Manual Control Estadístico de Procesos

CONTROL ESTADSTICO DEL PROCESO Dr. P.
Reyes / Octubre 2006
CONTROL ESTADSTICO
DEL PROCESO
DR. PRIMITIVO REYES AGUILAR
Octubre, 2006
Pgina 1
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CONTROL ESTADSTICO DEL PROCESO
1. INTRODUCCIN 4
1.1 Historia del control estadstico del proceso 5
1.2 Mtodos estadsticos para la mejora de la calidad 10
2. MTODOS Y FILOSOFA DEL CEP 14

2.1 Conceptos bsicos y distribucin normal 15
2.2 Causas comunes y causas especiales 19
2.3 Bases estadsticas de las cartas de control 21
2.4 Implementacin del CEP 31
3. CARTAS DE CONTROL POR VARIABLES 33

3.1 Introduccin 34
3.2 Cartas de control de medias-rangos 34
3.3 Cartas de control medias-desviacin estndar 41
3.4 Cartas de control para lecturas individuales 44
3.5 Seleccin entre cartas por variables y por atributos 46
4. CARTAS DE CONTROL PARA ATRIBUTOS 48

4.1 Introduccin 49
4.2 Cartas de Control para fraccin no conforme - p 50
4.3 Cartas de Control np 55
4.4 Cartas de control P - Tamao de muestra variable 56
4.6 Cartas de Control para No Conformidades c y u 61
5. OTRAS CARTAS DE CONTROL ESPECIALES 73

5.1 Cartas de Control para corridas cortas 74
5.5 Cartas de Control para procesos de salida mltiple 76
5.6 Cartas de control Cu Sum 78
5.7 Cartas de control EWMA 81
5.8 Carta de control de Media Movil 82
Pgina 2
5.9 CEP Con datos correlacionados 84

5.10 Cartas de control multivariado 91
5.11 Cartas I-MR de diferencias 96
6. ANLISIS DE CAPACIDAD DEL PROCESO 97

6.1 Introduccin 97
6.2 ndices de capacidad 104
6.3 Capacidad del proceso con cartas de control 110
6.4 Capacidad de procesos con Minitab normales y no normales 113
6.5 Estudios de capacidad de sistemas de medicin 119
7. DISEO DE EXPERIMENTOS 274

7 .1 Introduccin 137
7.2 Diseos factoriales 138
Apndice 1. Frmulas de CEP
Pgina 3
Mdulo 1. Introduccin
Pgina 4
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO
Antecedentes
Control de calidad por inspeccin

Durante la primera guerra mundial el sistema de manufactura se volvi ms
complejo, involucrando a ms trabajadores reportando a un supervisor de
produccin, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la produccin, desligndose del
auto - control de calidad de los artculos que producan, esto tuvo auge entre los
aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el mercado. 1
Se establecen despus planes de muestreo militares, asumiendo que cualquier
proceso producir defectos, los esfuerzos se enfocan a detectarlos, no a
prevenirlos. Los productos defectuosos, eran reprocesados o desechados,
incrementando los costos de produccin entre un 20 a 30% e incrementando el
precio final del producto al menos 20%, absorbiendo el cliente las ineficiencias de
la empresa. El departamento de Control de Calidad se convierte en el "polica de
la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa,
est formado por especialistas y tcnicos que se encargan principalmente de
detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control

Estadstico del Proceso como una siguiente etapa.
1
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
Pgina 5
Control estadstico del proceso (CEP)

CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableci mtodos de control de calidad ms rigurosos
que infundieran confianza en sus instrumentos y electrodomsticos, en 1924 se
form su departamento de Ingeniera de Inspeccin, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control2. Por otra parte H. Dodge y H.
Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig3, como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin
en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras probabilsticas, as como
a la falta de estadgrafos industriales, adecuadamente entrenados. 4
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

se conoce como Control Estadstico del Proceso. De esta forma con objeto de
hacer ms eficientes a las organizaciones de inspeccin, se proporciona a los
inspectores con unas cuantas herramientas estadsticas, tales como cartas de control y tablas de
muestreo5. Se reduce el nivel de variacin del proceso hasta los lmites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medicin
formales desde los proveedores hasta el producto final y el proceso se
"estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada
por los crculos de control de calidad para la identificacin de problemas.
2
Duncan, Acheson, op. cit.p. 16.
3
Ibidem, p. 1
4
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p. 261.
5
Feigenbaum, A.V., op. cit., 1986, p. 16
Pgina 6
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

Manufactured Product, donde describe las cartas para el control estadstico del
proceso. En medio de los aos 30s los mtodos de control estadstico de calidad
se empezaron a aplicar en la Western Electric, brazo de manufactura de los
laboratorios Bell, sin embargo no fueron reconocidos estos mtodos ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de

control de procesos en la industria de la manufactura, la American Society for
Quality Control se form en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japn a dar seminarios sobre control estadstico de calidad a
sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente
es hasta la dcada de los ochenta cuando se voltea hacia los mtodos
estadsticos ya muy comunes en Japn dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General

Electric, Xerox, AT&T, etc., desarrollan e implantan una metodologa de calidad
total denominada Calidad 6 sigma con el objetivo de reducir los errores y defectos
a un mximo de 3.4 partes por milln (ppm), donde una de las herramientas clave
es el control estadstico del proceso, que permite obtener ahorros de costos muy
importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Pgina 7
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Desarrollo del Control Estadstico del Proceso

W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.6
* * * *
** **
*** **
*** **
Distribucin de promedios
Universo de las muestras
Fig. 1.1 Experimentos de Shewhart para las cartas de control
Encontr que las medias de las muestras correspondan a las medias de la

poblacin y que la desviacin estndar de las medias de las muestras se
relacionaban con la desviacin estndar de la poblacin, como sigue:
6
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 8

__ (1.1)
X n
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.
Normalmente para conocer el estado de un proceso en determinado momento, es

necesario obtener un histograma de la caracterstica de inters, tomando al menos
30 piezas. Se calcula la media y la desviacin estndar de la muestra y se trata de
inferir sobre las caractersticas del proceso. Haciendo esto peridicamente se
pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
a) Proceso fuera de control b)Proceso en control

en media y variabilidad en media y esv. est.
Fig. 1.2 Comportamiento de procesos en control y fuera de

control7
Llevando un control de proceso a travs de histogramas no sera prctico y

aprovechando sus hallazgos del comportamiento de las medias Shewhart sugiri
llevar un control del proceso tomando muestras no de 50 piezas, sino de slo 5
consecutivas, monitoreando el comportamiento del proceso a travs de las cartas
de control de Shewhart, la media del proceso con las medias de las muestras y la
variabilidad con su rango. Tomado lmites de control establecidos a 3 de
medias o rangos.
7
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 9
1.3 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD
Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de

experimentos y el muestreo estadstico, adems de las herramientas estadstica
para la solucin de problemas en planta por grupos de trabajo o Crculos de
calidad.
CARTAS DE CONTROL
LSC
LC
LIC
LSC = Lmite superior de control

LC = Lnea central
LIC = Lmite inferior de control
Fig. 1.3 Carta de control de Shewhart y sus lmites de

control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 10
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

PROCESO
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.4 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual los

factores son variados de tal forma de probar todas las posibles combinaciones de
los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza

durante el desarrollo de los productos o procesos, ms que durante su fabricacin.
Pgina 11
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las

caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e

inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
- El costo de evaluacin es menor que con la inspeccin al 100%

- Se puede aplicar ms fcilmente cuando se trata de realizar pruebas
destructivas.
- Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que
con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:

- Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
- Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
- No se garantiza que los lotes aceptados estn libres de defectivos.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
Pgina 12
El muestreo de aceptacin tiende a reforzar el apego o conformancia a

especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Fig. 1.5 Evolucin de la aplicacin de mtodos estadsticos

100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
Pgina 13
Mdulo 2. Mtodos y filosofa del CEP
Pgina 14
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO

DEL PROCESO (CEP)
2.1 CONCEPTOS BSICOS
CONCEPTO DE VARIACIN
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
DISTRIBUCION NORMAL
La notacin para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribucin es simtrica, unimodal y en forma de campana.
Las reas entre diferentes desviaciones estndar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Fig. 2.1 Curva de distribucin normal
Propiedades de la distribucin normal

La distribucin normal tiene forma de campana.
La distribucin normal es una distribucin de probabilidad que tiene media =
0 y desviacin estndar = 1.
El rea bajo la curva o la probabilidad desde ms menos infinito vale 1.
La distribucin normal es simtrica, cada mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
Pgina 15
La forma y la posicin de una distribucin normal dependen de los parmetros

y , en consecuencia hay un nmero infinito de distribuciones normales.
TEOREMA DEL LMITE CENTRAL
La distribucin normal tiene muchas propiedades tiles, una de estas se refiere al

comportamiento de las medias de las muestras de una poblacin no
necesariamente normal, se aproxima a la distribucin normal conforme n tiende a
aumentar. Es decir que las medias de las muestras de tamao n aleatorias e
independientes tienden a distribuirse normalmente, independientemente de la
distribucin de las variables individuales.
Por ejemplo tomando 300 datos individuales se tiene:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
Fig. 2.2 Distribucin de la poblacin No normal
Seleccionando muestras de tamao n y calculando la X-media o promedio en cada

una se tiene:
Pgina 16
Poblacin con media y desviacin estndar y cualquier distribucin.
X1 X2 X3
X-media 1 X-media 2 X-media 3
Conforme el tamao de muestra se incrementa las muestras se distribuyen

normalmente con media de medias y desviacin estndar de las medias de las
muestras / n. Tambin se denomina Error estndar de la media.
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
Fig. 2.3 Distribucin de las medias muestrales
En general si las xi estn distribuidas en forma idntica y su distribucin se

asemeja a la normal, el teorema del lmite central trabaja bien para n>=3 o 4,
condiciones propicias para el control estadstico de los procesos.
Pgina 17
Comprobacin en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
COMPROBACIN DEL TEOREMA DEL LMITE CENTRAL
Paso 1. Hacer una sola columna de datos en Datos (C1)

1. Manip > Stack > Stack columns
2. Stack the following columns X1-X5
3. Seleccionar Column in current worksheet Datos
4. OK
Paso 2. Hacer un histograma de 5 celdas con la columna Datos

1.Graph > Histogram Graph variables 1 Datos
2.Options seleccionar Cut Point Number of intervals Automatic
3. OK OK
Hacer comentarios
Paso 3. Hacer prueba de normalidad con la columna Datos

1.Stat > Basic statistics > Normality test
2.Seleccionar Variable Datos Seleccionar Anderson Darling
3. OK OK
Hacer comentarios
Paso 4. Calcular en Medias (C7) el promedio de los datos de cada rengln

1.Calc > Row statistics Seleccionar Mean
2.Input Variables X1 X2 X3 X4 X5
3. Store Results in Medias
4. OK
Paso 5. Hacer un histograma de 5 celdas con la columna Medias

1.Graph > Histogram Graph variables 1 Medias
2.Options seleccionar Cut Point Number of intervals 7
3. OK OK
Hacer comentarios
Pgina 18
2.2 CAUSAS COMUNES Y CAUSAS ESPECIALES
La variabilidad natural siempre existe en cualquier proceso de produccin, no

importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
SI LAS VARIACIONES PRESENTES SON IGUALES,

SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
Fig. 2.4 Proceso en control, solo causas comunes presentes
De la figura cuando el proceso est en control, la mayor parte de la produccin se

encuentra dentro de los lmites de control (LSC y LIC). Sin embargo cuando el
proceso est fuera de control, una gran proporcin del proceso se encuentra fuera
de estos lmites.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6Ms (medio
ambiente, mtodos, mediciones). Esta variabilidad es muy grande en relacin con
la variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadstico.
Pgina 19
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas

especiales para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para esto se utilizan las cartas de control en lnea,
permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la
reduccin continua de la variabilidad hasta donde sea posible.
EN CASOS ESPECIALES COMO ESTOS

DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS ?
TENEMOS UN PROCESO INESTABLE o IMPREDECIBLE. ? ?
? ?
? ?
M
Regin de control,
E
D captura la variacin
I natural del proceso
LSC
D original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Pgina 20
Fig. 2.5 Proceso fuera de control, por causas especiales o

asignables a las 6Ms presentes
2.3 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL
Una carta tpica representando un proceso en control estadstico se muestra a

continuacin. Contiene una lnea central que representa el valor promedio de la
caracterstica de calidad correspondiente al estado en control y dos lneas
adicionales llamadas lmites inferior y superior de control (LIC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
LIC Tiempo
Fig. 2.6 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un
alto riesgo de situacin fuera de control si los puntos se agrupan es forma
sistemtica dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
Pgina 21
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se

concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II o beta de la carta de control se presenta cuando se

concluye que el proceso est en control cuando en realidad est fuera de control.
Se puede definir un modelo general para una carta de control, si w es un

estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw (2.1)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central

expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de

su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
Pgina 22
DISTRIBUCION DISTRIBUCION COMPORTAMIENTO DEL PROCESO

DE LOS VALORES DE LAS MEDIAS LSC = 74.0135, LC = 74, LIC = 73.9865
INDIVIDUALES =.01 X 0.0045
Fig. 2.7 Comparacin de la variabilidad de la poblacin y la

de las medias y operacin de la carta de control
El proceso de mejora usando la carta de control requiere la accin de la

supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las

causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control OCAP, activado con la ocurrencia de cada
evento. Incluye Puntos de chequeo que son causas potenciales asignables y
acciones que resuelven la situacin fuera de control. Este documento OCAP es un
documento vivo que debe ser actualizado constantemente.
Pgina 23
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIN
Verificacin Deteccin de causa

y seguimiento asignable
Implantar Identificar causa

Accin raz del problema
Correctiva OCAP
Fig. 2.8 Proceso de mejora utilizando la carta de control
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real

en alguna escala de medicin continua, se denomina una variable. En tales casos
se utilizan cartas de control de valores individuales o medias, que describan la
tendencia central y cartas de control basadas en rango o desviacin estndar para
controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala continua,

en esos casos se puede juzgar cada producto como conforme o como no
conforme sobre la base de que posea o no ciertos atributos, o se pueden contar el
nmero de no conformidades o defectos que aparecen en una unidad de producto.
Las cartas de control para tales caractersticas de calidad, se denominan cartas de
control por atributos.
Pgina 24
Un factor importante en la aplicacin de cartas de control es su diseo, es decir la

seleccin de tamao de muestra, lmites de control y frecuencia de muestreo.
Para la carta de control por variables del ejemplo se utiliz una muestra de 5
partes, lmites de control a 3-sigma y una frecuencia de muestreo cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo II,

aunque el diseo de la carta de control tambin debe tomar consideraciones
econmicas considerando los costos de muestreo, prdidas por fabricar productos
defectuosos y costo de investigar indicaciones fuera de control que son falsas
alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad exhibida

por el proceso:
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
2. Procesos con datos no correlacionados: las observaciones dan la apariencia

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

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

proceso, los procesos son muy inestables y tienen corridas inestables alrededor
Pgina 25
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin

exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de si no esta mal, no lo arregles, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
Pgina 26
a una distancia de 3.09-sigmas, Estos lmites de control se denominan lmites

probabilsticos a 0.001.
Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de la

lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la sensibilidad
de la carta de control para identificar corrimientos de la media del proceso, en
forma ms rpida. Si un punto cae fuera de los lmites preventivos, Una
desventaja es que crean confusin con el personal y se incrementa el riesgo de
error tipo I (falsas alarmas).
TAMAO DE MUESTRA Y FRECUENCIA DE MUESTREO
Al disear una carta de control, se debe especificar tanto el tamao de muestra

como la frecuencia de muestreo.
Para un proceso en control estadstico habr un punto fuera de control normal por
cada 370 puntos para lmites a tres sigma.
Las muestras se toman de manera ms frecuente a la ocurrencia de cambios en el

proceso registrados en bitcoras (cambio de turno, cambio de materiales, ajustes,
fallas, etc.), con objeto de detectar las causas de situaciones fuera de control.
Fecha Hora Cambio

9/10/2006 9:15AM Cambio de turno
9/10/2006 10:15AM Apagn de energa
Fig. 2.9 Bitcora de cambios en el proceso
Pgina 27
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6

productos consecutivos de produccin, minimizando diferencias dentro del
subgrupo. En los procesos qumicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL

Puntos fuera de control: Una carta de control indicar una condicin fuera de
control cuando uno o ms puntos caigan ms all de los lmites de control o
cuando los puntos graficados formen un patrn no aleatorio de comportamiento.
Fig. 2.10 Proceso con puntos fuera de control
Pgina 28
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las

cartas de control (ascendentes o descendentes), se considera que 7 puntos o ms
indican una situacin fuera de control.
Fig. 2.11 Proceso fuera de control por tendencias
Corrimiento en la media del proceso: Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 2.12 Patrn de anormalidad con corrimiento en media
Estratificacin: Se muestra como una adhesin a la media, puede ser causado

por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.
LSC
LC
LIC
Fig. 2.13 Patrn de anormalidad de estratificacin
Pgina 29
Patrones cclicos: Otro patrn de inestabilidad se presenta cuando el

comportamiento del proceso muestra patrones cclicos.
LSC
LC
LIC
Fig. 2.14 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o

fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LIC
Fig. 2.15 Patrn de anormalidad con mezcla de lotes
Para reconocer un patrn de comportamiento no slo se requiere conocer las

tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para

detectar patrones no aleatorios en las cartas de control:
Pgina 30
1. Un punto fuera de los lmites de control de 3-sigma.

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

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

pueden tener muchas falsas alarmas quitndole efectividad al programa del CEP.
2.5 IMPLEMENTACIN DEL CEP

El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta
exitosamente, ya que permite la mejora continua a travs de la reduccin de la
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora

continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as

como evaluar los avances y comunicarlos a la organizacin, lo cual puede motivar
a mejorar otros procesos.
Pgina 31
Los elementos recomendados para un programa de CEP exitoso son:
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 32
Mdulo 3. Cartas de control para

variables
Pgina 33
3. CARTAS DE CONTROL POR VARIABLES
3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
Asumiendo que una caracterstica de calidad est distribuida normalmente con

media y desviacin estndar ambas conocidas. Si x1, x2, .... xn forman una
muestra de tamao n entonces se puede calcular la media de la muestra X .
Ahora como las medias de las muestras estn normalmente distribuidas con
media X i = / n , y siendo que la probabilidad 1- de que cualquier media
muestral caer entre los lmites:

Z / 2 X Z / 2 (3.1)
n

Z / 2 X Z / 2
n
Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero si

estable.
Pgina 34
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras

preliminares o subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente. Si
se tienen m subgrupos, la gran media se calcula como sigue:
X i
X i 1
(3.2)
m
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
R = xmax xmin (3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R i
R i 1
(3.4)
m
DESARROLLO DE LA FORMULA PARA LOS LMITES DE CONTROL

La variable W de rango relativo relaciona al rango con la desviacin estndar
como sigue:
W=R/ (3.5)
Los parmetros de la distribucin de W son funcin de n. La media de W es d2.

Por tanto un estimador de es R / d2 , donde d2 est tabulado para diferentes
valores de n, de esta forma si R es el rango promedio de las primeras muestras,
usando:
R
(3.6)
d2
Pgina 35
Los lmites de control de la carta de medias son:

3R
LSC X Lmite superior de control (LSC)
d2 n
3R
LIC X Lmite inferior de control (LIC) (3.7)
d2 n
X Lnea central (LC)

3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Para el caso de los rangos, la lnea central es R . El estimador para R puede

hallarse de la distribucin del rango relativo W = R / , si la desviacin estndar de
W es d3 en funcin de n, se tiene:
R=W (3.9)
La desviacin estndar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
De esta forma los lmites de control para el rango son:

R d
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 3 ] = D4 R (3.11)
d2 d2
R d
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 3 ] = D3 R
d2 d2
Pgina 36
Donde las constantes A2, d2 D3 y D4 se encuentran tabuladas en funcin de n para

facilitar el clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R

n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
Para valores pequeos de n, el rango es un buen estimador de la varianza tal

como lo hace la varianza de la muestra S2. La eficiencia relativa del mtodo del
rango a la S2 se muestra abajo:
n Eficiencia
1 1.000
2 0.992
3 0.975
4 0.955
5 0.930
6 0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
Pgina 37
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y

grafican los lmites de control preliminares para determinar si el proceso estuvo en
control (ver procedimiento de Grficas de Control). Para probar esta hiptesis, se
analizan todos los puntos graficados y se hace un anlisis para identificar si hay
puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de

anormalidad presente, se determina la causa especial de la anormalidad, se
toman acciones correctiva para que no vuelva a presentar, se eliminan los puntos
correspondientes al patrn de anormalidad y se re-calculan o revisan los lmites de
control. Se analiza la carta de control para observar un comportamiento aleatorio,
si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez teniendo
todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de

anormalidad o puntos fuera de control, no se eliminan y se consideran para la
determinacin de los lmites de control revisados para el control futuro del proceso.
Carta X media Rango en Minitab:

0. File > Open Worksheet Cartas_variables
1. Stat > Control Charts > X bar R
2. Single column Supp2 Subgroup size 5
Pgina 38
3. Test Seleccionar Perform all eight tests

4. OK
esta el proceso en control estadstico?
Xbar/R Chart for Supp2
603 1 1
UCL=602.4
Sample Mean
602
601
600 Mean=600.2
599
598 LCL=598.1
Subgroup 0 10 20
9
8 UCL=7.866
Sample Range
7
6
5
4 R=3.72
3
2
1
0 LCL=0
Figura 3.1 Carta de control de medias rangosfuera de control

Como el proceso no est en control estadstico se procede a identificar las causas,
tomar acciones preventivas y se eliminan los puntos fuera de control.
5. Eliminar los puntos fuera de control (66 - 70) y (6 - 10)
asumiendo identificacin de causas y toma de acciones preventivas
6. Control-E
7. OK
Xbar/R Chart for Supp2
602.5
UCL=602.1
Sample Mean
601.5
600.5
Mean=599.9
599.5
598.5
597.5 LCL=597.7
Subgroup 0 10 20
9
8 UCL=8.106
Sample Range
7
6
5
4 R=3.833
3
2
1
0 LCL=0
Figura 3.2 Carta de control de medias rangos en control
Pgina 39
Correr las opciones siguientes:

8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Xbar/R Chart for Supp2 by Grupo
1 2
603.5
1 UCL=603.1
602.5
601.5
Sample Mean
600.5 Mean=600.7
599.5
598.5 LCL=598.2
597.5
Subgroup 0 10 20
Hora 6:00:00 4:00:00
1 2
10
UCL=9.008
Sample Range
5
R=4.26
0 LCL=0
Figura 3.3 Carta de control de medias rangos por grupo
INTERPRETACIN DE CARTAS DE CONTROL X R
Se debe iniciar con la interpretacin de la carta R, identificando causas especiales

y despus analizar la carta X .
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al

tiempo y la carta R monitorea la variabilidad interna entre muestras en un tiempo
dado.
Ejercicio 3.1: Repetir el procedimiento de cartas Medias Rangos con Lenght
Pgina 40
3.3 CARTAS DE CONTROL PARA X y S
Estas cartas de control son recomendadas cuando:

1. El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango
pierde eficiencia por no tomar en cuenta valores intermedios).
2. El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en lugar

del rango R en cada subgrupo se calcula la desviacin estndar S.
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X y
S, cuando se conoce el valor de dado que existe un historial.
Para la carta S se tiene: Para la carta X se tiene:

LSCs = c4 + 3 1 c4 = B6 LSCX = + A (3.12)
LCs = c4 LC =
LICs = c4 - 3 1 c4 = B5 LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede

estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
1 m
S Si
m i 1
(3.13)
Pgina 41
__
S
(3.14)
c4
Como el estadstico S /c4 es un estimador insesgado de , los parmetros de la

carta sern los siguientes:
S
LSCs = S 3 1 c 42 = B4 S (3.15)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S (3.16)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la

tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.3420 1.4270 0.0000 2.0890 0.0000 1.9640
6 0.9515 1.2250 1.2870 0.0300 1.9700 0.0290 1.8740
7 0.9594 1..134 1.1820 0.1180 1.8820 0.1130 1.8060
8 0.9650 1.0610 1.0990 0.1850 1.8150 0.1790 1.7510
9 0.9693 1.0000 1.0320 0.2390 1.7610 0.2320 1.7070
10 0.9727 0.9490 0.9750 0.2840 1.7160 0.2760 1.6690
11 0.9754 0.9050 0.9270 0.3210 1.6790 0.3130 1.6370
12 0.9776 0.8660 0.8860 0.3540 1.6460 0.3460 1.6100
13 0.9794 0.8320 0.8500 0.3820 1.6180 0.3740 1.5850
14 0.9810 0.8020 0.8170 0.4060 1.5940 0.3990 1.5630
15 0.9823 0.7750 0.7890 0.4280 1.5720 0.4210 1.5440
16 0.9835 0.7500 0.7630 0.4480 1.5520 0.4400 1.5260
Pgina 42
17 0.9845 0.7280 0.7390 0.4660 1.5340 0.4580 1.5110

18 0.9854 0.7070 0.7180 0.4820 1.5180 0.4750 1.4960
19 0.9862 0.6880 0.6980 0.4970 1.5030 0.4900 1.4830
20 0.9869 0.6710 0.6800 0.5100 1.4900 0.5040 1.4700
21 0.9876 0.6550 0.6630 0.5230 1.4770 0.5160 1.4590
22 0.9882 0.6400 0.6470 0.5340 1.4660 0.5280 1.4480
23 0.9887 0.6260 0.6330 0.5450 1.4550 0.5390 1.4380
24 0.9892 0.6120 0.6190 0.5550 1.4450 0.5490 1.4290
25 0.9896 0.6000 0.6060 0.5650 1.4350 0.5590 1.4200
Corrida con Minitab:

1. Stat > Control Charts > X bar S
2. Single column Supp1 Subgroup size 10
3. Test Seleccionar Perform all eight tests
4. OK
esta el proceso en control estadstico?
Xbar/S Chart for Supp1
1
602
Sample Mean
601
UCL=600.6
600
Mean=599.8
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
1
3
Sample StDev
2
UCL=1.443
1
S=0.8409
LCL=0.2386
0
Figura 3.4 Carta de control de medias desviaciones estndar

X-S
Si no est en control identificar causas, tomar acciones y recalcular lmites de
control.
Hacer una corrida por grupos indicando la hora en Minitab:
1. Control E
8. Stamp Hora
9. Estimate parameters by groups in Variable Grupo
Pgina 43
Xbar/S Chart for Supp1 by Grupo

1 2
1
602
Sample Mean
601
600 UCL=600.1
Mean=599.5
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Hora 0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
1 2
1
3
Sample StDev
1 UCL=0.9137
S=0.5323
0 LCL=0.1510
Figura 3.5 Carta de control de medias desviaciones estndar

X-S por grupo y estampando la hora.
3.4 CARTAS PARA LECTURAS INDIVIDUALES

Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1. Cuando hay inspeccin automtica de piezas individuales.
2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de
ms de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de
medicin de laboratorio) como en procesos qumicos.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los

rangos mviles se empiezan a calcular a partir de la segunda muestra como MR i =
X i X i 1 .
Para este caso, los lmites de control para la carta X son:
Pgina 44
MR
LSCx = X 3
d2
__
LCx = X (3.17)
MR
LICx = X 3
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se

construye una carta de lecturas individuales, donde el rango
se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m =
nmero de subgrupos.
I and MR Chart for X-ind.
35
UCL=34.80
Individual Value
34
Mean=33.52
33
LCL=32.24
32
Subgroup 0 5 10 15
1.5 UCL=1.571
Moving Range
1.0
0.5 R=0.4807
0.0 LCL=0
Figura 3.6 Carta de control de lecturas individuales y rango

mvil I-MR
El proceso est en control estadstico.
Ejercicio 3.3 Hacer una corrida de carta I-MR en Minitab con Supp2
Ejercicio 3.4 Hacer cartas de control con datos reales de las plantas
generadoras.
Pgina 45
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR

ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el CEP multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p

requiere un tamao de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman ms tiempo. Esta consideracin es
importante para el caso de pruebas destructivas.
GUA PARA IMPLEMENTAR CARTAS DE CONTROL

Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, aplicando la carta de control (OCAP).
5. Seleccionar el sistema de coleccin de datos y software de CEP.
Pgina 46
SELECCIN DE LA CARTA DE CONTROL ADECUADA

A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente crnico.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de operacin.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad ante el gobierno
8. Mejora de procesos de proveedores. Reducir su variabilidad a travs de centrar
su proceso y tomar acciones correctivas.
9. Seleccin de equipo productivo a travs de demostracin de su capacidad
antes de su embarque.
B. Se prefiere una carta por atributos en las situaciones siguientes:

1. Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
2. El proceso es una operacin de ensamble compleja y la calidad se evala por
la ocurrencia de no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeo del proceso para revisin ejecutiva.
Pgina 47
Mdulo 4. Cartas de control para

atributos
Pgina 48
4. CARTAS DE CONTROL PARA ATRIBUTOS

4.1 INTRODUCCIN
Muchas caractersticas de calidad no pueden ser representadas numricamente,
denominndose atributos. En tales casos cada artculo o servicio completo se
clasifica como conforme o no conforme a especificaciones y/o estndares, es

decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Fig. 4.1 Cuando el producto no es funcional es no conforme,

defectivo o defectuoso. Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p

de fraccin defectiva o la np para el nmero de defectivos o de no conformes. Se
aplica a productos simples (tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se

observan en un producto, se utiliza la carta de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante.
Se aplica a productos complejos (coches, TV, cmaras de video, escritorios,
refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a
los estndares establecidos o a las especificaciones.
Fig. 4.2 El producto puede ser funcional pero puede tener

defectos o no conformidades, que pueden ser corregidas con
retrabajo o no se pueden corregir y ser desperdicio.
Pgina 49
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p
La fraccin no conforme es la relacin entre el nmero de artculos discrepantes

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

el nmero de unidades no conformes D al tamao de muestra n, o sea:
Di
pi (4.1)
ni
La distribucin de este estadstico sigue la distribucin binomial por tanto:

__
p (4.2)
p(1 p)
2p (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadstico
que mide una caracterstica de calidad, con media w y varianza w2 , los lmites
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn

usar L = 3.
Pgina 50
Por tanto los lmites de control de la carta p considerando L = 3 son:

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

defectiva p i y se grafica en la carta, mientras no se observe ningn patrn
anormal y p i se localice dentro de lmites de control, se puede concluir que el
proceso est en control, de otra forma, se concluir que la fraccin no conforme se

ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos

observados en m muestras iniciales, cada una de tamao n, por lo general se
toman 20 a 25 de estas. As si Di son unidades no conformes en la muestra i , la
fraccin defectiva de la muestra i - sima estar dada como:
pi = Di / n i = 1, 2, 3,....., m (4.6)
y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m m
D i p i
p i 1
i 1
(4.7)
mn m
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 51
recurrencia, los puntos correspondientes a la situacin fuera de control se eliminan

y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para un servicio de mantenimiento se tomaron

datos de 30 muestras de 50 servicios contabilizando las
quejas en cada uno como sigue:
No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 quejas o servicios no

conformes, se estima p como sigue:
m m
Di p i
347
p i 1
i 1
= = 0.2313
mn m (30)(50)
Los lmites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Esta en control estadstico?

Si no eliminar puntos fuera de control y recalcular lmites de control
Pgina 52
P Chart for No confo
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Fig. 4.3 Carta de control P para la fraccin de servicios no

conformes.
De la carta de control se observa que las muestras 15 y 23

estn fuera de los lmites de control, de tal forma que el
proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la

muestra 15 corresponde a el cambio de un nuevo mtodo el cual
fue diferente y que la muestra 23 corresponde a un operador
sin experiencia asignado temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de

las causas anteriores y calculando nuevos lmites
preliminares con los puntos 15 y 23 eliminados, se tiene con
Minitab:
LSCp = 0.3893
LCp = 0.2150
Pgina 53
LICp = 0.0407

1
0.4 UCL=0.3893
0.3
Proportion
P=0.215
0.2
0.1
LCL=0.04070
0.0
0 10 20 30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:

0.4
UCL=0.3804
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number

conformes con acciones tomadas para prevenir recurrencia.
Ahora el proceso est en control estadstico y es normal.
Pgina 54
4.3 CARTA DE CONTROL np
En lugar de tener fracciones no conformes, si el tamao de muestra es constante,

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

El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5 Con los datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
NP Chart for No confo

20
UCL=19.02
Sample Count
10 NP=10.41
LCL=1.795
0
0 10 20 30
Sample Number

conformes
Pgina 55
4.4 TAMAO DE MUESTRA VARIABLE

En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin
100% de los servicios proporcionados en un periodo de tiempo, por tanto la
muestra ser variable. Se tiene varios mtodos para llevar una carta de control:
Mtodo 1. Lmites variables

Se calculan lmites de control para cada muestra en base en la fraccin defectiva
promedio p y su tamao de muestra con p 3 p(1 p) / ni . La amplitud de los
lmites es inversamente proporcional a la raz cuadrada del tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin

diaria, registrando la produccin total y los defectivos del
da.
n-var nodef Fra-def LSC LIC

100 12 0.12 0.183686 0.0073347 0.0293918
80 8 0.1 0.194093 -0.003073 0.0328611
80 6 0.075 0.194093 -0.003073 0.0328611
100 9 0.09 0.183686 0.0073347 0.0293918
110 10 0.090909 0.179582 0.0114382 0.028024
110 12 0.109091 0.179582 0.0114382 0.028024
100 11 0.11 0.183686 0.0073347 0.0293918
100 16 0.16 0.183686 0.0073347 0.0293918
90 10 0.111111 0.188455 0.0025651 0.0309817
90 6 0.066667 0.188455 0.0025651 0.0309817
110 20 0.181818 0.179582 0.0114382 0.028024
120 15 0.125 0.176003 0.0150173 0.026831
120 9 0.075 0.176003 0.0150173 0.026831
120 8 0.066667 0.176003 0.0150173 0.026831
110 6 0.054545 0.179582 0.0114382 0.028024
80 8 0.1 0.194093 -0.003073 0.0328611
80 10 0.125 0.194093 -0.003073 0.0328611
80 7 0.0875 0.194093 -0.003073 0.0328611
Pgina 56
90 5 0.055556 0.188455 0.0025651 0.0309817

100 8 0.08 0.183686 0.0073347 0.0293918
100 5 0.05 0.183686 0.0073347 0.0293918
100 8 0.08 0.183686 0.0073347 0.0293918
100 10 0.1 0.183686 0.0073347 0.0293918
90 6 0.066667 0.188455 0.0025651 0.0309817
La fraccin defectiva media se calcula como sigue:
25
D i
234
p i 1
25
0.096
n
2450
i
i 1
Y los lmites de control se calculan como sigue:

(0.096)(0.904)
LSCp= p 3 p 0.096 3
ni
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni

2. Variable Nodef Subgroups in n-var
3. OK
Pgina 57
P Chart for nodef
0.2
UCL=0.1882
Proportion
0.1 P=0.09534
0.0 LCL=0.002468
0 5 10 15 20 25
Sample Number

Se observa que la muestra 11 est fuera de control.
Cuando se toman lmites de control variables, el anlisis de patrones de

anormalidad no tiene sentido ya que la desviacin estndar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
Mtodo 2. Tamao de muestra promedio
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
m
n i
2450
n i 1
98
m 25
Con lmites de control basados en n 98 :
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
Pgina 58
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
2. Variable Nodef Subgroups size 98
3. OK
Otra vez de la grfica se observa que el punto 11 est fuera de control.
P Chart for nodef

1
0.2
UCL=0.1848
Proportion
0.1 P=0.09566
LCL=0.006529
0.0
0 5 10 15 20 25
Sample Number
Fig. 4.8 Carta de control P con n promedio
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la

carta de control estandarizada, la lnea central es cero y los lmites de control
estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
pi p
Zi (4.13)
p (1 p)
ni
Pgina 59
donde p (o p si no hay estndar) es la fraccin defectiva media del proceso en su

condicin de control estadstico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta

estandarizada, con Minitab graficando Z estandarizada.
1. Stat > Control Charts > I Chart
2. Variable Z-Estand
3. Historical Mean 0 Historical sigma 1
4. OK
Frac.-
n-var nodef def LSC LIC Desv-est. Z-Estand
100 12 0.12 0.183686 0.0073347 0.0293918 0.81655
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 6 0.075 0.194093 -0.003073 0.0328611 -0.63905
100 9 0.09 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.028024 -0.18166
110 12 0.109091 0.179582 0.0114382 0.028024 0.46713
100 11 0.11 0.183686 0.0073347 0.0293918 0.47632
100 16 0.16 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.028024 3.06231
120 15 0.125 0.176003 0.0150173 0.026831 1.08084
120 9 0.075 0.176003 0.0150173 0.026831 -0.78268
120 8 0.066667 0.176003 0.0150173 0.026831 -1.09326
110 6 0.054545 0.179582 0.0114382 0.028024 -1.47925
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 10 0.125 0.194093 -0.003073 0.0328611 0.8825
80 7 0.0875 0.194093 -0.003073 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.05 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.1 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
90 9 0.1 0.188455 0.0025651 0.0309817 0.12911
Pgina 60
I Chart for Z-Estand

4
1
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
-4
0 5 10 15 20 25
Observation Number
Fig. 4.9 Carta de control P estandarizada
En todos los casos el punto 11 est fuera de los lmites de control. Con lmites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
identificar curva caracterstica de operacin, lo que no puede hacerse con la carta
de lmites de control variables.
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES

(DEFECTOS) c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con

la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de

tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
Pgina 61
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia

de una no conformidad en cualquier localizacin sea pequea y constante.
Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMAO DE MUESTRA CONSTANTE - CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es conveniente

registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspeccin de acuerdo a la distribucin de Poisson, o sea:
e c c x
p( x ) (4.15)
x!
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
LSCc = c + 3 c
LCc = c (4.16)
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
Si no hay estndar definido c se estima con el promedio de no conformidades

observadas en una muestra preliminar inspeccionada, o sea con c , en este caso
los parmetros de la carta son:
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Pgina 62
Cuando no hay datos histricos, se calculan lmites de control preliminares.
Ejemplo 4.8 Para el nmero de no conformidades observadas en

26 unidades de inspeccin sucesivas de 100 muestras de
circuitos impresos, se obtuvieron los datos siguientes:
Defectos Defectos
21 16
24 19
16 10
12 17
15 13
5 22
28 18
20 39
31 30
25 24
20 16
24 19
15 17
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
LIC = 6.48
De la carta de control preliminar, se observa que hay 2

puntos fuera de control, el 6 y el 20.
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
Pgina 63
C Chart for Defectos
40 1
UCL=33.21
30
Sample Count
20 C=19.85
10
LCL=6.481
1
0
0 10 20
Sample Number
Fig. 4.10 Carta de control C de nmero de defectos fuera

control
Una investigacin revel que el punto 6 fue debido a que un

inspector nuevo calific los circuitos impresos pero no tena
la suficiente experiencia, fue entrenado. El punto 20 fue
causado por una falla en el control de temperatura de la
soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se
recalculan los lmites de control.

35
UCL=32.97
Sample Count
25
C=19.67
15
LCL=6.363
5
0 5 10 15 20 25
Sample Number
Fig. 4.11 Carta de control C de nmero de defectos en control
Pgina 64
Como el proceso ya se encuentra en control estadstico, estos

lmites se tomarn como base para el siguiente periodo, donde
se tomaron 20 unidades de inspeccin adicionales.
n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21

35
UCL=31.84
Sample Count
25
C=18.82
15
5 LCL=5.808
0 5 10 15 20 25 30 35
Sample Number
Fig. 4.12 Carta de control C con datos del siguiente periodo
Se observa en la grfica que no se tienen puntos fuera de

control, sin embargo el promedio de defectos es alto,
requiere la accin de la administracin.
Pgina 65
Haciendo un anlisis de Pareto de los principales defectos se observ que el

principal defecto de soldadura insuficiente y soldadura fra, acumulan el 69% del
total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.
Fig. 4.13 Grfica de Pareto de los defectos principales
Puede ser necesario estratificar el problema identificando en que modelo de

circuito impreso se presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las

diferentes fuentes de no conformidades.
Pgina 66
Fig. 4.14 Diagrama de Ishikawa para resolver el problema
SELECCIN DEL TAMAO DE MUESTRA

Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no
conformidades o defectos, sin embargo esto tambin depende de consideraciones
econmicas y del proceso, si en lugar de tomar 1 unidad de inspeccin, se toman
n unidades de inspeccin, entonces los nuevos lmites de control se pueden
calcular por los siguientes mtodos:
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades observada
en la unidad de inspeccin anterior):
LSCnc nc 3 nc
LC nc nc (4.18)
LICnc nc 3 nc
Pgina 67
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSCnc nc 3 nc = (2.5)(19.67) + 3 (2.5)(19.67) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LICnc nc 3 nc = (2.5)(19.67) - 3 (2.5)(19.67) 28.14
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
c
u (4.19)
n
Como c es una variable aleatoria que sigue la distribucin de Poisson, los

parmetros de la carta u de nmero de no conformidades o defectos por unidad
son:
u
LSC u u 3
n
LCu u (4.20)
u
LSC u u 3
n
Donde u representa el nmero promedio de no conformidades por unidad en un

conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Pgina 68
Ejemplo 4.9 Para un fabricante de computadoras registrando

los defectos en su lnea de ensamble final. La unidad de
inspeccin es una computadora y se toman 5 unidades de
inspeccin a un tiempo.
DefectosU DefectosU
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
Se calculan los lmites de control con:

__
Suma .de.no.conformidades
u
Suma .de.unidades .inspeccion adas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
U Chart for Defectos

4
UCL=3.794
3
Sample Count
2 U=1.93
0 LCL=0.06613
0 10 20
Sample Number
Fig. 4.15 Carta de Control U con unidades de insp. constantes
Pgina 69
En la carta de control no se observa falta de control

estadstico, por tanto los lmites preliminares se pueden
utilizar en corridas futuras.
MUESTRA VARIABLE CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la

inspeccin 100% de la produccin o lotes de producto, por tanto las unidades de
inspeccin no son constantes. En esta carta se tiene una lnea central constante y
los lmites de control varan inversamente con la raz cuadrada del tamao de
muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:

u
LSCui u 3
ni
LCu u (4.21)
u
LSCui u 3
ni
Ejemplo 4.10 En una planta textil, se inspeccionan defectos

por cada 50m2 los datos se muestran a continuacin.
No
UnidadesInsp Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
Pgina 70
153
La lnea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspeccin
De la grfica no se observan puntos fuera de control.
U Chart for No Conf.

3
UCL=2.436
Sample Count
U=1.423
LCL=0.4110
0 1 2 3 4 5 6 7 8 9 10
Sample Number
Fig. 4.16 Carta de Control U con Unidades de insp. variables
Existen otras dos alternativas para el manejo de la carta u con n variable:

1. Usando un promedio de tamaos de muestra.
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opcin preferida). Se grafica Zi con
lmites de control en +3 y 3, lnea central cero.
Pgina 71
ui u
Zi (4.23)
u
ni
Ejemplo 4.10 (Cont...) Estandarizando la carta se tiene:
UIvar NoConUv Sigmau Z DUvar

10 14 0.37417 -0.0535 1.4
8 12 0.43301 0.18475 1.5
13 20 0.34401 0.34435 1.53846
10 11 0.33166 -0.9648 1.1
9.5 7 0.2785 -2.453 0.73684
10 10 0.31623 -1.3282 1
12 21 0.38188 0.86414 1.75
10.5 16 0.38095 0.2725 1.52381
12 19 0.36324 0.44965 1.58333
12.5 23 0.38367 1.0947 1.84
La carta de control estandarizada para U, se encuentra en

control estadstico como se muestra abajo.
I Chart for Z
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
0 1 2 3 4 5 6 7 8 9 10
Observation Number
Fig. 4.17 Carta de Control U estandarizada
Pgina 72
Mdulo 5. Cartas de control

especiales
Pgina 73
5. OTRAS CARTAS DE CONTROL ESPECIALES
5.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS
5.1.1 CARTAS DE CONTROL DNOM
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de

produccin sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
Ejemplo 5.1 Si se tienen 2 piezas la A y la B, donde la

dimensin nominal de la pieza A TA = 50mm, y la dimensin
nominal de la pieza B es TB = 25mm, cuando se produce las
piezas A o B se toman muestras y se evala la desviacin
respecto a su media.
Muestra Pieza M1 M2 M3 D1 D2 D3 Media Rango

1 A 50 51 52 0 1 2 1 2
2 A 49 50 51 -1 0 1 0 2
3 A 48 49 52 -2 -1 2 -0.33 4
4 A 9 53 51 -1 3 1 1 4
5 B 24 27 26 -1 2 1 0.67 2
6 B 25 27 24 0 2 -1 0.33 2
7 B 27 26 23 2 1 -2 0.33 4
8 B 25 24 23 0 -1 -2 -1 2
9 B 24 25 25 -1 0 0 -0.33 1
10 B 26 24 25 1 -1 0 0 2
Ver carta en la pgina siguiente.
Se deben cumplir 3 premisas para estas cartas:

1. La desviacin estndar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
Pgina 74
2. El procedimiento trabaja mejor cuando el tamao de muestra es constante para

todas las diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepcin de
cuando se tiene slo un lmite de especificacin.

Stat > Control charts > Xbar R Subgroups across rows of D1 - D3
Xbar/R Chart for D1-D3
3 UCL=2.929
Sample Mean
2
1
0 Mean=0.1667
-1
-2
LCL=-2.596
-3
Subgroup 0 1 2 3 4 5 6 7 8 9 10
8
7 UCL=6.950
Sample Range
6
5
4
3 R=2.7
2
1
0 LCL=0
Figura 5.1 Carta de control DNOM
5.1.2 CARTAS DE CONTROL DE MEDIAS RANGOS ESTANDARIZADA
Si la desviacin estndar para las diferentes partes es diferente, se usan estas

cartas. Sean R i .....Ti el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,
Pgina 75
R
RS (5.1)
Ri
Se toman de datos histricos o de especificaciones para el rango, o se puede
Sd
estimar de con R i 2 c sus lmites de control son D3 y D4. Para la media
4
graficar,
x Ti
x
S
(5.2)
Ri
La lnea central para la carta x estandarizada es cero, y sus lmites de control son
LSC = A2 y LIC = -A2 .
5.1.3 CARTAS DE CONTROL POR ATRIBUTOS
Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y LIC=-

3. Los estadsticos a graficar son:
pi p
Carta p Zi
p(1 p) / n
npi n p
Carta np Zi
n p(1 p)
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA

MLTIPLE
Se utiliza para procesos con muchos flujos, por ejemplo diversas vlvulas que en
principio producen suponen flujos similares. El usar una carta de control para cada
Pgina 76
flujo por separado sera prohibitivo, sin embargo se tiene la alternativa de sta
carta de control siempre que la produccin entre husillos no est correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de control
grupal, el muestreo se realiza como si se fueran a establecer cartas separadas
para cada flujo. Por ejemplo si de cada flujo s = 6 se toman n = 4 partes de cada
salida, hasta completar 20 o 25 subgrupos, por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media de medias
_
X y el R , los lmites de control se calculan como en una carta de medias-rangos
convencional con n = 4, en este caso A2 = 0.729, D3 = 0, D4 = 2.282:
_ _
LICX = X - A2 R LICR = D3 R (5.4)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los lmites de control trazados, se grafica despus slo la mayor y la

menor de las 6 lecturas promedio considerando todas las salidas o en este
caso los flujos, si se encuentran en control, se asume que las dems estn en
control. Para el rango se grafica slo el mayor de todos los rangos. Cada
punto es identificado por el nmero de flujo o salida que lo produjo. El proceso se
encuentra fuera de control si se algn punto excede los lmites de 3-sigma. No se
pueden aplicar pruebas de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s salidas y
si r es el nmero de veces consecutivas que se repite como el mayor o el menor,
el ARL para este evento es:
Pgina 77
s r 1
ARL0 (5.5)
s 1
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso

est en control, se esperar que una salida repita un valor extremo 4 veces en la
carta una vez de cada 259 muestras. Si esto sucede con ms frecuencia se debe
sospechar que la salida es diferente a las dems. Algunos de los pares adecuados
de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones dan ARLo
adecuados.
5.6 CARTAS DE CONTROL Cusum
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se

pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la informacin anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamao n >= 1 siendo x j el valor promedio de la
muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
Pgina 78
muestra i la cantidad siguiente que representa la suma acumulada hasta la

muestra i,
i
Ci ( x j 0 ) (5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posicin ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al da durante el
primer periodo de tiempo y despus 10 al da en un siguiente periodo de tiempo.
Al llevar una carta X R en el subgrupo no se encontr una causa asignable,

ahora se desea tratar de detectar corridas pequeas en la media.
Corrida en Minitab
1 File > Open Worksheet > Data > CRANKSH.MTW.
2 Stat > Control Charts > CUSUM.
3 In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
Pgina 79
Xbar/R Chart for AtoBDist
Sample Mean 5 UCL=4.802
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Figura 5.2 Carta de control X media R

Se puede observar que no detecta ninguna situacin anormal
CUSUM Chart for AtoBDist
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Figura 5.3 Carta de control Cusum

Se puede observar que detecta una situacin anormal debido a
un corrimiento lento de la media del proceso.
Pgina 80
5.7 CARTA DE CONTROL DE MEDIAS MOVILES

EXPONENCIALMENTE PONDERADAS (EWMA)
El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:
z i xi (1 ) z i 1 (5.7)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que: z 0 0 a veces igual a x
Si las observaciones xi son variables aleatorias independientes con varianza 2 ,

entonces la varianza de zi es:

zi2
1 (1 )
2i
(5.8)
2
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:

LSC 0 L
1 (1 )
2i
(5.9)
2
LC 0 (5.10)

LIC 0 L

1 (1 )
2i
(5.11)
2
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa,
esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los lmites de control se estabilizan en:

LSC 0 L (5.12)
2
LC 0 (5.13)

LSC 0 L (5.14)
2
Pgina 81
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
lmites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los lmites
entre L = 2.6 y 2.8.
Ejemplo 5.2 Utilizando los datos de la carta Cusum con =

0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la carta EWMA
mostrada en la pgina siguiente.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
5. S Limits Sigma Limits 2.7
6. OK.
EWMA Chart for AtoBDist
1 2.7SL=0.9670
EWMA
0 Mean=0
-1 -2.7SL=-0.9670
0 5 10 15 20 25
Sample Number
Figura 5.4 Ejemplo de carta de control EWMA
5.8 CARTA DE CONTROL DE MEDIA MOVIL
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar

pequeas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media mvil es:
Pgina 82
xi xi 1 ..... xi w1
Mi (5.15)
w
Los lmites de control son:
3
LSC 0 (5.16)
w
LC 0 (5.17)
3
LIC 0 (5.18)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el
estadstico Mi para periodos i 5.
xi xi 1 ....xi 4
Mi (5.19)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media mvil para los datos del ejemplo
anterior con un tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Moving Average Chart for AtoBDist
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Figura 5.5 Ejemplo de carta de control de Media mvil
Pgina 83
5.9 CEP CON DATOS CORRELACIONADOS
Los supuestos de la carta de control de Shewhart en control es que los datos

generados por un proceso tienen una distribucin normal y son independientes
unos de otros.
En muchos procesos actan elementos inerciales que hacen que los datos estn
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeos respecto a esas fuerzas.
En algunos procesos donde por cuestiones de inercia de cambio en parmetros

como en los procesos qumicos, cuando los intervalos entre muestreos son
pequeos en relacin a esas fuerzas, las observaciones del proceso estarn
correlacionadas en el tiempo
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
Si se toman muestras en intervalos t, entoces observamos las xt:

x t awt (1 a) x t 1
T V / f ;V volumen; f flujo
a 1 e t / T
La autocorrelacin entre valores sucesivos de xt (xt y xt-1 ) est dado por:
1 a e t / T
Si t es mucho ms grande que T, = 0, por ser las observaciones no

correlacionadas.
Pgina 84
Ejemplo: Calcular para el caso de t/T<=1. 0.5, 0.25, 0.1.
Cuando t/T<= 0.25 la autocorrelacin puede incrementar las falsas alarmas de

la carta de control. Por ejemplo para la viscocidad se tiene:
Xi
Viscocidad en tiempo t (Xt)
*
* *
* * Correlacin positiva
* **
* *
Viscocidad en tiempo t-1 (Xt-1)
La funcin de autocorrelacin para la serie de datos de serie de tiempo es:
_
Cov ( x t , x i k x)
k , k 0,1,....
V ( xt )
Se considera que Cov es la covarianza de las observaciones que estn

separadas k periodos, asumiendo que las observaciones tienen una varianza
constante dada por V(xt). Normalmente la funcin de autocorrelacin de la muestra
se estima con:
nk _ _
(x
i 1
t x)( x t k x)
rk n _
, k 0,1,....K
(x
t 1
t x) 2
Pgina 85
Como regla general, es necesario calcular valores de rk

Para algunos valores de k, k<=n/4, se pueden calcular por software.
Una grfica que muestra rk, retrazo en k, puede mostrar la funcin de

autocorrelacin, si una barra excede los lmites de control, se identifica que existe
correlacin.
Ejemplo 5.4 para las Concentraciones tomadas en un proceso

204 195 192 204 212 202 199 196 197 210 194
202 189 195 207 214 195 201 193 196 210 198
201 195 190 209 210 196 198 193 202 198 196
202 192 196 205 208 203 202 198 200 194
197 196 199 202 208 196 207 194 202 192
201 194 203 200 209 197 204 198 202 189
198 196 199 208 209 197 210 199 207 188
188 199 207 214 206 203 197 204 206 189
195 197 204 205 200 205 189 200 211 194
189 197 207 211 203 194 189 203 205 194
Se obtiene una grfica de dispersin tomado Yi vs Yi-1 como sigue:
Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
S = 4.37364 R-Sq = 53.9 % R-Sq(adj) = 53.4 %
210
Concentr
200
190
190 200 210
Conc_1
Figura 5.6 Mediciones de viscosidad autocorrelacionadas
Pgina 86
Se observa que hay una cierta correlacin entre las mediciones distanciadas en un
periodo.
La autocorrelacin de una serie de observaciones con una orientacin en el

tiempo (series de tiempo) se mide con la funcin de Autocorrelacin:
k = Cov(Xi, Xi-k) / V(Xi) para K = 0, 1, 2, ..

Donde Cov(Xi, Xi-k) es la covarianza de las observaciones que estn separadas k
periodos de tiempo en el supuesto que las observaciones tienen la misma
varianza, por lo general los valores de Ro se estiman con la funcin de
autocorrelacin muestral.
Se obtiene ahora la funcin de autocorrelacin muestral para los datos de

concentracin en Minitab como sigue:
Stat > Time series > Autocorrelation Series Concentracin Default Number of Lags OK
Autocorrelation Function for Concentr

1.0
Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
5 15 25
Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.73 7.47 57.47 8 0.08 0.42 161.31 15 -0.09 -0.44 163.68 22 -0.17 -0.85 189.22
2 0.63 4.48 100.71 9 0.06 0.30 161.71 16 -0.11 -0.54 165.10 23 -0.18 -0.88 193.68
3 0.51 3.08 129.38 10 -0.02 -0.08 161.75 17 -0.14 -0.72 167.63 24 -0.08 -0.39 194.59
4 0.41 2.28 148.12 11 0.01 0.06 161.76 18 -0.19 -0.98 172.41 25 -0.08 -0.36 195.38
5 0.27 1.42 156.23 12 0.04 0.21 161.96 19 -0.20 -1.02 177.76 26 -0.09 -0.46 196.65
6 0.16 0.85 159.27 13 0.07 0.34 162.49 20 -0.18 -0.91 182.16
7 0.11 0.54 160.52 14 -0.05 -0.23 162.75 21 -0.15 -0.74 185.19
Figura 5.7 Determinacin de la funcin de autocorrelacin
Pgina 87
Las lneas discontinuas son los lmites de dos sigmas para el parmetro de
autocorrelacin Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeo de la carta de
control, un muestreo menos frecuente eliminara la autocorrelacin pero se
perdera informacin. A continuacin se muestran las cartas I-MR y EWMA:
I and MR Chart for Concentr
215 1 1
11 1
Individual Value
UCL=210.1
205
Mean=200.0
195
LCL=189.9
1 11 11 111
185
Subgroup 0 50 100
15
1
UCL=12.36
Moving Range
10
5
R=3.784
0 LCL=0
Figura 5.8 Comportamiento de la carta I-MR con datos

autocorrelacionados
EWMA Chart for Concentr
210
205
2.7SL=203.0
EWMA
200 Mean=200.0
-2.7SL=197.0
195
0 50 100
Sample Number
Figura 5.9 Comportamiento de la carta EWMA con datos

autocorrelacionados
Pgina 88
Ahora se aplica un modelo autoregresivo de primer orden definido por la ecuacin

de regresin anterior a los residuales del modelo.
Corrida con Minitab: Stat > Time series > ARIMA Indicar 1 en Autoregressive No seasonal OK
Time Series Plot for Concentr
210
Concentr
200
190
10 20 30 40 50 60 70 80 90 100
Time
Figura 5.10 Comportamiento de la carta de Series de Tiempo

con datos autocorrelacionados
Histogram of the Residuals

(response is Concentr)
20
Frequency
10
-10 -8 -6 -4 -2 0 2 4 6 8
Residual
Pgina 89
Figura 5.11 Histograma de los residuales con el modelo ARIMA

de grado 1
I and MR Chart for RESI1
20
UCL=14.43
Individual Value
10
0 Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup 0 50 100
20
UCL=17.79
Moving Range
10
R=5.443
0 LCL=0
Figura 5.12 Carta de control I-MR para los residuales

del modelo autoregresivo:
Concentr = 52.906 + 0.7356 Conc_1 S = 4.37364 R-Sq = 53.9%
O la Carta EWMA de los residudales:
EWMA Chart for RESI1

5
2.7SL=4.295
4
3
2
1
EWMA
0 Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0 50 100
Sample Number
Figura 5.13 Carta de control EWMa para los residuales

del modelo autoregresivo:
Muestra control estadstico.
Pgina 90
5.10 CARTAS DE CONTROL MULTIVARIADO
Hay situaciones donde es necesario el control de dos o ms caractersticas al

mismo tiempo, por ejemplo en un balero donde influyen el dimetro interior y el
exterior para que funcione adecuadamente. Para eso es necesario un control
multivariado como el propuesto por Hotelling8.
Carta de control chi-cuadrada

En el caso del control de medias el estadstico a graficar es un 2 con 2 grados de
libertad:
n 2 __ __ __ __
2
02
2 2
( X ) 2
2
( X ) 2
2 2
( X ) 2
( X 2 2 )
1 2 12
1 1 1 2 2 12 1 1

2 2
El Lmite Superior de Control LSC = 2.2 que es el punto superior para el rea (1-
). Si al menos una media se sale de control, la probabilidad de que el estadstico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__ __
X 1 , X 2 son independientes se tendr una elipse con centro en (1, 2) y ejes
__ __ __ __
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 ) dan
un valor de 2 que caiga dentro de la elipse, indica que el punto est dentro de
control, de esta forma se tiene una elipse de control.
8
Hotelling,H. (1947). Multivariate Quality Control,, Techniques of Statistical Analysis, Eisenhart, McGraw
Hill, NY, USA, 1947.
Pgina 91
Regin de control
*** X1
*****
*****
Fig. 5.14 Elipse de control para variables

independientes
Figura 5.15 Elipse de control para variables

dependientes
X2
__ __
Si 12 0 las 2 caractersticas X 1 , X 2 son dependientes y la elipse de control
estar inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todava est en control a nivel de cartas X R individuales.
Estas cartas se denominan cartas de control chi-cuadrada, las cuales tienen 2

desventajas: 1) la secuencia de los puntos graficados se pierde y 2) la dificultad de
construir la elipse para ms de 2 caractersticas de calidad. Sin embargo una
ventaja importante que tienen, es que con un solo nmero se pueden controlar
varias (p) caractersticas de calidad en forma conjunta.
Pgina 92
Para evitar las dificultades anteriores, es usual graficar los valores de 02
correspondientes a cada muestra, en una carta de control, denominada carta de

control chi-cuadrada, sta preserva la secuencia de los datos de tal forma que se
puedan investigar corridas y otros patrones no aleatorios. Adems slo requiere
un solo nmero para controlar el proceso, muy til cuando hay dos o ms
caractersticas de inters.
El lmite de control superior es:

LSC 2. p
LSC = 2.2
20
1 2 3 4 5 6 7 8 9
Figura 5.16 Carta de control chi-cuadrada para p = 2
caractersticas de calidad
La carta de control T2

Si en la ecuacin anterior para Chi-cuadrada se reemplaza por X y 2 por S 2
tenemos el estadstico T2 .
_ _
T 2 n( x X )' 1 ( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aqu se establecen los
lmites de control para la fase 2, con los cuales se monitorea la produccin.
Pgina 93
Los lmites de control para la fase I son:
p (m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
y para la fase II:
p(m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
Es comn usar el Lmite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los lmites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con ms de 50 muestras.
Ejemplo 5.5: se desean controlar en forma conjunta las caractersticas de

calidad resistencia a la tensin y el dimetro de una fibra textil. Se ha decidido
usar una muestra de 10 fibras (n = 10), se toman 20 muestras preliminares,
calculando lo siguiente:
2
115.59 psi ; X 0.0106" ;S 1.23 psi ;S 2 0.83" , S 12 0.79
2 2
X 1 2
1
Con estos valores se calcula el estadstico T2 y se va graficando en una carta de control.
10 __ __ __
2
T2 ( 0.83)( X 115 .59) 2
1. 23( X 1.06) 2
2( 0.79)( X 115 .59) 2
( X 2 1.06)
(1.23)(0.83) 0.79
1 2 1

Si se considera un error tipo I = 0.001, el lmite superior de control LSC es:
Pgina 94
2(20 1)(10 1) 342

LSC F0.001, 2, 20 (10 ) 20 2 1 F0.001, 2,179 (1.91)(17.18) 13.72
(20)(10) 20 2 1 179
LSC = 13.72
T2
Figura 5.17 Ejemplo de Carta de control multivariada
No muestra puntos fuera de control. Los lmites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que est cercano a los
lmites de control de las fases I y II.
Uno de los mtodos para identificar que caracterstica se encuentra fuera de

control es llevar cartas X R adicionales con lmites de control en Z / 2 p para
reducir el nmero de falsas alarmas. Otro mtodo es descomponer el estadstico

T2 en componentes que reflejen la contribucin de cada variable, T(i2) es el valor del
estadstico para todas las variables excepto la (i-sima), por tanto:
di = (T2 - T(i2) )
Es un indicador de la contribucin relativa de la variable i al estadstico, cuando se

presenta una situacin fuera de control, se recomienda calcular di para i =1,2 y
enfocarse al que tenga el valor mayor.
Pgina 95
El caso de n = 1
En industrias qumicas y de proceso, es normal tener una sola muestra donde
medir las diferentes caractersticas, el estadstico T2 se transforma en:

T 2 ( x x )' S 1 ( x x )
Los lmites para la fase II son:

p (m 1)(n 1)
LSC F , p , m p
m 2 mp
LIC 0
Cuando se toman ms de 100 muestras preliminares los lmites preliminares son:
p (m 1)(n 1)
LSC F , p , m p ; o LSC = 2.2
m p
LIC 0
5.11 CARTAS DE CONTROL I-MR DE DIFERENCIAS ENTRE

VALOR DE REFERENCIA Y VALOR REAL
Cuando la referencia de las mediciones individuales de la carta de control se
mueven en relacin a una referencia, se sugiere graficar no el valor individual, sino
las diferencias que se presentan respecto al valor objetivo ideal en una carta de
control I-MR.
I and MR Chart for Response
1.3
1.2 UCL=1.188
Individual Value
1.1
1.0
0.9
0.8 Mean=0.8075
0.7
0.6
0.5
0.4 LCL=0.4266
11
0.3
Subgroup 0 10 20 30 40 50 60
0.6 1
1
1 1 1
Moving Range
0.5
UCL=0.4679
0.4
0.3
0.2
R=0.1432
0.1
0.0 LCL=0
Figura 5.18 Ejemplo de Carta de control de diferencias
Pgina 96
Mdulo 6. Anlisis de Capacidad

de los procesos
Pgina 97
6. ANLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos

siguientes:
Pgina 98
1. Predecir que tanto cumplir las tolerancias especificadas el proceso.

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

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).

2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de

la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la

variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Pgina 99
.00135 LTNI LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
LIE LSE
s _
xi
p X
Fig. 6.2 Fraccin defectiva fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.
En el rea sombrada observamos medidas fuera de los lmites de especificacin.
Pgina 100
Para solucionar este problema, podemos reducir la desviacin estndar.
Tambin podramos cambiar la media.
Lo ideal sera, por supuesto cambiar ambas.
Fig. 6.3 Algunas alternativas para mejorar la capacidad
Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos9:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los ndices de habilidad. Si los datos se componen
de menos de 100 valores, entonces deben calcularse los lmites de confianza
inferiores.
9
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 101
Los datos se recolectan durante un periodo suficientemente largo para

asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la

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

Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Fig. 6.4 Variabilidad a corto plazo
Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de

tiempo suficientemente largo y en condiciones suficientemente diversas para que
sea probable que contenga algunos cambios de proceso y otras causas
especiales. Aqu todas las familias de variacin exhiben su contribucin en la
variacin del proceso general.
Pgina 102
Fig. 6.5 Variabilidad a largo plazo
Para el clculo de Z utilizamos las siguientes formulas:
Z st
lmite especif . nom. (6.1)
desv .std ST
lmite especif . media
Z LT
desv .std LT
dnde:
Zst = variacin a corto plazo.

nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5

desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 103
6.2 NDICES DE CAPACIDAD
6.2.1 INDICE DE CAPACIDAD POTENCIAL Cp
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin

permitida por las especificaciones entre la amplitud de variacin entre los lmites
de tolerancia naturales del proceso.
LSE LIE
Cp PCR (6.2)
6
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE

= 74.05mm y el LIE= 73.95mm y de la carta R se estim
R
0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE LIE) / 6

= (74.05 73.95) / 6 (0.0099) = 1.68
La funcin P (inverso de Cp) es el porcentaje de la banda de

especificaciones usada por el proceso.
1
P 100 (6.3)
Cp
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Pgina 104
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial

Cp o PCR se define como:
LSE
Cps PCRS para el lmite superior (6.4)
3
LIE
Cpi PCRI para el lmite inferior
3
Ejemplo 6.2 Para el caso de la resistencia de las botellas

de vidrio, si el LIE = 200psi,
264 200 64
Cp PCR I 0.67
3(32) 96
Lo cual indica falta de habilidad, la fraccin abajo del

lmite inferior es:
LIE 200 264

ZI 2
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en partes

por milln (ppm) que estn fuera de especificaciones se muestran a continuacin:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Pgina 105
1.10 484 967

1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67

para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso

respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
6.2.2 INDICE DE CAPACIDAD REAL Cpk
Este ndice si toma en cuenta el centrado del proceso respecto a las

especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cps correspondientes a cada lado de la media, como sigue,
Cpk PCRk min( PCRS , PCRI ) debe ser mayor a 1
(6.5)
donde,
LSE
Cps PCRS para el lmite superior (6.6)
3
Pgina 106
LIE
Cpi PCRI para el lmite inferior
3
Ejemplo 6.3 Para un proceso donde los lmites de

especificacin sean LSE=62, LIE=38, la media del proceso sea
=53 y su desviacin estndar =2, se tiene:
62 53
Cps PCRS 1.5 para el lmite superior
32
53 38
Cpi PCRI 2.5 para el lmite inferior
32
Por tanto, el ndice de capacidad real es:

Cpk PCRk min( PCRS , PCR I ) min(1.5,2.5) 1.5
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano

a la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado
6.2.3 NORMALIDAD Y CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un

comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin siguiente de acabado superficial en una parte maquinada no es
normal:
Pgina 107
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
Fig. 6.6 Transformacin de datos para normalizarlos
Lo cual representa una distribucin normal.
6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
LIE LSE LIE LSE

PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente
Pgina 108
Un nuevo ndice que toma en cuenta el centrado es el siguiente:
1
Si T ( LSE LIE) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)

Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE)
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente

se tiene:
Lmites de especificacin: LIE = 38, LSE = 62, T = 50

Proceso A: Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Por tanto es mejor el proceso A, centrado en la media.
Pgina 109
En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),

que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
Cpk
Cp pmk PCR pmk (6.11)
1 2
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn

resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los mtodos de Pearson, transformar los datos por Box Cox o usar Weibull.
6.3 CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL

La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas

asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
?
? ?
? ?
? ?
Fig. 6.10 Comportamiento de un proceso fuera de control
Pgina 110
Si las variaciones presentes son iguales, se dice que se tiene un proceso

estable. La distribucin ser predecible en el tiempo.
Prediccin
Tiempo
Fig. 6.11 Comportamiento de un proceso dentro de control
Clculo de la desviacin estndar del proceso
R S
(Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviacin estndar de la poblacin

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

rangos / (n -1)
Ejemplo 6.7 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo
lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes: x = 64.06 , R = 77.3
Pgina 111
Por tanto estimando los parmetros del proceso se tiene:
x media de medias
R 77.3
33.23
d 2 2.326
Si el lmite de especificacin es: LIE = 200.
El C pk
200 264.06 = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:

x 100, s 1.05
Por tanto estimando los parmetros del proceso se tiene:
x 100
s 1.05
= 1.117
C4 .094
C4 para n = 5 tiene el valor 0.94
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El C pk
105 100 1.492
3 1.117
Pgina 112
El C p
105 85 2.984
6 1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
6.4 CAPACIDAD DE PROCESOS CON MINITAB

NORMALES Y NO NORMALES
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
1. Calc > Random data > Normal

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

4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 113
Probability Plot of Datos

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

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

Normal - 95% CI
99.9
Mean 269.3
StDev 30.72
99 N 100
AD 0.317
95 P-Value 0.533
90
80
70
Percent
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Pgina 114
Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Process Capability of Datos
LSL USL
P rocess Data Within
LS L 200.00000 Ov erall
Target *
USL 330.00000 P otential (Within) C apability
S ample M ean 269.25354 Cp 0.70
S ample N 100 C PL 0.75
C PU 0.66
S tDev (Within) 30.83472
S tDev (O v erall) 30.80011 C pk 0.66
C C pk 0.70
O v erall C apability
Pp 0.70
PPL 0.75
PPU 0.66
P pk 0.66
C pm *
210 240 270 300 330 360

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 10000.00 P P M < LS L 12353.30 P P M < LS L 12272.69
P P M > U S L 30000.00 P P M > U S L 24415.36 P P M > U S L 24288.79
P P M Total 40000.00 P P M Total 36768.66 P P M Total 36561.48
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2

(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
Pgina 115
La desviacin estndar Overall se determina con la desviacin estndar de

todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as
como el desempeo Overall, no importando si el proceso est en control o no, en
este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack

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

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

I C har t C apability H istogr am
UCL=361.8
Individual Value
320
_
X=269.3
240
LCL=176.7
160
1 10 20 30 40 50 60 70 80 90 100 210 240 270 300 330 360
M oving Range C har t Nor mal P r ob P lot

1
1 A D: 0.317, P : 0.533
UCL=113.6
Moving Range
100
50 __
MR=34.8
0 LCL=0
1 10 20 30 40 50 60 70 80 90 100 200 300 400
Last 2 5 O bser vations C apability P lot

Within
Within O v erall
300
S tDev 30.83472 S tDev 30.80011
Values
Cp 0.70 Overall
Pp 0.70
250
C pk 0.66 P pk 0.66
C C pk 0.70 C pm *
200 Specs
80 85 90 95 100
Observation
Pgina 116
En este caso de la grfica de probabilidad normal, los datos siguen una

distribucin normal.
Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es

referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull

9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NoNormal

8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
Pgina 117
Process Capability of Datos1

Calculations Based on Weibull Distribution Model
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * PPL *
USL 3.50000 PPU 0.85
S ample M ean 0.82279 P pk 0.85
S ample N 100
E xp. O v erall P erformance
S hape 1.24929
P P M < LS L *
S cale 0.88470
P P M > U S L 3795.26
O bserv ed P erformance P P M Total 3795.26
P P M < LS L *
P P M > U S L 10000
P P M Total 10000
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo

y los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.
El ndice Ppk y Ppu10 = 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
10
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 118
6.5 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIN
6.5.1 ERROR DEL EQUIPO DE MEDICIN

En cualquier problema que involucre mediciones, de la variabilidad total parte de la
variabilidad observada es debida al producto mismo y parte es debida a la
variacin del equipo de medicin, o sea:
total
2
2producto equipo
2
.medicin (6.13)
6.5.2 R&R Capacidad de los sistemas de medicin - AIAG
En muchas ocasiones las organizaciones no consideran el impacto de no tener

sistemas de medicin de calidad, el hecho de que las mediciones no sean exactas
puede llevar a cometer errores en el clculo, y en los anlisis y conclusiones de
los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede

caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado. Por otro lado si los instrumentos de medicin
no estn calibrados correctamente tambin se pueden cometer errores. Cuando
sucede lo mencionado anteriormente tenemos un sistema de medicin deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos
innecesarios de reproceso al reparar un proceso de manufactura o de servicios,
cuando la principal fuente de variacin se deriva del sistema de medicin.
Posibles Fuentes de la Variacin del Proceso
Pgina 119
Variacin del proceso
Variacin
Variacin deldel proceso,
proceso, real
real Variacin de la medicin
Variacin dentro de la Variacin

Equipooriginada
de
muestra medicin Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibracin
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento

de medicin, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas caractersticas en una misma parte.
Pgina 120
REPETIBILIDAD
Valor verdadero: Valor correcto terico / estndares NIST11

Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una
misma zona
Exactitud : Es la diferencia entre el promedio del nmero de medidas y el valor

verdadero.
Resolucin: La medicin que tiene exactitud y precisin.
Exacto pero no preciso Exacto y preciso

Preciso pero no exacto
(resolucin)
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de

medicin, hechas sobre el mismo patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante un perodo de tiempo prolongado.
11 En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene
el CENEAM o el Centro Nacional de Metrologa
Pgina 121
Tiempo 2
Tiempo 1
Linealidad: diferencia en los valores de la escala, a travs del rango de

operacin esperado del instrumento de medicin.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior) (rango superior)

Rango de Operacin del equipo
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor

verdadero. Error sistemtico o desviacin.
Valor
Verdadero
Sesgo
Pgina 122
Calibracin: Es la comparacin de un estndar de medicin con exactitud

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

adecuada en la evaluacin de las partes, su resolucin debe ser al menos
1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones

observadas son debidas al proceso y otras son debidas al error o variacin en los
sistemas de medicin. La variacin total es expresada de la siguiente manera:
2 total 2 proceso 2 error medicin
Pgina 123
Estudio de R&R Mtodo largo
Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida

sobre el equipo de medicin a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegrese de que el equipo de medicin haya sido calibrado.

2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
Pgina 124
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos

7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I. Mtodo de Promedios- Rango

Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA

Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador
y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso
Ejemplo 6.112: Clculo de la Repetibilidad nicamente
Un equipo de mejora de la calidad involucrado en el diseo de CEP (Control

Estadstico del Proceso), desea realizar un clculo de la capacidad del sistema de
Pgina 125
medicin. Se tienen veinte unidades de producto, el operador que toma las

mediciones para el diagrama de control usa un instrumento para medir cada
unidad dos veces. Los datos son mostrados en la tabla siguiente:
Parte Medicin 1 Medicin 2 Media Rango

1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
x 22.3
R 1 .0
La desviacin estndar del error de medicin, medicin , es calculada mediante la
siguiente frmula:
R 1
medicin = 0.887
d 2 1.128
donde:
12 Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 126
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin

utilizamos:
6 medicin 6(0.887) 5.32
La proporcin 6 medicin de la banda de tolerancia (rango total de especificacin) es
llamada precisin de tolerancia:
P 6 medicin

T USL LSL
En este ejemplo USL = 60, LSL = 5
P 5.32
0.097 .
T 55
Como se mencion anteriormente los valores P/T de 0.1 o menores generalmente

implican una capacidad de error de medicin adecuada.
Calculamos la varianza total mediante:
2 Total S 2 (3.07) 2 9.4249
La desviacin estndar es calculada a partir de los datos de la tabla.

Ya que tenemos un estimado de 2 medicin .887 2 .79 , podemos obtener un
estimado para 2 proceso
2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Pgina 127
Por lo tanto la desviacin estndar del proceso = 2.93

El error de medicin es expresado como un porcentaje de la variabilidad del
proceso:
medicion .79
100 25.73%
total 3.07
Al ser el error de medicin mayor al 10%, concluimos que no tenemos un sistema

de medicin confiable, por lo cual tenemos que realizar las acciones correctivas
correspondientes.
Ejemplo 6.2: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to
remove interaction 0.25
Los resultados se muestran a continuacin: Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Los operadores y la interaccin no fueron significativos, slo las partes
Two-Way ANOVA Table Without Interaction
Pgina 128
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 0.0000002 0.0000001 0.75592 0.473
Repeatability 78 0.0000077 0.0000001
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Reproducibility 0.0000000 0.0000000 0.00 0.00
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88
Number of Distinct Categories = 1
La interaccin no es significativa, y los errores de R&R indican que equipo de

medicin no es adecuado, ni el nmero de categoras.
Pgina 129
Gage R&R (ANOVA) for Datos

Reported by :
G age name: Tolerance:
Date of study : M isc:
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
Datos by Operadores
1 2 3
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Las conclusiones son similares que con el mtodo de X barra R.
Pgina 130
Estudios de R&R por atributos

Ejemplo 6.3: Una empresa est entrenando a cinco evaluadores para un
producto. Se requiere determinar la habilidad de los evaluadores para calificar el
producto de forma que sea consistente con los estndares. Cada uno de los
evaluadores califica 15 productos en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo ESSAY.MTW.

2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:
Appraiser Sample Rating Attribute

Simpson 1 2 2
Montgomery 1 2 2
Holmes 1 2 2
Duncan 1 1 2
Hayes 1 2 2
Simpson 2 -1 -1
Montgomery 2 -1 -1
Holmes 2 -1 -1
Duncan 2 -2 -1
Hayes 2 -1 -1
Simpson 3 1 0
Montgomery 3 0 0
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomery 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomery 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Pgina 131
Simpson 6 1 1
Montgomery 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomery 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomery 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomery 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomery 10 1 1
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomery 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomery 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomery 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomery 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomery 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Pgina 132
Hayes 15 1 1
Gage R&R for Datos

Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI

Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Holmes 15 15 100.00 (81.90, 100.00)
Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with

the known standard.
Kendall's Correlation Coefficient
Appraiser Coef SE Coef Z P

Duncan 0.89779 0.192450 4.61554 0.0000
Hayes 0.96014 0.192450 4.93955 0.0000
Holmes 1.00000 0.192450 5.14667 0.0000
Montgomery 1.00000 0.192450 5.14667 0.0000
Simpson 0.93258 0.192450 4.79636 0.0000
Between Appraisers
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
-2 0.680398 0.0816497 8.3331 0.0000
-1 0.602754 0.0816497 7.3822 0.0000
0 0.707602 0.0816497 8.6663 0.0000
1 0.642479 0.0816497 7.8687 0.0000
2 0.736534 0.0816497 9.0207 0.0000
Overall 0.672965 0.0412331 16.3210 0.0000
Kendall's Coefficient of Concordance
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
All Appraisers vs Standard
Pgina 133
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with the known

standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)

-2 0.842593 0.115470 7.2971 0.0000
-1 0.796066 0.115470 6.8941 0.0000
0 0.850932 0.115470 7.3693 0.0000
1 0.802932 0.115470 6.9536 0.0000
2 0.847348 0.115470 7.3383 0.0000
Overall 0.831455 0.058911 14.1136 0.0000
Kendall's Correlation Coefficient

Coef SE Coef Z P
0.958102 0.0860663 11.1100 0.0000
* NOTE * Single trial within each appraiser. No percentage of

assessment agreement within appraiser is plotted.
Date of study :
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Pgina 134
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los

evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento

adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de

especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages

pasa, no pasa no son confiables
Pgina 135
Mdulo 7. Diseo de experimentos
Pgina 136
7. DISEO DE EXPERIMENTOS
7.1 Introduccin
En muchas industrias el uso efectivo del diseo de experimentos es la clave
para obtener altos rendimientos, reducir la variabilidad, reducir los tiempos de
entrega, mejorar los productos, reducir los tiempos de desarrollo de nuevos
productos y tener clientes ms satisfechos.
QU ES EL DISEO DE EXPERIMENTOS (DOE)?

Un diseo de experimentos es una prueba o serie de pruebas en las cuales se
hacen cambios a propsito en las variables de entrada de un proceso, de tal forma
que se puedan observar e identificar cambios en la respuesta de salida.
Los productos resultantes tienen una o ms caractersticas de calidad observables
o respuestas (Crticas para la calidad si el cliente reclama por su no cumplimiento
CTQs). Algunas de las variables del proceso X1, X2, X3,, Xp son
controlables o factores de control, mientras que otras Z1, Z2, Z3, .., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las
pruebas), y se denominan factores de ruido.
Los objetivos del diseo de experimentos son:

1. Determinar cules variables tienen ms influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia xs, de tal forma que y
se acerque al requerimiento nominal deseado.
3. Determinar donde ajustar las variables de influencia xs de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia xs de tal forma que los
efectos de las variables incontrolables z sean minimizados.
Con la aplicacin del DOE durante el desarrollo de los procesos podemos

obtener los beneficios siguientes:
1. Rendimiento mejorado.
Pgina 137
2. Variabilidad reducida y comportamiento cercano al valor nominal.

3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
5. Mejor desempeo y confiabilidad en el campo.
Como ejemplos de aplicaciones del diseo de experimentos tenemos las

siguientes:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Evaluacin de diferentes proveedores.
3. Determinacin de parmetros clave de diseo (ej: ngulo, velocidad, mtodo)
con impacto en el desempeo.
GUA PARA EL DISEO DE EXPERIMENTOS

Para tener xito en el diseo de experimentos, es necesario que todos los
involucrados en el experimento tengan una idea clara del objetivo del experimento,
de los factores a ser estudiados, como se realizar el experimento y al menos una
idea cualitativa de cmo se analizarn los datos. El procedimiento recomendado
por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Seleccin de factores y niveles.
3. Seleccin de la variable de respuesta.
4. Seleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis de los datos.
7 Conclusiones y recomendaciones.
7.2 DISEOS DE EXPERIMENTOS FACTORIALES

Los experimentos factoriales se utilizan cuando hay varios factores de inters en
un experimento. En los experimentos factoriales se deben utilizar en cada rplica,
todas las combinaciones de los factores que se estn investigando. Si se tienen
Pgina 138
dos factores A y B con niveles a y b respectivamente, cada rplica contendr

todas las posibles combinaciones ab.
Definiciones:
Factores: Son las variables controlables en el experimento Ej:Temperatura,
Presin, Velocidad; se designan con letras maysculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del
experimento. Ej: en un experimento tomamos los siguientes valores de
Temperatura: 15, 20 ; en este caso tenemos 2 niveles.
Los niveles se designan con nmeros: 1, 2 o con signos -, + que
representan los niveles bajo y alto en cada caso.
Replica: Es el nmero de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un
cambio en el nivel del factor, se denomina efecto principal ya que se refiere
a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
FACTOR B
B1 B2
A1 20 30
FACTOR A
A2 40 52
El calculo de los factores primarios A y B es la diferencia entre la respuesta

promedio en el nivel alto y la respuesta promedio del nivel bajo.
40 52 20 30
A 21
2 2
30 52 20 40
B 11
2 2
Pgina 139
Tratamientos: son todas las combinaciones posibles de los factores que se

involucran en un experimento. Ej: a, b, c, ab, ac, bc.
Interaccin: Cuando la diferencia en la respuesta entre los niveles de un
factor no es la misma en todos los niveles de los otros factores.
Respuesta
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interaccin b) Con interaccin
En la grfica de la izquierda observamos que las lneas B1 y B2 son paralelas lo

cual indica que no hay interaccin. En la siguiente grfica al estar cruzadas las
lneas B1 y B2 significa que existe interaccin.
El clculo de la interaccin AB es la diferencia entre los promedios del nivel alto

de A y B y el nivel bajo de los mismos
40 30 52 20
AB 19
2 2
Principios bsicos del diseo de experimentos:

Normalidad.- Siempre que se conduce un experimento las muestras son tomadas
de poblaciones normales, en el anlisis de los experimentos se verifica que se
cumpla con este principio, de lo contrario los resultados obtenidos no sern
confiables.
Replicacin.- Significa la repeticin de un experimento, permitiendo el
experimentador la obtencin de un error experimental. El error es la unidad bsica
de medida para determinar si las diferencias observadas en los datos son
Pgina 140
realmente diferentes estadsticamente. La replicacin permite tener una

estimacin ms precisa de los efectos.
Aleatoriedad.- Por aleatoriedad entendemos que la posicin del material y el orden
en el cual las corridas se realizan en los experimentos son determinadas
aleatoriamente (al azar).
Bloqueo.- Es una tcnica usada para incrementar la precisin de un experimento,
Un bloque es una porcin del material experimental el cual es ms homogeneo
que el material restante.
Diseos factoriales en MINITAB

Supongamos que queremos disear un experimento para probar tres factores:
temperatura, presin y tipo de catlisis. Se trata de un diseo factorial completo
2^3, ya que consta de dos niveles y tres factores, a continuacin se muestra el
diseo:
FACTOR NIVEL BAJO NIVEL ALTO

Temperatura 20C 40C
Presin 1 atmsfera 4 atmsferas
Catlisis A B
Ver ejemplos de Diseos de experimentos en los archivos:
MinitabDiseoExperimFactoriales
MinitabDiseoExperim2K
Pgina 141
APNDICES
Pgina 142
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES

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

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

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

Para los valores individuales n=2
MR
LSCx = X 3
d2
Pgina 143
__
LCx = X
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
p(1 p )
__
LSCp = p 3
n
__
LCp = p
__ __
p(1 p )
__
LICp = p 3
n
CARTAS np
LSCnp np 3 np(1 p)
LCnp np
LICnp np 3 np(1 p)
CARTAS c
LSCc = c + 3 c
Pgina 144
LCc = c
LICc = c - 3 c
CARTAS u
c
u
n
Donde u representa el nmero promedio de no conformidades por unidad en un

conjunto de datos preliminar
u
LSC u u 3
n
LCu u
u
LSC u u 3
n
Pgina 145
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para lmites de control en las cartas X-S son:

n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964

6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Pgina 146

Manual Control Estadístico de Procesos

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 Control Estadístico de Procesos

Uploaded by

Copyright:

Available Formats

CONTROL ESTADSTICO DEL PROCESO Dr. P.

Reyes / Octubre 2006

DR. PRIMITIVO REYES AGUILAR

CONTROL ESTADSTICO DEL PROCESO

2. MTODOS Y FILOSOFA DEL CEP 14

3. CARTAS DE CONTROL POR VARIABLES 33

4. CARTAS DE CONTROL PARA ATRIBUTOS 48

5. OTRAS CARTAS DE CONTROL ESPECIALES 73

5.9 CEP Con datos correlacionados 84

6. ANLISIS DE CAPACIDAD DEL PROCESO 97

7. DISEO DE EXPERIMENTOS 274

Apndice 1. Frmulas de CEP

1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO

Control de calidad por inspeccin

Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control

Control estadstico del proceso (CEP)

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy

En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of

Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de

En los aos recientes, empresas de alta tecnologa como Motorola, General

Desarrollo del Control Estadstico del Proceso

Fig. 1.1 Experimentos de Shewhart para las cartas de control

Encontr que las medias de las muestras correspondan a las medias de la

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

Normalmente para conocer el estado de un proceso en determinado momento, es

a) Proceso fuera de control b)Proceso en control

Fig. 1.2 Comportamiento de procesos en control y fuera de

Llevando un control de proceso a travs de histogramas no sera prctico y

1.3 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD

Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de

LSC = Lmite superior de control

Fig. 1.3 Carta de control de Shewhart y sus lmites de

INSUMOS DEL PROCESO Y CARACT.DE CALIDAD

Fig. 1.4 Proceso de produccin, entradas y salidas

El principal mtodo para disear experimentos es el diseo factorial, en el cual los

El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza

El monitoreo en el proceso de las variables relevantes que afectan las

Est relacionado con la inspeccin y prueba del producto, donde se selecciona e

Tiene las siguientes ventajas:

- El costo de evaluacin es menor que con la inspeccin al 100%

Entre sus desventajas se encuentran:

A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.

El muestreo de aceptacin tiende a reforzar el apego o conformancia a

Fig. 1.5 Evolucin de la aplicacin de mtodos estadsticos

Mdulo 2. Mtodos y filosofa del CEP

2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO

2.1 CONCEPTOS BSICOS

Fig. 2.1 Curva de distribucin normal

Propiedades de la distribucin normal

La forma y la posicin de una distribucin normal dependen de los parmetros

TEOREMA DEL LMITE CENTRAL

La distribucin normal tiene muchas propiedades tiles, una de estas se refiere al

Por ejemplo tomando 300 datos individuales se tiene:

Fig. 2.2 Distribucin de la poblacin No normal

Seleccionando muestras de tamao n y calculando la X-media o promedio en cada

Poblacin con media y desviacin estndar y cualquier distribucin.

Conforme el tamao de muestra se incrementa las muestras se distribuyen

Fig. 2.3 Distribucin de las medias muestrales

En general si las xi estn distribuidas en forma idntica y su distribucin se

COMPROBACIN DEL TEOREMA DEL LMITE CENTRAL

Paso 1. Hacer una sola columna de datos en Datos (C1)

Paso 2. Hacer un histograma de 5 celdas con la columna Datos

Paso 3. Hacer prueba de normalidad con la columna Datos

Paso 4. Calcular en Medias (C7) el promedio de los datos de cada rengln