Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ANTUNEZ DE MAYOLO”
AGRÍCOLA
DEL 1960-1980”
HUARAZ – PERÚ
2020
ÍNDICE
I. INTRODUCCION................................................................................................................1
1.1. OBJETIVOS....................................................................................................................1
3.1. MATERIALES..............................................................................................................17
3.2. METODOS....................................................................................................................17
...................................................................................................................................................66
...................................................................................................................................................69
VI. CONCLUSIONES..........................................................................................................76
VII. RECOMENDACIONES.............................................................................................77
Ilustración 2. Carta de control para la media con los datos en una sola columna...................25
INDICE DE GRAFICAS
Gráfica 2. Carta de control para la media con los datos en una sola columna........................25
Gráfica 13. Número de defectos por unidad para las muestras variables................................72
I. INTRODUCCION
Todo proyecto de desarrollo, se estudian las interrelaciones con el medio ambiente, en las que
se considera de un lado, los efectos positivos y del otro los efectos negativos o perjudiciales al
medio natural, resultado de las modificaciones a ser introducidas en los ecosistemas mediante la
Las normalidades climáticas en nuestro país, se suceden en forma regular en este sentido, el
finalidad esencial tanto la protección del medio natural, (máxime si tenemos en consideración su
I.1. OBJETIVOS
Analizar utilizando simulación las gráficas o cartas de control y dentro de estas, las
cartas de control por variables, en las que las variables involucradas son variables de
tipo continua.
previos
Según el contenido del Open Course Ward de la Universidad de Salamanca (2010- 11),
ambiente), procesos administrativos y/o servicios con objeto de verificar si todas y cada una de
las partes del proceso y servicio cumplen con unas ciertas exigencias de calidad y ayudar a
cumplirlas, entendiendo por calidad ‘la aptitud del producto y/o servicio para su uso’”.
Adicionalmente exponen que “la aplicación de técnicas estadísticas al control está basada en el
Salamanca, 2010-11).
control es un registro gráfico de la calidad donde se sitúan unos límites de control, que sirven
para enjuiciar el significado de las variaciones de la calidad en torno a un nivel general” (Gisbert
Soler, 2017). Cuando un punto queda por fuera de dichos límites, se puede tomar como
indicación de una causa de variación a ser investigada. Por lo cual, este gráfico sirve para
han eliminado todas las causas asignables y sólo actúan las aleatorias (comunes), se dice que se
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
3
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
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. 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
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.
4
Un punto que se encuentre fuera de los límites 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 Xi 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.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control, son
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.
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
5
fuera de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
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
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
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
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:
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
Ahora como las medias de las muestras están normalmente distribuidas con media = / n, y
siendo que la probabilidad 1- de que cualquier media muestral caerá entre los límites:
W =R/σ
3 Ŕ
LSC= X́ + limite superior de control
d 2 √n
3 Ŕ
LIC= X́ − limite inferiror de control
d2√ n
X́ limite control
7
Para el caso de los rangos, la línea central es Ŕ . El estimador para R puede hallarse de la
se tiene:
R=Wσ
σ R =d 3 σ
LSC = Ŕ+3 σ R
LIC= Ŕ−3 σ R
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
Recoger los datos Uno tiene que recoger tantos datos como sea posible sobre la fracción de
número de unidades defectuosas, pn, para cada fracción de unidades defectuosas2. Es bueno
disponer de tantos datos como sea posible, puesto que esto también es conveniente para fines
tales como el análisis del proceso; también es deseable disponer datos de por lo menos veinte
lotes, i.e., por lo menos veinte valores de la fi-acción de unidades defectuosas (i.e., el número de
9
subgrupos). Los datos se pueden recoger de tantos tipos de unidades defectuosas como se desee,
pero se deben estratificar todo lo posible, con arreglo a la naturaleza de las unidades defectuosas
y sus causas. (2) Organizar los datos en subgrupos3 Los datos se deben dividir en subgrupos
racionales tal como se explicó en la sección 3.3. En general, es mejor formar lotes racionales y
hacer los subgrupos por lote. Por ejemplo, se deben tomar datos de pequeños lotes forma-dos con
el fm de controlar el proceso en vez de lotes para expedir. Los datos son más fáciles de manejar
diversas maneras
Di
pi=
ni
Del modelo general para la carta de control de Shewhart, si w es un estadístico que mide una
Ṕ(1− Ṕ)
LS C P =Ṕ+ 3
√ n
limite superior de control
10
Ṕ(1− Ṕ)
LI C P = Ṕ−3
√ n
limite inferior de control
Ṕ limite de control
límites de control, se puede concluir que el proceso está en control, de otra forma, se concluirá
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 Di
dada como:
pi = Di / n i = 1, 2, 3, m
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
11
situación fuera de control se eliminan y se calculan de nuevo los límites de control preliminares.
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
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
modelada 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
constante. Además, cada unidad de inspección debe representar una “área de oportunidad”
de Poisson no es apropiado.
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.
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, ....... Por tanto,
LS C C =c +3 √ c
13
L CC =c
una muestra preliminar inspeccionada, o sea con c, en este caso los parámetros de la carta son:
LS C C =ć +3 √ ć
L CC =c
LI C C =ć −3 √ć
defectos, sin embargo, esto también depende de consideraciones económicas y del proceso, si en
14
lugar de tomar 1 unidad de inspección, se toman n unidades de inspección, entonces los nuevos
Método 1.
Con nc En este caso tanto la línea central como los límites de control se modifican por el
inspección anterior):
LS C nC =n ć +3 √ n ć
L CnC =n ć
LI C nC =n ć−3 √ n ć
Método 2
c
u=
n
Como c es una variable aleatoria que sigue la distribución de Poisson, los parámetros de la
ú
LS C u=ú+3
√ n
L Cu=ú
ú
LI C u=ú−3
√ n
15
Figura 7: carta de control de defectos por unidad U con tamaño de muestra constante en
control estadístico
Muestra variable-cartaÚ
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
ú
LS C u=ú+3
√ n
L Cu=ú
16
ú
LI C u=ú−3
√ n
Sistema de deméritos
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 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
III.1. MATERIALES
del ANA.
internet.
III.2. METODOS.
procesarlos mediante las conceptos estadísticos y poder realizar nuestros objetivos planteados.
18
DE LA MEDIA
CRITERIO PROBABILISTICO
Calculamos la media
X1
X =∑
n
20
39.977
X=
20
X =1.999
21
Calculamos el rango
R1
R=∑
n
194.021
R=
20
R=9.701
1-α
|
95%
K = - 2.131 K = 2.131
Por tabla:
n=8 → d2 =2.847
K=2.131
LCS= X
22
LCS=4.578
Límite central
LC=1.999
Límite de Control Inferior
9.701
LCI =1.999−2.131 ( 2.847∗ √8 )
LCI =−0.580 ≅ 0
CRITERIO 3σ
K
Para n=8 → A 2=
d 2∗√ n
K=2.131
2.131
A2=
2.847∗√ 8
A2=0.2646
LCS= X + A 2¿ R
Límite central
LC =X
LCS=1.999+ 0.2646∗9.701
LCS=4.5658
Límite central
LC =X
LC=1.999
LCI =−0.580=0
24
PARA GRAFICAR:
Colocamos los datos en columnas
Ilustración 1.
Datos para graficar la carta de control para la media.
Gráfica 1.
Carta de control para la media
5 LCS=4.578
4
Media de la muestra
_
_
2 X=1.999
-1 LCI=-0.580
1 3 5 7 9 11 13 15 17 19
Muestra
25
Gráfica 2.
Carta de control para la media con los datos en una sola columna.
5 LCS=4.577
4
Media de la muestra
__
2 X=1.999
-1 LCI=-0.582
1 3 5 7 9 11 13 15 17 19
Muestra
26
PARA EL RANGO
Para los meses de precipitación:
D E F M RA
MAX MINIM
ic n e a Abr X NG
IMOS OS
e b r O
1. 3 2 3
2.
41 . . . 2.3
2.87 7 3.79 1.41
2 6 7 8
9
7 1 9
2. 4 3 4
3.
86 . . . 2.2
2.47 6 4.72 2.47
1 9 7 5
3
3 9 2
1. 3 3 4
3.
20 . . . 3.1
3.32 1 4.38 1.20
0 7 3 8
5
8 5 8
3. 2 3 3
3.
23 . . . 0.9
2.71 1 3.67 2.71
7 6 3 6
4
7 7 0
1. 1 1 4
2.
55 . . . 3.2
2.29 5 4.75 1.55
9 9 7 0
0
6 4 5
2. 3 3 2
2.
69 . . . 1.3
1.87 6 3.24 1.87
2 1 2 7
4
4 9 1
2. 2 6 3 1.96 3. 6.23 1.96 4.2
07 . . . 3 7
5 2 9 4
27
1 3 2
1. 1 2 3
2.
67 . . . 1.8
1.35 0 3.19 1.35
8 3 1 4
8
6 4 9
1. 1 2 2
1.
23 . . . 1.2
2.43 9 2.43 1.23
7 0 1 0
1
2 3 2
3. 4 3 3
3.
42 . . . 1.6
2.72 3 4.32 2.72
3 3 0 0
7
2 9 0
3. 2 3 4
3.
11 . . . 2.3
2.46 3 4.78 2.46
6 9 7 2
9
6 5 8
1. 2 2 5
3.
79 . . . 3.9
3.22 1 5.72 1.79
5 6 7 3
7
3 1 2
1. 2 3 3
2.
60 . . . 2.0
3.64 9 3.64 1.60
3 5 6 4
5
6 3 4
3. 4 5 4
4.
35 . . . 2.0
3.43 2 5.39 3.35
3 3 9 4
8
2 9 0
1. 2 2 4
2.
08 . . . 3.8
2.49 8 4.94 1.08
6 9 9 6
3
8 8 4
28
1. 2 5 3
3.
86 . . . 3.4
2.10 1 5.32 1.86
8 3 4 6
2
8 2 5
1. 1 3 2
2.
33 . . . 2.0
2.02 3 3.40 1.33
9 4 8 7
2
4 0 9
2. 1 4 3
2.
29 . . . 2.2
1.90 7 4.12 1.90
9 1 6 2
8
6 2 3
2. 1 3 5
3.
22 . . . 3.7
3.83 5 5.67 1.95
9 8 6 2
0
5 3 7
1. 1 2 2
2.
56 . . . 0.9
2.45 1 2.55 1.56
8 2 5 9
3
8 1 5
2.
promed 2.4
0
io 5
0
5
9. 48.
suma
0 90
2
CRITERIO 3σ
d 3 Ŕ
LCS= Ŕ+ k ( )
d2
= Ŕ D4
29
LC= Ŕ
d 3 Ŕ
LCI =Ŕ−k ( )
d2
= Ŕ D 3
∑ Ri 48.9
Ŕ= = =2.445
m 20
LCS=2.445∗1 .717=4.198
LC=¿2.445
LCS=2445∗0=0
30
Ilustración 3.
Datos ingresados en filas de columnas
Gráfica 3.
Carta de control para el rango, en la opción filas de columna.
Gráfica Xbarra-R de diciembre; ...; abril
LCS=4.361
4
Media de la muestra
__
3 X=2.951
LCI=1.541
1 3 5 7 9 11 13 15 17 19
Muestra
LCS=5.170
4.8
Rango de la muestra
3.6
_
2.4 R=2.445
1.2
0.0 LCI=0
1 3 5 7 9 11 13 15 17 19
Muestra
31
58 61 40 7
0. 0. 0. 0.7
1.34 1.34 0.38 0.96
43 38 79 4
0. 0. 0. 0.5
0.71 0.71 0.44 0.27
57 57 44 7
0. 0. 0. 0.6
1.04 1.04 0.45 0.59
50 45 73 8
0. 0. 1. 0.8
1.08 1.08 0.62 0.46
62 72 04 7
0. 0. 0. 0.8
0.97 0.97 0.66 0.31
66 78 86 2
prome 0.7
0.69
dio 0
14.
suma 13.82
04
CRITERIO 3σ
d 3 Ŕ
LCS= Ŕ+ k ( )
d2
= Ŕ D4
LC= Ŕ
d 3 Ŕ
LCI =Ŕ−k
( )
d2
= Ŕ D 3
∑ Ri 13.82
Ŕ= = =0.691
m 20
LCS=2.445∗1.717=4.198
LC=¿2.445
LCS=2445∗0=0
34
Ilustración 4.
Datos ingresados en filas de columna
Gráfica 4.
Carta de control para el rango, en la opción filas de columna.
0.9
__
X=0.702
0.6
0.3
LCI=0.199
1 3 5 7 9 11 13 15 17 19
Muestra
1.6 LCS=1.577
Rango de la muestra
1.2
0.8 _
R=0.691
0.4
0.0 LCI=0
1 3 5 7 9 11 13 15 17 19
Muestra
35
m RANG
año MEDICIONES n suma MEDIA
O
1 60-61 0.50 0.03 0.08 0.85 1.64 1.64 6 4.75 0.7909 1.62
37
Calculamos la media
X1
X =∑
n
16.3816
X=
20
38
X =0.8191
Calculamos el rango
R1
R=∑
n
54.25
R=
20
R=2.7124
Por tabla:
n=5 →d 2=2.326
K=1.564
39
LCS= X
LC=0.8191
40
LCI =−0.7454 ≅ 0
d 3 Ŕ
LCS= Ŕ+ k
( )
d2
= Ŕ D 4
LC= Ŕ
d 3 Ŕ
LCI =Ŕ−k ( )
d2
= Ŕ D 3
∑ Ri 17.
Ŕ= = =2.7124
m 20
LCS=2.7124−3.022 ( 0.864∗2.7124
2.326 )=−0.32=0
42
2 8 2
1 2.3 1.809
77-78 3.58 1.13 6.14 1.72 1.15 0.02 0.05 0.07 1.21 1.63 11 19.08 1.73
3 8 0
1 2.6 2.265
79-80 1.26 5.96 6.77 2.61 0.33 0.03 0.31 0.72 1.16 2.22 11 24.00 2.18
4 3 3
156
44
FORMULAS:
La gran media:
∑ X́ i
X́ = i =1
K
Donde:
¿
∑ Xi
X́ = i =1
n
Límites de control:
K α ∗S K α ∗S
1−
2 2
X́ − ≤ μ≤ X́ +
√n √n
K α ∗S
2
LCI = X́−
√n
K α ∗S
1−
2
LCS= X́ +
√n
Criterio probabilístico:
K α ∗S
2
LCI = X́−
√n
45
K α ∗S
2
LCS= X́ +
√n
Criterio 3σ
3∗S
LCI = X́− = X́ −A∗S
√n
3∗S
LCS= X́ + = X́+ A∗S
√n
Donde:
3
A=
√n
s =2.83331618
x =2.00
C4 =0.9776
n =12
LIMITES DE CONTROL
LCS =4.50877187
LCS =2.00
LCI =-0.51112132
s =2.83331618
x =1.99882528
C4 =0.9776
n =12
LIMITES DE CONTROL
LCS =4.6633046
LCS =2.83331618
LCI =1.00332777
46
47
1 1 8 3 2 0
1 15.0 0.1 1.4 0.2 0.4 32.1
76-77 5.47 3.65 2.92 0.22 0.19 2.41 11 2.92 4.3879
2 5 0 0 9 6 6
1 0.0 0.9 1.4 2.3 22.5
77-78 6.68 2.26 2.57 2.91 0.50 0.05 2.65 11 2.05 1.8647
3 7 7 5 8 0
1 0.6 0.6 3.3 3.7 55.1
79-80 0.62 32.07 7.90 3.20 0.11 0.09 0.59 2.11 12 4.59 8.9407
4 2 8 4 9 2
156
49
FORMULAS:
La gran media:
∑ X́ i
X́ = i =1
K
Donde:
¿
∑ Xi
X́ = i =1
n
Límites de control:
K α ∗S K α ∗S
1−
2 2
X́ − ≤ μ≤ X́ +
√n √n
K α ∗S
2
LCI = X́−
√n
K α ∗S
1−
2
LCS= X́ +
√n
Criterio probabilístico:
K α ∗S
LCI = X́− 2
√¿
50
K α ∗S
2
LCS= X́ +
√¿
Criterio 3σ
3∗S
LCI = X́−
√¿
3∗S
LCS= X́ +
√¿
LIMITES DE CONTROL
LCS =4.76
LCS =2.12
LCI =-0.52=0
s =2.8474
C4 =0.9754
Kσ =1.93053923
LIMITES DE CONTROL
LCS =4.78
LCS =2.85
LCI =0.92
51
MEDIA
5.00
4.50
4.00
3.50
3.00
2.50
2.00
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
DESVIACION
10.00
9.00
8.00
7.00
6.00
5.00
4.00
3.00
2.00
1.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
52
Mar13 \p 16 \l 10250 ]
Subgrupos Numero
Defectuosos(di)
inspeccionado(ni)
1 1000 13
2 1000 4
3 1000 3
4 1000 22
5 1000 13
6 1000 6
7 1000 12
8 1000 19
9 1000 2
10 1000 17
11 1000 4
12 1000 12
13 1000 4
14 1000 21
15 1000 6
16 1000 29
17 1000 17
18 1000 13
19 1000 25
20 1000 25
21 1000 15
22 1000 7
23 1000 19
24 1000 12
25 1000 9
26 1000 16
27 1000 4
28 1000 9
29 1000 19
30 1000 4
total 30000 381
53
total defectuoso
ṕ=
total de inspeccionado
381
ṕ= =0.0127
30000
Y como:
n=1000
p (1− p )
LCI = ṕ+ 3
√ n
0.0127( 1−0.0127)
LCS=0.0127+3
√ 1000
=0.02332
LC= ṕ=0.0127
p ( 1−p )
LCS= ṕ+3
√ n
54
0.0127 (1−0.0127 )
LCS=0.0127−3
√ 1000
=0.00208
GRAFICAMOS
Gráfica 5.
La carta p con estos límites se muestra en la gráfica siguiente.
Gráfica P de C2
0.030 1
1 1
0.025
LCS=0.02332
0.020
Proporción
0.015
_
P=0.0127
0.010
0.005
LCI=0.00208
1
0.000
1 4 7 10 13 16 19 22 25 28 31
Muestra
Las pruebas se realizaron con tamaños de la muestra desiguales
subgrupos mencionados así para tener el control de defectuosos dentro del rango.
Subgrupo Numero
Defectuosos (di)
s inspeccionado (ni)
1 1000 13
2 1000 4
3 1000 3
4 1000 22
5 1000 13
6 1000 6
7 1000 12
8 1000 2
9 1000 17
10 1000 4
11 1000 12
12 1000 4
13 1000 21
14 1000 6
15 1000 17
16 1000 13
17 1000 15
18 1000 7
19 1000 19
20 1000 12
21 1000 9
22 1000 16
23 1000 4
24 1000 9
25 1000 19
26 1000 4
Total 26000 283
56
Y como:
n=1000
p (1− p )
LCI = ṕ+ 3
√ n
0.01088 ( 1−0.1088 )
LCS=0.01088+ 3
√ 1000
=0.02073
p ( 1−p )
LCS= ṕ+3
√ n
Gráfica P de C8
0.025
0.088 ( 1−0.01088 )
LCS=0.01088−3
0.020
1
√ 1000 1
=0.00104
LCS=0.02073
0.015
Proporción
Gráfica 6.
La carta p con estos límites se muestra en la gráfica siguiente.
0.005
LCI=0.00104
0.000
1 4 7 10 13 16 19 22 25
Muestra
57
Por lo tanto, se continúa iterando, esta vez descartando los subgrupos 4 y 13.
Subgrupos Numero
Defectuosos (di)
inspeccionado (ni)
1 1000 13
2 1000 4
3 1000 3
4 1000 13
5 1000 6
6 1000 12
7 1000 2
8 1000 17
9 1000 4
10 1000 12
11 1000 4
12 1000 6
13 1000 17
58
14 1000 13
15 1000 15
16 1000 7
17 1000 19
18 1000 12
19 1000 9
20 1000 16
21 1000 4
22 1000 9
23 1000 19
24 1000 4
Total 24000 240
Y como:
n=1000
p (1− p )
LCI = ṕ+ 3
√ n
0.01(1−0.1)
LCS=0.01+ 3
√ 1000
=0.01944
p ( 1−p )
LCS= ṕ+3
√ n
0.01 ( 1−0.01 )
LCS=0.01−3
√ 1000
=0.00056
Gráfica 7.
La carta p con estos límites se muestra en la gráfica siguiente.
Gráfica P de C8
0.020
LCS=0.01944
0.015
Proporción
_
0.010 P=0.01
0.005
LCI=0.00056
0.000
1 3 5 7 9 11 13 15 17 19 21 23
Muestra
60
de la proporción de artículos defectuosos por diferentes causas. Los datos de los últimos
Suponiendo que todos los lotes tienen el mismo tamaño (el promedio), obtenga una
Lote Defectuosos
1 21
2 20
3 27
4 33
5 22
6 40
7 27
8 23
61
9 20
10 26
11 28
12 21
13 23
14 21
15 25
16 29
17 20
18 28
19 18
20 24
21 13
22 23
23 12
24 19
25 26
Suma total 589
LCS=nр+3 √ np(1− p)
Límite central
LC=np
Calculamos p
pi
p=∑
m
62
589
p=
25∗5000
p=0.0047
LCS=38.09
Límite central
LC=5000∗0.0047
LC=23.5
LI =9
63
constantes fluctué entre los límites de 38.09 y 9 siendo el valor promedio 23.5.
Ilustración 5.
Datos en el minitab.
Gráfica 8.
Gráfica de NP defectuosos en una sola columna.
64
mesas. Es claro que estamos ante una variable que debe ser analizada con la carta
c, debido a que una misma mesa puede tener varios defectos de diferente tipo;
221 \l 10250 ]
MESA
DEFECTOS ci
1 7
2 5
3 10
4 2
65
5 6
6 5
7 4
8 9
9 7
10 5
11 6
12 7
13 8
14 4
15 5
16 12
17 8
18 10
19 4
20 7
21 3
22 10
23 6
24 6
25 7
26 4
27 5
28 6
29 8
30 5
TOTA
191
L
LCS = ć +3 √ ć
LC = ć
Ć=
∑ de defectos
numero de subgrupos
66
Ć=
∑ ci = 191 =6.3667
m 30
LC = 6.3667
Los límites para la evaluación se encuentran entre las medidas de 13.94 y 0 siendo el
Gráfica 9.
Contenido de muestras del número de defectos
chip que se insertara as una tarjeta telefónica se tiene 25 muestras, cada una
67
LCS = ć +3 √ ć
LC = ć
Ć=
∑ de defectos
numero de subgrupos
Ć=
∑ ci = 91 =3.64
m 25
LC = 3.64
Los límites para la evaluación se encuentran entre las medidas de 33.21 y 6.48 siendo
Gráfica 10.
Contenido de muestras del número de defectos
69
EN EL PROCESO.
Gráfica 11.
Datos corregidos, se encuentran dentro de los límites.
70
CONSTANTES
para las disconformidades por unidad en una línea de ensamblaje final. El tamaño
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total= 193 38.6
U=
∑ xi = total de promedio No.−conformidades
s numero de subgrupos
36.8
U= =1.93
20
Ú
LCS=Ú + 3∗
√ n
1.93
LCS=1.93+ 3∗
√ 5
=3.794
Ú
LCI =Ú−3∗
√ n
1.93
LCI =1.93−3∗
√ 5
=0.066
72
Gráfica 12.
Número de defectos por unidad para muestras constantes
VARIABLES
para las disconformidades por unidad en una línea de ensamblaje final. El tamaño
10250 ]
4 5 14 2.8
5 5 10 2
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2
10 5 15 3
11 5 9 1.8
12 5 5 1
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total 193 38.6
Promedio: n = 21.875
total de defectos
ú=
total de articulos inspeccionados
549
ú= =1.046
525
Entonces:
ú
LCS=ú+ 3
√ n
74
1.046
LCS=1.046+ 3
√ 21.875
=1.702
LC=1.045
ú
LCI =ú−3
√ n
1.046
LCI =1.046−3
√ 21.875
=0.39
Los límites para la evaluación se encuentran entre las medidas de 1.702 y 0.39 siendo
Gráfica 13.
Número de defectos por unidad para las muestras variables.
semanas con el número de clientes por semana, los datos se muestran en la tabla.
75
Calcule los límites de control para una carta u para el número de quejas por
Calculamos ú:
Total de defectos
ú=
Total de artículos inspeccionados
184
ú= =0.067
2195
ú
σui=
√ n
76
2195
n= =146.33
15
0.067
σui=
√ 146.33
=0.0214
ú
LCS=ú+ 3
√ n
Límite central
LC=ú
ú
LCI =ú−3
√ n
LCS=0.067+3∗0.0214
LCS=¿0.123
LC=0.067
LCI =0.067−3∗0.0214
LI =¿0.009
77
En conclusión: Se espera que el número de defectos por unidad fluctué los límites de
0.123y 0.009 siendo el valor promedio 0.067.
Ilustración 6.
Datos que se ingresan al programa.
Gráfica 14.
Conteo de muestras por unidad.
78
VI. CONCLUSIONES
VII. RECOMENDACIONES
Humberto Gutierrez, P. &. (2009). Control estadistico de la calaidad y seis sigma. Mexico: Mc
Draw Hill.
Ishikawa, K, (1994). Introducción al control de calidad. Ediciones Diaz de Santos s.a. España.
Grant Eugene l. (1966). Control de calidad estadístico.3ra edición. Editorial Continental S.A.