GESTION DE LA CALIDAD

CONTROL ESTADISTICO DE LA CALIDAD

 CONTROL ESTADISTICO DE LA
CALIDAD

Parámetros estadísticos
Población y muestra. Media muestral y media
poblacional
Cálculo de media, varianza y desviación estándar para
distribución discreta.
Cálculo de media, varianza y desviación estándar para
distribución continua.
Parámetros de distribución binomial, poisson y normal.
Estandarización de variables para la distribución normal.
Uso de la tablas, interpretación. Casos.
Población y Muestra
POBLACION
Es una colección de todos los elementos
que estamos estudiando y acerca de los
cuales se intenta extraer conclusiones.
Puede ser infinita o finita.

MUESTRA
Una parte de la población o un
subconjunto del conjunto de unidades
obtenidas con el objeto de investigar las
propiedades de la población
DEFINICIONES
ESTADISTICO
Elemento que describe una muestra y
sirve como estimación del parámetro de
la población correspondiente.

VARIABLE
Es una característica de la población que
se esta analizando en el estudio
estadístico, pudiendo ser cualitativa y
cuantitativa.
VARIABLES
CUANTITATIVAS CONTINUAS
Si las observaciones se Toma cualquier valor
expresan numéricamente. dentro de un rango dado.
Ejemp. Los ingresos de los Resulta de una medición.
trabajadores

CUALITATIVAS DISCRETAS
Se mide de una manera no Esta limitada a ciertos
numérica valores como números
Ejemp. Sexo de los enteros. Son el resultado
estudiantes del Senati. de la enumeración o
conteo.
DEFINICIONES
ERROR DE MUESTREO
Es la diferencia entre el
parámetro desconocido de
la población y el estadístico
de la muestra utilizado
para calcular el parametro

SESGO MUESTRAL
Es la tendencia a favorecer
la selección de ciertos
elementos de la muestra
en lugar de otros
MEDIDAS DE ESCALA
Nombres o clasificaciones que se usan para
NOMINAL datos en categorías distintas y separadas

Son las que se clasifican las observaciones en

ORDINALES categorías en un orden significativo

Basado en un sistema numérico conde el cero

DE RAZON es significativo

Medidas en un escala numérica donde el cero

DE INTERVALO es arbitrario; pero la diferencia entre valores
es importante
 Media muestral y poblacional
MEDIA MUESTRAL
La media muestral es una variable aleatoria, que depende de la muestra.
Es una variable aleatoria en general con una varianza menor que las variables
originales usadas en su cálculo.
Si la muestra es grande y está bien escogida, puede tratarse la media
muestral como un valor numérico que aproxima con precisión la media
poblacional, que caracteriza una propiedad objetiva de la población.
Se define como sigue, si se tiene una muestra estadística de valores
(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , …., 𝑥𝑛 ) de valores para una variable aleatoria X con
distribución de probabilidad F(x,θ) [donde θ es un conjunto de parámetros de
la distribución] se define la media muestral n-ésima como:

1 𝑛 𝑋1 +𝑋2 +𝑋3 +⋯+𝑋𝑛

𝑥𝑛 = T(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , …., 𝑥𝑛 )= σ𝑖=1 𝑋𝑖 =
𝑛 𝑛
 Media muestral y poblacional
Media poblacional

La media poblacional técnicamente no es una media sino un

parámetro fijo que coincide con la esperanza matemática de una
variable aleatoria.

El nombre "media poblacional" se usa para significar qué valor

numérico de una media muestral es numéricamente cercano al
parámetro media poblacional, para una muestra adecuada y
suficientemente grande.
Distribuciones Discretas

= σ𝑛𝑖=1 𝑋𝑖 ∗ 𝑃𝑖 𝜇 = ෍ 𝑃 𝑋 = 𝑥𝑖 ∗ 𝑥𝑖

Var = σ𝑛𝑖=1 𝑋𝑖 2 ∗ 𝑃𝑖 −

𝛿 2 = ෍ 𝑃 𝑋 = 𝑥𝑖 ∗ (𝑥𝑖 − 𝜇)2
𝑖
Desv. Stand = σ𝑛𝑖=1 𝑋𝑖 2 ∗ 𝑃𝑖 −
 Descripción del conjunto de datos

Distribuciones frecuentes Graficos

Distribución de
Histograma
frecuencia acumulada

Distribución de
Diagrama de barras
frecuencia relativa

Tablas de contingencia Diagrama circular

Diagrama de máximos
y minimos y al cierre

Diagrama de tallo y
hoja
Medidas de tendencia
Distribuciones Discretas

𝜇 = ෍ 𝑃𝑖 ∗ 𝑥𝑖

𝛿 2 = ෍ 𝑃𝑖 ∗ (𝑥𝑖 − 𝜇)2
𝑖

𝛿 2 = ෍ 𝑋𝑖2 ∗ 𝑃𝑖 − 𝑢2
𝑖

𝛿= 𝛿2

poblacional
Muestral
Distribuciones Discretas

• Ejemplo: Se lanza un dado de 4 caras, cuyas probabilidades de

Que salga cada una de las caras es la siguiente:
𝑿𝒊 𝑷𝒊 𝑿𝒊 ∗ 𝑷𝒊 𝑋𝑖 2 ∗ 𝑃𝑖
1 0.2 0.2 0.2

2 0.4 0.8 1.6

3 0.3 0.9 2.7

4 0.1 0.4 1.6

= σ𝑛𝑘=1 𝑋𝑖 ∗ 𝑃𝑖 = (1 ∗ 0.2) + (2 ∗ 0.4) + (3 ∗ 0.3) + (4 ∗ 1.1) = 2.3

Var = σ𝑛𝑖=1 𝑋𝑖 2 ∗ 𝑃𝑖 − = 12 ∗ 0.2 + 22 ∗ 0.4 + 32 ∗ 0.3 + 42 ∗ 1.1 − 2.3

Var = 6.1 − 2.3 = 3.8

Desv. Stand = 3.8 = 1.9494

Ejercicios
1. El número de automóviles que la empresa D & M
vendió mensualmente varió de 4 a 12 junto con la
frecuencia de ventas que se muestra en la siguiente
tabla:
Numero de meses Numero de autos fabricados (xi)
6 4
8 8
12 10
10 12
8 14
4 12

En meses anteriores el número promedio de ventas mensuales fue de 8 con

una variabilidad de 4,2. Empleando las cifras presentadas, determine que ha
pasado el promedio mensual de ventas y su variabilidad de la empresa D & M
en comparación con los meses anteriores.
omo E(X) = 10,167 y se evidencia que la empresa ha incrementado su promedio mensual de ventas y ha reducido su variabilidad en
comparación con los meses anteriores.
Distribuciones Continuas

Media

Varianza

Desviación estándar
Resolver:

• Por que es importante el muestreo?

Distribuciones

• Variable aleatoria
Es una variable cuyo valor es un evento aleatorio. Ejemplo1. Se lanza una
moneda tres veces y se anota el numero de caras que salieron.
Ejemplo2. Los pesos de envió de agua mineral en contenedores oscila entre 10
a 25 Lbs.
Variable Aleatoria Discreta
Puede asumir solo ciertos valores, con frecuencia números enteros.
Distribuciones

• Variable aleatoria continua

Resulta de la medición de y puede tomar cualquier valor, al menos dentro de
un rango dado. (los pesos del agua mineral es un ejemplo).
• Distribución de probabilidad
Es un despliegue de los posibles resultados de un experimento junto con las
probabilidades de cada resultado.
Distribuciones
Resultado (Caras) Probabilidad
0 1/8
1 3/8
2 3/8
3 1/8
1

4/8

3/8

2/8

1/8

0 1 2 3
MEDIA Y VARIANZA DE LAS DIST. DISCRETAS
Media o valor esperado de una
Distribución de probabilidad µ= 𝐸 𝑋 = σ𝑛𝑖=1[𝑋𝑖 ∗ 𝑃𝑖 ]
discreta

Distribución discreta para el lanzamiento de un dado

(1)
Solucion (2) (3)
(Xi) P(xi) (xi)*P(Xi) (4) (xi - µ)^2*P(Xi)
1 1/6 1/6 (1-3.5)^2*1/6 1.042
2 1/6 2/6 (2-3.5)^2*1/6 0.375
3 1/6 3/6 (3-3.5)^2*1/6 0.042
4 1/6 4/6 (4-3.5)^2*1/6 0.042
5 1/6 5/6 (5-3.5)^2*1/6 0.375
6 1/6 6/6 (6-3.5)^2*1/6 1.042
1 3.5 = µ = E(x) 2.92 =
El valor esperado de una variable aleatoria discreta es la media ponderada de
todos los posibles resultados en los cuales los pesos son la probabilidades
respectivas de tales resultados
VARIANZA DE UNA DISTRIBUCION POR
PROBABILIDAD
Varianza de una
distribución de probabilidad
𝛿 2 = 𝑋𝑖 − 𝜇 2 ∗ 𝑃(𝑋𝑖 )
Desviación estándar de una
distribución de probabilidad 𝜎= 𝛿2
DISTRIBUCION BINOMIAL

Cada ensayo en una distribución binomial termina en solo uno de dos

resultados mutuamente excluyentes, uno de los cuales se identifica
como un éxito y el otro Como un fracaso. La probabilidad de cada
resultado permanece constante al ensayo siguiente

𝑛!
P(X)= 𝜋 𝑥 (1 − 𝜋) 𝑛−𝑥
𝑋! 𝑛−𝑥 !

P(X)=𝑛 𝐶𝑥 (𝜋) 𝑥 (1 − 𝜋) 𝑛−𝑥

DISTRIBUCION BINOMIAL

Un gerente de la caja Piura ha descubierto que a

𝜋 = 10% de los usuarios de tarjeta no paga el monto completo de la
deuda durante un mes dado. Desea determinar la probabilidad de n =
20 cuentas seleccionadas de manera aleatoria, x = 5 de las cuentas no
sean pagadas. Esto puede expresarse como P(X=5| n = 20, 𝜋 = 10), lo
cual se lee como: “la probabilidad de cinco éxitos dado que hay 20
ensayos y la probabilidad de cualquier ensayo es de 10%

P(X)=20 𝐶5 (0.10)5 (0.9) 20−5

= 15504 0.00001 0.2058911 = 0.0319
MEDIA Y VARIANZA DE UNA DIST. BINOMIAL

Media de una distribución binomial E(X) = 𝜇 = 𝑛𝜋)

Varianza de una distribución binomial 𝛿 2 = 𝑛𝜋(1-𝜋)

Supongamos que el 70% de los pobladores de Lambayeque esta enlazado a

internet; si n=10000; entonces: E(X) = (10000)*(0.7) = 0.70.
De las 10,000 personas se esperaría que 7,000 estuvieran inscritas en
internet.

𝛿 2 = 10,000 ∗ 0.7 ∗ 0.3 = 2,100

𝛿 = 𝑛𝜋(1−𝜋) = 10,000 ∗ 0.7 ∗ 0.3 =45.83

DISTRIBUCION POISSON

• Una variable aleatoria discreta de gran utilidad en la medición de la

frecuencia relativa de un evento sobre alguna unidad de tiempo o
espacio es la Distribución de Poisson.
• Con frecuencia se utiliza para describir el numero de llegadas de
clientes por hora, el numero de accidentes industriales cada mes, etc.
DISTRIBUCION POISSON

Distribución Poisson: Ideada por el matemático francés Simeón Poisson (1781-

1840),
La distribución Poisson mide la probabilidad de un evento aleatorio sobre algún
Intervalo de tiempo o espacio.
Función de probabilidad 𝜇𝑥 𝑒 −𝑢
de Poisson
P(x) =
𝑥!

X : Numero de veces que ocurre el evento

𝜇 ∶ 𝑒𝑠 𝑒𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑
𝑒 : 2.71828, la base del logaritmo natural
𝑒
DISTRIBUCION POISSON

• El dueño de un restaurante esta interesado en la

probabilidad de que exactamente 5 clientes lleguen durante
la siguiente hora (o en cualquier hora dada) laboral. La
observación simple de las ultimas 80 horas ha demostrado
que 800 clientes han entrado al negocio. Por lo tanto, 𝜇 = 10
por hora.
105 ∗ 2.71828−10
P(5) = = 0.0378
5!

• Ver tabla D : 𝜇 = 10 y x= 5
DISTRIBUCION NORMAL

• Entre todas las distribuciones, la Normal es la mas

importante. Es una distribución continua (no discreta) se
utiliza para reflejar la distribución de variables tales como la
estatura, pesos distancias y otras medidas que son divisibles
infinitamente.
DISTRIBUCION NORMAL
DISTRIBUCION NORMAL
𝑋 −𝜇
Desviación normal
O formula Z
Z=
𝛿
Z: desviación normal
X: Algún valor especifico de la variable aleatoria

Después del proceso de conversión la media es 0 y la Desv. Estándar es 1

Z es el numero de
desviaciones estándar a
las que una observación
esta por debajo o por
encima
CARTAS DE CONTROL DE PROCESOS

Tipos de cartas de control:

De medida (Media,) y de variabilidad
Límites de Intervención previos al control
Límite de Control Central, Superior e Inferior (LCC, LCS, LCI)
Criterios para determinar si un proceso está bajo control
CARTAS DE CONTROL DE PROCESOS

Las cartas de control son la herramienta más poderosa para

monitorear y analizar la variación en la mayoría de los procesos.
Las cartas de control enfocan la atención hacia las causas especiales
de variación cuando estas aparecen y reflejan la magnitud de la
variación debida a causas comunes, manteniendo las soluciones.
CARTAS DE CONTROL DE PROCESOS

Las causas comunes o aleatorias se deben a la variación natural del

proceso.
Las causas especiales o asignables son por ejemplo: un mal ajuste de
maquina, errores del operador, defectos en materias primas.
Un proceso esta bajo control estadístico cuando presenta causas
comunes únicamente con un proceso estable y predecible.
Cuando existen causas especiales el proceso esta fuera del control
estadístico
CARTAS DE CONTROL DE PROCESOS
VALOR
CARTAS DE CONTROL - VENTAJAS

Herramienta simple y efectiva

El empleado manejara las cartas en su propia área de trabajo.
Cuando un proceso esta bajo control, puede predecirse su
desempeño respecto a las especificaciones.
El comportamiento del proceso ira mejorando
CARTAS DE CONTROL - TIPOS

POR VARIABLES
Conducen a un mejor procedimiento de control
Proporcionan un explicación grande de la variación disponible
No se entienden amenos que se de capacitación
POR ATRIBUTOS
Utiles y aplicables a cualquier proceso
Los datos están siempre disponibles y son rápidos y simples
No proporcionan inf. Detallada de control de características individuales.
No reconoce distintos grados de defectos.
 CARTAS DE CONTROL - APLICACION

VARIABLES
CARTA DESCRIPCION CAMPO DE APLICACION

-R Medias y Rangos Control de características

individuales
-S Medias y Desviación Estándar Control de características
individuales

I - MR Individuales Control de un proceso con datos

que no pueden ser muestreados en
lotes o en grupos
 CARTAS DE CONTROL - APLICACION

ATRIBUTOS
CARTA DESCRIPCION CAMPO DE APLICACION

P Proporciones o fracción efectiva Control de la fracción global de

defectuosos de un proceso
NP Numero de defectuosos Control del numero de piezas
defectuosas

C Defectos por unidad Control del numero global de

defectos por unidad
U Promedio de defectos por unidad Control promedio de defectos por
unidad
 CRITERIOS PARA DETERMINAR SI UN PROCESO
ESTA BAJO CONTROL
Prueba 1: Un dato fuera del límite de Prueba 2: Ocho puntos e forma
control consecutiva por arriba o por debajo
del promedio
 CRITERIOS PARA DETERMINAR SI UN
PROCESO ESTA BAJO CONTROL
Prueba 3: Cinco puntos en forma
consecutiva en forma ascendente o
descendente
Prueba 4: Catorce puntos
alternandose en forma consecutiva
arriba y abajo
 CRITERIOS PARA DETERMINAR SI UN
PROCESO ESTA BAJO CONTROL
Prueba 5: Dos o tres puntos en la Prueba 6: Cuatro de cinco puntos
zona A o algo mas alla consecutivos en la zona B o mas alla
 CRITERIOS PARA DETERMINAR SI UN
PROCESO ESTA BAJO CONTROL
Prueba 7: Quince puntos Prueba 8: Ocho puntos consecutivos
consecutivos en la zona C que no caigan en la zona C
GRAFICOS DE CONTROL POR ATRIBUTOS

1. Gráficos de control de atributos

2. Proporción de defectuosos p, productos buenos (q = 1-p)
3. Determinación de los límites de control
4. Gráficos c para controlar el número de defectos en una muestra
5. Gráficos u para controlar el número promedio de defectos por
unidad
GRAFICOS DE CONTROL POR ATRIBUTOS

Son gráficos que se utilizan

comúnmente para realizar
mediciones de desempeño basadas
en los atributos de los productos o
servicios.
GRAFICOS DE CONTROL POR ATRIBUTOS

TIPOS:
Grafico P
Grafico c
Grafico u
CARTAS DE CONTROL P

La grafica p mide la fracción

defectuosa o las piezas
defectuosas del proceso y sea
al 100% de la producción o en
base a una muestra.
La grafica p mide la proporción
de defectos
CARTAS DE CONTROL P

•La frecuencia de toma de la

muestra puede ser horario, diario
o semanal y el tamaño deberá ser
mayor a 30
•Es necesario registrar en numero
de partes inspeccionadas (n) y el
numero de partes defectuosas
(np)
 CARTAS DE CONTROL P - formulas
𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒆𝒏 𝒖𝒏𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂
p=
𝒕𝒂𝒎𝒂ñ𝒐 𝒅 𝒆𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒆𝒏 𝒕𝒐𝒅𝒂𝒔 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔

ഥ=
𝒑
𝑵𝒖𝒎𝒆𝒓𝒐 𝒕𝒐𝒕𝒂𝒍 𝒅 𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒐𝒔 𝒊𝒏𝒔𝒑𝒆𝒄𝒄𝒊𝒐𝒏𝒂𝒅𝒐𝒔

Desviación estándar de la
proporción de defectos
Limite superior de control para Limite inferior de control para
proporciones proporciones π(𝟏 − π)
𝜎𝒑 =
𝒏
ഥ(𝟏 − 𝒑
𝒑 ഥ) ഥ 𝟏−𝒑
𝒑 ഥ
ഥ+𝟑
𝐋𝐒𝐂 = 𝒑 ഥ−𝟑
𝐋𝐈𝐂 = 𝒑
𝒏 𝒏
Desviación estándar de la
proporción de defectos cuando π
es desconocido
π(𝟏 − π) π 𝟏−π
𝐋𝐒𝐂 = π + 𝟑 𝐋𝐈𝐂 = π − 𝟑 ഥ(𝟏 − 𝒑
𝒑 ഥ)
𝒏 𝒏 𝑺𝒑 =
𝒏
CARTAS DE CONTROL P

Uso de una gráfica 𝑷

Las observaciones son atributos que se pueden clasificar

como buenos o malos (o pasa-no pasa,
funciona-no funciona), es decir, en dos estados..

Tratamos con fracciones, proporciones o porcentajes de

defectos

Existen varias muestras, con muchas observaciones en cada

una. Por ejemplo, 20 muestras de n = 100
observaciones en cada una.
CARTAS DE CONTROL P

Ejemplo: Un fabricante de latas de

aluminio registra el numero de
partes defectuosas, tomando
muestras cada hora con n= 50 y
con 30 subgrupos. Realice la
grafica de control para la siguiente
serie de datos obtenida mediante
muestreo.
CARTAS DE CONTROL P

Latas Fraccion Latas Fraccion

Muestra Muestra
defectuosas np defectuosa p defectuosas np defectuosa p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
347
CARTAS DE CONTROL P

n = 50
𝟑𝟒𝟕
ഥ=
𝒑 = 0.2313
𝟏𝟓𝟎𝟎

ഥ(𝟏 − 𝒑
𝒑 ഥ) 𝟎. 𝟑𝟏𝟑(𝟏 − 𝟎. 𝟑𝟏𝟑)
𝐋𝐒𝐂 = 𝒑ഥ+𝟑 = 𝟎. 𝟑𝟏𝟑 + 𝟑
𝒏 𝟓𝟎
= 𝟎. 𝟒𝟏𝟎

ഥ 𝟏−ഥ
𝒑 𝒑 𝟎. 𝟑𝟏𝟑(𝟏−𝟎. 𝟑𝟏𝟑)
ഥ−𝟑
𝐋𝐈𝐂 = 𝒑 = 𝟎. 𝟑𝟏𝟑 − 𝟑 = 𝟎.05243
𝒏 𝟓𝟎
CARTAS DE CONTROL P
CARTAS DE CONTROL C

La distribución de Poisson y la
Carta C, sirve para determinar el
numero de defectos por articulo
(en una sola unidad).
CARTAS DE CONTROL C - formulas
c = 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒆𝒏 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏

𝒄ത = 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏 𝒍𝒐𝒔 𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒐𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒆𝒂𝒅𝒐𝒔

Desviación estándar para el numero de defectos

𝑺𝒄 = 𝒄ത
Limite superior de control para Limite Inferior de control para
proporciones proporciones

𝐋𝐒𝐂 = 𝒄ത + 𝟑 𝒄ത 𝐋𝐈𝐂 = 𝒄ത − 𝟑 𝒄ത
CARTAS DE CONTROL C

Uso de una gráfica 𝑪

Las observaciones son atributos cuyos defectos por unidad de

producción se pueden contar.

Tratamos con el número contado, el cual es una pequeña

parte de las posibles ocurrencias

Los defectos podrían ser: imperfecciones en un escritorio;

quejas en un día; delitos en un año; asientos
rotos en un estadio; erratas en un capítulo de este texto; o
corrimientos en un rollo de tela
CARTAS DE CONTROL C
• Ejemplo: En la siguiente tabla se presentan el numero de
defectos observados en una junta soldada, realizando cada
conteo en una sola junta, soldadandose 8 juntas por hora.
Numero Numero Numero Numero
de Fecha Hora de de Fecha Hora de
muestra defectos C muestra defectos C

1 01/04/2018 08:00:00 a.m. 2 13 02/04/2018 12:25:00 p.m. 6

2 01/04/2018 09:05:00 a.m. 4 14 02/04/2018 01:30:00 p.m. 4
3 01/04/2018 10:10:00 a.m. 7 15 02/04/2018 02:30:00 p.m. 9
4 01/04/2018 11:00:00 a.m. 3 16 02/04/2018 03:40:00 p.m. 9
5 01/04/2018 12:30:00 a.m. 1 17 03/04/2018 08:00:00 a.m. 6
6 01/04/2018 01:35:00 p.m. 4 18 03/04/2018 08:55:00 a.m. 4
7 01/04/2018 02:20:00 p.m. 8 19 03/04/2018 10:00:00 a.m. 3
8 01/04/2018 03:30:00 p.m. 9 20 03/04/2018 11:00:00 a.m. 9
9 02/04/2018 08:10:00 a.m. 5 21 03/04/2018 12:25:00 p.m. 7
10 02/04/2018 09:00:00 a.m. 3 22 03/04/2018 01:30:00 p.m. 4
11 02/04/2018 10:05:00 a.m. 7 23 03/04/2018 02:20:00 p.m. 7
12 02/04/2018 11:15:00 a.m. 11 24 03/04/2018 03:30:00 p.m. 12
144
CARTAS DE CONTROL C

c = 144
n = 24
144
𝒄ത = = 6 (prom)
24

ത + 𝟑 𝒄ത
𝑳𝑺𝑪 = 𝒄 𝑳𝑺𝑪 = 𝟔 + 𝟑 𝟔 = 𝟏𝟑. 𝟑𝟓

ത − 𝟑 𝒄ത
𝑳𝑰𝑪 = 𝒄 𝑳𝑰𝑪 = 𝟔 − 𝟑 𝟔 = −𝟏. 𝟑𝟓
CARTAS DE CONTROL C
CARTAS DE CONTROL U

También llamado número

de defectos por unidad
(tamaño de muestra
variable).
CARTAS DE CONTROL C
Para rango promedio

Para mediana de rango

 Por otra parte el valor de Ubarra lo podemos calcular mediante:

CARTAS DE CONTROL U
• Se han observado los defectos de 24 muestras
sucesivas de artículos producidos en 24 turnos Producción
Producto Total de
Promedio de
defectos por
defectuoso defectos
sucesivos. Los datos se muestran en la siguiente unidad (U)

tabla:
96 8 12 0.125
• ഥ lo podemos calcular
Por otra parte el valor de 𝑼 99 12 14 0.141
99 17 21 0.212
mediante 100 16 21 0.210
100 9 15 0.150
100 15 18 0.180
100 18 22 0.220
100 14 20 0.200
100 15 19 0.190
99 14 20 0.202
434 100 17 19 0.190
ഥ=
𝑼 = 0.184211 100 15 17 0.170
2356 100 15 20 0.200
94 8 9 0.096
94 10 13 0.138
Los limites de control 99 22 30 0.303
100 15 21 0.210
Vienen dados por 97 12 19 0.196
87 9 12 0.138
Las formulas 100 12 12 0.120
100 13 18 0.180
98 18 24 0.245
97 14 19 0.196
97 13 19 0.196
2356 331 434 4.40808627
 Por otra parte el valor de Ubarra lo podemos calcular mediante:

CARTAS DE CONTROL U
• Entonces tenemos ya el valor de 𝑼 ഥ. Promedio de
defectos por LCI LC LCS
unidad (U)
Y tenemos los valores ni que son 0.125 0.05279616 0.18421053 0.3156249
0.141
los tamaños de cada muestra 0.212
0.0548026
0.0548026
0.18421053
0.18421053
0.31361845
0.31361845

(primera columna del cuadro 0.210

0.150
0.05545127
0.05545127
0.18421053
0.18421053
0.31296979
0.31296979

anterior). 0.180
0.220
0.05545127
0.05545127
0.18421053
0.18421053
0.31296979
0.31296979
0.200
• Esa información es suficiente para
0.05545127 0.18421053 0.31296979
0.190 0.05545127 0.18421053 0.31296979
0.202 0.0548026 0.18421053 0.31361845
calcular los límites de control. 0.190 0.05545127 0.18421053 0.31296979
0.170 0.05545127 0.18421053 0.31296979

• En el cuadro del costado se 0.200

0.096
0.05545127
0.05140549
0.18421053
0.18421053
0.31296979
0.31701556

muestra la información necesaria 0.138

0.303
0.05140549
0.0548026
0.18421053
0.18421053
0.31701556
0.31361845

para la construcción del gráfico de 0.210

0.196
0.05545127
0.0534753
0.18421053
0.18421053
0.31296979
0.31494575
control. 0.138
0.120
0.04616611
0.05545127
0.18421053
0.18421053
0.32225494
0.31296979
0.180 0.05545127 0.18421053 0.31296979
0.245 0.05414403 0.18421053 0.31427702
0.196 0.0534753 0.18421053 0.31494575
0.196 0.0534753 0.18421053 0.31494575
 Por otra parte el valor de Ubarra lo podemos calcular mediante:

CARTAS DE CONTROL U
DESVIACION ESTANDAR

σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
𝜎=
𝑛−1
 ഥ −𝑹
CARTAS DE CONTROL - 𝑿

ഥ y una gráfica R
Uso de una gráfica 𝑿

Las observaciones son variables, y éstas generalmente son las

medidas del tamaño o del peso de los productos. Como
ejemplos se tienen el grosor y la longitud de un cable y el
peso de una lata de atun.

Recopilar 20 o 25 muestras de n = 4, n = 5, o más, cada una de

un proceso estable, y calcular la media para una gráfica y el
rango para una gráfica R.

Rastreamos muestras de n observaciones cada una.

 ഥ
CARTAS 𝑿

Se utiliza para medir la variación de las medias

muestrales de algún nivel generalmente
aceptado.
 ഥ
CARTAS 𝑿

En la practica se estima
 ഥ
CARTAS 𝑹

Se utiliza para medir la variación del proceso, las

técnicas de control de calidad confían en el
rango como un indicio de variabilidad del
proceso
 ഥ
CARTAS 𝑿

LIMITE DE OCNTROL SUPERIOR

LIMITE DE OCNTROL INFERIOR

En la practica se estima se utiliza

LIMITE DE OCNTROL SUPERIOR

LIMITE DE OCNTROL INFERIOR

 ഥ −𝑹
CARTAS DE CONTROL - 𝑿

PASO 1: COLECTAR LOS DATOS

Los datos son el resultado de la medición de las características
del producto, siendo registradas y agrupados como sigue:
 Se toma una muestra (subgrupo) de 10 a 12
piezas consecutivas y se anotan los resultados
(se recomienda tomar 5).
 También se pueden tomar muestras en
intervalos de tiempo de ½ a 2hr., para detectar
si el proceso puede mostrar inconsistencias.
 Se realizan muestras de 20 a 25 subgrupos
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 2: Calcular el y R para cada subgrupo

𝑋1 +𝑋2 + …+ 𝑋𝑁
=
𝑁

R = 𝑋𝑚𝑎𝑦𝑜𝑟 - 𝑋𝑚𝑒𝑛𝑜𝑟
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 3: Calcular el Rango promedio 𝑹

ഥ y el promedio
del proceso 𝑿
ഥ

𝑅1 +𝑅2 + …+ 𝑅𝐾
ഥ=
𝑹
𝑁
𝑋1 +𝑋2 + …+ 𝑋𝐾
ഥ=
𝑿
𝐾
Donde K es el numero de subgrupos, 𝑅1 , 𝑅2 es el rango de cada
subgrupo y 𝑋1 , 𝑋2 son el promedio de cada grupo
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 4: Calcule los limites de control

LS 𝐶𝑅 = 𝐷4 𝑅 LS 𝐶𝑋 = + 𝐴2 𝑅

LI 𝐶𝑅 = 𝐷3 𝑅 LI 𝐶𝑋 = - 𝐴2 𝑅

Donde 𝐷3 , 𝐷4 Y 𝐴2 son constantes que varían

por el tamaño de la muestra
 ഥ −𝑹
CARTAS DE CONTROL 𝑿
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 5: Seleccione la escala para las graficas de control

la amplitud de los valores de la
• Para la grafica
escala debe ser al menos del tamaño de los
limites de tolerancia especificados o dos veces el
rango promedio R.
• Para la grafica R la grafica se debe extender
desde un valor cero hasta un valor superior
equivalente
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 6: Trace la carta de control

•Los limites de control se dibujan con una
línea discontinua y los promedios con
una línea contigua para ambas partes.
•Marcar los puntos en ambas graficas y
unirlos para visualizar de mejor manera
el funcionamiento del proceso
 ഥ −𝑹
CARTAS DE CONTROL 𝑿

PASO 7: ANALZAR LA GRAFICA DE CONTROL

•Los limites de control se dibujan con una
línea discontinua y los promedios con
una línea contigua para ambas partes.
•Marcar los puntos en ambas graficas y
unirlos para visualizar de mejor manera
el funcionamiento del proceso
 ഥ − 𝑹 - EJEMPLO
CARTAS DE CONTROL 𝑿

Se toman las medidas de diámetros

de una pieza cilíndrica, el tamaño de
muestra de cada subgrupo es de cinco
y se toman 25 subgrupos a intervalos
de 1 hora.
Realice la carta de control -R
 ഥ − 𝑹- EJEMPLO
CARTAS DE CONTROL 𝑿

muestra/subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.6 0.7 0.6 0.15 0.6 0.65 0.6 0.8 0.85 0.7
2 0.7 0.85 0.8 0.7 0.75 0.75 0.8 0.7 0.8 0.7 0.75 0.75 0.7
3 0.65 0.75 0.8 0.7 0.65 0.75 0.65 0.8 0.85 0.6 0.9 0.85 0.75
4 0.65 0.85 0.7 0.75 0.85 0.85 0.75 0.75 0.85 0.8 0.5 0.65 0.75
5 0.85 0.65 0.75 0.65 0.8 0.7 0.7 0.75 0.75 0.65 0.8 0.7 0.7

muestra/subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.9 0.75 0.75 0.75 0.65 0.6 0.5 0.6 0.8 0.65 0.65
2 0.7 0.8 0.8 0.7 0.7 0.65 0.6 0.55 0.8 0.65 0.6 0.7
3 0.85 0.8 0.75 0.85 0.6 0.85 0.65 0.65 0.65 0.75 0.65 0.7
4 0.75 0.75 0.8 0.7 0.7 0.65 0.6 0.8 0.65 0.65 0.6 0.6
5 0.6 0.85 0.65 0.8 0.6 0.7 0.65 0.8 0.75 0.65 0.7 0.65
 ഥ − 𝑹 - EJEMPLO
CARTAS DE CONTROL 𝑿

Calculando el rango y promedio para cada subgrupo

tenemos
muestra/subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.6 0.7 0.6 0.15 0.6 0.65 0.6 0.8 0.85 0.7
2 0.7 0.85 0.8 0.7 0.75 0.75 0.8 0.7 0.8 0.7 0.75 0.75 0.7
3 0.65 0.75 0.8 0.7 0.65 0.75 0.65 0.8 0.85 0.6 0.9 0.85 0.75
4 0.65 0.85 0.7 0.75 0.85 0.85 0.75 0.75 0.85 0.8 0.5 0.65 0.75
5 0.85 0.65 0.75 0.65 0.8 0.7 0.7 0.75 0.75 0.65 0.8 0.7 0.7
PROMEDIO 0.7 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
RANGO 0.2 0.2 0.1 0.15 0.2 0.25 0.65 0.2 0.2 0.2 0.4 0.2 0.05

muestra/subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.9 0.75 0.75 0.75 0.65 0.6 0.5 0.6 0.8 0.65 0.65
2 0.7 0.8 0.8 0.7 0.7 0.65 0.6 0.55 0.8 0.65 0.6 0.7
3 0.85 0.8 0.75 0.85 0.6 0.85 0.65 0.65 0.65 0.75 0.65 0.7
4 0.75 0.75 0.8 0.7 0.7 0.65 0.6 0.8 0.65 0.65 0.6 0.6
5 0.6 0.85 0.65 0.8 0.6 0.7 0.65 0.8 0.75 0.65 0.7 0.65
PROMEDIO 0.71 0.82 0.75 0.76 0.67 0.7 0.62 0.66 0.69 0.7 0.64 0.66
RANGO 0.25 0.15 0.15 0.15 0.15 0.2 0.05 0.3 0.2 0.15 0.1 0.1
 ഥ − 𝑹- EJEMPLO
CARTAS DE CONTROL 𝑿

Calculamos el Rango promedio, promedio del proceso y

limites de control.
ഥ = 0.198
𝑹
= 0.71

LS 𝐶𝑅 = 𝐷4 𝑹
ഥ = 2.11 * 0.198 = 0.41
ഥ= 0
LI 𝐶𝑅 = 𝐷3 𝑹

LS𝐶𝑋 = + 𝐴2 𝑹ഥ = 0.71 + (0.58)*(0.198) = 0.82

LI𝐶𝑋 = − 𝐴2 𝑹 ഥ = 0.71 - (0.58)*(0.198) = 0.59
 ഥ − 𝑹- EJEMPLO
CARTAS DE CONTROL 𝑿
 ഥ − 𝑹 - EJEMPLO
CARTAS DE CONTROL 𝑿
INTERPRETACION DE CARTAS
CARTAS INDIVIDUALES Y RANGO MOVIL

TABLA DE CONSTANTES D
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.77 1.29 1.18 1.11 1.05 1.01 0.98
CARTAS DE CONTROL I-MR

Esta carta monitorea la tendencia de un proceso con

datos variables que no pueden ser muestreados en
subgrupos.
Es usada cuando las mediciones son muy costosas
(pruebas destructivas), o cuando la característica a
medir es relativa en el tiempo.
La línea central se basa en el promedio de los datos y
los limites de control en la desviación estándar (+/- 3
sigmas)
CARTAS DE CONTROL I-MR

Control de un proceso con

datos que no pueden ser
muestreados en lotes o
grupal.
 CARTAS DE CONTROL I-MR

Ejemplo: Se mide la longitud de cada tubo que produce cierta fabrica,

siendo los siguientes:
Parte 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Promedio
Longitud 12.02 11.85 11.98 11.72 11.88 12.07 12.03 12.13 12.16 12.16 12.16 12.21 12.19 11.93 11.89 12.0253
Rango 0.17 0.13 0.26 0.16 0.19 0.04 0.1 0.03 0 0 0.05 0.02 0.26 0.04 0.10357

R = 0.10357 --- > Rango promedio

LS𝐶𝑋 = + 𝐸2𝑅 = 12.03 + (2.66)*(0.10) = 12.29
LI𝐶𝑋 = − 𝐸2 𝑅 = 12.03 - (2.66)*(0.10) = 11.76

LS𝐶𝑅 = + 𝐷4 𝑅 = 3.27 * (0.1) = 0.327

LI𝐶𝑅 = − 𝐷3 𝑅 = 0
CARTAS DE CONTROL I-MR
CARTAS DE CONTROL I-MR
 CARTAS X-S
Durante 10 días registramos
las siguientes muestras de Dia Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra 5
pesos de un producto ”A”.
1 10 12 8
Se desea saber si el proceso de 2 12 11 7 9 13
producción de dicho producto 3 5 6 4 9
esta bajo control 4 8 8 6
5 17 15 16 18 20
6 22 24 22
7 8 9 7
8 6 5 6 5
9 10 10 10 11 9
10 13 10 12
CARTAS X-S
S (desv.
Dia Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra 5 xBarra lci LC lcs lci lc lcs
std)
1 10 12 8 10.0 2.00 8.79 10.88 12.96 0 1.46 3.05
2 12 11 7 9 13 10.4 2.41 8.79 10.88 12.96 0 1.46 3.05
3 5 6 4 9 6.0 2.16 8.79 10.88 12.96 0 1.46 3.05
4 8 8 6 7.3 1.15 8.79 10.88 12.96 0 1.46 3.05
5 17 15 16 18 20 17.2 1.92 8.79 10.88 12.96 0 1.46 3.05
6 22 24 22 22.7 1.15 8.79 10.88 12.96 0 1.46 3.05
7 8 9 7 8.0 1.00 8.79 10.88 12.96 0 1.46 3.05
8 6 5 6 5 5.5 0.58 8.79 10.88 12.96 0 1.46 3.05
9 10 10 10 11 9 10.0 0.71 8.79 10.88 12.96 0 1.46 3.05
10 13 10 12 11.7 1.53 8.79 10.88 12.96 0 1.46 3.05
10.88 1.4613

a3 1.427
b3 0
b4 2.089
CARTAS X
CARTAS X-S
Ejercicio 1

a) ¿Cuál es la desviación estándar σ del proceso? ¿Qué valor tiene ?

b) Si z = 3, ¿cuáles son los límites de control para la gráfica de la media?
c) ¿Cuáles son los límites de control para la gráfica de rangos?
d) ¿Está el proceso bajo control?
Ejercicio 2
Se tomaron doce muestras de cinco partes cada una de un proceso que
produce barras de acero. Se determinó la longitud de cada barra en las
muestras. Se tabularon los resultados y se calcularon las medias y los
rangos. Los resultados fueron

Determine los límites de control superior e inferior y las medias globales para
las gráficas y R. Dibuje la gráfica representando los valores de las medias y
de los rangos muestrales. ¿Los datos indican que el proceso está bajo
control? ¿Por qué sí o por qué no?
Ejercicio 3
Realice la grafica para los siguientes datos
BIBLIOGRAFIA:

Estadística aplicada a los negocios y economía

Principios de administración de operaciones p234