Manual Laboratorio Inin 4078

1
ININ 4078
TEMA 1. HERRAMIENTAS PARA EL CONTROL DE CALIDAD

Dentro del control de calidad existen siete herramientas bsicas:
Diagramas de Flujo
Hojas de Registro
Diagramas de pareto
Histogramas
Diagramas de causa efecto
Diagramas de Dispersin
Grficos de control
La combinacin de stas proporciona una metodologa prctica y sencilla para la solucin efectiva
de problemas, el mejoramiento de procesos, el establecimiento de controles en las operaciones del
proceso.
A continuacin se presenta una breve descripcin de cada una de estas herramientas, su uso y la
metodologa si aplica, para trabajarlas en software como MINITAB y MATLAB.
1.1
DIAGRAMAS DE FLUJO
Son la representacin grfica de los pasos de un proceso, y se realizan para entender
mejor al mismo.
Representan la forma ms tradicional para especificar los detalles de un proceso.
Se utilizan principalmente en programacin, economa y procesos industriales.
Ayuda a identificar puntos crticos del proceso.
Identificar reas de mejoras.
Identificar potenciales fuentes de problemas.
Pueden ser usados para adiestramientos.
Estos diagramas utilizan una serie de simbolos con significados especiales.
David R. Gonzlez Barreto
Victoria E. Bastidas Guzmn
HERRAMIENTAS PARA EL
CONTROL DE CALIDAD
UNIVERSIDAD DE PUERTO RICO

RECINTO UNIVERSITARIO DE MAYAGUEZ
DEPARTAMENTO DE INGENIERIA INDUSTRIAL
GUIA DE LABORATORIO CONTROL ESTADISTICO DE CALIDAD

2
ININ 4078
Simbolos utilizados en los Diagramas de Flujo

FLECHA. Indica el sentido y trayectoria del proceso.
RECTANGULO. Se usa para representar un evento o
proceso determinado.
RECTANGULO REDONDEADO. Se usa para
representar un evento que ocurre de forma automtica
y del cul generalmente se sigue una secuencia determinada.
ROMBO. Se utiliza para representar una condicin.
CIRCULO. Representa un punto de conexin entre procesos.
1.2
HOJAS DE REGISTRO
Mecanismo sencillo para recolectar datos.
Se utilizan para :
Organizar la informacin por categoras.
Sealar el nmero de veces que un valor particular ocurre.
Puede recolectar informacin particular de una estacin.
Ayuda al operador a identificar problemas.
Usualmente son utilizados para la construccin de Cuadros de Pareto
Las hojas de registro se disean de acuerdo a las caractersticas propias del proceso evaluado, no
tienen un esquema fijo, ya que deben contener la informacin requerida de acuerdo a cada caso
especifico.
Un ejemplo de una hoja de registro tpica se presenta a continuacin:

1.3
3
ININ 4078
DIAGRAMAS DE PARETO
Constituye un mtodo de anlisis sencillo y grfico, que permite discriminar entre las
causas ms importantes de un problema (pocos y vitales) y las que lo son menos
(muchos y triviales).
La regla del 80-20: El 80% de los problemas son causados por un 20% de potenciales
fuentes.
VENTAJAS
Ayuda a concentrarse en las causas que tendrn mayor impacto en caso de ser
resueltas.
Proporciona una visin simple y rpida de la importancia relativa de los problemas.
Ayuda a evitar que se empeoren algunas causas al tratar de solucionar otras o ser
resueltas.
Su formato altamente visible proporciona un incentivo para seguir luchando por ms
mejoras.
Ejemplo

4
ININ 4078
Para ensear el uso de esta herramienta utilizando MINITAB, se usar el caso de una compaa
de Internet que ofrece cierta gama de productos por medio de su Web site, est interesado en las
causas del descontento del cliente. Las quejas que la compaa ha recibido y clasificado son:
tiempo de entrega de una orden, entrega de un producto daado, entrega de una orden
incorrecta, errores en el procedimiento de facturacin, o cualquier otro tipo de queja. Los datos
recolectados se presentan a continuacin:
CAUSA
Tiempo de entrega
Producto daado
Orden incorrecta
Error en Facturacin
Otro
Total
FRECUENCIA
481
134
83
44
21
763
Los pasos a seguir se presentan de forma grfica:

a.
Ingreso de datos. Utilizando el Worksheet que ofrece MINITAB, distribuimos la
informacin que deseamos analizar en dos columnas. Una corresponder a la causa o
caracterstica evaluada y la segunda columna deber contener el nmero de veces o frecuencia
con que se presenta cada caracterstica.

5
ININ 4078
b. Analisis de datos. A continuacion seleccionamos la opcin que deseamos utilizar, por medio
del men de opciones que se presenta en la parte superior de la pantalla, en este caso los pasos a
seguir son:
STAT > QUALITY TOOLS > PARETO CHART
Al seleccionar esta opcin, aparecer la ventana Pareto Chart y se presenta a continuacin:

6
ININ 4078
Una vez aparezca esta imagen se debe seleccionar la opcion Chart Defects Table asignando en
Labels In: la columna de causas definida en el Worksheet y en Frequencies In: la columna de
frecuencia igualmente definida en el Worksheet. Por ultimo se selecciona la opcion OK y el
analisis de los datos aparecer en la pantalla.
Pareto Chart of CAUSA
800
100
700
Count
500
60
400
40
300
200
20
100
CAUSA
em
Ti
Count
Percent
Cum %
Percent
80
600
po
de
a
eg
tr
n
E
to
uc
od
r
P
481
63.0
63.0
do
a
Da
n
de
Or
134
17.6
80.6
co
In
ta
ec
rr
rF
ro
Er
83
10.9
91.5
ac
r
tu
n
i
ac
44
5.8
97.2
r
he
Ot
21
2.8
100.0
Como se puede ver en la grfica aparecen tanto la frecuencia de cada causa y su correspondiente
porcentaje de acuerdo con el nmero total de observaciones, esto en orden creciente, caracterstica
especfica de los grficos de Pareto. Adicionalmente aparece el porcentaje acumulado,
informacin de gran importancia en la definicin de las causas que mas influencia tienen de
acuerdo con la regla del 80-20.
La interpretacin de esta grfica indica que las causas que tienen mayor peso en la
disconformidad de los clientes son: Tiempo de entrega y Producto Daado, ya que acumulan el
80.6% de participacin. Las causas con menor relevancia son Orden incorrecta y Error en
Facturacin. Por lo tanto los correctivos de la compaa se deben centrar en optimizar los tiempos
de entrega de las rdenes y en garantizar un producto de ptima calidad.
1.4
HISTOGRAMAS
Es un resumen grfico de la variacin de un conjunto de datos. La naturaleza grfica del

histograma nos permite ver pautas que son difciles de observar en una simple tabla numrica.
Esta herramienta se utiliza especialmente en la Comprobacin de teoras y Pruebas de validez.

7
ININ 4078
Utilidades
Para hacer seguimiento del desempeo actual del proceso
Para seleccionar el siguiente producto o servicio a mejorar
Probar y evaluar las revisiones del proceso a mejorar
Cuando se necesita obtener una revisin rpida de la variabilidad dentro de un proceso
Los tipos de distribuciones que se pueden obtener por medio de un Histograma son:
CONSTRUCCIN DE UN HISTOGRAMA
Algunas de las consideraciones generales que se tienen en cuenta para construir un histograma
son:
Determinar el rango de los datos: RANGO es igual al dato mayor menos el dato
menor; R = > - <
Obtener en nmero de clases, existen varios criterios para determinar el nmero de
clases (o barras). Un criterio usado frecuentemente es que el nmero de clases debe ser
aproximadamente la raz cuadrada del nmero de datos, por ejemplo, la raz cuadrada
de 30 (nmero de artculos) es mayor que cinco, por lo que se seleccionan seis clases.
Establecer la longitud de clase: es igual al rango entre el nmero de clases.
Construir los intervalos de clases: Los intervalos resultan de dividir el rango de los
datos en relacin al resultado del PASO 2 en intervalos iguales.
Graficar el histograma: se hace un grfico de barras, las bases de las barras son los
intervalos de clases y altura son la frecuencia de las clases. Si se unen los puntos
medios de la base superior de los rectngulos se obtiene el polgono de frecuencias.

8
ININ 4078
Ahora bien, este proceso se facilita, si se usa algn software que permita la construccin del
histograma de manera ms precisa. En este caso se explicarn cuales son los pasos a seguir para
construirlo utilizando MINITAB y MATLAB.
Ejemplo
El caso que se utilizar para explicar la construccin del histograma es el de una compaa
fabricante de Shampoo que necesita asegurarse de que los casquillos en sus botellas se estn
sujetando correctamente. Si estn sujetados demasiado libres, pueden caer durante el envo. Si
estn sujetados demasiado firmes, pueden ser duras para que los clientes las abran. Se recoge una
muestra al azar de botellas entre todas las mquinas que intervienen en el proceso, para probar el
esfuerzo de torsin requerido para quitar los casquillos. Cree un histograma para evaluar los
datos y para determinar que tan cercanas estan las muestras al valor requerido de 18.
Usando MINITAB, los pasos a seguir son:
a. Ingreso de datos. Utilizando el Worksheet que ofrece MINITAB, se distribuye la
informacin que se desea analizar en una columna. Deben listarse las datos por mquina de
acuerdo a como se obtuvieron en la muestra.
b. Analisis de datos. A continuacin se selecciona la opcin que se desea utilizar, por medio del
men de opciones que se presenta en la parte superior de la pantalla, en este caso los pasos a
seguir son:

9
ININ 4078
GRAPH > HISTOGRAMS
Simultneamente a esto aparecern una serie de ventanas, las opciones que se deben seleccionar
son:
1. En la ventana Histograms, seleccionar la opcion Simple. Para obtener un histograma sencillo
sin ajuste de distribucion (Whit Fit), el cual es el que se necesita para este caso. Y se selecciona el
botn OK.

10
ININ 4078
2. En la ventana Histograms Simple, en la opcin Graph variables se incluye la columna

Torque de la hoja de datos.
3. Existen 5 opciones dentro de la ventana Histograms Simple, estas opciones se consideran en

el caso de que se quiera modificar la apariencia de la grafica, por ejemplo si se desea que cada
valor de torque con su frecuencia sea considerado en una grafica individual, etc.
4. Si no se desea modificar la apariencia general de la grafica se selecciona OK y se obtiene el
histograma como se presenta a continuacin.
Histogram of Torque
14
12
Frequency
10
8
6
4
2
0
12
16
20
24
Torque
28
32
36

11
ININ 4078
La interpretacin de esta grfica indica que la mayor parte de los casquillos fueron sujetados con
un esfuerzo de torsin de 13 a 25. Solamente un casquillo estaba muy libre, con un esfuerzo de
torsin de menos de 11. Sin embargo, la distribucin se comporta de manera positiva; varios
casquillos estaban mucho mas apretados de lo debido, es decir requirieron un esfuerzo de torsin
mayor de 24 y 5 casquillos requirieron un esfuerzo de torsin superior a 32, que es casi el doble
del valor establecido como requerido.
Usando MATLAB, los pasos a seguir para la construccin del Histograma son:
1. Ingreso de datos. Utilizando el Workspace se crea una variable para ingresar los de los datos
recolectados en la muestra y conformar asi el vector con el cual se construir el histograma.
2. Una vez creada la variable, se debe dar doble clic sobre esta, con el objetivo de inicializar el
Array Editor, en el cual se ingresaran los datos de la muestra. A continuacin se presenta una
imagen de la ventana, despues de ingresados los datos.

12
ININ 4078
VARIABLE
Una vez se tengan los datos en el Array Editor se debe guardar como un archivo. Esto se hace por
medio de la opcion Save que se presenta en el Workspace.
OPCION A
SELECCIONAR

13
ININ 4078
3. Una vez conformado el vector de datos, se procede a generar la grfica. Esto se debe hacer en
Command Window. La instruccin bsica para construir el histograma , una vez se haya creado
el vector con los datos de la muestra, es la siguiente:
>>hist(y)
Donde (y) es el nombre asignado a la variable o vector de datos.
Si se desea asignar un titulo a la grafica y a cada uno de los ejes, las instrucciones son:
La grafica que se genera a partir de este comando, es igual a la que se obtiene con MINITAB,
segn como se muestra en la siguiente imagen:

14
ININ 4078
Otra opcin para generar el Histograma en MATLAB, consiste en crear directamente el vector
de datos en Command Windows, se escriben los datos separados por punto y coma (;) para
indicar que forman un vector de n filas y 1 columna, de la siguiente manera:
y
[24;14;18;27;17;32;31;27;21;27;24;21;;24;26;31;28;32;24;16;22;37;36;21;16;17;22;34;20;19;
16;16;18;30;21;16;14;15;14;14;25;15;16;15;19;15;15;19;19;30;24;10;15;17;17;21;34;22;17;15;17;
20;17;20;15;17;24;20]
El comando para construir el histograma, es exactamente el mismo que se plante anteriormente.
>> hist (y)
1.5
DIAGRAMA CAUSA EFECTO
El Diagrama de causa y Efecto (o Espina de Pescado) es una tcnica grfica ampliamente

utilizada, que permite apreciar con claridad las relaciones entre un tema o problema y las posibles
causas que pueden estar contribuyendo para que l ocurra

15
ININ 4078
CMO CONSTRUIRLO?
Establecer claramente el problema (efecto) que va a ser analizado.
Disear una flecha horizontal apuntando a la derecha y escribir el problema al interior de
un rectngulo localizado en la punta de la flecha.
Hacer una "Lluvia de ideas" para identificar el mayor nmero posible de causas que
puedan estar contribuyendo para generar el problema, preguntando "Por qu est
sucediendo?".
Agrupar las causas en categoras, una forma muy utilizada de agrupamiento es la 4M:
mquina, mano de obra, mtodo y materiales.
Para comprender mejor el problema, buscar las sub-causas o hacer otros diagramas de
causa y efecto para cada una de las causas encontradas.
Escribir cada categora dentro de los rectngulos paralelos a la flecha principal. Los
rectngulos quedarn entonces, unidos por lneas inclinadas que convergen hacia la flecha
principal.
Se pueden aadir la causas y sub-causas de cada categora a lo largo de su lnea inclinada,
si es necesario.
Esta herramienta tambin se puede construir utilizando MINITAB. Para explicar los pasos que
se siguen en el proceso de construccin de este diagrama, se utiliza el siguiente caso.
La Gerencia de una compaa que elabora un determinado producto de decoracin, despus de
registrar muchas quejas por parte de los clientes, debido a la calidad del producto, decidi
analizar la situacin para determinar los factores que influyen en que el producto final tenga una
superficie defectuosa.
A continuacion se especifican los pasos que se deben seguir para la construccin de este diagrama
en el software MINITAB:
1. En el Worksheet, se ingresan los datos que se desean considerar en la evaluacin. Los datos
deben conformar una columna por cada categora analizada. Segn se muestra a continuacin.

16
ININ 4078
2. Despus de esto y por medio del men de opciones que se presenta en la parte superior de la
pantalla, se elige:
STAT > QUALITY TOOLS > CAUSE AND EFFECT

17
ININ 4078
En este momento aparece una ventana que presenta las siguientes opciones:
Una vez en esta ventana, dentro de la opcin Causes se selecciona por cada Branch una columna
de las definidas en el Worksheet; se debe considerar la opcin Label, ya que esta asigna el titulo a
cada una de las ramas o branchs del diagrama, por lo cual se debe definir el nuevo nombre si es
que el predeterminado no coincide con el asignado a la correspondiente columna. Esto se aclara
en la siguiente vista de la pantalla.

18
ININ 4078
En la opcin Effect se escribe el problema que esta siendo evaluado. En la opcin Title se escribe
el nombre con el cual se desea identificar la grfica. Por ultimo se selecciona OK para obtener el
diagrama Causa-Efecto.
Diagrama Causa Efecto
Training
Measurements
Material
M icrometros
Tutores
A leaciones
M icroscopios
P ruebas
Personnel
Turnos
Lubricantes
Inspecciones
S uperv ision
P rov eedores
E ntrenamiento
O peradores
Superficie
defectuosa
V elocidad
C ondensacion
Brake
S oporte
% H umedad
A ngulos
Env ironment
Tornos
Methods
Inutilizacion
Roturas
Machines
Esta es la imagen que ofrece MINITAB para el diagrama Causa-Efecto, con este se obtiene una
representacin visual del problema y las posibles causas. De esta manera se facilita el anlisis y
planteamiento de soluciones.
1.6
DIAGRAMAS DE DISPERSION
Es una tcnica estadstica utilizada para estudiar la relacin entre dos variables. La relacin entre
dos variables se representa mediante una grfica de dos dimensiones en la que cada relacin esta
dada por un par de puntos.
Tambin son llamados Grficos de Correlacin porque permiten estudiar la relacin entre
2 variables X y Y, se dice que existe una correlacin entre ambas si cada vez que aumenta
el valor de X aumenta proporcionalmente el valor de Y (Correlacin positiva) o si cada vez
que aumenta el valor de X disminuye en igual proporcin el valor de Y (Correlacin
negativa).
La variable del eje horizontal (X) normalmente es la variable causa, y la variable del eje
vertical (Y) es la variable efecto.
Se utiliza para confirmar o negar la sospecha.

19
ININ 4078
Una Diagrama de dispersin tiene la siguiente imagen:
Ejemplo
Una compaa esta interesada en determinar si las bateras de la cmara fotogrfica que elaboran,
se encuentran de acuerdo con las necesidades de sus cliente. Un estudio de mercado, demuestra
que los clientes se molestan si tienen que esperar mas de 5.25 segundos entre flashes. Se recoge
una muestra de las bateras que han estado utilizando en las cmaras que variaban de tiempo, con
el objetivo de medir el voltaje restante inmediatamente despus de un flash (VoltsAfter) y medir
tambien la longitud de tiempo requerida para poder destellar otra vez (FlashRecov). Es necesario
crear un diagrama para examinar los resultados. Se debe incluir una lnea de referencia para el
tiempo de destello crtico en la recuperacin de 5.25 segundos.
Utilizando MINITAB se puede construir este tipo de diagramas, las instrucciones que se deben
seguir son:
1. Se ingresan los datos, conservando la relacin entre variables; esto quiere decir que se deben
escribir los valores registrados uno en frente del otro, conformando de esta manera una columna
por cada variable.

20
ININ 4078
2. Utilizando la barra de opciones de la pantalla de MINITAB, se eligen las siguientes opciones:

GRAPH > SCATTERPLOT

21
ININ 4078
A continuacin aparece una ventana, la cual presenta las siguientes opciones:
Para este caso se elige la opcin Simple, para construir un grafico sencillo. Si se desea realizar un
anlisis un poco mas riguroso se puede utilizar alguna de las otras opciones que se incluyen en
esta ventana. Por ultimo se elige la opcin OK.
El paso siguiente consiste en seleccionar cual variable se ubicar en el eje X y cual en el eje Y. Esto
se hace en la pantalla Scatterplot- Simple, de acuerdo como se aprecia a continuacin:
Si se desea adicionar algo ms a la grfica, lneas de referencia, la escala de los ejes, los niveles
entre otros, se puede utilizar alguna de las opciones que presenta la anterior ventana: Scale,

22
ININ 4078
Labels, Data View, Multiple Graphs, Data options. Para finalizar con la grfica del caso, se elige
la opcin OK.
La imagen que se obtiene de la grfica se muestra a continuacin:
Scatterplot of FlashRecov vs VoltsAfter
7.5
7.0
FlashRecov
6.5
6.0
5.5
5.0
4.5
4.0
3.5
0.9
1.7
1.0
1.1
1.2
VoltsAfter
1.3
1.4
1.5
GRAFICOS DE CONTROL
Es la principal herramienta utilizada para llevar a cabo el control estadstico de calidad. Es una
tcnica grafica en la cual las estadsticas calculadas de los valores obtenidos son marcadas con
relacin al tiempo para determinar si el proceso permanece en control. La grfica esta conformada
por tres lneas o lmites horizontales:
Central
Lmite de Control Superior (LCS)
Lmite de Control Inferior (LCI)
Permite distinguir entre las causas de variacin. Las cuales se agrupan en:
Causas aleatorias de variacin. Son causas desconocidas y con poca significacin, debidas
al azar y presentes en todo proceso.
Causas especficas (imputables o asignables). Normalmente no deben estar presentes en el
proceso. Provocan variaciones significativas.
Existen diferentes tipos de grficos de control:
De datos por variables
Grfica de promedios (x barra)
Grfica de rangos (R)

23
ININ 4078
De datos por atributos

Grfica de proporciones (p)
Grfica de ocurrencias (c)
De igual manera que en los casos anteriores MINITAB ofrece la opcin de construir los
diferentes tipos de grficos de control. Para esquematizar como se utiliza el software en este caso,
se utilizar la siguiente situacin:
Suponga que trabaja en una planta de montaje de coches en el departamento que ensambla los
motores. En un motor, las piezas del cigeal se mueven de arriba hacia abajo a cierta distancia
de la posicin ideal de la lnea de fondo. ABDist es la distancia (en milmetros) (a) de la posicin
real de un punto respecto al cigeal hasta la posicin de la lnea de fondo (b). Para asegurar la
calidad de la produccin, se tomaron cinco medidas por cada da laborable, de septiembre 28 a
octubre 15, y luego diez por da de septiembre 18 a octubre 25. Se debe dibujar un grfico de
control (X) para seguir el nivel del proceso en ese perodo, y probar la presencia de causas
especiales.
La construccin del grfico inicia con el ingreso de los datos en el Worksheet, en forma de
columna. Posteriormente se debe seleccionar la opcin:
STAT > CONTROL CHART > Xbar
Segn se muestra a continuacin
En la ventana que aparece despus de realizar el paso anterior, se debe:

24
ININ 4078
1. Elegir la opcin All observations for a chart are in one column, ya que los datos estan
organizados en una sola columna. En la casilla siguiente, se selecciona la columna donde estan los
datos ABDist. En Subgroup sizes, se elige la columna del Da, ya que los datos estan agrupados
por muestras tomadas cada da, durante el perodo evaluado. Luego de esto se debe elegir la
opcin OK.
MINITAB calcula automticamente la media de los datos y por lo tanto los lmites de control, si
se deseara establecer lmites diferentes se puede hacer por medio de la opcin Xbar Options. Por
ltimo para finalizar se elige la opcion OK.
El procedimiento mencionado se presenta a continuacin:
La grafica que se obtiene se observa de la siguiente manera
Xbar Chart of ABDist

5.0
UCL=3.55
Sample Mean
2.5
_
_
X=0.44
0.0
-2.5
LCL=-2.67
-5.0
1
9
11
Sample
13
15
17
19
Tests performed with unequal sample sizes

25
ININ 4078
La construccin de este grfico de control tambien se puede hacer en MATLAB, los pasos a
seguir son:
1. Se debe crear una variable, en Workspace para ingresar los datos de la muestra en el Array
Editor.
2. Luego de crear la variable, se procede a crear la rutina con la cual se proceder a construir la
grfica. Vale la pena resaltar que este programa calcula todos los datos necesarios para generar la
grfica. Pero para obtener la imagen final se deben adicionar algunos comandos que permiten
visualizar completamente los lmites y los datos completos. El comando que se utiliza para
generar la grafica se presenta a continuacin:

26
ININ 4078
Esta grfica no es igual, a la obtenida en MINITAB, debido a que los datos fueron agrupados.
Para lograr esto en MATLAB, se debe generar una subrutina, para obtener los promedios de los
valores por cada da evaluado. Pero en trminos generales, la construccin de la grfica cuando el
listado es de datos individuales se hace igual en los dos programas.
27
ININ 4078
TEMA No. 2 GRAFICOS DE CONTROL POR VARIABLES
1. PROCESO EN CONTROL
Existen dos etapas dentro del control estadstico de los procesos:
- PRECONTROL (Fase I): En el se hace un anlisis sobre lo que se quiere, en cuanto al
comportamiento del proceso, se definen las caractersticas de evaluacin: Limites de control,
Tamao y frecuencia de muestreo y se definen las causas posibles y atribuibles que podran hacer
que el proceso salga de control es decir sobrepase los lmites.
- CONTROL (Fase II): ya con un tamao de muestra y frecuencia de muestreo definidos, se
procede a evaluar el proceso y a verificar su comportamiento: tendencias, variaciones aleatorias
sobre el lmite central, puntos fuera de los limites, entre otras. Cuando ocurre alguna anormalidad
dentro del proceso, y como ya se definieron en el PRECONTROL las causas posibles y atribuibles,
se analiza lo ocurrido antes y durante el muestreo para definir el porque de la ocurrencia y as
eliminarlo del proceso para llevarlo de nuevo a control. Ejemplo: Fatiga, Calibracin de mquinas,
etc.
2. GRAFICOS DE CONTROL
Se trata de diagramas en los que se representa el comportamiento de un proceso en el tiempo a
travs de los valores de un estadstico asociado con una caracterstica de calidad del producto.
Desde el punto de vista estadstico, estos grficos permiten realizar continuamente pruebas de
hiptesis sobre una de las caractersticas del proceso. El objetivo de los grficos de control es
facilitar la vigilancia del proceso para as detectar rpidamente la presencia de causas asignables y
minimizar la produccin defectuosa.
Los grficos de control estn pensados para ser usados directamente por los propios operadores,
de modo que las acciones se tomen rpidamente. Un grfico de control se construye a partir de
muestras tomadas regularmente en el tiempo, para cada una de las cuales se calcula un estadstico
asociado con un parmetro de la distribucin de la caracterstica de calidad. Estos valores se
grafican junto con una lnea central y un par de lneas de control (superior e inferior).
Para poder considerar al proceso bajo control, los puntos del grfico deben estar dentro de los
lmites de control y presentar comportamiento aleatorio.
GRAFICOS DE CONTROLPOR
VARIABLES


28
ININ 4078
La seleccin de la frecuencia de muestreo y del tamao de los subgrupos debe estar basada en los
conocimientos que se tengan sobre el proceso. Usualmente se recomienda tomar al menos 20
muestras para construir los lmites de control.
- Diagramas para control de variables: se utiliza cuando la caracterstica de calidad puede
expresarse como una medida numrica (dimetro de un cojinete, longitud de un eje, etc.)
- Diagramas para control de atributos: se utiliza cuando la caracterstica de calidad corresponde a
una variable binaria (presencia o no de defectos, etc.)
2.1 GRFICOS DE CONTROL PARA VARIABLES
Se supone que la distribucin de la caracterstica de calidad es normal ( , ), al menos
aproximadamente. De aqu que se requieran dos grficos, uno para cada parmetro de la
distribucin.
Los pares ms comunes son los de medias y desviaciones estndar, los de medias y rangos, y los
grficos para observaciones individuales y rangos mviles.
- Grficos de medias y rangos (X-barra, R)
Se construye un grfico para la evolucin de las medias de los grupos (asociado con la ubicacin
de la caracterstica ) y otro para la evolucin de los rangos (asociado con la dispersin de la
caracterstica ). Se utilizan los rangos para medir la variabilidad ya que son fciles de calcular y
tienen una eficiencia similar a la desviacin estndar para subgrupos pequeos.
Pasos para la construccin de grficos
1. Se toman k muestras de tamao n (usualmente constante y menor a 7).
2. Se calcula la media y el rango de cada muestra:
Xi
1
n
xij
Ri
max xij
j
j 1
min xij
j
3. Se estiman los promedios poblacionales
1
k
Xi
i 1
1
k
Ri
i 1

29
ININ 4078
4. Para construir los lmites de control, recordemos que bajo la suposicin de normalidad y
control estadstico se tiene
E( X i )
SD( X i )
E ( Ri ) d 2
E X
n
SD( Ri ) d3
ER
d2
Donde d2 y d3 son constantes que dependen solo de n y pueden encontrarse definidos en tablas.
Si se conocen
y , estos se pueden usar para calcular los lmites de control:
Medias
LSC
Rangos
LSC D2 R
Si no se conocen
LC
LC
LIC
d2
LIC
D1R
(lo ms comn) deben estimarse a partir de los datos:
Medias
LSC
Rangos
LSC D4 R
A2 R
LC
LC
LIC
LIC
A2 R
D3R
Lo ms comn es trabajar con n fijo para todos los subgrupos, sin embargo en algunos casos esto
no es posible.
Cuando se trabaja con una caracterstica de calidad que es una variable, esto es usualmente
necesario para monitorear el valor de la media y la variabilidad de dicha caractersticas de
calidad. El control del promedio del proceso o de la media de la calidad es usualmente hecho
mediante un grafico de control para medias o grafico X barra. La variabilidad del proceso puede
ser monitoreada con otros grficos de control para la desviacin estndar, llamados grficos S, o
un grafico de control para el rango, llamado grafico R. El grafico R es ms utilizado. Los grficos
X barra y R son los mas importantes y usados en la lnea para el monitoreo estadstico del proceso
y las tcnicas de control.
Para comprender la funcionalidad de esta herramienta, se ejemplarizar con el siguiente caso:
Una compaa fabricante de Shampoo, identifico que los casquillos en sus botellas no estn
siendo sujetados correctamente. De acuerdo con un anlisis preliminar a una muestra tomada del
proceso, se concluy que muchos casquillos requieren un esfuerzo de torsin mayor a la media
establecida. Y un porcentaje aun superior, requieren un esfuerzo de torsin menor a la media, ya
que estn siendo sujetados demasiado libres. Se desea establecer control estadstico para el
esfuerzo de torsin que requieren los casquillos, utilizando grficos X-barra y R. Veinticinco

30
ININ 4078
muestras, cada una de tamao cinco, han sido tomadas cuando se piensa que el proceso est en
control. El esfuerzo de torsin requerido en cada casquillo de la muestra se presenta en la tabla
siguiente:
Muestra
Nmero
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
Observacin
18.2213
17.9377
17.6901
16.6038
19.2153
17.0542
19.5988
16.3989
18.2864
17.4998
17.5133
17.6925
16.5648
17.9862
18.5689
17.3121
17.4524
18.5263
17.9316
18.3878
18.0598
17.7930
16.9008
17.5969
17.2858
17.7579
17.8426
18.7148
16.6193
18.0971
18.0948
17.6993
17.9210
17.8592
19.6341
17.8886
17.5625
17.6300
17.8139
17.7038
17.7337
17.9607
18.4644
19.6219
18.6713
19.0993
17.6687
18.1932
18.0424
18.3528
18.0549
17.6162
18.1332
17.6805
16.7675
18.0604
18.4720
17.8425
18.2763
17.5669
18.5200
17.3734
17.5649
18.7105
17.7143
18.4542
18.2440
17.9723
17.5263
18.0672
18.6741
17.9175
18.3701
17.6664
19.1118
17.1754
17.8409
17.2170
18.0079
18.0569
17.5833
17.5352
18.7546
18.6074
18.2736
17.7513
18.8030
18.6268
18.2432
18.3169
18.3961
17.9318
18.3178
17.7146
17.8443
18.0713
18.5016
17.5526
16.7751
18.6584
18.5268
17.3288
18.0158
18.1244
17.4368
18.1350
16.3306
18.7461
16.9673
17.4701
18.6290
18.5224
17.9224
18.0574
18.3229
18.1775
17.7909
17.4447
19.1648
17.7236
18.5956
18.1012
18.4640
17.6783
16.7470
Lo primero es calcular el rango de las muestras, este procedimiento se puede realizar utilizando
EXCEL y sus funciones Mximo y Mnimo. Como se sabe el rango de un conjunto de datos es la
diferencia entre el valor mximo y el valor mnimo. La manera de utilizar estas funciones se
presenta a continuacin:

31
ININ 4078
Los datos obtenidos se presentan a continuacin:

Muestra
Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Rango
1.35
0.61
1.50
1.52
2.45
1.08
3.27
2.36
1.64
2.16
1.12
1.43
2.06
0.90
0.87
1.14
0.79
1.08
2.10
El clculo del Rango promedio se hace con la

siguiente frmula:
25
37.43
Ri
i 1
i 1
25
1.4972
De acuerdo con las formulas para calcular los

limites de un grafico R, es necesario determinar el
valor de las constantes D3 y D4, para muestras de
tamao 5. (La tabla con los valores para estas
constantes se pueden encontrar en el apndice del
libro de texto). De esta manera los lmites de
control para el grfico R son:

20
21
22
23
24
25
Suma
0.95
1.04
0.83
1.56
1.27
2.36
37.43
32
ININ 4078
LCS
RxD4 1.4972x2.115 3.167
LCI
RxD3 1.4972x0 0
Con estos resultados se puede construir el grfico de control R, el cual se hace utilizando
MINITAB. El procedimiento se indica a continuacin:
1. Utilizando el Worksheet de MINITAB, ingresamos los datos en 5 columnas y 25 filas, para
discriminar asi las 25 muestras de tamao 5. Luego de esto y por medio de la barra de
herramientas ubicada en la parte superior de la ventana, se eligen las opciones:
STAT > CONTROL CHARTS > VARIABLES CHARTS FOR SUBGROUPS > R...
2. Una vez seleccionada esta opcin aparecer una ventana que presenta las siguientes
caractersticas:

33
ININ 4078
Una vez en ella, se elige Observations for a subgroup are in one row of columns, luego se deben
escoger las columnas en las cuales se encuentren los datos, para este caso son las columnas C1,
C2, C3, C4 y C5. Por ultimo, se selecciona la opcion OK.
Grafico de Control R
Monitoreo Esfuerzo de Torsion Requerido en los Casquillos

3.5
UCL=3.166
3.0
Sample Range
2.5
2.0
_
R=1.497
1.5
1.0
0.5
0.0
LCL=0
1
11
13 15
Sample
17
19
21
23
25
Esta es la grfica que se obtiene con MINITAB, como se puede observar los valores para los
lmites y la lnea central son los mismos que se obtuvieron con las formulas aplicadas.

34
ININ 4078
Segn los rangos, el proceso presenta un punto fuera de control, los dems datos presentan un
comportamiento bastante satisfactorio.
Ahora bien, el siguiente paso es construir el grfico X-barra. El procedimiento a seguir es similar
al utilizado para la construccin del grfico R.
Utilizando EXCEL, se procede a calcular el promedio de las diferentes muestras y
posteriormente se calcula la media y los limites de control utilizando las formulas
correspondientes.
Los datos se organizan de igual manera que en el caso anterior, 5 columnas y 25 filas, para luego
aplicar la funcin de EXCEL, que corresponde al promedio de los datos, la cual se presenta a
continuacin.

35
ININ 4078
Los datos obtenidos son los siguientes:

Muestra
Nmero
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
Suma
Promedio
17.95
17.71
17.95
17.41
17.91
17.79
17.93
17.93
18.00
18.09
18.06
17.99
17.66
18.16
18.13
18.01
17.88
18.15
18.39
18.14
18.50
18.00
17.90
17.55
18.03
449.21
El clculo del promedio se hace con la

siguiente frmula:
m
25
xi
x
i 1
449.21
i 1
25
17.97
De acuerdo con las formulas para calcular los

limites de un grafico X- barra, es necesario
determinar el valor de la constante A2, para
muestras de tamao 5. (La tabla con los
valores para estas constantes se pueden
encontrar en el apndice del libro de texto).
De esta manera los lmites de control para el
grfico X-barra son:
LCS
A2 x R 17.97 (0.577)(1.497) 18.83
LCI
A2 x R 17.97 (0.577)(1.497) 17.10
Con estos resultados se puede construir el

grfico de control X-barra, el cual se hace
utilizando MINITAB. El procedimiento se
indica a continuacin:
1. Utilizando el Worksheet de MINITAB, ingresamos los datos en 5 columnas y 25 filas, para

discriminar as las 25 muestras de tamao 5. Luego de esto y por medio de la barra de
herramientas ubicada en la parte superior de la ventana, se eligen las opciones:
STAT > CONTROL CHARTS > VARIABLES CHARTS FOR SUBGROUPS > X bar

36
ININ 4078
2. Una vez seleccionada esta opcin aparecer una ventana que presenta las siguientes
caractersticas:

37
ININ 4078
Una vez en ella, se elige Observations for a subgroup are in one row of columns, luego se deben
escoger las columnas en las cuales se encuentren los datos, para este caso son las columnas C1,
C2, C3, C4 y C5. Por ltimo, se selecciona la opcin OK.
Grafico de Control X-Barra

19.0
UCL=18.852
Sample Mean
18.5
_
_
X=17.968
18.0
17.5
LCL=17.084
17.0
1
11
13 15
Sample
17
19
21
23
25
Esta es la grfica que se obtiene con MINITAB, como se puede observar los valores para los
lmites y la lnea central son los mismos que se obtuvieron con las formulas aplicadas.
Aunque este grfico no presenta puntos fuera de control, el proceso debe ser analizado con ms
detalle para responder al punto fuera que se obtuvo en el grfico R.
CURVAS CARACTERSTICAS DE OPERACIN
Las curvas OC muestran la probabilidad de aceptacin del lote como funcin de la fraccin
defectuosa contenida en este.
Para construir una curva O.C. suponga que tiene un proceso en el cual se est realizando un
monitoreo, despus de realizar un anlisis preliminar con una muestra de tamao 4, se desea
evaluar por medio de una curva O.C., que pasara si el promedio del proceso tiene
desplazamientos con respecto a la desviacin estndar. La media del proceso () es de 200, la
desviacin estndar de 5, los lmites de control establecidos tienen valores de 207,5 y 192,5 para el
superior y el inferior respectivamente. El procedimiento para construir la curva utilizando
EXCEL, es el siguiente:

38
ININ 4078
1. En una hoja de trabajo de EXCEL, se definen dos columnas: una que corresponder a la
media y sus correspondientes desplazamientos y otra que corresponder a Beta (Error
tipo II).
2. Utilizando la funcin NORMDIST de EXCEL, se calcula el valor de Beta, para luego
proceder a construir el grfico correspondiente.
La formula para calcular el valor de BETA es la siguiente:

NORMDIST(LCS;media;desviacion;TRUE) - NORMDIST(LCI;media;desviacion;TRUE)
Para cada desplazamiento se tiene un valor de BETA, por lo tanto los datos que se mantienen
constantes son el valor del LCS y LCI y el valor de la desviacin estandar.
El nuevo valor de la media, despus de un determinado desplazamiento se calcula con la siguente
formula:
Media con desplazamiento = Media + (valor del desplazamiento en terminos de sigma x el valor
de la desviacin).

39
ININ 4078
3. El ultimo paso es usar la opcion de grficos de EXCEL, y utilizando el grfico XY, se

construye la curva O.C. que en este caso tiene la siguiente imagen:
CURVA O.C PARA n = 4

1,02
1
BETA
0,98
0,96
0,94
0,92
n=4
0,9
0,88
0,86
0,84
199
200
201
202
203
204
205
MIU
TIPOS DE ERROR
ERROR TIPO I
: es la probabilidad de que el plan rechace un lote con una proporcin
defectuosa igual al Nivel de Calidad Aceptable. Se desea que sea bajo para proteger al productor.
ERROR TIPO II
: es la probabilidad de que el plan acepte un lote con una proporcin
defectuosa igual al Nivel de Calidad Limitativo. Se desea que su valor sea pequeo ya que se
trata del tope aceptable por el consumidor.
ARL Average Run Length
Numero promedio de intentos que le tomar a un grfico detectar una seal de fuera de control
(punto fuera de los lmites).
ARL = 1/p, donde p es la probabilidad de estar fuera de los limites.
ARL en control = 1/ , donde es la probabilidad de rechazar Ho dado que se deba aceptar.
ARL fuera de control = 1/(1-), donde es la probabilidad de aceptar Ho dado que se deba
rechazar.
= P(LCI< X barra < LCS / = o + , x barra = x/n)
ATS Average time to signal

40
ININ 4078
Corresponde al tiempo promedio hasta la seal de fuera de control.

ATS = ARL x h, donde h es el tiempo entre muestras.
El ATS se convierte a costos, utilizando una formula con la cual se obtienen el nmero de
unidades en peligro: Unidades en Peligro - CUP = ATS x Ritmo de produccin x Costo unitario

41
ININ 4078
Cuando un proceso est en control estadstico con produccin consistente, es muy comn querer
determinar si es un proceso capaz. Es decir, si tiene la habilidad real o potencial para cumplir con
las tolerancias del producto, si se encuentra dentro de los lmites de especificacin produciendo
partes de buena calidad.
El anlisis de capacidad permite verificar la distancia entre las variaciones del proceso
(tolerancias) y los limites de especificacin. Para realizar este anlisis el proceso necesita estar en
control y para usar los ndices de capacidad sin alteraciones se debe comprobar la normalidad del
proceso.
1. Normalidad Del Proceso
Con el objetivo de garantizar que los resultados que se obtienen del anlisis de capacidad sean
reales y confiables se debe trabajar con datos normales. Cuando no se tiene certeza sobre la
normalidad de los datos se debe realizar una prueba y as definir los pasos a seguir. La
normalidad se coteja evaluando la distribucin por medio de un histograma o de alguna prueba
de software.
Cuando los datos no siguen una distribucin normal, se debe encontrar la distribucin a la cual se
ajustan para realizar un anlisis correcto. Esto se hace Siguiendo una regla de que para un valor
crtico del nivel de confianza, un P-value mayor que alfa sugiere que los datos siguen esa
distribucin.
2. Correccin De No-Normalidad
Al obtener la distribucin que siguen los datos y si esta no se ajusta a una distribucin normal,
esto se puede corregir utilizando un mtodo de transformacin. Los ms utilizados son:
Box-Cox: Box y Cox introdujeron una transformacin de la variable de respuesta con el objetivo
de satisfacer la suposicin de normalidad del modelo de regresin. La transformacin es de la
forma (transformacin potencia), donde es estimada con
los datos tomados. Ms
especficamente, la transformacin est definida por:
ANALISIS DE
CAPACIDAD
TEMA No. 3. ANALISIS DE CAPACIDAD

42
ININ 4078
Transformada De Johnson: Evala internamente varias funciones y selecciona un ptimo a partir

de tres familias de distribuciones que transforman los datos en una distribucin normal.
3. ndices De Capacidad
Los ndices de capacidad son estimaciones numricas de la capacidad del proceso, es decir, (a qu
nivel cumple con las especificaciones). Estos estadsticos son muy tiles ya que, aparte de ser
sencillos de calcular, no tienen unidades de medida, por lo que permiten comparar distintos
procesos. Bsicamente, son el cociente entre la amplitud tolerable del proceso (la distancia entre
los lmites de tolerancia o lmites de especificacin), y la amplitud real o natural del proceso
(recordemos que, habitualmente, la distancia entre los lmites de control es de 6 sigma). Algunos
de estos estadsticos se definen a partir de la media del proceso o del objetivo.
Los ndices de capacidad asociados con la variacin a corto plazo son Cp, Cpk, CPU, y CPL; por
otro lado, los asociados con la variacin a largo plazo son Pp, Ppk, PPU, y PPL. En la prctica, se
suele considerar que 1,33 es el valor mnimo aceptable para un ndice de capacidad (es decir,
cualquier valor por debajo de esta cifra indicara que, aunque est bajo control estadstico, el
proceso no cumple con las especificaciones deseadas).
A continuacin se muestran algunas referencias sobre cundo usar cada uno de los ndices:
NDICE
Cp
Cpk
CPU o PPU
CPL o PPL
USO DEFINICIN
El proceso est centrado en los lmites de
especificacin. Es el radio entre la amplitud
permitida (distancia entre los lmites de
especificacin) y la amplitud natural
El proceso no est centrado en los lmites de
especificacin, pero est contenido en ellos Es
el cociente entre la amplitud permitida y la
amplitud natural, teniendo en cuenta la media
del
proceso respecto al punto medio de ambas
lmites de especificacin
El proceso slo tiene un lmite de especificacin
superior
El proceso slo tiene un lmite de especificacin
inferior
FORMULA
(LES LEI) / 6
Min{ (LES - )/3 ,

( - LEI)/3
(LES - ) / 3
( - LEI) / 3

43
ININ 4078
Otro ndice, definido para medir la capacidad del proceso es el ndice de Taguchi Cpm, est
orientado a reducir la variabilidad alrededor del valor nominal, no solo est orientada a cumplir
con las especificaciones. El Cpm ofrece la ventaja de que permite obtener una mejor medida del
centrado del proceso y la variabilidad. La formula para calcular este ndice es la siguiente:
LES LEI
Cpm
6
x 2 ( x V .N ) 2
Los rangos de valores establecidos para los ndices, con los cuales se puede concluir sobre la
capacidad del proceso, se presentan en la siguiente tabla:
ICP
DECISIN
1.33<ICP<2.22
Ms que adecuado, incluso puede exigirse ms en

trminos de su capacidad. Posee capacidad de diseo.
1<ICP<1.33
Adecuado para lo que fue diseado. Requiere control

estrecho si se acerca al valor de 1.
0.67<ICP<1
No es adecuado para cumplir con el diseo inicial.

Requiere monitoreo constante.
ICP<0.67
No es adecuado para cumplir con el diseo inicial.
ANALISIS DE CAPACIDAD CON MINITAB

Este programa ofrece las herramientas para realizar el anlisis de capacidad, estas van desde las
que permiten realizar la verificacin de normalidad de los datos, la identificacin del tipo de
distribucin que siguen en caso de que no haya normalidad, la transformacin para conseguir la
normalidad hasta la que realiza el anlisis de capacidad completo incluyendo caractersticas
within y overall.
1. La normalidad de los datos, se evala identificando el tipo de distribucin a la cual se
ajustan. Si se aproximan a una lnea recta se puede garantizar que siguen una distribucin
normal, y que se pueden utilizar tal como se encuentran para calcular el ndice de
capacidad del proceso.

44
ININ 4078
Con MINITAB, esto se puede realizar utilizando el NORMALITY-TEST, el cual sigue la ruta
que se presenta en la siguiente imagen:
La ventana que despliega esta prueba, presenta las siguientes opciones:
La opcin Variable, requiere el ingreso de la columna donde se encuentran los datos que se van a
evaluar. Las otras opciones se dejan como aparecen por default y luego se selecciona OK. Este
anlisis puede dar una de dos respuestas:
- Normalidad: con la cual se puede trabajar para el clculo de la capacidad.

45
ININ 4078
Probability Plot of C2
Normal
99
Mean
StDev
N
AD
P-Value
95
90
-0,04308
0,9868
50
0,246
0.746
Percent
80
70
60
50
40
30
20
10
5
-3
-2
-1
C2
- No-normalidad: datos que requieren de transformacin para conseguir normalidad y poder ser
utilizados para el calcula de la capacidad.
Probability Plot of C1
Normal
99
Mean
StDev
N
AD
P-Value
95
90
1,316
1,084
50
1,640
<0.005
Percent
80
70
60
50
40
30
20
10
5
-2
-1
C1
2. Si la respuesta obtenida en el anlisis anterior indica que los datos no siguen una
distribucin normal, se debe determinar a que tipo de distribucin se ajustan; este proceso
se puede realizar en MINITAB utilizando la opcin Individual
Distribution Identification, siguiendo la secuencia que se presenta a continuacin:

46
ININ 4078
La ventana que despliega esta prueba, presenta las siguientes opciones:
En la opcin Data Are arranged as, se selecciona la opcin que corresponda a la forma en que se
ingresaron los datos: por filas o en una sola columna. La siguiente opcin a elegir en esta ventana,
corresponde a las distribuciones que se desean evaluar, los datos se pueden evaluar usando todos
los tipos de distribucin disponibles en el software o usando algunas distribuciones especficas,
que pueden ser seleccionadas. Por ltimo se elige la opcin OK.

47
ININ 4078
Probability Plot for C1
90
90
50
10
N ormal
A D = 1,640
P -V alue < 0,005
Lognormal
A D = 0,907
P -V alue = 0,019
50
10
0,0
2,5
1
0,01
5,0
0,10
C1
3-P arameter Lognormal - 95% C I
1,00
C1
3-P arameter Lognormal

A D = 0,378
P -V alue = *
10,00
E xponential
A D = 0,631
P -V alue = 0,334
E xponential - 95% C I
99
99,9
90
P er cent
90
P er cent
G oodness of F it Test
Lognormal - 95% C I
99
P er cent
P er cent
N ormal - 95% C I
99
50
50
10
10
1
0,1
1,0
C 1 - T hr eshold
10,0
0,01
0,10
1,00
10,00
C1
Luego de esto aparece una imagen como la anterior, en la cual se presentan los datos
ajustados a cada una de las distribuciones analizadas, indicando de manera grfica el
comportamiento de los datos, adicionalmente de que indica un valor para el p-value
correspondiente al 95% de confiabilidad. De acuerdo con esta informacin, la decisin sobre el
tipo de distribucin a la que mejor se ajustan los datos se toma a partir de lo siguiente: Para
un valor crtico de alfa, un p-value mas grande que alfa sugiere que los datos siguen esa
distribucin. Esto se traduce en que se debe escoger el valor mas alto de p-value (siempre
que sea mayor que alfa ) que arroje el anlisis.
3. Despus de definir el tipo de distribucin que siguen los datos, se puede corregir la nonormalidad, esto utilizando algn mtodo de transformacin que permita pasar de una
distribucin no normal a una distribucin normal. MINITAB, permite realizar esto por
medio de dos rutas diferentes.
La primera opcin es BOX-COX TRANSFORMATION, la cual se puede aplicar si se siguen
los siguientes pasos:

48
ININ 4078
La informacin que requiere esta opcin corresponde a los datos y la forma como se ingresaron,
esto es, si estn agrupados o si son datos individuales ubicados en una sola columna. La ventana
en la cual se debe ingresar la informacin antes mencionada, tiene la siguiente apariencia.
Una vez se ingresa dicha informacin se elige Options y aparecer una ventana que tiene la
siguiente apariencia:

49
ININ 4078
En esta ventana se indica en Store transformed data in, la columna en la cual se quiere que
aparezcan los datos una vez transformados con el lambda obtenido. Para finalizar se elige OK y
a continuacin se presenta el anlisis realizado y el factor (valor de lambda) correspondiente, que
permite corregir la no-normalidad de los datos. Este resultado se presenta en una grfica como la
siguiente:
Box-Cox Plot of C1
Lower CL
4,0
Upper CL
Lambda
(using 95.0% confidence)
3,5
StDev
3,0
Estimate
0,28
Lower CL
Upper CL
0,03
0,57
Rounded Value
0,50
2,5
2,0
1,5
1,0
Limit
-1
1
Lambda
Adicionalmente en la columna del Worksheet seleccionada, aparecer el listado de datos

transformados con los cuales se puede proceder a calcular la capacidad del proceso.
La segunda opcin para la correccin de la no-normalidad, es la herramienta JOHNSON
TRANSFORMATION, la cual se puede usar siguiendo la siguiente ruta en MINITAB:

50
ININ 4078
Una vez seleccionada esta ruta aparecer una ventana que requiere que se ingrese de igual
manera la informacin sobre la organizacin de los datos (filas o columnas), esto en Data are
arranged as y en Store Transformed data in, la ubicacin seleccionada para que se ingresen los
datos transformados, para finalizar se debe seleccionar OK.
El resultado de este anlisis se presenta de manera grfica, con la distribucin a la cual se ajustan
los datos y la formula derivada de esta distribucin para la transformacin de los datos.

51
ININ 4078
Johnson Transformation for C1

99
90
Percent
Select a T r ansfor mation
N
50
AD
1,640
P-Value <0.005
50
10
P-Value for A D test
P r obability P lot for O r iginal Data
0.74
0,8
0,6
0,4
0,2
Ref P
0,0
0,2
0,0
2,5
5,0
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
P r obability P lot for T r ansfor med Data
99
N
50
AD
0,256
P-Value 0.710
Percent
90
50
P -V alue for Best F it: 0,709549

Z for Best F it: 0,74
Best Transformation Ty pe: S B
Transformation function equals
1,35739 + 0,915126 * Log( ( X + 0,0846958 ) / ( 6,09984 - X ) )
10
1
-2
Luego de normalizar los datos, se procede a realizar el anlisis de capacidad del proceso. Este se
puede hacer de igual manera utilizando MINITAB, por medio de la opcin:
Una vez elegida esta ruta se presenta una ventana en la cual se debe ingresar informacin sobre
la organizacin de los datos, las tolerancias o limites de especificacin de los datos y de manera
opcional la media y la desviacin estndar del proceso, luego de ingresar esta informacin, se
debe seleccionar la opcin OK. La ventana donde se debe ingresar esta informacin tiene la
siguiente apariencia:

52
ININ 4078
Los resultados del anlisis se presentan de la siguiente manera:

Process Capability of Supp1
LSL
Target
P rocess D ata
LS L
598,00000
Target
600,00000
USL
602,00000
S ample M ean
599,54800
S ample N
100
S tD ev (Within)
0,57643
S tD ev (O v erall)
0,62086
USL
Within
Ov erall
P otential (Within) C apability
Cp
1,16
C PL
0,90
C PU
1,42
C pk
0,90
C C pk 1,16
O v erall C apability
Pp
PPL
PPU
P pk
C pm
1,07
0,83
1,32
0,83
0,87
597,75 598,50 599,25 600,00 600,75 601,50

O bserv ed P erformance
P P M < LS L
10000,00
PPM > USL
0,00
P P M Total
10000,00
E xp. Within P erformance

P P M < LS L 3621,06
PPM > USL
10,51
P P M Total
3631,57
E xp. O v erall P erformance

P P M < LS L 6328,16
PPM > USL
39,19
P P M Total
6367,35
Este anlisis incluye adems del calculo de los ndices de capacidad (generales-Overall y parciales
entre los grupos de datos-Within), un histograma de capacidad en el cual se presenta como se
comportan los datos entre los limites o tolerancias especificadas y dos curvas de distribucin
normal, correspondientes al comportamiento Within y Overall.
Adicional a este anlisis MINITAB ofrece el anlisis CAPABILITY SIXPACK>NORMAL, el
cual tiene la siguiente apariencia:

53
ININ 4078
Process Capability Sixpack of Supp1

Xbar C har t
C apability H istogr am
Sample Mean
UCL=600,321
600,0
_
_
X=599,548
599,5
599,0
LCL=598,775
2
10
12
14
16
18
20
598,0
598,5
R C har t
Sample Range
3,0
599,0
600,0
600,5
601,0
Nor mal P r ob P lot

A D : 0,844, P : 0,029
UCL=2,835
_
R=1,341
1,5
0,0
LCL=0
2
10
12
14
16
18
20
598
Last 2 0 Subgr oups
600
602
C apability P lot
601,5
Values
599,5
Within
S tDev 0,57643
Cp
1,16
C pk
0,90
C C pk
1,16
600,0
598,5
Within
Overall
O v erall
S tD ev 0,62086
Pp
1,07
P pk
0,83
C pm
*
Specs
10
Sample
15
20
Para confirmar la estabilidad del proceso el reporte incluye:
Un grfico X barra (para observaciones individuales)

Un grfico R o S (para grupos de ms de 8 datos)
Un grfico del comportamiento de los ltimos 25 subgrupos u observaciones.
-
Para confirmar la normalidad el reporte incluye:
Un histograma de los datos del proceso

Un grfico de probabilidad normal
-
Para analizar la capacidad, el reporte incluye:
Un grfico de la capacidad del proceso

Estadsticas de la capacidad within and overall; Cp, Cpk, Cpm, Pp, y Ppk

54
ININ 4078
En la mayora de los procesos de control el objetivo es analizar la evolucin de una variable

cuantitativa continua, como lo es el resultado de una medicin: longitud, peso, tiempo,
relacionada con la calidad. Sin embargo, en ocasiones no se desea controlar el valor de una
magnitud medible sino simplemente si el producto es adecuado o no lo es o, en general, si se
posee o no se posee cierto atributo. Este tipo de medicin, a travs de presencia o ausencia de
atributos, tiene ciertas ventajas sobre el control por variables, esto porque suele ser mas sencillo y
rpido. Sin embargo, esta simplicidad tiene el inconveniente de que es menos preciso, pues ignora
mucha informacin. No es lo mismo saber que el artculo es defectuoso que saber que su longitud
es dos milmetros mayor que su lmite de tolerancia.
Existen varios grficos que permiten monitorear la evolucin de este tipo de informacin. Estos
grficos van desde los que observan la evolucin de la proporcin de productos defectuosos en
sucesivas muestras de tamao n (cada elemento observado es o no es defectuoso), hasta los que
observan la evolucin del nmero de defectos que aparecen en cada producto evaluado (cada
producto analizado puede tener ms de un defecto o ms de un atributo). A continuacin se
describen estos tipos de grficos.
GRFICOS P - n de piezas defectuosas de una muestra

Se utiliza para controlar la proporcin de defectos generados por un proceso. En este grfico se
muestra la evolucin de la proporcin de productos que tienen cierto atributo.
Los principios estadsticos que sirven de base al diagrama de control P se basan en la distribucin
Binomial: se supone que el proceso de produccin funciona de manera estable, de tal forma que la
probabilidad de que cualquier artculo no est conforme con las especificaciones es p
(probabilidad de xito, defectuosos o no defectuosos) y que los artculos producidos
sucesivamente son independientes; entonces, si se seleccionan m muestras aleatorias de n
artculos cada una, y se representa por Xi al nmero de artculos defectuosos en la muestra isima, se obtiene que Xi B(n,p). De esta manera las propiedades del proceso (media y varianza)
estn dadas por:
E(x) = np =
V(x) = np (1-p) = npq donde q = (1-p)
Si p es la fraccin de productos defectuosos, esta se calcula como el nmero de productos

defectuosos (d) dividido por el tamao de la muestra n. Esto quiere decir, que pi es la fraccin de
defectuosos en cada muestra,
GRAFICOS DE CONTROL
POR ATRIBUTOS
TEMA No. 4. GRAFICOS DE CONTROL POR ATRIBUTOS

55
ININ 4078
Por lo tanto la proporcin de productos defectuosos en un total de ni unidades puede escribirse

como:
p i
di
ni
x1 ... x ni
ni
De donde se deducen entonces como quedan las propiedades definitivas del proceso:
Si ni es suficientemente grande, se puede aplicar el Teorema del Lmite Central y utilizar que,
aproximadamente,
Definidas estas caractersticas, se establece por tanto que el objetivo del grfico P ser comprobar
si la evolucin de los valores pi observados son compatibles con un valor poblacional p y por
tanto la diferencia entre el valor observado pi y el poblacional p se debe slo a la variabilidad
muestral.
Como en los grficos de control por variables, el grfico P tiene los siguientes elementos:
-
Segn el modelo de Shewart se tienen los siguientes limites de control
- Si p es desconocida, se puede estimar con la siguiente ecuacin (observar que tal estimacin
se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el
proceso est bajo control):
- En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de
calcular los lmites segn el modelo de Shewart, se puede optar por:

56
ININ 4078
1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente),
2. Si los ni no difieren mucho unos de otros, se puede utilizar:
3. Tambin se puede optar por tomar un n comn e igual al mayor de los ni, con lo que se
obtendran unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica
proceso en estado de control es inversamente proporcional al tamao de la muestra. En esta
situacin de tamaos muestrales diferentes, la formula para p ser:
- En el caso de los grficos P, el valor de cuando se consideran los limites estndar (3) no es
de 0,027, debido a que es una distribucin Binomial.
- Al no ser los lmites constantes se ha de tener cuidado para interpretar tendencias y rachas en
estos grficos. Un procedimiento para simplificar la interpretacin de los grficos P es el uso de
valores estandarizados. En este caso los valores representados en el grfico son:
donde p-barra se utiliza en lugar de p si este valor es desconocido. Para estos valores
transformados se tiene:
Por lo tanto el grfico estandarizado tiene por lmites de control 3 y lnea central 0. 1 Por ltimo
se debe tener cuidado con la interpretacin de los puntos del diagrama de control que se hallan
por debajo del lmite inferior de control. Tales puntos no representan a menudo una mejora real
en la calidad del proceso. Frecuentemente son el resultado de errores en el mtodo de inspeccin
o recogida de datos.
Reglas de aproximacin:
Se puede aproximar la distribucin Normal a la distribucin Binomial si np > 10. (0.1 p 0.9)
Se puede aproximar la distribucin Poisson a la distribucin Binomial si p < 0,1

57
ININ 4078
A continuacin se presenta la secuencia de pasos que se deben seguir para elaborar un grfico de
control P, utilizando MINITAB.
EJEMPLO
Se envasa zumo de naranja en empaques de cartn de 1 litro. Estos empaques son producidos por
una mquina que lo forma a partir de una pieza de cartn a la que le aplica un fondo metlico. Al
inspeccionar un empaque puede determinarse si el proceso de sellado se desarroll de acuerdo
con lo establecido, esto se logra al evaluar la presencia o no de goteo en algunas de las uniones del
empaque (lateral o inferior), con lo cual se puede determinar si el empaque est conforme o no
con las especificaciones. Se desea elaborar un diagrama de control para vigilar la fraccin de
envases
disconformes producidos por esta mquina. Se seleccionaron 25 muestras de tamaos muestrales
diferentes cada media hora durante un periodo de tres turnos, en los cuales la mquina oper
continuamente, los datos recogidos se presentan a continuacin:
NUMERO
DE
MUESTRA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
NUMERO DE
DISCONFORMES
TAMAO
MUESTRAL
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
NUMERO
DE
MUESTRA
16
17
18
19
20
21
22
23
24
25
NUMERO DE
DISCONFORMES
TAMAO
MUESTRAL
8
20
7
5
8
5
8
10
6
9
80
80
80
90
100
100
100
100
90
90
1. El primer paso es ingresar los datos en el Worksheet de MINITAB, posteriormente se debe

seleccionar la ruta STAT > Control Chart > Attributes Charts > P, para proceder a construir el
grfico correspondiente.

58
ININ 4078
2. Luego de elegir esta ruta, aparece una ventana en la cual se deben llenar los siguientes campos:
Variables, en la cual se debe elegir la columna que contenga el numero de defectuosos, en este
caso la columna DISCONFORMES, en Subgroup size, se elige la columna que comprende el
tamao de muestra correspondiente para cada valor de defectuosos, en este caso la columna es
TAMAO DE MUESTRA, por ultimo para obtener el grfico correspondiente se selecciona OK.
De acuerdo como se indica a continuacin:

59
ININ 4078
El grfico que se obtiene, presenta las siguientes caractersticas:

P Chart of DISCONFORMES
1
0,25
Proportion
0,20
UCL=0,1943
0,15
_
P=0,0996
0,10
0,05
LCL=0,0049
0,00
2
10
12 14
Sample
16
18
20
22
24
En conclusin se puede decir que debido a que la muestra 17 cae fuera de la zona de control, sera
conveniente realizar una inspeccin del 100% de los componentes del lote.
GRAFICOS NP - No. de unidades no conformes

Se aplica al mismo tipo de procesos que en el grfico p. La diferencia est en que, en lugar de
contabilizar proporcin de artculos defectuosos en una muestra, se considera el nmero de
artculos defectuosos as como la posible existencia de causas especiales en el proceso productivo.
En general, el grfico np es til si:
a. El nmero es ms relevante que la proporcin.
b. El tamao muestral es constante.
Aunque matemticamente sera posible construir un grfico NP con tamao de muestral variable,
su interpretacin sera complicada, por lo que este tipo de grficos se utiliza exclusivamente con
muestras de tamao constante ni. Por lo tanto se llama di al nmero de artculos defectuosos en
una muestra de tamao n.

60
ININ 4078
Sea p la proporcin total de defectuosos que produce el proceso. Entonces di sigue una
distribucin binomial de media np y varianza np (1p). Si n es grande, dicha distribucin puede
aproximarse a la normal. Por tanto, para n elevado, aproximadamente,
Por lo tanto los lmites del grfico de control sern:
Si la aproximacin a la normal es buena, contendr al 99.7% de los datos si el proceso est bajo
control. De nuevo, si el lmite de control resulta ser negativo se usara al valor cero. Para construir
el grfico de control es necesario estimar p, salvo que se conozca ya su valor. Al igual que en el
caso anterior, tanto el nivel medio como la variabilidad dependen slo del parmetro p, por lo
que un solo grfico ser suficiente para controlar el proceso.
El procedimiento para construir grficos np en MINITAB, es similar al que se sigue en la

construccin de grficos p, la ruta que se debe seguir es: STAT > Control Charts > Attributes
Chart > NP. La nica variacin con respecto a los grficos p, es la seleccin de un tamao de
muestra constante, en este caso se utilizar n= 90, para analizar los datos del ejemplo anterior, este
cambio se realiza en la opcin Subgroup Sizes.
El grfico que se obtiene en este caso se presenta a continuacin:

NP Chart of Numerdo de defectuosos
20
UCL=18,61
Count
15
__

61
ININ 4078
Aunque los datos siguen un patrn aleatorio, en este caso coinciden con el grfico P en la muestra
17, pero adicionalmente tambin se presenta fuera de los limites la muestra 11.
GRAFICOS C No. de Defectos

De igual manera que en un proceso de control se desea determinar si un producto es conforme o
no conforme, el inters tambin puede dirigirse hacia el nmero de defectos en un artculo o
unidad de medida o, en general, en el nmero de sucesos o atributos observados por unidad de
medida.
La diferencia respecto al caso de control del nmero de productos defectuosos o no es el soporte
en el que se observan los sucesos. Mientras que antes el soporte es discreto: muestra de n
elementos, ahora el soporte es continuo: tiempo, longitud, superficie. Este tipo de control tiene
inters cuando:
- Las disconformidades aparecen de forma continua.
- Los defectos pueden encontrarse por simple inspeccin a pesar de ser debidas a causas muy
diversas.
Esta variable que se quiere controlar puede definirse como: nmero de sucesos en un intervalo de
longitud fija. Si el proceso es estable y los sucesos ocurren de forma independiente entonces el
nmero de sucesos en un intervalo de longitud fija seguir una distribucin de Poisson.
Si x es una variable con distribucin de Poisson de parmetro c, el valor medio de dicha
distribucin es tambin c. La varianza de esta distribucin es tambin c.

62
ININ 4078
Si el nmero de sucesos en un intervalo es una distribucin de Poisson de parmetro c, el nmero

de sucesos en n intervalos es una Poisson de parmetro nc. Si c es elevado, la distribucin de
Poisson se aproxima bastante a la normal. Por tanto, si se utiliza una unidad de medida
suficientemente grande, se podr utilizar la distribucin normal como referencia.
De esta manera los lmites para el grfico de control c son:
Se debe tener en consideracin nuevamente que si el lmite de control inferior resulta ser negativo
se debe usar el valor de cero. Si c no fuese conocido hay que estimarlo con un conjunto de datos
preliminares, procedentes del proceso en estado de control. Normalmente c es desconocido y por
tanto debe estimarse a partir de la informacin que suministran las muestras de tamao n
mediante:
control C, utilizando MINITAB.
EJEMPLO
Suponga que trabaja en una planta que produce sbanas blancas. Cada una de las piezas de tela
producidas, a partir de las cuales se obtendrn las sbanas, ser considerada como vlida siempre
que no tenga ms de un nmero determinado de pequeas manchas. Se pretende generar un
grfico C que permita visualizar el nmero de manchas de cada pieza. La evaluacin se hace en 26
muestras de tamao 100.

63
ININ 4078
Inicialmente se ingresan los datos en una columna y luego se selecciona la ruta STAT > Control
Charts > Attribute Charts > C.
En la ventana que aparece a continuacin, se deben rellenar el espacio Variables, en el cual se

debe indicar la columna que contenga los datos del nmero de defectos, en este caso la columna
lleva el nombre NUMERO DE DEFECTOS. Para finalizar y conseguir el grfico C, se selecciona
OK.
El grfico que se obtiene, al analizar los datos, se presenta a continuacin:

64
ININ 4078
C Chart of NUMERO DE DEFECTOS

1
40
UCL=33,21
Sample Count
30
_
C=19,85
20
10
LCL=6,48
1
0
3
12
15
Sample
18
21
24
Dos de las muestras (nmeros 6 y 20) se salen de los lmites de control, por tal razn es necesario
que se inspeccionen completamente los lotes para verificar la calidad de todas las tarjetas de
circuitos.
GRAFICOS U No. De Defectos por Unidad producida
El grfico U se utiliza cuando no es posible tener siempre la misma unidad de medida para contar
el nmero de defectos. El grfico u se diferencia del grfico c en que el tamao muestral no es
necesariamente constante yen que el estadstico a representar es el nmero de defectos por
unidad muestreada u en vez de la cantidad total de defectos en la muestra.
Utilizando la aproximacin a la normal de la variable de Poisson y que ui = Ci/ni
donde ci es el nmero medio de defectos en una muestra de tamao ni cuando el proceso est
bajo control. Si se denomina p al nmero de defectos por unidad inspeccionada que genera el
proceso cuando ste est bajo control, se tiene que ci = ni p.

65
ININ 4078
As, si p es conocido, el grfico u tendr los siguientes lmites de control
Si p es desconocido, la estimacin del nmero de defectos por unidad inspeccionada es
Y los lmites de control sern
Estos lmites varan con el tamao muestral. Al igual que ocurra con los grficos P, dado que los
lmites de control no son constantes, la interpretacin de patrones y tendencias se debe hacer con
cuidado. Una posible opcin sera representar el grfico normalizado; es decir, representar los
valores:
en un grfico donde la lnea central es cero y los lmites LCS=3 y LCI=-3. La capacidad del proceso
se define como u-barra, por lo tanto:
Estimacin de la capacidad = u- barra
control U, utilizando MINITAB.

66
ININ 4078
EJEMPLO
En una fbrica de tejidos, se inspeccionan telas tinturadas para detectar los defectos en diferentes
medidas de tela (yardas)
El primer paso, es ingresar los datos al Worksheet y posteriormente se selecciona la ruta STAT >
Control Chart > Attributes Charts > U.
Posteriormente en la ventana que aparece, se deben llenar los campos que corresponden a la
columna que contiene los valores de defectos por unidad Variables para MINITAB y el
campo correspondiente a nmero de defectos Subgroup Size. Por ltimo se selecciona OK,
para obtener el grfico correspondiente.

67
ININ 4078
U Chart of Numero de unidad

1,2
Sample Count Per Unit
1,0
UCL=0,870
0,8
0,6
0,4
_
U=0,275
0,2
0,0
LCL=0
1
Sample
En este caso, ninguno de los puntos se sale de los lmites control, presentando variacin aleatoria
alrededor de la media.

68
ININ 4078
COMENTARIOS SOBRE LAS CURVAS OC PARA GRFICOS DE CONTROL POR

ATRIBUTOS
Una consideracin importante que se debe tener en cuenta al momento de construir las curvas
caractersticas de operacin para los grficos de control por atributos, es el de los principios
estadsticos que sirven de base para la construccin de estos diagramas. En el caso de los grficos
de control por variables, los principios estadsticos se basan en una distribucin normal. Para los
grficos de control por atributos estos principios estadsticos se basan en las distribuciones
Binomial y Poisson, por tal razn el calculo de las probabilidad de xito o fracaso (Error tipo I o
Error tipo II), se deben realizar con base en estas distribuciones.
Para ejemplarizar esto, se asume que para un valor estimado p de un proceso que se encuentra
bajo control (p-barra = 0.076), con un valor de n= 120 y considerando que
La curva caracterstica de operacin para este grafico P, es representada por:
Es decir la probabilidad de no detectar un cambio en la fraccin no-conforme del proceso desde

su valor nominal p-barra al valor p.
El clculo de esta probabilidad se puede realizar con base en la distribucin Binomial, dado que:
Considerando por ejemplo que la fraccin de no-conformes pasa de p-barra a p= 0.125, esto
supone aproximadamente un incremento de 2 en dicha fraccin. En este caso para calcular la
probabilidad se definen los limites de control de la siguiente manera LCI = 0, 41 y LCS = 17, 87,
por lo tanto la probabilidad es igual a
Esta probabilidad es muy alta sobre todo si se compara con la probabilidad de detectar una
variacin 2 en un grfico x-barra con subgrupos de tamao 120.

69
ININ 4078
TEMA No. 5 GRAFICOS EWMA

Cuando en un proceso se produce un desajuste muy pequeo, los grficos estudiados en los
temas anteriores pueden ser poco efectivos. El problema que tienen ante pequeos cambios es que
tardan mucho tiempo en detectar el desajuste. En este tema se presentan procedimientos
alternativos que son ms apropiados que los estudiados hasta el momento para detectar
pequeos desajustes con ms rapidez. La idea de los grficos de control que se presentan en este
tema es que la representacin grfica no se basa en las observaciones individuales, o promedios
de una muestra de ellas, sino en la acumulacin de informacin.
GRAFICOS
EWMA
Los grficos EWMA o de medias mviles ponderadas exponencialmente (EWMA= exponentially

weighted moving average) se realizan usualmente sobre observaciones individuales. En este
grfico acumula en cada periodo los valores de observaciones pasadas. La variable que se
representa en cada periodo es un promedio de la observacin contempornea y las observaciones
anteriores, donde se da ms peso a las observaciones ms recientes. En general, a este tipo de
promedios donde en cada instante se incorpora nueva informacin y se le va restando peso a las
informaciones histricas se le denomina media mvil (en ingls moving average). Los grficos
EWMA utilizan una forma muy concreta de hacer medias mviles que consiste en dar un peso a
las informaciones histricas que decae exponencialmente con el tiempo.
Esta media mvil se denota por zi y se define como
zi
xi
(1
) zi
Donde z0 = 0 o bien z0 = x-barra, y donde el parmetro lo decide el analista en el rango 0 <

1. Por tanto, en cada momento, se pondera la observacin actual xi con el valor de la media
mvil anterior zi1. Si se sustituye se obtiene:
zi
xi
(1
)[ xi
(1
) zi 2 ]
i 1
) j xi
(1
(1
) z0
J 0
Si se cumple las hiptesis de independencia y estabilidad sobre xi (media y varianza constantes)

se tiene que:
2
zi
(1
) 2i

70
ININ 4078
De esta manera el grfico EWMA se puede construir dibujando zi contra numero de muestra. Los
lmites de control y la lnea central son entonces:
LCS
[1 (1
) 2i ]
) 2i ]
CenterLine
LCI
[1 (1
Puede verse que los lmites varan en cada instante i. Si i es muy elevado se tiene que,
aproximadamente,
LCS
CenterLine
LCI
Por ejemplo la tabla que se muestra a continuacin contiene ocho medias muestrales junto con su
valor EWMA asociado usando un peso de 0,2:
SUBGRUP
O
Media
EWMA
14
10,4
9
10,1
7
9,4
9
9,3
13
10,1
4
8,8
9
8,9
11
9,3
Para empezar, de acuerdo con lo que se defini anteriormente e el valor EWMA para el subgrupo
0 corresponde a la media de todos los datos, en este caso 9,5. El valor EWMA para el subgrupo 1
ser:

z1
71
ININ 4078
(0,2) x(14 ) (1 0,2)9,5 10 ,4
El valor EWMA para el subgrupo 2 ser
z2
(0,2) x(9) (1 0,2)10 ,4 10 ,1
Y as sucesivamente para cada uno de los valores que conformen el grupo analizado.
Para construir este grafico en MINITAB, el procedimiento es sencillo y similar al seguido para
construir los grficos que se han analizado hasta ahora.
1. Se ingresan en el Worksheet, los datos correspondientes a la media, posteriormente se sigue la
ruta Stat >Control Charts > Time-Weighted Charts > EWMA
2. A continuacin se debe completar la ventana EWMA Chart, se debe seleccionar la opcin que
corresponda a la forma en la cual se ingresaron los datos, en este caso todos estn en una sola
columna. En la casilla Subgroup Sizes se coloca de nuevo la columna que contiene los datos,
esto para indicar que son individuales. El siguiente paso es asignar el Weight of EWMA cuyo
valor corresponde a Lambda. Para finalizar se selecciona OK y a continuacin aparecer la
grafica correspondiente.

72
ININ 4078
Si se desea obtener los valores de limites de control correspondientes a cada zi, en la ventana
anterior antes de seleccionar OK, se elige la opcin EWMA Options con lo cual aparece la
siguiente ventana:
Una vez all, se selecciona la opcin Storage, la cual se encuentra en el men de la parte
superior de la ventana. Una vez seleccionada esta opcin, Store these values for each point,
las opciones que se deben marcar son:
- Point plotted que corresponden a los zi.
- Center line value, el cual corresponde al limite central.
- Contro limit values, que corresponde a los limites superior e inferior.
Luego de esto si se procede a graficar los datos, seleccionando la opcin OK.

73
ININ 4078
El grfico que se obtiene tiene la siguiente apariencia:

74
ININ 4078
EWMA Chart of Media

14
UCL=13,121
13
12
EWMA
11
_
_
X=9,5
10
9
8
7
6
LCL=5,879
5
1
Sample
En el Worksheet aparecen los datos correspondientes a zi, LCI, LC y LCS, presentados de la

siguiente manera:
Donde cada columna corresponde a:

Media
PPOI1
CENL1
CONL1
CONL2
son los datos originales que se desean analizar

zi
Lmite Central
Lmite de Control Inferior
Lmite de Control Superior
Como se puede observar el valor de los zi es el mismo que el obtenido inicialmente al aplicar
la formula manualmente.

75
ININ 4078
CONSIDERACIONES SOBRE EL ARL

Los grficos EWMA son muy efectivos para evaluar pequeos cambios en el proceso. Al
construirlos, los parmetros considerados son mltiplos del sigma usado en los lmites de control,
es decir, el valor L. De esta manera cuando se desea disear un grafico EWMA, el objetivo
principal ser siempre obtener por anticipado largos de corridas fijos para un valor ARL que
indique fuera de control. Esto se obtiene al llegar a una combinacin precisa en los valores de y
L, que permitan obtener el valor predecible para el ARL

76
ININ 4078
TEMA No. 6 GRAFICOS DE CONTROL MULTIVARIADOS

Los grficos de control multivariados son tiles para el control simultneo de varias
caractersticas de calidad relacionadas.
Cuando se decide implementar un grfico de control multivariado para monitorear un proceso, se
hace necesario disear un esquema de muestreo, por lo que se deben definir ciertos parmetros
entre los cuales estn: el tamao de muestra o subgrupo de observaciones con los cuales se
generaran los puntos a incluir en el grfico y adems definir la frecuencia o intervalo de muestreo,
es decir el tiempo que se dejar transcurrir entre cada muestreo.
GRAFICOS DE CONTROL T2 DE HOTELLING
El grfico T2 de Hotelling se puede considerar como la extensin multivariada del grfico de

control Shewhart univariado. Es el proceso de monitoreo multivariado mas comn en el control
de calidad. Este estadstico T2 es un escalar que combina informacin para la dispersin y media
de las variables que se desean analizar. Si asumiendo una distribucin normal multivariada y
conociendo los verdaderos parmetros de la distribucin, es decir, el vector de medias y la matriz
de varianzas y covarianzas, el estadstico T2 sigue una distribucin chi-cuadrado.
Este estadstico analiza las medias mustrales de las respectivas variables (x1, x2), las medias
poblacionales (1 ,2) , las desviaciones tpicas (1 , 2) y la covarianza (12 ), como se muestra
en la siguiente ecuacin:
En el caso de analizar ms de dos variables, la ecuacin queda definida de la siguiente manera:
GRAFICOS DE CONTROL
MULTIVARIADOS
El grafico de control T2, se basa en la estadstica del T2 de Hotelling, se utiliza para detectar
cambios en el proceso. En vez de usar las variables individuales del proceso, la estadstica del T 2
se calcula para los componentes principales del proceso, que son combinaciones lineares de
diferentes variables o caractersticas.

77
ININ 4078
donde es el vector de medias, es la matriz de varianzas y covarianzas y n es el tamao

muestral. El lmite superior de control se va a situar para un nivel de significacin dado por X 2 (n,p),
y el lmite inferior est situado en cero, ya que el estadstico es no negativo.
Cuando los valores poblacionales no son conocidos, es necesaria su estimacin, dando origen al
grfico T2 de Hotelling. Con p variables y m muestras de tamao n, la media y varianza muestral
se calculan como:
Donde xijk es la i-sima observacin en la j-sima caracterstica de calida en la muestra k. La

covarianza entre dos caractersticas de calidad j y h se calcula para la muestra k :
Con las expresiones anteriores podemos determinar la media y varianza para las m muestras y
para las variables a travs de las expresiones:

78
ININ 4078
De esta manera el estadstico T2 queda:
Para datos agrupados, el estadstico T2 sigue una distribucin F de Snedecor, por lo que los lmites
de control bajo los supuestos usuales van a venir dados como:
De esta manera se puede analizar si el proceso se encuentra bajo control mediante la

representacin de los valores T2 junto a dicho lmite de control. Cuando el valor T2 para todas las
muestras sea inferior al LSC, el proceso se considera bajo control y, en caso contrario, significa que
existe una anomala que ocasiona una situacin fuera de control.
La interpretacin de los resultados en el caso de los grficos multivariados es algo compleja. El
objetivo es detectar situaciones en las que el proceso presenta cambios moderados y una vez
detectadas, determinar sus causas. Similar que en el caso univariado, determinar esa situacin
fuera de control es relativamente fcil, pero determinar las causas que han provocado ese cambio
ser ms complicado.
Un procedimiento para interpretar esas seales fuera de control consiste en la descomposicin del
estadstico T2 de forma que mida la influencia de cada una de las variables. Si T 2 es el valor del
estadstico, y T2(i) es su valor para todas las variables del proceso excepto la i-sima, se puede
calcular un indicador de la contribucin de la variable i-sima sobre el conjunto de la siguiente
forma:
Cuando aparece una situacin fuera de control en un grfico de control multivariado es

conveniente calcular esta contribucin para cada una de las variables y centrar la atencin en
aquellas variables cuya contribucin sea superior.

79
ININ 4078
EJEMPLO
A continuacin se presenta un caso en el cual es til emplear los grficos multivariados.
Se tienen los datos de un proceso de fabricacin de textiles que se desea controlar, las
caractersticas de calidad que deben ser monitoreadas en la fibra textil son 3 diferentes, que
afectan de igual manera el resultado final del producto. Se analizaron 10 muestras de tamao 4, a
continuacin se encuentra la tabla con la informacin recolectada.
Producto 1
Muestra X1
X2
X3
1
310,1 0,037
3
2
332,3 0,039 3,1
3
312,6 0,03 2,4
4
312,8 0,032 2,5
5
330 0,033 2,8
6
322,8 0,326 3,5
7
333,8 0,342
3
8
324,3 0,33 2,7
9
345,5 0,283 2,2
10
329,6 0,36 1,8
Producto 2
X1
X2 X3
310,2 0,237 2,9
332,5 0,339 2,9
312,9 0,43 2,1
312,9 0,232 2,4
330,2 0,333 2,5
323,1 0,726 3,2
333,9 0,542 2,9
324,5 0,63 2,5
345,8 0,683 1,9
329,7 0,56 1,7
Producto 3
X1
X2
X3
310,5 0,137 3,1
332,7 0,239 3,1
313
0,33 2,3
313,2 0,132 2,6
330,4 0,233 2,7
323,2 0,626 3,4
334,2 0,442 3,1
324,7 0,53 2,7
345,9 0,583 2,1
330
0,46 1,9
Producto 4
X1
X2
X3
310,8 0,237 3,2
333,1 0,339 3,3
313,5 0,43 2,6
313,5 0,232 2,7
330,8 0,333 3
323,7 0,726 3,7
334,5 0,542 3,2
325,1 0,63 2,9
346,4 0,683 2,4
330,2 0,46
2
La construccin y anlisis de los grficos multivariados se puede realizar utilizando diferentes

software entre ellos Excel, MINITAB y MATLAB.
A continuacin se presentan algunas indicaciones para construir estos grficos utilizando estos
programas.
GRAFICOS MULTIVARIADOS EN EXCEL.

Como se explico al inicio del manual, los grficos multivariados dependen de dos valores
especficos para su construccin: El estadstico T2 y el Lmite de control superior. Una vez
calculados estos valores es posible construir el grafico.
Sin embargo para llegar a la obtencin del estadstico T 2, se hace necesario definir la matriz
varianza-covarianza de las diferentes muestras y su correspondiente vector de promedios, de
acuerdo con la ecuacin:

80
ININ 4078
Estos valores se obtienen siguiendo los siguientes pasos:

1. Utilizando Excel, se organizan los datos por caracterstica, es decir se agrupa la
caracterstica 1 de todos los productos analizados, la caracterstica 2 y la caracterstica 3, en
arreglos o matrices diferentes.
2. El siguiente paso es conformar las matrices de promedios, varianzas y covarianzas. Esto se

hace por medio de las siguientes funciones del programa:
Average (number1; number2) Para los promedios
Var (number1; number2) Para las varianzas
Covar(array1; array2) Para las covarianzas, en esta formula es necesario aplicar un factor
de correccin para los valores hallados el cual se calcula de la siguiente manera:
n
n 1
donde n es el numero de valores que estn siendo correlacionados.

Para los datos antes presentados, en Excel el arreglo de estas funciones se hace de la
siguiente manera:

81
ININ 4078
Estos arreglos toman los valores correspondientes por muestra, es decir cada grupo de
datos ubicado en cada fila.
3. Con estas matrices ya se pueden calcular el estadstico T2 para cada muestra. La ecuacin
queda entonces de la siguiente forma:
Muestra
1
2
3
4
5
6
7
8
9
10
Matriz de Promedios
X1
X2
X3
4,3
92,9
2,7
3,5
91,9
4,6
3,9
91,7
4,3
3,5
89,2
7,2
4,2
90,7
5,0
4,9
88,5
6,6
6,4
87,6
6,0
5,9
86,1
8,0
6,6
86,4
6,9
4,5
88,2
7,3
Promedios
4,78
89,36
5,87

82
ININ 4078
- Para la muestra numero 1 la matriz de promedios necesaria seria:

( xi
x ) = [(4,3 4,78) (92,9-89,3) (2,7-5,87)]
Y as para cada una de las muestra, evaluadas.

-
La matriz varianza- covarianza (pxp) necesaria en la ecuacin de T2 se forma utilizando los

datos de la siguiente tabla, estos se organizan en una matriz de tal manera que se puedan
obtener los promedios correspondientes:
Muestra
1
2
3
4
5
6
7
8
9
10
Promedios
Matriz de Varianzas
S1
S2
S3
0,8533 0,3433
2,2633
0,5633 0,3233
0,9300
1,3633 0,0033
1,2633
0,0633 4,2233
4,3300
6,6233 13,0433 3,7733
5,3433 69,6033 37,8700
3,3033 20,7100 14,8633
0,6533 13,3233 8,8900
5,3200 14,0033 3,5633
4,6900 8,9033
1,3233
2,8777 14,4480 7,9070
Matriz de Covarianzas
S12
S13
S23
0,533
-1,387 -0,877
0,097
-0,665 -0,325
-0,052 -1,312
0,048
0,022
-0,085 -4,245
-7,947
1,323
-5,097
-18,538 13,195 -51,065
-4,575
1,272 -16,135
-2,543
1,890 -10,780
-7,880
2,560
-6,123
-6,135
1,445
-2,768
-4,7018 1,8237 -9,7367
Varianzas
Covarianzas
S1
S12
S13
S12
S2
S23
S13
S23
S3
De esta manera la matriz varianza-covarianza ser de 3 filas por 3 columnas. Los promedios
correspondientes a las varianzas y covarianzas, se ubican de acuerdo con la tabla anterior, en
este caso la matriz tendr la siguiente forma:
2,8777
-4,702
1,824
-4,702
14,4480
-9,737
1,824
-9,737
7,9070
Luego de tener esta matriz, se utiliza la funcin Minverse de Excel para obtener la matriz
requerida en la ecuacin.

83
ININ 4078
El clculo de la matriz inversa en Excel se hace siguiendo los siguientes pasos:

- Se selecciona un rea equivalente a la de la matriz original, es decir 3x3.
- Se ingresa en la primera celda la funcin Minverse (array), donde el array corresponde al
rango de celdas donde se encuentra la matriz original.
- Para finalizar, se presionan simultneamente las teclas Shift - Ctrl y Enter. Inmediatamente
aparecen los valores.
En este momento ya se puede calcular el estadstico T2 para la muestra nmero 1:
T2= n* x(
T2 =
) r * S-1+ ( x
i
x)
3 x[(4,3 4,78) (92,9-89,3) (2,7-5,87)]r x

334,0
333,7
333,9
333,7
333,8
334,1
333,9
334,1
334,5
x [(4,3 4,78) (92,9-89,3) (2,7-5,87)]

Este procedimiento se repite para cada una de las muestras evaluadas, hasta obtener todas las
estadsticas necesarias para construir el grfico.
GRAFICOS MULTIVARIADOS EN MINITAB
Como en los casos anteriores la construccin de este tipo de grficos en MINITAB, se consigue
siguiendo pasos sencillos; la nica condicin es que los datos deben estar agrupados en columnas
y por muestras consecutivas, como se muestra a continuacin:

84
ININ 4078
Luego de ingresar los datos de esta manera se debe seguir la ruta:

STAT > CONTROL CHARTS > MULTIVARIATE CHARTS > TSQUARED
Siguiendo esta ruta aparece una ventana en la cual se debe ingresar la informacin como se indica
a continuacin:
En la opcin Variables se ubican las columnas que contienen los datos de las caractersticas
analizadas X1, X2, X3. En la opcin Subgroup Sizes se ubica la columna Muestras. Para finalizar
y obtener el grfico se selecciona OK.

85
ININ 4078
Tsquared Chart of X1; ...; X3

20
UCL=19,75
Tsquared
15
10
5
Median=2,34
LCL=0,03
0
1
5
6
Sample
10
Como se puede observar se grafican 10 puntos correspondientes al estadstico T 2 de cada una de

las muestras. El programa calcula automticamente estos valores as como tambin el del lmite
de control correspondiente. Una consideracin importante que se debe tener en cuenta, es el valor
de alfa (), ya que de acuerdo con esto, el lmite de control puede variar su valor.
GRAFICOS MULTIVARIADOS EN MATLAB
La construccin de los grficos multivariados se facilita en este programa, en el cual adems de
calcular el valor del estadstico T2, se obtiene el valor del lmite de control superior y por tanto el
grfico correspondiente.
Se debe considerar que el clculo del estadstico requerido, se hace por medio de matrices por
tanto, es necesario crear una rutina para recorrer estas matrices y as obtener los valores
requeridos.
Algunas de las consideraciones que se deben tener en cuenta al construir estos grficos son:
- Se deben crear variables independientes a la rutina, para los datos obtenidos del muestreo
(valores de las caractersticas). Se debe generar una variable para cada caracterstica y los
datos se deben ingresar en formato de matriz. Donde el nmero de filas corresponde al
nmero de muestras y el nmero de columnas corresponde al tamao de las muestras.
- El valor del porcentaje para la distribucin F, se debe calcular manualmente e ingresarlo
como input a la rutina.
Un ejemplo de una subrutina que se puede generar para el clculo de la matriz de promedios, se
presenta a continuacin:

86
ININ 4078
A = matriz correspondiente a los datos de la caracterstica 1, conformada por nc filas y nr

columnas.
El loop puede tener la siguiente forma
[nc nr]=size(A);
for i=1:nc;
Valores1=A(i,:);
Promedio1=mean(Valores1);
Columna1(i,1)=Promedio1;
end
Promedios=[Columna1 Columna2 Columna_n]
- Valores1 corresponde a los datos contenidos en cada una de las filas de la matriz A.
- Promedio1 corresponde al promedio obtenido en cada una de las filas.
- Columna1 conforma el vector de los datos promedios de la caracterstica 1, los cuales harn
parte posteriormente de la Matriz de promedios requerida para el clculo del estadstico T2.

87
ININ 4078
TEMA No. 7 R&R REPRODUCIBILIDAD Y REPETIBILIDAD DE LAS MEDIDAS

El diseo de experimentos es un acercamiento sistemtico para variar las variables de entrada del
proceso y analizar los efectos de estas variables en la salida del proceso. Uno de los mayores usos
del diseo de experimentos es el aislamiento y la estimacin de las fuentes de variabilidad en un
proceso.
El objetivo del estudio de reproducibilidad y repetibilidad es por lo tanto, analizar y determinar
la precisin y exactitud de un sistema de medidas. Para analizar los resultados dentro de un
experimento R&R se utiliza el concepto de componentes de varianza, en el cual se realiza un
anlisis de varianza a partir del ANOVA.
Las ecuaciones que se utilizan para calcular los componentes de varianza y analizar los resultados
del ANOVA realizado a un experimento de este tipo son las siguientes:
2
MS Error
MS Piezasxoperador
MS Error
n
2
MS Operador MS Piezasxoperador
an
MS Piezas
MS Piezasxoperador
bn
Modelo matemtico ANOVA

+
i
Pieza
+
j
+
ij
+
Operador
Interaccin
2
y
Error (ij)k
Instrumento o Sistema
REPRODUCIBILIDAD Y
REPETIBILIDAD
Yijk =
Reproducibilidad Repetibilidad

88
ININ 4078
Despus de calcular los componentes de varianza y poder concluir sobre el sistema de medida
(instrumento) se debe evaluar utilizando el siguiente criterio:
2
Piezas
Porcentaje de contribucin debido a piezas =

2
y
(Total)
70%
Porcentaje de contribucin R&R < 30%
Anova R&R Tpico
FUENTE
Piezas
Operador
Interaccin
Error
Total
GRADOS
SUMA
PROMEDIO
DE
DE
CUADRADOS
LIBERTAD CUADRADOS
a-1
SSp
MSpart= SSp/a-1
b-1
SSop
MSop= SSop/b-1
(a-1)(b-1)
SSpxop
MSopxp=SSpxop/
(a-1)(b-1)
gl error
SSerror
MSerror=
SSerror/glerror
abn -1
SStotal
F
MSp/MSerror
MSop/MSerror
MSopxop/ MSerror
Para comprender el anlisis que se realiza en el estudio R&R, se considerar el siguiente ejemplo.
Un instrumento es usado para medir una dimensin crtica en una pieza. Veinte (20) piezas han
sido seleccionadas del proceso de produccin, adicionalmente se seleccionaron aleatoriamente
tres (3) operadores para que tomaran la medida en cada pieza.
El orden en que las medidas fueron realizadas es completamente aleatorio. Por lo tanto este es un
experimento factorial con dos factores: Partes y Operadores, con dos replicas. Las partes y los
operadores son factores aleatorios.

Pieza
Nmero
1
2
3
4
5
6
89
ININ 4078
Operador A
21
20
24
23
20
21
27
27
19
18
23
21
Operador B
20
20
24
24
19
21
28
26
19
18
24
21
Operador C
19
21
23
24
20
22
27
28
18
21
23
22
7
8
9
10
11
12
13
14
15
16
17
18
22
19
24
25
21
18
23
24
29
26
20
19
21
17
23
23
20
19
25
24
30
26
20
21
22
18
25
26
20
17
25
23
30
25
19
19
24
20
23
25
20
19
25
25
28
26
20
19
22
19
24
24
21
18
25
24
31
25
20
21
20
18
24
25
20
19
25
25
30
27
20
23
19
20
25
19
26
19
25
18
24
17
25
19
25
17
Utilizando el programa MINITAB, se realiza el anlisis ANOVA para obtener los datos
necesarios y realizar el estudio de los componentes de varianza.
El primer paso es ingresar los datos, se deben organizar tres columnas, una para las piezas, otra
para los operadores y otra para los resultados obtenidos en las medidas. Como se presenta en la
siguiente pantalla.

90
ININ 4078
Luego de ingresar los datos, para realizar el anlisis se pueden seguir dos rutas:
1. La primera opcin proporciona el anlisis Anova y de manera indirecta se pueden obtener los
correspondientes componentes de varianza. La ruta que se debe seleccionar es la siguiente STAT
> ANOVA > General Linear Model

91
ININ 4078
En la ventana que se obtiene al seguir esta ruta, se deben seleccionar las opciones de acuerdo
como se indica a continuacin:
En esta ventana se debe seleccionar la opcin Results y una vez all se debe seleccionar la opcin
Display expected mean squares and variante components, de acuerdo con lo que se muestra a
continuacin:
Para finalizar se selecciona OK y se obtiene el siguiente resultado:

92
ININ 4078
General Linear Model: Medida versus Pieza; Operador

Factor Type Levels Values
Pieza random 20 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15;
16; 17; 18; 19; 20
Operador random
3 A; B; C
Analysis of Variance for Medida, using Adjusted SS for Tests
Source
DF Seq SS Adj SS Adj MS F P
Pieza
19 949,492 949,492 49,973 7,54 0,000
Operador
2 2,217 2,217 1,108 0,17 0,847
Pieza*Operador 38 251,783 251,783 6,626 6,91 0,000
Error
60 57,500 57,500 0,958
Total
119 1260,992
S = 0,978945 R-Sq = 95,44% R-Sq(adj) = 90,96%
Expected Mean Squares, using Adjusted SS
Source
Expected Mean Square for Each Term
1 Pieza
(4) + 2,0000 (3) + 6,0000 (1)
2 Operador
(4) + 2,0000 (3) + 40,0000 (2)
3 Pieza*Operador (4) + 2,0000 (3)
4 Error
(4)
Error Terms for Tests, using Adjusted SS
Synthesis
of Error
Source
Error DF Error MS MS
1 Pieza
38,00 6,626 (3)
2 Operador
38,00 6,626 (3)
3 Pieza*Operador 60,00 0,958 (4)
Variance Components, using Adjusted SS
Estimated
Source
Value
Pieza
7,2246
Operador
-0,1379
Pieza*Operador 2,8338
Error
0,9583

93
ININ 4078
la ultima parte del resultado, contiene los componentes de varianza necesarios para el anlisis.
Ntese que el componente de varianza para el operador tiene signo negativo, algo que no es
razonable, esto porque de acuerdo con la definicin de varianza estas son no negativas.
Desafortunadamente el proceso de anlisis no esta exento de obtener un resultado negativo como
en este caso y ocurre cuando se usa el anlisis de varianza como mtodo de estimacin. En este
caso el procedimiento a seguir consiste en asumir que la estimacin negativa significa que el
componente de variacin es cero, dejando las otras estimaciones no negativas sin cambios.
2. La Segunda ruta que se puede seleccionar es STAT > QUALITY TOOLS > Gage Study >
Gage R&R Study (Crossed)
En la ventana que se obtiene al seguir esta ruta, se deben seleccionar las opciones de acuerdo
como se indica a continuacin:
Para finalizar se selecciona OK y se obtiene el siguiente resultado:

94
ININ 4078
Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction
Source
DF
SS
MS
F P
Pieza
19 949,49 49,9732 7,54213 0,000
Operador
2 2,22 1,1083 0,16727 0,847
Pieza * Operador 38 251,78 6,6259 6,91396 0,000
Repeatability 60 57,50 0,9583
Total
119 1260,99
Gage R&R
%Contribution
Source
VarComp (of VarComp)
Total Gage R&R
3,7921
34,42
Repeatability 0,9583
8,70
Reproducibility 2,8338
25,72
Operador
0,0000
0,00
Operador*Pieza 2,8338
25,72
Part-To-Part
7,2246
65,58
Total Variation 11,0167
100,00
Study Var %Study Var
Source
StdDev (SD) (6 * SD)
(%SV)
Total Gage R&R
1,94733 11,6840
58,67
Repeatability
0,97895 5,8737
29,49
Reproducibility
1,68338 10,1003
50,72
Operador
0,00000 0,0000
0,00
Operador*Pieza 1,68338 10,1003
50,72
Part-To-Part
2,68785 16,1271
80,98
Total Variation
3,31914 19,9148 100,00
En este caso el resultado que se obtiene, incluye la tabla de anlisis de varianza, los valores para
los componentes de varianza del caso en estudio y su correspondiente porcentaje de contribucin,
adicionalmente la clasificacin del resultado hace la distincin entre repetibilidad y
reproducibilidad.
A partir de estos resultados se puede realizar el anlisis correspondiente al proceso analizado y
responder si se acepta o no el sistema de medidas evaluado.

Manual Laboratorio Inin 4078

Uploaded by

Document Information

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

Manual Laboratorio Inin 4078

Uploaded by

Copyright:

Available Formats

1

TEMA 1. HERRAMIENTAS PARA EL CONTROL DE CALIDAD

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

UNIVERSIDAD DE PUERTO RICO

Simbolos utilizados en los Diagramas de Flujo

CIRCULO. Representa un punto de conexin entre procesos.

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

Los pasos a seguir se presentan de forma grfica:

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

Al seleccionar esta opcin, aparecer la ventana Pareto Chart y se presenta a continuacin:

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

Es un resumen grfico de la variacin de un conjunto de datos. La naturaleza grfica del

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

GRAPH > HISTOGRAMS

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

2. En la ventana Histograms Simple, en la opcin Graph variables se incluye la columna

3. Existen 5 opciones dentro de la ventana Histograms Simple, estas opciones se consideran en

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

DIAGRAMA CAUSA EFECTO

El Diagrama de causa y Efecto (o Espina de Pescado) es una tcnica grfica ampliamente

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO

David R. Gonzlez Barreto

Victoria E. Bastidas Guzmn

UNIVERSIDAD DE PUERTO RICO