Gestion de La Calidad-Control Estadistico

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
NOMINAL Nombres o clasificaciones que se usan para
datos en categorías distintas y separadas
ORDINALES Son las que se clasifican las observaciones en

categorías en un orden significativo
DE RAZON Basado en un sistema numérico conde el

cero es significativo
DE INTERVALO Medidas en un escala numérica donde el

cero 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 𝑋1 +𝑋2 +𝑋3 +⋯+𝑋𝑛
𝑥𝑛 = T(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , …., 𝑥𝑛 )= σ𝑛𝑖=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
σ𝑛𝑖=1 𝑋𝑖 2 𝛿 2 = ෍ 𝑃 𝑋 = 𝑥𝑖 ∗ (𝑥𝑖 − 𝜇)2

Var = ∗ 𝑃𝑖 −
𝑖
Desv. Stand = σ𝑛𝑖=1 𝑋𝑖 2 ∗ 𝑃𝑖 −

Media Aritmética
Datos agrupados
𝑋1 + 𝑋2 + 𝑋3 + ⋯ +𝑋𝑛 σ 𝑋𝑖 σ 𝑋𝑖 𝑓𝑖
Muestral 𝑥ҧ = 𝑥ҧ = 𝑥ҧ =
𝑛 𝑛 𝑛
𝑋1 + 𝑋2 + 𝑋3 + ⋯ +𝑋𝑁 σ 𝑋𝑖 σ 𝑋𝑖 𝑓𝑖
Poblacional 𝑥ҧ = 𝜇= 𝜇=
𝑁 𝑁 𝑁
𝑝1 𝑋1 + 𝑝2 𝑋2 + ⋯ + 𝑝𝑁 𝑋𝑁 σ𝑘𝑖=1 𝑥𝑖 𝑤𝑖 𝑛𝑖
Media ponderada 𝑥ҧ𝑤 =
𝑝1 + 𝑝2 + ⋯ + 𝑝𝑛
= 𝑥ҧ𝑤 = 𝑘
σ𝑖=1 𝑤𝑖 𝑛𝑖
Media geometrica 𝑀𝐺 = 𝑛
𝑋1 , 𝑋2 , 𝑋3 , … 𝑋𝑛
Mediana y Moda
Mediana Moda
Llamada también media posicional, por que queda Es la observación que ocurre con mayor frecuencia
a la mitad del conjunto de datos después que las
observaciones han sido ordenadas Ejemplo: 35, 45, 52, 56, 67, 67
𝑛+1
𝑃𝑜𝑠. = La moda es 67
2
Ejemplo: 52, 45, 67, 56, 67
Serie ord. 45, 52, 56, 67, 67
5+1
𝑃𝑜𝑠. = =3
2
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 56
Media Ponderada Media Geométrica
Se utiliza en algunos casos donde se quiere Se utiliza para mostrar cambios porcentuales en
dar mayor peso a las observaciones. una serie de datos positivos. Tiene aplicación en los
negocios y economía, debido a su aplicación en los
cambios porcentuales en las ventas.
Nota (X) Peso (W) X*W Año Ingreso $ % del Anterior
11 0.2 2.2 1992 50000
15 0.2 3.0 1993 55000 55/50 = 1.1
07 0.2 1.4 1994 66000 66/55 = 1.2
16 0.6 9.6 1995 60000 60/66 = 0.91
TOTAL 1.2 16.2 1996 78000 78/60 = 1.3
16.2 4
𝑥ҧ𝑤 = = 13.5 𝑀𝐺 = 1.1 ∗ 1.2 ∗ 0.91 ∗ 1.3 = 1.1179
1.2
Varianza y Desviación Estándar
POBLACIONAL MUESTRAL
σ(𝑥 − 𝜇)2 2
σ 𝑥2 σ(𝑥 − 𝑥)ҧ 2
2
𝑆 = o 𝑆 = − (𝜇)2 2
𝑆 =
𝑁 𝑁 𝑛−1
(𝑋1 − 𝜇)2 +(𝑋2 − 𝜇)2 +(𝑋3 − 𝜇)2 + ⋯ + (𝑋𝑁 − 𝜇)2

𝑆2 =
𝑁
σ(𝑥 − 𝜇)2 σ 𝑥2 σ(𝑥 − 𝑥)ҧ 2

𝑆= o 𝑆= − (𝜇)2 𝑆=
𝑁 𝑁 𝑛−1
X1, X2, X3: Observaciones

µ: Media poblacional
N: Numero de observaciones
n: Tamaño de la muestra
Varianza Desviación Estandar
Es el promedio de las Es la raíz cuadrada de la

observaciones respecto a la varianza.
media elevadas al cuadrado
Datos Agrupados
Clase (pasajeros) Frec. (dias) F M fM M2 fM2 𝐿𝑚𝑑 : Limite inferior de la clase de la mediana
F: Frecuencia acumulada de la clase que antecede a la clase
50-59 3 3 54.5 163.5 2970.25 8910,75 de la mediana
60-69 7 10 64.5 451.5 4160.25 29121.75 𝑓𝑚𝑑 : Frecuencia de la clase de la mediana
70-79 18 28 74.5 1341 5550.25 99904.50 C: Intervalo de la clase modal o mediana )como corresponda)
n:
80-89 12 40 84.5 1014 7140.25 85683.00 𝑓𝑚𝑜 : Limite inferior de la clase modal
90-99 8 48 94.5 756 8930.25 71442.00 𝐷𝑎 : La diferencia entre la frecuencia de la clase modal y la
100-109 2 50 104.5 209 10920.25 21840.5 clase que lo antecede
𝐷𝑏 : La diferencia entre la frecuencia de la clase modal y la
50 3935 316902.5 clase que lo sigue
3935 𝐷𝑎
𝑀𝑒𝑑𝑖𝑎 = = 78.7 𝑀𝑜𝑑𝑎 = 𝐿𝑚𝑜 + (𝐶)
50 𝐷𝑏 + 𝐷𝑎 σ 𝑓𝑀 2 − 𝑛𝑋 2
𝑆2 =
𝑛−1
𝑛
−𝐹 𝐷𝑎 2
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝐿𝑚𝑑 + 2 (𝐶) 𝑀𝑜𝑑𝑎 = 70 + (10) 2 316902.5 − 50 ∗ 78.7
𝑓𝑚𝑑 18 − 12 + 18 − 7 𝑆 = = 147.31
49
50
− 10 𝑀𝑜𝑑𝑎 = 76.47
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 70 + 2 ∗ 10
18
Descripción del conjunto de datos
Distribuciones frecuentes Gráficos
Distribución de
Histograma
frecuencia acumulada
Distribución de
Diagrama de barras
frecuencia relativa
Tablas de
Diagrama circular
contingencia
Diagrama de máximos
y mínimos y al cierre
Diagrama de tallo y
hoja
Medidas de tendencia
central y dispersión
Tendencias
Dispersión
centrales
Datos no Datos Datos no Datos

agrupados agrupados agrupados agrupados
Varianza y desviación
Media Media Rango
estándar
Varianza y desviación
Mediana Mediana
estándar
Moda Moda Percentiles
Media ponderada
Media geométrica
Distribuciones de
Probabilidad
Distribuciones discretas Distribuciones continuas
Aproximación de la
Distribución binomial Distribución normal
distribución binomial
Distribución binomial Determinación del valor de

Distribución uniforme
acumulada x
Distribución
Distribución Gamma Calculo de probabilidades
hipergeométrica
Distribución de Poisson Distribución Weibull

Desviación normal
Distribución
exponencial
𝜇 = ෍ 𝑃𝑖 ∗ 𝑥𝑖
𝛿 2 = ෍ 𝑃𝑖 ∗ (𝑥𝑖 − 𝜇)2
𝑖
𝛿 2 = ෍ 𝑋𝑖2 ∗ 𝑃𝑖 − 𝑢2
𝑖
𝛿= 𝛿2
poblacional
Muestral
• 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
4/8
Resultado (Caras) Probabilidad
0 1/8 3/8
1 3/8 2/8
2 3/8
3 1/8 1/8
1
0 1 2 3
MEDIA Y VARIANZA DE LAS DIST. DISCRETAS
Media o valor esperado de una
µ= 𝐸 𝑋 = σ𝑛𝑖=1[𝑋𝑖 ∗ 𝑃𝑖 ]
Distribución de probabilidad
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 𝛿 2 = 𝑋𝑖 − 𝜇 2 ∗ 𝑃(𝑋𝑖 )

distribución de probabilidad
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
P(X)=𝑛 𝐶𝑥 (𝜋)𝑥 (1 − 𝜋) 𝑛−𝑥
𝑋! 𝑛−𝑥 !
Los términos de éxito o fracaso, no tiene ninguna connotación de “bueno” o “malo”

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
P(X)= 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 Moyobamba 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.
Ideada por el matemático francés Simeón Poisson (1781-

1840), mide la probabilidad de un evento aleatorio sobre
algún intervalo de tiempo o espacio.
Función de probabilidad 𝜇𝑥 𝑒 −𝑢
P(x) =
de Poisson 𝑥!
X : Numero de veces que ocurre el evento

μ: Es el numero promedio de ocurrencias por unidad de tiempo o espacio
e : 2.71828, la base del logaritmo natural
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!
Vaya a la tabla D, localize µ=10, x=5 y encontrara 0.0378 = 3.78%
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
Z: desviación normal
Desviación normal 𝑋 −𝜇 X: Algún valor especifico de la
variable aleatoria
O formula Z Z= Después del proceso de
𝛿 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
DISTRIBUCION NORMAL
Ejercicio 1: Claro brinda servicios de comunicación empresarial en la ciudad
de Lima. Los funcionarios de la compañía saben que la transmisión satélite
promedio es de 150 segundos. Con una desviación estándar de 15 segundos. Los
tiempos parecen estar distribuidos normalmente.
Para estimar de manera apropiada la demanda del cliente por sus servicios y
establecer una estructura de tarifas que maximize las utilidades corporativas.
Claro debe determinar que tan probable es que algunas llamadas se presenten.
El Director de Claro desea que Ud. Proporcione estimados de probabilidad de
que una llamada dure:
a) Entre 125 a 150 segundos
b) Menos de 125 segundos
c) Entre 145 y 155 segundos
d) Entre 160 y 165 segundos
DISTRIBUCION NORMAL Solucion Ejercicio 1:
a) c) d)
125 − 150 145 − 150 165 − 150

𝑍= = −1.67 𝑍= = −0.33 𝑍= =1
15 15 15
b) = 0.0475
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
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.
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
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 Control promedio de defectos

unidad 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 Prueba 4: Catorce puntos
consecutiva en forma ascendente o alternandose en forma consecutiva
descendente arriba y abajo
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
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
Son gráficos que se utilizan

comúnmente para realizar
mediciones de desempeño basadas
en los atributos de los productos o
servicios.
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
Limite superior de control para Limite inferior de control para proporción de defectos cuando π
proporciones proporciones es desconocido
ഥ 𝟏−𝒑
𝒑 ഥ ഥ(𝟏 − 𝒑
𝒑 ഥ)
ഥ(𝟏 − 𝒑
𝒑 ഥ) 𝑺𝒑 =
ഥ+𝟑
𝐋𝐒𝐂 = 𝒑 ഥ−𝟑
𝐋𝐈𝐂 = 𝒑 𝒏
𝒏 𝒏
Desviación estándar de la
proporción de defectos
π(𝟏 − π) π 𝟏−π
𝐋𝐒𝐂 = π + 𝟑 𝐋𝐈𝐂 = π − 𝟑 π(𝟏 − π)
𝒏 𝒏 𝜎𝒑 =
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).
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
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
CARTAS DE CONTROL U
DESVIACION ESTANDAR
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
𝜎=
𝑛−1
TABLAS
Para rango promedio
Para mediana de rango

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 𝑹
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
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
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
ഥ−𝑹
PASO 5: Seleccione la escala para las graficas de control
• Para la grafica la amplitud de los valores de la 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
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
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
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
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
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
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 = ഥ=
+ 𝐴2 𝑹 0.71 + (0.58)*(0.198) = 0.82
ഥ = 0.71 - (0.58)*(0.198) = 0.59
LI𝐶𝑋 = − 𝐴2 𝑹
INTERPRETACION DE CARTAS
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)
Control de un proceso con

datos que no pueden ser
muestreados en lotes o
grupal.
ഥ
LS𝐶𝑋 = + 𝐸2 𝑅 ഥ
LS𝐶𝑅 = 𝐷4 𝑅
LS𝐶𝑋 = 𝑋ത L𝐶𝑅 = 𝑅ത
LI𝐶𝑋 = ഥ
− 𝐸2 𝑅 ഥ
LI𝐶𝑅 = 𝐷3 𝑅
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
𝑅ത = 0.10357 --- > Rango promedio

LS𝐶𝑋 = ഥ=
+ 𝐸2 𝑅 12.03 + (2.66)*(0.10) = 12.29
LI𝐶𝑋 = ഥ = 12.03 - (2.66)*(0.10) = 11.76
− 𝐸2 𝑅
ഥ 3.27 * (0.1) = 0.327

LS𝐶𝑅 = 𝐷4 𝑅=
ഥ 0
LI𝐶𝑅 = 𝐷3 𝑅=
CARTAS X-S
Durante 10 días
registramos las Dia Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra 5
siguientes muestras de 1
2
10
12
12
11
8
7 9 13
pesos de un producto 3 5 6 4 9
”A”. 4 8 8 6
5 17 15 16 18 20
Se desea saber si el 6 22 24 22
7 8 9 7
proceso de producción 8 6 5 6 5
de dicho producto esta 9 10 10 10 11 9
10 13 10 12
bajo control
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
CONSTANTES PARA GRAFICOS DE
CONTROL DE MEDIANAS
Para usar el Rango Promedio, para Para usar la Mediana del Rango, para
encontrar los límites de control para encontrar los límites de control para las
las Medianas de Subgrupos y Rangos Medianas de Subgrupos y Rangos de
de Subgrupos Subgrupos
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
BIBLIOGRAFIA:
Estadística aplicada a los negocios y economía
Principios de administración de operaciones p234
TABLAS
TABLA DE VALORES
N A2 D3 D4 d2
2 1.88 0 3.268 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.114 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.377 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
11 0.285 0.256 1.744 3.173
12 0.266 0.284 1.717 3.258
13 0.249 0.308 1.692 3.336
14 0.235 0.329 1.671 3.407
15 0.223 0.348 1.652 3.472
p https://www.gestiondecalidadtotal.com/grafica_de_proporcion
es.html
c https://optyestadistica.wordpress.com/2009/04/08/ejempl
o-grafico-de-control-c-o-de-numero-de-defectos-por-
muestra/
https://optyestadistica.wordpress.com/2009/04/26/ejemplo-
I-MR graficos-de-control-de-datos-individuales-y-rangos-moviles-x-
rm/

Gestion de La Calidad-Control Estadistico

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gestion de La Calidad-Control Estadistico

Cargado por

Copyright:

Formatos disponibles

GESTION DE LA CALIDAD

CONTROL ESTADISTICO DE LA CALIDAD

ORDINALES Son las que se clasifican las observaciones en

DE RAZON Basado en un sistema numérico conde el

DE INTERVALO Medidas en un escala numérica donde el

La media poblacional técnicamente no es una media sino

El nombre "media poblacional" se usa para significar qué

σ𝑛𝑖=1 𝑋𝑖 2 𝛿 2 = ෍ 𝑃 𝑋 = 𝑥𝑖 ∗ (𝑥𝑖 − 𝜇)2

Desv. Stand = σ𝑛𝑖=1 𝑋𝑖 2 ∗ 𝑃𝑖 −

Serie ord. 45, 52, 56, 67, 67

(𝑋1 − 𝜇)2 +(𝑋2 − 𝜇)2 +(𝑋3 − 𝜇)2 + ⋯ + (𝑋𝑁 − 𝜇)2

σ(𝑥 − 𝜇)2 σ 𝑥2 σ(𝑥 − 𝑥)ҧ 2

X1, X2, X3: Observaciones

Es el promedio de las Es la raíz cuadrada de la

Distribuciones frecuentes Gráficos

Datos no Datos Datos no Datos

Moda Moda Percentiles

Distribuciones discretas Distribuciones continuas

Distribución binomial Determinación del valor de

Distribución de Poisson Distribución Weibull

= 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

Desv. Stand = 3.8 = 1.9494

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

Distribución discreta para el lanzamiento de un dado

Varianza de una 𝛿 2 = 𝑋𝑖 − 𝜇 2 ∗ 𝑃(𝑋𝑖 )

Desviación estándar de una

Los términos de éxito o fracaso, no tiene ninguna connotación de “bueno” o “malo”

P(X) =20 𝐶5 (0.10)5 (0.9) 20−5

P(X)= 15504 0.00001 0.2058911 = 0.0319

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 Moyobamba esta

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

Una variable aleatoria discreta de gran utilidad en la

Con frecuencia se utiliza para describir el numero de

Ideada por el matemático francés Simeón Poisson (1781-

X : Numero de veces que ocurre el evento

125 − 150 145 − 150 165 − 150

Tipos de cartas de control:

-S Medias y Desviación Estándar Control de características

I - MR Individuales Control de un proceso con

NP Numero de defectuosos Control del numero de piezas

C Defectos por unidad Control del numero global de

U Promedio de defectos por Control promedio de defectos

Son gráficos que se utilizan

•La frecuencia de toma de la

𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒆𝒏 𝒕𝒐𝒅𝒂𝒔 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔

Las observaciones son atributos que se pueden clasificar

Tratamos con fracciones, proporciones o porcentajes de

Existen varias muestras, con muchas observaciones en cada

Ejemplo: Un fabricante de latas de

𝒄ത = 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏 𝒍𝒐𝒔 𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒐𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒆𝒂𝒅𝒐𝒔

Desviación estándar para el numero de defectos

Las observaciones son atributos cuyos defectos por unidad de

Tratamos con el número contado, el cual es una pequeña

Los defectos podrían ser: imperfecciones en un escritorio;

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

También llamado número

(primera columna del cuadro 0.210

• En el cuadro del costado se 0.200

muestra la información necesaria 0.138

para la construcción del gráfico de 0.210