de n variables independientes normalmente distribuidas con
desviacin tpica unitaria, Qp(n) al percentil p de la distribucin de la mediana de n
observaciones independientes provenientes de una distribucin normal con desviacin
tpica unitaria, Zp al percentil p de la normal (0,1) y Dp(n) al percentil p de la distribucin
del rango de n observaciones independientes provenientes de una distribucin normal con
desviacin tpica unitaria, podemos definir los lmites de control de la mediana para patrn
dado de la forma siguiente:
LC k e M (ni ) ; linea central
para el caso k=3 se obtiene los limites de control tres sigma de Shewart.
Para el caso de patrn no dado definimos los lmites de la forma siguiente:

LC k e M (ni ) ; linea central
para k = 3 tenemos los limites de control 3 sigmas de shewart.
Como estimador de podemos utilizar M X o y como estimador de uno de los

especificados anteriormente (media y rango)
Se pueden especificar como limites probabilisticos de control los siguientes:

LC Q1 / 2 (ni ) ; linea central
DIAGRAMA DE CONTROL DE MEDIANAS Y RANGOS
Este es un grfico de control, que a la vez que presenta la evolucin de la medida de la

caracterstica de calidad en estudio, presenta simultneamente la evolucin de la variacin
de esa medida. Por lo tanto en el mismo grfico se presenta el diagrama de control para la
mediana y para el rango. Los limites de control para la median son los especificados
anteriormente y los limites de control sin patrn dado para el grfico de rangos son:

LCS d 2 (ni ) kd3 (ni )
linea central d 2 (ni ) S

LCI max( d 2 (ni ) kd3 (ni ) ,0)
para k=3 tenemos los limites de control 3 sigmas de Shewart. Como limites probabilisticos
tenemos:
106

LCS D1 / 2 ; LCI D / 2
como estimador de puede utilizarse uno de los especificados para los diagramas de R y la
media..
CARTAS DE CONTROL DE X y CONJUNTAMENTE

a) Cuando se conoce y (primera aproximacin)
Los lmites de control sern:
3 3
p , 0.998
n 2n
Puesto que X tiene distribucin normal y tiene una distribucin X2 (ji cuadrado), donde
ambas son independientes:
3 3
LC y LC
n 2n
La regin ABCD de la figura siguiente es la que esta bajo control.
3 3

n n
B C *
A D **
3
*:
2n
3
**:
2n
Fig. 4.21 .En este tipo de fichas conjuntas no se puede considerar el orden de extraccin de
las muestras
b) Cuando no se conoce y (segunda aproximacin.
107
En este caso: X tiene distribucin t con (n-1) grados de libertad y tiene una distribucin
X2. la distribucin conjunta suponemos independientes (aunque no lo sean). Los limite de
control estan dados por la regin ABCD de la figura siguiente.
2 2
nS nS
X 12 X 2
B C *
A
A D **
S
* : X t / 2
n 1
S
* * : X t / 2
n 1
Figura 4.22.
c) tercera aproximacin: sin considerar la independencia de la distribucin conjunta.

Los limites de control estarn dados por la regin ABCD de la figura siguiente. Los puntos
que caen fuera de sta regin se dirn que estn fuera de control.
RELACION ENTRE LOS LIMITES DE CONTROL Y DE TOLERANCIA.
108
Suponiendo que el proceso est en control con promedio invariable y para un n dado, con
un nivel de significancia y limites de tolerancia: LT. De la figura siguiente se puede
observar que:
La distancia AB = Y3, ser la distancia mnima a que debe estar el LCS, del LTS.
Y1
OA Y1 t OA t ........(a )

Y2
OB Y2 t OB t ........(b)
/ n n
res tan do la relacin a) menos b), se tiene
1
AB Y3 OA OB t (1 )
n
si : t 3 usando el criterio 3 , se tiene :
1
AB 3 (1 )
n
R
Si se utiliza el recorrido como medida de significacin bastar reemplazar por
d2
Si la distancia es menor que AB, no se podra cumplir con los riesgos establecidos y por lo
tanto es preciso variar la tolerancia o cambiar el proceso o admitir mayor nmero de
defectos.
Si por el contrario esta diferencia es demasiado grande el proceso resulta antieconmico y
por lo tanto conviene mejorar las tolerancias.
INTERPRETACIN DE LAS FICHAS DE CONTROL.

Si un punto est fuera de los lmites de control significa que existe una causa asignable que
perturba el proceso, lo cual debe descubrirse y eliminar. La probabilidad de que este fuera
de los LC, para el caso de 3, ser de 0.0026.
En la prctica el inspector debe medir ms muestras a fin de verificar si la muestra est

fuera de control por efectos aleatorios o si el proceso a cambiado realmente.
Si en un periodo breve se verifican dos puntos fuera de control, el proceso seala sin duda
su modificacin.
109
Tambin se interpreta fuera de control o que el promedio del proceso ha cambiado si:
- 7 puntos sucesivos caen en el mismo lado de la lnea control, cuya probabilidad es:
p = 2(0.5)7 = 0.0156
- de 11 puntos sucesivos al menos 10 se encuentran en el mismo lado de la lnea central,
cuya probabilidad es:
p = 2[(0.5)11+11(0.5)11] = 0.0117
- de 17 o 20 puntos sucesivos, al menos 14 o 16 se encuentran en el mismo lado de la
lnea central respectivamente, para el primer caso la probabilidad es:
p = 2[(0.5)17+17(0.5)17+(17/2)(0.5)17] = 0.0022
Ejercicios:
1. La tabla siguiente muestra el promedio y el rango de pruebas de tensin (en

kilogramos) para una cuerda de plstico. Si el tamao de subgrupo fue 4.
a) Determine los lmites de control tentativos, si existe puntos fuera de control, suponga
que hay causas asignables y calcule los lmites revisados. Grafique
b) Si el tamao de subgrupo fuera 3. Calcule los lmites de control. Grafique
Nro prom R Nro prom R
1 476 32 14 482 22
2 466 24 15 506 23
3 484 32 16 496 23
4 466 26 17 478 25
5 470 24 18 484 24
6 494 24 19 506 23
7 486 28 20 476 25
8 496 23 21 485 29
9 488 24 22 490 25
10 482 26 23 463 22
11 498 25 24 469 27
12 464 24 25 474 22
13 484 24
2) Utilice loa siguientes datos para

a) Graficar las cartas de control de la media y el rango, si algn punto cae fuera de los
lmites, suponga que hay causas asignables, revise los lmites.
b) Graficar las cartas de control de la media y S, si algn punto cae fuera de los lmites,
suponga que hay causas asignables, revise los lmites.
X1 X2 X3 X4
1 202.016 200.218 200.588 199.930
2 200.390 200.180 198.385 199.120
3 200.080 199.420 200.045 199.985
4 198.584 201.011 200.260 200.097
5 199.413 199.453 200.012 200.720
6 199.701 198.761 200.001 200.118
7 199.380 200.491 200.361 200.057
8 201.435 200.279 199.727 200.513
9 199.440 199.155 199.966 200.129
110
10200.857 201.021 199.526 200.654

11200.445 199.933 200.030 199.044
12200.109 200.900 200.116 201.751
13199.985 200.006 200.659 200.600
14200.580 199.934 199.789 199.699
15199.796 199.759 199.880 200.340
16199.277 200.722 198.398 200.410
17200.612 198.605 199.194 199.998
18 199.899 201.027 199.998 200.806
19 200.310 199.998 200.571 199.250
19 198.692 198.650 200.686 201.191
3) Se construyeron graficas de control de la media y el S para la resistencia de una parte

elctrica. Conociendo que el tamao de subgupo es 6, despus de 25 subgrupos se obtiene
los siguientes resultados.
= 2046.5 = 17.4
Si el proceso est bajo control estadstico Cules son los limites de control y la lnea
central?
4) Al llenar bolsas con fertilizante nitrogenado, se desea mantener un exceso promedio

tan bajo como sea posible. El lmite inferior de especificacin es 22.00 kg. El peso
promedio de la poblacin de saos es 22.73 kg y la desviacin estndar de la poblacin es
0.80 kg. Qu porcentaje de las bolsas contiene menos de 22 kg,?. Si se puede admitir que
5% de las bolsas tengan menos de 2 kg. Cul sera el peso promedio?. Suponga que la
distribucin es normal.
5) Un proceso se fabrica con una especificacin mxima de 305.70 mm y mnima 304.55.
los productos con que se fabrican con menos de la especificacin mnima, se desechan; los
productos que tienen ms de la especificacin mxima, se reprocesan. Suponiendo que los
datos siguen una distribucin normal con = 305.20 y = 0.25 . Qu
porcentaje del producto es desperdiciado?, Qu porcentaje es reprocesado?, Cmo se
puede centrara el proceso para eliminar todo el desperdicio, salvo 0.1%? en ese caso Cul
ser el % de reprocesamiento?.
Capacidad del proceso
1) Determine la capacidad del proceso

2) Se inicia un nuevo proceso, y la suma de las desviaciones estndar muestrales para 25
subgrupos de tamao 4, es 750. Si las especificaciones son 700 80. Cul es el ndice de
capacidad del proceso?, Qu accin recomienda usted?
3) Cul es el ndice de capacidad del proceso del ejercicio..
4) Determine los limites de control tentativos para una grafica de promdio mvil y rango
mvil usando un periodo de 3. Los datos son:
4.56 4.65 4.66 4.34 4.65 4.40 4.50 4.55 4.69 4.29 4.58 4.71 4.61 4.66 4.46 4.70 4.65 4.61
4.54 4.55 4.54 4.54 4.47 4.64 4.72 4.47 4.66 4.51 4.43 4.34 hay puntos fuera de control?
CONTROL DE CALIBRADOR, CON EJEMPLO
111
5) La galga de los platinos es una caracterstica clave para su buen funcionamiento. La tabla
siguiente recoge medidas de 20 muestras de tamao 5. Construir los grficos de control X -
R , X - S y X - S*
0,0061 0,0084 0,0076 0,0076 0,0044

0,0088 0,0083 0,0076 0,0074 0,0059
0,0080 0,0080 0,0094 0,0075 0,0070
0,0067 0,0076 0,0064 0,0071 0,0088
0,0087 0,0084 0,0088 0,0094 0,0086
0,0071 0,0052 0,0072 0,0088 0,0052
0,0078 0,0089 0,0087 0,0065 0,0068
0,0087 0,0094 0,0086 0,0073 0,0071
0,0074 0,0081 0,0086 0,0083 0,0087
0,0081 0,0065 0,0075 0,0089 0,0097
0,0078 0,0098 0,0081 0,0062 0,0084
0,0089 0,0090 0,0079 0,0087 0,0090
0,0087 0,0075 0,0089 0,0076 0,0081
0,0084 0,0083 0,0072 0,0100 0,0069
0,0074 0,0091 0,0083 0,0078 0,0077
0,0069 0,0093 0,0064 0,0060 0,0064
0,0077 0,0089 0,0091 0,0068 0,0094
0,0089 0,0081 0,0073 0,0091 0,0079
0,0081 0,0090 0,0086 0,0087 0,0080
0,0074 0,0084 0,0092 0,0074 0,0103
112
Tabla. Constantes para lmites de control en cartas X-S
N c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.75 0.763 0.448 1.552 0.44 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.6 0.606 0.565 1.435 0.559 1.42
113

A5 Fichas Variables

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

A5 Fichas Variables

Cargado por

Copyright:

Formatos disponibles

Control de calidad estadstico M.Sc.

Edgar Carpio Vargas

IV. DIAGRAMAS O FICHAS DE CONTROL PARA

Es imposible fabricar unidades exactamente iguales, debido a causas y factores

Si las variables suceden de modo aleatorio, la variacin se denomina natural y puede

4.2 SELECCION ENTRE DIAGRAMAS DE CONTROL DE ATRIBUTOS Y DE

En muchas aplicaciones, el investigador tendr que elegir entre un diagrama de control

se produzcan ms artculos disconformes. Para ilustrar esto, considrese el proceso de

Figura Nro.4.1. Diagramas de la media y R que pueden indicar problemas inminentes

Cuando el promedio del proceso se encuentra en 1, se producirn pocos artculos

Ejemplo: Ilustracin de la ventaja econmica de los diagramas de control de variables.

El valor nominal de la media de una caracterstica de calidad es 50, y su desviacin

Si se usa un diagrama de p, podemos encontrar el tamao muestral necesario para

4.3 DIRECTRICES PARA IMPLEMENTAR PROGRAMAS DE DIAGRAMAS DE

Guas generales tiles para implementar diagramas de control de variables y atributos:

1. Elegir el tipo adecuado de diagrama de control.

1. Eleccin del Tipo Adecuado de Diagrama de Control

a) Se introduce un nuevo proceso o se fabrica un nuevo producto mediante un

Diagramas de atributos (de p, c y u).

a) Los operarios controlan las causas atribuibles, y es necesario reducir el rechazo

Graficas de control de artculos individuales. Es necesario considerar las graficas

Al inicio de un programa de diagramas de control suele ser difcil determinar

a) Al inicio de un programa de diagramas de control, es necesario aplicar estos

dichos diagramas se reemplazarn por los de la media y R, aplicados ms

4.4 FINES DEL CONTROL DE CALIDAD:

a) Mantener el proceso de fabricacin en estado de control, tiene carcter preventivo, de

4.5 LIMITES DE CONTROL.

Figura Nro.4.2 Lmites de control

4.6 LIMITES DE TOLERANCIA.

El empleo de fichas de control permite juzgar, de manera objetiva, las posibilidades de

LTS LTI > 6

Se dir entonces que la maquina est adaptada a su trabajo.

Tolerancia Significancia tcnica Conclusiones

4.7 DIFERENCIAS ENTRE LOS LIMITES DE CONTROL Y DE TOLERANCIA.

LIMITES DE TOLERANCIA LIMITES DE CONTROL

ELECCIN DEL EFECTIVO n, DE LA MUESTRA Y DE LA FRECUENCIA DE

A menudo se ve cuadros en los cuales n vara de 20 a 30, lo que conduce a una

Variaciones en un proceso industrial

Si se inspecciona a intervalos regulares y dentro de grupos racionales una gran

Distribucin de las muestras distribucin de la produccin

Figura Nro.4.3 Proceso en estado de control

Figura Nro.4.6. Proceso fuera de control debido a cambios en la dispersin y la media

4.8 VENTAJAS DE LA FICHA X SOBRE LA FICHA X

1. En la ficha de X es preciso conocer su distribucin y de acuerdo a esta, aplicar los lmites

Suponiendo que se obtiene una variacin en el promedio de fabricacin de un producto que

Figura Nro. 4.7. Fichas de la media

La parte sombreada ser:

p(K 1.5) = 1-p(K < 1.5) = 1 0.933193 = 0.06681.

Y en el caso de tomar cuatro piezas un lugar de uno, en forma independiente, la

La probabilidad de estar en control las cuatro piezas es 4, por consiguiente es la

TECNICAS PARA ELABORAR GRAFICAS DE CONTROL.

1. Seleccionar la caracterstica de calidad.

1. Para determinar los grficos de la media y el rango, se necesita medir caractersticas

Tamao de lote Tamao de muestra

CARTAS DE CONTROL DE MEDIAS Y RANGOS

4.9 DIAGRAMAS DE CONTROL DE LA MEDIA (

Supongamos que una caracterstica de calidad X cuantitativa est normalmente distribuida

Entonces, para un dado, podemos calcular Z/2 tal que:

Se acostumbra remplazar Z/2 por 3, que aproximadamente equivale a = 0.002 de manera

La cantidad = 3/, es una constante que depende de n y se presenta tabulado en la tabla

Se ha supuesto aqu que la distribucin de la caracterstica de calidad es normal. Sin

Tamaos de muestra variable: De,

Obtenemos los limites probabilsticos al nivel para cada i =1,....,m.

4.10 DIAGRAMAS DE CONTROL DE R CON PATRON DADO