Curso CEP

HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
CONTROL ESTADÍSTICO
DEL PROCESO
DR. PRIMITIVO REYES AGUILAR
Enero, 2006
Página 1
CONTROL ESTADÍSTICO DEL PROCESO
1. IMPORTANCIA DE LA MEJORA CONTINUA DE LA CALIDAD 4

1.1 Calidad y mejoramiento 4
1.2 Historia del control estadístico del proceso 6
1.3 Métodos estadísticos para la mejora de la calidad 14
1.4 Administración por calidad total 18
2. FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO 21

2.1 Conceptos básicos y distribución normal 21
2.2 Causas comunes y causas especiales 30
2.3 Bases estadísticas de las cartas de control 31
2.4 El resto de las 7 herramientas estadísticas 43
2.4 Implantación del CEP 77
3. CARTAS DE CONTROL POR VARIABLES 78

3.1 Introducción 78
3.2 Cartas de control de medias-rangos 78
3.3 Cartas de control medias-desviación estándar 106
3.4 Cartas de control para lecturas individuales 114
3.5 Selección entre cartas por variables y por atributos 116
3.6 Aplicación de cartas de control por variables 120
4. CARTAS DE CONTROL PARA ATRIBUTOS 122

4.2 Cartas de Control para fracción no conforme - p 123
4.3 Cartas de Control np 134
4.4 Tamaño de muestra variable 135
4.5 Curva característica de operación y ARL 140
4.6 Cartas de Control para No Conformidades – c y u 143
4.7 Cartas de Control para tasas de defectos en ppm 158
Página 2
5. OTRAS CARTAS DE CONTROL ESPECIALES 159

5.1 Cartas de Control para corridas cortas de producción 159
5.2 Cartas de control modificadas y de aceptación 161
5.3 Cartas de Control para desgaste de herramienta o material 166
5.4 Carta de Pre – Control o de Arcoiris 169
5.5 Cartas de Control para procesos de salida múltiple 173
5.6 Cartas de control Cu Sum 173
5.7 Cartas de control EWMA 175
5.8 Carta de control de Media Movil 184
6. ANÁLISIS DE CAPACIDAD DEL PROCESO 175

6.2 Índices de capacidad 181
6.3 Capacidad del proceso con histogramas y papel normal 187
6.4 Capacidad del proceso con cartas de control 193
6.5 Capacidad de procesos con Minitab normales y no normales 196
6.6 Análisis de capacidad con experimentos diseñados 202
6.7 Estudios de capacidad de sistemas de medición 202
7. MUESTREO DE ACEPTACION POR ATRIBUTOS 248

7.1 El problema de la aceptación por muestreo 248
7.2 Muestreo simple por atributos 252
7.3 Muestreo doble, múltiple y secuencial 260
7.4 Tablas de muestreo MIL-STD-105E 270
7.5 Planes de muestreo de Dodge – Romig 274
8. MUESTREO DE ACEPTACIÓN POR VARIABLES 274

8.1 Control de la fracción defectiva 279
8.2 Diseño de un plan de muestreo por variables 282
8.3 Tablas ASQC Z1.9 – 1993 285
Página 3
8.4 Otros procedimientos de muestreo por variables 294
Apéndice 1. Fórmulas de CEP
Página 4
1. IMPORTANCIA DE LA MEJORA CONTINUA

1.1 CALIDAD Y MEJORAMIENTO
Las dimensiones de la calidad según Garvin son:

1. Desempeño (¿sirve el producto para el uso adecuado?)
2. Confiabilidad (¿qué tan frecuentemente falla el producto?)
3. Durabilidad (¿cuál es la vida útil del producto?)
4. Serviciabilidad (¿qué tan fácil se repara el producto?)
5. Estética (¿tiene el producto el estilo, color, forma, empaque y apariencia
adecuada?)
6. Características (¿qué hace el producto más allá de su desempeño básico?)
7. Calidad percibida (¿cuál es la reputación de la empresa o del producto?)
8. Cumplimiento de estándares (¿el producto está hecho de acuerdo a
estándares de diseño original?)
Así la calidad tradicionalmente es adecuación al uso.
Dentro de la adecuación al uso existen la calidad de diseño y la calidad de

conformancia. La de diseño se refiere al diseño original del producto, los
materiales utilizados, especificaciones, y métodos empleados. La calidad de
conformancia se refiere a que tan bien cumple el producto los requerimientos de
las especificaciones de su diseño, que básicamente depende del proceso de
manufactura.
Una definición más moderna es que la calidad es inversamente

proporcional a la variabilidad.
De esta forma se define la mejora de calidad como:

Mejoramiento de la calidad es la reducción de la variabilidad en
Página 5
productos y servicios.
EUA JAPON
LIE Objetivo LSE

Fig. 1.1 Enfoques de conformacia
Como los métodos estadísticos tienen un papel importante en el mejoramiento de

la calidad, son objeto de estudio de la Ingeniería de calidad. Los datos
relacionados con la calidad se clasifican en atributos y en variables. Los de
atributos son discretos, enteros. Los de variables corresponden a mediciones con
valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadísticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o

varias especificaciones.
Un tipo específico de no cumplimiento de especificaciones es llamado

defecto o no conformancia.
Características del producto: Son los elementos que en conjunto describen la

calidad del producto, evaluadas respecto a especificaciones, como son:
1. Físicos: Longitud, peso, voltaje, viscosidad
Página 6
2. Sensoriales: Gusto, apariencia, color

3. Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
La teoría de la administración se desarrolló básicamente en los países
industrializados, en respuesta a los problemas que presentaron las grandes
empresas características del sistema capitalista.1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de división del trabajo
para aumentar la productividad en 1776.2
Smith notó que en una industria de fabricación de alfileres, diez personas, cada una
realizando una tarea específica, podrían producir 48,000 alfileres por día. Propuso que si
cada uno trabajara por separado y en forma independiente, los diez trabajadores tendrían
suerte en hacer 200 (o aún 10) alfileres al día.3
Smith concluyó que la división del trabajo incrementaba la productividad sin

embargo se consideraba al trabajador como extensión de la máquina. Durante la
revolución industrial, “iniciada en el siglo XVIII en Gran Bretaña…la mano de obra era
sustituida por máquinas de una manera acelerada”. 4 Esto, a su vez, abarató la fabricación
de productos en las fábricas. Surge la administración científica con Frederick
Taylor.
Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de

administración, sino que hacía énfasis en los aspectos empíricos. 5 En 1911 publicó
sus “Principios de la Administración Científica” 6 donde describe la administración
científica, y usó este término para definir “la única y mejor manera” de realizar un
1
Simón, Nadima S., Evaluación Organizacional, SICCO, México, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T. Cadell,
London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey, 1987, p.
31.
4
Ibidem, p. 31.
5
Simón, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados Unidos
de América, 1911
Página 7
trabajo. Los estudios realizados antes y después de esta publicación, lo erigieron

como el padre de la administración científica.7 Sus cuatro principios son:
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al método
empírico; 2. Escoger científicamente y luego entrenar, enseñar y desarrollar al
trabajador; 3. Colaborar ampliamente con los trabajadores para asegurar que todo el
trabajo se realice conforme a los principios de la ciencia que se ha ido desarrollando; 4.
Hay una división casi igual del trabajo y la responsabilidad entre la administración y los
trabajadores. La administración se encarga de todo el trabajo para el cual esté mejor
dotada que los trabajadores.8
Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad

única de gerentes y administradores. La mayor desventaja del taylorismo es que
los trabajadores pueden ser descalificados “ como si fueran extensión de las máquinas”,10
como consecuencia, se tiene poca motivación y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar

movimientos manuales y corporales inútiles, también experimentaron en el diseño
y uso de herramientas y equipo adecuado para optimizar el desempeño del
trabajo.11 Encontraron que no es el trabajo monótono la causa de tanta
insatisfacción laboral, sino la falta de interés que muestran los gerentes por los
trabajadores.12
El “Fordismo” de Henry Ford: se implantó en empresas con líneas de productos

durables en Estados Unidos de América, fomentó la modificación de las normas
de consumo y de vida de los trabajadores, considerados como verdaderos
consumidores potenciales, para lo cual era necesario aumentar su poder de
compra y reducir costos de producción, con sistemas de protección social. 13
7
Robbins, Stephen, op cit. p. 33.
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva York,
Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. México, Prentice Hall Hispanoamericana, 1982, p.
304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, “Transformaciones del proceso del trabajo y de la relación salarial en el marco del nuevo
paradigma productivo. Sus repercuciones sobre la acción sindical”, en Sociología del Trabajo, Nueva época,
núm. 18, primavera de 1993, pp. 80-82
Página 8
Con las crisis de los años ochenta, la producción masiva uniforme ya no es

competitiva, surge un nuevo paradigma que hace énfasis en la respuesta flexible
frente a los cambios impredecibles del mercado. 14
Control de calidad por inspección

Durante la primera guerra mundial el sistema de manufactura se volvió más
complejo, involucrando a más trabajadores reportando a un supervisor de
producción, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la producción, desligándose del
auto - control de calidad de los artículos que producían, esto tuvo auge entre los
años 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspección 100% realizada por personas tiene errores, se estableció un
departamento de Servicio para corregir los productos defectuosos en el mercado. 15
Se establecen después planes de muestreo militares, asumiendo que cualquier
proceso producirá defectos, los esfuerzos se enfocan a detectarlos, no a
prevenirlos. Los productos defectuosos, eran reprocesados o desechados,
incrementando los costos de producción entre un 20 a 30% e incrementando el
precio final del producto al menos 20% 16, absorbiendo el cliente las ineficiencias de
la empresa. El departamento de Control de Calidad se convierte en el "policía de
la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa,
está formado por especialistas y técnicos que se encargan principalmente de
detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control

Estadístico del Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Página 9
Control estadístico del proceso (CEP)

CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compañías, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableció métodos de control de calidad más rigurosos
que infundieran confianza en sus instrumentos y electrodomésticos, en 1924 se
formó su departamento de Ingeniería de Inspección, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
Según Duncan “Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control ”17. Por otra parte “H. Dodge y H.
Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig” 18, como una
alternativa a la inspección 100% al producto terminado, sin embargo su adopción
en occidente fue muy lenta, Freeman, sugiere que esto se dio por “la tendencia de los
ingenieros americanos a eliminar la variación, y su desdén por las teorías probabilísticas, así como
a la falta de estadígrafos industriales, adecuadamente entrenados”. 19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

se conoce como “Control Estadístico del Proceso”. De esta forma con objeto de
hacer más eficientes a las organizaciones de inspección, “ se proporciona a los
inspectores con unas cuantas herramientas estadísticas, tales como cartas de control y tablas de
muestreo”20. Se reduce el nivel de variación del proceso hasta los límites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medición
formales desde los proveedores hasta el producto final y el proceso se
"estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada
por los círculos de control de calidad para la identificación de problemas.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., “Statistical Methods for Quality Control”, MechanicalEngineering, April 1937, p. 261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Página 10
En 1931, W.A. Shewhart publica su libro “Economic Quality Control of Quality of

Manufactured Product”, donde describe las cartas para el control estadístico del
proceso. En medio de los años 30’s los métodos de control estadístico de calidad
se empezaron a aplicar en la Western Electric, brazo de manufactura de los
laboratorios Bell, sin embargo no fueron reconocidos estos métodos ampliamente.
Durante la II guerra mundial se expandió el uso de los métodos estadísticos de

control de procesos en la industria de la manufactura, la American Society for
Quality Control se formó en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japón a dar seminarios sobre control estadístico de calidad a
sus industriales, extendiendo el uso de éstos métodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadístico del proceso. En occidente
es hasta la década de los ochenta cuando se voltea hacia los métodos
estadísticos ya muy comunes en Japón dado el éxito industrial de este país.
En los años recientes, empresas de alta tecnología como Motorola, General

Electric, Xerox, AT&T, etc., desarrollan e implantan una metodología de calidad
total denominada Calidad 6 sigma con el objetivo de reducir los errores y defectos
a un máximo de 3.4 partes por millón (ppm), donde una de las herramientas clave
es el control estadístico del proceso, que permite obtener ahorros de costos muy
importantes.
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos
estadísticos en el Japón, incluyendo conferencias dirigidas a los líderes
industriales, en esta época Kaoru Ishikawa experto japonés en control de calidad
inició sus estudios sobre conceptos de control de calidad, describe su propia
motivación como sigue:
Yo desarrollé un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estándares... Sin embargo, me sorprendí
un poco que en EUA, donde efectué una visita de estudio, sus métodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos
Página 11
a situaciones en Japón, de tal forma que los productos japoneses mejoraran su

calidad21
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Juran y otros eruditos a Japón para que les enseñasen el control estadístico del
proceso. Sin embargo la implantación de estas técnicas fue posible después de su
modificación y adaptación a las empresas japonesas, incluyendo la creación de
varias herramientas útiles como refinamiento del control estadístico de calidad,
tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos
de control de calidad y la aplicación de técnicas estadísticas avanzadas.
Entre las 7 herramientas estadísticas se encuentran: Diagrama de Ishikawa,

Diagrama de Pareto, Hoja de verificación, Diagrama de dispersión, Estratificación,
Histogramas y Cartas de control.
Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón,
“todas las industrias japonesas confían en los métodos estadísticos avanzados para el diseño de
productos”,22 esto también ha permitido que los supervisores de las fábricas
japonesas utilicen estadística de alto nivel para analizar problemas. Por ejemplo
para el caso del diseño de experimentos se tiene: “ el diseño estadístico de experimentos
es el arreglo, bajo el cual se efectúa un programa experimental, incluye la selección de los niveles
óptimos de los factores que tienen influencia en la calidad del producto “ 23, ayuda a optimizar el
tiempo y los elementos de diseño, determinando los materiales más baratos de tal
forma que el producto cumpla las especificaciones, y todavía se asegure que el
producto se desempeñará en forma satisfactoria bajo condiciones variables.
Con la aplicación del Control Estadístico del Proceso, el trabajador tiene de nuevo
la oportunidad de controlar la calidad de su trabajo, no a través de inspección
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12, 1967, pp.
115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Página 12
100%, sino a través de técnicas de muestreo y de cartas de control, como método

preventivo de defectos, lo que permite su autocontrol para reducir la variabilidad
del proceso de producción, se complementa con las siete herramientas
estadísticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
Desarrollo del Control Estadístico del Proceso

W. A. Shewhart demostró que cuando se extraen muestras de tamaño 4 – 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribución normal.24
* * * *
** **
*** **
*** **
Distribución de promedios
Universo de las muestras
Fig. 1.2 Experimentos de Shewhart para las cartas de control
Encontró que las medias de las muestras correspondían a las medias de la

población y que la desviación estándar de las medias de las muestras se
relacionaban con la desviación estándar de la población, como sigue:

 __  (1.1)
X n
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co.,
1931, p. 182
Página 13
Donde n es el tamaño de la muestra y  es la desviación estándar de la población.
Normalmente para conocer el estado de un proceso en determinado momento, es

necesario obtener un histograma de la característica de interés, tomando al menos
30 piezas. Se calcula la media y la desviación estándar de la muestra y se trata de
inferir sobre las características del proceso. Haciendo esto periódicamente se
pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
a) Proceso fuera de control b)Proceso en control

en media y variabilidad en media y esv. est.
Fig. 1.3 Comportamiento de procesos en control y fuera de

control25
Llevando un control de proceso a través de histogramas no sería práctico y

aprovechando sus hallazgos del comportamiento de las medias Shewhart sugirió
llevar un control del proceso tomando muestras no de 50 piezas, sino de sólo 5
consecutivas, monitoreando el comportamiento del proceso a través de las cartas
de control de Shewhart, la media del proceso con las medias de las muestras y la
variabilidad con su rango. Tomado límites de control establecidos a  3 de
medias o rangos.
1.3 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Página 14
Se utilizan tres métodos estadísticos principales: las cartas de control, el diseño de

experimentos y el muestreo estadístico, además de las herramientas estadística
para la solución de problemas en planta por grupos de trabajo o Círculos de
calidad.
CARTAS DE CONTROL
LSC
LC
LIC
LSC = Límite superior de control

LC = Línea central
LIC = Límite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus límites de

control
La carta de control es una técnica muy útil para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los límites de control, es señal de que se debe tomar acción para remover esa
fuente de variabilidad anormal. Su uso sistemático proporciona un excelente
medio para reducir la variabilidad.
Página 15
DISEÑO DE EXPERIMENTOS
Un experimento diseñado es muy útil para descubrir las variables clave que tienen
influencia en las características de calidad de interés del proceso. Es un método
para variar en forma sistemática los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parámetros finales del producto.
Permite reducir la variabilidad en la característica de calidad y en determinar los
niveles más adecuados de los factores controlables que optimizen el desempeño
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

PROCESO
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.5 Proceso de producción, entradas y salidas
El principal método para diseñar experimentos es el diseño factorial, en el cual los

factores son variados de tal forma de probar todas las posibles combinaciones de
los niveles de los factores.
El diseño de experimentos es una herramienta fuera de línea es decir se utiliza

durante el desarrollo de los productos o procesos, más que durante su fabricación.
Página 16
Una vez que se han identificado las variables que afectan el desempeño del
proceso, normalmente es necesario modelar la relación entre estas variables y la
característica de calidad de interés. Para lo cual se puede utilizar el análisis de
regresión.
El monitoreo en el proceso de las variables relevantes que afectan las

características de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIÓN
Está relacionado con la inspección y prueba del producto, donde se selecciona e

inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptación
o rechazo de ese lote mayor, esto ocurre en la recepción de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
- El costo de evaluación es menor que con la inspección al 100%

- Se puede aplicar más fácilmente cuando se trata de realizar pruebas
destructivas.
- Se puede aplicar presión sobre la calidad de los lotes de proveedores ya que
con una pequeña muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:

- Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
- Si los lotes no son uniformes, el muestreo no es una técnica confiable.
- No se garantiza que los lotes aceptados estén libres de defectivos.
A continuación se muestran diferentes esquemas de la aplicación del método.
Página 17
a) INSPECCIÓN EN LINEA ENVIO
PROCESO INSPECCION CLIENTE
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
c) INSPECCION RECTIFICADORA ACEPTAR ENVIO
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRA
BAJO
DISPOSICIÓN DE LOTES
Fig. 1.6 Variaciones del muestreo de aceptación
El muestreo de aceptación tiende a reforzar el apego o conformancia a

especificaciones pero no tiene un efecto de retroalimentación en el proceso de
producción o diseño que mejoren la calidad.
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la
evolución siguiente:
Fig. 1.7 Evolución de la aplicación de métodos estadísticos
Página 18
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
EXPERIMENTOS
0%
Tiempo
1.4 ADMINISTRACIÓN POR CALIDAD TOTAL
Para que sean efectivas las herramientas estadísticas, su aplicación debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en EUA,
Company Wide Quality Control en Japón, Seis Sigma de Motorola, Modelo de
Dirección por Calidad de México (PNC), Malcolm Baldrige de EUA, QS 9000, VDA
6.1 VW, ISO 9000:2000, etc.), donde la alta dirección lleve el liderazgo por la
calidad, no funcionarán como elementos aislados.
La filosofía de Deming y Juran implica que la responsabilidad por la calidad se

expande a toda la organización, sin embargo para no caer en el error de que “la
responsabilidad de todos es la de nadie”, la calidad debe planearse.
Deming impulso el uso del CEP y los métodos estadísticos en Japón para la
reducción de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la dirección.
COSTOS DE CALIDAD
Son costos asociados con producir, identificar, evitar o reparar productos que no
cumplan especificaciones. Normalmente se clasifican en cuatro categorías:
Página 19
Prevención, Apreciación, Falla interna y Falla externa, algunos de los elementos

que incluyen son los siguientes:
Costos de prevención Costos de falla interna

Planeación e Ingeniería de calidad Scrap o desperdicio
Revisión de nuevos productos Retrabajos
Diseño de productos y procesos Re-inspección
Control de proceso Análisis de falla
Entrenamiento Ineficiencias
Colección y análisis de datos de calidad Descuentos
Costos de apreciación Costos de falla externa

Inspección y prueba en recibo Atención de quejas
Inspección y prueba de productos Producto regresado
Materiales usados en pruebas Cargos por garantía
Mantenimiento de equipo de prueba Costos legales
Costos de prevención
Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a
la prevención de defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciación
Son los costos asociados con la medición, evaluación, o auditoría a productos,
componentes y materiales comprados para asegurar su conformancia a los
estándares establecidos.
Costos de falla interna

Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Página 20
Costos de falla externa

Son los costos incurridos cuando el desempeño del producto no es el adecuado
una vez que lo utiliza el cliente.
Página 21
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO

DEL PROCESO (CEP)
2.1 CONCEPTOS BÁSICOS
CONCEPTO DE VARIACIÓN
Los métodos estadísticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIÓN
es inevitable, su análisis se hace con el apoyo de la estadística.
DISTRIBUCION NORMAL
La notación para una variable aleatoria que se distribuye normalmente es x  N (
, 2 ), la forma de la distribución es simétrica, unimodal y en forma de campana.
Las áreas entre diferentes desviaciones estándar son:
  1 68.26%
  2 95.46%
  3 99.73%
-3  +3
Fig. 2.1 Curva de distribución normal
Propiedades de la distribución normal

 La distribución normal tiene forma de campana.
 La distribución normal es una distribución de probabilidad que tiene media  =
0 y desviación estándar  = 1.
 El área bajo la curva o la probabilidad desde más menos infinito vale 1.
 La distribución normal es simétrica, cada mitad de curva tiene un área de 0.5.
 La escala horizontal de la curva se mide en desviaciones estándar.
Página 22
 La forma y la posición de una distribución normal dependen de los parámetros

 y  , en consecuencia hay un número infinito de distribuciones normales.
Existe una relación del porcentaje de población a la desviación estándar. En la
figura observamos por ejemplo que el área bajo la curva para  1 tiene un
porcentaje de 68.26%,  2 = 95.46% y  3  99.73%
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
La población incluye todos los datos, la muestra es una porción de la población.

Población Muestra
X
      
x-3s x-2s x-s x x+s x+2s x+3s
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
Página 23
La distribución normal estándar
El valor de z
Determina el número de desviaciones estándar  entre algún valor X y la media
de la población  . Para calcular el valor de Z usamos la siguiente fórmula.
X 
Z (2.1)

La distribución de probabilidad f (Z) es una distribución normal con media 0 y

desviación estándar 1; esto es Z se distribuye normalmente con media cero y
desviación estándar = 1 Z~N(0,1): La gráfica de densidad de probabilidad se
muestra en la figura.
F(z)
  1
La distribución f (Z) se encuentra tabulada en la tabla de distribución normal

estándar. En esta tabla podemos determinar los valores de Z o la probabilidad de
determinado valor Z.
NOTA: Cuando las tablas acumulativas de distribución normal sólo dan valores a
la izquierda de valores positivos de z, utilizando la propiedad de simetría se
pueden evaluar probabilidades o áreas a la izquierda de valores negativos de z.
P (x >= a) = 1 – P (x <= a) (2.2)
P (x <= -a) = P (x >= a) y
P (x >= -a) = P (x <= a)
Página 24
También es muy útil hacer un diagrama de la distribución, indicando las áreas

buscadas.
Ejemplo 2.1 : El gerente de personal de una gran compañía

requiere que los solicitantes a un puesto efectúen cierta
prueba y alcancen una calificación de 500. Si las
calificaciones de la prueba se distribuyen normalmente con
media   485 y desviación estándar   30 ¿Qué porcentaje
de los solicitantes pasará la prueba?
Calculando el valor de Z obtenemos:
X  500  485
Z  =  0.5
 30
Buscamos el valor correspondiente Z en las tabla de distribución normal.

Z0.5 = .69146 = 69.146% siendo esta la probabilidad de que la calificación sea
menor a 500 P (X<500). Dado que el porcentaje pedido es P ( X  500) la solución
es 1-.69146 =.3085 , 30.85% de los participantes pasarán la prueba.
485
3 0 .8 5 %
Z. 0 5
Ejemplo 2.2:
Encuentre las probabilidad siguiente usando la tabla Z,
P(-1.23 < Z > 0).
Página 25
-1.23 Z
Solución: Buscamos el valor Z1.23 en las tablas siendo este = .89065. restando .
89065-.05 = .3905, este valor es la probabilidad de 0 a 1.23 que es
exactamente la misma de –1.23 a 0 por simetría. Por lo tanto la probabilidad es
.3905
Uso de la distribución normal en Excel

 Para calcular la probabilidad dado un valor Z procedemos de la siguiente
manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadísticas>Distr.Norm.Estand. OK
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 ,

de click en aceptar y aparecerá la probabilidad buscada f(z)= .903199
 Para calcular Z dada una probabilidad f(z)

fx>Estadísticas>Distr.Norm.Estand.inv OK
De clic en aceptar. Procedemos de la misma manera que en el caso anterior,

pero en esta ocasión seleccionamos la probabilidad .93319
El valor Z = 1.4999
Página 26
Ejemplo 2.3 : Suponga que una distribución normal dada tiene

una media de 20 y una desviación estándar de 4. calcule la
probabilidad P (X > 24).

fx>Estadísticas>Distr.Norm.Estand. OK
El sistema muestra la ventana, en la cual llenamos los siguientes datos: X, Media,
desviación estándar, 1.
El resultado de la fórmula = .97724. , dado que esta es la probabilidad P(X  24),

la probabilidad buscada
P (X > 24) = 1-.8413= .1587
Para cálculos utilizando el paquete Minitab, usar:
1. Calc >Probability Distributions >Normal

2. Indicar Cumulative Distribution o inverse Cumulative Distribution
(dando valores de Z se obtienen valores de área) o Inverse Cumulative
Distribution (dando áreas proporciona los valores de Z).
3. En Input constant indicar el valor de Z (cumulative) para obtener el área
bajo la curva o proporcionar el área bajo la curva (Inverse cumulative) para
obtener el valor de Z. OK
Si se especifica una columna Cx para almacenamiento de los resultados, estos no

se muestran automáticamente, para verlos es necesario ejecutar la opción
>Manip >Display Data
Ejemplo 2.4: La resistencia a la tensión de un papel para bolsa

de comestibles es una característica de calidad importante.
La resistencia x es normalmente distribuida con media 40
lb/in2 y la desviación estándar es 2 lb/in2, denotada como x 
Página 27
N (40, 4). El comprador de bolsas requiere que al menos

tengan una resistencia de 35 lb/in2, ¿cuál es la probabilidad
de lograrlo?
P (x >= 35) = 1 – P (x <= 35)

P (x<= 35)=P{ z <= (35-40)/2 }= P{z <= -2.5}=(-2.5)= 0.0062
Por tanto la probabilidad deseada es P(x>=35)=1–0.0062=
0.9938
35 40 =2 -2.5 0 =1
Ejemplo 2.5: El diámetro de una flecha metálica usada en una

unidad disco es normalmente distribuida con media 0.2508” y
desviación estándar 0.0005”. La especificación de la flecha
está establecida como 0.2500  0.0015”. Se desea determinar
que fracción de las flechas producidas cumplen las
especificaciones.
La distribución es la siguiente:
Página 28
0.2485 0.2508 0.2515  = 0.0005

LIE MEDIA PROCESO LSE
P(0.2485<=x<=0.2515)=P(x<=0.2515)–P(x <= 0.2485) =

={(0.2515–0.2508)/0.0005}–{(0.2485–0.2508)/0.0005} =
=  (1.4) -  (-4.6) = 0.9265 – 0.0000
= 0.9265
Es decir que el proceso tendrá un rendimiento del 92.65% de

flechas producidas de acuerdo a especificaciones.
Si se ajustase la media del proceso a 0.2500, lo cual

representa la mejor condición de ajuste, se tendría:
P(0.2485<=x<=0.2515)=P(x<= 0.2515)–P(x <= 0.2485)=

={(0.2515–.2500)/0.0005}–{(0.2485–0.2500)/0.0005 }=
=  (3.0) -  (-3.0) = 0.99865 – 0.00135 =
= 0.9973
De esta forma centrando el proceso se obtendría el 99.73% de

rendimiento.
Algunas veces en vez de encontrar la probabilidad asociada con un valor particular

de una variable aleatoria, se requiere encontrar lo opuesto, es decir un valor de z
que donde se encuentre un cierto valor de probabilidad.
Ejemplo 2.6: si x  N (10, 9). Se desea encontrar el valor de x

= a, tal que P(x > a) = 0.05.
Página 29
En la tabla se encuentra que para P( z<= 1.645) = 0.95, por

tanto:
(a – 10) / 3 = 1.645
a = 14.935.
TEOREMA DEL LÍMITE CENTRAL
La distribución normal tiene muchas propiedades útiles, una de estas se refiere a

la combinación lineal de variables aleatorias independientes. Si x 1, x2 x3, ...., xn
son variables aleatorias independientes no necesariamente normales, con media
1, 2, ... n y varianzas 12, 22 , ..., n2 respectivamente, entonces la distribución
del estadístico siguiente:
y = a1x1 + a2x2 + ............. + anxn (2.4)
es normal con media

y = a11 + a22 + ... + ann
y varianza
y2 = a1212 + a2222...,+ an2n2
donde a1, a2, ... an son constantes.
El Teorema del Límite Central establece que la distribución de la variable:
n n
[y - 
i 1
i ]   i
2
(2.5)
i 1
Se aproxima a la distribución normal conforme n tiende a infinito. Es decir que la

suma de las n variables aleatorias independientemente distribuidas es
aproximadamente normal, independientemente de la distribución de las variables
individuales.
Página 30
La aproximación se mejora conforme se incrementa n, en general si las x i están

distribuidas en forma idéntica y su distribución se asemeja a la normal, el teorema
del límite central trabaja bien para n>=3 o 4, condiciones propicias para el control
estadístico de los procesos.
PRUEBAS DE HIPÓTESIS
Se pueden cometer dos tipos de errores cuando se prueban hipótesis:
Error tipo I, se rechaza Ho cuando es verdadera.

Error tipo II, no se rechaza Ho cuando es falsa.
Las probabilidades de esos dos tipos de errores son:

 = P(error tipo I)
 = P(error tipo II)
donde la potencia de la prueba es
Potencia = 1 -  = Probabilidad de rechazar correctamente Ho.
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que

un lote bueno o un proceso que produce partes aceptables en relación a una
característica de calidad sea rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de

aceptar lotes de calidad pobre, o permitiendo que un proceso continúe operando
de manera insatisfactoria respecto a una característica de calidad.
El procedimiento general para pruebas de hipótesis es especificar una

probabilidad de error tipo I o , y diseñar un procedimiento de prueba que
minimice la probabilidad de error tipo II.
Página 31
Conforme se incrementa el tamaño n de muestra, se reduce la probabilidad de

error tipo II.
PROBABILIDAD DE ERROR TIPO II
Tomando como estadístico de prueba Zc, y asumiendo que sigue una distribución
normal N(0,1).

Z c  X  0  
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribución de Zc. Suponiendo que la media de la distribución
realmente es:
1 = 0 +  con  > 0
La hipótesis alterna H1 es verdadera y bajo esta suposición, el estadístico Zc es:
  
Zc  N  ,1
 n 
BAJO H0 BAJO H1
- Z/2 0 Z/2 Zc’ =  n /
Fig. 2.2 La distribución de Zc bajo Ho y H1
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre -

Z/2 y Z/2 dado que la hipótesis alterna es verdadera.
Página 32
Para evaluar esta probabilidad, se evaluan F(Z /2) ) – F(-Z/2), donde F es la

distribución acumulativa normal estándar. La probabilidad de error tipo II es
(funciona igual para cuando  < 0):
  n   n
   Z  / 2      Z  / 2 
 
 (2.7)
     
Ejemplo 2.7: si los estándares especifican que la media de una

lata de café es de 16.0 oz., y de acuerdo a la experiencia se
sabe que la desviación estándar del contenido es de 0.1 oz.
Las hipótesis son:
Ho:  = 16.0
Ho:   16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando
una muestra de 9 latas, se tiene que el estadístico de prueba
es:

Z 0  X  16  0 .1
9
Se rechaza Ho si Zo > Z0.025 = 1,96
Suponiendo que se desea encontrar la probabilidad del error

tipo II si el valor verdadero de la media es 1 =16.1
implicando que  = 16.1 – 16.0 = 0.1, se tiene:
  n   n
   Z  / 2      Z  / 2 
 

     
 0.1 9   0.1 9 
  1.96      1.96 
 


 0.1   0.1 
Página 33
=  (- 1.4 ) -  ( -4.96 )
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es

16.1 oz. Es de 0.1492, o que la potencia de la prueba es de 1
- = 1 – 0.1492 = 0.8508.
De la ecuación anterior para , se observa que es una función de n, y de  ,

tomando  como 0.05 y graficando  contra d =  / , se obtienen las curvas
características de operación (OC).
(ver gráfica de curva OC)
En las curvas OC se observa que:
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para

una n y  dadas. Es decir que la prueba detecta más fácilmente grandes
diferencias.
2. Conforme se incrementa n, la probabilidad de error tipo II es más pequeño para
una  y  dadas. Es decir que la prueba se hace más potente si se incrementa
el tamaño de muestra.
HERRAMIENTAS PARA CONTROL DEL PROCESO
Para que un producto cumpla especificaciones del cliente en forma consistente,

debe ser producido por un proceso estable y repetible, con poca variación
alrededor del valor nominal de las características de calidad del producto. El
Control Estadístico del Proceso es una serie de herramientas para la solución de
problemas enfocados a lograr la estabilidad del proceso y mejorar su habilidad, a
través de la reducción de su variabilidad. Las herramientas principales son:
Página 34
1. Histograma o gráfico de tallos-hojas

2. Hojas de verificación
3. Gráfica de Pareto
4. Diagrama de causa-efecto
5. Diagrama de concentración de defectos
6. Diagramas de dispersión
7. Cartas de control
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los
Bell Telephone Labs., se denominan Cartas de Control de Shewhart y se usan
para el monitoreo del proceso en línea. A continuación se explica la teoría de
variabilidad de Shewhart.
2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES
La variabilidad natural siempre existe en cualquier proceso de producción, no

importa que tan bien diseñado esté. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que está en control estadístico.
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy grande
en relación con la variabilidad natural y es originada por causas especiales o
asignables haciendo que el proceso opere fuera de control estadístico (ver página
siguiente).
De la figura cuando el proceso está en control, la mayor parte de la producción se

encuentra dentro de los límites de control (LSC y LIC). Sin embargo cuando el
proceso está fuera de control, una gran proporción del proceso se encuentra fuera
de estos límites.
Página 35
El Objetivo del CEP es la detección oportuna de la ocurrencia de causas

especiales para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para esto se utilizan las cartas de control en línea,
permitiendo también la estimación de la capacidad o habilidad del proceso y la
reducción continua de la variabilidad hasta donde sea posible.
Página 36
2.3 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL
Una carta típica representando un proceso en control estadístico se muestra a

continuación. Contiene una línea central que representa el valor promedio de la
característica de calidad correspondiente al estado “en control” y dos líneas
adicionales llamadas límites inferior y superior de control (LIC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna acción.
LSC
LC
LIC Tiempo 
Fig. 2.3 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrará evidencia que
el proceso está fuera de control y será necesario una investigación de la causa
especial y la acción correctiva necesaria para eliminarla. También se tendrá un
alto riesgo de situación fuera de control si los puntos se agrupan es forma
sistemática dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del
proceso está en control y tiene un valor 0 si un valor de media muestral X i cae
dentro de los límites de control; de otra forma se concluye que el proceso está
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1  0.
Página 37
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hipótesis para analizar el desempeño de las
cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se

concluye que el proceso está fuera de control cuando en realidad no lo está.
La probabilidad de error tipo II de la carta de control se presenta cuando se

concluye que el proceso está en control cuando en realidad está fuera de control.
La curva característica de operación (OC), con  en el eje vertical, indica la
capacidad de la carta para detectar corridas de la media o rango del proceso de
diferentes magnitudes.
Ejemplo 2.8: Para el caso de pistones, evaluando la

característica de calidad de diámetro interno del anillo. Si
la media del proceso es 74 y la desviación estándar es de
0.01mm, con un tamaño de muestra de n=5, se tiene:
La desviación estándar de las medias es:

 .01
X    0.0045
n 5
Asumiendo que el proceso está en control y de acuerdo al
teorema del límite central se asume que las medias X i se
distribuyen normalmente, se debe espera que el 100(1- )% se

encuentren entre 74  Z/2 (0.0045).
Si se escoge arbitrariamente a Z/2 = 3, se obtienen los

límites de control a “3 sigma”:
LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 – 3 (0.0045) = 73.9865
Página 38
74.0135
74
74.9865 Tiempo 
Fig. 2.4 Carta de Control típica
El ancho de los límites de control es inversamente

proporcional al tamaño de muestra n, para un múltiplo de
sigma dado., La selección de los límites de control es
equivalente a preparar la región crítica para probar la
hipótesis en el tiempo:
H0 :  = 74
H1 :   74
Con  = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un

estadístico muestral que mide alguna característica de calidad de interés y
asumiendo que su media es w con desviación estándar w se tiene:
LSC = w + Lw (2.8)

LC = w
LIC = w - Lw
Donde L es la distancia de los límites de control a partir de la línea central

expresada en unidades de desviación estándar.
El uso más importante de la carta de control es la mejora del proceso, a través de

su monitoreo, al principio se observará que los procesos no están en control
Página 39
estadístico, sin embargo con las cartas de control se podrán identificar causas
especiales que al ser eliminadas, resulten en una reducción de la variabilidad
mejorando el proceso.
DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO

DE LOS VALORES DE LAS MEDIAS LSC = 74.0135, LC = 74, LIC = 73.9865
INDIVIDUALES =.01
 X  0.0045
Fig. 2.5 Comparación de la variabilidad de la población y la

de las medias y operación de la carta de control
El proceso de mejora usando la carta de control requiere la acción de la

supervisión, operador e ingeniería, la carta de control sólo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las

causas raíz del problema y atacarlas para lo cual se puede utilizar el Plan de
acción para situaciones fuera de control OCAP, activado con la ocurrencia de cada
evento. Incluye Puntos de chequeo que son causas potenciales asignables y
terminadores que son las acciones que resuelven la situación fuera de control.
Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
Página 40
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIÓN
Verificación Detección de causa

y seguimiento asignable
Implantar Identificar causa

Acción raíz del problema
Correctiva
Fig. 2.6 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL
La carta de control es un dispositivo de estimación de parámetros del proceso una

vez que exhibe control estadístico, se puede estimar la media, varianza,
proporción, etc. que pueden ser utilizados para determinar la capacidad de los
procesos para producir productos aceptables, base de decisiones gerenciales y
contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cómo se evalúe la característica de calidad.
Si la característica de calidad se puede evaluar y expresar como un número real

en alguna escala de medición continua, se denomina una variable. En tales casos
se utilizan cartas de control de medias, que describan la tendencia central y cartas
de control basadas en rango o desviación estándar para controlar la variabilidad
del proceso.
Página 41
Muchas características de calidad no pueden ser medidas en una escala continua,

en esos casos se puede juzgar cada producto como conforme o como no
conforme sobre la base de que posea o no ciertos atributos, o se pueden contar el
número de no conformidades o defectos que aparecen en una unidad de producto.
Las cartas de control para tales características de calidad, se denominan cartas de
control por atributos.
Un factor importante en la aplicación de cartas de control es su diseño, es decir la

selección de tamaño de muestra, límites de control y frecuencia de muestreo.
Para la carta de control por variables del ejemplo se utilizó una muestra de 5
partes, límites de control a 3-sigma y una frecuencia de muestreo cada hora.
Si se incrementa el tamaño de muestra, decrece la probabilidad del error tipo II,

aunque el diseño de la carta de control también debe tomar consideraciones
económicas considerando los costos de muestreo, pérdidas por fabricar productos
defectuosos y costo de investigar indicaciones fuera de control que son “falsas
alarmas”.
Otra consideración en el uso de cartas de control es el tipo de variabilidad

exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varían alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el área de aplicación de las cartas de control más efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia

de haberse extraído de una población estable (normal u otra), en análisis de series
de tiempo se denomina “ruido blanco”. En este caso los datos pasados históricos
no dicen nada en relación a predecir su comportamiento futuro.
Página 42
3. Procesos estacionarios con datos correlacionados: las observaciones

sucesivas de en estos datos son dependientes; es decir un valor por arriba de la
media tiende a ser seguido por otro valor arriba de la media y viceversa, esto
produce corridas lentas y largas en algún lado de la media.
4. Procesos no estacionarios: ocurren en los procesos químicos e industrias de

proceso, los procesos son muy inestables y tienen corridas inestables alrededor
de una media fija. En estos casos se estabiliza el desempeño de los procesos por
medio de control automático por retroalimentación.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicación

exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevención de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es más costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de “si no esta mal, no lo arregles”, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando sólo se están teniendo
variaciones aleatorias en el proceso.
4. Proporcionan información de diagnóstico. Proporcionan un patrón de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan información acerca de la capacidad o habilidad del proceso.
Proporcionan información acerca de los parámetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimación de la capacidad del
proceso para producir dentro de especificaciones.
Página 43
SELECCIÓN DE LOS LÍMITES DE CONTROL
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con límites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los límites de control
a una distancia de 3.09-sigmas y los límites de control serán:
LSC = 74 + 3.09 (0.0045) = 74.0139

LIC = 74 – 3.09 (0.0045) = 73.9861
Estos límites de control se denominan límites probabilísticos a 0.001. A

continuación se presenta una comparación entre límites.
+3.09 
+3.0 
LC
-3.00
-3.09 
Fig. 2.7 Límites de control de Shewhart y Europeos
Los límites de control a 0.001 se utilizan en países europeos.

Algunos analistas sugieren el uso de límites preventivos trazados a 2-sigmas de la
línea central, para el caso de límites de control a 3-sigmas y a 0.025 de
probabilidad para límites de control a 0.001. Estos límites aumentan la sensibilidad
de la carta de control para identificar corrimientos de la media del proceso, en
forma más rápida. Si un punto cae fuera de los límites preventivos, Una
desventaja es que crean confusión con el personal y se incrementa el riesgo de
error tipo I (falsas alarmas).
Página 44
TAMAÑO DE MUESTRA Y FRECUENCIA DE MUESTREO
Al diseñar una carta de control, se debe especificar tanto el tamaño de muestra

como la frecuencia de muestreo, tamaños de muestra grandes permiten detectar
pequeñas corridas en la media del proceso como se observa en las curvas
características de operación.
Para la frecuencia de muestreo, la práctica industrial sugiere tomar muestras

pequeñas frecuentes, principalmente en producción masiva o cuando existe la
posibilidad de que existan muchas causas especiales, actualmente con las
computadoras esto es cada vez más fácil.
Otra forma de determinar la frecuencia de muestreo y el tamaño de muestra, es a

través de la longitud media de racha de la carta de control (ARL), que es el
número de puntos que deben ser graficados antes de que un punto indique una
condición fuera de control.
1
ARL  (2.9)
p
donde p es la probabilidad de que un punto exceda los límites de control. Para el

caso de 3-sigma p=0.0027 y el ARL 0 = 370. Es decir que si el proceso está en
control, se generará un punto fuera de control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces

aparecerá una falsa alarma cada tiempo promedio de indicación (ATS) en horas.
ATS  ARLh (2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada
370 horas.
Página 45
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media
del proceso, se utilizan las curvas características de operación. Por ejemplo, si
n=5 y la media se corre de 74.015mm, la probabilidad de que un punto caiga
dentro de los límites de control es aproximadamente 0.50, por tanto utilizando
p=0.50, se puede calcular el ARL1 para una situación fuera de control como sigue:
1 1
ARL1   2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento.

Si el muestreo se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se
podrían tomar muestras más frecuentes por ejemplo cada media hora o
incrementar el tamaño de muestra. Si n=10, de la curva característica de
operación se observa que p=0.9 y el ARL 1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser más aceptable.
En resumen las dos alternativas siguientes dan un resultado similar:
Diseño 1 Diseño 2
n=5 n = 10
Frec. Cada ½ hora Frec. cada hora.
Las muestras se toman de manera más frecuente a la ocurrencia de cambios en el

proceso registrados en bitácoras (cambio de turno, cambio de materiales, ajustes,
fallas, etc.), con objeto de detectar las causas de situaciones fuera de control.
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de

acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si están presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
Página 46
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior se recomienda tomar productos consecutivos de producción para

formar la muestra (cuyo tamaño puede ser entre 4 y 6), minimizando diferencias
dentro del subgrupo. En algunos procesos como los químicos, es suficiente tomar
una sola unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL
Una carta de control indicará una condición fuera de control cuando uno o más
puntos caigan más allá de los límites de control o cuando los puntos graficados
formen un patrón no aleatorio de comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo

tipo. Además de las corridas ascendentes o descendentes, se encuentran las que
están por debajo o sobre la media.
Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy
baja, se considera que una racha o corrida con una longitud de 8 puntos indica
una condición fuera de control.
Fig. 2.8 Proceso fuera de control por tendencias o corridas
Página 47
Otro patrón de inestabilidad se presenta cuando el comportamiento del proceso

muestra patrones cíclicos.
Para reconocer un patrón de comportamiento no sólo se requiere conocer las

técnicas estadísticas, sino también es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para

detectar patrones no aleatorios en las cartas de control:
1. Un punto fuera de los límites de control de 3-sigma.

2. Dos de tres puntos consecutivos sobre los límites preventivos a 2-sigma.
3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1-
sigma o más allá a partir de la línea central.
4. Ocho puntos consecutivos graficados hacia un lado de la línea central.
Algunas reglas adicionales recomendadas por la industria son:
5. Siete puntos formando una tendencia creciente o decreciente.

6. Quince puntos consecutivos encontrados entre más menos 1-sigma de la línea
central (adhesión a la media).
7. Catorce puntos en un renglón alternándose arriba y abajo.
8. Siete puntos que se encuentren más allá de 1-sigma de la línea central.
9. Un patrón no usual o no aleatorio de datos.
10. Uno o más puntos cerca de los límites preventivos.
Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se

pueden tener muchas falsas alarmas quitándole efectividad al programa del CEP.
2.4 EL RESTO DE LAS 7 HERRAMIENTAS ESTADÍSTICAS
Página 48
1. HOJA DE VERIFICACIÓN
2. DIAGRAMA DE PARETO
3. LLUVIA DE IDEAS
4. DIAGRAMA DE ISHIKAWA
5. CARTA DE TENDENCIAS
6. DIAGRAMA DE FLUJO
7. DIAGRAMA DE DISPERSIÓN
Página 49
2.4.1 HOJA DE VERIFICACIÓN
Se utiliza para reunir datos basados en la observación del comportamiento de un

proceso con el fin de detectar tendencias, por medio de la captura, análisis y
control de información relativa al proceso. Básicamente es un formato que facilita
que una persona pueda tomar datos en una forma ordenada y de acuerdo al
estándar requerido en el análisis que se esté realizando. Las hojas de verificación
también conocidas como de comprobación o de chequeo organizan los datos de
manera que puedan usarse con facilidad más adelante.
Pasos para la elaboración de una hoja de verificación:
1. Determinar claramente el proceso sujeto a observación. Los integrantes deben

enfocar su atención hacia el análisis de las características del proceso.
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto
puede variar de horas a semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las
columnas estén claramente descritas y de que haya suficiente espacio para
registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se
dedique el tiempo necesario para esta actividad.
Ejemplo 2.9 Hoja de verificación
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneo IIIII I IIIII IIIII III IIIII II 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Página 50
Consejos para la elaboración e interpretación de las hojas de verificación
1. Asegúrese de que las observaciones sean representativas.

2. Asegúrese de que el proceso de observación es eficiente de manera que las
personas tengan tiempo suficiente para hacerlo.
3. La población (universo) muestreada debe ser homogénea, en caso contrario, el
primer paso es utilizar la estratificación (agrupación) para el análisis de las
muestras/observaciones las cuales se llevarán a cabo en forma individual.
EJERCICIO 2.10: Colectar el intervalo de tiempo en que

ingresan personas a un establecimiento.
Página 51
2.4.2 DIAGRAMA DE PARETO
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar

en forma crítica los pocos proyectos que provocan la mayor parte de los
problemas de calidad.
El principio enuncia que aproximadamente el 80% de los efectos de un problema

se debe a solamente 20% de las causas involucradas.
El diagrama de Pareto es una gráfica de dos dimensiones que se construye

listando las causas de un problema en el eje horizontal, empezando por la
izquierda para colocar a aquellas que tienen un mayor efecto sobre el problema,
de manera que vayan disminuyendo en orden de magnitud. El eje vertical se
dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el
porcentaje acumulado de efecto de las causas, empezando por la de mayor
magnitud.
Pasos para desarrollar el diagrama de Pareto:
1. Seleccione qué clase de problemas se van a analizar.

2. Decida qué datos va a necesitar y cómo clasificarlos. Ejemplo: Por tipo de
defecto, localización, proceso, máquina, trabajador, método.
3. Defina el método de recolección de los datos y el período de duración de la
recolección.
4. Diseñe una tabla para el conteo de datos con espacio suficiente para
registrarlos.
5. Elabore una tabla de datos para el diagrama de Pareto con la lista de
categorías , los totales individuales, los totales acumulados, la composición
porcentual y los porcentajes acumulados
Página 52
6. Organice las categorías por orden de magnitud decreciente, de izquierda a

derecha en un eje horizontal construyendo un diagrama de barras. El concepto
de “otros” debe ubicarse en el último lugar independientemente de su
magnitud.
7. Dibuje dos ejes verticales y uno horizontal.
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de
categorías clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados
(porcentaje acumulado) en la parte superior, al lado derecho de los intervalos
de cada categoría, y conecte los puntos con una línea continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el
mejor entendimiento del diagrama de Pareto.
Ejemplo 2.11 Diagrama de Pareto:
El departamento de ventas de un fabricante de materiales de

empaque tiene registrada una lista de las quejas que se han
recibido durante el último mes.
Página 53
Tipo de queja No. Total Composición Porcentaje

de Acumulado Porcentual Acumulado
quejas
A) Entregas fuera de tiempo 25 25 35.71 35.71
B) Calibre fuera de especificaciones 23 48 32.85 68.56
C) Material sucio y maltratado 7 55 10 78.56
D) Material mal embalado 6 61 8.57 87.13

E) Dimensiones fuera de
especificaciones 3 64 4.28 91.41
F) Inexactitud en cantidades 2 66 2..85 94.26
G) Mala atención del personal 1 67 1.42 95.68
H) Maltrato del material por 1 68 1.42 97.7
I) Fallas en documentación 1 69 1.42 98.52
J) Producto con códigos 1 70 1.4 99.94
Página 54
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Figura 2.12 Diagrama de Pareto
Página 55
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos
de enfocarnos primero a resolver.
Ejemplo 2.9 Diagrama de Pareto en Minitab

 Capture los datos en la columna C1 (tipo de defecto), en la columna C2
(frecuencias)
 Seleccione: Stat>Quality Tools>Pareto Chart
Escoja la opción Chart defects table , en el campo labels in seleccione: C1
y en Frecuncies in seleccione: C2. Combine defects alter the first 80%.
 Clic en OK
 El sistema despliega la gráfica de Pareto:
Fig. 2.10 Diagrama de Pareto en Minitab
PARETO CHART
70 100
60
80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect A B C D E F G
Ot
he
Count 25 23 7 6 3 2 1 3
Percent 35.7 32.9 10.0 8.6 4.3 2.9 1.4 4.3
Cum % 35.7 68.6 78.6 87.1 91.4 94.3 95.7 100.0
En la gráfica observamos que aproximadamente el 80% de los efectos es debido

a los defectos A,B y C (causas)
EJERCICIO 2.13: Realizar un diagrama de Pareto con los
defectos de una l´nea productiva o una estación de servicio
Página 56
2.4.3 LLUVIA DE IDEAS DE IDEAS (BRAINSTORMING)
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la

participación de todo el equipo.
Para comenzar con el proceso de tormenta de ideas, en el cual se genera

información la gente se reúne en una sala en la cual se recomienda la disposición
de las mesas en forma de “U” para facilitar el debate. La gente que participa en la
sesión deberá de pertenecer a diferentes áreas o tener puntos de vista diferentes,
esto con el objeto de enriquecer la sesión.
El facilitador debe de contar con experiencia en la conducción de sesiones de

tormentas de ideas, o al menos haber tenido experiencias previas.
Para conducir un grupo se lleva a cabo la siguiente metodología:
1. Seleccionar el problema a tratar.

2. Pedir a todos los miembros del equipo generen ideas para la solución del
problema, las cuales se anotan en el pizarrón sin importar que tan buenas o
malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
4. Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar más ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este punto el
objetivo es tener mayor cantidad de ideas así existirán mayores posibilidades
de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar las
sugerencias de otros.
Página 57
7. Una vez que se tengan un gran número de ideas el facilitador procede a

agrupar y seleccionar las mejores ideas por medio del consenso del grupo de
trabajo.
8. Las mejores ideas son discutidas y analizadas con el fin del proponer una
solución.
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa),
Diseño de experimentos, pruebas de confiabilidad, etc.
EJERCICIO 2.14: Realizar una lluvia de ideas para solucionar

el problema de llegar a tiempo a algún lugar.
Página 58
2.4.4 DIAGRAMA CAUSA-EFECTO (ISHIKAWA)
El diagrama causa-efecto, también llamado “espina de pescado” por la semejanza

de su forma, también es conocido por diagrama de Ishikawa.
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de

un problema (efecto) o de una condición específica en las características de un
proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada

y completa todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la búsqueda de las
verdaderas causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a través de

un consenso, un diagrama de Pareto, otro diagrama o técnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan el
problema.
3. Dibuje el diagrama:
- Coloque en un cuadro a la derecha la frase que identifique el efecto

(característica de calidad)
- Trace una línea horizontal hacia la izquierda del cuadro que contiene la
frase. A esta línea se le conoce como columna vertebral.
- Coloque líneas inclinadas que incidan en la columna vertebral (causas
principales).
- Dibuje líneas horizontales con flechas que incidan en las líneas inclinadas
conforme a la clasificación de las causas (causas secundarias)
Página 59
- Dibuje líneas inclinadas que incidan en las líneas de las causas

secundarias (causas terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:

- Causas principales.
- Causas secundarias.
- Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la característica específica.
6. Elabore y ejecute un programa de corrección de las causas relevantes.
Ejemplo 2.1526
En una fábrica de componentes electrónicos se detectaron

fallas en la línea de ensamble al realizar la prueba de un
circuito, por lo cual se procedió a realizar una
investigación utilizando el diagrama causa-efecto.
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales M’s:
 Máquinas
 Mano de obra
 Métodos
 Materiales
 Mediciones
 Medio ambiente
26
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995
Página 60
Estas constituyen las causas primarias del problema y es necesario desafiarlas

para encontrar causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a
partir de estas causas se agrupan las causas secundarias y terciarias derivadas
de la lluvia de ideas.
MEDICIONES MAQUINAS MANO DE OBRA
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
Figura 2.11 Diagrama de causa efecto
El equipo analiza cada causa y por medio de eliminación y consenso determina

cuales son las verdaderas causas que están ocasionando el problema. Una vez
determinada las causas se realiza un análisis Why-Why Why? El cual consiste en
preguntarnos tres veces por qué?, para encontrar la causa raíz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (M’s):

mediciones, máquinas, mano de obra,medio ambiente, métodos y materiales. Es
posible realizar este diagrama con causas primarias diferentes a las M´s, ej:
Página 61
Problema: Por que la versión del sistema “Abacab”, no satisface los

requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
 Políticas y procedimientos del sistema

 Funcionalidad.
 Diseño
 Accesibilidad
 Tiempo de respuesta
 Confiabilidad
Ejemplo 2.16 Diagrama de Causa Efecto en Minitab
 Capture los datos en la columna C1 (tipo de defecto), en la columna C2

(frecuencias)
 Seleccione: Stat>Quality Tools>Cause and Effect Diagram
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a

los conceptos de Personal, Máquinas, Materiales, Métodos, Mediciones y
Medio ambiente.
Introducir los datos en la pantalla de entrada, indicando el problema en

Effect y aceptar con OK.
EJERCICIO 2.17: Realizar un diagrama de Ishikawa para

solucionar el problema de llegar a tiempo a la universidad
Página 62
2.4.5 CARTA DE TENDENCIAS
Definición:
• Es una ayuda gráfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
• Saber el comportamiento de un sistema o proceso durante el tiempo.
• Tomar las acciones correctivas a tiempo si la tendencia afectará en forma
negativa.
Ejemplo 2.18:
Se tienen los datos siguientes de errores de planeación de la
producción durante 15 semanas: Se puede hacer en Minitab con Stat,
Semana
Quality Tools, Run Chart, Subgroup size =1 % errores Semana % errores
1 0.15 9 0.04
2 0.04 10 0.05
3 0.08 11 0.07
4 0.07 12 0.04
5 0.04 13 0.02
6 0.05 14 0.03
7 0.01 15 0.01
Permite observar el comportamiento de los
8 datos durante
0.03 un periodo de tiempo
determinado. Ejercicio 2.19: hacer una carta de tendencias con
datos reales de alguna situación particular.
Fig. 2.12 carta de tendencias
Página 63
2.4.6 MAPA DE PROCESOS / DIAGRAMA DE FLUJO
Dentro de los sistemas de calidad resulta de gran utilidad representar la

estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
 Proveen una secuencia gráfica de cada uno de los pasos que componen una
operación desde el inicio hasta el final. Permitiendo una mejor visualización y
comprensión del proceso.
 Los diagramas de flujo pueden minimizar grandes volúmenes de
documentación, incluyendo la documentación ISO 9000.
 Facilitan el desarrollo de Procedimientos Estándar de Operación.
 Al tener un procedimiento de operación estándar se reduce en gran medida la
variación y el tiempo de ciclo.
 Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos
descritos a continuación:
Operación de transformación: de la cual resulta un cambio

físico o químico del producto.
Inspección: Verificación de alguna característica mediante un

estandar de calidad prestablecido.
Página 64
Transporte: Movimiento físico del producto o un componente.
Demora: Indica la necesidad de un periodo de inactividad en

espera de operación inspección o transporte.
Almacenamiento: Mantener un producto en almacenamiento

hasta
que continúe su procesamiento o sea vendido.
Figura 2.13 Símbolos empleados en diagramas de flujo
Pasos para la elaboración de un diagrama de flujo
1. Describir el proceso a evaluar: Es importante comenzar con los procesos

que se consideran de mayor impacto en la organización.
2. Definir todos los pasos que componen un producto o servicio: Existen

diferentes maneras de hacerlo. Una de ellas consiste en que el equipo de
trabajo anote en tarjetas los diferentes pasos que conforman el proceso,
con este método el equipo puede arreglar y ordenar los pasos del proceso.
Otra manera de hacerlo es mediante el uso de programas de diagramas de
flujo en computadoras, de esta manera se tiene mayor flexibilidad que en el
método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la
pregunta “¿por qué se hace de esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso

han sido descritos se construye el diagrama de flujo, conectando las
Página 65
actividades mediante flechas, cada símbolo debe describir la actividad que

se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como “ideal”

las siguientes preguntas pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante
tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan
valor y los que no agregan se puede llevar a cabo una simplificación
sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se

dan a conocer a las personas involucradas en el proceso y se verifica su
efectividad.
Página 66
Diagrama de flujo: Una visita a la farmacia27
Ejemplo 2.20 Operación: despacho de una fórmula.
EVENTO SÍMBOL TIEMP DISTANCI

O O A (pies)
(min.)
Abrir la puerta, caminar hacia el área de la 0.8 50
farmacia del almacén.
Esperar para ser atendido. 1
Sacar la fórmula de la billetera o del bolsillo 0.4

y entregarla al dependiente.
Esperar hasta cuando el dependiente 10
despache la fórmula y calcule el valor.
Sacar la tarjeta de crédito de la billetera y 0.4
entregarla al dependiente.
Esperar que el dependiente diligencie el 1
desprendible de la tarjeta de crédito.
Verificar el desprendible 0.2
Firmar el desprendible 0.1
Esperar el desprendible y el medicamento 0.3
Colocar la tarjeta y el desprendible dentro de 0.2

la billetera
Recoger el medicamento y caminar de 0.8 50
regreso hasta la puerta
Diagrama de flujo de tiempo sin valor.
Es utilizado para detectar cuales son las actividades que agregan valor al proceso
y las que no agregan valor.
27
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
Hill Pp.282
Página 67
Pasos para realizarlo:

• Dibujar una línea horizontal para representar el tiempo total que se ocupa en el
proceso.
• Relacione todos los pasos del proceso detalladamente, después decida si el
paso tiene valor para el cliente.
• Dibujar una línea vertical fina que represente el tiempo que se requiere para
completar el paso.
• Dibújela arriba de la línea, si representa valor agregado, o debajo si no lo
representa.
• En cada línea vertical señale el paso del proceso.
• Puede dibujar una barra con el tiempo de valor agregado como porcentaje de
tiempo total del proceso.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo 2.21
Visita al consultorio médico

Exa cripci
P re
Pr
me
s
esi
ny n
ón
Pe guí
Sa
ó
so nea
n
Espera Espera
Diagrama de Flujo Físico

Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt a r
lir
la
m
nt ars
ar
m
g
de
ad
ar e
se
se
lc
o
Pasos para realizarlo:

ns
er
ul
to
rio
Página 68
•Dibuje el esquema físico de su área de trabajo, incluyendo estaciones de trabajo,

áreas de espera, áreas de máquinas, etc.
•Use flechas para delinear el flujo de la parte dentro del área. Cada flecha debe
delinear un paso del proceso.
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin
valor agregado Vs tiempo con valor agregado.
Edificio A
Edificio B
Figura 2.14 Ejemplo de diagrama de flujo físico
EJERCICIO 2.22: Realizar un diagrama de flujo de un proceso
Página 69
2.4.7 DIAGRAMAS DE DISPERSIÓN
El diagrama de dispersión es una técnica estadística utilizada para estudiar la

relación entre dos variables. Por ejemplo, entre una característica de calidad y un
factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una

comprensión más profunda del problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos

dimensiones en la que cada relación está dada por un par de puntos (uno para
cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del

eje vertical y es la variable efecto.
La relación entre dos variables puede ser: positiva o negativa. Si es positiva,

significa que un aumento en la variable causa x provocará una aumento en la
variable efecto y y si es negativa significa que una disminución en la variable x
provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión
pueden estar muy cerca de la línea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El índice que se utiliza para medir ese grado de
cercanía de los puntos con respecto a la línea recta es la correlación. En total
existen cinco grados de correlación: positiva evidente, positiva, negativa evidente,
negativa y nula.
Página 70
Accidentes laborales
• • •
•
•
•
• Correlación
• •
• •
•
• • positiva,
•
•
•
•
•
•
posible
• • •
• • •
•
• •
Numero de órdenes urgentes
Figura 2.22 Diagrama de dispersión
Página 71
Figura 2.23 Diferentes tipos de correlación

Tipos de correlación
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación 10
Y
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Página 72
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal

sería y = a + bx. Como la correlación no siempre es perfecta, se calculan a y b de
tal forma que se minimice la distancia total entre puntos y la recta. Los cálculos
son:
a
 y x 2
  x  xy
n x   x
2 2
n xy   x  y
b
n x 2    x 
2
El índice de correlación (r) se puede calcular estadísticamente mediante las

ecuaciones que a continuación se presentan
SCxy
r 
SCx  SCy
 xy  
xy
SCxy 
n
SCx   x 2

 x 2
SCy   y 2

 y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
Página 73
x 2
 Sumatoria de los valores de la variable x al cuadrado
y 2
 Sumatoria de los valores de la variable y al cuadrado
 xy  Sumatoria del producto de xy
 x 2
 Cuadrado de la sumatoria de la variable x
 y 2
 Cuadrado de la sumatoria de la variable y
n = número de pares ordenados (pares de datos x, y)
El factor de correlación es un número entre –1 (correlación negativa evidente) y +1

(correlación positiva evidente), y r = 0 indicaría correlación nula.
La correlación se utiliza para cuantificar el grado en que una variable provoca el
comportamiento de otra. Por ejemplo si se encuentra que la variable temperatura
tiene una correlación positiva con el porcentaje de artículos defectuosos, se deben
buscar soluciones al problema de los artículos defectuosos mediante acciones
asociadas con la variable temperatura; de lo contrario, sería necesario buscar la
solución por otro lado.
Observación No. Latas, x tiempo, y x^2 y^2 xy
1 2.00 9.95 4.00 99.00 19.90
2 8.00 24.45 64.00 597.80 195.60
Ejemplo 2.23:
3 11.00 31.75 121.00 1,008.06 349.25
4 10.00 35.00 100.00 1,225.00 350.00
5 8.00 25.02 64.00
Un ingeniero que trabaja con botellas de refresco investiga 626.00 200.16
6 4.00 16.86 16.00 284.26 67.44
la distribución
7 del producto
2.00 14.38y las operaciones
4.00 del servicio
206.78 28.76
8
de ruta para 2.00
máquinas 9.60
vendedoras. El 4.00
sospecha 92.16 19.20
que el tiempo
9 9.00 24.35 81.00 592.92 219.15
requerido 10 para cargar
8.00 y servir
27.50 una máquina
64.00 se relaciona
756.25 con
220.00
el número 11 de latas
4.00 entregadas
17.08del producto.
16.00 Se291.73
selecciona 68.32
una
12 11.00 37.00 121.00 1,369.00 407.00
muestra aleatoria de 25 expendios al menudeo que tienen
13 12.00 41.95 144.00 1,759.80 503.40
máquinas14vendedoras2.00 y se observa
11.66 para 4.00
cada expendio
135.96 el tiempo
23.32
15
de solicitud- 4.00
entrega 21.65
(en minutos) y 16.00
el volumen 468.72 86.60
del producto
16 4.00 17.89 16.00 320.05 71.56
entregado 17 (en latas).
20.00 Calcular
69.00 el coeficiente
400.00 de
4,761.00correlación
1,380.00
18 1.00 10.30
y graficar. Los datos se muestran a continuación: 1.00 106.09 10.30
19 10.00 34.93 100.00 1,220.10 349.30
20 15.00 46.59 225.00 2,170.63 698.85
21 15.00 44.88 225.00 2,014.21 673.20
22 16.00 54.12 256.00 2,928.97 865.92
23 17.00 56.63 289.00 3,206.96 962.71
Página 74
24 6.00 22.13 36.00 489.74 132.78
25 5.00 21.15 25.00 447.32 105.75
TOTALES 206.00 725.82 2,396.00 27,178.53 8,008.47
Utilizando las ecuaciones para obtener el coeficiente de correlación tenemos:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia

estadística para afirmar que el tiempo de entrega esta relacionado con el número
de latas.
Página 75
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Figura 2.24 Diagrama de dispersión con tendencia
En la gráfica observamos que al aumentar el número de latas el tiempo de

entrega aumenta.
 Para realizar el gráfico de dispersión en Excel realice el siguiente

procedimiento:
1. Seleccione el icono asistente para gráficos.

2. Seleccione el tipo de gráfico xy(dispersión), y subtipo de gráfico: dispersión,
compara pares de valores.(siguiente)
3. En la pestaña rango de datos seleccione los valores de x y y de la tabla de
datos. En la pestaña serie agregue el titulo, el rango de valores x, y se da
por de fault al haber seleccionado el rango de datos .(siguiente)
4. Ponga el titulo del gráfico y eje de valores x y y de la tabla de datos. En esta
pantalla puede agregar líneas de división al gráfico y otras opciones
(siguiente) (finalizar)
Página 76
5. Para realizar algún cambio, por ejemplo en la escala haga clic en la escala
de valores y aparecerá un menú que le permitirá realizarlos.
Para determinar la función de regresión y correlación en Minitab se siguen los

pasos siguientes (después de cargar los datos correspondientes a X y a Y en las
columnas C1 y C2):
Minitab > Stat >Regresión ... Indicar la columna de Respuestas Y y la de

predictores X y aceptar con OK. Observar el valor del coeficiente de correlación y
de determinación.
Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en

Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de
predictores X, seleccionar si se quiere ajustar con los datos con una línea, una
función cuadrática o cúbica y aceptar con OK. Observar el mayor valor del
coeficiente de correlación que indica el mejor ajuste.
EJERCICIO 2.24: Realizar un diagrama de dispersión.
Página 77
2.5 IMPLEMENTACIÓN DEL CEP
El CEP proporciona un retorno sobre la inversión apreciable cuando se implanta

exitosamente, ya que permite la mejora continua a través de la reducción de la
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y después no se mantiene, ya que la mejora

continua debe ser parte de la cultura de la organización.
Para su implantación es necesario el liderazgo gerencia y el trabajo en equipo, así

como evaluar los avances y comunicarlos a la organización, lo cual puede motivar
a mejorar otros procesos.
Los elementos recomendados para un programa de CEP exitoso son:
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 78
3. CARTAS DE CONTROL POR VARIABLES
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X  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.
LIE MEDIA LSE LIE MEDIA LSE LIE MEDIA LSE
MEDIA Y DESV. ESTANDAR MEDIA CORRIDA DESVIACION ESTANDAR

EN NIVELES NORMALES MAYOR A LA
REQUERIDA
Fig. 3.1 Estados posibles de un proceso en control
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
Asumiendo que una característica de calidad está distribuida normalmente con

media  y desviación estándar  ambas conocidas. Si x1, x2, .... xn forman una
muestra de tamaño n entonces se puede calcular la media de la muestra X .
Ahora como las medias de las muestras están normalmente distribuidas con
media  Xi =  / n , y siendo que la probabilidad 1- de que cualquier media

muestral caerá entre los límites:
Página 79

  Z  / 2 X    Z  / 2 (3.1)
n
y

  Z  / 2 X    Z  / 2
n
Lo anterior será válido aún si la distribución de la población no es normal pero si

estable.
En la práctica los límites de control se estiman a partir de 20 o 25 muestras

preliminares o subgrupos, el tamaño de subgrupo es de 4, 5 o 6 normalmente. Si
se tienen m subgrupos, la gran media se calcula como sigue:
X i
(3.2)
X  i 1
m
Representa la línea central de la carta de medias.
Para estimar la  del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
R = xmax – xmin (3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
R i
(3.4)
R i 1
Página 80
DESARROLLO DE LA FORMULA PARA LOS LÍMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviación estándar

como sigue:
W=R/ (3.5)
Los parámetros de la distribución de W son función de n. La media de W es d2.

Por tanto un estimador de  es R / d2 , donde d2 está tabulado para diferentes
valores de n, de esta forma si R es el rango promedio de las primeras muestras,
usando:
R
  (3.6)
d2
Los límites de control de la carta de medias son:
3R
LSC  X  Límite superior de control (LSC)
d2 n
3R
LIC  X  Límite inferior de control (LIC) (3.7)
d2 n
X Línea central (LC)
3R
Si de define a A2  se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Página 81
Para el caso de los rangos, la línea central es R . El estimador para R puede

hallarse de la distribución del rango relativo W = R / , si la desviación estándar de
W es d3 en función de n, se tiene:
R=W (3.9)
La desviación estándar de R es:
R = d3 
Como  es desconocida, se puede estimar de  = R / d2, resultando:
R
 R  d3 (3.10)
d2
De esta forma los límites de control para el rango son:
R d3
LSC = R + 3  R = R + 3 d 3 = R [ 1+ 3 ] = D4 R
d2 d2
(3.11)
R d3
LIC = R - 3  R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en función de n para

facilitar el cálculo de los límites de control como sigue:
Tabla 3.1 Constantes para límites de control en cartas X-R

n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Página 82
Para valores pequeños de n, el rango es un buen estimador de la varianza tal

como lo hace la varianza de la muestra S 2. La eficiencia relativa del método del
rango a la S2 se muestra abajo:
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para n >= 10 el rango pierde eficiencia rápidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeños de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medición con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a través de una carta de control, es
muy importante llevar una bitácora registrando todos los cambios (tiempo y
descripción) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de máquina, interrupción de energía, arranque de máquina, 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 límites de control preliminares para determinar si el proceso estuvo en
Página 83
control (ver procedimiento de Gráficas de Control). Para probar esta hipótesis, se

analizan todos los puntos graficados y se hace un análisis para identificar si hay
puntos fuera de los límites de control o patrones anormales de comportamiento, si
así fuera, los límites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hipótesis de que el proceso está en control, por algún patrón 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 patrón de anormalidad y se re-calculan o revisan los límites 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 límites de control más 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
determinación de los límites de control revisados para el control futuro del proceso.
INTERPRETACIÓN DE CARTAS DE CONTROL X  R
Se debe iniciar con la interpretación de la carta R, identificando causas especiales

y después analizar la carta X . Además de la situación de un punto fuera de
control, se tienen otros patrones de anormalidad como los siguientes:
Patrones cíclicos: Puede ser ocasionado por cambios ambientales, fatiga del
operador, o fluctuaciones en las presiones u otras variables del proceso.
Página 84
LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o

fuera de los límites de control, con muy pocos puntos cerca de la línea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LIC
Fig. 3.3 Patrón de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en
métodos, operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
Fig. 3.4 Patrón de anormalidad con corrimiento en media
Página 85
Una tendencia ascendente o descendente: Son causadas por deterioración

gradual de herramientas u otro componente crítico del proceso, en los procesos
químicos puede deberse a la separación de algún componente.
LSC
LC
LIC
Fig. 3.5 Patrón de anormalidad de tendencia ascendente
Estratificación: Se muestra como una adhesión a la media, puede ser causado por
límites mal calculados, tomar piezas de procesos diferentes o falta de resolución
del equipo de medición.
LSC
LC
LIC
Fig. 3.7 Patrón de anormalidad de “estratificación”
Por lo general la carta R es más sensible a cambios en la normalidad de los

procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Página 86
En resumen los patrones de anormalidad más comunes son:

- Un punto fuera de los límites de control
- Siete puntos formando una tendencia ascendente o descendente
- Dos de tres puntos a más de dos sigma de la línea central en el mismo lado
- Cuatro de cinco puntos a más de una sigma de la línea central del mismo lado.
- Siete puntos en secuencia sobre o bajo la línea central
- Catorce puntos alternándose arriba y debajo de la media
- Quince puntos dentro de una sigma de la línea central en ambos lados
- Cualquier otro patrón de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automóvil,

se desea establecer un control estadístico para el diámetro
interno de los anillos, a través de una carta de medias-
rangos. Se toman 25 subgrupos de 5 piezas cada uno.
El análisis se inicia con la carta R ya que los límites para

la carta X dependen de la variabilidad del proceso, y a
menos que esta variabilidad se encuentre en control, esos
límites tendrán poco significado.
De las cartas de control se calcula un rango promedio R de

0.023mm (ver tabla de constantes para D3 y D4 con n=5):
LICR = R D3 = 0.023 (0) = 0

LSCR = R D4 = 0.023 (2.115) = 0.049
Si la carta de control para R se encuentra en control

estadístico, se puede ahora calcular los límites para la
carta X donde la línea central X es 74.001 (ver tabla de
constantes para obtener el valor de A2 con n=5).
Página 87
LSC = X + A2 R = 74.001 + (0.577) (0.0023) = 74.014

LIC = X - A2 R = 74.001 - (0.577) (0.0023) = 73.988
Si no se observan condiciones fuera de control en la carta X

. Si ambas cartas están en control, se puede concluir que el
proceso está en control y se pueden adoptar los límites
actuales para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensión crítica de una

parte, con el proceso corriendo normalmente, en 25 subgrupos
de tamaño n=5, uno cada hora:
X11 X12 X13 X14 X15 Mediasa Rangosa Desv. Est.

138.1 110.8 138.7 137.4 125.4 130.08 27.9 12.1019
149.3 142.1 105.0 134.0 92.3 124.54 57.0 24.6583
115.9 135.6 124.2 155.0 117.4 129.62 39.1 16.1775
118.5 116.5 130.2 122.6 100.2 117.60 30.0 11.0515
108.2 123.8 117.1 142.4 150.9 128.48 42.7 17.7420
102.8 112.0 135.0 135.0 145.8 126.12 43.0 17.9458
120.4 84.3 112.8 118.5 119.3 111.06 36.1 15.2448
132.7 151.1 124.0 123.9 105.1 127.36 46.0 16.6649
136.4 126.2 154.7 127.1 173.2 143.52 47.0 20.1630
135.0 115.4 149.1 138.3 130.4 133.64 33.7 12.3062
139.6 127.9 151.1 143.7 110.5 134.56 40.6 15.8568
125.3 160.2 130.4 152.4 165.1 146.68 39.8 17.8672
145.7 101.8 149.5 113.3 151.8 132.42 50.0 23.1669
138.6 139.0 131.9 140.2 141.1 138.16 9.2 3.6363
110.1 114.6 165.1 113.8 139.6 128.64 55.0 23.5081
145.2 101.0 154.6 120.2 117.3 127.66 53.6 21.8355
125.9 135.3 121.5 147.9 105.0 127.12 42.9 15.9772
129.7 97.3 130.5 109.0 150.5 123.40 53.2 20.6947
123.4 150.0 161.6 148.4 154.2 147.52 38.2 14.4185
144.8 138.3 119.6 151.8 142.7 139.44 32.2 12.1146
.
Página 88
Los cálculos y gráficas se hicieron utilizando

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

El proceso se observa en control estadístico, con estos
límites de control calculados, se continúa corriendo el
proceso para otros 10 datos con el comportamiento siguiente:

131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461
154.8 170.2 168.4 202.7 174.4 174.10 47.9 17.5943
157.5 154.2 169.1 142.2 161.9 156.98 26.9 9.9693
216.3 174.3 166.2 155.5 184.3 179.32 60.8 23.2220
186.9 180.2 149.2 175.2 185.0 175.30 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51.0 18.8798
178.2 186.7 142.4 159.4 167.6 166.86 44.3 17.1516
162.6 143.6 132.8 168.9 177.2 157.02 44.4 18.3454
172.1 191.7 203.4 150.4 196.3 182.78 53.0 21.5062
tas de control quedan como sigue:

El proceso se observa en control estadístico, con estos
límites de control calculados, se continúa corriendo el
proceso para otros 10 datos con el comportamiento siguiente:

131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461
154.8 170.2 168.4 202.7 174.4 174.10 47.9 17.5943
157.5 154.2 169.1 142.2 161.9 156.98 26.9 9.9693
216.3 174.3 166.2 155.5 184.3 179.32 60.8 23.2220
186.9 180.2 149.2 175.2 185.0 175.30 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51.0 18.8798
178.2 186.7 142.4 159.4 167.6 166.86 44.3 17.1516
162.6 143.6 132.8 168.9 177.2 157.02 44.4 18.3454
172.1 191.7 203.4 150.4 196.3 182.78 53.0 21.5062
Página 89
Test Results for Xbar Chart

TEST 1. One point more than 3.00 sigmas from center line.
Test Failed at points: 21 22 23 24 25 26 27 28 29 30
TEST 2. 9 points in a row on same side of center line.

Test Failed at points: 27 28 29 30
TEST 5. 2 out of 3 points more than 2 sigmas from center line

(on one side of CL).
TEST 6. 4 out of 5 points more than 1 sigma from center line

Test Failed at points: 22 23 24 25 26 27 28 29 30
TEST 8. 8 points in a row more than 1 sigma from center line

(above and below CL).
Test Failed at points: 26 27 28 29 30
Test Results for R Chart
Suponiendo que se identificaron las causas asignables

responsables de los puntos fuera de control identificados en
la carta de medias y que se hicieron ajustes al proceso para
corregirlo, se tomaron otros diez datos con los resultados
siguientes:
Página 90
X11 X12 X13 X14 X15 Mediasa Rangosa

131.5 143.1 118.5 103.2 121.6 123.58 39.9
111.0 127.3 110.4 91.0 143.9 116.72 52.9
129.8 98.3 134.0 105.1 133.1 120.06 35.7
145.2 132.8 106.1 131.0 99.2 122.86 46.0
114.6 111.0 108.8 177.5 121.6 126.70 68.7
125.2 86.4 64.4 137.1 117.5 106.12 72.7
145.9 109.5 84.9 129.8 110.6 116.14 61.0
123.6 114.0 135.4 83.2 107.6 112.76 52.2
85.8 156.3 119.7 96.2 153.0 122.20 70.5
107.4 148.7 127.4 125.0 127.2 127.14 41.3
Las cartas de control quedan como sigue:
Se identifican las siguientes situaciones anormales:

Test Failed at points: 26
TEST 2. 9 points in a row on same side of center line.

Test Failed at points: 29 30
TEST 5. 2 out of 3 points more than 2 sigmas from center line

Test Failed at points: 28
TEST 6. 4 out of 5 points more than 1 sigma from center line

Test Failed at points: 26 27 28 29
Identificando las causas y tomando acciones preventivas, se

eliminan los últimos cinco puntos que ocasionan que la carta
de control de medias salga de control, ahora las cartas
quedan en control estadístico como sigue:
Página 91
Página 92
Ejemplo 3.3 Se considera otro ejemplo con los datos

individuales siguientes, procesados con el paquete Minitab:
X1 X2 X3 X4 X5 HORA Medias Rangos

-30 50 -20 10 30 1 8 80
0 50 -60 -20 30 2 0 110
-50 10 20 30 20 3 6 80
-10 -10 30 -20 50 4 8 70
20 -40 50 20 10 5 12 90
0 0 40 -40 20 6 4 80
0 0 20 -20 -10 7 -2 40
70 -30 30 -10 0 8 12 100
0 0 20 -20 10 9 2 40
10 20 30 10 50 10 24 40
40 0 20 0 20 11 16 40
30 20 30 10 40 12 26 30
30 -30 0 10 10 13 4 60
30 -10 50 -10 -30 14 6 80
10 -10 50 40 0 15 18 60
0 0 30 -10 0 16 4 40
20 20 30 30 -20 17 16 50
10 -20 50 30 10 18 16 70
50 -10 40 20 0 19 20 60
50 0 0 30 10 20 18 50
La gráficas quedan como sigue:
Página 93
La carta de prueba de rachas queda como sigue, indicando un proceso normal:
Página 94
Página 95
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso

está en Control Estadístico.
Página 96
.
CAPACIDAD O HABILIDAD DEL PROCESO
Una vez que se tiene un proceso en control estadístico, se puede estimar su

capacidad o habilidad, tomando como referencia la desviación estándar del
proceso estimada .
Ejemplo 3.3 (continuación..)

R 0.023
= = = 0.0099
d2 2.326
Donde el valor de d2 se encuentra en las tablas de constantes
para una n=5. Si la especificación de los anillos de pistones
es de 74.000  0.05 mm, se tienen como límites inferior y
superior de especificaciones los siguientes:
LIE = 73.950
Página 97
LSE = 74.0500
Los límites de tolerancia naturales del proceso inferior y

superior (LTNI y LTNS) se encuentran a 3-sigma del proceso
por abajo y por arriba de la media del proceso, o sea en:
LTNS = X + 3 = 74.001 + 3 (0.0099) = 74.0307

LTNI = X - 3 = 74.001 - 3 (0.0099) = 73.9713
LIE LTNI MEDIA LTNS LSE

Fig. 3.8 Localización de Límites de especificaciones y
naturales
Se observa que los límites de tolerancia naturales del proceso se encuentran

dentro de los límites de especificación, por tanto en principio no se observa que
haya partes fuera de especificaciones.
Otra forma de expresar lo anterior es con el índice de habilidad potencial Cp (o

PCR) siendo:
LSE  LIE
Cp = (3.12)
6
74.05  73.95 0.10

Cp =   1.68
6(0.0099) 0.05984
Se pueden presentar tres casos:
Página 98
Caso 1. Si Cp es menor que 1, implica que la banda entre los límites de tolerancia
naturales es mayor que la banda permitida por los límites de especificación.
LTNI LIE LSE LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los límites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE LSE
LNTI LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los límites de tolerancia
natural del proceso, es menor que la banda permitida por las especificaciones.
LIE LTNI LTNS LSE
La fracción de la banda de las especificaciones utilizada por el proceso se estima

como sigue:
P = (1 / Cp) 100% (3.13)
Página 99
P = (1 / 1.68) 100% = 59.2%
Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.
Se puede estimar la fracción de anillos no conformes

producidos, con ayuda de la distribución normal, como sigue:
p = P { x < 73.950 } + P { x > 74.001 }

 73.950  74.001   74.050  74.001 
=     
 0.0099   0.0099 
=  (-5.15) + 1 -  (4.04)
 0 + 1 – 0.99998
 0.00002
Por lo anterior alrededor de 0.002% o 20 partes por millón
(ppm) de los anillos producidos estarán fuera de
especificaciones.
Página 100
Ejemplo 3.2 (continuación...). Para la carta de control de

las medias, después de haber eliminado las causas especiales
y tomado acciones para prevenir su recurrencia, se tiene el
cálculo de habilidad como sigue:
Página 101
Ejemplo 3.3. Para las cartas X-R se tiene el cálculo de la

capacidad o habilidad del proceso, una vez estable:
Página 102
Para el cálculo de otros índices que toman en cuenta la posición de la media,

revisar el capítulo de capacidad del proceso o el procedimiento de cartas X –R.
REVISIÓN O RE-CÁLCULO DE LA LÍNEA CENTRAL Y LÍMITES DE CONTROL
Los límites de control calculados como límites preliminares, deben ser revisados
en forma periódica que puede ser por semana, mes o cada 25, 50 o 100 puntos
dependiendo del proceso en particular.
Lo recomendable en cada revisión es tomar las acciones necesarias para que la

media del proceso X se acerque cada vez más a la media de las
especificaciones (en caso de ser bilaterales) o se aleje lo más posible de la
especificación (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 límites de control, para usarse en el control futuro del proceso.
LÍMITES DE CONTROL, DE ESPECIFICACIÓN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relación matemática entre los
límites de especificación y los de control o los de tolerancia natural.
Los límites de especificación son establecidos externamente al proceso por

ingenieros de manufactura, el cliente o por los diseñadores 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 sólo su
Página 103
variabilidad aleatoria y maximizando la posibilidad de detectar corridas en la media

del proceso en función del tiempo.
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 TAMAÑO DE MUESTRA

Cuando el proceso ya mostró estabilidad durante un periodo largo de tiempo, es
posible reducir el esfuerzo y costo de control a través de reducir el tamaño de
muestra. Los límites de control se pueden recalcular sin tomar muestras
adicionales como sigue:
R ant  rango promedio para el tamaño de subgrupo anterior

R nuevo  rango promedio para el tamaño de subgrupo nuevo
nant = tamaño de subgrupo anterior
nnuevo = tamaño de subgrupo nuevo
d2 ant = factor d2 para el tamaño de subgrupo anterior
d2 nuevo = factor d2 para el tamaño de subgrupo nuevo
Los nuevos límites de control para la carta X son (seleccionando A2 en base al

nuevo tamaño de subgrupo nnueva , la línea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant (3.14)
LICX = X - A2 [d2 nuevo / d2 ant ] R ant
Para el caso de la carta R los nuevos límites de control son (seleccionando D 3 y D4

para el nuevo tamaño de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant (3.15)
LCR = R nuevo  [d2 nuevo / d2 ant ] R ant
LICR = max { 0, D3 [d2 nuevo / d2 ant ] R ant }
Página 104
Si en Ejemplo 3.1 de trabajo se quisiera cambiar de n=5 a

n=3, se tendría:
De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva =

1.693, A2 nueva = 1.023, por tanto los límites nuevos son:
LSCX = 74.001 + (1.023) [ 1.693 / 2.326 ] (0.023) = 74.018

LICX = 74.001 - (1.023) [ 1.693 / 2.326 ] (0.023) = 73.984
Para la carta R, de la tabla de constantes para n=3 se tiene

D3 = 0, D4 = 2.578, por tanto:
LSCR = (2.578) ) [ 1.693 / 2.326 ] (0.023) = 0.043

LICR = (0) ) [ 1.693 / 2.326 ] (0.023) = 0.0
LCR = [ 1.693 / 2.326 ] (0.023) = 0.017
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
LIMITE SUP. ANT.

LIMITE SUP.NVO.
CARTA R
Fig. 3.9 Revisión de límites de control cambiando de n=5 a 3
Página 105
Como se puede observar el efecto de reducir el tamaño de muestra hace que se

incremente el ancho de los límites de control en la carta X (porque es más
n
pequeño con n=5 que con n=3) y se reduzca la media de R y su límite superior en
la carta R.
LA CURVA CARACTERÍSTICA DE OPERACIÓN

La habilidad de las cartas de control X  R para detectar corrimientos en la media
del proceso es indicada por su curva característica de operación (OC). Su
determinación se muestra a continuación.
Si en la carta para X se conoce la desviación estándar del proceso  y es
constante, cuando la media del proceso 0 cambia a otro valor 1 = 0 + k , la
probabilidad de no detectar el cambio en la primera muestra subsecuente es el
riesgo , donde:
 = P { LIC <= X <= LSC  1 = 0 + k  } (3.16)

dado que X  N (, 2/n) y que los límites de control son:
LSC = 0 + L / n (3.17)
LIC = 0 - L / n
La probabilidad de que un punto de X i caiga dentro de límites de control

sabiendo que la media del proceso ya es 1, es igual a la probabilidad de que el
punto se encuentre abajo del límite superior (LSC) menos la probabilidad de que
se encuentre abajo del límite inferior de control (LIC). Considerando la desviación
Estándar de las medias, o sea:
Página 106
+
LSC  ( ZLSC, x)
Xi
LC
 ( ZLIC, x)
LIC
-
Fig. 3.10 Cálculo del error Beta o tipo II
 LSC  (  0  k )   LIC  (  0  k ) 
Entonces  =    -  
 / n   / n 
  0  L / n  (  0  k )     L / n  (  0  k ) 
 =  -  0  (3.18)
 / n   / n 
Donde  es la distribución normal acumulativa. La expresión anterior se reduce a:
=(L–k n )-(-L–k n ) (3.19)
Ejemplo 3.4 Para una carta X  R con L=3 (límites a 3-sigma de

medias), tamaño de muestra n=5, y se desea determinar el
corrimiento a 1 = 0 + 2  en la primera muestra subsecuente
al corrimiento de la media del proceso, se tiene:
 =  ( 3 – 2 5 ) -  ( - 3 – 2 5 )
=  (-1.47) -  (-7.37)
= 0.0708
Página 107
Este es el riesgo  o la probabilidad de no detectar tal

corrimiento. La probabilidad de sí detectarlo es 1-  =
= 1 – 0.0708 = 0.9292.
Con las fórmulas anteriores se construyen las curvas

características de operación  para diferentes valores de n
en función de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene

que  = 0.75 y la probabilidad de detectar el corrimiento en
la segunda muestra se calcula como (1- ) = 0.19, y así
sucesivamente. La longitud de la corrida media es el número
esperado de muestras antes de que el corrimiento sea
detectado, se denomina ARL o :
1
ARL = (3.20)
1 
En este caso ARL = 1 / 0.25 = 4. Es decir que el se

requieren tomar cuatro muestras antes de detectar un
corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribución del

rango relativo W=R/. Si el valor de la desviación estándar cuando el proceso está
en control es 0, entonces la curva OC muestra la probabilidad de no detectar un
corrimiento a un nuevo valor 1, donde 1>0 , en la primera muestra después del
corrimiento. Se grafica  contra = 1/0.
Por ejemplo si  = 2 con n=5, sólo se tienen una probabilidad del 40% de detectar
este corrimiento en cada muestra subsecuente. Por tanto la carta R tiene poca
Página 108
sensibilidad de detectar pequeños corrimientos en sigma, para cual se debe usar

la carta S con n>10.
LONGITUD DE CORRIDA MEDIA
La longitud de corrida media para la carta de Shewhart cuando el proceso está en

control es:
ARL = 1 / P ( un punto fuera de control) = ARL 0 = 1 /  (3.21)
Cuando el proceso está fuera de control es:
ARL1 = 1 / ( 1 -  ) (3.22)
De las gráficas de ARL anexas, se observa que para detectar un corrimiento de

1.5 con n=3, se requiere un ARL1 = 3. Se puede reducir el ARL 1 a 1 si se
incrementa la n=16.
3.3 CARTAS DE CONTROL PARA X y S
Estas cartas de control son recomendadas cuando:
1. El tamaño de muestra es moderadamente grande n>10 o 12 (donde el rango

pierde eficiencia por no tomar en cuenta valores intermedios).
2. El tamaño de muestra es variable.
Su construcción es similar a la de la carta de medias-rangos, excepto que en lugar

del rango R en cada subgrupo se calcula la desviación estándar S.
Página 109
S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es

un estimador insesgado de . Si la distribución es normal, entonces S estima a c4
donde c4 es una constante que depende del tamaño de muestra n. Además la
desviación estándar de S es  1  c 4 .
1/ 2
 2   ( n / 2)
c4    (3.18)
 n 1 ((n  1) / 2)
CASO DE n CONSTANTE
Con esta información se pueden establecer los límites de control para la carta X
y S, cuando se conoce el valor de  dado que existe un historial.
Para la carta S se tiene: Para la carta X se tiene:

LSCs = c4 + 3  1  c 4 = B6  LSCX =  + A (3.20)
LCs = c 4 LC = 
Página 110
LICs = c4 - 3  1  c 4 = B5  LICX =  - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviación estándar de la población, se puede

estimar utilizando diversas muestras m con datos históricos, donde se obtenga la
desviación estándar en cada una de ellas y se promedien.
1 m
S  Si
m i 1
(3.21)
__
S
  (3.22)
c4
Como el estadístico S /c4 es un estimador insesgado de , los parámetros de la

carta serán los siguientes:
S
LSCs = S  3 1  c 42 = B4 S (3.23)
c4
LCs = S
S
LICs = S  3 1  c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar  los límites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S
c4 n
(3.24)
LCx = X
Página 111
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, A’s y B’s se encuentran tabuladas en función de n en la

tabla de constantes, como sigue:
Tabla 3.2 Constantes para límites de control en cartas X-S
n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
CASO DE n VARIABLE
En el caso de tamaño de muestra variable, se utiliza el promedio ponderado de las

medias y de las desviaciones estándar como sigue:
Página 112
n X i i
X  i 1
m (3.25)
n
i 1
i
1/ 2
 2 
  (ni  1) S i 
S m  (3.26)
 
  ni  m 
 i 1 
Ejemplo 3.4 Para una carta X-S con límites variables, se
tomaron los datos siguientes, corriendo en Minitab:
X21 Subíndice
74.030 1
74.002 1
74.019 1
73.992 1
74.008 1
73.995 2
73.992 2
74.001 2
73.998 3
74.024 3
74.021 3
74.005 3
74.002 3
74.002 4
73.996 4
73.993 4
74.015 4
74.009 4
73.992 5
74.007 5
74.015 5
73.998 5
74.014 5
74.009 6
73.994 6
73.997 6
73.985 6
73.995 7
74.006 7
73.994 7
74.000 7
73.985 8
74.003 8
73.993 8
74.015 8
Página 113
73.998 8
74.008 9
73.995 9
74.009 9
74.005 9
73.998 10
74.000 10
73.990 10
74.007 10
73.995 10
73.994 11
73.998 11
73.994 11
73.995 11
73.990 11
74.004 12
74.000 12
74.007 12
74.000 12
73.996 12
73.983 13
74.002 13
73.998 13
74.006 14
73.967 14
73.994 14
74.000 14
73.984 14
74.012 15
74.014 15
73.998 15
74.000 16
73.984 16
74.005 16
73.998 16
73.996 16
73.994 17
74.012 17
73.986 17
74.005 17
74.006 18
74.010 18
74.018 18
74.003 18
74.000 18
73.984 19
74.002 19
74.003 19
74.005 19
73.997 19
74.000 20
74.010 20
74.013 20
73.998 21
74.001 21
74.009 21
74.005 21
Página 114
73.996 21
74.004 22
73.999 22
73.990 22
74.006 22
74.009 22
74.010 23
73.989 23
73.990 23
74.009 23
74.014 23
74.015 24
74.008 24
73.993 24
74.000 24
74.010 24
73.982 25
73.984 25
73.995 25
74.017 25
74.13 25
.
Test Results for S Chart
Test Failed at points: 22 Debe identificarse la causa y tomar acción preventiva.
Página 115
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la

S = 0.0098, por tanto los límites de control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como método alterno para n variable se puede utilizar la n si no hay mucha

variación entre los diferentes tamaños de muestra (dentro de n  25%).
ESTIMACIÓN DE 
El valor de la desviación estándar  puede ser estimado del valor de S como

sigue:
S
 
c4
Para el ejemplo:
S
  = 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para
c4
n=5.
Existe una variante de las cartas de medias-desviación estándar denominadas

cartas de medias-varianza.
Página 116
3.4 CARTAS PARA LECTURAS INDIVIDUALES
Existen muchas situaciones donde el tamaño de muestra es n =1, por ejemplo:
1. Cuando hay inspección automática de piezas individuales.

2. La tasa de producción es muy baja y no es inconveniente tomar muestras de
más de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (sólo por errores de
medición de laboratorio) como en procesos químicos.
4. En plantas de proceso como las de papel, el espesor de los acabados tiene
una variabilidad muy baja a través del rollo.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los

rangos móviles se empiezan a calcular a partir de la segunda muestra como MR i
= X i  X i 1 .
Para este caso, los límites de control para la carta X son:
MR
LSCx = X  3
d2
__
LCx = X (3.27)
MR
LICx = X  3
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se

construye una carta de lecturas individuales, donde el rango
se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habrá (m – 1) rangos en total. Con m =
número de subgrupos.
Página 117
. X-ind. No.Lote
33.75 1
33.05 2
34.00 3
33.81 4
33.46 5
34.02 6
33.68 7
33.27 8
33.49 9
33.20 10
33.62 11
33.00 12
33.54 13
33.12 14
33.84 15
El proceso está en control estadístico.
Página 118
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR

ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias características a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas características. Por otra parte si esas características se controlan como
variables, debe llevarse una carta de control para cada una de esas
características, lo cual es más laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de
atributos, tal como la media del proceso y su variabilidad, también proporcionan
información para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artículos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere más
disconformes.
LIE 1 2 3 LSE
Reacción de carta X-R Reacción de carta p
Fig. 3.11 Comparación de sensibilidad entre cartas de control
Tal vez la ventaja más importante de la carta X-R es que proporciona un indicador
de inicio de problemas y permite al personal operativo tomar acciones correctivas
antes que se produzcan defectivos realmente, de esta forma las cartas X-R son
indicadores guía de falla, mientras que las cartas p (o c o u) no reaccionan a
menos que el proceso haya cambiado tanto que se produzcan más defectivos.
Página 119
En la figura, cuando la media del proceso esta en 1 se producen pocas no

conformidades, si la media del proceso se corre hacia arriba, cuando llegue a 2 la
carta X-R habrá mostrado un patrón anormal o puntos fuera de control para tomar
acciones correctivas, mientras que la carta p no reaccionará hasta que la media
del proceso se haya recorrido hasta 3, o hasta que el número de unidades no
conformes producidas se haya incrementado. Por tanto las cartas X-R son más
poderosas que las cartas p.
Para el mismo nivel de protección contra corrimientos del proceso, la carta p

requiere un tamaño de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman más tiempo. Esta consideración es
importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde

el valor medio de la característica de calidad es 50 y la
desviación estándar es 2, para límites de 3-sigma y
especificaciones LIE=44 y LSE=56, cuando el proceso está en
control en el valor nominal de 50, la fracción no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a

52, la fracción defectiva producida será aproximadamente
0.0202, si se desea que la probabilidad de detectar este
corrimiento en la siguiente muestra subsecuente sea del 0.50,
entonces el tamaño de muestra en la carta X debe ser tal que
se cumpla que el LSC sea 52 o sea:
3(2)
50   52
n
donde n=9,
Página 120
Si se utiliza una carta p entonces el tamaño de muestra

requerido para tener la misma probabilidad de detectar el
corrimiento es:
2
k
n    p(1  p )
 
Con k = 3, que es el ancho de los límites de control, p =

0.0027 y  es la magnitud de incremento en fracción
defectiva o sea  = 0.0202 – 0.0027 = 0.0175, de esta forma,
n = 79.23  80
Donde se observa que a menos que el costo de medir 9 muestras

sea mayor que 9 veces el costo de inspección por atributos,
las carta X es más económica de aplicar.
GUÍA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la característica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarán las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicación de la
carta de control.
5. Seleccionar el sistema de colección de datos y software de C.E.P.
SELECCIÓN DE LA CARTA DE CONTROL ADECUADA

A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
Página 121
2. El proceso ha estado mostrando un comportamiento inconsistente en forma

crónica.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de manufactura.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad como en industrias
reguladas.
B. Se prefiere una carta por atributos en las situaciones siguientes:

1. Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
2. El proceso es una operación de ensamble compleja y la calidad se evalúa por
la ocurrencia de no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeño del proceso para revisión ejecutiva.
C. Cartas de control por lecturas individuales
1. Es inconveniente o difícil obtener más de una medición por muestra, o la

repetición de muestras sólo mostrará errores de medición de laboratorio, tal
como ocurre en proceso químicos.
2. Se cuenta con inspección automatizada de cada unidad de producto. Para
estos casos también se deben considerar las cartas de sumas acumuladas o
de media móvil ponderada.
3. Los datos disponibles son muy lentos en el tiempo, por ejemplo datos
contables mensuales.
Página 122
3.6 APLICACIÓN DE CARTAS DE CONTROL POR VARIABLES
Algunas de las aplicaciones de las cartas de control por variables son:
1. Mejora de procesos de proveedores. Reducir su variabilidad a través de

centrar su proceso y tomar acciones correctivas.
2. Selección de equipo productivo a través de demostración de su capacidad
antes de su embarque.
3. Corridas cortas en talleres de manufactura. Se controla la desviación respecto
a la media especificada, de una característica específica de calidad para
diferentes productos similares.
4. Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay
especificaciones, (2) se requiere más imaginación para aplicar las cartas de
control. Se usan por ejemplo para reducir el tiempo de proceso de las cuentas
por pagar (pago de cheques).
Página 123
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para límites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
5 1.023 0.000 2.574 1.693
6 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para límites de control en las cartas X-S son:

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Página 124
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIÓN
Muchas características de calidad no pueden ser representadas numéricamente,
denominándose atributos. En tales casos cada artículo completo se clasifica
como conforme o no conforme a especificaciones y/o estándares, es decir

como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Fig. 4.1 Cuando el producto no es funcional es no conforme,

defectivo o defectuoso. Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p

de fracción defectiva o la np para el número de defectivos o de no conformes. Se
aplica a productos simples (tornillos, lápices, botellas, etc.)
Cuando más bien se controla el número de defectos o no conformidades que se

observan en un producto, se utiliza la carta de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante.
Se aplica a productos complejos (coches, TV, cámaras de video, escritorios,
refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a
los estándares establecidos o a las especificaciones.
Fig. 4.1 El producto puede ser funcional pero puede tener

defectos o no conformidades, que pueden ser corregidas con
retrabajo o no se pueden corregir y ser desperdicio.
Página 125
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p
La fracción no conforme es la relación entre el número de artículos discrepantes

entre el total de artículos, se expresa como fracción decimal, aunque también se
puede expresar en porcentaje. El artículo puede tener varias características de
calidad que son examinadas por un inspector, si el artículo no está de acuerdo a
los estándares, se le considera como defectuoso o no conforme.
La fracción defectiva o no conforme en la muestra se define como la relación entre

el número de unidades no conformes D al tamaño de muestra n, o sea:
Di
pi  (4.1)
ni
La distribución de este estadístico sigue la distribución binomial por tanto:
__
p (4.2)
p (1  p )
 2p  (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico
que mide una característica de calidad, con media w y varianza  w , los límites
2
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Página 126
Donde L es la distancia de la línea central hasta los límites de control, es común

usar L = 3.
Por tanto los límites de control de la carta p considerando L = 3 son:
__ __
LSCp = p  3 p (1  p )
__
n
__
LCp = p (4.5)
__ __
LICp = p  3 p (1  p )
__
Durante la operación, se toman muestras de n unidades, se calcula la fracción

defectiva pi y se grafíca en la carta, mientras no se observe ningún patrón
anormal y pi se localice dentro de límites de control, se puede concluir que el
proceso está en control, de otra forma, se concluirá que la fracción no conforme se
ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos

observados en m muestras iniciales, cada una de tamaño n , por lo general se
toman 20 a 25 de estas. Así si D i son unidades no conformes en la muestra i , la
fracción defectiva de la muestra i - ésima estará dada como:
pi = D i / n i = 1, 2, 3,....., m (4.6)
y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m m
 Di p i
(4.7)
p i 1
 i 1
mn m
Página 127
El estadístico p estima la fracción desconocida p, y los límites preliminares de

control son:
p (1  p )
LSC p  p  3 (4.5) anterior
n
LC p  p
p (1  p)
LIC p  p  3
n
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situación fuera de control se eliminan
y se calculan de nuevo los límites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo

de naranja de 6 oz., se inspecciona cada caja y se
inspecciona el sello para evitar fugas, se lleva una carta de
control para tomar acciones y mejorar el desempeño de la
maquina selladora.
Para establecer la carta de control, se toman 30 muestras de

50 piezas cada una en intervalos de una hora.
Hora No-conformidades Hora No-conformidades

1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
Página 128
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Como en total se encontraron 347 cajas no conformes, se

estima p como sigue:
m m
 Di p i
=
347
= 0.2313
p i 1
 i 1 (30)(50)
mn m
Los límites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
De la carta de control se observa que las muestras 15 y 23

están fuera de los límites de control, de tal forma que el
proceso esta fuera de control.
Del análisis de los datos de la bitácora se encontró que la

muestra 15 corresponde a el cambio de un nuevo lote de cajas
el cual fue diferente y que la muestra 23 corresponde a un
operador sin experiencia asignado temporalmente a la máquina.
Tomando acciones correctivas para evitar la recurrencia de

las causas anteriores y calculando nuevos límites
preliminares con los puntos 15 y 23 eliminados, se tiene con
Minitab:
LSCp = 0.3893
LCp = 0.2150
Página 129
LICp = 0.0407
En la gráfica de límites revisados, se observa que la muestra

21 excede el limite superior de control, sin embargo no se
encontró una causa asignable, por tanto se retiene este punto
para el cálculo de los límites preliminares. Tampoco se
observan patrones de anormalidad, la mayor racha o corrida
tiene 5 puntos sobre la línea central, lo cual no representa
una situación fuera de control.
De esta forma se concluye que el proceso está en control a
una p = 0.2150 adoptando los límites preliminares para
control futuro.
Se observa que a pesar de que el proceso está en control, no se tienen presentes

problemas controlables por el operador, por tanto las causas de variabilidad son
comunes y su reducción depende sólo del control de la administración, una vez
Página 130
que interviene e Ingeniería realiza una serie de ajustes a la máquina, se monitorea

la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales

durante los siguientes 3 turnos, la gráfica se hizo
utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los

ajustes y una mejor atención de los operadores.
Página 131
Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos,

difiere de la fracción no conforme preliminar, con el procedimiento de prueba de
hipótesis:
H0: p1 = p2
H1: p1 > p2
Donde p1 es la fracción no conforme de los datos preliminares

(p1 = p 1 = 0.2182) y p2 es la fracción no conforme del periodo actual. Para estimar
p2 se toman las últimas 24 muestras o sea:
m m
D i p i
=
133

133
 0.1108
p2  i  31
 i  31 (50)( 24) 1200
mn m
El estadístico de prueba aproximado para probar la hipótesis anterior es:
p1  p 2
Z0  n1 p1  n 2 p 2
 n1  n 2  con p 
p (1  p )  n1  n 2
 n1n 2 
por tanto:
(1400)(0.2150)  (1200)(0.118)
p  0.1669
1400  1200
0.2150  0.1108
Z0   7.10
 1 1 
(0.1669)(0.8331)  
 1400 1200 
Para un nivel de significancia del 0.05 en la distribución normal, se encuentra que:
Z0 = 7.10 > Z.05 = 1.645
Página 132
Por tanto se rechaza la hipótesis H o concluyendo que hubo una reducción en la

fracción defectiva promedio del proceso.
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos límites de

control, para las siguientes 40 muestras se observa una
mejora del proceso, dentro de control.
Página 133
Es muy importante que para identificar fácilmente las causas asignables, se lleve
una bitácora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
DISEÑO DE LA CARTA DE CONTROL
Determinación del tamaño de muestra:
Método 1.
El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al
menos una unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de

hallar al menos una unidad no conforme sea al menos 0.95, si
D es el número de artículos no conformes, entonces:
P{ D >= 1 }>= 0.95
Con la distribución de Poisson se encuentra que  = np debe

ser mayor a 3.00, por tanto si p = 0.01, implica que el
tamaño de muestra debe ser al menos de 300.
Método 2.
Duncan sugiere que el tamaño de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la media
de un proceso en una cierta cantidad.
Asumiendo que la distribución normal es una buena aproximación a la binomial, se

selecciona n de tal forma que el límite superior de control coincida con la fracción
defectiva en el estado fuera de control.
Página 134
Entonces n debe satisfacer:
p(1  p )
 L (4.8)
n
Donde L es la distancia de la línea central a los límites de control en desviaciones

estándar, por tanto,
2
L
n    p (1  p ) (4.9)
 
Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de

detectar un corrimiento a p = 0.05 sea de 0.50, entonces  =
0.05 – 0.01 = 0.04 y si L = 3-sigma, se tiene:
2
 3 
n=   (0.01)(0.99)  56
 0.04 
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar
n tan grande de tal forma que el límite inferior tenga un valor positivo, para poder
investigar la causa de generación de muy bajas cantidades de artículos
defectuosos con objeto de identificar errores de inspección o de los equipos de
medición. Se tiene:
p (1  p )
LIC p  p  L 0 (4.10)
n
Implica que,
(1  p ) 2
n L (4.11)
p
Página 135
Ejemplo 4.4, si p = 0.05 y se tienen límites de control a 3-

sigma, el tamaño de muestra será:
0.95
n (3) 2  171
0.05
Si n>171 unidades, la carta de control tendrá un límite

inferior de control positivo.
Es importante notar que la carta de control p se basa en la distribución normal, es

decir que la probabilidad de ocurrencia de artículos defectivos es constante y que
las unidades producidas son independientes. Si no es el caso, se debe desarrollar
una carta de control basada en el modelo de probabilidad adecuado.
Página 136
4.3 CARTA DE CONTROL np
En lugar de tener fracciones no conformes, si el tamaño de muestra es constante,

se pueden utilizar directamente el número de artículos defectivos o no conformes
np, para evitarle operaciones aritméticas al operador, los parámetros de esta carta
son:
LSC np  np  3 np (1  p )
LC np  np (4.12)
LIC np  np  3 np (1  p )
Si no se conoce el valor de p, se puede estimar con la p .

El número de defectivos o no conformes es un entero, por tanto es más fácil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los últimos 39 datos de las cajas de

concentrado de jugo de naranja, se tiene:
Página 137
4.4 TAMAÑO DE MUESTRA VARIABLE
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección

100% de los lotes producidos en un periodo de tiempo, por tanto la muestra será
variable. Se tiene varios métodos para llevar una carta de control:
Método 1. Límites variables
Se calculan límites de control para cada muestra en base en la fracción defectiva
promedio p y su tamaño de muestra con p  3 p(1  p) / ni . La amplitud de los

límites es inversamente proporcional a la raíz cuadrada del tamaño de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspección

diaria, registrando la producción total y los defectivos del
día.
n-var nodef Fra-def LSC LIC Des-est

100 12 0.120000 0.183686 0.0073347 0.0293918
80 8 0.100000 0.194093 -0.0030730 0.0328611
80 6 0.075000 0.194093 -0.0030730 0.0328611
100 9 0.090000 0.183686 0.0073347 0.0293918
110 10 0.090909 0.179582 0.0114382 0.0280240
110 12 0.109091 0.179582 0.0114382 0.0280240
100 11 0.110000 0.183686 0.0073347 0.0293918
100 16 0.160000 0.183686 0.0073347 0.0293918
90 10 0.111111 0.188455 0.0025651 0.0309817
90 6 0.066667 0.188455 0.0025651 0.0309817
110 20 0.181818 0.179582 0.0114382 0.0280240
120 15 0.125000 0.176003 0.0150173 0.0268310
120 9 0.075000 0.176003 0.0150173 0.0268310
120 8 0.066667 0.176003 0.0150173 0.0268310
110 6 0.054545 0.179582 0.0114382 0.0280240
80 8 0.100000 0.194093 -0.0030730 0.0328611
80 10 0.125000 0.194093 -0.0030730 0.0328611
80 7 0.087500 0.194093 -0.0030730 0.0328611
90 5 0.055556 0.188455 0.0025651 0.0309817
100 8 0.080000 0.183686 0.0073347 0.0293918
100 5 0.050000 0.183686 0.0073347 0.0293918
100 8 0.080000 0.183686 0.0073347 0.0293918
100 10 0.100000 0.183686 0.0073347 0.0293918
90 6 0.066667 0.188455 0.0025651 0.0309817
Página 138
La fracción defectiva media se calcula como sigue:
25
D i
234
p i 1
25
  0.096
2450
n
i 1
i
Y los límites de control se calculan como sigue:

(0.096)(0.904)
LSCp= p  3 p  0.096  3
ni
LC = 0.096
(0.096)(0.904)
LICp= p  3 p  0.096  3
ni
Se observa que la muestra 11 está fuera de control.
Página 139
Cuando se toman límites de control variables, el análisis de patrones de

anormalidad no tiene sentido ya que la desviación estándar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
Método 2. Tamaño de muestra promedio
En este caso, se toma el promedio de los tamaños de muestra para calcular los
límites de control aproximados, se asume que los tamaños de muestra no diferirán
en forma apreciable de los observados, aquí los límites de control son constantes.
Si existen grandes diferencias mayores al promedio más o menos 25%, este
método no es adecuado.
m
n i
2450
n i 1
  98
m 25
Con límites de control basados en n  98 :
(0.096)(0.904)
LSCp= p  3 p  0.096  3  0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p  3 p  0.096  3  0.007
98
Otra vez de la gráfica se observa que el punto 11 está fuera de control.
Método 3. Carta de control estandarizada.
En este método, los puntos se grafican en unidades de desviación estándar. En la

carta de control estandarizada, la línea central es cero y los límites de control
están a +3 y –3 respectivamente, la variable a graficar en la carta es:
Página 140
pi  p
Zi 
p (1  p) (4.13)
ni
donde p (o p si no hay estándar) es la fracción defectiva media del proceso en su

condición de control estadístico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta

estandarizada, por medio de Minitab.
n-var nodef Frac.-def LSC LIC Desv-est. Z-Estand

100 12 0.120000 0.183686 0.0073347 0.0293918 0.81655
80 8 0.100000 0.194093 -0.0030730 0.0328611 0.12172
80 6 0.075000 0.194093 -0.0030730 0.0328611 -0.63905
100 9 0.090000 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.0280240 -0.18166
110 12 0.109091 0.179582 0.0114382 0.0280240 0.46713
100 11 0.110000 0.183686 0.0073347 0.0293918 0.47632
100 16 0.160000 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.0280240 3.06231
120 15 0.125000 0.176003 0.0150173 0.0268310 1.08084
120 9 0.075000 0.176003 0.0150173 0.0268310 -0.78268
120 8 0.066667 0.176003 0.0150173 0.0268310 -1.09326
110 6 0.054545 0.179582 0.0114382 0.0280240 -1.47925
80 8 0.100000 0.194093 -0.0030730 0.0328611 0.12172
80 10 0.125000 0.194093 -0.0030730 0.0328611 0.88250
80 7 0.087500 0.194093 -0.0030730 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.080000 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.050000 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.080000 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.100000 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
Página 141
90 9 0.100000 0.188455 0.0025651 0.0309817 0.12911
Esta carta tiene la ventaja de poder identificar patrones de anormalidad e

identificar curva característica de operación, lo que no puede hacerse con la carta
de límites de control variables. Una aplicación diferente de la manufactura sería el
control de órdenes de compra erróneas para cada semana.
Página 142
4.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL
La curva OC muestra en forma gráfica la probabilidad de aceptar incorrectamente

la hipótesis de control estadístico (i.e. cometer un error tipo II o ). Esta curva
proporciona una evaluación de la sensibilidad de la carta de control, o sea la
habilidad de detectar un corrimiento en la fracción no conforme del proceso,
desde su valor nominal p a algún otro valor p .
La probabilidad de error tipo II para la carta de control de fracción defectiva o no

conforme es:
  P{ p  LSC p}  P{ p  LIC p} = P{D  nLSC p}  P{D  nLIC p} (4.14)
Como D es una variable aleatoria binomial con parámetros n y p, el error  puede

ser obtenido de la función de distribución acumulativa (la distribución de Poisson
se puede utilizar como una aproximación).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error

tipo II se calcula como sigue:
  P{D  (50)(0.3697) p}  P{D  (50)(0.030) p}  P{D  18.49 p}  P{D  1.52 p}
Sin embargo como D debe ser un entero, se toma,
  P{D  18 p}  P{D  1 p}
La curva OC se construyó utilizando Excel y Minitab.
NOTA: Se debe usar la distribución de Poisson para np <=5 y

distribución Normal en caso contrario.
A continuación se muestran curvas OC con 3 distribuciones.
Página 143
CURVA OC POR BINOMIAL CURVA OC POR POISSON

LIC = 1, LSC =18, n = 50 LIC = 1, LSC =18, n =50
p P(d<=18|p) P(d<=1|p) Beta=dif np P(d<=18|p) P(d<=1|p) Beta=dif

0.01 1 0.910564687 0.089435313 0.5 1 0.90979599 0.090204
0.03 1 0.555279873 0.444720127 1.5 1 0.5578254 0.442175
0.05 1 0.279431752 0.720568248 2.5 1 0.2872975 0.712703
0.1 0.99999986 0.03378586 0.966214001 5 0.999998598 0.04042768 0.959571
0.15 0.999940418 0.002905453 0.997034965 7.5 0.999697003 0.00470122 0.994996
0.2 0.997488797 0.000192678 0.997296118 10 0.992813495 0.0004994 0.992314
0.25 0.97126684 1.0005E-05 0.971256835 12.5 0.948148253 5.031E-05 0.948098
0.3 0.859440124 4.0337E-07 0.85943972 15 0.819471712 4.8944E-06 0.819467
0.35 0.621587051 1.2349E-08 0.621587038 17.5 0.608934016 4.6453E-07 0.608934
0.4 0.335613264 2.7751E-10 0.335613263 20 0.381421949 4.3284E-08 0.381422
0.45 0.127345115 4.36961E-12 0.127345115 22.5 0.202192955 3.976E-09 0.202193
0.5 0.032454324 4.52971E-14 0.032454324 25 0.092040859 3.6109E-10 0.092041
0.55 0.005296752 2.84312E-16 0.005296752 27.5 0.036606283 3.249E-11 0.036606
CURVA OC POR NORMAL COMPARACION DE LAS

LIC = 0.0303, LSC = 0.3697, n = 50 BETAS CON 3 DECIMALES
p Sigma LSC Z-Value LIC Z Value PZLSC PZLIC Beta np BINOM POISSON NORMAL
0.01 0.014071247 25.56276589 1.442658181 1 0.925442 0.074558435 0.5 0.089 0.090 0.075
0.03 0.024124676 14.08101803 0.0124354 1 0.504961 0.495039094 1.5 0.445 0.442 0.495
0.05 0.03082207 10.37243767 -0.639152399 1 0.261362 0.738638167 2.5 0.721 0.713 0.739
0.1 0.042426407 6.356889963 -1.642844755 1 0.050208 0.949792486 5 0.966 0.960 0.950
0.15 0.050497525 4.350708304 -2.370413218 0.999993 0.008884 0.991109116 7.5 0.997 0.995 0.991
0.2 0.056568542 2.999900519 -2.999900519 0.99865 0.00135 0.997299184 10 0.997 0.992 0.997
0.25 0.061237244 1.954692815 -3.587685977 0.97469 0.000167 0.97452355 12.5 0.971 0.948 0.975
0.3 0.064807407 1.075494349 -4.161561348 0.858923 1.58E-05 0.858907423 15 0.859 0.819 0.859
0.35 0.067453688 0.292052231 -4.739548131 0.614877 1.07E-06 0.614875519 17.5 0.622 0.609 0.615
0.4 0.069282032 -0.437342829 -5.336159863 0.330931 4.76E-08 0.33093135 20 0.336 0.381 0.331
0.45 0.070356236 -1.141334502 -5.965356044 0.126865 1.22E-09 0.126865425 22.5 0.127 0.202 0.127
0.5 0.070710678 -1.842720272 -6.642561102 0.032685 1.55E-11 0.032684871 25 0.032 0.092 0.033
0.55 0.070356236 -2.562672611 -7.386694153 0.005194 7.58E-14 0.005193524 27.5 0.005 0.037 0.005
Página 144
La curva OC calculada con las diferentes distribuciones de

probabilidad se muestra a continuación:
Para esta carta de control, también se puede calcular la

longitud de corrida media ARL.
Cuando es proceso está en control:
ARL0 = 1 / 
Cuando el proceso está fuera de control:
ARL1 = 1 / (1 - )
Estas probabilidades de errores tipo I y II se pueden obtener

o por calculo de probabilidades o usando las curvas OC.
Ejemplo 4.9, suponiendo que el proceso se corre a p 1 = 0.3,

siendo su valor nominal p0 = 0.2. De la curva OC se observa
que  en este caso es 0.9973 estando en control, en este caso
 = 1 -  = 0.0027 y el valor de ARL0 es:
ARL0 = 1 /  = 1 / 0.0027 = 370
Indicando que cada 370 puntos se puede tener una falsa

alarma.
Página 145
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES

(DEFECTOS) – c y u
Una no conformidad o defecto es una característica específica que no cumple con

la especificación del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta críticas. Se pueden desarrollar cartas de control
para el número total de no conformidades en una unidad o el número promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de

tamaño constante son modeladas bien por la distribución de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia
de una no conformidad en cualquier localización sea pequeña y constante.
Además cada unidad de inspección debe representar una “área de oportunidad”
idéntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMAÑO DE MUESTRA CONSTANTE - CARTA c
Una unidad de inspección es simplemente una entidad para la cual es conveniente

registrar el número de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspección de acuerdo a la distribución de Poisson, o sea:
e c c x
p( x ) 
x!
(4.15)
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los límites de control para la carta de no
conformidades son:
Página 146
LSCc = c +3 c
LCc = c (4.16)
LICc = c -3 c en el caso que sea negativo toma el valor cero.
Si no hay estándar definido c se estima con el promedio de no conformidades

observadas en una muestra preliminar inspeccionada, o sea con c , en este caso
los parámetros de la carta son:
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Cuando no hay datos históricos, se calculan límites de control preliminares.
Ejemplo 4.18 Para el número de no conformidades observadas en

26 unidades de inspección sucesivas de 100 muestras de
circuitos impresos, se obtuvieron los datos siguientes:
No Conformidades
21 19
24 10
16 17
12 13
15 22
5 18
28 39
20 30
31 24
25 16
20 19
24 17
16 15
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Página 147
LIC = 6.48
De la carta de control preliminar, se observa que hay 2

puntos fuera de control, el 6 y el 20.
Una investigación reveló que el punto 6 fue debido a que un

inspector nuevo calificó los circuitos impresos pero no tenía
la suficiente experiencia, fue entrenado. El punto 20 fue
causado por una falla en el control de temperatura de la
soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se
recalculan los límites de control.
Página 148
Como el proceso ya se encuentra en control estadístico, estos

límites se tomarán como base para el siguiente periodo, donde
se tomaron 20 unidades de inspección adicionales.
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Se observa en la gráfica que no se tienen puntos fuera de

control, sin embargo el promedio de defectos es alto,
requiere la acción de la administración.
Página 149
Haciendo un análisis de Pareto de los principales defectos se observó que el

principal defecto de soldadura insuficiente y soldadura fría, acumulan el 69% del
total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.
Página 150
Puede ser necesario estratificar el problema identificando en que modelo de

circuito impreso se presentan los defectos principalmente.
Otra forma de análisis es el diagrama de causa efecto para identificar las

diferentes fuentes de no conformidades.
SELECCIÓN DEL TAMAÑO DE MUESTRA
Aumentando el tamaño de muestra se tiene más oportunidad de encontrar no

conformidades o defectos, sin embargo esto también depende de consideraciones
económicas y del proceso, si en lugar de tomar 1 unidad de inspección, se toman
n unidades de inspección, entonces los nuevos límites de control se pueden
calcular por los siguientes métodos:
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspección anterior):
Página 151
LSC nc  nc  3 nc
LC nc  nc (4.18)
LIC nc  nc  3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspección para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSC nc  nc  3 nc = (2.5)(19.67) + 3 ( 2.5)(19.67)  70.22
LC nc  nc = (2.5)(19.67) = 49.18
LIC nc  nc  3 nc = (2.5)(19.67) - 3 ( 2.5)(19.67)  28.14
Método 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspección, entonces el promedio de no conformidades por unidad de inspección u
es:
c
u (4.19)
n
Como c es una variable aleatoria que sigue la distribución de Poisson, los

parámetros de la carta u de número de no conformidades o defectos por unidad
son:
u
LSC u  u  3
n
LC u  u (4.20)
u
LSC u  u  3
n
Página 152
Donde u representa el número promedio de no conformidades por unidad en un

conjunto de datos preliminar. Los límites anteriores se consideran límites
preliminares.
Ejemplo 4.10 Para un fabricante de computadoras registrando

los defectos en su línea de ensamble final. La unidad de
inspección es una computadora y se toman 5 unidades de
inspección a un tiempo.
No conformindades
en cada 5 unidades – carta u
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
Se calculan los límites de control con:
__
Suma.de.no.conformidades
u
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
Página 153
En la carta de control no se observa falta de control

estadístico, por tanto los límites preliminares se pueden
utilizar en corridas futuras.
MUESTRA VARIABLE – CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la

inspección 100% de la producción o lotes de producto, por tanto las unidades de
inspección no son constantes. En esta carta se tiene una línea central constante y
los límites de control varían inversamente con la raíz cuadrada del tamaño de
muestra n.
La línea central y los límites individuales de control se calculan como sigue:

u
LSC ui  u  3
ni
LC u  u (4.21)
u
LSC ui  u  3
ni
Página 154
Ejemplo 4.11 En una planta textil, se inspeccionan defectos

por cada 50m2 los datos se muestran a continuación.
Unid.Insp. No Conf.
10.0 14
8.0 12
13.0 20
10.0 11
9.5 7
10.0 10
12.0 21
10.5 16
12.0 19
12.5 23
153
La línea central es u   1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspección
De la gráfica no se observan puntos fuera de control.
Existen otras dos alternativas para el manejo de la carta u con n variable:
Página 155
1. Usando un promedio de tamaños de muestra.
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opción preferida). Se grafica Z i con

límites de control en +3 y –3, línea central cero.
ui  u
Zi 
u (4.23)
ni
Ejemplo 4.11 (Cont...) Estandarizando la carta se tiene:
UIvar NoConUv Sigmau Z DUvar

10.0 14 0.374166 -0.05345 1.40000
8.0 12 0.433013 0.18475 1.50000
13.0 20 0.344010 0.34435 1.53846
10.0 11 0.331662 -0.96484 1.10000
9.5 7 0.278500 -2.45299 0.73684
10.0 10 0.316228 -1.32816 1.00000
12.0 21 0.381881 0.86414 1.75000
10.5 16 0.380952 0.27250 1.52381
12.0 19 0.363242 0.44965 1.58333
12.5 23 0.383667 1.09470 1.84000
La carta de control estandarizada para U, se encuentra en

control estadístico como se muestra abajo.
Página 156
SISTEMA DE DEMERITOS
Con productos complejos, se identifican diversos tipos de defectos, desde los que
se consideran menores hasta los que ponen en riesgo la salud del usuario. Por lo
cual es necesario dar una ponderación a esos diversos tipos de defectos de
acuerdo a su gravedad, un esquema posible es el siguiente:
Defectos tipo A – Muy serios: La unidad no puede funcionar o fallará en el

campo, o puede causar daño al usuario.
Defectos tipo B – Serios: La unidad tendrá menos vida útil, o puede causar una
falla de funcionamiento mayor.
Defectos tipo C – Poco serios: La unidad puede tener fallas pero continuar
funcionando, o puede incrementar los costos de mantenimiento, o tener una mala
apariencia como usada.
Defectos tipo D – Menores: La unidad no fallará en servicio pero tiene defectos
de apariencia, terminados o calidad de trabajo.
Página 157
Supóngase que para los defectos anteriores se tengan los números ciA, ciB, ciC, ciD
respectivamente en la i-ésima unidad inspeccionada. Se asume que cada clase de
defectos es independiente y que la ocurrencia de defectos de cada clase es
modelada bien con la distribución de Poisson. Entonces se puede definir el
número de deméritos en la unidad de inspección por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD (4.24)
Suponiendo que se toma una muestra de n unidades de inspección, entonces el
n
número de Deméritos por unidad es (con d
i 1
i número total de deméritos en
todas las unidades de inspección):
ui = D / n =
d
i 1
i
(4.25)
n
Como u es una combinación lineal de variables aleatorias independientes de
Poisson, el estadístico ui puede ser graficado en una carta de control con los
parámetros siguientes:
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
u  100u A  50u B  10u C  1u D (4.27)
1/ 2
 (100) 2 u A  (50) 2 u B  (10) 2 u C  (1) 2 u D 
y u    (4.28)
 n 
Los números u A, u B , u C , u D , representan el número promedio de defectos de la

clase A, clase B, clase C y clase D respectivamente. Se determina a partir de
datos preliminares tomados cuando el proceso está en control estadístico.
Página 158
LA CURVA CARACTERÍSTICA DE OPERACIÓN
La curva característica de operación (OC) puede ser obtenida tanto para la carta c
como para la carta u a partir de la distribución de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II  contra la

media real del numero de defectos c, se expresa como sigue:
  P{x  LSC c}  P{x  LIC c} (4.29)
Donde x es una variable aleatoria de Poisson con parámetro c.
Ejemplo 4.12, para el caso de la carta c anterior con LSC =

33.22, LIC = 6.48, se tiene:
  P{ x  33.22 c}  P{x  6.48 c}
cómo las cantidades deben ser enteras, esto es equivalente a:

  P{x  33 c}  P{x  7 c}
La curva OC se obtiene con la distribución de Poisson como

sigue:
c P(x<=33|c) P(x<=6|c) Beta
1 1.000 0.999 0.001
3 1.000 0.967 0.033
5 1.000 0.762 0.238
7 1.000 0.450 0.550
10 1.000 0.130 0.870
15 0.999 0.007 0.992
20 0.997 0.000 0.950
30 0.709 0.000 0.709
33 0.367 0.000 0.131
35 0.367 0.000 0.367
40 0.131 0.000 0.131
45 0.037 0.000 0.037
.
Página 159
Para el caso de la carta u, la curva OC puede generarse con:
  P{x  LSC u}  P{x  LIC u}
  P{c  nLSC u}  P{c  nLIC u} (4.30)

  P{nLIC u  c  nLSC u}
Página 160
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm
Las cartas por atributos c y u no son convenientes en estos casos ya que tendrían
ceros la mayor parte del tiempo, una alternativa es graficar los intervalos de
tiempo entre ocurrencias de los defectos o “eventos”.
Asumiendo que los defectos ocurren de acuerdo a la distribución de Poisson,

entonces la distribución de tiempo transcurrido entre eventos sigue la distribución
exponencial, sin embargo daría una carta de control muy asimétrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a

una variable aleatoria de Weibull de tal forma que sea una buena aproximación a
la normal. Si y representa la variable aleatoria exponencial original, la
transformación adecuada es:
x = y1/3.6 = y0.277 (4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribución normal.
Por ejemplo para el monitoreo de fallas de una válvula importante, se usará el

número de horas entre fallas como la variable a monitorear. En la página siguiente
se muestra este ejemplo.
Página 161
5. OTRAS CARTAS DE CONTROL ESPECIALES
5.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS DE

PRODUCCIÓN
5.1.1 CARTAS DE CONTROL DNOM
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de

producción sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la

dimensión nominal de la pieza A T A = 50mm, y la dimensión
nominal de la pieza B es TB = 25mm, cuando se produce las
piezas A o B se toman muestras y se evalúa la desviación
respecto a su media.
Muestra Pieza M1 M2 M3 D1 D2 D3 Media Rango

1 A 50 51 52 0 1 2 1.00 2
2 A 49 50 51 -1 0 1 0.00 2
3 A 48 49 52 -2 -1 2 -0.33 4
4 A 9 53 51 -1 3 1 1.00 4
5 B 24 27 26 -1 2 1 0.67 2
6 B 25 27 24 0 2 -1 0.33 2
7 B 27 26 23 2 1 -2 0.33 4
8 B 25 24 23 0 -1 -2 -1.00 2
9 B 24 25 25 -1 0 0 -0.33 1
10 B 26 24 25 1 -1 0 0.00 2
Ver carta en la página siguiente.
Página 162
Se deben cumplir 3 premisas para estas cartas:

1. La desviación estándar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
2. El procedimiento trabaja mejor cuando el tamaño de muestra es constante para
todas las diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepción de
cuando se tiene sólo un límite de especificación.
5.1.2 CARTAS DE CONTROL DE MEDIAS RANGOS ESTANDARIZADA
Si la desviación estándar para las diferentes partes es diferente, se usan estas

cartas. Sean R i .....Ti el rango medio y el valor nominal de x para un número de
parte específico. Para todas las muestras de este número de parte, graficar,
R
RS  (5.1)
Ri
Página 163
Se toman de datos históricos o de especificaciones para el rango, o se puede
Sd 2
estimar de  con R i  c 4 sus límites de control son D3 y D4. Para la media
graficar,
S x  Ti
x  (5.2)
Ri
La línea central para la carta x estandarizada es cero, y sus límites de control

son LSC = A2 y LIC = -A2 .
5.1.3 CARTAS DE CONTROL POR ATRIBUTOS
Se utilizan cartas de control estandarizadas con límites de control LSC=+3 y LIC=-

3. Los estadísticos a graficar son:
pi  p
Carta p Zi 
p (1  p ) / n
npi  n p
Carta np Zi 
n p (1  p )
(5.3)
ci  c
Carta c Zi 
c
ui  u
Carta u Zi 
u/n
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIÓN
5.2.1 Cartas de control modificadas

Las cartas de control modificadas se utilizan cuando la variabilidad es pequeña
respecto a los límites de especificaciones, es decir el Cp es mucho mayor que 1.
En este caso la media del proceso puede variar sobre un rango permitido sin
afectar el desempeño del proceso.
Página 164
La carta de control modificada X esta diseñada para detectar sólo si la media

verdadera del proceso , está localizada de tal forma que el proceso genere una
fracción de productos no conformes mayor de algún valor especificado .
Se permite que  varíe entre I y S de tal forma que no se exceda la fracción
defectiva . Se asume que el proceso está normalmente distribuido y que  sea
conocida y esté en control.

LIEsp. |--- 6 ---| LSEsp.
Fig. 5.1 Proceso con habilidad alta, Cp>>1
 
LIE I S LSE
Z Z
/ n
 
LIC LSC
Z
n
Fig. 5.2 Localización de los límites de control
Página 165
Donde:
 I  LIE  Z   (5.4)
 S  LSE  Z  
Donde Z es el punto superior 100(1-) de la distribución normal, si se especifica

un error , los límites de control superior e inferior son:
Z  Z 
LSC   S   LSE   Z     (5.5)
n  n
Z   Z 
LIC   I   LIE   Z    
n  n
Lo común es que Z =3.
En las cartas modificadas,  es una fracción no conforme que se acepta con una
probabilidad (1-). Si la variabilidad del proceso cambia, éstas cartas no son
apropiadas, de tal forma que se recomienda siempre usar en forma adicional una
carta R o S, de donde incluso se estime la  inicial.
5.2.2 CARTAS DE CONTROL DE ACEPTACIÓN
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar
un proceso que opera en forma satisfactoria o de aceptarlo si opera en forma
insatisfactoria.
Los límites de control para este caso se basan en una n especificada y una
fracción no conforme del proceso  que nos gustaría rechazar con una
probabilidad (1-), por tanto:
Página 166
Z   Z 
LSC   S   LSE   Z    (5.5)
n  n 
Z   Z 
LIC   I   LIE   Z   
n  n 
Es posible también seleccionar un tamaño de muestra de tal forma que se

obtengan los requerimientos para , ,  y . Igualando los límites de control
superiores:
 Z   Z 
LSC  LSE   Z     = LSE   Z   
 n  n 
Se obtiene
2
 Z  Z  
n    (5.6)
 Z  Z 
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y

beta = 0.20, haciendo los cálculos se obtiene una n = 31.43 
32.
2
 3.00  0.84 
n 
 2.33  1.645 
Página 167
Ejemplo 5.3 De Duncan se tiene:28
LSE =0.025
LSE-1.96
Amplitud de variación 0.10

__
Aceptable para X
0.10
LIE+1.96
LIE =0.025
En la figura si suponemos que =0.025 y  = 0.10, asumiendo

un proceso normal, los límites para la carta de control de
aceptación estarán en:
LSC = LSE – 1.96 - 1.282/ n
LIC = LIE + 1.96 + 1.282/ n
28
Duncan A., Control de Calidad y Estadística Industrial, Alfaomega, México, 1989, pp. 527-530
Página 168
5.3 CARTA DE CONTROL PARA DESGASTE DE

HERRAMIENTA o MATERIAL
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta

de control, la distancia entre los límites de especificación debe ser mucho mayor
que 6X, por lo que se puede usar el concepto de la carta de control modificada
(X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del límite inferior de

especificación, y el máximo que se le permite variar es hasta 3x abajo del límite
superior de especificación. Esto minimiza los ajustes a realizar durante las corridas
de producción. Se puede utilizar un valor diferente de Z = 3 si se requiere una
mayor protección en la fracción defectuosa. Para este problema también se puede
utilizar la carta de regresión.
LSE
 _
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 _
X
medias de las piezas Distribución de x
 _
X
LIE+3x
LIE
Fig. 5.3 Carta de control para desgaste de herramienta o material
Como se puede observar, sólo se puede emplear ésta carta si la amplitud de los
límites de especificación es suficiente mayor a 6x para alojar la carta de control.
Página 169
La pendiente b de la línea central y límites de control se pueden calcular por los

métodos siguientes:
1. Dibujando una línea central que pase por los puntos graficados y estimando en
forma gráfica la pendiente.
2. Utilizando la técnica de mínimos cuadrados, donde si se tienen un total de m
muestras con el número de muestra i = 1,2,3…..m la pendiente b es (los datos
se pueden codificar para facilidad):
b  [12 iX i /( m( m 2  1))]  [6 X i /( m(m  1))]
(5.7)
3. Utilizando un paquete de computadora que incluye el cálculo de mínimos

cuadrados.
Los valores sugeridos de inicio y paro del proceso son  1, ,  2 donde:

 1  LIE  3 x  LIE  3R / d 2 (5.8)
 2  LSE  3 x  LSE  3R / d 2
El número de puntos que tienen que pasar para llegar de  1, ,  2 es:
M* = (  1, -  2 ) / b (5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste
es indispensable asegurarse que la carta de rangos está en control estadístico. En
caso de que la media en lugar de crecer, decrezca, las  1, ,  2 se invierten:
_
Los límites de control se encuentran a una distancia vertical A2 R de la línea
central.
Página 170
Ejemplo 5.4 El diámetro exterior de una válvula tiene una

especificación de 1.1555  0.0005”. Se han tomado 13 muestras
de 5 piezas cada una sin ajustar la herramienta de corte, en
intervalos de media hora. Los resultados son:
Muestra i 1 2 3 4 5 6 7
8
_
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568,
Xi
1.15570,
Ri 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00010,

0.00020
Muestra 9 10 11 12 13
_
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
Los resultados obtenidos son:
R-medio=0.0001769; LSCR=0.000374,  = 0.000076053;
b = 0.0000492
 1, ,  2 son respectivamente 1.155228 y 1.155772

_
m* = 11.056, los límites de control están a  A2 R =
0.5768(0.0001769)=0.000102.
Es decir que tienen que pasar 11 puntos o 5.5 horas para

reajustar el proceso
LSE
2
Pendiente b
LSC
 1,
LIC
LIE
Fig. 5.4 Tiempo “t” o número de muestras antes de ajuste
Página 171
5.4 CARTA DE PRECONTROL O DE ARCOIRIS
Es una técnica usada para detectar irregularidades en el proceso, que pueden

resultar en la producción de unidades fuera de especificaciones. Pre-control,
principalmente se presta para el uso de aparatos de medición hechos previamente
sobre los límites de las especificaciones. El uso de éstos aparatos de medición
permite seleccionar fácilmente las unidades que proceden de las que no. Pre-
control es usado con frecuencia para determinar los valores de las variables del
proceso durante el período de arranque de la producción.
También se denomina carta de objetivo, utiliza los límites de especificación para

su establecimiento, situados a  3 es fácil de construir y usar, sin embargo, no
permite mejorar el proceso. La carta tiene tres áreas:
ZONA ROJA Límite superior de especificaciones
ZONA AMARILLA Esta zona comprende 1.5 o 7%
ZONA VERDE Esta zona comprende  1.5 o 86%

ZONA AMARILLA Esta zona comprende 1.5 o 7%
ZONA ROJA Límite inferior de especificaciones

Fig. 5.5 Carta de Pre – Control y sus zonas
En la carta de pre – control hay un 1/14 de probabilidad de que una parte caiga en
la zona amarilla y de 1/196 de que caigan dos consecutivas en ésta zona, en este
caso se considera que el proceso se salió de control.
Pre-control se basa en la hipótesis de que si el proceso está operando

correctamente, la probabilidad de encontrar dos unidades fuera de los límites de
control consecutivamente es demasiado pequeña. Por lo tanto si dos unidades son
Página 172
encontradas consecutivamente fuera de los límites de control, es razón suficiente

como para indicar una falla en el proceso.
Ventajas:
Pre-control es una técnica simple que a diferencia con el control estadístico del
proceso (CEP) no requiere de gráficas de control, ni de cómputos.
Desventajas:
No existen gráficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequeña de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona información suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hábil y que es normal.
Recomendaciones:
Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 29 es mayor
que uno (algunos textos recomiendan como mínimo Cp=2) 30, y cuando se han
alcanzado cero defectos en el proceso.
Definición de los límites de Pre-control.

Existen dos límites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower
Pre-control limit(LPCL). Cada uno representa ¼ de la distancia entre el límite de
especificaciones inferior (LSL) y el límite de especificaciones superior (USL). La
siguiente figura considera un proceso distribuido de acuerdo a la distribución
normal.
29
C p  USL  LSL  , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
30
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.
Página 173
LSL LPCL  UPCL USL
0 1 1 3 1
4 2 4
Figura 5.6 Distribución de áreas de probabilidad para la

carta de pre-control
Pasos a seguir para aplicar Pre-control.
A continuación se muestran las reglas de uso de la carta:
1. Iniciar el proceso. Si el primer artículo sale de especificaciones, parar, corregir

e iniciar de nuevo. Deberán caer en la zona verde.
2. Si un artículo cae en la zona amarilla, tomar un siguiente artículo. Si cae
nuevamente en la zona amarilla parar y corregir el proceso, de otra forma
continuar.
3. Si 25 artículos consecutivos caen en la zona verde, reducir frecuencia de
chequeo.
Página 174
Dentro de
Fuera de Especificaciones
Especificaciones Fuera de límites
De Pre-control
A
Continuar el proceso.
Dentro de
Dentro de Detener sólo si DOS
Inicie el Verifique Especificaciones Verifique
de límites Unidades consecutivas
proceso 1a. Unidad Fuera de límites 2a. Unidad
De Pre-control Estan fuera de los
De Pre-control
Límites de
Pre-control
Dentro de
Especificaciones
Fuera de EL OTRO
límite de Pre-control
¡!
Variabilidad del
Proceso fuera de
Control.
Figura 5.7 Pasos a seguir para el Pre-Control
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a
verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta
que una unidad exceda algún límite de Pre-control. Examine la siguiente
unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los límites de pre-control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Página 175
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA

MÚLTIPLE
Se utiliza para procesos con muchas fuentes de producción, por ejemplo diversos
husillos que en principio producen piezas similares. El usar una carta de control
para cada husillo por separado sería prohibitivo, sin embargo se tiene la
alternativa de ésta carta de control siempre que la producción entre husillos no
esté correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n = 4 de 6
husillos repetido en 20 subgrupos, se habrán tomado 20 x 6 = 120 medias y

rangos de n = 4 observaciones. De éstos se calculan la media de medias X y el
_
R , los límites de control se calculan como en una carta de medias-rangos
convencional con n = 4, en este caso A2 = 0.729, D3 = 0, D4 = 2.282:
 _ _
LICX = X - A2 R LICR = D3 R (5.10)
 _ _
LSCX = X + A2 R LSCR = D4 R
Con los límites de control trazados, se grafica después sólo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este caso husillos
de la máquina, si se encuentran en control, se asume que las demás están en
control. Para el rango se grafica sólo el mayor de todos los rangos. Cada punto es
identificado por el número de husillo o salida que lo produjo. El proceso se
encuentra fuera de control si se algún punto excede los límites de 3-sigma. No se
pueden aplicar pruebas de rachas a estas cartas.
Página 176
Es útil observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s salidas y
si r es el número de veces consecutivas que se repite como el mayor o el menor,
el ARL para este evento es:
s r 1
ARL0  (5.11)
s 1
Para el caso de que s = 6 y r = 4, el ARL será de 259, es decir que si el proceso

está en control, se esperará que una salida repita un valor extremo 4 veces en la
carta una vez de cada 259 muestras. Si esto sucede con más frecuencia se debe
sospechar que la salida es diferente a las demás. Algunos de los pares adecuados
de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones dan ARLo
adecuados.
5.6 CARTAS DE CONTROL Cusum
Las cartas de control de Shewart utilizan sólo información acerca del proceso con
los últimos datos del subgrupo, e ignoran la información de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeños
corrimientos de la media del proceso, de 1.5 o menos. Los límites preventivos y
criterios múltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretación de la
carta así como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeñas variaciones o corridas en la media, se

pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio móvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Página 177
Para pequeños corrimientos menores a 1.5, la carta de Shewart es ineficiente, en

esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la información anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamaño n >= 1 siendo x j el valor promedio de la
muestra j-ésima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,
i
Ci   ( x j   0 ) (5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos químicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrará una tendencia ascendente y viceversa.
La carta Cusum no tiene límites de control, sin embargo tiene un mecanismo

similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las páginas siguientes.
CUSUM EN FORMA TABULAR
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el

objetivo con un estadístico C+ o debajo de este con un estadistico C -, también
llamados Cusums de lado superior o inferior respectivamente. Se calculan como
sigue:

C i  max 0, xi  (  0  K )  Ci1  (5.13)
C i  max 0, (  0  K )  xi  C i1  (5.14)
Página 178
donde los valores iniciales para C+ y C- son cero.
En las ecuaciones anteriores K es el valor de referencia y se selecciona como un

valor intermedio entre la 0 objetivo y la 1 fuera de control en la que estamos
interesados en detectar.
Así, si el corrimiento se expresa en unidades de desviación estándar 1 = 0 + ,

entonces K es la mitad de la magnitud del corrimiento:
K =  / 2 = Valor absoluto de (1 - 0) / 2 (5.15)
Cuando cualquier estadístico C + y C- excede el intervalo de decisión H, se

considera al proceso fuera de control. Un valor razonable para H es cinco veces el
valor de .
Ejemplo 5.5: si 0 = 10, n=1,  = 1, y asumiendo que se

quiere detectar un corrimiento de 1 = 1, se tiene:
1 = 10 + 1 = 11
K = ½ = 1/2
H = 5 = 5

C i  max 0, xi  10.5  C i1 
Ci  max 0,9.5  x i  Ci1 
Para el caso de i=1, con xi = 9.5 se tiene:

C1  max 0,9.45  10.5  0  0
C1  max 0,9.5  9.45  0  0.05
Para el caso de i=2, con xi = 7.99 se tiene:

C1  max 0,7.99  10.5  0  0
Página 179
C1  max 0,9.5  7.99  0.05  1.56
Si N+ y N- indican los periodos en que las sumas no han sido cero, se

obtiene la tabla de la página siguiente:
De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de 5.28,

lo que sugiere una situación fuera de control, usando el contador N + cuyo valor es
7, indica que el último punto en control fue el 29 – 7 = 22, de tal forma que el
corrimiento ocurrió entre el periodo 22 y 23.
También se puede obtener una presentación gráfica de esta carta, denominada

Carta de Estatus de Cusum, graficando C i+ y Ci- contra el número de muestra. Esto
da una idea gráfica al operador del desempeño del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la

causa asignable o especial, tomar acción correctiva e iniciar de nuevo la Cusum
Tabular.
Cuando el proceso se corre, la nueva media  puede estimarse de:
Ci 
   0  K   , si Ci  H (5.16)
N
Ci , si  (5.17)
  0  K  Ci  H
N
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso

es,
5.28
  10  0.5   11 .25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Página 180
Cuando se utiliza un tamaño de subgrupo mayor a 1, en las fórmulas anteriores se

debe remplazar a xi por xi y  por la x = , aunque se recomienda usar un
n
tamaño de muestra 1 con frecuencia de muestreo mayor que para el equivalente

de Shewart.
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del método tabular Cusum, es la mascarilla en V

propuesta por Barnard (1959), esta mascarilla es aplicada a valores sucesivos del
estadístico,
i
C i   y j  y i  C i 1 (5.18)
j 1
donde yi = (xi - 0) /  observación estandarizada. Una mascarilla en V se muestra

a continuación:
Ci
 O d P
2A
1A
1 2 3 4 5 ............................................. i
Página 181
Figura 5.8 Carta de control Cusum con mascarilla en V

El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con
el punto O sobre el último valor de C i y la línea OP paralela al eje horizontal. Si
todos los puntos anteriores C 1, C2,....,Cj se encuentran dentro de los dos brazos de
la mascarilla, el proceso está en control, sin embargo si cualquier punto de las
sumas acumuladas se encuentra fuera de los brazos de la mascarilla, se
considera al proceso fuera de control.
En la práctica, la mascarilla en V se debe colocar a cada punto tan pronto como es

graficado, los brazos de la mascarilla se asumen extendidos hasta el origen.
La operación de la mascarilla en V está determinada por la distancia

al vértice d y el ángulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
k = A tan () (5.19)

y
h = A d tan () = d.k (5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos

en términos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = ½ y h = 5,

seleccionando A =1 se tiene
k = A tan () => ½ = (1) tan ()

o  = 26.57
de h = d.k => 5 = d (1/2)
o d =10
Página 182
Estos son los parámetros de la mascarilla en V.
Vmask Chart of AtoBDist
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.9 Ejemplo de carta de control Cusum con mascarilla

en V
Johnson y Leone han sugerido un método para diseñar una mascarilla en V, con
las fórmulas siguientes:
  
  tan 1   (5.21)
 2A 
y
 2  1  
d   2  ln  (5.22)
    
Donde 2 es la máxima probabilidad de una falsa alarma cuando el proceso está

en control y  es la probabilidad de no detectar un corrimiento de magnitud .
ln( )
d cuando  es muy pequeño.

Página 183
Ejemplo 5.7 si  = 0.05 y  = 0.05 y  = 1, se obtiene la

mascara en V siguiente:
 2   1  0.05 
d   2  ln  = 5.888
 1   0.05 
1
  tan 1    26.56 
2
No se recomienda el uso de la mascarilla en V ya que tiene algunas desventajas

como son:
1. Es un esquema de doble lado, no apta para control de un solo lado.

2. Es difícil determinar que tanto extender los brazos de la mascarilla en V,
dificultando la interpretación del proceso.
3. Existe ambigüedad asociada con alfa y beta.
5.7 CARTA DE CONTROL DE MEDIAS MOVILES

EXPONENCIALMENTE PONDERADAS (EWMA)
El desempeño de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadístico se define como sigue:
z i  xi  (1   ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que:
z 0   0 a veces igual a x
Página 184
Si las observaciones xi son variables aleatorias independientes con varianza 2 ,

entonces la varianza de zi es:
1  (1   ) 
  
 zi2    2i
(5.24)
2
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
  
LSC   0  L 
2  

 1  (1   )
2i
 (5.25)
 
LC   0 (5.26)
  
LIC   0  L 
2  

 1  (1   )
2i
 (5.27)
 
Note que el término [1 – (1-)2i] se aproxima a la unidad conforme i se incrementa,

esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los límites de control se estabilizan en:

LSC   0  L (5.28)
2
LC   0 (5.29)

LSC   0  L (5.30)
2
Ejemplo 5.8 Utilizando los datos de la carta Cusum con  =

0.10, L = 2.7, 0 y =1, se tiene la carta EWMA mostrada en
la página siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73

con la fórmulas anteriores.
Página 185
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC =

9.64, conforme se incrementa i los límites se estabilizan en
LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0  500 y una ARL1  14.3

equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rápido como la hace la
carta de Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
EWMA Chart of AtoBDist

2.0
UCL=1.861
1.5
1.0
_
EWMA
_
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.10 Ejemplo de carta de control EWMA
5.8 CARTA DE CONTROL DE MEDIA MOVIL
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar

pequeñas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media móvil es:
Página 186
xi  xi 1  .....  xi  w1
Mi  (5.31)
w
Los límites de control son:
3
LSC   0  (5.32)
w
LC   0 (5.33)
3
LIC   0  (5.34)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el

estadístico Mi para periodos i  5.
xi  xi 1  ....xi  4
Mi  (5.35)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.9 Los límites de control son con 0 =10 y =1, se
tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Moving Average Chart of AtoBDist

5
3 UCL=2.900
2
Moving Average
1 _
_
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.11 Ejemplo de carta de control de Media movil
Página 187
6. ANÁLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones básicas.
 Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeño probado, para lograr resultados que se puedan medir.
 Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los límites de especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medición del trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadístico, es decir,
en ausencia de causas especiales o atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo
actúan las causas comunes de variación en las características de calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal óptimo
que es el que desearíamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
La aplicación del análisis de capacidad de los procesos tiene los objetivos

siguientes:
Página 188
1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.

2. Apoyar a los diseñadores en la selección o modificación de un proceso.
3. Soportar la determinación de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeño de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantánea).

2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la población  como la dispersión en la distribución de

la característica de calidad del producto como medida de la capacidad del
proceso.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en   3 , o sea:
LTNS =  + 3  (6.1)
LTNI =  - 3 
Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la

variable, sólo el 0.27% (2700 ppm) de la salida del proceso se encontrará fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Página 189
.00135 LTNI  LTNS .00135

Fig. 6.1 Localización de los límites de tolerancia natural
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseñados.
Fig. 6.2 Fracción defectiva fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.
En el área sombrada observamos medidas fuera de los límites de especificación.
Para solucionar este problema, podemos reducir la desviación estándar.
Página 190
También podríamos cambiar la media.
Lo ideal sería, por supuesto cambiar ambas.
Fig. 6.3 Algunas alternativas para mejorar la capacidad

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

supuestos31:
 El proceso se encuentre bajo control estadístico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso está fuera de control la
media y/o la desviación estándar del proceso no son estables y, en
consecuencia, su variabilidad será mayor que la natural y la capacidad
potencial estará infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los índices de habilidad. Si los datos se componen
de menos de 100 valores, entonces deben calcularse los límites de confianza
inferiores.
 Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
31
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 191
 El parámetro analizado en el estudio sigue una distribución de probabilidad

normal, de otra manera, los porcentajes de los productos asociados con los
índices de capacidad son incorrectos.
También es importante al realizar un estudio de capacidad, asegurarnos que la

variación en el sistema de medición no sea mayor al 10%.
Variación a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:
Variación a corto plazo (Zst) – Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Fig. 6.4 Variabilidad a corto plazo
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de

tiempo suficientemente largo y en condiciones suficientemente diversas para que
sea probable que contenga algunos cambios de proceso y otras causas
especiales. Aquí todas las familias de variación exhiben su contribución en la
variación del proceso general.
Página 192
Fig. 6.5 Variabilidad a largo plazo
Para el cálculo de Z utilizamos las siguientes formulas:
Z st 
 límite especif .  nom.
(6.1)
desv.std ST
límite especif .  media
Z LT 
desv.std LT
dónde:
Zst = variación a corto plazo.

nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5

desviaciones estándar.
Zlt = Zst-1.5shift
Página 193
6.2 ÍNDICES DE CAPACIDAD
6.2.1 INDICE DE CAPACIDAD POTENCIAL Cp
El índice de capacidad potencial Cp = PCR compara la amplitud de variación

permitida por las especificaciones entre la amplitud de variación entre los límites
de tolerancia naturales del proceso.
LSE  LIE
Cp  PCR  (6.2)
6
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE

= 74.05mm y el LIE= 73.95mm y de la carta R se estimó
R
   0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE – LIE) / 6

= (74.05 – 73.95) / 6 (0.0099) = 1.68
La función P (inverso de Cp) es el porcentaje de la banda de

especificaciones usada por el proceso.
 1 
P   100 (6.3)
 Cp 
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Página 194
Cuando sólo existe un límite de especificaciones, el índice de capacidad potencial

Cp o PCR se define como:
LSE  
Cps  PCRS  para el límite superior (6.4)
3
  LIE
Cpi  PCR I  para el límite inferior
3
Ejemplo 6.2 Para el caso de la resistencia de las botellas

de vidrio, si el LIE = 200psi,
264  200 64
Cp  PCR I    0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del

límite inferior es:
LIE   200  264

ZI    2
 32
P(x <= ZI) = 0.0228 o 2.28% por debajo del límite inferior de
especificaciones
Algunos de los índices de capacidad potencial Cp y las piezas defectivas en

partes por millón (ppm) que están fuera de especificaciones se muestran a
continuación:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Página 195
1.10 484 967

1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67

para procesos críticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este índice no toma en cuenta la localización relativa de la media del proceso

respecto a los límites de especificaciones. Por lo que es necesario otro índice
adicional.
6.2.2 INDICE DE CAPACIDAD REAL Cpk
Este índice si toma en cuenta el centrado del proceso respecto a las

especificaciones, en este caso se denomina Cpk o PCRk, y se evalúa tomando el
mínimo entre los Cp’s correspondientes a cada lado de la media, como sigue,
Cpk  PCRk  min( PCRS , PCR I ) debe ser mayor a 1

(6.5)
donde,
LSE  
Cps  PCRS  para el límite superior (6.6)
3
  LIE
Cpi  PCR I  para el límite inferior
3
Página 196
Ejemplo 6.3 Para un proceso donde los límites de

especificación sean LSE=62, LIE=38, la media del proceso sea
=53 y su desviación estándar =2, se tiene:
62  53
Cps  PCR S   1.5 para el límite superior
32
53  38
Cpi  PCR I   2.5 para el límite inferior
32
Por tanto, el índice de capacidad real es:

Cpk  PCRk  min( PCRS , PCRI )  min(1.5,2.5)  1.5
Note que el PCR a considerar corresponde al límite de especificación más cercano

a la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no está centrado
6.2.3 NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposición que el proceso tiene un

comportamiento normal, si no es así, puede ser necesario transformar los datos
con alguna función matemática para dar la apariencia de normalidad, por ejemplo
la distribución siguiente de acabado superficial en una parte maquinada no es
normal:
Página 197
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribución transformada es la siguiente (ver método de Box Cox con Lamda
óptima en Minitab):
Frec.
b)
Y=1/x
Fig. 6.6 Transformación de datos para normalizarlos
Lo cual representa una distribución normal.
Página 198
6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm ó PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
LIE  LSE LIE  LSE

PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente

Un nuevo índice que toma en cuenta el centrado es el siguiente:
1
Si T  ( LSE  LIE ) (6.7)
2
   2  (  T ) 2 (6.8)
T 
 (6.9)

Se tiene,
LSE  LIE LSE  LIE LSE  LIE
Cp km  PCRkm    (6.10)
6 6   (  T )
2 2
1  2
Una condición necesaria para que Cpkm sea mayor de uno es:
1
 T  ( LSE  LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente

se tiene:
Límites de especificación: LIE = 38, LSE = 62, T = 50

Proceso A: Media = 50, desv. estándar = 5
Página 199
Proceso B: Media = 57.7, desv. estándar = 2.5
1
Entonces Cpkm (A) =  1.0
1 0
2
Cpkm (B) =  0.63
1  (3) 2
Por tanto es mejor el proceso A, centrado en la media.
En base a lo anterior se ha propuesto otro índice de capacidad por Pearn (1992),

que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
Cpk
Cp pmk  PCR pmk  (6.11)
1 2
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE

PROBABILIDAD NORMAL
6.2.1 HISTOGRAMA
Para el estudio se requieren alrededor de 100 o más observaciones para permitir

que el proceso se estabilice, deben seguirse los pasos previos siguientes:
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
Página 200
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviación estándar de la muestra S,

proporciona información acerca de la capacidad del proceso.
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de

1-litro en psi. Los datos se muestran se muestran a
continuación.
HIST
265 346 265 221 261
205 317 254 176 248
263 242 281 248 260
307 258 294 263 274
220 276 223 231 337
268 300 260 334 250
260 208 308 280 278
234 187 235 265 254
299 264 283 272 274
215 271 277 283 275
197 280 200 265 278
286 242 235 262 250
274 260 246 271 265
243 321 328 245 270
231 228 296 301 298
267 250 276 280 257
281 299 264 274 210
265 258 269 253 280
214 267 235 287 269
318 293 290 258 251
Página 201
Fig. 6.8 Determinación de la capacidad del proceso
X  264.06 S = 32.02
Consecuentemente la capacidad el proceso se estima en X  3S
 264 96 psi.
Esta primera estimación de la capacidad es independiente de las especificaciones.
6.3.2 PAPEL DE PROBABILIDAD NORMAL
Es una herramienta que permite evaluar la capacidad aproximada del proceso con
resultados parecidos a los del histograma pero con un número menor de muestras
y sin las operaciones del histograma, a continuación se muestra un ejemplo de
esta herramienta.
Página 202
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como
en el histograma, 10 son suficientes
2. El proceso es más sencillo ya que no hay que dividir el rango de la variable en
intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la
línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso.
Así como la fracción defectiva, el porcentaje de datos entre cierto rango, el Cp y el
Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,

asignándoles una posición ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posición con la fórmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (X j, Pj)
4. Se ajusta una línea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la línea recta, se considera normal el
proceso y se procede a hacer las identificaciones:
La media corresponde al percentil 50 y la desviación estándar es estimada por la

diferencia del percentil 84 menos el percentil 50,
La media será el punto en X correspondiente a P j = 0.5

La desviación estándar es la diferencia en Xj corresp. a Pj = 0.5 y Pj = 0.84
Página 203
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos
y, calculamos la probabilidad de su posición (Pj)
Con ayuda del gráfico podemos obtener la media, la desviación

estándar y el porcentaje de valores que se encuentran fuera
de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Fig. 6.9 Capacidad del proceso con pape normal
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se está analizando.
Página 204
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi,

puede predecirse usando una línea sólida como modelo. Por ejemplo, sólo más
del 20% de los datos del proceso serían valores de 225 o inferiores.
Ejemplo 6.6 Cálculo de capacidad con papel normal en Minitab
pn2 PAPNOR
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
De este diagrama se obtiene:

  260
  298  260  38 psi
Página 205
Note que los valores no difieren mucho de los del histograma

con media 264.06 y desviación estándar S = 32.02.
Con esta gráfica se pueden estimar también los porcentajes de

partes fuera de las especificaciones, por ejemplo si se traza
el Límite Inferior de Especificación LIE en 200 psi, se
observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrán

resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los métodos de Pearson, transformar los datos por Box Cox o usar Weibull.
6.4 CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL

La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso esté en control ya sea en forma
instantánea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso está en control, no existen causas

asignables que puedan ser corregidas, y la única alternativa para reducir la
variabilidad es con la intervención de la administración.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Página 206
Fig. 6.10 Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso

“estable”. La distribución será “predecible” en el tiempo.
Predicción
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control
Cálculo de la desviación estándar del proceso
R S
  ó   (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma

rangos / (n -1)
Ejemplo 6.7 (carta X - R)
Página 207
De una carta de control X - R (con subgrupo n = 5) se obtuvo

lo siguiente, después de que el proceso se estabilizó
quedando sólo con causas comunes: x = 64.06 , R = 77.3
Por tanto estimando los parámetros del proceso se tiene:
  x  media de medias 
R 77.3
    33.23
d 2 2.326
Si el límite de especificación es: LIE = 200.
 200  264.06
El C pk  = 0.64 por tanto el proceso no cumple con las
3  33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, después de que el proceso se estabilizó
quedando sólo con causas comunes: x  100, s  1.05
Por tanto estimando los parámetros del proceso se tiene:
  x  100
s 1.05
  =  1.117
C4 .094
C4 para n = 5 tiene el valor 0.94
Si el límite de especificación es: LIE = 85 y el LSE = 105.
Página 208
105  100
El C pk   1.492
3  1.117
105  85
El C p   2.984
6  1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
6.5 CAPACIDAD DE PROCESOS CON MINITAB

NORMALES Y NO NORMALES
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar
S = 32.02 con
1. Calc > Random data > Normal

2. Generate 100 Store in columns C1 Mean 264.06 Estándar deviation
32.02 OK
Considerando Límites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test

4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 209
Probability Plot of Datos

Normal
99.9
Mean 269.3
StDev 30.72
99
N 100
RJ 0.994
95 P-Value >0.100
90
80
70
Percent
60
50
40
30
20
10
5
0.1
150 200 250 300 350
Datos
Otra opción por medio de una gráfica de probabilidad normal, se tiene:
5. Graph > Probability plot > Normal

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

Normal - 95% CI
99.9
Mean 269.3
StDev 30.72
99 N 100
AD 0.317
95 P-Value 0.533
90
80
70
Percent
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Página 210
Determinación de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability análisis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuación:
Process Capability of Datos
LSL USL
P rocess D ata Within
LS L 200.00000 Ov erall
Target *
USL 330.00000 P otential (Within) C apability
S ample M ean 269.25354 Cp 0.70
S ample N 100 C PL 0.75
C PU 0.66
S tDev (Within) 30.83472
S tDev (O v erall) 30.80011 C pk 0.66
C C pk 0.70
O v erall C apability
Pp 0.70
PPL 0.75
PPU 0.66
P pk 0.66
C pm *
210 240 270 300 330 360

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 10000.00 PP M < LS L 12353.30 P P M < LS L 12272.69
P P M > U S L 30000.00 PP M > U S L 24415.36 P P M > U SL 24288.79
P P M Total 40000.00 PP M Total 36768.66 P P M Total 36561.48
Interpretación:
La desviación estándar Within se determina en base al Rango medio y d2

(1.128 para n = 2), con esta se determinan los índices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
Página 211
La desviación estándar Overall se determina con la desviación estándar de

todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n – 3), con esta
desviación estándar se determinan los índices de desempeño Pp y Ppk así
como el desempeño Overall, no importando si el proceso está en control o no, en
este último caso los valores no tienen significado práctico.
Opción Six Pack

Para mostrar toda la información relevante:
Determinar la capacidad con:

4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Process Capability Sixpack of Datos

I C har t Capability H istogr am
UCL=361.8
Individual Value
320
_
X=269.3
240
LCL=176.7
160
1 10 20 30 40 50 60 70 80 90 100 210 240 270 300 330 360
M oving Range C har t Nor mal P r ob P lot

1
1 A D : 0.317, P : 0.533
UCL=113.6
Moving Range
100
50 __
MR=34.8
0 LCL=0
1 10 20 30 40 50 60 70 80 90 100 200 300 400
Last 2 5 O bser vations Capability P lot

Within
Within O v erall
300
S tD ev 30.83472 S tD ev 30.80011
Values
Cp 0.70 Overall
Pp 0.70
250
C pk 0.66 P pk 0.66
C C pk 0.70 C pm *
200 Specs
80 85 90 95 100
Observation
Página 212
En este caso de la gráfica de probabilidad normal, los datos siguen una

distribución normal.
Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opción para realizar
el estudio de capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es

referente a la deformación en las mismas. Se toman 100 mediciones durante 10
días. El límite superior de especificación (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull

9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Límites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability análisis > NoNormal

8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
Página 213
Process Capability of Datos1

Calculations Based on Weibull Distribution Model
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * PPL *
USL 3.50000 PPU 0.85
S ample M ean 0.82279 P pk 0.85
S ample N 100
E xp. O v erall P erformance
S hape 1.24929
P P M < LS L *
S cale 0.88470
P P M > U S L 3795.26
O bserv ed P erformance P P M Total 3795.26
P P M < LS L *
P P M > U S L 10000
P P M Total 10000
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo

y los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del límite superior de especificación. Lo cual quiere decir
que en algunos casos la deformación será mayor a 3.5 mm.
El índice Ppk y Ppu32 = 0.85 lo cual nos dice que el desempeño del proceso no es
capaz ya que 0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarán fuera de los límites de especificaciones.
También se cuenta con la opción Six Pack para esta opción.
6.6 ANÁLISIS DE CAPACIDAD CON EXPERIMENTOS DISEÑADOS

32
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Página 214
El diseño de experimentos es un método sistemático para variar el nivel de los

parámetros controlables del proceso y analizar sus efectos en los resultados
finales o productos. De esta forma se puede determinar el nivel de los parámetros
que optimizan el proceso.
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN

6.6.1 ERROR DEL EQUIPO DE MEDICIÓN
En cualquier problema que involucre mediciones, de la variabilidad total parte de la
variabilidad observada es debida al producto mismo y parte es debida a la
variación del equipo de medición, o sea:
 total
2
  2producto   equipo
2
. medición (6.13)
Ejemplo 6.8 Tomando 20 partes y evaluándolas 2 veces por un

mismo operador con el mismo instrumento de medición, se
obtienen los resultados mostrados a continuación:
PARTS OP1IN1 OP1IN2 X-media Rango
1 21 20 20.5 1
2 24 23 23.5 1
3 20 21 20.5 1
4 27 27 27.0 0
5 19 18 18.5 1
6 23 21 22.0 2
7 22 21 21.5 1
8 19 17 18.0 2
9 24 23 23.5 1
10 25 23 24.0 2
11 21 20 20.5 1
12 18 19 18.5 1
13 23 25 24.0 2
14 24 24 24.0 0
15 29 30 29.5 1
16 26 26 26.0 0
17 20 20 20.0 0
18 19 21 20.0 2
19 25 26 25.5 1
20 19 19 19.0 0
Página 215
Xbar/R for OP1IN1-OP1IN2

Notar que la carta X indica muchos puntos fuera de control,

lo cual es normal ya que se espera que el instrumento
distinga las diferentes unidades de producto. La carta R
representa las diferencias entre mediciones de la misma
unidad con el mismo instrumento. En este caso la carta R está
en control, indicando que el operador no tiene dificultad
para realizar las mediciones en forma consistente. Si hubiera
puntos fuera de control, indica que el operador tiene
dificultad para utilizar el instrumento.
La desviación estándar del error de medición, instrumento puede

estimarse como:
R 1 .0
 instrumento    0.887
d 2 1.128
Página 216
Como la distribución del error de medición es aproximadamente

normal, entonces 6instrumento es un buen estimador de la
capacidad del instrumento de medición.
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que

2.66 de error de medición se puede asignar al error del
instrumento de medición.
Es usual comparar la capacidad del instrumento de medición contra el rango de

las especificaciones (LSE – LIE), denominado P/T, como sigue:
P 6 instrumento
 (6.14)
T LSE  LIE
Para el caso del ejemplo se tiene:
P 6(0.887) 5.32
   0.097
T 60  5 55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medición. Basado en su precisión debe ser al menos de 0.1 de la
tolerancia de la característica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del

producto y las del instrumento de medición. Por tanto,
 total
2
 S2
 2producto   total
2
  instrument
2
o
De los datos del ejemplo se tiene:
Página 217
Variable N Mean Median TrMean StDev SE Mean

OP1IN1 40 22.300 21.500 22.167 3.172 0.502
 total
2
 S 2 = 3.17 x 3.17 = 10.05
 2producto   total
2
  instrument
2
o = 10.05 – 0.79 = 9.26
Por tanto la desviación estándar de la característica del producto es:
 = 3.04
La variabilidad del instrumento de medición también puede expresarse como un

porcentaje de la variabilidad de la característica del producto como sigue:
 instrumento
x100 (6.15)
 producto
Para el ejemplo se tiene:

 instrumento
x100 = 0.887 x100  29.2%
 producto 3.04
6.6.2 REPETIBILIDAD Y REPRODUCIBILIDAD (R&R)
Se pueden determinar los componentes del error debidos a diferentes operadores

(repetibilidad) y debidos al instrumento de medición en sí (reproducibilidad).
 error
2
. medición   repetibilidad   reproducibilidad
2 2
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes

por 3 operadores, haciendo 2 intentos cada uno como sigue.
Página 218
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1 21 20 1 20 20 0 19 21 2
2 24 23 1 24 24 0 23 24 1
3 20 21 1 19 21 2 20 22 2
4 27 27 0 28 26 2 27 28 1
5 19 18 1 19 18 1 18 21 3
6 23 21 2 24 21 3 23 22 1
7 22 21 1 22 24 2 22 20 2
8 19 17 2 18 20 2 19 18 1
9 24 23 1 25 23 2 24 24 0
10 25 23 2 26 25 1 24 25 1
11 21 20 1 20 20 0 21 20 1
12 18 19 1 17 19 2 18 19 1
13 23 25 2 25 25 0 25 25 0
14 24 24 0 23 25 2 24 25 1
15 29 30 1 30 28 2 31 30 1
16 26 26 0 25 26 1 25 27 2
17 20 20 0 19 20 1 20 20 0
18 19 21 2 19 19 0 21 23 2
19 25 26 1 25 24 1 25 25 0
20 19 19 0 18 17 1 19 17 2
La media de los rangos medios para cada operador es:
1 1
R ( R 1  R 2  R 3 )  (1.0  1.25  1.20)  1.15
3 3
por tanto la desviación estándar de la repetibilidad es:
R 1.15
 repetibili dad    1.02 tomando d2 para n=2 lecturas
d2 1.128
La reproducibilidad es causada por diferencias entre los 3

operadores, es decir,
x max  max( x 1 , x 2 , x 3 )
x min  min( x 1 , x 2 , x 3 )
R  x max  x min
x
Página 219
Rx
 reproducibilidad 
d2 considerando el número de operadores.
Del ejemplo, se tiene que para 3 operadores, d2 =1.693, por

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

 instrument
2
. medición   repetibili dad   reproducib ilidad
2 2
= 1.022 + 0.192 = 1.08
instrumento.medición = 1.04
La relación P/T = 6 (1.04) / (60-5) = 0.11
Por otra parte utilizando el paquete Minitab se obtuvieron

las respuestas siguientes (tomando 5.15 sigmas):
Gage R&R Study - XBar/R Method
Gage R&R for OP1IN1
Gage name: DISPOSITIVO DE PRUEBA

Date of study: 20 JULIO 2000
Reported by: P. REYES
Tolerance: 5
Misc:
%Contribution
Source Variance (of Variance)
Total Gage R&R 1.0424 9.91

Repeatability 1.0394 9.88
Reproducibility 0.0030 0.03
Part-to-Part 9.4801 90.09
Página 220
Total Variation 10.5225 100.00
StdDev Study Var %Study Var %Tolerance

Source (SD) (5.15*SD) (%SV) (SV/Toler)
Total Gage R&R 1.02096 5.2579 31.47 9.56

Repeatability 1.01950 5.2504 31.43 9.55
Reproducibility 0.05449 0.2806 1.68 0.51
Part-to-Part 3.07898 15.8568 94.92 28.83
Total Variation 3.24384 16.7058 100.00 30.37
Number of distinct categories = 4
De esta forma cuando se toman en cuenta ambas la repetibilidad y la

reproducibilidad, la capacidad del sistema de medición se reduce. Es necesario
entrenar al operador en el uso del instrumento de medición y en todo caso a
encontrar otro equipo de medición.
Página 221
6.6.3 R&R Capacidad de los sistemas de medición - AIAG
En muchas ocasiones las organizaciones no consideran el impacto de no tener

sistemas de medición de calidad, el hecho de que las mediciones no sean exactas
puede llevar a cometer errores en el cálculo, y en los análisis y conclusiones de
los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede

caer en el riesgo de rechazar artículos que están en buen estado o aceptar
artículos que están en mal estado. Por otro lado si los instrumentos de medición
no están calibrados correctamente también se pueden cometer errores. Cuando
sucede lo mencionado anteriormente tenemos un sistema de medición deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos
innecesarios de reproceso al reparar un proceso de manufactura o de servicios,
cuando la principal fuente de variación se deriva del sistema de medición.
Posibles Fuentes de la Variación del Proceso
Variación del proceso
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Variación dentro de la Variación

Equipooriginada
de
muestra mediciòn Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
Página 222
Definiciones
 Reproducibilidad: Es la variación, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medición
cuando miden las mismas características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
 Repetibilidad: es la variación de las mediciones obtenidas con un instrumento

de medición, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas características en una misma parte.
REPETIBILIDAD
 Valor verdadero:
Valor correcto teórico / estándares NIST33
33
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene
el CENEAM o el Centro Nacional de Metrología
Página 223
 Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una

misma zona
 Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
 Resolución: La medición que tiene exactitud y precisión.
Exacto pero no preciso Exacto y preciso

Preciso pero no exacto
(resolución)
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de

medición, hechas sobre el mismo patrón o sobre las mismas partes, cuando se
mide una sola de sus características, durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
Página 224
 Linealidad: diferencia en los valores de la escala, a través del rango de

operación esperado del instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior) (rango superior)

Rango de Operación del equipo
 Sesgo: distancia entre el valor promedio de todas las mediciones y el valor

verdadero. Error sistemático o desviación.
Valor 
Verdadero
Sesgo
 Calibración: Es la comparación de un estándar de medición con exactitud

conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variación en la exactitud del instrumento.
 Importante: para que el equipo de medición tenga una discriminación

adecuada en la evaluación de las partes, su
 resolución debe ser al menos 1/10 de la variabilidad del proceso.
Página 225
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como máximo.
En cualquier problema que involucre mediciones, algunas de las variaciones

observadas son debidas al proceso y otras son debidas al error o variación en los
sistemas de medición. La variación total es expresada de la siguiente manera:
 2 total   2 proceso   2 error mediciòn
Página 226
Estudios R&R - Método Corto del Rango
Es un método que proporciona un valor aproximado del error R&R sin que muestre
las diferencias entre errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una
sola vez.
Se calcula el rango de la medición de cada parte y al final el rango promedio.
La desviación estándar de R&R se aproxima con la formula de rango medio entre

d2*
El % de R&R se calcula comparando la desv. Estándar de R&R con la del proceso
Partes Evaluador A Evaluador B Rango A,B

1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588

Desv. Estándar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medición requiere mejora
Página 227
Estudio de R&R Método largo
• Generalmente intervienen de dos a tres operadores

• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
 La resolución del equipo de medición debe ser de al menos el 10% del rango
de tolerancia o del rango de variación del proceso.
 Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variación)
 10 partes NO son un tamaño de muestra significativo para una opinión sólida
sobre el equipo de medición a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegúrese de que el equipo de medición haya sido calibrado.

2. Marque cada pieza con un número de identificación que no pueda ver la
persona que realiza la medición.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Continúe hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el número requerido de ensayos
Página 228
7. Determine las estadísticas del estudio R&R

 Repetibilidad
 Reproducibilidad
 % R&R
 Desviaciones estándar de cada uno de los conceptos mencionados
 Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Métodos de estudio del error R&R:
I.
Método de Promedios- Rango
 Permite separar en el sistema de medición lo referente a la Reproducibilidad y
a la Repetibilidad.
 Los cálculos son más fáciles de realizar.
II. Método ANOVA

 Permite separar en el sistema de medición lo referente a la Reproducibilidad y
a la Repetibilidad.
 También proporciona información acerca de las interacciones de un operador
y otro en cuanto a la parte.
 Calcula las varianzas en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
 El Método ANOVA es más preciso
Ejemplo 134: Cálculo de la Repetibilidad únicamente
Un equipo de mejora de la calidad involucrado en el diseño de CEP (Control

Estadístico del Proceso), desea realizar un cálculo de la capacidad del sistema de
34
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Página 229
medición. Se tienen veinte unidades de producto, el operador que toma las

mediciones para el diagrama de control usa un instrumento para medir cada
unidad dos veces. Los datos son mostrados en la tabla siguiente:
Parte Medición 1 Medición 2 Media Rango

1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
x  22.3
R  1 .0
La desviación estándar del error de medición,  mediciòn , es calculada mediante la

siguiente fórmula:
R 1
 mediciòn =   0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Página 230
Para obtener una buena estimación de la capacidad del error de medición

utilizamos:
6 mediciòn  6(0.887)  5.32
La proporción 6 mediciòn de la banda de tolerancia (rango total de especificación)

es llamada precisión de tolerancia:
P 6 mediciòn

T USL  LSL
En este ejemplo USL = 60, LSL = 5
P 5.32
  0.097 .
T 55
Como se mencionó anteriormente los valores P/T de 0.1 o menores generalmente

implican una capacidad de error de medición adecuada.
Calculamos la varianza total mediante:
 2 Total  S 2  (3.07) 2  9.4249
La desviación estándar es calculada a partir de los datos de la tabla.

Ya que tenemos un estimado de  2 medición  .887 2   .79 , podemos obtener un
estimado para  2 proceso
 2 proceso =  2 total   2 medición =9.4249 - .79 = 8.63
Por lo tanto la desviación estándar del proceso = 2.93

El error de medición es expresado como un porcentaje de la variabilidad del
proceso:
Página 231
 medicion .79
  100  25.73%
 total 3.07
Al ser el error de medición mayor al 10%, concluimos que no tenemos un sistema

de medición confiable, por lo cual tenemos que realizar las acciones correctivas
correspondientes.
Cálculos con Excel o manual: Introducir los datos en la hoja de colección de

datos siguiente por cada operador y hacer los cálculos indicados en la zona gris:
RECOLECCIÓN DE DATOS

OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 RA : 0.00035
XA : 0.004666667
RA : 0.00035 # Intentos D4
RB : 0.0004 3 2.58
RC : 0.0005
SUM: 0.00125 LSCR = R x D4
R: 0.000416667 LSCR = 0.001075
Página 232

columna 11 columna 12 Promedio Prom. Parte
3er Intento Rango X Xp=
0.0045 0.0005 0.0047 0.004556
0.0045 0.0010 0.0048 0.004889
0.0040 0.0005 0.0043 0.004444
0.0050 - 0.0050 0.004944
0.0040 0.0005 0.0043 0.004333
0.0050 - 0.0050 0.005111
0.0050 0.0005 0.0048 0.004833
0.0050 0.0010 0.0053 0.005111
0.0045 0.0010 0.0048 0.004778
0.0045 - 0.0045 0.004167
0.0460 0.0050 0.0477 Xp= 0.004717
RC : 0.0005 Rp= 0.000944

A2
LSCX = X + A2 R = 1.023
LSCX = 0.005142917
LICX = X - A2 R
LICX = 0.0043
RANGOS
LSCR = 0.001075 R= 0.00042 LICR = 0
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que esté en control, de otra forma repetir las mediciones para ese operador y parte
específica errónea.
Página 233
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX = 0.005143 X= 0.004717 LICX = 0.004290417
LS
X
LICX
Se procede posteriormente a determinar los errores o variabilidad del sistema de

medición con la hoja de trabajo siguiente, calculando los campos con sombra gris:
Página 234
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD ( R & R )

MÉTODO LARGO
Aseguramiento de Calidad
No. de Parte y
Nombre: 4600066 PARTE A Fecha: 01/07/2003
Tolerancia
Especificada: 0.0060 Elaborado por: 0
No. y Nombre de Calibrador
GAGE: 8881-H Digital Característica: Diametro
RESULTADOS DE LA HOJA DE DATOS AC-008
R= 0.00041667 X Diff = 0.0001000000 Rp = 0.000944444
Análisis Unitario de Medición % Total de Variación ( TV )

Repetibilidad - Variación del Equipo (EV) % EV = 100 [ EV/TV ]
EV= R x K1 = INTENTOS K1 % EV = 63.74%
EV= 0.00127083 2 4.56
3 3.05 % EV vs Tol. = 21.18%
Reproducibilidad - Variación del Operador (AV) % AV = 100 [AV/TV]
2 2 1/2
AV = [(XDiff x K2) - (EV /nr)] % AV = 6.93%
AV = 0.00027 % AV vs Tol = 2.30%
AV = 7.29E-08 n=partes = 10
AV = 5.3834E-08 r = intentos = 3
AV = 1.9066E-08 OPERADOR 2 3
AV = 0.00013808 K2 3.65 2.7
Repetibilidad y Reproducibilidad ( R & R ) PARTES K3 % de R & R = 100 [ R & R /TV ]

R&R
= [EV2 + AV2]1/2 5 2.08 % de R & R = 64.1164%
2
R&R % de R & R vs Tol
= 1.6341E-06 6 1.93 = 21.31%
R&R
= 0.00127831 7 1.82
Variación de la Parte ( PV ) 8 1.74 % PV = 100 [ PV/TV ]
PV = RP x K3 9 1.67 % PV = 76.7403%
PV = 0.00153 10 1.62
VARIACIÓN TOTAL ( TV ) TV = 3.97E-06 PV / R&R x d2= d2 = 1.693
Categoria de
TV = ( R & R2 + PV2 )1/2 TV = 0.001994 2.0 Datos
Página 235
Interpretación de los resultados
1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa

para liberar producto terminado la referencia es la tolerancia del cliente; si
el equipo se usa para control del proceso, la referencia es la variación total
del proceso.
2. El número de categorías debe ser de al menos 4 indicando que el equipo

distingue las partes que son diferentes.
Página 236
Ejemplo 2 (MINITAB)
Método X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida

dos veces por tres operadores. Realice un estudio R&R mediante el método
ANOVA.
OPERADOR A.- B.- C.-

columna columna columna columna columna columna columna columna columna
1 2 3 5 6 7 9 10 11
1er 2do 3er 1er 2do 3er 1er 2do 3er
Muestra Intento Intento Intento Intento Intento Intento Intento Intento Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045
2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
 Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes Operadores Medición Partes Operadores Medición Partes Operadores Medición

1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
Página 237
4 1 0.005 4 2 0.005 4 3 0.005

5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
 Seleccione en el menú de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis X Bar and R
 En Options Seleccionar: Study variation 5.15 Process tolerante 0.006
Página 238
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Part-To-Part 0.0000001 59.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19
Number of Distinct Categories = 1
Gage R&R for Datos
Análisis de los resultados:
El error de R&R vs tolerancia es 64.03% y vs variación total del proceso es

21.25% lo que hace que el equipo de medición no sea adecuado para la medición.
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.
Página 239
Gage R&R (Xbar/R) for Datos

Reported by :
Gage name: Tolerance:
Date of study : M isc:
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
La gráfica R se mantiene en control indicando que las mediciones se realizaron en

forma adecuada.
La gráfica X barra sólo presenta 5 de 30 puntos fuera de control, lo cual debería

ser al menos el 50%, indicando que el equipo no discrimina las diferentes partes.
Ejemplo 3: por el Método de ANOVA se tiene:
 Seleccione en el menú de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis ANOVA
 En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to
remove interaction 0.25
Página 240

Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Los operadores y la interacción no fueron significativos, sólo las partes
Two-Way ANOVA Table Without Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 0.0000002 0.0000001 0.75592 0.473
Repeatability 78 0.0000077 0.0000001
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Study Var %Study Var %Tolerance
Página 241
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)

Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88
Number of Distinct Categories = 1
La interacción no es significativa, y los errores de R&R indican que equipo de

medición no es adecuado, ni el número de categorías.
Gage R&R (ANOVA) for Datos

Reported by :
Gage name: Tolerance:
Date of study : M isc:
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Las conclusiones son similares que con el método de X barra – R.
Página 242
Estudios de R&R por atributos
Una empresa está entrenando a cinco evaluadores para la porción escrita de un

examen estándar de doceavo grado. Se requiere determinar la habilidad de los
evaluadores para calificar el examen de forma que sea consistente con los
estándares. Cada uno de los evaluadores califica 15 exámenes en una escala de
cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archive ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:
Appraiser Sample Rating Attribute

Simpson 1 2 2
Montgomer
y 1 2 2
Holmes 1 2 2
Duncan 1 1 2
Hayes 1 2 2
Simpson 2 -1 -1
Montgomer
y 2 -1 -1
Holmes 2 -1 -1
Duncan 2 -2 -1
Hayes 2 -1 -1
Simpson 3 1 0
Montgomer
y 3 0 0
Página 243
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomer
y 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomer
y 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Montgomer
y 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomer
y 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomer
y 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomer
y 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomer
y 10 1 1
Página 244
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomer
y 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomer
y 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomer
y 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomer
y 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomer
y 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Gage R&R for Datos

Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI

Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Página 245
Holmes 15 15 100.00 (81.90, 100.00)

Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with

the known standard.
Kendall's Correlation Coefficient
Appraiser Coef SE Coef Z P

Duncan 0.89779 0.192450 4.61554 0.0000
Hayes 0.96014 0.192450 4.93955 0.0000
Holmes 1.00000 0.192450 5.14667 0.0000
Montgomery 1.00000 0.192450 5.14667 0.0000
Simpson 0.93258 0.192450 4.79636 0.0000
Between Appraisers
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
-2 0.680398 0.0816497 8.3331 0.0000
-1 0.602754 0.0816497 7.3822 0.0000
0 0.707602 0.0816497 8.6663 0.0000
1 0.642479 0.0816497 7.8687 0.0000
2 0.736534 0.0816497 9.0207 0.0000
Overall 0.672965 0.0412331 16.3210 0.0000
Página 246
Kendall's Coefficient of Concordance
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
All Appraisers vs Standard
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with the known

standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)

-2 0.842593 0.115470 7.2971 0.0000
-1 0.796066 0.115470 6.8941 0.0000
0 0.850932 0.115470 7.3693 0.0000
1 0.802932 0.115470 6.9536 0.0000
2 0.847348 0.115470 7.3383 0.0000
Overall 0.831455 0.058911 14.1136 0.0000
Kendall's Correlation Coefficient

Coef SE Coef Z P
0.958102 0.0860663 11.1100 0.0000
Página 247
* NOTE * Single trial within each appraiser. No percentage of

assessment agreement within appraiser is plotted.
Date of study :
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre
evaluadores y Todos los evaluadores vs estándar. Los estadísticos de Kappa y
Kendall también se incluyen en cada una de las tablas. En general estos
estadísticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los

evaluadores vs estándar es 0.958192 (p = 0.0). Sin embargo la observación del
desempeño de Duncan y Haues indica que no se apegan al estándar.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno
de los evaluadores vs el estándar, pudiendo comparar fácilmente la determinación
de acuerdos para los cinco evaluadores.
Página 248
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento

adicional.
Método sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de

especificaciones
Probarlas con dispositivos “pasa” y “no pasa” por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages

“pasa, no pasa” no son confiables
Página 249
7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO

Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha
estado siendo desplazado por métodos preventivos como el CEP y el diseño de
experimentos.
Si se recibe un lote de un proveedor, se toma una muestra y se evalúan algunas

de las características del producto, en base a los resultados se toma una decisión
sobre la disposición del lote, ya sea aceptados para su uso en producción, o
rechazados para que el proveedor tome acciones.
Hay 3 aspectos importantes del muestreo:

1. Su propósito es calificar los lotes, no estimar los parámetros del lote.
2. No proporcionan un mecanismo de control de calidad, simplemente aceptan o
rechazan lotes.
3. Sirven como herramienta de auditoría para segurar que la calidad de un lote
esté de acuerdo a especificaciones.
Existen 3 alternativas para calificar un lote:

1. Aceptar sin inspección.Con proveedores confiables.
2. Inspeccionar al 100%, separando los productos defectuosos.
3. Realizar un muestreo de aceptación.
La aceptación por muestreo es más util en las situaciones siguientes:

1. Cuando las pruebas son destructivas.
2. Cuando el costo de la inspección 100% es muy alto.
3. Cuando la inspección 100% es muy tardada.
Página 250
4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
6. Cuando hay riesgo de generar problemas legales por productos críticos.
7.1.1 VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspección por muestreo, se tienen las ventajas siguientes:

1. Es más barato, requiriendo menos inspección.
2. Existe un menor manejo de producto o menor daño.
3. Se aplica a pruebas destructivas.
4. El rechazar un lote completo en lugar de sólo las partes defectivas, motiva al
proveedor a mejorar su calidad.
El muestreo de aceptación también presenta varias desventajas:

1. Existe el riesgo de “aceptar” lotes malos y de “rechazar” lotes buenos.
2. La información que se genera respecto al producto o proceso es poca.
3. El muestreo de aceptación requiere documentación y planeación, no así la
inspección 100%.
7.1.2 TIPOS DE PLANES DE MUESTREO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y

atributos. Una característica se expresa en variables si se puede medir, o en
atributos si se califica como “pasa no pasa”.
Un plan de muestreo simple es un procedimiento de calificación de lotes, donde se

toma una muestra aleatoria de n partes y la disposición del lote es determinada
Página 251
dependiendo de los resultados de la muestra, aceptándose si se encuentran hasta

c productos defectivos.
Un plan de muestreo doble implica que después de tomar una muestra e

inspeccionar, se toma una decisión de (1) rechazar, (2) aceptar o (3) tomar una
segunda muestra, si esto sucede, se combina la información de la primera y de la
segunda para tomar una decisión.
Un plan de muestreo múltiple es una extensión del doble, en el cual más de dos
muestras pueden ser necesarias antes de tomar una decisión. Los tamaños de
estas muestras son más pequeños que en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote después de un cierto número de
unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con

cualquiera de las modalidades anteriores.
7.1.3 FORMACIÓN DE LOTES
Para inspección de lotes, estos deben cumplir las características siguientes:
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas
corridas de producción, en condiciones similares. Es difícil tomar acciones
correctivas para lotes mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es
más eficiente.
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de daño
y permitir la selección de muestra en forma sencilla.
Página 252
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de
las capas superiores, sino de preferencia numerar las partes con un número y
seleccionar con tablas de números aleatorios o también se puede estratificar el
lote.
7.1.4 GUIA DE APLICACIÓN DE PLANES DE MUESTREO
Un plan de aceptación es el establecimiento del tamaño de muestra a ser usado y

el criterio de aceptación o rechazo para calificar lotes individuales.
Un esquema de aceptación es un conjunto de procedimientos de planes de

aceptación en los cuales se relacionan los tamaños de lote, tamaño de muestra,
criterio de aceptación o rechazo, la cantidad de inspección 100% y de muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los

procedimientos de muestreo de aceptación son:
Procedimiento Procedimiento
Objetivos por atributos por Variables
1. Asegurar niveles de calidad Plan específico Plan específico

Para el consumidor y productor en base a curva OC en base a curva OC
2. Mantener la calidad en el Sistema de AQL Sistema de AQL

objetivo MIL-STD-105E MIL-STD-414
3. Asegurar el nivel de Sistema de AOQL Sistema de AOQL

calidad de salida de Dodge-Romig
6. Asegura la calidad no Planes LTPD de Planes LTPD con

menor que el objetivo de Dodge-Romig prueba de hipótesis.
Página 253
Los clientes están enfocados a mejorar la calidad de sus proveedores,

seleccionando a los mejores y trabajando en forma cercana para reducir su
variabilidad, con técnicas de control estadístico del proceso. El muestreo de
aceptación se utiliza mientras se mejora la calidad con el proveedor.
7.2 MUESTREO SIMPLE POR ATRIBUTOS
Un plan de muestreo simple se define por su tamaño de muestra n y el número de

aceptación c. El tamaño del lote se especifica como N.
Por ejemplo si se tiene el plan:
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspección, si el número de productos defectivos observados en la muestra d es
menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
7.2.1 LA CURVA OC
La curva característica de operación (OC) muestra la probabilidad de aceptar el

lote (Pa o  en el eje Y), versus la fracción defectiva media en el lote (p en el eje
X), mostrando la potencia de discriminación del plan de muestreo.
La curva característica de operación se obtiene graficando p versus la probabilidad

binomial de encontrar y aceptar a lo más c defectivos o sea:
(7.1)
c
n! d
Pa  P{d  c)   p (1  p ) n d
d 0 d!(n  d )!
Esto mismo se puede aproximar por la distribución de Poisson para efectos

prácticos.
Página 254
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución

binomial acumulada (opción VERDADERA en Excel) se muestra a continuación:
7.2.2 CURVA CARACTERÍSTICA DE OPERACIÓN OC
p Pa = 
0.005 0.98968755 Pa
0.01 0.939689918
0.02 0.736577576
0.03 0.498482838
0.04 0.304158359
Curva OC
0.05 0.172076864
0.06 0.091869347
0.07 0.046819851
0.08 0.022955079
0.09 0.010886432
p
Fig. 7.1 Curva característica de operación (OC)
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptación

es de 0.74. Significa que de cada 100 lotes recibidos, se aceptarán 74 y se
rechazarán 26.
A continuación se muestran algunas variaciones de la curva característica de

operación variando tanto como el criterio de aceptación c manteniendo n
constante y después manteniendo c como constante y variando n.
Página 255
Fig. 7.2 Curvas características de operación diversas
Manteniendo n constante y variando c se tiene:

p n = 89, c=0 n = 89 c=1 n = 89, c =2
0.005 0.640109373 0.926389444 0.98968755

0.01 0.408820174 0.776345382 0.939689918
0.02 0.165623034 0.466448545 0.736577576
0.03 0.06647898 0.249467514 0.498482838
0.04 0.026432591 0.124453451 0.304158359
0.05 0.010408805 0.059165839 0.172076864
0.06 0.004058625 0.027115072 0.091869347
0.07 0.001566688 0.01206181 0.046819851
0.08 0.000598572 0.005231002 0.022955079
0.09 0.0002263 0.002218234 0.010886432
c=0, 1, 2
Para el caso en que lo que se varíe sea n se tiene:
p n = 50, c=2 n = 100, c = 2 n = 200, c = 2
0.005 0.997944456 0.985897083 0.920160568

0.01 0.986182729 0.920626798 0.676678695
0.02 0.921572252 0.676685622 0.235148136
0.03 0.810798075 0.419775083 0.059290946
0.04 0.676714004 0.232142624 0.012489138
0.05 0.540533123 0.118262981 0.002336294
0.06 0.416246472 0.056612777 0.000400477
0.07 0.310788561 0.025788541 6.40456E-05
0.08 0.225974275 0.011272803 9.66278E-06
0.09 0.160540491 0.004756131 1.38543E-06
n=50, 100,200
2
Página 256
PUNTOS ESPECIFICOS EN LA CURVA OC
Un consumidor frecuentemente fija de común acuerdo con su proveedor, un nivel

de calidad aceptable (AQL), que representa el nivel más pobre de calidad que el
consumidor considera aceptable como promedio, normalmente es la fracción
defectiva que tiene un 95% de ser aceptada ( = 0.95).
Por otra parte el consumidor quiere rechazar los lotes en la mayoría de los casos
cuando tengan una fracción defectiva de a lo más un porcentaje defectivo tolerable
en el lote (LTPD), normalmente esta fracción defectiva corresponde a una
probabilidad de aceptación del 10% o rechazo del 90% de las veces. También se
el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo A utilizando la distribución hipergeométrica se construye cuando

se tiene un lote aislado de tamaño finito, se utiliza cuando n/N >=0.10.
La curva OC tipo B utiliza la distribución binomial o de Poisson cuando n/N < 0.1,
sin embargo en los niveles donde n/N=0.1 ambas curvas A o B son muy
parecidas.
7.2.3 DISEÑO DE UN PLAN DE MUESTREO EN BASE A CURVA OC
En este método se especifican 2 puntos por los que debe pasar la curva OC, uno
de ellos tiene coordenadas (p 1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el
nomograma Binomial para encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una línea recta el valor de p 1 en el eje

vertical izquierdo con 1- en el eje vertical derecho, y con otra línea recta se hace
coincidir p2 en el eje vertical izquierdo con  en el eje vertical derecho. En el punto
Página 257
de cruce se encuentra el valor de n y de c del plan de muestreo simple. Ver

nomograma y ejemplo en la página siguiente.
Cuando p1 es igual al AQL y p2 es el LTPD, los puntos correspondientes en la

curva OC se denominan riesgo del productor (1-) y riego del consumidor .
7.2.4 INSPECCIÓN RECTIFICADORA
Los programas de aceptación por muestreo normalmente requieren acción

correctiva cuando los lotes son rechazados, de tal forma que el proveedor los
selecciona al 100% remplazando los artículos defectivos por buenos. Esta
actividad se denomina inspección rectificadora por su impacto en la calidad de
salida final hacia la planta.
Lotes Selección 100%

Rechazados Fracción defectiva 0
Lotes recibidos Inspección Lotes de salida

Fracción defectiva Fracción defectiva
p0 p1<p0
Lotes
Curva OC Aceptados
Fig. 7.3 Inspección rectificadora (piezas malas reemplazadas)
Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 , después de
la actividad de inspección bajo un plan de muestreo, algunos lotes serán
aceptados y otros serán rechazados. Los lotes rechazados serán seleccionados al
100% por el proveedor remplazando los artículos defectuosos por buenos después
se integran a los lotes que ingresan a la planta obteniéndose una fracción
Página 258
defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en

lotes de tamaño N se tiene:
1. n artículos de la muestra no contienen defectivos.

2. N-n artículos los cuales si el lote se rechazó no contenían defectivos.
3. N-n artículos los cuales si el lote se acepta contienen p(N-n) defectivos.
Así los lotes después del proceso rectificador, contienen un núemro esperado de
defectivos igual a Pap(N-n) con la cual se puede expresar una fracción defectiva
media AOQ como sigue,
Pa p( N  n)
AOQ 
N
(7.2)
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de

entrada p=0.01.
Como en la curva característica de operación (para n=89, c=2)
cuando p=0.01, Pa = 0.9397, entonces el AOQ es:
Pa p ( N  n) (0.9397)(0.01)(10000  89)
AOQ    0.0093
N 10000
AOQ  0.93% en lugar del 1% entrante.
Cuando N es grande respecto al tamaño de muestra n, se tiene,
AOQ  Pa p (7.3)
La curva de AOQ versus p se muestra a continuación:
Página 259
CURVA AOQ
Fracción defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438
0.01 0.939689918 0.009396899
0.02 0.736577576 0.014731552
0.03 0.498482838 0.014954485
0.04 0.304158359 0.012166334
0.05 0.172076864 0.008603843
0.06 0.091869347 0.005512161
0.07 0.046819851 0.00327739
0.08 0.022955079 0.001836406
0.09 0.010886432 0.000979779
n=89, c=2
CURVA AOQ
Fracción defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438 AOQ
0.01 0.939689918 0.009396899

0.02 0.736577576 0.014731552
0.03 0.498482838 0.014954485
AOQL = 1.55%
0.04 0.304158359 0.012166334
0.05 0.172076864 0.008603843
0.06 0.091869347 0.005512161
0.07 0.046819851 0.00327739
0.08 0.022955079 0.001836406
0.09 0.010886432 0.000979779 0.03
p
Fig. 7.4 Curva de calidad de salida promedio (AOQ)
De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la

peor fracción defectiva de salida hacia la planta o proceso, que se denomina límite
Página 260
de calidad de salida promedio AOQL el cual es aproximadamente 0.0155 o 1.55%

defectivo.
El número promedio de inspección total por lote es ATI, igual a:
ATI  n  (1  Pa )( N  n) (7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397

se tiene:
ATI = 89 + (1-0-9397)(10000 – 89) = 687
Siendo este el total de piezas que en promedio se

inspeccionarán por lote, algunas por el cliente (n) y otras
por el proveedor (N-n) en base al plan de muestreo.
Las curvas ATI para diferentes tamaños de lote se muestra a

continuación, para n = 89 y c = 2:
p Pa ATI-N=1000 ATI-N=5000 ATI-N=10000

0.005 0.98968755 98.39464177 139.644441 191.20669
0.01 0.939689918 143.9424844 385.1828112 686.7332196
0.02 0.736577576 328.9778285 1382.667526 2699.779647
0.03 0.498482838 545.8821346 2551.950783 5059.536593
0.04 0.304158359 722.9117347 3506.278297 6985.486501
0.05 0.172076864 843.2379767 4154.93052 8294.546199
0.06 0.091869347 916.3070247 4548.829636 9089.4829
0.07 0.046819851 957.3471157 4770.067712 9535.968456
0.08 0.022955079 979.0879231 4887.267607 9772.492212
0.09 0.010886432 990.0824602 4946.536731 9892.104569
Página 261
ATI
N=10000
N=5000
N=1000
Fig. 7.5 Curvas de número de muestras inspeccionadas promedio

por el cliente y por el proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo más
eficiente la inspección por muestreo.
7.3 MUESTREO DOBLE, MÚLTIPLE Y SECUENCIAL
Estos tipos de muestreo son extensiones del muestreo simple, se pueden diseñar
curvas CO equivalentes.
7.3.1 PLANES DE MUESTREO DOBLE
Un plan de muestreo doble es un procedimiento en el cual, bajo ciertas

circunstancias, se requiere una segunda muestra para calificar el lote. El plan se
define por los parámetros siguientes:
n1 = tamaño de muestra en la primera muestra.

c1 = criterio de aceptación en la primera muestra.
n2 = tamaño de muestra en la segunda muestra.
c2 = criterio de aceptación en la segunda muestra.
Página 262
Al aplicar el plan el número de defectivos observados en la primera muestra es d 1

y los defectivos observados en la segunda muestra es d 2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artículos, se acepta el lote si el total de defectivos

d1 <= c1=1, rechazándose si d1 >c2=3.
Si d1 es igual a 2 o a 3, se toma una segunda muestra de 100 artículos, se

inspecciona y se determina el número de defectivos d 2 .
Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.
En ambas muestras la primera y segunda, la inspección se continua hasta

inspeccionar todos los artículos, por eso se denomina inspección completa, el
número promedio de artículos inspeccionados por muestra ASN es,
ASN  n1  n2 (1  P1 ) (7.5)
donde P1 es la probabilidad de tomar una decisión en la primera muestra o sea:

P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la
primera muestra}
Si por el contrario la inspección de los artículos se suspende cuando se encuentra

un número de defectivos mayor al criterio de aceptación c 2 y no se inspeccionan
todos los artículos, el método se denomina inspección recortada, el
comportamiento de ambos esquemas se muestra a continuación,
Página 263
ASN
Insp. completa
n = cte.
Insp. recortada
Fig. 7.6 Diferencias en muestras inspeccionadas por el

cliente promedio con inspección completa y recortada
Por tanto el muestreo doble es más económico que el simple sólo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspección.
La inspección recortada si es más económica sin embargo proporciona menos

información acerca del lote.
CURVA CARACTERÍSTICA DE OPERACIÓN

Del ejemplo anterior, si Pa es la probabilidad de aceptación, esta se forma con la
probabilidad de aceptación en la primera muestra más la probabilidad de
aceptación en la segunda muestra ya sea usando la distribución binomial o la de
Poisson. O sea:
Pa  PaI  PaII (7.6)

PaI  P ( d 1  1 n1 ) (7.7)
PaII  P (d1  2 n1 ) xP(d 2  1 n 2 )  P ( d1  3 n1 ) xP( d 2  0 n2 ) (7.8)
Página 264
Fig. 7.7 Curva característica de operación bajo muestreo

doble
Prob.de decidir
p Pa (1º muestra) Pa (2º muestra) Pa total en 1º muestra
0.005 0.973868476 0.023086044 0.99695452 0.975541743
0.01 0.910564687 0.060110197 0.970674884 0.928938723
0.02 0.735771394 0.082974214 0.818745608 0.876809831
0.03 0.555279873 0.055742128 0.611022002 0.908030663
0.04 0.400481197 0.027184125 0.427665321 0.971005627
0.05 0.279431752 0.01098373 0.290415482 1.021593093
0.06 0.190003258 0.003907151 0.193910409 1.04698017
0.07 0.126493499 0.001264661 0.12775816 1.052081017
0.08 0.082712023 0.00037995 0.083091973 1.046006124
0.09 0.053238461 0.000107325 0.053345786 1.035937851
Pa
Pa total
Pa
1ª muestra
Pa 2ª muestra
p
DISEÑO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario diseñar un

plan de muestreo doble tomando como referencia las coordenadas de la curva OC
(p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean las
tablas de Grubbs (ver páginas siguientes).
INSPECCIÓN RECTIFICADORA
Cuando se usa el esquema de inspección rectificadora, la curva AOQ está dada

por,
Página 265
{PaI ( N  n1 )  PaII ( N  n1  n2 )} p
AOQ  (7.9)
N
Asumiendo que todos los defectivos son remplazados por artículos buenos en los
lotes rechazados, la curva de inspección total promedio es,
ATI  nPaI  (n1  n2 ) PaII  N (1  Pa ) (7.10)
donde Pa  PaI  PaII
7.3.2 PLANES DE MUESTREO MÚLTIPLE
Un muestreo múltiple es una extensión del doble, donde pueden requerirse más
de dos muestras para calificar el lote, por ejemplo un plan de 5 etapas es el
siguiente:
Muestra acumuladaNúmero de aceptación No. Rechazo

20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Al terminar cada etapa de muestreo, si el número de defectivos es menor o igual al

número de aceptación, se acepta el lote. Si en cualquier etapa el número de
defectivos acumulado excede el número de rechazo, se rechaza el lote, de otra
forma se sigue tomando una siguiente muestra.
Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el
caso del simple o del doble, con una mejor eficiencia de inspección. Sin embargo
es más complejo de administrar.
Página 266
7.3.3 MUESTREO SECUENCIAL
Es una extensión de los planes anteriores, aquí se toma una secuencia de

muestras del lote, cuya magnitud será determinada por los resultados del proceso
de muestreo. Si el tamaño del subgrupo inspeccionado en cada etapa es mayor
que uno, se denomina muetreo secuencial de grupo, si es uno, como es nuestro
caso, se denomina muestreo secuencial artículo por artículo, basado en Wald
(1947).
En este caso se tienen 2 líneas, una de aceptación y otra de rechazo, teniendo

como dato las coordenadas de la curva OC (p 1, 1-) y (p2, ), las ecuaciones de
las líneas son:
X ACEPTACION   h1  sn (7.11)
X RECHAZO  h2  sn
 1 
h1   log k
  
 1  
h2   log k (7.12)
  
p 2 (1  p1 )
k  log
p1 (1  p 2 )
 1  p1 
s  log   k
 1  p2 
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al

substituir valores en las ecuaciones anteriores:
k = 0.80066
h1=1.22
h2=1.57
Página 267
s=0.028
Por tanto las ecuaciones de las líneas de aceptación y

rechazo son:
XA= -1.22 + 0.028n Línea de aceptación

XB= 1.57 + 0.028n Línea de rechazo
Haciendo una tabla de valores donde el número de aceptación

es el entero más próximo menor que o igual a XA y el número
de rechazo es el entero más próximo superior que o igual a XR.
MUESTREO SECUENCIAL
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
Página 268
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
Página 269
En este caso no se puede tomar una decisión de aceptación

hasta que hayan transcurrido las suficientes muestras, que
hagan que la línea de aceptación tenga valores positivos en
Xa, 44 en este caso, y no se puede rechazar hasta en la 2ª.
Muestra.
No. de
defectos Línea de
acumulados aceptación
3
Línea de
2 Rechazo
1
Número de
0 20 40 60 muestras
-1
Fig. 7.8 Comportamiento del muestreo secuencial
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p 1, 1-), (p2, ) y el punto medio de la curva
en p=s y Pa = h2 /(h1+h2).
Las muestras inspeccionadas promedio son:
 A B
ASN  Pa    (1  Pa ) (7.13)
C  C
Donde,

A  log
1
1 
B  log

p   1  p2 
C  p log 2   (1  p ) log 
 p1   1  p1 
Página 270
INSPECCIÓN RECTIFICADORA
La calidad media de salida AOQ  Pap y el número promedio de muestras

inspeccionadas total es:
 A
ATI  Pa    (1  Pa ) N (7.14)
C 
Página 271
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)
DESCRIPCIÓN DE LA NORMA
Esta norma se desarrolló durante la segunda guerra mundial emitiéndose en 1950

con la versión A. La versión D se publicó en 1963 y en 1971 fue adoptada por la
ANSI con pequeños cambios como la Z1.4 y en 1973 fue adoptada por la ISO
como la norma ISO 2859. En 1989 se liberó la versión E.
La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):

- Muestreo simple.
- Muestreo doble.
- Muestreo múltiple
En cada uno de los casos se prevén los siguientes tipos de inspecciones:
- Inspección normal.
- Inspección estricta.
- Inspección reducida.
Se inicia con la inspección normal, se pasa a estricta cuando se observa

mala calidad del proveedor y se usa la reducida cuando la calidad del
proveedor es buena, reduciendo los tamaños de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1%

y 10%), negociado entre cliente y proveedor. Los valores típicos de AQL
para defectos mayores es de 1%, 2.5% para defectos menores y 0% para
defectos críticos. Cuando se utiliza para planes de defectos por unidad se
tienen 10 rangos adicionales de AQLs hasta llegar a 1000 defectos por
cada 100 unidades, los noveles pequeños de AQL se pueden utilizar tanto
para controlar fracción defectiva como defectos por unidad.
Página 272
El tamaño de muestra en el estándar está determinado por el tamaño del

lote y por la selección del nivel de inspección. Se proporcionan tres niveles
de inspección, donde el nivel II se considera normal; el nivel I requiere
alrededor de la mitad de la inspección del nivel II y se usa cuando se
requiere menos discriminación; el nivel III requiere alrededor del doble de
inspección del nivel II, y se usa cuando se requiere más discriminación. Hay
también cuatro niveles especiales de inspección, S-1, S-2, S-3 y S-4, estos
usan tamaños de muestra muy pequeños y sólo deben usarse cuando los
riesgos grandes del muestreo sean aceptables.
Para un AQL específico, un nivel de inspección y un tamaño de lote dado, el

estándar MIL-STD-105E proporciona un plan de muestreo normal que se
utilizará conforme el proveedor produzca productos con calidad AQL o
mejor. También proporciona un mecanismo de cambio de cambio a
inspección estricta o reducida como se ilustra en la figura y se describe a
continuación.
1. Normal a estricta. Cuando se tiene inspección normal, la inspección estricta

se instituye cuando cuándo dos de cinco lotes consecutivos han sido
rechazados.
2. Estricta a normal. Cuando se tiene inspección estricta, la inspección normal

se instituye cuando cinco lotes consecutivos son aceptados.
3. Normal a reducida. Cuando se tiene inspección normal, la inspección

reducida se instituye cuando se cumple con todas las condiciones siguientes:
a. Diez lotes consecutivos han sido aceptados con inspección normal.

b. El número total de defectivos en las muestras de los diez lotes
precedentes es menor o igual a el número límite aplicable del estándar.
Página 273
c. La producción de lotes ha sido continua sin interrupciones mayores.

d. La inspección reducida se considera adecuada por la función
responsable de la inspección por muestreo.
4. Reducida a normal. Cuando se tiene inspección reducida, la inspección

normal se instituye cuando se cumple cualquiera de las condiciones
siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación
o rechazo, el lote se acepta pero se cambia a inspección normal en el
próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
5. La Inspección se descontinúa. Cuando diez lotes se acepten con inspección

estricta y el proveedor tome acciones para mejorar su calidad.
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
1. Negociación del AQL (cliente – proveedor).

2. Decisión del nivel de inspección.
3. Determinación del tamaño del lote.
4. Consultar la tabla 1 (ver apéndice) y localizar la letra código correspondiente
al tamaño del lote y el nivel de inspección.
5. Decisión en cuanto al procedimiento de muestreo a utilizar (simple, doble,
múltiple).
6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se
encuentran en el apéndice).
Página 274
7. Uso de la tablas para inspección reducida y estricta, cuando se requieran

hacer cambios.
Ejemplo 7.4 Si N= 2,000 y AQL= 0.65% usando el nivel II de

inspección:
1. La tabla I indica la letra código K.

2. La tabla II-A para inspección normal indica el plan de
muestreo n=125 y c=2.
3. La tabla II-B para inspección estricta indica el plan de
muestreo n= 125, c=1.
La flecha descendente cambia la c, la letra de código y el

tamaño de muestra, lo mismo para la ascendente. Por
ejemplo, un AQL de 1.5% y letra F será cambiado a letra G
con tamaño de muestra 32 en lugar de 20.
Para el caso de muestreo doble con los datos anteriores, la

letra código es K y de las III-A, III-B y III-C se obtienen
los planes de inspección normal (n1= n2=80, c1a=0, cir=3,
c2a=3), estricta (mismas que n1 y n2, c1a=0, cir=2, , c2a=1,
c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIÓN
Todas las curvas OC son tipo B, también se proporcionan curvas para el ASN y
datos del AOQL.
El estándar MIL-STD-105E está orientado al AQL, se enfoca al lado de riesgo del

productor de la curva OC, la parte restante de la curva depende de la selección
Página 275
del nivel de inspección. Los tamaños de muestra seleccionados son 2, 3, 5, 8, 13,

20, 32, 50, 80, 125, 200, 315, 500, 800, 1250 y 2000.
Si se grafica el tamaño medio del rango de lotes contra el logaritmo del tamaño
de muestra se obtiene una recta hasta n=80 y después una recta con una
pequeña pendiente. Como la razón de N a n es decreciente conforme aumenta N
se economiza en la inspección.
El estándar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estándar MIL-
STD-105E, difiriendo en que:
1. Se usa el término “No conforme” o “no conformancia” o “porcentaje no

conforme”.
2. Cambian ligeramente las reglas de cambio agregándose una opción para
inspección reducida sin el uso de números límite.
3. Se agregan varias tablas que muestran el desempeño de los planes, como el
AOQL, fracciones defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
4. Hay una descripción detallada de los planes de muestreo simples.
5. Se proporciona un esquema ilustrando las reglas de cambio en inspección.
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920)
Desarrollaron dos tipos de planes usando inspección rectificadora:

1. Planes para el porcentaje defectuoso tolerable en el lote LTPD y
2. Los que proporcionan un límite de la calidad máxima promedio de salida
AOQL especificado.
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fracción defectiva
en ppm dependiendo del AQL “aceptable”.
Página 276
AQL ppm
10% 100,000
1% 10,000
0.1% 1,000
0.01% 100
0.001% 10
0.0001% 1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus

componentes tienen en promedio un AQL = 0.5% , por tanto la
probabilidad de que el equipo trabaje es de:
P( función _ adecuada)  (0.995)100  0.6058
Por tanto es obvio que se requieran planes de protección del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspección de sub-ensambles.
Los planes de Dodge-Romig de AOQL y LTPD están diseñados para minimizar la

inspección total promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son útiles cuando el
rechazo medio del proceso es bajo (alrededor de 100 ppm).
7.5.1 PLANES DE AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%,
0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para muestreo
simple y doble.
Página 277
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL=

3% y la fracción disconforme del proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una

seguridad del 90% de que serán rechazados los lotes que
tengan desde un 10.3% defectuoso.
Suponiendo que los lotes recibidos tengan un promedio de 1%

de defectivo y la probabilidad de aceptación sea Pa=0.9957,
se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarán 86 partes del lote en

promedio.
7.5.2 PLANES DE LTPD
Se diseñaron de tal forma que la probabilidad de aceptación del LTPD sea 0.1. Se
proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y
10%.
Ejemplo 7.6 Suponiendo N=5,000 con fracción promedio de

defectivos del proveedor de 0.25% de productos no conformes
y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los

lotes rechazados son seleccionados al 100% y los artículos
defectuosos se reemplazan por artículos buenos, el
AOQL=0.28%.
Página 278
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspección
100% es mejor económicamente.
ESTIMACIÓN DEL PROMEDIO DEL PROCESO
La utilización de los planes de Dodge-Romig depende del conocimiento de la

fracción promedio no conforme del proveedor. Se puede estimar la fracción
defectiva promedio del proceso por medio de carta de control p para los primeros
25 lotes del proveedor, con las causas especiales eliminadas y el proveedor haya
tomado acciones para prevenir su reincidencia.
Página 279
8. MUESTREO DE ACEPTACIÓN POR VARIABLES
VENTAJAS Y DESVENTAJAS
La principal ventaja del muestreo por variables es que se puede obtener la misma
curva característica de operación con tamaño de muestra menor que el que
requeriría un plan por atributos. Otra ventaja es que los datos por variables
proporcionan más información del proceso que los atributos. Cuando los AQLs
son muy pequeños (del orden de ppm), el tamaño de muestra requerido en el caso
de muestreo por atributos es muy grande y por variables muy pequeño. Cuando la
inspección es del tipo destructivo, los planes por variables si se aplican son más
económicos.
Como desventajas se tienen el probable alto costo de las mediciones versus

juzgar por atributos, a pesar de que el tamaño de muestra sea menor y que es
necesario un plan de muestreo para cada característica importante del producto.
Se debe conocer la distribución de la característica de calidad, la cual debe ser

normal ya que de otra forma se pueden cometer errores en la aplicación del plan
de muestreo por variables. Esto es más crítico cuando las fracciones defectivas
son muy pequeñas.
En la figura de la página siguiente se muestran las diferencia para varias

distribuciones. Si la distribución no es normal se puede diseñar un plan si se
puede determinar la fracción defectiva a partir de la media y la desviación estándar
de esa distribución.
Los planes especifican el número de artículos a muestrear en los cuales se hacen

mediciones en la característica de calidad seleccionada, y el criterio de aceptación
de esos lotes.
Página 280
Una comparación entre los diferentes tipos de muestreo se da a continuación,

considerando una p1 = 0.01, p2 = 0.08,  = 0.05 y  = 0.10:
Tipo de muestreo n ó ASN

1. Muestreo simple por atributos n = 67.
2. Muestreo doble por atributos ASN en p1 = 45
3. Muestreo múltiple por atributos ASN en p1 = 41
6. Muestreo simple por variables, n=27
sigma desconocida, método de s
7. Muestreo simple por variables n=10
Sigma conocida
Como se observa, si la distribución es normal y la desviación estándar es

conocida, el costo de muestreo por variables es menor.
TIPOS DE PLANES DE MUESTREO
Existen dos tipos de planes de muestreo por variables, los que controlan la
fracción defectuosa del lote y los que controlan un parámetro del proceso tal como
la media.
8.1 CONTROL DE LA FRACCIÓN DEFECTIVA
Como la característica de calidad es una variable, siempre existirá ya sea un límite

de especificación inferior LIE, límite de especificación superior o ambos, que
definan los valores aceptables de esa característica.
Página 281
Considerando una característica de calidad x normalmente distribuida y un límite

inferior de especificaciones LIE, la fracción defectiva p es función de la media del
lote  y su desviación estándar .
Asumiendo que la desviación estándar  del proceso es conocida, se desea tomar

una muestra del lote para determinar si o no el valor de la media es tal que la
fracción defectiva p es aceptable. Para esto se tienen dos métodos.
p 
__
LIE X x
Fig. 8.1 Bases del muestreo por variables
Procedimiento 1.
Tomando una muestra aleatoria de n artículos del lote y calculando el estadístico
X  LIE
Z LIE  (8.1)

ZLIE expresa justamente la distancia entre la media X de la muestra y el límite

inferior de especificación LIE, entre mayor sea su valor, la media X de la muestra
estará más alejada del LIE y en consecuencia menor será la fracción defectiva p.
Si hay un valor crítico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crítica por decir k para
ZLIE. De esta forma si ZLIE <= k, se aceptará el lote ya que automáticamente la
Página 282
fracción defectiva p es satisfactoria, en caso contrario la fracción defectiva p es

mayor que la aceptable y se rechazará el lote.
Ejemplo 8.1 Si =100,  =10 y LIE= 82:
X  LIE 82  100
Z LIE    1.8
 10
Donde (-1.8) = 0.0359 o sea el 3.59% defectuoso.
Se sigue el mismo procedimiento para el caso de tener un límite superior de

especificación unilateral LSE.
LSE  X
Z LSE  (8.2)

Cuando se tiene un solo límite de especificación, la relación entre Z y la fracción

defectiva (p) es:
p Zs ó Zi
0.25 0.6745
0.20 0.8416
0.15 1.0364
0.10 1.2816
0.5 1.6449
0.2 2.0537
0.1 2.3263
Procedimiento 2.
Página 283
A partir de una muestra sencilla de tamaño n del lote, se calcula Z LIE o

Q LIE  Z LIE n /( n  1) (más exacto) y se estima la fracción defectiva p como
el área bajo la curva normal debajo de Z LIE, si esta fracción estimada p,

excede un valor máximo M, se rechaza el lote, de otra forma se acepta.
Para el caso de límites bilaterales se calculan ambos Q LIE y QLSE.
X  LIE
QLIE  n /( n  1)

(8.3)
LSE  X
QLSE  n /( n  1)

Se estiman las fracciones defectivas P(Q LIE) y P(QLSE) de la tabla mostrada

en el apéndice para estimar las fracciones defectivas p I y pS, si la suma de
ambas fracciones defectivas no excede al valor máximo permitido M se
acepta el lote, en caso contrario se rechaza el lote.
Cuando la desviación estándar  es desconocida, se puede estimar de la

desviación estándar de la muestra s, remplazando en las fórmulas
anteriores a  por s.
8.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES CON

UNA CURVA CO ESPECÍFICA
Para diseñar un plan de muestreo por variables usando el procedimiento 1, el

método de k, que tiene una curva OC especificada por dos puntos (p 1, 1-), (p2, )
donde p1 y p2 son las fracciones defectivas que corresponden a niveles de calidad
aceptables y rechazables respectivamente se utiliza un nomograma.
Página 284
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver

página siguiente), para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva característica de operación

CO, cambiando los valores de las fracciones defectivas p y hallando sus
probabilidades de aceptación si se mantiene fijo n y k.
Ejemplo 8.2 Un embotellador ha establecido que la

resistencia mínima para una botella de plástico sea de LIE=
225 psi, si a lo más el 1% no pasa el límite, se aceptará el
lote con una probabilidad del 95% (p1=0.10 y 1-= 0.95),
mientras que si el 6% o más están abajo del límite, el
embotellador rechazará el lote con una probabilidad de 90%
(p2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza

una línea que une a el punto 0.01 en la escala de fracción
defectivas con el punto 0.95 en la escala de probabilidad de
aceptación. Después se traza una línea similar que conecta
los puntos p2 = 0.06 y Pa=0.10, en la intersección de esas
líneas se lee, k=1.9 y n=40 para  desconocida (siguiendo la
línea curveada) o n=15 (bajando una línea perpendicular) para
 conocida.
a) Procedimiento 1
Si se desconoce la desviación estándar, se toma una muestra
aleatoria de n = 40 piezas calculando la media y la
desviación estándar s, se calcula ahora:
Página 285
X  LIE
Z LIE 

Si ZI  k = 1.9 se acepta el lote, de otra forma se rechaza.
Si se conoce la desviación estándar, la n pasa de 40 a 15 con

menos costos, al bajar en forma perpendicular en el punto de
intersección hacia la escala de n.
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M

del nomograma de la fig. 14.3,
La abscisa se calcula como sigue (con n = 40 y k = 1.9):
1 k n 1 1.9 40
    0.35
2 2( n  1) 2 2(39)
Esto indica que M = 0.30.
Por ejemplo si se toma una muestra de n=40 partes y se

observa que la media de la muestra X  255 y s = 15, el valor
de ZLIE es:
X  LIE 225  225

Z LIE   2
s 15
de las tablas para fracción defectiva al final de este

capítulo se obtiene una p = 0.020, y siendo que es menor que
M = 0.030, se acepta el lote.
Página 286
Para límites bilaterales se obtienen ambas p i y ps en base a Zi y Zs, si pi + ps  M

se acepta el lote, si no se cumple lo anterior, el lote se rechaza.
8.3 TABLAS ASQC Z1.9 – 1993
Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente

fueron homologadas con las tablas MIL-STD-105E (incluyendo inspección normal,
reducida y estricta y concordancia en las letras código de los planes para cada
AQL) para su uso en la industria dando lugar a las tablas Z1.9 de la ASQC.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspección
(el normal es el II), el nivel III tiene una curva más abrupta que el nivel II. Se
pueden usar niveles más bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Tiene la siguiente organización:
Variabilidad Variabilidad
Desconocida Conocida
Método de S
Especificación Especificaciones
Unilateral Bilaterales
Procedimiento 1 Procedimiento 2 Procedimiento 2

(Método de k) (Método de M) (Método de M)
Fig. 8.2 Organización del muestreo por variables
Tienen 4 secciones:
Página 287
A. Descripción general, con definición de términos, código de letras de tamaño de

muestra, y curvas OC de los planes.
B. Planes basados en la desviación estándar de la muestra con sigma del
proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya
descontinuado).
D. Planes basados en la media de la muestra cuando se conoce la sigma del
proceso.
USO DE LAS TABLAS
Las tablas se encuentran en el apéndice y su uso se ilustra con un ejemplo:
Ejemplo 8.4 Para el caso del embotellador: Si el límite

inferior LIE = 225 psi, suponiendo que el nivel de calidad
aceptable en este límite es AQL = 1% y que las botellas se
embarcan en lotes de N = 100,000, con sigma desconocida se
tiene:
Procedimiento 1.
1. En la tabla A-2 se identifica el código de letra, en este
caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la
letra N y AQL= 1.00 negociado entre proveedor y cliente,
se obtiene k = 2.03. Para el caso de inspección severa
(escala inferior) k = 2.18. Para el caso de inspección
reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el renglón de N y
columna de AQL= 1% obteniéndose M= 2.05%. Para inspección
severa M = 1.42%. Para inspección reducida, de la tabla B-
4 se obtiene k = 3.44%.
Página 288
4. La inspección estricta se usa cuando 2 de 5 lotes han

sido rechazados
5. La inspección reducida se usa cuando los 10 lotes
anteriores se han aceptado y su fracción defectiva estimada
es menor que un límite inferior especificado y la producción
es estable.
6.La tabla B-6 se usa para obtener la desviación estándar
máxima que se debe obtener en la muestra con base a la
tolerancia. Si el valor de s excede este valor, se rechaza el
lote.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con
sigma conocida con menor n si se demuestra estabilidad en una gráfica X -s para
los lotes (al menos para 30). Los planes específicos para este tipo de planes se
deben consultar en el estándar.
EJEMPLOS TOMADOS DEL ESTANDAR Z1.9-1993
8.3.1 VARIABILIDAD DESCONOCIDA – MÉTODO DE LA

DESVIACIÓN ESTÁNDAR
B1. Plan de muestreo para límite especificación unilateral. Forma 1

a) De la tabla A2 seleccionar la letra código de función del tamaño del lote y el
nivel de inspección.
b) Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan.
n - tamaño de muestra.
K - constante de aceptabilidad
c) Obtener mediciones de muestras , calcularX y s.
d) Criterio de aceptación.
LSE - Límite superior de especificación.
Página 289
LIE - Límite inferior de especificación.
Comparar (LSE – X) / s ó (X– LIE) / s con k.
Si es mayor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.5 La máxima temperatura de operación es de 209ºF.

Un lote de 40 artículos se inspecciona, tomando AQL = 1%,
nivel II.
Solución.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197º, 188º, 184º, 205º y 201º.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 – 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
B5- Usando la forma 2

a) Usar tablas B3 ( normal y estricta) y B4 (reducida) y obtener el plan de
inspección, n y M  Porcentaje máximo de no conformes.
b) Obtener mediciones de muestras, calculandoX y s.
c) Criterio de aceptación.
Calcular el índice de calidad QS= (LSE - X ) / s
QI= (X – LIE ) / s
En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme
PS o P I .
Comparar PS o PI con M , si es igual o menor se acepta el lote, se rechaza en

caso contrario.
Página 290
Ejemplo 8.6 De lo anterior; X = 195 ; s = 8.8

a) De la tabla B3 se obtiene M = 3.33% para letra D, n = 5 y
AQL = 1%.
b) De la taba B5 con QS= 1.59 se obtiene PS = 2.19%
c) Como PS  M se acepta el lote.
B8. Plan de muestreo para doble límite de especificación.

a) Determinar la letra código de la tabla A2, en base a nivel de inspección.
b) Obtener el plan n y M de tabla B3 y B4. Si se especifican diferentes AQL´s
para cada límite de especificación, obtener el porcentaje máximo no conforme
para cada límite MI y MS. Si se asigna el mismo AQL a ambos límites,
designar el nivel máximo de porcentaje no conforme por M.
c) Obtener mediciones del muestreo.
d) Calcular los Indices de Calidad QS = (LSE - X ) / s y QL =( X – LIE ) /s
e) De tabla B5 encontrar PI y PS en base a QU y QL y el tamaño de muestra n.
Pestimada= PI + PS
f) Comparar Pest. Con M, si es menor o igual se acepta el lote, en caso contrario
se rechaza.
Nota: Cuando hay diferente AQL para cada límite:

Aceptar si PI  MI y PS  MS y P = PI + PS mayor (MS, MI)
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel

de inspección II, inspección normal y en base a temperaturas
_
de los ejemplos anteriores, n = 5, X = 195; s= 8.8;
considerando LIE= 180F; LSE= 209F; AQL= 1% donde de tabla

B-3 M = 3.32%
209  180
QS=  1.59 ; PS = 2.19% (de tabla B-5)
8.8
Página 291
195  180
QI=  1.704; PI = 0.66% (de tabla B-5) por tanto
8.8
la fracción defectiva total es de
p = 2.85%
Como P < M se acepta el lote.
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3,

MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
b) Comparando PS  MS ; PI  MI y P  MI
Se acepta el lote.
8.3.2 VARIABILIDAD CONOCIDA
D.1 Sólo un límite de especificación. Forma 1.

Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9 Se toma un lote de 500 artículos para

inspección. LIE= 58,000 psi. N= 500, nivel II,
inspección Normal. AQL= 1.5%. La variabilidad  es
conocida con valor 3,000 psi
a) de tabla A2, se identifica la letra I y de tabla D1

obtenemos n = 10
Valores de muestra 62,500; 60,500; 68,000; 59,000;
65,500
62,000; 61,000; 96,000; 58,000; 64,500.
a) Cálculo de X= 63,000 ; ( X – LIE) /  = 1.67
b) De tabla D1 ; k = 1.7
c) Comparando ( X – LIE)/  < k y el lote se rechaza.
Página 292
D.5 Usando la forma 2.

a) Usar tablas D3 y D4 obteniendo n, M y V
b) Calcular QS= (LSE - X) V /  y QL=( X – LIE) V / 
c) Usando tabla D5 estimar PS y PI
d) Comparar D= PS + PI  M para aceptabilidad
Ejemplo 8.10 Sea LIE= 58,000 psi; tamaño del lote 500
artículos;AQL = 1.5%; Inspección nivel II, normal. De
X = 63,000; n = 10 ;  =
_
los datos anteriores se obtuvo
3,000. De tabla A-2 se obtiene la letra I.
a) Obtención en tabla D3 de n, M y V como 10, 3.63%, 1.054
respectivamente.
b) Cálculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
D9. Plan de muestreo para doble límite de especificación

a) Determinar la letra código de la tabla A2, en base a nivel de inspección.
b) Obtener el plan n, el factor v y el porcentaje máximo aceptable M de tabla D3 y
D4. Si se especifican diferentes AQL´s para cada límite de especificación,
obtener el porcentaje máximo no conforme para cada límite M I y MS. Si se
asigna el mismo AQL a ambos límites, designar el nivel máximo de porcentaje
no conforme por M.
c) Obtener mediciones del muestreo en n partes.
d) Calcular la media de los datos.
e) Calcular los Indices de Calidad QS = (LSE - X ) v /  y QL =( X – LIE ) v / 
f) De tabla D-5 encontrar PI y PS en base a QU y QL y el tamaño de muestra n.
Pestimada= PI + PS
Página 293
Ejemplo 8.11 La especificación para una colada de acero es de

67,000 y 58,000 psi respectivamente. Un lote de 500 artículos
se somete a inspección. El nivel de inspección es II,
inspección normal con AQL = 1.5%. La variabilidad  conocida
con valor 3,000 psi.
a) De tabla D-3 se obtuvo n = 10, v = 1.054, M = 3.63%

_
b) De las mediciones de las 10 muestras se obtuvo X  63,000
c) Los índices QS con QL son respectivamente 2.459 y 3.162 con
fracciones estimadas defectuosas 0.697% y 0.078% de la
tabla D-5.
d) Como la fracción defectiva total no excede el valor de M =
3.63%, se acepta el lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso

contrario se rechaza.
8.3.3 DISCUSIÓN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideración muy importante en el uso de las normas es que la

población de donde se obtienen las muestras debe ser normal. Es más crítico
para pequeños valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la

distribución para asegurar que la norma Z1.9 es aplicable sin modificaciones.
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
1. Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-
STD-105E por atributos.
Página 294
2. Se ordenaron las letras código para tener la misma protección que con la MIL-
STD-105E.
3. Los niveles de inspección originales I, II, III, IV y V se denominaron S 3, S4, I, II
y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez
de las desviaciones estándar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
 Se adoptan las mismas reglas que en la 105E para el paso de inspección
normal a severa y viceversa con ligeras modificaciones.
 La norma Z1.9 permite el paso de inspección normal a reducida si:
 10 lotes en inspección normal fueron aceptados.
 La producción es continua.
 La inspección reducida es aprobada.
 La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han
sido aceptados y:
 El AQL es un paso menor.
 El proceso está bajo control estadístico.
 La inspección reducida es aprobada.
7. La ISO 3951 permite el paso de un método de sigma desconocida a sigma
conocida, utilizando como sigma el valor promedio estimado en la carta de
control estable con al menos 30 subgrupos. Requiriendo la continuación de la
carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por

atributos con la MIL-STD-105E, obtener información suficiente y después cambiar
a un esquema por variables manteniendo la misma combinación de letra para el
AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de

cada lote.
Página 295
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
8.4.1 ASEGURAMIENTO DE LA MEDIA DEL PROCESO
Los planes de muestreo por variables también pueden utilizarse para asegurar la
calidad media de un material en lugar de su fracción defectiva. El método general
que aquí se emplea es el de prueba de hipótesis, lo cual se ilustra con un
ejemplo.
Ejemplo 8.12 Se considera aceptable un lote si tiene menos

de 0.3 ppm de emisiones de formaldeído en maderas. Se diseña
un plan de muestreo con una probabilidad de aceptación del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes
con un 0.4 ppm tengan una probabilidad de aceptación del
10%. Si por experiencia se sabe que la desviación estándar
es 0.10 ppm, se tiene:
Si X A es la media muestral debajo de la cual se aceptará el

lote, está normalmente distribuida y tiene una probabilidad
de 0.95 de aceptación, entonces,
X A  0.3 X A  0.3
  1.645 (8.4)
 0.1
n n
En forma similar si los lotes que tienen un nivel de emisión

de 0.40 ppm tienen una probabilidad de 0.10 de aceptación,
entonces,
Página 296
X A  0.4 X A  0.4
  1.282 (8.5)
 0 .1
n n
resolviendo para X A y n se obtiene:
X A = 0.355 n= 9
MUESTREO SECUENCIAL POR VARIABLES
Similar al de atributos graficando la suma acumulada de las mediciones de la

característica de calidad. Las líneas para aceptación del lote, rechazo del lote y
continuación del muestreo se construyen en forma similar a las de atributos (ver
Duncan 1986).
Página 297
APÉNDICES
Página 298
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

CARTAS Xbarra-R
Límites de control para medias n =5
LSC = X + A2 R
LIC = X - A2 R
Límites de control para rangos n=5

LSC = D4 R
LIC = D3 R
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Límites de control para desviaciones estándar

LSCs = B4 S
LCs = S
LICs = B3 S
CARTAS I-MR de valores individuales

Para los valores individuales n=2
MR
LSCx = X  3
d2
__
LCx = X
MR
LICx = X  3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Página 299
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
Di
pi 
ni
m m
 Di p i
p i 1
 i 1
mn m
__ __
LSCp = p  3 p (1  p )
__
n
__
LCp = p
__ __
LICp = p  3 p (1  p )
__
CARTAS np
LSC np  np  3 np (1  p )
LC np  np
LIC np  np  3 np (1  p )
CARTAS c
LSCc = c + 3 c
LCc = c
LICc = c - 3 c
CARTAS u
Página 300
c
u
n
Donde u representa el número promedio de no conformidades por unidad en un

conjunto de datos preliminar
u
LSC u  u  3
n
LC u  u
u
LSC u  u  3
n
Página 301
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para límites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
7 1.023 0.000 2.574 1.693
8 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para límites de control en las cartas X-S son:

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Página 302

Curso CEP

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso CEP

Cargado por

Copyright:

Formatos disponibles

HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS

DR. PRIMITIVO REYES AGUILAR

CONTROL ESTADÍSTICO DEL PROCESO

1. IMPORTANCIA DE LA MEJORA CONTINUA DE LA CALIDAD 4

2. FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO 21

3. CARTAS DE CONTROL POR VARIABLES 78

4. CARTAS DE CONTROL PARA ATRIBUTOS 122

5. OTRAS CARTAS DE CONTROL ESPECIALES 159

6. ANÁLISIS DE CAPACIDAD DEL PROCESO 175

7. MUESTREO DE ACEPTACION POR ATRIBUTOS 248

8. MUESTREO DE ACEPTACIÓN POR VARIABLES 274

8.4 Otros procedimientos de muestreo por variables 294

Apéndice 1. Fórmulas de CEP

1. IMPORTANCIA DE LA MEJORA CONTINUA

Las dimensiones de la calidad según Garvin son:

Así la calidad tradicionalmente es adecuación al uso.

Dentro de la adecuación al uso existen la calidad de diseño y la calidad de

Una definición más moderna es que la calidad es inversamente

De esta forma se define la mejora de calidad como:

LIE Objetivo LSE

Como los métodos estadísticos tienen un papel importante en el mejoramiento de

Los productos no conformes o defectivos son los que no cumplen una o

Un tipo específico de no cumplimiento de especificaciones es llamado

Características del producto: Son los elementos que en conjunto describen la

1. Físicos: Longitud, peso, voltaje, viscosidad

2. Sensoriales: Gusto, apariencia, color

1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO

Smith concluyó que la división del trabajo incrementaba la productividad sin

Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de

trabajo. Los estudios realizados antes y después de esta publicación, lo erigieron

Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad

Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar

El “Fordismo” de Henry Ford: se implantó en empresas con líneas de productos

Con las crisis de los años ochenta, la producción masiva uniforme ya no es

Control de calidad por inspección

Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control

Control estadístico del proceso (CEP)

a la falta de estadígrafos industriales, adecuadamente entrenados”. 19

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

En 1931, W.A. Shewhart publica su libro “Economic Quality Control of Quality of

Durante la II guerra mundial se expandió el uso de los métodos estadísticos de

En los años recientes, empresas de alta tecnología como Motorola, General

a situaciones en Japón, de tal forma que los productos japoneses mejoraran su

Entre las 7 herramientas estadísticas se encuentran: Diagrama de Ishikawa,

100%, sino a través de técnicas de muestreo y de cartas de control, como método

Desarrollo del Control Estadístico del Proceso

Fig. 1.2 Experimentos de Shewhart para las cartas de control

Encontró que las medias de las muestras correspondían a las medias de la

Donde n es el tamaño de la muestra y  es la desviación estándar de la población.

Normalmente para conocer el estado de un proceso en determinado momento, es

a) Proceso fuera de control b)Proceso en control

Fig. 1.3 Comportamiento de procesos en control y fuera de

Llevando un control de proceso a través de histogramas no sería práctico y

1.3 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres métodos estadísticos principales: las cartas de control, el diseño de

LSC = Límite superior de control

Fig. 1.4 Carta de control de Shewhart y sus límites de

INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

Fig. 1.5 Proceso de producción, entradas y salidas

El principal método para diseñar experimentos es el diseño factorial, en el cual los

El diseño de experimentos es una herramienta fuera de línea es decir se utiliza

El monitoreo en el proceso de las variables relevantes que afectan las

Está relacionado con la inspección y prueba del producto, donde se selecciona e