Libro Control Estadistico de Proceso PDF

CONTROL ESTADSTICO DEL PROCESO
Dr. P. Reyes / enero de 2009
CONTROL ESTADSTICO
DEL PROCESO
Con base en el Texto de Control Estadstico de la Calidad de

Douglas Montogomery
DR. PRIMITIVO REYES AGUILAR

Diciembre, 2008
Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12
Pgina 1
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA ..................................................................................... 6
1.1 CALIDAD Y MEJORAMIENTO ...................................................................................................... 6
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO .............................................................. 8
Antecedentes ............................................................................................................................... 8
CEP en occidente........................................................................................................................ 11
CEP en Japn .............................................................................................................................. 12
Desarrollo del Control Estadstico del Proceso .......................................................................... 14
Teorema del lmite central ......................................................................................................... 15
Interpretacin ............................................................................................................................ 16
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS .................................... 18
Hoja de verificacin o registro ................................................................................................... 18
Diagrama de Pareto ................................................................................................................... 20
Diagrama de Dispersin ............................................................................................................. 24
Histogramas ............................................................................................................................... 31
Lluvia de ideas (Brainstorming).................................................................................................. 32
Diagrama de Causa efecto ......................................................................................................... 33
Carta de tendencias ................................................................................................................... 38
Diagrama de flujo ....................................................................................................................... 39
Pasos para la elaboracin de un diagrama de flujo ................................................................... 40
Diagrama de flujo de tiempo valor agregado ......................................................................... 44
Diagrama de Flujo Fsico ............................................................................................................ 45
Estratificacin............................................................................................................................. 46
Las cartas de control .................................................................................................................. 46
1.4 MTODOS LEAN PARA LA MEJORA .......................................................................................... 47
Los 7 desperdicios o Muda ........................................................................................................ 47
Mtodos Lean para la mejora .................................................................................................... 48
Mapeo de la cadena de valor ..................................................................................................... 48
Las 5 Ss y la administracin visual.............................................................................................. 51
Preparaciones rpidas (SMED) ................................................................................................... 52
Poka Yokes o A prueba de error ................................................................................................ 53
Trabajo estandarizado ............................................................................................................... 54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS........................................................................ 55
Diagrama de Afinidad ................................................................................................................ 56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de rbol ..................................... 60
Diagrama de rbol...................................................................................................................... 61
Diagrama Matricial..................................................................................................................... 64
Matrices de Prioridades o prioritizacin .................................................................................... 68
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD ....................................................... 78
Cartas de control ........................................................................................................................ 78
Diseo de experimentos ............................................................................................................ 79
Muestreo de aceptacin ............................................................................................................ 80
1.7 ADMINISTRACIN POR CALIDAD TOTAL ................................................................................. 82
Pgina 2
Costos de calidad ....................................................................................................................... 83

2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO (CEP) ................................... 85
Concepto de variacin ............................................................................................................... 85
2.1 DISTRIBUCIN NORMAL .......................................................................................................... 85
Estandarizacin de valores reales .............................................................................................. 91
2.2 PRUEBA DE NORMALIDAD ....................................................................................................... 93
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS ......................................................... 95
2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL ................................................................ 99
Tamao de muestra y frecuencia de muestreo ....................................................................... 106
Subgrupos racionales ............................................................................................................... 107
Anlisis de patrones en cartas de control ................................................................................ 108
2.5 IMPLEMENTACIN DEL CEP................................................................................................... 109
3. CARTAS DE CONTROL POR VARIABLES ........................................................................................ 111
3.1 INTRODUCCIN .................................................................................................................... 111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS .......................................................................... 111
Interpretacin de cartas de control X R ............................................................................ 116
Capacidad o habilidad del proceso .......................................................................................... 128
La curva caracterstica de operacin ....................................................................................... 135
3.3 CARTAS DE CONTROL PARA X y S ....................................................................................... 138
3.4 CARTAS PARA LECTURAS INDIVIDUALES ............................................................................... 145
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS ............................................ 149
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES ........................................................ 152
4. CARTAS DE CONTROL PARA ATRIBUTOS ..................................................................................... 154
4.1 INTRODUCCIN ..................................................................................................................... 154
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p ................................................... 155
4.3 CARTA DE CONTROL np ......................................................................................................... 169
4.4 TAMAO DE MUESTRA VARIABLE ......................................................................................... 170
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL .................................................................... 174
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u .............................. 178
Tamao de muestra constante - CARTA c............................................................................... 178
Seleccin del tamao de muestra ............................................................................................ 184
Carta de control de defectos por unidad U ............................................................................. 185
Sistema de demeritos .............................................................................................................. 191
La curva caracterstica de operacin ....................................................................................... 192
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm ................................................... 194
5. OTRAS CARTAS DE CONTROL ESPECIALES ................................................................................... 195
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN ....................................... 195
Cartas de control dnom ........................................................................................................... 195
Cartas de control de medias rangos estandarizada ................................................................. 196
Cartas de control por atributos................................................................................................ 197
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN ...................................................... 197
Cartas de control modificadas ................................................................................................. 197
Cartas de control de aceptacin .............................................................................................. 199
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL ............................... 201
5.4 CARTA DE PRECONTROL O DE ARCOIRIS .............................................................................. 204
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE ............................................. 207
Pgina 3
5.6 CARTAS DE CONTROL Cusum................................................................................................. 208

Cusum normal .......................................................................................................................... 208
Cusum en forma tabular .......................................................................................................... 213
EL PROCEDIMIENTO DE LA MASCARILLA EN V ............................................................................ 216
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE PONDERADAS (EWMA) .. 221
5.8 CARTA DE CONTROL DE MEDIA MOVIL ................................................................................. 226
6. ANLISIS DE CAPACIDAD DEL PROCESO ..................................................................................... 231
6.1 INTRODUCCIN ..................................................................................................................... 231
Condiciones para realizar un estudio de capacidad del proceso ............................................. 234
6.2 NDICES DE CAPACIDAD ......................................................................................................... 236
ndice de capacidad potencial Cp ............................................................................................ 236
ndice de capacidad real Cpk ................................................................................................... 239
ndice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm ................................................ 241
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD NORMAL ........ 243
Histograma ............................................................................................................................... 243
Papel de probabilidad normal.................................................................................................. 245
Capacidad del proceso con cartas de control .......................................................................... 249
Capacidad de procesos con Minitab: normales y no normales ............................................. 252
Capacidad de procesos no normales. ...................................................................................... 256
Anlisis de capacidad con experimentos diseados ................................................................ 257
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN ........................................................ 258
Error del equipo de medicin .................................................................................................. 258
Repetibilidad y reproducibilidad (R&R) ................................................................................... 261
R&R Capacidad de los sistemas de medicin - AIAG.............................................................. 265
Definiciones.............................................................................................................................. 266
Exactitud : ................................................................................................................................ 267
Estudios R&R - Mtodo Corto del Rango ................................................................................. 269
Estudio de R&R Mtodo largo ................................................................................................. 270
Mtodo de Promedios- Rango ................................................................................................. 271
Clculos con Excel o manual: ................................................................................................... 271
Interpretacin de los resultados .............................................................................................. 277
Estudios de R&R por atributos ................................................................................................. 282
Interpretacin de resultados ................................................................................................... 290
7. MUESTREO DE ACEPTACIN POR ATRIBUTOS ............................................................................ 292
7.1 EL PROBLEMA DE LA ACEPTACIN POR MUESTREO ............................................................. 292
7.2 MUESTREO SIMPLE POR ATRIBUTOS ..................................................................................... 296
Muestreo aleatorio simple....................................................................................................... 296
La curva OC .............................................................................................................................. 296
Puntos especficos en la curva OC ........................................................................................... 299
Inspeccin rectificadora ........................................................................................................... 300
Muestreo doble, mltiple y secuencial .................................................................................... 303
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859) ................................................ 313
Descripcin de la norma .......................................................................................................... 313
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920) ............................................................. 320
Planes de AOQL ........................................................................................................................ 321
Planes de LTPD ......................................................................................................................... 321
8. MUESTREO DE ACEPTACIN POR VARIABLES ............................................................................. 323
Pgina 4
Ventajas y desventajas ............................................................................................................. 323

8.1 CONTROL DE LA FRACCIN DEFECTIVA ................................................................................. 324
8.2 DISEO DE UN PLAN DE MUESTREO POR VARIABLES ........................................................... 327
8.3 TABLAS ASQC Z1.9 1993 ..................................................................................................... 329
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES .................................................. 337
Muestreo secuencial por variables .......................................................................................... 337
Pgina 5
1. IMPORTANCIA DE LA MEJORA CONTINUA

1.1 CALIDAD Y MEJORAMIENTO
Las dimensiones de la calidad segn Garvin son:
1.
Desempeo (sirve el producto para el uso adecuado?)
2.
Confiabilidad (qu tan frecuentemente falla el producto?)
3.
Durabilidad (cul es la vida til del producto?)
4.
Serviciabilidad (qu tan fcil se repara el producto?)
5.
Esttica (tiene el producto el estilo, color, forma, empaque y apariencia adecuada?)
6.
Caractersticas (qu hace el producto ms all de su desempeo bsico?)
7.
Calidad percibida (cul es la reputacin de la empresa o del producto?)
8.
Cumplimiento de estndares (el producto est hecho de acuerdo a estndares de diseo

original?)
As la calidad tradicionalmente es adecuacin al uso.
Dentro de la adecuacin al uso existen la calidad de diseo y la calidad de conformancia. La de

diseo se refiere al diseo original del producto, los materiales utilizados, especificaciones, y
mtodos empleados. La calidad de conformancia se refiere a que tan bien cumple el producto los
requerimientos de las especificaciones de su diseo, que bsicamente depende del proceso de
manufactura.
Una definicin ms moderna es que la calidad es inversamente proporcional a la

variabilidad.
De esta forma se define la mejora de calidad como:

Mejoramiento de la calidad es la reduccin de la variabilidad en
productos y servicios.
Pgina 6

EUA
LIE
JAPON
Objetivo
LSE
Fig. 1.1 Enfoques de conformancia
Como los mtodos estadsticos tienen un papel importante en el mejoramiento de la calidad, son
objeto de estudio de la Ingeniera de calidad. Los datos relacionados con la calidad se clasifican en
atributos y en variables. Los de atributos son discretos, enteros. Los de variables corresponden a
mediciones con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadsticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Un tipo especfico de no cumplimiento de especificaciones es llamado defecto o no

conformancia.
Caractersticas del producto: Son los elementos que en conjunto describen la calidad del producto,
evaluadas respecto a especificaciones, como son:
1. Fsicos: Longitud, peso, voltaje, viscosidad

2. Sensoriales: Gusto, apariencia, color
3. Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.
Pgina 7
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Antecedentes
La teora de la administracin se desarroll bsicamente en los pases industrializados, en
respuesta a los problemas que presentaron las grandes empresas caractersticas del sistema
capitalista.1 Sus primeros indicios se observan con el economista Adam Smith con el concepto de
divisin del trabajo para aumentar la productividad en 1776.2
Smith not que en una industria de fabricacin de alfileres, diez personas, cada
una realizando una tarea especfica, podran producir 48,000 alfileres por da.
Propuso que si cada uno trabajara por separado y en forma independiente, los diez
trabajadores tendran suerte en hacer 200 (o an 10) alfileres al da.3
Smith concluy que la divisin del trabajo incrementaba la productividad sin embargo se
consideraba al trabajador como extensin de la mquina. Durante la revolucin industrial,
iniciada en el siglo XVIII en Gran Bretaala mano de obra era sustituida por mquinas de una
manera acelerada.4 Esto, a su vez, abarat la fabricacin de productos en las fbricas. Surge la
administracin cientfica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): l no desarroll una teora de administracin, sino que
haca nfasis en los aspectos empricos.5 En 1911 public sus Principios de la Administracin
Cientfica6 donde describe la administracin cientfica, y us este trmino para definir la nica y
mejor manera de realizar un trabajo. Los estudios realizados antes y despus de esta publicacin,
lo erigieron como el padre de la administracin cientfica.7 Sus cuatro principios son:
Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7

Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T.
Cadell, London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey,
1987, p. 31.
4
Ibidem, p. 31.
5
Simn, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados
Unidos de Amrica, 1911
7
Robbins, Stephen, op cit. p. 33.
2
Pgina 8
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al
mtodo emprico; 2. Escoger cientficamente y luego entrenar, ensear y
desarrollar al trabajador; 3. Colaborar ampliamente con los trabajadores para
asegurar que todo el trabajo se realice conforme a los principios de la ciencia que
se ha ido desarrollando; 4. Hay una divisin casi igual del trabajo y la
responsabilidad entre la administracin y los trabajadores. La administracin se
encarga de todo el trabajo para el cual est mejor dotada que los trabajadores.8
Taylor9 seal que la creacin de nuevos mtodos de trabajo era responsabilidad nica de
gerentes y administradores. La mayor desventaja del taylorismo es que los trabajadores pueden
ser descalificados como si fueran extensin de las mquinas,10 como consecuencia, se tiene
poca motivacin y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: disearon arreglos laborales para eliminar movimientos
manuales y corporales intiles, tambin experimentaron en el diseo y uso de herramientas y
equipo adecuado para optimizar el desempeo del trabajo.11 Encontraron que no es el trabajo
montono la causa de tanta insatisfaccin laboral, sino la falta de inters que muestran los
gerentes por los trabajadores.12
El Fordismo de Henry Ford: se implant en empresas con lneas de productos durables en

Estados Unidos de Amrica, foment la modificacin de las normas de consumo y de vida de los
trabajadores, considerados como verdaderos consumidores potenciales, para lo cual era necesario
aumentar su poder de compra y reducir costos de produccin, con sistemas de proteccin social.13
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva

York, Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. Mxico, Prentice Hall Hispanoamericana,
1982, p. 304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, Transformaciones del proceso del trabajo y de la relacin salarial en el marco
del nuevo paradigma productivo. Sus repercuciones sobre la accin sindical, en Sociologa del
Trabajo, Nueva poca, nm. 18, primavera de 1993, pp. 80-82
Pgina 9
Con las crisis de los aos ochenta, la produccin masiva uniforme ya no es competitiva, surge un
nuevo paradigma que hace nfasis en la respuesta flexible frente a los cambios impredecibles del
mercado. 14
Control de calidad por inspeccin

Durante la primera guerra mundial el sistema de manufactura se volvi ms complejo,
involucrando a ms trabajadores reportando a un supervisor de produccin, con Taylor aparecen
los primeros inspectores de control de calidad; los trabajadores y el supervisor se enfocaron a la
produccin, desligndose del auto - control de calidad de los artculos que producan, esto tuvo
auge entre los aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los defectuosos por un
departamento de Control de Calidad, sin embargo como la inspeccin 100% realizada por
personas tiene errores, se estableci un departamento de Servicio para corregir los productos
defectuosos en el mercado.15 Se establecen despus planes de muestreo militares, asumiendo que
cualquier proceso producir defectos, los esfuerzos se enfocan a detectarlos, no a prevenirlos. Los
productos defectuosos, eran reprocesados o desechados, incrementando los costos de produccin
entre un 20 a 30% e incrementando el precio final del producto al menos 20%16, absorbiendo el
cliente las ineficiencias de la empresa. El departamento de Control de Calidad se convierte en el
"polica de la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa, est
formado por especialistas y tcnicos que se encargan principalmente de detectar defectos en el
producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control Estadstico del
Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
16
Ibidem, pp. 125-126
15
Pgina 10
Control estadstico del proceso (CEP)
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de productos, las
inspecciones de rutina de los inspectores no eran suficientes, en algunas compaas, tales como la
Western Electric, bajo contrato de la American Bell Telephone Company, estableci mtodos de
control de calidad ms rigurosos que infundieran confianza en sus instrumentos y
electrodomsticos, en 1924 se form su departamento de Ingeniera de Inspeccin, entre sus
primeros miembros se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry
G. Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control17. Por otra parte H. Dodge y H. Romig
desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig18, como una alternativa a la
inspeccin 100% al producto terminado, sin embargo su adopcin en occidente fue muy lenta,
Freeman, sugiere que esto se dio por la tendencia de los ingenieros americanos a eliminar la
variacin, y su desdn por las teoras probabilsticas, as como a la falta de estadgrafos
industriales, adecuadamente entrenados.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy se conoce como
Control Estadstico del Proceso. De esta forma con objeto de hacer ms eficientes a las
organizaciones de inspeccin, se proporciona a los inspectores con unas cuantas herramientas
estadsticas, tales como cartas de control y tablas de muestreo20. Se reduce el nivel de variacin
del proceso hasta los lmites predecibles y se identifican las oportunidades de mejora. Se
establecen sistemas de medicin formales desde los proveedores hasta el producto final y el
proceso se "estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada por
los crculos de control de calidad para la identificacin de problemas.
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of Manufactured
Product, donde describe las cartas para el control estadstico del proceso. En medio de los aos
17
Duncan, Acheson, op. cit.p. 16.

Ibidem, p. 1
19
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p.
261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
18
Pgina 11
30s los mtodos de control estadstico de calidad se empezaron a aplicar en la Western Electric,
brazo de manufactura de los laboratorios Bell, sin embargo no fueron reconocidos estos mtodos
ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de control de procesos
en la industria de la manufactura, la American Society for Quality Control se form en 1946 para
promover su uso. De 1946 a 1949 W. Deming es invitado a Japn a dar seminarios sobre control
estadstico de calidad a sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras
de Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente es hasta la
dcada de los ochenta cuando se voltea hacia los mtodos estadsticos ya muy comunes en Japn
dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General Electric, Xerox, AT&T,
etc., desarrollan e implantan una metodologa de calidad total denominada Calidad 6 sigma con el
objetivo de reducir los errores y defectos a un mximo de 3.4 partes por milln (ppm), donde una
de las herramientas clave es el control estadstico del proceso, que permite obtener ahorros de
costos muy importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos estadsticos en el
Japn, incluyendo conferencias dirigidas a los lderes industriales, en esta poca Kaoru Ishikawa
experto japons en control de calidad inici sus estudios sobre conceptos de control de calidad,
describe su propia motivacin como sigue:
Yo desarroll un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estndares... Sin embargo, me sorprend un
poco que en EUA, donde efectu una visita de estudio, sus mtodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japn y asimilarlos para adaptarlos
a situaciones en Japn, de tal forma que los productos japoneses mejoraran su
calidad21
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12,
1967, pp. 115-116.
Pgina 12
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los japoneses
aprendieron el control de calidad de occidente, invitaron a Deming, Juran y otros eruditos a Japn
para que les enseasen el control estadstico del proceso. Sin embargo la implantacin de estas
tcnicas fue posible despus de su modificacin y adaptacin a las empresas japonesas,
incluyendo la creacin de varias herramientas tiles como refinamiento del control estadstico de
calidad, tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos de
control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa, Diagrama de Pareto,

Hoja de verificacin, Diagrama de dispersin, Estratificacin, Histogramas y Cartas de control.
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en Japn, todas las
industrias japonesas confan en los mtodos estadsticos avanzados para el diseo de productos,22
esto tambin ha permitido que los supervisores de las fbricas japonesas utilicen estadstica de
alto nivel para analizar problemas. Por ejemplo para el caso del diseo de experimentos se tiene:
el diseo estadstico de experimentos es el arreglo, bajo el cual se efecta un programa
experimental, incluye la seleccin de los niveles ptimos de los factores que tienen influencia en la
calidad del producto 23, ayuda a optimizar el tiempo y los elementos de diseo, determinando los
materiales ms baratos de tal forma que el producto cumpla las especificaciones, y todava se
asegure que el producto se desempear en forma satisfactoria bajo condiciones variables.
Con la aplicacin del Control Estadstico del Proceso, el trabajador tiene de nuevo la oportunidad
de controlar la calidad de su trabajo, no a travs de inspeccin 100%, sino a travs de tcnicas de
muestreo y de cartas de control, como mtodo preventivo de defectos, lo que permite su
autocontrol para reducir la variabilidad del proceso de produccin, se complementa con las siete
herramientas estadsticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
22
23
Amsden, R., op. cit. , p. 537.

Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Pgina 13
Desarrollo del Control Estadstico del Proceso

W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de distribuciones casi
normales, triangulares, uniformes, etc., y se calculan las medias de esas muestras, al graficar las
medias en un histograma siguen una distribucin normal.24
* * *
**
***
**
**
***
* *
Distribucin de promedios
de las muestras
Universo
Fig. 1.2 Experimentos de Shewhart para las cartas de control
Encontr que las medias de las muestras correspondan a las medias de la poblacin y que la
desviacin estndar de las medias de las muestras se relacionaban con la desviacin estndar de la
poblacin, como sigue (TEOREMA DEL LMITE CENTRAL):

__
(1.1)
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.

Poblacin con media y desviacin estndar y cualquier distribucin.
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold
Co., 1931, p. 182
Pgina 14
X1
X-media 1
X2
X3
X-media 2
X-media 3
Conforme el tamao de muestra se incrementa las muestras se distribuyen normalmente con

media de medias y desviacin estndar de las medias de las muestras / n. Tambin se
denomina Error estndar de la media.
Histogram of Promedios
14
12
Frequency
10
8
6
4
2
0
5
Promedios
Fig. 1.3 Distribucin de las medias muestrales - Normal
En general si las xi estn distribuidas en forma idntica y su distribucin se asemeja a la normal, el

teorema del lmite central trabaja bien para n>=3 o 4, condiciones propicias para el control
estadstico de los procesos.
Teorema del lmite central

La distribucin normal tiene muchas propiedades tiles, una de estas se refiere a la combinacin
lineal de variables aleatorias
independientes. Si x1, x2 x3, ...., xn son variables aleatorias
independientes no necesariamente normales, con media 1, 2, ... n y varianzas 12, 22 , ..., n2

respectivamente, entonces la distribucin del estadstico siguiente:
y = a1x1 + a2x2 + ............. + anxn
es normal con media
Pgina 15
y = a11 + a22 + ... + ann

y varianza
y2 = a1212 + a2222...,+ an2n2
donde a1, a2, ... an son constantes.
El Teorema del Lmite Central establece que la distribucin de la variable:
[y -
i ]
i 1
(2.5)
i 1
Se aproxima a la distribucin normal conforme n tiende a infinito. Es decir que la suma de las n
variables
aleatorias
independientemente
distribuidas
es
aproximadamente
normal,
independientemente de la distribucin de las variables individuales.
La aproximacin se mejora conforme se incrementa n, en general si las xi estn distribuidas en

forma idntica y su distribucin se asemeja a la normal, el teorema del lmite central trabaja bien
para n>=3 o 4, condiciones propicias para el control estadstico de los procesos.
Interpretacin
Normalmente para conocer el estado de un proceso en determinado momento, es necesario
obtener un histograma de la caracterstica de inters, tomando al menos 30 piezas. Se calcula la
media y la desviacin estndar de la muestra y se trata de inferir sobre las caractersticas del
proceso. Haciendo esto peridicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
a) Proceso fuera de control
b)Proceso en control
Pgina 16

en media y variabilidad

en media y esv. est.
Fig. 1.4 Comportamiento de procesos en control y fuera de control25

Llevando un control de proceso a travs de histogramas no sera prctico y aprovechando sus
hallazgos del comportamiento de las medias Shewhart sugiri llevar un control del proceso
tomando muestras no de 50 piezas, sino de slo 5 consecutivas, monitoreando el comportamiento
del proceso a travs de las cartas de control de Shewhart, la media del proceso con las medias de
las muestras y la variabilidad con su rango. Tomado lmites de control establecidos a 3 de
medias o rangos.
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn,
Michigan, 1983
Pgina 17
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS
Figura 3.1 Las 7 herramientas estadsticas de calidad
H
Fig. 1.5 Las 7 herramientas estadsticas para la mejora y solucin de problemas
Hoja de verificacin o registro

Se utiliza para reunir datos basados en la observacin del comportamiento de un proceso con el
fin de detectar tendencias, por medio de la captura, anlisis y control de informacin relativa al
proceso. Bsicamente es un formato que facilita que una persona pueda tomar datos en una
forma ordenada y de acuerdo al estndar requerido en el anlisis que se est realizando. Las hojas
de verificacin tambin conocidas como de comprobacin o de chequeo organizan los datos de
manera que puedan usarse con facilidad ms adelante.
Pasos para la elaboracin de una hoja de verificacin:
1. Determinar claramente el proceso sujeto a observacin. Los integrantes deben enfocar su

atencin hacia el anlisis de las caractersticas del proceso.
Pgina 18
2. Definir el perodo de tiempo durante el cul sern recolectados los datos. Esto puede variar de
horas a semanas.
3. Disear una forma que sea clara y fcil de usar. Asegrese de que todas las columnas estn
claramente descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegrese de que se dedique el
tiempo necesario para esta actividad.
Anotar frecuencia de ocurrencia de los eventos (con signos |, X, *, etc.)
DIA
DEFECTO
1
2
Tamao errneo IIIII I
IIIII
Forma errnea
I
III
Depto. EquivocadoIIIII
I
Peso errneo
IIIII IIIII I IIIII III
Mal Acabado
II
III
TOTAL
25
20
3
IIIII III
III
I
IIIII III
I
21
4
IIIII II
II
I
IIIII IIIII
I
21
TOTAL
26
9
8
37
7
87
Figura 1.6 Ejemplo de hoja de verificacin o registro
Consejos para la elaboracin e interpretacin de las hojas de verificacin

1. Asegrese de que las observaciones sean representativas.
2. Asegrese de que el proceso de observacin es eficiente de manera que las personas tengan
tiempo suficiente para hacerlo.
3. La poblacin (universo) muestreada debe ser homognea, en caso contrario, el primer paso es
utilizar la estratificacin (agrupacin) para el anlisis de las muestras/observaciones las cuales
se llevarn a cabo en forma individual.
Ejercicio: Hacer hoja de registro con las antigedades en la organizacin y concluir:

Antigedad
Registro
0.5 -1 aos
1.1 2 aos
2.1 4 aos
4.1 7 aos
Ms de 7 aos
Conclusiones:
Pgina 19
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crtica
los pocos proyectos que provocan la mayor parte de los problemas de calidad.
El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe a

solamente 20% de las causas involucradas.
El diagrama de Pareto es una grfica de dos dimensiones que se construye listando las causas de
un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen
un mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El
eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de
efecto de las causas, empezando por la de mayor magnitud.
Pasos para desarrollar el diagrama de Pareto:

1. Seleccione qu clase de problemas se van a analizar.
2. Decida qu datos va a necesitar y cmo clasificarlos. Ejemplo: Por tipo de defecto, localizacin,
proceso, mquina, trabajador, mtodo.
3. Defina el mtodo de recoleccin de los datos y el perodo de duracin de la recoleccin.
4. Disee una tabla para el conteo de datos con espacio suficiente para registrarlos.
5. Elabore una tabla de datos para el diagrama de Pareto con la lista de categoras , los totales
individuales, los totales acumulados, la composicin porcentual y los porcentajes acumulados
6. Organice las categoras por orden de magnitud decreciente, de izquierda a derecha en un eje
horizontal construyendo un diagrama de barras. El concepto de otros debe ubicarse en el
ltimo lugar independientemente de su magnitud.
7. Dibuje dos ejes verticales y uno horizontal.
Ejes verticales:
-
Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Pgina 20
Eje horizontal:
-
Divida este eje en un nmero de intervalos igual al nmero de categoras clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados (porcentaje
acumulado) en la parte superior, al lado derecho de los intervalos de cada categora, y conecte
los puntos con una lnea continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para el mejor
entendimiento del diagrama de Pareto.
Ejemplo de Diagrama de Pareto:

El departamento de ventas de un fabricante de materiales de empaque tiene registrada una lista
de las quejas que se han recibido durante el ltimo mes.
Tipo de queja
No.
de
quejas
Total
Acumulado
Composicin
Porcentual
Porcentaje
Acumulado
A) Entregas fuera de tiempo
25
25
35.71
35.71
B) Calibre fuera de especificaciones

(B) Calibre fuera de especificaciones
C) Material sucio y maltratado
23
48
32.85
68.56
55
10
78.56
D) Material mal embalado
61
8.57
87.13
E) Dimensiones fuera de especificaciones
64
4.28
91.41
F) Inexactitud en cantidades
66
2..85
94.26
G) Mala atencin del personal
67
1.42
95.68
H) Maltrato del material por transportistas
68
1.42
97.7
I) Fallas en documentacin
69
1.42
98.52
J) Producto con cdigos equivocados
70
1.4
99.94
Pgina 21
DIAGRAMA PARETO
99.94
98.52
50
97.7
95.68
94.26
91.41
87.13
N
O
78.56
D
E
Q
U
E
J
A
S
68.56
35.71
25
23
7
6
3
2
1
A
Figura 1.7a Diagrama de Pareto
Pgina 22
%
A
C
U
M
U
L
A
D
O
Las quejas A, B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos
primero a resolver.
Ejemplo: Se tienen los gastos siguientes:

TIPO_GTO
A
B
C
D
E
GASTO
Papelera
Toners
Vaticos
Gasolina
Copiado
CANT
20
60
80
30
10
Diagrama de Pareto en Minitab
Capture los datos en la columna C1 (tipo de defecto), en la columna C2 (frecuencias)
Seleccione: Stat>Quality Tools>Pareto Chart

Escoja la opcin Chart defects table , en el campo labels in seleccione: C1 y en Frequencies
in seleccione: C3. Combine defects alter the first 80%.
Clic en OK
El sistema despliega la grfica de Pareto:
Construir un diagrama de Pareto y su lnea acumulativa

Pareto Chart of C1
200
100
Count
60
100
40
50
0
C1
Count
Percent
Cum %
20
C
80
40.0
40.0
B
60
30.0
70.0
D
30
15.0
85.0
A
20
10.0
95.0
Figura 1.7b Diagrama de Pareto
Pgina 23
Other
10
5.0
100.0
Percent
80
150
En la grfica observamos que aproximadamente el 85% de los gastos es debido a los gastos C, B,
D.
Ejercicio: Hacer un diagrama de Pareto con los gastos principales:

Ordenarlos de mayor a menor
Tipo de Gasto
Descripcin
Frecuencia
Frecuencia
Conclusiones:
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede encontrar: Correlacin
positiva o negativa, fuerte o dbil o sin correlacin.
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la relacin entre dos
variables. Por ejemplo, entre una caracterstica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensin ms
profunda del problema planteado.
Pgina 24
La relacin entre dos variables se representa mediante una grfica de dos dimensiones en la que
cada relacin est dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
Accidentes laborales
la variable efecto.
Correlacin
positiva,
posible
Numero de rdenes urgentes

Fig. 1.8 Grfica de dispersin donde se observa una correlacin positiva
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocar una aumento en la variable efecto y y si es negativa
significa que una disminucin en la variable x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin pueden estar muy
cerca de la lnea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
ndice que se utiliza para medir ese grado de cercana de los puntos con respecto a la lnea recta es
la correlacin. En total existen cinco grados de correlacin: positiva evidente, positiva, negativa
evidente, negativa y nula.
Pgina 25
Correlacin entre las variables Y y X

Correlacin Negativa
Evidente
Correlacin Positiva
Evidente
25
25
20
20
15
10
15
5
0
10
15
20
25
10
5
Sin Correlacin
0
0
10
25
15
20
25
20
15
Correlacin
Positiva
25
10
0
0
10
15
20
25
25
20
15
15
10
Correlacin
Negativa
20
10
5
0
0
10
15
20
25
10
15
20
25
Figura 1.9 Diagrama de dispersin y su correlacin entre X,Y

Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal sera y = a + bx.
Como la correlacin no siempre es perfecta, se calculan a y b de tal forma que se minimice la
distancia total entre puntos y la recta. Los clculos son:
y x x xy
n x x
2
n xy x y
n x 2 x
El ndice de correlacin (r) se puede calcular estadsticamente mediante las ecuaciones que a
continuacin se presentan
SCxy
SCx SCy
SCxy xy
x y
n
Pgina 26
x
SCx x
n
SCy y 2
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
x Sumatoria de los valores de la variable x al cuadrado

y Sumatoria de los valores de la variable y al cuadrado
xy Sumatoria del producto de xy
x Cuadrado de la sumatoria de la variable x
2
Cuadrado de la sumatoria de la variable y

= nmero de pares ordenados (pares de datos x, y)
El factor de correlacin es un nmero entre 1 (correlacin negativa evidente) y +1 (correlacin

positiva evidente), y r = 0 indicara correlacin nula.
La correlacin se utiliza para cuantificar el grado en que una variable provoca el comportamiento
de otra. Por ejemplo si se encuentra que la variable temperatura tiene una correlacin positiva
con el porcentaje de artculos defectuosos, se deben buscar soluciones al problema de los
artculos defectuosos mediante acciones asociadas con la variable temperatura; de lo contrario,
sera necesario buscar la solucin por otro lado.
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribucin del producto y
las operaciones del servicio de ruta para mquinas vendedoras. El sospecha que el tiempo
requerido para cargar y servir una mquina se relaciona con el nmero de latas entregadas del
producto. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen mquinas
Pgina 27
vendedoras y se observa para cada expendio el tiempo de solicitud- entrega (en minutos) y el
volumen del producto entregado (en latas). Calcular el coeficiente de correlacin y graficar. Los
datos se muestran a continuacin:
Observacin No. Latas, x

tiempo, y
x^2
y^2
xy
1
2.00
9.95
4.00
99.00
19.90
2
8.00
24.45
64.00
597.80
195.60
3
11.00
31.75
121.00
1,008.06
349.25
4
10.00
35.00
100.00
1,225.00
350.00
5
8.00
25.02
64.00
626.00
200.16
6
4.00
16.86
16.00
284.26
67.44
7
2.00
14.38
4.00
206.78
28.76
8
2.00
9.60
4.00
92.16
19.20
9
9.00
24.35
81.00
592.92
219.15
10
8.00
27.50
64.00
756.25
220.00
11
4.00
17.08
16.00
291.73
68.32
12
11.00
37.00
121.00
1,369.00
407.00
13
12.00
41.95
144.00
1,759.80
503.40
14
2.00
11.66
4.00
135.96
23.32
15
4.00
21.65
16.00
468.72
86.60
16
4.00
17.89
16.00
320.05
71.56
17
20.00
69.00
400.00
4,761.00
1,380.00
18
1.00
10.30
1.00
106.09
10.30
19
10.00
34.93
100.00
1,220.10
349.30
20
15.00
46.59
225.00
2,170.63
698.85
21
15.00
44.88
225.00
2,014.21
673.20
22
16.00
54.12
256.00
2,928.97
865.92
23
17.00
56.63
289.00
3,206.96
962.71
24
6.00
22.13
36.00
489.74
132.78
25
5.00
21.15
25.00
447.32
105.75
TOTALESlas ecuaciones
206.00
725.82 de 2,396.00
27,178.53
8,008.47
Utilizando
para obtener el coeficiente
correlacin tenemos:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia estadstica para
afirmar que el tiempo de entrega est relacionado con el nmero de latas.
Pgina 28
Figura 1.10 Diagrama de dispersin con tendencia
En la grfica observamos que al aumentar el nmero de latas el tiempo de entrega aumenta.
Para realizar el grfico de dispersin en Excel realice el siguiente procedimiento:
1. Seleccione el icono asistente para grficos.

2. Seleccione el tipo de grfico xy(dispersin), y subtipo de grfico: dispersin, compara
pares de valores.(siguiente)
3. En la pestaa rango de datos seleccione los valores de x y y de la tabla de datos. En la
pestaa serie agregue el ttulo, el rango de valores x, y se da por default al haber
seleccionado el rango de datos .(siguiente)
4. Ponga el titulo del grfico y eje de valores x y y de la tabla de datos. En esta pantalla puede
agregar lneas de divisin al grfico y otras opciones (siguiente) (finalizar)
5. Para realizar algn cambio, por ejemplo en la escala haga clic en la escala de valores y
aparecer un men que le permitir realizarlos.
Pgina 29
Para determinar la funcin de regresin y correlacin en Minitab se siguen los pasos siguientes
(despus de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Minitab > Stat >Regresin ... Indicar la columna de Respuestas Y y la de predictores X y aceptar
con OK. Observar el valor del coeficiente de correlacin y de determinacin.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una lnea, una funcin cuadrtica o cbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlacin que indica el mejor ajuste.
Ejercicio: Hacer un diagrama de dispersin con los datos siguientes:

Errores (escala 5 por divisin)
Antigedad
4
2
8
6
10
5
7
1
Errores
20
12
36
28
44
25
32
5
Antiguedad
Conclusiones:
Pgina 30
Histogramas
Se utilizan para ver la distribucin de frecuencia de una tabla de datos
18
16
14
12
10
Frec.
8
6
4
2
0 Distribucin de frecuencias o histograma
Figura 3.5
15-24 25-34 35-44 45-54 55-64 65-75
Figura 1.11 Histograma en Excel

Pasos para hacer un histograma:
1. Contar el nmero de datos, identificar el valor mximo, el mnimo y el rango.
2. Determinar el ancho de clase = Rango / 5 a 8.
3. Contar cuantos datos entran dentro de cada celda.
4. Graficar las frecuencias de cada celda.
Ejercicio: Realizar un histograma con los datos de edades siguientes:
2.41
3.34
4.04
4.46
8.46
9.15
11.59
12.73
13.18
15.47
17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63
33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23
38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01
45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43
Pgina 31
55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61
62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45
70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47
Paso 1. Nmero de datos =

Valor mayor =
Valor menor =
Paso 2. Ancho de clase = Rango / 6 =
redondear a:
Paso 3. Contar elementos para cada clase:
Columna
Intervalo
Registro de frecuencias
Frecuencia
1
0 -17
2
3
4
5
6
Rango =
18-35
36-53
54-71
72-89
90 en
adelante
Paso 4. Hacer la grfica del histograma:
Conclusiones:
Lluvia de ideas (Brainstorming)

En las sesiones de lluvia de ideas se generan nuevas ideas mediante la participacin de todo el
equipo.Para comenzar con el proceso de tormenta de ideas, en el cual se genera informacin la
gente se rene en una sala en la cual se recomienda la disposicin de las mesas en forma de U
para facilitar el debate. La gente que participa en la sesin deber de pertenecer a diferentes
reas o tener puntos de vista diferentes, esto con el objeto de enriquecer la sesin.
Pgina 32
El facilitador debe de contar con experiencia en la conduccin de sesiones de tormentas de ideas,

o al menos haber tenido experiencias previas.
Para conducir un grupo se lleva a cabo la siguiente metodologa:
1. Seleccionar el problema a tratar.
2. Pedir a todos los miembros del equipo generen ideas para la solucin del problema, las cuales
se anotan en el pizarrn sin importar que tan buenas o malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los pensamientos
concernientes al problema.
4. Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy interesantes, que
motivan a los participantes a generar ms ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este punto el objetivo es tener
mayor cantidad de ideas as existirn mayores posibilidades de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar las sugerencias de otros.
7. Una vez que se tengan un gran nmero de ideas el facilitador procede a agrupar y seleccionar
las mejores ideas por medio del consenso del grupo de trabajo.
8. Las mejores ideas son discutidas y analizadas con el fin del proponer una solucin.
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseo de experimentos,
pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algn
lugar.
Diagrama de Causa efecto

Muestra la relacin entre una caracterstica de calidad y los factores de influencia, para
encontrar las causas posibles. Se usa la lluvia de ideas, debe hacerse sin juicios previos y
respetando las opiniones.
Tcnica para generar ideas creativas cuando la mejor solucin no es obvia.

Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
El problema a analizar debe estar siempre visible
Pgina 33
Generar y registrar en el diagrama de Ishikawa un gran nmero de ideas, sin

juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad
El diagrama causa-efecto, tambin llamado espina de pescado por la semejanza de su forma,

tambin es conocido por diagrama de Ishikawa.
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condicin especfica en las caractersticas de un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada y completa
todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la bsqueda de las verdaderas causas
de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a travs de un consenso, un

diagrama de Pareto, otro diagrama o tcnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan el problema.
3. Dibuje el diagrama:
-
Coloque en un cuadro a la derecha la frase que identifique el efecto (caracterstica de

calidad)
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la frase. A esta lnea
se le conoce como columna vertebral.
Coloque lneas inclinadas que incidan en la columna vertebral (causas principales).
Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas conforme a la
clasificacin de las causas (causas secundarias)
Dibuje lneas inclinadas que incidan en las lneas de las causas secundarias (causas
terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:

-
Causas principales.
Pgina 34

-
Causas secundarias.
Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto
relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro
Clientes con
ventas bajas
Malos
itinerarios
Mtodos
Frecuencia
de visitas
Posicin de
exhibidores
Rotacin de
personal
Falta de
motivacin
Ausentismo
Elaboracin
de pedidos
Calidad del
producto
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Descompostura
del camin
repartidor
Maquinara
Personal
Falta de
supervi
cin
Medicin
Qu
produce
bajas ventas
de
Tortillinas
Ta Rosa?
Tipo de
exhibidor
Materiales
Figura 1.12 Diagrama de causa efecto, de Ishikawa o espina de pescado

Ejemplo: En una fbrica de componentes electrnicos se detectaron fallas en la lnea de ensamble
al realizar la prueba de un circuito, por lo cual se procedi a realizar una investigacin utilizando el
diagrama causa-efecto.
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales Ms:
Mquinas
Mano de obra
Mtodos
Pgina 35
Materiales
Mediciones
Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a partir de estas
causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
MEDICIONES
MAQUINAS
MANO DE OBRA
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
LIMITES
ERGONOMICOS
FORMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
LACA DE
PROTECCION
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
ias
MATERIALES
ca
us
as
ter
cia
r
ec
un
da
ria
s
ale
cip
rin
p
s
usa
Ca
MTODOS
Ca
us
as
s
MEDIO AMBIENTE
Figura 1.13 Diagrama de causa efecto
El equipo analiza cada causa y por medio de eliminacin y consenso determina cuales son las
verdaderas causas que estn ocasionando el problema. Una vez determinada las causas se realiza
un anlisis Por qu, Por qu, por qu (Why-Why Why), el cual consiste en preguntarnos cinco
veces por qu?, para encontrar la causa raz del problema.
Pgina 36
En el ejemplo anterior las causas primarias fueron agrupadas en (Ms): mediciones, mquinas,
personal, medio ambiente, mtodos y materiales. Es posible realizar este diagrama con causas
primarias diferentes a las Ms, ej:
Problema: Por qu la versin del sistema Abacab, no satisface los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Polticas y procedimientos del sistema
Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad
Diagrama de Causa Efecto en Minitab
Capture los datos en la columna C1 (tipo de defecto), en la columna C2 (frecuencias)
Seleccione: Stat>Quality Tools>Cause and Effect Diagram
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Mquinas, Materiales, Mtodos, Mediciones y Medio ambiente.
Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar

con OK.
Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de
un problema y concluir.
Pgina 37
Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos administrativos y de
manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeacin de la produccin durante 15

semanas: Se puede hacer en Minitab con Stat, Quality Tools, Run Chart, Subgroup size = 1
Semana
1
2
3
4
5
6
7
8
% errores
0.15
0.04
0.08
0.07
0.04
0.05
0.01
0.03
Semana
9
10
11
12
13
14
15
% errores
0.04
0.05
0.07
0.04
0.02
0.03
0.01
Permite observar el comportamiento de los datos durante un periodo de tiempo determinado.
% errores
Carta de tendencia
0.2
0.15
0.1
0.05
0
1
Sem ana
Fig. 1.14 Carta de tendencias
Pgina 38
10 11 12 13 14 15
Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de
los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo

Proveen una secuencia grfica de cada uno de los pasos que componen una operacin desde el
inicio hasta el final. Permitiendo una mejor visualizacin y comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de documentacin, incluyendo la
documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la variacin y el

tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Se utiliza para identificar los procesos, las caractersticas crticas en cada uno, la forma de
evaluacin, los equipos a usar, los registros y plan de reaccin, se tienen los tipos
siguientes:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor
Smbolos para Diagramas de Flujo
Iniciar/Detener
Transmisin
Operaciones
(Valor agregado)
Decisin
Almacenar
Entrada/Salida
Inspeccin /Medicin
Transportacin
Retraso
Lneas de Flujo
Fig. 1.15 Smbolos utilizados en los diagramas de flujo
Pgina 39
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos descritos a
continuacin:
Operacin de transformacin: de la cual resulta un cambio fsico o

qumico del producto.
Inspeccin: Verificacin de alguna caracterstica mediante un estandar de

calidad prestablecido.
Transporte: Movimiento fsico del producto o un componente.
Demora: Indica la necesidad de un periodo de inactividad en espera de

operacin inspeccin o transporte.
Almacenamiento: Mantener un producto en almacenamiento hasta

que contine su procesamiento o sea vendido.
Pasos para la elaboracin de un diagrama de flujo

1. Describir el proceso a evaluar: Es importante comenzar con los procesos que se
consideran de mayor impacto en la organizacin.
Pgina 40
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes
maneras de hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas
los diferentes pasos que conforman el proceso, con este mtodo el equipo puede arreglar
y ordenar los pasos del proceso. Otra manera de hacerlo es mediante el uso de programas
de diagramas de flujo en computadoras, de esta manera se tiene mayor flexibilidad que en
el mtodo anterior y se ahorra bastante tiempo.
Cada paso deber de ser discutido y analizado a detalle utilizando la pregunta por qu
se hace de esta manera?
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos
se construye el diagrama de flujo, conectando las actividades mediante flechas, cada
smbolo debe describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como ideal las siguientes
preguntas pueden servir de gua:
Existen pasos demasiado complejos?
Existe duplicidad o redundancia?
Existen puntos de control para prevenir errores? deberan de existir?
El proceso funciona en la manera en la cual debera de hacerse?
Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas
se realizan mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede
llevar a cabo una simplificacin sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a
las personas involucradas en el proceso y se verifica su efectividad.
Pgina 41
Diagrama de flujo: Una visita a la farmacia26
Ejemplo: Operacin de despacho de una frmula.
EVENTO
SMBOLO TIEMPO DISTANCIA

(min.)
(pies)
Abrir la puerta, caminar hacia el rea de la farmacia
0.8
50
del almacn.
Esperar para ser atendido.
1
Sacar la frmula de la billetera o del bolsillo y
entregarla al dependiente.
Esperar hasta cuando el dependiente despache la
frmula y calcule el valor.
Sacar la tarjeta de crdito de la billetera y entregarla
al dependiente.
Esperar que el dependiente diligencie el
desprendible de la tarjeta de crdito.
Verificar el desprendible
0.4
Firmar el desprendible
0.1
Esperar el desprendible y el medicamento
0.3
Colocar la tarjeta y el desprendible dentro de la

billetera
Recoger el medicamento y caminar de regreso hasta
la puerta
0.2
10
0.4
1
0.2
0.8
50
Figura 1.16 Ejemplo de diagrama de flujo
26
Adaptado de Hamid Noori/Russell Radford, Administracin de Operaciones y produccin, Ed.

Mc.Graw Hill Pp.282
Pgina 42
Ejercicio: Hacer el diagrama de flujo de un proceso e identificar reas de oportunidad
Inicio
Paso 1
Paso 2A
Paso 2B
Paso 2C
Paso 3
Bueno?
Retrabajo
No
Fin
S
Pgina 43
Diagrama de flujo de tiempo valor agregado

Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no
agregan valor.
Pasos para realizarlo:

Dibujar una lnea horizontal para representar el tiempo total que se ocupa en el proceso.
Relacione todos los pasos del proceso detalladamente, despus decida si el paso tiene valor para
el cliente.
Dibujar una lnea vertical fina que represente el tiempo que se requiere para completar el paso.
Dibjela arriba de la lnea, si representa valor agregado, o debajo si no lo representa.
En cada lnea vertical seale el paso del proceso.
Puede dibujar una barra con el tiempo de valor agregado como porcentaje de tiempo total del
proceso.
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
Visita al consultorio mdico

ny n
me
Exa cripci
s
P re
so nea
Pe gu
n
Sa
n
esi
Pr
Espera
Espera
on
lc
de
lir
Sa agar r
P ina
m
Ca
se
ar
nt ar
Se min
Ca inar
m
lto
su
Ca a de a
er
ad
am er m
Ll enf
la
se e
ar
nt ars
Se istr
g
Re
r io
Figura 1.17 Diagrama de flujo de valor
Pgina 44
Diagrama de Flujo Fsico

Pasos para realizarlo:
Dibuje el esquema fsico de su rea de trabajo, incluyendo estaciones de trabajo, reas de
espera, reas de mquinas, etc.
Use flechas para delinear el flujo de la parte dentro del rea. Cada flecha debe delinear un paso
del proceso.
Ventajas
Muestra el nmero de movimientos para completar el proceso.
Muestra la complejidad del flujo y las curvas.
Puede aadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs
tiempo con
valor agregado.
Edificio A
Edificio B
Figura 1.18 Ejemplo de diagrama de flujo fsico
EJERCICIO: Realizar un diagrama de flujo de un proceso
Pgina 45
Estratificacin
Se utiliza para separar un aspecto general en los estratos que lo componen, por ejemplo,
por regiones, estados, municipios, etc. Clasificacin de los datos o factores sujetos a
estudio en una serie de grupos con caractersticas similares.
Problemas con boletas
Por regin
Por estado
Por municipio
Figura 1.19 Estratificacin de un problema
Ejercicio: Describir un ejemplo de estratificacin de un aspecto poblacional
Inicio:
Primer paso:
Segundo paso:
Tercer paso:
Las cartas 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
Lmite
Superior de
Control
12.5
11.5
10.5
Lnea
Central
9.5
8.5
7.5
0
10
20
30
Lmite
Inferior de
Control
Figura 1.20 Carta de control con sus lmites de control y lnea central
Pgina 46
Carta de control
Escuche la Voz del Proceso
M
E
D
I
D
A
S
C
A
L
I
D
A
D
Regin de control,
captura la variacin
natural del proceso
original
LSC
LIC
Tendencia del proceso

Causa Especial
El proceso ha cambiado
identificada
TIEMPO
Figura 1.21 Patrones de anormalidad en cartas de control
Las cartas de control detectan la variacin anormal en un proceso, denominadas

causas especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial de

variacin.
1.4 MTODOS LEAN PARA LA MEJORA

A continuacin se muestran los mtodos para hacer ms flexibles y esbeltas las operaciones en las
organizaciones:
Los 7 desperdicios o Muda

Son aspectos que no agregan valor al cliente, es decir no est dispuesto a pagar por ellos y
hacen que la operacin sea costosa y lenta:
Pgina 47
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Ejemplos de muda:
Caminar
Inventario
innecesario
Transporte de
partes
Esperar al ciclo
de mquina
Reportes sin uso
Movimientos
innecesarios
Ejercicio: Identificar tres Mudas en la organizacin

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Mtodos Lean para la mejora

Para reducir el Muda se utilizan diversos mtodos Lean como son:
Mapeo de la cadena de valor
Las 5 Ss
Cambios rpidos (SMED)
Poka Yokes o A Prueba de error
Trabajo estandarizado
Mapeo de la cadena de valor

Se trata de realizar un mapeo de los procesos, identificando las actividades que no agregan valor
(Muda) para su reduccin o eliminacin, as como las actividades que agregan valor para su
optimizacin, a continuacin se presenta un ejemplo:
Pgina 48
Ejercicio: Mejora del tiempo de ciclo de atencin en una sala de emergencia:

Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atencin en una sala de emergencia, considerando tiempos y distancias.
Proceso Original
Resumen
Smbolo Nmero Tiempo en Distancia

de pasos minutos
Operacin
23
---
Transporte
Inspeccin
9
2
11
8
815
---
Retraso
---
50
--815
0
19
Almacenaje
Total
No. de Pasos Tiempo Min.Distancia en pies

1
0.5
15
2
10
--3
0.75
40
4
3
--5
0.75
40
6
1
--7
1
60
8
4
--9
5
--10
2
200
11
3
--12
2
200
13
3
--14
2
--15
1
60
16
4
--17
2
180
18
4
--19
1
20
Total
50
815
Proceso: Admisin a la sala de emergencia

Sujeto: Paciente con una lesion en el tobillo
Principio: Entrada a sala de emergencia
Final: Salida del hospital
Descripcin
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Pgina 49
Entrada a la sala de emergencia (SE), acercarse a la ventanilla

Sentarse a llenar la historia clnica del paciente
La enfermera acompaa al paciente a la sala de evaluaciones
La enfermera examina la lesin
Regresa a la sala de espera
Espera hasta que haya una cama disponible
Trasladarse hasta la cama de la (SE)
Espera hasta que llegue el mdico
El mdico examina la lesin y le hace preguntas al paciente
La enfermera lleva al paciente a radiologa
El tcnico somete al paciente a los rayos X
Regresa a la cama asignada en la (SE)
Espera hasta que el mdico regrese
El mdico comunica su diagnositco y hace reconmendaciones
Regresa al rea de entrada del servicio de Emergencias
Registrar la salida del lugar
Caminar hasta la farmacia
Recoger la prescripcion mdica
Salir del Edificio
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Pgina 50
Las 5 Ss y la administracin visual

Objetivo: Encontrar cualquier cosa y tener idea del estado de la operacin en menos de 30
segundos, por una persona familiarizada con el rea de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
1.- SEIRI significa: ORGANIZAR y SELECCIONAR:
Trabajo en proceso, Herramientas innecesarias, Maquinaria no ocupada, Productos
defectuosos, Papeles y documentos, lo ms importante en este punto es:
Diferenciar entre lo necesario y lo innecesario.
Fig. 1.22 reas de oportunidad para 5Ss

2.- SEITON significa PONER LAS COSAS EN ORDEN.
Las cosas deben mantenerse en orden de manera que estn listas para ser utilizadas
cuando se necesiten.
B
1
A
1
1
2G974
2G974
0074D
0074D
3G235
3G235
2
1G569
1G569
6264D
6264D
Fig. 1.23 Implementacin del orden de 5Ss
Pgina 51
9964D
9964D
3.- SEISO significa: LIMPIEZA.

Mantener limpio el lugar de trabajo.
4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.
Hacer del aseo y de la pulcritud un hbito,
principiando con la propia persona.
5.- SHITSUKE (DISCIPLINA).
Seguir los procedimientos en los procesos administrativos y de manufactura.
Las 5s se han definido como Seleccin u Organizacin, Orden, Limpieza, Estandarizacin
y Disciplina. Los dos elementos ms importantes son la Organizacin y el Orden ya que de
ellos depende el xito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la bsqueda
de piezas, tiles, informacin, requisiciones, herramientas etc. evitando esto se previenen
los accidentes, no se generan defectos y todo se encuentra.
Ejercicio: Identificar reas de oportunidad de aplicacin de las 5Ss en la organizacin
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Preparaciones rpidas (SMED)

Objetivo: Cambiar el proceso para un servicio diferente en menos de 10 minutos
1. Formar un equipo de trabajo
2. Filmar las actividades de preparacin
3. Separar actividades de preparacin internas y externas
4. Convertir actividades de preparacin internas a externas
5. Afinar las operaciones (paralelo, externas, etc.)
6. Verificar resultados y dar reconocimiento al equipo
La Preparacin interna (IED), son las operaciones realizadas con el servicio suspendido.
La Preparacin externa (OED), son las operaciones realizadas mientras se estn
proporcionando los servicios.
Pgina 52
Ejemplo de Cambio rpido SMED: Se redujo el tiempo de preparacin en una estacin

de servicio de 11 minutos a 1 minuto, ya que antes primero se detena, llamaban al
dependiente, buscaba las mercancas, etc. ahora las mercancas clave estn cerca del
mostrador y no se pierde tiempo. Otro ejemplo es la obtencin de pasaportes en 40
minutos o un trmite en las oficinas de hacienda.
Ejercicio: Identificar reas de oportunidad para implementar cambios rpidos.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Poka Yokes o A prueba de error

Objetivo: Prevenir o detectar la ocurrencia de errores humanos.
Causas de los errores:
Procedimientos incorrectos
Variacin excesiva en procedimientos
Procesos o procedimientos no claros o no documentados
Errores humanos mal intencionados
Cansancio, distraccin, Falla de memoria o confianza, etc.
Pasos para el desarrollo de Poka Yokes
1. Describir el defecto: Formar un equipo de trabajo, mostrar la tasa de errores
2. Identificar el lugar donde se descubren o producen los errores
3. Detalle de los procedimientos de la operacin donde se producen los errores
4. Identificar desviaciones de los procedimientos donde se producen los errores.
Identificar las condiciones donde se ocurren los errores (investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.
7. Desarrollar un dispositivo Poka Yoke
Ejemplo: Instalacin de puertas automticas para permitir la entrada solo a personal
autorizado.
Ejercicio: Identificar reas de oportunidad para implementar A Prueba de error / Poka
Yokes.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Pgina 53
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma como
deben realizarse las operaciones y actividades para que todos las realicen de la misma
manera, para tener productos homogneos.
Por estandarizacin se entiende:
Siempre seguir la misma secuencia de trabajo
Los mtodos totalmente documentados
Los mtodos estn visibles en cada estacin de trabajo
El material y documentos de trabajo estn colocados siempre en el mismo lugar
La informacin se presenta de la misma forma en toda la organizacin
Se tiene el registro del movimiento detallado del cuerpo humano
Ejercicio: Identificar reas de oportunidad para implementar procedimientos e
instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Pgina 54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS
Diagrama de afinidad:
o Organiza grandes cantidades de informacin
Diagrama doble de interrelaciones:

o Muestra los enlaces de causas y efectos entre aspectos relacionados
Diagrama de rbol:
o Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
Carta de Programa de Decisin de Procesos (CPDP):

o Revela cadenas de eventos y planes de contingencia
Diagrama de redes y actividades:

o Desarrolla u programa para tareas complejas
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal en los casos
siguientes:
Dividir un requerimiento general de detalles especficos
Identificar y eliminar las causas raz de un problema
Programar actividades complejas
Planeacin de contingencia
Ayudar a una organizacin a pasar de la manera antigua de pensar a otras formas
ms novedosas de hacerlo
Realizar una seleccin final de una lista de opciones
Evaluar opciones de diseo de producto
Pgina 55
Diagrama de Afinidad
Es una herramienta que se emplea para organizar grandes cantidades de informacin
agrupando los aspectos de la misma con base en relaciones clave entre ellos; tambin se
conoce como mtodo KJ. Cuando se emplea este diagrama, se organizan las ideas o reas
generales de problemas para adquirir la comprensin de un problema o asunto complejo,
as como para identificar las causas potenciales de un problema. La herramienta ayuda a
mejorar el compromiso y el apoyo del equipo.
Usar cuando existe un caos, el equipo aporta ideas, se requiere un pensamiento

trascendental o el tema es un aspecto amplio.
PASOS
1. Reunir el equipo y elegir un lder, todos relacionados con el asunto a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por familias.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un crculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el consenso
8. Discutir el diagrama de afinidad
Pgina 56
FUENTE HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYEE1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Fig. 1.24 ejemplos de diagrama de afinidad
Pgina 57
Diagrama doble de Interrelaciones
Un diagrama doble de interrelaciones es una herramienta grfica que se emplea para

organizar problemas o aspectos complejos y que implican muchas variables, se emplea
para estudiar las relaciones entre los elementos de un problema e identificar las causas
raz o las soluciones, es similar al diagrama de afinidad en la medida que el proceso de
construccin de una grfica doble interrelaciones es creativo.
Ayuda a identificar las causas potenciales de un problema. permite que el equipo observe
al mismo tiempo muchos efectos y trace la relacin entre dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un lder.
2. Poner el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Analizar las relaciones.
5. Revisar el Diagrama doble de interrelaciones.
6. Identificar causas y efectos raz.
a. Una causa raz es una categora de la que sale la gran cantidad de flechas.
b. Un efecto raz es una categora a la que llega una gran cantidad de flechas.
7. Estudiar el Diagrama doble de interrelaciones.
Pgina 58
FUENTE: PRIMER CERTIFIED QUALITY MANAGER WWW.QUALITY COUNCIL.COM

FIG. 1.25 EJEMPLOS DE DIAGRAMA DE INTERRELACIONES
Pgina 59
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/TUFINO_COMPL
EMENTARIO/TUFINO_INTERRELACION.PDF
Fig.
1.26
ejemplos
de
diagrama
Pgina 60
de
interrelaciones
Diagrama de rbol
Un diagrama de rbol (diagrama sistemtico) es una tcnica que se emplea para buscar la
forma ms apropiada y eficaz de alcanzar un objetivo especfico. Esta herramienta grfica
de diagrama los diversos niveles de detalle, estos representan acciones (o tareas) que
siguen rutas lgicas para implantar un objetivo amplio. Al implantar los puntos detallados
de accin, se crea un efecto de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de rbol ayuda a orientar tareas
especficas, es posible emplearlo para planear la implantacin de una solucin detallada
en forma ordenada. El diagrama de rbol funciones para dividir un aspecto u objetivo ms
complejo.
PASOS
1.
2.
3.
4.
5.
Reunir un equipo apropiado.

Elegir la declaracin de objetivo.
Generar los encabezados de primer nivel del rbol
Completar el diagrama de rbol bajo cada encabezado principal
Revisar el diagrama de rbol terminado.
Pgina 61
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE039C12570290
041808D?OPENDOCUMENT
FUENTE HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PDF
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE RBOL
Pgina 62
FIG. 1.28 EJEMPLOS DE DIAGRAMA DE RBOL
Pgina 63
Diagrama Matricial
PERSONAL
CURSO
Direccin
Supervisin
Ingenieros
Trab. De
Produc.
Trab. De
Mant.
Trab. De
Oficina
Control Estadstico del

proceso
Diseo de productos
Despliegue de funciones
de Calidad
Mejora de Procesos
Eficacia de equipos
Benchmarking
Ingeniera concurrente
Medicin
Visin Global
Taller de trabajo
FIG. 1.29 EJEMPLO DE DIAGRAMA MATRICIAL
Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones
entre ideas, tares y responsabilidad y que aparecen en diversas formas matriciales, es
posible emplear estas herramientas para organizar y comparar dos o ms conjuntos de
artculos para mostrar cules de ellos estn relacionados, asimismo pueden mostrar la
fortaleza estadstica y la direccin de influencia de cada relacin.
Pueden tener cualquiera de las siguientes formas: L, T, Y, X y C
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. Qu tipo de informacin se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los smbolos de relacin a emplear y crear una leyenda
5. Concluir la matriz.
Pgina 64
FUENTE: CQM PRIMER WWW.QUALITYCOUNCIL.COM

FIG. 1.30 EJEMPLOS DE DIAGRAMA MATRICIAL
Pgina 65
Cdigo de campo cambiado
DIAGRAMAS MATRICIALES 27
FIG. 1.31 DIAGRAMA MATRICIAL EN L
DIAGRAMA MATRICIAL A
FIG. 1.32DIAGRAMA MATRICIAL EN T
DIAGRAMA MATRICIAL EN Y
27
Diagramas tomados de la direccin www.fundibeq.org 28 de diciembre de 2008

Pgina 66
FIG. 1.33 DIAGRAMA MATRICIAL EN X
DIAGRAMA MATRICIAL EN C TRIDIM
FIG. 1.34 APLICACIN EN EL DESARROLLO DEL PRODUCTO (MATRIZ DE QFD):
Pgina 67
Matrices de Prioridades o prioritizacin

Las matrices de prioridades son herramientas para tomas decisiones. Utilizando criterios
ponderados y acordados, se emplean tales herramientas para asignar prioridades a
aspectos, tareas u opciones posibles. Se basan en la combinacin de un diagrama de rbol
y uno matricial.
Pueden ayudar a reducir el nmero de opciones; de modo que sea posible tomar
decisiones con mayor facilidad, debido a que las matrices de prioridades proporcionan un
enfoque lgico a la eleccin de un conjunto de opciones, son ideales para elegir un
problema para que lo ataque el equipo y estrechar una lista de soluciones potenciales
para un problema.
PASOS
1.
2.
3.
4.
5.
6.
Reunir un equipo apropiado.

Establecer el objetivo principal a alcanzar y las opciones que ayuden a lograrlo.
Generar los criterios por los que se juzgarn las opciones.
Juzgar cada criterio contra todos los dems.
Comparar entre s las opciones para todos los criterios retenidos.
Compara cada opcin con base en todos los criterios combinados.
Brassard28 proporciona tres tipos de matrices de prioridades:

El mtodo del criterio analtico completo
El mtodo del criterio de consenso
El mtodo combinado de Diagrama de relaciones y Matriz
Loa criterios son prioritizados, ponderados y aplicados contra las opciones de decisin
generadas, seleccionando una decisin con base en nmeros como resultado.
28
Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC

Pgina 68
Fuente: CQM PRIMER www.qualitycouncil.com
Fig. 1.35 Ejemplos de matrices de priorizacin
Pgina 69
Carta de Programa de Decisin de Procesos (CPDP)
Cambiar fecha de
reunin
Sala de reuniones no
disponible
Reservar sala de
reuniones
Reservar otro sitio
Rentar equipo
audiovisual
Planeacin de una
reunin
Verificar equipo
audiovisual
Equipo audiovisual no
disponible
Banquete no
disponible
Efectuar los
arreglos de
alimentacin
Men no
disponible
= Seleccionado
= No factible
Reservar otro sitio
Ordenar a otro
proveedor
Solicitar un men
distinto
Ordenar otro
proveedor de
banquetes
Fig. 1.36 Ejemplo de diagrama de rbol y plan de contingencia CPDP - reunin
Una Carta de programa de decisin del proceso (CPDP) es una herramienta dinmica de
planeacin que se emplea para diagramar en forma sistemtica todas las posibles cadenas
de eventos para alcanzar un objetivo amplio o para implantar una solucin compleja.
Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo
cronolgico, se emplea este mtodo cuando existe incertidumbre en un proceso de
implantacin, cuando el problema u objetivo es nico o desconocido.
Las Cartas de programa de decisin del proceso se clasifican por las herramientas que se
emplea:
CPDP planeado por adelantado: anticipan lo inesperado antes de la
implantacin verdadera. Se efecta una tormenta de ideas de todas las distintas
posibilidades y se elaboran planes de contingencia con anticipacin.
CPDP en tiempo real: se desarrollan alternativas durante la implantacin.
La CPDP se clasifica por el formato grfico:
Pgina 70
Grfico: combinacin de diagrama de rbol y diagrama de flujo.

Descripcin: lista numerada de eventos y contramedidas.
Se emplea una CPDP para describir de manera sistemtica una solucin u objetivo
complejos, otro propsito es probar teoras durante la implantacin de una solucin
compleja.
PASOS
1.
2.
3.
4.
5.
6.
7.
Reunir el equipo apropiado

Elegir el flujo bsico de implantacin
Elegir el formato de la carta
Establecer el objetivo principal
Enumerar los pasos del proceso
Determinar contramedidas
Evaluar las contramedidas
- Evaluar las contramedidas y marcarlas en la forma siguiente
= Seleccionada
= No factible
Fig. 1.37 Ejemplo de diagrama de rbol y plan de contingencia CPDP en general
Pgina 71
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Fig. 1.38 Ejemplo de diagrama de rbol y plan de contingencia CPDP para manufactura
Pgina 72
Cdigo de campo cambiado
Diagrama de redes de actividades
Un diagrama de redes de actividades (tambin conocido como diagrama de flechas) es

una tcnica de administracin de redes de uso generalizado para la planeacin e
implantacin de tareas complejas, en particular las ms comunes que cuentan con
subtareas conocidas. Es una combinacin de la Tcnica de Revisin y Evaluacin y
Programas (PERT) y el Mtodo de Ruta Crtica (CPM).
Se emplea el diagrama de redes de actividades para desplegar soluciones complejas con
programas muy estrictos de tiempo. Identifica los pasos y subtareas y muestra el flujo de
rutas simultneas de implantacin
1
da
1
da
1
da
3
da
2
da
3
da
2
da
5
da
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo debern conocer a fondo las tareas y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crtica del proyecto.
6. Calcular la fecha ms tarda de inicio y ms temprana de conclusin de cada
subtarea.
7. Calcular la holgura total.
8. Disear el diagrama de redes de actividades.
Pgina 73
EJEMPLO: INAUGURACIN DE UN NUEVO RESTAURANTE
Pgina 74
Fig. 1.39 Ejemplo de diagrama de flechas (PERT)

El TE de un evento representa el tiempo ms breve posible en que el evento puede alcanzarse, y
se calcula sumando los tiempos t de la secuencia de actividades que conduce al mismo.
Cuando hay ms de un camino que conduce a un evento, el camino que consume el mayor tiempo,
determina el tiempo ms breve posible en que puede esperarse alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
a) Se empieza con el primer evento (su TE es igual a cero), considerando sus directos sucesores
etc..., hasta llegar al ltimo evento del proyecto. (Su TE indica el tiempo mnimo esperado para
terminar el proyecto).
b) Se identifican todos los eventos que preceden directamente al evento N.
c) Para cada uno de estos eventos se aade a su TE la duracin t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados as obtenidos el mayor. Este ser el nico TE del evento N. Los
dems valores obtenidos son irrelevantes y no se volvern a considerar.
Pgina 75
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por encima del respectivo
evento.
El TL de un evento representa el tiempo mximo en que debe alcanzarse el evento para poder
seguir el proyecto tal y como ha sido planificado, siendo el TL del ltimo evento el tiempo
establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el ltimo evento (= fin del proyecto), operando en sentido inverso hasta el
primero. El TL del ltimo evento se considera aqu como un dato externo, ya establecido. (Deseo
del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE obtenido en el Paso 4
para el evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duracin t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados as obtenidos el menor. Este ser el nico TL del evento N. Los
dems valores obtenidos son irrelevantes y no se volvern a considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo del respectivo evento.
La holgura de un evento es la diferencia entre el tiempo mximo permisible y el tiempo mnimo

posible para alcanzarlo.
La holgura indica entonces el margen de seguridad de tiempo de que se dispone para alcanzar este
evento, sin comprometer el plan de marcha del proyecto. La holgura de un evento puede ser
positiva, negativa o igual a cero.
El camino crtico es aquella secuencia de actividades, desde el primer evento hasta el ltimo, en la
que los eventos disponen de la holgura mnima.
Se identificar en el Diagrama de Flechas, el camino crtico, sealando las actividades que lo
constituyen con lneas ms gruesas.
Pgina 76
Fig. 1.40 Determinacin de la Ruta Crtica en el diagrama de flechas (PERT)
Pgina 77
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres mtodos estadsticos principales para la mejora de la calidad y la solucin de
problemas: las cartas de control, el diseo de experimentos y el muestreo estadstico, adems de
las herramientas estadstica para la solucin de problemas en planta por grupos de trabajo o
Crculos de calidad.
Cartas de control
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de Control en la planta
telefnica Western Electric de los los Bell Labs, las cuales tienen las siguientes caractersticas:
Tcnicas tiles para el monitoreo de procesos
Permiten identificar situaciones anormales en 6Ms
Sirven para prevenir la generacin de defectivos
15
LCS
Promedio
LCI
Perfil
10
5
0
Fig. 1.41 Carta de control
LSC = Lmite superior de control
LC = Lnea central
LIC = Lmite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus lmites de control
La carta de control es una tcnica muy til para el monitoreo de los procesos, cuando se presentan
variaciones anormales donde las medias o los rangos salen de los lmites de control, es seal de
Pgina 78
que se debe tomar accin para remover esa fuente de variabilidad anormal. Su uso sistemtico
proporciona un excelente medio para reducir la variabilidad.
Diseo de experimentos
Un experimento diseado es muy til para descubrir las variables clave que tienen influencia en las
caractersticas de calidad de inters del proceso. Es un mtodo para variar en forma sistemtica
los factores controlables del proceso y determinar los efectos que tienen esos factores en los
parmetros finales del producto. Permite reducir la variabilidad en la caracterstica de calidad y en
determinar los niveles ms adecuados de los factores controlables que optimicen el desempeo
del proceso. Fisher inicia el desarrollo del diseo de experimentos en la agricultura en Inglaterra
en los aos 1920s.
ENTRADAS CONTROLABLES
X1
X2
INSUMOS DEL PROCESO
XP
CARACT.DE CALIDAD
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.42 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual los factores son
variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza durante el

desarrollo de los productos o procesos, ms que durante su fabricacin.
Pgina 79
Una vez que se han identificado las variables que afectan el desempeo del proceso, normalmente
es necesario modelar la relacin entre estas variables y la caracterstica de calidad de inters. Para
lo cual se puede utilizar el anlisis de regresin.
El monitoreo en el proceso de las variables relevantes que afectan las caractersticas de calidad se
hace por medio de cartas de control.
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e inspecciona una
muestra aleatoria de un lote mayor, resultando en una aceptacin o rechazo de ese lote mayor,
esto ocurre en la recepcin de materias primas y componentes y en el producto terminado.
Tiene las siguientes ventajas:
El costo de evaluacin es menor que con la inspeccin al 100%
Se puede aplicar ms fcilmente cuando se trata de realizar pruebas destructivas.
Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que con una pequea
muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:

-
Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad finita de

encontrar productos defectivos en la muestra.
Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
No se garantiza que los lotes aceptados estn libres de defectivos.
LOTE
MUESTRA ALEATORIA
Fig. 1.43 Esquema del muestreo estadstico

Pgina 80
En 1926 HAROLD F. DODGE Y HARRY G. ROMIG, desarrollaron las tcnicas de Muestreo

Estadstico.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
a) INSPECCIN EN LINEA
ENVIO
INSPECCION
PROCESO
CLIENTE
b) INSPECCION DE RECIBO
ENVIO
INSPECCION
PROCESO
c) INSPECCION RECTIFICADORA
CLIENTE
ACEPTAR ENVIO
CLIENTE
PROCESO
INSPECCION
RECHAZO
RETRAB
AJO
SCRAP
DISPOSICIN DE LOTES
Fig. 1.44 Variaciones del muestreo de aceptacin
El muestreo de aceptacin tiende a reforzar el apego o conformancia a especificaciones pero no

tiene un efecto de retroalimentacin en el proceso de produccin o diseo que mejoren la calidad.
Pgina 81
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la evolucin
siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
Fig. 1.45 Evolucin de la aplicacin de mtodos estadsticos
1.7 ADMINISTRACIN POR CALIDAD TOTAL

Para que sean efectivas las herramientas estadsticas, su aplicacin debe ser parte de un programa
mayor de Calidad Total (Total Quality Management en EUA, Company Wide Quality Control en
Japn, Seis Sigma de Motorola, Modelo de Direccin por Calidad de Mxico (PNC), Malcolm
Baldrige de EUA, QS 9000, ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta direccin
lleve el liderazgo por la calidad, no funcionarn como elementos aislados.
La filosofa de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la
organizacin, sin embargo para no caer en el error de que la responsabilidad de todos es la de
nadie, la calidad debe planearse.
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la reduccin de la
variabilidad y mejora continua de calidad, con sus 14 recomendaciones a la direccin.
Pgina 82
EL CEP ES PARTE DEL SISTEMA DE CALIDAD

ISO TS 16949 ISO 9001:2000
MEJORA CONTINUA
Informacin
C
l
i
e
n
t
e
R
e
q
u
e
r
i
m
i
e
n
t
o
s
Responsabilidad
de la Direccin
Medicin,
anlisis,
mejora
Administracin
de Recursos
Entrada
Realizacin
del Producto
(y/o servicio)
Salida
S
a
t
i
s
Informacin f
a
c
c
Producto
i
/
o
Servicio
n
Fig. 1.46 Modelo de gestin de calidad ISO 9000
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que no cumplan
especificaciones. Normalmente se clasifican en cuatro categoras: Prevencin, Apreciacin, Falla
interna y Falla externa, algunos de los elementos que incluyen son los siguientes:
Costos de prevencin
Costos de falla interna
Planeacin e Ingeniera de calidad
Scrap o desperdicio
Revisin de nuevos productos
Retrabajos
Diseo de productos y procesos
Re-inspeccin
Control de proceso
Anlisis de falla
Entrenamiento
Ineficiencias
Coleccin y anlisis de datos de calidad
Descuentos
Pgina 83
Costos de apreciacin
Costos de falla externa
Inspeccin y prueba en recibo
Atencin de quejas
Inspeccin y prueba de productos
Producto regresado
Materiales usados en pruebas
Cargos por garanta
Mantenimiento de equipo de prueba
Costos legales
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados a la prevencin de
defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos, componentes y
materiales comprados para asegurar su conformancia a los estndares establecidos.
Costos de falla interna

Son los costos incurridos cuando los productos, componentes o materiales y servicios no cumplen
los requerimientos de calidad, y los defectos son descubiertos antes de embarcar al cliente.
Costos de falla externa

Son los costos incurridos cuando el desempeo del producto no es el adecuado una vez que lo
utiliza el cliente.
Pgina 84
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL

PROCESO (CEP)
Concepto de variacin
Los mtodos estadsticos se basan en que no existen dos productos EXACTAMENTE iguales de un
proceso de manufactura, por tanto la VARIACIN es inevitable, su anlisis se hace con el apoyo de
la estadstica.
2.1 DISTRIBUCIN NORMAL

Un proceso opera en condiciones normales, si tiene los materiales dentro de de especificaciones y
del mismo lote, un mtodo consistente, un medio ambiente adecuado, el operador capacitado, y
el equipo ajustado correctamente, si se toman mediciones en alguna caracterstica del producto,
mostrar el siguiente comportamiento:
Distribucin grfica de la variacin

La Curva normal
LAS PIEZAS VARAN DE UNA A OTRA:
TAMAO
TAMAO
TAMAO
TAMAO
Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
SIZE
TAMAO
TAMAO
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIN
TAMAO
DISPERSIN
TAMAO
FORMA
TAMAO
. . . O TODA COMBINACIN DE STAS
Fig. 2.1 Construccin de la distribucin normal
La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto

como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio.
Pgina 85
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy
parecida a la distribucin normal. La distribucin normal es llamada tambin campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican con
letras griegas, tales como: promedio o media = (mu), y desviacin estndar (indicador de la
dispersin de los datos) = (sigma).
Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribucin normal estndar
La distribucin normal estndar tiene media = 0 y desviacin estndar =1. La media,

Mediana y Moda coinciden, son iguales y se localizan en el pico.
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
Fig. 2.2 Propiedades de la distribucin normal
El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1.
La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los parmetros , , por lo

que hay un nmero infinito de distribuciones normales.
Pgina 86
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
3.9
3.9
== 5.0
5.0
Lmite inferior de especs.
Lmite superior de especificaciones
Fig. 2.3 Distribuciones normales con varias desv. estndar

Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
=
= 5,
5, == 33
== 9,
9, =
= 66
== 14,
14, == 10
10
LIE
LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estndar
Pgina 87
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la desviacin
estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1 tiene un
porcentaje de 68.26%, 2 = 95.46% y
-3s -2s -1s
3 99.73% .
+1s +2s +3s

68.26%
95.46%
99.73%
Fig. 2.5 rea bajo la curva de Distribucin normal

Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva.
La primera tabla sirve para determinar el rea o probabilidad que se encuentra fuera de los lmites
de especificaciones. La segunda tabla proporciona valores de rea bajo la curva para Zs mayores a
cero. En cada una se muestran ejemplos de su uso.
Pgina 88
Ejemplo 2.1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2.
P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1
P(- 2 <= Z<= -1) = 0.1359
Pgina 89
Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
Pgina 90
EJERCICIO 2.1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarizacin de valores reales

En la prctica, se tienen valores reales de promedio diferentes de cero y con desviacin estndar
diferentes de uno, para determinar la probabilidad o rea bajo la curva, se determina el nmero
de desviaciones estndar Z entre algn valor X y la media de la poblacin o de la muestra X
como sigue:
X X
s
s se consideran los datos completos del proceso.
s se consideran slo los datos de una muestra.
Ejemplo 2.3 El departamento de personal de una empresa requiere que los solicitantes a un
puesto en cierta prueba alcancen una calificacin de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media 485 y desviacin estndar 30 Qu porcentaje de
los solicitantes pasar la prueba?
Calculando el valor de Z obtenemos:
500 485
0.5
30
Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
Pgina 91
calificacin sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es
P( X 500)
la
solucin es 1-0.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
30.85%
Z.05
Fig. 2.6 rea bajo la curva de Distribucin normal
Ejemplo 2.4 Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y
una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>Distr.Norm.Estand.

OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Pgina 92
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?

b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
2.2 PRUEBA DE NORMALIDAD

Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson Darling o Ryan si el
tamao de muestra es mayor a 15 y se utiliza la prueba de Kolmogorov Smirnov para 15 datos o
menos de muestra, observando la grfica de probabilidad normal.
a) En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad P de la prueba es

mayor a 0.05, se considera que los datos son normales. Seguir los siguientes pasos:
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02 OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o
Ryan Joiner como sigue:
1. Stat > Basic statistics > Normality Test

2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 93
Probability Plot of Datos

Normal
99.9
Mean
StDev
N
RJ
P-Value
99
Percent
95
90
269.3
30.72
100
0.994
>0.100
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
Datos
300
350
Fig. 2.7 Grfica de probabilidad de un proceso normal
b) Otra opcin por medio de una grfica de probabilidad normal, se tiene:

3. Graph > Probability plot > Normal
4. Graph Variable C1
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la
distribucin.
Normal - 95% CI
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
269.3
30.72
100
0.317
0.533
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
300
350
400
Datos
Fig. 2.8 Grfica de probabilidad normal con Int.de confianza
Pgina 94
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS

Se pueden cometer dos tipos de errores cuando se prueban hiptesis:
Error tipo I, se rechaza Ho cuando es verdadera.

Error tipo II, no se rechaza Ho cuando es falsa.
Las probabilidades de esos dos tipos de errores son:

= P(error tipo I)
= P(error tipo II)
donde la potencia de la prueba es

Potencia = 1 - = Probabilidad de rechazar correctamente Ho.
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que un lote bueno o
un proceso que produce partes aceptables en relacin a una caracterstica de calidad sea
rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de aceptar lotes de
calidad pobre, o permitiendo que un proceso contine operando de manera insatisfactoria
respecto a una caracterstica de calidad.
El procedimiento general para pruebas de hiptesis es especificar una probabilidad de error tipo I
o , y disear un procedimiento de prueba que minimice la probabilidad de error tipo II.
Conforme se incrementa el tamao n de muestra, se reduce la probabilidad de error tipo II.
PROBABILIDAD DE ERROR TIPO II
Tomando como estadstico de prueba Zc, y asumiendo que sigue una distribucin normal N(0,1).
Pgina 95
Z c X 0
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y entonces hallar la
distribucin de Zc. Suponiendo que la media de la distribucin realmente es:
1 = 0 +
con > 0
La hiptesis alterna H1 es verdadera y bajo esta suposicin, el estadstico Zc es:

Zc N
,1
n
BAJO H0
- Z/2
BAJO H1
Z/2
Zc = n /
Fig. 2.9 La distribucin de Zc bajo Ho y H1
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre - Z/2 y Z/2 dado
que la hiptesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z/2) ) F(-Z/2), donde F es la distribucin acumulativa
normal estndar. La probabilidad de error tipo II es (funciona igual para cuando < 0):
n
n
Z / 2
Z / 2
(2.7)
Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es de 16.0 oz., y de
acuerdo a la experiencia se sabe que la desviacin estndar del contenido es de 0.1 oz. Las
hiptesis son:
Pgina 96
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de 9 latas, se tiene
que el estadstico de prueba es:
Z 0 X 16
0.1
9
Se rechaza Ho si Zo > Z0.025 = 1,96
Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor verdadero de la
media es 1 =16.1 implicando que = 16.1 16.0 = 0.1, se tiene:
n
n
Z / 2
Z / 2
0.1 9
0.1 9
1.96
1.96
0.1
0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es 16.1 oz. Es de 0.1492, o que la

potencia de la prueba es de 1 - = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de , tomando como 0.05
y graficando contra d = / , se obtienen las curvas caractersticas de operacin (OC).
(ver grfica de curva OC)
En las curvas OC se observa que:
Pgina 97
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para una n y dadas.
Es decir que la prueba detecta ms fcilmente grandes diferencias.
2. Conforme se incrementa n, la probabilidad de error tipo II es ms pequeo para una y
dadas. Es decir que la prueba se hace ms potente si se incrementa el tamao de muestra.
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los Bell Telephone
Labs., se denominan Cartas de Control de Shewhart y se usan para el monitoreo del proceso en
lnea. A continuacin se explica la teora de variabilidad de Shewhart.
Causas comunes y causas especiales

La variabilidad natural siempre existe en cualquier proceso de produccin, no importa que tan
bien diseado est. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, un proceso que opera en estas condiciones se dice que est en control estadstico.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas, errores de
operadores o materiales defectuosos. Esta variabilidad es muy grande en relacin con la
variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso
opere fuera de control estadstico (ver pgina siguiente).
De la figura cuando el proceso est en control, la mayor parte de la produccin se encuentra

dentro de los lmites de control (LSC y LIC). Sin embargo cuando el proceso est fuera de control,
una gran proporcin del proceso se encuentra fuera de estos lmites.
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas especiales para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no conformes, para esto se
utilizan las cartas de control en lnea, permitiendo tambin la estimacin de la capacidad o
habilidad del proceso y la reduccin continua de la variabilidad hasta donde sea posible.
Pgina 98
2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL

Una carta tpica representando un proceso en control estadstico se muestra a continuacin.
Contiene una lnea central que representa el valor promedio de la caracterstica de calidad
correspondiente al estado en control y dos lneas adicionales llamadas lmites inferior y superior
de control (LIC y LSC), los cuales se seleccionan de tal forma que casi la totalidad de los puntos se
encuentren dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
Tiempo
LIC
Fig. 2.10 Carta de control de Shewhart
Un punto que se encuentre fuera de los lmites de control mostrar evidencia que el proceso est
fuera de control y ser necesario una investigacin de la causa especial y la accin correctiva
necesaria para eliminarla. Tambin se tendr un alto riesgo de situacin fuera de control si los
puntos se agrupan es forma sistemtica dentro de los lmites de control o muestran una
tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del proceso est en
control y tiene un valor 0 si un valor de media muestral X i cae dentro de los lmites de control;
de otra forma se concluye que el proceso est fuera de control y que la media del proceso tiene un
valor diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control, son
esquemas de prueba de hiptesis para analizar el desempeo de las cartas de control.
Pgina 99
La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el
proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II de la carta de control se presenta cuando se concluye que el

proceso est en control cuando en realidad est fuera de control. La curva caracterstica de
operacin (OC), con en el eje vertical, indica la capacidad de la carta para detectar corridas de la
media o rango del proceso de diferentes magnitudes.
Ejemplo 2.6: Para el caso de pistones, evaluando la caracterstica de calidad de dimetro interno
del anillo. Si la media del proceso es 74 y la desviacin estndar es de 0.01mm, con un tamao de
muestra de n=5, se tiene:
La desviacin estndar de las medias es:
.01
0.0045
5
Asumiendo que el proceso est en control y de acuerdo al teorema del lmite central se asume que
las medias X i se distribuyen normalmente, se debe espera que el 100(1- )% se encuentren entre
74 Z/2 (0.0045).
Si se escoge arbitrariamente a Z/2 = 3, se obtienen los lmites de control a 3 sigma:

LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 3 (0.0045) = 73.9865
74.0135
74
74.9865
Tiempo
Fig. 2.11 Carta de Control tpica
Pgina 100
El ancho de los lmites de control es inversamente proporcional al tamao de muestra n, para un

mltiplo de sigma dado, La seleccin de los lmites de control es equivalente a preparar la regin
crtica para probar la hiptesis en el tiempo:
H0 : = 74
H1 : 74
Con = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un estadstico muestral que
mide alguna caracterstica de calidad de inters y asumiendo que su media es w con desviacin
estndar w se tiene:
LSC = w + Lw
(2.8)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central expresada en

unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de su monitoreo, al

principio se observar que los procesos no estn en control estadstico, sin embargo con las cartas
de control se podrn identificar causas especiales que al ser eliminadas, resulten en una reduccin
de la variabilidad mejorando el proceso.
Pgina 101

DISTRIBUCION
DE LOS VALORES
INDIVIDUALES =.01
DISTRIBUCION
DE LAS MEDIAS
COMPORTAMIENTO DEL PROCESO

LSC = 74.0135, LC = 74, LIC = 73.9865
X 0.0045
Fig. 2.12 Comparacin de la variabilidad de la poblacin y la de las medias y operacin de la carta

de control
El proceso de mejora usando la carta de control requiere la accin de la supervisin, operador e

ingeniera, la carta de control slo detecta causas especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las causas raz del
problema y atacarlas para lo cual se puede utilizar el Plan de accin para situaciones fuera de
control OCAP, activado con la ocurrencia de cada evento. Incluye Puntos de chequeo que son
causas potenciales asignables y terminadores que son las acciones que resuelven la situacin fuera
de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
y seguimiento
Deteccin de causa
asignable
Implantar
Accin
Correctiva
Identificar causa
raz del problema
Fig. 2.13 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL
Pgina 102
La carta de control es un dispositivo de estimacin de parmetros del proceso una vez que exhibe
control estadstico, se puede estimar la media, varianza, proporcin, etc. que pueden ser utilizados
para determinar la capacidad de los procesos para producir productos aceptables, base de
decisiones gerenciales y contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por variables
dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real en alguna escala
de medicin continua, se denomina una variable. En tales casos se utilizan cartas de control de
medias, que describan la tendencia central y cartas de control basadas en rango o desviacin
estndar para controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala continua, en esos casos se
puede juzgar cada producto como conforme o como no conforme sobre la base de que posea o no
ciertos atributos, o se pueden contar el nmero de no conformidades o defectos que aparecen en
una unidad de producto. Las cartas de control para tales caractersticas de calidad, se denominan
cartas de control por atributos.
Un factor importante en la aplicacin de cartas de control es su diseo, es decir la seleccin de

tamao de muestra, lmites de control y frecuencia de muestreo. Para la carta de control por
variables del ejemplo se utiliz una muestra de 5 partes, lmites de control a 3-sigma y una
frecuencia de muestreo cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo II, aunque el diseo
de la carta de control tambin debe tomar consideraciones econmicas considerando los costos
de muestreo, prdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera
de control que son falsas alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso:
Pgina 103
1. Procesos estacionarios: los datos del proceso varan alrededor de una media fija de una manera
fija y estable. Es decir se tiene un proceso en control de acuerdo a Shewhart es el rea de
aplicacin de las cartas de control ms efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia de haberse

extrado de una poblacin estable (normal u otra), en anlisis de series de tiempo se denomina
ruido blanco. En este caso los datos pasados histricos no dicen nada en relacin a predecir su
comportamiento futuro.
3. Procesos estacionarios con datos correlacionados: las observaciones sucesivas de en estos

datos son dependientes; es decir un valor por arriba de la media tiende a ser seguido por otro
valor arriba de la media y viceversa, esto produce corridas lentas y largas en algn lado de la
media.
4. Procesos no estacionarios: ocurren en los procesos qumicos e industrias de proceso, los

procesos son muy inestables y tienen corridas inestables alrededor de una media fija. En estos
casos se estabiliza el desempeo de los procesos por medio de control automtico por
retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin exitosa ayuda a
reducir desperdicios y retrabajos, que son factores que reducen la productividad (productos
buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el concepto de hacerlo
bien a la primera vez, es ms costoso seleccionar productos buenos en un lote con productos
defectuosos, que fabricarlos bien desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de si no esta mal,
no lo arregles, ya que identifican las causas comunes de las especiales, evitan que se hagan
ajustes cuando slo se estn teniendo variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos que permite la
toma de decisiones para la mejora del proceso, al operador o al ingeniero experimentado.
Pgina 104
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso. Proporcionan

informacin acerca de los parmetros importantes del proceso y de su estabilidad con el
tiempo, permitiendo la estimacin de la capacidad del proceso para producir dentro de
especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se
incrementa el riego de error tipo II y viceversa. Con lmites de control de 3-sigma la probabilidad
de error tipo I es de 0.0027. Si se selecciona el nivel de riesgo de error tipo I en 0.002 o 0.001 en
cada lado, se tienen los lmites de control a una distancia de 3.09-sigmas y los lmites de control
sern:
LSC = 74 + 3.09 (0.0045) = 74.0139

LIC = 74 3.09 (0.0045) = 73.9861
Estos lmites de control se denominan lmites probabilsticos a 0.001. A continuacin se presenta

una comparacin entre lmites.
+3.09
+3.0
LC
-3.00
-3.09
Fig. 2.14 Lmites de control de Shewhart y Europeos
Los lmites de control a 0.001 se utilizan en pases europeos.

Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de la lnea central,
para el caso de lmites de control a 3-sigmas y a 0.025 de probabilidad para lmites de control a
0.001. Estos lmites aumentan la sensibilidad de la carta de control para identificar corrimientos de
la media del proceso, en forma ms rpida. Si un punto cae fuera de los lmites preventivos, Una
Pgina 105
desventaja es que crean confusin con el personal y se incrementa el riesgo de error tipo I (falsas
alarmas).
Tamao de muestra y frecuencia de muestreo

Al disear una carta de control, se debe especificar tanto el tamao de muestra como la
frecuencia de muestreo, tamaos de muestra grandes permiten detectar pequeas corridas en la
media del proceso como se observa en las curvas caractersticas de operacin.
Para la frecuencia de muestreo, la prctica industrial sugiere tomar muestras pequeas

frecuentes, principalmente en produccin masiva o cuando existe la posibilidad de que existan
muchas causas especiales, actualmente con las computadoras esto es cada vez ms fcil.
Otra forma de determinar la frecuencia de muestreo y el tamao de muestra, es a travs de la

longitud media de racha de la carta de control (ARL), que es el nmero de puntos que deben ser
graficados antes de que un punto indique una condicin fuera de control.
ARL
1
p
(2.9)
donde p es la probabilidad de que un punto exceda los lmites de control. Para el caso de 3-sigma
p=0.0027 y el ARL0 = 370. Es decir que si el proceso est en control, se generar un punto fuera de
control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces aparecer una falsa
alarma cada tiempo promedio de indicacin (ATS) en horas.
ATS ARLh
(2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada 370 horas.
Pgina 106
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso, se
utilizan las curvas caractersticas de operacin. Por ejemplo, si n=5 y la media se corre de
74.015mm, la probabilidad de que un punto caiga dentro de los lmites de control es
aproximadamente 0.50, por tanto utilizando p=0.50, se puede calcular el ARL1 para una situacin
fuera de control como sigue:
ARL1
1
1
2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento. Si el muestreo
se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se podran tomar muestras ms
frecuentes por ejemplo cada media hora o incrementar el tamao de muestra. Si n=10, de la curva
caracterstica de operacin se observa que p=0.9 y el ARL1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser ms aceptable.
En resumen las dos alternativas siguientes dan un resultado similar:
Diseo 1
Diseo 2
n=5
n = 10
Frec. Cada hora
Frec. cada hora.
Las muestras se toman de manera ms frecuente a la ocurrencia de cambios en el proceso

registrados en bitcoras (cambio de turno, cambio de materiales, ajustes, fallas, etc.), con objeto
de detectar las causas de situaciones fuera de control.
Subgrupos racionales
La idea fundamental en las cartas de control es colectar los datos de la muestra de acuerdo al
concepto de subgrupo racional es decir que el subgrupo debe seleccionarse de tal forma que si
estn presentes causas asignables, la diferencia entre los subgrupos sea maximizada, minimizando
la diferencia dentro del subgrupo.
Pgina 107
El tiempo en que se tomen las muestras es una buena base para formar subgrupos, evitando que
algunas observaciones se tomen al final de un turno y las restantes al inicio del siguiente ya que
ocasiona diferencias dentro del subgrupo.
Por lo anterior se recomienda tomar productos consecutivos de produccin para formar la

muestra (cuyo tamao puede ser entre 4 y 6), minimizando diferencias dentro del subgrupo. En
algunos procesos como los qumicos, es suficiente tomar una sola unidad de producto como
muestra, dado que existe homogeneidad.
Anlisis de patrones en cartas de control

Una carta de control indicar una condicin fuera de control cuando uno o ms puntos caigan ms
all de los lmites de control o cuando los puntos graficados formen un patrn no aleatorio de
comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo tipo. Adems de las
corridas ascendentes o descendentes, se encuentran las que estn por debajo o sobre la media.
Dado que una corrida de 8 o ms puntos tiene una probabilidad de ocurrencia muy baja, se
considera que una racha o corrida con una longitud de 8 puntos indica una condicin fuera de
control.
Fig. 2.15 Proceso fuera de control por tendencias o corridas
Otro patrn de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones
cclicos.
Pgina 108
Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas

estadsticas, sino tambin es necesario tener un conocimiento profundo del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar
patrones no aleatorios en las cartas de control:
1. Un punto fuera de los lmites de control de 3-sigma.

2. Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma.
3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1-sigma o ms all
a partir de la lnea central.
4.
Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son:
5. Siete puntos formando una tendencia creciente o decreciente.

6. Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea central
(adhesin a la media).
7. Catorce puntos en un rengln alternndose arriba y abajo.
8. Siete puntos que se encuentren ms all de 1-sigma de la lnea central.
9. Un patrn no usual o no aleatorio de datos.
10. Uno o ms puntos cerca de los lmites preventivos.
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se pueden tener muchas
falsas alarmas quitndole efectividad al programa del CEP.
2.5 IMPLEMENTACIN DEL CEP

El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta exitosamente, ya
que permite la mejora continua a travs de la reduccin de la variabilidad. Las cartas de control
son una herramienta importante para esta mejora.
Pgina 109
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora continua debe ser parte
de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as como evaluar los
avances y comunicarlos a la organizacin, lo cual puede motivar a mejorar otros procesos.
Los elementos recomendados para un programa de CEP exitoso son:
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 110
3. CARTAS DE CONTROL POR VARIABLES

3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable. Por ejemplo
temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de control de X R son
ampliamente utilizadas para monitorear la media y la variabilidad de las variables, con objeto de
evitar o minimizar que se tengan productos fuera de especificaciones y estabilizar los procesos.
LIE
MEDIA
MEDIA Y DESV. ESTANDAR

EN NIVELES NORMALES
LSE
LIE
MEDIA
MEDIA CORRIDA
LSE
LIE
MEDIA
LSE
DESVIACION ESTANDAR
MAYOR A LA REQUERIDA
Fig. 3.1 Estados posibles de un proceso en control
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS

Asumiendo que una caracterstica de calidad est distribuida normalmente con media y
desviacin estndar ambas conocidas. Si x1, x2, .... xn forman una muestra de tamao n entonces
se puede calcular la media de la muestra X .
Ahora como las medias de las muestras estn normalmente distribuidas con media
Xi = /
n , y siendo que la probabilidad 1- de que cualquier media muestral caer entre los lmites:
Pgina 111
Z / 2 X Z / 2
(3.1)
Z / 2 X Z / 2
Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero si estable.
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras preliminares o

subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente. Si se tienen m subgrupos, la gran
media se calcula como sigue:
X
i 1
(3.2)
Representa la lnea central de la carta de medias.

Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para cada uno de los
subgrupos el rango es calculado como:
R = xmax xmin
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio es:
R
i 1
(3.4)
Pgina 112
DESARROLLO DE LA FORMULA PARA LOS LMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviacin estndar como sigue:
W=R/
(3.5)
Los parmetros de la distribucin de W son funcin de n. La media de W es d2. Por tanto un

estimador de es R / d2 , donde d2 est tabulado para diferentes valores de n, de esta forma si R
es el rango promedio de las primeras muestras, usando:
R
d2
(3.6)
Los lmites de control de la carta de medias son:
LSC X
LIC X
3R
d2 n
3R
d2 n
Si de define a
Lmite superior de control (LSC)
Lmite inferior de control (LIC)
(3.7)
Lnea central (LC)
A2
3R
d2 n
se tienen las ecuaciones siguientes:
LSC = X + A2 R
(3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Pgina 113
Para el caso de los rangos, la lnea central es R . El estimador para R puede hallarse de la
distribucin del rango relativo W = R / , si la desviacin estndar de W es d3 en funcin de n, se
tiene:
R=W
(3.9)
La desviacin estndar de R es:

R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R d3
R
d2
(3.10)
De esta forma los lmites de control para el rango son:
LSC = R + 3 R = R + 3 d 3
LIC = R - 3 R = R - 3 d 3
d
R
= R [ 1+ 3 3 ] = D4 R
d2
d2
(3.11)
d
R
= R [ 1- 3 3 ] = D3 R
d2
d2
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en funcin de n para facilitar el

clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Para valores pequeos de n, el rango es un buen estimador de la varianza tal como lo hace la
varianza de la muestra S2. La eficiencia relativa del mtodo del rango a la S2 se muestra abajo:
Pgina 114
n
2
Eficiencia
Relativa
1.000
0.992
0.975
0.955
0.930
10
0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores intermedios entre
xmax y xmin sin embargo para valores pequeos de n (4,5 o 6) empleados en las cartas de control, es
adecuado. Para cuando n>10 se utiliza la desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener habilidad para
realizar la medicin con un error por Repetibilidad y Reproducibilidad (R&R) menor al 10% (ver
procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es muy importante
llevar una bitcora registrando todos los cambios (tiempo y descripcin) conforme ocurran, por
ejemplo: cambio de turno, cambio de materiales, ajuste de mquina, interrupcin de energa,
arranque de mquina, etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los lmites de
control preliminares para determinar si el proceso estuvo en control (ver procedimiento de
Grficas de Control). Para probar esta hiptesis, se analizan todos los puntos graficados y se hace
un anlisis para identificar si hay puntos fuera de los lmites de control o patrones anormales de
comportamiento, si as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Pgina 115
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de anormalidad
presente, se determina la causa especial de la anormalidad, se toman acciones correctiva para que
no vuelva a presentar, se eliminan los puntos correspondientes al patrn de anormalidad y se recalculan o revisan los lmites de control. Se analiza la carta de control para observar un
comportamiento aleatorio, si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez
teniendo todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o puntos
fuera de control, no se eliminan y se consideran para la determinacin de los lmites de control
revisados para el control futuro del proceso.
Interpretacin de cartas de control X R

Se debe iniciar con la interpretacin de la carta R, identificando causas especiales y despus
analizar la carta X . Adems de la situacin de un punto fuera de control, se tienen otros
patrones de anormalidad como los siguientes:
Patrones cclicos: Puede ser ocasionado por cambios ambientales, fatiga del operador, o
fluctuaciones en las presiones u otras variables del proceso.
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o fuera de los lmites
de control, con muy pocos puntos cerca de la lnea central, puede ser causada por un sobre
control de los operadores sobre el proceso o cuando se toman productos de varias fuentes con
diferente media.
Pgina 116
LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en mtodos,
operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioracin gradual de

herramientas u otro componente crtico del proceso, en los procesos qumicos puede deberse a la
separacin de algn componente.
LSC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Pgina 117
Estratificacin: Se muestra como una adhesin a la media, puede ser causado por lmites mal
calculados, tomar piezas de procesos diferentes o falta de resolucin del equipo de medicin.
LSC
LC
LIC
Fig. 3.6 Patrn de anormalidad de estratificacin
Por lo general la carta R es ms sensible a cambios en la normalidad de los procesos, por ejemplo
cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
En resumen los patrones de anormalidad ms comunes son:

-
Un punto fuera de los lmites de control
Siete puntos formando una tendencia ascendente o descendente
Dos de tres puntos a ms de dos sigma de la lnea central en el mismo lado
Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
Siete puntos en secuencia sobre o bajo la lnea central
Catorce puntos alternndose arriba y debajo de la media
Quince puntos dentro de una sigma de la lnea central en ambos lados
Cualquier otro patrn de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automvil, se desea establecer un control
estadstico para el dimetro interno de los anillos, a travs de una carta de medias-rangos. Se
toman 25 subgrupos de 5 piezas cada uno.
El anlisis se inicia con la carta R ya que los lmites para la carta X dependen de la variabilidad del
proceso, y a menos que esta variabilidad se encuentre en control, esos lmites tendrn poco
significado.
Pgina 118
De las cartas de control se calcula un rango promedio R de 0.023mm (ver tabla de constantes
para D3 y D4 con n=5):
LICR = R D3 = 0.023 (0) = 0

LSCR = R D4 = 0.023 (2.115) = 0.049
Si la carta de control para R se encuentra en control estadstico, se puede ahora calcular los lmites
para la carta X donde la lnea central X es 74.001 (ver tabla de constantes para obtener el
valor de A2 con n=5).
LSC = X + A2 R = 74.001 + (0.577) (0.0023) = 74.014

LIC = X - A2 R = 74.001 - (0.577) (0.0023) = 73.988
Si no se observan condiciones fuera de control en la carta
X . Si ambas cartas estn en
control, se puede concluir que el proceso est en control y se pueden adoptar los lmites actuales
para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensin crtica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamao n=5, uno cada hora:
X11
X12
X13
X14
X15
138.1
149.3
115.9
118.5
108.2
102.8
120.4
132.7
136.4
135.0
139.6
125.3
145.7
110.8
142.1
135.6
116.5
123.8
112.0
84.3
151.1
126.2
115.4
127.9
160.2
101.8
138.7
105.0
124.2
130.2
117.1
135.0
112.8
124.0
154.7
149.1
151.1
130.4
149.5
137.4
134.0
155.0
122.6
142.4
135.0
118.5
123.9
127.1
138.3
143.7
152.4
113.3
125.4
92.3
117.4
100.2
150.9
145.8
119.3
105.1
173.2
130.4
110.5
165.1
151.8
Pgina 119
Medias Rangos Desv. Est.

130.1
124.5
129.6
117.6
128.5
126.1
111.1
127.4
143.5
133.6
134.6
146.7
132.4
27.9
57.0
39.1
30.0
42.7
43.0
36.1
46.0
47.0
33.7
40.6
39.8
50.0
12.1
24.7
16.2
11.1
17.7
17.9
15.2
16.7
20.2
12.3
15.9
17.9
23.2

138.6
110.1
145.2
125.9
129.7
123.4
144.8
139.0
114.6
101.0
135.3
97.3
150.0
138.3
131.9
165.1
154.6
121.5
130.5
161.6
119.6
140.2
113.8
120.2
147.9
109.0
148.4
151.8
141.1
139.6
117.3
105.0
150.5
154.2
142.7
138.2
128.6
127.7
127.1
123.4
147.5
139.4
9.2
55.0
53.6
42.9
53.2
38.2
32.2
3.6
23.5
21.8
16.0
20.7
14.4
12.1
Los clculos y grficas se hicieron utilizando

el paquete MINITAB y se muestran a continuacin.
Las cartas de control quedan como sigue:
Xbar-R Chart of X11, ..., X15

U C L=154.45
Sample M ean
150
140
_
_
X=130.88
130
120
110
LC L=107.31
1
11
Sample
13
15
17
19
U C L=86.40
Sample Range
80
60
_
R=40.86
40
20
0
LC L=0
1
11
Sample
13
15
17
19
Fig. 3.7 Cartas de control iniciales
El proceso se observa en control estadstico, con estos lmites de control calculados, se contina
corriendo el proceso para otros 10 datos con el comportamiento siguiente:
X11
131.0
X12
184.8
X13
182.2
X14
143.3
X15
212.8
Pgina 120
Medias
170.82
Rangos
81.8
Desv. Est.
33.2801

181.3
154.8
157.5
216.3
186.9
167.8
178.2
162.6
172.1
193.2
170.2
154.2
174.3
180.2
143.9
186.7
143.6
191.7
180.7
168.4
169.1
166.2
149.2
157.5
142.4
132.8
203.4
169.1
202.7
142.2
155.5
175.2
171.8
159.4
168.9
150.4
174.3
174.4
161.9
184.3
185.0
194.9
167.6
177.2
196.3
179.72
174.1
156.98
179.32
175.3
167.18
166.86
157.02
182.78
24.1
47.9
26.9
60.8
37.7
51
44.3
44.4
53
9.0461
17.5943
9.9693
23.222
15.2797
18.8798
17.1516
18.3454
21.5062

1
180
Sample M ean
1
1
1
1
U C L=169.04
165
_
_
X=144.26
150
135
120
LC L=119.47
1
1
10
13
16
Sample
19
22
25
28
U C L=90.9
Sample Range
80
60
_
R=43.0
40
20
0
LC L=0
1
10
13
16
Sample
19
22
25
28
Fig. 3.8 Cartas de control con 10 puntos adicionales del proceso
Suponiendo que se identificaron las causas asignables responsables de los puntos fuera de control
identificados en la carta de medias y que se hicieron ajustes al proceso para corregirlo, se tomaron
otros diez datos con los resultados siguientes:
X11
131.5
111.0
129.8
145.2
114.6
X12
143.1
127.3
98.3
132.8
111.0
X13
118.5
110.4
134.0
106.1
108.8
X14
103.2
91.0
105.1
131.0
177.5
X15
121.6
143.9
133.1
99.2
121.6
Pgina 121
Medias
123.6
116.7
120.1
122.9
126.7
Rangos
39.9
52.9
35.7
46.0
68.7

125.2
145.9
123.6
85.8
107.4
86.4
109.5
114.0
156.3
148.7
64.4
84.9
135.4
119.7
127.4
137.1
129.8
83.2
96.2
125.0
117.5
110.6
107.6
153.0
127.2
106.1
116.1
112.8
122.2
127.1
72.7
61.0
52.2
70.5
41.3

160
Sample M ean
U C L=153.18
140
_
_
X=127.06
120
LC L=100.95
100
1
10
13
16
Sample
19
22
25
28
Sample Range
100
U C L=95.7
75
_
R=45.3
50
25
0
LC L=0
1
10
13
16
Sample
19
22
25
28
Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos anormales
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales siguientes, procesados con el
paquete Minitab:
HORA
X1
X2
X3
X4
X5
Medias
Rangos
1
2
3
4
5
6
7
8
9
-30
0
-50
-10
20
0
0
70
0
50
50
10
-10
-40
0
0
-30
0
-20
-60
20
30
50
40
20
30
20
10
-20
30
-20
20
-40
-20
-10
-20
30
30
20
50
10
20
-10
0
10
8
0
6
8
12
4
-2
12
2
80
110
80
70
90
80
40
100
40
Pgina 122

10
11
12
13
14
15
16
17
18
19
20
10
40
30
30
30
10
0
20
10
50
50
20
0
20
-30
-10
-10
0
20
-20
-10
0
30
20
30
0
50
50
30
30
50
40
0
10
0
10
10
-10
40
-10
30
30
20
30
50
20
40
10
-30
0
0
-20
10
0
10
24
16
26
4
6
18
4
16
16
20
18
40
40
30
60
80
60
40
50
70
60
50

U C L=47.53
Sample M ean
40
20
_
_
X=10.9
0
-20
LC L=-25.73
1
11
Sample
13
15
17
19
150
Sample Range
U C L=134.3
100
_
R=63.5
50
LC L=0
1
11
Sample
13
15
17
19
Fig. 3.10 Cartas de control iniciales
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso
normal:
Pgina 123
Probability Plot of Medias

Normal
99
Mean
StDev
N
AD
P-Value
95
90
10.9
8.065
20
0.355
0.425
Percent
80
70
60
50
40
30
20
10
5
-10
10
Medias
20
30
Fig. 3.11 a y b Prueba de normalidad en medias y rangos de un proceso estable

Probability Plot of Rangos
Normal
99
Mean
StDev
N
AD
P-Value
95
90
63.5
22.54
20
0.478
0.210
Percent
80
70
60
50
40
30
20
10
5
20
40
60
Rangos
80
100
120
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso est en Control
Estadstico (en ambos casos el P value es mayor a 0.05).
Pgina 124
Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Variables
X1
X2
X3
X4
X5
Media
Rango
Subgrupo
1
2
4
3
5
1
09:00 a.m.
3
4
Subgrupo
2
5
3
6
7
4
10:00 a.m.
5
4
Subgrupo
m
3
4
1
5
2
11:00 a.m.
3
4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
lmites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la lnea central es R los lmites de control para el rango son:
LSC = 2.114x R
LIC = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones
preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros.
Pgina 125
Xbar-R Chart of Supp2

1
Sample M ean
U C L=602.474
602
_
_
X=600.23
600
598
LC L=597.986
2
10
Sample
12
14
16
18
20
U C L=8.225
Sample Range
8
6
_
R=3.890
4
2
0
LC L=0
2
10
Sample
12
14
16
18
20
Figura 3.12 Carta de control X-R fuera de control

Despus de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y
tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de
control y se recalculan los lmites de control.
Xbar-R Chart of Supp2
U C L=602.247
Sample M ean
602
601
_
_
X=599.938
600
599
598
LC L=597.629
2
10
Sample
12
14
16
18
U C L=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LC L=0
2
10
Sample
12
14
16
18
Figura 3.13 Carta de control de medias rangos X-R estable

.
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
Pgina 126
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
INSTRUCCIONES
CAUSAS DE NO
REGISTRO
% Z Inf.:
CPK:
A2
D4
D3
B4
2.33 2.09
2.06 2.27
1.70 2.57
1.13 3.27
d2
CONSTANTES
A) Fin de corrida de
produccin
B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
F) Otro (indicar)
B3
4.- Indique en el ltimo

rengln, justo abajo del
subgrupo correspondiente, las
causas por las cuales se deja
de graficar de acuerdo a la
frecuencia indicada, si es que
se presentan el caso. Utilice
las siguientes claves:
3.- Registre la (s) causa (s)

del comportamiento en la
bitcora (al reverso de la
grfica), as como las
acciones realizadas o
propuestas para corregir la
falla.
2.- Investigue y corrija la

causa del comportamiento. Si
no es posible llame a su
supervisor o Ing. de
Manufactura.
1.- Encierre en un crculo los

patrones anormales de
comportamiento ( puntos fuera
de los lmites de control,
tendencias, adhesiones, etc).
% NC:
% Z Sup.:
Cp. :
5 0.58 2.11
L.I.C. R
TIPO DE EVALUACIN
5
SUMA
L.S.C. R
FRECUENCIA
4 0.73 2.28
MUESTRA
3 1.02 2.57
L.I.C.x
CALIBRADOR
L.S.C.x
CARACTERSTICA
MAQUINA
FECHA DE TERMINO
2 1.88 3.27
L.I.E.
OPERACIN
FECHA DE INICIO
L.S.E.
REA
No. DE GRAFICA
NOMINAL
No. DE PARTE
GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS
INICIALES
UNIDADES
HORA
NOMBRE DE PARTE
PROMEDIOS
RANGOS
Pgina 127
FECHA
LECTURAS

Capacidad o habilidad del proceso

Una vez que se tiene un proceso en control estadstico, se puede estimar su capacidad o habilidad,
tomando como referencia la desviacin estndar del proceso estimada .
Ejemplo 3.3 (continuacin..)

=
R
0.023
=
= 0.0099
d2
2.326
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si la especificacin de
los anillos de pistones es de 74.000 0.05 mm, se tienen como lmites inferior y superior de
especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS) se encuentran a 3sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
LTNS = X + 3 = 74.001 + 3 (0.0099) = 74.0307

LTNI = X - 3 = 74.001 - 3 (0.0099) = 73.9713
LIE LTNI
MEDIA
LTNS LSE
Fig. 3.14 Localizacin de Lmites de especificaciones y naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran dentro de los lmites
de especificacin, por tanto en principio no se observa que haya partes fuera de especificaciones.
Pgina 128
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o PCR) siendo:
Cp =
LSE LIE
6
Cp =
74 .05 73 .95
0.10
1.68
6(0.0099 )
0.05984
(3.12)
Se pueden presentar tres casos:
Caso 1. Si Cp es menor que 1, implica que la banda entre los lmites de tolerancia naturales es
mayor que la banda permitida por los lmites de especificacin.
LTNI LIE
LSE LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia natural y de
especificaciones coinciden (aunque para el caos de 3-sigma aun hayan 2700 ppm fuera de
especificaciones).
LIE
LSE
LNTI
LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los lmites de tolerancia natural del
proceso, es menor que la banda permitida por las especificaciones.
Pgina 129
LIE LTNI
LTNS LSE
La fraccin de la banda de las especificaciones utilizada por el proceso se estima como sigue:
CR = (1 / Cp) 100%
(3.13)
CR = (1 / 1.68) 100% = 59.2%
Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.
Se puede estimar la fraccin de anillos no conformes producidos, con ayuda de la distribucin

normal, como sigue:
p = P { x < 73.950 } + P { x > 74.001 }
73 .950 74 .001
74 .050 74 .001

0.0099
0.0099
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln (ppm) de los anillos producidos estarn
fuera de especificaciones.
Pgina 130
Ejemplo 3.2 (continuacin...). Para la carta de control de las medias, despus de haber eliminado
las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el clculo de
habilidad como sigue (considerando que los lmites de especificacin son 85 y 175):
Process Capability of X11, ..., X15

LSL
USL
P rocess Data
LS L
85
Target
*
USL
175
S ample M ean
127.063
S ample N
150
S tDev (Within)
19.4626
S tDev (O v erall) 19.8965
Within
Overall
P otential (Within) C apability
Cp
0.77
C P L 0.72
C P U 0.82
C pk
0.72
O v erall C apability
Pp
PPL
PPU
P pk
C pm
60
O bserv ed P erformance
P P M < LS L 26666.67
PPM > USL
6666.67
P P M Total
33333.33
80
100
E xp. Within P erformance

P P M < LS L 15338.42
PPM > USL
6888.71
P P M Total
22227.13
120
140
160
E xp. O v erall P erformance

P P M < LS L
17253.10
PPM > USL
7991.57
P P M Total
25244.67
Fig. 3.15 Capacidad de proceso del ejemplo 3.2
Pgina 131
180
0.75
0.70
0.80
0.70
*
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad del proceso, una vez
estable (considerando que los lmites de especificacin son -80 y +80):
Process Capability of X1, ..., X5

LSL
USL
P rocess Data
LS L
-80
Target
*
USL
80
S ample M ean
10.9
S ample N
100
S tDev (Within)
27.3001
S tDev (O v erall) 25.2301
Within
Overall
Cp
0.98
C P L 1.11
C P U 0.84
C pk
0.84
Pp
PPL
PPU
P pk
C pm
-60
P P M < LS L 0.00
P P M > U S L 0.00
P P M Total
0.00
-30

P P M < LS L
434.76
P P M > U S L 5684.82
P P M Total
6119.59
30
1.06
1.20
0.91
0.91
*
60

P P M < LS L
157.38
P P M > U S L 3083.22
P P M Total
3240.59
Fig. 3.16 Capacidad de proceso del ejemplo 3.3
Para el clculo de otros ndices que toman en cuenta la posicin de la media, revisar el captulo de
capacidad del proceso o el procedimiento de cartas X R.
REVISIN O RE-CLCULO DE LA LNEA CENTRAL Y LMITES DE CONTROL
Los lmites de control calculados como lmites preliminares, deben ser revisados en forma
peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del proceso en
particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la media del proceso
X se acerque cada vez ms a la media de las especificaciones (en caso de ser bilaterales) o se
aleje lo ms posible de la especificacin (en caso de ser unilateral).
Pgina 132
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia, eliminar
esos puntos tanto en la carta X como en la carta R y recalcular los lmites de control, para usarse
en el control futuro del proceso.
LMITES DE CONTROL, DE ESPECIFICACIN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relacin matemtica entre los lmites de
especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por ingenieros de

manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal forma de minimizar
la variabilidad entre muestras individuales, observando slo su variabilidad aleatoria y
maximizando la posibilidad de detectar corridas en la media del proceso en funcin del tiempo.
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al tiempo y la carta
R monitorea la variabilidad interna entre muestras en un tiempo dado.
CAMBIO DE TAMAO DE MUESTRA

Cuando el proceso ya mostr estabilidad durante un periodo largo de tiempo, es posible reducir el
esfuerzo y costo de control a travs de reducir el tamao de muestra. Los lmites de control se
pueden recalcular sin tomar muestras adicionales como sigue:
R ant rango promedio para el tamao de subgrupo anterior

R nuevo rango promedio para el tamao de subgrupo nuevo
nant = tamao de subgrupo anterior
nnuevo = tamao de subgrupo nuevo
Pgina 133
d2 ant = factor d2 para el tamao de subgrupo anterior

d2 nuevo = factor d2 para el tamao de subgrupo nuevo
Los nuevos lmites de control para la carta X son (seleccionando A2 en base al nuevo tamao de
subgrupo nnueva , la lnea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant
(3.14)
LICX = X - A2 [d2 nuevo / d2 ant ] R ant
Para el caso de la carta R los nuevos lmites de control son (seleccionando D3 y D4 para el nuevo
tamao de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant
(3.15)
LCR = R nuevo [d2 nuevo / d2 ant ] R ant

LICR = max { 0, D3 [d2 nuevo / d2 ant ] R ant }
Si en Ejemplo 3.1 de trabajo se quisiera cambiar de n=5 a n=3, se tendra:
De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva = 1.693, A2 nueva = 1.023, por tanto los
lmites nuevos son:
LSCX = 74.001 + (1.023) [ 1.693 / 2.326 ] (0.023) = 74.018

LICX = 74.001 - (1.023) [ 1.693 / 2.326 ] (0.023) = 73.984
Para la carta R, de la tabla de constantes para n=3 se tiene D3 = 0, D4 = 2.578, por tanto:
LSCR = (2.578) ) [ 1.693 / 2.326 ] (0.023) = 0.043

LICR = (0) ) [ 1.693 / 2.326 ] (0.023) = 0.0
LCR = [ 1.693 / 2.326 ] (0.023) = 0.017
LIM.SUP.NVO
LIMITES
ANTERIORES
CARTA X
Pgina 134
LIM.INF.NVO.
LIMITE SUP. ANT.

LIMITE SUP.NVO.
CARTA R
Fig. 3.17 Revisin de lmites de control cambiando de n=5 a 3
Como se puede observar el efecto de reducir el tamao de muestra hace que se incremente el
ancho de los lmites de control en la carta X (porque
es ms pequeo con n=5 que con n=3) y

n
se reduzca la media de R y su lmite superior en la carta R.
La curva caracterstica de operacin

La habilidad de las cartas de control X R para detectar corrimientos en la media del proceso es
indicada por su curva caracterstica de operacin (OC). Su determinacin se muestra a
continuacin.
Si en la carta para X se conoce la desviacin estndar del proceso y es constante, cuando la
media del proceso 0 cambia a otro valor 1 = 0 + k , la probabilidad de no detectar el cambio en
la primera muestra subsecuente es el riesgo , donde:
= P { LIC <= X <= LSC 1 = 0 + k }
(3.16)
dado que X N (, 2/n) y que los lmites de control son:

LSC = 0 + L / n
(3.17)
LIC = 0 - L / n
Pgina 135
La probabilidad de que un punto de X i caiga dentro de lmites de control sabiendo que la media
del proceso ya es 1, es igual a la probabilidad de que el punto se encuentre abajo del lmite
superior (LSC) menos la probabilidad de que se encuentre abajo del lmite inferior de control
(LIC). Considerando la desviacin Estndar de las medias, o sea:
+
( ZLSC, x)
LSC
Xi
LC
( ZLIC, x)
LIC
-
Fig. 3.18 Clculo del error Beta o tipo II
LSC ( 0 k ) LIC ( 0 k )
-
/ n
/ n
Entonces =
0 L / n ( 0 k )
0 L / n ( 0 k )
-
/ n
/ n
(3.18)
Donde es la distribucin normal acumulativa. La expresin anterior se reduce a:
=(Lk
n )-(-Lk
n )
(3.19)
Ejemplo 3.4 Para una carta X R con L=3 (lmites a 3-sigma de medias), tamao de muestra n=5,
y se desea determinar el corrimiento a 1
0 + 2 en la primera muestra subsecuente al
corrimiento de la media del proceso, se tiene:
=(32
5 )-(-32
5 )
= (-1.47) - (-7.37)
Pgina 136
= 0.0708
Este es el riesgo o la probabilidad de no detectar tal corrimiento. La probabilidad de s detectarlo
es 1- =
= 1 0.0708 = 0.9292.
Con las frmulas anteriores se construyen las curvas caractersticas de operacin para diferentes
valores de n en funcin de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene que = 0.75 y la probabilidad de
detectar el corrimiento en la segunda muestra se calcula como (1- ) = 0.19, y as sucesivamente.
La longitud de la corrida media es el nmero esperado de muestras antes de que el corrimiento
sea detectado, se denomina ARL o :
ARL =
En este caso
1
1
(3.20)
ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar cuatro muestras antes de
detectar un corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribucin del rango relativo
W=R/. Si el valor de la desviacin estndar cuando el proceso est en control es 0, entonces la
curva OC muestra la probabilidad de no detectar un corrimiento a un nuevo valor 1, donde 1>0
, en la primera muestra despus del corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de detectar este corrimiento
en cada muestra subsecuente. Por tanto la carta R tiene poca sensibilidad de detectar pequeos
corrimientos en sigma, para cual se debe usar la carta S con n>10.
LONGITUD DE CORRIDA MEDIA
La longitud de corrida media para la carta de Shewhart cuando el proceso est en control es:
Pgina 137
ARL = 1 / P ( un punto fuera de control) = ARL0 = 1 /
(3.21)
Cuando el proceso est fuera de control es:

ARL1 = 1 / ( 1 - )
(3.22)
De las grficas de ARL anexas, se observa que para detectar un corrimiento de 1.5 con n=3, se
requiere un ARL1 = 3. Se puede reducir el ARL1 a 1 si se incrementa la n=16.
3.3 CARTAS DE CONTROL PARA X y S

Estas cartas de control son recomendadas cuando:
1.
El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango pierde eficiencia

por no tomar en cuenta valores intermedios).
2.
El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en lugar del rango R en

cada subgrupo se calcula la desviacin estndar S.
Pgina 138
Xbar-S Chart of X1, ..., X5

U C L=46.91
Sample M ean
40
20
_
_
X=10.9
0
-20
LC L=-25.11
1
11
Sample
13
15
17
19
60
Sample StDev
U C L=52.71
45
30
_
S =25.23
15
0
LC L=0
1
11
Sample
13
15
17
19
Figura 3.19 Ejemplo de carta X-S

S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es un estimador
insesgado de . Si la distribucin es normal, entonces S estima a c4 donde c4 es una constante
que depende del tamao de muestra n. Adems la desviacin estndar de S es 1 c4 .
2
c4
n 1
1/ 2
(n / 2)
((n 1) / 2)
(3.18)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X y S, cuando se
conoce el valor de dado que existe un historial.
Para la carta S se tiene:
Para la carta X se tiene:
LSCs = c4 + 3 1 c4 = B6
LSCX = + A
Pgina 139
(3.20)

LCs
= c4
LC =
LICs = c4 - 3 1 c4 = B5
LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores de n en la tabla de
constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede estimar

utilizando diversas muestras m con datos histricos, donde se obtenga la desviacin estndar en
cada una de ellas y se promedien.
1 m
Si
m i 1
(3.21)
__
S
c4
(3.22)
Como el estadstico S /c4 es un estimador insesgado de , los parmetros de la carta sern los
siguientes:
LSCs = S 3
S
1 c 42 = B4 S
c4
(3.23)
LCs = S
LICs = S 3
S
1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de control para esta
carta son:
Pgina 140
LSCx = X + 3
S
c4 n
= X + A3 S
(3.24)
LCx = X
LICx = X - 3
S
= X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la tabla de

constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 141
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de las medias y de las
desviaciones estndar como sigue:
n X
i 1
m
(3.25)
ni
i 1
2
(ni 1) S i
S m
ni m
i 1
1/ 2
(3.26)
Ejemplo 3.4 Para una carta X-S con lmites variables, se tomaron los datos siguientes, corriendo en
Minitab:
Datos
74.030
74.002
74.019
73.992
74.008
73.995
73.992
74.001
73.998
74.024
74.021
74.005
74.002
74.002
73.996
73.993
74.015
74.009
73.992
Muestra
1
1
1
1
1
2
2
2
3
3
3
3
3
4
4
4
4
4
5
Datos
74.000
73.985
74.003
73.993
74.015
73.998
74.008
73.995
74.009
74.005
73.998
74.000
73.990
74.007
73.995
73.994
73.998
73.994
73.995
Muestra
7
8
8
8
8
8
9
9
9
9
10
10
10
10
10
11
11
11
11
Datos
73.994
74.000
73.984
74.012
74.014
73.998
74.000
73.984
74.005
73.998
73.996
73.994
74.012
73.986
74.005
74.006
74.010
74.018
74.003
Pgina 142
Muestra
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
Datos
74.009
74.005
73.996
74.004
73.999
73.990
74.006
74.009
74.010
73.989
73.990
74.009
74.014
74.015
74.008
73.993
74.000
74.010
73.982
Muestra
21
21
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25

74.007
74.015
73.998
74.014
74.009
73.994
73.997
73.985
73.995
74.006
73.994
5
5
5
5
6
6
6
6
7
7
7
73.990
74.004
74.000
74.007
74.000
73.996
73.983
74.002
73.998
74.006
73.967
11
12
12
12
12
12
13
13
13
14
14
74.000
73.984
74.002
74.003
74.005
73.997
74.000
74.010
74.013
73.998
74.001
18
19
19
19
19
19
20
20
20
21
21
73.984
73.995
74.017
74.13
25
25
25
25
Xbar-S Chart of Datos

UCL=74.02046
Sample Mean
74.02
74.01
_
_
X=74.0009
74.00
73.99
LCL=73.98134
73.98
1
11
13
Sample
15
17
19
21
23
25
Sample StDev
0.024
UCL=0.02403
0.018
0.012
_
S=0.00736
0.006
0.000
LCL=0
1
11
13
Sample
15
Tests performed with unequal sample sizes
Fig. 3.20 Ejemplo de carta X-S con lmites variables
Pgina 143
17
19
21
23
25
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la S = 0.0098, por tanto los lmites de
control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como mtodo alterno para n variable se puede utilizar la n si no hay mucha variacin entre los
diferentes tamaos de muestra (dentro de n 25%).
ESTIMACIN DE
El valor de la desviacin estndar puede ser estimado del valor de S como sigue:
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c4 para n=5.
c4
Existe una variante de las cartas de medias-desviacin estndar denominadas cartas de mediasvarianza.
Pgina 144
3.4 CARTAS PARA LECTURAS INDIVIDUALES

Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1. Cuando hay inspeccin automtica de piezas individuales.
2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de ms de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de medicin de
laboratorio) como en procesos qumicos.
4. En plantas de proceso como las de papel, el espesor de los acabados tiene una variabilidad
muy baja a travs del rollo.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los rangos mviles se
empiezan a calcular a partir de la segunda muestra como MRi = X i X i 1 .
Para este caso, los lmites de control para la carta X son:
LSCx = X 3
MR
d2
__
LCx
LICx = X 3
(3.27)
MR
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor
de n = 2 y habr (m 1) rangos en total. Con m = nmero de subgrupos.
Lote
1
2
3
4
Viscocidad
33.75
33.05
34.00
33.81
Pgina 145

5
6
7
8
9
10
11
12
13
14
15
33.46
34.02
33.68
33.27
33.49
33.20
33.62
33.00
33.54
33.12
33.84
I-MR Chart of Viscocidad

U C L=34.802
Individual V alue
34.5
34.0
_
X=33.523
33.5
33.0
32.5
LC L=32.245
1
7
8
9
O bser vation
10
11
12
13
14
15
M oving Range
1.6
U C L=1.571
1.2
0.8
__
M R=0.481
0.4
0.0
LC L=0
1
7
8
9
O bser vation
10
11
12
13
14
15
Fig. 3.21 Carta de lecturas individuales o rango mvil (I-MR)
El proceso est en control estadstico.
Ejemplo 3.7: Se toman varios datos de edades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales.
Pgina 146
Por ejemplo:
Valores individuales
23
15
11
24
38
19
Rango
8
4
13
14
19
Al final se hace un promedio de los valores individuales X y un promedio de rangos

mviles R y los lmites de control para la carta I-MR se calculan con las frmulas
siguientes:
Para la carta I: LSCx X (2.66 * R )
LICr 0
y para la carta R:
LICx X (2.66 * R )
LSCr 3.27 * R
I-MR Chart of Supp1

1
U C L=601.176
Individual V alue
601
600
_
X=599.548
599
598
LC L=597.920
1
10
20
30
40
50
60
O bser vation
70
80
90
100
M oving Range
2.4
1
U C L=2.000
1.8
1.2
__
M R=0.612
0.6
0.0
LC L=0
1
10
20
30
40
50
60
O bser vation
70
80
90
100
Figura 3.22 Carta de control I-MR. El proceso no est en control estadstico.

Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Pgina 147
RANGOS
10
11
12
13
14
L.S.C.x
MAQUINA
15
16
17
L.I.C.x
18
CARACTERSTICA
19
20
21
22
CALIBRADOR
23
L.S.C. R
24
25
T. MUESTRA
26
L.I.C. R
27
28
FRECUENCIA
29
30
TIPO DE EVALUA.
FECHA DE TERMINO
INSTRUCCIONES
% Z Inf.:
CPK:
CONSTANTES
A) Fin de corrida de produccin

B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
F) Otro (indicar)
4.- Indique en el ltimo rengln, justo abajo

del subgrupo correspondiente, las causas por
las cuales se deja de graficar de acuerdo a la
frecuencia indicada, si es que se presentan
el caso. Utilice las siguientes claves:
3.- Registre la (s) causa (s) del

comportamiento en la bitcora (al reverso de
la grfica), as como las acciones realizadas
o propuestas para corregir la falla.
2.- Investigue y corrija la causa del

comportamiento. Si no es posible llame a su
supervisor o Ing. de Manufactura.
1.- Encierre en un crculo los patrones

anormales de comportamiento ( puntos fuera
de los lmites de control, tendencias,
adhesiones, etc).
% NC:
% Z Sup.:
Cp. :
2.67 1.13 0 3.27
L.I.E.
OPERACIN
FECHA DE INICIO
L.S.E.
REA
No. DE GRAFICA
E2 D2 D3 D4
NOMINAL
No. DE PARTE
GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
INICIALES
LECTURAS
UNIDADES
HORA
NOMBRE DE PARTE
FECHA
Pgina 148
VALORES

3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS

Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la vez clasificando
la unidad como conforme o no conforme, si no cumple alguna de esas caractersticas. Por otra
parte si esas caractersticas se controlan como variables, debe llevarse una carta de control para
cada una de esas caractersticas, lo cual es ms laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de atributos, tal
como la media del proceso y su variabilidad, tambin proporcionan informacin para realizar
estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones fuera de
control, antes de que se produzcan artculos no conformes, lo que no sucede con las cartas por
atributos hasta que el proceso genere ms disconformes.
LIE
Reaccin de carta X-R
LSE
Reaccin de carta p
Fig. 3.23 Comparacin de sensibilidad entre cartas de control
Tal vez la ventaja ms importante de la carta X-R es que proporciona un indicador de inicio de
problemas y permite al personal operativo tomar acciones correctivas antes que se produzcan
defectivos realmente, de esta forma las cartas X-R son indicadores gua de falla, mientras que las
cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan
ms defectivos.
En la figura, cuando la media del proceso esta en 1 se producen pocas no conformidades, si la
media del proceso se corre hacia arriba, cuando llegue a 2 la carta X-R habr mostrado un patrn
anormal o puntos fuera de control para tomar acciones correctivas, mientras que la carta p no
reaccionar hasta que la media del proceso se haya recorrido hasta 3, o hasta que el nmero de
Pgina 149
unidades no conformes producidas se haya incrementado. Por tanto las cartas X-R son ms
poderosas que las cartas p.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p requiere un tamao
de muestra mayor, la X-R requiere tomar mucho menos unidades aunque las mediciones toman
ms tiempo. Esta consideracin es importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde el valor medio de la caracterstica
de calidad es 50 y la desviacin estndar es 2, para lmites de 3-sigma y especificaciones LIE=44 y
LSE=56, cuando el proceso est en control en el valor nominal de 50, la fraccin no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fraccin defectiva producida
ser aproximadamente 0.0202, si se desea que la probabilidad de detectar este corrimiento en la
siguiente muestra subsecuente sea del 0.50, entonces el tamao de muestra en la carta X debe
ser tal que se cumpla que el LSC sea 52 o sea:
50
3(2)
52
n
donde n=9,
Si se utiliza una carta p entonces el tamao de muestra requerido para tener la misma
probabilidad de detectar el corrimiento es:
k
n p(1 p)

Con k = 3, que es el ancho de los lmites de control, p = 0.0027 y es la magnitud de incremento
en fraccin defectiva o sea = 0.0202 0.0027 = 0.0175, de esta forma,
n = 79.23 80
Pgina 150
Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo
de inspeccin por atributos, las carta X es ms econmica de aplicar.
GUA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de la carta de
control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
SELECCIN DE LA CARTA DE CONTROL ADECUADA

A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente en forma crnica.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de manufactura.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad como en industrias reguladas.
B. Se prefiere una carta por atributos en las situaciones siguientes:

1. Los operadores controlan las causas asignables y es necesario mejorar el proceso.
2. El proceso es una operacin de ensamble compleja y la calidad se evala por la ocurrencia de
no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeo del proceso para revisin ejecutiva.
C. Cartas de control por lecturas individuales
Pgina 151
1. Es inconveniente o difcil obtener ms de una medicin por muestra, o la repeticin de

muestras slo mostrar errores de medicin de laboratorio, tal como ocurre en proceso
qumicos.
2. Se cuenta con inspeccin automatizada de cada unidad de producto. Para estos casos tambin
se deben considerar las cartas de sumas acumuladas o de media mvil ponderada.
3. Los datos disponibles son muy lentos en el tiempo, por ejemplo datos contables mensuales.
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES

Algunas de las aplicaciones de las cartas de control por variables son:
1.
Mejora de procesos de proveedores. Reducir su variabilidad a travs de centrar su proceso y

tomar acciones correctivas.
2.
Seleccin de equipo productivo a travs de demostracin de su capacidad antes de su

embarque.
3.
Corridas cortas en talleres de manufactura. Se controla la desviacin respecto a la media

especificada, de una caracterstica especfica de calidad para diferentes productos similares.
4.
Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay especificaciones, (2)
se requiere ms imaginacin para aplicar las cartas de control. Se usan por ejemplo para
reducir el tiempo de proceso de las cuentas por pagar (pago de cheques).
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Pgina 152
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 153
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIN
Muchas caractersticas de calidad no pueden ser representadas numricamente, denominndose
atributos. En tales casos cada artculo completo se clasifica como conforme o no conforme a
especificaciones y/o estndares, es decir como defectivo o no defectivo, no defectuoso o
defectuoso, bueno o malo, discrepante o no discrepante.
Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser
reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p de fraccin
defectiva o la np para el nmero de defectivos o de no conformes. Se aplica a productos simples
(tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se observan en un

producto, se utiliza la carta de control para no conformidades o defectos c cuando la muestra es
constante o la u cuando es variable o constante. Se aplica a productos complejos (coches, TV,
cmaras de video, escritorios, refrigeradores, etc.) Un defecto o no conformidad es una
discrepancia respecto a los estndares establecidos o a las especificaciones.
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden
ser corregidas con retrabajo o no se pueden corregir y ser desperdicio.
Pgina 154
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p

La fraccin no conforme es la relacin entre el nmero de artculos discrepantes entre el total de
artculos, se expresa como fraccin decimal, aunque tambin se puede expresar en porcentaje. El
artculo puede tener varias caractersticas de calidad que son examinadas por un inspector, si el
artculo no est de acuerdo a los estndares, se le considera como defectuoso o no conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre el nmero de

unidades no conformes D al tamao de muestra n, o sea:
pi
Di
ni
(4.1)
La distribucin de este estadstico sigue la distribucin binomial por tanto:
__
2p
(4.2)
p(1 p)
n
(4.3)
Del modelo general para la carta de control de Shewhart, si w es un estadstico que mide una
caracterstica de calidad, con media w y varianza
w2 , los lmites de control son:
LSC = w + Lw
LC = w
(4.4)
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn usar L = 3.
Por tanto los lmites de control de la carta p considerando L = 3 son:

Pgina 155
__
__
p (1 p )
n
__
LSCp = p 3
__
LCp = p
(4.5)
__
__
p (1 p )
n
__
LICp = p 3
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin defectiva p i y se

grafca en la carta, mientras no se observe ningn patrn anormal y p i se localice dentro de
lmites de control, se puede concluir que el proceso est en control, de otra forma, se concluir
que la fraccin no conforme se ha desplazado de su valor original y el proceso se encuentra fuera
de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamao n , por lo general se toman 20 a 25 de estas. As si Di son
unidades no conformes en la muestra i , la fraccin defectiva de la muestra i - sima estar dada
como:
pi = Di / n
i = 1, 2, 3,....., m
(4.6)
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
D
i 1
mn
p
i 1
(4.7)
El estadstico p estima la fraccin desconocida p, y los lmites preliminares de control son:
LSC p p 3
p (1 p )
n
(4.5) anterior
Pgina 156
LC p p
LIC p p 3
p (1 p )
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se encuentre fuera
de control debe ser investigado, si se encuentra una causa asignable o especial, deben tomarse
medidas correctivas para prevenir su recurrencia, los puntos correspondientes a la situacin fuera
de control se eliminan y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona
cada caja y se inspecciona el sello para evitar fugas, se lleva una carta de control para tomar
acciones y mejorar el desempeo de la maquina selladora.
Para establecer la carta de control, se toman 30 muestras de 50 piezas cada una en intervalos de
una hora.
Hora
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
Hora
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Defectos
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6
Como en total se encontraron 347 cajas no conformes, se estima p como sigue:
Pgina 157

m
i 1
mn
p
i 1
347
= 0.2313
(30 )( 50 )
Los lmites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
P Chart of Defectos
0.5
1
1
UCL=0.4102
Proportion
0.4
0.3
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1
10
13
16
Sample
19
22
25
28
Figura 4.1 Carta de control p fuera de control
De la carta de control se observa que las muestras 15 y 23 estn fuera de los lmites de control, de
tal forma que el proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la muestra 15 corresponde a el cambio de
un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde a un operador sin
experiencia asignado temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando
nuevos lmites preliminares con los puntos 15 y 23 eliminados, se tiene con Minitab:
Pgina 158
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
Proportion
0.3
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1
10
13
16
Sample
19
22
25
28
Figura 4.2 Carta de control p fuera de control en un punto
En la grfica de lmites revisados, se observa que la muestra 20 excede el lmite superior de

control, sin embargo no se encontr una causa asignable, por tanto se retiene este punto para el
clculo de los lmites preliminares. Tampoco se observan patrones de anormalidad, la mayor racha
o corrida tiene 5 puntos sobre la lnea central, lo cual no representa una situacin fuera de control.
De esta forma se concluye que el proceso est en control a una p = 0.2150 adoptando los lmites
preliminares para control futuro.
Pgina 159
P Chart of Defectos
0.4
UCL=0.3804
Proportion
0.3
_
P=0.2081
0.2
0.1
LCL=0.0359
0.0
1
10
13
16
Sample
19
22
25
Figura 4.3 Carta de control p en control estadstico
Se observa que a pesar de que el proceso est en control, no se tienen presentes problemas
controlables por el operador, por tanto las causas de variabilidad son comunes y su reduccin
depende slo del control de la administracin, una vez que interviene e Ingeniera realiza una serie
de ajustes a la mquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los siguientes 3 turnos, la
grfica se hizo utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los ajustes y una mejor atencin de los
operadores.
Pgina 160
Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3 turnos, difiere de la
fraccin no conforme preliminar, con el procedimiento de prueba de hiptesis:
H0:
p1 = p2
H1:
p1 > p2
Donde p1 es la fraccin no conforme de los datos preliminares

(p1 = p 1 = 0.2182) y p2 es la fraccin no conforme del periodo actual. Para estimar p2 se toman las
ltimas 24 muestras o sea:
p2
i 31
mn
i 31
133
133
0.1108
(50 )( 24 ) 1200
El estadstico de prueba aproximado para probar la hiptesis anterior es:
Z0
p1 p 2
n1 n2
p(1 p)
n1n2
con p
n1 p1 n 2 p 2
n1 n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200
Z0
0.2150 0.1108
1
1
(0.1669)(0.8331)
1400 1200
7.10
Para un nivel de significancia del 0.05 en la distribucin normal, se encuentra que:
Z0 = 7.10 > Z.05 = 1.645
Pgina 161
Por tanto se rechaza la hiptesis Ho concluyendo que hubo una reduccin en la fraccin defectiva
promedio del proceso.
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos lmites de control, para las siguientes 40 muestras
se observa una mejora del proceso, dentro de control. Es muy importante que para identificar
fcilmente las causas asignables, se lleve una bitcora de cambios, donde se anote cada cambio
que ocurra, independientemente que afecte o no al proceso.
Figura 4.4 Carta de control p con nuevos puntos tomados
Pgina 162
Diseo de la carta de control

Determinacin del tamao de muestra:
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una
unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme
sea al menos 0.95, si D es el nmero de artculos no conformes, entonces:
P{ D >= 1 }>= 0.95

Con la distribucin de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p =
0.01, implica que el tamao de muestra debe ser al menos de 300.
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga aproximadamente un 50% de
probabilidad de detectar el corrimiento de la media de un proceso en una cierta cantidad.
Asumiendo que la distribucin normal es una buena aproximacin a la binomial, se selecciona n de

tal forma que el lmite superior de control coincida con la fraccin defectiva en el estado fuera de
control.
Entonces n debe satisfacer:
p (1 p )
n
(4.8)
Donde L es la distancia de la lnea central a los lmites de control en desviaciones estndar, por
tanto,
Pgina 163
L
n p(1 p)

(4.9)
Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de
0.50, entonces = 0.05 0.01 = 0.04 y si L = 3-sigma, se tiene:
3
(0.01)(0.99) 56
0.04
n=
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar n tan grande de
tal forma que el lmite inferior tenga un valor positivo, para poder investigar la causa de
generacin de muy bajas cantidades de artculos defectuosos con objeto de identificar errores de
inspeccin o de los equipos de medicin. Se tiene:
LIC p p L
p (1 p )
0
n
(4.10)
Implica que,
(1 p ) 2
L
p
(4.11)
Ejemplo 4.4, si p = 0.05 y se tienen lmites de control a 3-sigma, el tamao de muestra ser:
0.95 2
(3) 171
0.05
Si n>171 unidades, la carta de control tendr un lmite inferior de control positivo.
Es importante notar que la carta de control p se basa en la distribucin normal, es decir que la
probabilidad de ocurrencia de artculos defectivos es constante y que las unidades producidas son
Pgina 164
independientes. Si no es el caso, se debe desarrollar una carta de control basada en el modelo de

probabilidad adecuado.
Ejemplo 4.3 Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50

servicios contabilizando las quejas en cada uno como sigue:
Servicio
No
conformes
Servicio
No
conformes
Servicio
No
conformes
1
2
3
4
5
6
7
8
9
10
12
15
8
10
4
7
16
9
14
10
11
12
13
14
15
16
17
18
19
20
5
6
17
12
22
8
10
5
13
11
21
22
23
24
25
26
27
28
29
30
20
18
24
15
9
12
7
13
9
6
Como en total se encontraron 347 quejas o servicios no conformes, se estima p como

sigue:
m
i 1
mn
p
i 1
347
= 0.2313
(30 )( 50 )
Los lmites de control usando Minitab son:

LSCp = 0.4102 LCp = 0.2313
LICp = 0.0524
P Chart for No confo
1
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
Fig. 4.4a. Carta de control P para la fraccin de servicios no conformes.
Pgina 165
Ejercicio Hacer una carta de control P por atributos.
Pgina 166
Pgina 167
Pgina 168
4.3 CARTA DE CONTROL np

En lugar de tener fracciones no conformes, si el tamao de muestra es constante, se pueden
utilizar directamente el nmero de artculos defectivos o no conformes np, para evitarle
operaciones aritmticas al operador, los parmetros de esta carta son:
LSCnp np 3 np(1 p)
LCnp np
(4.12)
LICnp np 3 np(1 p)
Si no se conoce el valor de p, se puede estimar con la p .

El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de graficar e
interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los ltimos 39 datos de las cajas de concentrado de jugo de naranja, se tiene:
NP Chart of Defectos
20
UCL=19.02
Sample Count
15
__
NP=10.41
10
5
LCL=1.80
0
1
10
13
16
Sample
19
22
25
Figura 4.5 Carta de control np en control estadstico con lmites de control constantes
Pgina 169
4.4 TAMAO DE MUESTRA VARIABLE

En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin 100% de los lotes
producidos en un periodo de tiempo, por tanto la muestra ser variable. Se tiene varios mtodos
para llevar una carta de control:
Mtodo 1. Lmites variables
Se calculan lmites de control para cada muestra en base en la fraccin defectiva promedio p y su
tamao de muestra con p 3 p(1 p) / ni . La amplitud de los lmites es inversamente
proporcional a la raz cuadrada del tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin diaria, registrando la produccin
total y los defectivos del da.
n-var
nodef
Fra-def
LSC
LIC
Des-est
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.007335
-0.00307
-0.00307
0.007335
0.011438
0.011438
0.007335
0.007335
0.002565
0.002565
0.011438
0.015017
0.015017
0.015017
0.011438
-0.00307
-0.00307
-0.00307
0.002565
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
0.0328611
0.0328611
0.0328611
0.0309817
Pgina 170

100
100
100
100
90
8
5
8
10
6
0.08
0.05
0.08
0.1
0.066667
0.183686
0.183686
0.183686
0.183686
0.188455
0.007335
0.007335
0.007335
0.007335
0.002565
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
La fraccin defectiva media se calcula como sigue:

25
i 1
25
n
i 1
234
0.096
2450
Y los lmites de control se calculan como sigue:

LSCp= p 3 p 0.096 3
(0.096)(0.904)
ni
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
ni
NP Chart of nodef
1
20
UCL=16.94
Sample Count
15
10
__
NP=8.58
LCL=0.22
0
1
11
13
Sample
15
17
19
21
23
Figura 4.6 Carta de control np en control estadstico con lmites de control variables
Pgina 171
Se observa que la muestra 11 est fuera de control.
Cuando se toman lmites de control variables, el anlisis de patrones de anormalidad no tiene

sentido ya que la desviacin estndar en cada muestra esta variando y no es posible visualizar
corridas o rachas.
Mtodo 2. Tamao de muestra promedio

En este caso, se toma el promedio de los tamaos de muestra para calcular los lmites de control
aproximados, se asume que los tamaos de muestra no diferirn en forma apreciable de los
observados, aqu los lmites de control son constantes. Si existen grandes diferencias mayores al
promedio ms o menos 25%, este mtodo no es adecuado.
m
n
i 1
2450
98
25
Con lmites de control basados en n 98 :
LSCp= p 3 p 0.096 3
(0.096 )( 0.904 )
0.185
98
LC = 0.096
LICp= p 3 p 0.096 3
(0.096 )( 0.904 )
0.007
98
Otra vez de la grfica se observa que el punto 11 est fuera de control.
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la carta de control
estandarizada, la lnea central es cero y los lmites de control estn a +3 y 3 respectivamente, la
variable a graficar en la carta es:
Pgina 172
Zi
pi p
(4.13)
p(1 p)
ni
donde p (o p si no hay estndar) es la fraccin defectiva media del proceso en su condicin de

control estadstico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada, por medio de Minitab.
n-var
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
100
100
100
100
90
nodef
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
Frac.-def LSC
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.08
0.05
0.08
0.1
0.066667
LIC
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
Pgina 173
Media
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Z-Estand
0.81655
0.12172
-0.63905
-0.20414
-0.18166
0.46713
0.47632
2.17748
0.48774
-0.94679
3.06231
1.08084
-0.78268
-1.09326
-1.47925
0.12172
0.8825
-0.25866
-1.30543
-0.54437
-1.56506
-0.54437
0.13609
-0.94679
I-MR Chart of Z-Estand

1
Individual V alue
3.0
U C L=2.871
1.5
_
X=-0.028
0.0
-1.5
LC L=-2.926
-3.0
1
11
13
O bser vation
15
17
19
21
23
M oving Range
U C L=3.560
3
2
__
M R=1.090
1
0
LC L=0
1
11
13
O bser vation
15
17
19
21
23
Figura 4.7 Carta de control p estandarizada (Zi)

Esta carta tiene la ventaja de poder identificar patrones de anormalidad e identificar curva
caracterstica de operacin, lo que no puede hacerse con la carta de lmites de control variables.
Una aplicacin diferente de la manufactura sera el control de rdenes de compra errneas para
cada semana.
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL

La curva OC muestra en forma grfica la probabilidad de aceptar incorrectamente la hiptesis de
control estadstico (i.e. cometer un error tipo II o ). Esta curva proporciona una evaluacin de la
sensibilidad de la carta de control, o sea la habilidad de detectar un corrimiento en la fraccin no
conforme del proceso, desde su valor nominal p a algn otro valor p .
La probabilidad de error tipo II para la carta de control de fraccin defectiva o no conforme es:
P{ p LSC p} P{ p LIC p} = P{D nLSC p} P{D nLIC p}
Pgina 174
(4.14)
Como D es una variable aleatoria binomial con parmetros n y p, el error puede ser obtenido de
la funcin de distribucin acumulativa (la distribucin de Poisson se puede utilizar como una
aproximacin).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
P{D (50)(0.3697) p} P{D (50)(0.030) p} P{D 18.49 p} P{D 1.52 p}
Sin embargo como D debe ser un entero, se toma,
P{D 18 p} P{D 1 p}
La curva OC se construy utilizando Excel y Minitab.
NOTA: Se debe usar la distribucin de Poisson para np <=5 y distribucin Normal en caso contrario.
A continuacin se muestran curvas OC con 3 distribuciones.
Pgina 175
CURVA OC POR BINOMIAL

LIC = 1, LSC =18, n = 50
p
P(d<=18|p)
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752
CURVA OC POR POISSON

LIC = 1, LSC =18, n =50
P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752
np
0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5
P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283
CURVA OC POR NORMAL

LIC = 0.0303, LSC = 0.3697, n = 50
Sigma
LSC Z-Value LIC Z Value
PZLSC PZLIC
Beta
0.01 0.014071247 25.56276589 1.442658181
1 0.925442 0.074558435
0.03 0.024124676 14.08101803
0.0124354
1 0.504961 0.495039094
0.05 0.03082207 10.37243767 -0.639152399
1 0.261362 0.738638167
0.1 0.042426407 6.356889963 -1.642844755
1 0.050208 0.949792486
0.15 0.050497525 4.350708304 -2.370413218 0.999993 0.008884 0.991109116
0.2 0.056568542 2.999900519 -2.999900519 0.99865 0.00135 0.997299184
0.25 0.061237244 1.954692815 -3.587685977 0.97469 0.000167 0.97452355
0.3 0.064807407 1.075494349 -4.161561348 0.858923 1.58E-05 0.858907423
0.35 0.067453688 0.292052231 -4.739548131 0.614877 1.07E-06 0.614875519
0.4 0.069282032 -0.437342829 -5.336159863 0.330931 4.76E-08 0.33093135
0.45 0.070356236 -1.141334502 -5.965356044 0.126865 1.22E-09 0.126865425
0.5 0.070710678 -1.842720272 -6.642561102 0.032685 1.55E-11 0.032684871
0.55 0.070356236 -2.562672611 -7.386694153 0.005194 7.58E-14 0.005193524
P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606
COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005
La curva OC calculada con las diferentes distribuciones de probabilidad se muestra a continuacin:
Pgina 176
Para esta carta de control, tambin se puede calcular la longitud de corrida media ARL.
Cuando es proceso est en control:

ARL0 = 1 /
Cuando el proceso est fuera de control:

ARL1 = 1 / (1 - )
Estas probabilidades de errores tipo I y II se pueden obtener o por calculo de probabilidades o

usando las curvas OC.
Figura 4.8 Curva caracterstica de operacin np
Ejemplo 4.9, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la
curva OC se observa que en este caso es 0.9973 estando en control, en este caso = 1 - =
0.0027 y el valor de ARL0 es:
ARL0 = 1 / = 1 / 0.0027 = 370
Indicando que cada 370 puntos se puede tener una falsa alarma.
Pgina 177
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u

Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin
del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta
crticas. Se pueden desarrollar cartas de control para el nmero total de no conformidades en una
unidad o el nmero promedio de no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamao constante son
modeladas bien por la distribucin de Poisson, es decir implica que las oportunidades o
localizaciones potenciales para las no conformidades sea muy infinitamente grande y que la
probabilidad de ocurrencia de una no conformidad en cualquier localizacin sea pequea y
constante. Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Tamao de muestra constante - CARTA c

Una unidad de inspeccin es simplemente una entidad para la cual es conveniente registrar el
nmero de defectos, puede formarse con 5 unidades de producto, 10 unidades de producto, etc.
Suponiendo que los defectos o no conformidades ocurren en la unidad de inspeccin de acuerdo a
la distribucin de Poisson, o sea:
p( x )
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......

Por tanto considerando L = 3-sigma, los lmites de control para la carta de no conformidades son:
Pgina 178

LSCc = c + 3
LCc = c
LICc = c - 3
(4.16)
c en el caso que sea negativo toma el valor cero.
Si no hay estndar definido c se estima con el promedio de no conformidades observadas en una

muestra preliminar inspeccionada, o sea con c , en este caso los parmetros de la carta son:
LSCc = c + 3
LCc = c
(4.17)
LICc = c - 3
c en el caso que sea negativo toma el valor cero
Cuando no hay datos histricos, se calculan lmites de control preliminares.
Ejemplo 4.18 Para el nmero de no conformidades observadas en 26 unidades de inspeccin

sucesivas de 100 muestras de circuitos impresos, se obtuvieron los datos siguientes:
No Conformidades
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
Donde,
LSC = 33.22
LC =
516 / 26 = 19.85 = c
Pgina 179
LIC = 6.48
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
C Chart of NoConform
1
40
UCL=33.21
Sample Count
30
_
C=19.85
20
10
LCL=6.48
1
0
1
10
13
16
Sample
19
22
25
Figura 4.9 Carta de control C fuera de control estadstico
Una investigacin revel que el punto 6 fue debido a que un inspector nuevo calific los circuitos
impresos pero no tena la suficiente experiencia, fue entrenado. El punto 20 fue causado por una
falla en el control de temperatura de la soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se recalculan los lmites de control.
Pgina 180
C Chart of NoConform
35
UCL=32.97
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
13
Sample
15
17
19
21
23
Figura 4.9 Carta de control C dentro de control estadstico
Como el proceso ya se encuentra en control estadstico, estos lmites se tomarn como base para
el siguiente periodo, donde se tomaron 20 unidades de inspeccin adicionales.
No Conformidades 1
16
18
18
21
12
16
15
22
24
19
21
12
28
14
20
9
25
16
19
21
Se observa en la grfica que no se tienen puntos fuera de control, sin embargo el promedio de
defectos es alto, requiere la accin de la administracin.
Pgina 181
C Chart of C4
35
UCL=32.98
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
Sample
13
15
17
19
Figura 4.10 Carta de control C dentro de control estadstico para otras 20 muestras muy alta c
Haciendo un anlisis de Pareto de los principales defectos se observ que el principal defecto de
soldadura insuficiente y soldadura fra, acumulan el 69% del total, por lo que se deben enfocar los
esfuerzos a resolver estos problemas.
Pgina 182
Figura 4.11 Pareto de no conformidades
Pgina 183
Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se
presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las diferentes fuentes de no
conformidades.
Figura 4.12 Diagrama de Ishikawa de causas potenciales para la falla de soldadura
Seleccin del tamao de muestra

Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no conformidades o
defectos, sin embargo esto tambin depende de consideraciones econmicas y del proceso, si en
lugar de tomar 1 unidad de inspeccin, se toman n unidades de inspeccin, entonces los nuevos
lmites de control se pueden calcular por los siguientes mtodos:
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el factor n,
quedando como sigue ( c es la media de las no conformidades observada en la unidad de
inspeccin anterior):
Pgina 184
LSCnc nc 3 nc
LC nc nc
(4.18)
LICnc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los circuitos impresos
(es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSCnc nc 3 nc = (2.5)(19.67) + 3 (2.5)(19.67) 70.22

LC nc nc = (2.5)(19.67) = 49.18
LICnc nc 3 nc = (2.5)(19.67) - 3 (2.5)(19.67) 28.14
Carta de control de defectos por unidad U

Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de inspeccin,
entonces el promedio de no conformidades por unidad de inspeccin u es:
c
n
(4.19)
Como c es una variable aleatoria que sigue la distribucin de Poisson, los parmetros de la carta u
de nmero de no conformidades o defectos por unidad son:
LSC u u 3
u
n
LC u u
LSC u u 3
(4.20)
u
n
Donde u representa el nmero promedio de no conformidades por unidad en un conjunto de

datos preliminar. Los lmites anteriores se consideran lmites preliminares.
Pgina 185
Ejemplo 4.10 Para un fabricante de computadoras registrando los defectos en su lnea de

ensamble final. La unidad de inspeccin es una computadora y se toman 5 unidades de inspeccin
a un tiempo.
No conformidades
en cada 5 unidades carta u
10
9
12
5
8
7
14
11
10
12
16
6
11
8
7
10
10
7
15
5
Se calculan los lmites de control con:
__
Suma.de.no.conformida des
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
Pgina 186
U Chart of C6
Sample Count Per Unit
UCL=3.794
_
U=1.93
LCL=0.066
0
1
11
Sample
13
15
17
19
Figura 4.13 Carta de control de defectos por unidad U con tamao de muestra constante en
control estadstico
En la carta de control no se observa falta de control estadstico, por tanto los lmites preliminares
se pueden utilizar en corridas futuras.
MUESTRA VARIABLE CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la inspeccin 100% de
la produccin o lotes de producto, por tanto las unidades de inspeccin no son constantes. En esta
carta se tiene una lnea central constante y los lmites de control varan inversamente con la raz
cuadrada del tamao de muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:
Pgina 187
u
ni
LSCui u 3
LC u u
(4.21)
u
ni
LSCui u 3
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a
continuacin.
Unidades No conform
10
14
8
12
13
20
10
11
9.5
7
10
10
12
21
10.5
16
12
19
12.5
23
La lnea central es u
153
1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspeccin

De la grfica no se observan puntos fuera de control.
Pgina 188
U Chart of No conform
3.0
Sample Count Per Unit
2.5
UCL=2.436
2.0
_
U=1.423
1.5
1.0
0.5
LCL=0.411
0.0
1
5
6
Sample
10
Figura 4.14 Carta de control para defectos por unidad con tamao de muestra variable
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaos de muestra.
n
i 1
ni
m
(4.22)
2. Usando una de control estandarizada (opcin preferida). Se grafica Zi con lmites de control en
+3 y 3, lnea central cero.
Zi
ui u
(4.23)
u
ni
Pgina 189
Ejemplo 4.11 (Cont...) Estandarizando la carta se tiene:
Unidades NoConf SigmaU

10
8
13
10
9.5
10
12
10.5
12
12.5
U prom
14
12
20
11
7
10
21
16
19
23
Ui-Uprom
0.377261
0.42179
0.330879
0.377261
0.387061
0.377261
0.34439
0.368169
0.34439
0.337432
-0.02325581
0.07674419
0.11520572
-0.32325581
-0.68641371
-0.42325581
0.32674419
0.10055371
0.16007752
0.41674419
Zu
-0.06164
0.181949
0.34818
-0.85685
-1.7734
-1.12192
0.948761
0.273119
0.464814
1.235046
1.423256
La carta de control estandarizada para U, se encuentra en control estadstico como se muestra

abajo.
I Chart of Zu
3
UCL=3
Individual Value
2
1
_
X=0
0
-1
-2
-3
LCL=-3
1
5
6
Observation
Figura 4.15 Carta de control U estandarizada
Pgina 190
10
Sistema de demeritos
Con productos complejos, se identifican diversos tipos de defectos, desde los que se consideran
menores hasta los que ponen en riesgo la salud del usuario. Por lo cual es necesario dar una
ponderacin a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema posible es el
siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el campo, o puede causar
dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar una falla de
funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar funcionando, o puede
incrementar los costos de mantenimiento, o tener una mala apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene defectos de apariencia,
terminados o calidad de trabajo.
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC, ciD respectivamente
en la i-sima unidad inspeccionada. Se asume que cada clase de defectos es independiente y que
la ocurrencia de defectos de cada clase es modelada bien con la distribucin de Poisson. Entonces
se puede definir el nmero de demritos en la unidad de inspeccin por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD
(4.24)
Suponiendo que se toma una muestra de n unidades de inspeccin, entonces el nmero de

n
Demritos por unidad es (con
d
i 1
nmero total de demritos en todas las unidades de
inspeccin):
d
ui = D / n =
i 1
(4.25)
Pgina 191
Como u es una combinacin lineal de variables aleatorias independientes de Poisson, el estadstico

ui puede ser graficado en una carta de control con los parmetros siguientes:
LSC = u + 3 u
LC = u
(4.26)
LIC = u + 3 u,
Donde,
u 100u A 50u B 10u C 1u D

y
(4.27)
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
1/ 2
(4.28)
Los nmeros u A, u B, u C , u D, representan el nmero promedio de defectos de la clase A, clase B,

clase C y clase D respectivamente. Se determina a partir de datos preliminares tomados cuando el
proceso est en control estadstico.
La curva caracterstica de operacin

La curva caracterstica de operacin (OC) puede ser obtenida tanto para la carta c como para la
carta u a partir de la distribucin de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la media real del
numero de defectos c, se expresa como sigue:
P{x LSC c} P{x LIC c}
Donde x es una variable aleatoria de Poisson con parmetro c.
Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
P{x 33.22 c} P{x 6.48 c}

cmo las cantidades deben ser enteras, esto es equivalente a:
Pgina 192
(4.29)
P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribucin de Poisson como sigue:
C
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
C promedio
P(x<=33)
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
19.67
P(x<=7)
1.000
0.988
0.867
0.599
0.324
0.143
0.054
0.018
0.005
0.002
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Pa=Beta
0.000
0.012
0.133
0.401
0.676
0.857
0.946
0.982
0.994
0.997
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
Figura 4.16 Curva caracterstica de operacin de la carta C con media 19.67
Pgina 193
Para el caso de la carta u, la curva OC puede generarse con:
P{x LSC u} P{x LIC u}
P{c nLSC u} P{c nLIC u}
(4.30)
P{nLIC u c nLSC u}
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm

Las cartas por atributos c y u no son convenientes en estos casos ya que tendran ceros la mayor
parte del tiempo, una alternativa es graficar los intervalos de tiempo entre ocurrencias de los
defectos o eventos.
Asumiendo que los defectos ocurren de acuerdo a la distribucin de Poisson, entonces la

distribucin de tiempo transcurrido entre eventos sigue la distribucin exponencial, sin embargo
dara una carta de control muy asimtrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a una variable
aleatoria de Weibull de tal forma que sea una buena aproximacin a la normal. Si y representa la
variable aleatoria exponencial original, la transformacin adecuada es:
x = y1/3.6 = y0.277
(4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una distribucin
normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el nmero de horas
entre fallas como la variable a monitorear. En la pgina siguiente se muestra este ejemplo.
Pgina 194
5. OTRAS CARTAS DE CONTROL ESPECIALES

5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN
Cartas de control dnom
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de produccin sean cortas,
tomando las desviaciones respecto a la media de especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la dimensin nominal de la pieza A TA = 50mm,

y la dimensin nominal de la pieza B es TB = 25mm, cuando se produce las piezas A o B se toman
muestras y se evala la desviacin respecto a su media.
Muestra
Pieza
M1
M2
M3
D1
D2
D3
Media
Rango
1
2
3
4
5
6
7
8
9
10
A
A
A
A
B
B
B
B
B
B
50
49
48
9
24
25
27
25
24
26
51
50
49
53
27
27
26
24
25
24
52
51
52
51
26
24
23
23
25
25
0
-1
-2
-1
-1
0
2
0
-1
1
1
0
-1
3
2
2
1
-1
0
-1
2
1
2
1
1
-1
-2
-2
0
0
1.00
0.00
-0.33
1.00
0.67
0.33
0.33
-1.00
-0.33
0.00
2
2
4
4
3
3
4
2
1
2
Ver carta en la pgina siguiente.
Se deben cumplir 3 premisas para estas cartas:

1. La desviacin estndar debe ser la misma para todas las partes, sin esto no se cumple usar la
carta de medias estandarizada.
2. El procedimiento trabaja mejor cuando el tamao de muestra es constante para todas las
diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepcin de cuando se tiene
slo un lmite de especificacin.
Pgina 195
Xbar-R Chart of D1, ..., D3
Sample M ean
3.0
U C L=2.929
1.5
_
_
X=0.167
0.0
-1.5
LC L=-2.596
-3.0
1
10
Sample
U C L=6.950
Sample Range
6.0
4.5
_
R=2.7
3.0
1.5
0.0
LC L=0
1
10
Sample
Figura 4.1 Carta DNOM para corridas cortas
Cartas de control de medias rangos estandarizada

Si la desviacin estndar para las diferentes partes es diferente, se usan estas cartas. Sean
R i .....Ti el rango medio y el valor nominal de x para un nmero de parte especfico. Para todas las
muestras de este nmero de parte, graficar,
RS
R
Ri
(5.1)
Se toman de datos histricos o de especificaciones para el rango, o se puede estimar de con
R i Sd 2
c4
x
S
sus lmites de control son D3 y D4. Para la media graficar,
x Ti
Ri
(5.2)
La lnea central para la carta x estandarizada es cero, y sus lmites de control son LSC = A2 y LIC = A2 .
Pgina 196
Cartas de control por atributos

Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y LIC=-3. Los estadsticos
a graficar son:
Carta p
Zi
pi p
p(1 p) / n
Zi
Carta np
npi n p
n p(1 p)
(5.3)
Carta c
Zi
Carta u
Zi
ci c
c
ui u
u/n
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN

Cartas de control modificadas
Las cartas de control modificadas se utilizan cuando la variabilidad es pequea respecto a los
lmites de especificaciones, es decir el Cp es mucho mayor que 1. En este caso la media del
proceso puede variar sobre un rango permitido sin afectar el desempeo del proceso.
La carta de control modificada X esta diseada para detectar slo si la media verdadera del
proceso , est localizada de tal forma que el proceso genere una fraccin de productos no
conformes mayor de algn valor especificado .
Se permite que vare entre I y S de tal forma que no se exceda la fraccin defectiva . Se
asume que el proceso est normalmente distribuido y que sea conocida y est en control.
Pgina 197
LIEsp.
|---
6 ---|
LSEsp.
Figura 5.2 Proceso con habilidad alta, Cp>>1
LIE
LSE
Z
Z
n
LIC
LSC
Figura 5.3 Localizacin de los lmites de control
Donde:
I LIE Z
(5.4)
S LSE Z
Pgina 198
Donde Z es el punto superior 100(1-) de la distribucin normal, si se especifica un error , los

lmites de control superior e inferior son:
LSC S
Z
Z
LSE Z
n
n
LIC I
Z
Z
LIE Z
n
n
(5.5)
Lo comn es que Z =3.

En las cartas modificadas, es una fraccin no conforme que se acepta con una probabilidad (1-).
Si la variabilidad del proceso cambia, stas cartas no son apropiadas, de tal forma que se
recomienda siempre usar en forma adicional una carta R o S, de donde incluso se estime la
inicial.
Cartas de control de aceptacin

En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar un proceso que
opera en forma satisfactoria o de aceptarlo si opera en forma insatisfactoria.
Los lmites de control para este caso se basan en una n especificada y una fraccin no conforme
del proceso que nos gustara rechazar con una probabilidad (1-), por tanto:
LSC S
LIC I
LSE Z
n
n
(5.5)
LIE Z
n
n
Es posible tambin seleccionar un tamao de muestra de tal forma que se obtengan los
requerimientos para , , y . Igualando los lmites de control superiores:
Pgina 199
LSC LSE Z = LSE Z

n
n
Se obtiene
Z Z
n
Z Z
(5.6)
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20, haciendo los clculos se
obtiene una n = 31.43 32.
3.00 0.84
n
2.33 1.645
Ejemplo 5.3 De Duncan se tiene:29
LSE
=0.025
LSE-1.96
Amplitud de variacin
0.10
__
Aceptable para X
0.10
LIE+1.96
LIE
=0.025
Figura 5.4 Carta de control de aceptacin
29
Duncan A., Control de Calidad y Estadstica Industrial, Alfaomega, Mxico, 1989, pp. 527-530
Pgina 200
En la figura si suponemos que =0.025 y = 0.10, asumiendo un proceso normal, los lmites para la
carta de control de aceptacin estarn en:
LSC = LSE 1.96 - 1.282/ n

LIC = LIE + 1.96 + 1.282/ n
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL

Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta de control, la
distancia entre los lmites de especificacin debe ser mucho mayor que 6X, por lo que se puede
usar el concepto de la carta de control modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del lmite inferior de especificacin, y el

mximo que se le permite variar es hasta 3x abajo del lmite superior de especificacin. Esto
minimiza los ajustes a realizar durante las corridas de produccin. Se puede utilizar un valor
diferente de Z = 3 si se requiere una mayor proteccin en la fraccin defectuosa. Para este
problema tambin se puede utilizar la carta de regresin.
LSE
LSE-3x
Amplitud dentro de la cual
se espera encontrar las
medias de las piezas
Distribucin de x
_
LIE+3x
LIE
Fig. 5.5 Carta de control para desgaste de herramienta o material
Pgina 201
Como se puede observar, slo se puede emplear sta carta si la amplitud de los lmites de
especificacin es suficiente mayor a 6x para alojar la carta de control.
La pendiente b de la lnea central y lmites de control se pueden calcular por los mtodos
siguientes:
1. Dibujando una lnea central que pase por los puntos graficados y estimando en forma grfica
la pendiente.
2. Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de m muestras con el
nmero de muestra i = 1,2,3..m la pendiente b es (los datos se pueden codificar para
facilidad):
b [12 iX i /(m(m 2 1))] [6 X i /(m(m 1))]
(5.7)
3. Utilizando un paquete de computadora que incluye el clculo de mnimos cuadrados.

Los valores sugeridos de inicio y paro del proceso son 1, , 2 donde:
1 LIE 3 x LIE 3R / d 2
(5.8)
2 LSE 3 x LSE 3R / d 2
El nmero de puntos que tienen que pasar para llegar de 1, , 2 es:
M* = ( 1, - 2 ) / b
(5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste es indispensable
asegurarse que la carta de rangos est en control estadstico. En caso de que la media en lugar de
crecer, decrezca, las 1, , 2 se invierten:
_
Los lmites de control se encuentran a una distancia vertical A2 R de la lnea central.
Pgina 202
Ejemplo 5.4 El dimetro exterior de una vlvula tiene una especificacin de 1.1555 0.0005. Se
han tomado 13 muestras de 5 piezas cada una sin ajustar la herramienta de corte, en intervalos de
media hora. Los resultados son:
Muestra i
1
X i 1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 1.15570,

R i 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00010, 0.00020
Muestra 9
10
11
12
13
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590

R i 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
Los resultados obtenidos son:
R-medio=0.0001769;
LSCR=0.000374, = 0.000076053;
b = 0.0000492
1, , 2 son respectivamente 1.155228 y 1.155772

_
m* = 11.056, los lmites de control estn a A2 R = 0.5768(0.0001769)=0.000102.

Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE
Pendiente b
LSC
1,
LIC
LIE
Fig. 5.6 Tiempo t o nmero de muestras antes de ajuste
Pgina 203
5.4 CARTA DE PRECONTROL O DE ARCOIRIS

Es una tcnica usada para detectar irregularidades en el proceso, que pueden resultar en la
produccin de unidades fuera de especificaciones. Pre-control, principalmente se presta para el
uso de aparatos de medicin hechos previamente sobre los lmites de las especificaciones. El uso
de stos aparatos de medicin permite seleccionar fcilmente las unidades que proceden de las
que no. Pre-control es usado con frecuencia para determinar los valores de las variables del
proceso durante el perodo de arranque de la produccin.
Tambin se denomina carta de objetivo, utiliza los lmites de especificacin para su

establecimiento, situados a 3 es fcil de construir y usar, sin embargo, no permite mejorar el
proceso. La carta tiene tres reas:
ZONA ROJA
Lmite superior de especificaciones
ZONA AMARILLA
Esta zona comprende 1.5 o 7%
ZONA VERDE
ZONA AMARILLA
ZONA ROJA
Lmite inferior de especificaciones
Figura 5.7 Carta de Pre Control y sus zonas

En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga en la zona amarilla
y de 1/196 de que caigan dos consecutivas en sta zona, en este caso se considera que el proceso
se sali de control.
Pre-control se basa en la hiptesis de que si el proceso est operando correctamente, la

probabilidad de encontrar dos unidades fuera de los lmites de control consecutivamente es
demasiado pequea. Por lo tanto si dos unidades son encontradas consecutivamente fuera de los
lmites de control, es razn suficiente como para indicar una falla en el proceso.
Pgina 204
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del proceso (CEP) no
requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para reconocer patrones
de fallas no pueden ser usados. Dado que se requiere una cantidad muy pequea de muestras, es
riesgoso inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona informacin
suficiente para someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es mayor que uno (algunos
textos recomiendan como mnimo Cp=2)31, y cuando se han alcanzado cero defectos en el
proceso.
Definicin de los lmites de Pre-control.

Existen dos lmites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower Pre-control
limit(LPCL). Cada uno representa de la distancia entre el lmite de especificaciones inferior (LSL)
y el lmite de especificaciones superior (USL). La siguiente figura considera un proceso distribuido
de acuerdo a la distribucin normal.
LSL
LPCL
1
4
1
2
30
C p USL LSL
UPCL
3
4
USL
1
6 , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
31
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons, Inc., 1991, pp. 332334.
Pgina 205
Figura 5.8 Distribucin de reas de probabilidad para la carta de pre-control
Pasos a seguir para aplicar Pre-control.
A continuacin se muestran las reglas de uso de la carta:
1. Iniciar el proceso. Si el primer artculo sale de especificaciones, parar, corregir e iniciar de

nuevo. Debern caer en la zona verde.
2. Si un artculo cae en la zona amarilla, tomar un siguiente artculo. Si cae nuevamente en la
zona amarilla parar y corregir el proceso, de otra forma continuar.
3. Si 25 artculos consecutivos caen en la zona verde, reducir frecuencia de chequeo.
Dentro de
Especificaciones
Fuera de lmites
De Pre-control
Fuera de
Especificaciones
A
Inicie el
proceso
Verifique
1a. Unidad
Dentro de
Especificaciones
Fuera de lmites
De Pre-control
Verifique
2a. Unidad
Dentro de
Especificaciones
Fuera de EL OTRO
lmite de Pre-control
!
Variabilidad del
Proceso fuera de
Control.
Figura 5.9 Pasos a seguir para el Pre-Control
Pgina 206
Dentro de
de lmites
De Pre-control
Continuar el proceso.
Detener slo si DOS
Unidades consecutivas
Estan fuera de los
Lmites de
Pre-control
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a verificacin
intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta que una unidad
exceda algn lmite de Pre-control. Examine la siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer dentro de los
lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE

Se utiliza para procesos con muchas fuentes de produccin, por ejemplo diversos husillos que en
principio producen piezas similares. El usar una carta de control para cada husillo por separado
sera prohibitivo, sin embargo se tiene la alternativa de sta carta de control siempre que la
produccin entre husillos no est correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta completar 20 o 25
subgrupos, por ejemplo si se toman muestras de n = 4 de 6 husillos repetido en 20 subgrupos, se
habrn tomado 20 x 6 = 120 medias y rangos de n = 4 observaciones. De stos se calculan la media
de medias X y el R , los lmites de control se calculan como en una carta de medias-rangos

convencional con n = 4, en este caso A2 = 0.729, D3 = 0, D4 = 2.282:
LICX = X - A2 R
LICR = D3 R
LSCX = X + A2 R
LSCR = D4 R
(5.10)
Con los lmites de control trazados, se grafica despus slo la mayor y la menor de las 6 lecturas
promedio considerando todas las salidas o en este caso husillos de la mquina, si se encuentran en
control, se asume que las dems estn en control. Para el rango se grafica slo el mayor de todos
los rangos. Cada punto es identificado por el nmero de husillo o salida que lo produjo. El proceso
Pgina 207
se encuentra fuera de control si se algn punto excede los lmites de 3-sigma. No se pueden
aplicar pruebas de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una fila, puede ser
evidencia de que es diferente a los otros. Si el proceso tiene s salidas y si r es el nmero de veces
consecutivas que se repite como el mayor o el menor, el ARL para este evento es:
ARL 0
s r 1
s 1
(5.11)
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso est en control, se
esperar que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras.
Si esto sucede con ms frecuencia se debe sospechar que la salida es diferente a las dems.
Algunos de los pares adecuados de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones
dan ARLo adecuados.
5.6 CARTAS DE CONTROL Cusum

Las cartas de control de Shewart utilizan slo informacin acerca del proceso con los ltimos datos
del subgrupo, e ignoran la informacin de la secuencia completa de puntos, esto hace que estas
cartas de control sean insensibles a pequeos corrimientos de la media del proceso, de 1.5 o
menos. Los lmites preventivos y criterios mltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se pueden utilizar

como alternativa, las cartas de sumas acumuladas (cusum), y promedio mvil exponencialmente
ponderado (EWMA).
Cusum normal
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en esos casos la
carta de sumas acumuladas de Page, que funciona con n >=1 es mejor, ya que incorpora toda la
Pgina 208
informacin anterior en el valor de la muestra al graficar la suma acumulada de las desviaciones

con referencia a un valor objetivo 0. Si se colectan muestras de tamao n >= 1 siendo x j el valor
promedio de la muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la muestra i,
Ci ( x j 0 )
(5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de procesos
qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia arriba, la carta mostrar
una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo similar ya sea en
forma tabular o por medio de una mascara en V, como la mostrada en el ejemplo de las pginas
siguientes.
Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo una cierta
distancia de la posicin ideal de referencia (B). AtoBDist es esta distancia. Para asegurar la calidad,
se toman 5 mediciones al da durante el primer periodo de tiempo y despus 10 al da en un
siguiente periodo de tiempo.
AtoBDist
-0.44025
5.90038
2.08965
0.09998
2.01594
4.83012
3.78732
4.99821
6.91169
1.93847
-3.09907
-3.18827
5.28978
4.52023
3.95372
7.99326
4.98677
-2.03427
3.89134
1.99825
0.01028
-0.24542
2.08175
-4.86937
-2.69206
-3.02947
4.75466
1.1424
0.9379
-7.30286
-5.22516
-4.06527
-1.91314
2.0459
4.93029
0.03095
-2.80363
-3.12681
-4.57793
4.90024
1.28079
2.87917
1.83867
-0.75614
3.72977
3.77141
-4.04994
3.89824
1.76868
2.2731
-3.82297
-2.26821
Pgina 209
3.81341
-3.78952
-3.81635
-4.8882
-3.24534
-0.27272
-4.33095
-1.83547
-3.98876
-4.97431
-5.1405
-0.10379
2.21033
-1.15453
2.29868
5.15847
0.08558
-3.09574
5.16744
0.29748
-4.66858
-2.13787
-0.0045
0.18096
4.30247
-2.21708
5.03945
1.96583
-0.21026
0.27517
-5.32797

0.56182
-3.1896
7.93177
3.72692
3.83152
-2.17454
2.81598
2.99932
3.50123
-1.99506
-1.62939
2.14395
-1.90688
8.02322
-3.17924
-2.44537
1.36225
0.92825
-0.24151
-0.83762
-1.99674
-2.07973
0.01739
3.71309
1.72573
3.07264
0.15676
-0.05666
5.13041
-1.89455
0.95119
-5.15414
4.82794
0.13001
-0.09911
7.17603
5.86525
0.95699
-4.03441
-2.05086
-3.10319
-1.83001
Al llevar una carta X R en el subgrupo no se encontr una causa asignable, ahora se desea tratar
de detectar corridas pequeas en la media.
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.
Sample Mean
Xbar/R Chart for AtoBDist

5
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Figura 5.10 Carta de control X media R

Se puede observar que no detecta ninguna situacin anormal
Pgina 210
CUSUM Chart for AtoBDist
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
25
Subgroup Number
Figura 5.11 Carta de control Cusum
Se puede observar que detecta una situacin anormal debido a un corrimiento lento de la media
del proceso.
Otro ejemplo de Carta Cusum:

Considerar los datos siguientes con = 10 a 11 y una = 1:
Media = 10
Sigma = 1
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
Xi - 10
-0.55
-2.01
-0.71
1.66
2.16
0.18
-1.96
1.46
-0.8
0.34
-0.97
1.47
0.51
-0.6
0.08
-0.63
0.62
0.31
Pgina 211
Ci = (Xi-10) +
Ci-1
-0.55
-2.56
-3.27
-1.61
0.55
0.73
-1.23
0.23
-0.57
-0.23
-1.2
0.27
0.78
0.18
0.26
-0.37
0.25
0.56

19
20
21
22
23
24
25
26
27
28
29
30
Media = 11
Sigma = 1
8.52
10.84
10.9
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
-1.48
0.84
0.9
-0.67
2.29
1.5
0.6
1.08
0.38
1.62
1.31
0.52
-0.92
-0.08
0.82
0.15
2.44
3.94
4.54
5.62
6
7.62
8.93
9.45
I-MR Chart of Xi_1
Individual V alue
U C L=13
12
_
X=10
10
8
LC L=7
3
12
15
18
O bser vation
21
24
27
30
M oving Range
U C L=3.686
3
2
__
M R=1.128
1
0
LC L=0
3
12
15
18
O bser vation
21
24
27
30
Figura 5.12 Carta I-MR casi en control estadstico

CUSUM Chart of Xi
5.0
Cumulative Sum
UCL=4
2.5
0.0
-2.5
LCL=-4
-5.0
1
10
13
16
Sample
19
22
25
28
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
Pgina 212
Cusum en forma tabular

La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el objetivo con un
estadstico C+ o debajo de este con un estadistico C-, tambin llamados Cusums de lado superior o
inferior respectivamente. Se calculan como sigue:
max 0, (
C i max 0, xi ( 0 K ) C i1
C i
K ) xi C i1
(5.13)
(5.14)
donde los valores iniciales para C+ y C- son cero.
En las ecuaciones anteriores K es el valor de referencia y se selecciona como un valor intermedio

entre la 0 objetivo y la 1 fuera de control en la que estamos interesados en detectar.
As, si el corrimiento se expresa en unidades de desviacin estndar 1 = 0 + , entonces K es la
mitad de la magnitud del corrimiento:
K = / 2 = Valor absoluto de (1 - 0) / 2
(5.15)
Cuando cualquier estadstico C+ y C- excede el intervalo de decisin H, se considera al proceso

fuera de control. Un valor razonable para H es cinco veces el valor de .
Ejemplo: si 0 = 10, n=1, = 1, y asumiendo que se quiere detectar un corrimiento de 1 = 1, para
lo cual se utiliza H = 5 sigmas, se tiene:
1 = 10 + 1 = 11
K = = 1/2
H = 5 = 5
max 0,9.5 x
C i max 0, xi 10 .5 C i1
C i
C i1
Para el caso de i=1, con xi = 9.5 se tiene:

Pgina 213
C1 max 0,9.45 10 .5 0 0
C1 max 0,9.5 9.45 0 0.05
Para el caso de i=2, con xi = 7.99 se tiene:
C1 max 0,7.99 10 .5 0 0
C1 max 0,9.5 7.99 0.05 1.56
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la tabla de
siguiente:
a
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
xi - 10.5
-1.05
-2.51
-1.21
1.16
1.66
-0.32
-2.46
0.96
-1.30
-0.16
-1.47
0.97
0.01
-1.10
-0.42
-1.13
0.12
-0.19
-1.98
0.34
0.40
-1.17
1.79
1.00
0.10
0.58
-0.12
1.12
0.81
0.02
b
Ci+
0.00
0.00
0.00
1.16
2.82
2.50
0.04
1.00
0.00
0.00
0.00
0.97
0.98
0.00
0.00
0.00
0.12
0.00
0.00
0.34
0.74
0.00
1.79
2.79
2.89
3.47
3.35
4.47
5.28
5.30
Pgina 214
N+
0
0
0
1
2
3
4
5
0
0
0
1
2
0
0
0
1
0
0
1
2
0
1
2
3
4
5
6
7
8
9.5 - xi
0.05
1.51
0.21
-2.16
-2.66
-0.68
1.46
-1.96
0.30
-0.84
0.47
-1.97
-1.01
0.10
-0.58
0.13
-1.12
-0.81
0.98
-1.34
-1.40
0.17
-2.79
-2.00
-1.10
-1.58
-0.88
-2.12
-1.81
-1.02
Ci0.05
1.56
1.77
0.00
0.00
0.00
1.46
0.00
0.30
0.00
0.47
0.00
0.00
0.10
0.00
0.13
0.00
0.00
0.98
0.00
0.00
0.17
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
0
0
0
0
0
0
0
Corrida en Minitab
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
6.00
5.00
4.00
Ci+
3.00
Ci-
2.00
1.00
0.00
1
11
13
15
17
19
21
23
25
27
29
Figura 5.14 Carta Cusum en Excel para el ejemplo

CUSUM Chart of Xi_1
Cumulative Sum
5.0
UCL=5
2.5
0.0
-2.5
-5.0
LCL=-5
3
12
15
18
Sample
21
24
27
30
Figura 5.15 Carta Cusum en Minitab para el ejemplo

De la tabla de Cusum Tabular se observa que en el periodo 29 su C29+ fue de 5.28, lo que sugiere
una situacin fuera de control, usando el contador N+ cuyo valor es 7, indica que el ltimo punto
en control fue el 29 7 = 22, de tal forma que el corrimiento ocurri entre el periodo 22 y 23.
Pgina 215
Tambin se puede obtener una presentacin grfica de esta carta, denominada Carta de Estatus
de Cusum, graficando Ci+ y Ci- contra el nmero de muestra. Esto da una idea grfica al operador
del desempeo del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la causa asignable o
especial, tomar accin correctiva e iniciar de nuevo la Cusum Tabular.
Cuando el proceso se corre, la nueva media puede estimarse de:
0 K
0 K
C i
N
, si C i H
Ci
, si C i H
N
(5.16)
(5.17)
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso es,
10 0.5
5.28
11.25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Cuando se utiliza un tamao de subgrupo mayor a 1, en las frmulas anteriores se debe remplazar
a xi por x i y por la x =
, aunque se recomienda usar un tamao de muestra 1 con

n
frecuencia de muestreo mayor que para el equivalente de Shewart.

La carta Cusum tabular tambin se puede utilizar para un solo lado con C+ o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del mtodo tabular Cusum, es la mascarilla en V propuesta por
Barnard (1959), esta mascarilla es aplicada a valores sucesivos del estadstico,
Pgina 216
C i y j y i C i 1
(5.18)
j 1
donde yi = (xi - 0) / observacin estandarizada. Una mascarilla en V se muestra a continuacin:
Ci
2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 Carta de control Cusum con mascarilla en V
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con el punto O sobre
el ltimo valor de Ci y la lnea OP paralela al eje horizontal. Si todos los puntos anteriores C1,
C2,....,Cj se encuentran dentro de los dos brazos de la mascarilla, el proceso est en control, sin
embargo si cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de la
mascarilla, se considera al proceso fuera de control.
En la prctica, la mascarilla en V se debe colocar a cada punto tan pronto como es graficado, los
brazos de la mascarilla se asumen extendidos hasta el origen.
La operacin de la mascarilla en V est determinada por la distancia

al vrtice d y el ngulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
Pgina 217
k = A tan ()
(5.19)
h = A d tan () = d.k
(5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos en trminos de

unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = y h = 5, seleccionando A =1 se tiene
k = A tan ()
=> = (1) tan ()
= 26.57
de h = d.k
o
=> 5 = d (1/2)
d =10
Estos son los parmetros de la mascarilla en V.

Vmask Chart of AtoBDist
25
Cumulative Sum
20
15
10
Target=0
2
10
12
14
Sample
16
18
20
22
24
Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para AtoBDist
Corrida en Minitab con los datos de la Cusum Tabular:

Stat > Control Charts > Time weighted charts > CUSUM.
Pgina 218
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.

Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Vmask Chart of Xi
30
Cumulative Sum
20
10
Target=0
-10
1
10
13
16
Sample
19
22
25
28
Figura 5.18 Ejemplo de carta de control Cusum con mascarilla en V para Xi
Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con las frmulas
siguientes:
2A
tan 1
(5.21)
2 1
d 2 ln
(5.22)
Donde 2 es la mxima probabilidad de una falsa alarma cuando el proceso est en control y es
la probabilidad de no detectar un corrimiento de magnitud .
Pgina 219
ln( )
cuando es muy pequeo.
Ejemplo 5.7 si = 0.05 y = 0.05 y = 1, se obtiene la mascara en V siguiente:
2 1 0.05
d 2 ln
1 0.05 = 5.888
1
tan 1 26 .56
2
No se recomienda el uso de la mascarilla en V ya que tiene algunas desventajas como son:
1. Es un esquema de doble lado, no apta para control de un solo lado.

2. Es difcil determinar que tanto extender los brazos de la mascarilla en V, dificultando la
interpretacin del proceso.
3. Existe ambigedad asociada con alfa y beta.
Pgina 220
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE

PONDERADAS (EWMA)
El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:
z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso, de tal forma
que:
z 0 0 a veces igual a x
Si las observaciones xi son variables aleatorias independientes con varianza 2 , entonces la
varianza de zi es:

2i
1 (1 )
2
zi2
(5.24)
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:

2i
LSC 0 L
1 (1 )
2
LC 0
(5.25)
(5.26)

2i
LIC 0 L
1 (1 )
2
Pgina 221
(5.27)
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa, esto significa
que cuando la carta EWMA ha corrido durante varios periodos de tiempo, los lmites de control se
estabilizan en:
LSC 0 L
(5.28)
LC 0
LSC 0 L
(5.29)
(5.30)
Ejemplo Utilizando los datos de la carta Cusum con = 0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la
carta EWMA mostrada en la pgina siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la frmulas anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se incrementa i los lmites
se estabilizan en LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3 equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rpido como la hace la carta de
Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
Corrida en Minitab:
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estndar deviation 2.7
6. OK.
Pgina 222
EWMA Chart of AtoBDist

1.0
+2.7SL=0.967
EWMA
0.5
_
_
X=0
0.0
-0.5
-2.7SL=-0.967
-1.0
1
11
13 15
Sample
17
19
21
23
25
Figura 5.19 Ejemplo de carta de control EWMA
Otro ejemplo de carta EWMA:

Con los datos del ejemplo anterior, considerando una Lamda de 0.1, L = 2.7, 0=10, y la
desviacin estndar = 1, a continuacin se muestran los clculos de la carta EWMA:
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
Pgina 223

19
20
21
22
23
24
25
26
27
28
29
30
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
Los lmites de control son los siguientes:
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
LSC
10.2700
10.3632
10.4240
10.4675
10.4999
10.5247
10.5440
10.5591
10.5710
10.5805
10.5881
10.5942
10.5991
10.6030
10.6062
10.6087
10.6107
10.6124
10.6137
10.6148
10.6157
10.6164
10.6170
10.6174
10.6178
10.6181
10.6184
10.6186
10.6187
Pgina 224
LIC
9.7300
9.6368
9.5760
9.5325
9.5001
9.4753
9.4560
9.4409
9.4290
9.4195
9.4119
9.4058
9.4009
9.3970
9.3938
9.3913
9.3893
9.3876
9.3863
9.3852
9.3843
9.3836
9.3830
9.3826
9.3822
9.3819
9.3816
9.3814
9.3813

30
10.52
10.6341
10.6189
9.3811
10.8
10.6
10.4
10.2
10
EWMA, Zi
9.8
9.6
LSC
LIC
9.4
9.2
9
8.8
8.6
1
11
13
15
17
19
21
23
25
27
29
Figura 5.20 Carta EWMA graficada en Excel

La carta con Minitab es:
1. Stat > Control Charts > Time weighted charts > EWMA
2. In Single column, seleccionar Xi. In Subgroup size, poner 1.
3. Weight of EWMA 0.1
4. EWMA Options > Parameters Mean 10.0 Standar Deviation 1
S Limits These multiples of the estndar deviation 2.7
6. OK.
EWMA Chart of Xi_1

10.75
+2.7SL=10.619
10.50
EWMA
10.25
_
_
X=10
10.00
9.75
9.50
-2.7SL=9.381
3
12
15
18
Sample
21
24
27
Figura 5.21 Carta EWMA graficada en Excel
Pgina 225
30
5.8 CARTA DE CONTROL DE MEDIA MOVIL

Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar pequeas
corridas de la media. Asumiendo que se define un rango de observaciones w en el tiempo i, su
media mvil es:
Mi
xi xi 1 ..... xi w1
w
(5.31)
Los lmites de control son:
LSC 0
3
w
(5.32)
LC 0
LIC 0
(5.33)
3
w
(5.34)
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadstico M i para
periodos i 5.
Mi
xi xi 1 ....xi 4
5
(5.35)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media mvil para los datos del ejemplo anterior con un tamao de corrida de
5 es la siguiente:
Corrida en Minitab:
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Pgina 226
Moving Average Chart for AtoBDist

5
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
Figura 5.22 Ejemplo de carta de control de Media mvil
Otro ejemplo de carta de media mvil:

Se quiere monitorear el peso en libras de 45 lotes de arena embarcados semanalmente a un
cliente. Cada lote pesa aproximadamente 930 libras. Comparar el monitoreo con una carta I-MR y
una carta de promedio mvil.
Los datos son los siguientes:

Weight
905
930
865
895
905
885
890
930
915
910
920
915
925
860
905
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
Pgina 227

925
925
905
915
930
890
940
860
980
950
955
970
970
1035
1040
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio mvil es:
Moving Average Chart of Weight

1025
Moving Average
1000
UCL=979.6
975
950
_
_
X=936.9
925
900
LCL=894.1
875
850
4
12
16
20
24
Sample
28
32
36
Figura 5.23 Carta de media mvil del ejemplo

La carta I-MR es la siguiente:
Pgina 228
40
44
I-MR Chart of Weight

1050
1 1
Individual Value
U C L=1010.9
1000
_
X=936.9
950
900
850
12
LC L=862.8
16
20
24
O bser vation
28
32
36
40
44
M oving Range
100
U C L=91.0
75
50
__
M R=27.8
25
0
LC L=0
4
12
16
20
24
O bser vation
28
32
36
40
44
Figura 5.25 Carta I-MR del ejemplo

Se observa una mejor deteccin de corrida de la media en la carta EWMA
Ejemplo de media mvil:
Usando los datos siguientes con M = 5, con desviacin estndar = 1 y media = 10:
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
Mi
9.450
8.720
8.910
9.598
10.110
10.256
10.266
10.700
10.208
9.844
9.614
10.300
10.110
10.150
10.098
10.166
9.996
9.956
LSC
13.0000
12.1213
11.7321
11.5000
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
Pgina 229
LIC
7.0000
7.8787
8.2679
8.5000
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584

19
20
21
22
23
24
25
26
27
28
29
30
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
9.780
9.932
10.238
9.980
10.376
10.972
10.924
10.960
11.170
11.036
10.998
10.982
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
14.00
13.00
12.00
Xi
11.00
Mi
10.00
LSC
9.00
LIC
8.00
7.00
6.00
1
11
13
15
17
Figura 5.26 Carta de media mvil en Excel
Pgina 230
19
21
23
25
27
29
6. ANLISIS DE CAPACIDAD DEL PROCESO

6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la variabilidad y a mejorar
la capacidad de los procesos.
Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
Ancho 9
Nigels Trucking Co.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos,

materiales y personas involucradas en la produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el

desempeo probado, para lograr resultados que se puedan medir.
Pgina 231
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a
partir de datos que, a su vez, son el resultado de la medicin del trabajo realizado por el
proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso

que se encuentra en estado de control estadstico, es decir, en ausencia de causas
especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan
cierta variabilidad, cuando el proceso est bajo control, solo actan las causas comunes de
variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que es el que
desearamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos siguientes:
1. Predecir que tanto cumplir las tolerancias especificadas el proceso.

2. Apoyar a los diseadores en la seleccin o modificacin de un proceso.
3. Soportar la determinacin de intervalos de muestreo para monitoreo del proceso.
4. Determinar el desempeo de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo de procesos o
tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad de los

procesos medida como la variabilidad del producto, hay dos formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).
2. La variabilidad en el tiempo.
Pgina 232
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de la caracterstica

de calidad del producto como medida de la capacidad del proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en
3 , o sea:
LTNS = + 3
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la variable, slo el
0.27% (2700 ppm) de la salida del proceso se encontrar fuera de estos limites de tolerancia
naturales. Sin embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto
se esquematiza en la figura siguiente:
.00135 LTNI
LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se encuentran:
Histogramas o papel de probabilidad, cartas de control y experimentos diseados.
LSE
LIE
s
p
xi
_
X
Fig. 6.2 Fraccin defectiva fuera de especificaciones
Pgina 233
p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.

En el rea sombrada observamos medidas fuera de los lmites de especificacin.
Para solucionar este problema, podemos reducir la desviacin estndar.
Tambin podramos cambiar la media.
Lo ideal sera, por supuesto cambiar ambas.
Figura 6.3 Algunas alternativas para mejorar la capacidad
Condiciones para realizar un estudio de capacidad del proceso

Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos 32:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso est fuera de control la media y/o la desviacin estndar del
proceso no son estables y, en consecuencia, su variabilidad ser mayor que la natural y la
32
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 234
capacidad potencial estar infravalorada, en este caso no es conveniente hacer un estudio de

capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de

muestreo para los ndices de habilidad. Si los datos se componen de menos de 100 valores,
entonces deben calcularse los lmites de confianza inferiores.
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las
condiciones del proceso presentes durante el estudio sean representativos de las condiciones
actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad normal, de otra

manera, los porcentajes de los productos asociados con los ndices de capacidad son
incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la variacin en el

sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de tiempo
suficientemente corto para que sea improbable que haya cambios y otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos considerados, slo son
los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales
importantes.
Figura 6.4 Variabilidad a corto plazo
Variacin a Largo Plazo(Zlt)
Los datos son
recogidos durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea probable que
Pgina 235
contenga algunos cambios de proceso y otras causas especiales. Aqu todas las familias de
variacin exhiben su contribucin en la variacin del proceso general.
Figura 6.5 Variabilidad a largo plazo
Para el clculo de Z utilizamos las siguientes formulas:
Z st
Z LT
lmite especif . nom.

desv.std ST
(6.1)
lmite especif . media

desv.std LT
dnde:
Zst = variacin a corto plazo.

nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estndar.
Zlt = Zst-1.5shift
6.2 NDICES DE CAPACIDAD

ndice de capacidad potencial Cp
Pgina 236
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin permitida por las
especificaciones entre la amplitud de variacin entre los lmites de tolerancia naturales del
proceso.
Cp PCR
LSE LIE
6
(6.2)
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la
carta R se estim
R
0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE LIE) / 6

= (74.05 73.95) / 6 (0.0099) = 1.68
La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por el proceso.
1
100
P
Cp
(6.3)
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial Cp o PCR se

define como:
Cps PCRS
LSE
3
para el lmite superior
Cpi PCRI
LIE
3
para el lmite inferior
Pgina 237
(6.4)
Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
Cp PCR I
264 200 64
0.67
3(32 )
96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
ZI
LIE
200 264
2
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en partes por milln (ppm)
que estn fuera de especificaciones se muestran a continuacin:
Cp 1-lado
0.25
0.5
0.6
0.7
0.8
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
2
226,628
66,807
35,931
17,865
8,198
1,350
484
159
48
14
4
1
0.17
0.0009
2-lados
453,255
133,614
71,861
35,729
16,395
2,700
967
318
96
27
7
2
0.34
0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67 para procesos
crticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma.
Pgina 238
Este ndice no toma en cuenta la localizacin relativa de la media del proceso respecto a los lmites
de especificaciones. Por lo que es necesario otro ndice adicional.
ndice de capacidad real Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso
se denomina Cpk o PCRk, y se evala tomando el mnimo entre los Cps correspondientes a cada
lado de la media, como sigue,
Cpk PCRk min ( PCR S , PCR I ) debe ser mayor a 1

(6.5)
donde,
Cps PCRS
LSE
3
para el lmite superior
Cpi PCRI
LIE
3
para el lmite inferior
(6.6)
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62, LIE=38, la media del
proceso sea =53 y su desviacin estndar =2, se tiene:
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCRI
53 38
2.5 para el lmite inferior
32
Por tanto, el ndice de capacidad real es:
Cpk PCRk min ( PCR S , PCR I ) min (1.5,2.5) 1.5
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano a la media del
proceso. Siempre se cumple que,
Pgina 239
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado

NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un comportamiento

normal, si no es as, puede ser necesario transformar los datos con alguna funcin matemtica
para dar la apariencia de normalidad, por ejemplo la distribucin siguiente de acabado superficial
en una parte maquinada no es normal:
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribucin
transformada es la siguiente (ver mtodo de Box Cox con Lamda ptima en Minitab):
Frec.
b)
Y=1/x
Figura 6.6 Transformacin de datos para normalizarlos
Lo cual representa una distribucin normal.
Pgina 240
ndice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm

Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
LIE
PROCESO A: Cpk = 1
LSE
LIE
LSE
PROCESO B: Cpk =1
Figura 6.7 Procesos con Cpk = 1 pero con centrado diferente
NDICE DE CAPACIDAD Cpm

Un nuevo ndice Cpm que toma en cuenta el centrado es el siguiente:
Si T
1
( LSE LIE)
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp m PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
Una condicin necesaria para que Cpm sea mayor de uno es:
1
6
T ( LSE LIE)
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:

Pgina 241
(6.10)
Lmites de especificacin: LIE = 38, LSE = 62, T = 50

Proceso A:
Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5
1
1.0
1 0
Entonces Cpm (A) =
Cpm (B) =
2
1 (3) 2
0.63
Por tanto es mejor el proceso A, centrado en la media.
NDICE DE CAPACIDAD Cpkm

En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992), que toma en
cuenta el descentrado de la media del proceso respecto de la media de especificaciones, o sea:
Cp pmk PCRpmk
Cpk
(6.11)
1 2
Cuando T es igual a X media del proceso, Cpkm = Cpk
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), despus de que el proceso se estabiliz
quedando slo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06
Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:

= X media de medias
= Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326]
Si el lmite de especificacin es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las especificaciones
Pgina 242
Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
a) Determinar la desviacin estndar del proceso
b) Determinar los lmites de tolerancia natural del proceso
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE

PROBABILIDAD NORMAL
Histograma
Para el estudio se requieren alrededor de 100 o ms observaciones para permitir que el proceso
se estabilice, deben seguirse los pasos previos siguientes:
Procedimiento:
Pgina 243
1. Seleccionar un proceso especfico para realizar el estudio

2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviacin estndar de la muestra S, proporciona

informacin acerca de la capacidad del proceso.
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los datos se muestran se
muestran a continuacin.
HIST
265
205
263
307
220
268
260
234
299
215
197
286
274
243
231
267
281
265
214
318
346
317
242
258
276
300
208
187
264
271
280
242
260
321
228
250
299
258
267
293
265
254
281
294
223
260
308
235
283
277
200
235
246
328
296
276
264
269
235
290
221
176
248
263
231
334
280
265
272
283
265
262
271
245
301
280
274
253
287
258
261
248
260
274
337
250
278
254
274
275
278
250
265
270
298
257
210
280
269
251
Pgina 244
Summary for HIST

A nderson-Darling N ormality Test
180
210
240
270
300
A -S quared
P -V alue
0.75
0.049
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
264.06
32.02
1025.15
-0.129448
0.518454
100
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
330
176.00
248.00
265.00
280.00
346.00
95% C onfidence Interv al for M ean

257.71
270.41
95% C onfidence Interv al for M edian

260.00
271.00
95% C onfidence Interv al for S tDev

9 5 % C onfidence Inter vals
28.11
37.19
Mean
Median
258
260
262
264
266
268
270
Figura 6.8 Resumen grfico de los datos
X 264.06
S = 32.02
Consecuentemente la capacidad el proceso se estima en X 3S
264 96 psi.
Esta primera estimacin de la capacidad es independiente de las especificaciones.
Papel de probabilidad normal

Es una herramienta que permite evaluar la capacidad aproximada del proceso con resultados
parecidos a los del histograma pero con un nmero menor de muestras y sin las operaciones del
histograma, a continuacin se muestra un ejemplo de esta herramienta.
Pgina 245
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable en intervalos de clase
como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la lnea de ajuste
4. Permite identificar la media y la desviacin estndar aproximada del proceso. As como la
fraccin defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente, asignndoles una posicin (
j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el proceso y se procede a
hacer las identificaciones:
La media corresponde al percentil 50 y la desviacin estndar es estimada por la diferencia del

percentil 84 menos el percentil 50,
La media ser el punto en X correspondiente a Pj = 0.5

La desviacin estndar es la diferencia en Xj corresp. a Pj = 0.5 y Pj = 0.84
Ejemplo 6.5 .-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)
Pgina 246
Pos. J
1
2
3
4
5
6
7
8
9
10
Valor Xj
197
200
215
221
231
242
245
258
265
265
Pj
0.025
0.075
0.125
0.175
0.225
0.325
0.325
0.375
0.425
0.475
Pos. J
11
12
13
14
15
16
17
18
19
20
Xj
271
275
277
278
280
283
290
301
318
346
Pj
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975
Con ayuda del grfico podemos obtener la media, la desviacin estndar y el porcentaje de valores
que se encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
Figura 6.9 Capacidad del proceso con papel normal
El trazo normal es el siguiente:

El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se est analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse
usando una lnea slida como modelo. Por ejemplo, slo ms del 20% de los datos del proceso
seran valores de 225 o inferiores.
Pgina 247
Ejemplo 6.6 Clculo de capacidad con papel normal en Minitab

Datos
271
275
277
278
280
283
290
301
318
346
197
200
215
221
231
242
245
258
265
265

Normal
99
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
150
200
250
Datos
Pgina 248
300
350
262.9
38.13
20
0.262
0.667
De este diagrama se obtiene:
262.9
298 262 .9 35 .1 psi

Note que los valores no difieren mucho de los del histograma con media 264.06 y desviacin
estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de las
especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin LIE en 200 psi, se
observa que se tiene un 5% aproximadamente fuera de especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn resultados
inexactos. Cuando los procesos son ligeramente anormales se pueden utilizar los mtodos de
Pearson, transformar los datos por Box Cox o usar Weibull.
Capacidad del proceso con cartas de control

La carta de control es un mejor instrumento para evaluar la capacidad del proceso porque se
puede observar que el proceso est en control ya sea en forma instantnea o durante el tiempo
antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas asignables que
puedan ser corregidas, y la nica alternativa para reducir la variabilidad es con la intervencin de
la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable impredecible.
Pgina 249
?
?
Figura 6.10 Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso estable. La distribucin
ser predecible en el tiempo.
Prediccin
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control

Clculo de la desviacin estndar del proceso
R
S

(Para cartas de control X-R y X-S respectivamente)
C4
d2
Donde,
El factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan los ndices de
desempeo Pp y Ppk.
Pgina 250
S = Desviacin estndar de la poblacin

d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
Ejemplo 6.7 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, despus de que el
proceso se estabiliz quedando slo con causas comunes:
= 64.06 ,
= 77.3
x media de medias
R
77 .3
33 .23
d 2 2.326
Si el lmite de especificacin es: LIE = 200.
El C pk
200 264.06 =
3 33.23
0.64 por tanto el proceso no cumple con las especificaciones.
Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, despus de que el
proceso se estabiliz quedando slo con causas comunes:
x 100
Pgina 251
x 100, s 1.05
s
1.05
=
1.117
C 4 .094
C4 para n = 5 tiene el valor 0.94
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El C pk
105 100 1.492
El C p
105 85 2.984
3 1.117
6 1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
Capacidad de procesos con Minitab: normales y no normales

Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar S = 32.02 con
1. Calc > Random data > Normal

2. Generate 100 Store in columns C1 Mean 264.06 Estndar deviation 32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue:
3. Stat > Basic statistics > Normalita Test

4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 252

Normal
99.9
Mean
StDev
N
RJ
P-Value
99
Percent
95
90
269.3
30.72
100
0.994
>0.100
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
Datos
300
350
Fig. 6.12 Datos normales Pvalue mayor a 0.05

Otra opcin por medio de una grfica de probabilidad normal, se tiene:
5. Graph > Probability plot > Normal

6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la
distribucin.

Normal - 95% CI
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
300
350
400
Datos
Fig. 6.13 Datos normales Pvalue mayor a 0.05
Pgina 253
269.3
30.72
100
0.317
0.533
Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Process Capability of Datos

LSL
USL
P rocess D ata
LS L
200.00000
Target
*
USL
330.00000
S ample M ean
269.25354
S ample N
100
S tD ev (Within)
30.83472
S tD ev (O v erall)
30.80011
Within
Ov erall
Cp
0.70
C PL
0.75
C PU
0.66
C pk
0.66
C C pk 0.70
Pp
PPL
PPU
P pk
C pm
210
P P M < LS L
10000.00
P P M > U S L 30000.00
P P M Total
40000.00
240

P P M < LS L 12353.30
P P M > U S L 24415.36
P P M Total
36768.66
270
300
330
0.70
0.75
0.66
0.66
*
360

P P M < LS L
12272.69
P P M > U S L 24288.79
P P M Total
36561.48
Fig. 6.14 Capacidad del proceso

Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2 (1.128 para n = 2), con
esta se determinan los ndices de capacidad potencial Cp y real Cpk, lo cual es adecuado para un
proceso en control o normal.
Pgina 254
La desviacin estndar Overall se determina con la desviacin estndar de todos los datos de la
muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan
los ndices de desempeo Pp y Ppk as como el desempeo Overall, no importando si el proceso
est en control o no, en este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack

Para mostrar toda la informacin relevante:
Determinar la capacidad con:

4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Process Capability Sixpack of Datos

Individual Value
I C har t
C apability H istogr am
UCL=361.8
320
_
X=269.3
240
160
LCL=176.7
1
10
20
30
40
50
60
70
80
M oving Range C har t
100
210
100
50
270
300
330
360
Nor mal P r ob P lot

A D : 0.317, P : 0.533
UCL=113.6
__
MR=34.8
LCL=0
1
10
20
30
40
50
60
70
80
90
100
Last 2 5 O bser vations
200
300
400
C apability P lot
Within
S tDev 30.83472
Cp
0.70
C pk
0.66
C C pk
0.70
300
Values
240
Moving Range
90
250
200
Within
Overall
O v erall
S tDev 30.80011
Pp
0.70
P pk
0.66
C pm
*
Specs
80
85
90
Observation
95
100
Figura 6.15 Resultados de capacidad del proceso Six Pack
En este caso de la grfica de probabilidad normal, los datos siguen una distribucin normal.
Pgina 255
Capacidad de procesos no normales.

Cuando los datos provienen de poblaciones no normales una opcin para realizar el estudio de
capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es referente a la
deformacin en las mismas. Se toman 100 mediciones durante 10 das. El lmite superior de
especificacin (USL) = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala = 1 con
6. Calc > Random data > Weibull

7. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter 1 Threshold
parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:

7. Stat > Quality tools > Capability anlisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5

El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y los datos, ya
que la curva muestra buen ajuste. Sin embargo observamos que algunos datos caen fuera del
lmite superior de especificacin. Lo cual quiere decir que en algunos casos la deformacin ser
mayor a 3.5 mm.
Pgina 256
Process Capability of Datos1
Calculations Based on Weibull Distribution Model

USL
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S hape
S cale
Pp
*
PPL
*
PPU
0.85
P pk
0.85
*
*
3.50000
0.82279
100
1.24929
0.88470

P P M < LS L
*
P P M > U S L 3795.26
P P M Total 3795.26
P P M < LS L
*
P P M > U S L 10000
P P M Total
10000
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
Fig. 6.16 Determinacin de la capacidad del proceso por Weibull - Datos no normales
El ndice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeo del proceso no es capaz ya que
0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
Anlisis de capacidad con experimentos diseados

El diseo de experimentos es un mtodo sistemtico para variar el nivel de los parmetros
controlables del proceso y analizar sus efectos en los resultados finales o productos. De esta forma
se puede determinar el nivel de los parmetros que optimizan el proceso.
33
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a
largo plazo.
Pgina 257
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN

Con formato: Ttulo 3, Izquierda,
Interlineado: sencillo
Error rror del equipo de medicin

En cualquier problema que involucre mediciones, de la variabilidad total parte de la variabilidad
observada es debida al producto mismo y parte es debida a la variacin del equipo de medicin, o
sea:
2
2
total
2producto equipo
.medicin
(6.13)
Ejemplo 6.8 Tomando 20 partes y evalundolas 2 veces por un mismo operador con el mismo
instrumento de medicin, se obtienen los resultados mostrados a continuacin:
PARTS OP1IN1 OP1IN2 X-media
1
21
20
20.5
2
24
23
23.5
3
20
21
20.5
4
27
27
27
5
19
18
18.5
6
23
21
22
7
22
21
21.5
8
19
17
18
9
24
23
23.5
10
25
23
24
11
21
20
20.5
12
18
19
18.5
13
23
25
24
14
24
24
24
15
29
30
29.5
16
26
26
26
17
20
20
20
18
19
21
20
19
25
26
25.5
20
19
19
19
Figura 6.16 Cartas X-R del estudio
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
Con formato: Espaol (Mxico)
Pgina 258

Xbar-R Chart of C1, ..., C2

30
Sample M ean
1
1
25
U C L=24.18
_
_
X=22.3
LC L=20.42
20
1
1
11
Sample
13
15
17
19
U C L=3.267
Sample Range
2
_
R=1
LC L=0
1
11
Sample
13
15
17
19
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal ya que se espera que
el instrumento distinga las diferentes unidades de producto.
La
carta
representa
las
diferencias entre mediciones de la misma unidad con el mismo instrumento. En este caso la carta
R est en control, indicando que el operador no tiene dificultad para realizar las mediciones en
forma consistente. Si hubiera puntos fuera de control, indica que el operador tiene dificultad para
utilizar el instrumento.
La desviacin estndar del error de medicin, instrumento puede estimarse como:
instrumento
R
1 .0
0.887
d 2 1.128
Como la distribucin del error de medicin es aproximadamente normal, entonces 6instrumento es

un buen estimador de la capacidad del instrumento de medicin.
Pgina 259
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de medicin se puede
asignar al error del instrumento de medicin.
Es usual comparar la capacidad del instrumento de medicin contra el rango de las

especificaciones (LSE LIE), denominado P/T, como sigue:
P 6 instrumento
T LSE LIE
(6.14)
Para el caso del ejemplo se tiene:
P 6(0.887) 5.32
0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del instrumento de medicin.
Basado en su precisin debe ser al menos de 0.1 de la tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del
instrumento de medicin. Por tanto,
2
total
S2
2
2
2producto total
instrument
o
De los datos del ejemplo se tiene:

Variable
OP1IN1
N
40
Mean Median
22.300 21.500
TrMean StDev SE Mean

22.167 3.172 0.502
2
total
S 2 = 3.17 x 3.17 = 10.0615
2
2
2producto total
instrument
o = 10.0615 0.7867 = 9.2748
Por tanto la desviacin estndar de la caracterstica del producto es:
Pgina 260
= 3.045
La variabilidad del instrumento de medicin tambin puede expresarse como un porcentaje de la

variabilidad de la caracterstica del producto como sigue:
instrumento
x100
producto
(6.15)
Para el ejemplo se tiene:
instrumento
0.887
x100 29.13%
x100 =
3.045
producto
6.6.2 Rrepetibilidad y reproducibilidad (R&R)

Se pueden determinar los componentes del error debidos a diferentes operadores (repetibilidad)
y debidos al instrumento de medicin en s (reproducibilidad).
2
2
2
error
.medicin repetibilidad reproducibilidad
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores, haciendo 2 intentos
cada uno como sigue.
PARTS
1
2
3
4
5
6
7
8
OP1IN1 OP1IN2 RANGO1 OP2IN1

21
20
1
20
24
23
1
24
20
21
1
19
27
27
0
28
19
18
1
19
23
21
2
24
22
21
1
22
19
17
2
18
OP2IN2 RANGO2 OP3IN1

20
0
19
24
0
23
21
2
20
26
2
27
18
1
18
21
3
23
24
2
22
20
2
19
Pgina 261
OP3IN2 RANGO3
21
2
24
1
22
2
28
1
21
3
22
1
20
2
18
1
Tabla con formato

9
10
11
12
13
14
15
16
17
18
19
20
PARTS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
23
1
25
23
2
21
20
1
18
19
1
23
25
2
24
24
0
29
30
1
26
26
0
20
20
0
19
21
2
25
26
1
19
19
0
OP1IN1 OP1IN2 RANGO1
21
20
1
20
24
23
1
24
20
21
1
19
27
27
0
28
19
18
1
19
23
21
2
24
22
21
1
22
19
17
2
18
24
23
1
25
25
23
2
26
21
20
1
20
18
19
1
17
23
25
2
25
24
24
0
23
29
30
1
30
26
26
0
25
20
20
0
19
19
21
2
19
25
26
1
25
19
19
0
18

25
23
2
26
25
1
20
20
0
17
19
2
25
25
0
23
25
2
30
28
2
25
26
1
19
20
1
19
19
0
25
24
1
18
17
1
20
0
19
21
24
0
23
24
21
2
20
22
26
2
27
28
18
1
18
21
21
3
23
22
24
2
22
20
20
2
19
18
23
2
24
24
25
1
24
25
20
0
21
20
19
2
18
19
25
0
25
25
25
2
24
25
28
2
31
30
26
1
25
27
20
1
20
20
19
0
21
23
24
1
25
25
17
1
19
17
La media de los rangos medios para cada operador es:
1
1
R ( R1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
por tanto la desviacin estndar de la repetibilidad es:
Pgina 262
24
24
24
25
21
20
18
19
25
25
24
25
31
30
25
27
20
20
21
23
25
25
19
17
2
1
2
1
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
0
1
1
1
0
1
1
2
0
2
0
2
repetibilidad
R
1.15
1.02
d 2 1.128
tomando d2 para n=2 lecturas
La reproducibilidad es causada por diferencias entre los 3 operadores, es decir,
x max max( x1 , x 2 , x 3 )
x min min( x1 , x 2 , x 3 )
R x max x min
x
reproducibilidad
Rx
d2
considerando el nmero de operadores.
Del ejemplo, se tiene que para 3 operadores, d2 =1.693, por tanto:

xmax = 22.60, xmin =22.28 y Rx=0.32, y
reproducibilidad = 0.32/1.693 = 0.19
Por tanto la variabilidad total del error de medicin es:

2
2
2
2
2
instrument
.medicin repetibilidad reproducibilidad = 1.02 + 0.19 = 1.08
instrumento.medicin = 1.04
Con formato: Fuente:

(Predeterminado) Courier New, 11 pto
La relacin P/T = 6 (1.04) / (60-5) = 0.11

(Predeterminado) Courier New
Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas siguientes (tomando
5.15 sigmas):

Gage R&R Study - XBar/R Method

Gage R&R for OP1IN1

Gage name:
Date of study:
Reported by:


DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
Pgina 263


Tolerance:
Misc:

Source
Variance
%Contribution
(of Variance)
Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation
1.0424
1.0394
0.0030
9.4801
10.5225
9.91
9.88
0.03
90.09
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation
1.02096
1.01950
0.05449
3.07898
3.24384
5.2579
5.2504
0.2806
15.8568
16.7058

%Study Var
(%SV)
31.47
31.43
1.68
94.92
100.00
%Tolerance
(SV/Toler)
9.56
9.55
0.51
28.83
30.37
Number of distinct categories = 4
De esta forma cuando se toman en cuenta ambas la repetibilidad y la reproducibilidad, la

capacidad del sistema de medicin se reduce. Es necesario entrenar al operador en el uso del
instrumento de medicin y en todo caso a encontrar otro equipo de medicin.
Pgina 264
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
6.6.3 R&R Capacidad de los sistemas de medicin - AIAG

En muchas ocasiones las organizaciones no consideran el impacto de no tener sistemas de
medicin de calidad, el hecho de que las mediciones no sean exactas puede llevar a cometer
errores en el clculo, y en los anlisis y conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede caer en el riesgo de
rechazar artculos que estn en buen estado o aceptar artculos que estn en mal estado. Por otro
lado si los instrumentos de medicin no estn calibrados correctamente tambin se pueden
cometer errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de medicin
deficiente que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos innecesarios de
reproceso al reparar un proceso de manufactura o de servicios, cuando la principal fuente de
variacin se deriva del sistema de medicin.
Posibles Fuentes de la Variacin del Proceso
Variacin del proceso
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Calibracin
Figura 6.18 Diagrama de variabilidad observada en el proceso
Pgina 265
Sesgo

(Predeterminado) Calibri, 11 pto
Con formato: Ttulo 4
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas por diferentes

operadores que utilizan un mismo instrumento de medicin cuando miden las mismas
caractersticas en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Figura 6.19 Evaluacin de la reproducibilidad
Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento de medicin,

cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas
caractersticas en una misma parte.
REPETIBILIDAD
Figura 6.20 Evaluacin de la repetibilidad
Valor verdadero: Valor correcto terico / estndares NIST34
34
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico

se tiene el CENEAM o el Centro Nacional de Metrologa
Pgina 266
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud : Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Resolucin: La medicin que tiene exactitud y precisin.
Preciso pero no exacto
Exacto pero no preciso
Exacto y preciso
(resolucin)
Figura 6.21 Evaluacin de la precisin y exactitud
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de medicin, hechas
sobre el mismo patrn o sobre las mismas partes, cuando se mide una sola de sus caractersticas,
durante un perodo de tiempo prolongado.
Tiempo 2
Tiempo 1
Figura 6.22 Evaluacin de la estabilidad
Pgina 267
Linealidad: diferencia en los valores de la escala, a travs del rango de operacin esperado del
instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
Rango de Operacin del equipo

Figura 6.23 Evaluacin de la linealidad
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error
sistemtico o desviacin.
Valor
Verdadero
Sesgo
Figura 6.24 Evaluacin de la exactitud o sesgo
Calibracin: Es la comparacin de un estndar de medicin con exactitud conocida con otro

instrumento para detectar, reportar o eliminar por medio del ajuste, cualquier variacin en la
exactitud del instrumento.
Importante: para que el equipo de medicin tenga una discriminacin adecuada en la

evaluacin de las partes, su
resolucin debe ser al menos 1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
Pgina 268
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variacin en los sistemas de medicin. La
variacin total es expresada de la siguiente manera:
2 total 2 proceso 2 error medicin
Estudios R&R - Mtodo Corto del Rango

Es un mtodo que proporciona un valor aproximado del error R&R sin que muestre las diferencias
entre errores por el equipo y por los operadores.Se usan dos evaluadores y cinco partes. Cada
evaluador mide cada parte una sola vez.Se calcula el rango de la medicin de cada parte y al final
el rango promedio.
La desviacin estndar de R&R se aproxima con la formula de rango medio entre d2*. El % de R&R
se calcula comparando la desv. Estndar de R&R con la del proceso
Partes
1
2
3
4
5
Evaluador A Evaluador B Rango A,B

0.85
0.80
0.05
0.75
0.70
0.05
1.00
0.95
0.05
0.45
0.55
0.10
0.50
0.60
0.10
Rango medio = 0.35/5 = 0.07

GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588
Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
Figura 6.25 Mtodo corto del rango
Pgina 269
Con formato: Ttulo 3, Interlineado:

sencillo

Estudio de R&R Mtodo largo

Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del rango de tolerancia o
del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante
que dichas partes sean representativas del proceso total (80% de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida sobre el
equipo de medicin a menos que se cumpla el punto anterior.
Con formato: Fuente: Calibri, 11 pto

Con formato: Ttulo 4, Sin vietas ni
numeracin
Con formato: Ttulo 4
Procedimiento para realizar un estudio de R&R
Con formato: Fuente: Calibri, Negrita

Con formato: Fuente: Calibri
1. Asegrese de que el equipo de medicin haya sido calibrado.

2. Marque cada pieza con un nmero de identificacin que no pueda ver la persona que realiza la
medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez, siguiendo un orden al
azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola vez (Este es el
ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Pgina 270
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I. Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente
a la Reproducibilidad y a la
Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la
Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y otro en

cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.

El Mtodo ANOVA es ms preciso
Clculos con Excel o manual:

Introducir los datos en la hoja de coleccin de datos siguiente por cada operador y hacer los
clculos indicados en la zona gris:
Pgina 271
columna 1
Pgina 272
0.0050
0.0050
0.0040
0.0470
Suma
XA :
8
9
10
Totales
0.000416667
R:
0.0050
0.0045
0.0055
0.0050
0.0045
0.0045
0.0050
0.0040
0.0455
RA :
0.0050
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
D4
0.00035
0.0005
0.0035
0.0005
0.0010
0.0005
-
0.0010
R x D4
0.001075
LSCR =
2.58
Rango
columna 4
LSCR =
# Intentos
3er Intento
columna 3
0.0048
0.0040
0.0467
0.0050
0.0047
0.0050
0.0048
0.0045
0.0045
0.0048
0.0045
Promedio
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
0.0005
0.00125
RC :
SUM:
0.0004
0.0050
0.00035
0.0050
RB :
0.1400
0.004666667
0.0050
0.0045
4
5
RA :
0.0045
0.0040
0.0475
0.0045
0.0055
0.0045
0.0045
0.0045
2do Intento
columna 2
1er Intento
A.-
Muestra
OPERADOR
Calibrador Digital
0.0060
No. y Nombre de GAGE: 8881-H
4600066 PARTE A
No. de Parte y Nombre:

Tolerancia Especificada:
XB :
Suma
0.0045
0.0040
0.0485
0.0050
0.0055
0.0060
0.0050
0.0040
0.0045
0.0055
0.0045
columna 5
1er Intento
B.-
X Diff:
X min:
X Mx:
0.004716667
0.1415
0.0045
0.0040
0.0465
0.0050
0.0045
0.0050
0.0050
0.0045
0.0045
0.0050
0.0045
0.0050
0.0040
0.0465
RB :
0.0050
0.0050
0.0050
0.0050
0.0040
0.0045
0.0045
0.0045
0.0001000000
0.004666667
0.004766667
3er Intento
columna 7
Rango
0.0004
0.0005
0.0040
0.0010
0.0010
0.0005
0.0010
columna 8
RECOLECCIN DE DATOS
columna 6
2do Intento
01/07/2003
Caracterstica: Diametro
Elaborado por:
Fecha:
Aseguramiento de Calidad
MTODO LARGO
0.005142917
LICX =
0.0043
LICX = X - A2 R
LSCX =
XC :
Suma
0.0055
0.0045
0.0500
0.0060
0.0045
0.0050
0.0050
0.0045
0.0045
0.0055
0.0050
columna 9
1er Intento
C.-
LSCX = X + A2 R
0.0047
0.0040
0.0472
0.0050
0.0050
0.0053
0.0050
0.0042
0.0045
0.0050
0.0045
Promedio
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD ( R & R )
columna 10
0.004766667
0.1430
0.0045
0.0045
0.0470
0.0050
0.0050
0.0050
0.0050
0.0045
0.0045
0.0045
0.0045
2do Intento
A2 =
0.0045
0.0045
0.0460
RC :
0.0050
0.0050
0.0050
0.0050
0.0040
0.0040
0.0045
0.0045
columna 11
3er Intento
1.023
0.0005
0.0010
0.0050
0.0010
0.0005
0.0005
0.0005
0.0010
0.0005
columna 12
Rango
0.0048
0.0045
0.0477 Xp=
Rp =
0.0053
0.0048
0.0050
0.0050
0.0043
0.0043
0.0048
0.0047
Promedio
0.000944
0.004778
0.004167
0.004717
0.005111
0.004833
0.005111
0.004944
0.004333
0.004444
0.004889
0.004556
Prom. Parte
X p=


MTODO LARGO
4600066 PARTE A
Fecha:
0.0060
No. y Nombre de GAGE: 8881-H
01/07/2003
Elaborado por:
Calibrador Digital
Caracterstica: Diametro
RESULTADOS DE LA HOJA DE DATOS AC-008

R= 0.000416667
X Diff =
0.0001000000
Rp = 0.000944444
Anlisis Unitario de Medicin
% Total de Variacin ( TV )
Repetibilidad - Variacin del Equipo (EV)

EV= R x K1 =
EV= 0.001270833
% EV = 100 [ EV/TV ]
% EV =
63.74%
INTENTOS
K1
4.56
3.05
Reproducibilidad - Variacin del Operador (AV)

2
2
1/2
AV = [(XDiff x K2) - (EV /nr)]
% EV vs Tol. =
21.18%
% AV = 100 [AV/TV]
% AV =
6.93%
AV = 0.00027
AV = 7.29E-08
% AV vs Tol =
2.30%
AV = 5.38339E-08
AV = 1.90661E-08
n= 10
AV = 0.00013808
r= 3
OPERADOR
K2
Repetibilidad y Reproducibilidad ( R & R )

2
2 1/2
R & R = [EV + AV ]
R & R2 = 1.63408E-06
n= Numero de Partes
3.65
2.7
r = Numero de Intentos
% de R & R =
PARTES
K3
R & R = 0.001278313
3.65
Variacin de la Parte ( PV )
PV = RP x K3
3
4
2.7
2.3
2.08
1.93
1.82
8
9
1.74
1.67
10
1.62
PV =
0.00153
VARIACIN TOTAL ( TV )
2
2 1/2
TV = ( R & R + PV )
TV = 3.97498E-06
% de R & R =
% de R & R vs Tol =
% PV =
% PV =
100 [ R & R /TV ]

64.1164%
21.31%
100 [ PV/TV ]
76.7403%
Categoria de Datos
d2 =
1.693
PV / R&R x d2=
2.0
TV = 0.001993736
Observaciones :
Se toma la dimencin de menor valor
FIRMA DE AUTORIZACIN
GERENTE DE ASEG. DE CALIDAD
Pgina 273
Pgina 274
RA :
R:
D4
R x D4
2.58
Rango
columna 4
Promedio
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
LSCR =
LSCR =
SUM:
RC :
3er Intento
columna 3
# Intentos
2do Intento
columna 2
RB :
XA :
Suma
columna 1
1er Intento
A.-
RA :
9
10
Totales
4
5
Muestra
OPERADOR
XB :
Suma
columna 5
1er Intento
B.-
Caracterstica:
No. y Nombre de GAGE:
X Diff:
X min:
X Mx:
2do Intento
columna 6
3er Intento
columna 7
RB :
Rango
columna 8
RECOLECCIN DE DATOS
Fecha:
Elaborado por:

MTODO LARGO
LICX =
LICX = X - A2 R
LSCX =
XC :
Suma
columna 9
1er Intento
C.-
LSCX = X + A2 R
Promedio
columna 10
2do Intento
A2 =
RC :
columna 11
3er Intento
columna 12
Rango
Promedio
X p=
Rp =
Prom. Parte
X p=


MTODO LARGO
0.0000
No. y Nombre de GAGE:
Fecha:
Elaborado por:
00
00/01/1900
0
Caracterstica:
RESULTADOS DE LA HOJA DE DATOS AC-008

R=
X Diff =
Rp =
Anlisis Unitario de Medicin
% Total de Variacin ( TV )
Repetibilidad - Variacin del Equipo (EV)

EV= R x K1 =
EV=
% EV = 100 [ EV/TV ]
% EV =
INTENTOS
K1
4.56
3.05
Reproducibilidad - Variacin del Operador (AV)

2
2
1/2
AV = [(XDiff x K2) - (EV /nr)]
% EV vs Tol. =
% AV = 100 [AV/TV]
% AV =
AV =
AV =
% AV vs Tol =
AV =
AV =
n= 10
AV =
r= 3
OPERADOR
K2
Repetibilidad y Reproducibilidad ( R & R )

2
2 1/2
R & R = [EV + AV ]
R & R2 =
0
R&R=
Variacin de la Parte ( PV )
PV = RP x K3
PV =
VARIACIN TOTAL ( TV )
2
2 1/2
TV = ( R & R + PV )
TV =
n= Numero de Partes
3.65
2.7
r = Numero de Intentos
% de R & R =
PARTES
K3
3.65
3
4
2.7
2.3
2.08
1.93
1.82
8
9
1.74
1.67
10
1.62
100 [ R & R /TV ]
% de R & R =
% de R & R vs Tol =
% PV =
% PV =
100 [ PV/TV ]
Categoria de Datos
d2 =
1.693
PV / R&R x d2=
TV =
Observaciones :
Se toma la dimencin de menor valor
FIRMA DE AUTORIZACIN
GERENTE DE ASEG. DE CALIDAD
Pgina 275
Una vez colectados los datos proceder a realizar la carta de rango R y observar que est en control,
de otra forma repetir las mediciones para ese operador y parte especfica errnea.
Figura 6.26 Comportamiento de la carta de control de rangos para el ejemplo
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de control indicando
que identifica las variaciones en las diferentes partes presentadas:
LSCX =
0.005143
X=
0.004717
LICX =
0.004290417
LS
CX
X
LICX
Figura 6.26 Comportamiento de la carta de control de medias para el ejemplo
Se procede posteriormente a determinar los errores o variabilidad del sistema de medicin con la
hoja de trabajo siguiente, calculando los campos con sombra gris:
Con formato: Ttulo 3, Interlineado:
sencillo
Pgina 276
Interpretacin de los resultados

1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del cliente; si el equipo se usa para control del proceso, la
referencia es la variacin total del proceso.
2. El nmero de categoras debe ser de al menos 4 indicando que el equipo distingue las partes
que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue:
Gage Run Chart of Response by Part, Operator
1
2
3
4
5
Gage name:
Date of study :
Reported by : > GAGEAIAG.MTW.

File > Open worksheet
Tolerance:
Stat > Quality
Tools > Gage Study > Gage Run Chart.
Misc:
En Part numbers, seleccionar Part.
En Operators, seleccionar Operator.
En Measurement data, seleccionar Response. Click OK.
3
5
1.0
Mean
0.8
O perator
1
2
3
Response
0.6
0.4
6
10
1.0
Mean
0.8
0.6
0.4
Operator
Panel variable: Part
34
Figura 6.27 Grfica que muestra el comportamiento de las mediciones de los operadores
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por
tres operadores. Realice un estudio R&R mediante el mtodo Xbar-R.
Pgina 277
OPERADOR A.columna columna columna

1
2
3
1er
2do
3er
Muestra Intento Intento Intento
1
0.0045 0.0045 0.0045
2
0.0045 0.0055 0.0045
3
0.0045 0.0045 0.0045
4
0.0050 0.0050 0.0045
5
0.0045 0.0045 0.0045
B.columna columna columna

5
6
7
1er
2do
3er
Intento Intento Intento
0.0045 0.0045 0.0045
0.0055 0.0050 0.0045
0.0045 0.0045 0.0045
0.0050 0.0050 0.0050
0.0040 0.0045 0.0040
C.columna columna columna

9
10
11
1er
2do
3er
Intento Intento Intento
0.0050 0.0045 0.0045
0.0055 0.0045 0.0045
0.0045 0.0045 0.0040
0.0050 0.0050 0.0050
0.0045 0.0045 0.0040
6
7
8
9
10
0.0050
0.0050
0.0050
0.0050
0.0040
0.0055
0.0045
0.0050
0.0045
0.0040
0.0045
0.0045
0.0050
0.0050
0.0040
0.0060
0.0055
0.0050
0.0045
0.0040
0.0050
0.0045
0.0050
0.0045
0.0040
0.0050
0.0050
0.0050
0.0050
0.0040
0.0050
0.0045
0.0060
0.0055
0.0045
0.0050
0.0050
0.0050
0.0045
0.0045
0.0050
0.0050
0.0050
0.0045
0.0045
Totales
0.0470
0.0475
0.0455
0.0485
0.0465
0.0465
0.0500
0.0470
0.0460
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores Medicin
1
0.0045
1
0.0045
1
0.0045
1
0.005
1
0.0045
1
0.005
1
0.005
1
0.005
1
0.005
1
0.004
1
0.0045
1
0.0055
1
0.0045
1
0.005
1
0.0045
1
0.0055
1
0.0045
1
0.005
1
0.0045
1
0.004
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores Medicin
2
0.0045
2
0.0055
2
0.0045
2
0.005
2
0.004
2
0.006
2
0.0055
2
0.005
2
0.0045
2
0.004
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.004
Pgina 278
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.0045
0.0045

1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
1
1
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004

1
2
3
4
5
6
7
8
9
10
2
2
2
2
2
2
2
2
2
2
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
1
2
3
4
5
6
7
8
9
10
3
3
3
3
3
3
3
3
3
3
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045

Con formato: Fuente: Courier New,
10 pto
10 pto
10 pto
10 pto
Seleccione en el men de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY >

10 pto
Gage R&R (Crossed)

10 pto
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis X Bar and R

10 pto
En Options Seleccionar: Study variation 5.15 Process tolerante 0.006
Con formato: Fuente: Courier New, 9

pto
pto

pto
Gage R&R Study - XBar/R Method

pto
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
%Contribution
VarComp
(of VarComp)
0.0000001
41.00
0.0000001
40.52
0.0000000
0.48
0.0000001
59.00
0.0000001
100.00
StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867
Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913
%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00

pto
pto
pto
%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19
Number of Distinct Categories = 1

pto
pto
pto
pto
pto
Anlisis de los resultados:

pto
El error de R&R vs tolerancia es 21.25% y vs variacin total del proceso es 64.03% lo que hace que
el equipo de medicin no sea adecuado para la medicin.

pto
pto
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4 indicando que el

pto
instrumento discrimina las diversas partes diferentes.

pto, Espaol (Mxico)
Pgina 279
Gage R&R (Xbar/R) for Datos

Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
Components of Variation
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores * Partes Interaction
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
Average
Sample Mean
0.004
Xbar Chart by Operadores
0.0050
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Figura 6.27 Resultados del estudio R&R por el mtodo de Xbarra-R
La grfica R se mantiene en control indicando que las mediciones se realizaron en forma

adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera de control, lo cual debera ser al menos el
50%, indicando que el equipo no discrimina las diferentes partes.
Ejemplo 3: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY >

Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Staudy variation 5.15

interaction 0.25
Pgina 280
Process tolerante 0.006 Alfa to remove

Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source
Partes
Operadores
Partes * Operadores
Repeatability
Total
DF
9
2
18
60
89
SS
0.0000086
0.0000002
0.0000014
0.0000063
0.0000165
MS
0.0000010
0.0000001
0.0000001
0.0000001
F
12.2885
0.9605
0.7398
P
0.000
0.401
0.757
Los operadores y la interaccin no fueron significativos, slo las

partes
Two-Way ANOVA Table Without Interaction
Source
Partes
Operadores
Repeatability
Total
DF
9
2
78
89
SS
0.0000086
0.0000002
0.0000077
0.0000165
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002
MS
0.0000010
0.0000001
0.0000001
F
9.67145
0.75592
P
0.000
0.473
Gage R&R
%Tolerance
Source
(SV/Toler)
Total Gage R&R
27.04
Repeatability
27.04
Reproducibility
0.00
Operadores
0.00
Part-To-Part
26.54
Total Variation
37.88
%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var
%Study Var
StdDev (SD)
(5.15 * SD)
(%SV)
0.0003150
0.0016222
71.36
0.0003150
0.0016222
71.36
0.0000000
0.0000000
0.00
0.0000000
0.0000000
0.00
0.0003092
0.0015923
70.05
0.0004414
0.0022731
100.00
Pgina 281
Number of Distinct Categories = 1

La interaccin no es significativa, y los errores de R&R indican que equipo de medicin no es
adecuado, ni el nmero de categoras.
Gage R&R (ANOVA) for Datos
Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
Components of Variation
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.0010
0.0005
0.0000
5
6
Partes
0.006
_
R=0.000417
0.005
10
2
Operadores
Operadores * Partes Interaction
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.004
LCL=0
Datos by Operadores
UCL=0.001073
Xbar Chart by Operadores
0.0050
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Figura 6.28 Resultados del estudio R&R por el mtodo de ANOVA

Las conclusiones son similares que con el mtodo de X barra R.
Estudios de R&R por atributos

Ejemplo 4.
Se utiliza el anlisis de acuerdo por atributos para evaluar las calificaciones nominales u ordinales
proporcionadas por varios evaluadores. Las mediciones son calificaciones subjetivas de la gente
en vez de mediciones fsicas. Algunos ejemplos incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o mala.
Calificaciones de color, aroma y gusto del vino en una escala de 1 a 10.
En estos casos la caracterstica de calidad es difcil de definir y evaluar. Para obtener clasificaciones
significativas, ms de un evaluador debe calificar la medicin de respuesta. Si los evaluadores
Pgina 282
estn de acuerdo, existe la posibilidad de que las apreciaciones sean exactas. Si hay
discrepancias, la utilidad de la evaluacin es limitada.
Los datos pueden ser texto o numricos. Las calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de comida que puede incluir dulce, salado o
picoso.
Los datos ordinales son variables categricas que tienen tres o ms niveles con ordenamiento
natural, tales como: en desacuerdo total, en desacuerdo, neutral, de acuerdo, y completamente
de acuerdo.
Ejemplo 4. Comparacin pasa no pasa

Un sistema de medicin de atributos compara cada parte con un estndar y acepta la parte si el
estndar se cumple. La efectividad de la discriminacin es la habilidad del sistema de medicin de
atributos para discriminar a los buenos de los malos.
1. Selecciona un mnimo de 20 unidades del proceso. Estas unidades deben representar el
espectro completo de la variacin del proceso (buenas, erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada parte, clasificndola como Buena o No
Buena.
3. Cada persona evaluar las unidades, independientemente y en orden aleatorio, y las definir
como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls para cuantificar la efectividad del sistema
de medicin.
Pgina 283

Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Atributo
G
G
G
G
G
G
G
G
NG
NG
G
G
NG
G
G
G
NG
G
G
G
Persona 1A
G
G
G
G
G
NG
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G

Persona 1B
G
G
G
G
G
G
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G
Persona 2A
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
Persona 2B
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
Sistema de Medicin de Atributos

Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Multiple columns, con Persona 1A - Persona 2B.
4 En Number of appraisers, 2.
5 En Number of trials, 2.
6 En Known standard/attribute, poner Atributo
7 no Checar Categories of the attribute data are ordered y poner OK
Pgina 284
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,

Persona 2B
Within Appraisers
Appraiser # Inspected # Matched Percent
95 % CI
1
20
19
95.00 (75.13, 99.87)
2
20
20
100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response
Kappa SE Kappa
Z P(vs > 0)
1
G
0.82684 0.223607 3.69774
0.0001
NG
0.82684 0.223607 3.69774
0.0001
2
G
1.00000 0.223607 4.47214
0.0000
NG
1.00000 0.223607 4.47214
0.0000
Each Appraiser vs Standard

Appraiser
1
2
# Inspected
20
20
# Matched
18
19
Percent
90.00
95.00
95 % CI
(68.30, 98.77)
(75.13, 99.87)
Between Appraisers
# Inspected # Matched Percent
95 % CI
20
17
85.00 (62.11, 96.79)
Response
Kappa
SE Kappa
Z P(vs > 0)
G
0.663222 0.0912871 7.26524
0.0000
NG
0.663222 0.0912871 7.26524
0.0000
All Appraisers vs Standard

# Inspected # Matched Percent
95 % CI
20
17
85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Response
Kappa SE Kappa
Z P(vs > 0)
G
0.792005 0.111803 7.08391
0.0000
NG
0.792005 0.111803 7.08391
0.0000
Figura 6.29 Resultados del estudio de R&R comparativo por atributos
Pgina 285
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Within Appraisers
Appraiser vs Standard
95.0% C I
P ercent
95
95
90
90
85
80
85
80
75
75
70
70
1
95.0% C I
P ercent
100
Percent
Percent
100
Appraiser
2
Appraiser
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador
Interpretacin de Resultados
% del Evaluador es la consistencia de una persona.
% Evaluador vs Atributo es la medida de el acuerdo que hay entre la evaluacin del

operador y la del experto.
% de Efectividad de Seleccin es la medida de el acuerdo que existe entre los operadores.
% de Efectividad de Seleccin vs. el Atributo es una medida general de la consistencia

entre los operadores y el acuerdo con el experto.
Aunque el 100% es el resultado que deseamos obtener, en un estudio de repetibilidad y

reproducibilidad de atributos, la siguiente gua se usa frecuentemente:
Porcentaje
De 90% a 100%
Gua
Aceptable
De 80% a 90%
Marginal
Menos de 80%
Inaceptable
Pgina 286
Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de un examen estndar
de doceavo grado. Se requiere determinar la habilidad de los evaluadores para calificar el examen
de forma que sea consistente con los estndares. Cada uno de los evaluadores califica 15
exmenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo File > Openworksheet > ESSAY.MTW.

2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:
Appraiser
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Sample
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
Rating
2
2
2
1
2
-1
-1
-1
-2
-1
1
0
0
0
0
-2
-2
-2
-2
Attribute
2
2
2
2
2
-1
-1
-1
-1
-1
0
0
0
0
0
-2
-2
-2
-2
Appraiser
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Pgina 287
Sample
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12
12
Rating
0
0
-1
-1
-1
-2
-1
1
1
1
0
2
-2
-2
-2
-2
-1
0
0
Attribute
0
0
-1
-1
-1
-1
-1
1
1
1
1
1
-2
-2
-2
-2
-2
0
0

Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
4
5
5
5
5
5
6
6
6
6
6
7
7
7
7
7
8
8
8
-2
0
0
0
-1
0
1
1
1
1
1
2
2
2
1
2
0
0
0

-2
0
0
0
0
0
1
1
1
1
1
2
2
2
2
2
0
0
0
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
0
-1
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
0
0
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
Los resultados del anlisis se muestran a ontinuacin:

Gage R&R for Datos
Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
# Inspected
15
15
15
15
15
# Matched
8
13
15
15
14
Percent
53.33
86.67
100.00
100.00
93.33
95 % CI
(26.59, 78.73)
(59.54, 98.34)
(81.90, 100.00)
(81.90, 100.00)
(68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with the

known standard.
Kendall's Correlation Coefficient
Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
Coef
0.89779
0.96014
1.00000
1.00000
0.93258
SE Coef
0.192450
0.192450
0.192450
0.192450
0.192450
Z
4.61554
4.93955
5.14667
5.14667
4.79636
Between Appraisers
Pgina 288
P
0.0000
0.0000
0.0000
0.0000
0.0000
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

Response
Kappa
SE Kappa
Z
P(vs > 0)
-2
0.680398 0.0816497
8.3331
0.0000
-1
0.602754 0.0816497
7.3822
0.0000
0
0.707602 0.0816497
8.6663
0.0000
1
0.642479 0.0816497
7.8687
0.0000
2
0.736534 0.0816497
9.0207
0.0000
Overall
0.672965 0.0412331 16.3210
0.0000
Kendall's Coefficient of Concordance
Coef
0.966317
Chi - Sq
67.6422
DF
14
P
0.0000
All Appraisers vs Standard

# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
# Matched: All appraisers' assessments agree with the known

standard.
Response
-2
-1
0
1
2
Overall
Kappa
0.842593
0.796066
0.850932
0.802932
0.847348
0.831455
SE Kappa
0.115470
0.115470
0.115470
0.115470
0.115470
0.058911
Z
7.2971
6.8941
7.3693
6.9536
7.3383
14.1136
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Kendall's Correlation Coefficient

Coef
SE Coef
Z
P
0.958102 0.0860663 11.1100 0.0000
* NOTE * Single trial within each appraiser. No percentage of
assessment agreement within appraiser is plotted.
Pgina 289

Date of study :
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100
95.0% C I
P ercent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Figura 6.31 Resultados del estudio de R&R por atributos
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre evaluadores y Todos
los evaluadores vs estndar. Los estadsticos de Kappa y Kendall tambin se incluyen en cada una
de las tablas. En general estos estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores vs
estndar es 0.958192 (p = 0.0). Sin embargo la observacin del desempeo de Duncan y Haues
indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno de los
evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin de acuerdos para los
cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento adicional.

Mtodo sencillo
Pgina 290
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de especificaciones

Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages pasa, no pasa
no son confiables
Pgina 291
7. MUESTREO DE ACEPTACIN POR ATRIBUTOS

7.1 EL PROBLEMA DE LA ACEPTACIN POR MUESTREO
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha estado siendo
desplazado por mtodos preventivos como el CEP y el diseo de experimentos.
Si se recibe un lote de un proveedor, se toma una
muestra y se evalan algunas de las
caractersticas del producto, en base a los resultados se toma una decisin sobre la disposicin del
lote, ya sea aceptados para su uso en produccin, o rechazados para que el proveedor tome
acciones.
Muestreo aleatorio estadstico
Muestra n
Lote N
Fig. 7.1 Proceso de inspeccin por muestreo
Hay 3 aspectos importantes del muestreo:

1. Su propsito es calificar los lotes, no estimar los parmetros del lote.
2. No proporcionan un mecanismo de control de calidad, simplemente aceptan o rechazan lotes.
3. Sirven como herramienta de auditora para segurar que la calidad de un lote est de acuerdo a
especificaciones.
Pgina 292
Existen 3 alternativas para calificar un lote:

1. Aceptar sin inspeccin. Con proveedores confiables.
2. Inspeccionar al 100%, separando los productos defectuosos.
3. Realizar un muestreo de aceptacin.
La aceptacin por muestreo es ms util en las situaciones siguientes:

1. Cuando las pruebas son destructivas.
2. Cuando el costo de la inspeccin 100% es muy alto.
3. Cuando la inspeccin 100% es muy tardada.
4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de defectos baja, que
haga que se causen errores al inspeccionar, dejando pasar productos defectuosos.
5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es baja.
6. Cuando hay riesgo de generar problemas legales por productos crticos.
VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspeccin por muestreo, se tienen las ventajas siguientes:

1. Es ms barato, requiriendo menos inspeccin.
2. Existe un menor manejo de producto o menor dao.
3. Se aplica a pruebas destructivas.
4. El rechazar un lote completo en lugar de slo las partes defectivas, motiva al proveedor a
mejorar su calidad.
El muestreo de aceptacin tambin presenta varias desventajas:

1.
Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
2.
La informacin que se genera respecto al producto o proceso es poca.
3.
El muestreo de aceptacin requiere documentacin y planeacin, no as la inspeccin 100%.
TIPOS DE PLANES DE MUESTREO
Pgina 293
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y atributos. Una
caracterstica se expresa en variables si se puede medir, o en atributos si se califica como pasa no
pasa.
Un plan de muestreo simple es un procedimiento de calificacin de lotes, donde se toma una

muestra aleatoria de n partes y la disposicin del lote es determinada dependiendo de los
resultados de la muestra, aceptndose si se encuentran hasta c productos defectivos.
Un plan de muestreo doble implica que despus de tomar una muestra e inspeccionar, se toma
una decisin de (1) rechazar, (2) aceptar o (3) tomar una segunda muestra, si esto sucede, se
combina la informacin de la primera y de la segunda para tomar una decisin.
Un plan de muestreo mltiple es una extensin del doble, en el cual ms de dos muestras pueden
ser necesarias antes de tomar una decisin. Los tamaos de estas muestras son ms pequeos
que en el muestreo doble.
El muestreo secuencial implica la seleccin de unidades del lote, una por una, tomando decisiones
de aceptar o rechazar el lote despus de un cierto nmero de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con cualquiera de
las modalidades anteriores.
FORMACIN DE LOTES
Para inspeccin de lotes, estos deben cumplir las caractersticas siguientes:
1. Deben ser homogneos, las unidades deben ser producidas por las mismas corridas de
produccin, en condiciones similares. Es difcil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeos, dado que la inspeccin es ms eficiente.
Pgina 294
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente, las partes deben
estar empacadas adecuadamente para evitar riesgos de dao y permitir la seleccin de
muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes de las capas
superiores, sino de preferencia numerar las partes con un nmero y seleccionar con tablas de
nmeros aleatorios o tambin se puede estratificar el lote.
GUA DE APLICACIN DE PLANES DE MUESTREO

Un plan de aceptacin es el establecimiento del tamao de muestra a ser usado y el criterio de
aceptacin o rechazo para calificar lotes individuales.
Un esquema de aceptacin es un conjunto de procedimientos de planes de aceptacin en los

cuales se relacionan los tamaos de lote, tamao de muestra, criterio de aceptacin o rechazo, la
cantidad de inspeccin 100% y de muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los procedimientos de

muestreo de aceptacin son:
Procedimiento
por atributos
Procedimiento
por Variables
1. Asegurar niveles de calidad

Para el consumidor y productor
Plan especfico
en base a curva OC
Plan especfico
en base a curva OC
2. Mantener la calidad en el
objetivo
Sistema de AQL
MIL-STD-105E
Sistema de AQL
MIL-STD-414
3. Asegurar el nivel de
calidad de salida
Sistema de AOQL
de Dodge-Romig
Sistema de AOQL
Objetivos
6. Asegura la calidad no
Planes LTPD de
Planes LTPD con
menor que el objetivo
de Dodge-Romig
prueba de hiptesis.
Los clientes estn enfocados a mejorar la calidad de sus proveedores, seleccionando a los mejores
y trabajando en forma cercana para reducir su variabilidad, con tcnicas de control estadstico del
proceso. El muestreo de aceptacin se utiliza mientras se mejora la calidad con el proveedor.
Pgina 295
7.2 MUESTREO SIMPLE POR ATRIBUTOS

Muestreo aleatorio simple
Un plan de muestreo simple se define por su tamao de muestra n y el nmero de aceptacin c. El
tamao del lote se especifica como N.
Por ejemplo si se tiene el plan:

N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para inspeccin, si el nmero de
productos defectivos observados en la muestra d es menor o igual a c = 2, el lote se acepta, en
caso contrario se rechaza.
La curva OC
La curva caracterstica de operacin (OC) muestra la probabilidad de aceptar el lote (Pa o en el
eje Y), versus la fraccin defectiva media en el lote (p en el eje X), mostrando la potencia de
discriminacin del plan de muestreo.
Pa
1
0.8
0.5
0.3
0.1
Curva caracterstica de
Operacin dado una
Tamao de muestra n
y un criterio de aceptacin c
0.05 0.1 0.15
0.2 0.25
Fig. 7.2 Curva caracterstica de operacin y plan de muestreo
Pgina 296
0.3
p Prov.
La curva caracterstica de operacin se obtiene graficando p versus la probabilidad binomial de

encontrar y aceptar a lo ms c defectivos o sea:
c
n!
p d (1 p ) n d
d
!
(
n
d )!
d 0
Pa P{d c)
(7.1)
Esto mismo se puede aproximar por la distribucin de Poisson para efectos prcticos.
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin binomial acumulada
(opcin VERDADERA en Excel) se muestra a continuacin:
Binomial=distr.binom(c, n, p, 1) Poisson=Poisson(c, n*p, 1)

P(A<x<X)
0.91
0.02
0.736
0.03
0.555
0.9
0.04
0.400
0.8
0.05
0.279
0.06
0.190
0.07
0.126
0.08
0.083
0.5
0.09
0.053
0.4
0.1
0.034
0.11
0.021
0.12
0.013
0.13
0.008
0.1
0.14
0.005
0.15
0.003
0.16
0.002
0.17
0.001
0.18
0.001
0.19
0.000
0.2
0.000
P(A<x<X)
1
0.7
0.6
0.3
0.2
0.19
0.18
0.17
0.16
0.15
0.14
0.13
0.12
0.1
0.11
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.2
0.02
Pa
0.01
p
0.01
p
Traza la curva OC Tipo B para el plan de muestreo nico n=50 y c=1.
Fig. 7.3 Clculo de la Curva caracterstica de operacin OC

En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptacin es de 0.74.
Significa que de cada 100 lotes recibidos, se aceptarn 74 y se rechazarn 26.
A continuacin se muestran algunas variaciones de la curva caracterstica de operacin variando

tanto como el criterio de aceptacin c manteniendo n constante y despus manteniendo c como
constante y variando n.
Pgina 297
Manteniendo n constante y variando c se tiene:

n = 89, n = 89
n = 89,
p
c=0
c=1
c =2
0.01
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.64
0.41
0.17
0.07
0.03
0.01
0.00
0.00
0.00
0.00
0.93
0.78
0.47
0.25
0.12
0.06
0.03
0.01
0.01
0.00
0.99
0.94
0.74
0.50
0.30
0.17
0.09
0.05
0.02
0.01
Pa
c=0, 1,
2
P (fraccin defectiva en el lote)

Figura 7.4 Curvas caractersticas de operacin diversas para n = 89 y c = variable
Para el caso en que lo que se vare sea n se tiene:
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
n = 50,
c=2
0.997944
0.986183
0.921572
0.810798
0.676714
0.540533
0.416246
0.310789
0.225974
0.16054
n
=
100, c
=2
0.9859
0.9206
0.6767
0.4198
0.2321
0.1183
0.0566
0.0258
0.0113
0.0048
n = 200,
c=2
0.920161
0.676679
0.235148
0.059291
0.012489
0.002336
0.0004
6.40E-05
9.66E-06
1.39E-06
Pgina 298
Pa
n=50, 100,
200 2
p (fraccin defectiva en el lote)

Figura 7.5 Curvas caractersticas de operacin diversas para n = variable y c =2
Puntos especficos en la curva OC

Un consumidor frecuentemente fija de comn acuerdo con su proveedor, un nivel de calidad
aceptable (AQL), que representa el nivel ms pobre de calidad que el consumidor considera
aceptable como promedio, normalmente es la fraccin defectiva que tiene un 95% de ser
aceptada ( = 0.95).
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los casos cuando tengan
una fraccin defectiva de a lo ms un porcentaje defectivo tolerable en el lote (LTPD),
normalmente esta fraccin defectiva corresponde a una probabilidad de aceptacin del 10% o
rechazo del 90% de las veces. Tambin se el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo A utilizando la distribucin hipergeomtrica se construye cuando se tiene un lote

aislado de tamao finito, se utiliza cuando n/N >=0.10.
La curva OC tipo B utiliza la distribucin binomial o de Poisson cuando n/N < 0.1, sin embargo en
los niveles donde n/N=0.1 ambas curvas A o B son muy parecidas.
DISEO DE UN PLAN DE MUESTREO EN BASE A CURVA OC
Pgina 299
En este mtodo se especifican 2 puntos por los que debe pasar la curva OC, uno de ellos tiene
coordenadas (p1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el nomograma Binomial para
encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una lnea recta el valor de p1 en el eje vertical izquierdo
con 1- en el eje vertical derecho, y con otra lnea recta se hace coincidir p2 en el eje vertical
izquierdo con en el eje vertical derecho. En el punto de cruce se encuentra el valor de n y de c
del plan de muestreo simple. Ver nomograma y ejemplo en la pgina siguiente.
Cuando p1 es igual al AQL y p2 es el LTPD, los puntos correspondientes en la curva OC se

denominan riesgo del productor (1-) y riego del consumidor .
Inspeccin rectificadora
Los programas de aceptacin por muestreo normalmente requieren accin correctiva cuando los
lotes son rechazados, de tal forma que el proveedor los selecciona al 100% remplazando los
artculos defectivos por buenos. Esta actividad se denomina inspeccin rectificadora por su
impacto en la calidad de salida final hacia la planta.
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
Pa
n =200
c=1
9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan
p = 0.02
P=0.02
88,820 piezas OK
Y 1800 piezas KO
91 lotes son
rechazados y
seleccionados
por el
proveedor,
deja 910,000
piezas OK
Total de piezas OK
AOQ
Alm.
998,820
Piezas defectivas
1,800
0.18% AOQ
Fig. 7.6 Inspeccin rectificadora (las piezas malas son reemplazadas y reintegradas al lote)
Suponiendo que los lotes que llegan tienen una fraccin defectiva p0 , despus de la actividad de
inspeccin bajo un plan de muestreo, algunos lotes sern aceptados y otros sern rechazados. Los
Pgina 300
lotes rechazados sern seleccionados al 100% por el proveedor remplazando los artculos
defectuosos por buenos despus se integran a los lotes que ingresan a la planta obtenindose una
fraccin defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en lotes de
tamao N se tiene:
1. n artculos de la muestra no contienen defectivos.

2. N-n artculos los cuales si el lote se rechaz no contenan defectivos.
3. N-n artculos los cuales si el lote se acepta contienen p(N-n) defectivos.
As los lotes despus del proceso rectificador, contienen un nemro esperado de defectivos igual a
Pap(N-n) con la cual se puede expresar una fraccin defectiva media AOQ como sigue,
AOQ
Pa p( N n)
N
(7.2)
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada p=0.01.
Como en la curva caracterstica de operacin (para n=89, c=2) cuando p=0.01, Pa = 0.9397,
entonces el AOQ es:
AOQ
Pa p( N n) (0.9397)(0.01)(10000 89)
0.0093
N
10000
AOQ 0.93% en lugar del 1% entrante.
Cuando N es grande respecto al tamao de muestra n, se tiene,
AOQ Pa p
(7.3)
La curva de AOQ versus p se muestra a continuacin:
Pgina 301
P(A<x<X)
AOQ
0.001667
1.00
0.002
0.003333
0.99
0.003
0.005000
0.96
0.005
0.006667
0.92
0.006
0.008333
0.87
0.007
0.010000
0.81
0.008
0.011667
0.74
0.009
0.013333
0.68
0.009
0.015000
0.61
0.009
0.016667
0.54
0.009
0.018333
0.48
0.009
0.020000
0.42
0.008
0.021667
0.37
0.008
0.023333
0.32
0.007
0.025000
0.27
0.007
0.004
0.026667
0.23
0.006
0.003
0.028333
0.20
0.006
0.030000
0.17
0.005
0.031667
0.14
0.005
0.033333
0.12
0.004
0.035000
0.10
0.004
0.01
CURVA AOQ
0.036667
0.08
0.003
Fraccin defectiva en el lote
0.038333
0.07
0.003
0.040000
0.06
0.002
0.041667
0.05
0.002
0.043333
0.04
0.002
0.045000
0.03
0.001
0.046667
0.03
0.001
0.048333
0.02
0.001
0.050000
0.02
0.001
Pa Probabilidad de aceptacin del lote teniendo una fraccin defectiva p
AOQ
0.01
AOQL
0.009
0.008
0.007
0.006
0.005
0.002
0.001
0.05
0.05
0.05
0.05
0.04
0.04
0.04
0.04
0.04
0.04
0.03
0.03
0.03
0.03
0.03
0.03
0.02
0.02
0.02
0.02
0.02
0.02
0.01
0.01
0.01
0.01
0.01
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la peor fraccin
defectiva de salida hacia la planta o proceso, que se denomina lmite de calidad de salida
promedio AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
El nmero promedio de inspeccin total por lote es ATI, igual a:
ATI n (1 Pa)(N n)
(7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarn por lote, algunas por el cliente
(n) y otras por el proveedor (N-n) en base al plan de muestreo.
Pgina 302
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para n = 89 y c = 2:
Pa
0
0
0
0
0
0
0
0
0
0
ATI-N=1000 ATI-N=5000 ATI-N=10000

1
1
1
0
0
0
0
0
0
0
98
144
329
546
723
843
916
957
979
990
140
385
1383
2552
3506
4155
4549
4770
4887
4947
191
687
2700
5060
6985
8295
9089
9536
9772
9892
ATI
N=10000
N=5000
N=1000
p
Figura 7.8 Curvas de nmero de muestras inspeccionadas promedio por el cliente y por el
proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo ms eficiente la
inspeccin por muestreo.
Muestreo doble, mltiple y secuencial

Estos tipos de muestreo son extensiones del muestreo simple, se pueden disear curvas CO
equivalentes.
Pgina 303
PLANES DE MUESTREO DOBLE
Un plan de muestreo doble es un procedimiento en el cual, bajo ciertas circunstancias, se requiere

una segunda muestra para calificar el lote. El plan se define por los parmetros siguientes:
n1 = tamao de muestra en la primera muestra.

c1 = criterio de aceptacin en la primera muestra.
n2 = tamao de muestra en la segunda muestra.
c2 = criterio de aceptacin en la segunda muestra.
Al aplicar el plan el nmero de defectivos observados en la primera muestra es d1 y los defectivos

observados en la segunda muestra es d2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artculos, se acepta el lote si el total de defectivos d1 <= c1=1,
rechazndose si d1 >c2=3.
Si d1 es igual a 2 o a 3, se toma una segunda muestra de 100 artculos, se inspecciona y se

determina el nmero de defectivos d2 .
Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.
En ambas muestras la primera y segunda, la inspeccin se continua hasta inspeccionar todos los
artculos, por eso se denomina inspeccin completa, el nmero promedio de artculos
inspeccionados por muestra ASN es,
ASN n1 n2 (1 P1 )
(7.5)
Pgina 304
donde P1 es la probabilidad de tomar una decisin en la primera muestra o sea:

P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la primera
muestra}
Si por el contrario la inspeccin de los artculos se suspende cuando se encuentra un nmero de

defectivos mayor al criterio de aceptacin c2 y no se inspeccionan todos los artculos, el mtodo se
denomina inspeccin recortada,
el comportamiento de ambos esquemas se muestra a
continuacin,
ASN
Insp. completa
n = cte.
Insp. recortada
Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspeccin
completa y recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos valores de p, ya que
si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspeccin.
La inspeccin recortada si es ms econmica sin embargo proporciona menos informacin acerca

del lote.
CURVA CARACTERSTICA DE OPERACIN
Pgina 305
Del ejemplo anterior, si Pa es la probabilidad de aceptacin, esta se forma con la probabilidad de

aceptacin en la primera muestra ms la probabilidad de aceptacin en la segunda muestra ya sea
usando la distribucin binomial o la de Poisson. O sea:
Pa PaI PaII
(7.6)
PaI P(d1 1 n1 )
(7.7)
PaII P(d1 2 n1 ) xP(d 2 1 n2 ) P(d1 3 n1 ) xP(d 2 0 n2 )
(7.8)
Fig. 7.7 Curva caracterstica de operacin bajo muestreo doble
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa (1
muestra)
Pa(2a.muestra)
Pa Total
En 1a. Muestra
0.974
0.911
0.736
0.555
0.400
0.279
0.190
0.126
0.083
0.053
0.023
0.060
0.083
0.056
0.027
0.011
0.004
0.001
0.000
0.000
0.997
0.971
0.819
0.611
0.428
0.290
0.194
0.128
0.083
0.053
0.976
0.929
0.877
0.908
0.971
1.022
1.047
1.052
1.046
1.036
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble
DISEO DE PLANES DE MUESTREO DOBLE
Pgina 306
Como en el caso del muestreo simple, es frecuentemente necesario disear un plan de muestreo
doble tomando como referencia las coordenadas de la curva OC (p 1, 1-) y (p2, ) ya sea con n1=n2
o con n2 = 2n1. Para lo que se emplean las tablas de Grubbs (ver pginas siguientes).
Pgina 307
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada por,
AOQ
{PaI ( N n1 ) PaII ( N n1 n2 )} p
N
(7.9)
Asumiendo que todos los defectivos son remplazados por artculos buenos en los lotes
rechazados, la curva de inspeccin total promedio es,
ATI nPaI (n1 n 2 ) PaII N (1 Pa )
(7.10)
donde Pa PaI PaII
PLANES DE MUESTREO MLTIPLE
Un muestreo mltiple es una extensin del doble, donde pueden requerirse ms de dos muestras
para calificar el lote, por ejemplo un plan de 5 etapas es el siguiente:
Muestra
acumulada
20
40
60
80
100
Aceptar
0
1
3
5
8
Rechazar
3
4
5
7
9
Al terminar cada etapa de muestreo, si el nmero de defectivos es menor o igual al nmero de

aceptacin, se acepta el lote. Si en cualquier etapa el nmero de defectivos acumulado excede el
nmero de rechazo, se rechaza el lote, de otra forma se sigue tomando una siguiente muestra.
Una ventaja que tiene es que el tamao de muestra es ms pequeo que en el caso del simple o
del doble, con una mejor eficiencia de inspeccin. Sin embargo es ms complejo de administrar.
Pgina 308
MUESTREO SECUENCIAL
Es una extensin de los planes anteriores, aqu se toma una secuencia de muestras del lote, cuya
magnitud ser determinada por los resultados del proceso de muestreo. Si el tamao del subgrupo
inspeccionado en cada etapa es mayor que uno, se denomina muetreo secuencial de grupo, si es
uno, como es nuestro caso, se denomina muestreo secuencial artculo por artculo, basado en
Wald (1947).
En este caso se tienen 2 lneas, una de aceptacin y otra de rechazo, teniendo como dato las
coordenadas de la curva OC (p1, 1-) y (p2, ), las ecuaciones de las lneas son:
X ACEPTACION h1 sn
(7.11)
X RECHAZO h2 sn
1
k
h1 log

h2 log
k

k log
(7.12)
p 2 (1 p1 )
p1 (1 p 2 )
1 p1
k
s log
1 p2
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al substituir valores en las ecuaciones
anteriores:
k = 0.80066
h1=1.22
h2=1.57
s=0.028
Pgina 309
Por tanto las ecuaciones de las lneas de aceptacin y rechazo son:
XA= -1.22 + 0.028n
Lnea de aceptacin
XB= 1.57 + 0.028n
Lnea de rechazo
Haciendo una tabla de valores donde el nmero de aceptacin es el entero ms prximo menor
que o igual a XA y el nmero de rechazo es el entero ms prximo superior que o igual a XR.
MUESTREO SECUENCIAL
Xa
Xr
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
-1.192
-1.164
-1.136
-1.108
-1.08
-1.052
-1.024
-0.996
-0.968
-0.94
-0.912
-0.884
-0.856
-0.828
-0.8
-0.772
-0.744
-0.716
-0.688
-0.66
-0.632
-0.604
-0.576
1.598
1.626
1.654
1.682
1.71
1.738
1.766
1.794
1.822
1.85
1.878
1.906
1.934
1.962
1.99
2.018
2.046
2.074
2.102
2.13
2.158
2.186
2.214
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Xr
Xa
Xr
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
-0.548
-0.52
-0.492
-0.464
-0.436
-0.408
-0.38
-0.352
-0.324
-0.296
-0.268
-0.24
-0.212
-0.184
-0.156
-0.128
-0.1
-0.072
-0.044
-0.016
0.012
0.04
0.068
2.242
2.27
2.298
2.326
2.354
2.382
2.41
2.438
2.466
2.494
2.522
2.55
2.578
2.606
2.634
2.662
2.69
2.718
2.746
2.774
2.802
2.83
2.858
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
Xr
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
En este caso no se puede tomar una decisin de aceptacin hasta que hayan transcurrido las
suficientes muestras, que hagan que la lnea de aceptacin tenga valores positivos en Xa, 44 en
este caso, y no se puede rechazar hasta en la 2. Muestra.
Pgina 310
No. de
defectos
acumulado
s
3
Lnea de
aceptacin
Lnea de
Rechazo
2
1
0
20
40
-1
60
Nmero
de
muestras
Fig. 7.11 Comportamiento del muestreo secuencial
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p1, 1-), (p2, ) y el punto medio de la curva en p=s y Pa = h2
/(h1+h2). Las muestras inspeccionadas promedio son:
B
A
ASN Pa (1 Pa )
C
C
Donde,
A log
B log
(7.13)
1
1
p
1 p2
C p log 2 (1 p) log
p
1
1 p1
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras inspeccionadas total es:
A
ATI Pa (1 Pa ) N
C
(7.14)
Pgina 311
Pgina 312
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)

Descripcin de la norma
Esta norma se desarroll durante la segunda guerra mundial emitindose en 1950 con la versin
A. La versin D se public en 1963 y en 1971 fue adoptada por la ANSI con pequeos cambios
como la Z1.4 y en 1973 fue adoptada por la ISO como la norma ISO 2859. En 1989 se liber la
versin E.
La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):

-
Muestreo simple.
Muestreo doble.
Muestreo mltiple
En cada uno de los casos se prevn los siguientes tipos de inspecciones:
Inspeccin normal.
Inspeccin estricta.
Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa mala calidad del
proveedor y se usa la reducida cuando la calidad del proveedor es buena, reduciendo los
tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y 10%),
negociado entre cliente y proveedor. Los valores tpicos de AQL para defectos mayores es
de 1%, 2.5% para defectos menores y 0% para defectos crticos. Cuando se utiliza para
planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000
defectos por cada 100 unidades, los noveles pequeos de AQL se pueden utilizar tanto
para controlar fraccin defectiva como defectos por unidad.
Pgina 313
El tamao de muestra en el estndar est determinado por el tamao del lote y por la
seleccin del nivel de inspeccin. Se proporcionan tres niveles de inspeccin, donde el
nivel II se considera normal; el nivel I requiere alrededor de la mitad de la inspeccin del
nivel II y se usa cuando se requiere menos discriminacin; el nivel III requiere alrededor del
doble de inspeccin del nivel II, y se usa cuando se requiere ms discriminacin. Hay
tambin cuatro niveles especiales de inspeccin, S-1, S-2, S-3 y S-4, estos usan tamaos de
muestra muy pequeos y slo deben usarse cuando los riesgos grandes del muestreo sean
aceptables.
Para un AQL especfico, un nivel de inspeccin y un tamao de lote dado, el estndar MILSTD-105E proporciona un plan de muestreo normal que se utilizar conforme el proveedor
produzca productos con calidad AQL o mejor. Tambin proporciona un mecanismo de
cambio de cambio a inspeccin estricta o reducida como se ilustra en la figura y se
describe a continuacin.
1.
Normal a estricta. Cuando se tiene inspeccin normal, la inspeccin estricta se instituye

cuando cundo dos de cinco lotes consecutivos han sido rechazados.
2.
Estricta a normal. Cuando se tiene inspeccin estricta, la inspeccin normal se instituye

cuando cinco lotes consecutivos son aceptados.
3.
Normal a reducida. Cuando se tiene inspeccin normal, la inspeccin reducida se instituye

cuando se cumple con todas las condiciones siguientes:
a. Diez lotes consecutivos han sido aceptados con inspeccin normal.

b. El nmero total de defectivos en las muestras de los diez lotes precedentes es menor o
igual a el nmero lmite aplicable del estndar.
c.
La produccin de lotes ha sido continua sin interrupciones mayores.
d.
La inspeccin reducida se considera adecuada por la funcin responsable de la

inspeccin por muestreo.
Pgina 314

4.
Reducida a normal. Cuando se tiene inspeccin reducida, la inspeccin normal se instituye

cuando se cumple cualquiera de las condiciones siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de aceptacin o rechazo, el
lote se acepta pero se cambia a inspeccin normal en el prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.
5.
La Inspeccin se descontina. Cuando diez lotes se acepten con inspeccin estricta y el

proveedor tome acciones para mejorar su calidad.
Iniciando las reglas para el Sistema ANSI Z1.4
INICIO
10 lotes aceptados
Produccin regular
Aprobado por la autoridad
responsable.
2 de 5.
Lotes consecutivos.
No aceptados.
Reducido
Estricto
Normal
Se rechaza un Lote
Lotes aceptados con no
conformidades encontrndose entre
Ac y Re del plan, o
Produccin irregular
Otras condiciones de deteccin.
5 consecutivos.
Lotes aceptados
10 Lotes consecutivos aceptados
Inspeccin discontinua con Z1.4
Fig. 7.12 Reglas de cambio de planes de inspeccin
Pgina 315
1.2
0.8
0.6
0.4
0.2
0.00 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.03 0.03 0.04 0.04 0.04 0.05 0.05
Normal
Rigurosa
Reducida
Fig. 7.13 Comparacin entre los planes normal, reducido y estricto
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
1. Negociacin del AQL (cliente proveedor).

2. Decisin del nivel de inspeccin.
3. Determinacin del tamao del lote.
4. Consultar la tabla 1 (ver apndice) y localizar la letra cdigo correspondiente al tamao del
lote y el nivel de inspeccin.
5. Decisin en cuanto al procedimiento de muestreo a utilizar (simple, doble, mltiple).
6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se encuentran en el
apndice).
7. Uso de la tablas para inspeccin reducida y estricta, cuando se requieran hacer cambios.
Ejemplo 7.4 Si N= 2,000 y AQL= 0.65% usando el nivel II de inspeccin:
1. La tabla I indica la letra cdigo K.

2. La tabla II-A para inspeccin normal indica el plan de muestreo n=125 y c=2.
3. La tabla II-B para inspeccin estricta indica el plan de muestreo n= 125, c=1.
Pgina 316
La flecha descendente cambia la c, la letra de cdigo y el tamao de muestra, lo mismo para la

ascendente. Por ejemplo, un AQL de 1.5% y letra F ser cambiado a letra G con tamao de
muestra 32 en lugar de 20.
Para el caso de muestreo doble con los datos anteriores, la letra cdigo es K y de las III-A, III-B y
III-C se obtienen los planes de inspeccin normal (n1= n2=80, c1a=0, cir=3, c2a=3), estricta (mismas
que n1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del productor de la
curva OC, la parte restante de la curva depende de la seleccin del nivel de inspeccin. Los
tamaos de muestra seleccionados son 2, 3, 5, 8, 13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250
y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del tamao de muestra se
obtiene una recta hasta n=80 y despus una recta con una pequea pendiente. Como la razn de
N a n es decreciente conforme aumenta N se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MIL-STD-105E,
difiriendo en que:
1. Se usa el trmino No conforme o no conformancia o porcentaje no conforme.

2. Cambian ligeramente las reglas de cambio agregndose una opcin para inspeccin reducida
sin el uso de nmeros lmite.
3. Se agregan varias tablas que muestran el desempeo de los planes, como el AOQL, fracciones
defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
4. Hay una descripcin detallada de los planes de muestreo simples.
Pgina 317
5. Se proporciona un esquema ilustrando las reglas de cambio en inspeccin.
Letras cdigo para el tamao de muestra

MIL-STD-105E
Lote
2-8
9-15
16-25
26-50
51-90
91-150
151-280
281-500
501-1 200
1 201-3 200
3 201-10 000
10 001-35 000
35 001-150 000
150 001-500 000
500 001 -----
Niveles de inspeccin especiales

S-1
S-2
S-3
S-4
A
A
A
A
A
A
A
A
A
A
B
B
A
B
B
C
B
B
C
C
B
B
C
D
B
C
D
E
B
C
D
E
C
C
E
F
C
D
E
G
C
D
F
G
C
D
F
H
D
E
G
J
D
E
G
J
D
E
H
K
Niveles de inspeccin generales

I
II
III
A
A
B
A
B
C
B
C
D
C
D
E
C
E
F
D
F
G
E
G
H
F
H
J
G
J
K
H
K
L
J
L
M
K
M
N
L
N
P
M
P
Q
N
Q
R
Tabla de inspeccin normal II-A

Letra cdigo
para tamao
de muestra
A
B
C
Tamao de
muestra
2
3
5
D
E
F
8
13
20
G
H
J
32
50
80
K
L
M
125
200
315
N
P
Q
500
800
1250
2000
0.01
Ac Re
0.015 0.025
0.04
Ac Re Ac Re Ac Re
Niveles de calidad aceptables AQL (%)

0.065
0.1
0.15
0.25
0.4
0.65
Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re
1
Ac Re
1.5
Ac Re
2.5
Ac Re
4
Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
1 2
1 2
2 3
1 2
1 2
2 3
1 2
2 3
3 4
2 3
3 4
5 6
3 4
5 6
7 8
2 3
3 4
5 6
0 1
0 1
0 1
0 1
1 2
2 3
3 4
5 6
3 4
5 6
7 8
1 2
1 2
2 3
3 4
2 3
3 4
5 6
3 4
5 6
7 8
5 6
7 8
10 11
7 8
10 11 14 15
10 11 14 15 21 22
1 2
2 3
3 4
5 6
7 8
10 11 14 15 21 22
7 8
10 11 14 15 21 22
10 11 14 15 21 22
7 8
10 11 14 15 21 22
Usar el primer plan de muestreo debajo de la flecha
Ac
Nmero de aceptacin
Usar el primer plan de muestreo arriba de la flecha
Re
Nmero de rechazo
Pgina 318
1 2
2 3
1 2
2 3
0 1
0 1
1 2
Tabla de inspeccin rigurosa II-B

Letra cdigo
para tamao Tamao de
de muestra muestra
A
2
B
3
C
5
D
8
E
13
F
20
G
32
H
50
J
80
K
125
L
200
M
315
N
500
P
800
Q
1250
R
2000
S
3150

0.01 0.015 0.025 0.04 0.065
0.1
0.15
0.25
0.4
0.65
1
1.5
2.5
4
Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
1 2
1 2
2 3
1 2
2 3
3 4
1
2
3
5
2
3
4
6
1
2
3
5
8
2
3
4
6
9
1 2
0 1
1 2
2 3
1 2
2 3
3 4
1 2
2 3
3 4
5 6
1 2
2 3
3 4
5 6
8 9
2 3
3 4
5 6
8 9
12 13
3 4
5 6
8 9
12 13 18 19
5 6
8 9
12 13 18 19
8 9
12 13 18 19
12 13 18 19
1 2
2 3
3 4
5 6
8 9
12 13
18 19
1 2
Ac
Nmero de aceptacin
Re
Nmero de rechazo
Tabla de inspeccin reducida II-C

Letra cdigo
para tamao Tamao de
de muestra muestra
A
2
B
2
C
2
D
3
E
5
F
8
G
13
H
20
J
32
K
50
L
80
M
125
N
200
P
315
Q
500
R
800
0.01
Ac Re
0.015 0.025
0.04
Ac Re Ac Re Ac Re

0.065
0.1
0.15
0.25
0.4
0.65
Ac Re Ac Re Ac Re Ac Re Ac Re Ac Re
1
Ac Re
1.5
Ac Re
2.5
Ac Re
4
Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 2
0 2
1 3
0 2
1 3
1 4
0
1
1
2
2
3
4
5
0
1
1
2
3
2
3
4
5
6
0
1
1
2
3
5
2
3
4
5
6
8
0
1
1
2
3
5
7
2
3
4
5
6
8
10
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
Ac
Nmero de aceptacin
Re
Nmero de rechazo
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
NOTA: Si se ha excedido el nmero de aceptacin, sin alcanzar el nmero de rechazo, aceptar el lote pero regresar a la inspeccin normal
.
Figura 7.14 Tablas de muestreo simple por atributos
Pgina 319
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920)

Desarrollaron dos tipos de planes usando inspeccin rectificadora:
1. Planes para el porcentaje defectuoso tolerable en el lote LTPD y
2. Los que proporcionan un lmite de la calidad mxima promedio de salida AOQL especificado.
Los planes anteriores basados en AQL no son adecuados para el caso del ensamble de productos
complejos. La tabla siguiente muestra la fraccin defectiva en ppm dependiendo del AQL
aceptable.
AQL
ppm
10%
1%
0.10%
0.01%
0.00%
0.00%
100,000
10,000
1,000
100
10
1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes tienen en promedio
un AQL = 0.5% , por tanto la probabilidad de que el equipo trabaje es de:
P( funcin _ adecuada) (0.995 )100 0.6058
Por tanto es obvio que se requieran planes de proteccin del LTPD, aun cuando el AQL sea muy
bajo. Para esto se utilizan los planes de Dodge-Romig principalmente para inspeccin de subensambles.
Los planes de Dodge-Romig de AOQL y LTPD estn diseados para minimizar la inspeccin total
promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando el rechazo medio
del proceso es bajo (alrededor de 100 ppm).
Pgina 320
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%, 0.25%, 0.75%,
1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se especifican seis valores para medias de
proceso. Se tienen planes para muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la fraccin disconforme del
proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del 90% de que sern
rechazados los lotes que tengan desde un 10.3% defectuoso.
Suponiendo que los lotes recibidos tengan un promedio de 1% de defectivo y la probabilidad de

aceptacin sea Pa=0.9957, se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarn 86 partes del lote en promedio.
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1. Se proporcionan
tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fraccin promedio de defectivos del proveedor de 0.25%
de productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son seleccionados al
100% y los artculos defectuosos se reemplazan por artculos buenos, el AOQL=0.28%.
Pgina 321
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin 100% es mejor
econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la fraccin promedio no

conforme del proveedor. Se puede estimar la fraccin defectiva promedio del proceso por medio
de carta de control p para los primeros 25 lotes del proveedor, con las causas especiales
eliminadas y el proveedor haya tomado acciones para prevenir su reincidencia.
Pgina 322
8. MUESTREO DE ACEPTACIN POR VARIABLES

Ventajas y desventajas
La principal ventaja del muestreo por variables es que se puede obtener la misma curva
caracterstica de operacin con tamao de muestra menor que el que requerira un plan por
atributos. Otra ventaja es que los datos por variables proporcionan ms informacin del proceso
que los atributos. Cuando los AQLs son muy pequeos (del orden de ppm), el tamao de muestra
requerido en el caso de muestreo por atributos es muy grande y por variables muy pequeo.
Cuando la inspeccin es del tipo destructivo, los planes por variables si se aplican son ms
econmicos.
Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos, a
pesar de que el tamao de muestra sea menor y que es necesario un plan de muestreo para cada
caracterstica importante del producto.
Se debe conocer la distribucin de la caracterstica de calidad, la cual debe ser normal ya que de
otra forma se pueden cometer errores en la aplicacin del plan de muestreo por variables. Esto es
ms crtico cuando las fracciones defectivas son muy pequeas.
En la figura de la pgina siguiente se muestran las diferencias para varias distribuciones. Si la

distribucin no es normal se puede disear un plan si se puede determinar la fraccin defectiva a
partir de la media y la desviacin estndar de esa distribucin.
Los planes especifican el nmero de artculos a muestrear en los cuales se hacen mediciones en la
caracterstica de calidad seleccionada, y el criterio de aceptacin de esos lotes.
Una comparacin entre los diferentes tipos de muestreo se da a continuacin, considerando una
p1 = 0.01, p2 = 0.08, = 0.05 y = 0.10:
Pgina 323
Tipo de muestreo
n ASN
1. Muestreo simple por atributos
n = 67.
2. Muestreo doble por atributos
ASN en p1 = 45
3. Muestreo mltiple por atributos
ASN en p1 = 41
6. Muestreo simple por variables,
n=27
sigma desconocida, mtodo de s

7. Muestreo simple por variables
n=10
Sigma conocida
Como se observa, si la distribucin es normal y la desviacin estndar es conocida, el costo

de muestreo por variables es menor.
TIPOS DE PLANES DE MUESTREO
Existen dos tipos de planes de muestreo por variables, los que controlan la fraccin defectuosa del
lote y los que controlan un parmetro del proceso tal como la media.
8.1 CONTROL DE LA FRACCIN DEFECTIVA

Como la caracterstica de calidad es una variable, siempre existir ya sea un lmite de
especificacin inferior LIE, lmite de especificacin superior o ambos, que definan los valores
aceptables de esa caracterstica.
Considerando una caracterstica de calidad x normalmente distribuida y un lmite inferior de

especificaciones LIE, la fraccin defectiva p es funcin de la media del lote y su desviacin
estndar .
Pgina 324
Asumiendo que la desviacin estndar del proceso es conocida, se desea tomar una muestra del
lote para determinar si o no el valor de la media es tal que la fraccin defectiva p es aceptable.
Para esto se tienen dos mtodos.
__
LIE
Figura 8.1 Bases del muestreo por variables
Procedimiento 1.
Tomando una muestra aleatoria de n artculos del lote y calculando el estadstico
Z LIE
X LIE
(8.1)
ZLIE expresa justamente la distancia entre la media X de la muestra y el lmite inferior de

especificacin LIE, entre mayor sea su valor, la media X de la muestra estar ms alejada del LIE
y en consecuencia menor ser la fraccin defectiva p.
Si hay un valor crtico p que no deba ser excedido con una probabilidad establecida, se puede
traducir el valor de p en una distancia crtica por decir k para ZLIE. De esta forma si ZLIE <= k, se
aceptar el lote ya que automticamente la fraccin defectiva p es satisfactoria, en caso contrario
la fraccin defectiva p es mayor que la aceptable y se rechazar el lote.
Ejemplo 8.1 Si =100, =10 y LIE= 82:
Z LIE
X LIE
82 100
1.8
10
Pgina 325
Donde (-1.8) = 0.0359 o sea el 3.59% defectuoso.
Se sigue el mismo procedimiento para el caso de tener un lmite superior de especificacin

unilateral LSE.
Z LSE
LSE X
(8.2)
Cuando se tiene un solo lmite de especificacin, la relacin entre Z y la fraccin defectiva (p) es:
Z s Zi
0.25
0.6745
0.20
0.8416
0.15
1.0364
0.10
1.2816
0.05
1.6449
0.02
2.0537
0.01
2.3263
Procedimiento 2.
A partir de una muestra sencilla de tamao n del lote, se calcula ZLIE o
QLIE Z LIE n /(n 1) (ms exacto) y se estima la fraccin defectiva p como el rea bajo
la curva normal debajo de ZLIE, si esta fraccin estimada p, excede un valor mximo M, se
rechaza el lote, de otra forma se acepta.
Para el caso de lmites bilaterales se calculan ambos QLIE y QLSE.
Pgina 326
QLIE
X LIE
n /(n 1)
(8.3)
QLSE
LSE X
n /(n 1)
Se estiman las fracciones defectivas P(QLIE) y P(QLSE) de la tabla mostrada en el apndice

para estimar las fracciones defectivas pI y pS, si la suma de ambas fracciones defectivas no
excede al valor mximo permitido M se acepta el lote, en caso contrario se rechaza el lote.
Cuando la desviacin estndar es desconocida, se puede estimar de la desviacin
estndar de la muestra s, remplazando en las frmulas anteriores a por s.
8.2 DISEO DE UN PLAN DE MUESTREO POR VARIABLES

CON UNA CURVA CO ESPECFICA
Para disear un plan de muestreo por variables usando el procedimiento 1, el mtodo de k, que
tiene una curva OC especificada por dos puntos (p1, 1-), (p2, ) donde p1 y p2 son las fracciones
defectivas que corresponden a niveles de calidad aceptables y rechazables respectivamente se
utiliza un nomograma.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver pgina siguiente),
para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva caracterstica de operacin CO, cambiando
los valores de las fracciones defectivas p y hallando sus probabilidades de aceptacin si se
mantiene fijo n y k.
Pgina 327
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mnima para una botella de
plstico sea de LIE= 225 psi, si a lo ms el 1% no pasa el lmite, se aceptar el lote con una
probabilidad del 95% (p1=0.10 y 1-= 0.95), mientras que si el 6% o ms estn abajo del lmite, el
embotellador rechazar el lote con una probabilidad de 90% (p2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una lnea que une a el punto 0.01 en la
escala de fraccin defectivas con el punto 0.95 en la escala de probabilidad de aceptacin.
Despus se traza una lnea similar que conecta los puntos p2 = 0.06 y Pa=0.10, en la interseccin de
esas lneas se lee, k=1.9 y n=40 para desconocida (siguiendo la lnea curveada) o n=15 (bajando
una lnea perpendicular) para conocida.
a) Procedimiento 1
Si se desconoce la desviacin estndar, se toma una muestra aleatoria de n = 40 piezas calculando
la media y la desviacin estndar s, se calcula ahora:
Z LIE
X LIE
Si ZI k = 1.9 se acepta el lote, de otra forma se rechaza.
Si se conoce la desviacin estndar, la n pasa de 40 a 15 con menos costos, al bajar en forma

perpendicular en el punto de interseccin hacia la escala de n.
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M del nomograma de la fig. 14.3,
La abscisa se calcula como sigue (con n = 40 y k = 1.9):
1
k n
1 1.9 40

0.35
2 2(n 1) 2 2(39 )
Pgina 328
Esto indica que M = 0.30.
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media de la muestra
X 255 y s = 15, el valor de ZLIE es:
Z LIE
X LIE 225 225
2
s
15
de las tablas para fraccin defectiva al final de este captulo se obtiene una p = 0.020, y siendo que
es menor que M = 0.030, se acepta el lote.
Para lmites bilaterales se obtienen ambas pi y ps en base a Zi y Zs, si pi + ps M se acepta el lote, si
no se cumple lo anterior, el lote se rechaza.
8.3 TABLAS ASQC Z1.9 1993

Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente fueron
homologadas con las tablas MIL-STD-105E (incluyendo inspeccin normal, reducida y estricta y
concordancia en las letras cdigo de los planes para cada AQL) para su uso en la industria dando
lugar a las tablas Z1.9 de la ASQC.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin (el normal es el II),
el nivel III tiene una curva ms abrupta que el nivel II. Se pueden usar niveles ms bajos (S3 S4)
para reducir costos muestrales si se toleran riesgos mayores.
Tiene la siguiente organizacin:
Pgina 329
Variabilidad
Desconocida
Mtodo de S
Variabilidad
Conocida
Especificacin
Unilateral
Especificaciones
Bilaterales
Procedimiento 1
(Mtodo de k)
Procedimiento 2
(Mtodo de M)
Procedimiento 2
(Mtodo de M)
Fig. 8.2 Organizacin del muestreo por variables

Tienen 4 secciones:
A. Descripcin general, con definicin de trminos, cdigo de letras de tamao de muestra, y

curvas OC de los planes.
B. Planes basados en la desviacin estndar de la muestra con sigma del proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya descontinuado).
D.
Planes basados en la media de la muestra cuando se conoce la sigma del proceso.
USO DE LAS TABLAS
Las tablas se encuentran en el apndice y su uso se ilustra con un ejemplo:
Ejemplo 8.4 Para el caso del embotellador: Si el lmite inferior LIE = 225 psi, suponiendo que el
nivel de calidad aceptable en este lmite es AQL = 1% y que las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Pgina 330
Procedimiento 1.
1.
En la tabla A-2 se identifica el cdigo de letra, en este caso, la N:
2.
En la tabla B-1 se determina la n y k en este caso con la letra N y AQL= 1.00 negociado entre
proveedor y cliente, se obtiene k = 2.03. Para el caso de inspeccin severa (escala inferior) k =
2.18. Para el caso de inspeccin reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el rengln de N y columna de AQL= 1% obtenindose M=

2.05%. Para inspeccin severa M = 1.42%. Para inspeccin reducida, de la tabla B-4 se obtiene
k = 3.44%.
4. La inspeccin estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspeccin reducida se usa cuando los 10 lotes anteriores se han aceptado y su fraccin
defectiva estimada es menor que un lmite inferior especificado y la produccin es estable.
6.La tabla B-6 se usa para obtener la desviacin estndar mxima que se debe obtener en la
muestra con base a la tolerancia. Si el valor de s excede este valor, se rechaza el lote.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con sigma conocida con
menor n si se demuestra estabilidad en una grfica X -s para los lotes (al menos para 30). Los
planes especficos para este tipo de planes se deben consultar en el estndar.
EJEMPLOS TOMADOS DEL ESTANDAR Z1.9-1993
VARIABILIDAD DESCONOCIDA MTODO DE LA DESVIACIN ESTNDAR
B1. Plan de muestreo para lmite especificacin unilateral. Forma 1

a) De la tabla A2 seleccionar la letra cdigo de funcin del tamao del lote y el nivel de
inspeccin.
b) Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan.
n
- tamao de muestra.
- constante de aceptabilidad
c) Obtener mediciones de muestras , calcularX y s.

d) Criterio de aceptacin.
LSE
- Lmite superior de especificacin.
Pgina 331
LIE - Lmite inferior de especificacin.

Comparar (LSE X) / s (X LIE) / s con k.
Si es mayor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.5 La mxima temperatura de operacin es de 209F. Un lote de 40 artculos se

inspecciona, tomando AQL = 1%, nivel II.
Solucin.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
B5- Usando la forma 2

a) Usar tablas B3 ( normal y estricta) y B4 (reducida) y obtener el plan de inspeccin, n y M
Porcentaje mximo de no conformes.
b) Obtener mediciones de muestras, calculandoX y s.
c) Criterio de aceptacin.
Calcular el ndice de calidad QS= (LSE - X ) / s
QI= (X LIE ) / s
En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme PS o PI.
Comparar PS o PI con M , si es igual o menor se acepta el lote, se rechaza en caso contrario.

Ejemplo 8.6 De lo anterior; X = 195 ; s = 8.8
a) De la tabla B3 se obtiene M = 3.33% para letra D, n = 5 y AQL = 1%.
b) De la taba B5 con QS= 1.59 se obtiene PS = 2.19%
c) Como PS M se acepta el lote.
Pgina 332
B8. Plan de muestreo para doble lmite de especificacin.

a) Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
b) Obtener el plan n y M de tabla B3 y B4. Si se especifican diferentes AQLs para cada lmite de
especificacin, obtener el porcentaje mximo no conforme para cada lmite MI y MS. Si se
asigna el mismo AQL a ambos lmites, designar el nivel mximo de porcentaje no conforme
por M.
c)
Obtener mediciones del muestreo.
d) Calcular los Indices de Calidad QS = (LSE - X ) / s y QL =( X LIE ) /s

e) De tabla B5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.
Pestimada= PI + PS
f)
Comparar Pest. Con M, si es menor o igual se acepta el lote, en caso contrario se rechaza.
Nota: Cuando hay diferente AQL para cada lmite:

Aceptar si PI MI y PS MS y P = PI + PS mayor (MS, MI)
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel de inspeccin II, inspeccin normal y
_
en base a temperaturas de los ejemplos anteriores, n = 5, X = 195; s= 8.8; considerando LIE=

180F; LSE= 209F; AQL= 1% donde de tabla
B-3 M = 3.32%
QS=
209 180
1.59 ; PS = 2.19% (de tabla B-5)
8.8
QI =
195 180
1.704; PI = 0.66% (de tabla B-5) por tanto la fraccin defectiva total es de
8.8
p = 2.85%
Como P < M se acepta el lote.
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
b) Comparando PS MS ; PI MI y P MI
Pgina 333
Se acepta el lote.
VARIABILIDAD CONOCIDA
D.1 Slo un lmite de especificacin. Forma 1.

Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9 Se toma un lote de 500 artculos para inspeccin. LIE= 58,000 psi. N= 500,
nivel II, inspeccin Normal. AQL= 1.5%. La variabilidad es conocida con valor 3,000 psi
a) de tabla A2, se identifica la letra I y de tabla D1 obtenemos n = 10

Valores de muestra
62,500; 60,500; 68,000; 59,000; 65,500

62,000; 61,000; 96,000; 58,000; 64,500.
a) Clculo de X= 63,000 ; ( X LIE) / = 1.67

b) De tabla D1 ; k = 1.7
c) Comparando ( X LIE)/ < k y el lote se rechaza.
D.5 Usando la forma 2.

a) Usar tablas D3 y D4 obteniendo n, M y V
b) Calcular QS= (LSE - X) V / y QL=( X LIE) V /
c) Usando tabla D5 estimar PS y PI
d) Comparar D= PS + PI M para aceptabilidad
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500 artculos;AQL = 1.5%; Inspeccin
_
nivel II, normal. De los datos anteriores se obtuvo X = 63,000; n = 10 ; = 3,000. De tabla
A-2 se obtiene la letra I.
a) Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054 respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Pgina 334
D9. Plan de muestreo para doble lmite de especificacin

a) Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
b) Obtener el plan n, el factor v y el porcentaje mximo aceptable M de tabla D3 y D4. Si se
especifican diferentes AQLs para cada lmite de especificacin, obtener el porcentaje mximo
no conforme para cada lmite MI y MS. Si se asigna el mismo AQL a ambos lmites, designar el
nivel mximo de porcentaje no conforme por M.
c) Obtener mediciones del muestreo en n partes.
d) Calcular la media de los datos.
e) Calcular los Indices de Calidad QS = (LSE - X ) v / y QL =( X LIE ) v /
f)
De tabla D-5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.

Pestimada= PI + PS
Ejemplo 8.11 La especificacin para una colada de acero es de 67,000 y 58,000 psi
respectivamente. Un lote de 500 artculos se somete a inspeccin. El nivel de inspeccin es II,
inspeccin normal con AQL = 1.5%. La variabilidad conocida con valor 3,000 psi.
a) De tabla D-3 se obtuvo n = 10, v = 1.054, M = 3.63%

_
b) De las mediciones de las 10 muestras se obtuvo X 63,000

c) Los ndices QS con QL son respectivamente 2.459 y 3.162 con fracciones estimadas defectuosas
0.697% y 0.078% de la tabla D-5.
d) Como la fraccin defectiva total no excede el valor de M = 3.63%, se acepta el lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso contrario se rechaza.
DISCUSIN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideracin muy importante en el uso de las normas es que la poblacin de donde se
obtienen las muestras debe ser normal. Es ms crtico para pequeos valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la distribucin para

asegurar que la norma Z1.9 es aplicable sin modificaciones.
Pgina 335
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981) son:
1. Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-STD-105E por
atributos.
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la MIL-STD-105E.
3. Los niveles de inspeccin originales I, II, III, IV y V se denominaron S3, S4, I, II y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de las desviaciones
estndar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin normal a severa y
viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han sido aceptados y:
El AQL es un paso menor.
El proceso est bajo control estadstico.
La inspeccin reducida es aprobada.
7. La ISO 3951 permite el paso de un mtodo de sigma desconocida a sigma conocida, utilizando
como sigma el valor promedio estimado en la carta de control estable con al menos 30
subgrupos. Requiriendo la continuacin de la carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por atributos con la
MIL-STD-105E, obtener informacin suficiente y despus cambiar a un esquema por variables
manteniendo la misma combinacin de letra para el AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de cada lote.
Pgina 336
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES

ASEGURAMIENTO DE LA MEDIA DEL PROCESO
Los planes de muestreo por variables tambin pueden utilizarse para asegurar la calidad media de
un material en lugar de su fraccin defectiva. El mtodo general que aqu se emplea es el de
prueba de hiptesis, lo cual se ilustra con un ejemplo.
Ejemplo 8.12 Se considera aceptable un lote si tiene menos de 0.3 ppm de emisiones de
formaldedo en maderas. Se disea un plan de muestreo con una probabilidad de aceptacin del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes con un 0.4 ppm tengan una
probabilidad de aceptacin del 10%. Si por experiencia se sabe que la desviacin estndar es 0.10
ppm, se tiene:
Si X A es la media muestral debajo de la cual se aceptar el lote, est normalmente distribuida y

tiene una probabilidad de 0.95 de aceptacin, entonces,
X A 0.3
X A 0.3
1.645
0.1
n
(8.4)
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen una probabilidad
de 0.10 de aceptacin, entonces,
X A 0.4
X A 0.4
1.282
0.1
n
(8.5)
resolviendo para X A y n se obtiene:
X A = 0.355
n= 9
Muestreo secuencial por variables

Similar al de atributos graficando la suma acumulada de las mediciones de la caracterstica de
calidad. Las lneas para aceptacin del lote, rechazo del lote y continuacin del muestreo se
construyen en forma similar a las de atributos (ver Duncan 1986).
Pgina 337
APNDICES
Pgina 338
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

CARTAS Xbarra-R
Lmites de control para medias n =5
LSC = X + A2 R
LIC = X - A2 R
Lmites de control para rangos n=5

LSC = D4 R
LIC = D3 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Lmites de control para desviaciones estndar

LSCs = B4 S
LCs = S
LICs = B3 S
CARTAS I-MR de valores individuales

Para los valores individuales n=2
LSCx = X 3
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Pgina 339
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
pi
Di
ni
m
D
i 1
mn
p
i 1
m
__
__
p (1 p )
LSCp = p 3
n
__
__
LCp = p
__
__
p (1 p )
LICp = p 3
n
__
CARTAS np
LSCnp np 3 np(1 p)
LCnp np
LICnp np 3 np(1 p)
CARTAS c
LSCc = c + 3
LCc = c
LICc = c - 3
Pgina 340
CARTAS u
c
n
Donde u representa el nmero promedio de no conformidades por unidad en un conjunto de

datos preliminar
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
Pgina 341
Las constantes para lmites de control en las cartas X-S son:

n
c4
A3
B3
B4
B5
0.9400
1.342 1.427 0
0.9515
1.225 1.287 0.030 1.970 0.029 1.874
0.9594
1..134 1.182 0.118 1.882 0.113 1.806
0.9650
1.061 1.099 0.185 1.815 0.179 1.751
0.9693
1.000 1.032 0.239 1.761 0.232 1.707
10
0.9727
0.949 0.975 0.284 1.716 0.276 1.669
11
0.9754
0.905 0.927 0.321 1.679 0.313 1.637
12
0.9776
0.866 0.886 0.354 1.646 0.346 1.610
13
0.9794
0.832 0.850 0.382 1.618 0.374 1.585
14
0.9810
0.802 0.817 0.406 1.594 0.399 1.563
15
0.9823
0.775 0.789 0.428 1.572 0.421 1.544
16
0.9835
0.750 0.763 0.448 1.552 0.440 1.526
17
0.9845
0.728 0.739 0.466 1.534 0.458 1.511
18
0.9854
0.707 0.718 0.482 1.518 0.475 1.496
19
0.9862
0.688 0.698 0.497 1.503 0.490 1.483
20
0.9869
0.671 0.680 0.510 1.490 0.504 1.470
21
0.9876
0.655 0.663 0.523 1.477 0.516 1.459
22
0.9882
0.640 0.647 0.534 1.466 0.528 1.448
23
0.9887
0.626 0.633 0.545 1.455 0.539 1.438
24
0.9892
0.612 0.619 0.555 1.445 0.549 1.429
25
0.9896
0.600 0.606 0.565 1.435 0.559 1.420
2.089 0
Pgina 342
B6
1.964
Pgina 343

Libro Control Estadistico de Proceso PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro Control Estadistico de Proceso PDF

Uploaded by

Copyright:

Available Formats

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Con base en el Texto de Control Estadstico de la Calidad de

DR. PRIMITIVO REYES AGUILAR

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Costos de calidad ....................................................................................................................... 83

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

5.6 CARTAS DE CONTROL Cusum................................................................................................. 208

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Ventajas y desventajas ............................................................................................................. 323

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

1. IMPORTANCIA DE LA MEJORA CONTINUA

Desempeo (sirve el producto para el uso adecuado?)

Confiabilidad (qu tan frecuentemente falla el producto?)

Durabilidad (cul es la vida til del producto?)

Serviciabilidad (qu tan fcil se repara el producto?)

Esttica (tiene el producto el estilo, color, forma, empaque y apariencia adecuada?)

Caractersticas (qu hace el producto ms all de su desempeo bsico?)

Calidad percibida (cul es la reputacin de la empresa o del producto?)

Cumplimiento de estndares (el producto est hecho de acuerdo a estndares de diseo

As la calidad tradicionalmente es adecuacin al uso.

Dentro de la adecuacin al uso existen la calidad de diseo y la calidad de conformancia. La de

Una definicin ms moderna es que la calidad es inversamente proporcional a la

De esta forma se define la mejora de calidad como:

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Fig. 1.1 Enfoques de conformancia

Un tipo especfico de no cumplimiento de especificaciones es llamado defecto o no

1. Fsicos: Longitud, peso, voltaje, viscosidad

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

El Fordismo de Henry Ford: se implant en empresas con lneas de productos durables en

Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Control de calidad por inspeccin

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Control estadstico del proceso (CEP)

Duncan, Acheson, op. cit.p. 16.

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa, Diagrama de Pareto,

Amsden, R., op. cit. , p. 537.

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009

Desarrollo del Control Estadstico del Proceso

Fig. 1.2 Experimentos de Shewhart para las cartas de control

Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.

CONTROL ESTADSTICO DEL PROCESO

Dr. P. Reyes / enero de 2009