Section I - Control Chart For Variables and Attributes

Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart for attributes
VARIABLE AND ATTRIBUTES CONTROL CHART
Programa de Ingeniería Industrial
SECTION I
MÓDULO CONTROL ESTADÍSTICO DE PROCESOS
MAESTRÍA EN GESTIÓN DE LA CALIDAD
Universidad del Atlántico
3 de septiembre de 2020
Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart fo
PhD Roberto José Herrera Acosta
1 Normal distribution tables, Finding the Z score, Central limit theorem, control charts Shewhart, Ewma,
Cusum univariate, Cusum univariate Herrera
Normal distribution tables, Finding the Z score, Central limit theorem
Control Charts Univariate
Fases en la construcción de las cartas de control
Estados no aleatorios
Cartas de Control Shewhart para la medida de variabilidad R
Constantes de las Cartas de Control
Caso de Estudio: componentes de un medicamento
Recalcular los límites de control para R y X̄
Parámetros del proceso
Caso de Estudio: Control en línea o datos para control en línea
Cartas de control x̄, S y S 2
Estimación de los parámetros en las cartas de control X̄ y S
Caso de Estudio:Empresa de fabricación de tuberías sanitarias
Cartas de control para X̄ y S 2
Cartas de Control para observaciones individuales MR
Caso de Estudio: Empresa de pastas alimenticias
Caso de Estudio: Ejercicio de la Distribución Normal
Cartas de control EWMA, Exponentially Weighted Moving Average
Caso de Estudio: Tiempo de empaque
Caso de Estudio: Ejercicios de LLenado
Cartas de control Cusum Sumas Acumuladas
Caso de Estudio: Datos para observaciones individuales
Caso de Estudio: Ejercicios Peso molecular
Carta de Control Cusum S con transformación de Castagliola Herrera R. (2009)
Ejercicio Práctico de PhD
Transformación de CastagliolaControl
Roberto José Herrera Acosta
charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart fo
propuesta Herrera (2009)
Normal distribution tables, Finding the Z score, Central limit theorem, control charts Shewhart, Ewma, Cusum univariate, Cusum univariate Herrera
Sección 1 Normal distribution tables, Finding the Z score, Central limit

theorem, control charts Shewhart, Ewma, Cusum univariate, Cusum
univariate Herrera
Canavos G. (1998) indica que entre las estadísticas más importantes, en ingeniería ocurre, es la media de
un conjunto de variables aleatorias o características de calidad independientes e identicamente distribui-
das. Una muesta aleatoria representada como X1 , X2 , ..., Xn consiste de n variables aleatorias IIDD tales
que E(X ) = µ y Var(X ) = σ 2 , para toda i = 1, 2, ..., n. La estadística de la medida de localización es
definida como media es,
X1 + X2 + ... + Xn
X̄ =
n
entonces el valor esperado y la varianza de X̄ son,
n
X 1
E(X̄ ) = µ = n(µ/n) = µ
i=1
n
n
1 2
σ = n(σ 2 /n2 ) = σ 2 /n
X
Var(X̄ ) = 2
i=1
n
donde µ y σ 2 son la media y la varianza de la distribucíon de la población a partir de la cual se obtiene

√
la muestra, por lo que d.e.(X̄ ) = σ 2 / n es la desviación estándar o error estándar de la media X̄ ,
a medida que el tamaño de la muestra crece la estimación de la media poblacional es precisa, por que
disminuye el error de estimación de la media muestral
Canavos G. (1998)presenta un problema de un proceso que cuenta con una máquina de llenado para
vaciar 500 gramos de un producto alimenticio en cajas de cartón. La cantidad de alimento en cada caja
es una variable aleatoria normalmente distribuida con media 500 gramos y desviacion estandar igual
20 gramos. La verificación de este peso promedio, un ingeniero toma una muestra de 25 unidades en
forma sistemática, pesando el contenido de éstas. La decisión de detener el proceso, se presenta cuando
el promedio muestral este por encima de 510 gramos o menor a 490 gramos. ¿Cuál es la medida de
probabilidad de detener el proceso?
P(Deterelproceso) = 1 − P(490 < X̄ < 510)

490 − 500 510 − 500

=1−P < X̄ <
4 4
= 1 − P(−2.5 < X̄ < 2.5)
= 0.0124
es decir, la medida de probabilidad de detener el proceso es de 0.0124.
Una muesta aleatoria representada como X1 , X2 , ..., Xn consiste de n variables aleatorias independientes
exponencialmente distribuidas tales que los valores esperados,
n
X 1
E(X̄ ) = θ = n(θ/n) = θ
i=1
n
n
1 2
θ = n(θ2 /n2 ) = θ2 /n
X
Var(X̄ ) = 2
i=1
n
donde θ y θ2 son la media y la varianza respectivamente de la variable aleatoria con distribución exponen-
cial. En muestras grandes la distribución gama con parámetro de forma α con valores apreciable,puede
aproximarse a una normal de la forma,
X̄ − θ
Z = θ
√
n
es, en forma aproximada N(0, 1).
En general una muestra X1 , X2 , ..., Xn de variables aleatorias IID con una distribución de probabilidad no
especificada y con media µ y una varianza σ 2 finita. El promedio muestral X̄ = X1 + X2 + ... + Xn /n
tiene una distribución con media µ y varianza σ 2 /n que tiende a una distribución normal conforme
√
n tiende a infinito, la variable aleatoria (X̄ − µ)/(σ/ n) tiene como límite una distribución normal
estándar; esta última afirmación es denonimada Teorema del límite central. Esto indica que la variable
aleatoria
X̄ − µ
Z = µ
√
n
es utilizada para inferencias acerca de mu cuando conocida la varianza poblacional σ 2 . La variable Z es

N(0, 1) cuando el muestreo es aplicada a una población con una distribución normal y es, aproximada,
para cualquier otro modelo condicionadao a muestras n grandes.
Es un diagrama en donde se realiza el seguimiento de un estadístico de control o variable aleatoria a

través del tiempo en intervalos equidistantes (o no equidistantes), de una(s) característica(s) de calidad
para el caso univariado o el caso multivariado; con el objeto de detectar la existencia de comportamientos
no aleatorios, sus causas y posibles soluciones.
El estaístico de control, es evaluado a partir de muestras con variables aleatorias provenientes de

distintas fuentes cuantitativas o cualitativas:
1 Variables continuas: medidas físicas, tales es el caso, peso, temperatura, concentración, tiempo,
volumen, densidad, diámetro.
2 Variables discretas: la númeración es realizada en variables de conteo, por ejemplo, número de
unidades no conformes, número de fallas o no conformidades, defectos, gravedad de la anomalía.
Montgomery(2001) muestra el cálculo de los estadísiticos de control de las cartas de control R, X̄ , S 2 , S,

conocidas como las cartas tradicionales de Shewhart.
R = ValorMax − ValorMin
Pn
i=1 xi
X̄ =
n
n
S2 = (Xi − X̄ )2 /n − 1
X
i=1
v
u n
(Xi − X̄ )2 /n − 1
uX
S=t
i=1
(np)
p̂ =
n
c
û =
n
donde n es el tamaño del subgrupo seleccionados en el proceso a intervalos fijos (equidistantes) o no
equidistantes.
Vargas (2011) presenta dos riesgos en el proceso de muestreo,

Riesgo de tipo I: El riesgo de que una muestra extrema conduzca a tomar una acción, cuando no
ha ocurrido cambio en el proceso.
Riesgo de tipo II: El riesgo de que una muestra caiga dentro de los límites de control, aunque un
cambio real haya ocurrido en el proceso.
estos riesgos son relacionados cuando se prueba una hipótesis sobre algún parámetro de la población.
En el caso del error de tipo I ocurre cuando por razones puramente aleatorias, debidas al proceso de
selección de la muestra, se rechaza una hipótesis nula que es correcta. El error de tipo II ocurre cuando
la muestra no ofrece evidencias para rechazar la hipótesis nula, a pesar de que esta en la realidad debería
ser rechazada. En el diseño de una carta de control se debe establecer un compromiso que tenga en
cuenta estos dos tipos de riesgos. Cuando un punto cae por fuera de los límites de control debido
solamente a causas aleatorias se dice que se ha presentado una falsa alarma. Es deseable diseñar cartas
que produzcan ratas bajas de falsas alarmas debido a los costos econ¶omicos que estos casos puedan
tener para una Industria.
Es una gráfica propuesta por el ing. W. A. Sewhart de los laboratorios de la Bell Telephone en los
años veinte. está constituida por una línea central (determinada por una medida de localización o una
medida de variabilidad promedio) y una o más líneas a ciertas desviaciones de la línea central, llamadas
comúnmente limites de control; que representan el estado de un proceso.
Este tipo de método estadístico permite diferenciar las diversas causas de variabilidad en un proceso: las
aleatorias o fortuitas (comunes) y las asignables o especiales.
1 Variabilidad Aleatoria: Causadas por eventos naturales del proceso.
2 Variabilidad Asignable: Es causada por factores ajenos a las condiciones naturales de un proceso.
La variación ocurre en todos los procesos, ya sean fenómenos naturales o invenciones humanas. Existen
dos clases de variación: (a) la variación aleatoria (que es natural en el proceso) (b) la variación no
aleatoria o asignable (resultado de una causa atribuible específica). La primera es predecible (proceso
con estabilidad estadística o bajo control), sin embargo la segunda implica una estimación sesgada de los
parámetros, estandp en fase I o en la fase II, la ocurrencia de un estado fuera de control.
Una carta de control muestra la variación de un proceso (la variabilidad aleatoria y no aleatoria) y
es utilizada para monitorizar un estadístico a través del tiempo, con el propósito de mantenerlo en
estabilidad estadística o bajo control.
Cómo interpretar las cartas de control: (a) inicialmente las cartas de control permiten identificar varia-
ciones no aleatorias, indicada normalmente con un punto del gráfico fuera de los límites del control
o estando dentro de los límites, presenta un comportamiento no natural dentro, denominado señal de
alarma. Los casos o situaciones que pueden indicar un estado no aleatorio o fuera de control, señal
de alarma, estando dentro de los límites de control establecidos son: Cambios repentinos de la medida
de localización, tendencias del estadístico, oscilaciones alternadas muy amplias, mezclas de productos o
metodologías no estandarizadas
Cuando se presenta un hecho no aleatorio, fuera de control, los responsables del proceso deben encontrar
una causa atribuible, respondiendo a la pregunta ¿qué ha cambiado en el proceso para producir este
hecho?
El paso a seguir es, realizar las correcciones pertinentes para que este hecho no se presente.Eliminar
la señal de alarma, en la fase I, una vez encontrado la causa atribuible. Por otra parte en el monitreo
en línea, fase II, una señal de alarma, implica un estado fuera de control, es pertinebte las correcciones
inmediatas, establecer metodología de mejoramiento más estrictas.
Estas variabilidades generalmente son causadas por:

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Una carta de control consta de los siguientes elementos:
UCL = T̄ + LσT
LC = T̄
LCL = T̄ − LσT
Limite de Control Superior UCL, límite Central de Control LC y límite Inferior de Control LCL. La caracte-
rística de los límites de control superior e inferior se encuentra a una distancia de 3σ que representan
como medida de probabilidad el 0.9973, es decir 99.73 % de que un subgrupo, estadístico de control,
este dentro de los límites de control. Esta condición de los límites de control son medidas de la siguiente
forma:
P(−3 6 Z 6 3) = P(Z 6 3) − P(Z 6 −3) = 0.998650 − 0.00134 = 0.9973
Un límite de control es un intervalo de confianza con una probabilidad de 0.9973 de esta forma, los
límites de control se definen:
h σ σ i
P X̄ + L √ < µ < X̄ + L √ = 1 − α
n n
notese que el valor de la constante L = 3, con el propósito de garantizar la confiabilidad del 99.73 %
Un subgrupo es formado por una muestra racional de observaciones, cuyas condiciones dentro del
subgrupo debe tener la menor variabilidad posible y entre subgrupos la mayor. Un proceso que se
encuentra en estabilizado (fase I) o en control (fase II) es aquel que posea variabilidades aleatorias o
naturales dentro de los límites establecidos.
1 Escojer la varable aleatoria o características de calidad del producto o servicio

2 Definir el subgrupo o tamaño de la muestra, de manera que el estadístico de control cumpla con el
supuesto de normalidad, Binomial, Poisson, algunos autores recomiendan en caso de las variables
continuas, seleccionar tamaños de subgrupo de 4 o más observaciones garantizando de esta
manera que el estadístico de control posea una distribución normal (teorema del límite central)
3 Calcular los límites de ensayos (históricos) o naturales evaluados con los datos e información
preliminar, (algunos autores recomiendasn mínimo 6 meses de información del procceso)
4 Depuración o limpieza de señales de alarma, hasta eontrar la estabilización estadística del
estad´sitico de control de la característica de calidad monitoreada
5 Estimación de los parámetros del proceso µ y σ, en las variables aleatorias continuas, basado en
la normalidad del estadístico, p en la distribución Binomial y λ en la distribución de Poisson.
1 Calcular los límites estándar del proceso basado en los parámetros obtenidos en la fase I, una vez
obtenido los parámetros del proceso en la fase I
2 Control en línea de la nueva informacción seleccionada del proceso; tomando como referente estos
límites estandarizados.
Los objetivos que se obtiene en estas fases:
Mejoramiento continuo del proceso

Identificación de parámetros del proceso y ajuste posterior del proceso
Evaluar medidas de probabilidad
Capacidad del proceso para cumplir con las especificaciones de diseño
En la carta de control presenta el seguimiento a través del tiempo de una medida de localización o una
medida de variabilidad; tanto en el campo univariado como en el multivariado. Un proceso se considera
estadísticamente estable (bajo control), en la medida de localización como la de la variabilidad, cuando los
puntos (subgrupos) representados por algunos de los estadisticos se ubican entre los límites de control
o no presenta aleatoriedad en su comportamiento.



Existen diversos comportamientos que nos indican un estado fuera de control. Entre estos encontramos:
(1) Mezcla, es la sospecha de que en el proceso existen dos o más poblaciones de un mismo factor, cuyo
comportamiento es totalmente diferente uno de otro.
Materia prima
Operario
Equipo
Materia prima
Operario
Equipo
Materia prima
Operario
Equipo
El comportamiento del estado o comportamoiento tipo mezcla, es presentado en la figura inferior,
Figura: Estado no aleatorio Mezcla
La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

una carta de la medida de localización (promedio) se considera un estado fuera de control; por otro
lado si la carta es de la medida de variabilidad (rango, desviación, varianza) una tendencia descendente
se considera un estado de mejoramiento del proceso. Este comportamiento de tendencia es causada
generalmente por:
Desajuste de equipo
Desgaste de una pieza
Descuido del operario

generalmente por:
Desajuste de equipo

generalmente por:
Desajuste de equipo
la tendencia es un estado no aleatorio no deseado, cuando es evaluado en las cartas de control por
variables, especificamente el la carta de promedio.
Figura: Estado no aleatorio Tendencia
El cambio de nivel, es un cambio repentino de las condiciones del proceso. En la carta de control de
la medida de variabilidad, un cambio de nivel descendente, implica un mejoramiento significativo de la
dispersión del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Materia prima.
Materia prima.
El cambio de nivel indica una modificación repentina del proceso, es decir evidencia errores en la
planeación de mejoramiento.
Figura: Estado no aleatorio Cambio de Nivel
En el ciclo se observa una periocidad en el comportamiento del proceso, esto se debe algunas veces a
la rotación de ciertos factores del proceso. Es el caso de operadores en diferentes horario de trabajo, se
espera que la jornada nocturna genere menos producción que las previstas en las jornadas diurnas:
Equipo
Operario
Materia prima
Equipo
Operario
Materia prima
Equipo
Operario
Materia prima
El ciclo generalmente se presenta en cuando se realizan modificaciones extremas de metodologías, o

materias primas, por ejemplo el cambio de turno en una empresa de producción.
Figura: Estado no aleatorio Ciclo
Ruiz A. y Rojas F (2006) muestra una tabla que incluyen algunas reglas utilizadas frecuentemente para
analizarlas las cartas de control de la medias y establecer si el proceso se encuentra estable o fuera de
control.
Figura: Reglas de estados no aleatorios
Reglas 1, 2, 3, 3, 4, 4l, 4ll y 7. Si el gráfico de medias presenta alguna de estas indicaciones y el

gráfico S o R no presenta anomalías, lo más probable es que el proceso se encuentre desplazado.
Si el gráfico S o R presenta también indicaciones, entonces es proceso ha aumentado la
variabilidad y posiblemente también se ha desplazado.
Reglas 5, 6, 6l, 6ll. Lo más probable es que el proceso esté desplazándose.
Regla 7. Si el gráfico S o R no presenta anomalías, lo más probable es que el proceso sea muy
inestable en cuanto a sucentrado. Si el gráfico S o R presenta también indicaciones,entonces es
probable que el proceso haya aumentado la variabilidad.
Regla 8. que Puede ser síntoma de que se ha reducido la variabilidad del proceso si el gráfico S o
R también muestra una reducción de la variabilidad muestral. Si el gráfico S o R no muestra una
reducción de la variabilidad muestral, puede ocurrir que se estén mezclando dos poblaciones
distintas, siendo la distribución resultante bimodal (dos jorobas).
Regla 9. Es síntoma de inestabilidad del proceso.
Montgomery(2001) presenta los límites de control para la medida de variabilidad R, asumiendo que los
subgrupos seleccionados provienen de una muestra, conformada por variables aleatorias independientes
e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda i = 1, 2, 3, ..., n.
p p
Var(R) h V (R) i d3
UCL = R̄ + 3b
σR = R̄ + 3 R̄ = R̄ 1 + 3 = 1+3 R̄
E(R) E(R) d2
CL = R̄
p p
Var(R) h V (R) i d3
LCL = R̄ − 3b
σR = R̄ − 3 R̄ = R̄ 1 − 3 = 1−3 R̄
E(R) E(R) d2
simplificando
UCL = D4 R̄
CL = R̄
LCL = D3 R̄
En cuanto a los límites de control para la medida de localización en este caso el promedio muestral
X̄ , asumiendo que los subgrupos seleccionados provienen de una muestra, conformada por variables
aleatorias independientes e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda
i = 1, 2, 3, ..., n.
R̄ 1
p
Var(R)
σ = X̄¯ + 3
UCL = X̄¯ + 3b R̄ = X̄¯ + 3 √
E(R) d2 n
CL = X̄¯
R̄ 1
p
Var(R)
LCL = X̄¯ − 3b
σX = X̄¯ − 3 R̄ = X̄¯ − 3 √
E(R) d2 n
simplificando
UCL = X̄¯ + A2 R̄
CL = X̄¯
LCL == X̄¯ − A2 R̄
Figura: Coeficientes de las cartas de control
Montgomery(2001) presenta las ecuaciones para cada una de estas constantes, en función, para la el valor
de c4 , del modelo de la distribución gama,
3
A= √
n
3
A1 = √
c2 n
3
A2 = √
d2 n
3
A3 = √
c4 n
D1 = d2 − 3d3
D2 = d2 + 3d3
d3
D3 = 1 − 3
d2
d3
D4 = 1 + 3
d2
entre otras constantes .

s
c2 =
σ
n
r
c4 = c2
n−1
R̄
d2 =
σ
d3 = σw
donde s
2 τ ( n2 )
c4 =
n − 1 τ ( n−1
2
)
Los datos son obtenidos del porcentaje de un componente esencial en las condiciones físico-químicas
de un medicamento comercial. el tamaño del subgrupo n es tres (3) observaciobes, con una cantidad de
subgrupos m de nueve (9). Construya una carta de control X̄ y R.
Subgrupo x1 x2 x3 x̄ R
1 60 52 55 55.66 8.0
2 50 67 58 58.33 17.0
3 56 60 55 57.00 5.0
4 58 64 58 60.00 6.0
5 57 65 52 58.00 13.0
6 51 58 49 52.66 9.0
7 61 69 52 60.66 17.0
8 65 55 50 56.66 15.0
9 52 60 57 56.33 8.0
el promedio de promedio X̄¯ y el rango promedio R̄, es determinado en primera medida, con el próposito
de obtener los límites históricos.
En el ejercicio anterior se obtuvo los límites de control inicial o históricos, (se recomienda obtener la
información durante mínimo de cuatro a seis meses) para posteriormente identificar los límites estándar
del proceso, estos valores naturales se obtienen una vez identificado los puntos por fuera de los límites
de control o si existen algún estado no aleatorio del proceso, tales como tendencias, cambio de nivel,
ciclo en el proceso.
P9
i=1 Ri 98
R̄ = = = 10.8889
9 9
el rango promedio que es una medida de probabilidad, posee un valor de 10.8889, permite posteriormente
estimar el valor de la varianza muestral σ 2
los límites de control histórico, en fase I, están definida por las siguientes ecuaciones:
UCLR = (2.575)10.8889 = 28.0307

CLR = 10.8889
LCLR = (0.0)10.8889 = 0.0
Figura: Diagrama de Control del rango R
en este caso se observa cierta estabilización estadística de la medida de variabilidad, en este caso el
rango.
Cálculo del estadístico X̄

El promedio del estadístico de control para la medida de localización, en este caso de estudio, es de,
P9
i=1 X̄i 515.3337
X̄¯ = = = 57.2593
9 9
Por tanto, los límites de control en la fase I para esta medida, están definida de la siguiente manera,
UCL = 57.2593 + 1.023(10.8889) = 68.3993

LC = 57.2593
LCL = 57.2593 − 1.023(10.8889) = 46.1192
La constante A2 = 1.023 según lo observado en la tabla de los coeficientes de control, para un tamaño
de muestra n = 3.
El diagrama de control para la medida de localización, presenta el siguiente esquema,
Figura: Diagrama de Control del promedio X̄
La carta de control muestra, al igual que la carta de control del rango, una estabilización estadística en
la medida de variabilidad.
En la fase I cuando se realiza monitoreo de la característica de calidasd, para verificar estados no

aleatorios, la primera carta de control recomenda en el análisis es, la carta de la medida de variabilidad,
en este caso, la carta de control R. Por supuesto, si la información histórica no presenta estas condiciones
de inestabilidad estadística, los límites iniciales o históricos permitirán obtener los parámetros del proceso.
Porque eventos contrarios, alta variabilidad en la información de esta característica, no es factible un

análisis en la carta de control de la medida de localización, la carta X̄ debe ser construida, una vez
estabilizada la variabilidad en la medida de dispersión (observe los límites de control de la carta de la
medida localización, depende de la variabilidad del proceso, en el ejemplo lo representa el rango R o
recorrido).
La existencia de puntos fuera de fuera de los límites o señalaes de alarma, en esta fase inicial, implica
como primer paso, recalcular el promedio y el rango promedio de los estadísticos de control, una vez
eliminado el subgrupo en estas condiciones, de la siguiente forma,
Pm
− X¯d
i=1 X̄i
X¯0 =
m − md
Pm
R̄i − R¯d
i=1
R¯0 =
m − md
donde m es el número de subgrupos, seleccionados en la fase I, md es el número de subrupos elimi-

nados, una vez verificada el factor o causa que genero este comportamiento no aleatorio, establecer las
correcciones o acciones para imposibilitar un evento similar. El segundo paso es determinar los límites de
control históricos o de ensayo recalculados, presentar los estadísticos de control restantes en el diagrama,
con el propósito de observar la existencia o no de estabilidad estadística.
Los parámetros de la característica de calidad, son estimados mediante a partir de los estadísticos
evaluados en la fase I, donde las observaciones del subgrupo o muestra seleccionada son consideradas
idenpendientes e identicamente distribuidas, en este caso la distribución asumida es la normal.
E(R̄) R¯0
σ̂ = =
d2 d2
µ̂ = E(X̄¯) = X¯ 0
donde d2 es una constante que depende del tamaño del subgrupo.
En el ejemplo antes mencionado, los parámetros evaluados son los siguientes:
R̄ 10.88
σ̂ = = = 6.43171
d2 1.693
µ̂ = X¯0 = 57.2593
donde el valor de la constantes d2 = 1.693 es obtenido para un tamaño de subgrupo n = 3.
Los límites de control en la fase II, son denominados límites estándar, no pueden ser modificados en esta
fase, salvo existan cambios significativos en el proeso, en este caso es un nuevo proceso, lo cual induce a
comenzar en la fase I. En el caso del rango los límites de control estándar son presentados de la siguiente
forma,
UCL = (d2 + 3d3 )σ

CL = d2 σ
LCL = (d2 − 3d3 )σ
simplificando
UCL = D2 σ
CL = d2 σ
LCL = D1 σ
Los valores D2 y D1 son constantes que dependen del tamaño de la muestra n del subgrupo, el valor de
la desvición estándar es estimado mediante σ = R̄/d2 .
Los límites estándar para la medida de variabilidad, en este caso el rango R, para el caso de estudio
evaluado presenta los siguientes resultados,
UCL = D2 σ = (4.358)(6.43) = 28.02

CL = R¯0 = 10.88
LCL = D1 σ = (0.0)(6.43) = 0.0
donde los valores D2 = 4.0358 y D1 = 0.0, son obtenidos de la tabla de constantes, sujeto al tamaño
del subgrupo n.
La formulación para los límites de control en la fase II, o límites estándar:
UCL = µ + Aσ
CL = µ
LCL = µ − Aσ
La formulación de los límites de control estándar para la medida de localozación, en este caso el
promedio X̄ , en el caso de estudio es,
UCL = 57.2593 + 1.732(6.431) = 68.39

Cl = 57.2593
LCL = 57.2593 − 1.732(6.431) = 46.12
La siguiente tabla muestra la información de la característica de calidad monitoreada en el proceso, en

un tiempo a posteriori, el ingeniero debe someter a control, con el propósito de indentifica si existe un
estado fuera de control.
Número del subgrupo x1 x2 x3 X̄ R
1 55 50 48 51.0 7.0
2 51 52 53 52.0 2.0
3 58 57 60 58.3 3.0
4 54 61 65 60.0 11.0
5 54 55 50 53.0 5.0
En esta tabla, el interes es contrastar los estadísticos de control, con respecto a los límites de control
estándar evaluados en la fase II.
Como se recordará los límites de control estándar para la medida de variabilidad, el rango en este caso,
son UCL = 28.02, CL = 10.88 y LCL = 0.0
Figura: Diagrama de Control del rango R fase II
Es observado en la información en línea o control en línea, un comportamiento aparentemente no

aleatorio, donde la mayoría de los puntos están debajo del promedio histótico. Lo que induce a concluir,
en este proceso la medida de variabilidad presenta valores reducidos con respecto a los históricos, lo que
implica, en este caso en particular, una mejora en la estabilidad del proceso.
En cuanto a la carta de control de la medida de variabilidad, los límites de control estándar para el
promedio arrojó los siguientes resultados: UCL = 68.39, Cl = 57.2593 y LCL = 46.12.
Figura: Diagrama de Control del promedio Fase II
La siguiente figura, muestra el comportamiento de la carta de control para la medida de localización,

en ella se manifiesta un estado fuera de control del promedio, evidenciándose en la que la mayoría de
los puntos graficados, se encuentran por debajo del promedio histórico, implicando una disminución del
promedio, generada por alguna casusa asignable.
CARTAS DE CONTROL SHEWHART X R EN R-PROJECT
library(qcc)
datos<-read.table("clipboard")
attach(datos)
windows()
qcc(data=datos[1:10,1:3], type="xbar", main="Carta de Control de promedio")
qcc(data=datos[1:10,1:3], type="R", main="Carta de Control del rango")
La carta S, permite realizar el seguimiento a la desviación estandar del proceso. Es una carta en donde
el criterio de normalidad no se cumple, pero es conveniente recordar la aplicación de dos estadísticos
para evaluar la desviación:
sP
n
i=1 (xi − x̄)2
s=
n
para procesos normales, la esperanza matemática de la varianza muestral es:
n−1 2
E(s2 ) = σ
n
es un estimador sesgado de la varianza poblacional σ 2 . En este caso es seleccionada como varianza
muestral el estimador insesgado definido como:
sP
n 2
∗ i=1 (xi − x̄)
s =
n−1
El error cuadrático medio ECM de la s2 es inferior a la varianza s∗2 . Los valores eperados y la varianza
de ambos estadísticos son los siguientes,
2(n − 1) 4
Var(s2 ) = σ
n2
2
Var(s∗2 ) = σ4
n−1
el valor esperado
2 τ (n/2)
r
E(s) = σ = c2 σ
n τ [(n − 1)/2]
s
∗ 2 τ (n/2)
E(s ) = σ = c4 σ
n − 1 τ [(n − 1)/2]
ambos estadísticos son estimadores sesgados de sigma,
1
r
σs = σ 1 − c22 −
n
q
σs ∗ = σ 1 − c42
En la cartas S los límites de control obtenidos en la fase I, históricos o naturales para la medida de
variabilidad, está dado, asumiendo insesgamiento en la desviación muestral, por:
3
q
UCL = E(S) + 3σs∗ = S¯∗ + 1 − c42
c4
CL = S¯∗
3
q
LCL = E(S) − 3σs∗ = S¯∗ − 1 − c42
c4
simplificando
UCL = B4 S¯∗
CL = S¯∗
LCL = B3 S¯∗
Los límites de control histórico o naturales para la medida de localización,X̄ , son determinados mediante
las siguientes formulaciones,
3S¯∗
UCL = X̄¯ + √
c4 n
LC = X̄¯
3S¯∗
LCL = X̄¯ − √
c4 n
simplificando
UCL = X̄¯ + A3 S¯∗

LC = X̄¯
LCL = X̄¯ − A3 S¯∗
Los parámetros de la carta de control para la medida de variabilidad y la medida de localización, se

estiman mediante las siguiente formulaciones:
E(S¯∗ ) S¯∗
σ̂ = = 0
c4 c4
µ̂ = E(X̄ ) = X¯0
donde c4 es una constante que depende del tamaño del subgrupo n. Es de anotar, que las estimaciones
de los parámetros tanto de las cartas de rango y desviación estándar son valores similares, pero no
iguales.
En la fase II la formulación aplicada para evaluar los límites estándae para la desviación estándar y la
media del proceso, se determinan mediante,
q q
UCL = c4 σ + 3σS = c4 σ + 3σ 1 − c42 = σ c4 + 1 − c42
CL = c4 σ
q q
LCL = c4 σ − 3σS = c4 σ − 3σ 1 − c42 = σ c4 − 1 − c42
simplificando, los límites estándar para la desviación
UCL = B6 σ
CL = c4 σ
LCL = B5 σ
donde B6 , c4 y B5 son constantes que dependen del tamaño de la muestra n.
En cuanto a la medida de localización, las expresiones de los límites estándar de control de la medida
de localización, fase II, se determinan mediante.
3
UCL = µ + √ σ = µ + Aσ
n
CL = µ
3
LCL = µ − √ σ = µ − Aσ
n
donde A es una constante que depende del tamaño del subgrupo n. Estos límites de control, son los
mismos definidos en la carta de control de la media, cuando la medida de variabilidad aplicada es el
rango.
sea Ei el evento que la i-esima media muestral X̄i o exceda a LCS o es menor que LCI entonces,
P(Ei ) = P(X̄i > LCS) + P(X̄i < LCL) = 0.0027
los promedios X̄i y X̄j son considerados independientes para todo i 6= j, entonces Ei y Ej son eventos
independientes, por lo que la secuencia de los eventos Eis sigue un proceso de Bernoulli. En el caso de
los límites de control para la medida de localización de la carta X̄ , S, donde la esperanza matemática es,
E(Si ) = c4 σ
Var(Si ) = E(Si ) − [E(Si )]2 = σ 2 (1 − c42 )
donde X̄¯ es una variable aleatoria normal y considerando a S̄ aproximadamente normal, para valores
ˆ es una combinación lineal de X̄¯ y S̄, es también aproximada-
grandes de n,e independientes; además LCL
mente normal. Es decir la evaluación de los valores esperados de la media y la desviación estándar para
este límite de control, son
σ
ˆ = µ + 3√
E(LCS)
n
s
9(1 − c42 )
ˆ = √σ
Sd(LCS) 1+
mn c42
En este contexto, sea Fi un evento de señal de alarma para la media X̄i , es decir que el estadístico
de control exceda LCSˆ o menor que LCL,ˆ entonces para un proceso bajo la distribución normal con
parámetros µ y σ 2 , la medida de probabilidad de Ci es,
ˆ + P(X̄i < LCL)
P(Ci ) = P(X̄i > LCS) ˆ
es claro que tanto X̄ como LCS

ˆ están distribuidos normalmente, entonces la diferencia de estos, están
distribuido aproximadamente normal con media y varianza conocida,
ˆ = µ − µ − √3 σ = √3 σ
E(X̄i − LCS)
n n
2 2 1 9(1 − c42 )

σ σ
ˆ =
Var(X̄i − LCS) + 1+ 2
n n m c4
estandarizando las diferencias

 
3
 
ˆ > 0) = 1 − φ  s
 
P(X̄i − LCS 
9(1−c42 ) 
 
1
1+ 1+

m c42
donde φ[] es la función de distribución normal estándar
la señal de alarma es igualmente probable en ambos límites de control, por lo que,

ˆ > 0) = P(X̄i − LCL
P(X̄i − LCS ˆ < 0)
siendo eventos mutuamente excluyenres, entonces,

  
3
  
P(Ci ) = 2 ×  1
  
− φ s 
9(1−c42 ) 
  
1
1+ 1+
 
m c42
esta medida de probabilidad depende de los valores m y n, es decir de la cantidad de subgrupos, así
como su tamaño. En el caso de valores de m = 20 y n = 4, tenemos que,
  
3
P(Ci ) = 2 × 
1 − φ  r
  
 
9(1−0.9212 )
h i 
1
1+ 20
1+ 0.9212
donde c4 = 0.921 para un tamaño de subgrupo de cuatro.
P(Ci ) = 2 × [1 − φ(2.821)] = 0.0024
la medida de probabilidad de una señal de alarma en una carta Shewhart para el promedio con tamaño
de subrupo n = 4 y m = 20 es de 0.0024, limitada para estimaciones de los límites de control LCS
ˆ y
ˆ
LCL Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart fo
A continuacion, es presentado 10 subgrupos, la característica de calidad son los valores de los diámetros
obtenidos en la fabricación de tuberías sanitarias, el tamaño del subgrupo es de n = 4. El propósito
del responsable del área de calidad, es monitorear esta característica de calidad, através de la cartas de
control X̄ y S.
Figura: Diametros tubería sanitsria
La información recabada en el proceso, a largo de cuatro meses de monitoreo continuo, los datos son
presentados a continuación,
Subgrupo x1 x2 x3 x4 x S
1 51.10 60.70 46.43 64.59 55,7108 8,38867
2 47.83 47.43 66.93 63.57 56,4462 10,2688
3 60.48 56.41 52.18 68.60 59,4228 6,99779
4 53.64 62.79 58.75 54.30 57,3759 4,26716
5 57.79 60.89 57.67 56.83 58,3029 1,78300
6 62.25 53.51 59.08 50.85 56,4277 5,18139
7 49.50 50.16 62.34 58.02 55,0094 6,23457
8 64.51 56.53 56.29 63.61 60,2416 4,43251
9 50.43 65.32 52.27 55.59 55,9000 6,63299
10 60.72 50.42 56.86 68.34 59,0995 7,49286
Es claro, en cada uno de los subgrupos están presentes cuatro observaciones, n = 4. La información
recaudada, en el tiempo, es de diez subgrupos, cantidad de subgrupos, m = 10, otros autores lo
representan como g = 10.
los cálculos de la desviación promedio y el promedio de promedio son

P10
61.67
i=1 Si
S̄ = = 6.167
=
m 10
P9
i=1 X̄i 573.8
X̄¯ = = = 57.38
m 10
Los límites control históricos para la desviación S son:
UCL = B4 S¯∗ = (2, 26)(6.167) = 13.98

CL = S̄ = 6.167
LCL = B3 S¯∗ = (0.0)(6.167) = 0.0
en la tabla de constantes los valores para un tamaño de muestra n = 4 es B4 = 2.26 y B3 = 0.0
La carta de control de la desviación estándar, muestra, según el diagrama inferior, un comportamiento

que sugiere una estabilidad estadística de los puntos o estadísticos de control.
Figura: Carta de Control de la desviación estándar S
El cálculo de los límites de control de la media en la fase I, con constante A3 = 1.628 para un tamaño
de subrupo n = 4, son evaludos en las siguientes ecuaciones,
UCL = 57.389 + 1.628(6.167) = 67.44

LC = 57.389
LCL = 57.389 − 1.628(6.167) = 47.35
la carta de control de la medida de localización, la media X̄ es,
Figura: Carta de Control para el promedio
Este diagrama muestra una estabilidad estadística en esta medida de localización, por tanto, el paso final
es estimar los parámetros del proceso, existe estabilidad estadística en ambas medidas.
Una vez estabilizado estadísticamente el proceso tanto en la medida de localización, como en la medida
de variabilidad; se estiman los parámetros:
E(S¯∗ ) S¯0 6.167

σ̂ = = = = 6.696
c4 c4 0.921
µ̂ = E(X¯0 ) = X¯0 = 57.389
en este caso los valores de la constante para un tamaño del subgrupo n = 4, es c4 = 0.921. Por
tanto el siguiente paso es evaluar los límites estándar del proceso, con el propósito de realizar: (1)control,
(2) mejoramiento continuo, (3) evaluar medidas de probabilidad para ciertos valores del proceso, (4)
determinar la capacidad de cumplir con las especificaciones de diseño.
Basado en la información anterior: los límites estándar del promedio X̄ y la desviación estándar S;
realice control con la información que se presenta en la siguiente tabla.
Número del subgrupo x1 x2 x3 x4 x S
1 53.10 62.50 56.33 64.59 59.13 5,334
2 57.83 57.73 65.13 62.77 60.865 3.6908
3 62.58 57.11 55.88 62.40 59.4925 3.498
4 51.54 63.59 52.45 52.50 55.02 5.7303
5 52.49 63.69 55.87 54.23 57.32 5.028
Es importante resaltar, en esta fase, solo es presentado los estadísticos en los límites estándar evaluados.
Los cálculos de los límites estándar para la desviación estándar S, en el ejercicio de referencia son
evaluados con base en la estimación de la desviación estánar obtenida en el paso anterior σ = 6.696,
UCL = 2.088(6.696) = 13.98

CL = 6.696
LCL = 0.00(6.696) = 0.00
En cuanto a los límites estándar de la media µ = 57.389 los cálculos son los siguientes, seleccionando
la constante A = 1.50, para un tamaño de subrupo n = 4:
UCL = 57.38 + 1.500(6.696) = 67.42

CL = 57.38
LCL = 57.38 − 1.500(6.696) = 47.33
como la distribución S no es simétrica, puede construirse una carta con límites de probabilidad en lugar
de los límites a tres sigmas, asumiendo una distribución chi-cuadrado con n − 1 grados de libertad,
apartir del intervalo,
(n − 1)S 2

P χ2(α/2,n−1) ≤ ≤ χ 2
=1−α
σ2 (1−α/2,n−1)
donde χ2(α/2,n−1) y χ2(1−α/2,n−1) denotan los percentiles α/2 y 1 − α/2, respectivamente con n − 1
grados de libertad.
 s s
χ2(α/2,n−1) χ2(1−α/2,n−1)

P σ ≤S≤σ =1−α
n−1 n−1
Los límites se pueden construir de la siguiente forma

s
χ2(1−α/2,n−1)
UCL = σ
n−1
s
2
χ(α/2,n−1)
LCL = σ
n−1
estimando la desviación σ̂ = S̄/c4 , los límites de probabilidad quedan definidos de la siguiente manera,
s
S̄ χ2(1−α/2,n−1)
UCL =
c4 n−1
s
2
χ(α/2,n−1)
S̄
LCL =
c4 n−1
Introducción
La carta de control para la medida de variabilidad es más robusta, que la carta de control de la desviación
estándar. En lugar de usar la carta R o la carta S para monitorear la variabilidad de una característica de
calidad, se puecle usar la varianza muestral de cada subgrupo y presentarla en una carta S 2 . Asumiendo
una característica de calidad X con distribución normal con media µ y varianza σ 2 , es conocido, que el
estadístico (n − 1)S 2 /σ 2 posee una distribución chi-cuadrado con n − 1 grados de libertad, apartir del
intervalo de confianza es definido los límites de control,
(n − 1)S 2

P χ2(α/2,n−1) ≤ 2
≤ χ2(1−α/2,n−1) = 1 − α
σ
donde χ2(α/2,n−1) y χ2(1−α/2,n−1) denotan los percentiles α/2 y 1 − α/2, respectivamente de una
distribución chi-cuadrado con n − 1 grados de libertad.
Los límites de control de S 2 no pueden calcularse en términos de un múltiplo de la desviación típica de

dicho estadístico, puesto que su distribución no es simetrica. Sin embargo, pueden calcular los límites
probabilísticos para S 2 tendiendo en cuenta que,
S̄ 2 χ21− α S̄ 2 χ2α
 
2 2 2 
P  ≤S ≤ =1−α
n−1 n−1
es decir, utilizando las estimaciones anteriores de S 2 se obtiene los límites de control, como medida de
probabilidad
S̄ 2 χ21− α
2
UCL =
n−1
LC = S̄ 2
S̄ 2 χ2α
2
LCL =
n−1
donde los valores de los percentiles para χ21− α , χ2α pertenecen a la distribución chi-cuadrado con
2 2
n − 1 grados de libertad.
En fase II, los límites estándar para esta medida,
σ 2 χ21− α
2
UCL =
n−1
LC = c42 σ 2
σ 2 χ2α
2
LCL =
n−1
estimando el valor de la desviación estándar como σ = S̄/c4 ,
Los límites de control en la medida de localización, en fase I, posee las siguientes ecuaciones,
s
S̄ 2
UCL = X̄ + 3
n
LC = X̄
s
S̄ 2
LCL = X̄ − 3
n
siendo σ desconocida, la variabilidad se aproxima en términos de la media de las cuasivarianzas

muestrales de las m muestras piloto Pm 2
j=1 Sj
S̄ 2 =
m
una vez conocido el parámetro σ, los límites de control para la media en la fase II, se estiman mediante,
s
σ2
UCL = µ + 3
n
LC = µ
s
σ2
LCL = µ − 3
n
En la tabla es presentada la temperatura de la puesrta de entrada de un cuarto de curado, horno, en la

fabricación de baterías para automovil, es seleccionado cuatro observaciones por subgrupo n = 4, en
un período de seis meses, la cantidad de subgrupos en el registro del proceso es de m = 10. El interés
es monitorear esta característica de calidad, mediante la carta X̄ y S,
Subgrupo x1 x2 x3 x4 X̄ S2
1 103.696 98.5777 103.712 102.761 102.229 6.059
2 103.978 103.982 107.437 96.730 104.540 4.061
3 101.184 101.357 98.576 102.126 99.461 4.061
4 102.744 97.703 101.239 103.06 100.953 5.074
5 99.655 100.781 103.00 95.570 101.625 2.850
6 95.570 104.299 105.246 104.264 102.345 20.603
7 97.247 102.562 100.491 109.664 102.491 27.651
8 98.694 98.088 103.362 102.893 100.259 12.136
9 103.977 103.907 97.519 104.486 102.472 10.970
10 100.273 100.011 94.063 99.295 98.410 8.5696
Suma total 1014.479 102.911
2
Pm
la suma de los estadísticos de control
P para la medida de variabilidad es i=1 Si = 102.911, esta suma
para la meduda de localización es m i=1 X̄i = 1014.479.
Figura: Horno de curado
el promedio de los estadísticos de control, en su orden,

P10 2
i=1 S i 102.911
S̄ 2 = = = 10.2911
m 10
P9
i=1 X̄i 1014.479
X̄¯ = = = 101.479
m 10
Los resultados de los límites de control de la varianza en la fase I, es
S̄ 2 χ21− α 10.2911 × χ20.99865 10.2911(15.630)
2
UCL = = = = 53.6184
n−1 4−1 3
LC = S̄ 2 = 10.291
S̄ 2 χ2α 10.2911 × χ20.00135 10.2911(0.0355)
2
LCL = = = = 0.1019
n−1 4−1 3
los límites de control de la medida de localización en esta fase son,
s
S̄ 2 10.2911
r
UCL = X̄ + 3 = 101.479 + 3 = 106.331
n 4
LC = X̄ = 101.479
s
S̄ 2 10.2911
r
LCL = X̄ − 3 = 101.479 − 3 = 96.626
n 4
las cartas de control histórica en la medida de localización y variabilidad de la temperatura de entrada

del cuarto de curado son,
Figura: Monitoreo en línea de la temperatura de entrada zona de curado
las cartas de control, muestra un comportamiento aleatorio en ambas medidas, es decir, existe una
estabilidad estadística en el proceso
la estimacion de la desviación estándar del promedio del proceso, es realizada con corrección no
sesgada, Pm
j=1 nj Sj 30.160
S̄ = Pm = = 3.016
j=1 n j 10
el valor obtenido realizando la corrección
S̄ 3.016
σ̂ = = = 3.273
c4 0.9213
µ̂ = X̄¯ = 101.479
obteniendo los límites de control estándar para la varianza,
σ 2 χ21− α 3.2732 × (15.630)

2
UCL = = = 55.812
n−1 3
LC = σ 2 = 10.712
σ 2 χ2α 3.2732 × (0.0355)
2
LCL = = = 0.126
n−1 3
para la media
s s
σ2 3.2732
UCL = µ + 3 = 101.479 + 3 = 106.38
n 4
LC = µ = 101.479
s s
σ2 3.2732
LCL = µ − 3 = 101.479 − 3 = 96.569
n 4
los datos en línea son los siguientes,

Subgrupo x1 x2 x3 x4 X̄ S2
1 100.382 101.979 101.050 99.999 100.853 0.752
2 97.884 100.883 96.508 101.240 99.129 5.315
3 100.706 100.707 101.299 95.983 99.673 6.130
4 99.593 98.617 98.923 100.644 99.444 0.805
estos estadísticos de control deben ser presentados en los límites de control estándar de la medida de
localización y de variabilidad.
las cartas de control en línea, para la medida de localización y variabilidad son,
Figura: Monitoreo en línea de la temperatura de entrada zona de curado
ooservando un comportamiento en donde ambos estadísticos de control, presentan una disminución con
respecto al comportamiento histórico. En el caso de la medida de variabilidad, el proceso presenta una
disminución de la muisma, mejora la estabilidad; pero la medida de localización sin duda posee un estado
fuera de control, debe realizarse acciones para su corrección inmediata.
CARTAS DE CONTROL EN R
library(qcc)
attach(datos)
windows()
### CARTA DE CONTROL SHEWHART X S
qcc(data=datos[1:10,1:3], type="S", main="Carta de Control de la desviación")
Es una carta, donde es seleccionado por subgrupo una observación de la característica de calidad de
interés; se elabora un diagrama de promedio para monitorear cada una de las observaciones, en el caso
del monitoreo de la variabilidad se selecciona el rango móvil (MR). Es importante señalar que esta carta
es sensible a la suposición de normalidad.
Pm
i=1 Xi
X̄ =
m
El rango móvil y su promedio son determinados por las siguientes expresiones:
MR = |Xi − X1−i |
n
X
¯ =
MR |Xi − X1−i |/n − 1
i=1
Los límites historicos para el rango móvil MR se presenta en las siguientes ecuaciones, tomando como
tamaño del subgrupo n = 2:.
¯
UCL = D4 (2)MR
¯
CL = MR
¯
LCL = D3 (2)MR
Los límites de control, Vargas (2009), para la medida de localización en este caso la media X̄ están
definidos como:
¯
UCL = X̄ + A2 (2)MR
CL = X̄
¯
LCL = X̄ − A2 (2)MR
Los parámetros estimados en esta carta se determinan mediante,

¯
¯ = MR = σ
E(MR)
d2 (2)
E(X̄ ) = µ
Los límites estándar para el promedio X̄ y rango móvil MR, una vez estimados los parámetros del
proceso, tomando subgrupos de tamaño n = 2:.
UCL = µ + A(2)σ
CL = µ
LCL = µ − A(2)σ
Montgomery (1987) propone una modificación de los anteriores formulaciones utilizando las siguientes
proposiciones.
¯
MR
UCl = µ + 3
d2
CLµ
¯
MR
LCl = µ − 3
d2
Los límites de control para la medida de variabilidad donde el rango móvil, su promedio esta definido
como:
UCL = D2 (2)σ
CL = d2 (2)σ
LCL = D1 (2)σ
es claro que cuando se determina el rango, seleccionando tres o más observaciones; las constantes
involucradas anteriormente
PhDse modfican
Roberto basado
José Herrera en este tamaño de muestra.
Acosta
En una empresa arrocera, el objetivo es realice un monitoreo al peso de las bolsas de arroz de 55
libras, aplicando carta de control de observaciones individuales, solo es tomado una bolsa de arroz en
un intervalo de tiempo dado, es asumido un control efectivo de esta característica en este producto
alimenticio.
Figura: Llenado y empaquetado de arroz
La información suministrada por el encargado de calidad, a lo largo de los cuatro meses, es presentada
en la siguiente tabla, unidades en libras.
Número del subgrupo x MR
1 51.10
2 47.83 3.27
3 60.48 12.65
4 53.64 6.84
5 57.79 4.15
6 62.25 4.46
7 49.50 12.75
8 64.51 15.01
9 50.43 14.08
10 60.72 10.29
P9
i=183.6MRi
¯ =
MR = 9.277
=
99
P10
i=1 Xi 558.22
X̄ = = = 55.825
10 10
Los límites históricos en el cálculo del rango móvil MR son estimados de la siguiente forma,
¯ = 3.367(9.277) = 34.04
UCL = D4 (2)MR
CL = MR = 9.277
¯
¯ = 0.0(9.277) = 0.0
LCL = D3 (2)MR
Los límites de control para la medida de localización están definidos como:

¯ = 55.825 + 1.880(9.2779) = 73.265
UCL = X̄ + A2 (2)MR
CL = X̄ = 55.825
¯ = 55.825 − 1.880(9.2779) = 38.384
LCL = X̄ − A2 (2)MR
Las cartas de control de observaciones individuales rango móvil y del promedio, evidencia un
comportamiento aleatorio de las variable, peso monitoreada en el proceso.
Figura: cartas de control para X̄ y MR para los pesos de las bolsas de arroz
Los parámetros estimados en el caso de estudio, peso de las bolsas de arroz, presentan los siguientes
resultados,
¯
MR 9.277
σ̂ = = = 8.22
d2 (2) 1.128
µ̂ = X̄ = 55.825
el peso promedio es de 55.825 libras con una desviación estándar de 8.22. Este peso, en las próximas
herramientas de control, es contrastado con los límtes de específicaciones, valores obtenidos en la etapa
de diseño del producto.
Supóngase, una nueva información en línea o cotrol en línea, valores presentados en la tabla. Evalúe el
comportamiento actual del proceso,
Número del subgrupo x
1 53.0
2 55.0
3 51.0
4 60.0
5 65.0
6 58.0
7 75.0
los límtes estándar evaluados para la medida de localización
9.277
¯
MR
UCl = µ + 3 = 55.82 + 3 = 80.48
d2 1.128
CLµ = 55.825
9.277
¯
MR
LCl = µ − 3 = 555.82 − 3 = 31.16
d2 1.128
mientras en la medida de variabilidad

¯ = 3.686(8.22) = 30.298
UCL = D2 (2)MR
CL = MR = 9.277
¯
¯ = 0.0(8.22) = 0.0
LCL = D1 (2)MR
los estadísticos de control para la medida de localización X y la medida de variabilidad MR son los
siguientes,
Número del subgrupo x MR
1 53.0
2 55.0 2.0
3 51.0 4.0
4 60.0 9.0
5 65.0 5.0
6 58.0 7.0
7 75.0 17.0
estos estadísticos de control son presentados en los valores obtenidos de los límites estándar para
detectar, si es el caso, señales de alarma en el proceso.
las cartas de control en línea de la medida de variabilidasd y de localización en su orden son,
Figura: cartas de control para X̄ y MR para los pesos de las bolsas de arroz
muestra claramente un estado fuera de control en la medida de localización, la media, un comportamiento

no aleatorio conocido como tendencia, esto explica un incremento del peso promedio de las bolsas de
arroz; entre tanto es observado una disminución de la medida de variabilidad,exceptuando el último
punto, evidenciado una mejor en la estabilidad del proceso. En este tipo de circunstancias, la acción
es ajustar el peso de las bolsas de arroz, a valores aproximados a la media histórica; sería la respuesta
adecuada.
Evalúe la medida de probabilidad de cumplir con las especificaciones de este poceso, el proceso de
llenado está diseñado para las siguientes especificaciones: USL = 60 y LSL = 50. La información
suministrada indica µ = 55.825 y σ = 8.22. Esta medida de probabilidad es evaluada mediante la
distribución normal estándar de la siguiente forma,
P(50 ≤ X ≤ 60) = P (X ≤ 60) − P (X ≤ 50)

60 − 55.825 50 − 55.825

=P Z ≤ −P Z ≤
8.22 8.22
= P (Z ≤ 0.507) − P (Z ≤ −0.7086)
= 0.6939 − 0.2392 = 0.4547
esta medida de probabilidad, indica un proceso con el 45.47 % de cumplimiento, lo que implica sin
lugar a dudas un ajuste considerable de las condiciones actuales en la fabricación de este productro.
LA MEDIDA DE PROBABILIDAD EN UN INTERVALO ASUMIENDO NORMALIDAD
especificacion<-pnorm(60,mean=55.825,sd=8.22)-pnorm(50,mean=55.825,sd=8.22)
especificacion
CARTA DE CONTROL DE OBSERVACIONES INDIVIDUALES EN R
library(qcr)
x <- c(33.75, 33.05, 34, 33.81, 33.46, 34.02, 33.68, 33.27, 33.49, 33.20, + 33.62, 33.00, 33.54, 33.12, 33.84)
sample <- 1:length(x)
datos<- data.frame(x,sample)
datos.qcd <- qcd(datos)
res.qcs <- qcs.one(datos.qcd)
class(res.qcs)
###[1] "qcs.one" "qcs"
summary(res.qcs)
plot(res.qcs, title = "Control Chart Xbar.one for pistonrings")
Roberts (1954) propone esta carta de control denominada Exponentially Weighted Moving Average para
obtener una estadística conocida como EWMA para monitorear los estadístico de contrl de un proceso.
En la siguiente formulación presenta que valor del estadístico, que puede ser una variable donde T = X
para observaciones individuales o T = X̄ cuando se seleccionan subgrupos en el proceso. Esta carta de
control es aplicada en procesos en donde la medida de variabilidad es pequeña, por lo que la importancia
de esta carta no es discutible en procesos tecnológicamente avanzados.
Figura: Carta de control EWMA
El estadístico de control para la carta EWMA posee la siguiente notación, similar los modelos
econométricos, en este caso el valor inicial EWMAt−1 es estimado con el parámetro obtendio en la fase I.
EWMAt = λXi + (1 − λ)EWMAt−1
Vargas (2009) generaliza el esquema del estadístio EWMA mediante,
Zt = λXt + (1 − λ)Zt−1
en este caso usualmente el valor de partida Z0 es el valor objetivo. Xt puede ser el valor observado
individualmente del proceso en el tiemo t.
donde λ es un constante de sensibilidad que toma valores desde cero hasta uno, 0 ≤ λ ≤ 1.
Generalmente algunos autores recomiendan valores que se encuentran entre 0.1 a un valor de 0.3.
Existen otras formas de evaluar λ, mediante un proceso iteractivoPde mínimos cuadrados, es decir
definido et = X − Zt , para diferentes valores de λ es calculado tt=1 ei2 , seleccionando el valor de λ
que produzca el menor valor de esta suma de cuadrado.
los otros valores EWMA son determinados de la siguiente manera
Zt = λXt + (1 − λ)[λXt−1 + (1 − λ)Zt−2 ]

Zt = λXt + λ(1 − λ)Xt−1 + (1 − λ)2 Zt−2
Zt = λXt + λ(1 − λ)Xt−1 + (1 − λ)2 Xt−2 + (1 − λ)3 Xt−3
continuando de esta manera es obtenido

t−1
X
Zt = λ (1 − λ)j Xt−j + (1 − λ)t Z0
j=0
donde los pesos de las observaciones pasadas disminuyen exponencialmente en una serie de tipo
geométrico.
En una muestra con variables Xi , IID con varianzas común σ 2 , se tiene que para el estadistico de
control EWMA,
Var(Zt ) =λ2 [1 + (1 − λ)2 + 1 + (1 − λ)4 + ... + 1 + (1 − λ)2(t−1) ]σ 2

λ2 [1 + (1 − λ)2t ] 2
= σ
1 − (1 − λ)2
λ2 [1 + (1 − λ)2t ] 2
= σ
2−λ
Esta varianza converge rápidamente a su valor asimptótico, es decir cuando t → ∞. En este caso la
varianza del estadístico EWMA es,
λ
σZ2 = σ2
2−λ
un estmativo mediante el error cuadrático medio,
t
1 X 2
σ̂Z2 = e
t − 1 i=1 i
las cartas Shewhart y EWMA construidas simultáneamente, puede usarse la igualdad entre las
desviaciones σ̂Z = σ̂
Los límites de control en la carta EWMA, son definidos en el intervalo de confianza, con un nivel de
signiicancia α,
P(T − σZ < θ < T + σZ ) = 1 − α
donde T es el valor o estadístico de control, θ la estimación del parámetro. Los límites de control
asimptóticos para este estadístico es,
1
λ 2
UCL = T + L σ
2−λ
CL = T
1
λ 2
LCL = T − L σ
2−λ
Los límites de control reales del esquema de control EWMA tiene la forma,
21
λ{1 − (1 − λ)2t }

UCL = T + L σ
2−λ
CL = T
21
λ{1 − (1 − λ)2t }

LCL = T − L σ
2−λ
esta formulación evidencia un esquema gráfico, en donde inicialmente los límites de control son variables,
comportamiento exponencial, a medida que aumenta el valor de t estos límites se aproximan a una
constante.
Como el objetivo generalmente es controlar los incrementos o decrementos de la medida de localización

o centramiento del proceso, se determinan los límites superior e inferior mediante las siguientes
notaciones,
1
λ 2
UCL = µ0 + L σ
2−λ
CL = µ0
1
λ 2
UCL = µ0 − L σ
2−λ
donde el valor de λ están sujeto a la sensibilidad de la carta de control, es decir las propiedades que
se desean de un valor de ARL previamente establecido antes de realizar el monitoreo. De tal manera que
L es una constante positiva, que puede tomar por ejemplo el valor de 3.0 para un nivel de significancia
de 0.0027 . Estos límites a pesar de que son fáciles de calcular, son menos visibles a los cambios en las
observaciones iniciales. Para solucionar este inconveniente algunos autores como Montgomery (2001) y
Ryon (2000) sugieren los límites correctos,
La siguiente información es tomada del tiempo, en segundos, de una actividad de empaque realizada
en una empresa que fabrica pastas alimenticias. El objetivo es aplicar una carta de control EWMA para
monitorear el promedio como estadístico de control en la fase II. Decide tomar el valor del coeficiente
λ = 0.2 de sensibilidad, donde los parámetros obtenidos en la fase I, son los siguientes: media µ =
147.082 y desviación estándar de σ = 5.316.
Figura: Empresa fabricante de pastas
Los datos para control se presentan en la siguiente tabla,

Subgrupo Tiempo
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 14.7083
S = 0.37804
En este caso,es observado una sola observación por subgrupo, lo que indica que esta carta de control
es construida con una EWMA de observaciones individuales.
Como se indico anteriormente, los parámetros son conocidos por lo que los cálculos de los límites de
control en la fase II, son los siguientes,
1
0.2

2
UCL = 147.082 + 3 × 5.316 = 149.459
2 − 0.2
CL = 147.082
1
0.2

2
LCL = 147.082 − 3 × 5.316 = 144.704
2 − 0.2
El cálculo de los estadísticos de control para cada uno de los subgrupos se presentan a continuación. Se
observa que el valor de inicio para el estadístico de control EWMAt−1 es el promedio µ.
Z1 = (1 − 0.2) × 147.082 + (0.2 × 146.116) = 146.889

Z2 = (1 − 0.2) × 146.889 + (0.2 × 148.443) = 147.200
... = ...
... = ...
... = ...
Z9 = (1 − 0.2) × 146.855 + (0.2 × 144.366) = 146.357
Z10 = (1 − 0.2) × 146.357 + (0.2 × 152.640) = 147.614
Los estadísticos EWMA obtenidos en cada subgrupo se presenta en la siguiente tabla,

Subgrupo Zt
1 146.889
2 147.200
3 146.060
4 147.324
5 146.468
6 147.166
7 146.763
8 146.855
9 146.357
10 147.614
En la carta de control, como se muestra en la siguiente figura, los estadístico de control monitoreados
poseen un comportamiento que se puede asumir como aleatorio. Lo que induce a afirmar que el proceso
se encuentra bajo control estadístico.
Figura: Carta de control EWMA
Sea un proceso bajo control en t = 0, donde λ = 0.5, tiene valor objetivo de 50, es decir se asume
Z0 = 50 y una varianza σ 2 = 2.0. La tabla muestra los valores EWMA para los primeros cinco datos,
Vargas (2009).
Subgrupo Xi Zt
1 52.00 51.00
2 47.00 49.00
3 53.00 51.00
4 49.30 50.15
5 50.10 50.13
los primeros tres valores son calculados de la siguiente forma,
Zi =(0.5)(52.00) + (1 − 0.5)(50.00) = 51.00

Z2 =(0.5)(47.00) + (1 − 0.5)(51.00) = 49.00
Z3 =(0.5)(49.00) + (1 − 0.5)(50.00) = 49.50
estos estadísticos son presentados en los límites de control
1/2
0.5

UCL = 50.00 + 3 (2.0) = 53.46
2 − 0.5
Cl = 50.00
1/2
0.5

UCL = 50.00 − 3 (2.0) = 46.53
2 − 0.5
Figura: Carta EWMA observaciones individuales
CARTA DE CONTROL EWMA EN R
library(qcc)
attach(datos)
windows()
ewma(data=datos[1:10,1:3], type="R", main="Carta de Control Ewma")
CARTA DE CONTROL FASE I- FASE II
library(readxl)
datos<-read_excel("Sodacomercial.xlsx", sheet = 1, skip =0)
library(qcc)
#cartas de control Shewhart
qcc(data=datos[1:10,1:3], type="R", main="Carta de Control del rango")
qcc(data=datos[1:10,1:3], type="S", main="Carta de Control de la desviación")
#cartas de control Ewma y Cusum
ewma(data=datos[1:10,1:3], type="R", main="Carta de Control Ewma")
cusum(data=datos[1:10,1:3], type="R", main="Carta de Control Cusum")
#### CONTROL EN LÍNEA ####
datoscontrol<-read_excel("Sodacomercial.xlsx", sheet = 2, skip =0)

#carta de control Shewhart
qcc(data=datoscontrol[1:10,1:3], type="xbar", main="Carta de Control de promedio", center=101, std.dev=3)
qcc(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control del rango", center=5, std.dev=3)
qcc(data=datoscontrol[1:10,1:3], type="S", main="Carta de Control de la desviación", center=3, std.dev=3)
#carta de control Ewma y Cusum
ewma(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control Ewma", center=101, std.dev=3)
cusum(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control Cusum", center=101, std.dev=3)
Crowder & Hamilton(1992) pronen los siguinetes estadísticos EWMA para las medidas de variabilidad
aplicando log(St2 ) donde el estadístico St2 es la varianza del i-ésimo subgrupo, los límites de control
están definidos como,
1/2
λ
UCL = c + L d
2−λ
LC = c
1/2
λ
LCL =c − L d
2−λ
donde c y d están definidos como

1 1 2
c = ln(σ 2 ) − − +
n−1 3(n − 1)2 15(n − 1)4
2 2 4 16
d= + + −
n−1 (n − 1)2 3(n − 1)3 15(n − 1)5
la estadística EWMA es calculada,
Zt = λlog(St2 ) + (1 − λ)Zt−1
para valores 0 < λ ≤ 1, t = 1, 2, ... y EWMA0 = c.
El contenido en gramos de un componente utilizado para la producción de un producto para el hogar, es

monitoreado en línea con una varianza conocida de σ 2 = 7.84, con un valor de sensibilidad λ = 0.2.
Subgrupo X1 X2 X3 X̄ Si2
1 103.696 103.978 101.357 103.01 2.07001
2 98.5777 103.982 98.5765 100.379 9.73765
3 103.712 107.437 102.126 104.425 7.43296
4 102.932 96.73 102.744 100.802 12.4447
5 102.761 101.184 97.7039 100.55 6.69538
1 1 2
c = ln(7.84) − − + = 1.484
3−1 3(3 − 1)2 15(3 − 1)4
2 2 4 16
d= + + − = 1.633
3−1 (3 − 1)2 3(3 − 1)3 15(3 − 1)5
los límites de control

1/2
0.2

UCL = 1.484 + 3 1.633 = 2.761
2 − 0.2
LC = 1.484
1/2
0.2

LCL = 1.484 − 3 1.633 = 0.206
2 − 0.2
los estadísticos EWMA calculados,
Z1 = (0.2)log(2.0700) + (1 − 0.2)(1.484) = 1.250

Z2 = (0.2)log(9.7376) + (1 − 0.2)(1.25) = 1.197
Z3 = (0.2)log(7.4329) + (1 − 0.2)(1.1976) = 1.132
Z4 = (0.2)log(12.4470) + (1 − 0.2)(1.1323) = 1.124
Z5 = (0.2)log(6.6950) + (1 − 0.2)(1.1248) = 1.064
en el caso univariado los límites de control

" 1/2 #
λ
UCL = σ02 1 + L
2−λ
LC = c
( " 1/2 #)
λ
LCL =mx 0, σ02 1 + L
2−λ
donde el estadístico EWMA es
St2 = λ(Xt − µ)2 + (1 − λ)St−1

2
para todo t > 2, 0 < λ ≤ 1, y S12 = (X1 − µ)2 . Los valores de L para un ARL bajo control son
calculados usando cadenas de Markov, Acosta, Mejía Pignatelo (20002).
Se utiliza una máquina para llenar latas con aditivo para el aceite del motor. Es seleccionada una lata de
muestra cada hora, y se obtiene el peso. Puesto que el proceso de llenado es automátizado, posee una
variabilidad estable, una larga experiencia indica que σ = 0.05 oz. La tabla muestra las mediciones en
10 horas de operación.
Observaciones x
1 8.00
2 8.01
3 8.02
4 8.01
5 8.00
6 8.01
7 8.06
8 8.07
9 8.01
10 8.04
1 suponiendo que el objetivo del proceso es 8.02 0z., establecer una EWMA para el proceso con
λ = 0.2 y L = 3.
2 Estime el intervalo de tolerancia, determine la capacidad de esta característica de calidad y el
desempeño con los datos en línea.
El estadístico de control para cada una de las valores obtenidos en cada uno de los subgrupos son
presentados a continuación, el valor de arranque es z0 = µ0 = 8.02.
Observaciones x 0.2(xi ) + (1 − 0.2)zi−1 zi
1 8.00 0.2(8.00) + (1 − 0.2)8.020 8.0160
2 8.01 0.2(8.01) + (1 − 0.2)8.016 8.0148
3 8.02 0.2(8.02) + (1 − 0.2)8.014 8.0158
4 8.01 0.2(8.01) + (1 − 0.2)8.015 8.0146
5 8.00 0.2(8.00) + (1 − 0.2)8.014 8.0117
6 8.01 0.2(8.00) + (1 − 0.2)8.011 8.0113
7 8.06 0.2(8.06) + (1 − 0.2)8.011 8.0211
8 8.07 0.2(8.07) + (1 − 0.2)8.021 8.0308
9 8.01 0.2(8.01) + (1 − 0.2)8.030 8.0267
10 8.04 0.2(8.04) + (1 − 0.2)8.0260 8.0290
los límites de control estándar estimados son los siguientes

s s
λ 0.2
UCl =µ0 + L [1 − (1 − λ)2t ]σ = 8.02 + 3 [1 − (1 − 0.2)2t ] (0.05)
(2 − λ) (2 − 0.2)
CL =µ0 = 8.02
s s
λ 2t
0.2
LCL =µ0 − L [1 − (1 − λ) ]σ = 8.02 − 3 [1 − (1 − 0.2)2t ] (0.05)
(2 − λ) (2 − 0.2)
límites variantes, sujetos al período t.
en el caso del primer período t = 1 los limites de control son

s
0.2
UCl =8.02 + 3 [1 − (1 − 0.2)2(1) ] (0.05) = 8.04
(2 − 0.2)
CL =8.02
s
0.2
LCL =8.02 − 3 [1 − (1 − 0.2)2(1) ] (0.05) = 7.991
(2 − 0.2)
en el segundo período t = 2.
s
0.2
UCl =8.02 + 3 [1 − (1 − 0.2)2(2) ] (0.05) = 8.058
(2 − 0.2)
CL =8.02
s
0.2
LCL =8.02 − 3 [1 − (1 − 0.2)2(2) ] (0.05) = 7.961
(2 − 0.2)
al tomar los límites asimptóticos

1 1
0.2

λ 2 2
UCL = µ0 + L σ = 8.02 + 3 (0.05) = 8.07
2−λ 2 − 0.2
CL = µ0 = 8.02
1 1
0.2

λ 2 2
UCL = µ0 − L σ = 8.02 − 3 (0.05) = 7.97
2−λ 2 − 0.2
EWMA Chart
for pesoslata
UCL
8.06
8.04
Group Summary Statistics
8.02
8.00
7.98
LCL
1 2 3 4 5 6 7 8 9 10
Group
Number of groups = 10 Smoothing parameter = 0.2
Center = 8.02 Control limits at 3*sigma
StdDev = 0.05 No. of points beyond limits = 0
Figura: Carta EWMA para el peso de las latas
aplicando la carta Shewhart para observaciones individuales, los estadísticos de control para el rango,
son presentados en la siguiente tabla.
Observación X MR(2)
1 8.0
2 8.01 0.01
3 8.02 0.01
4 8.01 0.01
5 8.0 0.01
6 8.01 0.01
7 8.06 0.05
8 8.07 0.01
9 8.01 0.06
10 8.04 0.03
donde los estadísticos de esta muestra es

P10
i=1 Xi 80.23
X̄ = = = 8.023
m 10
sP
10
s
2 0.005607
i=1 (Xi − X̄ )
S= = = 0.02496
m−1 10 − 1
Los límites estándar en el cálculo del rango móvil MR son estimados de la siguiente forma,
UCL = D2 (2)σ = 3.686(0.05) = 0.184

CL = d2 (2)σ = 1.128(0.05) = 0.056
LCL = D1 (2)σ = 0.0(0.05) = 0.0
UCL = µ + 3σ = 8.02 + 3.0(0.05) = 8.17

CL = µ = 8.02
LCL = µ − 3σ = 8.02 − 3.0(0.05) = 7.87
estos límites permiten realizar control con la información seleccionada en línea.
xbar Chart
for pesoslata
UCL
8.15
8.10
Group summary statistics
8.05
CL
8.00
7.95
7.90
LCL
1 2 3 4 5 6 7 8 9 10
Group
Number of groups = 10
Center = 8.02 LCL = 7.87 Number beyond limits = 0
StdDev = 0.05 UCL = 8.17 Number violating runs = 0
Figura: Carta Shewhart el peso de las latas
Las carta de control Cusum presentada por Page, Ewan, Hawkins, Gan, permiten monitorear la media de
un proceso bajo condiciones normales de diferentes maneras. Por lo general se toma el procedimiento
Cusum en donde el seguimiento de la característica de calidad se realiza en forma bilateral, que consiste
en tomar valores de la media µ0 y la desviación estándar σ0 de un proceso, donde n es el tamaño
de la muestra o subgrupo a monitorear. Generalmente se realiza estandarizaciones de la variable o el
estadístico de la siguiente forma,
x̄ − µ
Zt = σ0
n
donde x̄ representa la media estimada para cada uno de los subgrupo. Los estadísticos Cusum para t
subgrupo es,
El esquema del estadístico de control Cusum es de la siguiente forma,

+
Ct+ = max[0, T − k + Ct−1 ]
Ct− = min[0, T + k + Ct−1
−
]
Cuando se realiza una estandarización de las observaciones o los estadístico de control T , el valor inicial
o de arranque es C0+ y C0− > 0. Este estadístico de control puede ser una observación, cuando el
subrupo posee un solo dato, o un estadístico cuando se determina una característica de una muestra
seleccionada. Los límites de control de esta carta están definidos como ±Hσ, cuando se monitorea con
los valores reales; si estos se estándarizan los límites de control claramente debe ser ±3.
El esquema del estadístico de control Cusum cuando se realiza la estándarización tiene la forma,
+
Ct+ = max[0, Zt − k + Ct−1 ]
Ct− = min[0, Zt + k + Ct−1
−
]
el valor de k = 0.5 es un factor de sensibilidad de la carta Cusum. C0+ , C0− > 0, los valores C + son
usados para detectar incrementos en el estadístico de control, mientras C − permite detectar disminu-
ciones.
El estadístico T , para el caso de la carta de variabilidad es: Cusum S según Acosta y Mejía el estadístico
es σSn y la estadística de control de la suma acumulada se define como,
0
h S i
Ct+ = max 0, +
− k + Ct−1
σ0
h S i
− −
Ct = min 0, + k + Ct−1
σ0
1.064 σa
donde el valor de la constante de sensibilidad se cálcula de la siguiente froma: k = 2
(1 + σ0
). La
razón σa /σ0 mide el incremento de la variabilidad que se desea evaluar.
Rn
En el caso de la carta Cusum R es σ0
y la estadística de control de la suma acumulada es,
h R i
Ct+ = max 0, +
− k + Ct−1
σ0
h R i
− −
Ct = min 0, + k + Ct−1
σ0
2.326 σa
donde k = 2
(1 + σ0
).
A continuación se presenta los datos de la actividad del tiempo de empaque, tratada en la carta EWMA,
recuerdese que la media es µ = 147.082 y la desviación estándar es σ = 5.316.
Subgrupo Nitrógeno
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 147.083
S = 0.37804
Los cálculos obtenidos en la estandarización de la variable nitrogeno, son las siguientes,

Subgrupo Nitrógeno z
1 146.116 -0.181
2 148.443 0.256
3 141.500 -1.050
4 152.383 0.997
5 143.040 -0.760
6 149.958 0.541
7 145.151 -0.36
8 147.225 0.026
9 144.366 -0.510
10 152.640 1.045
la estandarización es realizada en la fase II utilizando los parámetros obtenidos en la fase de estabilidad

estadística.
146.116 − 147.082
Z1 = = −0.181
5.31
148.443 − 147.082
Z2 = = 0.256
5.31
... = ...
... = ...
152.640 − 147.082
Z10 = = 1.045
5.31
Los valores de estos estadísticos de control Cusum son presentados en el esquema, observese que el
valor inicial o de arranque del estadístico de control es cero.
C1+ = max[0, −0.181 − 0.5 + 0] máx[0, −0.681] = 0.000

C1− = min[0, −0.181 + 0.5 + 0] mı́n[0, 0.319] = 0.000
C2+ = max[0, 0.256 − 0.5 + 0.00] máx[0, −0.244] = 0.000
C2− = min[0, 0.256 + 0.5 + 0.00] mı́n[0, 0.319] = 0.000
... = ...
... = ...
... = ...
C10+ = max[0, 1.045 − 0.5 + 0.00] máx[0, 0.545] = 0.545
C10− = min[0, 1.045 + 0.5 − 0.010] mı́n[0, 1.045] = 0.000
estos estadísticos de control, se presentan sobre los límites de control CUSUM para Hσ, como se trata
de una estandarización es conveniente tomar los valores de−3 y 3 como límites de control.
Los cálculos de la variable estandarizada y los estadísticos de control para la carta CUSUM son los
siguientes,
Subgrupo Nitrógeno z C+ C−
1 146.116 -0.181 0 0
2 148.443 0.256 0 0
3 141.500 -1.050 0 -0.55
4 152.383 0.997 0.497 0
5 143.040 -0.760 0 0
6 149.958 0.541 0.041 0
7 145.151 -0.36 0 0
8 147.225 0.026 0 0
9 144.366 -0.510 0 -0.01
10 152.640 1.045 0.545 0
La carta Cusum estandarizada que se presenta en la figura, es la carta con los valores el estadístico de
control sin la estandarización. Se puede observar que no existen señales fuera de control, como también
no se observa un comportamiento no aleatorio.
Figura: Carta de control Cusum Promedio
La carta CUSUM estandarizada posee el siguiente esquema.
Figura: Carta de control Cusum Promedio Estandarizado
CARTA DE CONTROL CUSUM EN R
library(qcc)
attach(datos)
windows()
### CARTA DE CONTROL CUSUM
cusum(data=datos[1:9,3:4], type="R", main="Carta de Control Cusum")
Los datos siguientes presentan observaciones individuales del peso molecular tomadas cada hora en un
proceso químico.
Número de observaciones x Número de observaciones x
1 1045 11 1139
2 1055 12 1169
3 1037 13 1151
4 1064 14 1128
5 1095 15 1238
6 1008 16 1125
7 1050 17 1163
8 1087 18 1188
9 1125 19 1146
10 1146 20 1167
El valor objetivo del peso molecular es 1050 y se piensa que la desviación estándar del proceso es de
aproximadamente σ = 25.
1 Establecer una cusum tabular para la media de este proceso. Diseñar la cusum para detectar con
rápidez un corrimiento aproximadamente 1.0σ en la media del proceso.
2 ¿La estimación de σ usada en el inciso anterior de este problema es razonable?
la fórmulas aplicadas en cusum tabular son las siguientes
Ci+ = máx[0, xi − (µ0 + K ) + Ci−1

+
]
Ci− = máx[0, (µ0 − K ) − xi + Ci−1
−
]
en el caso del estadístico de control inferior otra forma de evaluarlo es
Ci− = min[0, xi − (µ0 − K ) + Ci−1

−
]
en el caso detectar un corrimiento de la media en una desviación estándar
µ1 = µ0 + δσ = µ + 1.0σ
entonces el valor de referencia K es determinado como

|µ1 − µ0 | |µ0 + δσ − µ0 | δ 1
K= = = σ = σ = 0.5σ
2 2 2 2
en el ejercicio el valor de K = 0.5(25). los límites de control son: en el unilateral superior
Hσ = 5(25) = 125, en el caso unilatral inferior −Hσ = −125
Los estadísticos de control unilateral superior, para el peso molecular son los siguientes, donde el valor
de arranque C0+ = 0.
Número de observaciones +
máx[0, xi − (µ0 + K ) + Ci−1 ] Ci+ contador N +
1 máx[0, 1045 − (1050 + 0.5(25)) + 0] = máx[0, −17.5] 0 0
2 máx[0, 1055 − (1050 + 0.5(25)) + 0] = máx[0, −7.5] 0 0
3 máx[0, 1037 − (1050 + 0.5(25)) + 0] = máx[0, −25.5] 0 0
4 máx[0, 1064 − (1050 + 0.5(25)) + 0] = máx[0, 1.5] 1.5 1
5 máx[0, 1095 − (1050 + 0.5(25)) + 1.5] = máx[0, 34] 34 2
6 máx[0, 1008 − (1050 + 0.5(25)) + 34] = máx[0, −20.5] 0 0
7 máx[0, 1050 − (1050 + 0.5(25)) + 0] = máx[0, −12.5] 0 0
8 máx[0, 1087 − (1050 + 0.5(25)) + 0] = máx[0, 24.5] 24.5 1
9 máx[0, 1125 − (1050 + 0.5(25)) + 24.5] = máx[0, 87] 87 2
10 máx[0, 1146 − (1050 + 0.5(25)) + 87] = máx[0, 170.5] 170.5 3
11 máx[0, 1139 − (1050 + 0.5(25)) + 170.5] = máx[0, 247] 247 4
12 máx[0, 1169 − (1050 + 0.5(25)) + 247] = máx[0, 353.5] 353.5 5
13 máx[0, 1151 − (1050 + 0.5(25)) + 353.5] = máx[0, 442.0] 442 6
14 máx[0, 1128 − (1050 + 0.5(25)) + 442] = máx[0, 507.5] 507.5 7
15 máx[0, 1238 − (1050 + 0.5(25)) + 507.5] = máx[0, 683.0] 683 8
16 máx[0, 1125 − (1050 + 0.5(25)) + 683] = máx[0, 745.5] 745.5 9
17 máx[0, 1163 − (1050 + 0.5(25)) + 745.5] = máx[0, 846] 846 10
18 máx[0, 1188 − (1050 + 0.5(25)) + 846] = máx[0, 971.5] 971.5 11
19 máx[0, 1146 − (1050 + 0.5(25)) + 971.5] = máx[0, 1055] 1055 12
20 máx[0, 1167 − (1050 + 0.5(25)) + 1055] = máx[0, 1159.5] 1159.5 13
es observado en el subgrupo 10 donde N + = 3 el proceso es considerado fuera de control, la señal de

alarma en este punto del lado superior el valor superera el límite de control 125, el contador N + = 3,
indica desde el momento en que el número de períodos consecutivos desde que el estadístico de control
esta por encima de cero. Es por tanto indicar, que en el período 10 − 3, esta característica de calidad
estuvo en control. Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart fo
Los estadísticos de control unilateral inferior, el valor de arranque C0− = 0

−
Número de observaciones máx[0, (µ0 − K ) − xi + Ci−1 Ci− ] contador N −
1 máx[0, (1050 − 0.5(25)) − 1045 + 0] = máx[0, −7.5] 0 0
2 máx[0, (1050 − 0.5(25)) − 1055 + 0] = máx[0, −17.5] 0 0
3 máx[0, (1050 − 0.5(25)) − 1037 + 0] = máx[0, 0.5] 0.5 1
4 máx[0, (1050 − 0.5(25)) − 1064 + 0.5] = máx[0, −26] 0 0
5 máx[0, (1050 − 0.5(25)) − 1095 + 0] = máx[0, −57.5] 0 0
6 máx[0, (1050 − 0.5(25)) − 1008 + 0] = máx[0, 29.5] 29.5 1
7 máx[0, (1050 − 0.5(25)) − 1050 + 29.5] = máx[0, 17] 17 2
8 máx[0, (1050 − 0.5(25)) − 1087 + 17] = máx[0, −32.5] 0 0
9 máx[0, (1050 − 0.5(25)) − 1125 + 0] = máx[0, −87.5] 0 0
10 máx[0, (1050 − 0.5(25)) − 1146 + 0] = máx[0, −108.5] 0 0
11 máx[0, (1050 − 0.5(25)) − 1139 + 0] = máx[0, −101.5] 0 0
12 máx[0, (1050 − 0.5(25)) − 1169 + 0] = máx[0, −131.5] 0 0
13 máx[0, (1050 − 0.5(25)) − 1151 + 0] = máx[0, −113.5] 0 0
14 máx[0, (1050 − 0.5(25)) − 1128 + 0] = máx[0, −90.5] 0 0
15 máx[0, (1050 − 0.5(25)) − 1238 + 0] = máx[0, −200.5] 0 0
16 máx[0, (1050 − 0.5(25)) − 1125 + 0] = máx[0, −87.5] 0 0
17 máx[0, (1050 − 0.5(25)) − 1163 + 0] = máx[0, −125.5] 0 0
18 máx[0, (1050 − 0.5(25)) − 1188 + 0] = máx[0, −150.5] 0 0
19 máx[0, (1050 − 0.5(25)) − 1146 + 0] = máx[0, −108.5] 0 0
20 máx[0, (1050 − 0.5(25)) − 1167 + 0] = máx[0, −129.5] 0 0
en el período 6 y 7 muestra un corrimiento negativo del promedio, pero controlado
cusum Chart
for datos
40
30
Above target
Cumulative Sum
20
10
UDB
Below target
0
LDB
1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
Group
Number of groups = 20 Decision interval (std. err.) = 5
Center = 1050 Shift detection (std. err.) = 1
StdDev = 25 No. of points beyond boundaries = 11
Figura: Carta cusum para el peso molecular
para evaluar el correimiento de la media, para posterior ajueste del promedio del proceso es aplicado
Ci+
µ̂ = µ0 + K + si Ci+ > H o
N+
C−
= µ0 − K − i− si Ci− > H
N
es el caso del subgrupo o período 10, donde C10+ = 170.5 la medida del corrimiento de esta caracteristica
es
C+ 170.5
µ0 + K + i+ = 1050 + (0.5)(25) + = 1119.33
N 3
esto indica que el peso molecular promedio, característica de calidad evaluada, se ha corrido de 1050 a
1119.33 por lo que es necesario realizar un ajuste de las variables que incidan en el peso molecular.
Los estadísticos de control para la carta Shewhart para observaciones individuales son
Observaciones x MR(2)
1 1045
2 1055 10
3 1037 18
4 1064 27
5 1095 31
6 1008 87
7 1050 42
8 1087 37
9 1125 38
10 1146 21
11 1139 7
12 1169 30
13 1151 18
14 1128 23
15 1238 110
16 1125 113
17 1163 38
18 1188 25
19 1146 42
20 1167 21
donde los estadísticos de esta muestra es

P20
i=1 Xi 22326
X̄ = = = 1116.3
m 20
sP
20
s
2 1124.5131
i=1 (Xi − X̄ )
S= = = 59.1849
m−1 20 − 1
Los límites estándar en el cálculo del rango móvil MR son estimados de la siguiente forma,
UCL = D2 (2)σ = 3.686(25) = 92.15

CL = d2 (2)σ = 1.128(25) = 28.20
LCL = D1 (2)σ = 0.0(25) = 0.0
UCL = µ + 3σ = 1050 + 3.0(25) = 1125

CL = µ = 1050
LCL = µ − 3σ = 1050 − 3.0(25) = 975
estos límites permiten realizar control con la información seleccionada en línea.
la figura muestra un estado fuera de contro, observese que la carta muestra un cambio de nivel a partir
del subgrupo 10.
xbar Chart
for datos
1200
Group summary statistics
1150
UCL
1100
1050
CL
1000
LCL
1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
Group
Number of groups = 20
Center = 1050 LCL = 975 Number beyond limits = 10
StdDev = 25 UCL = 1125 Number violating runs = 7
Figura: Carta cusum para el peso molecular
Inicialmente se toman muestras del proceso evaluando la varianza muestral S 2 para cada subgrupo
seleccionado. Posteriormente se realiza la transformación propuesta Tt = a + b(lnSt2 + c) tal como
se expuso en la propuesta S 2 Ewma de Castagliola. Una vez obtenida la transformación, se calcula el
estadístico Ct+ . Si este sobrepasa el límite de control superior LCS, se considera que el proceso se
encuentra fuera de control debido a una causa no aleatoria o especial que ha generado un aumentado
en la dispersión del proceso.
La transformación
Tt = A(n) + B(n)ln[St2 + C (n)]
tiene una distribuciónn aproximadamente normal estándar por lo que el primer valor de C0 se define
como,
C0 = E(Vt ) = E(Tt )
Siendo Tt = a + b ln(S 2 + c), se deduce que,
C0 = E(Tt ) = E[a + b ln(S 2 + c)]
entonces el valor de inicio se toma mediante una expansión de primer orden se deduce el valor de inicio
C0 ≈ a + b ln(σ02 + c)
Se reemplazan los valores a, b y c por A(n) − 2B(n)lnσ02 , B(n) y C (n)σ02 respectivamente, y se obtiene:
C0 ≈ A(n) − 2B(n)lnσ02 + B(n)ln(σ02 + C (n)σ02 )

simplificando,
C0 ≈ A(n) + B(n)ln(1 + C (n))
La varianza muestral se define: Pn 2

Xtj − X t
St2 =
j=1
,
n−1
s s
h γ(S 2 ) 2 γ(S 2 ) i 1 h γ(S 2 ) 2 γ(S 2 ) i 1
3 3
w= +1+ − +1− ,
2 2 2 2
entonces hacemos:
B(n) h w 2 (w 2 + 1) i
A(n) = ln
2 Var(S 2 )
1
B(n) = p ,
ln(w 2 + 1)
Var(S 2 )
p
C (n) = − E(S 2 ).
w
Para una variable aleatoria St2 = σ02 S 2 , siendo S 2 la varianza muestral de n variables aleatorias
independientes con distribución N(µ, σ02 ), el estadístico Tt toma la forma,
Tt = A(n) − 2B(n) ln σ0 + B(n) ln[St2 + C (n)σ02 ]
o equivalentemente,
Tt = a + b ln[St2 + c]
En consecuencia, se tiene que la distribución sólo depende de n de Tt es:

" #
t 1 t−A(n)
B(n)
t−A(n)
B(n)
n − 1 2
fTt = e fG e − C (n)

n B(n) 2 n−1
para t ≥ A(n) + B(n) ln[C (n)]. El valor objetivo Z0 para contruir la estadística de control es Z0 =
E(Tt ) = E[a + b ln(S 2 + c)]. Usando la expansión de primer orden, se deduce Z0 ≈ a + b ln(S 2 + c)
y reemplazando los valores de a, b y c por A(n) − 2B(n) ln σ0 , B(n) y C (n)σ02 se obtiene:
Z0 ≈ A(n) + B(n) ln[1 + C (n)]
Cuadro: Constantes A(n), B(n), C (n), ETt y σTt para diversos valores de n.
A(n) B(n) C (n) ETt σTt n

-0.6627 1.8136 0.6777 0.02472 0.9165 3
-0.7882 2.1089 0.6261 0.01266 0.9502 4
-0.8969 2.3647 0.5979 0.00748 0.9670 5
-0.9940 2.5941 0.5801 0.00485 0.9765 6
-1.0827 2.8042 0.5678 0.00335 0.9825 7
-1.1647 2.9992 0.5588 0.00243 0.9864 8
-1.2413 3.1820 0.5519 0.00182 0.9892 9
-1.3135 3.3548 0.5465 0.00141 0.9912 10
-1.3820 3.5189 0.5421 0.00112 0.9927 11
-1.4473 3.6757 0.5384 0.00090 0.9938 12
-1.5097 3.8260 0.5354 0.00074 0.9947 13
-1.5697 3.9705 0.5327 0.00062 0.9955 14
-1.6275 4.1100 0.5305 0.00052 0.9960 15
Ejercicio Práctico de Transformación de Castagliola propuesta Herrera (2009)
La siguiente información es suministrada del proceso de dosificación del producto hidrocortisona solución
tópica, de laboratorios PROCUM S.A. en la ciudad de Barranquilla.
Figura: Llenado de medicamento
A continuación se presenta la información de 20 subgrupos seleccionados aleatoriamente del proceso

en donde la característica de calidad que se toma como referencia es el contenido volumétrico de los
envases de 15 ml. La última columna muestra el estadístico de transformación, evaluado en fase II con
una desviación σ0 = 0.2.
Subgrupo X1 X2 X3 St2 Tt
1 14,91 14,88 14,52 0,047099 0.45809
2 14,92 14,89 14,54 0,0446 0.39678
3 14,91 14,89 14,59 0,032112 0.04957
4 14,93 14,90 14,61 0,031222 0.02180
5 14,62 15,11 14,93 0,061404 0.77836
6 14,66 15,12 14,94 0,053731 0.61336
7 14,66 15,13 14,94 0,055884 0.66133
8 15,06 15,14 14,95 0,009082 -0.8433
9 15,14 15,07 14,96 0,008226 -0.8872
10 14,97 15,08 15,17 0,010020 -0.7971
11 14,97 15,09 15,17 0,010120 -0.7923
12 15,23 14,85 15,01 0,036366 0.17570
13 14,97 14,82 15,18 0,032688 0.06683
14 14,98 14,83 15,19 0,032688 0.06683
15 14,88 15,27 15,21 0,044100 0.38324
16 14,83 14,99 15,22 0,038416 0.23285
17 14,84 15,01 15,22 0,036214 0.17093
18 14,85 15,23 15,01 0,036366 0.17570
19 14,97 14,81 15,18 0,034410 0.11865
20 15,24 14,85 15,02 0,038220 0.22731
Para este tamaño de muestra n = 3, los valores de las contantes de la transformación triparamétrica son
los siguientes: A(n) = −0.6627, B(n) = 1.8136, C(n) = 0.677, aplicando la ecuación la transformación
está dada como Tt = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[St2 + 0.677(0.22 )].
En las figuras se presenta el monitoreo de la variabilidad del producto Hidrocortisona mediante las cartas
tradicionales de control R, S y S 2 . En la carta R, S y S 2 , se observa un proceso bajo control de la
característica de calidad solució tópica de hidrocortisona, a partir de estas tres cartas se deduce que la
variabilidad se mantiene estable proxima al valor del parámetro establecido, es decir las cartas muestran
un proceso bajo control con respecto a la variabilidad del proceso.
Los estadísticos de control para los primeros tres subgrupos, utilizando la transformación de Castagliola
para la varianza, son los siguientes,
T1 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.047099 + 0.677(0.22 )] = 0.45809
T2 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.044600 + 0.677(0.22 )] = 0.39678
.
.
.
T3 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.038220 + 0.677(0.22 )] = 0.22731
los límites de control inferior y superior se encuentran entre −4.13σ y 4.13σ0 , asumiendo una
distribución normal estándar, es decr LCL = −0.826 y UCL = 0.826 respectivamente.
Figura: Carta cusum transformada Herrera (2009)

observese los puntos o estadísticos de Herrera
PhD Roberto José control, se encuentran por encima del limite de control superior
Acosta
Longitud de corridas RL y longitud promedio de corridas ARL
Es el número de puntos graficados en la carta hasta que aparezca una señal de alarma en un proceso
de monitoreo en línea denotado como RL.
La logitud de corridas es una variable aleatoria con un comportamiento geométrico, cuya medida de
probabilidad esta definida de la siguiente forma:
P(RL = x) = p(1 − p)x−1
En la carta de control del promedio, la probabilidad de una señal de alarma, es determinada de la

siguiente forma,

UCL − µ LCL − µ
P(X̄ > UCL) + P(X̄ < LCL) = P Z > +P Z <
σX̄ σX̄
µ + 3σx̄ − µ µ − 3σx̄ − µ

=P Z > +P Z <
σX̄ σX̄
3σx̄

−3σx̄
=P Z > +P Z <
σX̄ σX̄
= P (Z > 3) + P (Z < −3) = 0.001349 + 0.001349 = 0.0027
1 1
ARL = = = 370.37
p 0.0027
el número de corridas esperadas para que ocurra una señal de alarma,en condiciones normales des de
370.4 corridas. Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart fo
La curva operativa CO mide el desplazamiento del proceso en unidades de la desviación típica final y la
inicial, es decir:
µ1 − µ0
d=
σ0
σ1
λ=
σ0
En la carta de control de la media, la probabilidad que se encuentre dentro de los límites de control está
en función de (d, λ) de la siguiente forma,
P(d, λ) = P(LCL ≤ X̄ ≤ UCL)

= P(X̄ < UCL) − P(X̄ < LCL)

UCL − µ1 LCL − µ1
=P Z ≤ √ −P Z ≤ √
σ1 / n σ1 / n
√ √
L/ n − d −L/ n − d
=P Z ≤ √ −P Z ≤ √
λ/ n λ/ n
para distintos tamaños de muestra, se observa que el diagrama de medias es sensible al desplazamiento
y poco sensible al cambio de variabilidad.
Figura: Curva Operativa de la Media
La longitud de corridas provenientes de una carta de control Shewhart al seguir una distribución geo-
métrica, implica un sesgo pronuenciado, por lo que el promedio ARL no es una adecuada medida de
longitud. En ocasiones es de interes tomar otras medidas de desempeño, es el caso de los tiempos
promedio hasta la señal de alarma o ATS
ATS = ARLh
también este ARL puede expresarse en el número esperado de unidades indicivuales muestrales
I, siendo un tamaño de muestra n, la relación entre I y ARL es
I = nARL
En el caso de un corrimiento de una desviación estándar para un tamaño de subgrupo de cuatro (4), en
el caso de la carta de promedio, el ARL obtenido es 6.30, supóngase que el muestreo se realiza cada
hora, induce a detectar el corrimiento en la sexta hora del desarrollo del proceso. Es necesario realizar
un ajuste en este proceso, implica tomar las muestras cada media hora, el ATS es
ATS = 6.30(0.5) = 3.15
el corrimiento es detectado en la tercera muestra, el proceso espera aproximadamente 1.5 horas para
detectar el cambio
Cartas de Control No paramétricas
Inicialmente Das(2008) propone una carta de control no paramétrica para la varianza basada en el
estadístico de Conover y Iman (1978), posteriormente es modificado con el siguiente procedimiento,
1 seleccionar muestras de tamaño ni .

2 Para cada muestra ni seguida calcular T ; de esta manera k − 1 valores de T serán calculados,
posteriormente es evaluado las esperanzas E(T ) y Var(T )
3 calcular el valor estandarizado de T (Tzi ) para cada una de las muestras ni
4 establecer los límites de control en 3 y −3 con un límite de control central de cero.
Das(2008) afirma que la carta de control no paramétrico propuesta para la varianza, es más sensible que
las cartas de control paramétricas. Los valores de E(T ) y Var(T ) se definen como.
Pi+1
i xi
E(T ) =
ni
Pi+1
i [xi − E(T )]
Var(T ) =
ni − 1
la estandarización es,
x1 − E(T )
Tzi = p
Var(T )
Cartas de Control No paramétricas
Algunos autores proponen la carta de control de la mediana, como una carta robusta con el propósito
de monitorear variables en donde el supuesto de normalidad es rechazada. Los límites de control son,
σ̂
UCL = kf √
n
Pm
j=1 nj x̄j
CL = Pm
j=1 nj
σ̂
LCL = −kf √
n
donde k es una constate multiple de la desviación, y f es la razón del error estándar de las medianas
del subgrupo dividida entre el error estándar de las medias del subgrupo. El error estándar se define de
la siguiente forma,
S
SEX̄ = √X̄
n
SM
SEM = √
n
por tanto f esta definido como,
SEM
f =
SEX̄
Binomial distribution, Poisson distribution, Geometric distribution
Sección 2 Binomial distribution, Poisson distribution, Geometric distribution
Distribución Binomial
La distribución Binomial posee dos categorías, los eventos son considerados independientes en un proceso
de Bernoulli, asumiendo un porcentaje de la categoría de interés p, constante.
n!
b(X , n, p) = px (1 − p)(n−x)
(n − x)!x!
Los parámetros de la variable aleatoria X que posee una distribución Binomial son los siguientes: E(X ) =
µ = p y Var(X ) = σp2 = n , son en su orden la media y la varianza.
p(1−p)
En un proceso cuyo porcentaje de no conformes es del p = 0.10, es selecciona 200 unidades. ¿Cuál es
la probabilidad de que más de diez de estas unidades, sean no conformes?.
Los parámetros de este ejercicio son: tamaño de la muestra n = 200 y el procentaje de no conformes
de la categoría de interés, p = 0.10. La variable aleatoria X es el número de unidades no conformes
presentes en el proceso. Por lo tanto la medida de probabilidad esta dada resolviendo las siguientes
formulaciones,
10
X n!
P(X > 10) = 1 − px (1 − p)(n−x)
0
(n − x)!x!
= 1 − {P(X = 0) + P(X = 1) + P(X = 2)}
200! 200!

=1− 0.10 (1 − 0.1)(200−0) + .. + 0.110 (1 − 0.1)(200−10)
(200 − 0)!0! (200 − 10)!10!
= 1 − 0.008071 = 0.9919
Distribución Poisson
La distribución Poisson se asume que los eventos son independientes, el valor esperado λ del evento de
interés es constante a través del tiempo, área, longitud.
e−λ λx
p(X , λ) =
x!
Los parámetros de la variable aleatoria X , que posee un comportamiento aproximadamente Poisson, son
los siguientes: E(X ) = λ y Var(X ) = λ.
El promedio de errores o fallas encontradas en el monitoreo a lo largo de la una línea de un gasoducto

sigue una distribucion de Poisson con un promedio de fallas por kilometro de 5.0. ¿Cuál es la probabilidad
de que en un kilómetro cualesquiera se presenten dos o menos fallas?
El parámetro de esta distribución es λ = 5.0, la variable aleatoria X es el número de fallas por kilómetro
en la línea del gasoducto.
e−5.0 5.00 e−5.o 5.01 e−5.o 5.02

P(X ≤ 2) = + +
0! 1! 2!
= 0.1246
la medida de probabilidad de dos o menos fallas por kilometro lineal en el gasoducto, es de 12.46 %.
Distribución Geométrica
Es un proceso de Bernoulli con dos categorías, se asume que los eventos son independientes, el porcentaje
de la categoría de interés p es constante; el interés es evaluar el éxito en una determinada posición o
ubicación X , definida como el número de ensayos hasta obtener el éxito en el proceso estocástico.
g(X , p) = p(1 − p)(x−1)
Los parámetros de la variable aleatoria X que posee una distribución Geométrica que indica la ubicación
donde ocurrira el éxito X esta dando por E(X ) = 1/p y Var(X ) = p(1 − p)/p2 .
Un gestor de calidad desea evaluar la medida de probabilidad de que se presente una unidad no
conforme, en una línea de ensamblado. El procedimiento consiste en seleccionar en forma aleatoria
unidades a medida que avance la producción. ¿Cuál es la medida de probabilidad de que se presente
una unidad no conforme en la vigésima unidad seleccionada?, se asume el porcentaje de no conformes
del 5 %.
g(20, 0.05) = 0.05(1 − 0.05)(20−1) = 0.018867
la medida de probabilidad de seleccionar una unidad no conforme en la vigésima muestra es de 1.8 %
Introducción a las cartas de control por atributos
Cualquier característica de calidad que pueda ser clasificada en forma de conteo: cumple o no cumple,
funciona o no funciona, pasa o no pasa, número de fallas, número de no conformidades etc., a los
efectos de control del proceso, será considerado como un atributo y para su control se utilizará una
carta de Control por Atributos.Los criterios de aplicar las cartas de control por atributos, deben estar
claramente definidos de acuerdo a las condiciones del proceso y el procedimiento para decidir si esos
criterios pueden arrojar resultados consistentes a través del tiempo.
las cartas de control por atributos clásicas son:

Carta de control Descripción Campo de aplicación
p Proporciones de unidades no conformes o Tamaño de muestras variable o constante de
fracción de no conformes la fracción global de no conformes de un pro-
ceso.
np Número o cantidad de no unidades no con- Conteo del número de piezas no conformes
formes en una muestra de tamaño constante
c Número de no conformidades o fallas presen- Conteo del número de fallas o no conformida-
tes en una unidad o muestra constante de des en el proceso.
unidades
u Numero de no conformidades por unidad Conteo del número de fallas o no conformida-
des en tamaño de muestras variables de uni-
dades en el proceso.
Introducción a las cartas de control por atributos
el modelo general de las cartas de control de Shewhart definido en secciones anteriores es:
UCL = µw + Lσw
LC = µw
LCL = µw − Lσw
donde w es el estadístico de control que mide una característica de calidad. En general, en las cartas de
control por atributos es necesario:
Establecer la frecuencia con la cual los datos serán tomados (horaria, diaria, semanal).
Los intervalos cortos entre toma de muestras, permitirán una rápida retroalimentación al proceso
ante la presencia de problemas.
Los tamaños de muestra grandes permiten evaluaciones más estables del desarrollo del proceso y
son más sensibles a pequeños cambios en el promedio del mismo
Control charts
control Shewhart,
chart EWMA,
for fraction cusum univariate,
nonconforming, Cusum
Control chartunivariate
for numberHerrera - Control chart
nonconforming, for charts
control attributes
for nonconformities or defects, control chart for number of nonconformities per unit.
Control chart geometric, control chart demerit
Sección 3 control chart for fraction nonconforming, Control chart for

number nonconforming, control charts for nonconformities or defects,
control chart for number of nonconformities per unit. Control chart
geometric, control chart demerit
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control para la fracción disconforme
Un diagrama p muestra la variación existe en la fracción defectuosa en un proceso, en donde se conoce

como la fracción defectuosa la razón P
del número de unidades o cantidad de unidades no conformes (np)
g
y el tamaño total de la muestra (n = i=1 ni ). La gráfica p mide la fracción defectuosa como estadístico
de control, mientras que para la carta de la cantidad de no conformes, el estadístico de control es
el número de unidades no conformes presentes en una muestra de tamaño constante seleccionada
aleatoriamente.
Control charts
control Shewhart,
chart EWMA,
control attributes
El procedimiento para elaborar la carta de control de fracción de no conformes no conocido los

parámetros, es el siguiente:
1 Trazamos un diagrama preliminar para determinar si el proceso se encuentra en control,
calculando inicialmente el promedio de unidades no conformes durante el período en que se toma
la información histórica.
2 Para ello, tomamos el número total de partes defectuosas sobre el número total de inspecciones
realizadas.
3 Determinamos los limites de control superior e inferior de control históricos o de ensayo.
4 Es analizado la existencia de subgrupos o puntos fuera de los límites control, señales de alarma,
es determinado la existencia de causas asignables o no.
5 Es recálculado la proporción promedio de no conformes. Es análizado posteriormente el
comportamiento de las cartas, es debido a causas aleatorias, es decir el críterio de estabilidad
estadística del proceso.
6 Una vez estabilizada la carta, se procede a estimar los parámetros del proceso en este caso como
se trata de el supuesto de un comportamiento de distribución Binomial el parámetro estimado es
E(p̄) = p.
Control charts
control Shewhart,
chart EWMA,
control attributes
El estadístico de control que de cálcula para cada uno de los subrupos es la fracción de unidades no
conformes, definida como el cociente del número de unidades disconformes en la muestra Di y el tamaño
de la muestra ni , de la siguiente forma,
(np)i (D)i Di
pbi = = =
ni ni ni
la fracción promedio de estas fraccciones disconformes esta definida como:
Pm Pm
i=1 (np)i Di
p̄ = P m = Pi=1
m
i=1 ni i=1 ni
En la fase I la formulación de los límites de control superior. central e inferior, en esta carta esta definida
como,
s
p̄(1 − p̄)
UCL = p̄ + 3σp = p̄ + 3
ni
Cl = p̄
s
p̄(1 − p̄)
LCL = p̄ − 3σp = p̄ − 3
ni
Control charts
control Shewhart,
chart EWMA,
control attributes
Recálculo de los límites de control
La existencia de señales de alarma, fuera de los límites de control, en esta fase, es necesario recalcular
la estimación del parámetro p, de la siguiente forma:
Pm Pm
npi − npe Di − De
p0 = Pi=1 m = Pi=1
m
i=1 ni − ne i=1 ni − ne
donde p0 es la proporción o fracción de no conformes calculada en la estabilización estadística de la

carta de control, De es el subgrupo o subgrupos eliminados y ne es la muestra eliminada que contiene
estos subgrupos.Una vez estabilizado estadísticamente la carta de control, el parámetro p se estima de
la siguiente manera,
p = E(p̄) = p0
p0 es la proporción o fracción de no conformes calculada en la estabilización estadística de la carta de
control.
Control charts
control Shewhart,
chart EWMA,
control attributes
Utilizando los datos de la producción de un producto para el aseo, trácese un diagrama p para la
producción. Supóngase que las causas atribuibles han sido encontradas en el caso de todos los puntos
situados fuera de los límites del diagrama de control. El tamaño de muestra utilizado es de 200 unidades
por subgrupo.
Día del mes Número de unidades no conformes np Fracción de no conformes p̂
1 6 0.030
2 6 0.030
3 6 0.030
4 5 0.025
5 0 0.000
6 0 0.000
7 6 0.030
8 14 0.070
9 4 0.020
10 0 0.000
11 1 0.005
12 8 0.040
13 2 0.010
14 4 0.020
15 7 0.035
Control charts
control Shewhart,
chart EWMA,
control attributes
Los estadísticos de control, para los primeros tres subgrupos de la tabla el cálculo es el siguiente,
6
p1 = = 0.03
200
b
6
p2 = = 0.03
200
b
6
p3 = = 0.03
200
b
5
p4 = = 0.025
200
b
la fracción promedio evaluada en el proceso, es la siguiente:

Pm
Di 69
p̄ = Pi=1m = = 0.023
i=1 ni 3000
este valor permite estimar los límites de control
Control charts
control Shewhart,
chart EWMA,
control attributes
Los límites históricos en este caso de estudio son,

s
0.023(1 − 0.023)
UCL = 0.023 + 3 = 0.0547993
200
CL = 0.023
s
0.023(1 − 0.023)
LCL = 0.023 − 3 ≈ 0.00
200
Figura: Cartas de control por fracción de no conformes
Control charts
control Shewhart,
chart EWMA,
control attributes
recalculamos el estadístico de control,

Pm
np − npd
p0 = Pi=1m
i=1 n − nd
69 − 14
p0 = = 0.0196
3000 − 200
La formulación es de la siguiente forma,
s
p0 (1 − p0 )
UCL = p0 + 3σp = p0 + 3
ni
CL = p0
s
p0 (1 − p0 )
LCL = p0 − 3σp = p0 − 3
ni
observe que el tamaño de muestra puede ser variable, es decir, en cada subgrupo son evaluados los
límites de control. Algunos autores proporcionan una segunda propuesta, en el caso de tamaño variable,
es la obtención de un tamaño de muestra constante, aplicando la siguiente formulación:
Pm
i=1 ni
n̄ =
m
siendo m la cantidad de subgrupos
Control charts
control Shewhart,
chart EWMA,
control attributes
Los límites recalculados en el ejemplo son,

s
0.0196(1 − 0.0196)
UCL = 0.0196 + 3 = 0.0490
200
CL = 0.0196
s
0.0196(1 − 0.0196)
LCL = 0.0196 − 3 ≈ 0.00
200
Control charts
control Shewhart,
chart EWMA,
control attributes
El parámetro p es estimado mediante:

E(p̄) = p
donde el caso de estudio el parámetro estimado p̂ se estima mediante:
E(p̄) = p̂ = 0.0196
en general el procedimiento
1 Una vez obtenido los parámetros del proceso p para la carta de fracción de no conformes o np
para la carta de la cantidad de no conformes, se determina los limites estándar de control.
2 En el proceso se selecciona nueva información de un período posterior, para someterlo a control.
3 Se calculan los estadísticos de control para cada subgrupo, sea p̄ o n̄p.
4 Estos estadístico se presentan en los límites estándar de la carta p o np, para realizar un análisis
del comportamiento del proceso (Etapa de control)y tomar los correctivos inmediatos si existe un
Comportamiento en estado Fuera de Control.
Control charts
control Shewhart,
chart EWMA,
control attributes
Control en línea
la tabla para realizar monitoreo en línea es

Día del mes Número de unidades no conformes np Fracción de unidades no conformes p
1 1 0.005
2 3 0.015
3 1 0.005
4 4 0.020
5 0 0.000
6 4 0.020
7 15 0.075
el parámetro p es estimado en la primera fase como,
p = 0.0196
este parámetro permite evaluar los límites estándar de control
Control charts
control Shewhart,
chart EWMA,
control attributes
Control en línea
la formulación para la estimación de los límites de control estándar, son presentados en las siguientes
formulas,
s
p(1 − p)
UCL = p + 3σp = p + 3
ni
CL = p
s
p(1 − p)
LCL = p − 3σp = p − 3
ni
por tanto, los límites estándar son:

s
0.0196(1 − 0.0196)
UCL = 0.0196 + 3 = 0.049
200
CL = 0.0196
s
0.0196(1 − 0.0196)
LCL = 0.0196 − 3 = −0.0098 ≈ 0.00
200
Control charts
control Shewhart,
chart EWMA,
control attributes
Control en línea
La carta muestra un estado fuera de control, existe una señal de alarma, con tendencia creciente, es
decir un aumento de la fracción de no conformes.
Control charts
control Shewhart,
chart EWMA,
control attributes
Evaluación de las medidas de probabilidad dado el parámetro p
En este caso de estudio, suponga que se toma una muestra de 200 unidades. Se desea evaluar las
siguientes medidas de probabilidad: (1) no se presente unidades no conformes en esta muestra (2) se
presenten más de seis 6 unidades no conformes. Los parámetros dado para el desarrollo de este ejercicio
son n = 200 y p = 0.019. La variable aleatoria X es el número de unidades no conformes presentes en
el proceso. Por lo tanto la medida de probabilidad esta dada resolviendo las siguientes formulaciones,
200!
P(X = 0) = 0.0190 (1 − 0.019)(200−0)
(200 − 0)!0!
= 0.0215
la medida de probabilidad de que se presenta más de seis unidades no conformes, se puede apro-
ximar a una distribución norma, de la siguiente forma: se determina el parámetro de la medida
de localización µ = np = 200 × 0.0.019 = 3.8 y el parámetro de la medida de variabilidad
σ = 200 × 0.019 × (1 − 0.019) = 1.93 por tanto,
p
6 − 3.8

P(X > 6) = P Z >
1.93
= 1 − P (Z ≤ 1.138)
= 0.1274
el 12.74 % de las veces, se presenten más de seis unidades no conformes.
Control charts
control Shewhart,
chart EWMA,
control attributes
Contraste de Hipótesis
Puede también probarse la hipótesis de que la fracción disconforme del porceso en este último período
(control en línea), difiere de la fracción disconforme del procceso calculada con los datos preliminares
utilizando un contraste de hipótesis:
H0 : p1 = p2
H1 : p1 > p2
donde p1 es la fración disconforme del proceso de los datos preliminares y p2 es la fracción del proceso
en el último período. Es estimado p1 con p̂1 = p̄ = 0.0196, y p2 con
Pm
Di 28
p̄ = Pi=1m =
i=1 ni (7)(200)
= 0.02
el estadístico de la prueba para la hipótesis anterior es,
p̂1 − p̂2
Z0 = r
p̂(1 − p̂) m 1n + 1
m 2 n2
1 1
es rechazada la hipótesis nula cuando Z0 > Z0.05
Control charts
control Shewhart,
chart EWMA,
control attributes
donde p̂ es evaluado con

m1 n1 p̂1 + m2 n2 p̂2
p̂ =
m1 n1 + m2 n2
en este caso
2800(0.0196) + 1400(0.020)
p̂ = = 0.01973
2800 + 1400
el estadístico de la prueba
0.0196 − 0.020
Z0 = q
1 1
= −0.02876
0.01973(1 − 0.01973) 2800
+ 1400
con una confiabilidad del 95 %, el percentil Z0.05 = −1.645, por tanto, como Z0 < Z0.05 no es rechazada
la hipótesis nula H0 , es decir el porcentaje de disconforme en los datos en línea es similar a al porcentaje
de disconforme de los datos preliminares.
Control charts
control Shewhart,
chart EWMA,
control attributes
Para detectar un corrimiento del promedio de unidades no conformes Duncan (1985) sugirio que el
tamaño de la muestra debe ser suficientemente grande para detectarlo, estimo una probabilidad de más
del 50 % de detectarla, condicionada al tamaño de la muestra. La propuesta presentada por Duncan
(1985) es la siguiente: r
p(1 − p)
δ=L
n
donde δ es la magnitud del corrimiento en el proceso, entonces el valor de la muestra n es,
2
L
n= p(1 − p)
δ
es el caso de un proceso con p = 0.00196, es importante detectar el corrimiento de la fracción de no

conforme o disconforme en 0.03, p = 0.03, entonces δ = 0.03 − 0.0196 = 0.0104, al usar un nivel de
significancia de 0.027, el valor de L es 3, por tanto:
2
3

n= 0.0196(1 − 0.0196) = 1598.95 ≈ 1599
0.0104
Control charts
control Shewhart,
chart EWMA,
control attributes
Cartas de control estandarizadas
Esta carta de cotrol es definida como un tercer enfoque cuando el tamaño del subgrupo es variable, donde
el estadístico de control son unidades estandarizadas, es decir en término de desviaciones estándar. Los
límites de control superior, central e inferior, claramente son:
UCL = 3
LC = 0
LCL = −3
el estadístico de control o variable aleatoria graficada es,
p̂i − p
Zi = q
p(1−p)
ni
el valor de p, si es desconocido este parámetro, es estimado mediante E(p̄) = p
Control charts
control Shewhart,
chart EWMA,
control attributes
Caso de estudio: Ejercicio interruptores disconformes
Es presentado el número de interruptores disconformes en mustras de tamaño 150. Elaborar una carta
de control para la fración disconforme de estos datos.¿El proceso parece estar en estabilidad estadística?.
Número de muestra Número de interruptores disconforme Número de muestra interruptores disconforme
1 8 11 6
2 1 12 0
3 3 13 4
4 0 14 0
5 2 15 3
6 4 16 1
7 0 17 15
8 1 18 2
9 10 19 3
10 6 20 0
estimando el valor de p
Pm
Di 69
p̄ = Pi=1
m =
i=1 ni (20)(150)
= 0.023
es decir, p = 0.023
Control charts
control Shewhart,
chart EWMA,
control attributes
Evaluando la fracción disconforme por subgrupo y estandarizando

Número de muestra p̂ Zi Número de muestra p̂ Zi
1 0.05333 2.47830394 11 0.04000 1.388939571
2 0.00667 -1.334471352 12 0.00000 -1.879153537
3 0.02000 -0.245106983 13 0.02667 0.299575201
4 0.00000 -1.879153537 14 0.00000 -1.879153537
5 0.01333 -0.789789168 15 0.02000 -0.245106983
6 0.02667 0.299575201 16 0.00667 -1.334471352
7 0.00000 -1.879153537 17 0.10000 6.291079231
8 0.00667 -1.334471352 18 0.01333 -0.789789168
9 0.06667 3.567668309 19 0.02000 -0.245106983
10 0.04000 1.388939571 20 0.00000 -1.879153537
donde, por ejemplo, para los dos primeros subgrupos

p̂1 − p
Z1 = q
p(1−p)
n1
0.05333 − 0.023
= q
0.023(1−0.023)
150
= 2.4783
p̂2 − p
Z2 = q
p(1−p)
n2
0.00667 − 0.023
= q
0.023(1−0.023)
150
= −1.3344
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta muestra un comportamiento no aleatorio, con señales de alarma
el siguiente paso, es eliminar el subgrupos, asumiendo la existencia de causas asignables, corregidas en

el proceso de mejoramiento.
Control charts
control Shewhart,
chart EWMA,
control attributes
Eliminando las señales de alarma, para dos de los subgrupos 9 y 17, la carta muestra el siguiente
comportamiento
muestra una señal de alarma en el primer subrupo, por tanto, es eliminado, asumiendo la exixtencia de
causa asignable
Control charts
control Shewhart,
chart EWMA,
control attributes
La fracción disconforme promedio eliminando las tres señales de alarma, es

Pm
Di 26
p̄ = Pi=1
m =
i=1 ni (17)(150)
= 0.01411765
la fracción disconforme por subgrupo y estandarizando
Número de muestra Número de interruptores disconforme Tamaño de la muestra p̂ Zi
2 1 150 0.00667 -0.773508951
3 3 150 0.02000 0.610664961
4 0 150 0.00000 -1.465595906
5 2 150 0.01333 -0.081421995
6 4 150 0.02667 1.302751917
7 0 150 0.00000 -1.465595906
8 1 150 0.00667 -0.773508951
10 6 150 0.04000 2.686925828
11 6 150 0.04000 2.686925828
12 0 150 0.00000 -1.465595906
13 4 150 0.02667 1.302751917
14 0 150 0.00000 -1.465595906
15 3 150 0.02000 0.610664961
16 1 150 0.00667 -0.773508951
18 2 150 0.01333 -0.081421995
19 3 150 0.02000 0.610664961
20 0 150 0.00000 -1.465595906
donde, por ejemplo, para los dos primeros subgrupos

0.00667 − 0.01411
Z2 = q = −0.7735
0.01411(1−0.01411)
150
0.0200 − 0.01411
Z3 = q = 0.6106
0.01411(1−0.01411)
150
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta de control estandarizada estabilizada, es la siguiente
Control charts
control Shewhart,
chart EWMA,
control attributes
Función de operación característica o Curva operativa CO
La función de operación característica o curva operativa CO de la carta de control para la fracción de no

conformes es una representación gráfica de la medidas de probabilidad de no rechazar, incorrectamente,
la hipótesis de un proceso bajo control estadístico, error tipo II o β contra la fracción de no conforme
del proceso. Esta curva CO mide la sensibilidad de la carta de control dado un corrimiento de la fracción
promedio de disconforme del proceso de valor nominal p a otro valor p. Este valor tipo II esta definido
medniante la siguiente ecuación:
β = P[p̂ ≤ UCL|p] − P[p̂ ≤ LCL|p]

= P[D ≤ nUCL|p] − P[D ≤ nLCL|p]
donde D es una variable aleatoria (valor entero) binomial, con parámetros n y p. Es claro, basado en el
cálculo del error tipo II, la longitud de corridas ARL de esta carta de control, como cualquier carta de
Shewhart, esta definida para un proceso bajo control como:
1
ARL0 =
α
si el proceso esta fuera de control
1
ARLl =
1−β
Control charts
control Shewhart,
chart EWMA,
control attributes
La curva ARL para la carta de fracción disconforme o porcentaje de unidades no conformes es,
Control charts
control Shewhart,
chart EWMA,
control attributes
En el caso de un proceso donde el parámetro p = 0.0196, tamaño de muestra n = 200, entonces los
límites de control superior e inferior son UCL = 0.049 y LCL = 0, es decir:
P[D ≤ 200(UCL)|p] = P[D ≤ 10|p]

P[D ≤ 200(LCL)|p] = P[D ≤ 0|p]
calculando los valores del eeror tipo II para diversos valores de p, por ejemplo:
10
X 200!
P(D ≤ 10|p = 0.01) = px (1 − p)(200−x)
0
(200 − x)!x!
200! 200!

= 0.010 (1 − 0.01)200 + .. + 0.0110 (1 − 0.01)190
(200 − 0)!0! (200 − 10)!10!
= 0.999
y
200!
P(D ≤ 0|p = 0.01) = p0 (1 − p)(200−0)
(200 − 0)!0!
200!
= 0.010 (1 − 0.01)(200−0) = 0.1339
(200 − 0)!0!
la diferencia
β = P[p̂ ≤ 10|p] − P[p̂ ≤ 0|p]
= 0.999993118 − 0.133979675 = 0.86601344
Control charts
control Shewhart,
chart EWMA,
control attributes
Elaborando la tabla
Fracción disconforme P(D ≤ 10|p) P(D ≤ 0|p) β
0.01 0.999993118 0.133979675 0.866013443
0.02 0.997469401 0.017587947 0.979881454
0.03 0.959872258 0.002261241 0.957611017
0.04 0.819978983 0.000284608 0.819694375
0.05 0.583067182 3.50527E-05 0.583032129
0.06 0.340709137 4.22251E-06 0.340704915
0.07 0.166126692 4.97267E-07 0.166126195
0.08 0.069126516 5.72223E-08 0.069126459
0.09 0.025074231 6.431E-09 0.025074225
por ejemplo, la longitud promedio de corridas para un valor de corrimiento de la fracción disconforme
de p = 0.04
1
ARLl = = 5.543
1 − 0.8196
es decir, se necesita aproximadamente seis muestras, en promedio, para detectar este corrimiento con
un punto fuera de los límites de control.
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control para la cantidad de no conformes

El diagrama np muestra la variación existe en la cantidad o número de unidades no conformes de un
proceso, donde el parámetro p se conoce como la fracción de no conformes, para un tamaño del
subgrupo n constante. En donde el procedimiento de la fase I es el siguiente,
Control charts
control Shewhart,
chart EWMA,
control attributes
El primer paso es trazar un diagrama preliminar para determinar si el proceso se encuentra en estabi-
lidad estadística, para ello inicialmente se cálcula el promedio de cantidad de unidades no conformes
durante el período en que se toma la información histórica:
1 Calcular el número total de unidades no conformes del proceso, realizando una sumatoria de éstas
para cada subgrupo evaluado.
2 Posteriormente se determina los limites de control superior e inferior de control históricos, iniciales
o de ensayo tomando el promedio de la cantidad de unidades ni conformes np. ¯
3 Analizar si existen subgrupos o puntos fuera de los límites control, señal de alarma, se determina
si existen causas asignables. Eliminando del subgrupo, una vez, detectada la causa de la señal de
alarma.
4 Del item anterior, recálcular la cantidad de unidades no conformes, lo que implica evaluar los
límites históricos; análizando el comportamiento de la carta, es causada o no por la aleatoriedad
del proceso, es decir, el críterio de estabilidad estadística del proceso.
5 Una vez estabilizada la carta, se procede a estimar los parámetros del proceso en este caso como
se trata de el supuesto de un comportamiento de distribución Binomial el parámetro estimado es
E(np)
¯ = np.
Control charts
control Shewhart,
chart EWMA,
control attributes
El estadístico de control es la cantidad de unidades no conformes np,es decir el conteo por subgrupo de
las unidades no conformes presente en la muestra (el tamaño del subgrupo para esta carta es constante.
El promedio de la cantidad de no conformes se determina mediante,
Pm
i=1 np
np
¯ =
m
y la fracción promedio de unidades no conformes que se determina aplicando la ecuación desarrollada
en la carta p, Pm
np
p̄ = Pi=1
m
i=1 n
Control charts
control Shewhart,
chart EWMA,
control attributes
En la fase I la formulación de en esta carta esta definida,
¯ + 3σnp ¯ + 3 np(1
p
UCL = np ¯ = np ¯ − p̄)
CL = np
¯
¯ − 3σnp ¯ − 3 np(1
p
LCL = np ¯ = np ¯ − p̄)
Día del mes Número de unidades no conformes np

1 6
2 6
3 6
4 5
5 0
6 0
7 6
8 14
9 4
10 0
11 1
12 8
13 2
14 4
15 7
la fracción promedio es, Pm

np 69
p̄ = Pi=1
m = = 0.023
i=1 n 3000
Control charts
control Shewhart,
chart EWMA,
control attributes
El estadístico calculado es la fracción de unidades para el primer,segundo y tercer subgrupo es,

Pm
i=1 np 69
np
¯ = = = 4.6
m 15
la fracción promedio es,
69
p̄ = = 0.023
3000
Los límites estándar en el ejemplo son,
UCL = 4.6 + 3 4.6(1 − 0.023) = 10.9599

p
CL = 4.6
LCL = 4.6 − 3 4.6(1 − 0.023) = −1.75 ≈ 0.00
p
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta muestra una señal de alarma, en el octavo subgrupo (14 unidades no conformes), los puntos en
la parte inferior, no son evaluados como señales de alarma debido a que implica un mejoramiento del
proceso.
recalculamos los estadísticos,

Pm
np − npd
i=1
np0 =
m − md
69 − 14
np0 = = 3.92857
15 − 1
69 − 14
p0 = = 0.0196
3000 − 200
Control charts
control Shewhart,
chart EWMA,
control attributes
La formulación para los límites recalculados es,
UCL = np0 + 3σnp = np0 + 3 np0 (1 − p0 )

p
CL = np0
LCL = np0 − 3σnp = np0 − 3 np0 (1 − p0 )
p
los límites recalculados en el ejemplo son,
UCL = 3.92 + 3 3.92(1 − 0.0196) = 9.81607

p
CL = 3.92857
LCL = 3.92 − 3 3.92(1 − 0.0196) = −1.96 ≈ 0.00
p
Control charts
control Shewhart,
chart EWMA,
control attributes
la carta de control, muestra un comportamiento estable en el estadístico de control
Una vez estabilizada estadística de control, los parámetros np, p se estimas mediante:
E(np)
¯ = np
E(p0 ) = p
los parámetros np y p estimados para el caso de estudio, son en este caso np = 3.92 y p = 0.0196.
Control charts
control Shewhart,
chart EWMA,
control attributes
El procedimiento de la fase II para la carta np es similar a la presentada en la carta de fracción de no

conformes p y en general a las cartas de atributos mencionadas en la introducción.
1 Seleccionar nueva información del proceso, para un período posterior, una vez obtenido los
parámetros en la fase I, en este caso los parámetros obtenidos son p y np.
2 Determinar los limites estándar de control tomando los parámetros evaluados en la fase I.
3 Calcular los estadísticos de control para cada subgrupo, en este caso n̄p.
4 Estos estadístico se presentan en los límites estándar de la carta np, se hace un análisis del
comportamiento del proceso, control, y se toman los correctivos inmediatos si existe un
Comportamiento en estado Fuera de Control.
Control charts
control Shewhart,
chart EWMA,
control attributes
En la fase II la formulación de cada uno de los límites de la carta de control de la cantidad de no

conformes, es de la siguiente:
UCL = np + 3σnp = np + 3 np(1 − p)

p
CL = np
LCL = np − 3σnp = np − 3 np(1 − p)
p
los datos para control

Día del mes Número de unidades no conformes np
1 1
2 3
3 1
4 4
5 0
6 4
7 15
Control charts
control Shewhart,
chart EWMA,
control attributes
los parámetros definidos anteriormente, en su orden, np = 3.92 y p = 0.0196, implica que los límites
estándar son,
UCL = 3.92 + 3 3.92(1 − 0.0196) = 9.80

p
CL = 3.92
LCL = 3.92 − 3 3.92(1 − 0.0196) = −1.96 ≈ 0.00
p
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control para el número de no conformidades c
Carta de control para el número de no conformidades

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que
se están fabricando. Por ejemplo, en la fabricación de unidades se puede tomar ciertas no
conformidades tales como:
Deformidades en la superficie.
Rajaduras en un producto
Cortes inadecuados.
Aspecto de un color
las no coformidades pueden ser de diferentes tipos y se cuenta el total de todos estas fallas en la unidad
inspeccionada o unidades inspeccionadas. Obtenemos como resultado: es el número de no coformidades
presentes en la muestra seleccionada.
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta de control para el número de piezas defectuosas esta basada en la distribución de probabilidad
de Poisson. Los objetivos de la gráfica c son:
Reducir el costo relativo al proceso.
Informar a los supervisores de producción y a la administración acerca del nivel de calidad.
Determinar que tipo de defectos no son permisibles en un producto informar de la probabilidad
de ocurrencia de los defectos en una unidad.
Control charts
control Shewhart,
chart EWMA,
control attributes
La aplicación de la carta de control es útil para controlar el número de defectos presentes en una unidad
predeterminada. En este gráfico, el tamaño de la muestra debe ser fijo. El estadístico de control es c que
es el número de no conformidaes presente en la muestra, para el cálculo de los límites de control se
determina el promedio del número de no conformidades,
Pm
i=1 c
c̄ =
m
el uso de la carta de control c es especialmente conveniente cuando no existe una unidad natural de
producto y se requiere controlar la cantidad de defectos sobre una superficie o a lo largo de una longitud
constante. Si el número de defectos promedio es c̄ , entonces los límites de control para esta carta, en la
fase I, la formulación es de la siguiente forma,
√
UCL = c̄ + 3σc = c̄ + 3 c̄
CL = c̄
√
LCL = c̄ − 3σc = c̄ − 3 c̄
donde c̄ es el estadístico promedio estimado en la fase I.
Control charts
control Shewhart,
chart EWMA,
control attributes
Caso de Estudio:Ejercicio de la producción de bandas de hule
Un proceso produce bandas de hule con lotes de tamaño 2500. Los registros de inspección de los
últimos 17 lotes revelan los datos siguientes:
Número del subgrupo Número de no conformidadeso o falllas c
1 77
2 64
3 75
4 93
5 45
6 61
7 49
8 65
9 45
10 77
11 59
12 54
13 41
14 87
15 40
16 22
17 92
la fracción promedio es,

1046
c̄ = = 61.5294
17
Control charts
control Shewhart,
chart EWMA,
control attributes
En la fase I, la formulación es de la siguiente forma,

√
UCL = 61.5294 + 3 61.5294 = 85.0616
CL = 61.5294
√
LCL = 61.5294 − 3 61.5294 = 37.9972
la carta se presenta a continuación, nótese que existen señales fuera de los límites tanto inferior como
superior.¿Cómo analizarla?
Control charts
control Shewhart,
chart EWMA,
control attributes
El nuevo estadístico es, Pm

i=1 c − cd
c0 =
m − md
por tanto, Pm
i=1 1046 − (93 + 87 + 92)
c0 = = 55.29
17 − 3
es la nueva estimación del estadístico
Control charts
control Shewhart,
chart EWMA,
control attributes
Los calculos de los límites de control,

√
UCL = 55.29 + 3 55.29 = 77.59
CL = 55.29
√
LCL = 55.29 − 3 55.29 = 32.98
Control charts
control Shewhart,
chart EWMA,
control attributes
El parámetro λ de esta carta, se estima mediante el siguiente valor esperado:
E(c0 ) = λ
en la fase II, los límites de control estándar son estimados mediante las siguientes formulaciones,
√
UCL = λ + 3 λ
CL = λ
√
LCL = λ − 3 λ
donde el parámetro es estimado mediante E(c̄) = λ
Control charts
control Shewhart,
chart EWMA,
control attributes
Caso de Estudio: Producción de bandas de hule
Esta información consignada en la tabla inferior, es presentada para monitoreo en linea o control, ¿El
se encuentra en control estadístico?.¿Cuál es la probabilidad que se presente más de 35 no conformida-
des?¿Determine el tamaño de muestra seleccionada si la probabilidad que no se presente una falla es de
0.6 y el porcentaje de no conformes del proceso es de 3 %.
Número del subgrupo Número de no conformidades c
1 26
2 23
3 9
4 15
5 63
6 39
7 58
8 61
el parámetro esta definido como,

E(c̄) = λ = 55.29
en la fase II, los límites de control estándar en la fabricación de las unidades son los siguientes,
√
UCL = 55.29 + 3 55.29 = 77.59
CL = 55.29
√
LCL = 55.29 − 3 55.29 = 32.98
cada estadístico de control, encontrado en la nueva información suministrada por el proceso, es presen-
tado en la carta.
Control charts
control Shewhart,
chart EWMA,
control attributes
el comportamiento de la carta es la siguiente:
La carta de control muestra que el comportamiento del número de no conformidades presente en la

fabricación de las unidades permanece estable para los últimos cuatro subgrupos. Sin embargo, en los
primeros subgrupos se presenta un cambio de nivel descendente, lo que implica una mejora. Es decir el
ingeniero de calidad debe encontrar las causas de este comportamiento con el propósito de replicarlo en
el proceso.
Control charts
control Shewhart,
chart EWMA,
control attributes
En cuanto a la medida de probabilidad, por ejemplo, presentar más de 35 no conformidades, es claro

que la distribucón asumida es la de Poisson, lo que se hace necesario obtener el parámeteo λ, que se
cálculo en la fase I arrojando un resultado de λ = 55.29. Esto implica que la medida de probabilidad es,
P(X > 35) = 1 − P(X < 35)

= 1 − [P(X = 0) + ... + P(X = 35)]
35
X e−55.29 55.29x
=1−
i=0
x!
= 1 − 0.00235 = 0.9976
Por otro lado, se puede aplicar la aproximación a la normal

√ asumiendo que µ = 55.29 y la varianza
σ 2 = 55.29, lo que resulta una desviación de σ = 55.29 = 7.43. De esta forma se obtienes los
parámetros para realizar esta aproximación,
P(X > 35) = 1 − P(X < 35)

(35 − 55.29)

=1−P Z ≤
7.43
= 1 − P [Z ≤ −2.728]
= 1 − 0.0031 = 0.9968
Control charts
control Shewhart,
chart EWMA,
control attributes
El tamaño de muestra se obtiene mediante la aproximación de la distribución de la binomial a la Poisson,

donde el parámetro λ = np. Tomando la información que se presenta el parámetro es de Poisson es
λ = n(0.03). Aplicando medida de probabilidad y logaritmo natural en el desarrollo se tiene,
P(X = 0) = 0.60
e−n(0.03) n(0.03)0
= 0.60
0!
e−n(0.03) = 0.60
ln e−n(0.03) = ln 0.60
−n(0.03) ln e = ln(0.6)
ln(0.60)
n=
−0.03
n = 17.02 ≈ 18
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control para el número de no conformidades por unidasd u
Esta carta de control es similar a la carta del número de no conformidades c, en donde se realiza el
conteo a las fallas presentes en las unidades presentes. Pero se diferencia con respecto a la anterior carta,
en que la muestra seleccionada es variable en los subgrupos selecccionados. El estadístico de control
entonces se debe evaluar basado en la muestra que se seleccione, como también los límites de control
serán de igual manera modificados para cada subrupo.
Control charts
control Shewhart,
chart EWMA,
control attributes
El estadístico de control para la carta del número de no conformidades por unidad, se define entonces
de la siguiente forma,
ci
bu=
ni
para cada subgrupo seleccionado se realiza la razón entre el número de no conformidades o fallas
presentes en cada subgrupo y el tamaño de la muestra seleccionada. El promedio del número de no
conformidades por unidad se define como,
Pm
ci
ū = Pmi=1
n
i=1 i
Control charts
control Shewhart,
chart EWMA,
control attributes
En la fase I, la formulación para la carta de control del número de no conformidades por unidad se
presenta de la siguiente forma,
s
ū
UCL = ū + 3σu = ū + 3
ni
CL = ū
s
ū
LCL = ū − 3σu = ū − 3
ni
estos límites de control dependen del tamaño de muestra que posee el subgrupo. Si en el proceso de
muestreo, este tamaño de subrupo se modifica, los límites de control se construirán para cada uno de
los subgrupos. El promedio del número de no conformidades por unidad esta definido como la razón de
la cantidad de no conformidades presentes en la información y el total de la muestra seleccionada:
Pm
ci
ū = Pni=1
n
i=1 i
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control estandarizada para el número de no conformidades
Un enfoque adicional, es aplicar una carta de control estandarizada utilizando un estadístico de control
con unidades estandarizadas, implica, como se presento en la estandarización de la carta de fracción
disconforme, límites de control con los siguientes valores:
UCL = 3
LC = 0
LCL = −3
el estadístico de control o variable aleatoria es,

ui − ū
Zi = q
ū
ni
Control charts
control Shewhart,
chart EWMA,
control attributes
Caso de Estudio: Empresa textilera
Un ejemplo cotidiano se presenta en las empresas textileras, en donde el corte para el control de calidad
de los diferentes telares esta sujeta a las condiciones del proceso. La siguiente información muestra
el número de no conformidades encontradas en porciones de telas seleccionadas aleatoriamente, con
medidas diferentes,
Número del subgrupo tamaño del subgrupo Número de no conformidades c u
1 40 2 0.050
2 25 6 0.240
3 20 3 0.150
4 15 1 0.060
5 25 3 0.120
6 10 6 0.600
7 35 5 0.140
8 25 6 0.240
9 20 2 0.100
10 10 4 0.400
11 25 5 0.200
12 35 3 0.085
13 40 1 0.025
14 45 2 0.044
15 45 4 0.088
16 25 2 0.080
17 50 3 0.060
es realizado el cálculo del número promedio de no conformidades por unidad, aplicando la siguiente
formulación,
58
ū = = 0.1183
490
este valor de 0.1183 es el promedio de fallas presentes por unidad de muestra, en este caso la unidad es
el metro.
Control charts
control Shewhart,
chart EWMA,
control attributes
Los límites de control obtenidos en la fase I, se toma de la información histórica del proceso. Para algunos
autores es conveniente poseer un mínimo de seis meses de información para obtener estimaciones
adecuados de los parámetros. Los límites de control para la empresa textil son los siguientes, nótese que
están sujeto al tamaño de la muestra,
s
0.1183
UCL = 0.1183 + 3
ni
CL = 0.1183
s
0.1183
LCL = 0.1183 − 3
ni
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta de control muestra varias señales fuera de los límites, observese el límite superior que indican
causas asignables o especiales, que el ingeniero debe corregir para el mejoramiento de las condiciones
iniciales para una política de mejoramiento.
Sin embargo, nótese que existen señales o puntos por fuera del límite inferior, que no necesariamente
indique error en la toma de la información. Pueda que se trate de procedimientos novedosos que causan
un nivel de mejora en dicho proceso.
Control charts
control Shewhart,
chart EWMA,
control attributes
En el recalculo de los límites de control, solo tomaremos en cuenta las señales que se presentan por
encima del límite superior y se asume un mejoramiento del proceso con respecto a señales por debajo
del límite inferior. Pm
ui − (ud )
u¯0 = Pi=1m
i=1 ni − (nd )
el recálculo de estos limites, se elimina dos de los subgrupos, aplicando la siguiente formulación,
Pm
i=1 58 − (6 + 4)
u0 = = 0.1021
490 − (10 + 10)
en este caso el nuevo promedio de no conformidades por unidad es de 0.1021, se deben realizar los
cálculos de los límites históricos con este nuevo promedio, para buscar estabilidad estadística del
proceso.
Control charts
control Shewhart,
chart EWMA,
control attributes
Los calculos de los límites de control recalculados en para este ejercicio se presenta a continuación,
s
0.1021
UCL = 0.1021 + 3
ni
CL = 0.1021
s
0.1021
LCL = 0.1021 − 3
ni
estos límites están sujeto al tamaño de muestra de cada uno de los subgrupos, lo que indica que cada
uno de estos subgrupos contarán con su propio límite de control.
Control charts
control Shewhart,
chart EWMA,
control attributes
Observese que la nueva carta de control eliminado los subgrupo o señales que estaban por encima del
límite superior, una vez encontrada las causas, se encuentra en estabilidad estadística.
sin embargo, se debe identificar que la figura muestra una carta de control con límites constantes.
Estos límites se calculan tomando un promedio muestra, pero este tipo de aproximación puede resultar
inconvenientes porque tanto el error tipo I y el error tipo II pueden aumentar en el proceso decisorio.
Control charts
control Shewhart,
chart EWMA,
control attributes
Una vez estabilizada la carta de control el parámetro λ por unidad se estima mediante:
E(u¯0 ) = λ = 0.1021
este parámetro permitirá realizar control con la nueva información suministrada del proceso, evaluar
medidas de probabilidad y realizar estimaciones de las condiciones de capacidad del proceso.El anterior
parámetro permite encontrar los límites de control estándar, utilizando la siguiente formulaciones,
s
u 0.1021
r
UCL = u + 3 = 0.1021 + 3
ni ni
CL = u = 0.1021
s
u 0.1021
r
LCL = u − 3 = 0.1021 + 3
ni ni
Control charts
control Shewhart,
chart EWMA,
control attributes
La siguiente tabla muestra la nueva información recolectada en el proceso, en este caso la empresa textil,
que permitirá realizar control.
Número del subgrupo Número de no conformidades u Muestra
1 6 40
2 3 35
3 9 50
4 5 35
5 3 65
6 9 50
la fase I permite estimar el valor del parámetro λ por unidad definido anteriormente como,
u = 0.1021
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta de control del núemro de no conformidades por unidad para la nueva información o informacion
de control muestra un proceso bajo control observese que los puntos están alrededor del promedio
histórico.
Control charts
control Shewhart,
chart EWMA,
control attributes
Carta de control para el Número de Deméritos
La carta de control del número de deméritos, es una carta que detalla el tipo de no conformidades
presentes en el proceso, es decir categoriza o valoriza estas fallas de acuerdo con su importancia en el
proceso. Esta valoración esta sujeta en el conocimiento que poseea el personal responsable del proceso
y las necesidades de los clientes.
Control charts
control Shewhart,
chart EWMA,
control attributes
Es posible generar distintos tipos de defectos, tales como críticos, mayores, menores; esta clasificación
depende mucho de las organizaciones y del grado de impacto en la satisfacción del cliente. Por lo cual es
necesario dar una ponderación a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema
posible es el siguiente:
Defectos Tipo A Crítico (para Montgomerya, muy graves): No conformidad generada por el
cliente, como una queja o reclamo, o aquella que perjudica la satisfacción del cliente. La unidad
o dispositivo es inadecuada para su razón de uso, no es posible corregirse.
Defectos Tipo B Mayores (Montgomery:Graves): Aquella no conformidad que puede afectar a la
satisfacción del cliente pero generada por la organización. La unidad o dispositivo sufrirá
fallas de operación que reducirá su vida util.
Defectos Tipo C Menores (Moderadamente graves): No conformidad que no afecta ni a la
satisfacción del cliente ni al desarrollo normal de los servicios prestados.La unidad
posiblemente fallará en servicio o causará un problema que es menos grave que una
falla de operación
Defectos tipo D (Menores): La unidad no fallará en servicio pero tiene defectos
menores de terminado, apariencia o calidad de trabajo
Control charts
control Shewhart,
chart EWMA,
control attributes
El número de deméritos en la unidad inspeccionada se define en la siguiente ecuación (propuesta de

algunos autores9, asumiendo que cada clase de no conformidades o defectos es independiente asumiendo
la distribcuón de Poisson como el modelo que se ajusta a la ocurrencia de estas fallas:
di = WA CA + WB CB + WC CC
donde a las WA , WB , WC , se les asignan valores generalmente de 9 para las no conformidades críticas y
1 a las no conformidades menores, aunque no existe una regla definida para estos pesos la organización
o el gestor de calidad puede otorgárselo con libertad. Montgomery propone el número de demeritos
aplicando la siguiente formulación:
di = 100CiA + 50CiB + 10CiC + CiD
donde CiA , CiB , CiC yCiD es el número de no conformidades (defectos) de la clases A, B, C y D respectiva-
manete en la i-ésima unidad inspeccionada.
Control charts
control Shewhart,
chart EWMA,
control attributes
Al tomar ni como el número de unidades de la muestra, entonces el número de deméritos por unidad es:
D
Ui =
ni
donde D = ni=1 di es el número total de deméritos en las ni unidades inspeccionadas totales. La línea
Pi
central del carta de control por deméritos es,
LC = Ū = WA U¯A + WB U¯B + WC U¯C
donde UA , UB y UC es igual a:
N
1 X
U¯A = CA
N d=1
N
1 X
U¯B = CB
N d=1
N
1 X
U¯C = CC
N d=1
siendo N es igual a las unidades inspeccionadas en la fase I.
Control charts
control Shewhart,
chart EWMA,
control attributes
Los límites de control son calculados con las siguientes formulaciones:
UCL = Ū + 3c
σU
LC = Ū
LCL = Ū − 3c
σU
la desviación del número de deméritos se estima con la siguiente ecuación:

s
WA2 U¯A + WB2 U¯B + WC2 U¯C
σ
cU =
n
Control charts
control Shewhart,
chart EWMA,
control attributes
Función de operación característica o Curva operativa CO en la carta de deméritos
Asumiendo una distribucón de Poisson para el número de no conformidades, la función de operación

característica o curva operativa CO de las cartas de control c y u es,
β = P[x ≤ UCL|c] − P[x ≤ LCL|c]
donde x es una variable aleatoria de la distribución Poisson con parámetro c. Por tanto, la longitud de
corridas es bajo control es
1
ARL0 =
α
si el proceso esta fuera de control
1
ARLl =
1−β
Es el caso de estudio en la carta c donde los límites de superior e inferior son respectivamente UCL =
77.59 y LCL = 32.98, por la ecuación anterior:
β = P[x ≤ 78|c] − P[x ≤ 33|c]
para la carta u, la curva CO puede generarese a partir de,
β = P[x ≤ UCL|u] − P[x ≤ LCL|u]
= P[c ≤ nUCL|u] − P[c ≤ nLCL|u]
nUCL
X enu (nu)x
=
x=nLCL
x!
Control charts
control Shewhart,
chart EWMA,
control attributes
Función de operación característica o Curva operativa CO en la carta de deméritos
En el caso de un proceso donde el parámetro p = 0.0196, tamaño de muestra n = 200, entonces los
límites de control superior e inferior son UCL = 0.049 y LCL = 0, es decir:
P[D ≤ 200(UCL)|p] = P[D ≤ 10|p]

P[D ≤ 200(LCL)|p] = P[D ≤ 0|p]
calculando los valores del eeror tipo II para diversos valores de p, por ejemplo:
10
X 200!
P(D ≤ 10|p = 0.01) = px (1 − p)(200−x)
0
(200 − x)!x!
200! 200!

= 0.010 (1 − 0.01)200 + .. + 0.0110 (1 − 0.01)190
(200 − 0)!0! (200 − 10)!10!
= 0.999
y
200!
P(D ≤ 0|p = 0.01) = p0 (1 − p)(200−0)
(200 − 0)!0!
200!
= 0.010 (1 − 0.01)(200−0) = 0.1339
(200 − 0)!0!
la diferencia
β = P[p̂ ≤ 10|p] − P[p̂ ≤ 0|p]
= 0.999993118 − 0.133979675 = 0.86601344
Control charts
control Shewhart,
chart EWMA,
control attributes
Caso de Estudio: Proceso de Fabricación en una empresa de manufactura
Los datos históricos del proceso de fabricación de unidades en una empresa de manufactura, es presen-
tado en la tabla inferior.
Item. Día Tipo A Tipo B Tipo C
1 Lunes 0 1 1
2 Martes 1 1 0
3 Miercoles 0 1 1
4 Jueves 1 1 0
5 Viernes 1 1 0
6 Sabado 0 1 2
7 Lunes 0 1 2
8 Martes 0 0 1
9 Miercoles 0 0 2
es considerado un análisis de no conformidades através de la carta de control por Deméritos, ayudará a

establecer unos límites permisibles de no conformidades de Tipo A, Tipo B y Tipo C para la fabricación
de unidades de un proceso.
Control charts
control Shewhart,
chart EWMA,
control attributes
Por ejemplo, se desea analizar los datos mediante la carta de control por Deméritos, con el propósito de
tener un punto de partida para definir metas de no conformidades. Los datos del presente análisis son
descritos en la siguiente tabla.
Tipo de no conformidad Peso del demérito L M M J V S L M M
Tipo A 9 0 1 0 1 1 0 0 0 0
Tipo B 6 1 1 1 1 1 1 1 0 0
Tipo C 3 1 0 1 0 0 1 2 1 2
es observado el peso de cada una de las categorías, y el número de unidades no conformes presentes
cada uno de los días
Control charts
control Shewhart,
chart EWMA,
control attributes
revaluando la tabla de deméritos, así como la evaluando los estadísticos de control para cada uno de los
períodos, es presentado en la tabla inferior:
Tipo de no conformidad Peso del demérito L M M J V S L M M
Tipo A 9 0 1 0 1 1 0 0 0 0
Tipo B 6 1 1 1 1 1 1 1 0 0
Tipo C 3 Pni 1 0 1 0 0 1 2 1 2
Total demérito por mes D= i=1 di 9 15 9 15 15 9 12 3 6
Tamaño de la muestra por mes C ni 1 1 1 1 1 1 1 1 1
Deméritos por unidad Ui = nD 9 15 9 15 15 9 12 3 6
i
los deméritos por unidad, son los estadísticos de control, evaluados en los límites de control
Control charts
control Shewhart,
chart EWMA,
control attributes
inicialmente es evaluado, los estadísticos para cada una de las categorías

N
1 X
U¯A = CA
N d=1
N
1 X
U¯B = CB
N d=1
N
1 X
U¯C = CC
N d=1
donde N es el número de unidades inspeccionadas en todo el período, en este caso es el valor de 9, por
tanto, el demérito promedio, para este caso de estudio,
3
U¯A = = 0.33
9
7
U¯B = = 0.78
9
8
U¯C = = 0.89
9
Control charts
control Shewhart,
chart EWMA,
control attributes
Evaluando el demérito promedio del total de períodos Ū, el limite de control central es:
LC = Ū = WA U¯A + WB U¯B + WC U¯C

= 9 × 0.333 + 6 × 0.78 + 3 × 0.89 = 10.32
los límites de control superior e inferior son respectivamante,
UCL = Ū + 3c
σU = 10.32 + 3 × 9.1 = 38
LCL = Ū − 3c
σU = 10.32 − 3 × 9.1 = −17 ≈ 0
siendo la desviación estándar del número de deméritos,

s
WA2 U¯A + WB2 U¯B + WC2 U¯C
σ
cU =
n
s
92 × 0.33 + 62 × 0.78 + 32 × 0.89
= = 9.1
1
Control charts
control Shewhart,
chart EWMA,
control attributes
La carta de control del número de deméritos presenta un comportamiento estable.
Control charts
control Shewhart,
chart EWMA,
control attributes
Fin de la Primera Sección
Muchas Gracias

Section I - Control Chart For Variables and Attributes

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Section I - Control Chart For Variables and Attributes

Cargado por

Copyright:

Formatos disponibles

Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart for attributes

VARIABLE AND ATTRIBUTES CONTROL CHART

Programa de Ingeniería Industrial

Sección 1 Normal distribution tables, Finding the Z score, Central limit

donde µ y σ 2 son la media y la varianza de la distribucíon de la población a partir de la cual se obtiene

P(Deterelproceso) = 1 − P(490 < X̄ < 510)

es decir, la medida de probabilidad de detener el proceso es de 0.0124.

es, en forma aproximada N(0, 1).

es utilizada para inferencias acerca de mu cuando conocida la varianza poblacional σ 2 . La variable Z es

Es un diagrama en donde se realiza el seguimiento de un estadístico de control o variable aleatoria a

El estaístico de control, es evaluado a partir de muestras con variables aleatorias provenientes de

Montgomery(2001) muestra el cálculo de los estadísiticos de control de las cartas de control R, X̄ , S 2 , S,

Vargas (2011) presenta dos riesgos en el proceso de muestreo,

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Una carta de control consta de los siguientes elementos:

P(−3 6 Z 6 3) = P(Z 6 3) − P(Z 6 −3) = 0.998650 − 0.00134 = 0.9973

1 Escojer la varable aleatoria o características de calidad del producto o servicio

Mejoramiento continuo del proceso

Mejoramiento continuo del proceso

Mejoramiento continuo del proceso

Mejoramiento continuo del proceso

El comportamiento del estado o comportamoiento tipo mezcla, es presentado en la figura inferior,

Figura: Estado no aleatorio Mezcla

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

Figura: Estado no aleatorio Tendencia

Figura: Estado no aleatorio Cambio de Nivel

El ciclo generalmente se presenta en cuando se realizan modificaciones extremas de metodologías, o

Figura: Estado no aleatorio Ciclo

Figura: Reglas de estados no aleatorios

Reglas 1, 2, 3, 3, 4, 4l, 4ll y 7. Si el gráfico de medias presenta alguna de estas indicaciones y el

Figura: Coeficientes de las cartas de control

entre otras constantes .

UCLR = (2.575)10.8889 = 28.0307

Figura: Diagrama de Control del rango R

Cálculo del estadístico X̄

UCL = 57.2593 + 1.023(10.8889) = 68.3993

El diagrama de control para la medida de localización, presenta el siguiente esquema,

Figura: Diagrama de Control del promedio X̄

En la fase I cuando se realiza monitoreo de la característica de calidasd, para verificar estados no

Porque eventos contrarios, alta variabilidad en la información de esta característica, no es factible un

donde m es el número de subgrupos, seleccionados en la fase I, md es el número de subrupos elimi-

donde d2 es una constante que depende del tamaño del subgrupo.

En el ejemplo antes mencionado, los parámetros evaluados son los siguientes:

donde el valor de la constantes d2 = 1.693 es obtenido para un tamaño de subgrupo n = 3.

UCL = (d2 + 3d3 )σ

UCL = D2 σ = (4.358)(6.43) = 28.02

La formulación para los límites de control en la fase II, o límites estándar:

UCL = 57.2593 + 1.732(6.431) = 68.39

La siguiente tabla muestra la información de la característica de calidad monitoreada en el proceso, en

Figura: Diagrama de Control del rango R fase II

Es observado en la información en línea o control en línea, un comportamiento aparentemente no

Figura: Diagrama de Control del promedio Fase II

La siguiente figura, muestra el comportamiento de la carta de control para la medida de localización,

CARTAS DE CONTROL SHEWHART X R EN R-PROJECT

ambos estadísticos son estimadores sesgados de sigma,

UCL = X̄¯ + A3 S¯∗