FACULTAD NACIONAL DE INGENIERIA

INGENIERIA INDUSTRIAL

FORMULARIO CONTROL DE LA CALIDAD IND 3226

GRAFICAS DE CONTROL PARA VARIABLES
El teorema de limite central (distribución normal)
X−μ
Z= σ X = μ + Z ∗ σX̅
√n

σ
σX̅ = μ=̿
X
√n
• ̅ – 𝐑)
Gráfica de promedios y rangos (𝐗
Se estima la desviación típica del proceso a partir del rango medio de la siguiente forma. ̅
R
σ=
Por lo que X pasa a ser los límites de control.
d2
X = LCL o UCL
Considerando que entre +3σ y -3σ se encuentra 99.73%. Z toma el valor de 3.
̅
R 3
X=̿
X+3∗ ; A2 =
d2 ∗ √n d2 ∗ √n

̅ – R).
Por lo que los parámetros de control de la gráfica de promedios y rangos (X
∑𝑔𝑖=1 ̅
X ∑𝑔𝑖=1 R
𝑋̿ = 𝑅̅ =
g g
̅ es la media y R es el rango de la muestra
X

UCLX = ̿ ̅
X + A2 ∗ R ̅
UCLR = D4 ∗ R

̿
LCX = X ̅
LCR = R

LCLX = ̿ ̅
X − A2 ∗ R ̅
LCLR = D3 ∗ R

Parámetros revisados:

∑X̅−X ̅d ∑ R − Rd Ro
̅
Xo = Ro = σo =
g − gd g − gd d2

Los limites revisados para la gráfica de promedios y la gráfica de rangos.

UCLX = ̅
Xo + A ∗ σo UCLR = D2 ∗ σo

̅o
LCX = X LCR = R o

LCLX = ̅
Xo − A ∗ σo LCLR = D1 ∗ σo
 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

• ̅ – 𝐒)
Gráfica de promedios y desviaciones (𝐗

La desviación estándar muestral (S) se calcula: ̅)2

∑ki=1(xi − X
S2 =
▪ Los parámetros de control son: n−1

̿ + A3 ∗ S̅ UCLS = B4 ∗ S̅
UCLX = X

LCS = S̅
LCX = ̿
X

LCLS = B3 ∗ S̅
LCLX = ̿
X − A3 ∗ S̅

▪ Parámetros revisados:

∑̅X−̅ Xd ∑ S − Sd So
̅
Xo = So = σo =
g − gd g − gd c4
̅ o + A ∗ σo
UCLX = X UCLS = B6 ∗ σo

LCX = ̅
Xo LCS = So

̅ o − A ∗ σo
LCLX = X LCLS = B5 ∗ σo

• Capacidad de proceso

Variacion tolerable
Capacidad de un proceso =
Variacion del proceso

Índice Cp

USL − LSL
Cp =
6σ

Índice Cpk 𝑋̿ − 𝐿𝑆𝐿 𝑈𝑆𝐿 − 𝑋̿ 𝜇 − 𝐿𝑆𝐿 𝑈𝑆𝐿 − 𝜇

𝐶𝑝𝑘 = 𝑀𝑖𝑛 { ; } = 𝑀𝑖𝑛 { ; }
3𝜎 3𝜎 3𝜎 3𝜎

Índices Cpi, Cps

• Corrimiento
Probabilidad de detectar un corrimiento 1-β
LCL − μ1 UCL − μ1
Z1 = σ Z2 = σ
√n √n

1 − 𝛽 = 𝑃(𝑍 < 𝑍1 ) + 𝑃(𝑍 > 𝑍2 )

 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

Probabilidad de detectar un corrimiento en la r-esima muestra subsecuente.

P = βτ−1 ∗ (1 − β)
Longitud promedio de corrida fuera de control
1
ARL =
1−β
Longitud promedio de corrida bajo control
1
ARL =
α
• Otras graficas de control
Grafica Z y W
̅
X − Obj(X̿)
Z̅ = UCL = A2 LC = 0 LCL = − A2
̅)
Obj(R
R
W= UCL = D4 LC = 1 LCL = D3
̅)
Obj(R
Grafica EWMA
Vt = λ ∗ ̅
Xt + (1 − λ) ∗ Vt−1
λ: Peso o factor de ponderación asignada (0,05-0,25)
Vt−1 = V0 = ̿
X

λ λ
̿ + A2 R
UCL = X ̅√ ̿ − A2 R
LCL = X ̅√
2 − λ 2 − λ

Grafica mediana y Rango

LC = MdMd = ̃
X UCL = MdMd + A5 ∗ R Md LCL = MdMd − A5 ∗ R Md
LC = R Md UCL = D6 ∗ R Md LCL = D5 ∗ R Md

Grafica valores individuales

∑X
LC = UCL = ̅ ̅
X + 2,66 ∗ R LCL = ̅ ̅
X − 2,66 ∗ R
g
∑R
LC = ̅
UCL = 3,267 ∗ R LCL = 0
g

Grafica CUSUM tabular

Ci = ∑(x̅j − μ0 )

Ct + = max [0 ; (CVi − K) + Ct−1 +]

Ct − = min [0 ; (CVi + K) + Ct−1 − ]

 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

Ci: Suma que acumula las desviaciones de las medias muestrales con respecto a la media
Ct +: Suma acumulada superior
Ct -: Suma acumulada inferior C0 equivale a 0 normalmente.
μ0 = Dato ; σ = Dato ; μ1=De los datos ; k=( μ1 - μ0 )/2 ; h=5k

u0+k es el mismo para todos

ci-1 = c1=0
xi – (u0+k) + (ci-1)
Ct + = max [0 ; (CVi − K) + Ct−1 + ] max(0; xi – (u0+k) + (ci-1) )
N+ = Si (Ci>0 ; 1, 0)
N2+ = Si (C > 0; 1+N+ ; 0)
Para el negativo
(u0-k) - xi + (ci-1)
Limites. 1 grafica UCL = +h ; LCL=-h C+ Otra grafica C-

GRAFICAS DE CONTROL PARA ATRIBUTOS

Grafica p
d ∑ nc ∑p
p= p̅ = =
n ∑n g
Límites de control

p̅(1 − p̅) p̅(1 − p̅)

UCLp = p̅ + 3√ LC = p̅ LCLp = p̅ − 3√
n n

Limites revisados

p0 (1 − p0 ) ∑ np − npd p0 (1 − p0 )
UCLp = p0 + 3√ LC = p̅nuevo = p0 = LCLp = p0 − 3√
n ∑ n − nd n

Grafica np
∑ nc
np = n ∗ p̅ p̅ =
∑n
Límites de control
UCLp = np̅ + 3√np̅(1 − p̅) LC = np̅ LCLp = np̅ − 3√np̅(1 − p̅)
Limites revisados
∑ np − npd
UCLnp = np0 + 3√np0 (1 − p0 LC = np0 = LCLnp = np0 − 3√np0 (1 − p0
g − gd
Grafica c
Límites de control
∑c
UCLc = c̅ + 3√c̅ LCc = LCLc = c̅ − 3√c̅
g
 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

Limites revisados
∑ c − cd
UCLc = c0 + 3√c0 LCc = c0 = LCLc = c0 − 3√c0
g − gd
Grafica u
Límites de control

u̅ c ∑c u̅
UCLu = u̅ + 3√ u= LCu = u̅ = LCLu = u̅ − 3√
n n ∑n n

Limites revisados
u0 ∑ u − ud u0
UCLu = u0 + 3√ LCu = u0 = LCLu = u0 − 3√
n ∑ 𝐧 − 𝐧𝐝 n

DISTRIBUCIONES DE PROBABILIDAD

• Distribucion binomial.

Función de densidad
n
P(X = xi ) = ( ) px (1 − p)n−x
x
n = Número de ensayos/experimentos

x = Número de éxitos

p = Probabilidad de éxito

q = Probabilidad de fracaso (1-p)

Considerando una distribución binomial, la esperanza matemática y la varianza.

E(x) = x̅ = n ∗ p

VAR(x) = n ∗ p ∗ q

• Distribucion poisson.

La función de probabilidad de la distribución de poisson

e−λ . λx
pi = P(X = x) =
x!
Considerando una distribución de poisson, donde su media y varianza es

E(x) = VAR(x) = λ

• Distribución geométrica.

Donde su distribución de probabilidad es:

 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

La esperanza matemática y varianza se determinan de la siguiente manera.

• Distribución binomial negativa

Donde su distribución de probabilidad es:

𝑬(𝒙) = 𝒌/𝒑 𝑽𝑨𝑹(𝒙) = 𝒌𝒒/𝒑𝟐

• Distribución hipergeométrica

Donde su distribución de probabilidad es:

𝑘 𝑁−𝑘
( )( )
𝑝(𝑥𝑖) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
La esperanza matemática y varianza se determinan de la siguiente manera.

𝑘 𝑘 𝑘 𝑁−𝑛
𝐸(𝑥) = 𝑛 𝑉𝐴𝑅(𝑥) = 𝑛 (1 − )
𝑁 𝑁 𝑁 𝑁−1
Distribuciones de probabilidad continua

• La distribución normal

1 1 x−μ 2
f(x) = exp {− ( ) } − ∞<x<+∞
σ√2π 2 σ

Logrando la siguiente función de densidad de la distribución normal estándar.

1 1
f(x) = exp {− z 2 } − ∞ <x < +∞
√2π 2

X−μ
Z=
σ

• Distribucion uniforme.

Se dice que la variable aleatoria X sigue una distribución uniforma en el intervalo [a, b] cuando su
función de densidad es
 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

Su media y varianza son

• Distribucion exponencial

Considerando que la función de probabilidad de la distribución exponencial es la siguiente:

𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 𝑥>0

La función acumulada es:

𝐹(𝑥) = 𝑃(𝑋 < 𝑥) = 1 − 𝑒 −𝜆𝑥

𝐸(𝑥) = 1/𝜆 𝑉𝐴𝑅(𝑥) = 1/𝜆2

• Distribucion triangular

La función de densidad triangular es la siguiente:

2(𝑥 − 𝑎)
𝑓(𝑥) = ; 𝑎≤𝑥<𝑏
(𝑏 − 𝑎)(𝑐 − 𝑎)

2
𝑓(𝑥) = ; 𝑥=𝑏
(𝑐 − 𝑎)

2(𝑐 − 𝑥)
𝑓(𝑥) = ; 𝑏≤𝑥<𝑐
(𝑐 − 𝑏)(𝑐 − 𝑎)

Media

𝑎+𝑏+𝑐
𝜇=
3
La varianza:

𝑎2 + 𝑏2 +𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝜎=
18
• Distribucion Erlang

La función de densidad de probabilidad de X es:

𝜆𝑟 𝑥 𝑟−1 𝑒 −𝜆𝑡
𝑓𝑥 (𝑥) = ; 𝑝𝑎𝑟𝑎 𝑥 > 0 𝑦 𝑟 = 1,2, . ..
(𝑟 − 1)!

La esperanza de la variable aleatoria X es:

 FACULTAD NACIONAL DE INGENIERIA
INGENIERIA INDUSTRIAL

𝑟
𝜇𝑥 = 𝐸(𝑥) = 𝜆

La varianza de la variable aleatoria X es:

𝑟
𝜎𝑥 2 = 𝑉𝐴𝑅(𝑥) = 𝜆2

• Distribucion gamma

La función de densidad de probabilidad de la distribución gamma es:

1 𝑥
−
𝑓 (𝑥; 𝛼; 𝛽 ) = 𝑥 (𝛼−1) 𝑒 𝛽
𝛽𝛼 ∗ 𝛤(𝛼)

Y la función gamma es:

𝛤 (𝛼 ) = (𝛼 − 1)!

Para lo cual se debe hallar los parámetros de forma (α) y escala (β)de la distribución gamma

Esperanza matemática

𝜇 = 𝛼𝛽

Varianza

𝜎 2 = 𝛼𝛽 2

• Distribucion Weibull

La función de densidad de la distribución Weibull.

𝑥 𝛼
−( )
𝛼𝑥 𝛼−1 𝑒 𝛽
𝑓(𝑥) = ; 𝑥≥0 𝛼, 𝛽 > 0
𝛽𝛼

Los parámetros de forma α y de escala β