Material de Apoyo Caliba CEP

CONTROL
ESTADÍSTICO
DE PROCESOS
Preparado para CALIBA

Noviembre 2015
Página 1 de 133
Módulo 1. Introducción
Página 2 de 133
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
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.1
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%, 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.
Página 3 de 133
Control estadístico de procesos (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”. Por otra parte “H. Dodge y H.
Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig”, 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”.
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”. 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.
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.
Página 4 de 133
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:
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.
Página 5 de 133
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.2
* * * *
** **
*** **
*** **
Distribución de promedios
Universo de las muestras
Fig. 1.1 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
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
Página 6 de 133
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

media y variacoón media y desviación estándar
Fig. 1.2 Comportamiento de procesos en control y fuera de control
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
variación con su rango. Tomado límites de control establecidos a  3 de medias o
rangos.
1.3 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD
Se utilizan tres métodos estadísticos principales: las cartas de control, el diseño de

experimentos y el muestreo estadístico, además de las herramientas estadísticas
para la solución de problemas en planta por grupos de trabajo o Círculos de
calidad.
CARTAS DE CONTROL
Página 7 de 133
LSC
LCC
LIC
LSC = Límite superior de control

LC = Línea central de control
LIC = Límite inferior de control
Fig. 1.3 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 variación anormal. Su uso sistemático proporciona un excelente medio
para reducir la variación.
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 variación en la característica de calidad y en determinar los
niveles más adecuados de los factores controlables que optimicen el desempeño
del proceso.
Página 8 de 133
ENTRADAS CONTROLADAS
X1 X2 XP
INSUMOS DEL PROCESO Y CARACT. DE CALIDAD

PROCESO
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLADAS
Fig. 1.4 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.
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 PARA LA 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
Página 9 de 133
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 defectuosos, dada la probabilidad
finita de encontrar productos defectuosos 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 defectuosos.
El muestreo de aceptación tiende a reforzar la conformidad con las

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. 1.5 Evolución de la aplicación de métodos estadísticos

100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
EXPERIMENTOS
0%
Tiempo
Página 10 de 133
Módulo 2. Métodos y filosofía del CEP
Página 11 de 133
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.
 La forma y la posición de una distribución normal dependen de los parámetros
 y  , en consecuencia hay un número infinito de distribuciones normales.
Página 12 de 133
TEOREMA DEL LÍMITE CENTRAL
La distribución normal tiene muchas propiedades útiles, una de estas se refiere al

comportamiento de las medias de las muestras de una población no
necesariamente normal, se aproxima a la distribución normal conforme n tiende a
aumentar. Es decir que las medias de las muestras de tamaño n aleatorias e
independientes tienden a distribuirse normalmente, independientemente de la
distribución de las variables individuales.
Por ejemplo tomando 300 datos individuales se tiene:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
Fig. 2.2 Distribución de la población – No normal
Seleccionando muestras de tamaño n y calculando la X-media o promedio en cada

una se tiene:
Población con media  y desviación estándar  y cualquier distribución.
X1 X2 X3
X-media 1 X-media 2 X-media 3
Página 13 de 133
Conforme el tamaño de muestra se incrementa las muestras se distribuyen
normalmente con media de medias  y desviación estándar de las medias de las
muestras  / n. También se denomina Error estándar de la media.
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
Fig. 2.3 Distribución de las medias muestrales
En general si las xi 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.
Comprobación en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
COMPROBACIÓN DEL TEOREMA DEL LÍMITE CENTRAL
Paso 1. Hacer una sola columna de datos en Datos (C1)

1. Manip > Stack > Stack columns
2. Stack the following columns X1-X5
3. Seleccionar Column in current worksheet Datos
4. OK
Paso 2. Hacer un histograma de 5 celdas con la columna Datos

1.Graph > Histogram Graph variables 1 Datos
2.Options seleccionar Cut Point Number of intervals Automatic
3. OK OK
Hacer comentarios
Paso 3. Hacer prueba de normalidad con la columna Datos

1.Stat > Basic statistics > Normality test
2.Seleccionar Variable Datos Seleccionar Anderson Darling
3. OK OK
Hacer comentarios
Paso 4. Calcular en Medias (C7) el promedio de los datos de cada renglón
Página 14 de 133
1.Calc > Row statistics Seleccionar Mean
2.Input Variables X1 X2 X3 X4 X5
3. Store Results in Medias
4. OK
Paso 5. Hacer un histograma de 5 celdas con la columna Medias

1.Graph > Histogram Graph variables 1 Medias
2.Options seleccionar Cut Point Number of intervals 7
3. OK OK
Hacer comentarios
2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES
La variación natural siempre existe en cualquier proceso de producción, no

importa que tan bien diseñado esté. Esta variación natural es denominada causas
comunes o aleatorias de variación, un proceso que opera en estas condiciones se
dice que está en control estadístico.
SI LAS VARIACIONES PRESENTES SON IGUALES,

SE DICE QUE SE TIENE UN PROCESO “ESTABLE”.
LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO
Predicción
Tiempo
Fig. 2.4 Proceso en control, solo causas comunes presentes
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 15 de 133
Existen otras fuentes de variación que pueden ser causadas por máquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6M’s (medio
ambiente, métodos, mediciones). Esta variación es muy grande en relación con la
variación natural y es originada por causas especiales o asignables haciendo que
el proceso opere fuera de control estadístico.
El Objetivo del CEP es la detección oportuna de la ocurrencia de causas

especiales para tomar acciones correctivas antes de que se produzcan unidades
defectuosas 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 variación hasta donde sea posible.
EN CASOS ESPECIALES COMO ESTOS

DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS ?
TENEMOS UN PROCESO INESTABLE o “IMPREDECIBLE”. ? ?
? ?
? ?
Página 16 de 133
M
Región de control,
E
D captura la variación
I natural del proceso
D LSC
original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Fig. 2.5 Proceso fuera de control, por causas especiales o asignables a

las 6M’s presentes
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. 2.6 Carta de control de Shewhart
Página 17 de 133
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.
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 o alfa 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 o beta de la carta de control se presenta cuando se

concluye que el proceso está en control cuando en realidad está fuera de control.
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 (2.1)

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.
Página 18 de 133
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
estadístico, sin embargo con las cartas de control se podrán identificar causas
especiales que al ser eliminadas, resulten en una reducción de la variación
mejorando el proceso.
DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO

DE LOS VALORES DE LAS MEDIAS LSC = 74.0135, LC = 74, LIC = 73.9865
INDIVIDUALES =.01   0.0045
X
Fig. 2.7 Comparación de la variación 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
acciones que resuelven la situación fuera de control. Este documento OCAP es un
documento vivo que debe ser actualizado constantemente.
Página 19 de 133
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIÓN
Verificación Detección de causa

y seguimiento asignable
Implantar Identificar causa

Acción raíz del problema
Correctiva OCAP
Fig. 2.8 Proceso de mejora utilizando la carta de control
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 valores individuales o medias, que describan la
tendencia central y cartas de control basadas en rango o desviación estándar para
controlar la variación del proceso.
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.
Página 20 de 133
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 variación 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.
3. Procesos estacionarios con datos correlacionados: las observaciones

sucesivas de 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:
Página 21 de 133
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.
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, Estos límites de control se denominan límites
probabilísticos a 0.001.
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
Página 22 de 133
desventaja es que crean confusión con el personal y se incrementa el riesgo de
error tipo I (falsas alarmas).
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.
Para un proceso en control estadístico habrá un punto fuera de control normal por
cada 370 puntos para límites a tres sigma.
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.
Fecha Hora Cambio

9/10/2006 9:15AM Cambio de turno
9/10/2006 10:15AM Apagón de energía
Fig. 2.9 Bitácora de cambios en el proceso
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.
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.
Página 23 de 133
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6
productos consecutivos de producción, minimizando diferencias dentro del
subgrupo. En los procesos químicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL

Puntos fuera 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.
Fig. 2.10 Proceso con puntos fuera de control

Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o más
indican una situación fuera de control.
Fig. 2.11 Proceso fuera de control por tendencias

Corrimiento en la media del proceso: Esto puede ser generado por un cambio
en métodos, operadores, materias primas, métodos de inspección, etc.
Página 24 de 133
LSC
LC
LIC
Fig. 2.12 Patrón de anormalidad con corrimiento en media

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. 2.13 Patrón de anormalidad de “estratificación”

Patrones cíclicos: Otro patrón de inestabilidad se presenta cuando el
comportamiento del proceso muestra patrones cíclicos.
LSC
LC
LIC
Fig. 2.14 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.
Página 25 de 133
LSC
LC
LIC
Fig. 2.15 Patrón de anormalidad con mezcla de lotes
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.
Página 26 de 133
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.
2.5 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
variación. 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 27 de 133
Módulo 3. Cartas de control para
variables
Página 28 de 133
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
variación de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
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:


  Z  / 2 X    Z  / 2 (3.1)
n

  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:
Página 29 de 133
m
X
i 1
i
X  (3.2)
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:
m
R
i 1
i
R (3.4)
m
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)
Página 30 de 133
3R
Si de define a A2  se tienen las ecuaciones siguientes:
d2 n
LSC = X + A 2 R (3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
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 d
LSC = R + 3  R = R + 3 d 3 = R [ 1+ 3 3 ] = D4 R (3.11)
d2 d2
R d
LIC = R - 3  R = R - 3 d 3 = R [ 1- 3 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 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
Página 31 de 133
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 2.97
10 0.308 0.223 1.777 3.078
Para valores pequeños de n, el rango es un buen estimador de la variancia tal

como lo hace la variancia de la muestra S2. La eficiencia relativa del método del
rango a la S2 se muestra abajo:
n Eficiencia
1 1.000
2 0.992
3 0.975
4 0.955
5 0.930
6 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 32 de 133
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.
Carta X media – Rango en Minitab:

0. File > Open Worksheet Cartas_variables
1. Stat > Control Charts > X bar R
2. Single column Supp2 Subgroup size 5
3. Test Seleccionar Perform all eight tests
4. OK
¿esta el proceso en control estadístico?
Página 33 de 133
Xbar/R Chart for Supp2
603 1 1
UCL=602.4
Sample Mean
602
601
600 Mean=600.2
599
598 LCL=598.1
Subgroup 0 10 20
9
8 UCL=7.866
Sample Range
7
6
5
4 R=3.72
3
2
1
0 LCL=0
Figura 3.1 Carta de control de medias rangos–fuera de control

Como el proceso no está en control estadístico se procede a identificar las causas,
tomar acciones preventivas y se eliminan los puntos fuera de control.
5. Eliminar los puntos fuera de control (66 - 70) y (6 - 10)
asumiendo identificación de causas y toma de acciones preventivas
6. Control-E
7. OK
Xbar/R Chart for Supp2
602.5
UCL=602.1
601.5
Sample Mean
600.5
Mean=599.9
599.5
598.5
597.5 LCL=597.7
Subgroup 0 10 20
9
8 UCL=8.106
Sample Range
7
6
5
4 R=3.833
3
2
1
0 LCL=0
Figura 3.2 Carta de control de medias rangos en control

Correr las opciones siguientes:
8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Página 34 de 133
Xbar/R Chart for Supp2 by Grupo
1 2
603.5
1 UCL=603.1
602.5
601.5
Sample Mean
600.5 Mean=600.7
599.5
598.5 LCL=598.2
597.5
Subgroup 0 10 20
Hora 6:00:00 4:00:00
1 2
10
UCL=9.008
Sample Range
5
R=4.26
0 LCL=0
Figura 3.3 Carta de control de medias rangos por grupo
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 .
De esta forma la carta X monitorea la variación entre subgrupos respecto al

tiempo y la carta R monitorea la variación interna entre muestras en un tiempo
dado.
Página 35 de 133
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.
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  c4 = B6  LSCX =  + A (3.12)
LCs = c4 LC = 
LICs = c4 - 3  1  c4 = 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
(3.13)
__
S
  (3.14)
c4
Página 36 de 133
Como el estadístico S /c 4 es un estimador insesgado de , los parámetros de la
carta serán los siguientes:
S
LSCs = S  3 1  c42 = B4 S (3.15)
c4
LCs = S
S
LICs = S  3 1  c42 = 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 (3.16)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c 4, 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 1.3420 1.4270 0.0000 2.0890 0.0000 1.9640
6 0.9515 1.2250 1.2870 0.0300 1.9700 0.0290 1.8740
7 0.9594 1..134 1.1820 0.1180 1.8820 0.1130 1.8060
8 0.9650 1.0610 1.0990 0.1850 1.8150 0.1790 1.7510
9 0.9693 1.0000 1.0320 0.2390 1.7610 0.2320 1.7070
10 0.9727 0.9490 0.9750 0.2840 1.7160 0.2760 1.6690
11 0.9754 0.9050 0.9270 0.3210 1.6790 0.3130 1.6370
12 0.9776 0.8660 0.8860 0.3540 1.6460 0.3460 1.6100
13 0.9794 0.8320 0.8500 0.3820 1.6180 0.3740 1.5850
14 0.9810 0.8020 0.8170 0.4060 1.5940 0.3990 1.5630
15 0.9823 0.7750 0.7890 0.4280 1.5720 0.4210 1.5440
16 0.9835 0.7500 0.7630 0.4480 1.5520 0.4400 1.5260
17 0.9845 0.7280 0.7390 0.4660 1.5340 0.4580 1.5110
18 0.9854 0.7070 0.7180 0.4820 1.5180 0.4750 1.4960
19 0.9862 0.6880 0.6980 0.4970 1.5030 0.4900 1.4830
20 0.9869 0.6710 0.6800 0.5100 1.4900 0.5040 1.4700
21 0.9876 0.6550 0.6630 0.5230 1.4770 0.5160 1.4590
22 0.9882 0.6400 0.6470 0.5340 1.4660 0.5280 1.4480
Página 37 de 133
23 0.9887 0.6260 0.6330 0.5450 1.4550 0.5390 1.4380
24 0.9892 0.6120 0.6190 0.5550 1.4450 0.5490 1.4290
25 0.9896 0.6000 0.6060 0.5650 1.4350 0.5590 1.4200
Corrida con Minitab:

1. Stat > Control Charts > X bar S
2. Single column Supp1 Subgroup size 10
3. Test Seleccionar Perform all eight tests
4. OK
¿esta el proceso en control estadístico?
Xbar/S Chart for Supp1
1
602
Sample Mean
601
UCL=600.6
600
Mean=599.8
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
1
3
Sample StDev
2
UCL=1.443
1
S=0.8409
LCL=0.2386
0
Figura 3.4 Carta de control de medias desviaciones estándar X-S

Si no está en control identificar causas, tomar acciones y recalcular límites de
control.
Hacer una corrida por grupos indicando la hora en Minitab:
1. Control E
8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Página 38 de 133
Xbar/S Chart for Supp1 by Grupo
1 2
1
602
Sample Mean
601
600 UCL=600.1
Mean=599.5
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Hora 0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
1 2
1
3
Sample StDev
1 UCL=0.9137
S=0.5323
0 LCL=0.1510
Figura 3.5 Carta de control de medias desviaciones estándar

X-S por grupo y estampando la hora.
3.4 CARTAS PARA DATOS 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.
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 .
Página 39 de 133
Para este caso, los límites de control para la carta X son:
MR
LSCx = X  3
d2
__
LCx = X (3.17)
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.
I and MR Chart for X-ind.
35
UCL=34.80
Individual Value
34
Mean=33.52
33
LCL=32.24
32
Subgroup 0 5 10 15
1.5 UCL=1.571
Moving Range
1.0
0.5 R=0.4807
0.0 LCL=0
Figura 3.6 Carta de control de lecturas individuales y rango móvil I-MR

El proceso está en control estadístico.
Página 40 de 133
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 CEP multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de
atributos, tal como la media del proceso y su variación, 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.
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.
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, aplicando la carta de control (OCAP).
5. Seleccionar el sistema de colección de datos y software de CEP.
Página 41 de 133
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.
2. El proceso ha estado mostrando un comportamiento inconsistente crónico.
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 operación.
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 ante el gobierno
8. Mejora de procesos de proveedores. Reducir su variación a través de centrar
su proceso y tomar acciones correctivas.
9. Selección de equipo productivo a través de demostración de su capacidad
antes de su embarque.
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.
Página 42 de 133
Módulo 4. Cartas de control para
atributos
Página 43 de 133
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 o servicio completo se
clasifica como conforme o no conforme a especificaciones y/o estándares, es

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

Puede ser reparado o desperdicio.
Para controlar productos defectuosos o no conformes, se utiliza la carta de control

p de fracción defectuosa o la np para el número de defectuosos 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. 4.2 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 44 de 133
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 o servicio 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 defectuosa 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 variancia  w2 , los límites
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
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:
Página 45 de 133
__ __
__
p (1  p )
LSCp = p  3
n
__
LCp = p (4.5)
__ __
__
p (1  p )
LICp = p  3
n
Durante la operación, se toman muestras de n unidades, se calcula la fracción

defectuosa pi y se grafica 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 defectuosa 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 son unidades no conformes en la muestra i , la
fracción defectuosa de la muestra i - ésima estará dada como:
pi = Di / 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
i 1
p
i 1
i
p  (4.7)
mn 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 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.
Página 46 de 133
Ejemplo 4.1 Para un servicio de mantenimiento se tomaron
datos de 30 muestras de 50 servicios contabilizando las
quejas en cada uno como sigue:
No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 quejas o servicios no

conformes, se estima p como sigue:
m m
D
i 1
i p
i 1
i
347
p  = = 0.2313
mn m (30)(50)
Los límites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
¿Esta en control estadístico?

Si no eliminar puntos fuera de control y recalcular límites de control
Página 47 de 133
P Chart for No confo
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Fig. 4.3 Carta de control P para la fracción de servicios no

conformes.
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 método 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
LICp = 0.0407
Página 48 de 133
1
0.4 UCL=0.3893
0.3
Proportion
P=0.215
0.2
0.1
LCL=0.04070
0.0
0 10 20 30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:

0.4
UCL=0.3804
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Ahora el proceso está en control estadístico y es normal.
4.3 CARTA DE CONTROL np
Página 49 de 133
En lugar de tener fracciones no conformes, si el tamaño de muestra es constante,
se pueden utilizar directamente el número de artículos defectuosos 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 defectuosos 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 datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
NP Chart for No confo

20
UCL=19.02
SampleCount
10 NP=10.41
LCL=1.795
0
0 10 20 30
Sample Number

conformes
Página 50 de 133
4.4 TAMAÑO DE MUESTRA VARIABLE
En algunas aplicaciones para la fracción defectuosa, la muestra es la inspección
100% de los servicios proporcionados 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
defectuosa 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 defectuosos del
día.
n-var nodef Fra-def LSC LIC

100 12 0.12 0.183686 0.0073347 0.0293918
80 8 0.1 0.194093 -0.003073 0.0328611
80 6 0.075 0.194093 -0.003073 0.0328611
100 9 0.09 0.183686 0.0073347 0.0293918
110 10 0.090909 0.179582 0.0114382 0.028024
110 12 0.109091 0.179582 0.0114382 0.028024
100 11 0.11 0.183686 0.0073347 0.0293918
100 16 0.16 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 0.028024
120 15 0.125 0.176003 0.0150173 0.026831
120 9 0.075 0.176003 0.0150173 0.026831
120 8 0.066667 0.176003 0.0150173 0.026831
110 6 0.054545 0.179582 0.0114382 0.028024
80 8 0.1 0.194093 -0.003073 0.0328611
80 10 0.125 0.194093 -0.003073 0.0328611
80 7 0.0875 0.194093 -0.003073 0.0328611
90 5 0.055556 0.188455 0.0025651 0.0309817
100 8 0.08 0.183686 0.0073347 0.0293918
100 5 0.05 0.183686 0.0073347 0.0293918
100 8 0.08 0.183686 0.0073347 0.0293918
Página 51 de 133
100 10 0.1 0.183686 0.0073347 0.0293918
90 6 0.066667 0.188455 0.0025651 0.0309817
La fracción defectuosa media se calcula como sigue:
25
D
i 1
i
234
p 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

2. Variable Nodef Subgroups in n-var
3. OK
P Chart for nodef
0.2
UCL=0.1882
Proportion
0.1 P=0.09534
0.0 LCL=0.002468
0 5 10 15 20 25
Sample Number

Se observa que la muestra 11 está fuera de control.
Página 52 de 133
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 1
i
2450
n   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
2. Variable Nodef Subgroups size 98
3. OK
Otra vez de la gráfica se observa que el punto 11 está fuera de control.
Página 53 de 133
P Chart for nodef
1
0.2
UCL=0.1848
Proportion
0.1 P=0.09566
LCL=0.006529
0.0
0 5 10 15 20 25
Sample Number
Fig. 4.8 Carta de control P con n promedio
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:
pi  p
Zi  (4.13)
p (1  p)
ni
donde p (o p si no hay estándar) es la fracción defectuosa 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, con Minitab graficando Z estandarizada.
1. Stat > Control Charts > I Chart
2. Variable Z-Estand
3. Historical Mean 0 Historical sigma 1
4. OK
Frac.-
n-var nodef def LSC LIC Desv-est. Z-Estand
100 12 0.12 0.183686 0.0073347 0.0293918 0.81655
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
Página 54 de 133
80 6 0.075 0.194093 -0.003073 0.0328611 -0.63905
100 9 0.09 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.028024 -0.18166
110 12 0.109091 0.179582 0.0114382 0.028024 0.46713
100 11 0.11 0.183686 0.0073347 0.0293918 0.47632
100 16 0.16 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 0.028024 3.06231
120 15 0.125 0.176003 0.0150173 0.026831 1.08084
120 9 0.075 0.176003 0.0150173 0.026831 -0.78268
120 8 0.066667 0.176003 0.0150173 0.026831 -1.09326
110 6 0.054545 0.179582 0.0114382 0.028024 -1.47925
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 10 0.125 0.194093 -0.003073 0.0328611 0.8825
80 7 0.0875 0.194093 -0.003073 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.05 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.1 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
90 9 0.1 0.188455 0.0025651 0.0309817 0.12911
I Chart for Z-Estand

4
1
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
-4
0 5 10 15 20 25
Observation Number
Fig. 4.9 Carta de control P estandarizada
En todos los casos el punto 11 está fuera de los límites de control. Con límites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
Página 55 de 133
identificar curva característica de operación, lo que no puede hacerse con la carta
de límites de control variables.
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 )  (4.15)
x!
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 56 de 133
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 4.8 Para el número de no conformidades observadas en

26 unidades de inspección sucesivas de 100 muestras de
circuitos impresos, se obtuvieron los datos siguientes:
Defectos Defectos
21 16
24 19
16 10
12 17
15 13
5 22
28 18
20 39
31 30
25 24
20 16
24 19
15 17
Donde,
LSC = 33.22
Página 57 de 133
LC = 516 / 26 = 19.85 = c
LIC = 6.48
De la carta de control preliminar, se observa que hay 2

puntos fuera de control, el 6 y el 20.
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
C Chart for Defectos
40 1
UCL=33.21
30
Sample Count
20 C=19.85
10
LCL=6.481
1
0
0 10 20
Sample Number
Fig. 4.10 Carta de control C de número de defectos fuera

control
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 58 de 133
35
UCL=32.97
Sample Count
25
C=19.67
15
LCL=6.363
5
0 5 10 15 20 25
Sample Number
Fig. 4.11 Carta de control C de número de defectos en control

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.
n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Página 59 de 133
35
UCL=31.84
Sample Count
25
C=18.82
15
5 LCL=5.808
0 5 10 15 20 25 30 35
Sample Number
Fig. 4.12 Carta de control C con datos del siguiente periodo
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.
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 60 de 133
Fig. 4.13 Gráfica de Pareto de los defectos principales
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.
Fig. 4.14 Diagrama de Ishikawa para resolver el problema
Página 61 de 133
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 n c
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):
LSC nc  nc  3 nc
LC nc  n c (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  n c = (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
Página 62 de 133
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
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 4.9 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.
DefectosU DefectosU
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
Página 63 de 133
La carta de control queda como sigue:
U Chart for Defectos

4
UCL=3.794
3
Sample Count
2 U=1.93
0 LCL=0.06613
0 10 20
Sample Number
Fig. 4.15 Carta de Control U con unidades de insp. constantes

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 64 de 133
Ejemplo 4.10 En una planta textil, se inspeccionan defectos
por cada 50m2 los datos se muestran a continuación.
No
UnidadesInsp Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 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.
U Chart for No Conf.

3
UCL=2.436
Sample Count
U=1.423
LCL=0.4110
0 1 2 3 4 5 6 7 8 9 10
Sample Number
Página 65 de 133
Fig. 4.16 Carta de Control U con Unidades de insp. variables
Existen otras dos alternativas para el manejo de la carta u con n variable:

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  (4.23)
u
ni
Ejemplo 4.10 (Cont...) Estandarizando la carta se tiene:
UIvar NoConUv Sigmau Z DUvar

10 14 0.37417 -0.0535 1.4
8 12 0.43301 0.18475 1.5
13 20 0.34401 0.34435 1.53846
10 11 0.33166 -0.9648 1.1
9.5 7 0.2785 -2.453 0.73684
10 10 0.31623 -1.3282 1
12 21 0.38188 0.86414 1.75
10.5 16 0.38095 0.2725 1.52381
12 19 0.36324 0.44965 1.58333
12.5 23 0.38367 1.0947 1.84
La carta de control estandarizada para U, se encuentra en

control estadístico como se muestra abajo.
Página 66 de 133
I Chart for Z
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
0 1 2 3 4 5 6 7 8 9 10
Observation Number
Fig. 4.17 Carta de Control U estandarizada
Módulo 5. Cartas de control

especiales
Página 67 de 133
5. OTRAS CARTAS DE CONTROL ESPECIALES
5.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS
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 TA = 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 2
2 A 49 50 51 -1 0 1 0 2
3 A 48 49 52 -2 -1 2 -0.33 4
4 A 9 53 51 -1 3 1 1 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 2
9 B 24 25 25 -1 0 0 -0.33 1
10 B 26 24 25 1 -1 0 0 2
Ver carta en la página siguiente.
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.
Página 68 de 133
3. La media utilizada debe ser la media de las especificaciones, a excepción de
cuando se tiene sólo un límite de especificación.

Stat > Control charts > Xbar R Subgroups across rows of D1 - D3
Xbar/R Chart for D1-D3
3 UCL=2.929
Sample Mean
2
1
0 Mean=0.1667
-1
-2
LCL=-2.596
-3
Subgroup 0 1 2 3 4 5 6 7 8 9 10
8
7 UCL=6.950
Sample Range
6
5
4
3 R=2.7
2
1
0 LCL=0
Figura 5.1 Carta de control DNOM
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 69 de 133
Se toman de datos históricos o de especificaciones para el rango, o se puede
estimar de  con R i  Sd 2 sus límites de control son D3 y D4. Para la media

c4
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 = A 2 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
Página 70 de 133
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA
MÚLTIPLE
Se utiliza para procesos con muchos flujos, por ejemplo diversas válvulas que en
principio producen suponen flujos similares. El usar una carta de control para cada
flujo por separado sería prohibitivo, sin embargo se tiene la alternativa de ésta
carta de control siempre que la producción entre husillos no esté correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variación inherente. Para establecer una carta de control
grupal, el muestreo se realiza como si se fueran a establecer cartas separadas
para cada flujo. Por ejemplo si de cada flujo s = 6 se toman n = 4 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 (5.4)
 _ _
LSCX = X + A 2 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 los flujos, 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 flujo 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.
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
Página 71 de 133
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  (5.5)
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
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
Página 72 de 133
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 ) (5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos químicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrará una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posición ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al día durante el
primer periodo de tiempo y después 10 al día en un siguiente periodo de tiempo.
Al llevar una carta X – R en el subgrupo no se encontró una causa asignable,

ahora se desea tratar de detectar corridas pequeñas en la media.
Corrida en Minitab
1 File > Open Worksheet > Data > CRANKSH.MTW.
2 Stat > Control Charts > CUSUM.
3 In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
Página 73 de 133
Xbar/R Chart for AtoBDist
5 UCL=4.802
Sample Mean
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Figura 5.2 Carta de control X media – R

Se puede observar que no detecta ninguna situación anormal
CUSUM Chart for AtoBDist
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Figura 5.3 Carta de control Cusum

Se puede observar que detecta una situación anormal debido a
un corrimiento lento de la media del proceso.
Página 74 de 133
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 (5.7)
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
Si las observaciones xi son variables aleatorias independientes con variancia 2 ,

entonces la variancia de zi es:
  
 zi2    
 1  (1   )
2i
 (5.8)
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
 (5.9)
 
LC   0 (5.10)
  
LIC   0  L  
 1  (1   )
2i
 (5.11)
2 
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 (5.12)
2
LC   0 (5.13)

LSC   0  L (5.14)
2
Página 75 de 133
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
límites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los límites
entre L = 2.6 y 2.8.
Ejemplo 5.2 Utilizando los datos de la carta Cusum con  =

0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la carta EWMA
mostrada en la página siguiente.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
5. S Limits Sigma Limits 2.7
6. OK.
EWMA Chart for AtoBDist
1 2.7SL=0.9670
EWMA
0 Mean=0
-1 -2.7SL=-0.9670
0 5 10 15 20 25
Sample Number
Figura 5.4 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:
x i  x i 1  .....  xi  w1
Mi  (5.15)
w
Página 76 de 133
Los límites de control son:
3
LSC   0  (5.16)
w
LC   0 (5.17)
3
LIC   0  (5.18)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el
estadístico Mi para periodos i  5.
x i  x i 1  ....x i  4
Mi  (5.19)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media móvil para los datos del ejemplo
anterior con un tamaño de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Moving Average Chart for AtoBDist
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Figura 5.5 Ejemplo de carta de control de Media móvil
Página 77 de 133
5.9 CEP CON DATOS CORRELACIONADOS
Los supuestos de la carta de control de Shewhart en control es que los datos

generados por un proceso tienen una distribución normal y son independientes
unos de otros.
En muchos procesos actúan elementos inerciales que hacen que los datos estén
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeños respecto a esas fuerzas.
En algunos procesos donde por cuestiones de inercia de cambio en parámetros

como en los procesos químicos, cuando los intervalos entre muestreos son
pequeños en relación a esas fuerzas, las observaciones del proceso estarán
correlacionadas en el tiempo
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
Si se toman muestras en intervalos t, entoces observamos las xt:

x t  awt  (1  a ) x t 1
T  V / f ;V  volumen; f  flujo
a  1  e  t / T
La autocorrelación entre valores sucesivos de xt (xt y xt-1 ) está dado por:
  1  a  e  t / T
Si t es mucho más grande que T,  = 0, por ser las observaciones no

correlacionadas.
Página 78 de 133
Ejemplo: Calcular  para el caso de t/T<=1. 0.5, 0.25, 0.1.
Cuando t/T<= 0.25 la autocorrelación puede incrementar las falsas alarmas de

la carta de control. Por ejemplo para la viscocidad se tiene:
Xi
Viscocidad en tiempo t (Xt)
*
* *
* * Correlación positiva
* **
* *
Viscocidad en tiempo t-1 (Xt-1)
La función de autocorrelación para la serie de datos de serie de tiempo es:
_
Cov( x t , x i  k  x)
k  , k  0,1,....
V ( xt )
Se considera que Cov es la covariancia de las observaciones que están

separadas k periodos, asumiendo que las observaciones tienen una variancia
constante dada por V(xt). Normalmente la función de autocorrelación de la muestra
se estima con:
nk _ _
 (x
i 1
t  x)( x t  k  x)
rk  n _
, k  0,1,....K
2
 (x
t 1
t  x)
Como regla general, es necesario calcular valores de rk
Página 79 de 133
Para algunos valores de k, k<=n/4, se pueden calcular por software.
Una gráfica que muestra rk, retrazo en k, puede mostrar la función de

autocorrelación, si una barra excede los límites de control, se identifica que existe
correlación.
Ejemplo 5.4 para las Concentraciones tomadas en un proceso

204 195 192 204 212 202 199 196 197 210 194
202 189 195 207 214 195 201 193 196 210 198
201 195 190 209 210 196 198 193 202 198 196
202 192 196 205 208 203 202 198 200 194
197 196 199 202 208 196 207 194 202 192
201 194 203 200 209 197 204 198 202 189
198 196 199 208 209 197 210 199 207 188
188 199 207 214 206 203 197 204 206 189
195 197 204 205 200 205 189 200 211 194
189 197 207 211 203 194 189 203 205 194
Se obtiene una gráfica de dispersión tomado Yi vs Yi-1 como sigue:
Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
S = 4.37364 R-Sq = 53.9 % R-Sq(adj) = 53.4 %
210
Concentr
200
190
190 200 210
Conc_1
Figura 5.6 Mediciones de viscosidad autocorrelacionadas
Se observa que hay una cierta correlación entre las mediciones distanciadas en un
periodo.
Página 80 de 133
La autocorrelación de una serie de observaciones con una orientación en el
tiempo (series de tiempo) se mide con la función de Autocorrelación:
k = Cov(Xi, Xi-k) / V(Xi) para K = 0, 1, 2, …..

Donde Cov(Xi, Xi-k) es la covariancia de las observaciones que están separadas k
periodos de tiempo en el supuesto que las observaciones tienen la misma
variancia, por lo general los valores de Ro se estiman con la función de
autocorrelación muestral.
Se obtiene ahora la función de autocorrelación muestral para los datos de

concentración en Minitab como sigue:
Stat > Time series > Autocorrelation Series Concentración Default Number of Lags OK
Autocorrelation Function for Concentr

1.0
Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
5 15 25
Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.73 7.47 57.47 8 0.08 0.42 161.31 15 -0.09 -0.44 163.68 22 -0.17 -0.85 189.22
2 0.63 4.48 100.71 9 0.06 0.30 161.71 16 -0.11 -0.54 165.10 23 -0.18 -0.88 193.68
3 0.51 3.08 129.38 10 -0.02 -0.08 161.75 17 -0.14 -0.72 167.63 24 -0.08 -0.39 194.59
4 0.41 2.28 148.12 11 0.01 0.06 161.76 18 -0.19 -0.98 172.41 25 -0.08 -0.36 195.38
5 0.27 1.42 156.23 12 0.04 0.21 161.96 19 -0.20 -1.02 177.76 26 -0.09 -0.46 196.65
6 0.16 0.85 159.27 13 0.07 0.34 162.49 20 -0.18 -0.91 182.16
7 0.11 0.54 160.52 14 -0.05 -0.23 162.75 21 -0.15 -0.74 185.19
Figura 5.7 Determinación de la función de autocorrelación
Las líneas discontinuas son los límites de dos sigmas para el parámetro de
autocorrelación Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeño de la carta de
control, un muestreo menos frecuente eliminaría la autocorrelación pero se
perdería información. A continuación se muestran las cartas I-MR y EWMA:
Página 81 de 133
I and MR Chart for Concentr
215 1 1
11 1
Individual Value
UCL=210.1
205
Mean=200.0
195
LCL=189.9
1 11 11 111
185
Subgroup 0 50 100
15
1
UCL=12.36
Moving Range
10
5
R=3.784
0 LCL=0
Figura 5.8 Comportamiento de la carta I-MR con datos

autocorrelacionados
EWMA Chart for Concentr

210
205
2.7SL=203.0
EWMA
200 Mean=200.0
-2.7SL=197.0
195
0 50 100
Sample Number
Figura 5.9 Comportamiento de la carta EWMA con datos

autocorrelacionados
Ahora se aplica un modelo autoregresivo de primer orden definido por la ecuación
de regresión anterior a los residuales del modelo.
Corrida con Minitab: Stat > Time series > ARIMA Indicar 1 en Autoregressive No seasonal OK
Página 82 de 133
Time Series Plot for Concentr
210
Concentr
200
190
10 20 30 40 50 60 70 80 90 100
Time
Figura 5.10 Comportamiento de la carta de Series de Tiempo

con datos autocorrelacionados
Histogram of the Residuals

(response is Concentr)
20
Frequency
10
-10 -8 -6 -4 -2 0 2 4 6 8
Residual
Figura 5.11 Histograma de los residuales con el modelo ARIMA

de grado 1
Página 83 de 133
I and MR Chart for RESI1
20
UCL=14.43
Individual Value
10
0 Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup 0 50 100
20
UCL=17.79
Moving Range
10
R=5.443
0 LCL=0
Figura 5.12 Carta de control I-MR para los residuales

del modelo autoregresivo:
Concentr = 52.906 + 0.7356 Conc_1 S = 4.37364 R-Sq = 53.9%
O la Carta EWMA de los residudales:
EWMA Chart for RESI1

5
2.7SL=4.295
4
3
2
1
EWMA
0 Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0 50 100
Sample Number
Figura 5.13 Carta de control EWMa para los residuales

del modelo autoregresivo:
Muestra control estadístico.
Página 84 de 133
5.10 CARTAS DE CONTROL MULTIVARIADO
Hay situaciones donde es necesario el control de dos o más características al

mismo tiempo, por ejemplo en un balero donde influyen el diámetro interior y el
exterior para que funcione adecuadamente. Para eso es necesario un control
multivariado como el propuesto por Hotelling3.
Carta de control chi-cuadrada

En el caso del control de medias el estadístico a graficar es un 2 con 2 grados de
libertad:
n  2 __ __ __ __
2
 02  2 2 2 2 2
 2 ( X 1  1 )   1 ( X 2   2 )  2 12 ( X 1  1 ) ( X 2   2 ) 
    122
2
1
2
2  
El Límite Superior de Control LSC = 2.2 que es el punto superior para el área (1-
). Si al menos una media se sale de control, la probabilidad de que el estadístico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__ __
X 1 , X 2 son independientes se tendrá una elipse con centro en (1, 2) y ejes
__ __ __ __
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 ) dan
un valor de 2 que caiga dentro de la elipse, indica que el punto está dentro de
control, de esta forma se tiene una elipse de control.
Página 85 de 133
Región de control
*** X1
*****
*****
Fig. 5.14 Elipse de control para variables

independientes
Figura 5.15 Elipse de control para variables

dependientes
X2
__ __
Si 12  0 las 2 características X 1 , X 2 son dependientes y la elipse de control
estará inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todavía esté en control a nivel de cartas X  R individuales.
Estas cartas se denominan cartas de control chi-cuadrada, las cuales tienen 2

desventajas: 1) la secuencia de los puntos graficados se pierde y 2) la dificultad de
construir la elipse para más de 2 características de calidad. Sin embargo una
ventaja importante que tienen, es que con un solo número se pueden controlar
varias (p) características de calidad en forma conjunta.
Página 86 de 133
Para evitar las dificultades anteriores, es usual graficar los valores de  02
correspondientes a cada muestra, en una carta de control, denominada carta de

control chi-cuadrada, ésta preserva la secuencia de los datos de tal forma que se
puedan investigar corridas y otros patrones no aleatorios. Además sólo requiere
un solo número para controlar el proceso, muy útil cuando hay dos o más
características de interés.
El límite de control superior es:

LSC   2. p
LSC = 2.2
20
1 2 3 4 5 6 7 8 9
Figura 5.16 Carta de control chi-cuadrada para p = 2
características de calidad
La carta de control T2

Si en la ecuación anterior para Chi-cuadrada se reemplaza  por X y 2 por S 2
tenemos el estadístico T2 .
_  _ 
1
T 2  n( x  X )'  ( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aquí se establecen los
límites de control para la fase 2, con los cuales se monitorea la producción.
Página 87 de 133
Los límites de control para la fase I son:
p (m  1)( n  1)
LSC  F , p , mn  m  p 1
mn  m  p  1
LIC  0
y para la fase II:
p ( m  1)(n  1)
LSC  F , p , mn  m  p 1
mn  m  p  1
LIC  0
Es común usar el Límite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los límites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con más de 50 muestras.
Ejemplo 5.5: se desean controlar en forma conjunta las características de

calidad resistencia a la tensión y el diámetro de una fibra textil. Se ha decidido
usar una muestra de 10 fibras (n = 10), se toman 20 muestras preliminares,
calculando lo siguiente:
   2  
2 2
X 1
 115.59 psi;X 2
 0.0106" ;S 1  1.23 psi;S 2  0.83" , S 12  0.79
Con estos valores se calcula el estadístico T2 y se va graficando en una carta de control.
__ __ __
10  2
T2   ( 0.83)( X 1  115.59) 2
 1. 23( X 2  1.06) 2
 2( 0.79)( X 1  115. 59) 2
( X 2  1.06) 
(1.23)(0.83)  0.79  
Si se considera un error tipo I  = 0.001, el límite superior de control LSC es:

2( 20  1)(10  1) 342
LSC  F0.001, 2, 20 (10 )  20  2 1  F0.001, 2 ,179 (1.91)(17.18)  13.72
( 20)(10)  20  2  1 179
LSC = 13.72
Página 88 de 133
T2
Figura 5.17 Ejemplo de Carta de control multivariada
No muestra puntos fuera de control. Los límites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que está cercano a los
límites de control de las fases I y II.
Uno de los métodos para identificar que característica se encuentra fuera de


control es llevar cartas X  R adicionales con límites de control en Z  / 2 p para
reducir el número de falsas alarmas. Otro método es descomponer el estadístico

T2 en componentes que reflejen la contribución de cada variable, T(i2) es el valor del
estadístico para todas las variables excepto la (i-ésima), por tanto:
di = (T2 - T(i2) )
Es un indicador de la contribución relativa de la variable i al estadístico, cuando se

presenta una situación fuera de control, se recomienda calcular di para i =1,2 y
enfocarse al que tenga el valor mayor.
El caso de n = 1
En industrias químicas y de proceso, es normal tener una sola muestra donde
medir las diferentes características, el estadístico T2 se transforma en:
 
T 2  ( x  x )' S 1 ( x  x )
Página 89 de 133
Los límites para la fase II son:
p (m  1)( n  1)
LSC  F , p ,m  p
m 2  mp
LIC  0
Cuando se toman más de 100 muestras preliminares los límites preliminares son:
p (m  1)(n  1)
LSC  F , p , m  p ; o LSC = 2.2
m p
LIC  0
5.11 CARTAS DE CONTROL I-MR DE DIFERENCIAS ENTRE

VALOR DE REFERENCIA Y VALOR REAL
Cuando la referencia de las mediciones individuales de la carta de control se
mueven en relación a una referencia, se sugiere graficar no el valor individual, sino
las diferencias que se presentan respecto al valor objetivo ideal en una carta de
control I-MR.
I and MR Chart for Response
1.3
1.2 UCL=1.188
Individual Value
1.1
1.0
0.9
0.8 Mean=0.8075
0.7
0.6
0.5
0.4 LCL=0.4266
11
0.3
Subgroup 0 10 20 30 40 50 60
0.6 1
1
1 1 1
Moving Range
0.5
UCL=0.4679
0.4
0.3
0.2
R=0.1432
0.1
0.0 LCL=0
Figura 5.18 Ejemplo de Carta de control de diferencias
Página 90 de 133
Módulo 6. Análisis de Capacidad
de los procesos
Página 91 de 133
6. ANÁLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la
variación 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.
 Variación natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variación, 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 variación natural.
La aplicación del análisis de capacidad de los procesos tiene los objetivos

siguientes:
1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.
Página 92 de 133
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 variación de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la

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

2. La variación 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 93 de 133
.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.
LIE LSE
s _
xi
p X
Fig. 6.2 Fracción defectuosa 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.
Página 94 de 133
Para solucionar este problema, podemos reducir la desviación estándar.
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

supuestos:
 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 variación 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.
Página 95 de 133
 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.
 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 variación:
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 Variación 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 96 de 133
Fig. 6.5 Variación 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 97 de 133
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%
Cuando sólo existe un límite de especificaciones, el índice de capacidad potencial

Cp o PCR se define como:
Página 98 de 133
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  PCRI    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 defectuosas 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
1.10 484 967
1.20 159 318
Página 99 de 133
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 100 de 133

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( PCR S , PCR I )  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:
Frec.
a)
Microdureza
Página 101 de 133

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.
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)

Página 102 de 133

Se tiene,
LSE  LIE LSE  LIE LSE  LIE
Cp km  PCRkm    (6.10)
6 2
6   (  T ) 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
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
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.
6.3 CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL

Página 103 de 133
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
variación 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.
?
? ?
? ?
? ?
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

Página 104 de 133
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)

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.
El C pk 
200  264.06 = 0.64 por tanto el proceso no cumple con las
3  33.23
especificaciones.
Página 105 de 133

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.
El C pk 
105  100  1.492
3  1.117
El C p 
105  85  2.984
6  1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
6.4 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
Página 106 de 133

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
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.
Página 107 de 133

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
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:
Página 108 de 133

Process Capability of Datos
LSL USL
P rocess Data 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 CPL 0.75
CPU 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
PP L 0.75
PP U 0.66
P pk 0.66
C pm *
210 240 270 300 330 360

O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LS L 10000.00 P P M < LS L 12353.30 P P M < LS L 12272.69
P P M > U S L 30000.00 P P M > U S L 24415.36 P P M > U S L 24288.79
P P M T otal 40000.00 P P M Total 36768.66 P P M T otal 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.
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
Página 109 de 133

5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Process Capability Sixpack of Datos

I C har t C apability 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 C apability 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
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
Página 110 de 133

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 111 de 133

Process Capability of Datos1
Calculations Based on Weibull Distribution Model
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * P PL *
USL 3.50000 P PU 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 Ppu4 = 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.
6.5 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN
Página 112 de 133

6.5.1 ERROR DEL EQUIPO DE MEDICIÓN
En cualquier problema que involucre mediciones, de la variación total parte de la
variación observada es debida al producto mismo y parte es debida a la variación
del equipo de medición, o sea:
2
 total   2producto   equipo
2
. medición (6.13)
6.5.2 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
4
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Página 113 de 133

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
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
Página 114 de 133

 Valor verdadero: Valor correcto teórico / estándares NIST
 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 115 de 133

 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 variación del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
>30%. ¡Inaceptable!
Página 116 de 133

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

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.
Página 117 de 133

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
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 variancias en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
Página 118 de 133

 El Método ANOVA es más preciso
Ejemplo 6.1: 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
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:
Página 119 de 133

R 1
 mediciòn =   0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
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 variancia 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
Página 120 de 133

Por lo tanto la desviación estándar del proceso = 2.93
El error de medición es expresado como un porcentaje de la variación del proceso:
 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.
Ejemplo 6.2: 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
Los resultados se muestran a continuación: 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
Página 121 de 133

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
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Study Var %Study Var %Tolerance

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
Reproducibility 0.0000000 0.0000000 0.00 0.00
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.
Página 122 de 133

Gage R&R (ANOVA) for Datos
Reported by :
G age name: Tolerance:
D ate of study : M isc:
Components of Variation Datos by Partes

80 0.006
% Cont ribution
% Stud y Var
Percent
% Tole rance
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
Operad ores
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.

Estudios de R&R por atributos
Ejemplo 6.3: Una empresa está entrenando a cinco evaluadores para un
producto. Se requiere determinar la habilidad de los evaluadores para calificar el
producto de forma que sea consistente con los estándares. Cada uno de los
evaluadores califica 15 productos en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo 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
Montgomery 1 2 2
Página 123 de 133

Holmes 1 2 2
Duncan 1 1 2
Hayes 1 2 2
Simpson 2 -1 -1
Montgomery 2 -1 -1
Holmes 2 -1 -1
Duncan 2 -2 -1
Hayes 2 -1 -1
Simpson 3 1 0
Montgomery 3 0 0
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomery 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomery 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Montgomery 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomery 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomery 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomery 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomery 10 1 1
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomery 11 -2 -2
Holmes 11 -2 -2
Página 124 de 133

Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomery 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomery 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomery 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomery 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)
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)
Página 125 de 133
# 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
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
* NOTE * Single trial within each appraiser. No percentage of

assessment agreement within appraiser is plotted.
Página 126 de 133

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.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento

adicional.
Página 127 de 133

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 128 de 133

APÉNDICES
Página 129 de 133

FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

CARTAS Xbarra-R
Límites de control para medias n =5
LSC = X + A 2 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 130 de 133

CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
Di
pi 
ni
m m
 Di
i 1
p
i 1
i
p 
mn m
__ __
__
p (1  p )
LSCp = p  3
n
__
LCp = p
__ __
__
p (1  p )
LICp = p  3
n
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
Página 131 de 133

CARTAS u
c
u
n
Donde u representa el número promedio de no conformidades por unidad en un
conjunto de datos preliminar
u
LSCu  u  3
n
LC u  u
u
LSC u  u  3
n
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
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
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
Página 132 de 133

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 133 de 133

Material de Apoyo Caliba CEP

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Material de Apoyo Caliba CEP

Cargado por

Copyright:

Formatos disponibles

CONTROL

Preparado para CALIBA

Control de calidad por inspección

Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control

alternativa a la inspección 100% al producto terminado, sin embargo su adopción

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

y se identifican las oportunidades de mejora. Se establecen sistemas de medición

En los años recientes, empresas de alta tecnología como Motorola, General

Fig. 1.1 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.

a) Proceso fuera de control b) Proceso en control

Fig. 1.2 Comportamiento de procesos en control y fuera de control

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. 1.3 Carta de control de Shewhart y sus límites de control

INSUMOS DEL PROCESO Y CARACT. DE CALIDAD

Fig. 1.4 Proceso de producción, entradas y salidas

El principal método para diseñar experimentos es el diseño factorial, en el cual los

El monitoreo en el proceso de las variables relevantes que afectan las

MUESTREO PARA LA ACEPTACIÓN

Tiene las siguientes ventajas:

Entre sus desventajas se encuentran:

El muestreo de aceptación tiende a reforzar la conformidad con las

Fig. 1.5 Evolución de la aplicación de métodos estadísticos

2.1 CONCEPTOS BÁSICOS

Fig. 2.1 Curva de distribución normal

Propiedades de la distribución normal

La distribución normal tiene muchas propiedades útiles, una de estas se refiere al

Por ejemplo tomando 300 datos individuales se tiene:

Fig. 2.2 Distribución de la población – No normal

Seleccionando muestras de tamaño n y calculando la X-media o promedio en cada

Población con media  y desviación estándar  y cualquier distribución.

Fig. 2.3 Distribución de las medias muestrales

En general si las xi están distribuidas en forma idéntica y su distribución se

COMPROBACIÓN DEL TEOREMA DEL LÍMITE CENTRAL

Paso 1. Hacer una sola columna de datos en Datos (C1)

Paso 2. Hacer un histograma de 5 celdas con la columna Datos

Paso 3. Hacer prueba de normalidad con la columna Datos

Paso 4. Calcular en Medias (C7) el promedio de los datos de cada renglón

Paso 5. Hacer un histograma de 5 celdas con la columna Medias

2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES

La variación natural siempre existe en cualquier proceso de producción, no

SI LAS VARIACIONES PRESENTES SON IGUALES,

Fig. 2.4 Proceso en control, solo causas comunes presentes

De la figura cuando el proceso está en control, la mayor parte de la producción se

El Objetivo del CEP es la detección oportuna de la ocurrencia de causas

EN CASOS ESPECIALES COMO ESTOS

Fig. 2.5 Proceso fuera de control, por causas especiales o asignables a

2.3 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL

Una carta típica representando un proceso en control estadístico se muestra a

Fig. 2.6 Carta de control de Shewhart

La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se

La probabilidad de error tipo II o beta de la carta de control se presenta cuando se

Se puede definir un modelo general para una carta de control, si w es un

LSC = w + Lw (2.1)

Donde L es la distancia de los límites de control a partir de la línea central

DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO

Fig. 2.7 Comparación de la variación de la población y la de las medias y

El proceso de mejora usando la carta de control requiere la acción de la

Para identificar y eliminar las causas asignables, es importante encontrar las

Verificación Detección de causa