Professional Documents
Culture Documents
Histogramas
Histogramas
Procedimiento:
Obtener un conjunto de datos que se desea representar
mediante un histograma.
Datos para anlisis.
Datos para control del proceso.
Datos para regular alguna variable del proceso.
Datos con el propsito de aceptar o rechazar un lote.
Deben ser representativos del proceso, asociados a
condiciones conocidas de operacin del mismo.
Establecer el rango y clases o intervalos.
Determinar la frecuencia de cada clase y representarla
mediante barras proporcionales a la frecuencia.
Histogramas
Ejemplo:
Los siguientes datos fueron tomados de un proceso de llenado de
bolsas de 1 kg. de arroz y representan el preso de la bolsa llena y
cerrada
986
983
993
996
1000
994
995
986
999
996
989
988
990
989
991
989
991
993
994
986
985
991
991
997
998
993
987
987
992
993
994
990
993
996
984
982
993
985
985
997
993
996
990
991
987
999
998
985
992
987
986
990
994
983
985
984
986
980
990
992
981
997
990
984
994
998
988
989
980
993
982
985
986
997
999
981
986
991
992
998
986
988
991
983
981
983
982
998
995
982
994
996
997
987
991
988
996
995
981
989
Histogramas
Rango
Lim.Inferior
Lim.Superior
Frecuencia
20
980.000
982.857
10
982.857
985.714
13
Clases
985.714
988.571
17
988.571
991.429
19
991.429
994.286
18
994.286
997.143
14
997.143
1000.000
Total
100
Ancho de
clase
2.857
Histogramas
De la grfica se
puede concluir que
el promedio del
proceso est
alrededor de los 900
gramos.
Histograma de frecuencias
20
18
16
14
Frecuencias
Estos valores se
pueden comparar
con las
especificaciones,
con lo que se
obtiene una
perspectiva mejor
sobre la capacidad
del proceso.
12
10
8
6
4
2
0
981
984
987
990
993
996
999
Pesos
Diagramas de Pareto
Se emplean para identificar y separar en forma crtica los pocos
proyectos que provocan la mayor parte de los problemas de calidad.
Su nombre se debe al economista italiano del siglo XVIII Wilfredo
Pareto, quien observ que el 80% de la riqueza de una sociedad
estaba en manos del 20 % de las familias.
Juran tom este principio y lo aplic a la mala distribucin de las
causas de un problema al decir que el 80% de los efectos de un
problema se debe solamente al 20% de las causas involucradas.
Un diagrama se construye listando las causas de un problema en el
eje horizontal, empezando por la izquierda con aquellas que tienen un
mayor efecto sobre el problema y van disminuyendo en orden de
magnitud.
Con respecto a los ejes verticales, de un lado se representa la
magnitud del efecto provocado por las causas y en el otro lado, el
porcentaje acumulado.
Diagramas de Pareto
Ejemplo
El departamento de servicio de un fabricante de
refrigeradores, tiene registrada una lista de las quejas que
han recibido del mercado durante el ltimo mes.
Tipo de queja
No. de quejas
Falla de compresor
2
Puerta no cierra hermticamente
7
No produce cubos de hielo
4
Fugas de agua en mangeras
25
Manijas rotas
18
Bisagras vencidas
5
Soporte de charolas rotos
3
Otros problemas
2
Total
66
Diagrama de Pareto
Se puede
observar que son
3 los defectos
que contribuyen
al 75 de las
quejas de los
clientes.
Si se pretende
reducir el nivel de
insatisfaccin del
cliente, es
necesario
enfocarse en
proyectos
relacionados con
la eliminacin de
esos 3 defectos.
a
ra
as
as
sor
oto
ielo
ier
agu
rot
cid
pre
te r
eh
oc
as
de
ven
om
por
nij
duc
an
ga
as
So
el c
ert
Fu
Ma
pro
d
agr
s
o
Pu
a
i
l
N
B
Fal
Ot
ros
Diagramas causa-efecto
Reciben tambien el nombre de su creador, Ishikawa.
Forma grfica de representar el conjunto de causas potenciales .
Se generan a partir de un proceso de lluvia de ideas.
Se recomienda que las causas potenciales se clasifiquen en 6
categoras conocidas como las 6 Ms : materiales, maquinaria,
mtodos de trabajo, medicin, mano de obra y medio ambiente.
Diagramas causa-efecto
- Del
lado derecho, en un
recuadro escribir la
caracterstica seleccionada.
- Escribir los factores que se cree podran estar causando
el problema en cuestin, de acuerdo con la clasificacin ya
mencionda.
- En cada rama, de acuerdo a la categora, con mayor
detalle las causas que considere podran estar provocando el
problema.
Los diagramas de Ishikawa tienen la ventaja de que
exhiben las relaciones entre un problema y sus posibles causas.
Diagramas causa-efecto
Mtodos de
trabajo
Materiales
Medio
ambiente
Problema
Mano de
obra
Maquinaria
Medicin
Diagramas causa-efecto
Ejemplo:
En una oficina, el caf ha sido tan malo que ya
nadie lo quiere tomar. Se investigan las causas para poner
el remedio apropiado. Las posibles causas son: agua fra,
agua muy caliente, agua contaminada, sucia o tal vez con
mucho cloro, marca de caf, mala dosificacin del caf,
calidad del azcar, tazas con olores penetrados, cafetera
descompuesta, mala ubicacin de la cafetera (cerca del
polvo), mala actitud de quien lo prepara, cafetera
desajustada.
Diagramas causa-efecto
Materiales
Calidad
del agua
Calidad
azcar
Medio
ambiente
Mtodos de
trabajo
Mala dosificacin
del caf
Tazas con
olores
Localizacin
Marca
del caf
Problema
Actitud
Cafetera
en mal
estado
Capacitacin de
quien lo prepara
Temperatura
del agua
Mano de
obra
Maquinaria
Fra
Caliente
Medicin
Hoja de verificacin
Tambin conocidas como hojas de comprobacin o de
chequeo. Ayudan a recopilar y analizar la informacin. Son un formato
que facilita que una persona pueda obtener datos en forma ordenada
y de acuerdo al estndar que se requiera.
Algunas aplicaciones:
Verificacin de la distribucin del proceso de produccin (elaboracin
del histograma correspondiente).
Registro de la ocurrencia de defectos.
Verificacin de las causas de los defectos.
Representacin de la localizacin de defectos sobre una pieza
particular.
Aseguramiento de la realizacin de actividades programadas de una
cierta operacin.
La principal ventaja de este tipo de herramienta es que facilita
la localizacin y el anlisis de informacin. Permite visualizar en una
forma ms amplia la distribucin de un proceso de produccin.
Ejemplo 1
Fecha
HOJA DE VERIFICACION
No.
Octubre/2/2000
Proceso
llenado
Observaciones _______________
Frec.
130
120
110
100
90
80
70
60
50
40
30
20
10
TOTAL
980-982
IIII
4578
983-985
986-988
IIII
IIII
IIII
IIII
10
IIII
IIII
19
Turno
2
Especificacin mayor de 990gr.
Dimensiones
989-991
992-994
995-997
998-1000
IIII
IIII
II
IIII
17
IIII
IIII
I
IIII
16
III
IIII
IIII
13
IIII
Ejemplo 2
Hoja de verificacin
Fecha
Octubre/2/98
No.
4578
Proceso
acabado final
Especificacin menor a 2 /pieza
Turno
2
Tipo de defecto
Frec.
Raspadura/rayadura
Simbolo
R
Mancha superficial
Mancha bajo pintura
Burbujas en pintura
Golpe
Abolladura
1
18
Otros
Total
Localizacin de defectos
G
O
A
B
Diagramas de dispersin
Herramienta estadstica para observar la relacin (lineal) entre
dos variables.
- Alguna caracterstica de calidad y un factor que le afecte.
- Dos factores relacionados con una sola caracterstica.
- Relacin entre dos variables macroeconmicas.
inflacin - consumo per cpita
10
Diagramas de dispersin
La relacin puede ser:
positiva.- aumento (disminucin) en la variable causa,
provocar aumento (disminucin) en la variable efecto.
negativa.- aumento (disminucin) en la variable causa,
provocar disminucin (aumento) en la variable efecto.
Existe un indice que asocia el grado de dependencia lineal que
existe entre las dos variables : correlacin. Mide el grado de
cercana de los puntos con respecto a la linea recta que mejor se
ajusta al conjunto de puntos. El ndice de correlacin es:
Diagramas de dispersin
Ejemplo:
Se realiz un estudio para determinar el efecto que tiene la
rapidez de mezclado sobre la cantidad de impurezas en una
pintura fabricada mediante un proceso qumico.
Rapidez (rpm)
20
22
24
26
28
30
Impurezas (%)
8.4
9.5
11.8
10.4
13.3
14.8
Rapidez (rpm)
32
34
36
38
40
42
Impurezas (%)
13.2
14.7
16.4
16.5
18.9
18.5
11
Diagramas de dispersin
Grfica de dispersin
20
18
16
14
12
10
8
6
4
2
0
0
10
20
30
40
50
Diagramas de dispersin
Rpm
20
22
24
26
28
30
32
34
36
38
40
42
%
8.4
9.5
11.8
10.4
13.3
14.8
13.2
14.7
16.4
16.5
18.9
18.5
x =13.867
-11
-9
-7
-5
-3
-1
1
3
5
7
9
11
-5.467
-4.367
-2.067
-3.467
-0.567
0.933
-0.667
0.833
2.533
2.633
5.033
4.633
60.133
39.300
14.467
17.333
1.700
-0.933
-0.667
2.500
12.667
18.433
45.300
50.967
121
81
49
25
9
1
1
9
25
49
81
121
29.884
19.068
4.271
12.018
0.321
0.871
0.444
0.694
6.418
6.934
25.334
21.468
y = 13.867
12
( x x )( y y ) = 261
i=1
12
(x x
i=1
)2
= 572
12
(y y
i =1
r =
)2
= 127 . 727
261
0. 9656
12
13
LSC
LIC
14
15
Grfica X
Muestra las variaciones en los promedios de las muestras.
Sus lmites:
)
)
LSC = X +
LIC
=X -
)
R
=
= 0
dn
Probabilidad de
Probabilidad de
1
1000
1
40
LSC = X +
)
3. 09
LIC
= X -
LSC = X +
)
1. 96
n
)
3. 09
n
LIC
=X -
)
1. 96
n
16
Grfica X
Ejemplo:
25 muestras de 5 piezas cada una de un proceso de llenado de botellas de
0.355 litros. ( se omite el primer dgito (.3) por simplicidad )
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
1
.65
.75
.75
.60
.70
.60
.75
.60
.65
.60
.80
.85
.70
Grfica
Observaciones
2
3
.70
.65
.85
.75
.80
.80
.60
.70
.75
.65
.75
.75
.80
.65
.70
.80
.80
.85
.70
.60
.75
.90
.75
.85
.70
.75
Muestra
4
.65
.85
.70
.75
.85
.85
.75
.75
.85
.80
.50
.65
.75
5
.85
.65
.75
.65
.80
.70
.70
.75
.75
.75
.80
.70
.70
14
15
16
17
18
19
20
21
22
23
24
25
1
.65
.90
.75
.75
.75
.65
.60
.50
.60
.80
.65
.65
Observaciones
2
3
4
.70
.85
.75
.80
.80
.75
.80
.75
.80
.70
.85
.70
.70
.60
.70
.65
.85
.65
.60
.65
.60
.55
.65
.80
.80
.65
.65
.65
.75
.65
.60
.65
.60
.70
.70
.60
5
.60
.85
.65
.80
.60
.70
.65
.80
.75
.65
.70
.65
# muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
x
.70
.77
.76
.65
.75
.73
.72
.72
.78
.67
.75
.76
.72
R
.20
.20
.10
.15
.20
.25
.15
.20
.20
.20
.40
.20
.05
# muestra
14
15
16
17
18
19
20
21
22
23
24
25
x
.71
.82
.75
.76
.67
.70
.62
.66
.69
.70
.64
.66
R
.25
.15
.15
.15
.15
.20
.05
.30
.15
.15
.10
.10
17
Grfica X
X = 0 . 714
R = 0 .176
R
.176
)
=
= 0 =
= 0 . 0757
dn
2 . 326
n =5
Enfoque norteamericano
LSC = 0. 714
3(0 . 0757 )
LIC
= 0. 714
3(0 . 0757 )
Enfoque britnico
LSC = 0. 714
3. 09 (0 . 0757 )
LIC
= 0. 714
3. 09 (0 . 0757 )
5
Limite de accin
LSC = 0. 714
1. 96 (0 . 0757 )
LIC
= 0. 714
1. 96 (0 . 0757 )
5
Limite de advertencia
18
Grfica R
Estudia la variabilidad de una caracterstica de calidad de un
proceso o producto y en ella se analiza el comportamiento sobre el
tiempo de los rangos de las muestras o subgrupos.
En muestras pequeas, la desviacin estandar y el rango fluctuarn
juntas. En muestras grandes no. Se emplea entonces el concepto de
rango relativo o amplitud relativa R = w
dn
R = w = w
Sus lmites:
)
3 w R
)
LIC = R 3 R = R
dn
R
dn
)
3 w R
)
LSC = R + 3 R = R +
dn
Grfica R
Para obtener los valores 0.001 y 0.999 para R bastara con
multiplicar los valores 0.001 y 0.999 de w por y por lo tanto
tendramos:
w .001
R
dn
w .999
R como lmites probabilisticos.
dn
19
Grfica R
Ejemplo:
En una fbrica de autopartes se han tenido problems con la
dimensin de cierta barra de acero en el momento de ensamblarla, por lo
que se decide recolectar datos para analizar el proceso correspondiente.
La longitud ideal de la barra es de 100mm con una tolerancia de 2mm.
Cada dos horas se toman cinco barras consecutivas y se miden. Los
datos obtenidos en una semana son los siguientes:
Muestra
Muestra
1
2
3
4
5
6
7
8
9
10
11
101.0
100.0
99.1
100.3
97.2
102.2
98.2
100.7
100.4
97.9
101.5
99.4
98.8
99.4
100.1
99.7
103.6
97.6
99.8
103.0
99.8
100.2
99.9
101.0
101.3
98.7
98.9
100.2
99.0
100.4
98.7
100.6
102.1
100.5
100.3
99.0
101.3
100.5
104.7
100.6
99.7
101.6
99.3
99.7
100.2
101.1
99.1
99.8
99.3
104.9
99.0
98.3
100.5
100.7
102.3
12
13
14
15
16
17
18
19
20
21
22
100.4
101.4
97.8
100.7
101.7
101.0
99.6
101.5
100.2
100.5
99.0
100.0
102.4
100.1
101.3
9834
100.3
102.0
100.2
102.1
100.4
99.0
100.2
103.2
99.3
98.9
97.9
101.3
100.5
99.4
101.0
100.2
101.4
97.7
103.2
98.6
99.9
102.2
101.1
97.6
99.2
100.6
100.7
101.1
102.1
102.6
100.7
101.2
100.3
99.5
100.0
99.6
101.6
98.9
97.9
X, R
20
Ejemplo:
Muestra
1
2
3
4
5
6
7
8
9
10
11
X
100.2
100.24
99.58
100.04
99.12
103.12
98.88
99.78
100.84
99.66
101.16
R
1.6
2.3
2.3
2.6
3.3
4.7
3
2.4
4.3
2.8
2.6
Muestra
12
13
14
15
16
17
18
19
20
21
22
X
100.08
102.56
99.3
100.4
100.1
100.64
99.94
99.98
101.1
100.14
99.68
R
4.4
1.8
2.9
2.4
4.3
1.8
4.4
2.3
1.9
1.8
3.5
dn = 2.326
21
Zona A
Prueba 1:
Prueba 2:
Un punto ms alla de la
Zona A.
22
Prueba 3:
Prueba 4:
creciente o decrecientes.
arriba y abajo.
Prueba 6:
4 puntos de 5 consecutivos en la
linea central).
23
Prueba 8:
15 puntos consecutivos en la
8 puntos consecutivos en la
central).
de la lnea central).
es p1
i(1 p 1 ) i 1 p 1 =
i=1
1
p1
24
Ejemplo:
Los siguientes datos son medias y rangos de tamao 5 .
Muestra
R Muestra
X
X R
1
.4402 .015
16
.4362 .015
2
.4390 .018
17
.4380 .019
3
.4448 .018
18
.4350 .008
4
.4432 .006
19
.4378 .011
5
.4428 .008
20
.4384 .009
6
.4382 .010
21
.4392 .006
7
.4358 .011
22
.4378 .008
8
.4440 .019
23
.4362 .016
9
.4366 .010
24
.4348 .009
10
.4368 .011
25
.4338 .005
11
.4360 .011
26
.4366 .014
12
.4402 .007
27
.4346 .009
13
.4332 .008
28
.4374 .015
14
.4356 .017
29
.4339 .024
15
.4314 .010
30
.4368 .014
Grfica de individuales
a) Construya una grfica X -R con las primera 20 muestras.
b) Suponiendo que el proceso se distribuye normalmente, que
porcentaje de la produccin de este proceso estar fuera de
especificaciones si estas son: 0.430 , 0.460 ?
c) Si la media del proceso cambia a 0.4315 , cul es la
probabilidad de detectarla en la primera muestra despus del
cambio ?
d) Cuntas muestras se tendrn que tomar para tener una
probabilidad aproximada de 0.95 de detectar el cambio en al
menos una de estas muestras ?
e) Si el cambio no se detecta en las primeras 8 muestras, cuntas
piezas defectuosas aproximadamente se fabricarn de acuerdo
a los siguientes datos:
- las muestras se tomaron cada 15 a 20 minutos:
- la tasa de produccin es de 350 a 400 piezas por hora.
25
Grfica de individuales
Es una grfica para variables de tipo continuo que se puede ver como
un caso particular de la grfica X R cuando el tamao de muestra es
n=1.
Procesos muy lentos.
Proceso en los que las mediciones cercanas solo difieren por el error
de medicin.
Resulta costoso inspeccionar y medir ms de un artculo (pruebas
destructivas).
Mediciones relativamente homogneas.
Para estimar la variabilidad de estas mediciones se acostumbra usar el
rango mvil de las observaciones.
Este tipo de grficas no son tan sensitivas para detectar cambios en el
proceso como las grficas .
LIC PM = D3 R
LIC X = X E 2 R
N
D4
D3
E2
2
3.267
*
2.66
3
2.575
*
1.772
4
2.282
*
1.457
5
2.115
*
1.29
6
2.004
*
1.184
n
D4
D3
E2
7
1.924
0.076
1.109
8
1.864
0.136
1.054
9
1.816
0.184
1.01
10
1.777
0.223
0.975
11
1.774
0.256
0.945
12
1.716
0.284
0.921
26
1
2
3
4
5
6
7
8
9
10
11
12
Temperatura
125.1
127.5
122.7
126.4
125.5
130.5
127.3
127.5
127.3
123.0
123.5
128.0
Rango mvil
2.4
4.8
3.7
0.9
5.0
3.2
0.2
0.2
4.3
0.5
4.5
X = 126 . 97
Muestra
13
14
15
16
17
18
19
20
21
22
23
24
Temperatura
126.4
128.3
129.5
128.1
125.1
128.5
125.0
126.3
126.5
127.9
129.5
131.9
Rango mvil
1.6
1.9
1.2
1.4
3.0
3.4
3.5
1.3
0.2
1.4
1.6
2.4
R = 2 . 287
Grfica
27
Grficas
X s
(X X)2
n 1
LSC s = B4 s
LSC
LIC s = B3 s
LIC
= X + A3 s
= X A3 s
LSC
med
= med + A 2 R
LIC R = D 3 R
LIC
med
= med A 2 R
28
es capaz ?
El proceso
Si
No
No
A ( Estado ideal )
D ( inestable e incapaz )
29
Ejemplo
En
una
empresa
que
elabora
agroqumicos,
una
Ejemplo
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
Pesos
50.2
50.3
49.8
50.0
50.2
49.2
49.6
50.2
50.1
50.8
48.8
50.3
49.3
50.2
48.8
50.9
49.7
49.4
49.9
49.7
50.6
49.9
49.6
49.6
49.9
50.2
50.0
49.4
49.8
50.7
49.9
49.8
49.3
49.6
50.7
49.6
49.3
50.5
50.2
49.5
48.8
49.3
4937
49.2
49.6
49.9
50.2
48.9
49.0
50.0
50.0
50.1
49.1
49.1
49.5
49.5
49.0
49.8
49.7
49.4
49.2
50.2
49.5
49.3
49.6
49.4
49.9
49.4
49.6
50.0
49.9
50.2
50.1
49.3
49.7
50.5
49.9
49.8
49.9
50.6
49.3
50.4
50.1
49.3
50.5
50.9
49.6
49.9
49.5
50.2
49.1
49.7
49.9
49.7
48.7
49.0
ej4
49.80
49.95
49.88
50.00
49.75
49.70
49.73
50.03
49.43
50.15
49.83
49.65
49.58
50.45
49.53
49.90
49.40
49.58
49.65
49.50
49.93
49.88
49.60
49.43
30
Ejemplo
-3s
Histograma de frecuencias
EI
ES 3s
30
30
28
25
23
20
14
15
10
8
5
0
Pesos
49
50
51
Paso
Mtodo a usar
1. Determinar el propsito de la
grfica.
2. Evaluar la situacin actual.
3. Determinar variables crticas.
4. Seleccionar las variables
candidatas.
5. Elegir la grfica apropiada.
6. Decidir como muestrear.
7. Elegir tamao y frecuencia de
muestreo.
8. Estandarizar la toma de datos.
9. Asegurarse de la cooperacin.
10. Entrenar a usuarios.
11. Analizar los resultados.
Uso
Salida
Preparar
Inicio
31
ES EI
6
Valor de
Clase
Cp
de Decisin
proceso
Cp > 1.33
Ms que adecuado.
Cp < 0.67
Indice Cpk
El indice Cp Estima la capacidad potencial del proceso para cumplir con
tolerancias, pero una de sus desventajas es que no toma en cuenta el
centrado del proceso. Se puede modificar para que evale en donde se
localiza la media del proceso. Al Cp modificado se le llama ndice de
capacidad real Cpk.
MC
MC = min {(ES ), ( EI)}
C pk =
3
Procesos con una sola especificacin
C ps =
ES
3
C pi =
EI
32
Indice Cpm
"Cumplir con las especificaciones no es sin nim od e b uen a c ali da d y la
r edu cci n de la va r ia bil i dad de be dar se per oe nt orn oa l v alo r d ec ali dad
ptimo." (G.Taguchi)
Su ndice se fundamenta en lo que llama funcin de prdida.
)
( Gr fi ca p)
p (1 p )
linea central = =p0
n
p (1 p )
ni
33
(Grfica p)
Ejemplo:
En una empresa del ramo metal-mecnico, se fabrican vlvulas. Despus
del proceso de fundicin, se hace una inspeccin y las piezas que no
cumplen con ciertas caractersticas son rechazadas. Se construye un
grfica p.
Lote
1
2
3
4
5
6
7
8
9
10
11
Tamao
300
300
300
300
300
300
300
280
290
300
300
n
300
Defect.
15
12
15
7
16
6
18
10
9
25
9
=
0. 0362
LC = p
Pi
Lote
0.05 12
0.0413
0.05 14
0.02 15
0.05 16
0.02 17
0.06 18
0.04 19
0.03 20
0.08 21
0.03
p (1 p )
ni
Tamao
300
300
300
305
295
300
300
300
300
300
0. 0362 3
Defect.
4
7
9
5
15
19
7
12
10
4
0. 0362(1 0. 0362)
300
pi
0.01
0.02
0.03
0.02
0.05
0.06
0.02
0.04
0.03
0.01
0. 0686
(Grfica p)
34
(Grfica p)
Grfica np
Cuando el tamao de muestra en las grficas p es constante, es ms conveniente
usar la grfica np en la que se grafica el nmero de artculos defectuosos por
muestra en lugar de la proporcin. Sus lmites :
Ejemplo
Lote
1
2
3
4
5
6
7
8
9
10
LC
np
3 n p (1 p )
(120)(20)
Lnea central
=np
Defectos
11
12
13
14
15
16
17
18
19
20
=
0. 076
10
20
12
10
10
0
13
5
6
11
ej6
17.
LC =
0.
87
428
35
Grfica np
Grfica c
El objetivo es analizar la variabilidad del nmero de defectos. Se grafica
el nmero de defectos en la i-sima muestra. Sus lmites :
Ejemplo
Se tiene el problema de intoxicacin de los trabajadores debido al
contacto con agentes txicos. Se desea evaluar el nmero de
intoxicados por mes.
Mes
Intoxicados
Mes
Intoxicados
1
6
10
7
2
5
11
5
3
4
12
12
4
4
13
5
5
1
14
4
6
3
15
7
7
3
16
2
8
7
17
4
9
5
18
2
c
LC
4. 78
LC =
3 c = 4. 78
3 4. 78
ej7
11 . 34
-1. 78
36
Grfica c
Grfica u
Cuando en las grficas c el tamao de la muestra no es
constante o cuando, aunque sea constante, se prefiere
cuantificar el nmero promedio de defectos por unidad en
lugar del total de defectos en la muestra, se usa la grfica u.
Sus lmites :
LC = u 3
u
n
Lnea central
= u
37
Ejemplo
La siguiente tabla muestra el nmero de defectos encontrados en en las
muestrs de 24 lotes consecutivos de circuitos electrnicos.
Lote
1
2
3
4
5
6
7
8
9
10
11
12
ni
20
20
20
20
15
15
15
25
25
25
25
30
Defectos
17
24
16
26
15
15
20
18
26
10
25
21
ui
0.9
1.2
0.8
1.3
1.0
1.0
1.3
0.7
1.0
0.4
1.0
0.7
n = 21. 875
Lote
13
14
15
16
17
18
19
20
21
22
23
24
ni
30
30
30
30
30
30
15
15
15
15
15
15
Defectos
40
24
46
32
30
34
11
14
30
17
18
20
LC = u 3
u
1. 04
= 1. 04 3
21. 875
n
ui
1.3
0.8
1.5
1.1
1.0
1.1
0.7
0.9
2.0
1.1
1.2
1.3
ej8
1. 69
LC =
0.
38
Grfica u
38
Pruebas
Prueba 1
Prueba 2
Nueve puntos consecutivos del
mismo lado de la linea central.
Prueba 3
Prueba 4
39