Si se conoce la desviacién estandar de la distribucion del proceso, es posible usar otra forma del gratico x: donde Jin = desviacién esténdar de las medias de la muestra n del proceso ‘¥ = linea central del grafico, que puede ser el promedio de las medias de muestras pasadas oun valor establecido como objetivo para el proceso z= desvio normal (ntimero de desviaciones estandar con respecto al promedio) El analista puede emplear un grafico R para asegurarse de que la variabilidad del proceso cesté bajo control antes de construir el grafico X. La ventaja de usar esta forma del grafico X es que cl analista tiene la posibilidad de ajustar la extension de los limites de control modificando el va- lorde z, Este enfoque puede ser itil para equilibrar los efectos de los errores tipo I y tipo Il. Sunny Dale Bank monitorea el tiempo que se requiere para atender a los clientes en la ventanilla para automovilstas porque éste es un factor de calidad importante para compatir con otros hancos de la ciudad. Después de analizar los datos recopiladcs en un estudio exhaustivo de las operaciones de la ventanilla, la gerencia de! banco determind que el tiempo medio necesario para atender 2 un cliente en las horas pico de demanda es de 5 minutos, con una desviacion estdndar de 1.5 minutos. La gerencia desea monitorear el tiempo medio requerido para atender a un cliente, utiizando eriddicamente un tamafio de muestra de seis clientes. Suponga que la variabilidad del proceso esta bajo contral esta- distico. Disefie un oréfico ¥ que tenga un error tipo | de 5%. Es decir, establezca los limites de control de tal modo que exista una probabilidad de 2.5% de que uno de los resultados de la muestre se ubique por debajo de! LCL y una proba- bilidad de 2.5% de que uno de los resultados de la muestre se ubique por arriba del UCL. Después de varias semanas de muestreo, cos muestras sucesivas arrojaron 3.70 y 3.68 minutos, respectivamente. {£1 proceso de atencion a clien- tes esta bajo contral estadistico? SOLUCION ¥=5.0 minutos o= 1.5 minutos n=6clientes 2=1,96 La variabilidad del proceso es‘ bajo control estacistico, por lo cual pasamos directamente al grafico X. Los limi- tes de contral son: UCL = +20/ Vin =5.0+1.96(1.5)/ V6 =6.20 minutos LLy=%—z0/ Vin =5.0-1.96(1.5)/V/6 =3.80 minutos Elvalor de z puede obtenerse de la siguiente forma: la tabla de distribucidn normal (vease el apéndice “Distribucidn nor- mal) indica la proporcién del area total deoajo de la curva normal desde -2o hasta 2 Nos interesa un error tipo | d2 5%,0 2.5% de la curva encima del UCL y 2.5% debajo del LCL. En consecuencia, es necesario encontrar el valor 7 en la ta- bla que deje sdlo 2.5% en la porcidn superior de fa curva normal (0 sea, 0.9750 en la tabla). El valor es 1.98. Las dos nuevas muestras se ubican por debajo del LCL del grafico, lo que implica que el tiempo promedio para atender a un cliente ha disminuido. Deben explorarse las causas asignables para ver qué provocd ia mejoria. Punto de decisién La gerencia estudié el periodo en el que se tomaron las muastras y descubrié que el supervi- sor del proceso estaba experimentando con algunos procedimientos nuevos. La gerencia decidié incorporar de manera permanente estos nuevos procedimientos al proceso de atencién a clientes. Después de capacitar a todos los emplea- dos en los nuevos procedimientes, se tomaron nuevas muestras y se reconstruyé el grafico de control.GRAFICOS DE CONTROL PARA ATRIBUTOS Dos gréficos que se utilizan comtinmente para realizar mediciones de desempeito basadas en los. atributos son el grafico p y el grafico c. El grafico p se emplea para controlar la proporcién de de- fectos generados por el proceso. El grafico c se utiliza para controlar el ntimero de defectos cuan- do puede haber mas de un defecto en un servicio o producto. Graficos p El grifico pes un grafico de control que se usa cominmente para representar atribu- tos. La caracteristica de desempeiio no se mide en este caso, sino que se cuenta, y el elemento 0 servicio se declara satisfactorio o deficiente en su totalidad. Por ejemplo, en la industria bancaria, losatributos que se cuentan pueden ser el ntimero de depésitos no endosados o el mimero de es- tados financieros incorrectos que se envian a los clientes, Este método implica seleccionar una muestra aleatorla, examinar cada uno desus elementos y calcular la proporcién de la muestra que presenta defectos, p, que equivale al numero de unidades defectuosas dividido entre el tamafo de Ja muestra. En el caso de un grafico p, el muestreo implica una decision de sf o no: el producto del proce- so examinado tiene defectos 0 no. La distribucién estadistica subyacente se basa en la distribu- cién binomial. Sin embargo, si los tamafios de muestra son grandes, la distribucién normal pro- porciona una buena aproximacién a ese respecto. La desviacién estdndar de la distribucién de la proporcidn defectuosa, o,, es entonces: o, donde n= tamafio de la muestra B = linea central del gréfico, que puede ser la proporcién defectuosa de la poblacién histéri- ca promedio, o un valor objetivo Se puede usar 6, para obtener los limites de control superior e inferior para un grafico p: UCL, =P+20, y LCL,=P—z0, donde == desvio normal (mtimero de desviactones estandar con respecto al promedio) El grafico se usa de la siguiente forma. Periédicamente se toma una muestra aleatoria de ta- mano sry se cuenta el numero de productos servicios defectuosos. El mimero de elementos de- fectuosos se divide entre el tamano de la muestra para obtener una proporcion de muestra delec- tuosa, p, la cual se traza después en el grafico. Cuando una proporcion de muestra defectuosa queda fuera de los limites de control, el analista supone que la proporcién defectuosa generada por el proceso lia cambiado y busca la causa asignable. Las observaciones que se ubican por de- bajo del LCL, indican que el proceso puede haber mejorado en realidad. Es posible que el analis- ta no logre encontrar ninguna causa asignable porque siempre existe la posibilidad de que una proporcion fuera de control se haya producide de manera fortulta. Sin embargo, si el analista des- Cubre catisas asignables, esos datos de muestra no deben usarse para calcular los limites de con trol para el grafico.Al gerente de operaciones del departamento de servicios de registro del Hometown Bank le preocupa la gran cantidad de errores que comete el personal del banco al registrar los nllmeros de cuenta de los clientes. Cada semana se toma Una muestra aleatoria de 2500 depésitos y se anota la cantidad de niimeros de cuenta registrados. incomectamente. Los resultados de las doce ultimas semanas'se presentan en la siguiente tabla. {£1 proceso de registro esta fuera de control estadistico? Use limites de control tres sigma. Numero de Numeros de Numero de Nimeros de muestra cuenta equivocados muestra cuenta equivocados 1 15 7 24 2 12 8 T 3 19 9 10 4 2 10 7 5 19 W 15 6 4 12 3 Total 147 SOLUCION Paso 1: Use esios datos de muestra para calcular el grafico p barra rr Total dadefactos 147 0.0040 Nimerototaldeobservaciones 12(2,500)_ 0, = \BUI-B)/n = 0. 0049{1- 0.004972, 500 = 0.0014 UCL y= +Z0%, =0.0049-+-30.0014)=0.0091 LCL,-B-26, -0.0049-3(0.0014)-00007 Paso 2: Calcule la proporcién defectuosa de la muestra. En el caso de la mussira 1, la proporcidn de elementos de- fectuosos es de 15/2,500 = 0.0080. Paso 3: Trace en el grafico cada una de las proporciones defectuosas de la muestra, como se ilustra en la figura 6.9.[La muestra 7 rebasa el UCL por fo tanto el proceso esta noera de control’ sera necasarioGeterminar las razones sl deserpette defidarta en esa semana. Punto de decisién La gotonct Kwesi las crounstanctas on que se fond fa muestra 7. La maquina codtcaora ‘quese ula para imprimir os nmeros Ge cuca en los cheques vo una tala esa semana. La maquina sa regard en Ja semana siguong; sin embargo, of manfonimionio preventio rocomenvtado par la maquina noe rela) curarta meses aries Co i fala. La gorenca revs0 a dasempeno Wel Gepartamento de manteriienta e insthuyo camBins en Jos procedimlonins de mantenitmiento de la maquina codiicacora. Después de que so corigd el problara, un aralsta vot a calcu los lias de coro usando Wo datos sin ta mudstra 7. Sa tomaron varas muesiras en tas Sermanas posieriores se determing qua-al proceso de registro estaba bajo contro estadstco, En consecuencta el roa p pro- oroona una nararienta que'siwe para mndicar cic requlere aust un proceso. Gréficase A veces, lns servicios o productos tienen més de un defecto. Por ejemplo, un rallo-de alfombra puede tener varios defectos, como fibras aglutinadas o decoloradas o manchas origina- das en el proceso de produccién. Otras situaciones, en las que es posible que se presente mas de -un defecto, son: los accidentes que acurren en una intersecciGn especifica, las burbujas en el ta- ‘blero frontal de la pantalla de un televisor, las quejas de los huéspedes de un hotel. Cuando a la sgerencia le interesa reducir el nuimera de defectos por unidad o por encuentro de servicio, resulta Ait otro tipo de grafico de control, el grafico «. La distribucién de muestrea subyacente en un grafico c corresponde a la distribucién de Poisson. Fista se basa en el supuesto de que los defectos se presentan dentro de una regién conti- rua en la superficie de un producto o un intervalo de tiempo continuo durante la prestacién de sum servicio. Adem, presupone que la probabilidad de que dos o mas defectos se presenten en un mismo lugar en la superficie o en el mismo instante es insignificante. La media de la distribucién es ¢, yl desviacidn estdndar es 7. Una tdctica itil consiste en usar la aproximacidn normal ala distribucidn de Poisson para que la linea central del gréfico-sea ©, y los limites de control sear: UCL,-t+2V@ y LCL,=7-2/e