CURSO:

CALIDAD EN LA
CONSTRUCCIÓN

ING. TANY ENCOMENDEROS, MG. SS

 Semana 4

Herramientas estadísticas
de calidad II
 Contenido
 Introducción
 Herramientas estadísticas de calidad II:
- Histograma de frecuencias.
- Diagrama de dispersión o de Scatter.
- Cartas de control de procesos.
- Diagramas de flujo de procesos.
 Objetivos

 Conocer y manejar el Histograma de frecuencias.

 Conocer y manejar el Diagrama de Scatter.
 Conocer y manejar el Diagrama de control
 Conocer y manejar el Diagrama de flujo.
Introducción
Distribución Normal Estándar o Curva de
Gauss
 Capacidad del proceso
LIE LSE Datos fuera del LIE

s _
xi
p X

Reducir la “S” Cambio de “X”

Cambio de “S” y de “X”

 Capacidad del proceso
Variación a corto plazo: Zst

Z st 
 límite especif .  no min al 
desv .std ST

Variación a largo plazo: Zlt

límite especif .  media

Z LT 
desv.std LT

Z shift.- A largo plazo los procesos tienen un desplazamiento natural

de 1,5 desviaciones estándar, de acuerdo a lo observado por la
empresa norteamericana Motorota Inc.
Zst = Zlt + 1,5shift
 Capacidad del proceso
Cp 
 LSE  LIE 
6S
Menor Z I , Z S
C pk  Donde: Zi = (LSE – X)/ S y Zs = (LIE – X) / S
3

Si Cpk > 1,33 entonces el

Proceso es capaz y es la
meta de empresas de
clase mundial.
Ejemplo 1: Histograma de llamadas por teléfono
Ejemplo 2: Histograma de accidentes en Mineras
Tenemos la siguiente serie de accidentes (triviales e incapacitantes) anuales
que ocurren el 100 empresas mineras de los EEUU.
265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214

346 317 242 258 276 300 208 187 264

280 242 260 321 228 250 299 258 267

265 254 281 294 223 260 308 235 283

200 235 246 328 296 276 264 269 235

221 176 248 263 231 334 280 265 272

265 262 271 245 301 280 274 253 287

261 248 260 274 337 250 278 254 274

278 250 265 270 298 257 210 280 269

215 318 271 293 277 290 283 258 275

264                
 N° total muestra (n): 100 empresas mineras
Rango (R): Mayor Valor – Menor Valor : 346 – 176 = 170
 Rango ajustado: R’ = 1,05*170 = 178,5
Precisar el número de intervalos = K, utilizar la siguiente
fórmula o pauta : k = 1 + 3,3 LOG (100) = 7,6  8

N° Datos Intervalos de Clase : K

50 - 99 6 – 10
100 – 250 7 - 12
Mayor 250 10 - 20

Determinar límites de los intervalos :

W = C= R’ / k = 178,5 / 8 = 22 (ancho de intervalo)
 Determinar marcas de clase :(Límite inferior + Limite superior )/ 2

[Intervalo de Marca de Frecuencia Frecuencia Frecuencia

clase> clase absoluta relativa acumulada

176-198 187 6 0.06 0.06

198-220 209 7 0.07 0.13
220-242 231 13 0.13 0.26
242-264 253 32 0.32 0.58
264-286 275 24 0.24 0.82
286-308 297 11 0.11 0.93
308-330 319 4 0.04 0.97
330-352 341 3 0.03 1.00
MINITAB: Datos/Codificar/Numérico a Numérico… Codificar datos en columnas: N° accidentes
En columnas: C3

Valores originales: Nuevo Valores originales: Nuevo

176:198 1 264:286 5
198:220 2 286:308 6
220:242 3 308:330 7
242:264 4 330:352 8

Gráfica / Histograma / Simple / Aceptar / Variables de gráfica : N° de accidentes

Escala…/ Tipo de escala Y / Porcentaje / Aceptar.
Doble click en Histograma / binning, cutpoint / midpoint, cutpoint positions: 176:352/8
Aceptar.
CAMPANA DE GAUSS: Click derecho en
el gráfico Seleccionar elemento/
Ajuste de distribución.
 POLÍGONO DE FRECUENCIAS:
Click derecho en el gráfico
Agregar /Suavisador

P O L ÍG O N O D E F R E C U E N C IA S
20

15
Frecuencia

10

0
180 210 240 2 70 30 0 3 30
N° d e a c c id e n t e s
MINITAB: Estadística > Estadística básica > Prueba de Normalidad. Variable C1 Seleccionar
Prueba de Ryan Joiner OK
Es Normal porque el
Valor P > 0,05.

P R UEBA DE N O R MAL IDAD

Norm al
99.9
M ed ia 264.2
D esv .E st. 31.99
99 N 100
RJ 0.991
95 Valo r P >0.100
90
80
Porcentaje

70
60
50
40
30
20
10
5

0.1
150 200 250 300 350
N° de a ccide nt e s
MINITAB: Gráfica > Gráfica de Probabilidad > Variable de gráficas: N° de
accidentes. Distribución: Normal OK.

Es Normal porque los puntos quedan dentro del

intervalo de confianza (IC).

G r á f i c a d e p r o b a b i l i d a d d e N ° d e a c c i d e n te s
N o r m a l - 9 5 % d e IC
99.9
M e d ia 264.2
D e sv .E st. 31.99
99 N 100
AD 0.826
95 V alo r P 0.032
90
80
Porcentaje

70
60
50
40
30
20
10
5

0.1
150 200 250 300 350 400
N° d e a c c id e n t e s
 MINITAB: Estadística > Herramientas de calidad > Análisis de Capacidad > Normal. Columna
individual N° de accidentes Tamaño de subgrupo 1 LEI 150 LES 300. Estimar R-barra OK

Capacidad de proceso de N° de incidentes

LEI LES
Procesar datos Dentro de
LEI 150 General
Objetivo *
Capacidad (dentro) del potencial Cp 
 LSE  LIE  = (300-150)/(6*31,99)= 0,80
LES 300
Media de la muestra 264.19 Cp 0.80 6S
Número de muestra 100 CPL 1.23
CPU 0.38
Desv.Est. (Dentro) 31.0642 menor Z I , Z S 1,12
Desv.Est. (General) 31.9907 Cpk 0.38 C pk    0,38
Capacidad general 3 3
Pp 0.78
PPL 1.19 Donde: Zi = (300 – 264,2)/31,99 = 1,12
PPU 0.37
Ppk 0.37
Cpm * Y: Zs = (150 – 264,2)/31,99 = - 3,57

150 180 210 240 270 300 330

EL PROCESO NO ES
Desempeño observado Exp. Dentro del rendimiento Exp. Rendimiento general
PPM < LEI 0.00 PPM < LEI 118.49 PPM < LEI 178.85
PPM > LES 100000.00
PPM Total 100000.00
PPM > LES 124501.50
PPM Total 124619.99
PPM > LES 131487.72
PPM Total 131666.58
CAPÁZ porque Cpk < 1,33
 MINITAB: Estadística > Herramientas de calidad > Capability Six Pack > Normal. Columna
individual N° accidentes Tamaño de sub grupo 5 LEI 150 LES 300. Estimar R-barra OK

Capacidad de proceso Sixpack de N° de incidentes

Gráfica Xbar r a Histogr ama de capacidad
LEI LES
Media de la muestra

LCS=306.79
300 E specificaciones
_ LE I 150
270 _
X=264.19 LE S 300

240 E
LCI=221.59 NO L PR
1 3 5 7 9 11 13 15 17 19 150 180 210 240 270 300 330 ES OC
CA ESO
Gr áfica R Gr áfica de prob. Nor mal PÁ
160 Z
A D : 0.826, P : 0.032
Rango de la muestra

LCS=156.2

_
80 R=73.9

0 LCI=0
1 3 5 7 9 11 13 15 17 19 200 300 400

Últimos 2 0 subgr upos EL Gr áfica de capacidad

ES PR Dentr o De ntr o de Gene ral
320
ES OC Desv.Est. 31.75 Desv.Est. 31.99
TA ES
Valores

Cp 0.79 Pp 0.78

240
BL O Cpk 0.38 Gener al Ppk 0.37
E PPM 129846.18 Cpm *
PPM 131666.58

www.jdsasesoria.tk
160
www.tecnicap.net
5 10 15 20
Especificaciones

Muestra
 Ejemplo 1: Diagrama de Scatter de salario de empleado
SOLUCIÓN CON EXCEL Y MINITAB:        

a) Diagrama de dispersión: Se observa una linealidad en los datos con alta pendiente y (+).

EJEMPLO 1: MEDICIÓN DEL ÍNDICE DE DESEMPEÑO

X: Indice de evaluación del trabajo.
Y: Salario del empleado (miles de US $/año)
X Y
Diagrama de Scatter
9 36 40
7 25

Salario del empleado (miles US $)

35
8 33 f(x) = 4.21 x − 2.11
30 R² = 0.97
4 15
7 28 25
5 19
20
5 20
6 22 15
10
n= 8 empleados
5
X= 1 a 10
0
3 4 5 6 7 8 9 10
b) Ecuación de estimación:
IET

Y = a + b*X

Donde: a = -2.1132
b = 4.2138
Y = -2.1132 + 4.2138 X

c) Error estándar:
e= 1.3286
 Diagrama de regresión lineal
d) Gráfica de la Línea de regresión:
35

30

Y
25

20

e) Y = ? Para X = 2, 3 y 10.
15

Y= 6.31 miles de US $ 4 5 6 7 8 9
X
Y= 10.53 miles de US $
Y= 40.03 miles de US $

f) Coeficiente de correlación:

r = 0.9853 Se valida la línea recta.

g) Coeficiente de determinación

r2 = 0.9709
 Ejemplo 2: Diagrama de Scatter de Eficiencia de máquinas
EJEMPLO 2: EFICIENCIA DE MÁQUINAS Y VIDA ÚTIL
X: Vida útil de las máquinas (años) SOLUCIÓN CON EXCEL Y MINITAB:        
Y: Eficiencia (%)
X Y
a) Diagrama de dispersión: Se observa linealidad con alta pendiente (-)
2 90
4 65
11 25
9 40
100
4 80
6 60 90
f(x) = − 7.06 x + 100.64
7 35 80
R² = 0.88
8 50 70

60

Eficiencia (%)
n= 8 máquinas
50

b) Línea de regresión: 40

Y = a + b*X 30

20
Donde: a = 100.6364 10
b = -7.0606
0
0 2 4 6 8 10 12
Y = 100.6364 + -7.0606 X Vida útil (años)

c) Error estándar:

e= 8.5369
 Diagrama de regresión lineal

90

80

d) Gráfica de la línea de regresión: 70

60

Y
50

40

30

e) Y = ? Para X = 10 años 20
2 3 4 5 6 7 8 9 10 11
X
Y= 30.03 %

f) Coeficiente de correlación:

r = -0.9359 Se valida la línea recta.

g) Coeficiente de determinación

r2 = 0.87584
 GRÁFICAS DE CONTROL

X-Bar Chart for Process A X-Bar Chart for Process B

X-Bar Chart for Process A X-Bar Chart for Process B

UCL=77.20 80
UCL=77.20 80
UCL=77.27
75 UCL=77.27
75

Sample Mean
Sample Mean

X=70.98

Sample Mean
70
Sample Mean

70 X=70.98
X=70.91 LCL=64.70
70 X=70.91 LCL=64.70
70
60
60

65 LCL=64.62
65 LCL=64.62 50
50
0 5 10 15 20 25
0 5 10 15 20 25 0 5 10 15 20 25
0 5 10 15 20 25 Sample Number
Sample Number Sample Number
Sample Number

Causas Especiales

“Todo proceso muestra Variación; algunos procesos muestran

variación controlada, y otros muestran variación no
controlada” (Walter Shewhart).
En Ingeniería Civil se aplica en el control de recepción, producto en proceso y
producto acabado, donde trata de encontrar una buena manera para decidir si
un producto verifica las especificaciones establecidas.

En todo proceso aparece una cierta variabilidad en la calidad, debida a

causas aleatorias, comunes o no asignables: variabilidad de la materia
prima, la precisión de las máquinas y de los instrumentos de medida, destreza
de los operarios, etc.
 
Otras causas no aleatorias, especiales o asignables (materias primas
defectuosas, desgaste de herramientas, deficiente preparación del operario,
etc.) producen ciertos efectos previsibles y definidos.

Son pocas y de aparición irregular, pero con grandes efectos. Son eliminables.
Diremos que un proceso está en estado de control cuando no le afecta
ninguna causa asignable. Los Diagramas de Control sirven para
determinar si el proceso está controlado o no lo está.
El fundamento teórico de una gráfica de control se basa en la
construcción, a partir de los valores de la esperanza o media poblacional
 y la desviación típica muestral  del modelo teórico de distribución que
sigue la característica de calidad considerada, de un intervalo de control
(generalmente [ - 3 ,  + 3 ]).
Dentro de este intervalo están casi todos los valores muestrales del
proceso, si éste se encuentra bajo control. Las muestras se obtienen a
intervalos regulares de tiempo.
Un punto que cae fuera de los límites de control, indicaría que el
proceso está fuera de control.
 
El control de calidad se realiza observando en cada elemento:

1) Control por variables:

Una característica de calidad medible (temperatura, concentración, resistencia,

impurezas, etc.) que se compara con un estándar fijado. Se usan Gráficas X , R, X -
R. La característica se supone distribución normal.

2) Control por atributos:

 Un atributo o característica cualitativa que el producto posee o no (correcto o

defectuoso, por ejemplo). Se usan Gráficas p y np. La característica se supone
distribución Binomial.

 El número total de defectos. Se usan Gráficas u y c. La característica se supone

distribución de Poisson.

Las cartas o gráficos de control sirven para monitorear el proceso, prevenir defectivos y
facilitar la mejora. Hay dos tipos de cartas de control: Por atributos (juzga productos como
buenos o malos) y por variables (variables como, temperaturas).
 Cartas de control
12.5 Límite
Superior de
11.5 Control

10.5

9.5 Línea
Central
8.5
Límite
7.5 Inferior de
Control
0 10 20 30
 Carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S

C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identificada
D
TIEMPO
EJEMPLOS
Ejemplo 1: Se cuenta con dureza de 100 múltiples de
admisión mostrada en la tabla.
La especificación es de 1 a 3 Rockwell.
Muestra Dureza
Nº 1 2 3 4 5
1 1.855 1.162 1.606 2.010 1.929
2 2.020 1.473 1.502 2.471 1.518
3 2.378 1.525 1.743 2.193 1.492
4 1.644 1.870 1.703 1.745 1.640
5 2.189 2.281 1.854 1.945 1.801
6 1.828 1.793 1.943 1.894 1.971
7 2.614 1.976 1.649 1.827 2.179
8 2.298 2.533 2.681 1.548 2.233
9 1.917 2.280 1.817 2.333 1.773
10 1.823 2.060 2.290 1.471 1.364
11 2.431 1.267 1.737 2.011 2.061
12 1.756 1.611 1.570 1.563 1.420
13 2.047 1.931 2.805 1.926 1.988
14 1.756 1.895 1.723 1.901 1.873
15 1.677 1.888 1.751 1.763 1.821
16 2.351 1.790 2.416 2.305 1.985
17 1.930 2.133 1.976 2.133 2.107
18 1.833 1.575 2.039 1.492 1.838
19 1.941 1.788 2.077 1.607 1.376
20 1.883 2.220 1.581 2.290 1.105
 Se tienen datos continuos leídos en 1 subgrupo, entonces se
trata de una Gráfica de Valores Individuales y Rangos móviles
(I & MR). El MINITAB reporta:
Gráfica I-MR de Dureza
3.0
U C L=2.855

2.5

2.0 _
RC

X=1.896

1.5

1.0 LC L=0.937
1 10 20 30 40 50 60 70 80 90 100
M uestr a

1
1.2 U C L=1.178

0.9
Rango móvil

0.6
__
M R=0.361
0.3

0.0 LC L=0
1 11 21 31 41 51 61 71 81 91
M uestr a

LIC 0,937Rc
Los límites de control inferior, Media 1,896Rc
promedio y superior son: LSC 2,855Rc
 El MINITAB reporta la distribución siguiente:

Se observa una Distribución Normal. Como la capacidad Cpk < 1,

entonces el proceso no es capaz pero está bajo control. ES decir la
VoP está acorde a la VoC, pero con cierta variabilidad.
Ejemplo 2: Se cuenta con información sobre el peso del rollo
de papel higiénico sin centro, cuya especificación es de 58 a
69 g/m2. Dichas muestras fueron tomadas cada hora.

Hora Peso del rollo: W (g/m2)

1 2 3 4 5

1 62,45 62,58 63,38 62,02 63,11

2 64,17 63,34 62,33 62,21 63,57
3 64,78 63,92 62,8 62,1 63,86
4 63,92 63,7 62,37 62,88 63,88
5 63,77 63,8 64,83 63,45 65,32
6 63,15 63,04 63,22 62,73 64,27
7 63,09 64,34 64,27 66,04 64,15
8 62,84 64,49 63,04 62,87 61,73
9 62,88 64,68 62,74 63,15 64,19
10 62,13 63,08 62,83 63,42 63,26
11 65,98 63,48 64,59 65,03 63,29
12 63,13 63,71 63,11 62,67 64,66
Se tienen datos continuos leídos en + de 1 subgrupo, entonces se trata
de una Gráfica de Promedios y Rangos (X & R). El MINITAB reporta:

1. Stat > Control Charts > Variable charts for Subgroups > Xbar-R
2. Seleccionar Observations for a subgroup are in one row of columns
3. Seleccionar columnas de variables W1 – W5
4. Seleccionar X-Bar Options y en Estimate Rbar. OK.

LIC 62,364 g/m2

Los límites de control inferior, Media 63,497 g/m2
promedio y superior son: LSC 64,630 g/m2
Stat > Quality Tools > Capability Analysis > Normal.
Sub group size: 5 Subgroups across rows of: W1 W2 W3 W4 W5
Lower spec: 58 Upper spec: 69 Ok.

Se observa una Distribución Normal. Como la capacidad Cpk >> 1, entonces el proceso es
capaz y está bajo control. La VoP se aproxima a la VoC, por lo se nota una curva esbelta.
 Ejemplo 3: Construir e interpretar una gráfica para
información sobre lavatorios defectuosos mostrados en la
siguiente tabla.
Fecha Unidades Unidades defectuosas Fracción defectuosa (p)
producidas (n) (Xd)

05-may 145 10 0,069

06-may 236 1 0,004
07-may 184 4 0,022
08-may 122 6 0,049
09-may 215 12 0,056
10-may 218 35 0,161
11-may 221 21 0,095
12-may 149 32 0,215
13-may 189 12 0,064

14-may 156 22 0,141

15-may 172 24 0,140

16-may 125 35 0,280
17-may 118 21 0,178
18-may 164 19 0,116
19-may 215 17 0,079
20-may 248 21 0,085
21-may 168 23 0,137
22-may 159 24 0,151
Se tienen datos discretos leídos con productos defectuosos
(unidad con >= 1 defectos) y n = variable, entonces se trata
de una Gráfica p.
Aplicando las relaciones y la Regla de 25%:
LSC = p + { 3* [p(1 –p)/n]1/2}
X(media) = p = ∑ Xd / ∑ ni
LIC = p - { 3* [p(1 –p)/n]1/2}
Entonces:
Se tiene n= ∑ni / 25 = 3204 / 25 = 128,16
75% n = 96 y 125% n = 160  96 <= n <= 160
p = X(media) = 0,106
LSC = 0,187
LIC = 0,024.
Tabulando en el cuadro anterior se tienen los resultados
de los límites y la media:

Fecha Unidades Unidades Fracción defectuosa LIC Media LSC

producidas (n) defectuosas (Xd) (p)

05-may 145 10 0,069 0,024 0,106 0,187

06-may 236 1 0,004 0,024 0,106 0,187
07-may 184 4 0,022 0,024 0,106 0,187
08-may 122 6 0,049 0,024 0,106 0,187
09-may 215 12 0,056 0,024 0,106 0,187
10-may 218 35 0,161 0,024 0,106 0,187
11-may 221 21 0,095 0,024 0,106 0,187
12-may 149 32 0,215 0,024 0,106 0,187
13-may 189 12 0,064 0,024 0,106 0,187

14-may 156 22 0,141 0,024 0,106 0,187

15-may 172 24 0,140 0,024 0,106 0,187

16-may 125 35 0,280 0,024 0,106 0,187
17-may 118 21 0,178 0,024 0,106 0,187
18-may 164 19 0,116 0,024 0,106 0,187
19-may 215 17 0,079 0,024 0,106 0,187
20-may 248 21 0,085 0,024 0,106 0,187
21-may 168 23 0,137 0,024 0,106 0,187
22-may 159 24 0,151 0,024 0,106 0,187

Total 3204 339 0,106     

1. Stat > Control Charts > Attribute chart > P
2. Seleccionar Variables: N° defectuosos Subgroup size 100. OK 

Hay 3 causas
especiales: El proceso
no es estable. Es
anormal¡

LIC 0,024 

Los límites de control inferior, Media 0,106 

promedio y superior son: LSC 0,187 
Stat > Quality Tools > Capability Analysis > Normal.
Sub group size: 5 Subgroups across rows of: C4
Lower spec: 0.024 Upper spec: 0.187 Ok.

Se ve que los datos tienen Distribución Binomial. Como la capacidad Cpk < 1,
entonces el proceso no es capaz ( la VoP no se ajusta a la VoC), ni está bajo
control.
Ejemplo 4: Construir una gráfica C para el número de No
Conformidades observados en 26 unidades de inspección
sucesivas de 100 muestras de circuitos impresos.

21 19
24 10
16 17
12 13
15 22
5 18
28 39
20 30
31 24
25 16
20 19
24 17
16 15
Se tienen datos discretos leídos con defectos (ocurrencia o
falla individual) y n = constante, entonces se trata de una
Gráfica C.
Aplicando las relaciones:
LSC = C + { 3*C1/2}
X(media) = C = ∑ Ci / n
LIC = C - { 3*C1/2}
Entonces:
Se tiene n= 26
C = X(media) = 516 / 26 = 19,85
LSC = 33,22
LIC = 6,48
 Stat > Control Charts > Attribute chart > C
Seleccionar Variables: N° No conformidades Subgroup size 100
C-Chart Options 19.85 OK.
 
C Chart of C1 Hay 2 causas
especiales: El proceso
40 1 no es estable¡

UCL=33.22
30
Sample Count

_
20 C=19.85

10
LCL=6.48
1

0
1 4 7 10 13 16 19 22 25
Sample

LIC 6,48
Los límites de control inferior, Media 19,85 
promedio y superior son: LSC 33,22 
 El MINITAB reporta la distribución siguiente:

Los datos de frecuencia tienen Distribución Binomial. Como la capacidad Cpk <
1, entonces el proceso no es capaz ni está bajo control.
 Ejemplo 5: Suponer que en una fábrica que produce
botellas de polietileno el tamaño de muestra no hubiera
sido una botella sino un grupo de éstas.
No. de botellas (n) No. de defectos
 

 
2 3

 
3 2
 
8 4
 
6 0
 
4 1
 
6 2
 
9 1
 
5 5

 
4 6
 
3 1
 
8 2
 
9 0

 
4 1

 
6 5
3 2
 
7 5
 

 
9 4
 
8 3
 
5 6

 
6 2
Se tienen datos discretos leídos con defectos (ocurrencia o
falla individual) y n = variable, entonces se trata de una
Gráfica U.
Aplicando las relaciones y la Regla de 25%:
LSC = U + { 3* [U/n]1/2}
X(media) = U = ∑ Ci / ∑ ni
LIC = U - { 3* [U/n]1/2}
Entonces:
Se tiene n= ∑ni / 25 = 115 / 25 = 4,6
75% n = 3,5 y 125% n = 6  3,5 <= n <= 6
U = X(media) = 0,478
LSC = 1,446
LIC = -0,489
Tabulando en el cuadro anterior se tienen los resultados
de los límites y la media:

Nº de botellas (n) No. de defectos Proporción LIC Media LSC

p
 
2 3 1,500 -0,489 0,478 1,446
 
3 2 0,667 -0,489 0,478 1,446
 

 
8 4 0,500 -0,489 0,478 1,446

 
6 0 0,000 -0,489 0,478 1,446
4 1 0,250 -0,489 0,478 1,446
 

 
6 2 0,333 -0,489 0,478 1,446

 
9 1 0,111 -0,489 0,478 1,446
5 5 1,000 -0,489 0,478 1,446
 
4 6 1,500 -0,489 0,478 1,446
 

 
3 1 0,333 -0,489 0,478 1,446

 
8 2 0,250 -0,489 0,478 1,446
9 0 0,000 -0,489 0,478 1,446
 
4 1 0,250 -0,489 0,478 1,446
 
6 5 0,833 -0,489 0,478 1,446
 
3 2 0,667 -0,489 0,478 1,446
 
7 5 0,714 -0,489 0,478 1,446
 
9 4 0,444 -0,489 0,478 1,446
 

 
8 3 0,375 -0,489 0,478 1,446
5 6 1,200 -0,489 0,478 1,446
 
6 2 0,333 -0,489 0,478 1,446
 

Total 115 55        
 El Excel reporta la gráfica de control siguiente:

Número de defectos Hay 2 causas

especiales: El proceso
no es estable¡

2 3 8 6 4 6 9 5 4 3 8 9 4 6 3 7 9 8 5 6
2.000
1.500
1.000
0.500
0.000
-0.500
-1.000

Unidades defectuosas (x) Fracción defectuosa (p) LIC Prom

LIC -0,489 
Los límites de control inferior, Media 0,478 
promedio y superior son: LSC 1,446 
 El MINITAB reporta la distribución siguiente:

Se tiene una Distribución Binomial. Como la capacidad Cpk < 1,

entonces el proceso no es capaz ni está bajo control.