Section ONE

Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control chart for attributes
VARIABLE AND ATTRIBUTES CONTROL CHART
PhD Roberto José Herrera Acosta
SECTION I
MÓDULO DE CONTROL ESTADÍSTICO DE PROCESOS

PROGRAMA INGENIERÁ INDUSTRIAL
Universidad del Atlántico
4 de febrero de 2022
Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control ch
PhD Herrera Acosta Roberto José
1 Normal distribution tables, Finding the Z score, Central limit theorem, control charts Shewhart,
Ewma, Cusum univariate, Cusum univariate Herrera
Cartas de Control por Variables- Propuesta Shewhart
2 Cartas de Control Shewhart para Observaciones Individuales MR
3 Cartas de control EWMA, Exponentially Weighted Moving Average
Caso de Estudio: Tiempo de empaque
Caso de Estudio: Ejercicios de LLenado
4 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 Transformación de Castagliola propuesta Herrera (2009)
5 Cartas de Control No paramétricas
6 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
Distribución Binomial
Distribución Poisson
Distribución Geométrica
7 Carta de control para la fracción disconforme p
Cartas de control estandarizadas
8 Carta de control para la cantidad de no conformes np
9 Carta de control para el número de no conformidades c
10 Carta de control para el número de no conformidades por unidasd u
Carta de control estandarizada para el número de no conformidades
11 Carta de control para el Número de Deméritos D Control charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control ch
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
distribuidas. 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) =
i=1
n2
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/ 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(Detener el proceso) = 1 − P(490 < X̄ < 510)

 
490 − 500 510 − 500
=1−P 20
<Z< 20

√ √
25 25
490 − 500 510 − 500

=1−P <Z<
4 4
= 1 − P(−2.5 < Z < 2.5)
= 1 − [P(Z < 2.5) − P(Z < −2.5)] = 1 − [0.9937 − 0.0062]
= 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 indepen-
dientes 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

exponencial. 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 pro-
babilidad 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 dis-
tribución 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= σ
√
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 estadístico 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 = Valor Máximo − Valor Mínimo

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
(D)
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 po-
blación. 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
variaciones 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 = T + LσT
LC = T
LCL = T̄ − LσT
donde T es el estadístico, el limite de Control Superior USL, límite Central de Control LC y límite
Inferior de Control LCL. La característica 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 o comportamiento
no aleatorio, entre estos encontramos:
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

Desajuste de equipo

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
jornadas diurnas:
Equipo
Operario
Materia prima
jornadas diurnas:
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)
UCL = X̄¯ + 3b
σ = X̄¯ + 3 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 de c4 ,
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
2 τ ( n2 )
r
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.
la información es la siguiente
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 poste-
riormente 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.
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.
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
X̄i − X¯d
X¯0 = i=1
m − md
Pm
¯
i=1 R̄i − Rd
R¯0 =
m − md
donde m es el número de subgrupos, seleccionados en la fase I, md es el número de subrupos

eliminados, 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 consi-
deradas 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, porcentaje de un componente esencial, el gestor de calidad 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 localiza-

ción, 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]
2
r
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
ˆ es una combinación lineal de X̄¯ y S̄, es también
valores grandes de n,e independientes; además LCL
aproximadamente 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 LCS
ˆ 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+
n n m c42
estandarizando las diferencias

 
ˆ > 0) = 1 − φ  r
 3 
P(X̄i − LCS 
9(1−c42 )
h i
1

1+ m
1+ 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  r
  
 
9(1−c42 )
h i 
1
1+ m
1+ 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 LCL
ˆ
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 comporta-

miento 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, seleccio-
nando 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/2,n−1) = 1 − α
σ2
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
χ2(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
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) ≤ ≤ 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 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
2 2
con 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 puerta 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 para
P 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 estimación 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
n
j=1 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
σ2 3.2732
r
UCL = µ + 3 = 101.479 + 3 = 106.38
n 4
LC = µ = 101.479
s
σ2 3.2732
r
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
observando 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")
Cartas de Control Shewhart para Observaciones Individuales MR
Sección 2 Cartas de Control Shewhart para Observaciones Individuales

MR
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
Xi i=1
X̄ =
m
El rango móvil y su promedio son determinados por las siguientes expresiones:
MR = |Xi − X1−i |
m
X
¯ =
MR |Xi − X1−i |/m − 1
i=2
Los límites historicos para el rango móvil MR se presenta en las siguientes ecuaciones, tomando
como tamaño del subgrupo n = 2:.
(2) ¯
UCL = D4 MR
¯
CL = MR
(2) ¯
LCL = D3 MR
Los límites de control, Vargas (2009), para la medida de localización en este caso la media X̄ están
definidos como:
(2) ¯
UCL = X̄ + A2 MR
CL = X̄
(2) ¯
LCL = X̄ − A2 MR
Los parámetros estimados en esta carta se determinan mediante,

¯
MR
¯ =
E(MR) =σ
(2)
d2
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 si-
guientes 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:
(2)
UCL = D2 σ
(2)
CL = d2 σ
(2)
LCL = D1 σ
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
la cantidad de subgrupo es m = 10
P9
i=1 MRi 83.6
¯ =
MR = = 9.277
m−1 9
P10
i=1 Xi 558.22
X̄ = = = 55.825
m 10
Los límites históricos en el cálculo del rango móvil MR son estimados de la siguiente forma,
(2) ¯
UCL = D4 MR = 3.367(9.277) = 34.04
¯ = 9.277
CL = MR
(2) ¯
LCL = D3 MR = 0.0(9.277) = 0.0
Los límites de control para la medida de localización están definidos como:

(2) ¯
UCL = X̄ + A2 MR = 55.825 + 1.880(9.2779) = 73.265
CL = X̄ = 55.825
(2) ¯
LCL = X̄ − A2 MR = 55.825 − 1.880(9.2779) = 38.384
Las cartas de control de observaciones individuales rango móvil y del promedio, evidencia un
comportamiento aleatorio de la variable peso.
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
(2)
d2 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 (2) = 55.82 + 3 = 80.48
d2 1.128
CLµ = 55.825
" #
¯ 9.277

MR
LCl = µ − 3 = 555.82 − 3 = 31.16
(2)
d2 1.128
mientras en la medida de variabilidad

(2)
UCL = D2 σ̂ = 3.686(8.22) = 30.298
¯ = 9.277
CL = MR
(2)
LCL = D1 σ̂ = 0.0(8.22) = 0.0
Los estadísticos de control para la medida de localización X̄ 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 comporta-

miento 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 de las especifica-
ciones, 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")
Cartas de control EWMA, Exponentially Weighted Moving Average
Sección 3 Cartas de control EWMA, Exponentially Weighted Moving

Average
Roberts(1954) propone esta carta de control denominada Exponentially Weighted Moving Average
para obtener una estadística conocida como EWMA para monitorear los estadístico de control de
un proceso. En la formulación, es presentada el valor del estadístico EWMA, que puede tomar el
valor de una variable aleatoria T = X, el caso de bservaciones individuales, o T = X̄ cuando de
un estadístico. Esta carta de control es aplicada en procesos en donde la medida de variabilidad es
pequeña, es de suma importancia en los 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 = (1 − λ)EWMAt−1 + λXi
Vargas (2009) generaliza el esquema del estadístio EWMA mediante,
Zt = (1 − λ)Zt−1 + λXt
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. 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 iteractivo
P de 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 − LσZ < θ < T + LσZ ) = 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,
1
λ{1 − (1 − λ)2t } 2

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

LCL = T − L σ
2−λ
esta formulación evidencia un esquema gráfico, en donde inicialmente los límites de control son va-
riables, 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,
Asumamos como característica de calidad, el tiempo, en segundos, de una actividad en el área de

empaque de una empresa que fabrica pastas alimenticias. El objetivo es aplicar una carta de control
EWMA para monitorear esta característica de calidad, monitoreo en línea. El valor del coeficiente
de sensibilidad λ = 0.2, donde los parámetros obtenidos en la fase I son: 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 monitorea-
dos 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 = 4.0. 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.
los datos son los siguientes:

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
los valores de las contantes c y d son:
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
Carta EWMA−Var: contenido
5 UCL
LC
LCL
4
3
Varianza
2
1
0
1 2 3 4 5
Subgrupo
Figura: Carta EWMA para la varianza
En el caso univariado los límites de control, Acosta, Mejía Pignatelo (20002, presentan el siguiente
esquema
" 1/2 #
λ
UCL = σ02 1 + L
2−λ
LC = c
( " 1/2 #)
λ
LCL = máx 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.
En un proceso de llenado de aditivo para motor. es seleccionada una unidad, cada hora, obteniendo
el peso o volumen, respectivo. Puesto que el proceso de llenado es automátizado, posee una
variabilidad mínima y estable. Por otro lado, una larga experiencia, del responsable de calidad,
indica que la desviación del proceso σ = 0.05 oz. La tabla muestra las mediciones en 10 horas de
operación.
La información recabada en el proceso es presentada en la tabla inferior:

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 2t
0.2
UCl =µ0 + L [1 − (1 − λ) ]σ = 8.02 + 3 [1 − (1 − 0.2)2t ] (0.05)
(2 − λ) (2 − 0.2)
CL =µ0 = 8.02
s s
λ 0.2
LCL =µ0 − L [1 − (1 − λ)2t ]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,
(2)
UCL = D2 σ = 3.686(0.05) = 0.184
(2)
CL = d2 σ = 1.128(0.05) = 0.056
(2)
LCL = D1 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
Cartas de control Cusum Sumas Acumuladas
Sección 4 Cartas de control Cusum Sumas Acumuladas
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 = σ
√0
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 ±H σ, 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
disminuciones.
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
donde el valor de la constante de sensibilidad se cálcula de la siguiente froma: k = 2
(1 + σ
σ0
a
).
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 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 = 147.083
S = 0.37804
Los cálculos obtenidos en la estandarización de la variable nitrogeno, son las siguientes,

Subgrupo Tiempo 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 H σ, 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 Tiempo 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
H σ = 5(25) = 125, en el caso unilatral inferior −H σ = −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 ch
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 corrimiento 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,
(2)
UCL = D2 σ = 3.686(25) = 92.15
(2)
CL = d2 σ = 1.128(25) = 28.20
(2)
LCL = D1 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
SIMULACIÓN DE CARTAS DE CONTROL FASE II
######################## Simulación observaciones individuales ######################

library(qcc)
miu<-300
sigma<-1.5
n<-50
delta<-0.00
gamma<-0.00
######################## Generación de datos asumiendo normalidad ####################
datos<-rnorm(n, (1+gamma)*miu, (1+delta)*sigma)
######################### Carta Shewhart-EWMA-Cusum #####################################
Grafica_Medias <- qcc(data = datos, type = "xbar", plot = T, center=miu, std.dev=sigma)
Grafica_Cusum <- cusum(data = datos, type = "xbar", plot = T, center=miu, std.dev=sigma)
Grafico_EWMA<-ewma(data = datos, type = "xbar", plot = T, center=miu, std.dev=sigma)
#########################################################################################
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
hr γ(S 2 ) 2 γ(S 2 ) i 1 h γ(S 2 ) 2
r γ(S 2 ) i 1
3 3
w= +1+ − +1− ,
2 2 2 2
entonces hacemos:
B(n) h w2 (w2 + 1) i
A(n) = ln
2 Var(S 2 )
1
B(n) = p ,
ln(w2 + 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
f Tt = 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 σ Tt 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
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 pro-

ceso 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)

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 ch
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 desplaza-
miento 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
geométrica, 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
Sección 5 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 )
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 =
SEControl
X̄
charts Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control ch
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 6 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
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
Control charts
control Shewhart,
chart EWMA,
control attributes
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 %.
Control charts
control Shewhart,
chart EWMA,
control attributes
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 %
Control charts
control Shewhart,
chart EWMA,
control attributes
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
fracción de no conformes de la fracción global de no conformes de
un proceso.
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 pre- Conteo del número de fallas o no confor-
sentes en una unidad o muestra constante midades en el proceso.
de unidades
u Numero de no conformidades por unidad Conteo del número de fallas o no confor-
midades con tamaño de muestras variables
de unidades en el proceso.
D Numero de no conformidades por unidad Conteo del número de fallas o no confor-
con un peso asignado, según su gravedad, midades contamaño de muestras variables
a la falla en el proceso.
Control charts
control Shewhart,
chart EWMA,
control attributes
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
Carta de control para la fracción disconforme p
Sección 7 Carta de control para la fracción disconforme p
Un diagrama p muestra la variación existe en la fracción defectuosa en un proceso, en donde

se conoce como la fracción defectuosa la razón del número Pgde unidades o cantidad de unidades
no conformes (np) 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.
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.
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
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.
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
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=1
m = = 0.023
i=1 ni 3000
este valor permite estimar los límites de control
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
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
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
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.
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
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
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.
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

aproximar 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.

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=1
m =
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
m2 n2
1 1
es rechazada la hipótesis nula cuando Z0 > Z0.05
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.
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: s
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
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
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 =
n
i=1 i (20)(150)
= 0.023
es decir, p = 0.023
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 Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control ch
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.
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
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 Shewhart, EWMA, cusum univariate, Cusum univariate Herrera - Control ch
La carta de control estandarizada estabilizada, es la siguiente
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
La curva ARL para la carta de fracción disconforme o porcentaje de unidades no conformes es,
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
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.
Carta de control para la cantidad de no conformes np
Sección 8 Carta de control para la cantidad de no conformes np
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,
El primer paso es trazar un diagrama preliminar para determinar si el proceso se encuentra en

estabilidad 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.
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 desarro-
llada en la carta p, Pm
np
p̄ = Pi=1
m
i=1 n
En la fase I la formulación de en esta carta esta definida,
¯ + 3σnp ¯ +3
p
UCL = np ¯ = np ¯ − p̄)
np(1
CL = np
¯
¯ − 3σnp ¯ −3
p
LCL = np ¯ = np ¯ − p̄)
np(1
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
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
p
4.6(1 − 0.023) = 10.9599
CL = 4.6
LCL = 4.6 − 3
p
4.6(1 − 0.023) = −1.75 ≈ 0.00
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
La formulación para los límites recalculados es,
UCL = np0 + 3σnp = np0 + 3

p
np0 (1 − p0 )
CL = np0
LCL = np0 − 3σnp = np0 − 3
p
np0 (1 − p0 )
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
p
3.92(1 − 0.0196) = −1.96 ≈ 0.00
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.
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.
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
p
np(1 − 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
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
p
3.92(1 − 0.0196) = −1.96 ≈ 0.00
Carta de control para el número de no conformidades c
Sección 9 Carta de control para el número de no conformidades c
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.
La carta de control para el número de piezas defectuosas esta basada en la distribución de proba-
bilidad 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.
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.
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
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?
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
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
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
Esta información consignada en la tabla inferior, es presentada para monitoreo en linea o control,
¿El porceso se encuentra en control estadístico?.¿Cuál es la probabilidad que se presente más de
35 no conformidades?¿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

presentado en la carta.
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, está fuera de control, un cambio de nivel ascendente, lo que implica
corrección imediata en el proceso.
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
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!
−n(0.03)
e = 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
Carta de control para el número de no conformidades por unidasd u
Sección 10 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.
El estadístico de control para la carta del número de no conformidades por unidad, se define
entonces de la siguiente forma,
ci
u=
b
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
En la fase I, la formulación para la carta de control del número de no conformidades por unidad
se presenta de la siguiente forma,
r
ū
UCL = ū + 3σu = ū + 3
ni
CL = ū
r
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
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
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 infor-
mación 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.
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
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 necesaria-
mente indique error en la toma de la información. Pueda que se trate de procedimientos novedosos
que causan un nivel de mejora en dicho proceso.
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.
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.
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.
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, eva-
luar 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 formu-
laciones,
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
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
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.
Carta de control para el Número de Deméritos D
Sección 11 Carta de control para el Número de Deméritos D
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.
Es posible generar distintos tipos de defectos, tales como críticos, mayores, menores; esta clasifica-
ción 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
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

respectivamanete en la i-ésima unidad inspeccionada.
Al tomar ni como el número de unidades de la muestra, entonces el número de deméritos por

unidad es:
D
Ui =
ni
Pni
donde D = i=1 di es el número total de deméritos en las ni unidades inspeccionadas totales. La
línea 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.
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
c U =
n
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 opera-

ción 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!
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
Los datos históricos del proceso de fabricación de unidades en una empresa de manufactura, es
presentado 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.
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
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 ni 1 1 1 1 1 1 1 1 1
C
Deméritos por unidad Ui = D
ni 9 15 9 15 15 9 12 3 6
los deméritos por unidad, son los estadísticos de control, evaluados en los límites de control
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
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
c U =
n
92 × 0.33 + 62 × 0.78 + 32 × 0.89
r
= = 9.1
1
La carta de control del número de deméritos presenta un comportamiento estable.
Carta de control Geométrica
Sección 12 Carta de control Geométrica
Algunas veces,el número de unidades fabricadas es de tal magnitud, Humberto Gutiérrez Pulido,
y Román de la vara Salazar (2009)[7], que resulta imposible en el monitoreo de las unidades no
conformes, realizar un seguimiento mediante las cartas de control por atributos clásica. El número
de unidades no conformes detectada en la inspección con respecto al tamaño del lote, genera valores
de fracciones o porcentajes de no conformes es minúsculo, lo que implicaría cierta dificultad en
realizar un análisis del comportamiento del estadístico de control. La utilidad de este trabajo consiste
en probar la eficacia de la carta de control geométrica, con el propósito de mejorar el análisis de los
resultados obtenidos en procesos de producción discretos con un volumen significativo de unidades;
máxime cuando la calidad de un producto puede ser debido a causas que se puedan tener algún
grado de control. (Hernando Marino Navarrete)[2]
La variable de estudio presenta una distribución geométrica con una media:
1
µ = E [RL] =
p
define la función de la distribución acumulada como:
F (x) = P [RL ≤ x] = 1 − (1 − p)x
donde x = 1, 2, . . .
Para este apartado, el interés principal para lo que al proceso concierne es no permitir ningún
incremento de p, “que sería la probabilidad de encontrar una unidad no conforme en una serie de
muestras” [8] Duncan, Acheson(1989). Control de Calidad y Estadistica Industrial [8], se construye
solamente con el límite de control inferior.
P [RL ≤ L |p = p0 |] = α
donde p0 representaría el valor de p bajo control y α la probabilidad de que la carta registre un

falso positivo, el valor de L puede determinarse mediante la ecuación:
1 − (1 − p0 )L = α
a su vez
ln (1 − α)
L=
ln (1 − p0 )
En el análisis de datos, un valor RL inferior a L, mostraría una señal de que el proceso no

está en control y sería prudente una búsqueda de causas especiales que puedan causarlo. DEMING,
Edwards.(1965)[9]. Si por alguna razón se desconoce el valor de p0 bastaría con examinar un número
de artículos y estimar una fracción de conformes:
D
p0 =
N
donde D equivaldría al número de artículos no conformes encontrados en el experimento de N
muestras seleccionadas.
Además de esto, la longitud promedio de corrida para esta carta se obtiene con esta fórmula:
1 1
ARL = =
α 1 − (1 − p)L
Esta fórmula indica la cantidad promedio de muestras que tendrían que registrarse en el RL hasta
que la carta muestre una señal de alarma o estado fuera de control. Sabiendo esto se puede
también calcular el número promedio de unidades inspeccionadas representadas por ANS, hasta
que se presente la señal de alarma:
ANS = µ × ARL
1 1

=
p 1 − (1 − p)L
donde µ representa el número promedio de unidades en cada RL.
Caso de Estudio
Existen situaciones donde la probabilidad de que alguna actividad exitosa (unidad no conforme)
es tan insignificante que puede llegar a valores cercanos a cero. En este caso se escogió una
probabilidad de p = 0.001 y α = 0.05, por consiguiente usando la fórmula para L y µ, es
obtenido un valor promedio µ = 1000 y el valor de L = 51.26. A continuación es presentado
los datos del área de empaque de un producto a granel, organizados en lotes de aproximadamente
30000 unidades, en donde es determinado el conteo de las unidades no conformes en el proceso
de inspección del producto final:
8 11 0 8 2
39 22 3 2 17
100 50 0 0 22
7 26 39 15 18
0 2 11 36 9
0 2 9 47 0
0 0 0 0 0
41 18 28 0 0
2 0 25 24 0
0 17 0 54 27
0 0 35 0 14
32 15 0 43 27
28 0 0 0 39
Caso de Estudio
A continuación, es presentada la carta de control Geométrica obtenida en el monitoreoen línea, las

cuales muestran el monitoreo del estadístico de control, en este caso la media del proceso.
Figura: Carta de control geométrica para el monitoreo del área de empaque
usando la ecuación para número promedio de unidades inspeccionadas ANS, tomando los valores
de µ = 1000 y ARL = 20, generá el número de revisiones en este proceso con un valor de
ANS = 20.000 (valor aproximado), para detectar en una posible falsa alarma en el proceso de
inpección del área de emapque.
Índice de capacidad en variables discretas
Sección 13 Índice de capacidad en variables discretas
Generalmente se toma el valor de b p de la nueva información como un estimativo de la capacidad

del proceso. Pero algunos autores presentan algunas notaciones estadística para medir este índice
de capacidad es el caso de la siguiente formulación,
p−b p
CPp =
0.0027
donde p y p̄ son: el parámetro de proporción y la proporción promedio de los nuevos datos.
Herrera R. presenta la siguiente notación estadística como propuesta para de interpretación de este
indicador,
λ − bc
Cpλ =
0.0027
donde λ y c̄ son: el promedio de no conformidad como parámetro y estadístico de los datos en
línea.
Caso de Estudio: Empresa Textil
La siguiente tabla muestra la nueva información recolectada en la fabricación de telas, en este caso
la empresa textil presento la siguiente información para un monitoreo en línea.
Número del subgrupo Número de no conformidades u Muestra, metros de tela
1 6 40
2 3 35
3 9 50
4 5 35
5 3 65
6 9 50
una vez estabilizada la carta de control el parámetro λ por unidad se estima mediante:
E(u¯0 ) = λ = 0.1021
determinando el número de no conformidades por unidad promedio para los datos en línea:
P6
ci 35
ū = P6i=1 = = 0.1272
i=1 n i 275
aplicando el indicador de capacidad de no conformidades

λ−b u
Cpλ =
0.0027
[0.1021 − 0.1272]
= = −9.296
0.0027
el resultado de 9.296 negativo implica, acciones de mejoramiento inadecuadas, porque el número
de no conformidaes por unidad aumentaron.
Caso de Estudio: Empresa Textil
Fin de la Primera Sección
Muchas Gracias

Section ONE

Cargado por

Información del documento

Descripción 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 ONE

Cargado por

Copyright:

Formatos disponibles

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

VARIABLE AND ATTRIBUTES CONTROL CHART

PhD Roberto José Herrera Acosta

MÓDULO DE CONTROL ESTADÍSTICO DE PROCESOS

Universidad del Atlántico

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

P(Detener el proceso) = 1 − P(490 < X̄ < 510)

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

donde θ y θ2 son la media y la varianza respectivamente de la variable aleatoria con distribución

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

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

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

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

R = Valor Máximo − Valor Mínimo

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

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

notese que el valor de la constante L = 3, con el propósito de garantizar la confiabilidad del

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

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

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

la tendencia es un estado no aleatorio no deseado, cuando es evaluado en las cartas de control

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,

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

Montgomery(2001) presenta los límites de control para la medida de variabilidad R, asumiendo

Figura: Coeficientes de las cartas de control

entre otras constantes .

UCLR = (2.575)10.8889 = 28.0307

Figura: Diagrama de Control del rango R

UCL = 57.2593 + 1.023(10.8889) = 68.3993

La constante A2 = 1.023 según lo observado en la tabla de los coeficientes de control, para un

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

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

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,

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 localiza-

CARTAS DE CONTROL SHEWHART X R EN R-PROJECT

ambos estadísticos son estimadores sesgados de sigma,

UCL = X̄¯ + A3 S¯∗

Los parámetros de la carta de control para la medida de variabilidad y la medida de localización,

simplificando, los límites estándar para la desviación

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

P(Ei ) = P(X̄i > LCS) + P(X̄i < LCL) = 0.0027