I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s

A U T O E S T U D I O | SOLUCION Tema 2.2

Cada estudiante realizará esta actividad. No se genera un reporte por esta actividad, ni será
calificado por el equipo docente.

Riesgo Beta, ARL y ATS

1. Se monitorea un proceso mediante Gráficos de Control Xbarra-R. El proceso se ha

mostrado estable en los últimos meses con una µ=120 mm y una σ=2mm. En cada
media hora se toma una muestra (subgrupo racional) de 5 mediciones. Con estas
mediciones se calcula un promedio, se grafica y se verifica si el proceso se mantiene
estable respecto de los Límites de Control extendidos. Mediante este procedimiento
de monitoreo, calcule:

a) La probabilidad de que se detecten cambios en la media del proceso del orden de:
• 1σ (que la media del proceso se desajuste a 122 ó 118)
• 1.5σ (que la media del proceso se desajuste a 123 ó 117)
• 2σ (que la media del proceso se desajuste a 124 ó 116)

b) Calcule el riesgo β para cada caso, el Promedio de Largo de Corrida (ARL) y el Tiempo
Medio para la Señal (ATS).

Para n=5 y k=1 (es decir, que se quiere detectar un cambio en la media de 1 desviación
estándar, ya sea que la media se haya movido a 118 ó 122, siendo que la media histórica es
de 120 y la desviación estándar de 2).

  
   3 k n   3 k n 
   3  1 5    3  1 5 
   0.7639     5.2361

Ya sea de tablas de la distribución normal estándar acumulada, o con algún software - como
Excel o Minitab - es posible determinar el área bajo la curva en la distribución normal
estándar acumulada entre un valor estandarizado de Z=-5.2362 y Z=0.7639. Es
importante también reconocer que normalmente las tablas que se encuentran en la
bibliografía, suelen llegar a valores de Z entre 3.5 y -3.5 (a veces menos), siendo difícil
encontrar alguna con valores tan pequeños como -5.2362. Por tanto, usaremos la función
“distr.norm.estand(Z)” de Excel:

β= DISTR.NORM.ESTAND(0.7639) - DISTR.NORM.ESTAND(-5.2361) = 0.7775 = 77.75% 

Es decir, que la probabilidad de NO DETECTAR un cambio de una desviación estándar en

la media de la variable con el siguiente punto a partir de que ocurrió el cambio es de
77.75% concluyendo así que para este gráfico de control es difícil detectar un cambio
de esta magnitud.
1
ARL 
1 
1
ARL 
1-0.7775
ARL  4.495
ARL indica que en promedio este gráfico de control detectaría un cambio de una desviación
estándar en la media a los 4.495 puntos.

1 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

Si la empresa decidiera tomar un subgrupo racional, por ejemplo cada dos horas, entonces
podría detectar el cambio en promedio 4.495*2=8.99 horas.

Siguiendo este mismo procedimiento se puede calcular el riesgo Beta para cambios en la
media de 1.5 y 2 desviaciones estándar, así como su ARL y ATS:

Para n=5 y k=1.5

  
   3  k n   3  k n 
   3  1.5 5    3  1.5 5 
    0.3541    6.3641

  0.3616 = 36.16%
ARL= 1.5665
ATS= 3.1329

Resultando más fácil para este gráfico detectar un cambio mayor en la media (de magnitud
1.5 sigmas), pudiendo detectarse a los 1.5665 puntos en promedio y suponiendo que se toma
un subgrupo racional cada dos horas, se detectaría a las 3.1329 horas en promedio. 

Para n=5 y k=2

  
   3  k n   3 k n 
   3  2 5    3  2 5 
    1.4721    7.4721

  0.07049 = 7.049%
ARL= 1.0758
ATS= 2.1516

Con estos resultados se observaría que detectar cambios pequeños (menores a 1 desviación
estándar en la media, resultaría difícil para este gráfico de control n=5, logrando una respuesta
lenta en el control del proceso), mientras que un cambio mayor a 1.5 sigmas sería fácil de
detectar.

2 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

c) Suponga ahora que la empresa decidiera aumentar el tamaño de los subgrupos a n=6 y
n=8, recalcule nuevamente los incisos a) y b), compare y concluya.

Siguiente el mismo procedimiento ahora con n=6 y n=8 resultaría:

Para n=6 y k=1

  0.7090 = 70.90%
ARL= 3.4366
ATS= 6.8732

Para n=6 y k=1.5

  0.2501 = 25.01%
ARL= 1.3334
ATS= 2.6669

Para n=6 y k=2

  0.02878 = 2.878%
ARL= 1.02964
ATS= 2.059

Para n=8 y k=1

  0.5681 = 56.81%
ARL= 2.3154
ATS= 4.6308

Para n=8 y k=1.5

  0.1070 = 10.70%
ARL= 1.1198
ATS= 2.2396

Para n=8 y k=2

  0.003843 = 0.3843%
ARL= 1.0039
ATS= 2.0079

Con los resultados obtenidos se puede concluir que, aun aumentando el tamaño del
subgrupo, detectar cambios menores a 1.5 sigmas en la media es difícil con un gráfico de
control Shewhart.

3 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

2. Se monitorea un proceso mediante Gráficos de Control P. El proceso se ha mostrado

estable en los últimos meses con una Pbarra = 0.05. Cada hora se toma una muestra
(subgrupo racional) de 50 unidades y se calcula la fracción defectuosa, se grafica y se
verifica si el proceso se mantiene estable respecto de los Límites de Control
extendidos. Mediante este procedimiento de monitoreo, calcule:

a) La probabilidad de que se detecten cambios en media del proceso del orden de:
 1σ (que la media del proceso se desajuste de Pbarra de 0.05 a 0.081)
 1.5σ (que la media del proceso se desajuste de Pbarra de 0.05 a 0.096)
 2σ (que la media del proceso se desajuste de Pbarra de 0.05 a 0.112)

b) Calcule el riesgo β para cada caso, el Promedio de Largo de Corrida (ARL) y el Tiempo
Medio para la Señal (ATS).

Para n=50 y un cambio de 1σ (es decir que la fracción defectuosa media cambie de 0.05
a 0.081 ó a 0.019):
  P{ pi  LSC | p0 }  P{ pi  LIC | p0 }
  P{Di  n * LSC | p0 }  P{Di  n * LIC | p0 }

Es decir que, el riesgo Beta se refiere a la probabilidad de que el siguiente punto del gráfico
caiga dentro de los límites de control extendidos (calculados con la media histórica p0)
habiendo ocurrido un cambio de la media de p0=0.05 a pi=0.081 (o a 0.019, siendo que la
media podría moverse hacia cualquier lado de la media histórica).

De las fórmulas para gráficos de control P, sabemos que:

p0 (1  p0 ) 0.05(1  0.05)
LSC | p0  p0  3  0.05´3  0.1425
n 50
p0 (1  p0 ) 0.05(1  0.05)
LIC | p0  p0  3  0.05´3  0.04247  no existe y se toma cero
n 50
Así se tiene que:

  P{Di  7.1233}  P{Di  0}

Usando la distribución binomial acumulada, preferentemente de la fórmula o con el Excel, ya

que las tablas de la bibliografía tienen valores muy limitados para “n”, “p” y “D”, se tiene que:

  distr.binom(7,50,0.081,1)  0

Es importante notar que P(Di<0)=0 ya que es la probabilidad de obtener un valor de piezas

defectuosas “negativas” (por debajo de cero), así:

  0.9534
ARL=21.47

Si se toma un subgrupo cada hora, pasarán 21.4747 horas (ATS) en promedio para detectar
el cambio.

Para n=50 y un cambio de 1.5σ (es decir que la fracción defectuosa media cambie de
0.05 a 0.096 ó a 0.004):
  0.8975
ARL=9.752

4 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

Si se toma un subgrupo cada hora, pasarán 9.752 horas (ATS) en promedio para detectar el
cambio.

Para n=50 y un cambio de 2σ (es decir que la fracción defectuosa media cambie de 0.05
a 0.112 ó a 0):
  0.8079
ARL=5.206

Si se toma un subgrupo cada hora, pasarán 5.206 horas (ATS) en promedio para detectar el
cambio.

Como se observa en los resultados, aún para cambios grandes en la media de la variable (de
magnitud de 2 desviaciones estándar en la media) será poco probable de detectar para un
gráfico de control con n=50, por ello en este tipo de gráficos (atributos) es deseable tener
subgrupos de mayor tamaño que permitan detectar cambios en la media de la variable con
mayor probabilidad.

c) Suponga ahora que la empresa decidiera aumentar el tamaño de los subgrupos a n=250
y n=500, recalcule nuevamente los incisos a) y b), compare y concluya.

Para una variable Binomial (gráfico P) considere lo siguiente:

p1  p 
Estimación de la Desviación Estándar: P 
n

Cálculo de probabilidades con Distribución Binomial:

Siguiendo el mismo procedimiento mostrado en el inciso previo se obtiene:

Para n=250 y un cambio de 1σ en la media:

  P{ pi  LSC | p0 }  P{ pi  LIC | p0 }
  P{Di  n * LSC | p0 }  P{Di  n * LIC | p0 }

De las fórmulas para gráficos de control P, sabemos que:

p0 (1  p0 ) 0.05(1  0.05)
LSC | p0  p0  3  0.05  3  0.09135
n 250
p0 (1  p0 ) 0.05(1  0.05)
LIC | p0  p0  3  0.05  3  0.008648
n 250

5 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

Así se tiene que:

  P{Di  22.838}  P{Di  2.1619}

Aproximando al entero más próximo para “Di” (siendo que no hay valores fraccionarios para
la cantidad de piezas defectuosas) se tiene que:

  P{Di  23}  P{Di  2}

Con la consciencia que esta aproximación genera de igual modo un valor aproximado en el
cálculo y usando la distribución binomial acumulada, preferentemente de la fórmula o con el
Excel, ya que las tablas de la bibliografía tienen valores muy limitados para “n” y “p”, se
tendría:

  distr.binom(23,250,0.081,1)  distr.binom(1,250,0.081,1)

Es importante notar que en este caso sí existe la probabilidad de que en la muestra de 250
piezas se obtengan menos de 2 defectuosas no obstante menos de 2 piezas defectuosas en
una variable discreta representaría 1 ó 0 piezas defectuosas, por tanto, la fórmula previa
calcula la probabilidad de tener entre 2 y 23 piezas defectuosas en la muestra de tamaño 250,
resultando:

  0.7787
ARL=4.518

Si se toma un subgrupo cada hora, pasarán 4.518 horas (ATS) en promedio para detectar el
cambio.

Siguiendo el mismo procedimiento se obtendría:

Para n=250 y un cambio de 1.5σ en la media:

  0.4687
ARL=1.8823

Para n=250 y un cambio de 2σ en la media:

  0.1846
ARL=1.2263

Para n=500 y un cambio de 1σ en la media:

  0.5092
ARL=2.037

Para n=500 y un cambio de 1.5σ en la media:

  0.1259
ARL=1.1440

Para n=500 y un cambio de 2σ en la media:

  0.0113
ARL=1.0113

Como se observa en los resultados aún con subgrupos de tamaño 250 es poco probable
detectar cambios de menos de 1.5 desviaciones en la media, Sólo hasta valores de “n” de
500 se obtienen riesgos Beta aceptables, por tanto, y en función de la necesidad, es deseable
seleccionar el tamaño y frecuencia adeudadas para el subgrupo o de ser posible monitorear
la variable como una medible en vez de atributo.

6 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

3. Se monitorea un proceso mediante Gráficos de Control U. El proceso se ha mostrado

estable en los últimos meses con una Ubarra = 0.25. Cada 2 horas se toma una muestra
(subgrupo racional) de 50 unidades y se calcula el promedio de defectos por unidad,
se grafica y se verifica si el proceso se mantiene estable respecto de los Límites de
Control extendidos. Mediante este procedimiento de monitoreo, calcule:

a) La probabilidad de que se detecten cambios en media del proceso del orden de:
 1σ (que la media del proceso se desajuste de Ubarra de 0.25 a 0.32)
 1.5σ (que la media del proceso se desajuste de Ubarra de 0.25 a 0.36)
 2σ (que la media del proceso se desajuste de Ubarra de 0.25 a 0.39)

b) Calcula el riesgo β para cada caso, el Promedio de Largo de Corrida (ARL) y el Tiempo
Medio para la Señal (ATS).

c) Suponga ahora que la empresa decidiera aumentar el tamaño de los subgrupos a n=250
y n=500, recalcule nuevamente los incisos a) y b), compare y concluya.

Para una variable Poisson (gráfico U) considere lo siguiente:

U
Estimación de la Desviación Estándar: u 
n

Cálculo de probabilidades con Distribución Poisson:

En el caso de estos cálculos, el procedimiento es muy similar, a diferencia que se usa la

distribución de poisson al ser el conteo de defectos una variable que sigue sus principios.

Para n=50 y un cambio de 1σ (es decir que la media de defectos por unidad cambie de
0.25 a 0.32 ó 0.18):
  P{ui  LSC | u0 }  P{ui  LIC | u0 }
  P{ci  n * LSC | u0 }  P{ci  n * LIC | u0 }

Es decir que, el riesgo Beta se refiere a la probabilidad de que el siguiente punto del gráfico
caiga dentro de los límites de control extendidos (calculados con la media histórica u0)
habiendo ocurrido un cambio de la media de u0=0.25 a ui=0.32 (ó a 0.18, siendo que la media
podría moverse hacia cualquier lado de la media histórica).

De las fórmulas para gráficos de control U, sabemos que:

u0 0.25
LSC | u0  u0  3  0.25  3  0.4621
n 50
u0 0.25
LIC | u0  u0  3  0.25  3  0.03787
n 50
Así multiplicando los valores de los límites d control por “n” se tiene que:

  P{ci  23.11}  P{ci  1.89}

7 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

Aproximando al entero más próximo para “ci” (siendo que no hay valores fraccionarios para
la cantidad de piezas defectuosas) se tiene que:

  P{ci  23}  P{ci  2}

Usando la distribución Poisson acumulada, preferentemente de la fórmula o con el Excel, ya

que las tablas de la bibliografía tienen valores muy limitados para “np” y “c”, se tiene que:

  poisson(23,50 * 0.32,1)  poisson(1,50 * 0.32,1)

Así:

  0.9633
ARL=27.2479

Si se toma un subgrupo cada dos horas, pasarán 54.5 horas (ATS) en promedio para detectar
el cambio.

Repitiendo el procedimiento con los diversos planteamientos se obtiene:

Para n=50 y un cambio de 1.5σ (es decir que la media de defectos por unidad cambie
de 0.25 a 0.36 ó 0.14):

β=0.8989
ARL=9.89
ATS=19.78

Para n=50 y un cambio de 2σ (es decir que la media de defectos por unidad cambie de
0.25 a 0.39 ó 0.11):
β=0.8196
ARL=5.54
ATS=11.09

Para n=250 y un cambio de 1σ:

β=0.7690
ARL=4.33
ATS=8.66

Para n=250 y un cambio de 1.5σ:

β=0.3618
ARL=1.57
ATS=3.13

Para n=250 y un cambio de 2σ:

β=0.1316
ARL=1.15
ATS=2.30

Para n=500 y un cambio de 1σ:

β=0.4580
ARL=1.85
ATS=3.69

Para n=500 y un cambio de 1.5σ:

β=0.0522
ARL=1.06
ATS=2.11

8 
 
 I N 5 0 6 0 S i s t e m a s de C o n t r o l de P r o c e s o s
  A U T O E S T U D I O | SOLUCION Tema 2.2

Para n=500 y un cambio de 2σ:

β=0.0036
ARL=1.00
ATS=2.01

Como se observa en los resultados, aún con muestras grandes es difícil para este gráfico
detectar cambios pequeños en la media de la variable, aunque ligeramente mejores que en los
gráficos P y NP, aun así, se deberían seleccionar n>250 para tener riesgos Beta<36% para
detectar cambios en la media de la variable de orden de 1.5 desviaciones.

Conclusiones Generales:
Del ejercicio se observa que en general, los gráficos Shewhart son poco sensibles para detectar
pequeños cambios en la media con tamaños de subgrupos comúnmente usados como n=5 para
variables medibles y entre 50 a 250 para atributos. Se observa igualmente que en general
detectar cambios en la media de la variable a partir de 1.5 desviaciones es mucho más probable
con este tipo de gráficos.

A partir de estos comportamientos es que la metodología Six Sigma asume una “pérdida” de
capacidad de 1.5 desviaciones estándar en el largo plazo, debido a los desplazamientos
normales en la media de una variable que con dificultad se detecta con los métodos de control
comúnmente usados en las empresas.

9