Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En este módulo se presentan las cartas tipo Shewhart para el monitoreo de la media y de la
varianza. También se presenta el análisis de capacidad de procesos.
2.1.1 LA CARTA X .
Suponer que un proceso está fabricando un producto, y este producto tiene una
característica de calidad que denotaremos X. Además, se supone que X es una variable
aleatoria que se ajusta a una distribución normal con media μ y desviación estándar σ
(recordar que la varianza es σ 2). Entonces μ es el valor medio o valor promedio de la
característica de calidad X, que también llamaremos la media del proceso y σ 2 es la
varianza de X, o varianza del proceso.
∑x i
X = i =1
(2.1)
n
Var (X ) =
σ 2
(2.2)
n
Esta carta da la señal de alarma cuando el valor de X cae fuera de los límites de
control. Es decir, hay evidencia estadística de que el valor de μ ha cambiado (el proceso
está fuera de control) y el ingeniero del proceso debe buscar las causas que han motivado
este cambio y aplicar las medidas correctivas correspondientes. Generalmente, estas causas
son: la máquina, el operador o la materia prima.
EJEMPLO 2.1
Una embotelladora de refrescos desea aplicar una carta X para monitorear la media
del contenido de botellas de 2000 ml. Se sabe que la media del contenido de la botella es de
1999.59 ml con una desviación estándar de 7.51 ml, y el ingeniero decide tomar muestras
de tamaño 5.
⎛ 7.51 ⎞
LCS = 1999.59 + 3 ⎜⎜ ⎟⎟ = 2009.67
⎝ 5 ⎠
⎛ 7.51 ⎞
LCI = 1999.59 - 3 ⎜⎜ ⎟⎟ = 1989.51
⎝ 5 ⎠
EJEMPLO 2.2
Continuando con el ejemplo anterior, ahora se ilustra la aplicación de la carta X ya
diseñada en el ejemplo 2.1 , y para ello se utiliza los valores que aparecen en la tabla 2.1 .
muestra x1 x2 x3 x4 x5 X
1 1995.46 1990.52 1995.49 2007.37 2003.48 1998.46
2 1996.70 1998.39 2005.55 2001.04 1986.73 1997.68
3 2006.71 2005.26 1999.60 1988.93 1997.13 1999.53
4 1996.48 1997.82 1993.34 2006.89 2009.93 2000.89
5 2004.70 1995.76 1993.88 2000.29 1999.44 1998.81
6 2009.13 2001.89 1997.76 1993.33 2000.50 2000.52
7 2006.32 1999.50 2000.78 1996.02 1995.10 1999.54
8 1988.78 2005.64 2007.35 1987.13 2022.62 2002.30
9 1998.68 1993.77 1999.93 1989.29 1996.53 1995.64
10 2008.78 1989.85 2004.53 2001.47 2006.55 2002.24
11 1996.50 2003.51 2005.90 1992.45 1995.44 1998.76
12 1991.37 1996.32 2009.64 2002.23 2008.86 2001.68
13 2003.29 1994.56 1998.02 2000.76 2006.55 2000.64
14 2006.34 1998.68 1999.61 2007.49 2001.73 2002.77
15 2008.65 2007.76 2001.06 2019.71 2016.87 2010.81
Tabla 2.1 valores de las observaciones correspondientes al ejemplo 2.1 .
Cada renglón de la tabla 2.1 presenta los valores de la muestra y su promedio. Por
ejemplo, en el renglón 1, se presenta los contenidos de la muestra de 5 botellas. Una de
ellas contenía 1995.46 ml, las demás contenían 1990.52, 1995.49, 2007.37 y 2003.48 todas
las unidades en ml. Calculando su promedio se tiene que
X = (1995.46+1990.52+1995.49+2007.37+2003.48)/5 = 1998.46
como este valor de X esta entre los límites de control 1989.51 y 2009.67 (ver ejemplo
2.21), entonces de determina que la media del proceso no ha cambiado (el proceso está bajo
control). De la misma manera se procede con las siguientes muestras que aparecen en la
tabla 2.1 . De la muestra 1 a la muestra 14 se determina que el proceso está bajo control ya
que los valores de X están entre los límites de control. Pero en la muestra 15 se tiene que
X = 201.081, valor que es mayor al LCS, entonces aquí se da la señal de alarma. Luego,
hay evidencia estadística de que el valor de la media del proceso ha cambiado, es decir aquí
se declara al proceso como fuera de control y el ingeniero debe buscar las causas de ello y
aplicar medidas correctivas.
Los valores registrados de X junto con los límites de control se pueden graficar como
se muestra en la figura 2.1 . Las líneas horizontales continuas son los límites de control
(LCS y LCI), la línea segmentada es el valor central (C), es decir el valor de μ que en este
caso es 1999.59 . Se observa claramente que en la muestra 15 el valor de X rebasa el LCS
y se declara que el proceso esta fuera de control.
2010 LCS
Xbarra
2000 C
1990 LCI
0 5 10 15
muestra
Suponer que se desea diseñar una carta de control para monitorear el valor de un
parámetro que denotaremos θ, cuyo valor es conocido. En el monitoreo se tomará una
∧
⎛∧⎞
muestra de n valores, en la cual se calcula el estadístico θ tal que E ⎜θ ⎟ = θ, luego los
⎝ ⎠
⎛∧⎞ ⎛∧⎞
límites de control son LC = E ⎜θ ⎟ ± 3 Var⎜θ ⎟ o también
⎝ ⎠ ⎝ ⎠
⎛∧⎞
LC = E ⎜θ ⎟ ± 3 σ ∧ (2.5)
⎝ ⎠ θ
Cuando los límites de control tienen la forma de la fórmula (2.5) se dice que es una
carta tipo Shewhart. Más adelante estaremos hablando de muchas cartas tipo Shewhart, las
cuales por supuesto se obtienen con las expresiones (2.5).
2.1.2 LA CARTA R.
⎛R⎞
E⎜ ⎟ = d2 (2.6)
⎝σ ⎠
E(R) = d2 σ (2.7)
⎛R⎞
Var ⎜ ⎟ = d 32 (2.8)
⎝σ ⎠
σ R = d 3σ (2.9)
por supuesto, se da la señal de alarma cuando el valor de R queda fuera de los límites de
control. Los valores de las constantes d2 y d3 aparecen en la tabla de anexos al final de estas
notas. También en esta tabla aparecen las constantes D1 y D2 definidas como
D1 = d 2 − 3d 3 y D2 = d 2 + 3d 3 , quedando los límites como: LCI = D1σ y LCS = D2σ .
EJEMPLO 2.3
Continuando con el ejemplo 2.1, aquí se diseña la carta R para monitorear el valor de σ.
Tenemos que μ = 1999.59 ml, σ = 7.51 ml y se toman muestras de tamaño n = 5. De la
tabla 2 de anexos vemos que para n = 5 se tiene que d2 = 2.326 y d3 = 0.864, luego usando
la expresión (2.10) los límites de control para la carta R son:
observe que el LCI da un valor negativo, en estos casos se determina que es cero ya que el
valor de R nunca es negativo, o también LCI = D1σ = (0)(7.51) = 0 ,
LCS = D2σ = (4.918)(7.51) = 36.934
EJEMPLO 2.4
muestra x1 x2 x3 x4 x5 R
1 1995.46 1990.52 1995.49 2007.37 2003.48 16.85
2 1996.70 1998.39 2005.55 2001.04 1986.73 18.82
3 2006.71 2005.26 1999.60 1988.93 1997.13 17.78
4 1996.48 1997.82 1993.34 2006.89 2009.93 16.59
5 2004.70 1995.76 1993.88 2000.29 1999.44 10.82
6 2009.13 2001.89 1997.76 1993.33 2000.50 15.80
7 2006.32 1999.50 2000.78 1996.02 1995.10 11.22
8 1988.78 2005.64 2007.35 1987.13 2022.62 35.49
9 1998.68 1993.77 1999.93 1989.29 1996.53 10.64
10 2008.78 1989.85 2004.53 2001.47 2006.55 18.93
11 1996.50 2003.51 2005.90 1992.45 1995.44 13.45
12 1991.37 1996.32 2009.64 2002.23 2008.86 18.27
13 2003.29 1994.56 1998.02 2000.76 2006.55 11.99
14 2006.34 1998.68 1999.61 2007.49 2001.73 8.81
15 2008.65 2007.76 2001.06 2019.71 2016.87 18.65
Tabla 2.2 Valores de R para las observaciones del ejemplo 2.2.
De la tabla 2.2 vemos que ningún valor de R queda fuera de los límites de control
obtenidos en el ejemplo 2.3, lo cual indica que no hay evidencia de que haya cambiado la
variabilidad, es decir el valor de σ. Los valores de R se pueden graficar junto con los
límites de control, los cuales se presentan en la figura 2.2 donde se observan los valores de
R y los límites de control.
40
LCS
30
20
R
10
LCI
0
0 5 10 15
muestra
Figura 2.2 Gráfica de la carta R para los datos del ejemplo 2.2.
Por último, se debe mencionar que la carta R se recomienda utilizar para monitorear el
valor de σ para muestras de tamaño 2 a 10, ya que para estos tamaños de muestras, R es
aceptablemente eficiente para estimar σ. Si el tamaño de la muestra es mayor a 10, debe
utilizarse la carta S 2 o la carta S.
∑ (x )
n
2
i −X
S2 = i =1
(2.11)
n −1
pero se recomienda usar la expresión equivalente
2
n
⎛ n ⎞
n ∑ x − ⎜ ∑ xi ⎟2
i
S 2 = i =1 ⎝ i =1 ⎠ (2.12)
n(n − 1)
además, si la variable de característica de calidad X sigue una distribución normal entonces
la media y la varianza de S2 son:
E(S2 ) = σ2 (2.13)
2σ 4
Var(S2 ) = (2.14)
n −1
1/ 2
⎛ 2 ⎞
σS =⎜ ⎟ σ2 (2.15)
⎝ n −1⎠
2
⎛ 2 ⎞
1/ 2
⎛ 2 ⎞ ⎟σ 2
LC = σ ± 3⎜
2
⎟ σ 2 = ⎜⎜1 ± 3 ⎟ (2.16)
⎝ n −1⎠ ⎝ n − 1 ⎠
EJEMPLO 2.5
Solución. En este caso se tiene que la variable de calidad X es la altura del envase medida
en mm, con n = 11, μ = 74.975 mm, σ = 0.0888 mm. Luego, de (2.16) se tiene que los
límites de control son:
⎛ 2 ⎞
LCS = ⎜⎜1 + 3 ⎟0.0888 2 = 0.0185
11 − 1 ⎟
⎝ ⎠
⎛ 2 ⎞
LCI = ⎜⎜1 − 3 ⎟0.0888 2 = -2.694 = 0
11 − 1 ⎟
⎝ ⎠
Observe que el LCI es negativo, en estos casos se determina que este límite de control
es cero ya que S2 nunca es negativo. Este es una de las desventajas de esta carta, ya que no
se podría detectar si la varianza se reduce, y es importante saber si esto ocurre ya que sería
lograr una mejora de la calidad (ver módulo 1). Luego, si S2 queda fuera de los límites de
control (es mayor que 0.0185) se da la señal de alarma y se declara que el proceso está
fuera de control.
EJEMPLO 2.6
En este ejemplo se aplica la carta diseñada en el ejemplo anterior a los datos de la tabla
2.3, en cada renglón de esta tabla se presentan los valores observados de la altura de
envases metálicos (en mm) en cada muestra. Por ejemplo, en el primer renglón se tienen las
11 medidas de los envases metálicos correspondientes a la primera muestra. En la última
columna aparece la varianza de cada muestra. Se ilustrará el cálculo de la varianza de la
primera muestra usando la fórmula (2.12). Del primer renglón de la tabla 2.3 se tiene que
∑x
i =1
2
i = 75.11142 + 74.87922 + L + 75.03672 = 61876.52709
n
∑x
i =1
i = 75.1114 + 74.8792 + L + 75.0367 = 825.0097
(11)(61876.5209) − (825.0097 )
2
S2 = = 0.007208
11(11 − 1)
0.05
0.04
Varianza
0.03
0.02 LCS
0.01
0.00 LCI
0 1 2 3 4 5 6 7 8 9 10
muestra
Los valores de S2 se pueden graficar junto con los límites de control. La figura 2.3
muestra los valores del ejemplo 2.6 y se ve claramente que en la muestra 10 se da la señal
de alarma.
La carta S es una alternativa más para monitorear la desviación estándar del proceso σ
donde S es la deviación estándar muestral, es decir S = S 2 y S2 se definió en (2.11) y
(2.12). Si la variable de calidad X sigue una distribución normal y se toma una muestra de
tamaño n, entonces se tiene que la media de S es (Ryan (2000));
⎧ Γ ( n / 2) 2 ⎫
E(S) = ⎨ ⎬σ (2.17)
⎩ Γ[(n − 1) / 2] n − 1 ⎭
donde Γ(x) es la función gamma evaluada en x, el valor de esta función se puede obtener en
una hoja de cálculo y en algunas calculadoras científicas de bolsillo. A la constante que
multiplica a σ en (2.17) se le llama c4, es decir
Γ(n / 2) 2
c4 = (2.18)
Γ[(n − 1) / 2] n − 1
y (2.17) queda
E(S) = c4 σ (2.19)
( )
LC = c4 σ ± 3 σ 2 (1 − c 42 ) = c 4 ± 3 1 − c 42 σ (2.21)
esta carta da la señal de alarma cuando el valor de S queda fuera de los límites de control.
En la tabla al final de estas notas se tienen las constantes B5 y B6 , donde
B5 = c 4 − 3 1 − c 42 y B6 = c 4 + 3 1 − c 42 quedando también los límites de control como
LCI = B5σ y LCS = B6σ .
EJEMPLO 2.7
Aquí se diseña una carta S para el caso del ejemplo 2.5. Recordemos que la variable de
calidad es la altura de un envase metálico que sigue una distribución normal con media μ =
74.975 mm y una desviación estándar σ = 0.0888 mm y se toman muestras de 11 envases
Γ(11 / 2) 2
metálicos. Luego, n = 11 y de (2.18) tenemos c4 = = 0.97535, y de
Γ[(11 − 1) / 2] 11 − 1
(2.21) los límites de control son:
( )
LCS = 0.97535 + 3 1 − 0.97535 2 0.0888 = 0.1454
LCI = (0.97535 − 3 1 − 0.97535 )0.0888 = 0.0278
2
luego, si el valor de S queda fuera de estos valores, la carta da la señal de alarma. Notar que
aquí el LCI es positivo, lo cual da la posibilidad de detectar una reducción del valor de σ, es
decir detectar una mejora de la calidad. Los valores de c4 para algunos valores de n se
muestran en la tabla 2 de la sección de anexos, pero no es difícil programarlo en una hoja
de cálculo o en algunas calculadoras de bolsillo. También se tiene que
LCI = B5σ = 0.3141(0.0888) = 0.02789 , LCS = B6σ = 1.6367(0.0888) = 0.14534 (las
discrepancias es por redondeo).
EJEMPLO 2.8
La tabla 2.4 muestra las observaciones de la altura (en mm) de muestras de 11 envases
metálicos. La última columna muestra los valores de S para cada muestra. Para obtener S
primero se calcula S2 como se indicó en el ejemplo 2.6, y luego se obtiene su raíz cuadrada.
Por ejemplo para la primera muestra (renglón 1) se tiene que S2 = 0.007208, luego S =
0.007208 = 0.0849, y así sucesivamente se obtiene S para el resto de las muestras. De la
tabla 2.4 se ve que la señal de alarma se da en la muestra 10 ya que S = 0.2486 y es mayor
al LCS.
Los valores de S se pueden graficar junto con los límites de control como se ve en la
figura 2.4. Las líneas continuas en la figura 2.4 son los límites de control y la línea
seccionada es el valor central (C), y aquí se ve claramente que en la muestra 10 se da la
señal de alarma ya que es cuando S es mayor al límite superior.
0.25
0.20
0.15 LCS
S
0.10
C
0.05
LCI
0.00
0 1 2 3 4 5 6 7 8 9 10
muestra
Figura 2.4 Gráfica de los valores de S del ejemplo 2.8 .
En la sección 2.1.3 ya se habló de la carta S2 tipo Shewhart, pero aquí veremos otro
tipo de carta S2 que se puede diseñar, y la diferencia está en la manera de determinar los
límites de control. Suponer que periódicamente se toman muestras de tamaño n (x2, x3, ...,
xn), y se calcula la varianza muestral S2, donde la variable de calidad sigue una distribución
(n − 1) S 2
normal con media μ y varianza σ2. Luego, es bien conocido que sigue una
2
σ
(n − 1) S 2
distribución Ji-cuadrada con n-1 grados de libertad, en símbolos ∼ χ n2−1 .
σ 2
(
Sea χ α2 / 2, n −1 el valor de una variable aleatoria χ n2−1 tal que Prob χ n2−1 > χ α2 / 2, n −1 = α/2 )
(
y sea χ 12−(α / 2), n −1 el valor de una variable aleatoria χ n2−1 tal que Prob χ n2−1 > χ 12−(α / 2), n−1 = 1- )
(α/2), la interpretación gráfica de estos valores se muestra en la figura 2.5. De la figura 2.5
podemos ver que χ α2 / 2, n −1 el valor cuya probabilidad de la cola de la derecha es α/2, o (es lo
mismo) su probabilidad acumulada es 1 – (α/2). De igual manera se puede ver que
χ 12−(α / 2), n −1 es el valor cuya probabilidad de la cola de la derecha es 1 – (α/2), o (es lo
mismo) su probabilidad acumulada es α/2. Entonces tenemos que
( )
Prob χ 12−(α / 2), n−1 < χ n2−1 < χ α2 / 2, n −1 = 1 – α (2.22)
α /2
α /2
χ 12− (α / 2 ), n −1 χ α2 / 2 , n − 1
Figura 2.5 Interpretación gráfica de los valores de Ji-cuadrada.
(n − 1) S 2
Pero sustituyendo χ n2−1 por en (2.22) obtenemos
σ2
⎛ (n − 1) S 2 ⎞
Prob ⎜⎜ χ 12−(α / 2 ), n −1 < < χ α2 / 2, n −1 ⎟⎟ = 1 – α (2.23)
⎝ σ 2
⎠
⎛ σ 2 χ 12−(α / 2 ), n −1 σ 2 χ α2 / 2, n −1 ⎞
Prob ⎜ <S <
2 ⎟ =1–α (2.24)
⎜ n − 1 n − 1 ⎟
⎝ ⎠
Lo que nos dice (2.24) es que si el proceso está bajo control, es decir la varianza no ha
cambiado y es σ2, entonces la probabilidad de que (en una muestra de tamaño n) S2 quede
σ 2 χ 12−(α / 2), n −1 σ 2 χ α2 / 2 , n −1
entre y es 1 – α. En consecuencia, la probabilidad de que S2
n −1 n −1
quede fuera de estos valores (sería una falsa alarma) es α. Lo interesante de esta carta de
control es que podemos manipular la probabilidad de que ocurra una falsa alarma, y está
probabilidad es α, el cual es un valor que puede determinar el ingeniero a su conveniencia y
por supuesto debe ser un valor pequeño. Observe que entonces los límites de control de esta
carta deben ser:
σ 2 χ 12−(α / 2), n −1 σ 2 χ α2 / 2, n −1
LCI = y LCS = (2.25)
n −1 n −1
por supuesto, se da la señal de alarma cuando S2 quede fuera de estos límites de control.
Los valores de χ 12−(α / 2), n −1 y χ α2 / 2, n −1 se pueden en una hoja de cálculo o en algunas
calculadoras de bolsillo.
1
α= (2.26)
PLC bajo control
Por ejemplo, suponer que en un proceso se muestrea cada hora y la jornada laboral es
de 8 horas diarias, entonces al día se toman 8 muestras. Luego, si para el ingeniero no es
problema que se de en promedio una falsa alarma al mes, entonces suponiendo que se
trabaja 5 días a la semana y 4 semanas en el mes, el PLC bajo control debe ser 8(5)(4) =
160, entonces α = 1/160 = 0.00625 . Entonces, la ventaja en esta carta es que nos permite
considerar el PLC bajo control en el diseño de la misma.
EJEMPLO 2.9
En una planta farmacéutica se tiene una máquina que fabrica píldoras donde es
importante monitorear el peso de la píldora que se mide en mg. Se sabe que el peso de una
píldora es una variable aleatoria que sigue una distribución normal con una media de
63.887 mg y una desviación estándar de 1.444 mg. En el monitoreo del proceso se tomarán
muestras de tamaño 20, con una frecuencia de 3 muestras por día y la planta labora los 7
días de la semana. Se desea diseñar una carta S2 con límites de probabilidad tal que en
promedio se genere una falsa alarma cada mes y medio.
Solución: Aquí se tiene que μ = 63.887, σ = 1.444 y n = 20. El PLC bajo control que se
desea es mes y medio, que considerando 30 días en el mes entonces el PLC bajo control
expresado es muestras nos da 3(45) = 135 y α = 1/135 = 0.0074. Entonces α/2 = 0.0037 y
1-(α/2) = 0.9963 y usando una hoja de cálculo se obtiene que
EJEMPLO 2.10
Cada columna de la tabla 2.5 son los valores observados en cada muestra y se refieren
al peso en mg de cada píldora. En el último renglón aparece la varianza de cada muestra
(ver sección 2.1.3). Por ejemplo, en la primera columna aparecen los pesos en mg de 20
píldoras de la primera muestra y en la última celda de esta columna aparece la varianza de
esta muestra que es 1.657, y así sucesivamente en las otras columnas. De la tabla 2.5 vemos
que solo la varianza de la muestra 4 queda fuera de los límites de control y es ligeramente
menor al LCI, entonces aquí debió darse la señal de alarma.
Los valores de las varianzas muestrales pueden graficarse junto con los límites de
control como se muestra en la figura 2.6 . En la figura 2.6 se ve que en la muestra 4, su
varianza muestral es ligeramente menor que el LCI, lo cual podría significar una reducción
de la varianza, o una falsa alarma.
4 LCS
3
varianza
1
LCI
0 1 2 3 4 5 6 7 8 9 10
muestra
En esta sección hemos mencionado las cartas de control para monitorear la media y
varianza de un proceso, suponiendo que estos parámetros ya se conocen. Un escenario más
realista es que el ingeniero de procesos no conozca los valores de la media y la varianza del
proceso, entonces debe primero estimar sus valores para luego diseñar una carta de control,
esto se verá en la siguiente sección.
En esta sección se presentan los mismos tópicos de la sección anterior 2.1, pero ahora
bajo la suposición de que no se conocen la media ni la varianza del proceso, lo cual es un
escenario más realista. Básicamente es lo ya mencionado en la sección 2.1, solo que los
valores de μ y σ se sustituyen por un valor estimado.
2.2.1 LA CARTA X
Los límites de control de la carta X cuando se conoce la media y varianza del proceso
ya se indicaron en las expresiones (2.3) y (2.4). Estas expresiones son las que usaremos
ahora, pero μ y σ se deben sustituir por sus valores estimados. Luego, lo que ahora
debemos hacer para diseñar una carta X es primeramente estimar el valor de μ y de σ .
Suponer que se toman m muestras (m ≥ 25) cada una con n observaciones. Para cada
muestra se calcula su promedio X i con i = 1, 2, ..., m. Es decir, tenemos m promedios
muestrales donde X 1 es el promedio de la muestra 1, X 2 es el promedio de la muestra 2,
etc. Por supuesto que el promedio de cada muestra se obtiene con la expresión (2.1). Luego,
la estimación de μ se obtiene promediando los promedios muestrales y se denota como X ,
es decir
m
∑X i
X = i =1
(2.27)
m
La estimación de σ se puede hacer de diferentes maneras. Se puede estimar mediante
los rangos muestrales (si n ≤ 10), mediante la desviación estándar muestral o mediante la
varianza muestral.
∑R i
R= i=1
(2.28)
m
∧ R
σ= (2.29)
d2
∑S i
S= i =1
(2.30)
m
∧ S
σ= (2.31)
c4
∧ 2 ∑S i
2
σ = S2 = i =1
(2.32)
m
Luego, para implementar una carta de control con parámetros desconocidos se procede
en dos fases que se indican a continuación. La fase 1 consiste en estimar los parámetros y
determinar si el proceso está bajo control y en caso de que haya evidencia de que el proceso
está bajo control se pasa a la fase 2 que consiste en aplicar la carta diseñada a
observaciones futuras. Esto se verá en detalle en el siguiente ejemplo.
EJEMPLO 2.11
En una fábrica de rieles para computadora se desea monitorear un proceso de
troquelado de una parte crítica del riel que debe medir 453 milésimas de pulgada con una
tolerancia de ± 5 milésimas de pulgada. La variable de calidad es la dimensión de esta parte
del riel que se mide en milésimas de pulgada y se considera una variable aleatoria pero no
se conoce la media ni la desviación estándar y se desea monitorear la media con una carta
X mediante muestras de tamaño 6.
Se tomaron 25 muestras de tamaño seis para la fase 1, el ingeniero decide usar el rango
para estimar σ, la tabla 2.6 presenta los valores observados.
muestra x1 x2 x3 x4 x5 x6 X R
1 451.062 453.923 451.844 452.227 453.930 451.443 452.405 2.868
2 454.949 454.210 453.146 451.102 451.665 451.887 452.826 3.847
3 454.253 455.135 454.852 453.344 453.712 454.619 454.319 1.791
4 452.780 450.948 452.454 453.820 452.783 455.904 453.115 4.956
5 449.631 454.773 451.489 454.882 453.516 451.354 452.608 5.251
6 452.286 454.737 453.626 453.819 454.204 453.556 453.705 2.451
7 451.919 452.273 453.645 450.449 450.872 454.428 452.264 3.979
8 449.925 450.877 454.093 455.176 454.969 450.852 452.649 5.251
9 452.234 452.756 454.391 452.967 450.003 453.909 452.710 4.388
10 452.573 450.989 454.640 450.721 452.894 452.379 452.366 3.919
11 453.725 453.461 450.551 452.598 452.759 453.930 452.837 3.379
12 451.167 453.237 451.856 451.248 452.020 453.366 452.149 2.199
13 451.535 451.353 453.215 451.707 452.872 452.196 452.146 1.862
14 452.037 451.762 449.437 452.837 453.249 455.634 452.493 6.197
15 453.268 454.281 451.664 454.305 452.392 453.016 453.154 2.641
16 451.455 453.929 455.769 452.330 452.302 452.707 453.082 4.314
17 453.027 455.998 451.280 451.656 450.637 451.511 452.352 5.361
18 455.091 454.500 451.663 452.066 452.915 453.736 453.328 3.428
19 458.163 451.777 453.167 453.947 449.339 454.347 453.456 8.824
20 453.932 452.188 452.104 452.267 452.325 455.071 452.981 2.967
21 452.226 452.692 450.744 454.316 450.946 453.374 452.383 3.572
22 453.779 454.050 455.688 453.229 453.426 453.389 453.927 2.459
23 453.863 453.230 452.929 454.332 451.534 450.986 452.812 3.346
24 453.318 452.657 452.527 452.354 455.216 451.833 452.984 3.383
25 452.722 453.659 453.789 453.352 452.400 451.248 452.862 2.541
Tabla 2.6 Observaciones correspondientes al ejemplo 2.11
Cada renglón de la tabla 2.6 muestra los valores de cada elemento de la muestra, el
promedio y el rango de la muestra. Por ejemplo en el renglón 1 tenemos las seis
dimensiones observadas en la muestra que son 451.062, 453.923, ..., 451.443 milésimas de
pulgada. En la penúltima columna aparece el promedio de la muestra que es 452.405
milésimas de pulgada y en la última columna aparece el rango de la muestra 1 que es 2.868,
y así sucesivamente para el resto de la tabla.
Luego, para estimar la media del proceso se aplica la fórmula (2.27) con m = 25;
ahora, para estimar la desviación estándar del proceso se aplica la fórmula (2.28)
∧
σ = 3.807/2.534 = 1.502
luego, usando (2.3) y (2.4) se obtienen los límites de control de la carta X sustituyendo μ
∧
por X y sustituyendo σ por σ , entonces:
De la tabla 2.6 se ve que ningún valor de X queda fuera de los límites de control,
luego se puede decir que el proceso está bajo control (es estable) lo cual también se observa
en la figura 2.7. Entonces se puede pasar a la fase 2, que consiste en aplicar esta carta de
control a observaciones futuras manteniendo estos límites de control.
455
LCS
454
X-barra
453 C
452
LCI
451
0 5 10 15 20 25
muestra
Si acaso el promedio de alguna muestra queda fuera de los límites de control, entonces
se debe considerar que hay causas especiales de variación las cuales deben buscarse y
eliminarla. Después de ello se debe nuevamente estimar los parámetros y revisar la
estabilidad del proceso (estar bajo control). En algunos casos puede haber algún promedio
fuera de los límites de control y no haber ninguna anormalidad del proceso, si este es el
caso, se recomienda que se considere que el proceso está bajo control y luego proceder con
la fase 2.
EJEMPLO 2.12
Aquí se continúa con el ejemplo anterior, ilustrando el procedimiento para estimar σ
mediante S usando (2.31). La tabla 2.7 muestra en la penúltima columna a la desviación
estándar S de la muestra, luego se calcula S usando (2.30) obteniendo;
de la tabla 2 en anexos se tiene que para n =6, c4 = 0.9515 y de (2.31) se tiene que
∧
σ = 1.428/0.9515 = 1.501
el cual es prácticamente el mismo valor obtenido en el ejemplo 2.11, luego los límites de
control para la carta X quedan;
muestra x1 x2 x3 x4 x5 x6 S S2
1 451.062 453.923 451.844 452.227 453.930 451.443 1.241 1.541
2 454.949 454.210 453.146 451.102 451.665 451.887 1.531 2.345
3 454.253 455.135 454.852 453.344 453.712 454.619 0.688 0.473
4 452.780 450.948 452.454 453.820 452.783 455.904 1.651 2.726
5 449.631 454.773 451.489 454.882 453.516 451.354 2.115 4.474
6 452.286 454.737 453.626 453.819 454.204 453.556 0.821 0.674
7 451.919 452.273 453.645 450.449 450.872 454.428 1.545 2.388
8 449.925 450.877 454.093 455.176 454.969 450.852 2.351 5.529
9 452.234 452.756 454.391 452.967 450.003 453.909 1.542 2.377
10 452.573 450.989 454.640 450.721 452.894 452.379 1.421 2.019
11 453.725 453.461 450.551 452.598 452.759 453.930 1.238 1.532
12 451.167 453.237 451.856 451.248 452.020 453.366 0.953 0.909
13 451.535 451.353 453.215 451.707 452.872 452.196 0.757 0.573
14 452.037 451.762 449.437 452.837 453.249 455.634 2.032 4.127
15 453.268 454.281 451.664 454.305 452.392 453.016 1.042 1.086
16 451.455 453.929 455.769 452.330 452.302 452.707 1.543 2.380
17 453.027 455.998 451.280 451.656 450.637 451.511 1.951 3.806
18 455.091 454.500 451.663 452.066 452.915 453.736 1.355 1.837
19 458.163 451.777 453.167 453.947 449.339 454.347 2.934 8.609
20 453.932 452.188 452.104 452.267 452.325 455.071 1.234 1.522
21 452.226 452.692 450.744 454.316 450.946 453.374 1.385 1.918
22 453.779 454.050 455.688 453.229 453.426 453.389 0.913 0.833
23 453.863 453.230 452.929 454.332 451.534 450.986 1.309 1.714
24 453.318 452.657 452.527 452.354 455.216 451.833 1.194 1.426
25 452.722 453.659 453.789 453.352 452.400 451.248 0.956 0.915
Tabla 2.7 Observaciones correspondientes al ejemplo 2.12
EJEMPLO 2.13
Se continúa con el ejemplo 2.11 y aquí se ilustra el procedimiento para estimar el valor
de σ mediante S2. En la última columna de la tabla 2.7 se presenta el valor de la varianza
∧ 2
muestral S2 correspondiente a cada muestra. Usando (2.32) se estima σ obteniendo;
∧ 2
σ = (1.541 + 2.345 + ... + 0.915)/25 = 2.309
∧
finalmente, el valor estimado de σ es σ = 2.309 = 1.52, el cual es un valor similar al
obtenido en los ejemplos 2.11 y 2.12. Luego, los límites de control para la carta X son;
Estos valores nos dan unos límites de control un poco más amplios que los anteriores.
LA CARTA R
Para el resto de las cartas de dispersión para el caso de parámetros desconocidos, se aplican
las fórmulas de parámetros conodos (sección anterior) sustituyendo σ por su valor
estimado σ̂ .
Referencias
Montgomery 2001. Introduction to Statistical Quality Control 4th Edition. John Wiley
&Sons.
Ryan 2000. Statistical Methods for Quality Improvement 2nd Edition. John Wiley & Sons.
ANEXOS